Chapitre 1

Dualité

Dans cette section, nous considérons seulement les espaces vectoriels sur un corps com-
mutatif K(= R ou C) ; K sera muni de sa structure d’espace vectoriel. Il est de dimension 1
sur K.

Définition 1.0.1. Soit E , un K-espace vectoriel. Une forme linéaire sur E est toute application
linéaire de E dans K i.e. un élément de L K (E ).
L’espace vectoriel L K (E ) des applications linéaires de E dans K, s’appelle l’espace dual de E , et
est noté par : E ∗ .
E ∗ = L K (E ) = L (E , K) est l’ensemble des formes linéaires sur E .
Le dual de E ∗ est appelé le bidual de E et est noté E ∗∗ .
Notation
On notera souvent, mais pas toujours, x ∗ , y ∗ , ...., les éléments de E ∗ .

Remarque 1.0.1. Les formes linéaires sur E sont des éléments de l’espace vectoriel L K (E ).
Toutes les notions et opérations relatives aux éléments d’espace vectoriel s’appliquent aux formes
linéaires, on parlera de formes linéaires indépendantes de somme de deux formes, etc.

Exemple 1.0.1. 1. si (a 1 , ..., a n ) est une base d’un K-espace vectoriel E , tout élément x de E
n
αi a i .
X
s’écrit de manière unique sous la forme x =
i =1
L’application f i : E −→ K définie par f i (x) = αi est une forme linéaire définie sur E , dite la
i i ème forme coordonnée.
2. Soit E = C ([0, 1], R) l’espace vectoriel des fonctions continues de [0, 1] sur R. L’application Θ
R1
de E dans R définie par : Θ( f ) = 0 f (t ) dt est une forme linéaire définie sur E .

Définition 1.0.2. Soit E 1 et E 2 deux K-espaces vectoriels.

Une application F : E 1 × E 2 −→ K est dite forme bilinéaire (définie sur E 1 × E 2 ) si elle vérifie :
F (x 1 + y 1 , x 2 ) = F (x 1 , x 2 ) + F (y 1 , x 2 )
F (λx 1 , x 2 ) = λF (x 1 , x 2 )
F (x 1 , x 2 + y 2 ) = F (x 1 , x 2 ) + F (x 1 , y 2 )

1
Formes quadratiques - Espaces euclidiens HMIMINA B.

F (x 1 , λx 2 ) = λF (x 1 , x 2 )
∀(x 1 , y 1 ) ∈ E 12 , ∀(x 2 , y 2 ) ∈ E 22 , ∀λ ∈ K.

Exemple 1.0.2. F : R3 × R3 −→ R
((x, y, z), (x 0 , y 0 , z 0 )) −→ xx 0 + y y 0 + zz 0
est une forme bilinéaire définie sur R3 × R3 .

Théorème 1.0.1. Soit E un K-espace vectoriel, et E ∗ son dual.

L’application de E × E ∗ dans K définie par :
(x, f ) −→< x, f >= f (x) (1)
est une forme bilinéaire ; elle est dite forme bilinéaire canonique définie sur E × E ∗ .
(x, x ∗ ) −→< x, x ∗ >= x ∗ (x) est une autre notation de (1).
Preuve

Immédiate !

Théorème 1.0.2. Soit E un K-espace vectoriel décrit par x, son dual E ∗ décrit par x ∗ et la
forme bilinéaire canonique (x, x ∗ ) −→< x, x ∗ >= x ∗ (x), de E × E ∗ dans K.
L’application partielle x̃ : E ∗ → K définie par : x ∗ −→< x, x ∗ > est un élément de E ∗∗ . Elle est
définie par : ∀x ∈ E , ∀x ∗ ∈ E ∗ , x̃(x ∗ ) =< x ∗ , x̃ >=< x, x ∗ >= x ∗ (x).
L’application x −→ x̃ de E dans E ∗∗ est linéaire, elle est appelée homomorphisme canonique
de E dans E ∗∗ .
Preuve
L’application : E −→ E ∗∗
x −→ xe : E ∗ −→ K
f −→ xe( f ) =< f , xe >=< x, f >= f (x)
est canonique, i.e. qu’elle dépend uniquement de la structure de l’espace vectoriel.
Elle est linéaire. En effet :
˜
• (x
Ü x +˜ y >=< x + y, f >= f (x + y) = f (x) + f (y)
+ y)( f ) =< f , Û
=< x, f > + < y, f >
=< f , x̃ > + < f , ỹ >= x̃( f ) + ỹ( f ).
˜ ˜
Ú f ) =< f , λx
Ø >=< λx, f >= f (λx) = λ f (x) = λ < x, f >
•(λx)(
= λ < f , x̃ >= λx̃( f ).
Égalités vraies pour tout f de E ∗ . Donc on a :
˜
x +˜ y = x̃ + ỹ et (λx)
Û Ú = λx̃. ∀x, y ∈ E , ∀λ ∈ K.

1.1 Bases duales d’espaces vectoriels de dimension finie

Théorème 1.1.1. Soit E , un K-espace vectoriel de dimension n. {V1 , ...,Vn } une base de E .
Soient φ1 , ..., φn ∈ E ∗ dual de E . Les n formes linéaires φi {1 ≤ i ≤ n} définies sur E par :

2
Formes quadratiques - Espaces euclidiens HMIMINA B.

φ1 (V1 ) = 1 ; φ1 (V2 ) = 0 ; ... ; φ1 (Vn ) = 0

φ2 (V1 ) = 0 ; φ2 (V2 ) = 1 ; ... ; φ2 (Vn ) = 0
.....................................................................
φn (V1 ) = 0 ; φn (V2 ) = 0 ; ... ; φn (Vn ) = 1
forment une base de E ∗ , dite base duale de la base {V1 , ...,Vn } de E .

Preuve
Rappelons le résultat suivant : Soient E et F deux K-espaces vectoriels. {V1 , ...,Vn } une base de
E et soit µ1 , ..., µn des vecteurs quelconques de F . Il existe alors une application linéaire unique
f : E −→ F telle que f (V1 ) = µ1 , f (V2 ) = µ2 , ... , f (Vn ) = µn .
D’aprés ce rappel les applications φi sont uniques et bien définies.
•φ1 , ..., φn engendrent E ∗ . En effet, soit φ un élément quelconque de E ∗ et supposons que
φ(V1 ) = k 1 , φ(V2 ) = k 2 ,..., φ(Vn ) = k n .
Posons σ = k 1 φ1 + · · · + k n φn . Alors σ(V1 ) = k 1 φ1 (V1 ) + k 2 φ2 (V1 ) + · · · + k n φn (V1 ) = k 1 .
De même pour i = 2, ..., n, σ(Vi ) = k i .
Ainsi, φ(Vi ) = σ(Vi ), pour i = 1, ..., n. Donc, φ = σ = k 1 φ1 + · · · + k n φn et donc {φ1 , ..., φn } en-
gendre E ∗ .
• Montrons que le système {φ1 , ..., φn } est libre.
Supposons que a 1 φ1 + a 2 φ2 + · · · + a n φn = 0 =⇒
(a 1 φ1 + a 2 φ2 + · · · + a n φn )(V1 ) = 0 = a 1 φ1 (V1 ) + a 2 φ2 (V2 ) + · · · + a n φn (V1 ) = a 1 . De même pour
i = 2, ..., n.
(a 1 φ1 +a 2 φ2 +· · ·+a i φi +· · ·+a n φn )(Vi ) = 0 = a 1 φ1 (Vi )+· · ·+a i φi (Vi )+· · ·+a n φn (Vi ) = a i = 0.

Exemple 1.1.1. Trouver la base duale {φ1 , φ2 } de la base V1 = (2, 1);V2 = (3, 1) de R2 .
Nous cherchons les formes linéaires : φ1 (x, y) = ax + b y et φ2 (x, y) = c x + d y, telles que
φ1 (V1 ) = 1 ; φ1 (V2 ) = 0 ; φ2 (V1 ) = 0 ; φ2 (V2 ) = 1.
Ainsi,
(
φ1 (V1 ) = φ1 (2, 1) = 2a + b = 1
=⇒ a = −1; b = 3
φ1 (V2 ) = φ1 (3, 1) = 3a + b = 0
(
φ2 (V1 ) = φ2 (2, 1) = 2c + d = 0
=⇒ c = 1; d = −2
φ2 (V2 ) = φ2 (3, 1) = 3c + d = 1
Donc la base duale est : φ1 (x, y) = −x + 3y ; φ2 (x, y) = x − 2y.

Exemple 1.1.2. Trouver la base duale de la base V1 = (1, −1, 3);V2 = (0, 1, −1);V3 = (0, 3, −2), de
R3 . 
 φ1 (x, y, z) = a 1 x + a 2 y + a 3 z;


Cherchons les formes linéaires : φ2 (x, y, z) = b 1 x + b 2 y + b 3 z;

 φ (x, y, z) = c x + c y + c z

  3 1
 2 3



 φ1 (v 1 ) = 1; 
 φ2 (v 1 ) = 0; 

 φ3 (v 1 ) = 0;

 φ1 (v 1 ) = φ1 (1, −1, 3) = a 1


telles que : φ1 (v 2 ) = 0; φ2 (v 2 ) = 1; φ3 (v 2 ) = 0; φ1 (v 2 ) = φ1 (0, 1, −1) = a 2
   
 φ (v ) = 0.  φ (v ) = 0.  φ (v ) = 1.  φ (v ) = φ (0, 3, −2) = 3a
   
1 3 2 3 3 3 1 3 1

3
Formes quadratiques - Espaces euclidiens HMIMINA B.

On trouve a 1 = 1; a 2 = 0, et a 3 = 0, et donc, φ1 (x, y, z) = x.

De la même manière, on trouvera que φ2 (x, y, z) = 7x − 2y − 3z et φ3 (x, y, z) = −2x + y + z.

Exemple 1.1.3. Soit E = R1 [X ], l’ensemble des polynômes de degré ≤ 1, à coefficients dans R.

R1 R2
Montrer que les formes Φ1 ( f ) = 0 f (t )d t , et Φ2 ( f ) = 0 f (t )d t , sur E , forment une base de
E ∗.
• Si λ1 Φ1 + λ2 Φ2 = 0, alors λ1 Φ1 (1) + λ2 Φ2 (1) = 0, et λ1 Φ1 (x) + λ2 Φ2 (x) = 0. D’où λ1 = λ2 = 0.
Donc les formes Φ1 , et Φ2 , sont libres dans E ∗ , espace vectoriel de dimension 2, donc elles
forment une base.
Cherchons maintenant la base duale, V1 ,V2 , de E .
Les vecteurs V1 , et V2 , sont de la forme : V1 = a+bX , et V2 = c+d X . Comme d’une part, Φ1 (V1 ) =
1, Φ1 (V2 ) = 0, Φ2 (V1 ) = 0, Φ2 (V2 ) = 1, et d’autre part, Φ1 (V1 ) = a + 12 b, et Φ2 (V1 ) = 2a +2b, alors
a = 2, et b = −2. De même, on trouve c = − 12 , et d = 1. Ainsi, la base duale de {Φ1 , Φ2 }, est
{2 − 2X , − 21 + X }.

Corollaire 1.1.1. Si la dimension de E , est finie, alors E et E ∗ , sont isomorphes.

Remarque 1.1.1. 1. En général, il y a beaucoup d’isomorphismes entre E , et E ∗ . Si f , est

l’un d’eux et g , un autre automorphisme de E , f og , est un isomorphisme distinct de f .
On démontre qu’il n’existe pas d’isomorphisme canonique de E , sur E ∗ , si n > 1, sauf, si
n = 2 et K = Z/2Z.

2. Si l’application x → x̃, est toujours injective, elle n’est jamais surjective, en dimension
infinie.

3. Dans la suite, si la dimension de E est finie, on identifiera E et E ∗∗ .

4. Si la dimension de E , est infinie, elle est strictement inférieure à celle de E ∗ .

Théorème 1.1.2. Soit {V1 , ...,Vn } une base de E , et soit {φ1 , · · · , φn } la base duale de E .
Alors pour tout u ∈ E ,
(1) u = φ1 (u)V1 + φ2 (u)V2 + · · · + φn (u)Vn , et pour toute forme linéaire σ ∈ E ∗ i.e. les compo-
santes de u dans {V1 , ...,Vn } sont : {φ1 (u), · · · , φn (u)}.
(2) σ = σ(V1 )φ1 + σ(V2 )φ2 + · · · + σ(Vn )φn .
Preuve
• Supposons u = a 1V1 + a 2V2 + · · · + a n Vn , alors
φ1 (u) = a 1 φ1 (V1 ) + a 2 φ1 (V2 ) + · · · + a n φ1 (Vn ) = a 1 .1 + a 2 .0 + · · · + a n .0 = a 1
De même φi (u) = a i ∀1 ≤ i ≤ n, i.e. φ1 (u) = a 1 , φ2 (u) = a 2 , ..., φn (u) = a n .
Démontrons (2). Comme u = φ1 (u)V1 + φ2 (u)V2 + · · · + φn (u)Vn , alors
σ(u) = φ1 (u)σ(V1 ) + φ2 (u)σ(V2 ) + · · · + φn (u)σ(Vn )
= σ(V1 )φ1 (u) + σ(V2 )φ2 (u) + · · · + σ(Vn )φn (u)

4
Formes quadratiques - Espaces euclidiens HMIMINA B.

= [σ(V1 )φ1 + σ(V2 )φ2 + · · · + σ(Vn )φn ](u). Égalité vraie pour tout u ∈ E , et donc
σ = σ(V1 )φ1 + σ(V2 )φ2 + · · · + σ(Vn )φn .

Théorème 1.1.3. Soient {V1 , ...,Vn } et {W1 , ...,Wn } deux bases de E , {φ1 , ..., φn } et {σ1 , ..., σn }
leurs bases duales respectives.
t
Si P est la matrice de passage de la base {V1 , ...,Vn } à la base {W1 , ...,Wn } alors (P −1 ) est la
matrice de passage de la base {φ1 , ..., φn } à la base {σ1 , ..., σn }.
Preuve
Supposons que
W1 = a 11V1 + a 12V2 + · · · + a 1n Vn σ1 = b 11 φ1 + b 12 φ2 + · · · + b 1n φn
W2 = a 21V1 + a 22V2 + · · · + a 2n Vn σ2 = b 21 φ1 + b 22 φ2 + · · · + b 2n φn
........................................................................................................................
Wn = a n1V1 + a n2V2 + · · · + a nn Vn σn = b n1 φ1 + b n2 φ2 + · · · + b nn φn .
Montrons que Q = t (P −1 ), où P = (a i j ) et Q = (b i j ).
Posons R i = (b i 1 , b i 2 , ..., b i n ) et C j = t (a j 1 , ..., a j n )
R i , la i ème ligne de Q et C j , la j i ème colonne de t P .
D’aprés la définition de la base duale :
σi (W j ) = (b i 1 φ1 + b i 2 φ2 + · · · + b i n φn )(a j 1V1 + a j 2V2 + · · · + a j n Vn )
= b i 1 a j 1 Φ1 (V1 ) + b i 2 a j 2 Φ2 (V2 ) + · · · + b j n a j n Φn (Vn )
= b i 1 a j 1 + b i 2 a j 2 + · · · + b i n a j n = R i C j = δi j où δi j est le symbole de kronecker.
  
1 0 · · · 0

R 1C 1 R 1C 2 · · · R 1C n
  0 . . . 0 ... 
 
R 2 1C R C
2 2 · · · R C
2 n 
D’où Q t P = 
 
=  = In


· · · · · · · · · · · · .. . .
  . 0
 . 0
Rn C 1 Rn C 2 · · · Rn C n 0 ··· 0 1
t −1 t −1
Donc Q = (P ) = (P ).

1.2 Orthogonalité
Définition 1.2.1. On dit qu’un élément x d’un espace vectoriel E et un élément x ∗ du dual E ∗
de E sont orthogonaux, si et seulement si, < x, x ∗ >= 0. On dit aussi que x est orthogonal à x ∗ ,
ou x ∗ est orthogonal à x.
On dit qu’une partie A de E et une partie A ∗ de E ∗ sont orthogonales, si et seulement si, tout
élément de A est orthogonal à tout élément de A ∗ .
Notation
L’orthogonal dans E d’une partie A de E ∗ est noté soit A ◦ , soit A ⊥ .
Exercices
• A ⊂ B =⇒ B ◦ ⊂ A ◦ .
A ⊂ A ◦◦
•(A ∪ B )◦ = A ◦ ∩ B ◦

5
Formes quadratiques - Espaces euclidiens HMIMINA B.

•(V ect A)◦ = A ◦

•{0E }◦ = E ∗ et E ◦ = {o E ∗ }.

Théorème 1.2.1. Soit E un K-espace vectoriel de dimension finie n. L’orthogonal F ◦ d’un sous-
espace vectoriel F de E , de dimension m ≤ n, est un sous-espace vecoriel de E ∗ de dimension
n − m, et l’orthogonal de l’orthogonal de F est F .
i.e., dimF ◦ = n − m, si dim F = m et (F ◦ )◦ = F .
Preuve
Soit (a 1 , ..., a m ) une base de F . Complétons cette base en une base (a 1 , ..., a m , ..., a n ) de E . Soit
(a i∗ ) la base duale de cette base.
x ∗ ∈ F ◦ si et seulement si, < a i , x ∗ >= 0 pour 1 ≤ i ≤ m.
n n n n
α j a ∗j on aura < a i , α j a ∗j >= α j < a i , a ∗j >= α j δi j = αi = 0 1 ≤ i ≤ m.
X X X X
Si x ∗ =
j =1 j =1 j =1 j =1
Donc F ◦ est l’ensemble des vecteurs de E ∗ de la forme x ∗ = αm+1 a m+1
∗
+ · · · + αn a n∗ .
∗
Il est donc engendré par a m+1 , ..., a n∗ , comme ces derniers vecteurs sont libres, F ◦ est de dimen-
sion n − m =dim E - dimF .
• Comme tout élément de F est orthogonal à F ◦ , alors F ⊂ F ◦◦ .
et comme, dimF ◦◦ =dimE ∗ -dimF ◦ = n − (n − m) = m =dim F alors F = F ◦◦ .
En particulier si m = n : E ◦ = {0E ∗ } et {0E ∗ }◦ = E .

Corollaire 1.2.1. La dimension de l’espace vectoriel de l’ensemble des solutions d’un système
homogène de n équations à m inconnues est égale à dim Kn − rg A, où, A, est la matrice du
système homogène.
Preuve 

 a 11 x 1 + a 12 x 2 + · · · + a 1n x n = 0


 a x + a x +···+ a x = 0
21 1 22 2 2n n
Soit (S) =


 ..................................................

a m1 x 1 + a m2 x 2 + · · · + a mn x n = 0

un système homogène d’équations linéaires. Posons A = (a i j ) la matrice du système.
n
Tout d’abord l’ensemble des   de (S) est un sous-espace vectoriel de K , comme noyau
 solutions
x1 0
 .  .
de la matrice A. (S) ⇐⇒ A  .  .
 .  = .
xn 0
La première ligne de (S) =⇒ que la solution (x 1 , ..., x n ) est orthogonale à la première ligne de
A.
La deuxième ligne de (S) =⇒ que la solution (x 1 , ..., x n ) est orthogonale à la deuxième ligne de
A.
.............................................................................................................
La m i ème ligne de (S) =⇒ que la solution (x 1 , ..., x n ) est orthogonale à la m i ème ligne de A.
Donc la solution :
(x 1 , ..., x n ) ∈ L ◦1 ∩L ◦2 ∩....∩L ◦m = (L 1 +L 2 +· · ·+L n )◦ = (L 1 ∪L 2 ∪...∪L m )◦ = (V ec t (l i g nes d e A))◦ .

6
Formes quadratiques - Espaces euclidiens HMIMINA B.

Donc A est l’orthogonal de l’espace lignes de A.

Donc (théorème ci-dessus) dim(S)=dimKn -dimV ec t (l i g nes d e A) = n − r g A
Autre méthode :
D’après le théorème du rang on a : dim(S) = n − r g A.

1.3 Transposition
Soit E et F deux K-espaces, E ∗ et F ∗ leurs duaux respectifs.
On appelle transposée d’une application linéaire f de E dans F et on note t f
(lire : transposée de f ) ; L’application de F ∗ dans E ∗ définie par t f (y ∗ ) = y ∗ ◦ f
t
f f
Donc on a : E 7−→ F F ∗ 7−→ E ∗
y ∗ −→ t f (y ∗ ) = y ∗ ◦ f .
et ∀x ∈ E , [ t f (y ∗ )](x) = (y ∗ ◦ f )(x) = y ∗ [ f (x)]
et par conséquant t f est définie par :
∀x ∈ E , ∀y ∗ ∈ F ∗ < x, t f (y ∗ ) >=< f (x), y ∗ >= y ∗ ( f (x)).
En particulier t (i d E ) = i d E ∗ .

t
Proposition 1.3.1. f est une application linéaire de F ∗ dans E ∗ .
Preuve
En exercice.

Théorème 1.3.1. 1) L’application φ : L (E ,F ) −→ L (F ∗ ,E ∗ ) définie par φ( f ) = t f est linéaire i.e.

t
( f + g ) = t f + t g et t (λ f ) = λ t f .
2) t (g ◦ f ) = t f ◦ t g .
3) Si f est bijective, t f est aussi bijective.
4) Si E et F sont de dimensions finies, alors L (E ,F ) et L (F ∗ ,E ∗ ) sont isomorphes et en plus
t t
( f )= f .
5) F est un sous-espace vectoriel stable par f , si et seulement si, F o , est stable par t f .

Théorème 1.3.2. Soit f : E −→ F une application linéaire de matrice A dans un couple de

t
bases {v 1 , ..., v m } et E et {u 1 , ..., u n } de F . Alors la matrice de f : F ∗ −→ E ∗ dans les bases
duales est t A.
Preuve
Supposons f (v 1 ) = a 11 u 1 + a 12 u 2 + · · · + a 1n u n
f (v 2 ) = a 21 u 1 + a 22 u 2 + · · · + a 2n u n
....................................................
f (v m ) = a m1 u 1 + a m2 u 2 + · · · + a mn u n
On désire montrer que t f (σ1 ) = a 11 φ1 + a 21 φ2 + · · · + a m1 φm
t
f (σ2 ) = a 12 φ1 + a 22 φ2 + · · · + a m2 φm
................................................................

7
Formes quadratiques - Espaces euclidiens HMIMINA B.

t
f (σn ) = a 1n φ1 + a 2n φ2 + · · · + a mn φm
où (σi ) et (φ j ) sont les bases duales des bases (u i ) et (V j ) respectivement
Soit V = k 1 v 1 + k 2 v 2 + · · · + k m v m ∈ E .
f (V ) = k 1 f (v 1 ) + k 2 f (v 2 ) + · · · + k m f (v m ).
= k 1 (a 11 u 1 + · · · + a 1n u n ) + k 2 (a 21 u 1 + · · · + a 2n u n ) + · · · + k m (a m1 u 1 + · · · + a mn u n )
= Σni=1 (k 1 a 1i + k 2 a 2i + · · · + k m a mi )u i . D’où pour j ∈ {1, ..., n}

t
f (σ j ))(v) = σ j ( f (v)) = σ j [Σni=1 (k 1 a 1i + k 2 a 2i + · · · + k m a mi )u i ]
= k1 a1 j + k2 a2 j + · · · + kn am j .
D’autre part, pour j ∈ {1, ..., n}
(a 1 j φ1 + a 2 j φ2 + · · · + a m j φm )(v) = (a 1 j φ1 + a 2 j φ2 + · · · + a m j φm )(k 1 v 1 + k 2 v 2 + · · · + k m v m )
= k 1 a 1 j + k 2 a 2 j + · · · + k m a m j . Comme V , est quelconque dans E , alors
t
f (σ j ) = a 1 j φ1 + a 2 j φ2 + · · · + a m j φm . j = 1, 2, ..., n.

1.4 Transposition et Orthogonalité

Théorème 1.4.1. Si f : E −→ F est une application linéaire, alors (I m f )◦ = ker t f .
Preuve
t
f f
Si E −→ F , alors F ∗ −→ E ∗
W

(I m f )◦ = {y ∗ ∈ F ∗ | < f (x), y ∗ >= 0 ∀x ∈ E }

= {y ∗ ∈ F ∗ | < x, t f (y ∗ ) >= 0} = {y ∗ ∈ F ∗ | t f (y ∗ )(x) = 0 ∀x ∈ E } = ker t f .

Remarque 1.4.1. Dans ce théorème E et F sont de dimensions quelconques.

Théorème 1.4.2. Si E et F sont deux K-espaces vectoriels de dimensions finies et f : E −→ F

une application linéaire, alors r g ( t f ) = r g ( f ).
Preuve
Posons n = d i mE et p = d i mF .
Donc (I m f )◦ = ker t f et (I m t f )◦ = ker f .
Comme d i mE = d i mE ∗ = n et d i mF = d i mF ∗ = p, en utilisant le théorème du rang on
a : r g ( t f ) = d i mF ∗ − d i m ker t f = d i mF ∗ − d i m(I m f ) = d i mF ∗ − (d i mF ∗ − d i mI m f ) =
d i mI m f = r g f .

8
Formes quadratiques - Espaces euclidiens HMIMINA B.

E XERCICE 1

Trouver la base duale de la base V1 = (1, −1, 3);V2 = (0, 1, −1) V3 = (0, 3, −2) de R3 .

E XERCICE 2

Soit E = R1 [X ], l’ensemble des polynômes de degrés ≤ 1 à coefficients dans R.

R1 R2
1. Montrer que les formes : Φ1 ( f ) = 0 f (t )d t et Φ2 = 0 f (t )d t sur E forment une base de
E ∗.
2. Chercher la base duale de la base (Φ1 , Φ2 ).

E XERCICE 3

Soit E = R4 munit de sa base canonique B = (e 1 , e 2 , · · · , e n ) et les formes linéaires (ϕi ) définies

sur E par : ∀(x, y, z, t ) ∈ E , ϕ1 (x, y, z, t ) = x + y − 2t ; ϕ2 (x, y, z, t ) = y + z; ϕ3 (x, y, z, t ) = y − z −
4t ; ϕ4 (x, y, z, t ) = t .
1. Trouver les coordonnées de ϕi dans la base duale B ∗ de B .
2. Montrer que la famille (ϕ1 , ϕ2 , . . . , ϕn ) est libre dans E ∗ .
3. Calculer 4i =1 ker ϕi et en déduire sa dimension.
T

E XERCICE 4

Soient (α1 , . . . , αn ), n réels distints. Montrer que les formes Φi : P −→ P (αi )

(i = 1, . . . , n), forment une base du dual de Rn−1 [X ].

E XERCICE 5

Soient E et F deux-K espaces vectoriels. Si u est une application linéaire de E dans F , t u dé-
signe la transposée de u de F ∗ dans E ∗ définie par : t u(ϕ) = ϕou.
1. Montrer que si u est surjective, alors t u est injective.
2. Montrer que si u est injective, alors t u est surjective.
3. Déduire de ce qui précède que si deux K− espaces vectoriels, E et F sont isomorphes,
alors leurs espaces duals E ∗ et F ∗ sont isomorphes.

E XERCICE 6

Soit E = R2 [X ].
1. Chercher la base duale de la base {1, X , X 2 }.
0
2. Soit f , l’endomorphisme de E défini par : ∀P ∈ E ; f (P ) = P + X P . Déterminer t f .

E XERCICE 7

9
Formes quadratiques - Espaces euclidiens HMIMINA B.

1. Montrer que toute forme linéaire f non nulle sur un K− espace vectoriel de dimension
finie n est surjective.
2. Montrer que le noyau d’une forme linéaire non nulle est un hyperplan.
3. Montrer que deux formes linéaires non nulles, ont même noyau, si et seulement si, elles
sont proportionnelles.

E XERCICE 8

Soit Mn l’ensemble des matrices carrées d’ordre n à coefficients dans un corps commutatif K.
En utilisant l’application Φ : Mn −→ Mn∗ définie par : A −→ Φ(A)(M ) = Tr (AM ), trouver la
forme des éléments de Mn∗ .

10
Chapitre 2

Formes bilinéaires et formes quadratiques

Dans tout ce chapitre, le corps K, est supposé commutatif de caractéristique 6= 2.

Rappel de la définiton d’une forme bilinéaire.

Définition 2.0.1. Une forme bilinéaire sur un K-espace vectoriel E , est une application
f : E × E 7−→ K, linéaire par rapport à chaque facteur, i.e. vérifiant :

f (x + y, z) = f (x, y) + f (y, z) ;;; f (x, y + z) = f (x, y) + f (x, z)

f (λx, y) = f (x, λy) = λ f (x, y)

et ceci ∀x, y, z ∈ E et ∀λ ∈ K.

– La somme de deux formes bilinéaires est une forme bilinéaire, et le produit d’une forme
par un scalaire est une forme bilinéaire.
– L’ensemble des formes bilinéaires sur E est désigné par L 2 (E , K), c’est un K-espace vec-
toriel.

Théorème 2.0.3. Soit E un K-espace vectoriel. Pour qu’une application f : E × E 7−→ K soit
bilinéaire, il faut et il suffit que : ∀α ∈ K , ∀α0 ∈ K , ∀x ∈ E , ∀y ∈ E , ∀x0 ∈ E , ∀y0 ∈ E . on ait :
f (αx + y , α0x0 + y0) = αα0 f (x, x0) + α f (x, y0) + α0 f (y, x0) + f (y, y0).
Preuve
En exercice.

Théorème 2.0.4. Soit E un K-espace vectoriel de dimension n, et soit (φ1 , ...φn ) une base de
l’espace dual E ∗ . Alors { f i , j ; i , j = 1, ...., n} est une base de L 2 (E , K) où f i , j est définie par :
f i , j (u, v) = φi (u)φ j (v). Ainsi en particulier dim L 2 (E , K) = n 2 .
Preuve
Soit (e 1 , ...., e n ) la base de E duale de (φ1 , ..., φn ). Montrons que { f i , j } engendre L 2 (E , K). Soit

11
Formes quadratiques - Espaces euclidiens HMIMINA B.

f ∈ L 2 (E , K) et supposons que f (e i , e j ) = a i , j . Nous avons f = a i , j f i , j . Il suffit de montrer

P
i,j
P
que f (e s , e t ) = ( a i , j f i , j )(e s , e t ) pour s, t = 1, · · · , n. Comme :
( a i , j f i , j )(e s , e t ) = a i , j f i , j (e s , e t ) = a i , j φi (e s )φ j (e t ) = a i , j δi s δ j t = a st = f (e s , e t ),
P P P P

alors { f i , j } engendre L 2 (E , K).

P
• Montrons que { f i , j } est un système libre. Supposons que a i , j f i , j = 0 .
P
Alors pour s, t = 1, · · · , n, 0 = 0(e s , e t ) = ( a i , j f i , j )(e s , e t ) = a st .
Donc les vecteurs f i , j sont libres et donc ils forment une base de L 2 (E , K) et par conséquent
dim L 2 (E , K) = n 2 .

2.1 Matrice d’une forme bilinéaire

Définition 2.1.1. Soit E un K-espace vectoriel de dimension finie n, rapporté à une base B =
(a i )1≤i ≤n . La matrice de f ∈ L 2 (E , K) dans la base B est la matrice :
A = ( f (a i , a j ))1≤i ≤n et 1≤ j ≤n i, est l’indice de colonne de A et j, est l’indice de ligne de A.

Exemple 2.1.1. f : R2 × R2 −→ R définie par f [(x, y); (x0, y0)] = 2xx0 − 2y y0 + x y0 + x0y est une
forme bilinéaire sa matrice dans la base canonique de R2 est :

à ! à !
f (e 1 , e 1 ) f (e 2 , e 1 ) 2 1
A= =
f (e 1 , e 2 ) f (e 2 , e 2 ) 1 −2
Théorème 2.1.1. L’application définie par : f −→ A = M at ( f , B ), est un isomorphisme de
L 2 (E , K) sur Mn (K) (B base de E ).
Preuve
En exercice

Théorème 2.1.2. Soit E un K-espace vectoriel de dimension finie n rapporté à une base   B=
x1
 
 . 
 
(a i ). Si A est la matrice dans B d’une forme bilinéaire f de E et si X = M at (x, B ) =  .  et
 
 
 . 
 
xn
 
y1
 
 . 
 
Y = M at (y, B ) =  .  sont deux éléments de E ,
 
 
 . 
 
yn
alors f (x, y) = Y A X =t X t A Y .
t

Preuve
n P
P n n
P
f (x, y) = ai j xi y j = y j (a 1 j x 1 + · · · + a n j x n ) (K commut at i f )
i =1 j =1 j =1

12
Formes quadratiques - Espaces euclidiens HMIMINA B.

  
a 11 . . . a n1 x1
  
 . . 
 . 
 

t
= (y 1 , . . . , y n )  . .  .  = Y AX
  
  
 . . 
 . 
 

a 1n . . . a nn x n
La matrice t Y A X , étant une matrice carrée d’ordre 1, elle est égale à sa transposée. Donc
f (x, y) = t X t A Y = t
Y A X.

Remarque 2.1.1. Noter la différence avec f linéaire ( f (X ) = AX ).

2.2 Formule de changement de bases

Théorème 2.2.1. Soit P la matrice de passage d’une base à une autre. Si A est la matrice d’une
forme bilinéaire dans la base initiale, alors B = t P AP est la matrice de f dans la nouvelle
base.
Preuve
Soit P la matrice de passage de la base (a i ) à la base (a i0 ).
En posant X 0 = M at (x, (a i0 )) et Y 0 = M at (y, (a i0 )) on a grace à la formule
f (x, y) = t Y AX et aux relations X = P X 0 , Y = P Y 0
f (x, y) = t Y AX = t (P Y 0 )A(P X 0 ) = t Y 0 ( t P AP )X 0 .
Nous voyons donc que la matrice de f relativement à la nouvelle base est

A 0 = t P AP .

• Noter l’analogie et la différence entre cette formule et la formule A 0 = P −1 AP concenant les

matrices associées à un endomorphisme de E .

Définition 2.2.1. Une matrice B est dite congruente à une matrice A, s’il existe une matrice
inversible P telle que B = t P AP .
D’après le théorème précédent, les matrices représentant la même forme bilinéaire dans dif-
férentes bases sont congruentes. Remarquons aussi, que les matrices congruentes ont le même
rang car P et t P sont inversibles.
Donc la définition suivante est bien définie quand la dimension de l’espace est finie.

Définition 2.2.2. • Le rang d’une forme bilinéaire f , sur E , de dimension finie, que l’on note
r g ( f ) est le rang de toute matrice représentant f .
• Une forme bilinéaire sur E est dite dégénérée si r g ( f ) < dim E et est dite non dégénérée si
r g ( f ) = dim E .

Définition 2.2.3. Une forme bilinéaire f : E × E −→ K est dite symétrique si :

∀(x, y) ∈ E 2 f (x, y) = f (y, x).

13
Formes quadratiques - Espaces euclidiens HMIMINA B.

Proposition 2.2.1. Soit E un K-espace vectoriel de dimension finie.

Une forme biliniéaire f sur E est symétrique, si et seulement si, la matrice associée à f dans
n’importe quelle base de E est symétrique.
Preuve
Si f forme bilinéaire symétrique sur E et si A est une représentation matricielle de f , on a :
f (y, x) = t X AY = t Y t AX = f (x, y) = t Y AX = t X t AY
Donc t X AY = t X t AY , d’où t X (AY − t AY ) =t X (A − t A)Y = 0
(Utilisant le fait que t X AY est un scalaire, donc égale à son transposé) et puisque cette égalité
est vraie pour tous les vecteurs X et Y , il s’ensuit que A = t A.
D’où la matrice A est symétrique.
Réciproquement, il est clair que si A est symétrique, f est symétrique.

Proposition 2.2.2. L’ensemble des formes bilinéaires symétriques sur E , S 2 (E , K) est un sous-
espace vectoriel de L 2 (E , K). Si dim E = n, alors, dim S 2 (E , K) = n(n+1)
2
.
Preuve En exercice.

Définition 2.2.4. Une forme biliniéaire f : E × E −→ K est dite anti-symétrique si :

∀(x, y) ∈ E 2 , f (x, y) = − f (y, x).

Définition 2.2.5. Une forme biliniéaire f : E × E −→ K est dite altérnée si :

f (x, x) = 0K ∀x ∈ E .

Proposition 2.2.3. Le corps K, étant supposé de caractéristique 6= 2, alors f , forme bilinéaire

est anti-symétrique, si et seulement si, elle est altérnée i.e : f (x, x) = 0K ∀x ∈ E .
Preuve
Si f est alternée, alors f (x + y, x + y) = f (x, x)+ f (x, y)+ f (y, x)+ f (y, y) = 0 puisque f (x, x) = 0
et f (y, y) = 0. Alors f (x, y) = − f (y, x) et par suite f est anti-symétrique.
Réciproquement, si f est anti-symétrique pour x = y, on a : f (x, x) = − f (x, x) et donc 2 f (x, x) =
0, et par suite f (x, x) = 0, si la caractéristique de K est 6= 2.

Proposition 2.2.4. – • L’ensemble des formes anti-symétriques noté A2 (E , K) est un sous-

espace vectoriel de L 2 (E , K) et L 2 (E , K) = S 2 (E , K) ⊕ A2 (E , K).
– • Si dim E = n, alors dim A2 (E , K) = n 2 − n(n+1)
2
= n(n−1)
2
.
Preuve
Montrons seulement que la somme est directe. Si f est une forme bilinéaire sur E , posons
f 1 (x, y) = 12 [ f (x, y) + f (y, x)] et f 2 (x, y) = 21 [ f (x, y) − f (y, x)]. On vérifie aussitô que f 1 est sy-
métrique et f 2 est anti-symétrique. L’unicité résultera du lemme suivant :
Lemme
Si f est une forme biléaire à fois symétrique et anti-symétrique sur un K-espace vectoriel E
avec K de caractéristique 6= 2, alors f = 0.
Preuve
f , forme bilénaire à fois symétrique et anti-symétrique, donc pour tous x, y de E on a : f (x, y) =

14
Formes quadratiques - Espaces euclidiens HMIMINA B.

f (y, x) et f (x, y) = − f (y, x). En additionnant ces deux égalités on obtient : 2 f (x, y) = 0. D’où
f = 0.
Unicité : Supposons que f = f 1 + f 2 = g 1 +g 2 avec f 1 et g 1 symétriques et g 2 et f 2 anti-symétriques.
Alors f 1 − g 1 = g 2 − f 2 . f 1 − g 1 , forme bilinéaire à fois symétrique et anti-symétrique, donc
d’après ce qui précède, elle est nulle. D’où f 1 = g 1 et f 2 = g 2 .

Proposition 2.2.5. Soit E , un K-espace vectoriel et f , une forme bilinéaire altérnée sur E . Alors
il existe une base de E , dans laquelle f , est représentée par une matrice de la forme :
 Ã ! 
0 +1
 
 −1
 0 

à !
0
 
 +1 
 

 −1 0 

..
 

 . 

 Ã ! 

 0 +1 

0
 
 −1 
 

 0 

 

 0 

 .. 

 . 

0
à !
0 +1 1
Le nombre de est égale à 2 r g ( f ) (⇒ r g ( f ) est pair).
−1 0
Preuve
• Si f = 0 le théorème est clair. Ainsi que si dim E = 1. En effet :
f (k 1 u, k 2 u) = k 1 k 2 f (u, u) = 0 et donc f = 0.
Nous pouvons supposer donc que dim E 6= 1 et f 6= 0.
• Puisque f 6= 0, il existe u 1 , u 2 ∈ E non nuls tel que f (u 1 , u 2 ) 6= 0.
En multipliant u 1 par un facteur adéquat, on peut supposer que f (u 1 , u 2 ) = −1 et donc f (u 2 , u 1 ) =
+1.
Les vecteurs u 1 et u 2 sont libres, si non si u 2 = ku 1 alors
f (u 1 , u 2 ) = f (u 1 , ku 1 ) = k f (u 1 , u 1 ) = 0.
Posons E 1 = V ec t (u 1 , u 2 ).

Ã- La représentation
! Ã matricielle de!la restriction de f à E 1 dans la base {u 1 , u 2 } est :
0 +1 f (u 1 , u 1 ) f (u 2 , u 1 )
=
−1 0 f (u 1 , u 2 ) f (u 2 , u 2 )

- Si u ∈ E 1 en posant u = au 1 + bu 2 ,
(∗) f (u, u 1 ) = f (au 1 + bu 2 , u 1 ) = −b et f (u, u 2 ) = f (au 1 + bu 2 , u 2 ) = a
Soit E 2 = {w ∈ E : f (w, u) = 0, ∀u ∈ E 1 }.
Montrons que E = E 1 ⊕ E 2 .

15
Formes quadratiques - Espaces euclidiens HMIMINA B.

Il est claire que E 1 ∩ E 2 = {0E }. Montrons que E = E 1 + E 2 .

- Soit v ∈ E . Posons u = f (v, u 2 )u 1 − f (v, u 1 )u 2 et w = v − u (∗∗)
u ∈ V ect (u 1 , u 2 ). Montrons que w ∈ E 2
f (u, u 1 ) = f (v, u 1 ) d’aprés (∗) et (∗∗).
Donc f (w, u 1 ) = f (v − u, u 1 ) = f (v, u 1 ) − f (u, u 1 ) = 0
De même f (u, u 2 ) = f (v, u 2 ) et donc
f (w, u 2 ) = f (v − u, u 2 ) = f (v, u 2 ) − f (u, u 2 ) = 0.
Ainsi w ∈ E 2 , et d’aprés (∗∗) v = u + w, où u ∈ E 1 et w ∈ E 2 .
Maintenant la restriction de f à E 2 est une forme bilinéaire altérnée sur E 2 .
Par récurrence, il existe une base {u 3 , ..., u n } de E 2 dans laquelle la matrice représentant f res-
trincte à E 2 a la forme demandée.
Ainsi,{u 1 , u 2 , ..., u n } est une base de E dans laquelle la matrice de f a la forme désirée.

2.3 Rang d’une forme bilinéaire

On a déjà défini le rang d’une forme bilinéaire en dimension finie. Maintenant, on va la
définir en dimension quelconque.
Soit E , un K-espace vectoriel non nécessairement de dimension finie, et f , une forme bilinéaire
sur E .
Considérons les applications µ : E −→ E ∗ et ν : E −→ E ∗ définies par :
µ(y) = f y : E −→ K f y (x) = f (x, y)
ν(x) = f x : E −→ K f x (y) = f (x, y)
f y et f x sont les applications associées à f .
µ et ν sont des applications linéaires.
On voit que les applications µ et ν sont transposées l’une à l’autre, elles ont donc même rang.

Définition 2.3.1. Soit E , un K-espace et f , une forme bilinéaire sur E . Le rang commun aux
applications linéaires µ et ν définies ci-dessus s’appelle le rang de f .

Théorème 2.3.1. Le rang d’une forme bilinéaire f , sur un espace vectoriel de dimension finie
E , est égale au rang de la matrice de cette forme dans toute base de E .
Preuve
Soit A = (b i j ) la matrice de f dans une base (e 1 , ..., e n ) de E et (e 1∗ , ..., e n∗ ) la base duale de
(e 1 , ..., e n ). Comme µ(e i ) = b i j e ∗j , alors A est aussi la matrice de µ dans les bases (e i ) et (e i∗ ).
P
j
A étant à la fois la matrice de f et de µ.
Donc le rang de f est égale au rang de µ. D’où le théorème.

Définition 2.3.2. • Soit E , un K-espace vectoriel, et f , une forme bilinéaire sur

E . On dit que f , est non dégénérée, si les deux applications linéaires µ et ν sont
injectives.

16
Formes quadratiques - Espaces euclidiens HMIMINA B.

• Si dim E est finie, dire que f , est non dégénérée, revient à dire que le déterminant
de la matrice de f dans une base quelconque de E est différent de zéro.
• Une forme bilinéaire est dite, dégénérée, dans le cas contraire. i.e : µ ou ν, non
injective.
• Une forme bilinéaire sur E , de dimension finie est dégénérée, si r g ( f ) < dim E et
est dite non dégénérée si r g ( f ) = dim E .

Définition 2.3.3. Le discriminant d’une forme bilinéaire f , sur E , espace vectoriel de dimen-
sion finie, dans une base B , de E , est le déterminant de la matice de f , dans cette base.
Exercice : Montrer que si le discriminant d’une forme bilinéaire est nul dans une base de E , il
est nul relativement à toute autre base de E .
Solution :
Si A, et A 0 , sont les matrices de f , dans des bases 6=. Comme A 0 = t P AP , alors det A 0 = (det t P )(det A)(det P
et si det A = 0 ⇒ det A 0 = 0.
Réciproquement, si det A 0 = 0, comme P et t P sont inversibles donc leur déterminant est 6= 0,
et donc det A = 0.

2.4 Formes quadratiques

Définition 2.4.1. Soit f , une forme bilinéaire quelconque sur E . On appelle forme quadra-
tique associée à f , l’appliction Q, de E , dans K, définie par :
Q : E −→ K Q(x) = f (x, x) ∀x ∈ E
• La somme de deux formes quadratiques sur E , est une forme quadratique sur E , ainsi que le
produit d’une forme quadratique par un scalaire de K, d’où la

Proposition 2.4.1. L’ensemble Q(E ), des formes quadratiques définies sur E , muni de l’addi-
tion et de la multiplication par un scalaire est un espace vectoriel sur K.

Remarques 2.4.1. • Si la caractéristique de K est 6= 2, pour prouver qu’une application Q, de

E , dans K, est une forme quadratique sur E , il suffit de vérifier que l’application :
(x, y) −→ 12 [Q(x + y) − Q(x) − Q(y)] est une forme bilinéaire symétrique, ou plus simplement
une forme bilinéaire symétrique, dont Q est la forme quadratique associée.
• L’application de L 2 (E , K), dans Q(E ), définie par : f −→ Q est un homomorphisme d’espaces
vectoriels, surjectif (par définition) mais non injectif. En effet : si g , est une forme bilinéaire
altérnée non nulle (i.e : g (x, x) = 0), on aura pour tout x ∈ E .
f (x, x) = Q(x) ; ( f + g )(x, x) = f (x, x) + g (x, x) = Q(x).
Donc la forme quadratique Q, est associée à deux formes bilinéaires distinctes f et f + g . Mais
dans le cas de S 2 (E , K), on a le théorème suivant :

Théorème 2.4.1. L’application qui, à toute forme bilinéaire symétrique f de E , associe la

forme quadratique Q définie par :

17
Formes quadratiques - Espaces euclidiens HMIMINA B.

1. ∀x ∈ E Q(x) = f (x, x) est bijective " En définitif, c’est un isomorphisme de S 2 (E , K) sur

Q(E ) "
La forme bilinéaire symétrique f ainsi associée à Q est telle que :

2. ∀(x, y) ∈ E × E f (x, y) = 21 [Q(x + y) −Q(x) −Q(y)]

f est dite la forme polaire de Q, si la caractéristique de K est 6= 2

.
Preuve
∀(x, y) ∈ E 2
Q(x + y) = f (x + y, x + y) = f (x, x) + f (x, y) + f (y, x) + f (y, y) = Q(x) +Q(y) + 2 f (x, y)
D’où f (x, y) = 21 [Q(x + y) −Q(x) −Q(y)].
Égalité qui montre que si la même forme quadratique Q est associée à deux formes bilinéaires
f et g on a : f = g .

Corollaire 2.4.1. Soit f , une forme bilinéaire symétrique sur E , et Q, la forme quadratique
associée, alors Q = 0 ⇔ f = 0.
Preuve
Elle découle des égalités (1) et (2) du théorème.

Corollaire 2.4.2. Soit Q, la forme quadratique associée à f , forme bilinéaire symétrique sur
E . Alors pour tout endomorphisme u, de E , on a :
[∀x ∈ E , Q[u(x)] = Q(x)] ⇔ [∀(x, y) ∈ E 2 , f [u(x), u(y)] = f (x, y)]
On dit alors que u, conserve f ou Q.

2.5 Caractérisation des formes quadratiques en dimension

finie
Soit K un corps commutatif de caractéristique différente de 2, et f , forme bilinéaire symé-
trique sur E , K−espace vectoriel de dimension finie de matrice A = (a i j ) dans une base B , alors
la forme quadratique   
a a 21 . . . a n1 x1
 11  
 a
 21 a 22 . . . a n2 x2 

 
³ ´
 . . . . . .
 
. 
Q(X ) = f (X , X ) = t X AX =

x1 x2 . . . xn   
 . . . . . . . 
  

  
 . . . . . .  . 
  
a n1 a 2n . . . a nn xn

a i j x i x j = a 11 x 12 + a 22 x 22 + ... + a nn x n2 +
P X
= 2 ai j xi x j
i,j | {z } i<j
t er mes c ar r és | {z }
t er mes r ect ang l es

18
Formes quadratiques - Espaces euclidiens HMIMINA B.

Cette expression formelle des variables x i est appelée le polynôme quadratique correspondant
à la matrice symétrique A.
" (∗) Remarquons que si A, est diagonale, i.e : (a i j = 0) si i 6= j , alors Q, admet une représenta-
n
tion diagonale Q(x) = t X AX = a i i x i2 "
P
i =1 ³ ´
Q(x), est un polynôme homogène de degré 2, en fonction des coordonnées x 1 , x 2 , · · · , x n
de x dans la base B .
Réciproquement, si P , est une fonction polynôme à coefficients dans K, homogène de degré
2, à n variables (x 1 , ..., x n ), et si B , est une base de E , K-espace vectoriel de dimension finie
n, on peut définir une unique forme quadratique Q, (et donc une unique forme f , bilinéaire
symétrique, forme polaire de Q) par :

Q : E −→ K
x = (x 1 , ..., x n ) −→ Q(x) = P (x 1 , ..., x n )

Par identification coefficient par coefficient, on peut à partir du développement du polynôme

P , obtenir la matrice A = (a i j ), de Q, dans la base B , par la régle dite de dédoublement des
termes.
Régle de dédoublement Dans la pratique, pour passer de Q à f , il suffit de dédoubler visiuel-
lement les termes de la façon suivante :
x i2 7−→ x i x i0 ; x i x j 7−→ 21 [x i x 0j + x i0 x j ]
Exemple : Montrer que le déterminant est une forme quadratique sur l’ensemble des matrices
carrées d’ordre 2 et à coefficients dans R et calculer sa forme polaire f .
Si x = (x 1 , x 2 ) et y = (x 3 , x 4 ) d et (x, y) = x 1 x 4 − x 2 x 3 est un polynôme homogène de degré 2.
Donc c’est une forme quadratique. La forme polaire f associée est f (x, y) = 12 [x 1 x 4 + x 4 x 1 ] −
1
2 [x 2 x 3 + x 3 x 2 ]. Soit K, un corps commutatif de caractéristique différente de 2, E , un K-espace
vectoriel de dimension finie n, f , une forme bilinéaire symétrique sur E , et Q, la forme qua-
dratique associée.
La matrice symétrique A = (a i j ) représentant Q(x 1 , ..., x n ) a l’élément diagonal (a i i ) égale au
coefficient de x i2 , et a ses éléments (a i j ) et (a j i ) chacun égal à la moitié du coefficient de x i x j .
Ainsi par exemple : Ã !
−7
5
- Si Q(x, y) = 5x 2 − 7x y + 2y 2 A= −7
2

2
2
p 2
- Si Q(x, y, z) = 2x + 4x y + y 2 + 6xz − 8y z + z 2

 p 
2 2 3
 
A=
 2 1 −4 

3 −4 1

19
Formes quadratiques - Espaces euclidiens HMIMINA B.

à !
1
1
- Si Q(x, y) = x 2 + x y A= 1
2

2 0
 
1
1 0 2
- Si Q(x, y, z) = y 2 + x 2 + y z + xz 1
 
A=
 0 1 2


1 1
2 2 0

Autre méthode
Soit A = (a i j ), la matrice de Q(x), dans une base B , de E .
n
Q(x) = t X AX = a i i x i2 + 2
P P
ai j xi x j
i =1 1≤i < j ≤n
Fixons r dans {1, 2, ..., n} et cherchons les coefficients (a r 1 , ..., a r n ) de la r i ème ligne de la matrice
A.
n n n
Q(x) = a r r x r2 + T + 2 a i i x i2 ou encore
P P P
ar j xr x j + 2 a r k x k où T =
j =r +1 k=1 i =1
i 6=r
n
Q(x) = a r r x r2 + 2 comme K est supposé de caractéristique différente de 2
P
ar k xr x j + T
k=1
k6=r
En dérivant Q(X ) par rapport à x r on obtient :  
x1
 
 . 
n n
1 ∂Q(x) P P ³ ´  
= ar r xr + ar k xr = ar k xk = ar 1 . . . ar n  . 
 
2 ∂x r
k=1 k=1 
 . 

k6=r  
xn
Et par suite on a la r i ème ligne de la matrice A.

Exemple 2.5.1. Q(x) = x 12 + x 22 + 2x 1 x 3

1 ∂Q
2 ∂x 1
= x 1 + x 3 = 1x 1 + 0x 2 + 1x 3
 
1 0 1
1 ∂Q
 
2 ∂x 2
= x 2 = 0x 1 + 1x 2 + 0x 3 ⇒ A=
 0 1 0 

1 0 0
1 ∂Q
2 ∂x 3 = x 1 = 1x 1 + 0x 2 + 0x 3
On retrouve la même matrice A, de Q, par la première méthode.

Exemple 2.5.2. Q(x) = 2x 1 x 2 − 2x 2 x 3 + 2x 1 x 3

1 ∂Q
2 ∂x 1 = x 2 + x 3 = 0x 1 + 1x 2 + 1x 3
 
0 1 1
1 ∂Q
 
2 ∂x 2
= x 1 − x 3 = 1x 1 + 0x 2 − 1x 3 ⇒ A=
 1 0
−1 

1 −1 0

20
Formes quadratiques - Espaces euclidiens HMIMINA B.

1 ∂Q
2 ∂x 3 = x 1 − x 2 = 1x 1 − 1x 2 + 0x 3
Exercice : Cherchons les matrices des formes quadratiques définies sur E = R3 , rapporté à la
base canonique B , par :
∀u = (x, y, z) ∈ R3 Q 1 (u) = x y + y z + zx et Q 2 (u) = x 2 + 2xz − 3y z + 7z 2
et exibons les formes polaires associées.
Solution : Q 1 , et Q 2 , sont bien des formes quadratique sur E , car elles sont définies par des
polynômes homogènes
 de degré2, en fonction
 des coordonnées de  u, dans la base  B , de E .
1 1
0 0 1 1 1 0 1
 1 2 21  1 
 =  1 0 1  et M at (Q 2 , B ) =  0 0 −3 
  
M at (Q 1 , B ) = 
 2 0 2  2   2 
1 1 −3
2 2
0 1 1 0 1 2
7
La forme polaire associée à Q 1 , est donnée pour u = (x, y, z) ; u 0 = (x 0 , y 0 , z 0 ) par :
f 1 (u, u 0 ) = t u 0 Au = t u t Au 0 = 21 [x y 0 + x 0 y + y 0 z + y z 0 + zx 0 + z 0 x]

Définition 2.5.1. • Une base (a i )1≤i ≤n de E , est orthogonale relativement à f , ou à Q, si

i 6= j ⇒ f (a i , a j ) = 0
• Une base ((a i )1≤i ≤n ) de E , est orthonormale relativement à f , ou à Q, si elle est orthogonale
et si f (a i , a i ) = 1, ∀i ∈ {1, ..., n}.

Exemple 2.5.3. La base canonique de Rn , est orthonormale relativement à f , définie par :

n
P
f (x, y) = x i y i où x = (x 1 , ..., x n ) et y = (y 1 , ..., y n ).
i =1

Le théorème suivant affirme que tout espace vectoriel de dimension finie, admet au moins
une base orthogonale relativement à toute forme bilinéaire symétrique sur E . On montre qu’il
n’existe pas nécesairement de base orthonormale.

Théorème 2.5.1. Soit K un corps commutatif de caractéristique 6= 2, E , un K-espace vectoriel

de dimension finie n, f une forme bilinéaire symétrique sur E .
Alors E , admet une base orthogonale relativement à f .
Preuve
Si f = 0 ou si dim E = 1, le théorème est évident.
Supposons donc f 6= 0 et dim E = n > 1. Si Q(v) = f (v, v) = 0, pour tout v ∈ E , alors la forme
polaire Q implique que f = 0. Donc nous pouvons supposer qu’il y a un vecteur v 1 ∈ E tel
que f (v 1 , v 1 ) 6= 0. Soit U = V ec t (v 1 ) et W le sous-espace constitué des vecteurs v ∈ E , tel que
f (v 1 , v) = 0. Montrons que E = U ⊕ W .
f (v 1 ,v)
• Si v ∈ E , posons (∗) w = v − f (v 1 ,v 1 ) v 1 , alors
f (v ,v)
f (v 1 , w) = f (v 1 , v)− f (v 11,v 1 ) f (v 1 , v 1 ) = 0. Donc w ∈ W , et donc d’aprés (∗), il est la somme d’un
élément de U et d’un élément de W , alors E = U + W .
• Montrons que U ∩ W = {0}.
Si x ∈ U ∩ W , x ∈ U et donc x = kv 1 , pour un certain k ∈ K.
Comme x ∈ W , 0 = f (x, x) = f (kv 1 , kv 1 ) = k 2 f (v 1 , v 1 ). M ai s f (v 1 , v 1 ) 6= 0, donc k = 0, et par

21
Formes quadratiques - Espaces euclidiens HMIMINA B.

suite x = kv 1 = 0
Autre forme du théorème
Soit K, un corps commutatif de caractéristique 6= 2, et E un K−espace vectoriel de dimension
finie et f une forme bilinéaire symétrique sur E . Alors il existe une base de E sur laquelle la
matrice de f est diagonale.
Autre forme du théorème
Soit K, un corps commutatif de caractéristique 6= 2, et A, une matrice symétrique à coefficients
dans K, alors, il existe une matrice inversible P , telle que t P AP , est diagonale.
i.e : que A, est congrue à une matrice diagonale.

Théorème 2.5.2. Soit E , un R-espace vectoriel de dimension finie et f , une forme bilinéaire
symétrique sur E . Alors il existe une base de E , dans laquelle f , est représentée par une matrice
diagonale, et toute représentation diagonale de f , a le même nombre d’éléments positifs p, et
le même nombre d’éléments négatifs m.

Attention : f , forme bilinéaire et non application linéaire !

. Preuve
Le théorème précédent implique l’existence d’une base {u 1 , ..., u n }, de E , dans laquelle f , est
représentée par une matrice diagonale avec p, éléments positifs et m, éléments négatifs.
Si {v 1 , ..., v n }, est une autre base de E , dans laquelle f , est représentée par une matrice diago-
nale, avec p 0 , éléments positifs et m 0 , éléments négatifs, on peut supposer sans alterer la preuve
du théorème que les éléments positifs dans chaque matrice apparaissent en première position :
Comme r g ( f ) = p + m = p 0 + m 0 , il suffit de montrer que p = p 0 . (⇒ m = m 0 ).
Soit E 1 = V ec t (u 1 , ..., u p ), et E 2 = V ec t (v p 0 +1 , ..., v n ).
Alors f (x, x) ≥ 0, pour tout vecteur non nul x ∈ E 1 , et f (x, x) ≤ 0, pour tout vecteur non nul
x ∈ E 2 . Donc E 1 ∩ E 2 = {0E }.
Comme dim E 1 = p et dim E 2 = n − p 0 , alors
dim(E 1 + E 2 ) = dim E 1 + dim E 2 − dim(E 1 ∩ E 2 ) = p + (n − p 0 ) − 0 = p − p 0 + n.
Mais comme dim(E 1 + E 2 ) ≤ dim E = n, alors p − p 0 + n ≤ n, ou p ≤ p 0 . De façon analogue on
a : p 0 ≤ p, et donc p = p 0 .

Remarque 2.5.1. La démonstraion du théorème dépend seulement du concept de positivité.

(Ainsi le théorème est vrai pour tout corps totalement ordonné comme R et en particulier il est
vrai pour tout sous-corps de R ).

Définition 2.5.2. Soit Q une forme quadratique de représentation diagonale A, avec p élé-
ments strictement positifs et m éléments strictement négatifs sur sa diagonale. Alors la signa-
ture de Q est le couple (p, m).

22
Formes quadratiques - Espaces euclidiens HMIMINA B.

Remarque 2.5.2. 1. Certains auteurs appellent signature de Q, la différence :

p − m = 2p − r .
2. Pour trouver la signature d’une forme quadratique Q, (ou d’une forme bilinéaire symé-
trique), commencer par diagonaliser la matrice de Q.
Si p, est le nombre d’éléments strictement positifs et m, celui des éléments strictement
négatifs dans la matrice diagonale que vous venez d’obtenir alors la signature de Q, est
le couple (p, m).
 
1 0 0
 
Exemple 2.5.4. Supposons que la matrice diagonalisant Q est la matrice A =   0 −2 0  .

0 0 3
Alors la signature de Q est le couple (2, 1) et à partir
 de lamatrice A, on peut retrouver l’expres-
1 0 0 x
sion de Q(X ). Q(X ) =t X AX = (x y z) 
   
0 −2 0  y 
  
0 0 3 z
= x 2 − 2y 2 + 3z 2 . D’où une autre définition de la signature.

Définition 2.5.3. La signature de Q, est le couple (p, m), où p, désigne le nombre de carrés
précédés du signe +, et m = r − p, le nombre de carrés précédés du signe −, dans l’expression
de Q(X ) dans une matrice diagonalisant Q. (r étant le rang de Q.)
 
2 0 0 0 0
 
 0 −1 0 0 0 
 
Exemple 2.5.5. Si la matrice diagonalisant Q est  0 0 3 0 0  donner (sans calcul)
 
 
 0 0 0 5 0 
 
0 0 0 0 −4
l’expression de Q.
Q(x 1 , x 2 , x 3 , x 4 , x 5 ) = 2x 12 + 3x 32 + 5x 42 − x 22 − 4x 52 .
Rappel : SoitA, une matrice carrée, les propriétés suivantes sont équivalentes :
1. A, est inversible ;
2. A, est un produit de matrices élémentaires.
Puisqu’une matrice inversible est un produit de matrices élémentaires, une façon de diagona-
liser la matrice A d’ordre n est d’effectuer une suite d’opérations élémentaires sur les lignes de
la matrice bloc (A, I n ) et d’effectuer la même suite d’opérations élémentaires sur les colonnes
de la matrice bloc (A, I n ). Cette méthode est illustrée par les exemples suivants :

Exemple 2.5.6. Chercher la signature de la forme quadratique de la matrice

 
1 −3 2
 
A=
 −3 7−5 

2 −5 8

23
Formes quadratiques - Espaces euclidiens HMIMINA B.

 
1 −3 2 ; 1 0 0
 
Formons la matrice bloc (A, I 3 ) : (A, I 3 ) = 
 −3 7; 0 1 0 
−5 
2 −5 8 ; 0 0 1
Appliquons les opérations élémentaires sur les lignes suivantes :
l 2 −→ 3l 1 + l 2 et l 3 −→ −2l 1 + l 3 à (A, I 3 ) et ensuite les opératons élémenataires correspen-
dantes
 sur les colonnes c 2 −→
 3c 1 + c 2 et
 c 3 −→ −2c 1 + c 3 , on obtient
 :
1 −3 2 ; 1 0 0 1 0 0 ; 1 0 0
   
 0 −2 1 ; 3 1 0  et ensuite  0 −2 1 ; 3 1 0 
   
0 1 4 ; −2 0 1 0 1 4 ; −2 0 1
Appliquons maintenant l’opération élémentaire sur la ligne l 3 −→ l 2 + 2l 3 et ensuite l’opéra-
tion
 élémentaire correspendante  sur la colonne
 c 3 −→ c 2 + 2c 3 , on obtient
 :
1 0 0 ; 1 0 0 1 0 0 ; 1 0 0
   
 0 −2 1 ; 3 1 0  et ensuite  0 −2 0 ; 3 1 0 . D’où la signature de la
   
0 0 9 ; −1 1 2 0 0 18 ; −1 1 2
matrice A est (2, 1).   
t 1 0 0 1 3 −1
   
Posons P =   3 1 0 = 0 1 1 
  
−1 1 2 0 0 2
   
1 0 0 1 0 0
Alors t P AP = 
   
 0 −2 0  et A est congrue à la matrice diagonale  0 −2 0 
  
0 0 18 0 0 18

Exemple 2.5.7. Trouver la signature de la forme quadratique de matrice

 
0 1 1
 
A=
 1 −2 2 

1 2 −1
 
0 1 1 ; 1 0 0
 
Formons la matrice bloc (A, I 3 ) = 
 1 −2 2
; 0 1 0  
1 2 −1 ; 0 0 1
On a 0 en position (1, 1) on fait l’opération élémentaire l 1 ←→ l 3 de façon à commencer avec
un élément non nul.
Appliquons
 l’opération élémentaire
 l 1 ←→
 l 3 et ensuite c 1 ←→ c 3 , on
 obtient :
1 2 −1 ; 0 0 1 −1 2 1 ; 0 0 1
   
 1 −2 2 ; 0 1 0  et ensuite  2 −2 1 ; 0 1 0 
   
0 1 1 ; 1 0 0 1 1 0 ; 1 0 0
Appliquons les opérations élémentaires sur les lignes suivantes l 2 −→ 2l 1 + l 2 et l 3 −→ l 1 + l 3
et ensuite les opérations élémentaires correspendentes sur les colonnes c 2 −→ 2c 1 + c 2 et c 3 −→
c 1 + c 3 ; On obtient :

24
Formes quadratiques - Espaces euclidiens HMIMINA B.

   
−1 2 1 ; 0 0 1 −1 0 0 ; 0 0 1
   
 0 2 3 ; 0 1 2  et ensuite  0 2 3 ; 0 1 2 
   
0 3 1 ; 1 0 1 0 3 1 ; 1 0 1
Appliquons l’opération ligne l 3 −→ −3l 2 + 2l 3 et en suite l’opération colonne correspendante
c3 −→ −3c 2 + 2c 3 ; On obtient :  
−1 0 0 ; 0 0 1 −1 0 0 ; 0 0 1
   
 et ensuite  0 2 . La signature de A
 0 2 3 ; 0 1 2   0 ; 0 12 

0 0 −7 ; 2 −3 −4 0 0 −14 ; 2 −3 −4
est égale à (1, 2)    
t 0 0 1 0 0 2
   
Maintenant que A a été diagonalisée, posons P =  0 1  2  =
 
 0 1 −3 

2 −3 −4 1 2 −4
 
−1 0 0
t
 
Alors P AP =   0 2 0   est congrue à A.
0 0 −14

 
1 2 −3
 
Exemple 2.5.8. Trouver la signature de la forme quadratique de matrice A = 
 2 5
−4 

−3 −4 8
 
1 2 −3 ; 1 0 0
 
Formons la matrice bloc (A, I 3 ) = 
 2 5 ; 0 1 0 
−4 
−3 −4 8 ; 0 0 1
Appliquons les opérations élémentaires l 2 −→ −2l 1 + l 2 et l 3 −→ 3l 1 + l 3 à (A, I 3 ) et ensuite les
opérations
 élémentaires correspendantes
  c 2 −→ −2c 1 + c 2 et c 3 −→ 3c 1 + c 3 ; On obtient :
1 2 −3 ; 1 0 0 1 0 0 ; 1 0 0
   
 0 1 2 ; −2 1 0  et ensuite  0 1 2 ; −2 1 0 
   
0 2 −1 ; 3 0 1 0 2 −1 ; 3 0 1
Appliquons ensuite l’opération élémentaire l 3 −→ −2l 2 +l 3 et l’opération correspondante c 3 −→
−2c 2 + c 3 ; On obtient :
   
1 0 0 ; 1 0 0 1 0 0 ; 1 0 0
   
 0 1 2 ; −2 1 0  et ensuite  0 1 0 ; −2 1 0 
   
0 0 −5 ; −7 −2 1 0 0 −5 ; 7 −2 1
   
1 −2 7 1 0 0
   
Maintenant A est diagonalisée, posons P =   0 1 −2  = transposé de la matrice  −2 1 0 
  
0 0 1 7 −2 1
 
1 0 0
t
 
P AP =  0 1 0  La signature de A, est le couple (2, 1), ou encore c’est la différence entre

0 0 −5
le nombre de coefficients positifs et celui des nombres négatifs de la diagonale principale. Les

25
Formes quadratiques - Espaces euclidiens HMIMINA B.

 
1 0 0
 
matrices A et 
 0 1 0  sont congruentes.
0 0 −5
Exercice : Soit K, un corps commutatif de caractéristique 6= 2, et A = (a i j ), une matrice carrée
d’ordre n, à coefficients dans K. Donner un algorithme formel pour diagonaliser A.
Solution
– Cas I : • Si a 11 6= 0, faisons les opérations élémentaires sur les lignes de A.
l i −→ −a i 1 l 1 + a 11 l i , i = 1, ..., n, et ensuite les opérations correspondantes sur les co-
lonnes de A. Ã !
a 11 0
c i −→ −a i 1 c 1 + a 11 c i pour réduire A à la forme
0 B

– Cas II : • Si a 11 = 0, mais a i i 6= 0 pour certain i > 1. Appliquons l’opération élémentaire

l 1 ←→ l i i.e. remplaçons la ligne 1 de A par la ligne i puis l’opération colonne correspon-
dante c 1 ←→ c i pour trouver a i i dans la première position sur la diagonale. Ce qui nous
ramène au cas précédent (Cas I).

– Cas III : • Si tous les a i i sont nuls, choisissons i , j tel que a i j 6= 0 et appliquons l’opération
élémentaire ligne l i −→ l j + l i et l’opération colonne correspondante c i −→ c j + c i pour
trouver 2a i j 6= 0 dans la i ème position diagonale. Ce qui nous ramène au cas précédent
(Cas II) Ã !
a 11 0
Dans chacun des trois cas, nous pouvons finalement réduire A, à la forme où B ,
0 B
est une matrice symétrique d’ordre inférieur à celui de A.
Par récurrence, nous pouvons finalement trouver A, sous forme diagonale.

Remarque 2.5.3. La caractéristique de K différente de 2, a été utilisée dans le Cas III, où tous
les a i i , sont nuls. (2a i j 6= 0).

Définition 2.5.4. • Une forme bilinéaire symétrique réelle f , est dite positive, si
Q(x) = f (x, x) ≥ 0, pour tout vecteur x ∈ E .
Q, est dite définie positive si Q(x) = f (x, x) > 0, pour tout vecteur x 6= 0E .
• Q, est dite négative, si Q(x) ≤ 0, pour tout vecteur x de E , et est dite définie négative si Q(x) < 0
pour tout x 6= 0.

Théorème 2.5.3. Pour toute forme quadratique Q, de rang r , sur Cn , il existe une base de Cn ,
où, Q(x 1 , · · · , x n ) = x 12 + x 22 + · · · + x r2 .
Preuve
Soit B = (a 1 , ..., a n ), une base orthogonale realativement à Q, (une telle base existe toujours
d’après le théorème 4.5.1 )

26
Formes quadratiques - Espaces euclidiens HMIMINA B.

Sans alterer la généralité du raisonnement, on peut supposer que la matrice A, de Q, dans B ,

λ1
 
0 ··· 0
 .. .. 

 . . 

 . ..

 0 λr 
est de la forme : 
 
. ..

0 0 
 

 .
..

 . .
 .


0 ··· 0 0
Si (y 1 , ..., y n ), sont les cordonnées de x ∈ Cn , dans la base B , on a :
r
Q(x) = t X AX = λi y i2 , les r, λi sont non nuls.
P
i =1
Chaque λi , peut être sous la forme λi = α2i . (Ici intervient la structure de C).
a
(
b i = αi pour 1 ≤ i ≤ r
Posons i
bi = ai pour i > r
(b 1 , ..., b n ), est une base de Cn . Soit (x 1 , ..., x n ), les cordonnées de x, dans (b 1 , ..., b n ). on a pour
1≤i ≤r ; x i = αi y i de sorte que Q(x) = x 12 + x 22 + · · · + x r2 .

Théorème 2.5.4. (Loi d’inertie de Sylvester)

Soit Q, une forme quadratique de rang r , sur Rn . Il existe une base de Rn , dans laquelle Q,
admet une représentation unique de la forme :
Q(x 1 , ..., x n ) = x 12 + x 22 + · · · + x p2 − (x p+1
2 2
+ x p+2 + · · · + x r2 ).
Où p, est un entier qui ne dépend que de Q, et non de la base où Q, est réduite.
Preuve
Soit (a 1 , ..., a n ), une base orthogonale pour Q.
n r
b i y i2
P P
Q( y i ai ) = b i 6= 0 si 1 ≤ i ≤ r .
i =1 i =1

On peut supposer que b i > 0 pour 1 ≤ i ≤ p et b i < 0 pour p + 1 ≤ i ≤ r . Posons

(
αi =
p
bi pour 1≤i ≤p
αi = −b i
p
pour p +1 ≤ i ≤ r
a
(
e i = αi pour 1≤i ≤r
i
e i = ai pour i >r
n
x i e i ) = x 12 + · · · + x p2 − (x p+1
2
+ · · · + x r2 ).
P
On a alors : Q(
i =1

Corollaire 2.5.1. Une forme quadratique sur Rn , est définie positive, si elle a pour signature
(n, 0), et est définie négative, si elle a pour signature (0, n).
Plus généralement, une forme quadratique Q, de rang r , est positive si sa signature est (r, 0).
Négative, si sa signature est (0, r ).

27
Formes quadratiques - Espaces euclidiens HMIMINA B.

2.6 Formes quadratiques, méthode de Gauss

Théorème 2.6.1. E , étant un R-espace vectoriel de dimension finie n, et Q, une forme quadra-
r
tique définie sur E , de rang r . Alors Q = λi u i2 .
P
i =1
Les λi , sont des réels, et les u i , sont des formes linéaires, linéairement indépendantes dans le
dual E ∗ , de E .
Preuve
Par récurrence sur n , en sachant que ab = 14 [(a + b)2 − (a − b)2 ] ∀a, b ∈ R.
Le cas n = 1 est trivial. Il résulte de l’expression de Q(x) = x 2 .
Si x = (x 1 , ..., x n ) et A la matrice de Q.
n
Q(x) = t X AX = αi i (x i )2 + 2 αi j x i x j .
P P
i =1 1≤i < j ≤n

Pour n ≥ 2, supposons qu’on sache obtenir une telle décomposition pour toute forme qua-
dratique définie sur Rp pour tout entier p, 1 ≤ p ≤ n − 1, et considérons alors une forme qua-
dratique quelconque Q définie sur Rn .
On va distinguer deux cas selon que Q(v) contient un terme carré ou non.
1er cas
Si Q(v) contient un terme carré, par exemple x 12 , alors, on peut écrire ∀v ∈ Rn , , Q(v) =
λ1 x 12 + 2R(x 2 , x 3 , ..., x n )x 1 + S(x 2 , x 3 , ..., x n ), avec λ1 6= 0.
Où R est une forme linéaire, et S une forme quadratique définie sur Rn−1 . Ce qui donne :
2
∀v ∈ Rn , Q(v) = λ1 (x 1 + R(x2 ,xλ31,...,xn ) )2 − [R(x2 ,xλ3 ,...,x
1
n )]
+ S(x 2 , x 3 , ..., x n ) (∗)

2
L’application (x 2 , ..., x n ) 7−→ S(x 2 , ..., x n ) − [R(x2 ,...,x
λ1
n )]
est une forme quadratique à laquelle
on peut appliquer l’hypothèse de récurrence. D’où :
r
∀v ∈ Rn , Q(v) = λ1 (x 1 + R(x2 ,xλ31,...,xn ) )2 + λi u i2 (v) et
P
i =2
les formes u i , i = 2, 3, ..., r sont linéairement indépendantes.
On pose alors ∀v ∈ Rn , u 1 (v) = x 1 + R(x2 ,xλ31,...,xn ) ; on en déduit :
r
Q(v) = λi u i2 (v), où les u i sont linéairement indépendantes puisque seule u 1 fait intervenir
P
i =1
x1 .

Exemple 2.6.1. Décomposer en carrés par la méthode de Gauss la forme :

Q(v) = x 2 + 2y 2 + 3z 2 − 2zt + t x + 3x y − y t .
Commençons à partir de x 2 et utilisant tous les termes où apparaît x.
On a x 2 + t x + 3x y = (x + 23 y + 21 t )2 − 94 y 2 − 14 t 2 − 32 y t .
Avec x 0 = x + 32 y + 12 t , Q(v) = x 02 − 41 y 2 + 3z 2 − 14 t 2 − 2zt − 25 y t
Puis on réitère avec y 2 sur − 14 y 2 − 25 y t = −1 2 25 2
4 (y + 5t ) + 4 t
En posant y0 = y + 5t , alors Q(v) = x 02 − 41 y 02 + 3z 2 + 6t 2 − 2zt .
On termine avec 3z 2 − 2zt = 3(z − 13 t )2 − 13 t 2
En posant z 0 = z − 13 t , alors Q(v) = x 02 − 41 y 02 + 3z 02 + 17
3 t
2

28
Formes quadratiques - Espaces euclidiens HMIMINA B.

Soit Q(v) = (x + 23 y + 12 t )2 − 41 (y + 5t )2 + 3(z − 31 t )2 + 17 2 2 1 2 2 17 2

3 t = u 1 − 4 u 2 + 3u 3 + 3 u 4 avec
u 1 (x, y, z, t ) = x + 23 y + 12 t ; u 2 (x, y, z, t ) = y + 5t
1
u 3 (x, y, z, t ) = z − 3t ; u 4 (x, y, z, t ) = t et Sg n(Q) = (3, 1).

Exemple 2.6.2. Décomposer en carrés par la méthode de Gauss la forme quadratique

Q(x, y) = 2x 2 + 2x y + 5y 2 .
Comme la matrice de Q est inversible, alors r gQ = 2. Comme dans l’exemple précédent, par-
tons du terme carré x 2 .
2x 2 + 2x y = 2(x + 21 y 2 ) − 21 y 2 . D’où Q(x, y) = 2(x + 21 y)2 + 92 y 2 .
Sg n(Q) = (2, 0) i ci u 1 (x, y) = x + 12 y et u 2 (x, y) = y.

2me cas
Si Q(v) ne contient pas de terme carré, il ne contient que des termes rectangles. Par exemple,
on peut écrire : ∀v ∈ Rn
Q(v) = αx 1 x 2 + x 1 R(x 3 , ..., x n ) + x 2 S(x 3 , ..., x n ) + T (x 3 , ..., x n )
= α[(x 1 + S(x3 ,...,x
α
n)
)(x 2 + R(x3 ,...,x
α
n)
) − RS(xα3 ,...,x
2
n)
+ T (x 3 , ..., x n )] (∗∗)
Puis en utilisant l’égalité ab = 41 [(a + b)2 − (a − b)2 ]
(x 1 + S(x3 ,...,x
α
n)
)(x 2 + R(x3 ,...,x
α
n)
) = 41 [x 1 +x 2 + R(x3 ,...,xn )+S(x
α ] − 41 [x 1 −x 2 + S(x3 ,...,xn )−R(x
3 ,...,x n ) 2
α
3 ,...,x n ) 2
]
r
et T (x 3 , ..., x n ) − RS(x3α,...,xn ) = λi u i2 (v) avec l es u i , i = 1, ..., r linéairement indépendantes,
P
i =3
par hypothèse de récurrence, on a une forme quadratique sur Rn−2 . En posant, alors pour tout
v ∈ Rn

R(x 3 ,...,x n )+S(x 3 ,...,x n )
 u 1 (v) = x 1 + x 2 + α



 u (v) = x − x + S(x3 ,...,xn )−R(x3 ,...,xn )



2 1 2 α
Le résultat est acquis.
Les formes linéaires u i , i = 1, 2, ..., r sont linéairement indépendantes. Seules u 1 et u 2 font
intervenir x 1 et x 2 , et elles sont clairement indépendantes entre elles.

Exemple 2.6.3. Décomposer par la méthode de Gauss la forme quadratique

Q(x, y, z) = x y + xz + y z.
Il n’y a pas de termes carrés, il y a que des termes rectangles.
Choisissons de commencer par le terme rectangle x y. On fait apparaître un produit de formes
linéaires consommant tous les termes où x ou y apparaissent.
x y + y z + xz = (x + z)(y + z) − z 2
= 41 [(x + y + 2z)2 − (x − y)2 ] − z 2 (appl i quer ab = 14 [(a + b)2 − (a − b)2 ])
= 41 (x + y + 2z)2 − 14 (x − y)2 − z 2 .
Ici u 1 (x, y, z) = x + y + 2z ; u 2 (x, y, z) = x − y ; u 3 (x, y, z) = z et Sg n(Q) = (1, 2).

Remarque 2.6.1. Puisqu’on a le choix sur l’ordre dans laquel on peut travailler sur les termes
carrés ou sur les termes rectangles quand il n’y a pas de termes carrés on aboutit à des mul-
tiples décompositions en carrés. Ainsi, Q(x, y) = 2x 2 + 2x y + 5y 2 = 2(x + 21 y)2 + 92 y 2 en com-

29
Formes quadratiques - Espaces euclidiens HMIMINA B.

mençant d’abord par x 2 mais Q(x, y) = p

5(y + 15 x)2 + 95 x 2 si on commence avec y 2 . Mais encore
p p
Q(x, y) = ( 2x + p1 y)2 + ( p3 y)2 = 49( 72 x + p
1
y)2 + 14 (3 2y)2 .
2 2 7 2
Mais le rang et la signature de Q restent invariants.
• Dans la décomposition en carrés par la méthode de Gauss on utilise les relations : x 12 +
2x 1 f (x 2 , · · · , x n ) = (x 1 + f )2 − f 2 ou x 1 x 2 +x 1 f (x 3 , · · · , x n )+x 2 g (x 3 , · · · , x n ) = (x 1 +g )(x 2 + f )− f g .

Exemple 2.6.4. Montrer que la forme quadratique Q(V ) = 2x 2 + 2x y + 5y 2 où V = (x, y) est

définie positive et chercher la matrice congrue à celle de Q(v).

! Q dans la base canonique de R est

2
La matrice
à de
2 1
A= . On a vu ci-haut que Q(x, y) = 2(x + 12 y)2 + 92 y 2 . La forme Q est donc
1 5
définie positif. r g (Q) = 2 et Sg n(Q) = (2, 0)
Si
 on pose
 x0 = x + 1 y à ! à !à ! à !
2 1
x0

 1 2 x −1 x
⇒ 0
= =P ⇒ X 0 = P −1 X

 y0 = y
 y 0 1 y y

Ces changements de composantes

à ! analytiques correspondent à une matrice de changement de
1
1 2
base P , telle que P −1 = .
0 1
Les colonnes de P , définissent une base B , dans laquelle Q(V ) = 2x 0 2 + 92 y 0 2 et la matrice
à !
2 0
de Q dans B est D = .
0 92
et comme D et A sont les matrices de Q dans des bases différentes alors D = t P AP .

Exemple 2.6.5. Montrer que la forme quadratique Q(x, y, z) = x y + xz + y z n’est pas définie
positive et trouver une matrice qui lui est congrue.
La matrice
 A, de 
Q, est :
0 1 1
1
 dans la base canonique de R .
3
 
A= 2 1 0 1 
1 1 0
x y + y z + zx = (x + z)(y + z) − z 2 = 14 [(x + y + 2z)2 − (x − y)2 ] − z 2
= 14 (x + y + 2z)2 − 14 (x − y)2 − z 2
⇒ r g (Q) = 3 et la sigature de Q, est égale à (1,2) et donc Q n’est pas définie positive positive,
puisque sa signature n’est pas de la forme (3, 0).
Si
 l’on fait le changementde coordonnées
  :  
0 0


 x = x + y + 2z x 1 1 2 x
 ⇔ X 0 = P −1 X où
    
0 0
y =x−y ⇔   y  =  1 −1 0   y
  


 z0 = z

z0 0 0 1 z

30
Formes quadratiques - Espaces euclidiens HMIMINA B.

   
x x0
X0 =
   
X = et 0 
 y   y 

z z0
0 2 02 02
Les colonnes de P , définissent une base B , où la matrice de Q(X ) = 14 x 0 − 41 y − z , est diago-
 
1
0 0
 4 −1  t
nale : D = 
 0 4 0  = P AP ,(formule de changement de bases.)

0 0 −1

Exemple 2.6.6. Montrer que la forme Q(x, y, z) = x 2 + 2y 2 + 3z 2 − 2zt + t x + 3x y − y t , n’est pas

définie positive et trouver une matrice qui lui est congrue.
On déjà vu que Q(x, y, z, t ) = x 0 2 − 14 y 0 2 +3z 0 2 + 17 2
3 t D’où Q, est de rang 4, et de signature (3, 1).
Donc Q n’est  pas définie positive puisque sa signature est différente de (4, 0).
x 0 = x + 32 y + 12 t 1 32 0 12
    

 x0 x

 y 0 = y + 5t
  0  
 y   0 1 0 5  y 
 
0
Si l’on pose : ⇔ X = 0 =
     
 z0 = z − 1 t z 0 0 1 −1  
z


 3    3  
 0
t0

t =t 0 0 0 1 t
⇔ X 0 = P −1 X
Les colonnes de P , définissent une base B , dans laquelle Q, est décomposée en carrés D =
t
P AP , où A, est la matrice de Q, dans la base canonique de R4 .
D = d i ag (1, −1
4
, 3, 17
3
) et D est congrue à la matrice A comme dans l’exemple précédent.

Remarque 2.6.2. On a vu qu’une forme quadratique peut avoir plusieurs décompositions en

somme de carrés. Ces diverses décompositions en carrés de Q, sont assoiciés à diverses matrices
diagonales D, dans diverses bases B . Ces matrices D, sont congruentes entre elles.

Exercice : Méthode des carrées de Gauss

n
P
Considérons une forme quadratique réelle Q(x 1 , ..., x n ) = a i j x i x j , où a i j = a j i .
i , j =1

– (1) Si a 11 6= 0, montrer que la substitution :

x 1 = y 1 − a111 [a 12 y 2 + · · · + a 1n y n ] , x2 = y 2 , . . . , xn = y n
donne l’équation Q(x 1 , . . . , x n ) = a 11 y 12 + Q 0 (y 1 , . . . , y n ), où Q 0 est aussi un polynôme
homogène de degré 2.

– (2) Si a 11 = 0, mais a 12 6= 0, montrer que la substitution

x1 = y 1 + y 2 ; x2 = y 1 − y 2 ; x3 = y 3 , . . . , xn = y n
Pn
donne l’équation Q(x 1 , . . . , x n ) = b i j y i y j i.e : réduit le cas (2) au cas(1).
i , j =1

Rappelons que si f : E × E → K est une forme bilinéaire non nécessairement symétrique,

pour tout x choisi dans E l’application f x : E → K qui a y associe f x (y) = f (x, y) est une forme

31
Formes quadratiques - Espaces euclidiens HMIMINA B.

linéaire sur E , dite application partielle associée à f . Elle vérifie 〈y, f x 〉 = f x (y) = f (x, y).

Théorème 2.6.2. f : (x, y) → f (x, y) étant une application bilinéaire sur E . L’application ϕ
de E dans E ∗ définie par ϕ(x) = f x est linéaire et l’application θ de l’ensemble des formes
bilinéaires sur E dans l’ensemble des applications linéaires de E dans E ∗ définie par θ( f ) = ϕ
est un isomorphisme d’espaces vectoriels.
Preuve
Voir Michel Queysanne, Algébre, Collection U Armand Colin.

Corollaire 2.6.1. Si f est une forme bilinéaire symétrique sur E , les deux applications linéaires
ϕ et ψ de E dans E ∗ définies par : x → ϕ(x) = f x , y → ψ(y) = f y , f x et f y étant les applications
partielles associées à f sont identiques.

Noyau d’une forme bilinéaire symétrique

Soit f une forme bilinéaire symétrique sur E , Q la forme quadratique associée, ϕ l’appli-
cation linéaire de E dans E ∗ définie par ϕ(x) = f x .

Définition 2.6.1. On appelle noyau de f (ou de Q) le noyau de ϕ.

K er f = K er ϕ = K er Q.
x ∈ ker f ⇔ ϕ(x) = f x = O E ∗ ⇔ [∀y ∈ E f x (y) = f (x, y) = o K ]
f étant symétrique, K er f est également décrit par y tel que :
ϕ(y) = f y = O E ∗ [∀x ∈ E f y (x) = f (x, y) = O K ].
Remarques
1. En général K er f n’est pas un sous-espace vectoriel de E × E . Cela tient au fait que f est bili-
néaire et non linéaire.
2. K er f n’est pas la partie (x, y) de E × E tel que f (x, y) = 0.

Théorème 2.6.3. f étant une forme bilinéaire symétrique sur un K−espace vectoriel de di-
mension finie n, et (a i j ) la matrice de f dans une base de E . Les propriétés suivantes sont
équivalentes :

1. f est non dégénérée sur E ;

2. f (x, y) = 0, ∀ ∈ E ⇒ y = 0 ;
3. f (x, y) = 0, ∀y ∈ E ⇒ x = 0 ;
4. L’application ϕ de E dans E ∗ associée à f est un isomorphisme d’espaces vectoriels ;
5. d et (a i j ) 6= 0.

32
Formes quadratiques - Espaces euclidiens HMIMINA B.

E XERCICE 9

Soit A une matrice carrée d’ordre n. Montrer que l’application f (X , Y ) =t X AY est une forme
bilinéaire sur Kn .

E XERCICE 10
0 0 0 0
1. Montrer que l’application f de R2 ×R2 dans R définie par : f [(x, y); (x , y ] = 2xx −2y y +
0 0
x y + x y est une forme bilinéaire symétrique sur R2 .
2. Donner la matrice de f dans la base canonique de R2 et en déduire qu’elle est non dégé-
nérée sur R2 . Trouver son rang.

E XERCICE 11

Soit K un corps commutatif de caractéristique 6= 2 et E un K−espace vectoriel de base (e 1 , e 2 ).

Montrer que l’application f de E 2 dans K définie par : f (x, y) = x 1 y 2 − x 2 y 1 où x = (x 1 , x 2 ) et
y = (y 1 , y 2 ) est une forme bilinéaire alternée non symétrique, non dégénérée. Donner son rang.

E XERCICE 12

Soit f : E 1 × E 2 −→ E 3 une application bilinéaire. Montrer que f (o E 1 , x) = O E 3 = f (x,O E 2 ).

E XERCICE 13

Soit H un sous-corps d’un corps commutatif K. Montrer que si f est K−bilinéaire, alors elle est
H−bilinéaire, mais que la réciproque n’est pas toujours vraie.

E XERCICE 14

L’image par une application linéaire d’un sous-espace vectoriel est un sous-espace vectoriel.
Cette propriété reste-t-elle vraie pour les applications bilinéaires ?

E XERCICE 15

Soit E un K−espace vectoriel de dimension finie non nulle, et f une forme bilinéaire sur E .
On appelle discriminant de f relativement à une base de E , le déterminant de la matrice de f
relative à cette base. Montrer que si le discriminant d’une forme bilinéaire est nul relativement
à une base de E , il est nul relativement à toute autre base de E .

E XERCICE 16
 
a1 0 . 0
 
 0 a2 . 0 
Soit A =   une matrice carrée d’ordre n diagonale à coefficients dans un
 . .
 

0 0 0 an
corps commutatif K.

33
Formes quadratiques - Espaces euclidiens HMIMINA B.

1. Montrer que ∀k 1 , · · · , k n ∈ K∗ , la matrice A est congrue à une matrice diagonale, dont

les éléments diagonaux sont égaux à a i k i2 .
2. Si K = C, montrer que A est congrue à une matrice diagonale avec seulement des 0 et des
1 sur sa diagonale principale.
3. Si K = R, montrer que A est congrue à une matrice diagonale avec des 1, des −1 et des 0
sur sa diagonale principale.

E XERCICE 17

Chercher la matrice et la forme polaire des formes quadratiques suivantes : Q1 (x, y) = 3x y ;

Q2 (x, y, z) = x y + xz − y z − x 2 − y 2 + z 2 .

E XERCICE 18

Donner la matrice de la forme quadratique associée à la forme bilinéaire symétrique définie

0 0 0 0 0 0
sur R2 par : f [(x, y); (x , y )] = 2xx − 2y y + x y + x y.

E XERCICE 19
 
1 2 −3
 
Chercher la signature de la forme quadratique de matrice B = 
 2 5.
−4 
−3 −4 8

E XERCICE 20 (C ONTRÔLE 2010-2011)

1. Pourquoi l’expression Q(x, y, z) = x y + xz + y z est une forme quadratique sur R3 ?

2. Donner la matrice A de Q dans la base canonique de R3 .
3. Donner l’expression de la forme polaire f de Q à partir de la matrice A.
4. Montrer que f est non dégénérée et en déduire le rang de Q.
5. Décomposer Q(x, y, z) en somme de carrés par la méthode de Gauss et déduire sa signa-
ture.
6. Pourquoi la forme quadratique Q n’est pas positive sur R3 ?
 
1
4
0 0
1
 
7. Montrer que la matrice A est congrue à la matrice D = 
 0 −4 0  
0 0 − 14
8. Deux matrices semblables ont le même spectre. Cette propriété reste-t-elle vraie pour
deux matrices conguentes ?

E XERCICE 21

Montrer que la forme quadratique Q(x, y) = 2x 2 + 2x y + 5y 2 est définie positive, et chercher la

matrice congrue à sa matrice.

34
Chapitre 3

Espaces euclidiens

3.1 Produit scalaire

Définition 3.1.1. Soit E , un R-espace vectoriel. On appelle produit scalaire sur E , toute forme
bilinéaire symétrique ϕ, définie positive et positive.
• On note souvent ϕ(x, y), par (x/y) ou x.y ou < x, y > ou < x/y >.
Donc ϕ : E ×E −→ R est un produit scalaire sur E , si ϕ, est une forme bilinéaire symétrique qui
vérifie : ϕ(x, x) ≥ 0 ∀x ∈ E et ϕ(x, x) = 0 ⇔ x = 0
Ou encore un produit scalaire sur E , R−espace vectoriel de dimension finie, est une forme
bilinéaire symétrique non dégénérée positive.

Exemple 3.1.1. 1. Produit scalaire usuel sur Rn (n 6= 0)

ϕ : Rn × Rn −→ R
n
ϕ[(x 1 , ..., x n ) , (y 1 , ..., y n )] =
P
xi y i
i =1
est un produit scalaire sur R , dit produit scalaire usuel ou canonique sur Rn .
n

2. Produit scalaire canonique sur Mn,p (R).

ϕ : Mn,p (R) × Mn,p (R) −→ R
(A, B ) −→ ϕ(A, B ) = Tr ( t AB )
est un produit scalaire sur Mn,p (R), dit produit scalaire canonique sur Mn,p (R). En effet :
• ϕ(B, A) = Tr ( t B A) = Tr [ t ( t B A)] = Tr ( t AB ) = ϕ(A, B )
• ϕ(A, λB +C ) = Tr [ t A(λB +C )] = Tr (λ t AB + t AC )
= λTr ( t AB ) + Tr ( t AC ) = λϕ(A, B ) + ϕ(A,C )
p
n P
• Si A = (a i , j ) ϕ(A, A) = Tr ( t A A) = a i2, j =
P P 2
ai , j ≥ 0
i =1 j =1 1≤i ≤n
1≤ j ≤p
• ϕ(A, A) = 0 ⇔ a i2, j = 0 ⇔ ∀i , j ∈ {1, ..., n} × {1, ..., p}
P
i,j
a i , j = 0 ⇔ A = 0.

3. E = C 0 ([a, b], R), le R-espace vectoriel des applications continues de [a, b] ⊂ R, dans R.

35
Formes quadratiques - Espaces euclidiens HMIMINA B.

L’application : ϕ : E 2 −→ R

Rb
( f , g ) −→ ϕ( f , g ) = a f g est un produit scalaire sur E .
En effet :
Rb Rb
• ϕ(g , f ) = a g f = a f g = ϕ( f , g ).
Rb Rb Rb
• ϕ( f , λg 1 + g 2 ) = a f .(λg 1 + g 2 ) = λ a f g 1 + a f g 2 = λϕ( f , g 1 ) + ϕ( f , g 2 )
Rb
• ϕ( f , f ) = a f 2 ≥ 0
Rb
• ϕ( f , f ) = 0 ⇐⇒ a f 2 = 0 ⇐⇒ f = 0 (c ar f cont i nue).

Théorème 3.1.1. (Inégalité de Cauchy - Schwarz)

Soit E , un R-espace vectoriel, ϕ : E 2 −→ R un produit scalaire sur E , et

Q : E −→ R
x −→ Q(x) = ϕ(x, x) la forme quadratique associée.

Alors ∀(x, y) ∈ E 2 [ϕ(x, y)]2 ≤ Q(x)Q(y).

Preuve
On a : ∀λ ∈ R , Q(x + λy) ≥ 0 ; d’où, ∀λ ∈ R, Q(y)λ2 + 2ϕ(x, y)λ +Q(x) ≥ 0.
• Si Q(y) 6= 0, le trinôme : λ −→ Q(x)λ2 + 2ϕ(x, y)λ +Q(x), est ≥ 0 sur R, donc de discriminant,
≤ 0 : [ϕ(x, y)]2 −Q(x)Q(y) ≤ 0.
• Si Q(y) = 0, alors y = 0, et l’inégalité est évidente.

Proposition 3.1.1. ∀(x, y) ∈ E 2 , [ϕ(x, y)]2 = Q(x)Q(y) ⇐⇒ x et y sont liés dans E.

Preuve
⇒) Si y = 0E , alors x et y sont liés.
ϕ(x,y)
Si y 6= 0E , alors Q(y) > 0. Si on pose λ0 = − Q(y)
, on a:

ϕ(x,y) 2 ϕ(x,y)
Q(x + λ0 y) = [ Q(y) ] Q(y) − 2 Q(y) ϕ(x, y) +Q(x)
1
= Q(y) [−(ϕ(x, y)) +Q(x)Q(y)] = 0 =⇒ x + λ0 y = 0 (Car Q, définie positive.)
2

D’où x + λ0 y = 0 =⇒ x et y sont liés dans E .

 ) Si x et y sont liés, ∃ α ∈ R tel que y = αx. D’où :
⇐
 (ϕ(x, y)) = [ϕ(x, αx)] = α [ϕ(x, x)] = α [Q(x)]
 2 2 2 2 2 2



 Q(x)Q(y) = Q(x)α2Q(x) = α2 [Q(x)]2 = (ϕ(x, y))2


Théorème 3.1.2. (Inégalité de Minkowski)

1 1 1
∀(x, y) ∈ E 2 [Q(x + y)] 2 ≤ [Q(x)] 2 + [Q(y)] 2 ⇐⇒
1
Q(x + y) ≤ Q(x) + 2 [Q(x) Q(y)] +Q(y) 2

Preuve
Q(x + y) = ϕ(x + y, x + y) = ϕ(x, x) + ϕ(y, y) + 2ϕ(x, y) = Q(x) +Q(y) + 2 ϕ(x, y) ≤ Q(x) +Q(y) +
1
2 [Q(x) Q(y)] 2

36
Formes quadratiques - Espaces euclidiens HMIMINA B.

Proposition 3.1.2. Pour tout (x, y) deE 2

 x = 0E


1 1 1
[Q(x + y)] 2 = [Q(x)] 2 + [Q(y)] 2 ⇐⇒ ou

 ∃ α ∈ R+ , y = αx

Preuve
1 1 1 1 1
Si [Q(x + y)] 2 = [Q(x)] 2 + [Q(y)] 2 , alors ϕ(x, y) = [Q(x)] 2 + [Q(y)] 2 . Si on élève au carré, on
1 1
obtient : Q(x + y) = Q(x) + Q(y) + 2Q(x) 2 Q(y) 2 . Or, Q(x + y) = Q(x) + Q(y) + 2ϕ(x, y), donc
1 1 1 1
Q(x) + Q(y) + 2ϕ(x, y) = Q(x) + Q(y) + 2Q(x) 2 Q(y) 2 , et donc ϕ(x, y) = Q(x) 2 Q(y) 2 , et par
suite [ϕ(x, y)]2 = Q(x)Q(y), et d’après la proposition 5.5.1 ci-dessus les vecteurs x et y, sont
liés.
Réciproquement, si x = O E , l’égalité est évidente !
1
• S’il existe α ∈ R+ , tel que y = αx, alors, Q(x+y) = Q(x+αx) = (1+α)2Q(x). D’où, [Q(x+y)] 2 =
1 1 1 1 1 1 1
(1 + α)[Q(x)] 2 , et [Q(x)] 2 +Q(y) 2 = [Q(x)] 2 + α[Q(x)] 2 = (1 + α)[Q(x)] 2 = [Q(x + y)] 2 .

Définition 3.1.2. (de la norme)

E , étant un espace vectoriel sur K = R ou C. Toute application p, de E , dans R+ , possédant les
propriétés suivantes est appelée norme sur E .
1. p(x) = 0 =⇒ x = 0.
2. p(x + y) ≤ p(x) + p(y) ∀(x, y) ∈ E 2 .
3. p(λx) = |λ|p(x) ∀ λ ∈ K et ∀ x ∈ E .
L’espace vectoreil E , muni d’une norme est appelé espace vectoriel normé.

Exemple 3.1.2.

1. E = Rn p : Rn −→ R
n n
|x i | et p(x 1 , ..., x n ) = sup |x i | sont des normes sur Rn .
P
p(x 1 , ..., x n ) =
i =1 i =1
2. E = C ([a, b], R) l’ensemble des fonctions continues sur [a, b].
Rb
p :E −→ R+ et p :E −→ R+ x −→ p(x) = a |x(t )| d t
x −→ p(x) = sup |x(t )|
a≤t ≤b
sont des normes sur E .

q
3. Rn −→ R+ x −→ x 12 + · · · + x n2 est une norme sur Rn .

Rb 1
4. C ([a, b], R) −→ R+ x −→ [ a (x(t ))2 d t ] 2 , est une norme sur l’ensemble des fonctions
continues sur [a, b].
Notation : Si plusieurs normes sont définies sur E , au lieu d’écrire p(x), on écrit ||x|| ou ||x||1 ;
||x||2 ; . . .

Théorème 3.1.3. Soit f , une forme bilinéaire symétrique non dégénérée positive sur E , espace
vectoriel sur R, et Q, la forme quadratique associée.

37
Formes quadratiques - Espaces euclidiens HMIMINA B.

L’application de E , dans R+ , définie par : x −→

p
Q(x) est une norme sur E .
Preuve
p
• p(x) = Q(x) = 0 =⇒ Q(x) = 0 =⇒ x = 0. Car Q est définie positive.
p p p
• p(x + y) = Q(x + y) ≤ Q(x) + Q(y) = p(x) + p(y).
p
• p(λx) = Q(λx) = λ2Q(x) =| λ | Q(x).
p p

Définition 3.1.3. Soit E , un R-espace vectoriel, ϕ, un produit scalaire sur E .

L’application || · || : E −→ R
l l
x −→ [ϕ(x, x)] 2 = [Q(x)] 2 = ||x|| est une norme sur E , appelée norme euclidienne associée à
ϕ.
L’application d : E × E −→ R
l l
(x, y) −→ [ϕ(x, y)] 2 = [Q(x) − Q(y)] 2 = ||x − y||, est appelée distance euclidienne associée à
ϕ.

Remarque 3.1.1. On a ∀(x, y) ∈ E 2 ϕ(x, y) = 12 [ ||x + y||2 − ||x||2 − ||y||2 ]

(Quand ϕ(x, y) = 12 [ Q(x + y) −Q(x) −Q(y) ], si la caractéristique de K est 6= 2)
||x + y||2 + ||x − y||2 = 2 [||x||2 + ||y||2 ] (égalité dite du parallélogramme ou égalité de la mé-
diane).
En effet : ||x + y||2 = ϕ(x + y, x + y) = ϕ(x, x) + 2 ϕ(x, y) + ϕ(y, y)
||x − y||2 = ϕ(x − y, x − y) = ϕ(x, x) − 2 ϕ(x, y) + ϕ(y, y)
=⇒ ||x + y||2 + ||x − y||2 = 2 [ϕ(x, x) + ϕ(y, y)] = 2 [||x||2 + ||y||2 ].

Rappels : Soient E , un R-espace vectoriel, < ·, · > un produit scalaire sur E ,et || · || la norme
euclidienne associée à < ·, · >.
1. Deux éléments x et y de E , sont dits orthogonaux et on note x ⊥ y, si et seulement si,
< x, y >= 0.
2. x ∈ E , et A ⊂ E ; on dit que x, est orthogonal à A, et on note x ⊥ A, si et seulement si,
∀ a ∈ A , < x, a >= 0.
3. Si A ⊂ E , A ⊥ = {x ∈ E / ∀ a ∈ A , < x, a >= 0}.
4. Une famille, (x i )i ∈I , d’éléments de E , est dite orthogonale, si et seulement si, ∀ i , j ∈
I i 6= j =⇒ < x i , x j >= 0.
5. (
Une famille, (x i )i ∈I , d’éléments de E , est dite orthonormale, si et seulement si,
(x i )i ∈I est or t hog onal e
.
∀ i ∈ I , ||x i || = 1

Proposition 3.1.3. Soit (x i )i ∈I , une famille d’éléments de E , non tous nul. Si cette famille est
orthogonale, alors elle est libre.
Preuve
n
Soit n ∈ N∗ et λ1 , ..., λn , des scalaires de R, i 1 , ..., i n ∈ I , 2 à 2 distincts, tel que : λ j xi j =
P
j =1
O. ∀ k ∈ {1, ..., n}, on a :

38
Formes quadratiques - Espaces euclidiens HMIMINA B.

n n
λ j x i j >= λ j 〈x i k , x i j 〉 = λk ||x i k ||2 .
P P
0 =< x i k ,
j =1 j =1
Donc λk = 0, puisque tous les vecteurs sont non nuls.

Proposition 3.1.4. (Théorème de Pythagore)

Soit E un R−espace vectoriel et soit x, y deux éléments quelconques de E
x ⊥ y ⇐⇒ ||x + y||2 = ||x||2 + ||y||2 ⇐⇒ ||x − y||2 = ||x||2 + ||y||2 .
Preuve
||x + y||2 = ϕ(x + y, x + y) = ϕ(x, x) + ϕ(y, y) + 2 ϕ(x, y)
||x − y||2 = ϕ(x − y, x − y) = ϕ(x, x) + ϕ(y, y) − 2 ϕ(x, y).
Si x ⊥ y, alors ϕ(x, y) = 0, et donc ||x + y||2 = ||x − y||2 = ||x||2 + ||y||2 .

Définition 3.1.4. • Un espace préhilbertion réel, est un R-espace vectoriel muni d’une forme
bilinéaire symétrique non dégénérée positive i.e. muni d’un produit scalaire.
• Un espace euclidien, est un espace préhilbertien de dimension finie.

Exemple 3.1.3. – C 0 ([a, b], R) est un espace préhilbertien.

– L’ensemble des matrices à coefficients réels et qui ont m lignes et n colonnes est un espace
euclidien, ainsi que l’ensemble Rn [X ].

Théorème 3.1.4. (Orthogonalisation de Schmidt) Pour toute famille libre (e 1 , ..., e p ), d’un es-
pace euclidien E , il existe une famille (v 1 , ..., v p ), dans E , tel que :
(
(v 1 , ..., v p ) est or t hog onal e (d onc l i br e).
∀ k ∈ {1, ..., p} V ec t (v 1 , ..., v k ) = V ec t (e 1 , ..., e k ).

En d’autres termes dans un espace euclidien E , tout sous-espace vectoriel de E , admet une
base orthogonale.
Preuve
Avant de donner la démonstration de ce théorème, donnons un exemple pour savoir comment
on orthogonalise des vecteurs par la méthode de Schmidt.
Orthogonaliser par la méthode de Schmidt les vecteurs suivants : u 1 = (1, 0, 1, 0); u 2 = (0, 1, −1, 0)
et u 3 = (0, 0, 0, 1).
Il faut chercher trois vecteurs z 1 , z 2 et z 3 qui répondent à la question. On prend z 1 = u 1 et on
cherche α qui vérifie : z 2 = u 2 + αu 1 . Comme on doit avoir z 1 .z 2 = 0, alors on trouve α = 0
et donc z 2 = u 2 . Le vecteur z 3 on va le chercher sous la forme z 3 = u − 3 + αz 1 + βz 2 . Comme
z 2 .u 3
z 1 .z 3 = 0, alors α = − ∥zu1∥2 = 0 et comme z 2 .z 3 = 0, alors β = − ∥z ∥2
= 2. Donc z 3 = u 3 + 2z 2 =
2 2
u 3 + 2u 2 = (0, 2, −2, 1). Revenant maintenant à la démonstration du théorème.
Soit < ·, · >, le produit scalaire sur E , p ≤ n = dim E , et (e 1 , ..., e p ), une famille libre dans E . On
va construire la famille (v 1 , ..., v p ), de proche en proche.
• Posons v 1 = e 1 6= 0 et cherchons v 2 = e 2 + λ21 v 1 ; λ21 ∈ R, à déterminer.
On a v 2 ⊥ v 1 ⇐⇒ < v 1 , e 2 + λ21 v 1 >= 0 ⇐⇒ < v 1 , e 2 > +λ21 ||v 1 ||2 = 0
1 ,e 2 >
Comme v 1 6= 0, alors λ21 = −<v
||v ||2
.
1

39
Formes quadratiques - Espaces euclidiens HMIMINA B.

Si v 2 = 0, alors e 2 = −λ21 v 1 = −λ21 e 1 , et donc e 1 et e 2 sont liés. Ce qui est absurde.

Donc v 2 6= 0, et il est clair que V ec t (v 1 , v 2 ) = V ec t (e 1 , e 2 ).
•(Supposons construits v 1 , ..., v k , avec k ≤ p − 1 tel que :
V ect (v 1 , ..., v k ) = V ec t (e 1 , ..., e k )
(v 1 , ..., v k ) or t hog onal e et chaque v i 6= 0.
k
Contruisons v k+1 , de la forme v k+1 = e k+1 + λk+1,i v i ,
P
i =1
où λk+1,1 , ..., λk+1,k , sont des scalaires de R, à trouver.
k
λk+1,i v i >= 0
P
On a : ∀ j ∈ {1, ..., k} v k+1 ⊥ v j ⇐⇒ ∀ j ∈ {1, ..., k}, < v j , e k+1 +
i =1
k
λk+1,i < v j , v i >= 0
P
⇐⇒ ∀ 1 ≤ j ≤ k , < v j , e k+1 > +
i =1
⇐⇒ ∀ 1 ≤ j ≤ k , < v j , e k+1 > +λk+1, j ||v j ||2 = 0, comme v 1 6= 0 , ... , v k 6= 0,
ce système d’équations admet une solution unique donnée par :
<v j ,e k+1 >
∀ j ∈ {1, ..., k}, λk+1, j = − ||v j ||2
.
La famille (v 1 , ..., v k+1 ), est une famille orthogonale par construction et v k+1 6= 0.
k
Sinon : e k+1 = − λk+1,i v i ∈ V ec t (v 1 , ..., v k ) = V ec t (e 1 , ..., e k ). En contradiction avec (e 1 , ..., e k+1 )
P
i =1
système libre.
Comme v k+1 ∈ V ec t (e k+1 , v 1 , ..., v k ), et que V ec t (v 1 , ..., v k ) = V ec t (e 1 , ..., e k )
on a : v k+1 ∈ V ec t (e 1 , ..., e k , e k+1 ) et donc V ec t (v 1 , ..., v k+1 ) ⊂ V ec t (e 1 , ..., e k+1 )
De même, e k+1 ∈ V ec t (v 1 , ..., v k , v k+1 ) et V ec t (v 1 , ..., v k ) = V ec t (e 1 , ..., e k ).
D’où V ec t (e 1 , ..., e k+1 ) ⊂ V ec t (v 1 , ..., v k+1 ) et par conséquent,
V ect (v 1 , ..., v k+1 ) = V ec t (e 1 , ..., e k+1 )

Remarque 3.1.2. 1. La famille (v 1 , ..., v p ), est unique si on rajoute la condition :

< e k , e k >= 1 ∀ k ∈ {1, ..., p}.

2. La matrice de passage de (e 1 , ..., e n ), à (v 1 , ..., v n ), est triangulaire supérieure à termes

diagonaux égaux à 1.

3. Pour p = n = dim E , on retrouve le fait particulier qu’un espace euclidien admet au

moins une base orthogonale.

Corollaire 3.1.1. (Théorème de la base orthonormée incomplète)

Soit E , un espace euclidien de dimension n. Pour toute famille orthonormale (e 1 , ..., e p ), de E ,
il existe e p+1 , ..., e n ∈ E , tels que (e 1 , ..., e n ), soit une base orthonormée de E .
Preuve
D’après le théorème de la base incomplète, il existe u p+1 , ..., u n ∈ E , tels que (e 1 , ..., e p , u p+1 , ..., u n ),
soit une base de E .
L’orthogonalistion de Schmidt conserve e 1 , ..., e p , et donne une famille orthogonale

40
Formes quadratiques - Espaces euclidiens HMIMINA B.

vk
(e 1 , ..., e p , v p+1 , ..., v k ), à termes tous non nuls. En posant e k = ||v k || , pour p + 1 ≤ k ≤ n, on
obtient une famille orthonormale (e 1 , ..., e n ), et donc une base orthonormée de E .

Corollaire 3.1.2. Tout espace euclidien admet au moins une base orthonormée.
Preuve
Appliquer le corollaire à la famille vide.

Remarque 3.1.3. Si (e 1 , ..., e n ), est une base orthonormée de E , espace euclidien, alors
Pn
∀x ∈ E, x= < e i , x > e i . i.e. Les coordonnées de x ∈ E dans cette base sont : 〈e i , x〉 i =
i =1
1, · · · , n.
En effet :
n
Si x ∈ E , il existe (x 1 , ..., x n ) ∈ Rn , tel que x =
P
x i e i et ∀ i ∈ {1, ..., n}
i =1
n
P n
P
< ei , x > = < ei , x j e j >= x j < e i , e j >= x i .
j =1 j =1

Proposition 3.1.5. Soit E , un espace euclidien

 , et B , une base
 orthonormée
 de E .
x1 y1
   
 .   . 
   
Si x , y ∈ E , et X = M at (x, B ) =  . , Y = M at (y, B ) =  . 
   
   
 .   . 
   
xn yn
n
Alors < x, y >= t X Y = x i y i .
P
i =1
Preuve
Si B = (e 1 , ..., e n )
n
P n
P P n
P
< x, y > = < x i e i , yjej > = xi y j < e i , e j > = xi y i .
i =1 j =1 1≤i ≤n i =1
1≤ j ≤n
(
1 si i = j
Car < e i , e j > =
0 si i 6= j

3.2 Groupe orthogonal

Endomorphismes orthogonaux

Définition 3.2.1. Soit E , un R-espace vectoriel de dimension n 6= 0 , < ., . > un produit scalaire
sur E . i.e. E est un espace euclidien.
Un endomorphisme f , de E , est dit orthogonal, si et seulement si,
∀ (x, y) ∈ E 2 , < f (x) , f (y) > = < x, y > i.e. f , conserve le produit scalaire.
Notation : L’ensemble des endomorphismes orthogonaux de E , est noté O (E ), ou
O (E , < ., . >). Un endomorphisme orthogonal est aussi appelé isométrie vectorielle.

41
Formes quadratiques - Espaces euclidiens HMIMINA B.

Proposition 3.2.1. f , est un endomorphisme orthogonal, si et seulement si,

∀ x ∈ E || f (x)|| = ||x||.
Preuve
1
Rappel : ||x|| = [Q(x)] 2 , où Q(x), est la forme quadratique associée au produit scalaire < ., . >.
=⇒ ) Il suffit de remplacer y, par x, dans la définition d’endomorphisme orthogonal.
⇐= ) Si ∀ x ∈ E , || f (x)|| = ||x||, on a pour tout (x, y) ∈ E 2
2 < f (x), f (y) > = || f (x) + f (y)||2 − || f (x)||2 − || f (y)||2
= || f (x + y)||2 − || f (x)||2 − || f (y)||2
= ||x + y||2 − ||x||2 − ||y||2
= 2 < x, y >. D’où, < f (x), f (y) > = < x, y >, et parsuite, f est un endomorphisme orthogonal.

Proposition 3.2.2. Soit f ∈ L (E ) un endomorphisme de E . Les propriétés suivantes sont

équivalentes :

1. f ∈ O (E ) ;

2. Pour toute base orthonormée B , de E , f (B ), est une base orthonormée de E ;

3. Il existe une base orthonormée B , de E , telle que f (B ), soit une base orthonormée de E .

Preuve
1) =⇒ 2) Si f ∈ O (E ), et si B = (e 1 , ..., e n ), est une base orthonormée de E ,
on a : ∀ (i , j ) ∈ {1, ..., n}2 , < f (e i ), f (e j ) > = < e i , e j > = δi j , où δi j , est le
symbole de Kronecker , donc f (B ), est une base orthonormée de E .
2) =⇒ 3) Il suffit de se rappeler que tout espace vectoriel euclidien admet au moins une base
orthonormée
D’ où 2) =⇒ 3).
3) =⇒ 1) Supposons qu’il existe une base orthonormée B = (e 1 , ..., e n ), de E , telle que f (B ) =
( f (e 1 ), ..., f (e n )), soit une base orthonormée de E .
Pn n
P
Soit x = x i e i et y = yjej
i =1 j =1
n
P n
P
< f (x), f (y) > = x i y j < f (e i ) , f (e j ) > = x i y i = < x, y >.
1≤i , j ≤n i =1
Et donc f ∈ O (E ).

Proposition 3.2.3. L’ensemble O (E ), des endomorphismes orthogonaux de E , est un groupe

pour la loi ◦, dit groupe orthogonal de E .
Preuve
Montrons que O (E ), est un sous-groupe de (GL (E ), ◦), ensemble des automorphismes de E .
– • Si f ∈ O (E ), soit x ∈ E , tel que f (x) = 0E ; on a alors || f (x)|| = ||x|| = 0.
Donc x = 0E , est donc ker f = {0E }. Comme dim E , est finie f , est bijectif. Donc f ∈
GL (E ).
– • I d E ∈ O (E ), car ∀ x , y ∈ E < I d E (x) , I d E (y) > = < x, y > .

42
Formes quadratiques - Espaces euclidiens HMIMINA B.

– • Si f , g ∈ O (E ), alors ∀ (x, y) ∈ E 2
< (g ◦ f )(x) , (g ◦ f )(y) > = < f (x) , f (y) > (car (g ∈ O (E )
= < x, y > (car f ∈ O (E ))
Donc, g ◦ f ∈ O (E ).

– • Soit f ∈ O (E ). On a : ∀ (x, y) ∈ E 2
< x , y > = < f ( f −1 (x)) , f ( f −1 (y)) > = < f −1 (x) , f −1 (y) >
Donc, f −1 ∈ O (E ).

3.3 Matrices orthogonales

Définition 3.3.1. Soit n ∈ N∗ , une matrice A, de Mn (R), est dite orthogonale, si et seulement
si, l’endomorphisme de Rn , représenté par A, dans la base canonique de Rn , est un endomor-
pisme orthogonal de Rn , muni du produit scalaire usuel.
L’ensemble des matrices orthogonales de Mn (R), est noté O n (R).

Proposition 3.3.1. Soit A ∈ Mn (R), E , un R-espace vectoriel de dimension n 6= 0, < ., . > un

produit scalaire sur E . Les propriétés suivantes sont équivalentes :
1. A ∈ O n (R) ;
t
2. A A = In ;
3. A t A = I n ;
4. Pour toute base orthonormée B , de E , l’endomorphisme de E , représenté par A, dans B ,
est orthogonal ;
5. Il existe une base orthonormée de E , dans laquelle l’endomorphisme représenté par A,
est orthogonal ;
6. Les colonnes de A, forment une base orthonormée de M1,n (R), pour le produit scalaire
usuel ;
7. Les lignes de A, forment une base orthonormée de M1,n (R), pour le produit scalaire
usuel.
Mn,p (K), désigne l’ensemble des matrices à n, lignes et p, colonnes, et à éléments dans K.
Preuve
Soit g , l’endomorphisme de Rn , représenté par A, dans la base canonique B 1 , de Rn .
1) ⇐⇒ ∀ x y ∈ Rn , < g (x) , g (y) > = < x, y > ⇐⇒ ∀ X , Y ∈ Mn,1 (R),
t
(AX )AY = t X Y ⇐⇒ ∀ X , Y ∈ Mn,1 (R) , t X [t A A]Y = t X Y .
Appliquons cette égalité à X = E i , et Y = E j , où (E 1 , ..., E n ), est la base de Mn,1 (R).
t
Comme E i [t A A] E j , est le (i , j )i ème , terme de t A A, alors t A A = I n .
2) ⇐⇒ 3) Résulte du résultat qui dit que : si une matrice carrée admet un inverse à droite, elle
admet le même inverse à gauche.

43
Formes quadratiques - Espaces euclidiens HMIMINA B.

2) ⇐⇒ 4) Soit B , une base orthonormée de E , f , l’endomorphisme de E , représenté par A,

dans B , on a :
∀ x, y ∈ E , < f (x) , f (y) > = < x, y > ⇐⇒ ∀ X , Y ∈ Mn,1 (R) , t (AX )AY = t X Y
t
⇐⇒ A A = I n . Comme ci-desus pour l’équivalence 1) ⇐⇒ 2)
2) ⇐⇒ 5) : Comme 2) ⇐⇒ 4), l’existence d’une base orthonormée est assurée dans tout espace
euclidien.
1) ⇐⇒ 6) Car, les colonnes de A, représentent les composantes des images par g , des vecteurs
de B 1 .
1) ⇐⇒ 7) Résulte de 2) ⇐⇒ 3) et 1) ⇐⇒ 6) appliqué à t A.

Proposition 3.3.2. O n (R), est un groupe pour la mulitiplication des matrices, appelé groupe
orthogonal d’ordre n.
Preuve
Soit B , une base orthonormée de E , f ∈ L (E ) , A = M at ( f , B ).
Alors f ∈ O (E ) ⇐⇒ A ∈ O n (R) et l’application : O (E ) −→ O n (R)
f −→ M at ( f , B )
est un isomorphisme. Comme O (E ), est un groupe, alors O n (R), est aussi un groupe.
Autre preuve. Montrons que O n (R), est un sous-groupe de GL n (R).
• O n (R) ⊂ GL n (R), car toute matrice orthogonale A, est inversible d’inverse, t A.
• I n ∈ O n (R).
• ∀ A, B ∈ O n (R) , t (AB )AB = t B (t A A)B = t B B = I n . Donc, AB ∈ O n (R).
∀ A ∈ O n (R) ; A −1 = t A ∈ O n (R) pui sque t A A = I n .

Proposition 3.3.3. Soit B , une base orthonormée de E , B 0 , une base de E , P , la matrice de

passage de B à B 0 . Alors B 0 , est une base orthonormée, si et seulement si, P , est orthogonale.
Preuve
Soit f ∈ L (E ), définie par : P = M at ( f , B ). B 0 , une base orthonormeé, si et seulement si,
f ∈ O (E ), et d’après la proposition précédente, f ∈ O (E ) ⇐⇒ P ∈ O n (R).

Proposition 3.3.4. 1. ∀ A ∈ O n (R) , détA ∈ {−1 , +1}.

2. ∀ f ∈ O (E ) , dét f ∈ {−1 , +1}.
Preuve
t
1. A ∈ O n (R) ⇐⇒ A A = I n , =⇒ (détA)2 = 1 =⇒ détA = ±1.
2. Il y a isomorphisme entre, O n (R) et O (E ).

Remarque 3.3.1. Une

à matrice
! de déterminant ±1, n’est pas toujours orthogonale. Par exemple
1 1
le déterminant de est 1, mais elle est non orthogonale puisque :
0 1
à !à ! à !
1 1 1 0 2 1
= 6= I 2 .
0 1 1 1 1 1

44
Formes quadratiques - Espaces euclidiens HMIMINA B.

Définition 3.3.2. • Un endomorphisme orthogonal f , est dit direct (resp. indirect), si et seule-
ment si, dét f = +1 (résp. dét f = −1)
• On dit aussi droit au lieu de direct, et gauche au lieu d’indirect.

Proposition 3.3.5. L’ensemble des endomorphismes orthogonaux directs de E , est un sous-

groupe de O (E ), appelé groupe spécial orthogonal de E , noté S O (E ).
Preuve
S O (E ) est le noyau de l’homomorphisme de groupes (O (E ) , ◦) −→ ({+1, −1}, ×) défini
par : f −→ dét f et donc un sous-groupe de O (E ).
Autre preuve.
• S O (E ) ⊂ O (E ).
• détI n = 1 =⇒ I d E ∈ S O (E ).
• ∀ f , g ∈ S O (E ) ; d et (g ◦ f ) = (d et g )(d et f ) = 1.1 = 1.
• ∀ ∈ S O (E ) , d et ( f −1 ) = (d et f )−1 = 1−1 = 1.

Définition 3.3.3. Une matrice orthogonale A, de O n (R), est dite droite (resp. gauche), si et
seulement si, det A = +1. (résp . -1)
L’ensemble des matrices orthogonales droites d’ordre n, est un sous-groupe de O n (R), appelé
groupe spécial orthogonal, noté S O n (R).

Définition 3.3.4. Un espace vectoriel euclidien E , est dit orienté, si et seulement si, l’espace
vectoriel E , est orienté.

Définition 3.3.5. Soit E , un espace vectoriel euclidien orienté, (V1 , ...,Vn ) ∈ E n . Le détermi-
nant d et B (V1 , ...,Vn ), ne dépend pas du choix de la base orthonormale directe B , est appelé,
produit mixte, de (V1 , ...,Vn ), et est noté [V1 , ...,Vn ].

45
Formes quadratiques - Espaces euclidiens HMIMINA B.

E XERCICE 22

Soit Mn,p l’ensemble des matrices qui ont n colonnes et p lignes à coefficients dans R. Montrer
que l’application ϕ : Mn,p × Mn,p −→ R définie par ϕ(A, B ) = Tr (t AB ) est un produit scalaire
sur Mn,p . L’espace Mn,p est-il un espace préhilbertien réel ? Est-il un espace euclidien ?

E XERCICE 23

Soit E un R−espace vectoriel, ϕ un produit scalaire sur E et ∥ . ∥ la norme euclidienne as-

sociée. Montrer l’égalité suivante, dite, égalité du parallélogramme, ou égalité de la médiane.
∥ x + y ∥2 + ∥ x − y ∥2 = 2[∥ x ∥2 + ∥ y ∥2 ].

E XERCICE 24

Soit E , l’ensemble des fonctions de [0, 1] à valeurs dans R.

1. L’application ϕ : E × E −→ R définie par : ϕ( f , g ) = Sup x∈[0,1] [| f (x) |, | g (x) |] est-elle un
produit scalaire sur E ?
2. Même question avec ϕ( f , g ) = Sup x∈[0,1] f (x)g (x).

E XERCICE 25
q
0 0 0 0 0 0
x, x , y, y sont dans R. Montrer l’inégalité suivante : | xx +2y y |≤ ( x 2 + y 2 )( (x )2 + 2(y )2 ).
p

E XERCICE 26

Soit E , un espace euclidien de produit scalaire 〈., .〉 et ∥ . ∥ la norme associée. Pour tout x ∈
x 2
E − {o}, on pose f (x) = ∥x∥ .
1. Montrer que f o f = I d E .
∥x−y∥
2. Montrer que ∀x, y ∈ E − {o} ∥ f (x) − f (y) ∥= ∥x∥∥y∥ .
3. Soit a, b, c, d ∈ E . Montrer que ∥ a − c ∥∥ b − d ∥≤∥ a − b ∥∥ c − d ∥ + ∥ b − c ∥ a − d ∥

E XERCICE 27

Soit f , une application linéaire définie sur un espace préhibertien réel non nul E . On suppose
que ∀(x, y) ∈ E 2 , x ⊥ y ⇒ f (x) ⊥ f (y).
1. Montrer que deux vecteurs de même norme, ont des images de même normes.
2. Montrer qu’il existe k ∈ R+ tel que ∥ f (x) ∥= k ∥ x ∥ ∀x ∈ E .
3. En déduire que ∀(x, y) ∈ E 2 〈 f (x), f (y)〉 = k 2 〈x, y〉.

E XERCICE 28

orthogonaliser par la méthode de Schmidt les vecteurs : u 1 = (1, 2, 3); u 2 = (0, 1, 1); u 3 =
(1, 1, 1) de R3 . Le produit scalaire étant le produit scalaire usuel de R3 .

46