Algèbre linéaire et bilinéaire

(version du 13 novembre 2015)

Bernard Le Stum
Copyright c 2015 Bernard Le Stum
 Table des matières

I Première partie
1 Structures algébriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1 Ensemble 9
1.2 Monoïde, groupe 14
1.3 Anneau, corps 17
1.4 Module, espace vectoriel 19
1.5 Algèbre 21
1.6 Opérations élémentaires 22
1.7 Exercices 24

2 Algèbre linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1 Espace vectoriel 27
2.2 Image, noyau 28
2.3 Produit 29
2.4 Dual (début) 33
2.5 Orthogonal 35
2.6 Quotient 37
2.7 Exercices 42

3 Somme directe, base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

3.1 Somme directe (externe) 45
3.2 Somme directe interne 49
3.3 Base 51
3.4 Théorème d’existence 54
3.5 Dual (suite) 55
3.6 Exercices 58

II Seconde partie

4 Dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.1 Dimension 63
4.2 Rang 66
4.3 Changement de base 69
4.4 Dual (fin) 72
4.5 Exercices 76

5 Trace et déterminant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.1 Application multilinéaire 79
5.2 Produit tensoriel 83
5.3 Trace 86
5.4 Puissance extérieure 88
5.5 Déterminant 92
5.6 Exercices 96

6 Classification des endomorphismes . . . . . . . . . . . . . . . . . . . . . . . . . . . 99

6.1 Polynôme annulateur 99
6.2 Diagonalisation 102
6.3 Endomorphisme nilpotent 104
6.4 Trigonalisation 106
6.5 Exercices 109

III Troisième partie

7 Forme quadratique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

7.1 Forme bilinéaire 115
7.2 Forme bilinéaire non dégénérée 117
7.3 Orthogonal 118
7.4 Forme quadratique 120
7.5 Décomposition d’une forme quadratique 122
7.6 Formes quadratiques complexes et réelles 124
7.7 Exercices 127
 5

8 Espace vectoriel normé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129

8.1 Topologie 129
8.2 Valeur absolue 131
8.3 Norme 132
8.4 Espace de Banach 135
8.5 Algèbre de Banach 136
8.6 Exponentielle 138
8.7 Fonction vectorielle 141
8.8 Exercices 143

9 Espace vectoriel euclidien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145

9.1 Produit scalaire 145
9.2 Espace euclidien 146
9.3 Réduction des matrices symétriques 150
9.4 Espace préhilbertien 153
9.5 Exercices 154

IV Compléments
Solutions des exercices 159

Références
Références 169
I
Première partie

1 Structures algébriques . . . . . . . . . . . . . . . . 9
1.1 Ensemble
1.2 Monoïde, groupe
1.3 Anneau, corps
1.4 Module, espace vectoriel
1.5 Algèbre
1.6 Opérations élémentaires
1.7 Exercices

2 Algèbre linéaire . . . . . . . . . . . . . . . . . . . . . 27
2.1 Espace vectoriel
2.2 Image, noyau
2.3 Produit
2.4 Dual (début)
2.5 Orthogonal
2.6 Quotient
2.7 Exercices

3 Somme directe, base . . . . . . . . . . . . . . . . 45

3.1 Somme directe (externe)
3.2 Somme directe interne
3.3 Base
3.4 Théorème d’existence
3.5 Dual (suite)
3.6 Exercices
 1. Structures algébriques

1.1 Ensemble
Nous ne faisons qu’effleurer la Théorie des Ensembles et nous renvoyons le lecteur intéressé
vers l’ouvrage éponyme de Jean-Louis Krivine ([4]) par exemple. Ici, nous voulons surtout rappeler
le vocabulaire et fixer les notations.

Ensemble, élément
Définition 1.1.1 Un ensemble est une « collection » X d’objets x, appelés les éléments de X, qui
satisfont tous une même propriété P. C’est un nouvel objet.

On dit alors que x appartient à X, et on écrit x ∈ X, ou que x satisfait la propriété P, et on écrit

P(x).

Exemple On définit par récurrence l’entier naturel n := {0, 1, . . . , n − 1} (c’est donc aussi un
ensemble) et l’ensemble des entiers naturels N := {0, 1, 2, . . .} (c’est donc aussi un objet).

La théorie des ensembles permet de concrétiser la logique (mathématique) :

Mathématiques ←→ Logique
Objet ←→ Concept
Ensemble ←→ Propriété
{x / P(x)} ←→ x∈X
Égalité ←→ Équivalence
Inclusion ←→ Implication
Complémentaire ←→ Négation
Intersection ←→ Conjonction
Union ←→ Disjonction
Vide ←→ Impossible
Disjoint ←→ Incompatible
10 Chapitre 1. Structures algébriques

On décrit un ensemble X en donnant une liste des ses éléments (en extension) ou en donnant
une propriété qui le caractérise (en compréhension).

Exemple 1. {1, −1} (extension) = {x ∈ Z / x2 = 1} (comprehension).

2. La diagonale du plan :

∆ := {(t,t), t ∈ R} (extension) = {(x, y) ∈ R2 / y = x} (comprehension).

Produit, famille
Définition 1.1.2 Soit S un ensemble. Pour chaque s ∈ S, soit Xs un ensemble. Si on se donne
pour tout s ∈ S, un élément xs ∈ Xs , on dit que (xs )s∈S est une famille indexée par S. Le produit
des ensembles Xs est l’ensemble

∏ Xs := {(xs )s∈S , xs ∈ Xs }
s∈S

de toutes ces familles.

Souvent, tous les Xs sont égaux au même ensemble X et on écrit alors

X S := {(xs )s∈S , xs ∈ X}.

On parle alors de puissance (au lieu de produit) et on dit que (xs )s∈S est une famille d’éléments de
X. Au lieu de famille, on dit n-uple (singleton, couple, triplet) si S = n, suite si S = N et matrice si
S = m × n.

Exemple 1. Comme on compte traditionnellement à partir de 1, on fera souvent l’abus d’écri-

ture n = {1, . . . , n}. Par exemple, pour les n-uples, on écrira plutôt (x1 , . . . , xn ).
2. De même, une matrice est une famille indexée par n × m : c’est donc (en numérotant à partir
de 1) un objet de la forme  
x1,1 · · · x1,m
 .. .. ..  .
 . . . 
xn,1 · · · xn,m
Leur ensemble se note aussi Mn×m (X) (ou Mn (X) lorsque m = n).

Remarque Ne pas confondre ensemble et famille. On a

{a, a} = {a} et {a, b} = {b, a}

mais les égalités analogues sont fausses pour les familles (l’ordre compte et on peut répéter).
Cependant, on peut jongler entre ces deux notions : si on se donne un ensemble X, il suffit de
prendre S := X et de considérer la famille (x)x∈Y ; et réciproquement, si on se donne une famille
d’éléments (xs )s∈S d’un ensemble X, on peut regarder l’ensemble {xs , s ∈ S} ⊂ X.

C’est plus anecdotique mais on peut aussi définir la l’union disjointe (appelée aussi somme ou
coproduit) :
ts∈S Xs = {(s, xs ), s ∈ S, xs ∈ Xs }.

Application
1.1 Ensemble 11

Définition 1.1.3 Une application est une « méthode » f qui permet d’associer à tout élément x
d’un ensemble (de départ, source) X, un élément f (x) d’un autre ensemble (d’arrivée, but) Y .
Une application s’appelle aussi un opérateur.

On écrit
f: X /Y
x / f (x),

et on dit que f (x) est l’image de x ou que x est un antécédent de f (x).

On désigne parfois par
F (X,Y ) := { f : X → Y }
l’ensemble de toutes les applications de X vers Y . On écrira simplement F (X) lorsque Y = X.
Si f : X → Y est une application, on posera pour A ⊂ X et B ⊂ Y ,

f (A) := { f (x), x ∈ A} ⊂ Y et f −1 (B) := {x ∈ X / f (x) ∈ B} ⊂ X.

Exemple Si
f : R2 → R2 , (x, y) 7→ (x − y, x + y)
et ∆ désigne la diagonale, on a

f (∆) = {0} × R et f −1 (∆) = R × {0}.

injection, surjection, bijection

Nous utiliserons librement les quantificateurs ∀ (« quel que soit » ou par abus « quels que
soient ») ainsi que ∃ (« il existe ») et par abus ∃! (« il existe un unique »), voire 6 ∃ (« il n’existe
pas »).
Définition 1.1.4 Une application f : X → Y est
1. injective si ∀x1 6= x2 ∈ X, f (x1 ) 6= f (x2 ),
2. surjective si ∀y ∈ Y, ∃x ∈ X, f (x) = y,
3. bijective si ∀y ∈ Y, ∃!x ∈ X, f (x) = y.

On notera S (X,Y ) l’ensemble de toutes les bijections de X vers Y , et S (X) lorsque X = Y .

Remarque 1. On a bijective ⇔ injective et surjective.

2. Les trois conditions sont équivalentes si |X| et |Y | sont égaux et finis (voir ci-dessous).
3. f bijective ⇔ il existe une (unique) application f −1 : Y → X (la réciproque) telle que

y = f (x) ⇔ f −1 (y) = x.

4. On a toujours f ({x}) = { f (x)} et, si f est bijective, f −1 ({y}) = { f −1 (y)}.

Exemple 1. On a une bijection

n = {0, 1, . . . , n − 1} ' {1, . . . , n}, i 7→ i + 1

2. Si X et Y sont deux ensembles, on a une bijection

X ×Y ' Y × X, (x, y) 7→ (y, x).

3. On a une bijection, dite de transposition,

Mn×m (X) ' Mm×n (X), [xi, j ] 7→ [x j,i ].

12 Chapitre 1. Structures algébriques

4. Si X et Y sont deux ensembles, on a une bijection F (X,Y ) ' Y X donnée par

Application ←→ Famille
f :X →Y ←→ (yx )x∈X
f (x) = yx

Nous n’hésiterons pas à utiliser cette bijection pour appliquer à F (X,Y ) certains résultats
concernant les produits.

Cardinal
Définition 1.1.5 Le cardinal d’un ensemble X est le « nombre d’éléments » de cet ensemble :
c’est l’ensemble X vu à bijection près. On le notera ultérieurement card(X), mais on utilise ici
la notation |X| plus pratique.

Par définition, on a donc |X| = |Y | si et seulement si il existe une bijection X ' Y . On écrira
|X| ≤ |Y | s’il existe seulement une injection X ,→ Y . Si (Xs )s∈S est une famille d’ensembles, on
pose
G
∏ |Xs | := ∏ Xs et ∑ |xs | := Xs
s∈S s∈S s∈S s∈S

(et on écrira aussi |Y ||X| := Y X ).

On identifie n ∈ N avec son cardinal (on omet les barres de part et d’autre) et on pose ℵ0 := |N|.
On dit que X est fini si |X| = n ∈ N et on écrit parfois |X| < +∞. Sinon, on dit que X est infini. On
dit aussi que X est dénombrable si |X| = ℵ0 .

Remarque 1. On peut montrer que |X| ≤ |Y | si et seulement si X = 0/ ou bien il existe une

surjection Y  X.
2. On dispose aussi du théorème de Cantor-Bernstein :

|X| = |Y | ⇔ (|X| ≤ |Y | et |Y | ≤ |X|).

3. On peut montrer que |X| < 2|X| si X 6= 0/ et qu’il existe donc une infinité de cardinaux infinis.
4. Comme exemple, on peut voir que |N| = |Q| < |R| = |C|.
5. Dans le cas des opérations finies sur les cardinaux finis, on retrouve l’arithmétique habituelle
des entiers naturels (ordre, multiplication, addition).
6. La définition de l’ordre, du produit et de la somme des cardinaux a vraiment un sens. En
effet, celle-ci est invariante si on remplace un des ensemble par un autre ensemble de même
cardinal.

Composition, identité
Définition 1.1.6 L’identité de X est l’application IdX : X → X définie par IdX (x) = x. La
composée des applications f : X → Y et g : Y → Z est l’application g ◦ f : X → Z donnée par

(g ◦ f )(x) = g( f (x)).

Remarque 1. Si Y ⊂ X, on considérera aussi l’application d’inclusion Y ,→ X, y 7→ y (à ne pas

confondre avec l’identité).
2. On appelle parfois projection (ou projecteur) une application p : X → X telle que p ◦ p = p
et symétrie une application s : X → X telle que s ◦ s = IdX .
1.1 Ensemble 13

3. Lorsque h : g ◦ f , nous dirons aussi que le diagramme

f
X /Y
h
g
 
Z
est commutatif. Cela s’étend à des diagrammes plus complexes comme nous le verrons plus
tard.

Proposition 1.1.7 1. Étant donnés f : X → Y , g : Y → Z et h : Z → W , on a (h ◦ g) ◦ f =

h ◦ (g ◦ f ).
2. Si f : X → Y , on a f ◦ IdX = IdY ◦ f = f .
3. f : X → Y est bijective si et seulement si il existe g : Y → X telle que g ◦ f = IdX et
f ◦ g = IdY (et on a alors g = f −1 ).

Démonstration Exercice. 

Propriété universelle du produit

Nous voyons maintenant notre première propriété universelle :

Proposition 1.1.8 Soient (Xs )s∈S une famille d’ensembles, X := ∏s∈S Xs , et pour tout s ∈ S,

ps : X → Xs , x := (xt )t∈S 7→ xs .

Soient Y un ensemble quelconque et pour tout s ∈ S, fs : Y → Xs une application. Alors, il existe

une unique application f : Y → X telle que pour tout s ∈ S, on ait fs = ps ◦ f .

Démonstration Exercice. 
On résume cette propriété dans le diagramme commutatif
∃! f
Y /X
fs
ps
& 
Xs .

Définition 1.1.9 On dit que ps est la projection de X sur Xs et que fs est la s-ème composante
de f .

Remarque 1. Dans le cas d’un produit fini X1 × · · · × Xn , on a

pi (x1 , . . . , xn ) = xi et f (y) = ( f1 (y), . . . , fn (y)).
2. Les résultats sur les produits s’appliquent toujours aux puissances dont les éléments peuvent
s’interpréter comme des applications : si X et Y sont deux ensembles ce sont les applications
d’évaluation
px : F (X,Y ) → Y, f 7→ f (x),
qui jouent le rôle des projections.
3. Si on se donne une famille d’applications fs : Xs → Ys , on pourra considérer l’application
∏ fs : ∏ Xs → ∏ Ys , (xs )s∈S 7→ ( fs (xs ))s∈S .
s∈S s∈S s∈S
4. Comme cas particulier, pour f : X → Y , on obtient
f S : X S → Y S, (x)s → ( f (ys ))s∈S .
 14 Chapitre 1. Structures algébriques

Loi de composition
Définition 1.1.10 Une loi (de composition) est une application Φ : X ×Y → Z. On dit loi de
composition interne sur X si X = Y = Z (et externe sinon). Une loi de composition s’appelle
aussi une opération.

En pratique, on fait disparaître Φ des notations et on écrit tout simplement xy := Φ(x, y).
Notons aussi qu’il revient au même de se donner une telle loi ou une application ρ : X 7→ F (Y, Z),
l’équivalence étant donnée par ρ(x)(y) = xy. Nous utiliserons alternativement les deux approches.
C’est la donnée d’un certain nombre d’opérations sur un ensemble, satisfaisant un certain
nombre de propriétés, qui constitue ce qu’on appelle une structure algébrique. Nous allons en
passer un certain nombre en revue.

1.2 Monoïde, groupe

Nous introduisons la notion de monoïde à cause de son ubiquité en mathématiques mais nous
ne considérerons ensuite que des structures plus riches. Pour la notion de groupe on peut se référer
à l’ouvrage de Felix Ulmer ([5]) par exemple.
Définition 1.2.1 Un monoïde est un ensemble G muni d’une loi interne

G×G /G
(g, h)  / gh

qui est
1. associative : ∀g, h, k ∈ G, (gh)k = g(hk)
2. avec élément neutre : ∃1 ∈ G, g1 = 1g = g.
On définit alors le produit ∏ni=1 gi := g1 · · · gn et la puissance gn := g · · · g, n fois.

Remarque 1. Rappelons que la notation gh (ainsi que 1) qui rappelle la multiplication est
arbitraire. Parfois la loi sera une loi de composition (et l’unité devient alors l’identité) ou
d’addition (et l’unité devient alors le zéro).
2. On écrira parfois 1G pour l’unité de G afin de la différentier de l’unité d’un autre monoïde.
3. Le produit de n éléments est plus précisément défini par récurrence en stipulant que le produit
vide vaut 1. La puissance est un cas particulier du produit si bien que l’on a toujours g0 = 1.
4. On rencontre aussi les notions plus pauvres que celle de monoïde comme celles de magma
(aucune condition) et de semi-groupe (seulement la première condition).

Exemple 1. Si X est un ensemble, alors l’ensemble G := F (X) des opérateurs sur X est un
monoïde pour ◦ (avec IdX comme élément neutre).
2. Si G est un monoïde et X est un ensemble quelconque, alors F (X, G) est un monoïde pour
la loi
∀x ∈ X, ( f g)(x) := f (x)g(x)

avec ∀x ∈ X, 1(x) = 1 (dans le cas, X = G, on voit donc que F (G) est muni de deux lois
distinctes).
3. Si (Gs )s∈S est une famille de monoïdes, alors ∏s∈S Gs est un monoïde pour la loi (dite terme
à terme)
(gs )s∈S (hs )s∈S = (gs hs )s∈S

avec 1 = (1s )s∈S .

1.2 Monoïde, groupe 15

4. Si A est un anneau (voir plus bas), alors Mn (A) est un monoïde pour la loi
" #
[ai, j ][bi, j ] = ∑ ai,k bk, j
k

avec la matrice unité I comme unité (on dispose aussi de la multiplication terme à terme
qu’on utilisera jamais).
5. Les ensembles de nombres comme N, Z, R, Z/nZ, . . . sont des monoïdes pour la multiplica-
tion mais aussi pour l’addition (avec 0 comme élément neutre).

On utilisera souvent la notation de Minkowski : si A, B ⊂ G monoïde, alors

AB := {gh, g ∈ A, h ∈ B}
(c’est l’image de A × B par la loi de G). Lorsque A = {g} ou B = {h}, on écrira gB ou Ah si bien
que
gB := {gh, h ∈ B} et Ah := {gh, g ∈ A}.

Définition 1.2.2 Un morphisme de monoïdes f : G → H est une application telle que

1. ∀g, h ∈ G, f (gh) = f (g) f (h)
2. f (1G ) = 1H .
Un isomorphisme est un morphisme bijectif.

On note Hom(G, H) l’ensemble des morphismes de monoïdes, End(G) := Hom(G, G) et

Aut(G) := End(G) ∩ S (G). S’il existe un isomorphisme entre G et H, on écrira G ' H.

Remarque 1. De manière équivalente, un morphisme de groupes est un morphisme qui pré-

serve les produits !
n n
f ∏ gi = ∏ f (gi )
i=1 i=1
(avec la convention usuelle que le produit vide vaut 1).
2. La notion de morphisme est très générale et, si on veut enlever toute ambiguïté on indiquera
par un indice la catégorie d’objets dans laquelle on les considère. Autrement dit, on pourra
écrire HomMon (G, H) pour préciser qu’on considère les morphismes de monoïdes, et pas des
morphismes relatifs à une autre structure que pourraient porter G et H.
3. Attention, les formules peuvent prendre une forme très différentes en fonction de la notation
des lois. Par exemple, un morphisme ϕ : F (X) → N (avec composition à gauche et addition
à droite) doit satisfaire
ϕ(g ◦ f ) = ϕ(g) + ϕ( f ) et ϕ(IdX ) = 0.

Proposition 1.2.3 1. Si f : G → H et g : H → K sont deux morphismes de monoïdes, alors

g ◦ f aussi.
2. Si f : G → H est un isomorphisme de monoïdes, alors f −1 aussi.

Démonstration 1. Exercice.
2. Rappelons la définition de l’application réciproque : f (x) = y ⇔ x = f −1 (y). Comme f est
un morphisme de monoïdes, si g, h ∈ H, on a
f ( f −1 (g) · f −1 (h)) = f ( f −1 (g)) · f ( f −1 (h)) = g · h
et donc f −1 (g) · f −1 (h) = f −1 (g · h). De même, comme f (1) = 1, on aura 1 = f −1 (1). 
16 Chapitre 1. Structures algébriques

Définition 1.2.4 Un monoïde H est un sous-monoïde d’un monoïde G s’il est contenu dans G
et si l’inclusion est un morphisme.

De manière équivalente, H est une partie du monoïde G telle que

1. 1 ∈ H.
2. ∀g, h ∈ H, gh ∈ H
(la seconde condition s’écrit aussi HH ⊂ H). Alternativement, on peut demander que tous les
produits (y compris le produit vide) d’éléments de H restent dans H.

Proposition 1.2.5 Soit f : G → H un morphisme de monoïdes.

1. Si G0 est un sous-monoïde de G, alors f (G0 ) est un sous-monoïde de H.
2. Si H 0 est un sous-monoïde de H, alors f −1 (H 0 ) est un sous-monoïde de G.

Démonstration Exercice. 

Définition 1.2.6 Soit f : G → H un morphisme de monoïdes. Alors,

1. l’image de f est im f := f (G) ⊂ H,
2. le noyau de f est ker f := f −1 ({1H }) ⊂ G.

Remarque 1. On voit donc que si f : G → H un morphisme de monoïdes, alors im f est un

sous-monoïde de H et ker f est un sous-monoïde de G.
2. La notion d’image a un sens pour n’importe quelle application f : X → Y en posant

im f := f (X) ⊂ Y,

mais celle de noyau est typique des structures algébriques.

Définition 1.2.7 Soit G un monoïde. On dit que g, h ∈ G commutent si gh = hg. On dit que G
est commutatif si tous ses éléments commutent.

Exemple 1. Les ensembles de nombres comme ci-dessus, avec la multiplication ou avec

l’addition (voir plus bas), sont des monoïdes commutatifs.
2. Le groupe symétrique Sn (voir plus bas) pour n > 2 n’est pas commutatif. Le monoïde
Mn (A) pour n > 1 et A 6= {0} n’est pas commutatif.

Si on utilise la notation additive (et 0 pour l’élément neutre), on dit en fait que le monoïde est
abélien au lieu de commutatif. En d’autres termes, M est un monoïde abélien s’il est muni d’une loi

M×M /M
(x, y)  / x+y

telle que
1. ∀x, y ∈ M, x + y = y + x,
2. ∀x, y, z ∈ M, (x + y) + z = x + (y + z),
3. ∃0 ∈ A, ∀x ∈ A, x + 0 = x.
On considère alors les notions de somme ∑ni=1 xi := x1 + · · · + xn ainsi que de multiple nx :=
x + · · · + x, n fois (au lieu de produit et puissance).
Définition 1.2.8 Soit G un monoïde. On dit que g−1 est un inverse pour g ∈ G si gg−1 = g−1 g =
1. On dit G est un groupe si tous ses éléments sont inversibles.
 1.3 Anneau, corps 17

On note G× l’ensemble de tous les éléments inversibles d’un monoïde G. C’est un sous-monoïde
qui est un groupe. On écrit parfois g/h := gh−1 (attention tout de même si G n’est pas commutatif).
Si M est un monoïde abélien, on parle d’opposé et on écrit −x si bien que la condition devient
x + (−x) = 0. On écrit alors x − y := x + (−y).

Exemple 1. Si X est un ensemble, alors S (X) = F (X)× est un groupe pour ◦.

2. Sn := S ({1, . . . , n}) est appelé le groupe symétrique et ses éléments sont les permutations.
3. Z est un groupe abélien pour + mais pas N.
4. Z× = {−1, 1} est un groupe pour la multiplication mais pas Z.
5. Si A est un anneau, alors GLn (A) := Mn (A)× est le groupe des matrices inversibles.
6. Si M et N sont deux groupes abéliens, alors Hom(M, N) est un sous-groupe (abélien) de
F (M, N) (qui est lui même un groupe abélien).

Remarque 1. On devrait dire monoïde inversif au lieu de groupe. En effet, un groupe est tout
simplement un monoïde qui satisfait une propriété en plus.
2. En particulier, on dira (iso-) morphisme de groupes pour (iso-) morphisme de monoïdes
f : G → H entre deux groupes. Notons que la seconde condition f (1G ) = 1H est alors
conséquence de la première et que l’on a toujours f (g−1 ) = f (g)−1 .
3. De même, un sous-groupe H d’un groupe G est un sous-monoïde qui est lui-même un groupe :
il faut donc penser à s’assurer que si h ∈ H, on a bien h−1 ∈ H.
4. On dit qu’un monoïde G est intègre si

∀g, h, h0 ∈ G, gh = gh0 ⇒ h = h0 et ∀g, g0 , h ∈ G, gh = g0 h ⇒ g = g0 .

Un groupe est toujours intègre. Notons que dans un monoïde abélien M, la condition s’écrit

∀x, y, z ∈ M, x + y = x + z ⇒ y = z.

La notion suivante est très importante bien que nous ne la rencontrerons pas dans cet ouvrage :
Définition 1.2.9 Si G est un monoïde, alors un G-ensemble est un ensemble X muni d’un
morphisme de monoïdes
G / F (X)
g / (x 7→ gx).

Alternativement, cela revient a donner une opération

G×X /X
g / x 7→ gx

telle que
1. ∀g, h ∈ G, ∀x ∈ X, (gh)x = g(hx)
2. ∀x ∈ G, 1x = x.

1.3 Anneau, corps

La notion d’anneau formalise l’idée d’un d’ensemble de nombres. Nous resterons extrêmement
succin et le lecteur qui souhaite en savoir plus pourra regarder l’ouvrage de Rémi Goblot ([2]) par
exemple.
18 Chapitre 1. Structures algébriques

Définition 1.3.1 Un anneau (associatif unitaire) est un groupe abélien A muni d’une application

A / End(M)
a / (x 7→ ax).

qui en fait un monoïde. On dit que l’anneau est commutatif si la multiplication aussi est
commutative.
Alternativement, cela revient à munir A de deux lois internes
A×A /A et A×A /A
(a, b)  / a+b (a, b)  / ab

satisfaisant les propriétés suivantes

1. (a) ∀a, b ∈ A, a + b = b + a,
(b) ∀a, b, c ∈ A, (a + b) + c = a + (b + c),
(c) ∃0 ∈ A, ∀a ∈ A, a + 0 = a,
(d) ∀a ∈ A, ∃ − a ∈ A, a + (−a) = 0,
2. (a) ∀a, b, c ∈ A, (ab)c = a(bc),
(b) ∃1 ∈ A, ∀a ∈ A, a1 = 1a = a,
3. et la distributivité :
∀a, b, c ∈ A, a(b + c) = ab + ac et (b + c)a = ba + ca.
Exemple 1. Z est un anneau commutatif.
2. Si M est un groupe abélien, alors End(M) est un anneau (non commutatif) pour + et ◦.
3. Si A est un anneau et X un ensemble, alors F (X, A) est aussi un anneau.
4. Si (As )s∈S est une famille d’anneaux, alors ∏s∈S As est aussi un anneau.
5. Si A est un anneau, alors Mn (A) est aussi un anneau (pour l’addition terme à terme et la
multiplication des matrices) mais il n’est pas commutatif (si A 6= {0}).

Définition 1.3.2 1. Un morphisme d’anneaux f : A → B est une application qui est un

morphisme simultanément pour les deux lois. On dit isomorphisme d’anneau s’il est
bijectif.
2. Un sous-anneau B d’un anneau A est un anneau qui est contenu dans A et tel que l’inclusion
soit un morphisme d’anneaux.

Remarque 1. Si f : A → B et g : B → C sont deux morphismes d’anneaux, alors g ◦ f aussi.

2. Si f : A → B est un isomorphisme d’anneaux, alors f −1 aussi.
3. Un isomorphisme d’anneaux est une application qui est un isomorphisme pour les deux lois.
4. Un sous-anneau est une partie qui est à la fois un sous-groupe pour + et un sous-monoïde
pour la multiplication.
5. On dit qu’un anneau A est intègre si A \ {0} est un sous-monoïde. C’est alors un monoïde
intègre.

Définition 1.3.3 Un corps est un anneau commutatif K tel que K \ {0} soit un groupe. Un
morphisme d’anneau entre deux corps s’appelle une extension de corps.

Exemple 1. Q, R, C, F p := Z/pZ si p est premier, K(T ) si K est un corps.

2. Les anneaux Z et D := Z(10) des entiers naturels et des nombres décimaux sont des anneaux
commutatifs intègres qui ne sont pas des corps. De même, si n n’est pas premier, alors Z/nZ
n’est pas un corps (pas intègre). Si K et L sont des corps, alors K × L est un anneau qui n’est
pas un corps (pas intègre). L’anneau nul {0} n’est pas un corps (pas intègre non plus).
 1.4 Module, espace vectoriel 19

1.4 Module, espace vectoriel

La notion de module généralise simultanément celles de groupe abélien et d’espace vectoriel.
Nous nous limiterons très vite à ce dernier cas mais le lecteur qui voudrait mieux comprendre
l’utilité de cette notion pourra consulter l’ouvrage de Daniel Guin ([3]) par exemple.
On fixe un anneau A (que l’on peut supposer commutatif – par exemple A = K, un corps, ou
A = Z).
Définition 1.4.1 Un A-module (à gauche) est un groupe abélien M muni d’un endomorphisme
d’anneaux
A / End(M)
 / (x 7→ ax).
a

Cela veut donc dire que M est muni d’une loi interne et d’une action de A

M×M /M et A×M /M
(x, y)  / x+y (a, x)  / ax

et que l’on a les propriétés suivantes

1. (a) ∀x, y ∈ M, x + y = y + x,
(b) ∀x, y, z ∈ M, (x + y) + z = x + (y + z),
(c) ∃0 ∈ M, ∀x ∈ M, x + 0 = x,
(d) ∀x ∈ M, ∃ − x ∈ M, x + (−x) = 0,
2. (a) ∀x ∈ M, 1x = x,
(b) ∀a ∈ A, ∀x, y ∈ M, a(x + y) = ax + ay,
(c) ∀a, b ∈ A, ∀x ∈ M, (a + b)x = ax + bx,
(d) ∀a, b ∈ A, ∀x ∈ M, (ab)x = a(bx).

Exemple 1. Un Z-module est tout simplement un groupe abélien : l’action de Z est automati-
quement l’action naturelle donnée par

nx = x + · · · + x et (−n)x = −x − · · · − x pour n ∈ N.

2. Si K est un corps, un K-module est un K-espace vectoriel.

3. Un K[T ]-module est un K-espace vectoriel E muni d’une action Px := P(u)(x) avec u ∈ L(E)
(voir plus loin).
4. {0} et A sont toujours des A-module.
5. Si M est un A-module et X un ensemble, alors F (X, M) est aussi un A-module.
6. Si (Ms )s∈S est une famille de A-modules, alors ∏s∈S Ms est aussi un A-module (pour les lois
terme à terme).
7. Mn×m (A) est un A-module.

On utilisera souvent la notation de Minkowski dans ce contexte si bien que si X,Y ⊂ M et

S ⊂ A, on écrira

X +Y := {x + y, x ∈ X, y ∈ Y } et SX = {ax, a ∈ S, x ∈ X}.

Définition 1.4.2 Une application A-linéaire u : M → N entre deux A-modules est un morphisme
de groupes abéliens qui commute avec la multiplication par les éléments de A.

En d’autres termes, on a
1. ∀x, y ∈ M, u(x + y) = u(x) + u(y),
20 Chapitre 1. Structures algébriques

2. ∀a ∈ A, ∀x ∈ M, u(ax) = au(x).
Alternativement, on peut demander que u préserve toutes les combinaisons linéaires :
!
n n
∀x1 , . . . , xn ∈ M, ∀a1 , . . . , an ∈ A, u ∑ ai xi = ∑ ai u(xi )
i=1 i=1

(la combinaison linéaire vide étant nulle par définition).

On dira aussi morphisme de A-modules, et on parlera donc d’endomorphisme (cas M = N),
d’isomorphisme (cas u bijectif) ou d’automorphisme (les deux). On notera L(M, N) l’ensemble de
toutes les applications linéaires de M vers N, L(M) := L(M, M) et GL(M) = L(M) ∩ S (M). S’il
existe un isomorphisme entre deux A-modules M et N, on écrira encore M ' N. On indiquera A en
indice si nécessaire.
Proposition 1.4.3 1. Si u : M → N et v : N → P sont deux applications A-linéaires, alors
v ◦ u aussi.
2. Si u : M → N est un isomorphisme de A-modules, alors u−1 aussi.

Démonstration Exercice. 

Définition 1.4.4 Un sous-module N d’un A-module M est un A-module N qui est contenu dans
M et tel que l’inclusion N ,→ M soit linéaire. Lorsque M = A, on dit idéal.

En d’autres termes, on demande que N soit une partie de M telle que

1. 0 ∈ N
2. ∀x, y ∈ N, x + y ∈ N,
3. ∀a ∈ A, ∀x ∈ N, ax ∈ N.
Les deux dernières conditions s’écrivent aussi N + N ⊂ N et AN ⊂ N. Alternativement, on peut
demander que toute combinaison linéaire ∑ni=1 ai xi d’éléments x1 , . . . , xn ∈ N avec coefficients
a1 , . . . , an ∈ A, soit encore dans N (la combinaison linéaire vide étant nulle par définition).

Exemple 1. Si M et N sont des A-modules, alors L(M, N) est un sous-module de F (M, N).
2. On a un isomorphisme de A-modules Mn×m (A) ' L(Am , An ) et on identifie parfois les deux.
3. La transposition [ai, j ] 7→ [a j,i ] est un isomorphisme Mn×m (A) ' Mm×n (A) de A-modules.
4. Lorsque l’anneau A est un corps K, un sous-module est un sous-espace vectoriel.
5. Un anneau commutatif est un corps si et seulement si il a exactement deux idéaux : {0} et lui
même (penser à la définition d’un nombre premier).
6. Si a ∈ A, alors (a) := Aa := {ca, c ∈ A} est un idéal de A (dit principal).
7. Les idéaux de K[T ] sont tous principaux : ce sont donc les parties de la forme

(P) := {PQ, Q ∈ K[T ]}

avec P ∈ K[T ] formées des multiples de P.

8. Les idéaux de Z aussi sont tous principaux.
9. Si un K[T ]-module est donné via u ∈ L(E) comme ci-dessus, alors les sous-modules corres-
pondent aux sous-espaces vectoriels F de E qui sont stables par u (tel que u(F) ⊂ F).

Tous les résultats à venir dans le chapitre 2 et la première moitié du chapitre 3 qui seront
énoncés pour des espaces vectoriels sur un corps sont en fait encore valides pour des modules
sur un anneau quelconque. La majeure partie des notions et résultats étudiés ensuite ont aussi un
analogue pour les modules.
 1.5 Algèbre 21

1.5 Algèbre
Nous ne parlerons pas ici de la notion générale d’algèbre mais seulement de celle d’algèbre
associative unitaire que nous abrégerons en disant tout simplement « algèbre ».
On fixe un corps K (ou plus généralement un anneau commutatif et il faut alors lire module au
lieu d’espace vectoriel).
Définition 1.5.1 Une K-algèbre (associative unitaire) est un anneau L muni d’un morphisme
d’anneau K → L.
Cela signifie en fait que L est est muni d’une structure de K-espace vectoriel telle que

∀a ∈ K, ∀u, v ∈ L, (au)v = a(uv) = u(av)

(le morphisme d’anneaux K → L étant nécessairement a 7→ a1L ).

En d’autres termes, on dispose de trois lois

L×L /L , L×L /L et K ×L /L
(x, y)  / x+y (x, y)  / xy (a, x)  / ax

avec les propriétés suivantes

1. (a) ∀u, v ∈ L, u + v = v + u,
(b) ∀u, v, c ∈ L, (u + v) + c = u + (v + c),
(c) ∃0 ∈ L, ∀u ∈ L, u + 0 = u,
(d) ∀u ∈ L, ∃ − u ∈ L, u + (−u) = 0.
2. (a) ∀u ∈ L, 1K u = u,
(b) ∀a ∈ K, ∀u, v ∈ L, a(u + v) = au + av,
(c) ∀a, b ∈ K, ∀u ∈ L, (a + b)u = au + bu,
(d) ∀a, b ∈ K, ∀u ∈ L, (ab)u = a(bu).
3. (a) ∃1L ∈ L, ∀u ∈ L, u1L = 1L u = u,
(b) ∀u, v, w ∈ L, (uv)w = u(vw),
(c) ∀u, v, w ∈ L, u(v + w) = uv + uw et (v + w)u = vu + wu,
(d) ∀a ∈ K, ∀u, v ∈ L, (au)v = a(uv) = u(av).

Remarque On définit plus généralement une algèbre comme étant un espace vectoriel L muni
d’une application bilinéaire (voir plus bas) L × L → L. On dit alors que L est associative unitaire si
L est un monoïde pour cette nouvelle loi.

Exemple 1. Les polynômes sur K forment une K-algèbre commutative K[T ].

2. Si E est un espace vectoriel, alors L(E) est une K-algèbre (pour +, ◦, ·).
3. Les matrices n × n à coefficients dans K forment une K-algèbre Mn (K).
4. Un produit d’algèbres est une algèbre et de même pour F (X, L) si X est un ensemble et L
une algèbre.
5. Le corps C est une algèbre sur R.

Définition 1.5.2 1. Un morphisme de K-algèbres est une application qui est simultanément
un morphisme d’anneaux et d’espaces vectoriels. C’est un isomorphisme s’il est bijectif.
2. Une sous-algèbre d’une K-algèbre A est une K-algèbre qui est contenue dans A et telle
que l’inclusion soit un morphisme de K-algèbres.

Exemple 1. Si X est un espace topologique et K un corps valué (comme R ou C), alors

C 0 (X, K) est une sous-algèbre de K X .
 22 Chapitre 1. Structures algébriques

2. On a un isomorphisme de K-algèbres (non commutatives si n > 1) Mn (K) ' L(K n ) et on

identifie parfois les deux.
3. La transposition Mn (A) ' Mn (A) n’est pas un automorphisme de K-algèbres (ce n’est pas
un morphisme d’anneaux).

Nous pouvons énoncer une nouvelle propriété universelle (principe de substitution) :

Proposition 1.5.3 Si L est une K-algèbre et u ∈ L, il existe un unique morphisme de K-algèbres

K[T ] → L qui envoie T sur u. L’image de P = ∑di=0 ai T i est alors P(u) := ∑di=0 ai ui .

Démonstration Si Φ : K[T ] → L est un tel morphisme, on a nécessairement

!
d d d
Φ(P) = Φ ∑ ai T i = ∑ ai Φ(T )i = ∑ ai ui .
i=0 i=0 i=0

Réciproquement, il faut montrer qu’on obtient bien ainsi un morphisme d’algèbres (exercice) :
1. ∀P, Q ∈ K[T ], (P + Q)(u) = P(u) + Q(u)
2. ∀a ∈ K, ∀P ∈ K[T ], (aP)(u) = aP(u)
3. ∀P, Q ∈ K[T ], (PQ)(u) = P(u)Q(u)
4. 1(u) = 1L . 

Exemple 1. Si u est un endomorphisme d’un espace vectoriel E et P = T − a, alors P(u) =

u − aIdE si bien que P(u)(x) = u(x) − a.
2. Si A est une matrice carrée et χ est son polynôme caractéristique (voir plus bas), alors le
théorème de Cayley-Hamilton stipule que χ(A) = 0Mn (K) (matrice nulle).

Remarque 1. Dans le cas particulier ou L = K[T ] et u = T , l’unique morphisme est l’identité.

Autrement dit, on a P(T ) = P, ce qui justifie a posteriori l’utilisation de la variable muette T
(si on l’avait notée X, on aurait P(X) = P).
2. Comme K[T ] est un anneau commutatif, on voit que si P, Q ∈ K[T ] et u ∈ L, alors P(u)
commute avec Q(u). Dans le cas particulier ou L = L(E), cela s’écrit P(u) ◦ Q(u) = Q(u) ◦
P(u) ou encore, si x ∈ E,

P(u)(Q(u)(x)) = Q(u)(P(u)(x)).

1.6 Opérations élémentaires

On fixe un corps de base K (mais les définitions font sens sur n’importe quel anneau).
Définition 1.6.1 Si X est un ensemble, la k-ème ligne (resp. l-ème colonne) d’une matrice
A := [ai, j ] ∈ Mn×m (X) est la matrice [ak,1 · · · ak,m ] ∈ M1×m (X)
   
a1,l
 . 
resp.  ..  ∈ Mn×1 (X) .
 

an,l

Remarque 1. La l-ème colonne de la transposée de A est la transposée de la l-ème ligne de A.

Et réciproquement.
2. Dans tout ce qui suit, on pourra remplacer partout ligne par colonne, quitte à échanger aussi
gauche et droite (car la transposée d’un produit est le produit des transposées dans l’ordre
inverse).
1.6 Opérations élémentaires 23

Définition 1.6.2 Une opération élémentaire sur les lignes d’une matrice A ∈ Mn×m (K) est une
transformation du type suivant
1. Échange : on échange la ligne k et la ligne l,
2. Dilatation : on multiplie la ligne k par une constante non nulle a,
3. Transvection : on ajoute à la ligne k un multiple par une constante a d’une autre ligne l.

Définition 1.6.3 Une matrice élémentaire est une matrice obtenue en effectuant une opération
élémentaire sur I.

Proposition 1.6.4 1. Une matrice élémentaire est inversible et son inverse est une matrice
élémentaire du même type.
2. Faire une opération élémentaire sur les lignes d’une matrice revient à multiplier à gauche
par la matrice élémentaire correspondante.

Démonstration Exercice. 

Définition 1.6.5 Une matrice est échelonnée si le nombre de zéros précédent le premier coeffi-
cient non nul (appelé pivot) augmente effectivement à chaque ligne. Elle est échelonnée réduite
si les pivots valent tous 1 et que les autres coefficients sur la même colonne sont nuls.

Théoreme 1.6.6 — du pivot de Gauss (-Jordan). Il existe toujours une suite finie d’opérations
élémentaires sur les lignes d’une matrice qui la transforme en une matrice échelonnée (réduite).

Démonstration Il s’agit de l’algorithme du Pivot de Gauss. 

Exemple    
0 0 0 1 1 0 2 0 0 2
 0 2 0 0 2  →  0 0 0 1 1  →
0 3 0 0 3 0 3 0 0 3
   
0 1 0 0 1 0 1 0 0 1
 0 0 0 1 1  →  0 0 0 1 1 .
0 3 0 0 3 0 0 0 0 0

Corollaire 1.6.7 Une matrice est inversible si et seulement si c’est un produit de matrices
élémentaires. Si A est une matrice quelconque, il existe une matrice inversible P telle que PA soit
échelonnée (réduite).

Démonstration Exercice. 
 24 Chapitre 1. Structures algébriques

1.7 Exercices

Exercice 1.7.1 Étant données f : X → Y et g : Y → Z, montrer que

1. Si f et g sont injectives (resp. surjectives), alors g ◦ f aussi.
2. Si g ◦ f est injective (resp. surjective), alors f aussi (resp. g aussi).

Exercice 1.7.2 Montrer que si f : R2 → R2 , (x, y) 7→ (x − y, x + y) et ∆ désigne la diagonale, on

a
f (∆) = {0} × R et f −1 (∆) = R × {0}.

Exercice 1.7.3 Étant donné f : X → Y , montrer que l’on a toujours :

A ⊂ B ⇒ f (A) ⊂ f (B) C ⊂ D ⇒ f −1 (C) ⊂ f −1 (D)

f (A ∩ B) ⊂ f (A) ∩ f (B) f −1 (C ∩ D) = f −1 (C) ∩ f −1 (D)
f (A ∪ B) = f (A) ∪ f (B) f −1 (C ∪ D) = f −1 (C) ∪ f −1 (D)
A ⊂ f −1 ( f (A)) f ( f −1 (C)) ⊂ C

et donner des contre exemples lorsque l’égalité ou l’équivalence n’est pas satisfaite.

Exercice 1.7.4 Montrer que si f : X → Y et g : Y → Z, on a toujours :

(g ◦ f )(A) = g( f (A)) (g ◦ f )−1 (C) = f −1 (g−1 (C))

Exercice 1.7.5 1. Montrer que l’on a toujours

|X2 |
(|Y1 | × |Y2 |)|X| = |Y1 ||X| × |Y2 ||X| et |Y ||X1 |×|X2 | = (|Y ||X1 | ) .

2. Montrer que |Y ||X1 |+|X2 | = |Y ||X1 | × |Y ||X2 | .

3. Montrer que |Y |0 = 1, |Y |1 = |Y | et |Y |n+1 = |Y |n × |Y |.

Exercice 1.7.6 Soient X := {a, b} et G := F (X) l’ensemble des application de X dans lui
même. On désigne par 1 l’identité de X, s la permutation des deux éléments de X et p, q les
deux autres éléments de G. Établir un tableau représentant la loi de composition sur G et vérifier
que G est bien un monoïde. Est-il commutatif ? Est-ce un groupe ? Sinon, expliciter G× .

Exercice 1.7.7 Soient G et H deux monoïdes. Montrer que si H est commutatif, alors Hom(G, H)
est un sous-monoïde de F (G, H), mais que c’est faux par exemple si G est le groupe additif du
corps F2 à 2 éléments et H est le groupe des permutations S3 de l’ensemble {1, 2, 3}.

Exercice 1.7.8 Soient G et H deux monoïdes et f : G → H une application satisfaisant f (gh) =

f (g) f (h). Montrer que si H est un groupe, alors f est un morphisme, mais que c’est faux par
exemple pour l’application nulle du monoïde multiplicatif N dans lui même.

Exercice 1.7.9 Montrer que si M est un groupe abélien (noté additivement), alors l’ensemble
End(M) des endomorphismes de M est un anneau pour + et ◦. Montrer qu’il n’est pas commu-
tatif si par exemple M = Z2 .

Exercice 1.7.10 Soient (Gs )s∈S une famille de monoïdes et G := ∏s∈S Gs (muni de sa loi de
monoïde). Montrer que si H est un monoïde quelconque, alors une application f : H → G est un
morphisme si et seulement si ses composantes fs le sont. En déduire que toutes les projections
ps : G → Gs sont des morphismes.
1.7 Exercices 25
Exercice 1.7.11 Montrer qu’un groupe est toujours un monoïde intègre. Montrer qu’il existe
des monoïdes qui ne sont pas intègres. Montrer que si A est un anneau intègre, alors A \ {0} est
un monoïde intègre.

Exercice 1.7.12 1. Montrer que si G est un monoïde et g ∈ G, il existe un unique morphisme

ϕ : N → G (ou N est muni de l’addition) tel que ϕ(1) = g (on a en fait ϕ(n) = gn ).
2. Montrer que si G est un groupe et g ∈ G, il existe un unique morphisme ϕ : Z → G tel
que ϕ(1) = g (on étend alors la notation précédente).
3. En déduire que si A est un anneau, alors il existe un unique morphisme d’anneaux
ϕ : Z → A (attention, on regarde un groupe additif maintenant).
4. En déduire qu’un groupe abélien possède une unique structure de Z-module.

Exercice 1.7.13 1. Soient ϕ : A0 → A un morphisme d’anneaux et M un A-module. Montrer

que la loi a0 x := ϕ(a0 )x fait de M un A0 -module.
2. En déduire que si A0 est un sous-anneau de A, alors tout A-module M est automatiquement
un A0 -module (restriction à A0 ).

Exercice 1.7.14 Montrer que si A est un anneau et M est un A-module, on a

∀x ∈ M, 0A x = 0M et ∀a ∈ A, a0M = 0M .

Exercice 1.7.15 Montrer que si A est un anneau et a ∈ A, alors (a) := Aa := {ca, c ∈ A} est
un idéal de A (dit principal).

Exercice 1.7.16 Montrer qu’un anneau commutatif est un corps si et seulement si il a exacte-
ment deux idéaux : {0} et lui même.

Exercice 1.7.17 1. Utiliser la division euclidienne pour montrer que tous les idéaux de Z
sont de la forme (n) pour un unique n ∈ N.
2. Utiliser la division euclidienne pour montrer que, si K est un corps, les idéaux de K[T ]
sont de la forme (P) pour un unique P unitaire.

Exercice 1.7.18 Vérifier que si E est un espace vectoriel sur un corps K, alors L(E) est une
K-algèbre pour (+, ◦, ·) (on fera simplement la liste des propriétés).

Exercice 1.7.19 Montrer que si K est un corps et a ∈ K, il existe un unique morphisme

d’algèbres ϕa de K[T ] dans lui même qui envoie T sur T − a. Expliciter ϕ1 (1), ϕ1 (T ), ϕ1 (T 2 ).

Exercice 1.7.20 Soit K un corps.

1. Montrer que si E est un K[T ]-module, alors l’application u : E → E, x 7→ T x est linéaire
et que Px = P(u)(x) pour P ∈ K[T ] et x ∈ E.
2. Réciproquement, montrer que si E est un espace vectoriel sur K et u ∈ L(E), la loi
Px := P(u)(x) fait de E un K[T ]-module.
3. Montrer qu’un sous-espace vectoriel F de E est un sous-module si et seulement si
u(F) ⊂ F.

Exercice 1.7.21 Démontrer toutes les propositions du cours laissées en exercice.

26 Chapitre 1. Structures algébriques
   
a b 1 0
Exercice 1.7.22 — TP. Soient M := et I := . Calculer
c d 0 1

M 2 − (a + d)M + (ad − bc)I.

En déduire que si ad − bc est inversible, alors M aussi, et exprimer dans ce cas M −1 en fonction
de M et de ses coefficients. Calculer M −1 .
Exercice 1.7.23 — TP. On considère les matrices

a a 2 a3
   
1 1 1 1 1
 0 1 a a2   1 1+a 1 1  ∈ Q4 .
  et 
 0 0 1 a   1 1 1+b 1 
0 0 0 1 1 1 1 1+c

Calculer leurs inverses. Est-ce toujours possible ? Était-ce prévisible ?

Exercice 1.7.24 — TP. Effectuez l’algorithme du pivot de Gauss sur les matrices
     
3 2 −3 0 1 −1 −2 −3 3
 5 −1 −2  ,  −1 −4 5  et  −3 3 5  ∈ M3 (Q),
1 1 −1 11 −5 2 −5 −2 4

en indiquant toutes les étapes. Même question avec

   
−1 −1 −4 −2 −3 4 −5 1
 et  1 −1 1 −1  ∈ M4 (Q).
 4 5 18 11   

 3 6 17 7   −2 5 4 −5 
−5 −3 −14 11 9 0 1 −4

Parmi toutes ces matrices, lesquelles sont inversibles ?

 2. Algèbre linéaire

On fixe un corps de base K, appelé par la suite le corps des scalaires (penser à K = R). Tous les
espaces vectoriels sont des K-espaces vectoriels et toutes les applications linéaires sont K-linéaires.

Remarque Tous les résultats qui suivent sont en fait valides pour des modules sur un anneau
quelconque. En d’autres termes, on peut remplacer le corps K par n’importe quel anneau A et les
K-espaces vectoriels E, F, . . . par des A-modules M, N, . . . En prenant A = Z, on voit que l’on peut
aussi remplacer partout « espace vectoriel » par « groupe abélien » et « application linéaire » par
« morphisme de groupes ».

2.1 Espace vectoriel

On commence par rappeler les notions de base introduites plus généralement pour les modules
dans la section 1.4.
Définition 2.1.1 Un espace vectoriel est un groupe abélien E muni d’un endomorphisme
d’anneaux
K / EndAb (E)
a / (x 7→ ax).

Cela veut donc dire que E est muni d’une loi interne et d’une loi externe satisfaisant les
propriétés suivantes
1. (a) ∀x, y ∈ E, x + y = y + x,
(b) ∀x, y, z ∈ E, (x + y) + z = x + (y + z),
(c) ∃0 ∈ E, ∀x ∈ E, x + 0 = x,
(d) ∀x ∈ E, ∃ − x ∈ E, x + (−x) = 0,
2. (a) ∀x ∈ E, 1x = x,
(b) ∀a ∈ K, ∀x, y ∈ E, a(x + y) = ax + ay,
(c) ∀a, b ∈ K, ∀x ∈ E, (a + b)x = ax + bx,
(d) ∀a, b ∈ K, ∀x ∈ E, (ab)x = a(bx).
 28 Chapitre 2. Algèbre linéaire

Définition 2.1.2 Une application linéaire u : E → F entre deux espace vectoriels est un mor-
phisme de groupes abéliens qui commute avec la multiplication par les éléments de K.

Cela veut donc dire que l’on a

1. ∀x, y ∈ E, u(x + y) = u(x) + u(y),
2. ∀a ∈ K, ∀x ∈ E, u(ax) = au(x).
On parlera d’endomorphisme ou d’opérateur linéaire si E = F, d’isomorphisme si u est
bijectif et d’automorphisme si u est à la fois un endomorphisme et un isomorphisme. On notera
L(E, F) l’ensemble de toutes les applications linéaires de E vers F, L(E) := L(E, E) et GL(E) =
L(E) ∩ S (E). S’il existe un isomorphisme entre deux K-espace vectoriels E et F, on écrira encore
E ' F.
Proposition 2.1.3 1. Si u : E → F et v : F → G sont deux applications linéaires, alors v ◦ u
aussi.
2. Si u : E → F est un isomorphisme d’espace vectoriels, alors u−1 aussi.

Démonstration Exercice. 

Définition 2.1.4 Un sous-espace vectoriel F d’un espace vectoriel E est un espace vectoriel F
qui est contenu dans E et tel que l’inclusion F ,→ E soit linéaire.

En d’autres termes, on veut que F soit une partie de E telle que

1. 0 ∈ F
2. ∀x, y ∈ F, x + y ∈ F,
3. ∀a ∈ K, ∀x ∈ F, ax ∈ F.

2.2 Image, noyau

Nous allons maintenant étudier les notions d’image et de noyau dans le cadre de l’algèbre
linéaire.
Proposition 2.2.1 Soit u : E → F une application linéaire.
1. Si E 0 est un sous-espace vectoriel de E, alors u(E 0 ) est un sous-espace vectoriel de F.
2. Si F 0 est un sous-espace vectoriel de F, alors u−1 (F 0 ) est un sous-espace vectoriel de E.

Démonstration Exercice. 

On rappelle maintenant la définition 1.2.6 :

Définition 2.2.2 Soit u : E → F une application linéaire.
1. L’image de u est im u := u(E) ⊂ F.
2. Le noyau de u est ker u := u−1 ({0F }) ⊂ E.

Corollaire 2.2.3 Soit u : E → F une application linéaire. Alors,

1. im u est un sous-espace vectoriel de F.
2. ker u est un sous-espace vectoriel de E. 

Proposition 2.2.4 Soit u : E → F une application linéaire. Alors,

1. u surjective ⇔ im u = F
2. u injective ⇔ ker u = {0E }

Démonstration 1. Exercice.
 2.3 Produit 29

2. Comme u(0) = 0, on sait déjà que {0E } ⊂ ker u. Si x ∈ ker u, alors u(x) = 0 = u(0). Donc, si
u est injective, on a x = 0. Réciproquement, si u(x) = u(y) alors u(x − y) = u(x) − u(y) = 0
si bien que x − y ∈ ker u. Donc, si on suppose que ker u = {0}, on voit que x − y = 0 si bien
que x = y. 

Remarque L’analogue de ce résultat est faux pour les monoïdes en général mais il est toujours
valide pour les groupes ou les anneaux par exemple (et bien sûr aussi pour les A-modules). La
première assertion est même valide pour n’importe quelle application entre deux ensembles.

Rappelons qu’on utilise la notation de Minkowski : si E est un espace vectoriel et A, B ⊂ E,

alors
A + B = {x + y, x ∈ A et y ∈ B}.

Lemme 2.2.5 Soit u : E → F une application linéaire.

1. Si E 0 est un sous-espace vectoriel de E, alors u−1 (u(E 0 )) = E 0 + ker u.
2. Si F 0 est un sous-espace vectoriel de F, alors u(u−1 (F 0 )) = F 0 ∩ im u.

Démonstration 1. On dispose de la suite d’équivalences

x ∈ u−1 (u(E 0 )) ⇔ u(x) ∈ u(E 0 )
⇔ ∃y ∈ E 0 , u(x) = u(y)
0
⇔ ∃y ∈ E , u(x − y) = 0
0
⇔ ∃y ∈ E , x − y ∈ ker u
0
⇔ ∃y ∈ E , z ∈ ker u, x−y = z
0
⇔ ∃y ∈ E , z ∈ ker u, x = y+z
0
⇔ x ∈ E + ker u.
2. De même, on dispose de la suite d’équivalences
y ∈ u(u−1 (F 0 )) ⇔ ∃x ∈ u−1 (F 0 ), y = u(x)
⇔ ∃x ∈ E, u(x) ∈ F 0 et y = u(x)
⇔ y ∈ F 0 et ∃x ∈ E, y = u(x)
0
⇔ y ∈ F ∩ im u. 

Proposition 2.2.6 Soit u : E → F une application linéaire. Alors, u et u−1 induisent des bijections
réciproques

{Sous espaces vectoriels de E contenant ker u}

u ↓↑ u−1
{Sous espaces vectoriels de F contenus dans im u}

Démonstration On montre d’abord que les flèches sont bien définies. On sait que si E 0 est un
sous-espace vectoriel de E alors u(E 0 ) est un sous-espace vectoriel de F, et comme E 0 ⊂ E, on aura
u(E 0 ) ⊂ u(E) = im u. De même, on sait que si F 0 est un sous-espace vectoriel de F alors u−1 (F 0 )
est un sous-espace vectoriel de E, et comme {0F } ⊂ F 0 , on aura ker u = u−1 ({0F }} ⊂ u−1 (F 0 ).
Pour conclure, il suffit de montrer que si ker u ⊂ E 0 , alors u−1 (u(E 0 )) = E 0 et si F 0 ⊂ im u, alors
u(u−1 (F 0 )) = F 0 . Cela résulte du lemme 2.2.5 : en effet, si ker u ⊂ E 0 , on a E 0 + ker u = E 0 et si
F 0 ⊂ im u, on a F 0 ∩ im u = F 0 . 

2.3 Produit
30 Chapitre 2. Algèbre linéaire

Proposition 2.3.1 Soient (Es )s∈S une famille d’espaces vectoriels et

E := ∏ Es := {(xs )s∈S , xs ∈ E s } .
s∈S

Il existe alors une unique structure d’espace vectoriel sur E telle que toutes les projections sur
les Es soient linéaires.

Démonstration L’unicité est immédiate car la condition signifie que l’on a

(xs )s∈S + (ys )s∈S = (xs + ys )s∈S et a(xs )s∈S = (axs )s∈S .

On vérifie que cela définit bien une structure d’espace vectoriel (exercice). 

Remarque Si E1 , . . . , En sont des espaces vectoriels, alors E1 × · · · × En sera donc muni de l’addi-
tion et de la multiplication terme à terme :

(x1 , . . . , xn ) + (y1 , . . . , yn ) := (x1 + y1 , . . . , xn + yn )

et
a(x1 , . . . , xn ) := (ax1 , . . . , axn ).

Exemple 1. K 0 = {0}, K 1 = K, K 2 = K × K, . . . , K n = K × · · · × K, . . .
2. Dans K n , si on pose 1i := (0, . . . , 1, . . . , 0) avec 1 à la i-ème place, on a

(x1 , . . . , xn ) = x1 11 + · · · + xn 1n .

3. K N := {(xi )i∈N , xi ∈ K} est l’espace des suites d’éléments de K.

4. Si K est un corps valué comme R ou C, alors les suites bornées forment un sous-espace
vectoriel `∞ (K) ⊂ K N (plus précisément, la condition est

(xi )i∈N ∈ `∞ (K) ⇔ ∃M ∈ R≥0 , ∀i ∈ N, |xi | ≤ M).

Corollaire 2.3.2 Si E est un espace vectoriel et X un ensemble quelconque, alors il existe une
unique structure d’espace vectoriel sur F (X, E) telle que toutes les applications d’évaluation
f 7→ f (x) soient linéaires.

Démonstration On peut identifier F (X, E) avec E X et les applications d’évaluations corres-

pondent alors aux projections. 

Remarque 1. Si E est un espace vectoriel et X un ensemble, alors F (X, E) est muni de

( f + g)(x) := f (x) + g(x) et (a f )(x) := a f (x).

2. Il suit que si h : Y → X est n’importe quelle application, on aura

( f + g) ◦ h = f ◦ h + g ◦ h et (a f ) ◦ h = a( f ◦ h)

par définition (on ne demande pas que les applications soient linéaires).

Exemple Si E est un espace vectoriel normé (voir plus loin) et X est un espace topologique, alors
les applications continues f : X → E forment un sous-espace vectoriel C (X, E) ⊂ F (X, E).
2.3 Produit 31

Proposition 2.3.3 Soient (Es )s∈S une famille d’espaces vectoriels et E := ∏s∈S Es . Si F est un
espace vectoriel, alors une application u : F → E est linéaire si et seulement si ses composantes
us le sont.

Démonstration Il suffit d’écrire les conditions (exercice). 

Remarque Comme conséquence de la proposition, on voit que si on se donne une famille d’appli-
cations linéaires us : Es → Fs , alors l’application produit

∏ us : ∏ Es → ∏ Fs , (xs )s∈S 7→ (us (xs ))s∈S .

s∈S s∈S s∈S

est aussi linéaire.

Proposition 2.3.4 Si E et F sont des espace vectoriels, alors L(E, F) est un sous-espace vectoriel
de F (E, F).

Démonstration On montre tout d’abord que si f , g : E → F sont linéaires, alors f + g aussi. En

effet, si x, y ∈ E, on a par définition de la somme de deux applications et linéarité de f et g,

( f + g)(x + y) = f (x + y) + g(x + y) = f (x) + f (y) + g(x) + g(y)

et, toujours par définition de la somme de deux applications,

( f + g)(x) + ( f + g)(y) = f (x) + g(x) + f (y) + g(y).

On vérifie de même que si x ∈ E et a ∈ K, alors ( f + g)(ax) = a( f + g)(x) (exercice). On montre

ensuite que si f : E → F est linéaire et a ∈ K, alors a f est linéaire (exercice). 

Remarque L’application d’évaluation en 1 est un isomorphisme

L(K, E)
' /E
u / u(1).

La réciproque envoie x ∈ E sur l’application ix : a 7→ ax. On identifiera souvent ces deux espaces.
En particulier, on a L(K) ' K (un endomorphisme de K est la multiplication par une constante).

Proposition 2.3.5 On a un isomorphisme d’espace vectoriels

'
L(K m , K n ) Mn×m (K)
uo /A

donné par

A = [ai, j ] ⇔ u(x1 , . . . , xm ) = (a1,1 x1 + · · · + a1,m xm , . . . , an,1 x1 + · · · + an,m xm ) .

On écrira A = Mat(u), ou A = [u] pour faire plus court.

Démonstration Exercice. 
32 Chapitre 2. Algèbre linéaire

Remarque 1. On utilisera aussi la suite d’isomorphismes K n ' L(K, K n ) ' Mn×1 (K) pour
voir les vecteurs de K n comme des vecteurs colonnes et on écrira :
 
x1
[x] := [ix ] :=  ...  .
 

xn

si x = (x1 , . . . , xn ). En particulier, on identifiera K et M1 (K).

2. Donnons nous deux matrices A0 ∈ Mn0 ×m0 (K) et A00 ∈ Mn00 ×m00 (K) correspondant à des ap-
0 0 00 00
plications linéaires u0 : K m → K n et u00 : K m → K n respectivement. Alors, si on pose
m = m0 + m00 et n = n0 + n00 , la matrice de u = u0 × u00 : K m → K n est diagonale par blocs :
 0 
A 0
A= .
0 A00

On dispose d’une loi de composition

Mn×m (K) × Mm×l (K) / Mn×l (K)

(A, B)  / AB

via la formule " #

m
[ai, j ][b j,k ] = ∑ ai, j b j,k .
j=1

Proposition 2.3.6 Si on se donne deux applications linéaires

Kl
v / Km u / Kn ,

alors on a [u ◦ v] = [u][v].

Démonstration Exercice.

Remarque 1. L’image (resp. le noyau) d’une matrice A ∈ Mn×m (K) est l’image (resp. le
noyau) de l’application u ∈ L(K m , K n ) correspondant. Plus généralement, nous appliquerons
systématiquement aux matrices le vocabulaire des endomorphismes.
2. Pour calculer le noyau et l’image d’une matrice A, on peut utiliser la méthode suivante : on
effectue une suite d’opérations élémentaires sur les colonnes
   
A C1 · · · Cr 0 · · · 0
−→ .
I ? · · · ? D1 · · · Dt

Alors, {C1 , . . . ,Cr } sera une base de im A et {D1 , . . . , Dt } sera une base de ker A (voir plus
loin pour les bases).
3. On peut justifier la méthode ci-dessus comme suit : faire une suite d’opérations sur les
colonnes revient à multiplier à droite par une matrice inversible P (celle obtenue en faisant
les mêmes opérations sur I). On aura donc
   
A C1 · · · Cr 0 · · · 0
P= ,
I ? · · · ? D1 · · · Dt

c’est à dire
AP = [C1 · · ·Cr 0 · · · 0] et P = IP = [? · · · ? D1 · · · Dt ]
 2.4 Dual (début) 33

si bien que
A[? · · · ? D1 · · · Dt ] = [C1 · · ·Cr 0 · · · 0].
Autrement dit, on aura A? = C1 , . . . , A? = Cr (image) et AD1 = · · · = ADt = 0 (noyau). C’est
le théorème du rang (voir plus loin) qui nous permet de conclure qu’il s’agit bien d’une base
dans chaque cas.

Exemple Pour  
1 2 3 4
A :=  1 3 6 6  ,
3 8 15 16

on fait
     
1 2 3 4 1 0 0 0 1 0 0 0

 1 3 6 6    1 1
 3 2  
 1 1 0 0 

 3 8 15 16   3 2
  6 4  

 3 2 0 0 
1 0 0 0   →  1 −2 −3 −4  →  1 −2 3 .
0 
   


 0 1 0 0    0 1
 0 0  
 0 1 −3 −2 

 0 0 1 0   0 0 1 0   0 0 1 0 
0 0 0 1 0 0 0 1 0 0 0 1

si bien que {(1, 1, 3), (0, 1, 2)} est une base de im A et {(3, −3, 1, 0), (0, −2, 0, 1)} est une base de
ker A.

2.4 Dual (début)

Définition 2.4.1 Une forme linéaire sur un espace vectoriel E est une application linéaire
ϕ : E → K. L’espace dual de E est l’espace vectoriel t E := L(E, K) de toutes les formes
linéaires sur E. Un hyperplan de E est un sous-espace qui est le noyau d’une forme linéaire non
nulle ϕ.

Dans la littérature, on voit souvent la notation E ∗ pour le dual.

Exemple 1. Comme corollaire de la proposition 2.3.5, on dispose d’un isomorphisme

t
K n ' M1×n (K), ϕ 7→ [ϕ]

donné par
ϕ(x1 , . . . , xn ) = a1 x1 + · · · + an xn ⇔ [ϕ] = [a1 · · · an ]
Une forme linéaire sur K n sera donc vue comme un vecteur ligne.
2. Les projections pi : K n → K sont des formes linéaires et toute forme linéaire sur K n s’écrit
de manière unique

ϕ = a1 p1 + · · · + an pn avec a1 , . . . , an ∈ K.

Plus précisément, on a
ϕ = ϕ(11 )p1 + · · · + ϕ(1n )pn .
3. On dispose du diagramme commutatif suivant :
t Kn × Kn /K

' '
 ×

M1×n (K) × Mn×1 (K) / M1 (K)
34 Chapitre 2. Algèbre linéaire

avec (ϕ, x) 7→ ϕ(x) en haut et

 
x1
 . 
[a1 · · · an ],  ..  7→ [a1 x1 + · · · an xn ]


xn
en bas. En d’autres termes, on a [ϕ(x)] = [ϕ][x].
4. Un hyperplan de K n est une partie de la forme
H := {(x1 , . . . , xn ) ∈ K n / a1 x1 + · · · + an xn = 0}
avec a1 , . . . , an ∈ K non tous nuls.
5. On dispose d’un isomorphisme d’espaces vectoriels

Kn
' / t Kn
(a1 , . . . , an )  / a1 p1 + · · · + an pn

(ϕ(1i ), . . . , ϕ(1n )) o ϕ

que l’on utilisera parfois (mais prudemment) pour identifier t K n avec K n .

Remarque 1. Bien que t K n soit isomorphe à K n , il est faut en général que t E soit isomorphe à
E. En fait, le théorème d’Erdos-Kaplansky nous dit que si E est de dimension infinie, alors
dim t E > dim E (voir plus loin pour la notion de dimension).
2. Sur un anneau quelconque, il faut renforcer l’hypothèse non nulle en surjective dans la
définition d’un hyperplan (sur un corps, les deux conditions sont équivalentes).

Proposition 2.4.2 Soit E un espace vectoriel.

1. Si x ∈ E, l’application d’évaluation
t
E → K, ϕ 7→ ϕ(x)

est une forme linéaire sur t E.

2. L’application (dite canonique)

E → tt E, x 7→ (ϕ 7→ ϕ(x))

est linéaire.

Démonstration 1. Résulte facilement du corollaire 2.3.2 (exercice).

2. Résulte immédiatement de la linéarité de ϕ (exercice). 

Définition 2.4.3 Soit u : E → F une application linéaire. Alors, l’application duale de u est
l’application t u définie par
tF / tE
ψ / t u(ψ) := ψ ◦ u.

Proposition 2.4.4 1. Si u : E → F est une application linéaire, alors t u : t F → t E aussi.

2. Si E et F sont deux espaces vectoriels alors l’application

L(E, F) / L(t F, t E) (2.1)

u / tu
 2.5 Orthogonal 35

est linéaire.
3. Si u : E → F et v : F → G sont deux applications linéaires, alors t (v ◦ u) = t u ◦ t v.

Démonstration 1. Si ψ1 , ψ2 ∈ t F, on a par définition de la somme de deux applications

t
u(ψ1 + ψ2 ) = (ψ1 + ψ2 ) ◦ u = ψ1 ◦ u + ψ2 ◦ u = t u(ψ1 ) + t u(ψ2 ),

et de même, si a ∈ K et ψ ∈ t F, alors t u(aψ) = at u(ψ).

2. Si u1 , u2 : E → F sont deux applications linéaires et ψ ∈ t F, on a
t
(u1 + u2 )(ψ) = ψ ◦ (u1 + u2 ) = ψ ◦ u1 + ψ ◦ u2 = t u1 (ψ) + t u2 (ψ) = (t u1 + t u2 )(ψ)

car ψ est linéaire et il suit que t (u1 + u2 ) = t u1 + t u2 . On montre de même que si u : E → F

est linéaire et a ∈ K, alors t (au) = at u.
3. Si ψ ∈ t F, on a
t
(v ◦ u)(ψ) = ψ ◦ v ◦ u = (t u(t v(ψ)) = (t u ◦ t v)(ψ). 

Exemple Si on identifie t K n avec K n et t K m avec K m , alors l’isomorphisme (2.1) correspond à la

transposition des matrices
Mn×m (K) / Mm×n (K)
 / t A.
A
Autrement dit, la matrice du dual de u sera la transposée de la matrice de u (on reparlera de ça plus
tard).

2.5 Orthogonal
Définition 2.5.1 Soit E un espace vectoriel. La partie orthogonale à U ⊂ t E est

U ◦ = {x ∈ E / ∀ϕ ∈ U, ϕ(x) = 0}.

Dans la littérature, on voit souvent la notation U ⊥ pour l’orthogonal.

Exemple 1. Une partie H de E est un hyperplan si et seulement si H = {ϕ}◦ avec ϕ non nulle.
2. En général, U ◦ = ∩ϕ∈U ker ϕ est toujours une intersection d’hyperplans.
3. Considérons un système linéaire homogène à m équations et n inconnues :

 a1,1 x1 · · · + a1,m xm = 0

S := ..
 .
an,1 x1 · · · + an,m xn = 0.


Posons alors U = {ϕ1 , . . . , ϕn } avec

∀i = 1, . . . , n, ϕi (x1 , . . . , xm ) = ai,1 x1 · · · + ai,m xm .

Alors U ◦ est l’ensemble Sol(S ) des solutions de S .

Remarque 1. On peut aussi considérer la partie orthogonale à X ⊂ E qui est par définition
◦
X = {ϕ ∈ t E / ∀x ∈ X, ϕ(x) = 0} = {ϕ ∈ t E, X ⊂ ker ϕ}.

Les analogues pour ◦ X sont plus faciles à démontrer que ceux pour U ◦ en général.
36 Chapitre 2. Algèbre linéaire

2. On dit aussi que U ⊂ t E et X ⊂ E sont orthogonaux, et on écrira U ◦ X, si

∀ϕ ∈ U, ∀x ∈ X, ϕ(x) = 0.

Autrement dit, on a
U ◦ X ⇔ U ⊂ ◦X ⇔ X ⊂ U ◦.

Exemple Si on identifie K n et t K n comme ci-dessus, on voit que (x1 , . . . , xn ) et (y1 , . . . , yn ) sont

orthogonaux si et seulement si x1 y1 + · · · + xn yn = 0. On retrouve ainsi une notion classique (on y
reviendra plus tard).

Proposition 2.5.2 Soit E un espace vectoriel.

1. Si U ⊂ t E, alors U ◦ est un sous-espace vectoriel de E et U ⊂ ◦ (U ◦ ).
2. Si U1 ,U2 ⊂ t E, alors
(a) U1 ⊂ U2 ⇒ U2◦ ⊂ U1◦ et
(b) (U1 ∪U2 )◦ = U1◦ ∩U2◦ .

Démonstration 1. Soient x, y ∈ U ◦ et a, b ∈ K. Si ϕ ∈ U, on a par linéarité

ϕ(ax + by) = aϕ(x) + bϕ(y) = 0

et donc ax + by ∈ U ◦ . Comme 0 ∈ U ◦ , cela montre que U ◦ est un sous-espace vectoriel. De

plus si x ∈ U et ϕ ∈ U ◦ , alors ϕ(x) = 0 par définition, et cela prouve que U ⊂ ◦ (U ◦ ).
2. (a) Donnons nous x ∈ U2◦ . Soit ϕ ∈ U1 . Si on suppose que U1 ⊂ U2 , on a aussi ϕ ∈ U2 et
donc ϕ(x) = 0. Cela montre que x ∈ U1◦ .
(b) En appliquant ce dernier résultats aux inclusions U1 ,U2 ⊂ U1 ∪U2 , on obtient immédia-
tement l’inclusion (U1 ∪U2 )◦ ⊂ U1◦ ∩U2◦ . Inversement, donnons nous x ∈ U1◦ ∩U2◦ . Si
ϕ ∈ U1 ∪U2 , on a soit ϕ ∈ U1 et alors nécessairement, ϕ(x) = 0 car x ∈ U1◦ , ou alors
ϕ ∈ U2 et on obtient la même conclusion. On voit donc que x ∈ (U1 ∪ U2 )◦ comme
annoncé. 

Remarque On démontre de la même manière que

1. Si X ⊂ E, alors ◦ X est un sous-espace vectoriel de t E et X ⊂ (◦ X)◦ .
2. Si X1 , X2 ⊂ E, alors
(a) X1 ⊂ X2 ⇒ ◦ X2 ⊂ ◦ X1 et
(b) ◦ (X1 ∪ X2 ) = ◦ X1 ∩ ◦ X2 .

En fait, pour cette variante de l’orthogonalité, on peut démontrer quelques propriétés de plus
comme nous l’allons voir maintenant.
Proposition 2.5.3 Si E est un espace vectoriel, on a ◦ E = {0t E } et ◦ {0E } = t E.

Démonstration Pour la première assertion, on voit que

ϕ ∈ ◦ E ⇔ ∀x ∈ E, ϕ(x) = 0 ⇔ ϕ = 0.

En ce qui concerne la seconde, il suffit de rappeler que si ϕ ∈ t E, alors ϕ est linéaire si bien que
ϕ(0) = 0. On a donc ϕ ∈ ◦ {0}. 
 2.6 Quotient 37

Proposition 2.5.4 Si u : E → F est une application linéaire, on a

◦
im u = ker t u.

Démonstration Nous avons tout simplement la suite d’équivalences

ψ ∈ ◦ im u ⇔ ∀y ∈ im u, ψ(y) = 0
⇔ ∀x ∈ E, ψ(u(x)) = 0
⇔ ψ ◦u = 0
t
⇔ u(ψ) = 0
⇔ ψ ∈ ker t u. 

Corollaire 2.5.5 Si u : E → F est une application linéaire surjective, alors t u est injective.

Démonstration En effet, si im u = F, alors ker t u = ◦ F = {0} grâce à la proposition 2.5.3. 

Corollaire 2.5.6 Si ι : F ,→ E est l’inclusion d’un sous-espace vectoriel, on a

◦
F = ker t ι. 

2.6 Quotient
On rappelle qu’on utilise la notation de Minkowski si bien que, si F est un sous-espace vectoriel
d’un espace vectoriel E, alors
x + F := {x + y, y ∈ F}
désigne le sous-espace affine parallèle à F et passant par l’extrémité de x (faire un dessin), c’est à
dire le translaté de F par x.

Lemme 2.6.1 Soient F un sous-espace vectoriel d’un espace vectoriel E et x1 , x2 ∈ E. On a

alors
x1 + F = x2 + F ⇔ x2 − x1 ∈ F.

Démonstration Si x1 + F = x2 + F, alors il existe y ∈ F tel que x1 + y = x2 + 0 et on a donc

x2 − x1 = y ∈ F. Réciproquement, si on suppose que y := x2 − x1 ∈ F et si z ∈ F, on a

x2 + z = x1 + (y + z) ∈ x1 + F,

si bien que x2 + F ⊂ x1 + F et l’autre inclusion se montre de la même façon (exercice). 

Définition 2.6.2 Si F est un sous-espace vectoriel d’un espace vectoriel E, le quotient de E par
F est l’ensemble
E/F := {x + F, x ∈ E}
de tous les sous-espaces affines parallèles à F.

Remarque On définit généralement le quotient d’un ensemble par une relation d’équivalence
(hors programme). Dans notre cas, la relation serait x1 ≡ x2 ⇔ x2 − x1 ∈ F.
38 Chapitre 2. Algèbre linéaire

Proposition 2.6.3 Si F est un sous-espace vectoriel d’un espace vectoriel E, alors il existe une
unique structure d’espace vectoriel sur E/F telle que la projection

E
π / / E/F
x / x + F.

soit linéaire. Celle-ci est surjective et on a ker π = F.

Démonstration Par définition, on doit avoir

∀x, y ∈ E, (x + F) + (y + F) = (x + y) + F

et
∀x ∈ E, ∀a ∈ K, a(x + F) = ax + F
(attention : la seconde formule n’est pas toujours compatible avec la notation de Minkowski qui
donnerait ax + aF). On vérifie immédiatement qu’on obtient ainsi un espace vectoriel, que π est
linéaire et que ker π = F (exercice).
Il faut tout de même s’assurer que les lois sont bien définies. Montrons le pour la seconde,
l’argument étant le même dans les deux cas (exercice). On suppose donc que x1 + F = x2 + F et on
doit montrer que ax1 + F = ax2 + F. Grâce au lemme 2.6.1, il suffit de remarquer que si x2 − x1 ∈ F,
alors ax2 − ax1 = a(x2 − x1 ) ∈ F. 

Remarque 1. Nous avons donc 0E/F = F.

2. Cette proposition montre que tout sous-espace vectoriel est le noyau d’une application
linéaire.
3. Notons que E/E = {E} = {0E/E } est l’espace nul et que E/{0E } = {{x}, x ∈ E} ' E peut
facilement être identifié avec E.
4. Lorsque l’espace F est fixé, on écrira parfois x := x + F. Dans ce cas, les lois sont donc
données par x + y = x + y et ax = ax. Comme F = ker π et que π(x) = x, aura

x ∈ F ⇔ x = 0.

5. Si au lieu de travailler sur K, nous travaillons sur Z, nous obtenons la notion de quotient d’un
groupe abélien par un sous-groupe, par exemple Z/nZ.
6. On peut faire la même chose sur un anneau quelconque. On peut même montrer que si I est
un idéal d’un anneau commutatif, il existe une unique structure d’anneau sur A/I qui fait de
la projection un morphisme d’anneaux. Par exemple, cela fait de Z/nZ ou de K[T ]/(P) un
anneau.

Nous pouvons énoncer la propriété universelle du quotient :

Théoreme 2.6.4 Soient F un sous-espace vectoriel de E et π : E → E/F la projection. Alors,

pour une application linéaire u : E → E 0 , les conditions suivantes sont équivalentes :
1. F ⊂ ker u,
2. il existe une application u : E/F → E 0 telle que u = u ◦ π.
2.6 Quotient 39

Celle ci est alors unique et linéaire et on a ker u = ker u/F :

 / ker u  
F /E /7 E 0
u

π u
 

ker u/F  / E/F

Démonstration L’unicité est immédiate et u sera donné par la formule u(x) = u(x). La linéarité
de u résulte alors de celle de u et on aura bien sûr F ⊂ ker u et ker u = ker u/F (exercice).
Il reste à s’assurer que l’application est bien définie lorsque F ⊂ ker u. Or, si x1 = x2 , le lemme
2.6.1 nous dit que x2 − x1 ∈ F ⊂ ker u et on aura donc u(x2 − x1 ) = 0 si bien que u(x1 ) = u(x2 ). 

Corollaire 2.6.5 — Théorème de Noether. Si u : E → E 0 est une application linéaire, alors

E/ ker u ' im u.

Démonstration C’est le cas F = ker u du théorème. On aura donc ker u = {0} si bien que u est
injective. D’autre part, on a im u = im u car la projection E → E/F est surjective. 

Exemple 1. Considérons K m comme contenu dans K n en identifiant

(x1 , . . . , xm ) ↔ (x1 , . . . , xm , 0, . . . , 0)

et K n−m comme contenu dans K n en identifiant

(x1 , . . . , xn−m ) ↔ (0, . . . , 0, x1 , . . . , xn−m ).

On a alors un isomorphisme
'

 #
K n−m  / Kn / / K n /K m

(qui rappelle la formule en−m = en /em ).

2. Rappelons que si P ∈ K[T ], alors on désigne par (P) l’ensemble des multiples de P (c’est un
idéal et donc un espace vectoriel). Si deg P = d, on dispose d’un isomorphisme d’espaces
vectoriels
'

 %
K[T ]<d  / K[T ] / / K[T ]/(P)
R / R + (P),

la réciproque étant donné par le reste dans la division euclidienne par P.

Remarque 1. Il suit qu’un sous-espace vectoriel H d’un espace vectoriel E est un hyperplan si
et seulement si E/H ' K. Notons que ce résultat nécessite que K soit un corps et qu’il est
faux pour les A-modules en général.
2. Comme nous l’avons déjà dit, on peut travailler avec des groupes abéliens par exemple, à
la place des espaces vectoriels. Si on applique le théorème de Noether au morphisme de
groupes abéliens R → C× , θ 7→ eiθ , on obtient un isomorphisme R/2πZ ' S1 dont l’inverse
est exactement l’application qui associe son argument à un nombre complexe de module 1.
40 Chapitre 2. Algèbre linéaire

Proposition 2.6.6 Si F est un sous-espace vectoriel de E, alors

t
(E/F) ' ◦ F.

Démonstration Comme la projection π : E → E/F est une application linéaire surjective, il résulte
du corollaire 2.5.5 que l’on dispose d’une application linéaire injective t π : t (E/F) ,→ t E. Et on a

ψ ∈ im t π ⇔ ∃ψ ∈ t (E/F), ψ = t π(ψ)
⇔ ∃ψ ∈ E/F → K, ψ = ψ ◦π
⇔ F ⊂ ker ψ
⇔ ψ ∈ ◦F

(en appliquant le théorème à ψ). 

Proposition 2.6.7 Soient u : E → F une application linéaire et E 0 ⊂ E, F 0 ⊂ F des sous-espaces

tels que u(E 0 ) ⊂ F 0 . Il existe alors des applications linéaires (uniques) u0 : E 0 → F 0 et u00 : E/E 0 →
F/F 0 telles que u0 (x) = u(x) si x ∈ E 0 et u00 (x) = u(x) si x ∈ E :

E0 /E / / E/E 0

u0 u u00
   
F 0 /F / / F/F 0 .

Démonstration L’unicité est claire dans les deux cas et l’existence de u0 est immédiate. Pour
obtenir u00 , on applique le théorème à l’application composée

E → F → F/F 0 , x 7→ u(x).

Il faut montrer que son noyau contient E 0 mais si x ∈ E 0 , on a u(x) ∈ F 0 et donc u(x) = 0. 

Remarque On peut montrer les résultats suivants (lemme du serpent) :

1. u injective ⇒ u0 injective,
2. u0 , u00 injectives ⇒ u injective,
3. u injective et u0 surjective ⇒ u00 injective
4. u00 injective et u surjective ⇒ u0 surjective
5. u0 , u00 surjectives ⇒ u surjective
6. u surjective ⇒ u00 surjective.
On voit en particulier que si u0 et u00 sont bijectives, alors u aussi.

Exemple 1. Considérons la situation suivante


Km  / Km / / K m /K m0 o '
0 0
K m−m
u0 u u00
   

Kn  / Kn / / K n /K n0 o '
0 0
K n−n .

On dispose alors des matrices A, A0 et A00 de u, u0 et u00 (en utilisant l’identification de droite
pour u00 ) et on a  0 
A ?
A=
0 A00
2.6 Quotient 41

qui est une matrice triangulaire par blocs. Si A0 et A00 sont des matrices inversibles, alors
A aussi comme conséquence de la remarque (nous verrons plus tard que la réciproque est
vraie).
2. Par récurrence, on voit qu’une matrice triangulaire
 
a1 ? · · · ?
. 
 0 . . . . . . .. 

 
 .. .. 
 . . ? 
0 · · · 0 an

est inversible si (et seulement si) a1 , . . . , an 6= 0.

 42 Chapitre 2. Algèbre linéaire

2.7 Exercices
Exercice 2.7.1 Montrer que l’ensemble l∞ (R) des suites réelles bornées est un sous-espace
vectoriel de RN et que l’ensemble C (I, R) des fonctions continues sur un intervalle I à valeur
dans R est un sous-espace vectoriel de F (I, R).

Exercice 2.7.2 Dire dans chaque cas si ces fonctions forment un sous-espace vectoriel de
l’espace F (R) des applications de R dans lui même.
1. Les fonctions dérivables.
2. Les fonctions paires.
3. Les fonctions croissantes.
4. Les fonctions monotones.
Exercice 2.7.3 Démontrer les propositions 2.1.3 et 2.2.1.

Exercice 2.7.4 Démontrer les propositions 2.3.5 et 2.3.6.

Exercice 2.7.5 Montrer qu’un espace vectoriel E est une droite (c’est à dire, isomorphe à K) si
et seulement si E a exactement deux sous-espaces vectoriels.

Exercice 2.7.6 Montrer que si E est un espace vectoriel, alors l’application d’évaluation

L(K, E) /E
 / u(1)
u

est un isomorphisme dont on déterminera l’inverse. En déduire un isomorphisme Mn×1 (K) ' K n
que l’on explicitera.

Exercice 2.7.7 Montrer (en calculant le second membre) que si on pose 11 := (1, 0, 0), 12 :=
(0, 1, 0) et 13 := (0, 0, 1), on a

(x, y, z) = x11 + y12 + z13 .

Généraliser.

Exercice 2.7.8 Montrer que si u ∈ L(K m , K n ) et v ∈ L(K l , K m ), alors [u ◦ v] = [u][v].

Exercice 2.7.9 1. Montrer que si ϕ ∈ t K n , on a

ϕ = ϕ(11 )p1 + · · · + ϕ(1n )pn

ou les pi désignent les projections sur les axes. En déduire un isomorphisme entre K n et
t Kn.

2. Montrer que pour tout i ∈ N, l’application

pi : K[T ] → K, ∑ c j T j 7→ ci
j

est une forme linéaire sur K[T ]. En déduire un isomorphisme entre K N et t K[T ].

Exercice 2.7.10 Montrer que si A est la matrice d’une application linéaire u : K m → K n (dans
les bases usuelles), alors la matrice du dual de u est la transposée de A (en identifiant K n et K m
avec leurs espaces duaux comme ci-dessus).
2.7 Exercices 43
Exercice 2.7.11 On se donne pour tout i = 1, . . . , n, une forme linéaire

ϕi := ai,1 p1 + · · · + ai,m pm

sur K m et on pose U := {ϕ1 , . . . , ϕn }. Montrer que l’orthogonal U ◦ de U est l’ensemble des

solutions du système linéaire homogène

 a1,1 x1 + · · · a1,m xm = 0

S := ..
 .
an,1 x1 + · · · an,m xm = 0.


Exercice 2.7.12 Établir un isomorphisme entre K d et ◦ (T d ) ⊂ t K[T ].

Exercice 2.7.13 Montrer que le noyau de la forme linéaire ϕ : R2 → R, (x, y) 7→ y − x est la

diagonale ∆ := {(t,t),t ∈ R} ⊂ R2 }. En déduire un isomorphisme R2 /∆ ' R. Interprétation
géométrique.

Exercice 2.7.14 Établir un isomorphisme K n−m ' K n /K m lorsque m ≤ n (on voit K m comme
sous-espace de K n en identifiant (x1 , . . . , xm ) et (x1 , . . . , xm , 0, . . . , 0)).

Exercice 2.7.15 On rappelle que les multiples d’un polynôme P forment un sous-espace
vectoriel F de l’espace E de tous les polynômes sur K. Montrer que E/F est isomorphe à
l’espace En des polynômes de degré strictement plus petit que n = deg P.

Exercice 2.7.16 On rappelle qu’une suite (xn )n∈N ∈ Qn tend vers 0 si

∀ε > 0, ∃N ∈ N, |xn | ≤ ε

et qu’elle de de Cauchy si

∀ε > 0, ∃N ∈ N, ∀m, n ≥ N, |xn − xm | ≤ ε.

Montrer que les suites de Cauchy forment un sous-espace vectoriel E de l’espace de toutes les
suites et que les suites qui tendent vers 0 forment un sous-espace vectoriel F de E. Établir un
isomorphisme E/F ' R.

Exercice 2.7.17 Soit F un sous-espace vectoriel d’un espace vectoriel E. Établir une bijection
entre l’ensemble de tous les sous-espaces vectoriels de E/F et celui des sous-espaces vectoriels
de E contenant F.
Exercice 2.7.18 Montrer qu’un sous-espace vectoriel H d’un espace vectoriel E est un hy-
perplan si et seulement si E/H est une droite si et seulement si H est maximum parmi les
sous-espaces vectoriels de E distinct de E.

Exercice 2.7.19 Soient u : E → F une application linéaire, E 0 ⊂ E, F 0 ⊂ F des sous-espaces

tels que u(E 0 ) ⊂ F 0 et u0 : E 0 → F 0 et u00 : E/E 0 → F/F 0 les applications induites. Montrer que
1. u injective (resp. surjective) ⇒ u0 injective (resp. u00 surjective),
2. u0 , u00 injectives (resp. surjectives) ⇒ u injective (resp. surjective).
 3. Somme directe, base

On fixe toujours un corps des scalaires K.

Remarque Tout ce qui précède le théorème de la base incomplète (section 3.4) est encore valable
pour des A-modules où A est un anneau quelconque, et en particulier pour des groupes abéliens (cas
A = Z). Par contre, ce qui suit l’énoncé de ce théorème est faux sur un anneau quelconque, même
si on se limite aux modules libres (c’est à dire qui admettent une base) sur un anneau commutatif.

3.1 Somme directe (externe)

Définition 3.1.1 Soit (Es )s∈S une famille d’espaces vectoriels. Alors, le support de x :=
(xs )s∈S ∈ ∏s∈S Es est
supp(x) = {s ∈ S / xs 6= 0}.
La somme directe (externe) de la famille est
M
Es = {x / |supp(x)| < +∞} ⊂ ∏ Es .
s∈S s∈S

Lorsque tous les Es sont égaux à un même espace E, on écrira E (S) .

L
Remarque 1. On dit aussi que les éléments de s∈S Es sont les familles presque toujours
nulles (c’est à dire toujours sauf un nombre fini).
2. Lorsque S est fini, il n’y a pas de différence entre somme directe (externe) et produit :

E1 ⊕ · · · ⊕ En = E1 × · · · × En .

Mais ce n’est pas le cas en général.

3. Si E est un espace vectoriel et X est un ensemble quelconque, on peut considérer le support
de f
supp( f ) = {x ∈ X / f (x) 6= 0},
46 Chapitre 3. Somme directe, base

et l’ensemble
F f (X, E) = { f : X → E / |supp( f )| < +∞}
des applications à support fini ( c’est à dire presque toujours nulles). On a bien sûr F f (X, E) '
E (X) .

Lemme 3.1.2 Si x, y ∈ ∏s∈S Es , alors

supp(x + y) ⊂ supp(x) ∪ supp(y)

et si x ∈ ∏s∈S Es et a ∈ K, alors
supp(ax) ⊂ supp(x).

Démonstration On écrit x := (xs )s∈S et y := (ys )s∈S . Si xs = ys = 0, alors xs + ys = 0 et la première

assertion en découle. La seconde se démontre de la même manière (exercice). 

L
Proposition 3.1.3 Si (Es )s∈S est une famille d’espaces vectoriels, alors s∈S Es est un sous-
espace vectoriel de ∏s∈S Es .

Démonstration Résulte immédiatement du lemme 3.1.2 (exercice). 

Remarque 1. Si E := ⊕s∈S Es , on dispose encore de projections (composée de l’inclusion et

des projections habituelles), que l’on notera toujours

ps : E → Es ,

et qui sont linéaires.

2. Si E est un espace vectoriel et X est un ensemble quelconque, alors F f (X, E) est un sous-
espace vectoriel de F (X, E) et les applications d’évaluation

px : F f (X, E) → E, f 7→ f (x)

sont linéaires.

De même que les projections sont associées aux produits, ce sont les injections qui sont liées
aux sommes directes :
Lemme 3.1.4 Si E := ⊕s∈S Es , alors il existe pour tout s ∈ S une unique application (linéaire
injective) is : Es ,→ E telle que pour tout t ∈ S, on ait

Id si s = t
pt ◦ is =
0 sinon.

On aura alors
∀x ∈ E, x = ∑ (is ◦ ps )(x).
s∈S

Démonstration La propriété universelle du produit nous dit qu’il existe une telle application is à
valeurs dans le produit, et il faut juste s’assurer qu’on tombe dans la somme directe. Or, si xs ∈ Es ,
on aura supp(is (xs )) = {s} qui est bien fini.
Pour démontrer la dernière assertion, il suffit de remarquer que pour tout t ∈ S, on a bien
!
pt ∑ (is ◦ ps )(x) = ∑ (pt ◦ is ◦ ps )(x) = pt (x). 
s∈S s∈S
3.1 Somme directe (externe) 47

Remarque Comme toujours, nous en déduisons que si E est un espace vectoriel et X un ensemble
quelconque, alors il existe pour tout x ∈ X une unique application (injective)

ix : E ,→ F f (X, E)

telle que 
Id si x = y
∀x, y ∈ X, py ◦ ix =
0 sinon.

Exemple 1. Si E1 et E2 sont deux espaces vectoriels et E := E1 ⊕ E2 , on dispose du diagramme

E1 o
i1
/ E o p2 / E (3.1)
2
p1 i2

avec
i1 (x) = (x, 0), p1 (x, y) = x, i2 (y) = (0, y) et p2 (x, y) = y,
et des formules

p1 ◦ i1 = Id, p2 ◦ i2 = Id, p1 ◦ i2 = 0, p2 ◦ i1 = 0 et i1 ◦ p1 + i2 ◦ p2 = Id. (3.2)

2. Réciproquement, si on se donne un diagramme (3.1) satisfaisant les conditions (3.2), alors il

existe une unique isomorphisme u : E1 ⊕ E2 ' E tel que

u(x, 0) = i1 (x), u(0, y) = i2 (y), p1 (u(x, y)) = x et p2 (u(x, y)) = y.

3. Si on se donne un ensemble X, on peut considérer les différentes inclusion ix : K → K (X)

pour x ∈ X. On pose alors 1x := ix (1) ∈ K (X) si bien que pour tout a ∈ K, ix (a) = a1x . Si on
voit les éléments de K (X) comme des familles, on aura donc

(ax )x∈X = ∑ ax 1x .
x∈X

4. Alternativement, on peut considérer dans F f (X, K) les applications indicatrices (notées de la

même façon) 
1 si x = y
∀x, y ∈ X, 1x (y) =
0 sinon,
et on aura toujours f = ∑x∈X f (x)1x .

On passe maintenant à la propriété universelle des sommes directes.

Proposition 3.1.5 Si on se donne pour pour tout s ∈ S, une application linéaire us : Es → F,

alors il existe une unique application linéaire u : ⊕s∈S Es → F telle que pour tout s ∈ S, on ait
u s = u ◦ is :
Es _
us
is
 ∃!u '/
⊕s∈S Es F.

Démonstration On aura nécessairement

!
u(x) = u ∑ is (xs ) = ∑ (u ◦ is )(xs ) = ∑ us (xs ),
s∈S s∈S s∈S

d’où l’unicité. Et on vérifie que l’application ainsi définie répond bien à la question (exercice). 
48 Chapitre 3. Somme directe, base

Remarque 1. Dans la situation ci-dessus, on dit parfois que les applications is sont les injec-
tions et que les us sont les applications partielles (à l’origine).
2. Les injections sont donc les applications partielles correspondant au cas u = Id.
3. Par un calcul direct, ou en utilisant la propriété universelle, on montre facilement que si E, F
et G sont trois espaces vectoriels, on a
(a) E ⊕ F ' F ⊕ E (commutativité),
(b) (E ⊕ F) ⊕ G ' E ⊕ (F ⊕ G) (associativité),
(c) E ⊕ {0} ' E (neutre)
Ceci se généralise à des sommes directes quelconques.
4. Comme conséquence de la propriété universelle, si on se donne une famille d’applications
linéaires us : Es → Fs , on dispose alors d’une application linéaire

⊕s∈S us : ⊕s∈S Es → ⊕s∈S Es , (xs )s∈S 7→ (us (xs ))s∈S .

Exemple 1. Dans le cas d’un nombre fini d’espaces vectoriels E1 , . . . , En , les injections sont
les applications
Ei 7→ E1 × · · · × En , xi 7→ (0, . . . , 0, xi , 0 . . . , 0),
et les applications partielles associées à u : E1 × · · · × En → F, sont les applications

ui : Ei 7→ F, xi 7→ u(0, . . . , 0, xi , 0 . . . , 0).

2. Il revient au même de se donner les applications partielles u1 : E1 → F et u2 : E2 → F ou

bien l’application globale u : E1 ⊕ E2 → F :

E1 _
i1
 i2  u1
E2  / E1 ⊕ E2
∃!u
# 
u2 /F

On termine avec la propriété universelle de K (X) :

Corollaire 3.1.6 Si on se donne un ensemble X et une application f : X → E ou E est un espace

vectoriel, il existe une unique application linéaire f˜ : K (X) → E telle que, pour tout x ∈ X, on ait
f˜(1x ) = f (x) :
_x X _
f

 
∃! f˜ '/
1x K (X) E.

Démonstration Il suffit d’appliquer la proposition aux applications

ux : K → E, a 7→ a f (x)

qui nous fournissent u : K (X) → E avec ux = u ◦ ix , si bien que

u(1x ) = (u ◦ ix )(1) = ux (1) = f (x). 

Il faut aussi vérifie l’unicité (exercice). 

Remarque On aura donc f˜((ax )x∈X ) = ∑x∈X ax f (x).

 3.2 Somme directe interne 49

3.2 Somme directe interne

Proposition 3.2.1 Soient E un espace vectoriel et (Es )s∈S une famille de sous-espaces vectoriels
de E. Alors,
1. Il existe un plus grand sous-espace vectoriel de E contenu dans tous les Es , c’est ∩s∈S Es .
2. Il existe un plus petit sous-espace vectoriel de E contenant tous les Es , c’est l’image
∑s∈S Es de l’application

⊕s∈S Es → E, (xs )s∈S 7→ ∑ xs . (3.3)

s∈S

Démonstration 1. Il suffit de montrer que ∩s∈S Es est un sous-espace vectoriel, ce qui est
immédiat (exercice).
2. On se donne un sous-espace vectoriel F ⊂ E qui contient tous les Es . Par construction,
l’application
⊕Es → F, (xs )s∈S 7→ ∑ xs
s∈S

a même image que celle de la proposition, qui est donc contenue dans F. Et nous savons que
cette image est un sous-espace vectoriel. 

Remarque 1. Plus grand (resp. plus petit) signifie que tous les autres sont contenus dedans
(resp. le contiennent).
2. L’existence de l’application (3.3) résulte de la propriété universelle de la somme directe (et
de même dans la démonstration).
3. Par définition, la somme des sous-espaces est donc
( )
∑ E s = ∑ xs , xs ∈ Es .
s∈S finie

4. Dans le cas d’un nombre fini de sous-espaces, on écrira E1 + · · · + En pour désigner la somme
des sous-espaces.
5. Attention : une union de sous-espaces vectoriels n’en est pas un en général !

Définition 3.2.2 Si l’application (3.3) est bijective, on dit (Es )s∈S est une famille de sous-espace
vectoriels supplémentaires dans E. On dit aussi que E est somme directe interne de la famille.

Remarque 1. Cela signifie donc que tout élément de E s’écrit de manière unique comme
somme d’éléments de Es .
2. L’application (3.3) étant linéaire, on obtient alors un isomorphisme ⊕s∈S Es ' E.
3. Pour mémoriser la différence entre somme directe externe et interne, on peut noter que R2 est
somme directe externe de R par lui même (R2 = R ⊕ R) : c’est une opération. Par contre R2
est somme directe interne de l’axe des x par l’axe des y ( R2 ' Ox ⊕ Oy) : c’est une propriété.

Proposition 3.2.3 Soient E un espace vectoriel et (Es )s∈S une famille de sous-espaces vectoriels
de E. Alors, les conditions suivantes sont équivalentes :
1. Les sous-espaces sont supplémentaires (c’est à dire ⊕s∈S Es ' E).
2. On a
(a) ∑s∈S Es = E,
(b) ∀s ∈ S, Es ∩ ∑t6=s Et = {0}.
50 Chapitre 3. Somme directe, base

Démonstration Bien sûr la première condition n’est autre que la surjectivité de l’application (3.3),
que nous désignerons ici par Φ, et il suffit donc de montrer que l’autre correspond à l’injectivité.
Supposons qu’elle est satisfaite et prenons un (xs )s∈S ∈ ker Φ. On a donc ∑s∈S xs = 0 si bien que
pour tout s ∈ S, on a
xs = − ∑ xt ∈ Es ∩ ∑ Et = {0}.
t6=s t6=s

Inversement, si on fixe s et qu’on prend x ∈ Es ∩ ∑t6=s Et , on pose xs := −x ∈ Es et on écrit

x =: ∑t6=s xt avec xt ∈ Et pour t 6= s. Cela définit un élément (xt ) ∈ ⊕t∈S Et et on a Φ((xt )t∈S ) = 0
par construction. Donc si on suppose Φ injective, on voit que pour tout t ∈ S, on a xt = 0 et en
particulier, x = −xs = 0. 

Remarque 1. Comme cas particulier, on voit que si E1 et E2 sont deux sous-espaces vectoriels
de E, on a 
E1 + E2 = E
E1 ⊕ E2 ' E ⇔
E1 ∩ E2 = {0}.
2. Attention, la seconde condition n’est pas aussi simple en général : il ne suffit pas que

E1 + E2 + E3 = E et E1 ∩ E2 = E2 ∩ E3 = E1 ∩ E3 = {0}

pour avoir E1 ⊕ E2 ⊕ E3 ' E.

3. À nouveau, si E1 et E2 sont deux sous-espaces vectoriels de E et si on désigne par i1 : E1 ,→ E
et i2 : E2 ,→ E les applications d’inclusion, on voit que E1 ⊕ E2 ' E si et seulement si il
existe p1 : E → E1 et p2 : E → E2 telles que

p1 ◦ i1 = Id, p2 ◦ i2 = Id, p1 ◦ i2 = 0, p2 ◦ i1 = 0 et i1 ◦ p1 + i2 ◦ p2 = Id.

4. L’associativité de la somme directe externe permet de construire les sommes directes finies
internes par récurrence : si E1 , . . . , En sont des sous-espaces vectoriels de E et qu’on pose
F = E1 + · · · + En−1 , alors

E1 ⊕ · · · ⊕ En−1 ' F
E1 ⊕ · · · ⊕ En ' E ⇔
F ⊕ En ' E.

Proposition 3.2.4 Deux sous-espaces vectoriels F et G sont supplémentaires dans E si et

seulement si l’application composée
i π
G ,→ E  E/F

est bijective.

Démonstration Cette application a pour noyau F ∩ G et pour image (F + G)/F. Elle est donc
bijective si et seulement si F ∩ G = {0} et F + G/F = E/F. Cette dernière condition est équivalente
à F + G = E. Les détails sont laissés en exercice. 

Exemple 1. Si on voit K m comme contenu dans K n en utilisant les premières composantes et

K n−m comme contenu dans K n en utilisant les dernières, on a une somme directe (interne)

K m ⊕ K n−m ' K n

(c’est aussi une somme directe externe).

 3.3 Base 51

2. Si P est un polynôme de degré d, on a une somme directe interne

K[T ] ' (P) ⊕ K[T ]<d
qui exprime la division euclidienne.

Remarque La proposition implique qu’un sous-espace vectoriel H d’un espace vectoriel E est un
hyperplan si et seulement si c’est le supplémentaire d’une droite (d’un sous-espace isomorphe à K).
Ce résultat nécessite que K soit un corps il est faux pour les A-modules en général.

Définition 3.2.5 Soit E un espace vectoriel.

1. On dit que p ∈ L(E) est une projection (ou un projecteur) si p ◦ p = p.
2. On dit que s ∈ L(E) est une symétrie si s ◦ s = IdE .

Proposition 3.2.6 Soient E un espace vectoriel et p ∈ L(E).

1. Si p est une projection, alors
E = ker p ⊕ im p.
2. p est une projection si et seulement si q := IdE − p est une projection et on a alors

ker p = im q et ker q = im p.

Démonstration Exercice. 

Proposition 3.2.7 On suppose que 2 est inversible dans K. Soient E un espace vectoriel et
s ∈ L(E).
1. Si s est une symétrie, alors

E = ker(s − IdE ) ⊕ ker(s + IdE ).

s+IdE
2. s est une symétrie si et seulement si p := 2 est une projection.

Démonstration Exercice. 

Remarque Réciproquement, si on se donne une décomposition en somme directe E = E1 ⊕ E2 ,

on peut lui associer deux projections p1 et p2 de manière évidente, et donc aussi deux symétries
si := 2pi − IdE pour i = 1, 2 (faire un dessin).

3.3 Base
Proposition 3.3.1 Si X est une partie d’un espace vectoriel E, il existe un plus petit sous-espace
vectoriel Vect(X) de E contenant X.

Démonstration Découle formellement de la proposition 3.2.3 : Vect(X) est l’intersection de tous

les sous-espaces vectoriels contenant X. 

Définition 3.3.2 Si X est une partie d’un espace vectoriel E, alors Vect(X) est le sous-espace
vectoriel de E engendré par X.

Remarque Cette démarche est très générale et on peut définir de même le sous-monoïde ou le
sous groupe engendré par une partie (bien sûr, ça fonctionne aussi pour la notion de module et en
particulier celle d’idéal). Par exemple, un idéal principal est un idéal engendré par un seul élément.
52 Chapitre 3. Somme directe, base

Proposition 3.3.3 Si X est une partie d’un espace vectoriel E, alors Vect(X) est l’image de
l’application

K (X) → E, (ax )x∈X 7→ ∑ ax x. (3.4)

x∈X

Démonstration Quasiment identique à la démonstration de la seconde assertion de la proposition

3.2.3 (exercice). 

Exemple 1. On a Vect(0)/ = {0}, Vect({x}) = Kx := {ax, a ∈ K} et Vect(E) = E.

2. En général, on a Vect(X) = ∑x∈X Kx et donc

Vect({x1 , . . . , xn }) = Kx1 + · · · + Kxn .

Remarque 1. L’opérateur Vect est un opérateur de clôture :

(a) Si X ⊂ E, alors X ⊂ Vect(X),
(b) Si X1 ⊂ X2 ⊂ E, alors Vect(X1 ) ⊂ Vect(X2 ),
(c) Si X ⊂ E, alors Vect(Vect(X)) = Vect(X).
2. Si (Xs )s∈S est une famille de parties de E, alors

Vect(∪s∈S Xs ) = ∑ Vect(Xs ).
s∈S

3. On a toujours Vect(U)◦ = U ◦ et ◦ Vect(X) = ◦ X.

Il est parfois nécessaire de travailler avec des familles plutôt que des ensembles :
Définition 3.3.4 Le sous-espace vectoriel engendré par une famille (xs )s∈S ∈ E S est l’image
Vect((xs )s∈S ) de l’application

K (S) → E, (as )s∈S 7→ ∑ as xs . (3.5)

s∈S

Proposition 3.3.5 Si u : E → F est une application linéaire et X ⊂ E, alors Vect(u(X)) =

u(Vect(X)).

Démonstration On considère l’application composée K (X) → E → F et on utilise la transitivité

de l’image (il vaut mieux travailler avec des familles ici). 

Exemple Les colonnes d’une matrice A engendrent im A : en effet, ce sont les images des vecteurs
de la base usuelle (voir plus bas).

Définition 3.3.6 Une partie X d’un espace vectoriel E est une partie libre (resp. partie généra-
trice, resp. une base) si l’application (3.4) est injective (resp. surjective, resp. bijective). On dit
que X est liée si elle n’est pas libre.

Remarque Notons Φ l’application (3.4) si bien que Φ ((ax )x∈X ) = ∑x∈X ax x.

1. Rappelons que l’existence de l’application Φ résulte du corollaire 3.1.6 (propriété univer-
selle).
2. De manière moins formelle, on voit que
(a) X est libre lorsque ker Φ = {0}, c’est à dire

∑ ax x = 0 ⇒ ∀x ∈ X, ax = 0.
x∈X
3.3 Base 53

(b) X est génératrice lorsque im Φ = E, c’est à dire

∀y ∈ E, y= ∑ ax x avec ax ∈ K.
x∈X

(c) X est une base lorsque Φ est bijective, c’est à dire

∀y ∈ E, y= ∑ ax x avec ax ∈ K uniques.
x∈X

L’application réciproque est donc celle qui envoie un vecteur sur ses composantes dans
la base B.
3. X est liée s’il existe un nombre fini d’éléments non tous nuls ax ∈ K tels que ∑x∈X ax x = 0.
De manière équivalente, un des vecteurs est combinaison linéaire des autres : x = ∑y6=x ay y
(faux sur un anneau quelconque).

Ici encore, on aura parfois besoin de travailler avec des familles plutôt que des ensembles.
Définition 3.3.7 Soit E un espace vectoriel.
1. Une famille (xs )s∈S ∈ E S est une famille libre (resp. famille génératrice, resp. une base
ordonnée) si l’application (3.5) est injective (resp. surjective, resp. bijective). On dit que
X est famille liée si elle n’est pas libre.
2. Des vecteurs x1 , . . . , xn sont linéairement indépendants si la famille (x1 , . . . , xn ) est libre.
Sinon, on dit linéairement dépendants.

Exemple 1. Si E est un espace vectoriel, alors 0/ est libre et E est générateur.

2. L’espace nul {0} a pour base 0/ et l’espace K a pour base 1, ou plus généralement n’importe
quel a ∈ K × .
3. La base canonique de l’espace K n est {11 , . . . , 1n }.
4. Plus généralement, les familles 1s dont la seule entrée non nulle est en s, où elle vaut 1,
forment la base canonique, de l’espace K (S) .
5. On ne sait pas écrire de base de K N .
6. Les projections pi : K n → K forment la base canonique de t K n .
7. Les vecteurs {1n−m+1 , . . . , 1n } forment la base canonique de K n /K m .
8. Les matrices 1i, j , dont les entrées sont toutes nulle sauf en (i, j) ou elles valent 1, forment la
base canonique de Mn×m (K).
9. Les polynômes T d , pour d ∈ N forment la base canonique de K[T ] et les T d , pour d ≤ n
forment la base canonique de l’espace K[T ]≤n des polynômes de degré au plus n.
10. Soit P un ensemble de polynômes. Alors,
(a) si les P ∈ P ont tous un degré différent, alors P est libre,
(b) s’il existe au moins un P ∈ P de chaque degré, alors P est générateur,
(c) s’il existe un P ∈ P et un seul de chaque degré, alors P est une base.
11. La base canonique de C (resp. t C) comme espace vectoriel sur R est {1, i} (resp. {ℜ, ℑ}).
12. Si D est une droite (c’est à dire isomorphe à K), alors la base canonique de L(D) est IdD .

Proposition 3.3.8 Soit X une partie d’un espace vectoriel E. On a alors

1. Vect(X) = E ⇔ X génératrice,
2. X base de Vect(X) ⇔ X libre.

Démonstration Résulte immédiatement de la proposition 3.3.3. 

 54 Chapitre 3. Somme directe, base

Proposition 3.3.9 On se donne un espace vectoriel E et, pour tout s ∈ S, un sous-espace vectoriel
Es ⊂ E et une partie Xs ⊂ X. Les conditions suivantes sont alors équivalentes
1. Les Xs sont disjoints deux à deux et X := ∪s∈S Xs est une base de E,
2. (a) E ' ⊕s∈S Es et
(b) pour tout s ∈ S, Xs est une base de Es .

Démonstration On considère le diagramme commutatif

⊕s∈S K (Xs ) / K (X)

 
⊕s∈S Es /E

et on vérifie que les Xs sont disjoints deux a deux si et seulement si la flèche du haut est bijective
(exercice). L’assertion résulte alors immédiatement des définitions (exercice encore). 

Proposition 3.3.10 Soient E et F deux espace vectoriels et B une base de E. Alors, toute
application B → F se prolonge de manière unique en une application linéaire u : E → F. De plus,
on a
1. u injective ⇔ u(B) est une famille libre de F,
2. u surjective ⇔ u(B) est une partie génératrice de F,
3. u bijective ⇔ u(B) est une base de F.

Démonstration L’application d’inclusion B ,→ E s’étend de manière unique en une application

linéaire K (B) → F (propriété universelle) et il suffit de composer avec l’inverse de l’isomorphisme
K (B) ' E pour obtenir u. Toutes les autres assertions sont triviales si on considère l’application
composée dans l’autre sens K (B) ' E → F (attention, on utilise ici la notion de famille et pas celle
de partie). 

Remarque On peut aussi vérifier que l’on a :

1. L libre et u injective ⇒ u(L) libre,
2. G génératrice et u surjective ⇒ u(G) génératrice.

3.4 Théorème d’existence

Théoreme 3.4.1 — de la base incomplète. Soit E un espace vectoriel et L (resp. G) une
partie libre (resp. génératrice) de E. Si L ⊂ G, il existe une base B de E telle que L ⊂ B ⊂ G.

Démonstration Si {Ls }s∈S est une famille totalement ordonnée de parties libres de E telles que
L ⊂ Ls ⊂ G, alors M := ∪s∈S Ls est une partie libre de E avec L ⊂ M ⊂ G (exercice). On peut donc
appliquer le lemme de Zorn qui nous dit qu’il existe une partie libre B de E maximale pour la
propriété L ⊂ B ⊂ G. Il reste à montrer que B est une partie génératrice. Et pour cela, il suffit de
montrer que G ⊂ Vect(B). Or si x ∈ G \ B, on peut considérer X := B ∪ {x} qui est nécessairement
liée par maximalité de B. On peut donc écrire une relation a1 x1 + · · · + an xn + ax = 0. On a a 6= 0
car B est libre et donc
a1 an
x = − x1 − · · · − xn ∈ Vect(B). 
a a
Remarque 1. (a) {Ls }s∈S totalement ordonnée signifie que si s,t ∈ S, alors nécessairement
Ls ⊂ Lt ou Lt ⊂ Ls .
 3.5 Dual (suite) 55

(b) M maximal signifie que si X est une partie libre telle que M ⊂ X ⊂ G, alors X = M.
(c) Le lemme de Zorn dit exactement que si toute famille totalement ordonnée de parties
libres de E telles que L ⊂ Ls ⊂ G a un élément maximal, alors il existe une partie libre
B de E maximale pour la propriété L ⊂ B ⊂ G.
2. En théorie des ensembles, le théorème de la base incomplète est en fait équivalent au lemme
de Zorn qui est lui même équivalent à l’axiome du choix (ou même au théorème de Tychonov
en topologie) ou plus simplement au théorème qui dit qu’un produit d’ensembles non vides
est non vide.
3. Le théorème de la base incomplète est faux pour les A-modules en général : on a utilisé le
fait que si a 6= 0, alors a est inversible. Un module qui possède une base est dit libre. Par
exemple, Z/2Z n’est pas un groupe abélien libre.
4. L’existence d’une base est purement théorique et on ne peut pas toujours en exhiber une (cas
de l’espace des suites E = K (N) par exemple).

Corollaire 3.4.2 Soit E un espace vectoriel. Alors,

1. il existe une base B dans E,
2. si L est une partie libre de E, il existe une base B de E avec L ⊂ B,
3. si G est une partie génératrice de E, il existe une base B de E avec B ⊂ G. 

Corollaire 3.4.3 Si F est un sous-espace vectoriel de E, il possède un supplémentaire G.

Démonstration Soit C une base de F. C’est une partie libre et on peut donc la prolonger en une
base B de E et poser G := Vect(B \C). On utilise alors la proposition 3.3.9. 

Corollaire 3.4.4 Si F ⊂ E est un sous-espace vectoriel, alors, toute application linéaire F → E 0

se prolonge en une application linéaire E → E 0 . 

3.5 Dual (suite)

Lemme 3.5.1 Si E1 , E2 ⊂ E sont des sous-espaces vectoriels, alors

◦
(E1 ∩ E2 ) = ◦ E1 + ◦ E2 .

Démonstration Comme ◦ (E1 ∩ E2 ) est un sous-espace vectoriel qui contient à la fois ◦ E1 et

◦E , il contient nécessairement leur somme. Pour la réciproque, on choisit un supplémentaire G
2
pour E1 + E2 dans E et un supplémentaire F1 pour E1 ∩ E2 dans E1 si bien que E ' F1 ⊕ E2 ⊕ G.
N’importe quel ϕ ∈ t E s’écrit alors (de manière unique) ϕ = ϕ1 + ϕ2 avec ϕ1 = 0 sur F1 et ϕ2 = 0
sur E2 + G, et on a en fait ϕ2 ∈ ◦ E2 . Si on suppose que ϕ ∈ ◦ (E1 ∩ E2 ), on aura aussi ϕ1 ∈ ◦ E1 .

Proposition 3.5.2 Si E est un espace vectoriel, l’application

F 7−→ ◦ F
{sous-espaces vectoriels de E} →{sous-espaces vectoriels de t E}

renverse l’ordre et échange somme et intersection.

Démonstration Résulte de la proposition en conjonction avec la remarque suivant la proposition

2.5.2.
56 Chapitre 3. Somme directe, base

Proposition 3.5.3 Si u : E → F est une application linéaire, alors

im t u = ◦ ker u.

Démonstration On montre aisément l’inclusion (exercice). Réciproquement, si on se donne ϕ ∈

◦ ker u, on a ker u ⊂ ker ϕ. Donc, si on note π : E → E/ ker u la projection, il existe un unique

ϕ : E/ ker u → K tel que ϕ ◦ π = ϕ. Si on désigne par v : E/ ker u ' im u l’isomorphisme de

Noether, on peut alors prolonger ϕ ◦ v−1 : im u → K en ψ : F → K :
ϕ
E
u /F
O
π ι
 ?
E/ ker u
' / im u ψ
v

ϕ

/K

On calcule alors
t
u(ψ) = ψ ◦ u = ψ ◦ ι ◦ v ◦ π = ϕ ◦ π = ϕ. 

Corollaire 3.5.4 Si u : E → F est une application injective, alors t u surjective. 

Remarque On savait déjà que t u est injective quand u est surjective.

Proposition 3.5.5 Si F est un sous-espace d’un espace vectoriel E, alors (◦ F)◦ = F.

Démonstration Seule l’inclusion nécessite une démonstration. On choisit une base de E/F qui est
donnée par un isomorphisme v := K (S) ' E/F. On considère alors, pour s ∈ S fixé, l’application
composée
−1
ϕs : E
π / E/F v / K (S) ps /K

qui envoie x sur la composante de x. On sait que F = ker π et on a

π(x) = 0 ⇔ (v−1 ◦ π)(x) = 0 ⇔ ∀s ∈ S, ps (v−1 ◦ π)(x) = 0 ⇔ ∀s ∈ S, ϕs (x) = 0,
si bien que F = U ◦ avec U = {ϕs }s∈S . Pour conclure, on remarque que l’on a alors ◦ F = ◦ (U ◦ ) ⊃ U
si bien que (◦ F)◦ ⊂ U ◦ = F. 

Remarque Cela implique que l’application F 7→ ◦ F de la proposition 4.4 est injective.

Corollaire 3.5.6 Une partie F d’un espace vectoriel E est un sous-espace vectoriel si et seule-
ment si c’est une intersection d’hyperplans. 

Exemple Tout sous-espace vectoriel de K n est l’ensemble des solutions d’un système linéaire
homogène (et réciproquement).

Corollaire 3.5.7 Si E est un espace vectoriel, alors (t E)◦ = {0E }.

Démonstration Comme on sait que t E = ◦ {0E }, il suffit d’appliquer la proposition à F := {0E }.


3.5 Dual (suite) 57

Corollaire 3.5.8 Si E est un espace vectoriel, alors l’application canonique E → tt E est injective.

Démonstration On rappelle que cette application canonique est l’application

Φ : x 7→ (ϕ 7→ ϕ(x))

On aura donc Φ(x) = 0 ⇔ ∀ϕ ∈ t E, ϕ(x) = 0, ce qui signifie que ker Φ = (t E)◦ = {0E }. 
 58 Chapitre 3. Somme directe, base

3.6 Exercices
Exercice 3.6.1 Soient E1 et E2 deux espaces vectoriels, p1 , p2 les deux projections de E1 ⊕ E2
sur E1 et E2 , et i1 , i2 les deux injections de E1 et E2 dans E1 ⊕ E2 . Montrer que

p1 ◦ i1 = Id, p2 ◦ i2 = Id, p1 ◦ i2 = 0, p 2 ◦ i1 = 0 et i1 ◦ p1 + i2 ◦ p2 = Id.

Exercice 3.6.2 Montrer que si E, F et G sont trois espaces vectoriels, on a

1. E ⊕ F ' F ⊕ E (commutativité),
2. (E ⊕ F) ⊕ G ' E ⊕ (F ⊕ G) (associativité),
3. E ⊕ {0} ' E (neutre)

Exercice 3.6.3 Montrer que si E1 et E2 sont des sous-espaces vectoriels de E, alors E1 ∪ E2

n’est pas un sous-espace vectoriel à moins que E1 ⊂ E2 ou que E2 ⊂ E1 .

Exercice 3.6.4 Soient E1 , E2 deux sous-espaces vectoriels de E. Établir un isomorphisme

E1 /(E1 ∩ E2 ) ' (E1 + E2 )/E2 .

Exercice 3.6.5 Montrer qu’on peut avoir E = E1 + E2 + E3 , ainsi que

E1 ∩ E2 = E1 ∩ E3 = E2 ∩ E3 = {0},

bien que E 6' E1 ⊕ E2 ⊕ E3 .

Exercice 3.6.6 Démontrer les propositions 3.2.6 et 3.2.7

Exercice 3.6.7 1. Montrer que l’application de transposition A 7→ tA est une symétrie vec-
torielle sur Mn (K).
2. (2 6= 0 dans K) En déduire que les matrices symétriques (tA = A) ainsi que les matrices
antisymétriques (tA = −A) forment des sous-espaces vectoriel SMn (K) et AMn (K) res-
pectivement de Mn (K), et que

Mn (K) ' SMn (K) ⊕ AMn (K).

Exercice 3.6.8 Soient F, P et I les ensembles de toutes les fonctions R → R, des fonctions
paires et des fonctions impaires, respectivement. Montrer que P et I sont des sous-espaces
vectoriels de F et que F ' P ⊕ I en exhibant une symétrie de F.

Exercice 3.6.9 Appliquer la théorie des symétries vectorielles à la conjugaison complexe σ

sur C vu comme espace vectoriel sur R.

Exercice 3.6.10 Montrer que Vect est un opérateur de clôture : on a toujours X ⊂ Vect(X) =
Vect(Vect(X)) et si X1 ⊂ X2 , alors Vect(X1 ) ⊂ Vect(X2 ).

Exercice 3.6.11 Montrer que l’on a toujours Vect(∪s∈S Xs ) = ∑s∈S Vect(Xs ).

Exercice 3.6.12 Montrer que l’on a toujours Vect(U)◦ = U ◦ et ◦ Vect(X) = ◦ X.

Exercice 3.6.13 1. Montrer que si L est une partie libre de E et S ⊂ L, alors S est aussi
libre.
2. Montrer que si G est une partie génératrice de E et G ⊂ S, alors S est aussi une partie
génératrice de E.
3.6 Exercices 59

3. Montrer que si B et B0 sont deux bases distinctes de E, alors B 6⊂ B0 et B0 6⊂ B.

Exercice 3.6.14 1. On rappelle que, pour tout i = 1, . . . , n, on pose 1i = (0, . . . , 0, 1, 0, . . . , 0)

avec 1 à la i-ème place. Montrer que (11 , . . . , 1n ) est une base de K n .
2. On rappelle que, pour tout i = 1, . . . , n, on pose pi (x1 , . . . , xn ) := xi . Montrer que (p1 , . . . , pn )
est une base de l’espace des formes linéaires sur K n .
3. Peut-on donner une base de 0/ ? de {0} ? de K ? de K N (réfléchir seulement) ?
4. Donner une base de Mn×m (K).

Exercice 3.6.15 Donner une base de C comme espace vectoriel sur R, puis de son dual, puis
du quotient C/R.

Exercice 3.6.16 Si X est un ensemble quelconque, on note 1x : X → K l’unique application

telle que 
1 si x = y
1x (y) =
0 sinon.
Montrer que {1x }x∈X est une base de F f (X, K) := { f : X → K / |supp( f )| < +∞}. Interpréta-
tion en terme de familles.

Exercice 3.6.17 1. Établir un isomorphisme entre K (N) et K[T ] afin de montrer que {T d }d∈N
est une base de K[T ].
2. Soit S un ensemble de polynômes non nuls. Montrer que si pour tout d ∈ N, il existe au
plus (resp. au moins, resp. exactement) un P ∈ S avec deg P = d, alors S est libre (resp.
générateur, resp. une base).
3. Dire dans chaque cas si la condition nécessaire.
4. Énoncer les résultats analogues pour le sous-espace K[T ]≤n des polynômes de degré au
plus n.

Exercice 3.6.18 Soit K un corps à q éléments. Combien y a-t-il d’éléments dans K n ? Montrer
qu’il existe exactement

(qn − 1)(qn − q)(qn − q2 ) · · · (qn − qr−1 )

familles libres de r vecteurs dans K n pour r ≤ n. Combien y a-t-il de bases ordonnées dans K n ?
Explicitez les cas n, q ≤ 3 (un corps a au moins 2 éléments).

Exercice 3.6.19 Soient B1 et B2 des bases de sous-espace vectoriels E1 et E2 de E. Montrer

que E = E1 ⊕ E2 si et seulement si B1 ∪ B2 est une base de E et B1 ∩ B2 est une base de {0E }.

Exercice 3.6.20 Montrer que la famille (v1 , v2 ), avec v1 := (1, 1, 1) et v2 := (1, 2, 3), est libre
et compléter en une base de R3 .

Exercice 3.6.21 Soient F un sous-espace vectoriel de E et π : E  E/F l’application quotient.

1. Montrer que si B est une base de E, il existe L ⊂ B et une base D de E/F telle que π
induise une bijection L ' D.
2. Montrer que si C est une base de F et D une base de E/F, il existe une base B de E tel
que C ⊂ B et π induit une bijection B \C ' D.

Exercice 3.6.22 Montrer qu’une application linéaire α : E → F est injective si et seulement si

il existe β : F → E linéaire telle que β ◦ α = IdE . Montrer qu’une application linéaire β : E → F
est surjective si et seulement si il existe α : F → E linéaire telle que β ◦ α = IdF .
II
Seconde partie

4 Dimension . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.1 Dimension
4.2 Rang
4.3 Changement de base
4.4 Dual (fin)
4.5 Exercices

5 Trace et déterminant . . . . . . . . . . . . . . . . 79
5.1 Application multilinéaire
5.2 Produit tensoriel
5.3 Trace
5.4 Puissance extérieure
5.5 Déterminant
5.6 Exercices

6 Classification des endomorphismes . . 99

6.1 Polynôme annulateur
6.2 Diagonalisation
6.3 Endomorphisme nilpotent
6.4 Trigonalisation
6.5 Exercices
 4. Dimension

On fixe toujours un corps de scalaires K.

Remarque On pourra généraliser certaines notions et certains résultats aux modules sur un anneau
mais la plupart des énoncés ne sont valides que sur un corps.

4.1 Dimension
Théoreme 4.1.1 Soit E un espace vectoriel. Si L (resp. G) une partie libre (resp. génératrice) de
E, alors card(L) ≤ card(G).

Démonstration Supposons pour commencer que card(L) = m et card(G) = n sont finis, et écrivons

L = {x1 , . . . , xm } et G = {y1 , . . . , yn }.

On peut toujours supposer que y1 = x1 , . . . , yr = xr (avec éventuellement r = 0). Supposons r < m

et écrivons xr+1 = a1 y1 + · · · + an yn . Il existe nécessairement k > r tel que ak 6= 0 sinon on aurait

xr+1 = a1 y1 + · · · + ar yr = a1 x1 + · · · + ar xr ,

ce qui est impossible car L est libre. On considère alors G0 := {y01 , . . . , y0n } avec

 xi si 1 ≤ i ≤ r + 1
y0i = yi−1 si r + 1 < i < k
yi si k < i ≤ n


On a
ai 1
yk = ∑ − yi + xr+1 ∈ Vect(G0 )
i6=k ak ak

si bien que G ⊂ Vect(G0 ) et G0 est donc aussi générateur. On peut alors remplacer G par G0 , et donc
r par r + 1, et ainsi de suite jusqu’à arriver à r = m si bien que m ≤ n.
64 Chapitre 4. Dimension

Si on suppose maintenant que G est fini mais que L est infini, on arrive à une contradiction : en
effet, il suffit de considérer une partie finie de L qui a plus d’éléments que G.
Il reste à traiter le cas ou G est infini. Pour tout x ∈ L, il existe une partie finie Sx ⊂ G telle que
x ∈ Vect(Sx ). Maintenant, si S est une partie finie de G, on pose LS := {x ∈ L, Sx = S} ⊂ Vect(S).
Puisque S et LS sont finis et que LS est libre, on a card(LS ≤ card(S). D’autre part, on a aussi
L = ∪S LS . On conclut alors par la suite d’inégalités

card(L) ≤ ∑ card(LS ) ≤ ∑ card(S) = card(G),

S S

la dernière égalité étant toujours vraie pour un ensemble infini. 

Corollaire 4.1.2 Deux bases d’un même espace vectoriel E ont même cardinal. 

Définition 4.1.3 Soit E un espace vectoriel. Si B est une base de E, alors la dimension de E est

dim E := card(B).

On dit que E est une droite (resp. un plan) si dim E = 1 (resp. = 2). Si F est un sous-espace
vectoriel de E, la codimension de F dans E est

codimE (F) = dim E/F.

Exemple 1. On a dim K n = n, et en particulier, dim K = 1 et dim{0} = 0. Plus généralement

(S)
dim K = card(S).
2. On a dim t K n = n, dim K n /K m = n − m et dim Mn×m (K) = mn.
3. On a dim K[T ] = card(N) < card(R) = dim K N .
4. Un espace vectoriel est de dimension n si et seulement si il est isomorphe à K n . Par exemple,
E est une droite (resp. un plan) si et seulement si il est isomorphe à K (resp. K 2 ). Plus
généralement, dim E = card(S) si et seulement si E ' K (S) .
5. On dira que les vecteurs de X ⊂ E sont colinéaires (resp. coplanaires) si Vect(X) est contenu
dans une droite (resp. un plan).

Remarque 1. Deux espaces vectoriels sont isomorphes si et seulement si ils ont même dimen-
sion :
E ' F ⇔ dim E = dim F
Attention cependant, K[T ] et K N , bien que tous deux de dimension infinie, ne sont pas
isomorphes.
2. Un sous-espace vectoriel H de E est un hyperplan si et seulement si codimE (H) = 1.
3. Si A est un anneau, alors un A-module est dit de type fini (resp. libre de rang fini) s’il existe
une partie génératrice (resp. une base) finie.
4. Lorsque A est commutatif, le corollaire 4.1.2 est toujours valide mais on parle alors de rang
(au lieu de dimension).

On a la conséquence suivante du théorème 4.1.1 :

Corollaire 4.1.4 Soit E un espace vectoriel.

1. Si L ⊂ E est une partie libre, alors card(L) ≤ dim E.
2. Si G ⊂ E est une partie génératrice, alors card(G) ≥ dim E.
3. Si B ⊂ E est une base, alors card(B) = dim E. 
4.1 Dimension 65

Exemple 1. Les vecteurs (2, 3, 5, 7), (3, 5, 7, 11), (5, 7, 11, 13), (7, 11, 13, 17), (11, 13, 17, 19) sont
liés dans R4 .
2. Les polynômes X 3 − 1, X 3 − X et X 3 − X 2 n’engendrent pas R[X]≤3 .

Proposition 4.1.5 Soient E un espace vectoriel de dimension finie et X ⊂ E avec card(X) =

dim E. On a alors
X libre ⇔ X base ⇔ X generateur.

Démonstration Grâce au théorème de la base incomplète, si X est libre (resp. générateur), il est
contenu dans (resp. contient) une base B qui a même nombre d’éléments que X et on a donc X = B
(car ce sont des ensembles finis). .

Remarque 1. Ce résultat est faux en dimension infinie.

2. Inversement, si card(X) > dim E, alors X est lié et si card(X) < dim E, alors Vect(X) 6= E
(ces résultats sont encore valides en dimension infinie par contre).

Proposition 4.1.6 Soit u : E → F une application linéaire.

1. (a) Si u est injective, alors dim E ≤ dim F,
(b) Si u est surjective, alors dim E ≥ dim F,
(c) Si u est bijective, alors dim E = dim F.
2. Si E et F sont de même dimension finie, on a

u injective ⇔ u bijective ⇔ u surjective.

Démonstration 1. Soit B une base de E. On a toujours card(B) ≥ card(u(B)) et on sait que si

u est surjective, alors u(B) est générateur. Il suit que

dim E = card(B) ≥ card(u(B)) ≥ dim F.

Si u est injective, on a en fait card(B) = card(u(B)) et on sait aussi que u(B) est libre si bien
que
dim E = card(B) = card(u(B)) ≤ dim F.
2. Si dim E = dim F, on obtient dans les deux cas une suite d’égalités

dim E = card(B) = card(u(B)) = dim F,

et en dimension finie, on conclut en appliquant la proposition 4.1.5 à u(B). 

Remarque 1. Comme cas particulier important, on voit que si E un espace vectoriel de dimen-
sion finie et u ∈ L(E), on a la suite d’équivalences de la seconde partie de la proposition
4.1.6.
2. Par contre, ce n’est plus vrai en dimension infinie.

Corollaire 4.1.7 Soient A, B ∈ Mn (K). Si AB = I, alors A, B ∈ GLn (K), A−1 = B et B−1 = A.

Démonstration Soient u, v ∈ L(K n ) les endomorphismes correspondants à A et B respectivement.

On a alors u ◦ v = Id et il suit que v est injective et u est surjective. Ces applications sont donc toutes
deux bijectives grâce à la proposition 4.1.6 et il suit que et A et B sont inversibles. 
 66 Chapitre 4. Dimension

Remarque 1. Rappelons que dans un monoïde G, un élément g est inversible s’il existe un autre
élément h (que l’on note ensuite g−1 ) tel que gh = hg = 1. La condition gh = 1 n’implique
pas forcément la condition symétrique hg = 1. Ce corollaire nous dit que c’est cependant le
cas pour les matrices.
2. Même dans le cas n = 2, le fait que AB = I implique BA = I est loin d’être immédiat.
3. Ce corollaire illustre le fait que l’on peut obtenir des propriétés fondamentales des matrices
grâce à la théorie des applications linéaires.
4. Plus généralement, si on a u ◦ v = Id dans L(E) alors u ∈ GL(E) lorsque en dimension finie.
5. Ce dernier énoncé est faux en dimension infinie.

Corollaire 4.1.8 Soient E un espace vectoriel de dimension finie et u ∈ L(E). Soit E 0 un sous-
espace vectoriel de E stable par u. Soient u0 ∈ L(E 0 ) et u00 ∈ L(E/E 0 ) les application induites.
On a alors
u ∈ GL(E) ⇔ u0 ∈ GL(E 0 ) et u00 ∈ GL(E/E 0 ).

Démonstration Puisque les espaces sont de dimension finie, les notions d’injectivité, surjectivité
et bijectivité coïncident et l’assertion est alors une conséquence immédiate de la remarque suivant
la proposition 2.6.7. 

Remarque 1. Le couple (E, u) peut-être vu comme un K[T ]-module, le couple (E 0 , u0 ) comme

un sous-module de (E, u) et le couple (E/E 0 , u00 ) correspond alors vraiment au quotient des
modules.
2. Comme conséquence du corollaire, si on se donne une matrice triangulaire par blocs
 0 
A ?
A=
0 A00

on voit que A est inversible si et seulement si A0 et A00 sont inversibles (quoi qu’il y ait en
haut à droite).

4.2 Rang
Proposition 4.2.1 Si (Es )s∈S est une famille d’espaces vectoriels sur K, on a
M
dim Es = ∑ dim Es .
s∈S s∈S

Démonstration On se donne pour tout s ∈ S une base Bs de Es et on pose B := ts∈S Bs . Il résulte

alors formellement des propriétés universelles de la somme directe que K (B) ' ⊕s∈S K (Bs ) (exercice).


Exemple 1. Si E1 , . . . , En sont des espaces vectoriels, alors

dim E1 × · · · × En = dim E1 + · · · + dim En

2. Si les Es sont supplémentaires dans un espace vectoriel E, alors dim E = ∑s∈S dim Es .

Corollaire 4.2.2 Si F est un sous-espace vectoriel d’un espace vectoriel E, alors

dim E = dim F + codimE (F)

4.2 Rang 67

Démonstration On sait que si G est un supplémentaire pour F, on a un isomorphisme G ' E/F

si bien que dim G = dim E/F = codimE (F). On aura donc

dim F + codimE (F) = dim F + dim G = dim E. 

Théoreme 4.2.3 — du rang. Si u : E → F est une application linéaire, alors

dim E = dim ker u + dim im u.

Démonstration On dispose de l’isomorphisme de Noether E/ ker u ' im u et on en déduit que

codimE (ker u) = dim im u. 

Corollaire 4.2.4 — Relation de Grassmann. Si E1 et E2 sont deux sous-espaces vectoriels de

E, on a
dim E1 + dim E2 = dim(E1 + E2 ) + dim(E1 ∩ E2 ).

Démonstration On considère l’application canonique E1 × E2 → E. Son image est E1 + E2 par

définition et son noyau est isomorphe à E1 ∩ E2 via x 7→ (x, −x) (exercice). Il suit que

dim E1 + dim E2 = dim(E1 × E2 ) = dim(E1 + E2 ) + dim(E1 ∩ E2 ). 

Remarque 1. Une suite exacte courte est une suite d’applications linéaires

E 0 → E → E 00
ι π

avec ι injective, im ι = ker π et π surjective. On a alors

dim E = dim E 0 + dim E 00 .

2. Plus généralement, une suite exacte longue est une suite d’applications linéaires ui : Ei → Ei+1
telles que im ui = ker ui+1 . Si les espaces Ei sont de dimension finie et presque tous nuls, on
aura
∑ (−1)i dim Ei = 0.
i∈N

Définition 4.2.5 1. Si E est un espace vectoriel et X ⊂ E, alors le rang de X est

rang(X) := dim Vect(X).

2. Si u : E → F est une application linéaire, alors le rang de u est

rang(u) := dim im u.

Remarque 1. On remarquera que si E est un espace vectoriel quelconque, alors rang(E) =

dim(E) puisque Vect(E) = E. Autrement dit, on pourrait se passer de la notion de dimension
qui devient un cas particulier de celle de rang. C’est d’ailleurs ce que l’on fait en théorie des
modules sur un anneau.
2. Avec cette nouvelle définition, le théorème du rang nous dit donc que

dim E = dim ker u + rang(u).

68 Chapitre 4. Dimension

3. Pour calculer le rang d’une application linéaire u : E → F, on peut se ramener à calculer

le rang d’une partie : en effet, si G est une partie génératrice de E et Y = u(G), alors
rang(u) = rang(Y ).
4. On définit le rang d’une matrice A comme étant le rang de l’application linéaire u : K m → K n
correspondante. Si X désigne l’ensemble des colonnes de A, on aura donc aussi

rang(A) = rang(X).

Pour A ∈ Mn (K), on a
rang(A) = n ⇔ A ∈ GLn (K).
5. Le rang du système linéaire

 a1,1 x1 · · · + a1,m xm = 0

S := ..
 .
an,1 x1 · · · + an,m xm = 0.


est le rang de la matrice A := [ai, j ] associée. Si on pose pour tout i = 1, . . . , n,

ϕi := ai,1 p1 + · · · + ai,m pm ∈ t K m

et U := {ϕ1 , . . . , ϕn }, on voit aussi que

rang(S ) = rang(U).

Proposition 4.2.6 1. Si X est une partie d’un espace vectoriel E, on a rang(X) ≤ card(X) et
rang(X) ≤ dim E. De plus,
(a) Si X est libre, alors rang(X) = card(X).
(b) Si X est générateur, alors rang(X) = dim E.
Dans les deux cas, la réciproque est vraie si rang(X) est fini, et en particulier, si X ou
dim E est fini.
2. Si u : E → F est une application linéaire, alors rang(u) ≤ dim F et rang(u) ≤ dim E. De
plus,
(a) Si u est surjective, alors rang(u) = dim F et la réciproque est vraie si F est de
dimension finie.
(b) Si u est injective, alors rang(u) = dim E et la réciproque est vraie si E est de dimen-
sion finie.

Démonstration 1. Par définition, X est une partie génératrice de F := Vect(X) et on a rang(X) :=

dim F. Comme X est génératrice, on a bien dim F ≤ card(X) et comme F ⊂ E, on a
dim F ≤ dim E.
(a) Supposons que X soit libre. Alors c’est une base de F et on a donc card(X) = dim F.
Réciproquement, supposons que card(X) = dim F et que ce nombre soit fini. Alors,
comme X est générateur de F, c’est nécessairement une base de F et il est donc libre.
(b) Supposons maintenant que X engendre E. Nous sommes alors dans le cas F = E et on
a donc bien sûr dim F = dim E. Réciproquement, si dim F = dim E et que ce nombre
est fini, comme F est un sous-espace vectoriel de E, on a obligatoirement F = E.
2. On peut choisir une base B de E et considérer Y = u(B) si bien que rang(u) = rang(Y ) et
on sait alors que rang(Y ) ≤ dim F. De plus, comme l’application B → Y est surjective, on a
rang(Y ) ≤ rang(B) = dim E.
 4.3 Changement de base 69

(a) On sait que u est surjective si et seulement si Y est générateur auquel cas rang(Y ) =
dim F, et que la réciproque est vraie si ce nombre est fini.
(b) On sait aussi que u est injective si et seulement si Y est libre et u induit une bijection
entre B et Y (ceci exprime le fait que la famille est libre). Cela implique que rang(Y ) =
card(Y ) = card(B) = dim E et la réciproque est vraie si ce nombre est fini. 

Proposition 4.2.7 Soient u : E → F et v : F → G deux applications linéaires. Alors,

1. si u est surjective, rang(v ◦ u) = rang(v).
2. si v est injective, rang(v ◦ u) = rang(u).

Démonstration En effet, si u est surjective, alors im(v ◦ u) = im(v) et si v est injective, alors
im(v ◦ u) = v(im u) ' im u (exercice). 

Remarque 1. Comme conséquence, on voit que si A ∈ Mn×m (K) et P ∈ GLn (K) (resp. P ∈
GLm (K)), alors

rang(PA) = rang(A), (resp. rang(AP) = rang(A)).

2. En particulier, une suite d’opérations élémentaires ne change pas le rang d’une matrice. En
effet, opérer sur les lignes (resp. colonnes) revient à multiplier à gauche (resp. droite) par une
matrice inversible (celle obtenue en faisant les mêmes opérations sur la matrice unité I).

4.3 Changement de base

Dans cette section, tous les espaces sont de dimension finie.

Remarque Le contenu de cette section (à part le dernier résultat qui s’appuie sur l’algorithme
du pivot de Gauss) s’applique mutatis mutandis aux modules libres de rang fini sur un anneau
commutatif.

On rappelle qu’une base ordonnée d’un espace vectoriel (de dimension finie) E sur K est une
famille B := (e1 , . . . , en ) de vecteurs de E telle que l’unique application linéaire Φ : K n → E, 1i 7→ ei
soit bijective. L’application réciproque Φ−1 : E → K n est celle qui envoie un vecteur x sur ses
composantes (x1 , . . . , xn ) dans la base B.
Définition 4.3.1 Soient u : E → F une application linéaire, B (resp. C ) une base ordonnée de
E (resp. F) et Φ : K m ' E (resp. Ψ : K n ' F) l’isomorphisme associé. Alors, la matrice de u
dans les base B et C est
 
[u]B
C := Mat B
C (u) := [Ψ−1 ◦ u ◦ Φ].

Remarque 1. Lorsque E = F et B = C , on écrira [u]B (ou MatB (u)) tout simplement si bien
que
[u]B = [Φ−1 ◦ u ◦ Φ].
et on dira que c’est la matrice de u dans la base B.
2. Si on utilise comme d’habitude l’isomorphisme canonique L(K, E) ' E pour voir n’importe
quel x ∈ E comme une application linéaire ix : K → E, et qu’on munit K de sa base canonique,
la matrice de x dans la base B est est donc le vecteur colonne
−1
[x]B := [ix ]can
B = [Φ (x)]
70 Chapitre 4. Dimension

3. Si B = (e1 , . . . , en ) est une base de E, on aura


x1
x = x1 e1 + · · · + xn en ⇔ [x]B =  ...  .
 

xn

Autrement dit, la matrice de x est le vecteur colonne des composantes de x dans la base B.
4. On en déduit que, si on note B = (e1 , . . . , em ) et C = ( f1 , . . . , fn ) des bases de E et F
respectivement, alors
[u]B
C = [[u(e1 )]C · · · [u(em ]C ] .

Autrement dit, les colonnes de la matrice de u sont les matrices dans la base C des images
par u des vecteurs de la base B. On a donc

[u]B
C = [ai, j ] ⇔ ∀ j = 1, . . . , m, u(e j ) = a1, j f 1 + · · · + an, j f n .

Exemple 1. La matrice de la dérivation K[T ] ≤ n + 1 → K[T ]≤n−1 , P 7→ P0 dans les bases

canoniques est  
0 1 0 ··· 0
 .. . . . . .. 
 .
 . 2 . . 
.
 .. .. .. 
 . . . 0 
0 ··· ··· 0 n
 
1 0
2. La matrice de la conjugaison complexe dans la base canonique de C est .
0 −1

Proposition 4.3.2 Soient u : E → F et v : F → G deux applications linéaires et B, C , D des

bases ordonnées de E, F, G respectivement. On a alors

[v ◦ u]B C B
D = [v]D [u]C .

Démonstration Si on désigne par Φ : K m ' E, Ψ : K n ' F et R : K p ' G les isomorphismes

associés respectivement aux bases B, C , D, on a
[v]CD [u]B
C = [R−1 ◦ v ◦ Ψ][Ψ−1 ◦ u ◦ Φ]
= [R−1 ◦ v ◦ Ψ ◦ Ψ−1 ◦ u ◦ Φ]
= [R−1 ◦ (v ◦ u) ◦ Φ]
= [v ◦ u]B
D.

Remarque 1. On voit donc que le choix des bases nous fournit un isomorphisme d’espaces
vectoriels
L(E, F) ' Mn×m (K)
et que la composition des applications correspond à la multiplication des matrices.
2. À toute une base ordonnée B d’un espace vectoriel E de dimension n, on peut donc associer,
grâce à la proposition, un isomorphisme d’algèbres

L(E) ' Mn (K), u 7→ [u]B

et donc aussi un isomorphisme de groupes

GL(E) ' GLn (K), u 7→ [u]B .

4.3 Changement de base 71

3. Comme cas particulier de la proposition, on voit que si x ∈ E, on aura

[u(x)]C = [u]B
C [x]B .

Cela signifie que si B = (e1 , . . . , em ), C = ( f1 , . . . , fn ) et la matrice de u dans les bases B et

C est [ai, j ], on aura !
m n m
u ∑ x je j = ∑ ∑ ai, j x j fi .
j=1 i=1 j=1

Autrement dit, si les composantes de x sont (x1 , . . . , xm ), alors celles de u(x) seront

(a1,1 x1 + · · · + a1,m xm , . . . , an,1 x1 + · · · + an,m xm ).

Définition 4.3.3 Soient B et B 0 deux bases d’un même espace vectoriel E. La matrice de
passage de B à B 0 est la matrice
P := [IdE ]B
0
B.

On dit que B 0 est la nouvelle base et que B est l’ancienne base.

Remarque 1. Attention : on munit l’espace de départ de la nouvelle base B 0 et l’espace

d’arrivée de l’ancienne base B. Autrement dit si B = (e1 , . . . , en ) et B 0 = (e01 , . . . , e0n ), on a

P = [e01 ]B · · · [e0n ]B .
 

On écrit donc les vecteurs de la nouvelle base en colonnes en les exprimant dans l’ancienne
base.
2. Lorsque E = K n est muni de sa base canonique et qu’on considère une autre base B =
(e1 , . . . , en ), la matrice de passage sera donc naturellement P = [[e1 ] · · · [en ]] .

Proposition 4.3.4 Soient B et B 0 deux bases d’un même espace vectoriel E de dimension n, et
P la matrice de passage de B à B 0 . Alors,
1. On a P ∈ GLn (K) et P−1 est la matrice de passage de B 0 à B
2. Soient u : E → F une application linéaire, C et C 0 deux bases de F et Q la matrice de
passage de C à C 0 . Soient A (resp. A0 ) la matrice de u dans les bases B et C (resp. B 0 et
C 0 ). On a alors
A0 = Q−1 AP.

Démonstration 1. Il suffit de remarquer que

[IdE ]B B B
0
B [IdE ]B 0 = [IdE ◦ IdE ]B = [IdE ]B = I

(et inversement).
2. Ici encore, il suffit de calculer

[IdF ]CC 0 [u]B B B B

0 0 0
C IdE ]B = [IdF ◦ u ◦ IdE ]C 0 = [u]C 0 . 

Remarque 1. S’il existe deux matrices inversibles P, Q telles que A0 = Q−1 AP, on dit que A et
0
A sont équivalentes. On voit donc que les matrices d’une même application linéaires dans
différentes bases sont toujours équivalentes (à défaut d’être égales).
2. La réciproque aussi est vraie : si A = [u]B 0
C avec u ∈0 L(E, F) et A est équivalente à A, alors il
0 0 0 B
existe d’autres bases B et C telles que A = [u]C 0 .
 72 Chapitre 4. Dimension

3. Comme cas particulier de la proposition, on a le résultat suivant : soient B et B 0 deux bases

d’un même espace vectoriel E et u ∈ L(E). Soit A (resp. A0 ) la matrice de u dans B (resp.
B 0 ). On a alors
A0 = P−1 AP.

4. S’il existe une matrice inversible P telles que A0 = P−1 AP, on dit que A et A0 sont semblables.
On voit donc que les matrices d’un même endomorphisme dans deux bases différentes sont
toujours semblables.
5. La réciproque aussi est vraie : si A = [u]B avec u ∈ L(E) et A0 est semblable à A, alors il
existe une autre base B 0 de E telle que A0 = [u]B0 .

Proposition 4.3.5 Deux matrices sont équivalentes si et seulement si elles ont même rang.

Démonstration On a vu dans la remarque suivant la proposition 4.2.7 que le rang ne change pas
quand on multiplie à droite ou à gauche par une matrice inversible. Inversement, si on se donne une
matrice quelconque A, la méthode du pivot de Gauss nous permet d’opérer sur les lignes et sur les
colonnes de A pour obtenir la matrice par blocs
 
Ir 0
.
0 0

Or une opération élémentaire n’est rien d’autre qu’une multiplication par une matrice élémentaire,
qui est toujours inversible. Deux matrices de rang r seront donc équivalentes à la même matrice, et
donc équivalentes entre elles. .

4.4 Dual (fin)

Lemme 4.4.1 Soient E un espace vectoriel et B := (ei )i∈I une base ordonnée de E. Alors,
1. il existe pour tout i ∈ I un unique t ei ∈ t E tel que

1 si i = j
∀i, j ∈ I, t ei (e j ) =
0 sinon

2. La famille t B := (t ei )i∈I est libre dans t E.

3. Si x ∈ E, alors t ei (x) est la i-ème composante de x et on a donc

x = ∑ t ei (x)ei . (4.1)
i∈I

4. Si E est de dimension finie, alors on a pour tout ϕ ∈ t E,

ϕ = ∑ ϕ(ei )t ei . (4.2)
i∈I

Démonstration 1. L’existence comme l’unicité des t ei résultent de la propriété universelle des

bases (première assertion de la proposition 3.3.10).
2. Supposons que ∑i∈I ait ei = 0 dans t E. On aura alors pour tout j ∈ I,
!
0= ∑ ait ei (e j ) = ∑ ait ei (e j ) = a j .
i∈I i∈I
4.4 Dual (fin) 73

3. Si x ∈ E, on peut écrire x = ∑i∈I xi ei avec xi ∈ K, et on aura donc pour tout i ∈ I,

!
t
ei (x) = t ei ∑ x je j = ∑ x j t ei (e j ) = xi .
j∈I j∈I

On en déduit la formule (4.1).

4. Si x ∈ E, on a
! !
∑ ϕ(ei )t ei (x) = ∑ ϕ(ei )t ei (x) = ∑ t ei (x)ϕ(ei ) = ϕ ∑ t ei (x)ei = ϕ(x). 
i∈I i∈I i∈I i∈I

Remarque Si on désigne par Φ : K (I) ' E l’isomorphisme donné par la base B, alors les formes
linéaires t ei sont les composantes de l’application Φ−1 : E → K (I) .

Proposition 4.4.2 Si E est un espace vectoriel de dimension finie alors t E aussi et on a

dim t E = dim E.

En fait, si B est une base de E, alors t B est une base de t E. De plus, l’application canonique
E → tt E est un isomorphisme.

Démonstration Si B est une base de E, alors t B est libre comme on l’a vu dans le lemme en 2)
et engendre t E grâce à l’assertion 4) du même lemme. C’est donc bien une base. Pour montrer la
dernière assertion, on utilise d’abord la première partie qui nous dite que dim tt E = dim t E = dim E.
Comme on sait que l’application canonique E → tt E est linéaire et injective par le corollaire 3.5.8,
c’est un isomorphisme grâce à la partie 2) de la proposition 4.1.6. 

Exemple 1. La base duale de la base canonique (1n , . . . , 1n ) de K n est (p1 , . . . , pn ).

2. La base duale de la base canonique (1, i) de C sur R est (ℜ, ℑ).

Proposition 4.4.3 Soient u : E → F une application linéaire entre espaces vectoriels de dimen-
sion finies et B, C des bases de E et F respectivement. Si A est la matrice de u dans les bases B
et C , alors la matrice t u dans les bases t C et t B est t A.

Démonstration On écrit comme d’habitude B := (e1 , . . . , em ) et C := ( f1 , . . . , fn ). On sait que l’on

a toujours u(e j ) = a1, j f1 + · · · + an, j fn et on veut montrer l’égalité t u(t fi ) = ai,1t e1 + · · · + ai,mt em .
En utilisant la formule (4.2), il suffit de remarquer que
!
n n
t t t t
u( fi )(e j ) = fi (u(e j )) = fi ∑ ak, j fk = ∑ ak, j t fi ( fk ) = ai, j .
k=1 k=1

Remarque 1. L’égalité (4.2) nous montre que si B est une base d’un espace vectoriel de
dimension finie E et que ϕ ∈ t E, on a

[ϕ]t B = t [ϕ]B
can ,

(formule à rapprocher de [x]B = [ix ]can

B ).
74 Chapitre 4. Dimension

2. Si B et B 0 := (e0i )ni=1 sont deux bases d’un même espace vectoriel de dimension finie E, la
matrice de passage de B 0 à B est

[t e01 ]B
 
can
P−1 =  ..
.
 
.
t 0
[ en ]can B

3. Dans le cas ou on passe de la base canonique de K n à une nouvelle base B := (ei )ni=1 , la
formule devient  t 
[ e1 ]
P−1 =  ...  .
 

[t en ]

et on retrouve la définition de la base duale en effectuant le produit P−1 P = I.

Corollaire 4.4.4 Soient E un espace vectoriel et F un sous-espace vectoriel de codimension

finie. On a alors
dim F + dim ◦ F = dim E.

Démonstration On a vu dans la proposition 2.6.6 que ◦ F ' t (E/F) et on a donc en particulier

dim ◦ F = dim t (E/F). D’autre part, on suppose que dim E/F := codimE (F) est finie si bien que
dim t (E/F) = dim E/F. Finalement, on a vu dans le corollaire 4.2.2 que dim F + codimE (F) =
dim E. 

Lemme 4.4.5 Soit E un espace vectoriel de dimension finie. Si U ⊂ t E, l’isomorphisme cano-

nique E ' tt E induit un isomorphisme U ◦ ' ◦U. De plus, on a ◦ (U ◦ ) = (◦U)◦ .

Démonstration Par définition, si on note Φ cet isomorphisme, on a Φ(x)(ϕ) = ϕ(x) pour x ∈ E

et ϕ ∈ t E. En particulier, on voit que x ∈ U ◦ ⇔ Φ(x) ∈ ◦U. Et on en déduit alors que

ϕ ∈ ◦ (U ◦ ) ⇔ ∀x ∈ U ◦ , ϕ(x) = 0
◦
⇔ ∀x ∈ U , Φ(x)(ϕ) = 0
◦
⇔ ∀u ∈ U u(ϕ) = 0
◦ ◦
⇔ ϕ ∈ ( U) . 

Théoreme 4.4.6 Si E est un espace vectoriel de dimension finie, on dispose d’une bijection

F 7−→ ◦ F
{sous-espaces vectoriels de E} {sous-espaces vectoriels de t E}
U ◦ →−7 U

qui renverse l’ordre et échange somme et intersection.

Démonstration Grâce à la proposition 4.4, il faut juste s’assurer que les deux applications sont
réciproques l’une de l’autre. Or, on a vu dans la proposition 3.5.5 que si F est un sous-espace
vectoriel de E, alors (◦ F)◦ = F. En appliquant cela à U ⊂ t E et en utilisant le lemme, on obtient
aussi U = ◦ (U ◦ ). 
4.4 Dual (fin) 75
Nous avons vu dans la proposition 2.5.4 et dans la seconde partie de la proposition que si
u : E → F est une application linéaire, on a

ker t u = ◦ im u et im t u = ◦ ker u.

On en déduit alors :
Corollaire 4.4.7 Si u : E → F est une application linéaire entre espaces vectoriels de dimension
finie, on a
ker u = (im t u)◦ et im u = (ker t u)◦ . 

Corollaire 4.4.8 Soit u : E → F une application linéaire entre espaces vectoriels de dimension
finie. On a alors
1. u injective ⇔ t u surjective.
2. u surjective ⇔ t u injective.
3. u bijective ⇔ t u bijective. 

Corollaire 4.4.9 Si u : E → F est une application linéaire entre espaces vectoriels de dimension
finie, on a
rang t u = rang u. 

Remarque Comme cas particulier, on voit que si A est une matrice quelconque, alors

rang t A = rang A

Autrement dit, le nombre maximum de lignes indépendantes est égal au nombre maximal de
colonnes indépendantes. Voici encore un résultat qui est loin d’être évident, et que nous déduisons
du formalisme général.

Corollaire 4.4.10 Soient E un espace vectoriel de dimension finie et U un sous-espace vectoriel

de t E. On a alors
dimU + dimU ◦ = dim E.

Exemple Si S est un système linéaire homogène de rang r à n variables, alors Sol(S ) est un
espace vectoriel de dimension n − r.
 76 Chapitre 4. Dimension

4.5 Exercices
Exercice 4.5.1 1. Quelle est la dimension de K n ?
2. Quelle est la dimension de t K n ?
3. Quelle est la dimension de K[T ] ?
4. Quelle est la dimension de K[T ]≤n ?
5. Quelle est la dimension de K[T ]/(P) si P est un polynôme de degré n ?
6. Quelle est la dimension de Mn×m (K) ?
7. Quelle est la dimension de K n /K m ?

Exercice 4.5.2 1. Quelle est la dimension de C comme espace vectoriel sur C ?

2. Quelle est la dimension de C comme espace vectoriel sur R ?
3. Quelle est la dimension de C comme espace vectoriel sur Q ?

Exercice 4.5.3 1. Les vecteurs

(2, 3, 5, 7), (3, 5, 7, 11), (5, 7, 11, 13), (7, 11, 13, 17), (11, 13, 17, 19)

sont ils linéairement indépendants ?

2. Les polynômes X 3 − 1, X 3 − X et X 3 − X 2 engendrent-ils R[X]≤3 ?

Exercice 4.5.4 On désigne par B la base canonique de K[T ].

1. Montrer que L := B \ {T } est libre dans K[T ] et que card(L) = dim K[T ]. Est-ce que L est
une base de K[T ] ?
2. Montrer que G := B ∪ {T − 1} est génératrice de K[T ] et que card(G) = dim K[T ]. Est-ce
que G est une base de K[T ] ?

Exercice 4.5.5 1. Montrer que la dérivation sur R[T ] est linéaire et surjective. Est-elle
bijective ?
2. Montrer que l’intégration sur R[T ] (à partir de 0) est linéaire et injective. Est-elle bijective ?

Exercice 4.5.6 1. Montrer par un calcul que si A, X ∈ M2 (K) satisfont AX = I, on a aussi

XA = I. En déduire alors que A ∈ GL2 (K) et que X = A−1 .
2. Désignons par u la dérivation sur R[T ] et par v l’intégration (à partir de 0). Montrer que
u ◦ v = Id. A-t-on aussi v ◦ u = Id ?

Exercice 4.5.7 On se donne ι : E 0 → E injective, π : E → E 00 surjective et on suppose que

im ι = ker π. Montrer que dim E = dim E 0 + dim E 00 .

Exercice 4.5.8 Soient E un espace vectoriel de dimension finie et E1 , . . . , Ek des sous-espaces

vectoriels. Montrer que

dim E = ∑ki=1 dim Ei


k
E = ⊕i=1 Ei ⇔
∀i = 1, . . . , k, Ei ∩ ∑ j6=i E j = 0.

Exercice 4.5.9 1. Montrer que si u : E → F est linéaire et G engendre E, alors rang(u) =

rang(u(G)).
2. Montrer que si X est une partie d’un espace vectoriel E, alors le rang de X est égal au
rang de l’unique application linéaire u : K (X) → E, 1x 7→ x.

Exercice 4.5.10 Soient A ∈ Mn×m (K) et C1 , . . . ,Cm les vecteurs colonnes de A. Montrer que

rang(A) = rang({C1 , . . . ,Cm }).

4.5 Exercices 77

Exercice 4.5.11 Montrer que pour A ∈ Mn (K), on a rang(A) = n ⇔ A ∈ GLn (K).

Exercice 4.5.12 Déterminer une base de l’image et du noyau des matrices

   
  1 2 4 1 2 −1
1 2
, 7 5 1 , 2 3 −4  .
3 6
3 4 6 −3 −2 12

Exercice 4.5.13 1. Quelle est la matrice de la dérivation K[T ]≤n → K[T ]≤n−1 , P 7→ P0 dans
les bases canoniques ?
2. Quelle est la matrice de la conjugaison complexe dans la base canonique de C, vu comme
espace vectoriel sur R ?

Exercice 4.5.14 Pour a ∈ K, on désigne par ua : K[T ] → K[T ] l’unique morphisme d’algèbres
tel que ua (T ) = T − a.
1. Montrer que l’on a toujours ua ◦ ub = ua+b et que u0 = IdK[T ] .
2. En déduire que ua est un automorphisme de l’algèbre K[T ].
3. En déduire un morphisme de groupes K → GL(K[T ]).
4. Montrer que K[T ]≤n est stable par ua et en déduire que l’application induite ua,n est un
automorphisme de l’espace vectoriel K[T ]≤n .
5. Montrer que la matrice de ua,n dans la base canonique est inversible et retrouver le résultat
précédent.

Exercice 4.5.15 1. Quelle est la base duale de la base canonique (1n , . . . , 1n ) de K n ?

2. Quelle est la base duale de la base canonique (1, i) de C sur R ?

Exercice 4.5.16 Soient A ∈ Mn×m (K) et L1 , . . . , Ln les vecteurs lignes de A. Montrer que

rang(A) = rang({L1 , . . . , Ln }).

Exercice 4.5.17 Montrer que des vecteurs x1 , . . . , xn de K n forment une base si et seulement
si la matrice dont les colonnes (resp. les lignes) sont les vecteurs x1 , . . . , xn est inversible. En
déduire le cardinal de GLn (K) lorsque K est un corps à q éléments.

Exercice 4.5.18 Soient E un espace vectoriel de dimension finie et F, G deux sous espaces
vectoriels de E tels que E = F ⊕ G. Montrer que t E = ◦ F ⊕ ◦ G.

Exercice 4.5.19 Montrer que si S est un système linéaire homogène de rang r à m variables,
alors Sol(S ) est un espace vectoriel de dimension m − r.
78 Chapitre 4. Dimension
Exercice 4.5.20 — TP. On considère la matrice
 
9 0 −3
Q :=  0 10 0  ∈ Q3 .
−3 0 1
1
1. Montrer que P := 10 Q est une projection.
2. Déterminer le noyau et l’image de P.
3. Vérifiez que Q3 = ker P ⊕ im P.

Exercice 4.5.21 — TP. On considère les sous-espaces vectoriels F et G de Q4 engendrés

respectivement par

u1 := (1, −1, 2, 1), u2 := (2, 1, 1, −1), u3 := (−1, −5, 4, 5) et

v1 := (0, 1, 0, 0), v2 = (4, −5, 11, 7), v3 := (−1, 1, −3, −2).

Montrer que F ⊂ G et déterminez un supplémentaire H pour F dans G.

Exercice 4.5.22 — TP. On considère l’application

u : Q3 → Q3 , (x, y, z) 7→ (x + 2y + 4z, 7x + 5y + z, 3x + 4y + 6z)

et on pose
v1 := (1, 2, −3), v2 := (2, 3, −2), v3 := (−1, −4, 12).
1. Quelle est la matrice A de u (dans les bases canoniques) ? Déterminer le rang de u, donner
une base de ker u ainsi que de im u. Finalement, donner une équation de im u.
2. Montrer que (v1 , v2 , v3 ) est une nouvelle base de Q3 . Quelle est la matrice de passage P.
Calculer P−1 .
3. Quelle est la matrice de u dans la nouvelle base ?

Exercice 4.5.23 — TP. Calculer la comatrice de

 
3 2 −3
A :=  5 −1 −2  ∈ M3 (Q).
1 1 −1

En déduire que A est inversible et donner son inverse.

Exercice 4.5.24 — TP. On considère les vecteurs

x1 := (2, 1, 0, 2, −1, −2, −1, −1), x2 := (2, 2, 4, 1, −2, −2, −1, −3),

x3 := (1, 0, −2, 0, −3, 0, −1, −3), x4 := (0, 1, 2, −1, −1, −3, 1, 0),
x5 := (−1, 1, 1, 0, −1, −1, −1, 0), x6 := (4, 5, 5, 2, −8, −8, −3, −7),
x7 := (2, 2, −1, 2, −5, −3, −3, −4), y1 := (2, 2, 2, 1, −2, −5, 0, −1),
y2 := (1, 3, 5, 1, −3, −3, −2, −3) et y3 := (3, 3, 4, 0, −6, −5, −1, −6) ∈ Q8 .
1. Vérifier que les vecteurs y1 , y2 , y3 sont linéairement indépendants.
2. Montrer qu’ils sont tous dans F = Vect({x1 , . . . , x7 }).
3. Compléter y1 , y2 , y3 en une base de F (en utilisant les vecteurs x1 , . . . , x7 ).
 5. Trace et déterminant

Comme toujours, on fixe un corps de scalaires K.

Remarque Tout ce qui suit reste valable sur un anneau commutatif quelconque, quitte à remplacer
la notion d’espace vectoriel par celle de module et celle de dimension par celle de rang.

5.1 Application multilinéaire

Définition 5.1.1 Si
Φ : X1 × · · · × Xn → Y
est une application quelconque et

x1 ∈ X1 , . . . , xi−1 ∈ Xi−1 , xi+1 ∈ Xi+1 , . . . , xn ∈ Xn ,

alors, l’application
Xi → Y, xi 7→ Φ(x1 , . . . , xn )
est dite partielle.

Remarque 1. Les applications partielles associées à une application Φ : X ×Y → Z, sont donc

les applications X → Z, x 7→ Φ(x, y) à y fixé et Y → Z, y 7→ Φ(x, y) à x fixé.
2. Plus généralement, on peut définir les applications partielles associées à une application
Φ : ∏s∈S Xs 7→ Y .
3. Nous avons déjà rencontré la notion d’applications partielle juste après la proposition 3.1.5
sur les sommes directes. Ces deux notions coïncident bien dans les cas d’un produit fini.

Définition 5.1.2 Soient E1 , . . . , En et F des espaces vectoriels. Une application

Φ : E1 × · · · × En → F
80 Chapitre 5. Trace et déterminant

est n-linéaire si les toutes les application partielles Ei → F sont linéaires.

Remarque 1. Cela signifie donc que, si on fixe

x1 ∈ E1 , . . . , xi−1 ∈ Ei−1 , xi+1 ∈ Ei+1 , . . . , xn ∈ En ,

alors l’application
Ei → F, xi 7→ Φ(x1 , . . . , xn )
est linéaire.
2. Bien sûr, dans le cas ou n = 1, on retrouve la définition d’une application linéaire.
3. On dit que Φ est multilinéaire si on ne veut pas préciser n, bilinéaire lorsque n = 2.
4. On dit forme multilinéaire lorsque F = K.
5. Si E1 = · · · = En = E, on dit que Φ est une forme multilinéaire sur E.

Exemple 1. Si E est un espace vectoriel, alors la multiplication externe

K ×E → E (a, x) 7→ ax

est bilinéaire.
2. Si L est une K-algèbre, alors la multiplication

L × L → L, (u, v) 7→ uv

est une application bilinéaire.

3. Si E, F et G sont trois espaces vectoriels, alors la loi de composition

L(F, G) × L(E, F) / L(E, G)

 / v◦u
(v, u)

est une application bilinéaire.

4. Si E est un espace vectoriel, alors l’application de dualité

E × t E → K, (x, ϕ) 7→ ϕ(x)

est une forme bilinéaire.

5. Le déterminant (voir plus bas) est une forme multilinéaire.
6. Le produit scalaire usuel

((x1 , . . . , xn ), (y1 , . . . , yn )) → x1 y1 + · · · + xn yn

est une forme bilinéaire sur K n . Plus généralement, on peut remplacer le second membre par
n’importe quelle expression ∑ ai, j xi y j (voir plus loin).
7. Le produit vectoriel

K3 × K3 / K3
((x1 , x2 , x3 ), (y1 , y2 , y3 ))  / (x2 y3 − x3 y2 , x3 y1 − x1 y3 , x1 y2 − x2 y1 )

est une application bilinéaire sur K 3 .

5.1 Application multilinéaire 81

Proposition 5.1.3 Si E1 , . . . , En et F sont des espaces vectoriels, alors les applications multili-
néaires E1 × · · · × En → F forment un sous espace vectoriel

L(E1 , . . . , En , F) ⊂ F (E1 × · · · × En , F)

et les applications L(E1 , . . . , En , F) → L(Ei , F) qui envoient Φ sur une application partielle, sont
toutes linéaires.

Démonstration Par définition d’une somme ou d’un multiple d’une application, on voit déjà que
l’application F E1 ×···×En → F Ei qui envoie Φ sur une application partielle est automatiquement
linéaire. Et la première assertion résulte alors immédiatement de l’assertion analogue pour les
applications linéaires. 

Proposition 5.1.4 Si E, F et G sont trois espaces vectoriels, il existe des isomorphismes

L(F, L(E, G)) ' L(E, F, G) ' L(E, L(F, G)), l↔Φ↔r

donnés par
∀x ∈ E, y ∈ F, l(y)(x) = Φ(x, y) = r(x)(y)

Démonstration Par symétrie, il suffit de traiter l’isomorphisme de gauche. On dispose d’une

bijection
F (F, F (E, G)) ' F (E × F, G), l ↔ Φ
donnée par la même formule, et qui est linéaire par définition (vérifier). Et on dispose aussi des
inclusions L(F, L(E, G)) ⊂ (F (F, F (E, G)) d’une part et L(E, F, G) ⊂ F (E × F, G) d’autre part.
Il faut montrer que ces deux parties se correspondent. Or, dire que l ∈ L(F, L(E, G)) signifie que
l’on a
l(y + y0 )(x) = l(y)(x) + l(y0 )(x), l(ay)(x) = al(y)(x),

l(y)(x + x0 ) = l(y)(x) + l(y)(x0 ) et l(y)(ax) = al(y)(x)

chaque fois que x, x0 ∈ E, y, y0 ∈ F et a ∈ K. Ceci exprime exactement la bilinéarité de Φ. 

Proposition 5.1.5 Soit Φ : E1 × · · · × En → F une application multilinéaire. Alors,

1. Si, pour tout i = 1, . . . , n, l’application ui : Ei0 → Ei est linéaire, alors l’application composée

E10 × · · · × En0 /F

(x10 , . . . , xn0 )  / Φ(u1 (x0 ), . . . , un (x0 ))

1 n

est multilinéaire.
2. Si u : F → F 0 est linéaire, alors l’application composée

E1 × · · · × En /F
(x1 , . . . , xn )  / u(Φ(x1 , . . . , xn ))

est multilinéaire.

Démonstration Résulte encore des résultats analogues pour les applications linéaires (exercice).

82 Chapitre 5. Trace et déterminant

Exemple Comme C 0 ([0, 1], R) est une R-algèbre (c’est une sous-algèbre de R[0,1] ), la multipli-
cation dans C 0 ([0, 1], R) est une application bilinéaire. D’autre part, on sait que l’intégration est
linéaire. On en déduit (sans calcul) que l’application
Z 1
( f , g) 7→ ( f g)(t)dt (5.1)
0

est une forme bilinéaire sur C 0 ([0, 1], R).

Remarque Avant d’aller plus loin, il est nécessaire de faire quelques rappels sur les permutations.
1. Une inversion de σ ∈ Sn est un couple (i, j) avec 1 ≤ i < j ≤ n mais σ (i) > σ ( j).
2. La signature est l’application

Sn → {−1, 1}, σ 7→ (−1)σ

qui vaut 1 (resp. −1) s’il y a un nombre pair (resp. impair) d’inversions dans σ .
3. La signature est en fait l’unique morphisme de groupes surjectif (pour n ≥ 2).
4. La transposition τ := (i j) est la permutation qui échange i et j. Toute permutation est un
produit (c’est à dire, composé) de transpositions. On peut même se limiter aux transpositions
de la forme (i i + 1) avec 1 ≤ i < n ou bien de la forme (1 i) avec 1 < i ≤ n si on veut.
5. Si Φ : X × · · · × X → Y est une application quelconque et σ ∈ Sn , on écrira


Φσ (x1 , . . . , xn ) := Φ xσ (1) , . . . , xσ (n) .

Définition 5.1.6 Soit Φ : E × · · · × E → F une application multilinéaire sur E. Alors, on dit que
1. Φ est symétrique si
∀σ ∈ Sn , Φσ = Φ,
2. Φ est antisymétrique si
∀σ ∈ Sn , Φσ = (−1)σ Φ
(et il suffit de considérer les transpositions).

Exemple 1. Une application bilinéaire Φ sur E est symétrique (resp. antisymétrique) si et

seulement si
∀x, y ∈ E, Φ(x, y) = Φ(y, x) (resp. = −Φ(y, x)).

2. Le produit scalaire usuel est une forme bilinéaire symétrique.

3. Le déterminant est une forme multilinéaire antisymétrique.
4. Le produit vectoriel est une application bilinéaire antisymétrique.
5. L’application (5.1) est une forme bilinéaire symétrique.

Définition 5.1.7 Une application n-linéaire Φ : E × · · · × E → F est alternée si elle satisfait

(∃i 6= j, xi = x j ) ⇒ Φ(x1 , . . . , xn ) = 0.

Proposition 5.1.8 Soit Φ : E × · · · × E → F une application n-linéaire. On a alors

1. Φ alternée ⇒ Φ antisymétrique,
6 0) Φ alternée ⇔ Φ antisymétrique.
2. (2 =
 5.2 Produit tensoriel 83

Démonstration Supposons pour commencer que Φ est alternée et donnons nous une transposition
τ := (i j) avec 0 ≤ i < j ≤ n. Pour x1 , . . . , xn ∈ E, on a alors par linéarité,

0 = Φ(x1 , . . . , xi−1 , xi + x j , xi+1 , . . . , x j−1 , xi + x j , x j+1 , . . . , xn )

= Φ(x1 , . . . , x j−1 , xi , x j+1 , . . . , xn ) + Φ(x1 , . . . , xn )
+ Φτ (x1 , . . . , xn ) + Φ(x1 , . . . , xi−1 , x j , xi+1 , . . . . . . , xn )
= 0 + Φ(x1 , . . . , xn ) + Φτ (x1 , . . . , xn ) + 0,

et donc Φτ (x1 , . . . , xn ) = −Φ(x1 , . . . , xn ).

Réciproquement, si on suppose que Φ est antisymétrique et que xi = x j avec 0 ≤ i < j ≤ n, on
aura en utilisant la même permutation τ que ci-dessus :

Φ(x1 , . . . , xn ) = Φτ (x1 , . . . , xn ) = −Φ(x1 , . . . , xn )

si bien que 2Φ(x1 , . . . , xn ) = 0, et si on suppose que 2 6= 0, alors Φ(x1 , . . . , xn ) = 0. 

Remarque 1. Lorsque 2 = 0 dans K, on a symétrique ⇔ antisymétrique, et il suit qu’une

application antisymétrique est soit alternée, soit symétrique.
2. Attention, si on travaille avec des modules sur un anneau, la seconde assertion de la proposi-
tion n’est plus vraie telle quelle. Il faut par exemple demander que l’on ait un module libre
sur un anneau (commutatif) intègre ou que 2 soit inversible.

Proposition 5.1.9 Les applications n-linéaires symétriques (resp. antisymétriques, resp. alter-
nées) sur E à valeurs dans F forment un sous-espace vectoriel Sn (E, F) (resp. An (E, F), resp.
Vn
(E, F)) de Ln (E, F) := L(E, . . . , E, F).

Démonstration On vérifie facilement que si σ ∈ Sn , alors l’application Φ 7→ Φσ est linéaire. Le

cas des applications symétriques et antisymétrique en découle. Pour les applications alternées, c’est
encore plus facile. Les détails sont laissés en exercice. 

Remarque 1. On peut montrer que, dans la proposition 5.1.5, si Φ est une application multili-
néaire symétrique (resp. antisymétrique, resp. alternée), il en va de même des applications
composées.
2. Comme cas particulier, on voit que si E 0 ⊂ E est un sous-espace vectoriel et Φ : E × · · · ×
E → F est une application multilinéaire (resp. multilinéaire symétrique, resp. multilinéaire
antisymétrique, resp. multilinéaire alternée) sur E, alors il en va de même de l’application
induite E 0 × · · · × E 0 → F.

5.2 Produit tensoriel

Définition 5.2.1 Le produit tensoriel de deux espaces vectoriels E et F est l’espace quotient
E ⊗ F de K (E×F) par le sous-espace vectoriel engendré par tous les éléments de la forme

1x+x0 ,y − 1x,y − 1x0 ,y , 1x,y+y0 − 1x,y − 1x,y0 , a1x,y − 1ax,y et a1x,y − 1x,ay ,

avec x, x0 ∈ E, y, y0 ∈ F et a ∈ K. On dira que x ⊗ y := 1x,y ∈ E ⊗ F est un tenseur.

Remarque 1. On rappelle que K (E×F) est un espace vectoriel dont une base est donnée par les
1x,y avec x ∈ E et y ∈ F. Autrement dit, tout élément de K (E×F) s’écrit de manière unique
sous la forme a1 1x1 ,y1 + · · · + an 1xn ,yn avec x1 , . . . , xn ∈ E, y1 , . . . , yn ∈ F et a1 , . . . , an ∈ K.
84 Chapitre 5. Trace et déterminant

2. Par définition, on aura

 (x + x0 ) ⊗ y = x ⊗ y + x0 ⊗ y,


x ⊗ (y + y0 ) = x ⊗ y + x ⊗ y0 ,
a(x ⊗ y) = ax ⊗ y = x ⊗ ay


lorsque x, x0 ∈ E, y, y0 ∈ F et a ∈ K.
3. Comme E ⊗ F est un quotient de K (E×F) , les tenseurs x ⊗ y := 1x,y engendrent E ⊗ F.
Cela veut dire que tout élément de E ⊗ F s’écrit (de plusieurs manières) sous la forme
a1 x1 ⊗ y1 + · · · + an xn ⊗ yn avec x1 , . . . , xn ∈ E, y1 , . . . , yn ∈ F et a1 , . . . , an ∈ K.
4. On voit en fait que tout élément de E ⊗ F s’écrit comme somme de tenseurs (de plusieurs
manières).
5. Même si on s’intéresse uniquement aux espaces vectoriels de dimension finie, on voit
intervenir l’espace K (E×F) qui est toujours de dimension infinie si K est infini (à moins que
E = F = {0}).
6. On peut définir plus généralement E1 ⊗ · · · ⊗ En comme quotient de K E1 ×···×En .

Exemple Considérons C comme espace vectoriel sur R. On a donc ici K = R - et on l’indiquera en

indice afin d’éviter les confusions - et E = F = C. L’espace vectoriel C ⊗R C est donc engendré par
les tenseurs z ⊗ w avec z, w ∈ C. Si on écrit z = a + ib et w = c + id avec a, b, c, d ∈ R, on a
z ⊗ w = ac(1 ⊗ 1) + ad(1 ⊗ i) + bc(i ⊗ 1) + bd(i ⊗ i).
On en déduit que C ⊗R C est engendré par {1 ⊗ 1, 1 ⊗ i, i ⊗ 1, i ⊗ i} (on verra plus loin que c’est une
base). Remarquons cependant qu’il existe des éléments dans le produit tensoriel C ⊗R C qui ne sont
pas des tenseurs : 1 ⊗ i + i ⊗ 1 par exemple.

On dispose alors de la propriété universelle du produit tensoriel :

Proposition 5.2.2 Si E et F sont deux espace vectoriels, alors l’application

E × F → E ⊗ F, (x, y) 7→ x ⊗ y

est bilinéaire. De plus, si Φ : E × F → G est une application bilinéaire, alors il existe une unique
application linéaire Φe : E ⊗ F → G telle que

∀x ∈ E, y ∈ F, e ⊗ y) :
Φ(x, y) = Φ(x

Démonstration La première assertion résulte immédiatement de la définition (voir remarque 2

ci-dessus). Pour la seconde, on utilise successivement les propriétés universelles de K (E×F) (voir
corollaire 3.1.6) et du quotient (théorème 2.6.4) :

6/= G
Φ
E ×F
Φ
e

K (E×F)
Φ
e


E ⊗ F. 

Remarque 1. On obtient en fait d’un isomorphisme L(E, F, G) ' L(E ⊗ F, G).

2. En combinant avec le second isomorphisme de la proposition 5.1.4, on obtient ce qu’on
appelle l’isomorphisme (d’adjonction)
L(E, L(F, G)) ' L(E ⊗ F, G).
5.2 Produit tensoriel 85

3. Par un argument direct, ou en utilisant les propriétés universelles, on peut vérifier que, si E,
F et G sont des espaces vectoriels, on a
(a) E ⊗ F ' F ⊗ E (commutativité)
(b) (E ⊗ F) ⊗ G ' E ⊗ (F ⊗ G) (associativité)
(c) E ⊗ K ' K ⊗ E ' E (élément neutre)
(d) (E ⊕ F) ⊗ G ' (E ⊗ G) ⊕ (F ⊗ G) (distributivité)
4. La proposition se généralise à un nombre fini d’espaces vectoriels et on en déduit formelle-
ment
E1 ⊗ · · · ⊗ En ' (E1 ⊗ · · · ⊗ En−1 ) ⊗ En .
C’est d’ailleurs souvent cette dernière expression qui est utilisée pour définir par récurrence
le produit tensoriel d’un nombre fini d’espaces vectoriels.

Corollaire 5.2.3 Si u : E → E 0 et v : F → F 0 sont deux applications linéaires, il existe une unique

application linéaire u ⊗ v : E ⊗ F → E 0 ⊗ F 0 telle que

∀x ∈ E, y ∈ F, (u ⊗ v)(x ⊗ y) = u(x) ⊗ v(y).

Démonstration Par composition, l’application E × F → E 0 ⊗ F 0 , (x, y) 7→ u(x) ⊗ v(y) est bilinéaire.

On utilise ensuite la propriété universelle du produit tensoriel. 

Proposition 5.2.4 Si E et F sont deux espaces vectoriels de base (ei )i∈I et ( f j ) j∈J respectivement,
alors (ei ⊗ f j )i∈I, j∈J est une base de E ⊗ F.

Démonstration Il s’agit de montrer que l’application canonique

K (I×J) → E ⊗ F, (ai, j )i∈I, j∈J 7→ ∑ ai, j ei ⊗ f j
est bijective. Pour ce faire, on va exhiber un inverse. On commence avec l’application évidente
K I × K J → K I×J , ((ai )i∈I , (b j )i∈J ) 7→ (ai b j )i∈I, j∈J .
Celle ci est clairement bilinéaire (vérifier) et induit une application (toujours bilinéaire) K (I) ×
K (J) → K (I×J) car, si les ai et les b j sont presque tous nuls, il en va de même de leurs produits ai b j .
En composant avec les isomorphismes E ' K (I) et F ' K (J) associés à nos bases, on en déduit une
application bilinéaire E × F → K (I×J) et donc finalement une application linéaire
E ⊗ F → K (I×J) , ∑ ai ei ⊗ b j f j 7→ (ai b j )i∈I, j∈J .
i∈I, j∈J

On vérifie aisément que c’est bien un inverse par un argument direct ou, si on préfère, en utilisant
les propriétés universelles (exercice). 

Corollaire 5.2.5 Si E et F sont deux espaces vectoriels, on a dim(E ⊗ F) = dim E × dim F. 

Remarque 1. On peut rappeler que dim(E ⊕ F) = dim E + dim F.

2. Ces résultats (pour la somme directe comme pour le produit) sont toujours valides pour des
modules libres sur un anneau commutatif (bien qu’on dise alors rang au lieu de dimension).
Exemple On a dim(C ⊗R C) = 4 et
{1 ⊗ 1, 1 ⊗ i, i ⊗ 1, i ⊗ i}
est bien une base. Et on a aussi dim(C ⊕ C) = 4 avec base
((1, 1), (1, i), (i, 1), (i, i))
(mais cette similitude est une coïncidence due au fait que 2 × 2 = 2 + 2).
 86 Chapitre 5. Trace et déterminant

5.3 Trace
Proposition 5.3.1 Soient E et F deux espaces vectoriels.
1. Si ϕ ∈ t E et y ∈ F, alors l’application

u : E → F, x 7→ ϕ(x)y

est linéaire.
2. L’application
F × t E → L(E, F), (y, ϕ) 7→ (u : x 7→ ϕ(x)y)
est bilinéaire
3. Si E est de dimension finie, celle-ci induit un isomorphisme

F ⊗ t E ' L(E, F).

Démonstration 1. Exercice.
2. Exercice.
3. On exhibe un un inverse à notre application lorsque E possède une base finie (e1 , . . . , en ) en
considérant
L(E, F) → F ⊗ t E, u 7→ u(e1 ) ⊗ t e1 + · · · + u(en ) ⊗ t en .
Il faut s’assurer que c’est bien un inverse (exercice encore). 

Exemple 1. On dispose d’une suite d’isomorphismes

Mn×1 (K) ⊗ M1×m (K) ' K n ⊗ t K m ' L(K m , K n ) ' Mn×m (K), 1i,1 ⊗ 11, j ↔ 1i, j

2. On a t C ⊗R C ' EndR (C).

Remarque 1. Si E et F sont des espaces vectoriels de dimension finie munis respectivement

de bases (e1 , . . . , em ) et ( f1 , . . . , fn ), on obtient une base (ei, j ) de L(E, F) en posant

ei, j (x) = x j fi si x = x1 e1 + · · · + xm em ∈ E.

Et on a les correspondances suivantes

F ⊗ t E ' L(E, F) ' Mn×m (K), fi ⊗ t e j ↔ ei, j ↔ 1i, j .

2. La composition des applications corresponds à la « contraction » sur les produits :

(v,u)7→v◦u
L(F, G) × L(E, F) / L(E, G)
O O

G ×tF × F ×tE / G ⊗ t E.
(z,ψ,y,ϕ)7→ψ(y)(z,ϕ)

Définition 5.3.2 Si E est un espace vectoriel de dimension finie, l’unique forme linéaire tr :
5.3 Trace 87

L(E) → K rendant commutatif le diagramme

(x,ϕ)7→ϕ(x)
E ×tE /7 K
?


E ⊗tE tr
'

L(E).

est la trace.
Remarque Cette définition nous donne deux propriétés classiques de la trace d’un endomor-
phisme :
1. La trace de u ne dépend pas du choix de la base de E,
2. La trace est linéaire en u,
mais il faut tout de même s’assurer que l’on retrouve bien la définition classique.

Proposition 5.3.3 Soit E un espace vectoriel de dimension finie. Si A := [ai, j ] est la matrice de
u ∈ L(E) dans une base B := (e1 , . . . , en ), alors tr(u) = a1,1 + · · · + an,n .

Démonstration On dispose d’une suite d’isomorphismes

E ⊗ t E ' L(E) ' Mn (K), ei ⊗ t e j ↔ ei, j ↔ 1i, j .

Et par définition, on a 
t 1 si i = j
tr(ei, j ) = e j (ei ) =
0 sinon
On conclut par linéarité puisque u = ∑ ai, j ei, j . 

Remarque 1. On définit la trace de la matrice A ∈ Mn (K) comme étant la trace de l’endomor-

phisme u ∈ L(K n ) correspondant. La proposition nous dit donc bien que si A = [ai, j ], on a
tr(A) := a1,1 + · · · + an,n . Comme notre définition ne dépend pas de la base, on voit que si A
et A0 sont semblables, alors tr(A) = tr(A0 ).
2. Attention, on a tr(IdE ) = dim E 6= 1 si E n’est pas une droite. Notons aussi que, bien que l’on
ait toujours tr(u + v) = tr(u) + tr(v) et tr(au) = atr(u), on a en général tr(u ◦ v) 6= tr(u)tr(v).

Proposition 5.3.4 Soit E un espace vectoriel de dimension finie. Si u, v ∈ L(E), on a

tr(u ◦ v) = tr(v ◦ u).

Démonstration On dispose d’un diagramme commutatif

(v,u)7→v◦u
L(E) × L(E) / L(E)
O O

E ×tE × E ×tE / tE ⊗ E
(y,ψ,x,ϕ)7→ψ(x)(y,ϕ)

qui nous donne tr(v ◦ u) = ϕ(y)ψ(x) quand u et v proviennent de (x, ϕ) et (y, ψ) respectivement.
Le cas général s’obtient par linéarité. 
 88 Chapitre 5. Trace et déterminant

Remarque 1. De manière équivalente, la proposition nous dit que si A, B ∈ Mn (K), alors

tr(AB) = tr(BA). Ça se démontre aussi directement : si A := [ai, j ], B := [bi, j ] et AB := [ci, j ],
on a
n
∀i, k = 1, . . . , n, ci,k = ∑ ai, j b j,k
j=1

si bien que
n n n
tr(AB) = ∑ ci,i = ∑ ∑ ai, j b j,i
i=1 i=1 j=1

qui est une formule symétrique en A et B.

2. Afin de définir la trace d’un endomorphisme, on aurait aussi pu définir d’abord la trace
d’une matrice, puis montrer la commutativité, et l’utiliser pour montrer que deux matrices
semblables ont la même trace :

tr(P−1 AP) = tr(PP−1 A) = tr(IA) = tr(A).

5.4 Puissance extérieure

On utilise ici librement l’extension du produit tensoriel à un nombre fini de facteurs (au lieu de
seulement deux).
Définition 5.4.1 Si E est un espace vectoriel, alors la k-ème puissance tensorielle de E est

⊗k E := E ⊗ · · · ⊗ E, k fois.

Remarque 1. Tout élément de ⊗k E est donc somme de tenseurs x1 ⊗ · · · ⊗ xk avec x1 , . . . , xk ∈

E, ceux-ci étant soumis à des relations de linéarité (que l’on peut expliciter).
2. On dispose d’une application multilinéaire universelle

E × · · · × E → ⊗k E, (x1 , . . . , xk ) 7→ x1 ⊗ · · · ⊗ xk .

3. Comme conséquence de la proposition 5.2.4 (base d’un produit tensoriel), on voit que si
B := (ei )i∈I est une base de E, alors la famille des e f (1) ⊗ · · · ⊗ e f (k) avec f : k → I, est
une base de ⊗k E. On préfère travailler ici avec des applications k := {1, . . . , k} → I plutôt
qu’avec des k-uples d’éléments de I pour des raisons qui devraient être claires plus tard.
4. Si on a, pour tout i = 1, . . . , k, xi = ∑ j∈I ai, j e j , on peut même écrire explicitement

x1 ⊗ · · · ⊗ xk = ∑ a1, j e j ⊗ · · · ⊗ ∑ ak, j e j
j∈I j∈I

= ∑ a1, f (1) . . . ak, f (k) e f (1) ⊗ · · · ⊗ e f (k) .

f :k→I

Définition 5.4.2 Soit E un espace vectoriel. La k-ème puissance extérieure de E est le quotient
Vk k
E de ⊗ E par le sous-espace vectoriel engendré par tous les tenseurs x1 ⊗ · · · ⊗ xk pour
lesquels il existe i 6= j avec xi = x j .

On posera
k
^
x1 ∧ · · · ∧ xk := x1 ⊗ · · · ⊗ xk ∈ E.

1. Par définition, tout élément de k E est somme d’éléments de la forme x1 ∧ · · · ∧

V
Remarque
xk avec x1 , . . . , xk ∈ E, et on dispose de relations de linéarité comme pour les puissances
tensorielles. De plus, on a x1 ∧ · · · ∧ xk = 0 lorsqu’il existe i 6= j avec xi = x j .
5.4 Puissance extérieure 89

2. On définit aussi la k-ème puissance symétrique de E en prenant le quotient Sk E par le sous-

espace vectoriel engendré par tous les xσ (1) ⊗ · · · ⊗ xσ (k) − (−1)σ x1 ⊗ · · · ⊗ xk avec σ ∈ Sk
(et on peut se limiter aux transpositions). On note alors tout simplement

x1 . . . xk := x1 ⊗ · · · ⊗ xk ∈ Sk E

On dispose de nouveau d’une propriété universelle :

Proposition 5.4.3 Si E est un espace vectoriel, alors l’application

k
^
E ×···×E → E, (x1 , . . . , xk ) 7→ x1 ∧ · · · ∧ xk

est multilinéaire alternée et si Φ : E × · · · × E → F est une application k-linéaire alternée, alors il

existe une unique application linéaire k E → F rendant commutatif le diagramme
V

E ×···×E
Φ /6 F


Vk
E.

Démonstration On utilise la propriété universelle de la puissance tensorielle ainsi que celle du

quotient (exercice). 

Remarque 1. On voit de même que les puissances symétriques sont universelles pour les
applications multilinéaires symétriques.
2. On a en fait un isomorphisme
k
^ k
^
(E, F) ' L( E, F)

(et un résultat analogue pour les puissances symétriques).

3. Puisqu’une application multilinéaire alternée est toujours antisymétrique, on voit que si
σ ∈ Sk , on aura toujours

xσ (1) ∧ · · · ∧ xσ (k) = (−1)σ x1 ∧ · · · ∧ xk .

4. On peut montrer que, si E est de dimension finie, on a un isomorphisme

Vk
E
' / Vk (t E, K)

x1 ∧ · · · ∧ xk  / (ϕ1 , . . . , ϕk ) 7→ ϕ1 (x1 ) · · · ϕk (xk )

qui permet d’utiliser un espace d’applications multilinéaires alternées à la place de celui des
puissances extérieures.
5. Comme conséquence de la propriété universelle, on voit que toute application linéaire
u : E → F fournit une application linéaire
k
^ k
^ k
^
u: E→ F, x1 ∧ · · · ∧ xk 7→ u(x1 ) ∧ · · · ∧ u(xk ).

Bien sûr, si on se donne une autre application linéaire v : F → G, on aura

k
^ k
^ k
^
(v ◦ u) = v◦ u.
90 Chapitre 5. Trace et déterminant

Proposition 5.4.4 Soit E un espace vectoriel. Si x1 , . . . , xk ∈ E sont liés, alors x1 ∧ · · · ∧ xk = 0.

Démonstration Par hypothèse, il existe i ∈ {1, . . . , k} tels que xi = ∑ j6=i a j x j et on aura donc
x1 ∧ · · · ∧ xk = x1 ∧ · · · ∧ xi−1 ∧ ∑ a j x j ∧ xi+1 ∧ · · · ∧ xk
j6=i

= ∑ a j x1 ∧ · · · ∧ xi−1 ∧ x j ∧ xi+1 ∧ · · · ∧ xk
j6=i
= 0. 

Remarque Afin de démontrer le prochain lemme, rappelons que l’on dispose du groupe alterné
An qui est le sous-groupe de Sn formé des permutations paires (c’est le noyau de la signature). De
plus, si τ est une transposition, on a une union disjointe
Sn = An ∪ An τ
(autrement dit, An τ est exactement l’ensemble des permutations impaires).

Lemme 5.4.5 Si (e1 , . . . , en ) est une base d’un espace vectoriel E, alors le noyau de l’application
canonique π : ⊗n E → ∧n E a pour base
— les e f (1) ⊗ · · · ⊗ e f (n) avec f 6∈ Sn et
— les eσ (1) ⊗ · · · ⊗ eσ (n) − (−1)σ e1 ⊗ · · · ⊗ en avec σ ∈ Sn \ {Id}.

Démonstration Pour f : I → n, on pose e f := e f (1) ⊗ · · · ⊗ e f (n) . Puisque l’application canonique

E × · · · × E → n E est alternée on a toujours e f ∈ ker π si f n’est pas injective. De plus, comme
V

une application alternée est antisymétrique, on a aussi eσ − (−1)σ eId ∈ ker π si σ ∈ Sn . On voit
aussi aisément que les e f avec f non injective et les eσ − (−1)σ eId avec σ 6= 1 sont linéairement
indépendants (exercice).
Donnons nous mutinement x1 ⊗ · · · ⊗ xn ∈ ⊗n E et supposons qu’il existe i < j tel que xi = x j .
On écrit pour tout u = 1, . . . , n, xu = ∑nv=1 au,v ev si bien que
x1 ⊗ · · · ⊗ xn = ∑ a1, f (1) . . . an, f (n) e f + ∑ a1,σ (1) . . . an,σ (n) eσ .
f 6∈Sn σ ∈Sn

On remarque maintenant que, si τ désigne la transposition qui échange i et j, on a

n n
∏ au,σ (u) = ∏ au,σ (τ(u)) .
u=1 u=1

En effet, si u 6= i, j, on a au,σ (u) = au,σ (τ(u)) et d’autre part ai,σ (i) = a j,σ (τ( j)) (et symétriquement)
puisque xi = x j . Puisque l’on dispose d’une union disjointe Sn = An ∪ An τ, on voit donc que

∑ a1,σ (1) . . . an,σ (n) eσ

σ ∈Sn

= ∑ a1,σ (1) . . . an,σ (n) (eσ + eσ τ )

σ ∈An
et il suffit pour conclure de noter que
eσ + eσ τ = (eσ − (−1)σ eId ) + (eσ τ − (−1)σ τ eId ) . 

Remarque Plus généralement, on montre exactement de la même façon que le noyau de l’ap-
plication canonique π : ⊗k E → ∧k E a pour base les e f (1) ⊗ · · · ⊗ e f (k) avec f non injective et les
e f (σ (1)) ⊗ · · · ⊗ e f (σ (k)) − (−1)σ e f (1) ⊗ · · · ⊗ e f (k) avec f strictement croissante et σ ∈ Sk \ {Id}.
5.4 Puissance extérieure 91
Vdim E
Théoreme 5.4.6 Si E est un espace vectoriel de dimension finie, alors E est une droite.
Plus précisément, si (e1 , . . . , en ) est une base de E, alors e1 ∧ · · · ∧ en est une base de n E. 
V

Démonstration Il suffit de remarquer que, grâce au lemme, e1 ⊗ · · · ⊗ en est une base d’un supplé-
mentaire du noyau de π : ⊗n E → n E. 
V

Remarque 1. On voit donc qu’on associe à la base B un isomorphisme

n
^
K' E, a 7→ a e1 ∧ · · · ∧ en .

2. Plus généralement, on aura

k  
^ n
dim E= :
k
si (e1 , . . . , en ) est une base de E, alors les e f (1) ∧ · · · ∧ e f (k) avec f : k → n strictement
croissante, forment une base de k E.
V

3. On peut aussi montrer que les ek11 . . . eknn avec k1 , . . . , kn ∈ N et k1 + · · · + kn = k forment une
base de Sk (E) (penser aux polynômes en n variables de degré total k).

Proposition 5.4.7 Soient E un espace vectoriel de dimension finie et u : E → F une application

Vdim E
linéaire. Si u 6= 0, alors u est injective.

Démonstration On se donne une base B := (e1 , . . . , en ) de E. Dire que u n’est pas injective
signifie que u(e1 ), . . . , u(en ) sont liés si bien que, par la proposition 5.4.4, on aura
n
^
u(e1 ∧ · · · ∧ en ) = u(e1 ) ∧ · · · ∧ u(en ) = 0. 

Proposition 5.4.8 Soient E un espace vectoriel de dimension n et E 0 un sous-espace vectoriel

de dimension n0 de E. On dispose alors d’un isomorphisme
Vn0 0 Vn−n0
E ⊗ E/E 0
' / Vn E

(x1 ∧ · · · ∧ xn0 ) ⊗ (xn0 +1 ∧ · · · ∧ xn )  / x1 ∧ · · · ∧ xn .

Démonstration Il faut s’assurer que cette application est bien définie (la linéarité étant immédiate).
Or si xk ∈ E 0 pour k > n0 , alors x1 , . . . , xn0 , xk sont tous dans E 0 , et donc liés car dim E 0 = n0 , et on a
alors nécessairement x1 ∧ · · · ∧ xn = 0. Cela implique que l’image d’un élément ne dépend que de
xk et pas de xk en général. Il faut aussi s’assurer que cette application est bien un isomorphisme. Or,
on peut toujours compléter une base (e1 , . . . , en0 ) de E 0 en une base (e1 , . . . , en ) de E et on voit alors
V 0 V 0
que notre application envoie la base (e1 ∧ · · · ∧ en0 ) ⊗ (en0 +1 ∧ · · · ∧ en ) de n E 0 ⊗ n−n E/E 0 sur
Vn
la base e1 ∧ · · · ∧ en de E. 

Proposition 5.4.9 Si E est un espace vectoriel de dimension n, on dispose d’un isomorphisme

Vn t
E
' / t Vn E
(ϕ1 ∧ · · · ∧ ϕn )  / (x1 ∧ · · · ∧ xn 7→ ϕ1 (x1 ) . . . ϕn (xn )) .

Démonstration L’existence de l’application résulte des propriétés universelles et si on choisit une

base (e1 , . . . , en ) de E, alors la base t e1 ∧ · · · ∧ t en est envoyée sur la base t (e1 ∧ · · · ∧ en ). 
 92 Chapitre 5. Trace et déterminant

5.5 Déterminant
Définition 5.5.1 Soit E un espace de vectoriel de dimension finie et B une base de E. Alors, le
déterminant associé à la base B est l’application composée
dim
^E
det : E × · · · × E → E ' K,
B

où la première flèche est l’application canonique et la seconde est l’inverse de l’isomorphisme

associé à la base B.

Remarque Par définition, si B := (e1 , . . . , en ) et x1 , . . . , xn ∈ E, alors detB (x1 , . . . , xn ) est l’unique

élément de K tel que
x1 ∧ · · · ∧ xn = det(x1 , . . . , xn ) e1 ∧ · · · ∧ en .
B

Proposition 5.5.2 Si E est un espace vectoriel de dimension finie et B une base de E, alors detB
est une une forme multilinéaire alternée. De plus, si B := (e1 , . . . , en ) et pour tout i = 1, . . . , n,
xi = ai,1 e1 + · · · + ai,n en , on a

det(x1 , . . . , xn ) := ∑ (−1)σ a1,σ (1) . . . an,σ (n) .

B σ ∈Sn

Démonstration Pour obtenir la première assertion, il suffit de rappeler que le déterminant est la
composée d’une application multilinéaire alternée et d’une application linéaire. Pour démontrer la
seconde, on rappelle d’abord que, par multilinéarité, on a

x1 ∧ · · · ∧ xn = ∑ a1, f (1) . . . an, f (n) e f (1) ∧ · · · ∧ e f (n) .

f :n→n

Comme l’application est alternée, si f 6∈ Sn , on a nécessairement e f (1) ∧ · · · ∧ e f (n) = 0. Et comme

une application alternée est antisymétrique, si σ ∈ Sn , alors eσ (1) ∧ · · · ∧ eσ (n) = (−1)σ e1 ∧ · · · ∧ en .


Remarque On en déduit immédiatement l’effet des opérations élémentaires sur les déterminants :
1. Multiplier un vecteur par un scalaire revient à multiplier le déterminant par ce même scalaire,
2. Échanger deux vecteurs revient à changer le signe du déterminant,
3. Ajouter à un vecteur un multiple d’un autre vecteur ne change pas le déterminant.

Définition 5.5.3 Soit E un espace vectoriel de dimension finie et u ∈ L(E). Alors, le déterminant
Vdim E Vdim E
de u est la composante det(u) de u dans la base canonique de E.

Remarque 1. Par définition, det(u) est l’unique élément de K tel que si x1 , . . . , xn ∈ E, alors

u(x1 ) ∧ · · · ∧ u(xn ) = det(u)x1 ∧ · · · ∧ xn .

2. Comme ce fut le cas pour sa trace, nous voyons donc que le déterminant d’un endomorphisme
ne dépend pas du choix de la base (contrairement au déterminant d’une famille de vecteurs).
3. Si B est une base de E, on aura

det(u) = det(u(B)).
B
5.5 Déterminant 93

4. Si A = [ai, j ] est la matrice de u dans la base B, on aura

det(u) := ∑ (−1)σ a1,σ (1) . . . an,σ (n) .

σ ∈Sn

5. On définit le déterminant d’une matrice A ∈ Mn (K) comme étant le déterminant de l’applica-

tion linéaire u ∈ L(K n ) qui lui est associée. C’est aussi le déterminant des vecteurs colonnes
de A.
6. Puisque le déterminant ne dépend pas de la base, voit que si A et A0 sont des matrices
semblables, alors det(A) = det(A0 ).

Proposition 5.5.4 Soit E un espace vectoriel de dimension finie. Alors,

1. si u, v ∈ L(E), on a det(u ◦ v) = det(u) det(v),
2. on a u ∈ GL(E) si et seulement si det u 6= 0, et alors

1
det(u−1 ) = .
det(u)

1. Résulte immédiatement du fait que n (u ◦ v) = n u ◦ n v.

V V V
Démonstration
2. Si u est inversible, on a det(u) det(u−1 ) = det(u ◦ u−1 ) = det(IdE ) = 1. Cela montre que
det(u) 6= 0 et on obtient bien la formule annoncée. Réciproquement, il résulte du lemme 5.4.7
que si det u 6= 0, alors u est injective et c’est donc nécessairement un automorphisme. 

Remarque 1. On dispose donc d’un morphisme multiplicatif det : L(E) → K, qui induit un
morphisme de groupes GL(E) → K × , dont le noyau est le sous-groupe

SL(E) = {u ∈ L(E) / det(u) = 1}.

2. Si on travaille sur un anneau, il faut remplacer la condition det(u) 6= 0 par la condition det(u)
inversible. Et de même ci-dessous pour les matrices.

Corollaire 5.5.5 1. Si A, B ∈ Mn (K), alors det(AB) = det(A) det(B).

2. Si A ∈ Mn (K), on a A ∈ GLn (K) ⇔ det(A) 6= 0, et alors det(A−1 ) = det(A)−1 .

Remarque 1. Comme pour la trace, on aurait pu procéder à l’envers : définir d’abord le

déterminant d’une matrice, montrer la formule det(AB) = det(A) det(B) par un calcul, en
déduire que deux matrices semblables ont le même déterminant, puis utiliser cela pour définir
le déterminant d’une application linéaire, etc.
2. Notons que l’on a encore ici un morphisme multiplicatif det : Mn (K) → K qui induit un
morphisme de groupes GLn (K) → K × dont le noyau est le sous-groupe

SLn (K) = {A ∈ Mn (K)) / det(A) = 1}.

Corollaire 5.5.6 Soit E un espace vectoriel de dimension n muni d’une base B. Alors, x1 , . . . , xn ∈
E forment une base de E si et seulement si detB (x1 , . . . , xn ) 6= 0. 

Proposition 5.5.7 Soient E un espace vectoriel de dimension finie, u ∈ L(E), E 0 un sous-espace

vectoriel de E stable par u et u0 ∈ L(E 0 ), u00 ∈ L(E/E 0 ) les applications induites. On a alors

det(u) = det(u0 ) det(u00 ).

94 Chapitre 5. Trace et déterminant

Démonstration Résulte facilement de la proposition 5.4.8. Les détails sont laissés en exercice. 

Remarque 1. On en déduit le calcul d’un déterminant triangulaire par blocs : si

 0 
A ?
A := ,
0 A00

alors det(A) = det(A0 ) det(A00 ).

2. On peut aussi montrer directement cette égalité à partir de la formule du déterminant. En
effet, on a ai, j = 0 pour i > n0 et j ≤ n0 . On en déduit que a1,σ (1) . . . an,σ (n) = 0 sauf si
σ ({1, . . . , n0 }) ⊂ {1, . . . , n0 } et σ ({n0 + 1, . . . , n}) ⊂ {n0 + 1, . . . , n}. On désigne alors par σ 0
la restriction de σ à {1, . . . , n0 } et on pose σ 00 (i) = σ (n0 + i) − i pour i = 1, . . . , n00 . On voit
donc que
0 00
det(A) = ∑ (−1)σ (−1)σ a1,σ 0 (1) . . . an0 ,σ 0 (n0 ) an0 +1,n0 +σ 00 (1) . . . an0 +n00 ,n0 +σ 00 (n00 )
σ 0 ∈Sn0 ,σ 00 ∈Sn00
0 00
= ∑ (−1)σ a1,σ 0 (1) . . . an0 ,σ 0 (n0 ) ∑ (−1)σ an0 +1,n0 +σ 00 (1) . . . an0 +n00 ,n0 +σ 00 (n00 )
σ 0 ∈Sn0 σ 00 ∈Sn00

= det(A ) det(A00 ).
0

3. Comme conséquence, on voit que le déterminant d’une matrice triangulaire est égal au
produit des éléments diagonaux :
 
a1 ? ··· ?
 .. .. .. 
 0 . . . 
 = a1 · · · an .
det 
 .. .. .. 
 . . . ? 
0 ··· 0 an

Proposition 5.5.8 Si E est un espace vectoriel de dimension finie et u ∈ L(E), on a

det(t u) = det(u).

Démonstration Grâce à la proposition 5.4.9, l’assertion se ramène facilement au cas dim E = 1

qui se vérifie à la main. Les détails sont de nouveau laissés en exercice. 

Remarque 1. Comme cas particulier, on voit que si A est une matrice carrée, alors

det(t A) = det(A).

2. On peut bien sûr montrer directement ce résultat en remarquant que la bijection σ ↔ σ −1 de

Sn sur lui même fournit une égalité
−1
det(A) = ∑ (−1)σ a1,σ −1 (1) . . . an,σ −1 (n) = ∑ (−1)σ aσ (1),1 . . . aσ (n),n .
σ ∈Sn σ ∈Sn

Définition 5.5.9 Si A ∈ Mn (K), on dit que

a0i, j := det(A + 1i, j ) − det(A)

est un cofacteur de A et que la matrice A0 := [a0i, j ] est la comatrice de A.

5.5 Déterminant 95

Remarque 1. Si on note C1 , . . . ,Cn (resp. 11 , . . . , 1n ) les colonnes de A (resp. de I), on aura

a0i, j = C1 ∧ · · · ∧Ci−1 ∧Ci + 1 j ∧Ci+1 ∧ · · ·Cn −C1 ∧ · · · ∧Cn
= C1 ∧ · · · ∧Ci−1 ∧ 1 j ∧Ci+1 ∧ · · · ∧Cn .
2. En pratique, le cofacteur s’obtient en effaçant la i-ème ligne et la j-ème colonne et en
multipliant par (−1)i+ j .

Proposition 5.5.10 — Formules de Laplace. Si A est une matrice carrée et A0 sa comatrice,

on a
At A0 = t A0 A = det(A)I.

Démonstration Exercice. 

Remarque 1. Si on pose A := [ai, j ] et A0 := [a0i, j ], alors les formules de Laplace disent que

∀i ∈ {1, . . . , n}, ai,1 a0i,1 + · · · + ai,n a0i,n = a1,i a01,i + · · · + an,i a0n,i = det(A)

et
∀i 6= j ∈ {1, . . . , n}, ai,1 a0j,1 + · · · + ai,n a0j,n = a1,i a01, j + · · · + an,i a0n, j = 0.
2. En particulier, les formules de Laplace permettent de développer un déterminant le long
d’une ligne ou d’une colonne.
3. Si A ∈ GLn (K) et A0 désigne sa comatrice, alors

1 t 0
A−1 = A.
det(A)
 96 Chapitre 5. Trace et déterminant

5.6 Exercices
Exercice 5.6.1 1. Montrer que si E est un espace vectoriel, alors l’application canonique
E ×tE → K est une forme bilinéaire.
2. Montrer que le produit scalaire usuel est une forme bilinéaire symétrique sur K n .
3. Montrer que le produit vectoriel est une application bilinéaire alternée sur K 3 .
4. Montrer que le produit est bilinéaire sur une algèbre, et qu’il est symétrique si et seulement
si l’algèbre est commutative.
5. Montrer que la composition des applications linéaires est bilinéaire.
Montrer que l’application ( f , g) 7→ 01 f (t)g(t)dt est une forme bilinéaire symétrique sur
R
6.
C ([0, 1], R).

Exercice 5.6.2 Montrer que si E est un espace vectoriel sur K et 2 6= 0 dans K, on a un

isomorphisme
L2 (E, F) ' S2 (E, F) ⊕ A2 (E, F)
(on pourra considérer la symétrie s définie par s(Φ)(x, y) = Φ(y, x)).

Exercice 5.6.3 1. Montrer que si Φ : E × · · · × E → F est une application multilinéaire

symétrique et u : E 0 → E est une application linéaire, alors l’application multilinéaire
composée Φ ◦ (u × · · · × u) est aussi symétrique.
2. En déduire que si E 0 est un sous-espace de E, alors la restriction de Φ à E 0 est aussi
symétrique.
3. Montrer que si u : F → F 0 est une application linéaire alors l’application multilinéaire
composée u ◦ Φ est aussi symétrique.
4. Mêmes questions avec « antisymétrique » ou « alternée » au lieu de « symétrique ».

Exercice 5.6.4 1. Établir des isomorphismes

K ⊗K E ' E, F ⊗K E ' E ⊗K F et (E ⊗K F) ⊗K G ' E ⊗K (F ⊗K G)

lorsque E, F et G sont des espaces vectoriels sur K.

2. Montrer que si E = ⊕i∈I Ei , alors ⊕i∈I (Ei ⊗K F) ' E ⊗K F.
3. Montrer que si E 0 est un sous-espace vectoriel de E, alors E 0 ⊗K F est un sous-espace
vectoriel de E ⊗K F et que (E ⊗K F)/(E 0 ⊗K F) ' E/E 0 ⊗K F.
4. Établir un isomorphisme t E ⊗K t F ' t (E ⊗K F) quand E et F sont de dimension finie.

Exercice 5.6.5 On rappelle qu’une extension L du corps K est une K-algèbre qui est un corps.
1. Montrer que si E est un K-espace vectoriel, il existe une unique structure de L-espace
vectoriel sur L ⊗K E telle que α(β ⊗ x) = αβ ⊗ x si α, β ∈ L et x ∈ E.
2. Montrer que si (ei )i∈I est une base de E sur K, alors (1 ⊗ ei )i∈I est une base de L ⊗K E
sur L.
3. En déduire que dimL (L ⊗K E) = dimK E.

Exercice 5.6.6 1. Montrer qu’il existe un unique isomorphisme de R-espaces vectoriels

C ⊗R C ' C × C, z1 ⊗ z2 7→ (z1 z2 , z1 z2 ) (on pourra choisir une base de chaque coté et
expliciter la matrice).
2. À quoi correspond la conjugaison complexe sous l’isomorphisme naturel t C ⊗R C '
EndR (C).

Exercice 5.6.7 Soit E un espace vectoriel de dimension finie n. Que valent Tr(IdE ) ? Quelle
5.6 Exercices 97

est la trace d’une projection sur un sous-espace F de dimension m ? d’une symétrie par rapport
à F ? d’une transvection ? Mêmes questions à propos du déterminant.

Exercice 5.6.8 Quelle est la trace d’une rotation d’angle θ dans R2 ? d’une rotation d’angle θ
et d’axe ∆ dans R3 ? Mêmes questions à propos du déterminant.

Exercice 5.6.9 On considère z ∈ C comme un endomorphisme du R-espace vectoriel C (via la

multiplication par z). Que valent tr(z) et det(z) ?

Exercice 5.6.10 Montrer par un exemple qu’on a pas toujours tr(u ◦ v) = tr(u)tr(v) ni det(u +
v) = det u + det v.

Exercice 5.6.11 Montrer qu’en posant ϕA (B) = tr(AB), on obtient un isomorphisme

Mn (K) ' t Mn (K), A 7→ ϕA .

Exercice 5.6.12 Démontrer les formules de Laplace (proposition 5.5.10).

Exercice 5.6.13 Calculer pour tout n ≥ 2

0 ··· ··· 0 an x 0 ··· 0 an

. .. .. .. .. ..
x .. . an−1 0 . . . .
. .. .. .. .. .. .. .. .
∆n := 0 .. . . . puis Γn :=
. . . 0 .
.. . . .. .. 0 ··· 0 x a1
. . . 0 .
0 ··· 0 x a1 an · · · ··· a1 x

Exercice 5.6.14 On veut calculer

λ1 b ··· b
.. .. ..
a . . .
∆ := .. .. ..
. . . b
a ··· a λn

avec a 6= b. Montrer que

λ1 + X b+X ··· b+X

.. .. ..
a+X . . .
∆(X) := .. .. ..
. . . b+X
a+X ··· a+X λn + X

est un polynôme de degré (au plus) 1. Calculer ∆(−a) et ∆(−b). En déduire ∆.

 6. Classification des endomorphismes

On fixe un corps de scalaires K.

6.1 Polynôme annulateur

Définition 6.1.1 Soit L une algèbre et u ∈ L. On dit que P ∈ K[T ] est un polynôme annulateur
de u si P(u) = 0.
 
0 1
Exemple T2 +1 est un polynôme annulateur de ∈ M2 (K) :
−1 0
      
0 1 0 1 1 0 0 0
+ = .
−1 0 −1 0 0 1 0 0
Remarque 1. Si on se donne u ∈ L, on peut considérer le morphisme d’algèbres
Φ : K[T ] → L, P 7→ P(u). (6.1)
On voit donc que P est un polynôme annulateur de u si et seulement si P ∈ ker Φ.
2. Le noyau d’un morphisme d’anneaux est un idéal. Il suit que les polynômes annulateurs de u
forment un idéal.

Lemme 6.1.2 Si L est une algèbre de dimension finie et u ∈ L, alors il existe un polynôme
annulateur non nul pour u.

Démonstration En appliquant le théorème du rang au morphisme (6.1), on voit que

dim K[T ] = dim ker Φ + dim im Φ.
Comme K[T ] est de dimension infinie mais que dim im Φ ≤ dim L est finie, on voit que ker Φ est de
dimension infinie, et en particulier, ker Φ 6= {0}. 
Remarque Si E est un espace vectoriel de dimension n, alors L(E) est une algèbre de dimension
n2 et le lemme s’applique. Il en va bien sûr aussi de même pour Mn (K).
100 Chapitre 6. Classification des endomorphismes

Proposition 6.1.3 Si L est une K-algèbre et u ∈ L, il existe un unique polynôme unitaire µu tel
que les polynômes annulateurs de u soient les multiples de µu . Si L est de dimension finie, alors
µu est le polynôme unitaire annulateur non nul de plus bas degré.

Démonstration En effet, tout idéal non nul de K[T ] est de la forme (M) pour un unique M unitaire.
Et M est le polynôme unitaire non nul de plus bas degré dans l’idéal si ce dernier n’est pas nul. 

Définition 6.1.4 On dit alors que µu est le polynôme minimal de u.

 
0 1
Exemple T2 +1 est le polynôme minimal de ∈ M2 (K).
−1 0

Définition 6.1.5 Si E est un espace vectoriel de dimension finie et u ∈ L(E), alors le polynôme
caractéristique de u est
χu := det(T IdE − u) ∈ K[T ].

Remarque 1. Plus précisément, il faut remarquer que K[T ] ⊗ E est naturellement un K[T ]-
module et poser χu := detK[T ] (T IdK[T ] ⊗ IdE − IdK[T ] ⊗ u).
2. Si K est infini, on peut procéder autrement : poser pour chaque a ∈ K, χu (a) := det(aIdE −
u) ∈ K et montrer que l’application ainsi obtenue est polynomiale.
3. On peut aussi choisir une base B de E et poser brutalement
χu := ∑ (−1)σ ∏ (−ai,σ (i) ) ∏ (T − ai,σ (i) )
σ ∈Sn σ (i)6=i σ (i)=i

si [u]B = [ai, j ]ni, j=1 . Il faut alors s’assurer que la définition est indépendante de la base.
4. Bien sûr, comme d’habitude, le polynôme caractéristique d’une matrice carrée A est par
définition le polynôme caractéristique de l’endomorphisme u de K n associé à A.
5. Attention, on rencontre aussi parfois la définition χu := det(u − T IdE ) qui diffère de la notre
par un signe en dimension impaire.
6. En développant, on voit que l’on a (avec notre définition)
χu = T n − tr(u)T n−1 + · · · + (−1)n det(u).

Théoreme 6.1.6 — de Cayley-Hamilton. Soit E un espace vectoriel de dimension finie et

u ∈ L(E). Alors, le polynôme caractéristique de u est un polynôme annulateur de u.

Démonstration On choisit une base afin de se ramener à l’énoncé analogue avec des matrices.
Soient donc A une matrice carrée d’ordre n et χ(T ) son polynôme caractéristique. Si on désigne
par B(T ) la transposée de la comatrice de T I − A, on a
B(T )(T I − A) = χ(T )I. (6.2)
Il suffit alors de substituer A à T . 
Remarque 1. Remarquons que l’égalité (6.2) a lieu dans l’anneau de matrices Mn (K[T ]),
que l’on identifie avec l’anneau des polynômes Mn (K)[T ]. On utilise ensuite la propriété
universelle de l’anneau des polynômes (qui est aussi valide sur l’anneau non commutatif
Mn (K)).
2. Alternativement, si on pose B(T ) = ∑ Bi T i et χ(T ) = ∑ ai T i , et qu’on développe le premier
terme de l’égalité (6.2), on obtient pour chaque indice i, Bi−1 − Bi A = ai I. Ensuite, si on
multiplie par Ai , qu’on additionne et qu’on factorise, on obtient B(A)(A − A) = χ(A).
6.1 Polynôme annulateur 101

Proposition 6.1.7 Soient E un espace vectoriel de dimension finie, u ∈ L(E) et E 0 ⊂ E un

sous-espace vectoriel stable par u. On désigne par u0 ∈ L(E 0 ) et u00 ∈ L(E/E 0 ) les applications
induites. Alors,
1. χu = χu0 χu00 , et en particulier χu0 , χu00 | χu ,
2. µu0 , µu00 | µu .

Démonstration 1. Résulte immédiatement de la proposition 5.5.7.

2. Il suffit de remarquer que µu est un polynôme annulateur de u0 et de u00 . 

Remarque 1. En terme de matrices, on voit que si

 0 
A ?
A := ,
0 A00

alors χA = χA0 χA00 et µA0 , µA00 | µA .

2. Comme cas particulier de la proposition, on voit aussi que si u1 ∈ L(E1 ) et u2 ∈ L(E2 ), alors
χu1 ⊕u2 = χu1 χu2 , et µu1 , µu2 | µu . En termes de matrices, ça correspond au cas ou le bloc
supérieur droit aussi est nul.
3. Attention cependant, on a µu 6= µu0 µu00 en général. Prenons par exemple
 
1 0
A := ,
0 1

avec A0 = A00 = 1. On a donc µA = µA0 = µA00 = T − 1 mais (T − 1)2 6= T − 1.

Lemme 6.1.8 — des noyaux. Soient P1 , . . . , Pr ∈ K[T ] premiers entre eux deux à deux et
P := P1 . . . Pr . Si E est un espace vectoriel de dimension finie et u ∈ L(E), alors

ker P(u) ' ker Pi (u) ⊕ · · · ⊕ ker Pr (u).

De plus, les projections associées sont polynomiales en u.

Démonstration Par récurrence, on peut se ramener au cas r = 2 (exercice). Posons alors E0 :=

ker P(u), E1 := ker P1 (u), E2 := ker P2 (u). Puisque P = P1 P2 , on voit que E1 , E2 ⊂ E0 et on désignera
par i1 et i2 les applications d’inclusion. Le théorème de Bézout affirme qu’il existe Q1 , Q2 ∈ K[T ]
tels que
Q2 P1 + Q1 P2 = 1.
Puisque P1 Q1 P2 = Q1 P, on voit que (Q1 P2 )(u) induit une application (linéaire) p1 : E0 → E1 . Et
on obtient symétriquement une application p2 : E0 → E2 . On vérifie aisément (exercice) que

p1 ◦ i1 = Id, p2 ◦ i2 = Id, p1 ◦ i2 = 0, p2 ◦ i1 = 0 et i1 ◦ p1 + i2 ◦ p2 = Id,

et il suit que nous disposons bien d’une somme directe. 

Remarque 1. Dans le cas ou P est un polynôme annulateur de E (par exemple le polynôme

minimal ou le polynôme caractéristique), on obtient

E ' ker Pi (u) ⊕ · · · ⊕ ker Pr (u).

2. Comme K[T ] est factoriel, si P est un polynôme quelconque, on peut toujours écrire P =
P1m1 · · · Prmr avec P1 , . . . , Pr irréductibles, et on aura donc

ker P(u) ' ker Pi (u)m1 ⊕ · · · ⊕ ker Pr (u)mr .

 102 Chapitre 6. Classification des endomorphismes

3. Si P et Q sont deux polynômes quelconques, alors ker P(u) est toujours stable par Q(u)
puisque K[T ] est commutatif. En particulier, on voit que dans le lemme, aussi bien ker P(u)
que tous les ker Pi (u) sont stables par u.
4. Cette dernière remarque peut être reformulée en disant que le lemme des noyaux donne une
décomposition en somme directe de K[T ]-modules (et pas seulement d’espaces vectoriels).

Exemple Si p est une projection (resp. s est une symétrie), on peut considérer le polynôme
T − T 2 = T (1 − T ) (resp. 1 − T 2 = (1 − T )(1 + T )) et on retrouve la décomposition en somme
directe
E = ker p ⊕ ker(Id − p) (resp. E = ker(Id − s) ⊕ ker(Id + s)).

6.2 Diagonalisation
Définition 6.2.1 1. Une matrice carrée A := [ai, j ] est diagonale si ai, j = 0 pour i 6= j.
2. Un endomorphisme u d’un espace vectoriel E de dimension finie est diagonalisable dans
une base B de E si [u]B est diagonale.

Remarque On dira qu’une matrice carrée A est diagonalisable si l’endomorphisme u de K n

correspondant est diagonalisable. Cela signifie que A est semblable à une matrice diagonale D. En
d’autres termes, il existe P inversible et D diagonale telles que A = PDP−1 .
 
0 1
Exemple La matrice n’est pas diagonalisable sur R (mais elle l’est sur C).
−1 0

Définition 6.2.2 Soit u un endomorphisme d’un espace vectoriel de dimension finie E.

1. Si u(x) = ax avec x ∈ E \ {0} et a ∈ K, on dit que a est une valeur propre pour u et que x
est un vecteur propre pour a.
2. Si a ∈ K, on pose
Ea := ker(aIdE − u),
et on dit que Ea est un sous-espace propre si Ea 6= {0}.

Remarque 1. Par définition, on a x ∈ Ea ⇔ u(x) = ax.

2. Ea est un sous-espace vectoriel de E qui est stable par u : si x ∈ Ea alors u(x) ∈ Ea .
3. Comme Ea est stable par u, on peut considérer l’endomorphisme induit ua et on a ua −aIdEa =
0 si bien que T − a est un polynôme annulateur de ua .

Exemple 1. Si B est une base formée de vecteurs propres e1 , . . . , en de u, on peut écrire pour
tout i = 1, . . . , n, u(ei ) = ai ei et la matrice de u dans la base B est diagonale :
 
a1 0 · · · 0
. 
 0 . . . . . . .. 

A= . .
 .
 .. .. ... 0  
0 · · · 0 an

Réciproquement, si on se donne une telle matrice diagonale A, et (x1 , . . . , xn ) ∈ K n , on aura

A[x] = a[x] ⇔ ∀i = 1, . . . , n, ai xi = axi
⇔ ∀i = 1, . . . , n, ai = a ou xi = 0
On voit donc que les valeurs propres de A sont a1 , . . . , an et que pour tout i = 1, . . . , n, le
vecteur 1i est un vecteur propre pour ai .
6.2 Diagonalisation 103

2. Si A est une matrice diagonale, on peut réorganiser la diagonale (quitte à permuter les vecteurs
de la base canonique) pour écrire
 
a1 Im1 0 · · · 0
 .. .. .. 
 0 . . . 
A= .
.. ..

 ..

. . 0 
0 · · · 0 ar Imr

avec a1 , . . . , ar distincts. Les sous espaces propres sont alors

E1 := Vect(11 , . . . , 1m1 ), . . . , Er := Vect(1n−mr +1 , . . . , 1n ).

En particulier, on a

E ' E1 ⊕ · · · ⊕ Er et χA = (T − a1 )m1 · · · (T − ar )mr ,

si bien que dim Ei = multχA (ai ).

Proposition 6.2.3 Soit u un endomorphisme d’un espace vectoriel de dimension finie E. Pour
a ∈ K, les conditions suivantes sont équivalentes :
1. a est une valeur propre pour u,
2. Ea 6= {0},
3. χu (a) = 0,
4. µu (a) = 0.
Dans ce cas, si x ∈ E, les condition suivantes sont équivalentes :
1. x est un vecteur propre pour a,
2. x ∈ Ea \ {0}.

Démonstration Dire que x est un vecteur propre pour a signifie que x 6= 0 et que u(x) = ax. Et
cette dernière condition signifie que x ∈ Ea . On voit donc que les deux première assertions sont
équivalentes et on obtient aussi la dernière propriété.
D’autre part, on sait que χu (a) est non nul si et seulement si aIdE − u est bijectif, c’est à dire
injectif, ce qui signifie que son noyau est nul. La troisième assertion est donc aussi équivalente aux
deux premières. Et elles sont toutes impliquées par la dernière puisque µu | χu .
Enfin, comme T − a est un polynôme annulateur de ua sur Ea , on voit que si Ea 6= 0, alors
T − a = µua | µu , et on a donc donc µu (a) = 0. Cela montre que les premières assertions impliquent
aussi la dernière. 

Remarque La proposition nous dit que le polynôme minimal et le polynôme caractéristique ont
les mêmes racines et que ces racines sont exactement les valeurs propres de u.

Théoreme 6.2.4 Soient E un espace vectoriel de dimension finie et u ∈ L(E). Alors, les condi-
tions suivantes sont équivalentes
1. u est diagonalisable,
2. E est somme directe des sous-espaces propres pour u,
3. µu est scindé à racines simples,
4. χu est scindé et, si a est une valeur propre pour u, alors

dim Ea = multχu (a).

 104 Chapitre 6. Classification des endomorphismes

Démonstration Soient a1 , . . . , ar les valeurs propres (distinctes) de u et E1 , . . . , Er les sous-espaces

propres associés. Si on applique le lemme des noyaux à

P := (T − a1 ) · · · (T − ar ) ∈ K[T ],

on voit que
ker P(u) ' E1 ⊕ · · · ⊕ Er .
et on en déduit que E est somme directe de ses sous-espaces propres si et seulement ker P(u) = E,
ce qui signifie que P est un polynôme annulateur de u. On a alors obligatoirement µu = P grâce à la
proposition 6.2.3 et il suit que les conditions du milieu sont équivalentes.
Si u est diagonalisable dans une base B, on sait alors que la dernière condition est satisfaite.
On sait aussi, dans ce cas, que E est somme directe de sous-espaces propres. Réciproquement, si
cette hypothèse est satisfaite, il existe une base formée de vecteurs propres et u est diagonalisable
dans cette base.
Enfin, supposons que la dernière assertion soit satisfaite si bien que

χu = (T − a1 )m1 · · · (T − ar )mr

avec mi = dim Ei . On a alors

dim Ei + · · · + dim Er = deg χu = dim E

et il suit que E1 ⊕ · · · ⊕ Er = E. 

Proposition 6.2.5 Soit E un espace vectoriel de dimension finie. Si u ∈ L(E) est diagonalisable
et E 0 est un sous-espace stable par u, alors les endomorphismes induits u0 ∈ L(E 0 ) et u00 ∈ L(E/E 0 )
sont aussi diagonalisables.

Démonstration En effet, on sait que µu0 | µu et que µu00 | µu . 

 
0 1
Remarque 1. La réciproque est fausse comme le montre la matrice A := qui n’est
0 0
pas diagonalisable.
2. Par contre, si on se donne u1 ∈ L(E1 ) et u2 ∈ L(E2 ), alors u1 ⊕ u2 est diagonalisable si et
seulement si u1 et u2 le sont.

Proposition 6.2.6 Soit E un espace vectoriel de dimension finie. Si u, v ∈ L(E) commutent et

sont tous deux diagonalisables, alors il existe une base B de E dans laquelle les matrices de u et
v sont toutes deux diagonales.

Démonstration On remarque d’abord que, si a est une valeur propre pour u, alors Ea := ker(aId(E)−
u) est stable par v car u et v commutent. De plus, la restriction va de v à Ea est diagonalisable grâce
à la proposition. On choisit alors une base Ba de Ea dans laquelle la matrice de v est diagonale et
on pose B = ∪Ba . Comme c’est une base formée de vecteurs propres pour u, sa matrice aussi sera
diagonale dans B. 

6.3 Endomorphisme nilpotent

6.3 Endomorphisme nilpotent 105

Définition 6.3.1 Un élément u d’un anneau L est nilpotent s’il existe m ∈ N tel que um = 0. On
dit que u est unipotent si u − 1 est nilpotent.
   
0 1 1 1
Exemple Dans M2 (K), est nilpotent et est unipotent.
0 0 0 1

Proposition 6.3.2 Soient E un espace vectoriel de dimension n et u ∈ L(E). Alors, les propriétés
suivantes sont équivalentes
1. u est nilpotent,
2. Il existe m ∈ N tel que T m soit un polynôme annulateur de u,
3. Il existe m ∈ N tel que µu = T m ,
4. χu = T n .

Démonstration Si um = 0, on a

(T IdE − u) ◦ T m−1 IdE + T m−2 u + · · · + um−1 = T m IdE − um = T m IdE .

En considérant les déterminants, on voit donc que χu := det (T IdE − u) divise T mn = det(T m IdE ).
Et comme deg χu = n, on a nécessairement χu = T n . Le reste, très facile, est laissé en exercice. 

Corollaire 6.3.3 Soient E un espace vectoriel de dimension finie, u ∈ L(E) et E 0 un sous-espace

stable par u. Alors, u est nilpotent si et seulement si les endomorphismes induits u0 ∈ L(E 0 ) et
u00 ∈ L(E/E 0 ) le sont.

Démonstration En effet, on a χu = χu0 χu00 . 

Exemple La matrice  
0 0 1 1
 1 0 1 1 
 
 0 0 0 0 
0 0 1 0
est nilpotente.

Théoreme 6.3.4 Soient E un espace vectoriel de dimension finie et u ∈ L(E) nilpotent. Alors,
il existe une base (e1 , . . . , en ) de E telle que

ei−1 ou
∀i = 1, . . . , n, u(ei ) =
0.

Démonstration Si u = 0, n’importe quelle base fait l’affaire. Sinon, il existe m > 0 et x ∈ E tel
que um = 0 et um−1 (x) 6= 0 : il suffit de prendre le plus petit m tel que um = 0. On pose alors

∀i = 1, . . . , m, ei := um−i (x).

Par construction, le sous-espace F := Vect(e1 , . . . , em ) est stable par u. En fait, on a u(e1 ) = 0 et

u(ei ) = ei−1 pour i > 1. Montrons que (e1 , . . . , em ) est une base de F. Supposons le contraire et
qu’on puisse écrire a1 e1 + · · · + ar er = 0 avec r minimal. Comme ur−1 (ei ) = 0 pour i < r et que
ur−1 (er ) = e1 , on aura
0 = ur−1 (0) = ur−1 (a1 e1 + · · · ar er ) = ar e1
 106 Chapitre 6. Classification des endomorphismes

Puisque e1 := um−1 (x) 6= 0, on voit que ar = 0. Contradiction.

On considère maintenant l’espace dual t E et l’application duale t u. On a bien sûr (t u)m = t um =
0. Comme E est de dimension finie, on sait grâce au théorème 4.4.6 que (t E)◦ = {0}. Puisque
e1 6= 0, on en déduit qu’il existe ϕ ∈ t E tel que ϕ(e1 ) 6= 0. Et il suit que
t m−1
u (ϕ)(x) = ϕ(um−1 (x)) = ϕ(e1 ) 6= 0
si bien que t um−1 (ϕ) 6= 0. On voit donc comme ci-dessus, que si on pose
∀i = 1, . . . , m, ϕi := t um−i (ϕ),
alors U := Vect(ϕ1 , . . . , ϕm ) est un sous-espace vectoriel de dimension m qui est stable par t u. Il
suit formellement que U ◦ est stable par u (exercice).
On a
dim F + dimU ◦ = dimU + dimU ◦ = dim E
et
F ∩U ◦ = (t F)◦ = {0},
puisque les restrictions de ϕ1 , . . . , ϕm à F sont linéairement indépendantes et forment donc une
base de t F. On a donc une décomposition en somme directe E ' F ⊕U ◦ stable par u. Comme nous
avons prouvé le théorème pour F ci-dessus, on peut conclure par récurrence sur la dimension de E.


Remarque 1. Le théorème nous dit que si on pose, pour tout r ∈ N,

 
0 1 0 ··· 0
 .. . . . . . . .. 
 .
 . . . . 
 .. . .
.. .. 0 
Nr :=  .  ∈ Mr (K),
 ..
 
.. 
 . . 1 
0 ··· ··· ··· 0
alors toute matrice nilpotente est semblable à une matrice diagonale par blocs
 
Nr 0 · · · 0
. 
 0 . . . . . . .. 

 .
 .. . . . . 
 . . . 0 
0 · · · 0 Ns
2. On a toujours ur (∑ ai ei ) = ∑ur (ei )6=0 ai ei−r et il suit que ker ur est engendré par les ei qui sont
dans ker ur .
3. Les blocs de taille r sont en bijection avec les ei tels que ur (ei ) = 0 mais ur−1 (ei ) 6= 0.
Cela signifie que ei ∈ ker ur \ ker ur−1 . Le nombre de blocs de taille m est donc exactement
dim ker ur − dim ker ur−1 qui ne dépend que de u et pas de la base B.

6.4 Trigonalisation
Théoreme 6.4.1 — de Jordan. Soient E un espace vectoriel de dimension finie et u ∈ L(E) à
polynôme caractéristique scindé. Alors, il existe une base (e1 , . . . , en ) de E telle que

ai ei + ei−1 ou
∀i = 1, . . . , n, u(ei ) =
ai ei
6.4 Trigonalisation 107

avec a1 , . . . , an ∈ K. De plus, si u(ei ) = ai ei + ei−1 , alors ai−1 = ai .

Démonstration Supposons d’abord qu’il existe a ∈ K tel que u − aIdE soit nilpotent sur E. Grâce
au théorème 6.3.4, il existe donc une base (e1 , . . . , en ) de E telle que
ei−1 ou
∀i = 1, . . . , n, u(ei ) − aei =
0,
et on a fini.
En général, on écrit
χu = (T − a1 )m1 · · · (T − ar )mr ,
et le lemme des noyaux nous fournit une décomposition en somme directe
E ' E1 ⊕ · · · ⊕ Er avec Ei = ker(u − ai IdE )mi .
Chaque Ei est stable par u et u − ai IdE est nilpotent sur Er . On est donc ramené au cas précédent. 
Remarque 1. Le théorème de Jordan nous dit donc que si on pose, pour tout a ∈ K et r ∈ N,
 
a 1 0 ··· 0
 .. . . . . . . .. 
 .
 . . . . 

 .. . .
.. .. 0 
Ja,r := aIr + Nr =  .  ∈ Mr (K)
 ..
 
.. 
 . . 1 
0 ··· ··· ··· a
(on appelle ça un bloc de Jordan), alors toute matrice dont le polynôme caractéristique est
scindé est semblable à une matrice diagonale par blocs
 
Ja,r 0 · · · 0
.. 
 0 ... ...

 . 

 .. . . . . 
 . . . 0 
0 · · · 0 Jb,s
(on appelle ça une matrice de Jordan).
2. Les sous-espaces Ei = ker(u − ai IdE )mi qui apparaissent dans la décomposition de E ne sont
pas les sous-espaces propres mais les sous-espaces caractéristiques.
3. On obtient ainsi une décomposition, dite de Dunford, u = d + n avec d diagonalisable, n
nilpotent et nd = dn. Nous aurons besoin plus tard du fait que d et n sont polynomiales en u :
cela résulte du fait que, dans le lemme des noyaux, les projections sont polynomiales en u.

Proposition 6.4.2 — de Dunford (additive). Soient E un espace vectoriel de dimension finie

et u ∈ L(E) à polynôme caractéristique scindé. On peut alors écrire de manière unique u = d + n
avec d diagonalisable, n nilpotent et nd = dn.

Démonstration Nous connaissons déjà l’existence d’une telle décomposition et nous pouvons
même supposer que d et n sont polynomiale en u. On voit aussi aisément que la décomposition est
unique dans le cas u = 0 car on a alors n = −d et qu’une matrice diagonale nilpotente est néces-
sairement nulle. Revenons au cas général et supposons qu’il existe une autre telle décomposition
u = d 0 + n0 . Comme d 0 commute avec lui même et avec n0 , il commute avec u, et donc aussi avec d
qui est un polynôme en u. Il existe alors une base dans laquelle les matrices de d et d 0 sont toutes
les deux diagonales. Il suit que la matrice de d − d 0 est diagonale. Mais on sait aussi que n0 − n est
0 0
nilpotent (si nr = 0 et n0r = 0, alors (n − n0 )rr = 0). On est donc ramenés au cas u = 0. 
108 Chapitre 6. Classification des endomorphismes

Corollaire 6.4.3 — de Dunford multiplicative. Soient E un espace vectoriel de dimension

finie et u ∈ GL(E) à polynôme caractéristique scindé. On peut alors écrire de manière unique
u = di = id avec d diagonalisable et i unipotent.

Démonstration L’unicité est immédiate car on aura u = d + n avec d diagonalisable, n := d − di

nilpotent et nd = dn. Réciproquement, si on part de la décomposition de Dunford additive u = d + n,
on remarque d’abord que, comme det u = det d, on a d inversible et on peut écrire u = di = id avec
i = IdE + d −1 n. 

Remarque Lorsque K = C, tout polynôme est scindé et tous les résultats précédents s’appliquent
donc sans restriction.
 6.5 Exercices 109

6.5 Exercices

Exercice 6.5.1 Soient E un espace vectoriel de dimension n et u ∈ L(E).

1. Montrer que si m ∈ N, il existe R ∈ K[T ]<n tel que um = R(u).
2. Montrer que si u ∈ GL(E), il existe P ∈ K[T ]<n tel que u−1 = P(u).

Exercice 6.5.2 Soient E un espace vectoriel de dimension finie et u ∈ L(E). Montrer que
u ∈ GL(E) si et seulement 0 n’est pas une valeur propre pour u. En déduire que u ∈ GL(E) si et
seulement si χ(0) 6= 0 si et seulement si µ(0) 6= 0.

Exercice 6.5.3 Montrer que si E un espace vectoriel de dimension finie et u ∈ L(E), alors

χu = T n − tr(u)T n−1 + · · · + (−1)n det(u).

 
a b
En déduire une formule pour χA lorsque A = .
c d
 
0 1
Exercice 6.5.4 Montrer que T2
+ 1 est un polynôme annulateur de . Est-ce le
−1 0
polynôme caractéristique, le polynôme minimal ? La matrice est-elle diagonalisable sur R ? sur
C?
Exercice 6.5.5 Soit E un espace vectoriel de dimension finie.
1. Montrer qu’un endomorphisme p de E est une projection si et seulement si p est diagona-
lisable et ses valeurs propres sont dans {0, 1}.
2. (2 6= 0 dans K) Montrer qu’un endomorphisme s de E est une symétrie si et seulement si
s est diagonalisable et ses valeurs
 propres sont dans {−1, 1}.
1 1
3. Montrer que A := est une symétrie sur F2 qui n’est pas diagonalisable.
0 1

Exercice 6.5.6 Soient E un espace vectoriel de dimension n sur K, u ∈ L(E), µ son polynôme
minimal et χ son polynôme caractéristique.
1. Montrer que si x ∈ E, il existe un unique µx ∈ K[T ] unitaire tel que P(u)(x) = 0 ⇔ µx | P.
2. En déduire un isomorphisme K[T ]/(µx ) ' Ex := Vect(uk (x), k ∈ N), puis que dim Ex =
deg µx .
3. En déduire aussi que µx | µ | χ, puis que E = Ex si et seulement si µx = µ = χ. On dit
alors que x est un vecteur cyclique pour u.
4. Montrer que si E = E1 ⊕ · · · ⊕ Er , avec les Ei stables par u, et si x = x1 + · · · + xr est la
décomposition correspondante de x ∈ E, alors µxi | µx pour tout i = 1, . . . , r.
5. Montrer, grâce au lemme des noyaux, qu’il existe x ∈ E tel que µx = µ (on pourra traiter
d’abord le cas µ = Pm avec P irréductible).
6. En déduire que χ = µ si et seulement si il existe un vecteur cyclique.
 
4 −1
Exercice 6.5.7 1. Déterminer la forme de Jordan J de A := .
4 0
2. Jn
Calculer pour tout n ∈ N.
3. Déterminer une matrice de passage P pour A et calculer son inverse.
4. Rappeler la formule pour An et effectuer le calcul.
5. Déterminer le reste dans la division euclidienne de T n par le polynôme caractéristique de
A, puis subsitutuer A afin de retrouver le résutlat précédent par une autre méthode.
110 Chapitre 6. Classification des endomorphismes
Exercice 6.5.8 Résoudre la suite de Fibonacci xn+2 = xn + xn+1 en termes de x0 et x1 .

Exercice 6.5.9 Déterminer les décompositions de Dunford des matrices

 
    1 1 0
1 2 1 1
, et  0 1 0 .
0 1 0 2
−1 1 2

Exercice 6.5.10 (on pourra s’appuyer sur l’exercice 6.5.15). On pose

 
3 2 4
A :=  −1 3 −1  .
−2 −1 −3

1. Résoudre l’équation différentielle Y 0 = AY .

2. Résoudre la suite récurrente Xn+1 = AXn .
3. Mêmes questions avec les matrices
   
  0 0 0 −1   2 1 0 0
8 −1 −5  1 0 0 0  1 −1 −1  −2
 −2 3 0 0 0 
1 ,  0 1 0 −2  , −1 1 −1 ,  1
    .
0 0 2 
4 −1 −1 1 0 2
0 0 1 0 0 1 −1 2
6.5 Exercices 111
Exercice 6.5.11 — TP. Diagonaliser si possible les matrices suivantes
   
1 −2 −2 1 0 0
 −1 2 0 ,  −1 0 −2  ,
2
1
2 1 3 1 1 3
 
1 −1 −4
et  3 5 4 .
−1 −1 2

Exercice 6.5.12 — TP. Soient

 
0 0 0 1  
 0 0 0 1 0 −10
1 
A := 
 1 1 0
, B :=  1 1 −5  ,
2 2 0 
0 1 −1
0 0 1 0
   
2 0 4 −4 0 −2
C :=  3 −4 12  , D :=  0 1 0  .
1 −2 5 5 1 3
Calculer les polynômes caractéristiques, les valeurs propres et les vecteurs propres des matrices
A, B, C et D. Si possible, les diagonaliser. En déduire celles qui sont inversibles. Exprimez leur
inverse en vous aidant du polynôme caractéristique.

Exercice 6.5.13 — TP. À quelle condition la matrice

 
a 0 0 0 b

 0 a 0 b 0 

A :=  0 1 2 1 0  ∈ M5 (Q)
 
 0 b 0 a 0 
b 0 0 0 a

est elle diagonalisable ? Déterminer les sous-espaces propres et leur dimension.

Exercice 6.5.14 — TP. Déterminer la forme de Jordan J ainsi qu’une matrice de passage P pour
 
−3 2 3
A :=  −6 4 4  .
−2 1 3

Exercice 6.5.15 — TP. Déterminer la forme de Jordan J ainsi qu’une matrice de passage P pour
les matrices    
3 2 4 8 −1 −5
 −1 3 −1  ,  −2 3 1 ,
−2 −1 −3 4 −1 −1
   
0 0 0 −1   2 1 0 0
 1 1 −1 −1  −2 0 0
 0 0 0  ,  −1 1 −1  et  0 
.
 0 1 0 −2   1 0 0 2 
1 0 2
0 0 1 0 0 1 −1 2
112 Chapitre 6. Classification des endomorphismes

Exercice 6.5.16 — TP. On considère les matrices suivantes dans M8 (Q) :

−2 0 1 −2 −1 3 1 2 −1 −5 2 5 −2 3 0 5
   
 −9 7 −5 −5 −4 6 4 −1   −1 −3 1 4 1 0 0 1 
0 0 −2 0 0 0 0 0 −4 6 −4 −3 7 10 −3 −6
   
   
 −9 7 −3 −5 −4 6 4 −1 −2 3 −2 0 4 5 −2 −3
   
A :=  , B :=  ,
  
 −4 1 −3 0 0 3 3 −3   −4 2 −2 1 5 11 −3 −2 
 −13 14 −6 −9 −8 7 8 −5 0 −1 1 1 −1 1 0 1
   
  
 5 −11 6 5 5 1 −2 4   −2 3 0 0 2 10 −2 −3 
−1 1 0 −1 −1 1 1 1 1 −9 4 7 −4 −6 2 7

−1 0 −2 2 0 0 0 0 4 −1 1 −2 −2 1 0 −1
   
 −3 0 −3 2 1 1 0 0   6 −1 1 −5 −3 2 0 0 
6 0 8 −6 −3 0 3 −3  10 −5 −1 −8 −5 3 2 5
   
  
6 0 7 −5 −3 0 3 −3  3 −1 1 −1 −2 1 0 −1
   
C :=  , D := 
  
−7 −1 −7 6 4 1 −2 2  16 −8 −2 −12 −7 4 4 6

  
−5 −1 −4 4 2 2 −1 1  14 −6 −1 −11 −7 5 2 4
   
  
 −3 −1 −2 2 2 1 0 1   9 −4 −2 −7 −4 2 3 4 
4 0 5 −4 −3 0 3 −2 10 −5 0 −8 −5 3 2 4

1 1 −1 1 1 0 −1 −1
 
 0 1 0 0 3 1 −3 0 
0 0 1 0 1 1 −1 0
 
 
0 1 −1 2 1 0 −1 −1
 
et E :=  .
 
 0 1 −1 1 2 1 −2 −1 
1 1 −1 0 2 1 −3 0
 
 
 0 1 −1 1 3 1 −3 −1 
1 1 −1 0 0 0 −1 1

1. Déterminer le polynôme caractéristique et le polynôme minimal de A. Les factoriser.

Établir la liste de leurs racines, en précisant lesquelles sont dans Q ou dans C, et comparer
les multiplicités. Mêmes questions avec B, C, D et E.
2. Déterminer les sous-espaces propres de A. Comparer pour chacun, leur dimension avec la
multiplicité de la valeur propre correspondante dans le polynôme caractéristique ainsi que
dans le polynôme minimal. Mêmes questions avec B, C, D et E.
3. Calculer les noyaux des matrices (E − I)k lorsque k augmente. Observer l’évolution de
leur dimension et comparer avec les multiplicités de la valeur propre 1 ainsi qu’avec la
dimension du sous-espace propre associé.
4. Parmi ces cinq matrices, lesquelles sont diagonalisables sur Q ? sur C ?
III
Troisième partie

7 Forme quadratique . . . . . . . . . . . . . . . . . 115

7.1 Forme bilinéaire
7.2 Forme bilinéaire non dégénérée
7.3 Orthogonal
7.4 Forme quadratique
7.5 Décomposition d’une forme quadratique
7.6 Formes quadratiques complexes et réelles
7.7 Exercices

8 Espace vectoriel normé . . . . . . . . . . . . 129

8.1 Topologie
8.2 Valeur absolue
8.3 Norme
8.4 Espace de Banach
8.5 Algèbre de Banach
8.6 Exponentielle
8.7 Fonction vectorielle
8.8 Exercices

9 Espace vectoriel euclidien . . . . . . . . . . 145

9.1 Produit scalaire
9.2 Espace euclidien
9.3 Réduction des matrices symétriques
9.4 Espace préhilbertien
9.5 Exercices
 7. Forme quadratique

7.1 Forme bilinéaire

Définition 7.1.1 Une forme bilinéaire sur un espace vectoriel E est une application

Φ : E ×E → K

telle que
1. ∀x, y, z ∈ E, Φ(x + y, z) = Φ(x, z) + Φ(y, z) et Φ(x, y + z) = Φ(x, y) + Φ(x, z)
2. ∀x, y ∈ E, ∀a ∈ K, Φ(ax, y) = Φ(x, ay) = aΦ(x, y)

Remarque 1. Bien sûr, il s’agit d’une spécialisation de la définition 5.1.2 d’une application
multilinéaire.
2. Comme nous l’avons montré dans la proposition 5.1.4, nous avons alors à notre disposition
un isomorphisme
L2 (E, K) ' L(E, t E), Φ ↔ l

entre l’espace des formes bilinéaires sur E celui des applications linéaires de E vers son dual,
et qui est donné par
Φ(x, y) = l(y)(x).

On écrira lΦ pour indiquer que l dépend de Φ et on notera aussi parfois Φy : E → K la forme

linéaire partielle donnée par Φy (x) = Φ(x, y).
3. On peut aussi échanger les facteurs et considérer l’application r : E → t E donnée par r(x)(y) :
Φ(x, y) et les formes linéaires partielles x Φ : E → K données par x Φ(y) = Φ(x, y).
4. On appliquera systématiquement à la forme bilinéaire Φ les notions habituellement utilisées
pour l’application linéaire lΦ . Par exemple, le noyau de Φ (aussi appelé radical) sera

ker Φ := ker lΦ = {y ∈ E / ∀x ∈ E, Φ(x, y) = 0}.

Et le rang de Φ sera rang(Φ) := rang(lΦ ) si bien que le théorème du rang s’applique à Φ.

116 Chapitre 7. Forme quadratique

5. Si E est de dimension finie, on définit de même la matrice de la forme bilinéaire Φ dans une
base B := (e1 , . . . , en ) :
[Φ]B := [lΦ ]tBB = [Φ(ei , e j )]
On pourra aussi écrire MatB (Φ). On voit donc que, par définition, le noyau (resp. le rang) de
la forme bilinéaire Φ est le noyau (resp. le rang) de la matrice [Φ]B .
6. Si J := [ci, j ] ∈ Mn (K), alors la forme bilinéaire associée est donnée par
n
Φ((x1 , . . . , xn ), (y1 , . . . , yn )) = ∑ ci, j xi y j .
i, j=1

Exemple 1. La forme bilinéaire canonique sur K n est définie par

((x1 , . . . , xn ), (y1 , . . . , yn )) 7→ x1 y1 + · · · + xn yn .
Sa matrice dans la base canonique est la matrice unité I, son noyau est nul et son rang est n.
2. Si B est une base ordonnée d’un plan  H, alors l’application detB est une forme bilinéaire
0 1
sur H. Sa matrice dans la base B est , son noyau est nul et elle est de rang 2.
−1 0
3. L’application Φ((a, b), (c, d)) = ac− bc − ad −bd définit une forme bilinéaire sur K 2 . Sa
1 −1
matrice dans la base canonique est . C’est une forme bilinéaire de rang 1 dont
−1 1
le noyau est la diagonale ∆.
4. L’application (z1 , z2 ) 7→ ℜ(z1 z2 ) définit une forme bilinéaire
 sur C (vu comme espace vecto-
1 0
riel sur R) dont la matrice dans la base canonique est . Elle est de rang 2 (et son
0 −1
noyau est nul).
5. L’application
Z 1
( f , g) 7→ ( f g)(t)dt
0
est une forme bilinéaire sur C 0 ([0, 1], R) dont le noyau est nul (et le rang infini).
6. Si E est un espace vectoriel de dimension finie, l’application (u, v) 7→ tr(u ◦ v) définit une
forme bilinéaire sur L(E). Rang ? Noyau ? Matrice ? Ça devient compliqué.

Proposition 7.1.2 Soit Φ une forme bilinéaire sur un espace vectoriel E, u, v : F → E deux
applications linéaires et Ψ := Φ ◦ (u × v) la forme bilinéaire composée sur F. On aura alors

lΨ = t u ◦ lΦ ◦ v.

Démonstration On dispose donc du diagramme commutatif de gauche et on doit montrer que

celui de droite est commutatif :
lΦ
E ×O E
Φ /K, EO / tE
<
Ψ tu
u v v
lΨ

F ×F F / tF

Il suffit en fait de calculer. On a

(t u ◦ lΦ ◦ v)(y) = t u(lΦ (v(y)) = lΦ (v(y)) ◦ u
et donc
(t u ◦ lΦ ◦ v)(y)(x) = lΦ (v(y))(u(x)) = Φ(u(x), v(y)) = Ψ(x, y). 
 7.2 Forme bilinéaire non dégénérée 117

Corollaire 7.1.3 Dans la situation de la proposition, supposons que E et F soient de dimension

finie et munis de bases B et C respectivement. Désignons les matrices de Φ, u et v dans ces
bases par J, A et B respectivement. Alors, la matrice de Ψ sera t AJB. 

Remarque Comme cas particulier, on peut considérer le cas ou u et v désignent tous les deux
l’inclusion d’un sous-espace vectoriel E 0 . On obtient alors la restriction Φ|E 0 de Φ à E 0 . Si B 0 est
une base de E 0 et qu’on la prolonge en une base B de E et si J, J 0 désignent les bases de Φ et Φ|E 0 ,
aura  0 
J ?
J=
? ?

Corollaire 7.1.4 Soit Φ une forme bilinéaire sur un espace vectoriel E de dimension finie et
x, y ∈ E. Si J, X et Y désignent les matrices de Φ, x et y respectivement dans une base B de E,
on a
Φ(x, y) = t XJY.

Démonstration Il suffit de composer Φ avec les inclusions ix , iy : K ,→ E. 

Corollaire 7.1.5 Soit Φ une forme bilinéaire sur un espace de dimension finie E et J sa matrice
dans une base B. Alors, Φ est symétrique (resp. antisymétrique) si et seulement si J l’est.

Démonstration Il suffit de remarquer que t Y JX = t (t Y JX) = t X t JY . 

Corollaire 7.1.6 Soit Φ une forme bilinéaire sur un espace de dimension finie E, J sa matrice
dans une base B, J 0 sa matrice dans une base B 0 et P la matrice de passage. On a alors

J 0 = t PJP.

Démonstration Il suffit de considérer l’identité sur E × E en utilisant B 0 à gauche et B à droite.



Remarque S’il existe une matrice inversible P telle que J 0 = t PJP, on dit que J et J 0 sont
congruentes. Attention, ne pas confondre avec semblables A0 = P−1 AP.

7.2 Forme bilinéaire non dégénérée

Définition 7.2.1 Une forme bilinéaire Φ est non dégénérée (ou définie) si ker Φ = 0.

Remarque 1. Cela signifie que donc l’on a une application injective lΦ : E ,→ t E. Fixer Φ
revient donc à voir E comme contenu dans t E. En dimension infinie, cette inclusion sera
toujours stricte (on aura pas égalité).
2. Lorsque E est de dimension finie, on peut utiliser le théorème du rang et la condition de la
définition est donc équivalente à rang(Φ) = dim E. Cela revient aussi à dire que la matrice J
de Φ est inversible ou encore que det(J) 6= 0.
3. C’est redondant avec ce qui précède, mais il est important de remarquer que se donner une
forme bilinéaire non dégénérée sur un espace vectoriel E de dimension finie est équivalent à
se donner un isomorphisme entre E et t E. Fixer Φ revient donc à identifier E et son dual.
 118 Chapitre 7. Forme quadratique

Exemple 1. La forme bilinéaire canonique sur K n est non dégénérée et fournit l’identification
habituelle entre K n et son dual :

(a1 , . . . , an ) ↔ ϕ ⇔ ϕ(x1 , . . . , xn ) = a1 x1 + · · · + an xn .

2. La forme bilinéaire (z1 , z2 ) 7→ ℜ(z1 z2 ) est non dégénérée et permet d’identifier C avec son
dual via 1 ↔ ℜ et i ↔ −ℑ.
3. L’application
Z 1
( f , g) 7→ ( f g)(t)dt
0
est non dégénérée.

Définition 7.2.2 Soit Φ une forme bilinéaire non dégénérée sur un espace vectoriel E de
dimension finie. L’opérateur adjoint à u ∈ L(E) relativement à Φ est

u∗ = lΦ
−1 t
◦ u ◦ lΦ .

Proposition 7.2.3 Soit Φ une forme bilinéaire non dégénérée sur un espace vectoriel E de
dimension finie. Si u ∈ L(E), alors son adjoint u∗ est l’unique opérateur tel que

∀x, y ∈ E, Φ(u(x), y) = Φ(x, u∗ (y)).

Démonstration La condition s’écrit encore

∀x, y ∈ E, lΦ (y)(u(x)) = lΦ (u∗ (y))(x)

c’est à dire
∀y ∈ E, lΦ (y) ◦ u = (lΦ ◦ u∗ )(y)
−1 t
et donc finalement t u ◦ lΦ = lΦ ◦ u∗ , c’est à dire u∗ = lΦ ◦ u ◦ lΦ comme annoncé. 

Corollaire 7.2.4 Sous les mêmes hypothèses si on désigne par J et A les matrices de Φ et u
respectivement dans une base B, alors la matrice de u∗ est A∗ := J −1t AJ.

Remarque On on définit bien sûr la matrice adjointe à A ∈ Mn (K) relativement à J ∈ GLn (K)
comme étant A∗ := J −1t AJ.

7.3 Orthogonal
Définition 7.3.1 Soit Φ une forme bilinéaire symétrique sur un espace vectoriel E de dimension
finie. On dit que A ⊂ E est orthogonale à B ⊂ E relativement à Φ, et on écrit A ⊥ B, si

∀x ∈ A, ∀y ∈ B, Φ(x, y) = 0.

Remarque 1. Comme on suppose que Φ est symétrique, on voit que A ⊥ B ⇔ B ⊥ A.

2. Lorsque B = {y} (resp. A = {x}), on dit que x est orthogonal à B (resp. A est orthogonal à y).
3. On pose A⊥ := {x ∈ E, ∀y ∈ A, Φ(x, y) = 0} et on écrit x⊥ lorsque A = {x}.
4. On a A ⊥ B ⇔ A ⊂ B⊥ ⇔ B ⊂ A⊥ .
5. A⊥ est un sous-espace vectoriel de E et A ⊂ A⊥⊥ . De plus, si A ⊂ B, alors B⊥ ⊂ A⊥ .
6. Remarquons aussi que ker Φ = E ⊥ .
7.3 Orthogonal 119

Proposition 7.3.2 Si Φ est une forme bilinéaire symétrique sur un espace vectoriel E de dimen-
sion finie, elle induit une forme bilinéaire symétrique non dégénérée

E/ ker Φ × E/ ker Φ
Φ /K
 / Φ(x, y)
(x, y)

Démonstration On a toujours une telle forme bilinéaire (exercice) et elle est bien sûr symétrique
lorsque Φ l’est. Il reste à montrer qu’elle est non dégénérée. Mais on a

x ∈ ker Φ ⇔ ∀y ∈ E, Φ(x, y) = 0 ⇔ x ∈ ker Φ ↔ x = 0. 

Remarque 1. Soit C une base de ker Φ, B une base de E qui prolonge C et B la base induite
sur E/ ker Φ. Alors, si on désigne par J (resp. J) la matrice de Φ (resp Φ) dans la base B
(resp. B), on a
 
0 0
J=
0 J

et J est une matrice symétrique inversible.

2. Le
 fait que Φ soit symétrique est essentiel pour que Φ soit non dégénérée (prendre J =
0 1
comme contre exemple).
0 0

Théoreme 7.3.3 Si Φ est une forme bilinéaire symétrique non dégénérée sur un espace vectoriel
E de dimension finie, alors l’application F 7→ F ⊥ , sur l’ensemble des sous-espaces vectoriels
de E, est une symétrie qui renverse l’inclusion et échange somme et intersection. De plus, on a
toujours
dim F + dim F ⊥ = dim E.

Démonstration On dispose d’un isomorphisme lΦ : E ' t E et si U est l’image d’un sous-espace

vectoriel F, alors F ⊥ = U ◦ . Notre assertion résulte donc immédiatement du théorème 4.4.6 et du
corollaire 4.4.4. 

Remarque Cette assertion signifie que l’on a toujours

F ⊥⊥ = F, (F1 ∩ F2 )⊥ = F1⊥ + F2⊥ , (F1 + F2 )⊥ = F1⊥ ∩ F2⊥ et F1 ⊂ F2 ⇔ F2⊥ ⊂ F1⊥ .

Corollaire 7.3.4 Soit Φ est une forme bilinéaire symétrique non dégénérée sur un espace
vectoriel E de dimension finie et F un sous-espace vectoriel de E. Alors, les conditions suivantes
sont équivalentes
1. Φ|F est non dégénérée,
2. F ∩ F ⊥ = {0},
3. E = F ⊕ F ⊥ .

Démonstration En effet, par définition, le noyau de Φ|F est F ∩ F ⊥ et le reste suit (exercice). 

Exemple Si on prend Φ((x1 , x2 ), (y1 , y2 ) = x1 y2 + x2 y1 sur E = K 2 et qu’on considère F :=

Vect((1, 0)), on voit que F ⊥ = F. Il suit que Φ|F est dégénérée (et donc nulle).
 120 Chapitre 7. Forme quadratique

7.4 Forme quadratique

On suppose que 2 6= 0 dans K.
Définition 7.4.1 Une forme quadratique sur un espace vectoriel de dimension finie E est une
application Q : E → K telle que l’application

E ×E
Φ /K
 / 1
(x, y) 2 (Q(x + y) − Q(x) − Q(y))

soit une forme bilinéaire, appelée alors polaire de Q.

Exemple 1. Q(x1 , x2 ) = x12 + x22 de polaire Φ((x1 , x2 ), (y1 , y2 )) = x1 y1 + x2 y2 .

2. Q(x1 , x2 ) = x12 − x22 de polaire Φ((x1 , x2 ), (y1 , y2 )) = x1 y1 − x2 y2 .
3. Q(x1 , x2 ) = (x1 − x2 )2 de polaire Φ((x1 , x2 ), (y1 , y2 )) = x1 y1 − x1 y2 − x2 y1 + x2 y2 .

Proposition 7.4.2 Si Φ est une forme bilinéaire symétrique sur un espace vectoriel de dimension
finie E, alors l’application
Q
E /K
x / Φ(x, x)

est une forme quadratique de polaire Φ.

Démonstration En effet, on aura

Φ(x + y, x + y) = 2Φ(x, x) + Φ(x, x) + Φ(y, y). 

Remarque 1. On a donc une bijection Φ ↔ Q entre les formes bilinéaires symétriques et

les formes quadratiques sur E. En particulier, les formes quadratiques forment un espace
vectoriel isomorphe à S2 (E, K), et donc aussi à SMn (K), si on choisit une base.
2. On appliquera à Q le vocabulaire déjà introduit pour Φ. On parlera ainsi du noyau ker Q de
Q, de son rang rang(Q) ou de sa matrice [Q]B dans une base B. On dira aussi que Q est non
dégénérée si c’est le cas pour Φ et on parlera aussi d’orthogonalité par rapport à Q.
3. Si J := [ci, j ] ∈ SMn (K), alors la forme quadratique associée est donnée par
n
Q(x1 , . . . , xn ) = ∑ ci,i xi2 + 2 ∑ ci, j xi x j .
i=1 i< j

Proposition 7.4.3 Soit Q une forme quadratique sur un espace vectoriel de dimension finie E.
Alors,
1. ∀a ∈ K, ∀x ∈ E, Q(ax) = a2 Q(x)
2. ∀x, y ∈ E, Q(x + y) + Q(x − y) = 2Q(x) + 2Q(y)
3. ∀x, y ∈ E, x ⊥ y ⇔ Q(x + y) = Q(x) + Q(y)

Démonstration On désigne par Φ la polaire de Q.

1. On a Q(ax) = Φ(ax, ax) = a2 Φ(x, x) = a2 Q(x).
2. On a

Q(x + y) = Φ(x + y, x + y) = Φ(x, x) + Φ(y, y) + 2Φ(x, y) = Q(x) + Q(y) − 2Φ(x, y),

7.4 Forme quadratique 121

et donc aussi

Q(x − y) = Q(x) + Q(−y) + 2Φ(x, −y) = Q(x) + Q(y) − 2Φ(x, y),

et il suffit d’additionner.
3. On a
1
x ⊥ y ⇔ Φ(x, y) = 0 ⇔ (Q(x + y) − Q(x) − Q(y)) = 0 ⇔ Q(x + y) = Q(x) + Q(y). 
2
Remarque 1. La première propriété est la quadraticité Q(ax) = a2 Q(x), à comparer avec la
linéarité u(ax) = au(x).
2. La seconde propriété est la règle du parallélogramme qui dit classiquement que la somme
des carrés des diagonales d’un parallélogramme est égale à la somme des carrés des cotés
(faire un dessin). On peut réécrire notre égalité sous la forme
   
x−y 1 1 x+y
Q = Q(x) + Q(y) − Q
2 2 2 2
et on retrouve alors la règle de la médiane qui dit classiquement que le carré de la médiane
est égal à la demi-somme de la somme des carrés des cotés à laquelle on retranche le carré de
du demi coté opposé (faire un dessin).
3. La troisième propriété est le théorème de Pythagore qui dit classiquement qu’un triangle est
rectangle en un sommet si et seulement si le carré du coté opposé (alors appelé hypoténuse)
est la somme des carrés des deux autres cotés (faire un dessin aussi).

Définition 7.4.4 Soit Q une forme quadratique sur E. Un vecteur x ∈ E est isotrope pour Q si
Q(x) = 0. Plus généralement, un ensemble A de vecteurs de E est isotrope pour Q si Q|A = 0.

Remarque 1. Dire qu’une partie est isotrope signifie donc tout simplement qu’elle est compo-
sée de vecteurs isotropes.
2. Si x ∈ ker Q, alors x est isotrope. Mais la réciproque est complètement fausse. Par exemple,
si Q(x, y) = 2xy sur K 2 , alors le vecteur (1, 0) est isotrope bien que Q soit non dégénérée.

Définition 7.4.5 Soit Q une forme quadratique sur un espace vectoriel de dimension finie E.
On dit que u ∈ GL(E) est orthogonal relativement à Q si

u ◦ Q = Q ◦ u.

Le groupe orthogonal de Q est l’ensemble O(Q) de toutes les opérateurs orthogonaux relative-
ment à Q.

Remarque 1. Dire que u est orthogonal relativement à Q signifie donc que

∀x ∈ E, u(Q(x)) = Q(u(x)).

2. On dit aussi que u est orthogonal relativement à une forme bilinéaire symétrique Φ si et
seulement si
∀x, y ∈ E, Φ(u(x), u(y)) = Φ(x, y).
3. Un opérateur est orthogonal relativement à une forme quadratique Q si et seulement si il est
orthogonal relativement à sa polaire Φ. En particulier, on voit que x ⊥ y ⇒ u(x) ⊥ u(y), ce
qui justifie la terminologie.
 122 Chapitre 7. Forme quadratique

4. Si J ∈ SMn (K), on dira que qu’une matrice A ∈ Mn (K) est orthogonale par rapport à J si
t AJA = J et que

O(J) := {A ∈ GLn (K) / t AJA = J}

est le groupe orthogonal de J.
5. Si Q (resp. u) a pour matrice J (resp. Q) dans une base B, on voit que u est orthogonal
relativement à Q si et seulement si A est orthogonale relativement à J.
6. Il est clair que O(Q) (resp. O(J)) est un bien un sous-groupe de GL(E) (resp. GLn (K)).

Proposition 7.4.6 Si Q est une forme quadratique non dégénérée sur E et u ∈ GL(E), alors

u ∈ O(Q) ⇔ u−1 = u∗ .

Démonstration Soient x, y ∈ E. Si u est une orthogonal, on a

Φ(u(x), y) = Φ(u(x), u(u−1 (y)) = Φ(x, u−1 (y)

et on voit donc que u−1 = u∗ . Et réciproquement, si on suppose que u−1 = u∗ , alors

Φ(u(x), u(y)) = Φ(x, u∗ (u(y)) = Φ(x, y). 

Remarque 1. En terme de matrices, le résultat immédiat : si J et A sont des matrices inver-

sibles, alors la condition t AJA = J (matrice orthogonale) est équivalente à J −1t AJ = A−1
(adjoint=inverse).
2. Lorsque Q est non dégénérée, si u est orthogonal, alors det u = ±1.

Exemple 1. On désigne par O(p, q) le groupe orthogonal de

 
Ip 0 0
J =  0 −Iq 0  .
0 0 0

2. On note plus simplement O(n) le groupe orthogonal de I ∈ Mn (K) si bien que

O(n) = {A ∈ GLn (K) / A−1 = t A} (= {A ∈ Mn (K) / t AA = I}.

3. Le groupe orthogonal du plan est l’ensemble des rotations et des réflexions

     
a b 2 2
[ a b 2 2
O(2) = / a +b = 1 / a +b = 1 .
−b a b −a

4. En général, on écrira SO(Q) := O(Q) ∩ SL(E). On voit donc que SO(2) est le groupe des
rotations su plan.

7.5 Décomposition d’une forme quadratique

On suppose toujours que 2 6= 0 dans K.
Définition 7.5.1 Soit Q une forme quadratique sur un espace vectoriel de dimension finie E.
Une partie X est orthogonale relativement à Q si

∀x 6= y ∈ X, x ⊥ y.
7.5 Décomposition d’une forme quadratique 123

Elle est orthonormale si, de plus

∀x ∈ X, Q(x) = 1.

Proposition 7.5.2 Une partie orthonormale est libre.

Démonstration Si ∑ ax x = 0 avec ax ∈ K presque tous nuls, alors pour tout y ∈ X, on aura

0 = Φ(0, y) = Φ(∑ ax x, y) = ∑ ax Φ(x, y) = ay . 

Remarque 1. On peut aussi considérer la notion de famille orthogonale (xi )i∈I avec la condi-
tion
∀i 6= j ∈ I, xi ⊥ x j ,
et de famille orthonormale avec la condition supplémentaire

∀i ∈ I, Q(xi ) = 1.

2. Une partie orthogonale n’est pas automatiquement libre : prendre Q(x, y) = 2xy sur K 2 et
x1 = (1, 0) et x2 = (2, 0).
3. Une partie B est une base orthogonale (resp. orthonormale) pour Q si et seulement si la
matrice J de Q dans B est diagonale (resp. si J = I).
4. Lorsque E = K n , dire que J est diagonale (resp. que J = I) signifie que Q(x1 , . . . , xn ) = ∑ ai xi2
(resp. = ∑ xi2 ).
5. S’il existe une base orthonormale pour Q, alors O(Q) ' O(n).

Proposition 7.5.3 Si Q est une forme quadratique sur un espace vectoriel de dimension finie E,
il existe une base orthogonale pour Q.

Démonstration On peut supposer que Q 6= 0 et choisir en ∈ E tel que Q(en ) 6= 0. On peut alors
considérer la polaire Φ de Q et la forme linéaire sur E définie par ϕ(x) = Φ(x, en ). Comme
ϕ(en ) 6= 0, on voit que H := ker ϕ est un hyperplan, et pas récurrence, il existe une base orthogonale
(e1 , . . . , en−1 ) pour Q|H . Par construction, (e1 , . . . , en ) est une base orthogonale pour Q. 

Remarque 1. Cela signifie que toute matrice symétrique est congruente à une matrice diago-
nale, ce qui contraste avec le cas des matrices semblables.
2. Si la matrice de Q dans l’ancienne base B est J et que sa matrice dans la nouvelle base B 0
est D, on aura donc
D = t PJP et J = t P−1 DP−1 ,
où P désigne matrice de passage de B à B 0 .

Corollaire 7.5.4 Si Q est une forme quadratique sur E, il existe ϕ1 , . . . , ϕn ∈ t E tels que

Q(x) = a1 ϕ1 (x)2 + · · · + an ϕn (x)2

Démonstration Il suffit bien sûr de choisir une base orthonormale (e1 , . . . , en ) et de poser ϕi := t ei .


Remarque 1. On devrait dire qu’on a décomposé Q en combinaison linéaire de carrés, mais

on dit plutôt en somme de carrés.
 124 Chapitre 7. Forme quadratique

2. Si on part de J ∈ SMn (K), on obtient une matrice diagonale D et une matrice de passage P.
On aura alors  
c1 0 · · · 0  
. . . [ϕ1 ]

 0 . . . . .. 

 et P−1 =  . 
D=  .. . . . .   ..  .
 . . . 0  [ϕn ]
0 · · · 0 cn
(et il faudra inverser cette dernière matrice pour trouver P).
3. Voici un algorithme dû à Gauss pour décomposer une forme quadratique en en somme de
carrés. On part de
n
Q(x1 , . . . , xn ) = ∑ ci xi2 + 2 ∑ ci, j xi x j ,
i=1 i< j

et on fait une récurrence sur n. S’il existe k ∈ {1, . . . , n} tel que ck 6= 0, on écrit
!2
ck, j
Q(x) = ck xk + ∑ xj + Q0 (x1 , . . . , xk−1 , xk+1 , . . . , xn ),
j6=k ck

Sinon, on a
Q(x1 , . . . , xn ) = 2 ∑ ci, j xi x j ,
i< j

Si Q 6= 0, il existe k < l ∈ {1, . . . , n} tels que ck,l 6= 0, on écrit

! !
ck, j cl, j
Q(x) = 2ck,l xk + ∑ xj xl + ∑ x j +Q0 (x1 , . . . , xk−1 , xk+1 , . . . , xl−1 , xl+1 , . . . , xn ),
c
j6=k,l k,l c
j6=k,l k,l

On est ainsi ramenés au cas n = 2, c’est à dire Q(x, y) = 2cxy et on a alors

 2  2
x+y x−y
2cxy = 2c − 2c .
2 2

Exemple Voici comment on peut décomposer xy + xz + yz en somme de carrés :

xy + xz + yz = (x + z)(y + z) − z2
x+z+y+z 2 x+z−y−z 2 2
   
= − −z
2 2
2 
x−y 2 2
 
x+y
= +z − −z .
2 2

0 21 21
     1 1

1 0 0 2 2 1
J =  12 0 12  , D =  0 −1 0  et P−1 =  12 − 12 0 .
1 1
2 2 0 0 0 −1 0 0 1

7.6 Formes quadratiques complexes et réelles

Proposition 7.6.1 Si Q est une forme quadratique complexe (resp. réelle), alors il existe une
7.6 Formes quadratiques complexes et réelles 125

base dans laquelle la matrice J de Q vaut

  
  Ip 0 0
Ir 0 resp. J =  0 −Iq 0  .
J=
0 0
0 0 0

Démonstration Après avoir choisi une base orthogonale (e1 , . . . , en ), on peut supposer que E = Cn
(resp. E = Rn ) et que
Q(x) = a1 x12 + · · · + an xn2 .
Il suffit alors de faire un changement de base xi 7→ bi xi avec b2i = ai (resp. b2i = |ai |), puis de
réordonner les vecteurs. Les détails sont laissés en exercice. 

Remarque 1. Cette proposition est en fait valide pour n’importe quel corps algébriquement
clos (resp. réel clos).
2. La proposition implique que, lorsque K = C (resp K = R), on a un isomorphisme de groupes

O(Q) ' O(r) (resp. ' O(p, q))

avec rang(Q) = r (resp. = p + q).

3. On voit aussi que, lorsque K = C et Q est non dégénérée, il existe une base orthonormale.

Théoreme 7.6.2 — d’inertie de Sylvester. Si Q est une forme quadratique réelle, il existe p, q
uniques telle que la matrice J de Q dans une base (e1 , . . . , en ) soit
 
Ip 0 0
J =  0 −Iq 0  .
0 0 0

Démonstration Grâce au corollaire 7.6.1, il suffit de montrer l’unicité. Supposons donc que la
matrice J 0 de Q dans une base (e01 , . . . , e0n ) soit
 
Ip0 0 0
J 0 =  0 −Iq0 0  .
0 0 0

Nous allons montrer que (e1 , . . . , e p , e p0 +1 , . . . , e p0 +q0 ) est libre. En effet, si

a1 e1 + · · · + a p e p + b1 e0p0 +1 + · · · + bq0 e0p0 +q0 = 0,

et si on pose x := a1 e1 + · · · + a p e p , on aura aussi x = −b1 e0p0 +1 − · · · − bq0 e0p0 +q0 . On en déduit

d’une part, que
Q(x) = a21 Q(e1 ) + · · · + a2p Q(e p ) = a21 + · · · + a p2 ≥ 0
et d’autre part que

Q(x) = (−1)2 b21 Q(e0p0 +1 ) + · · · + (−1)2 b2q0 Q(e0p0 +q0 ) = −b21 − · · · − b2q0 ≤ 0.

Cela implique que a1 = · · · = a p = a0p0 +1 = · · · = a0p0 +q0 = 0 et nous voyons que la famille est bien
libre. Il suit que p + q0 ≤ r := rang(Q) = p + q et donc q0 ≤ q. Symétriquement, on aura q ≤ q0 si
bien que q = q0 . Et on conclut avec p0 + q0 = rang(Q) = r. 
126 Chapitre 7. Forme quadratique

Définition 7.6.3 On dit alors que sign(Q) := (p, q) est la signature de Q.

Corollaire 7.6.4 Deux formes quadratiques complexes (resp. réelles) sont congruentes si et
seulement si elles ont même rang (resp. même signature). 

Exemple La signature de xy + xz + yz est (1, 2).

Définition 7.6.5 Une forme quadratique réelle Q sur E est positive (resp. négative) si

∀x ∈ E, Q(x) ≥ 0 (resp. ≤ 0).

Remarque 1. On étendra ce vocabulaire aux formes bilinéaires symétriques ainsi qu’aux

matrices symétriques.
2. On rappelle que l’on dit parfois défini au lieu de non dégénéré, cela signifie donc que le rang
est maximum.
3. Pour démontrer les énoncés qui suivent, il suffit d’écrire

Q(x) = x12 + · · · + x2p − x2p+1 − · · · − x2p+q .

Proposition 7.6.6 Soit Q une forme quadratique sur un espace vectoriel réel de dimension n. On
a alors
1. Q est positive ⇔ sign(Q) = (p, 0),
2. Q est négative ⇔ sign(Q) = (0, q),
3. Q est définie positive ⇔ sign(Q) = (n, 0),
4. Q est définie négative ⇔ sign(Q) = (0, n). 

Proposition 7.6.7 Une forme quadratique réelle Q sur E est définie positive (resp. définie
négative) si et seulement si

∀x ∈ E \ {0}, Q(x) > 0 (resp. < 0). 

 7.7 Exercices 127

7.7 Exercices
Exercice 7.7.1 Vérifiez que les formules suivantes définissent des formes bilinéaires. Détermi-
ner à chaque fois le noyau et le rang - ainsi que la matrice le cas échéant.
1. ((x1 , . . . , xn ), (y1 , . . . , yn )) 7→ x1 y1 + · · · + xn yn sur K n .
2. detB lorsque B est une base ordonnée d’un plan H.
3. Φ((a, b), R(c, d)) = a2 − 2bc + d 2 sur K 2 .
4. ( f , g) 7→ 01 ( f g)(t)dt sur C 0 ([0, 1], R).
5. (z1 , z2 ) 7→ ℜ(z1 z2 ) sur C (vu comme espace vectoriel sur R)

Exercice 7.7.2 Montrer que (u, v) 7→ tr(u◦v) est une forme bilinéaire symétrique non dégénérée
sur L(E) lorsque E est un espace vectoriel de dimension finie.
 
1 1 1
Exercice 7.7.3 Soit Φ la forme bilinéaire symétrique donnée par  1 2 3 .
1 3 5
1. Expliciter Φ ainsi que la forme quadratique Q associée.
2. Déterminer son rang et son noyau. Est-ce une forme non dégénérée ?
3. Quel est l’orthogonal de H : Vect((1, 0, 0), (1, 0, 1)) ? A-t-on dim H + dim H ⊥ = 3 ?
4. Mêmes questions avec Vect((0, 1, 0), (1, 0, 1)). Expliquer pourquoi ceci peut arriver.

Exercice 7.7.4 Quelle est la matrice de la forme quadratique y2 − 2xz (dans la base canonique) ?
Et dans la base ((1, 1, 0), (0, 1, 1), (1, 1, 1)) ?

Exercice 7.7.5 1. Montrer que Φ(P, Q) := P(1)Q(−1) + P(−1)Q(1) définit une forme
bilinéaire symétrique sur E := K[T ]≤2 dont on déterminera la matrice dans la base
canonique B. Quelle est la forme quadratique associée ?
2. Montrer que B 0 := (1 − T 2 , T, T 2 ) est une base de E et déterminer la matrice de Φ dans
la base B 0 .
3. Déterminer le rang et le noyau de Φ. Est-ce une forme bilinéaire symétrique non dégéné-
rée ?

1. Montrer que Φ(P, Q) := 01 P(t)Q(t)dt définit une forme bilinéaire symé-

R
Exercice 7.7.6
trique sur E := R[T ]≤2 dont on déterminera la matrice dans la base canonique B. Écrire la
forme quadratique correspondante ?
2. Rang ? Noyau ? Est-elle non-dégénérée ?
3. Mêmes questions avec Φ(P, Q) := P(0)Q(0) + P(1)Q(1).

Exercice 7.7.7 Soit E un espace vectoriel de dimension finie muni d’une forme quadratique Q
de noyau N.
1. Soient F un sous-espace vectoriel de E et G := F + N. Montrer que N ⊂ F ⊥ et que
(G/N)⊥ = F ⊥ /N. En déduire que F ⊥⊥ = G.
2. Vérifiez ces résultats dans le cas ou Q est x2 − z2 + 2xy + 2yz et F = Vect(1, 1, 1).

Exercice 7.7.8 On considère la forme quadratique Q donnée par x1 x2 − x3 x4 ainsi qu’un

hyperplan H d’équation a1 x1 + a2 x2 + a3 x3 + a4 x4 = 0.
1. Quelle est la matrice de Q (dans la base canonique) ?
2. Quel est son rang ? Est-elle non dégénérée ? Quelle est la dimension de l’orthogonal de
H?
3. Expliciter la condition u ⊥ H lorsque u = (α1 , α2 , α3 , α4 ). En déduire une base de H ⊥ .
4. En déduire une condition nécessaire et suffisante sur les ai pour que la restriction de Q à
128 Chapitre 7. Forme quadratique

H soit non dégénérée.

Exercice
 7.7.9 1. Déterminer le groupe orthogonal O(2) en résolvant t AA = I avec A :=
a b
. On examinera plus particulièrement le cas K = R.
c d
 
t AJA 1 0
2. Mêmes question avec O(1, 1) en résolvant = J lorsque J := .
0 −1

Exercice 7.7.10 Appliquer l’algorithme de Gauss aux formes quadratiques suivantes

1. 2x2 + y2 − z2 + 3xy − 4xz.
2. 2x2 − 2y2 − 6z2 + 3xy − 4xz + 7yz.
3. xy + yz + zt + tx.
4. xy − xt + yz − yt + ys + zt − zs + 2st.

Exercice 7.7.11 Décomposer en carrés la forme quadratique xy + yz + xz. Quelle est sa signa-
ture ? Quel est son rang ? Écrire une base orthogonale pour cette forme quadratique. On désigne
par D l’axe des x. Déterminer D⊥ . Est-ce que D et D⊥ sont supplémentaires ?

Exercice 7.7.12 On considère la forme quadratique x2 + 3y2 − 8z2 − 4xy + 2xz − 10yz. Déter-
miner son noyau. Montrer que l’ensemble des vecteurs isotropes est la réunion de deux plans
dont on donnera des équations. Donner aussi la signature de cette forme quadratique. Enfin, quel
est l’orthogonal de (1, 1, 1) ?

Exercice 7.7.13 Montrer que pour une forme quadratique Q sur un plan vectoriel H, les
conditions suivantes sont équivalentes :
1. Q est non dégénérée et il existe un vecteur isotrope non nul.
 
0 1
2. Il existe une base de H dans laquelle la matrice de Q est .
1 0
 
1 0
3. Il existe une base de H dans laquelle la matrice de Q est .
0 −1

Exercice 7.7.14 Déterminer la signature des formes quadratiques de l’exercice 7.7.6.

Exercice 7.7.15 On pose

   
5 4 3 9 0 −6
A :=  4 5 3  et B :=  0 1 0  .
3 3 2 −6 0 4

Montrer (sans la calculer !) l’existence de P ∈ GL(R3 ) telle que B = t PAP.

 8. Espace vectoriel normé

8.1 Topologie
On rappelle ici le vocabulaire de base en topologie en renvoyant l’étudiant curieux vers des
ouvrages plus savants, comme par exemple, celui de Gilles Christol, Anne Cot et Charles-Michel
Marle ([1]).
Définition 8.1.1 Un espace topologique est un ensemble X muni d’un ensemble non vide de
parties U ⊂ X, qui seront dites ouvertes, qui est stable par union quelconque et intersection finie.
Le complémentaire F d’une partie ouverte U est dite fermée.

Remarque 1. On demande donc que si (Ui )i∈I est une famille d’ouverts de X, alors ∪i∈I Ui
est ouvert et que si (U1 , . . . ,Un ) est une famille finie d’ouverts, alors U1 ∩ · · · ∩Un soit aussi
ouvert.
2. De manière équivalente, on pourrait demander que les fermés soient stables par intersection
quelconque et par union finie.
3. Comme cas particulier, on voit que 0, / qui est l’union vide, de même que X, qui est l’intersec-
tion vide sont tous les deux ouvert et fermé.
4. Attention, il y a en général des parties de X qui ne sont ni ouverte, ni fermée.

Définition 8.1.2 1. Une application f : X → Y entre deux espaces topologiques est continue
si l’image inverse d’un ouvert est toujours ouvert. C’est un homéomorphisme si f est
bijective et f −1 est continue.
2. Un sous-espace d’un espace topologique X est un espace topologique Y qui est contenu
dans X et tel que l’inclusion soit continue.

Remarque 1. Pour qu’une application soit continue, on demande donc que si V ⊂ Y est un
ouvert quelconque, alors f −1 (V ) ⊂ X soit aussi ouvert.
2. De manière équivalente, on pourrait demander la propriété analogue pour les fermés.
3. Attention : une application continue et bijective n’est pas nécessairement un homéomor-
phisme.
130 Chapitre 8. Espace vectoriel normé

4. Par contre, la composée de deux applications continue est toujours continue.

5. Sur une partie Y d’un espace topologique X, il existe une topologie universelle (dite induite) :
une application Z → Y sera continue si et seulement si la composée Z → Y ,→ X est continue.
En fait, les ouverts de Y sont les U ∩Y avec U ouvert dans X.
6. Sur un produit ∏s∈S Xs d’espaces topologiques, il existe aussi une topologie universelle (dite
produit) : une application Y 7→ ∏s∈S Xs sera continue si et seulement si ses composantes sont
continues.

Définition 8.1.3 Une distance sur un ensemble X est une application d : X × X → R≥0 telle que
1. ∀x, y ∈ X, d(x, y) = 0 ⇔ x = y,
2. ∀x, y ∈ X, d(x, y) = d(y, x),
3. ∀x, y, z ∈ X, d(x, z) ≤ d(x, y) + d(y, z).
Un ensemble muni d’une distance est un espace métrique. La boule ouverte (resp. fermée) de
centre x ∈ X et de rayon r ∈ R≥0 est alors

B(x, r− ) = {y ∈ x, d(x, y) < r} resp. B(x, r+ ) = {y ∈ x, d(x, y) ≤ r}

Enfin, une partie U de X est ouverte si

∀x ∈ X, ∃r > 0, B(x, r− ) ⊂ U.

Remarque 1. Les ouverts d’un espace métrique X définissent une topologie sur X et les boules
ouvertes (resp. fermées) sont bien des parties ouvertes (resp. fermées).
2. Attention : des distances distinctes peuvent donner naissance à la même topologie. Il y a
aussi des espaces topologiques qui ne sont aucunement des espaces métriques.
3. Attention : en général, dans un espace métrique, il y a d’autres ouverts que les boules
ouvertes.
4. On dit qu’une partie Y ⊂ X d’un espace métrique est bornée si Y est contenu dans une boule.
Plus généralement, on dit qu’une application Y → X est bornée si f (Y ) est bornée.

Définition 8.1.4 Une application f : X → Y entre deux espaces métriques est continue en x ∈ X
si
∀ε > 0, ∃η ≥ 0, ∀y ∈ X, d(x, y) ≤ η ⇒ d( f (x), f (y)) ≤ ε.
Elle est uniformément continue si

∀x, y ∈ X, ∀ε > 0, ∃η ≥ 0, d(x, y) ≤ η ⇒ d( f (x), f (y)) ≤ ε.

Elle est lipschitzienne s’il existe k ∈ R tel que

∀x, y ∈ X, d( f (x), f (y)) ≤ kd(x, y).

Remarque 1. On a la suite d’implications : lipschitzienne ⇒ uniformément continue ⇒

continue ⇔ continue en tout x ∈ X.
2. Si f est continue en x, on dit aussi que la limite de f en x est f (x) ou encore que f (y) tend
vers f (x) quand y tend vers x.
3. On dit parfois contractante (resp. strictement contractante) pour une application lipschit-
zienne de rapport 1 (resp. strictement inférieur à 1).
4. On dit aussi isométrie si

∀x, y ∈ X, d( f (x), f (y)) = d(x, y).

 8.2 Valeur absolue 131

5. Si Y est une partie d’un espace métrique X, la restriction à Y de la distance est encore une
distance et la topologie de Y est la topologie induite.
6. La distance produit sur un produit fini X1 × · · · × Xn d’espaces métriques est définie par
n
d((x1 , . . . , xn ), (y1 , . . . yn )) = max d(xi , yi ).
i=1

La topologie correspondante est la topologie produit.

Définition 8.1.5 Soit X un espace métrique. Une suite (xn )n∈N ∈ X N converge vers x ∈ X si

∀ε > 0, ∃M ∈ R, ∀n ≥ M, d(xn , x) ≤ ε.

Une suite (xn )n∈N ∈ X N est de Cauchy si

∀ε > 0, ∃M ∈ R, ∀n, m ≥ M, d(xn , xm ) ≤ ε.

L’espace X est complet si toute suite de Cauchy est convergente.

Remarque 1. Une application est continue (en x) si et seulement si l’image d’une suite conver-
gente (vers x) est une suite convergente (vers f (x)).
2. Une partie Y d’un espace métrique X est fermée si et seulement si toute suite dans Y et qui
converge dans X, converge en fait dans Y .
3. En conséquence, si Y est complet, alors il est fermé.

8.2 Valeur absolue

Définition 8.2.1 Une valeur absolue sur un corps K est une application | | : K → R≥0 telle que
1. ∀a ∈ K, |a| = 0 ⇔ a = 0,
2. ∀a, b ∈ K, |ab| = |a||b|
3. ∀a, b ∈ K, |a + b| ≤ |a| + |b|.
Elle est archimédienne si
∀M ∈ R, ∃n ∈ N, |n| ≥ M,
ultramétrique si
∀a, b ∈ K, |a + b| ≤ max{|a|, |b|},
et triviale si
∀a ∈ K \ {0}, |a| = 1.

Exemple 1. |a|
√ := max{a, −a} définit une valeur absolue archimédienne sur R ou Q.
2. |a + ib| := a2 + b2 définit une valeur absolue archimédienne sur C.
3. |a| = 21v si a = 2v qp avec p, q impairs, définit une valeur absolue ultramétrique sur Q.
P(T )
4. |R(T )| = e−v si R(T ) = T v Q(T ) avec P(0) 6= 0 et Q(0) 6= 0 impairs, définit une valeur absolue
ultramétrique sur le corps k(T ) si k est un corps quelconque.

Remarque 1. La valeur absolue est un morphisme de monoïdes qui induit un morphisme de

groupes K × → R>0 . En particulier, on a toujours |1K | = 1R , |an | = |a|n pour n ∈ Z si a 6= 0.
2. Par récurrence, on voit qu’on a toujours |n| ≤ n si n ∈ N mais on a même |n| ≤ 1 si la valeur
absolue est ultramétrique.
3. Une valeur absolue est non triviale si et seulement si ∃c ∈ K, 0 < |c| ≤ 1.
 132 Chapitre 8. Espace vectoriel normé

Proposition 8.2.2 Une valeur absolue est ultramétrique si et seulement si elle n’est pas archimé-
dienne.

Démonstration Nous avons déjà remarqué que les entiers naturels sont bornés par 1 lorsque la
valeur absolue est ultramétrique. Inversement, supposons que les entiers naturels soient bornés. Si
n ∈ N satisfait |n| > 1, on a alors |nk | = |n|k → +∞. Contradiction. On voit donc que les entiers
naturels sont en fait bornés par 1. Maintenant, si a, b ∈ K, on a pour tout n ∈ N,
n
 
n n k n−k
(a + b) = ∑ ab
k=1 k

et donc
n  
n n
|a + b| ≤ ∑ |a|k |b|n−k ≤ (n + 1) max{|a|, |b|}n .
k=1 k
1 1
si bien que |a + b| ≤ (n + 1) n max{|a|, |b|}. Or (n + 1) n → 1 quand n → +∞. 

Théoreme 8.2.3 — d’Ostrowski. Soit K un corps valué.

1. Si | | est archimédienne, il existe α > 0 tel que ∀n ∈ N, |n| = nα .
2. Si | | est ultramétrique, il existe au plus un p premier tel que |p| < 1, et alors |n| = 1
lorsque p ne divise pas n.

Démonstration Hors programme. 

8.3 Norme
On fixe un corps K muni d’une valeur absolue non triviale (penser à R ou C).
Définition 8.3.1 Une norme sur un espace vectoriel E est une application k k : K → R≥0 telle
que
1. ∀x ∈ E, kxk = 0 ⇔ x = 0,
2. ∀a ∈ K, ∀x ∈ E, kaxk = |a|kxk
3. ∀x, y ∈ E, kx + yk ≤ kxk + kyk|.

Exemple 1. K muni de sa valeur absolue est un espace vectoriel normé.

2. Si E1 , . . . , En sont des espaces vectoriels normés, on munit E1 × · · · × En de
n
k(x1 , . . . , xn )k∞ := max kxi k.
i=1

En particulier, K n devient un espace vectoriel normé.

3. On munit l’espace `∞ (K) des suites bornées de

k(xi )i∈N k∞ := sup |xi |.

i∈N

4. Plus généralement, si on se donne une famille d’espace vectoriels normés (Es )s∈S , alors les
familles bornées de ∏s∈S Es forment un espace vectoriel ∏bs∈S Es normé pour la norme sup.
5. De même, les fonctions bornées f : X → E définies sur un ensemble X et à valeurs dans un
espace vectoriel normé, forment un espace vectoriel normé F b (X, E) pour la norme sup.
8.3 Norme 133

6. On peut munir K n de k k∞ mais aussi de

! 1p
n
k(x1 , . . . , xn )k p := ∑ |xi | p
i=1

pour p ≥ 1.
7. On peut munir C ([0, 1], R) de
Z 1  1p
p
k f k p := f (t) dt pour p ≥ 1 ou k f k∞ := sup | f (t)|.
0 0≤t≤1

Remarque 1. Si F est un sous-espace vectoriel d’un espace vectoriel normé, alors k k|F est
une norme sur F.
2. Si E est un espace vectoriel normé, alors d(x, y) := ky − xk définit une distance sur E.

Proposition 8.3.2 Si E est un espace vectoriel normé, les lois

E ×E /E et E ×E /E
(x, y)  / x+y (x, y)  / x+y

sont continues.

Démonstration L’addition est en fait lipschitzienne :

d(x1 + y1 , x2 + y2 ) = kx2 + y2 − x1 − y1 k
≤ kx2 − x1 k + ky2 − y1 k
= d(x1 , x2 ) + d(y1 , y2 )
≤ 2d((x1 , x2 ), (y1 , y2 )).
On montre de même que la multiplication est continue en (x, a) donné en utilisant
kby − axk ≤ |b − a|kxk + |b − a|ky − xk + |a|ky − xk.
Les détails sont laissés en exercice. 

Remarque En fait, K est un corps topologique (addition, multiplication et inverse continus –

vérifier) et E est un espace vectoriel topologique (addition et multiplication continus).

Proposition 8.3.3 Si F est un sous-espace vectoriel fermé d’un espace vectoriel normé E, alors
la formule
kx + Fk := d(x, F) := inf d(x, y)
y∈F

définit une norme sur E/F.

Démonstration On a bien sûr toujours d(x, F) = 0 si x ∈ F. On montre aussi facilement que,

si x1 , x2 ∈ E, alors d(x1 + x2 , F) ≤ d(x1 , F) + d(x2 , F). On en déduit que si x2 − x1 ∈ F, alors
d(x1 , F) = d(x2 , F). Ensuite, si a ∈ K et x ∈ E, on montre que d(ax, F) = |a|d(x, F). Enfin, puisque
F est fermé, on peut montrer que si d(x, F) = 0, on aura bien x ∈ F. Détails en exercice. 

Remarque La topologie sur E/F est la topologie quotient : Une application E/F → X est continue
si et seulement si la composée E  E/F → X est continue.
134 Chapitre 8. Espace vectoriel normé

Proposition 8.3.4 Soit u : E → F une application linéaire entre deux espaces vectoriels normés.
Alors, les conditions suivantes sont équivalentes :
1. u est continue en 0,
2. ∃M ∈ R, ∀x ∈ E, ku(x)k ≤ Mkxk,
3. u est lipschitzienne,
4. u est uniformément continue,
5. u est continue.

Démonstration On fait une démonstration cyclique, et seule la première implication nécessite

vraiment une preuve. En prenant ε = 1 dans la définition de la continuité en 0, on voit qu’il existe
η > 0 tel que kxk ≤ η ⇒ ku(x)k ≤ 1. Si K = R ou C, il suffit de poser M = η1 (le cas général est
discuté plus bas). 
Remarque 1. Pour démontrer la proposition dans le cas général, on fait intervenir un c ∈ K
avec 0 < |c| < 1 et on procède par l’absurde. On suppose qu’il existe une suite yn telle que
ku(yn )k ≥ |c|1n kyn k. Pour chaque entier n, il existe mn ∈ Z tel que 1 ≤ |c|mn ku(yn )k < |c| et
on pose xn = cmn yn . On a alors xn → 0 mais u(xn ) ≥ 1 pour tout n.
2. On dispose d’un résultat analogue pour les applications multilinéaires. En particulier, une
application multilinéaire Φ : E1 × · · · × En → F sera continue si et seulement
n
∃M ∈ R, ∀x1 ∈ E1 , . . . , xn ∈ En , kΦ(x1 , . . . , xn )k ≤ M max kxi k.
i=1

3. On voit aussi aisément qu’une application linéaire u : E → F est une isométrie si et seulement
si
∀x ∈ E, ku(x)k = kxk.
Exemple Toute application linéaire u : K m → K n est continue (si on munit les espaces de la norme
max) : si A := [ai, j ] désigne la matrice de u, on a
ku(x)k ≤ Mkxk avec M = ∑ |ai, j |.
i, j

Proposition 8.3.5 Si E et F sont deux espaces vectoriels normés, alors l’ensemble L (E, F) ⊂
L(E, F) des applications linéaires continues est un sous-espace vectoriel et la formule

ku(x)k
kuk := sup
x6=0 kxk

définit une norme. On écrira L (E) si E = F (avec la même norme).

Démonstration La première assertion résulte de la proposition 8.3.2. La seconde se vérifie aisé-

ment. Les détails sont laissés en exercice. 
Remarque 1. Si u ∈ L (E, F), alors
∀x ∈ E, ku(x)k ≤ kukkxk.
2. On peut aussi montrer (et c’est immédiat si K = R ou C) que
kuk := sup ku(x)k.
kxk≤1

3. On montre aussi facilement que si u : E → F et v : F → G sont deux applications linéaires

continues entre espaces vectoriels normés, alors v ◦ u aussi que kv ◦ uk ≤ kvkkuk.
 8.4 Espace de Banach 135

Proposition 8.3.6 Soit ϕ : E → K une forme linéaire non nulle et H = ker ϕ. Alors, ϕ est
continue si et seulement si H est fermé.

Démonstration Comme {0} ⊂ K est fermé, on voit immédiatement que, si ϕ est continue, alors
H := ϕ −1 ({0}) est nécessairement fermé. Pour montrer l’implication réciproque, on peut considérer
le diagramme commutatif
E
ϕ
/7 K ,
ϕ
π
'

E/H
Puisque H set fermé, E/H est un espace vectoriel normé et π est continue (contractante). Il suffit
donc de montrer que ϕ est continue. Autrement dit, on peut supposer que ϕ est un isomorphisme,
c’est à dire que E est une droite. On choisit une base e de E et on pose M := kϕ(e)k
kek . Si x = ae ∈ E,
on aura
kϕ(x)k = |a|kϕ(e)k = |a|Mkek = Mkxk. 

8.4 Espace de Banach

On suppose maintenant que K est un corps valué complet (pour une valeur absolue non triviale).

Exemple 1. Le corps Q, muni de la valeur absolue habituelle ou de la valeur absolue p-adique,

n’est pas complet.
2. Les corps R et C sont complets.
3. Si k est un corps quelconque, alors le corps k(T ), muni de la valeur absolue T -adique, n’est
pas complet.
4. Le corps ( )
k((T )) = ∑ an T n , an ∈ k ,
n>>−∞

où k est un corps quelconque, muni de k ∑n≥v an T n k = e−v si av 6= 0, est complet.

5. Le corps ( )
Qp = ∑ an pn , an ∈ {0, . . . , p − 1} ,
n>>−∞
1
muni de k ∑n≥v an pn k = pv si av 6= 0, est complet.

Définition 8.4.1 Un espace de Banach est un espace vectoriel normé complet.

Exemple 1. Le corps K est un espace de Banach. Plus généralement, K n est un espace de

Banach.
2. Un produit fini d’espaces de Banach est un espace de Banach.
3. Si (Es )s∈S est une famille d’espace de Banach, alors ∏bs∈S Es est un espace de Banach. En
particulier, si E est un espace de Banach et X un ensemble, alors F b (X, E) est un espace de
Banach.

Définition 8.4.2 Soit (xn )n∈N une suite dans un espace vectoriel normé E. Si la suite ∑n≤N xn
est convergente, on dit que la série ∑ xn est convergente et on désigne par ∑∞
0 xn la limite. On dit
que la série est absolument convergente si la série ∑ kxn k est convergente dans R.
 136 Chapitre 8. Espace vectoriel normé

Proposition 8.4.3 Si une série ∑ xn est absolument convergente dans un espace de Banach E,
alors elle est convergente.

Démonstration On a toujours ∑NN21 un ≤ ∑NN21 kun k. Il suit que si la suite ∑n≤N kxn k est de Cauchy,
il en va de même de la suite ∑n≤N xn . 

Définition 8.4.4 Un isomorphisme d’espaces vectoriels normés u : E ' F est une applica-
tion linéaire qui est un homéomorphisme. Deux normes sur un même espace vectoriel sont
équivalentes si l’identité est un isomorphisme (d’espaces vectoriels normés).

Remarque 1. On voit aisément qu’une application linéaire u : E → F est un isomorphisme

d’espaces vectoriels normés si et seulement si

∃m, M ∈ R>0 , ∀x ∈ E, mkxk ≤ ku(x)k ≤ Mkxk.

2. On en déduit que deux normes k k et k k0 sur un espace vectoriel E sont équivalentes si et

seulement si
∃m, M ∈ R>0 , ∀x ∈ E, mkxk ≤ kxk0 ≤ Mkxk.

Lemme 8.4.5 Si (e1 , . . . , en ) est une base d’un espace vectoriel normé E, alors l’application
associée
Φ : K n → E, (a1 , . . . , an ) 7→ a1 e1 + · · · an en ,
est un isomorphisme d’espaces vectoriels normés. En particulier, E est complet.

Démonstration Rappelons que l’on munit K n par défaut de la norme max (ce qui n’aura a pos-
teriori aucune importance). On sait que Φ est linéaire et bijective et on voit aisément qu’elle est
continue :
n
kΦ(a1 , . . . , an )k ≤ M max |ai |,
i=1

avec M = ∑ni=1 kei k.

Pour montrer que Φ−1
est continue, il suffit de s’assurer que ses composantes
te t
: E → K le sont. Or Hi := ker ei est un sous-espace vectoriel de dimension n − 1. Par récurrence,
i
il est complet et donc fermé dans E. Et on conclut avec le lemme (8.3.6). 

Théoreme 8.4.6 1. Tout espace vectoriel normé de dimension finie est complet.
2. Toute application linéaire entre espaces vectoriels de dimension finie est continue.

Démonstration Grâce au lemme, il suffit de considérer des espaces vectoriels de la forme K n

munis de la norme max. .

Corollaire 8.4.7 Sur espace vectoriel de dimension finie, toutes les normes sont équivalentes. 

8.5 Algèbre de Banach

Soit K un corps valué (pour une valeur absolue non triviale)
8.5 Algèbre de Banach 137

Définition 8.5.1 Une algèbre normée sur K est une algèbre L munie d’une norme qui satisfait
1. ∀u, v ∈ L, kuvk ≤ kukkvk
2. k1L k ≤ 1.

Remarque 1. On peut montrer qu’on a en fait k1L k = 1.

2. La multiplication L × L → L est alors une application bilinéaire continue.

Exemple 1. Si E est un espace vectoriel normé, alors L (E) est une algèbre normée pour la
norme
ku(x)k
kuk = sup
x6=0 kxk

qui sera dite subordonnée à la norme de E.

2. Si E est un espace vectoriel de dimension finie, alors L(E) est une algèbre normée pour toute
norme subordonnée à une norme sur E.
3. Si X est un ensemble quelconque, alors F b (X, K) est une K-algèbre normée (pour la norme
sup).
4. C ([0, 1], R) est une R-algèbre de Banach pour les normes p avec p ∈ [1, ∞].
5. Via l’isomorphisme Mn (K) ' L(K n ), on peut munir Mn (K) d’une norme d’algèbre subor-
donnée à une norme donnée sur K n .
6. La norme max sur Mn (K) est une norme d’algèbre si la valeur absolue est ultramétrique mais
pas si elle est archimédienne (et n ≥ 2).

Lemme 8.5.2 Soit L une algèbre de Banach. Si h ∈ L et khk ≤ 1, alors 1 − h ∈ L× et (1 − h)−1 =

n
∑∞
n=0 h . De plus, on a
khk
k1 − (1 − h)−1 k ≤ .
1 − khk

Démonstration La série ∑ hn est absolument convergente et donc convergente. De plus, on a

N
(1 − h) ∑ hn = 1 − hN+1 → 1
n=0

quand N → ∞. Puisque la multiplication est continue, la première assertion est démontrée. De plus,
on a ∞ ∞
1 − (1 − h)−1 = − ∑ hn = −h ∑ hn ,
n=1 n=0
si bien que
∞
khk
k1 − (1 − h)−1 k ≤ khk ∑ khkn = . 
n=0 1 − khk

Proposition 8.5.3 Si L est une algèbre de Banach, alors L× ⊂ L est ouvert et l’application
u 7→ u−1 est continue sur L× .

Démonstration Si u ∈ L× , la multiplication par u est continue sur L et son inverse aussi (c’est la
multiplication par u−1 ). C’est donc un homéomorphisme et il suit que
Vu := {u(1 − h), h ∈ L et khk ≤ 1} = uB− (1, 1)
est ouvert dans L. De plus, il résulte du lemme que Vu ⊂ L× . Il suit que L× = ∪u∈L× Vu est aussi
ouvert. Toujours grâce au lemme, l’application u 7→ u−1 est continue en 1 ∈ L× . Pour conclure, il
suffit de remarquer que (u + h)−1 = u−1 (1 + hu−1 )−1 → u−1 quand h → 0. 
 138 Chapitre 8. Espace vectoriel normé

Remarque 1. Comme conséquence, on voit que si K est complet, alors GLn (K) est ouvert
dans Mn (K) et que l’application A 7→ A−1 est continue.
2. On peut démontrer directement ce dernier résultat en rappelant d’abord que
GLn (K) = {A ∈ Mn (K), det(A) 6= 0}
et que det est une application continue car polynomiale. Pour la deuxième partie, on utilise la
formule
1 t 0
A−1 = A
det(A)
ou A0 est la comatrice de A dont les coefficients sont aussi polynomiaux.

8.6 Exponentielle
On suppose ici que K est un corps valué complet archimédien (et même, pour simplifier, que
K = R ou C).
un
Lemme 8.6.1 Si L est une algèbre normée et u ∈ L, alors la série ∑ est absolument conver-
n!
gente.

Démonstration Exercice. 

Remarque 1. C’est manifestement faux sur un corps ultramétrique où l’on a toujours k n!1 k ≥ 1
(si bien que l’exponentielle aura un rayon de convergence inférieur à 1).
2. Il suit du lemme que, lorsque L est complet, la série converge.
3. Cela s’appliquera en particulier lorsque L est de dimension finie, par exemple si L = L(E)
avec E un espace vectoriel de dimension finie, ou si L = Mn (K).

Définition 8.6.2 Si L est une algèbre de Banach et u ∈ L, alors l’exponentielle de u est

un
∞
exp(u) := ∑ .
n=0 n!

Exemple On a    
0 t cost sint
exp = .
−t 0 − sint cost

Proposition 8.6.3 Soit L une algèbre de Banach et u, v ∈ L. On a alors

uv = vu ⇒ exp(u + v) = exp(u) exp(v).

Démonstration On peut utiliser la formule du binôme car u et v commutent et on a donc

(u + v)n
∞ ∞  
1 n k l
∑ n! = ∑ ∑ uv
n=0 n=0 n! k+l=n k
∞
uk vl
= ∑ ∑
n=0 k+l=n k! l!
! !
∞ k ∞ l
u u
= ∑ ∑
k=0 k! l=0 l!

(puisque les séries sont absolument convergentes). 

8.6 Exponentielle 139

Remarque L’hypothèse est nécessaire comme le montre par exemple le cas de

   
0 π 0 0
A := , B := ∈ M2 (R).
0 0 −π 0

où exp(A + B) 6= exp(A) exp(B).

Corollaire 8.6.4 Soit L une algèbre de Banach. Si u ∈ L, alors exp(u) ∈ L× .

Démonstration Faire v = −u dans la proposition. 

Lemme 8.6.5 Soit L une algèbre de Banach. Si u, h ∈ L, on a

k exp(u + h) − exp(u)k ≤ khkk exp(u)kk exp(h)k.

Démonstration En développant, on voit immédiatement que

k(u + h)n − un k ≤ (kuk + khk)n − kukn .

On en déduit que
∞
(u + h)n ∞
un ∞
(kuk + khk)n ∞
kukn
∑ n! − ∑ ≤ ∑ − ∑
n=0 n=0 n! n=0 n! n=0 n!

et on est donc ramené au cas ou L = R (qui est bien sûr laissé en exercice). 

Proposition 8.6.6 Si L est une algèbre de Banach, alors l’application exp : L → L× est continue.

Démonstration Il suffit de faire tendre h vers 0 dans le lemme. 

Proposition 8.6.7 Soit E un espace vectoriel de dimension finie. Si u ∈ L(E), alors

exp(t u) = t exp(u)

Démonstration Exercice. 

Remarque Soit E un espace vectoriel de dimension finie et u ∈ L(E). Soit B une base de E et A la
matrice de u dans E. Alors, la matrice de exp(u) sera exp(A) : en effet, la bijection Mn (K) ' L(E)
induite par B est un isomorphisme d’algèbre normées.

Proposition 8.6.8 On dispose d’une application continue

∞
1
Mn (K) → GLn (K), A 7→ exp(A) := ∑ n! An
n=0

satisfaisant
1. Si A, B ∈ Mn (K), alors exp(A + B) = exp(A) exp(B) lorsque AB = BA.
2. Si A ∈ Mn (K), alors exp(t A) = t exp(A).
3. Si A ∈ Mn (K) et P ∈ GLn (K), alors exp(P−1 AP) = P−1 exp(A)P.
140 Chapitre 8. Espace vectoriel normé

Démonstration Résulte immédiatement de la discussion précédente. 

Proposition 8.6.9 Soit E un espace vectoriel de dimension finie. Si u ∈ L(E) et E 0 ⊂ E est un

sous-espace stable par u, alors E 0 est stable par exp(u). De plus, si u0 ∈ L(E 0 ), u00 ∈ L(E/E 0 )
désignent les applications induites par u, alors exp(u) induit exp(u0 ) et exp(u00 ) sur E 0 et E 00
respectivement.

Démonstration Il suffit d’écrire les formules (détails en exercice). 

Remarque En termes de matrices, on voit donc que l’on a
 0
exp(A0 )
  
A ? ?
exp =
0 A00 0 exp(A00 )
(attention, ce ne sont pas les mêmes étoiles). Par récurrence, on en déduit de qui se passe pour une
matrice triangulaire :
   a 
a1 ? · · · ? e 1 ? ··· ?
.  . 
 0 . . . . . . ..   0 . . . . . . .. 
 
A= . .  ⇒ exp(A) =  .. . . . .
   .
. . . . 
 . . . ?   . . . ? 
0 · · · 0 an 0 · · · 0 ean

Proposition 8.6.10 Si E est un espace vectoriel de dimension finie et u ∈ L(E), alors

det(exp(u)) = exp(tr(u)).

Démonstration On se ramène à l’énoncé analogue pour une matrice. On peut supposer en fait que
K = C, et donc que la matrice est triangulaire, auquel cas c’est immédiat. .

Proposition 8.6.11 Soient E 0 , E 00 deux sous-espaces vectoriels de dimension finie et E = E 0 ⊕E 00 .

Si u0 ∈ L(E 0 ), u00 ∈ L(E 00 ) et u = u0 ⊕ u00 , alors exp(u) = exp(u0 ) ⊕ exp(u00 ).

Démonstration Il suffit encore d’écrire les formules (détails en exercice). 

Remarque 1. On aura donc toujours
 0
exp(A0 )
  
A 0 0
exp = .
0 A00 0 exp(A00 )
2. Pour une matrice diagonale
   
a1 0 · · · 0 ea1 0 ··· 0
..  .. 
 0 ... ... .. ..
 
.   0 . . . 
A=  .. . . . .

 ⇒ exp(A) = 
 .. .. ..
.

 . . . 0   . . . 0 
0 ··· 0 an 0 ··· 0 ean
3. En général, le calcul de l’exponentielle peut toujours se ramener à des blocs de Jordan et on a
exp(aI + N) = ea exp(N)
avec
1 1
exp(N) = I + N + N 2 + · · · + N n
2 n!
si N est nilpotent.
 8.7 Fonction vectorielle 141

8.7 Fonction vectorielle

On désigne par K un corps valué pour une valeur absolue non triviale.

Remarque Soient X,Y deux espaces métriques et x0 ∈ X. On dit que f : X \ {x0 } → Y a pour
limite ` ∈ Y en x0 si f se prolonge de manière unique en une application fe qui est continue en x0 et
que ` = fe(x0 ). On écrit alors
` = lim f (x).
x→x0

Notons que fe est unique si et seulement si x n’est pas isolé dans X (isolé signifie qu’il existe une
boule ouverte qui ne contient que x).

Définition 8.7.1 Soit E un espace vectoriel normé et I ⊂ K. Une application θ : I → E est

dérivable en t0 ∈ I (non isolé) si

θ (t) − θ (t0 )
θ 0 (t0 ) := lim
t→t0 t − t0

existe dans E. On dit alors que θ 0 (t0 ) est le vecteur dérivé de θ en t0 .

Remarque 1. Alternativement, cela signifie que

θ (t) = θ (t0 ) + θ 0 (t0 )(t − t0 ) + ε(t)(t − t0 )

avec ε(t) → 0 quand t → t0 .

2. Si θ est dérivable en tout t0 ∈ I, alors l’application θ 0 : I → E est la dérivée de θ . On dit que
θ est de classe C k si θ est k fois dérivable et que θ (k) est continue (pour k ∈ N ∪ {∞}). Tous
les résultats qui suivent ont des variantes dans ce contexte que nous n’expliciterons pas.
3. Une application I → E1 × E2 est dérivable en t0 si et seulement si ses composantes le sont.
En particulier, une application I → K n est dérivable si et seulement si toutes ses composantes
le sont.
4. Les fonctions dérivables en t0 ∈ I forment un sous espace vectoriel de F (I, E) et l’application
θ 7→ θ 0 (t0 ) est linéaire.
5. Si u : E → F est linéaire continue et θ est dérivable en t0 , alors u ◦ θ : I → F est aussi
dérivable en t0 et (u ◦ θ 0 )(t0 ) = u ◦ θ 0 (t0 ).

Proposition 8.7.2 Soit L une algèbre normée et I ⊂ K. Si θ1 , θ2 : I → L sont dérivables en t0 ∈ I,

alors θ1 θ2 aussi et on a

(θ1 θ2 )0 (t0 ) = θ10 (t0 )θ2 (t0 ) + θ1 (t0 )θ20 (t0 ).

Démonstration C’est classique. On écrit

θ1 (t) = θ1 (t0 ) + θ10 (t0 )(t − t0 ) + ε1 (t)(t − t0 )

avec ε1 (t) → 0 quand t → t0 . Et on fait de même pour θ2 . Puis on effectue le produit :

(θ1 θ2 )(t) = (θ1 θ2 )(t0 ) + (θ10 (t0 )θ2 (t0 ) + θ1 (t0 )θ20 (t0 ))(t − t0 )

+(θ1 (t0 )ε2 (t) + ε1 (t)θ2 (t0 ))(t − t0 ) + ?(t − t0 )2 . 

142 Chapitre 8. Espace vectoriel normé

Proposition 8.7.3 (K complet archimédien) Si L est une algèbre de Banach et u ∈ L, alors

l’application
K → L, t 7→ exp(tu)
est C ∞ et a pour dérivée t 7→ u exptu.

Démonstration Il suffit bien sûr de montrer la dernière assertion. En développant de chaque coté,
on a la majoration
k exp(tu) − 1 − tuk ≤ exp(|t|kuk) − 1 − |t|kuk.
et on en déduit que
exp(tu) − 1 exp(|t|kuk) − 1
k − uk ≤ − kuk.
t |t|
Il suit donc immédiatement du cas L = R que l’application t 7→ exp(tu) est dérivable en 0 et que sa
dérivée vaut u. Pour le cas général, il suffit de rappeler que
exp(tu) = exp(t0 u) exp((t − t0 )u).

Corollaire 8.7.4 (K complet archimédien) Soit E un espace vectoriel de dimension finie, u ∈

L(E) et θ0 ∈ E. Si
θ : K → E, t 7→ exp(tu)(θ0 ),
alors on a

θ0 = u◦θ et θ (0) = θ0 . (8.1)

Démonstration Il suffit de composer avec l’application L(E) → E d’évaluation en θ0 . 

Remarque 1. On exprime encore ce résultat en disant que l’équation différentielle (8.1) a pour
solution θ définie sur K tout entier.
2. On peut demander la condition moins restrictive θ (t0 ) = θ0 et il faut alors poser θ (t) =
exp((t − t0 )u)(θ0 ).
3. En termes de matrices, ce résultat nous dit que le système différentiel
X 0 = AX et X(0) = X0
a pour solution X = exp(tA)X0 .
Exemple On veut résoudre le système différentiel
 0 
x =y x(0) = 1
0 avec .
y = −x y(0) = 1
On le réécrit sous la forme X 0 = AX et X(0) = X0 avec
     0   
0 1 x 0 x 1
A= , X= , X = et X0 = .
−1 0 y y0 1
On calcule  
cost sint
exp(tA) = ,
− sint cost
et on a donc     
cost sint 1 cost + sint
X = exp(tA)X0 = =
− sint cost 1 cost − sint
si bien que x = cost + sint ety = cost − sint.
 8.8 Exercices 143

8.8 Exercices

Exercice 8.8.1 1. Montrer que |a| := max(a, −a) définit une valeur absolue archimédienne
sur Q ou R. √
2. Montrer que |a + ib| := a2 + b2 définit une valeur absolue absolue archimédienne sur C.
3. Montrer que |r| := 21v si r = 2v × impair
impair définit une valeur absolue ultramétrique sur Q (on
pose aussi |0| = 0).
T v P(T )
4. Montrer que |R| := e−v si R(T ) = avec P(0) 6= 0 et Q(0) 6= 0, définit une valeur
Q(T )
absolue ultramétrique sur Q(T ) (on pose aussi |0| = 0).

Exercice 8.8.2 Montrer que si K est un corps valué, alors l’application a 7→ a−1 est continue
sur K × .
Exercice 8.8.3 1. Montrer que si E1 , . . . , En sont des espaces vectoriels normés, alors
k(x1 , . . . , xn )k∞ := maxni=1 kxi k définit une norme sur ⊕ni=1 Ei .
2. Montrer que k(xi )i∈N k∞ := supi∈N kxi k définit une norme sur l’espace l∞ (K) des suites
bornées.
3. Montrer que k f k∞ := sup1[0,1] | f (t)| définit une norme sur C ([0, 1], R).
4. Montrer que si E est est un espace vectoriel normé et X un ensemble, alors

F := { f : X → E, ∃M ∈ R, ∀x ∈ S, k f (x)k ≤ M}

est un sous-espace vectoriel et que k f k∞ := supx∈S k f (x)k définit une norme sur F.

Exercice 8.8.4 1. On se donne p, q ∈ R>0 avec 1p + 1q = 1.

(a) Montrer que AB ≤ 1p A p + q1 Bq dans R≥0 . On utilisera le fait que le logarithme est
une fonction concave et croissante.
(b) Montrer l’inégalité de Hölder
n n 1
n 1
∑ ui vi ≤ ( ∑ uip ) ( ∑ vqi )
p q

i=1 i=1 i=1

1
dans R≥0 . On appliquera l’inégalité précédente avec A := ui /α où α := (∑ni=1 uip ) p
1
et B = vi /β où β := (∑ni=1 vqi ) q .
2. On se donne p ∈ R>0 .
(a) Montrer l’inégalité de Minkowski :
! 1p
n n 1
n 1
∑ |ai + bi | p ≤ ( ∑ |ai | p ) p + ( ∑ |bi | p ) p .
i=1 i=1 i=1

On fera d’abord la majoration

n n n
∑ |ai + bi | p ≤ ∑ |ai ||ai + bi | p−1 + ∑ |bi ||ai + bi | p−1
i=1 i=1 i=1

et on appliquera l’inégalité de Hölder aux deux termes.

1
(b) Montrer enfin que k(a1 , . . . , an )k p := (∑ni=1 |ai | p ) p définit une norme sur K n .
R  1p
3. Procéder de même avec k f k p := 01 | f (t)| p dt pour f ∈ C ([0, 1], R).
144 Chapitre 8. Espace vectoriel normé
Exercice 8.8.5 1. Montrer que R et C sont des corps archimédiens complets contrairement
à Q.
i 1
2. Montrer que | ∑∞i=v ai T | := ev si av 6= 0 fait de Q((T )) un corps valué complet.
3. Montrer que l∞ (K) est un espace de Banach pour k − k∞ quand K est complet.
4. Montrer que C ([0, 1], R) est complet pour pour k − k∞ mais pas pour pour k − k1 .

Exercice 8.8.6 Dire dans chaque cas s’il s’agit d’une norme d’algèbre sur Mn (K) :
1. kAk := maxi, j |ai j | (on traitera séparément le cas archimédien et le cas ultramétrique).
2. kAk := max j ∑i |ai j | (on pourra munir K n de k − k1 ).
3. kAk := maxi ∑ j |ai j | (on pourra munir K n de k − k∞ ).

Exercice 8.8.7 On fixe une norme sur Cn . Soient A ∈ GLn (C) et B ∈ Cn \ 0. On pose c(A) =
kAk · kA−1 k. Montrer que si AX = B, alors
kδ (X)k kδ (B)k
1. si A(X + δ (X)) = B + δ (B), on a ≤ c(A) .
kXk kBk
kδ (X)k kδ (A)k
2. si (A + δ (A))(X + δ (X)) = B, on a ≤ c(A) .
kX + δ (X)k kAk
   
0 π 0 0
Exercice 8.8.8 On pose A := , B := et C := A + B.
0 0 −π 0
1. Calculer les matrices exp(A) et exp(B) puis faire leur produit.
2. Diagonaliser C sur C. En déduire exp(C).
3. A-t-on exp(C) = exp(A) exp(B) ? Que peux-t-on en déduire sur A et B ?
 
0 t
Exercice 8.8.9 On pose A := . Montrer par récurrence sur k ∈ N que
−t 0

(−1)k t 2k (−1)k t 2k+1

   
2k 0 2k+1 0
A = et A = .
0 (−1)k t 2k (−1)k+1t 2k+1 0

En déduire exp(A).
 
21 17 6
Exercice 8.8.10 Calculer exp  −5 −1 −6 .
4 4 16

2 −1 1
Exercice 8.8.11 On pose M :=  0 3 −1 .
2 1 3
1. Calculer exp(tM).  0
 x = 2x − y + z
2. En déduire les solutions du système différentiel y0 = 3y − z .
 0
z = 2x + y + 3z
 9. Espace vectoriel euclidien

9.1 Produit scalaire

Définition 9.1.1 Soit E un espace vectoriel sur R. Un produit scalaire sur E est une forme
bilinéaire symétrique définie positive

E × E → R, (x, y) 7→ hx, yi.

Remarque 1. Cela signifie donc que

(a) ∀x, y ∈ E, hx, yi = hy, xi,
(b) ∀x, x0 , y ∈ E, hx + x0 , yi = hx, yi + hx0 , yi,
(c) ∀x, y ∈ E, ∀a ∈ K, hax, yi = ahx, yi,
(d) ∀x ∈ E \ {0}, hx, xi > 0.
2. Notons que si F ⊂ E est un sous-espace vectoriel, alors la restriction h , i|F du produit
scalaire de E est encore un produit scalaire sur F.

Exemple 1. Tout sous-espace vectoriel E ⊂ Rn avec

h(x1 , . . . , xn ), (y1 , . . . , yn )i = x1 y1 + · · · + xn yn .

2. Tout sous-espace vectoriel E ⊂ C ([0, 1], R) avec

Z 1
h f , gi = f (t)g(t)dt.
0

Proposition 9.1.2 — Cauchy-Schwarz. Si h , i un produit scalaire sur un espace vectoriel E,

alors l’application p
E → R≥0 , x 7→ kxk := hx, xi
est une norme sur E et on a
∀x, y ∈ E, |hx, yi| ≤ kxkkyk,
 146 Chapitre 9. Espace vectoriel euclidien

avec égalité si et seulement si x et y sont liés.

Démonstration C’est bien une norme :

1. si x ∈ E \ {0}, alors kxk2 = hx, xi > 0 et en particulier kxk 6= 0,
2. si x ∈ E et a ∈ R, on a kaxk2 = hax, axi = a2 kxk2 et donc kaxk = |a|kxk,
3. si x, y ∈ E, en utilisant l’inégalité de Cauchy-Schwarz que nous allons démontrer ensuite, on
voit que

kx + yk2 = kxk2 + 2hx, yi + kyk2 ≤ kxk2 + 2kxkkyk + kyk2 = (kxk + kyk)2 .

et on a donc bien kx + yk ≤ kxk + kyk.

Dans le reste de la démonstration, nous fixons x, y ∈ E. Si x = 0, alors x et y sont liés et on a
|hx, yi| = 0 = kxkkyk. Sinon, on considère le polynôme du second degré :

P := T 2 kxk2 + 2T hx, yi + kyk2 ∈ R[T ].

Si a ∈ R, on a

kax + yk2 = hax + y, ax + yi = a2 kxk2 + 2ahx, yi + kyk2 = P(a),

si bien que P(a) ≥ 0. Ceci étant vrai pout tout a ∈ R, le discriminant de P est nécessairement
négatif :
4hx, yi2 − 4kxk2 kyk2 ≤ 0.

En d’autre termes, on a hx, yi2 ≤ kxk2 kyk2 et on sait que deux nombres positifs sont dans le même
ordre que leurs carrés. L’inégalité de Cauchy-Schwarz est donc bien satisfaite. De plus, on a égalité
si et seulement si le discriminant est nul (ou positif, ce qui est équivalent ici), ce qui signifie que P
a une racine a ∈ R et donc que ax + y = 0, c’est à dire que x et y sont liés puisque x 6= 0. 

Définition 9.1.3 Soit E un espace vectoriel muni d’un produit scalaire et x, y ∈ E, l’angle (non
orienté) entre x et y est  
[ hx, yi
(x, y) := arccos .
kxkkyk

Remarque 1. Cette définition a un sens grâce à l’inégalité de Cauchy-Schwarz qui nous dit
que
hx, yi
−1 ≤ ≤ 1.
kxkkyk
2. On peut réécrire la définition sous la forme

[
hx, yi = kxkkyk cos (x, y).

[
3. Le cas d’égalité dans la proposition nous dit que x et y sont liés si et seulement si (x, y) = 0
[ [
ou (x, y) = π. Et on voit aussi que x et y sont orthogonaux si et seulement si (x, y) = π/2. On
en sera pas surpris.

9.2 Espace euclidien

9.2 Espace euclidien 147

Définition 9.2.1 Un espace vectoriel euclidien est un espace vectoriel réel de dimension finie
muni d’un produit scalaire h , i. La norme associée est dite euclidienne.

Exemple Tout sous-espace vectoriel E ⊂ Rn avec le produit scalaire usuel

h(x1 , . . . , xn ), (y1 , . . . , yn )i = x1 y1 + · · · + xn yn .

Remarque 1. La forme quadratique associée au produit scalaire est donc x 7→ kxk2 . On voit en
particulier qu’un u ∈ L(E) est une isométrie pour la distance associée à k k si et seulement
si c’est un opérateur orthogonal relativement à la forme quadratique. Ces deux termes sont
donc interchangeables.
2. On a une bijection entre produits scalaires et normes euclidiennes sur E donnée par
p 1
kxk = hx, xi et hx, yi = (kx + yk2 − kxk2 − kyk2 ).
2
3. On peut montrer qu’une norme est euclidienne si et seulement si elle satisfait la règle du
parallélogramme
kx + yk2 + kx − yk2 = 2 kxk2 + kyk2 ,

(ou de manière équivalente, la règle de la médiane).

Théoreme 9.2.2 Soit E un espace vectoriel euclidien. Alors, l’application F 7→ F ⊥ induit une
bijection de l’ensemble des sous-espaces vectoriels de E sur lui même, qui est est symétrique
(F ⊥⊥ = F), qui renverse l’inclusion (F ⊂ G ⇒ G⊥ ⊂ F ⊥ ) et échange intersection et produit
((F + G)⊥ = F ⊥ ∩ G⊥ et (F ∩ G)⊥ = F ⊥ + G⊥ ). De plus, on a toujours E ' F ⊕ F ⊥ .

Démonstration À part la dernière, toutes les assertions ont déjà été vues dans le théorème 7.3.3.
Et la dernière assertion résulte du corollaire de ce même théorème : en effet, la restriction du produit
scalaire à F est toujours un produit scalaire qui est donc non dégénéré. .

Définition 9.2.3 Soit E un espace vectoriel euclidien et F ⊂ E un sous-espace vectoriel. Alors, la

projection orthogonale sur F est la première projection associée à la décomposition E ' F ⊕ F ⊥ .

Proposition 9.2.4 Si F est un sous-espace vectoriel d’un espace vectoriel euclidien E, alors la
projection orthogonale sur F est l’unique application telle que

p(x) ∈ F
∀x ∈ E,
∀y ∈ F, hp(x), yi = hx, yi.

Démonstration Si x ∈ E, on peut écrire de manière unique x = p(x) + (x − p(x)) avec p(x) ∈ F

et x − p(x) ∈ F ⊥ . Et la seconde condition, s’écrit aussi ∀y ∈ F, hx − p(x), yi = 0. 

Corollaire 9.2.5 Si F est un sous-espace vectoriel d’un espace vectoriel euclidien E et (y1 , . . . , yr )
une base orthogonale de F, alors la projection orthogonale sur F est donnée par

hx, y1 i hx, yr i
∀x ∈ E, p(x) = 2
y1 + · · · + yr .
ky1 k kyr k2

Démonstration Comme p(x) ∈ F, on peut écrire p(x) = a1 y1 + · · · + ar yr et on aura donc pour

tout i = 1, . . . , r,
hx, yi i = a1 hy1 , yi i + · · · + ar hyr , yi i = ai kyi k2 . 
148 Chapitre 9. Espace vectoriel euclidien

Exemple Si on muni R2 de sa structure euclidienne canonique, la projection orthogonale sur la

diagonale est donnée par
h(x, y), (1, 1)i x+y x+y
p(x, y) = 2
(1, 1) = ( , )
k(1, 1)k 2 2
(faire un dessin).

Proposition 9.2.6 Si E un espace vectoriel euclidien, alors E possède une base orthonormée B.
De plus, si u ∈ L(E), les conditions suivantes sont équivalentes :
1. u est orthogonal (c’est à dire une isométrie),
2. Si B est une base orthonormée de E, alors u(B) est aussi une base orthonormée,
3. Il existe une base orthonormée B de E telle que u(B) soit aussi une base orthonormée.

Démonstration Si E est de dimension n, la signature du produit scalaire est (n, 0) et il suit qu’il
existe une base dans laquelle la matrice est I. Par définition, c’est une base orthonormée. Si u
est orthogonal, alors u commute avec le produit scalaire. On voit donc que si hei , e j i = δi, j , on
aura aussi hu(ei ), u(e j )i = δi, j . Réciproquement, supposons que B := (e1 , . . . , en ) et u(B) :=
(u(e1 ), . . . , u(en )) soient des bases orthonormées et soit x = ∑ ai ei ∈ E. On aura alors u(x) =
∑ ai u(ei ) si bien que
kxk2 = ∑ a2i = k(u(x)k2 . 

Corollaire 9.2.7 Soit A ∈ Mn (R). Alors, A ∈ O(n) si et seulement si ses colonnes forment une
base orthonormée. 

Théoreme 9.2.8 — Gram-Schmidt. Soit E un espace vectoriel euclidien. Si x1 , . . . , xr sont

linéairement indépendants dans E, alors il existe y1 , . . . , yr ∈ E uniques tels que, pour tout
i = 1, . . . , r, (y1 , . . . , yi ) est une base orthonormée de Fi := Vect(x1 , . . . , xi ) et hxi , yi i > 0.

Démonstration On peut bien sûr supposer que E = Fr . En procédant par récurrence sur r, on voit
qu’il existe y1 , . . . , yr−1 uniques tels que, pour i < r, (y1 , . . . , yi ) soit une base orthonormée de Fi
et que hxi , yi i > 0. Et il existe alors un unique yr ∈ Fr−1 ⊥ , qui est une droite, tel que ky k = 1 et
r
hxr , yr i > 0. 

Remarque 1. En pratique, on utilise la formule de la projection, et on construit donc par

récurrence
hxi , y0 i hxi , y0 i
y0i = xi − 0 12 y01 − · · · − 0 i−12 y0i−1 .
ky1 k kyi−1 k
y0i
pour obtenir une base orthogonale et on pose ensuite yi = .
ky0i k
2. Alternativement, on peut construire les yi au fur et à mesure et utiliser la formule d’apparence
plus simple
y0i = xi − hxi , y1 iy1 − · · · − hxi , yi−1 iyi−1 .
Attention cependant que cette méthode introduit des racines carrées pendant les calculs alors
que la méthode précédente repousse leur apparition à la fin.
3. On peut voir au passage que
hxi , y01 i2 hxi , y0i−1 i2
ky0i k2 = kxi k2 − − · · · −
ky01 k2 ky0i−1 k2
= kxi k2 − hxi , y1 i2 − · · · − hxi , yi−1 i2 .
9.2 Espace euclidien 149

Exemple 1. On cherche une base orthogonale du plan d’équation x + y + z = 0 dans R3 (muni

de sa structure euclidienne usuelle). On voit aisément que u1 := (1, −1, 0) et u2 := (1, 0, −1)
forment une base du plan et on pose alors

v01 := u1 = (1, −1, 0)

et
hu2 , v01 i 0
 
1 1 1
v02 := u2 − 0 2
v1 = (1, 0, −1) − (1, −1, 0) = , , −1 .
kv1 k 2 2 2
On en déduit que
√ √ !
v0 1 2 2
v1 := 10 = √ (1, −1, 0) = ,− ,0
kv1 k 2 2 2

et √ √ √ !
v0
 
1 1 1 6 6 6
v2 := 02 = q , , −1 = , ,− .
kv2 k 3 2 2 6 6 3
2

2. On munit R[X]≤2 de
Z 1
hP, Qi = P(t)Q(t)dt
−1
et on applique le procédé d’orthogonalisation de Gram-Schmidt à la base canonique. On
part donc P0 = 1, P1 = X, P2 = X 2 pour construire Q0 , Q1 , Q2 . On commence par poser
Q00 := P0 = 1 puis on calcule
Z 1
kQ00 k2 = dt = [t]1−1 = 2
−1

si bien que √
Q00 1 2
Q0 := 0 =√ = .
kQ0 k 2 2
On pose ensuite
Q01 := P1 − hP1 , Q0 iQ0 .
et on calcule Z 1 √
2
hP1 , Q0 i = tdt = 0
−1 2
(fonction impaire) si bien que Q01 := P1 = X. On calcule alors
 3 1
Z 1
t 2
kQ01 k2 2
= kP1 k − hP1 , Q0 i = 2
t dt = 2
=
−1 3 −1 3

si bien que √
Q01 X 6
Q1 := 0 =q = X.
kQ1 k 2 2
3

Enfin, on pose
Q02 := P2 − hP2 , Q0 iQ0 − hP2 , Q1 iQ1 .
On calcule alors
Z 1 √ √  3 1 √
2 2 2 t 2
hP2 , Q0 i = t dt = =
−1 2 2 3 −1 3
 150 Chapitre 9. Espace vectoriel euclidien

ainsi que
Z 1 √
6
hP2 , Q1 i = t 3 dt = 0.
−1 2
On a donc √ √
2 2 1
Q02 2
:= X − = X2 −
3 2 3
et on veut connaître
kQ02 k2 = kP2 k2 − hP2 , Q0 i2 − hP2 , Q1 i2 .
On calcule  5 1
Z 1
2 4t 2
kP2 k = t dt = =
−1 5 −1 5
si bien que
√ !2
2 2 8
kQ02 k2 = − =
5 3 45
et finalement √ √
Q02 X 2 − 13 10 2 10
Q2 := 0 = q =3 X − .
kQ2 k 8 4 4
45

9.3 Réduction des matrices symétriques

On fixe un espace vectoriel euclidien E.

Remarque Il est peut-être utile der rappeler que nous avons défini l’adjoint u∗ d’un opérateur u
par la formule
∀x, y ∈ E, hu(x), yi = hx, u∗ (y)i.
Rappelons aussi que u est dit orthogonal si u∗ ◦ u = IdE . Cela signifie que u est bijectif et que
u∗ = u−1 et s’exprime aussi par la condition

∀x, y ∈ E, hu(x), u(y)i = hx, yi.

Définition 9.3.1 Un opérateur linéaire u sur E est autoadjoint si u∗ = u.

Remarque 1. Cela signifie que

∀x, y ∈ E, hu(x), yi = hx, u(y)i.

2. Si on fixe une base orthonormée B de E et qu’on désigne par A la matrice de u dans la base
B, on voit alors que u est autoadjoint si et seulement si A est symétrique.

Proposition 9.3.2 Il existe un isomorphisme d’espaces vectoriels

L2 (E, K) ' L(E), Φ↔u

donné par
∀x, y ∈ E, Φ(x, y) = hx, u(y)i.
De plus, Φ est symétrique si et seulement si u est autoadjoint.
9.3 Réduction des matrices symétriques 151

Démonstration Par composition, si u ∈ L(E), alors la formule définit bien une forme bilinéaire
sur E. De plus, si A := [ai, j ] est la matrice de u dans une base orthonormée B := (e1 , . . . , en ), on
aura pour tout i, j = 1, . . . , n,

Φ(ei , e j ) = hei , u(e j )i = hei , a1, j e1 + · · · + an, j en i = ai, j

si bien que la matrice de ϕ dans B est aussi A. La conclusion est alors immédiate. 

Proposition 9.3.3 Soit u un opérateur autoadjoint sur E. Si F est un sous-espace vectoriel de E

stable par u, alors F ⊥ aussi.

Démonstration Soit x ∈ F ⊥ . Si y ∈ F, on aura aussi u(x) ∈ F si bien que

hu(x), yi = hx, u(y)i = 0. 

Proposition 9.3.4 Si u est un opérateur autoadjoint sur E, ses sous-espaces propres sont ortho-
gonaux deux à deux.

Démonstration Supposons que u(x) = ax et u(y) = by avec x, y ∈ E et a, b ∈ K. On aura alors

ahx, yi = hax, yi = hu(x), yi = hx, u(y)i = hx, byi = bhx, yi,

et on voit donc que hx, yi = 0 si a 6= b. 

Proposition 9.3.5 Soit u un opérateur autoadjoint sur E. Si F est un sous-espace vectoriel de E

stable par u, alors F ⊥ aussi.

Démonstration Soit x ∈ F ⊥ . Si y ∈ F, on aura aussi u(x) ∈ F si bien que

hu(x), yi = hx, u(y)i = 0. 

Lemme 9.3.6 Si V est un espace vectoriel de dimension finie sur R et u ∈ L(V ) est non nul,
alors il existe une droite ou un plan dans V qui est stable par u.

Démonstration Puisque u est non nul, il existe une valeur propre complexe non nulle λ pour u
dans C. On écrit donc λ = a + ib avec a, b ∈ R et b 6= 0. Si z := x + iy est un vecteur propre de u
pour λ , on aura

u(x) + iu(y) = u(x + iy) = u(z) = λ z = (a + ib)(x + iy) = (ax − by) + i(ay + bx).

si bien que
u(x) = ax − by et u(y) = ay + bx.
et Vect(x, y) répond à la question. 

Remarque Pour être tout à fait rigoureux, il faudrait travailler dans C ⊗R V ou alors travailler avec
des matrices et utiliser le fait que Mn (R) est contenu dans Mn (C).
152 Chapitre 9. Espace vectoriel euclidien

Théoreme 9.3.7 Si u est un opérateur autoadjoint sur E, alors il est diagonalisable dans une
base orthonormée.

Démonstration On procède par récurrence sur n = dim E. Lorsque n = 1, il n’y a rien à faire.
Supposons maintenant que n = 2. Si
 
a b
A :=
b c
est la matrice de u dans une base quelconque, on aura

χu := T 2 − (a + c)T + (ac − b2 ).

Et on voit que le discriminant est positif :

∆ := (a + c)2 − A(ac − b2 ) = (a − c)2 + 4b2 ≥ 0.

Il suit que u possède une valeur propre a1 . Soit e1 un vecteur propre de norme 1 pour a1 et
F := Vect(e1 ). Soit e2 un vecteur de norme 1 dans F ⊥ . On utilise alors la proposition 9.3.3 qui nous
dit que comme F est stable par u, il en va de même pour F ⊥ si bien que u(e2 ) = a2 e2 avec a2 ∈ R.
Cela veut dire que e2 est aussi un vecteur propre pour u et on obtient ainsi une base orthonormée
dans laquelle la matrice de u est diagonale.
Dans le cas général, on sait grâce au lemme qu’il existe un sous-espace vectoriel F de dimension
1 ou 2 dans E qui est stable par u. De nouveau, grâce au lemme 9.3.3, on sait que F ⊥ est stable par
u. On conclut alors aisément (exercice). 

Corollaire 9.3.8 Si A est une matrice réelle symétrique, elle est diagonalisable dans une base
orthonormée : il existe une matrice orthogonale P et une matrice diagonale D telles que A =
PDP−1 . 

Exemple Diagonaliser  
1 1 1
A :=  1 1 1 
1 1 1
dans une base orthonormée :
— Première méthode : on écrit la forme quadratique associée comme (somme de) carré(s) :

Q := x2 + y2 + z2 + 2xy + 2yz + 2xz = (x + y + z)2 .

On réalise alors qu’on peut réécrire cette somme comme combinaison linéaire de carrés de
formes linéaires qui forment une base orthonormée :
√ √ √ √ √ √ √ √
3 3 3 2 2 2 2 6 6 6 2
Q = 3( x+ y+ z) + 0( x− y) + 0( x+ y− z)
3 3 3 2 2 6 6 3
Pour obtenir ça, on regarde d’abord
√
la forme
√
linéaire
√
x + y + z qui a pour composantes (1, 1, 1)
3 3 3
et on la normalise pour trouver 3 x + 3 y + 3 z. Ensuite, on regarde le plan orthogonal au
vecteur (1, 1, 1) qui a pourÎquation
√
x +√y + z =√ 0 dont√
on cherche une base orthonormée
(calcul) et on obtient ainsi 22 x − 22 y et 66 x + 66 y − 36 z. Il suffit ensuite de poser
 √ √ √   √ √ √ 
  3 3 3 3 2 6
3 0 0
 √3 3√ 3
 √3 2√ √6
D :=  0 0 0  , P−1 :=  22 − 22 et P = t P−1 =  33 − 22 6 .

√ √
0√
 √ 6√ 
0 0 0 6 6
− 63 3
0 − 63
6 6 3
 9.4 Espace préhilbertien 153

— seconde méthode : on trouve aisément le polynôme caractéristique χ = T 2 (T − 3) de A.

En effet, comme la matrice est de rang 1, on sait que 0 est valeur propre de multiplicité 2.
D’autre part, la trace, qui est égale à la somme des valeurs propres, vaut 3. On obtient ainsi la
matrice D. On cherche alors le sous-espace propre associé à la valeur propre 3 en résolvant
le système 
 x + y + z = 3x
x + y + z = 3y ,
x + y + z = 3z


ce qui nous donne x = y = z. On peut prendre (1, 1, 1) comme vecteur propre qu’on normalise
pour trouver la première colonne de P. On cherche ensuite le sous-espace propre associé à
la valeur propre 0, c’est le noyau de A qui a pour équation x + y + z = 0. On cherche alors
une base orthonormée pour obtenir les deux dernières colonnes de P. Finalement, on sait que
P−1 = t P.

9.4 Espace préhilbertien

[· · · ]
 154 Chapitre 9. Espace vectoriel euclidien

9.5 Exercices
Exercice 9.5.1 On se place dans un espace euclidien E et on illustrera chaque résultat par un
dessin dans le plan. Soient x, y ∈ E.
1. Montrer le théorème de Pythagore : x ⊥ y ⇔ kx − yk2 = kxk2 + kyk2 .
2. Montrer la règle du parallélogramme : kx + yk2 + kx − yk2 = 2kxk2 + 2kyk2 .
x + y 2 kxk2 kyk2 kx − yk2
3. En déduire l’identité de la médiane : k k = + − .
2 2 2 4
Exercice 9.5.2 On se place dans un espace euclidien E et on illustrera chaque résultat par un
dessin dans le plan. Soient x, y ∈ E \ {0}.
[
1. Montrer que x et y sont orthogonaux si et seulement (x, y) = π/2.
[
2. Montrer que x et y sont linéairement dépendants si et seulement si (x, [
y) = 0 ou (x, y) = π.
3. Montrer le théorème de Pythagore généralisé :

kx − yk2 = kxk2 + kyk2 − 2kxkkyk cos (x,

[ y).

Exercice 9.5.3 Montrer que, dans un espace euclidien, deux vecteurs x et y sont colinéaires
si et seulement si kx + yk = |kxk ± kyk|. L’implication est-elle toujours vrai pour une norme
quelconque ? Et pour un espace vectoriel sur C ? Et la réciproque ?

Exercice 9.5.4 Soient x1 , . . . , xn tous distincts de norme 1 dans un espace vectoriel euclidien
E et a1 , . . . , an ∈ R≥0 tels que ∑ni=1 ai = 1 et k ∑ni=1 ai xi k = 1. Montrer que tous les ai sont nuls
sauf un (qui vaut 1).

Exercice 9.5.5 Montrer que tout vecteur de norme 1 dans R3 se met sous la forme u =
(cos ϕ, sin ϕ cos ψ, sin ϕ sin ψ) et compléter en une base orthonormée.

Exercice 9.5.6 Montrer que la projection orthogonale sur la diagonale de R2 est donnée par

x+y x+y
∀x, y ∈ E, p(x, y) = ( , ).
2 2
Exercice 9.5.7 Soient H un hyperplan d’un espace vectoriel euclidien E et v un vecteur normal
(c’est à dire orthogonal) à H. Soient p la projection orthogonale sur H et s la réflexion (c’est à
dire symétrie) orthogonale par rapport à H. Montrer que pour tout x ∈ E, on a

hx, vi hx, vi
p(x) = x − v et s(x) = x − 2 v
kvk2 kvk2

Exercice 9.5.8 Quelle est l’image de v := (−1, 2, 6) par la projection orthogonale sur le plan
H := Vect((−1, 1, 0), (1, 1, 0)) ? et avec H := Vect((3, −1, 2), (1, −1, −2)) ?

Exercice 9.5.9 Déterminer une base (orthogonale puis) orthonormée de

H := Vect((3, 1, −1, 3), (−5, 1, 5, −7), (1, 1, −2, 8)).

Exercice 9.5.10 Déterminer la matrice de la projection orthogonale sur le plan d’équations

y + z + t = 0 et x + z = 0.

Exercice 9.5.11 On va montrer que si E est un espace euclidien et u ∈ L(E), alors ku∗ ◦ uk =
kuk2 . On pose v = u∗ ◦ u.
9.5 Exercices 155

1. Montrer que si x ∈ E, alors k(u(x)k2 ≤ kv(x)kkxk. En déduire que kuk2 ≤ kvk.

2. Montrer que si x ∈ E, alors kv(x)k2 ≤ ku(v(x)kku(x)k. En déduire que kvk ≤ kuk2 .

Exercice 9.5.12 Si E est un espace vectoriel euclidien, on définit le rayon spectral de u ∈ L(E)
comme étant ρ(u) := max |λ | lorsque λ parcourt les valeurs propres de u.
1. Montrer que si u est un opérateur autoadjoint,
p alors kuk = ρ(u).
∗
2. En déduire qu’en général, on a kuk := ρ(u ◦ u).

Exercice 9.5.13 Déterminer une matrice orthogonale P telle que P−1 AP soit diagonale dans
les cas suivants :
 
 √  0 1 1 1
2
√ 6  1 0 0 0 
1) A := 2) A := 
 1

6 1 0 0 0 
1 0 0 0

Exercice 9.5.14 Montrer que si S est une matrice réelle symétrique définie positive, alors il
existe T tel que S = T 2 .

Exercice 9.5.15 On considère, pour a ∈ R, la forme quadratique

Qa (x, y, z) := a(x2 + y2 + z2 ) − 2(xy + xz + yz).

1. Écrire la matrice Ma de Qa et calculer son déterminant.

2. Quel est le rang de Ma (on discutera selon les valeurs de a).
3. Déterminer une matrice diagonale D telle que M0 = PDP−1 avec P ∈ O(3).
4. En déduire qu’il existe une matrice diagonale Da que l’on calculera telle que Ma =
PDa P−1 .
5. Peut-on trouver une même base qui est orthogonale pour tous les Qa ?
6. Montrer que Qa est définie positive si et seulement si a > 2.

Exercice 9.5.16 1. Diagonaliser dans une base orthonormée

     
1 1 0 3 6 2
A := , B := et .
1 1 3 −8 2 3

2. De même avec    
1 1 1 2 2 0
 1 1 1  et  2 0 2 .
1 1 1 0 2 2

Exercice 9.5.17 Montrer que l’application Φ : (A, B) 7→ tr(AB) est une forme bilinéaire symé-
trique sur Mn (R). Montrer que la restriction au sous-espace SMn (R) des matrices symétriques est
définie positive. Montrer que l’orthogonal de SMn (R) est le sous-espace AMn (R) des matrices
antisymétriques (on pourra s’aider de la formule tr(AE ji ) = ai j ).

Exercice 9.5.18 Montrer que l’application (A, B) 7→ hA, Bi := tr(t AB) est un produit scalaire
sur Mn (R) et que la base canonique est une base orthonormée (on pourra s’aider de la formule
tr(t AEi j ) = ai j ). Quel est l’adjoint de l’endomorphisme M 7→ AM pour A fixé.
IV
Compléments

Solutions des exercices

 Solutions des exercices

Remarque Certains exercices font usage d’un logiciel de calcul formel. Le code proposé peut être
rentré en ligne sur

[Link]

après avoir créé un identifiant.

Corrigé de l’exercice 1.7.11 : Supposons que dans un groupe G, on ait gh = gh0 . Puisque l’on
a toujours g−1 (gh) = (g−1 g)h = 1h = h, on voit qu’il suffit de multiplier par g−1 à gauche pour
obtenir h = h0 . On montre de même que si gh = g0 h, alors g = g0 .
Bien sûr, le monoïde {0, 1}, muni de la multiplication, n’est pas intègre car 0 × 0 = 0 = 0 × 1
bien que 0 6= 1.
Soit A un anneau et a, b, c 6= 0 dans A. Si on suppose que ab = ac, on voit immédiatement que
a(b − c) = 0. Si A est intègre, cela implique que b − c = 0 et donc que b = c. De même, si ac = bc,
on aura a = b.
Corrigé de l’exercice 1.7.17 :
1.
2. Remarquons pour commencer que {0} = (0). Maintenant, si I est un idéal non nul de K[T ], il
existe un polynôme M ∈ I \ {0} de plus petit degré d. Quitte à le multiplier par une constante,
on peut supposer qu’il est unitaire. Si P ∈ I, on peut écrire AP = MQ + R avec deg R < deg M.
On a alors R = P − MQ ∈ I et comme deg R < deg M, on doit avoir R = 0 si bien que
P = MQ ∈ (M). Cela montre l’existence de M et aussi que deg P = deg Q + deg M ≥ deg M
avec égalité si et seulement si Q est constant, c’est à dire si P = aM avec a ∈ K. Si (M) = (P),
on peut écrire M = SP si bien que deg M ≥ deg P, et donc obligatoirement deg M = deg P
et P = aM. Si on suppose de plus P unitaire, on a a = 0 et il suit que P = M. Cela montre
l’unicité.
Corrigé de l’exercice 1.7.22 :
On montre que M 2 − (a + d)M + (ad − bc)I = 0 en tapant :
160

a=var(’a’)
b=var(’b’)
c=var(’c’)
d=var(’d’)
M=matrix(2,2,[a,b,c,d])
I=matrix(2,2,[1,0,0,1])
N=M^2-(a+d)*M+(a*d-b*c)*I
[Link]()

On en déduit que

((a + d)I − M)M = M((a + d)I − M) = (ad − bc)I.

On voit donc que si ad − bc est inversible, alors M aussi et on obtient son inverse en calculant :

(1/(a*d-b*c))*((a+d)*I-M)

Corrigé de l’exercice 1.7.24 :

On peut définir trois fonctions qui effectuent les opérations élémentaires (on pourrait aussi
utiliser les fonctions intégrées) puis une dernière qui effectue la réduction de Gauss en affichant
toutes les étapes (et pas plus) :

def Ech (A,i,j):

n=[Link]()
for k in range(n):
A[i,k],A[j,k]=A[j,k],A[i,k]
return(A)
def Dil (A,i,m):
n=[Link]()
for j in range (n):
A[i,j]=m*A[i,j]
return(A)
def Tra (A,i,j,m):
n=[Link]()
for k in range(n):
A[i,k]=A[i,k]+m*A[j,k]
return(A)

def Gau(A):
U=copy(A)
m=[Link]()
n=[Link]()
k=0
l=0
while (k < m and l < n):
i=k
while U[i,l]==0:
if i==m-1:
if l==n-1:
return
 161

l=l+1
i=k
else:
i=i+1
if i!=k:
Ech(U,k,i)
print U
if U[k,l] != 1:
Dil(U,k,1/U[k,l])
print U
for i in [k+1..m-1]:
if U[i,l]!=0:
Tra(U,i,k,-U[i,l])
print U
k=k+1
l=l+1

Il suffit ensuite d’appliquer cette dernière fonction aux différentes matrices en rentrant par
exemple :

M=matrix(QQ,3,3,[3,2,-3,5,-1,-2,1,1,-1])
M
Gau(M)

Corrigé de l’exercice 2.7.12 : On considère pour i = 0, . . . , d − 1, l’application fi : (T d )◦ →

K, ϕ 7→ ϕ(T i ). C’est une forme linéaire car composée d’inclusions de sous-espaces puis d’une éva-
luation qui sont toutes des applications linéaires. L’application f : (T d )◦ → K d dont les composantes
sont les fi pour i = 0, . . . , d − 1, est donc linéaire.
Par division euclidienne, tout P ∈ K[T ] s’écrit de manière unique P = T d Q + ∑d−1 i
i=0 ai T . Si
d ◦ d d d−1 i
ϕ ∈ (T ) , on aura ϕ(T Q) = 0 et donc ϕ(P) = ϕ(T Q) + ∑i=0 ai ϕ(T ) = ∑i=0 ai ϕ(T ). Si en d−1 i

fait, ϕ ∈ ker f , on aura pour tout i = 0, . . . , d − 1, ϕ(T i ) = 0 et donc ϕ(P) = 0. Cela montre que f
est injective.
Inversement, si on se donne (c0 , . . . , cd−1 ) ∈ K d et P = ∑ni=0 ai T i ∈ K[T ], on peut poser ϕ(P) =
d−1
∑i=0 ai ci . Supposons pour l’instant que l’on sache que ϕ est linéaire. Comme clairement, ϕ(P) = 0
pour P ∈ (T d ), on aura ϕ ∈ (T d )◦ . Et comme, pour tout i = 0, . . . , d − 1, on a fi (ϕ) = ϕ(T i ) = ci ,
on aura f (ϕ) = (c0 , . . . , cd−1 ). D’où la surjectivité. Il ne reste donc qu’à montrer que ϕ est linéaire.
On se donne λ , µ ∈ K et P = ∑ ai T i , Q = ∑ bi T i ∈ K[T ] si bien que λ P + µQ = ∑(λ ai + µbi )T i .
On calcule alors ϕ(λ P + µQ) = ∑(λ ai + µbi )ci = λ (∑ ai ci ) + µ ∑ bi )ci = λ ϕ(P) + µϕ(Q).
Corrigé de l’exercice 3.6.6 :
1. Si q = IdE − p, on a q ◦ q = (IdE − p) ◦ (IdE − p) = IdE − 2p + p ◦ p. Donc, si p est une
projection, on a q ◦ q = IdE − 2p + p = IdE − p = q. Et on voit donc que q est aussi une
projection. Comme on a q = IdE − p si et seulement p = IdE − q, la réciproque est aussi
vraie.
Si p et q sont des projections complémentaires comme ci-dessus, on a IdE = p + q et donc
l’identité x = p(x) + q(x) sur E. On en déduit immédiatement que E = im p + im q mais aussi
que ker q ∩ ker p = 0 car si p(x) = q(x) = 0, alors x = 0. On voit aussi que ker p ⊂ im q car
si p(x) = 0, alors x = q(x). Pour montrer l’inclusion réciproque, on utilise enfin le fait que
p est une projection si bien que p ◦ q = p ◦ (IdE − p) = p − p ◦ p = 0. Cela signifie que si
x ∈ E, alors p(q(x)) = 0 et donc qu’on a bien im q ⊂ ker p. Bien sûr, par symétrie, on a aussi
im p = ker q. On obtient donc les décompositions en somme directe annoncées.
162

2.
Corrigé de l’exercice 4.5.2 :
1. C’est 1 (la dimension de K n sur K est toujours n et ici c’est le cas K = C et n = 1).
2. C’est 2 car tout complexe s’écrit de manière unique x1 + yi avec x, y réels.
3. C’est ∞ car {π i }i∈N , par exemple, est une famille libre infinie de C : sinon, on pourrait écrire
une somme finie ∑ ai π i = 0 et π ne serait pas transcendant. Plus précisément, la dimension
de C sur Q est la puissance du continu car si E est un espace vectoriel de dimension infinie
sur Q, alors dim E = |E|.
Corrigé de l’exercice 5.6.4 : Les énoncés de cet exercice sont toujours valables pour des
modules sur un anneau quelconque. Dans ce cas, on doit utiliser la propriété universelle du produit
tensoriel pour construire des applications linéaires dans les deux sens et montrer qu’elles sont
inverses l’une de l’autre. Pour des espaces vectoriels sur un corps K, c’est bien plus simple : il suffit
d’utiliser la propriété universelle des bases (toute bijection entre deux bases se prolonge alors de
manière unique en un isomorphisme). Par contre cette seconde méthode laisse sous-entendre que
l’isomorphisme dépend du choix de la base alors qu’il est naturel.
1. On sait que K a pour base 1. Donc si E a pour base (ei )i∈I , on en déduit que K ⊗ E a pour
base (1 ⊗ ei )i∈I . La bijection 1 ⊗ ei ↔ ei se prolonge de manière unique en un isomorphisme
K ⊗ E ' E. Voyons maintenant la démonstration qui n’utilise pas les bases. On considère
l’unique application bilinéaire K × E → E, (a, x) 7→ ax. Elle induit une application linéaire
u : a ⊗ x 7→ ax (propriété universelle du produit tensoriel). On dispose aussi dans l’autre sens
de l’application linéaire v : x 7→ 1 ⊗ x. On voit immédiatement que u ◦ v = Id. Dans l’autre
sens, il suffit de remarquer que (v ◦ u)(a ⊗ x) = 1 ⊗ ax = a ⊗ x et d’utiliser de nouveau la
propriété universelle du produit tensoriel (ou le fait que tout élément du produit tensoriel est
somme de tenseurs).
Les deux autres isomorphismes s’obtiennent exactement de la même façon.
2.
3.
4. Si on se donne ϕ ∈ t E et ψ ∈ t F, on peut considérer la composée du produit ϕ × ψ : E × F →
K × K et de la multiplication K × K → K. C’est une application bilinéaire qui induit donc
une application linéaire

u(ϕ, ψ) : E ⊗ F → K, x ⊗ y 7→ ϕ(x)ψ(y)

On obtient ainsi une application

u : t E × t F → t (E ⊗ F)

et on veut s’assurer qu’elle est bilinéaire. Par symétrie, on ne le fait que d’un coté : si on se
donne ϕ1 , ϕ2 ∈ t E, ψ ∈ t F et a1 , a2 ∈ K, on aura bien pour x ∈ E et y ∈ F,

(a1 ϕ1 + a2 ϕ2 )(x)ψ(y) = a1 ϕ1 (x)ψ(y) + a2 ϕ2 (x)ψ(y).

Pour prouver que u est un isomorphisme, on choisit des bases (e1 , . . . , en ) et ( f1 , . . . , fm )

de E et F respectivement, et on montre que pour tout i = 1, . . . , n et j = 1, . . . , m, on a
u(t ei ⊗ t f j ) = t (ei ⊗ f j ). Pour cela, on prend k ∈ {1, . . . , n} et l ∈ {1, . . . , m} et on calcule

t t t t 1 si (i, j) = (k, l)
u( ei ⊗ f j )(ek ⊗ el ) = ei (ek ) f j (el ) =
0 sinon.

Remarquons que ce dernier argument suffit pour définir un tel isomorphisme, mais une fois
encore, on ne saura pas qu’il est naturel, c’est à dire, indépendant du choix des bases.
 163

Corrigé de l’exercice 6.5.15 :

Il suffit de taper pour chaque matrice M,

M.jordan_form(transformation=true)

1. Avec

M = matrix(QQ,3,3,[3,2,4,-1,3,-1,-2,-1,-3])

on obtient    
−1 0 0 1 −1 1
J= 0 2 1  et P =  0 − 12 0 .
1 1
0 0 2 −1 2 −2
2. Avec

M = matrix(QQ,3,3,[8,-1,-5,-2,3,1,4,-1,-1])

on obtient
3
   
2 0 0 1 2 1
J= 0 4 1  et P =  1 − 32 0 .
3 1
0 0 4 1 2 2
3. Avec

M = matrix(QQbar,4,4,[0,0,0,-1,1,0,0,0,0,1,0,-2,0,0,1,0])

on obtient
   
−i 1 0 0 −i 1 i 1
 0 −i 0 0   1 0 1 0 
J=  et P = 
 −i 3 i
.
 0 0 i 1  3 
0 0 0 i 1 2i 1 −2i

4. Avec

M = matrix(QQ,3,3,[1,-1,-1,-1,1,-1,1,0,2])

on obtient    
2 0 0 0 −1 1
J= 0 1 1  et P =  1 −1 1  .
0 0 1 −1 1 0
5. Avec

M = matrix(QQbar,4,4,[2,1,0,0,-2,0,0,0,1,0,0,2,0,1,-1,2])

on obtient
   
1−i 1 0 0 0 1 0 1
 0 1−i 0 0   0 −1 − i 0 −1 + i 
J=  et P = 
 3−3i 3+3i
.
 0 0 1+i 1  2 0 2 0 
0 0 0 1+i − 3i2 1−3i
4
3i
2
1+3i
4

Corrigé de l’exercice 8.8.5 :

1.
164

2. On se donne une suite de Cauchy fn et on écrit pour tout n ∈ N, fn = ∑i an,i T i . Soit i ∈ Z.

Comme la suite est de Cauchy, il existe n(i) ∈ N tel que si n ≥ n(i), on ait d( fn(i) , fn ) ≤ 21i .
On a par définition d( fn(i) , fn ) = k fn(i) − fn k et fn(i) − fn = ∑ j (an(i), j − an, j )T j . La condition
s’écrit donc an(i), j − an, j = 0 pour j ≤ i. En particulier, voit que an(i),i = an,i tant que n ≥ n(i).
On pose alors f = ∑i an(i),i T i . On se donne ε > 0 et on choisit k ∈ N tel que ε ≥ 21k . Alors,
si n ≥ maxi≤k n(i), on a an(i),i = an,i tant que i ≤ k. Comme on a f − fn = ∑i (an(i),i − an,i )T i ,
on voit que d( f , fn ) = k f − fn k ≤ 21k ≤ ε.
3.
4.
Corrigé de l’exercice 8.8.6 :
1. Dans le cas archimédien, il suffit de prendre ai j = 1 pour tout i, j ∈ {1 . . . n}. Comme on a
A2 = nA, on voit que kA2 k = nα > 1 = kAk avec α > 0 si n ≥ 2.
Par contre, dans le cas ultramétrique, on aura toujours

max | ∑ aik bk j | ≤ max max |aik bk j | ≤ max |ai j |. max |bi j |.

i, j i, j k i, j i, j
k

2. On a
!n
n n n n n n n
kAXk1 = ∑ ai j x j =∑ ∑ ai j x j ≤ ∑ ∑ |ai j ||x j | = ∑ ∑ |ai j ||x j |
j=1 i=1 1 i=1 j=1 i=1 j=1 j=1 i=1
!
n n n n n
n n n
≤ ∑ max ∑ |aik ||x j | = max ∑ |aik | ∑ |x j | = max ∑ |ai j | kXk1 ,
j=1 k=1 i=1 k=1 i=1 j=1 j=1 i=1

D’autre part, si on note E j le j-ème vecteur de la base canonique, alors

!
n n
n n n n
max kAE j k1 = max (ai j )ni=1 1 = max ∑ ai j = max ∑ |ai j | kE j k1 .
j=1 j=1 j=1 i=1 j=1 i=1

Cela montre que notre formule définit la norme subordonnée à k−k1 qui est automatiquement
une norme d’algèbre.
3. On a !n
n n n
n n
kAXk∞ = ∑ ai j x j = max ∑ ai j x j ≤ max ∑ |ai j ||x j |
j=1 i=1 j=1 i=1 j=1
i=∞ ∞
!
n n
n n n
≤ max ∑ |ai j | max |xk | = max ∑ |ai j | kXk∞ .
i=1 j=1 k=1 i=1 j=1

D’autre part, il existe k tels que maxni=1 ∑nj=1 |ai j | = ∑nj=1 |ak j |. On pose alors E = ∑nj=1 ε j E j
ou ε j est le signe de ak j , et on a
!n
n n
n
kAEk∞ = ∑ ai j ε j = max ∑ ai j ε j
j=1 i=1 j=1
i=∞ 1
!
n n n
n n
= ∑ |ak j | = max
i=1
∑ |ai j | = max ∑ |ai j | kXk∞ .
i=1 j=1
j=1 j=1

Cela montre que notre formule définit la norme subordonnée à k − k∞ .

Corrigé de l’exercice 9.5.16 :
 165
 
1 1
1. On écrit aisément la forme quadratique associée à A := comme (somme de)
1 1
carré(s) :
x2 + 2xy + y2 = (x + y)2 .
Pour poursuivre, il faut réécrire cette somme comme combinaison linéaire de carrés d’une
base orthonormée de l’espace des formes linéaires :
√ √ √ √
2 2 2 2 2 2 2 2
x + 2xy + y = 2( x+ y) + 0( x− y)
2 2 2 2
Il suffit ensuite de poser
" √ √ # " √ √ #
2 2 2 2
 
2 0
D := , P−1 := √2
2
2√ et P = t P−1 = √2 2√ .
0 0
2 − 22 2
2
− 22

Pour s’assurer du résultat, on peut calculer

" √ √ #  " √2 √ # " √ √ # √ √  
2 2 2 2 2

√2 2√ 2 0 √2 2√ √2 2√ 2 2 1 1
2 2 2 2
= 2
= .
2 − 2
0 0
2 − 2 2 − 22 0 0 1 1

2.
Références
 169

[CCM97] Gilles C HRISTOL, Anne C OT et Charles-Michel M ARLE. Topologie. Sous la direction

d’E LLIPSES. 1997 (cf. page 129).
[Gob01] Rémi G OBLOT. Algèbre Commutative. 2e édition. Sciences Sup. Dunod, 2001 (cf.
page 17).
[Gui13] Daniel G UIN. Algèbre : Tome 2, Anneaux, modules et algèbre multilinéaire. Enseigne-
ment sup. EDP Sciences, 2013 (cf. page 19).
[Kri07] Jean-Louis K RIVINE. Théorie des ensembles. 2e édition. Nouvelle bibliothéque mathé-
matique Numéro 5. Paris : Cassini, 2007 (cf. page 9).
[Ulm12] Felix U LMER. Théorie des groupes. Références sciences. Ellipses, 2012 (cf. page 14).