Lycée Louis-Le-Grand, Paris Année 2014/2015

Cours de mathématiques
Partie III – Algèbre
MPSI 4

Alain TROESCH

Version du:

21 décembre 2016
 Table des matières

17 Fang cheng, ou l’élimination de Gauss-Jordan... 7

I Position du problème et reformulation matricielle . . . . . . . . . . . . . . . . . . . . . . . 8
I.1 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
I.2 Rappels sur les matrices et transcription matricielle du système . . . . . . . . . . . 8
I.3 Structure de l’ensemble des solutions . . . . . . . . . . . . . . . . . . . . . . . . . . 10
II Échelonnement d’une matrice par la méthode du pivot . . . . . . . . . . . . . . . . . . . . 10
II.1 Opérations sur les lignes d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . 10
II.2 Échelonnement de la matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
III Résolution d’un système échelonné . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
III.1 Inconnues principales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
III.2 Recherche d’une solution particulière . . . . . . . . . . . . . . . . . . . . . . . . . . 14
III.3 Recherche de la solution générale de l’équation homogène associée . . . . . . . . . 15

18 Structures algébriques 17
I Lois de composition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
I.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
I.2 Propriétés d’une loi de composition . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
I.3 Ensembles munis de plusieurs lois . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
I.4 Stabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
II Structures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
II.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
II.2 Morphismes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
II.3 Catégories (HP) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
III Groupes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
III.1 Axiomatique de la structure groupes . . . . . . . . . . . . . . . . . . . . . . . . . . 27
III.2 Exemples importants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
III.3 Sous-groupes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
III.4 Les groupes Z/nZ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
III.5 Congruences modulo un sous-groupe . . . . . . . . . . . . . . . . . . . . . . . . . . 32
III.6 Ordre d’un élément . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
IV Anneaux et corps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
IV.1 Axiomatiques des structures d’anneaux et de corps . . . . . . . . . . . . . . . . . . 34
IV.2 Sous-anneaux, sous-corps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
IV.3 Calculs dans un anneau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
IV.4 Éléments inversibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2 Table des matières

IV.5 Idéaux (HP) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

19 Arithmétique des entiers 43

I Divisibilité, nombres premiers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
I.1 Notion de divisibilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
I.2 Congruences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
I.3 Nombres premiers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
II PGCD et PPCM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
II.1 PGCD et PPCM d’un couple d’entiers . . . . . . . . . . . . . . . . . . . . . . . . . 48
II.2 Identité de Bézout . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
II.3 PGCD et PPCM d’une famille finie d’entiers . . . . . . . . . . . . . . . . . . . . . 52
III Entiers premiers entre eux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
III.1 Couple d’entiers premiers entre eux . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
III.2 Famille finie d’entiers premiers entre eux . . . . . . . . . . . . . . . . . . . . . . . . 55
III.3 Fonction indicatrice d’Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
IV Décomposition primaire d’un entier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
IV.1 Décomposition primaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
IV.2 Valuations p-adique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
IV.3 PGCD et PPCM vus sous l’angle de la décomposition primaire . . . . . . . . . . . 57
V Théorème des restes chinois . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
V.1 Cas de modulo premiers entre eux . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
V.2 Résolution d’un système quelconque . . . . . . . . . . . . . . . . . . . . . . . . . . 59

20 Polynômes et fractions rationnelles 61

I Polynômes à coefficients dans un anneau commutatif . . . . . . . . . . . . . . . . . . . . . 61
I.1 Polynômes formels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
I.2 Opérations arithmétiques sur les polynômes . . . . . . . . . . . . . . . . . . . . . . 62
I.3 Indéterminée formelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
I.4 Dérivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
I.5 Degré et valuation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
II Arithmétique dans K[X] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
II.1 Division euclidienne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
II.2 Idéaux de K[X] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
II.3 Divisibilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
II.4 PGCD et PPCM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
II.5 Polynômes premiers entre eux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
II.6 Décomposition en facteurs irréductibles . . . . . . . . . . . . . . . . . . . . . . . . 72
III Racines d’un polynôme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
III.1 Spécialisation, évaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
III.2 Racines et multiplicité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
III.3 Majoration du nombre de racines . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
III.4 Interpolation de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
III.5 Polynômes scindés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
IV Polynômes irréductibles dans C[X] et R[X] . . . . . . . . . . . . . . . . . . . . . . . . . . 79
IV.1 Factorisations dans C[X] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
IV.2 Facteurs irréductibles dans R[X] . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
V Fractions rationnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
V.1 Définition des fractions rationnelles formelles . . . . . . . . . . . . . . . . . . . . . 81
V.2 Degré, racines, pôles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
V.3 Décomposition en éléments simples dans C(X) . . . . . . . . . . . . . . . . . . . . 83
V.4 Décomposition en éléments simples dans R[X] . . . . . . . . . . . . . . . . . . . . 84
VI Primitivation de fractions rationnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
Table des matières 3

21 Espaces vectoriels 87
I Notion d’espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
I.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
I.2 Combinaisons linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
I.3 Un exemple important : espace de fonctions . . . . . . . . . . . . . . . . . . . . . . 89
I.4 Produits d’espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
I.5 Sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
I.6 Intersections de sev . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
I.7 Sous-espace vectoriel engendré par un sous-ensemble . . . . . . . . . . . . . . . . . 92
I.8 Sommes de sev . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
I.9 Sommes directes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
II Familles de vecteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
II.1 Familles libres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
II.2 Familles génératrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
II.3 Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
III Espaces vectoriels de dimension finie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
III.1 Notion de dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
III.2 Dimension, liberté et rang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
III.3 Dimension de sous-espaces et de sommes . . . . . . . . . . . . . . . . . . . . . . . . 100

22 Applications linéaires 103

I Généralités sur les applications linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
I.1 Définitions et propriétés de stabilité . . . . . . . . . . . . . . . . . . . . . . . . . . 104
I.2 Image et noyau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
I.3 Endomorphismes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
I.4 Automorphisme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
II Projecteurs et symétries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
III Applications linéaires et familles de vecteurs . . . . . . . . . . . . . . . . . . . . . . . . . . 112
III.1 Détermination d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . 112
III.2 Caractérisations de l’injectivité et de la surjectivité par l’image de bases . . . . . . 113
III.3 Recollements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
IV Applications linéaires en dimension finie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
IV.1 Rang d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
IV.2 Théorème du rang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
V Formes linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
V.1 Formes linéaires, espace dual, hyperplan . . . . . . . . . . . . . . . . . . . . . . . . 116
V.2 Qu’est-ce que le principe de dualité ? (hors-programme) . . . . . . . . . . . . . . . 118

23 Matrices 121
I Matrice d’une application linéaire et opérations matricielles . . . . . . . . . . . . . . . . . 121
I.1 L’ensemble des matrices de type (n, p) . . . . . . . . . . . . . . . . . . . . . . . . . 122
I.2 Matrice d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
I.3 Structure d’espace vectoriel de Mn,p (K) . . . . . . . . . . . . . . . . . . . . . . . . 124
I.4 Définition du produit matriciel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
I.5 Produit matriciel revisité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
I.6 Expression matricielle de l’évaluation d’une AL . . . . . . . . . . . . . . . . . . . . 129
I.7 Transposition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
II Matrices carrées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
II.1 L’algèbre Mn (K) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
II.2 Matrices triangulaires et diagonales . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
II.3 Matrices symétriques et antisymétriques . . . . . . . . . . . . . . . . . . . . . . . . 136
II.4 Matrices inversibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
4 Table des matières

II.5 Expression matricielle du pivot de Gauss . . . . . . . . . . . . . . . . . . . . . . . 137

II.6 Calcul pratique de l’inverse d’une matrice . . . . . . . . . . . . . . . . . . . . . . . 139
III Rang d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
III.1 Image et noyau d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
III.2 Calcul du rang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
III.3 Caractérisation du rang par les matrices extraites . . . . . . . . . . . . . . . . . . . 143
IV Changements de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
IV.1 Changements de base pour des applications linéaires . . . . . . . . . . . . . . . . . 143
IV.2 Matrices équivalentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
IV.3 Matrice d’un endomorphisme, matrices semblables . . . . . . . . . . . . . . . . . . 145
IV.4 Matrices semblables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
IV.5 Trace d’une matrice, trace d’un endomorphisme . . . . . . . . . . . . . . . . . . . . 147
IV.6 Introduction à la réduction des endomorphismes (Spé) . . . . . . . . . . . . . . . . 148
V Produit matriciel par blocs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149

24 Groupe symétrique et déterminants 153

I Groupe symétrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
I.1 Notations liées à des permutations . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
I.2 Signature d’une permutation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
I.3 Décomposition cyclique d’une permutation . . . . . . . . . . . . . . . . . . . . . . 158
I.4 Cycles et signature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
II Déterminants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
II.1 Formes multilinéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
II.2 Formes n-linéaires symétriques, antisymétriques, alternées . . . . . . . . . . . . . . 163
II.3 Déterminant d’une famille de vecteurs . . . . . . . . . . . . . . . . . . . . . . . . . 164
II.4 Orientation d’un espace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
II.5 Déterminant d’un endomorphisme . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
II.6 Déterminant d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
III Calcul des déterminants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
III.1 Opérations sur les lignes et colonnes . . . . . . . . . . . . . . . . . . . . . . . . . . 170
III.2 Calcul par blocs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
III.3 Développements suivant une ligne ou une colonne . . . . . . . . . . . . . . . . . . . 172
III.4 Caractère polynomial du déterminant . . . . . . . . . . . . . . . . . . . . . . . . . 174

25 Espaces préhilbertiens réels 175

I Produits scalaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
I.1 Formes bilinéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
I.2 Matrice d’une forme bilinaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
I.3 Produits scalaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
I.4 Formes bilinéaires symétriques, définies, positives . . . . . . . . . . . . . . . . . . . 178
I.5 Produits scalaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
I.6 Normes euclidiennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
I.7 Espaces préhilbertiens réels, espaces euclidiens . . . . . . . . . . . . . . . . . . . . 182
II Orthogonalité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
II.1 Vecteurs orthogonaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
II.2 Sous-espaces orthogonaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
II.3 Projeté orthogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
II.4 Orthonormalisation de Gram-Schmidt . . . . . . . . . . . . . . . . . . . . . . . . . 187
III Espaces euclidiens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
III.1 Bases orthonormales d’un espace euclidien . . . . . . . . . . . . . . . . . . . . . . . 188
III.2 Changements de base et matrices orthogonales . . . . . . . . . . . . . . . . . . . . 189
III.3 Projecteurs orthogonaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
Table des matières 5

III.4 Distance d’un point à un sous-espace vectoriel . . . . . . . . . . . . . . . . . . . . 192

IV Géométrie affine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
IV.1 Sous-espaces affines d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . 192
IV.2 Barycentres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
IV.3 Repères . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
IV.4 Définition d’un hyperplan par vecteur normal . . . . . . . . . . . . . . . . . . . . . 196

26 Isométries vectorielles 199

I Isométries d’un espace euclidien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
II Isométries vectorielles en dimension 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
II.1 Description de O(2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
II.2 Isométries positives en dimension 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
II.3 Isométries négatives en dimension 2 . . . . . . . . . . . . . . . . . . . . . . . . . . 203
6 Table des matières
 17
Fang cheng, ou l’élimination de
Gauss-Jordan, ou l’art de pivoter

On a donc autant d’équations linéaires qu’il n’y a d’inconnues à trouver ; les valeurs de ces
inconnues seront obtenues par l’élimination ordinaire.
Voyons maintenant, si cette élimination est toujours possible, ou si la solution peut quelquefois
devenir indéterminée ou même impossible
Carl Friedrich Gauss (traduction Edmond Dubois)
Ce sont les tournesols, ce merveilleux cadeau
D’origine céleste et de divine essence.
Et c’est en pivotant tous dans le même sens
Qu’ils adorent leur père sans lui tourner le dos.
(Vette de Fonclare)
Et les shadoks pivotaient, pivotaient, pivotaient...
(Libre adaptation, d’après Jacques Rouxel)

Introduction
Ce chapitre est consacré à la résolution d’équations linéaires. Ces équations interviennent dans de nom-
breux problèmes d’algèbre linéaire, il est donc important d’avoir une démarche permettant d’arriver au
bout des calculs de façon ordonnée et méthodique. L’algorithme du pivot de Gauss fournit une telle
méthode, qui de plus, par son aspect algorithmique simple, a l’avantage de pouvoir être très facilement
implémentée sur un ordinateur.

Note Historique 17.0.1 (Équations)

La recherche de solutions d’équation n’est pas un problème récent :
• À Babylone et en Égypte (2e millénaire avant J.-C.), on trouve déjà trace de résolutions de problèmes
se ramenant à des équations de degré 2. Les méthodes de résolution sont exposées su des exemples
concrets, mais sont celles utilisées actuellement (mise sous forme canonique).
• Vers 300 après J.-C., Diophante formalise la notion d’équations. Il s’intéresse en particulier à la recherche
de solutions rationnelles d’équations à coefficients rationnels, ce qu’on appelle actuellement des équations
diophantiennes.
• Vers 800 après J.-C., le mathématicien arabe Al Khwarizmi écrit le premier traité de résolution systé-
matique des équations de degré 2. Le titre de ce traité est kitabu al-mukhtasar fi hisabi al-jabr wa’l-
muqabalah, soit, à peu près : Abrégé du calcul par la réduction et la comparaison
8 CHAPITRE 17. FANG CHENG, OU L’ÉLIMINATION DE GAUSS-JORDAN...

• Le terme arabe « Al-jabr » signifie « par réduction » (ie « en se ramenant à des situations-type par
manipulation des termes »). Il a donné naissance au terme « algèbre ».

Nous nous intéressons ici aux équations linéaires à n indéterminées, autrement dit aux systèmes d’équa-
tions linéaires. La méthode que nous exposons ici est celle appelée couramment « méthode d’élimination
de Gauss-Jordan », ou encore « méthode du pivot de Gauss », mais ses origines remontent à des temps
bien plus anciens.

Note Historique 17.0.2 (Pivot de Gauss)

• Le nom de la méthode du pivot est un hommage aux deux mathématiciens Gauss et Jordan.
• Gauss utilise cette méthode dans ses ouvrages, en l’appelant élimination ordinaire, ou, en latin (langue
qu’il emploie pour ses publications scientifiques), eliminatio vulgaris.
• Gauss et Jordan utilisent cette méthode d’élimination ordinaire notamment dans le cadre de la classifi-
cation des formes quadratiques.
• Ce n’est que vers 1880 que Frobenius publie plusieurs mémoires faisant un état des lieux de la théorie
des matrices, et élucide complètement à l’occasion la théorie des systèmes linéaires à coefficients réels
ou complexes.
• Mais la méthode est en fait beaucoup plus ancienne : elle est déjà exposée dans un ouvrage chinois du
IIIe siècle Jiuzhang suanshu (Prescriptions de calcul en 9 chapitres) de Liu Hui. Le huitième chapitre est
entièrement consacré à la méthode d’élimination par pivot, appelée fang cheng (disposition, ou modèle
rectangulaire).
• La méthode elle-même est sans doute plus ancienne, puisque Liu Hui en attribue la paternité à Chang
Ts’ang, 3 ou 4 siècles plus tôt, auteur d’un ouvrage aujourd’hui disparu.

I Position du problème et reformulation matricielle

I.1 Position du problème
Nous nous intéressons à la résolution d’un système de n équations à p inconnues réelles (ou complexes), les
équations étant toutes linéaires, c’est-à-dire s’écrivant sous forme d’une combinaison linéaire des inconnues
(combinaison à coefficients dans R ou C, ou dans un autre corps) :


 a1,1 x1 + · · · + a1,p xp = b1


 a2,1 x1 + · · · + a2,p xp = b2
.. .. (17.1)

 . .



an,1 x1 + · · · + an,p xp = bn

Les xi sont les inconnues du système, les ai,j les coefficients, et les bi contituent le second membre.
L’idée principale de l’algorithme du pivot de Gauss est de se ramener, par des combinaisons de lignes, à un
système échelonné équivalent, c’est à dire un système où l’inconnue de plus petit indice apparaissant dans
une ligne n’apparaît plus dans les lignes suivantes. Par exemple, un système triangulaire est échelonné.
Un tel système est facile à résoudre en partant par le bas.

I.2 Rappels sur les matrices et transcription matricielle du système

Le système (17.1) peut se réécrire matriciellement. Pour ce faire, rappelons quelques faits à propos des
matrices. Nous notons K = R ou C, les descriptions étant semblables dans R et dans C. Ce que nous
allons dire est en fait plus généralement valable dans un « corps » quelconque, c’est-à-dire un ensemble
muni d’opérations vérifiant les mêmes propriétés que l’addition et la multiplication de R ou C.
I Position du problème et reformulation matricielle 9

Définition 17.1.1 (Matrices)

Une matrice à coefficients dans K est une famille rectangulaire d’éléments de K, autrement dit une
famille doublement indexée :
A = (ai,j )(i,j)∈[[1,n]]×[[1,p]]
pour certaines valeurs entières strictement positives n et p. On représente cette matrice de la façon
suivante :  
a1,1 · · · a1,p
 . .. 
A=  ..

. 
an,1 · · · an,p
Dans la description (ai,j )(i,j)∈[[1,n]]×[[1,p]], l’indice i est appelé indice de ligne et l’indice j est appelé
indice de colonne. L’entier n représente le nombre de lignes de la matrice, et p le nombre de colonnes.
Enfin, on note Mn,p (K) l’ensemble des matrices à n lignes et p colonnes à coefficients dans K, et si
n = p, on note simplement Mn (K), dont les éléments sont appelés matrices carrées d’ordre n.

La somme matricielle est définie pour des matrices de même taille uniquement, coefficient par coefficient :

(ai,j )(i,j)∈[[1,n]]×[[1,p]] + (bi,j )(i,j)∈[[1,n]]×[[1,p]] = (ai,j + bi,j )(i,j)∈[[1,n]]×[[1,p]],

c’est-à-dire :
     
a1,1 ··· a1,p b1,1 ··· b1,p a1,1 + b1,1 ··· a1,p + b1,p
 . ..   . ..   .. .. 
 .     
 . .  +  .. . = . . 
an,1 · · · an,p bn,1 · · · bn,p an,1 + bn,1 · · · an,p + bn,p

Nous rappelons également l’expression du produit de 2 matrices, possible uniquement lorsque le nombre
de colonnes de la première est égal au nombre de lignes de la seconde.

Définition 17.1.2 (Produit matriciel)

Soit A ∈ Mn,p (K) et B ∈ Mp,q (K). On définit le produit AB ∈ Mn,q (K) par :
p
X
AB = (ci,k )(i,k)∈[[1,n]]×[[1,q]], où ci,k = ai,j bj,k .
j=1

Ainsi, pour obtenir l’élément en position (i, k) du produit AB, on considère la ie ligne de A et la k e
colonne de B, et on forme la somme des produits coefficient par coefficient des coordonnées de cette ligne
et cette colonne.
En d’autres termes, ci,k est le résultat du produit scalaire canonique dans Rn de la colonne obtenue en
redressant la ie ligne de A et de la k e colonne de B.

Nous admettons à ce stade toutes les règles usuelles sur les opérations matricielles, notamment les pro-
priétés d’associativité et de distributivité, similaires à celles des réels. Attention cependant au fait que le
produit matriciel n’est pas commutatif, et qu’une égalité M X = M Y n’implique pas toujours X = Y ,
même si M 6= 0 (la bonne condition est l’inversibilité de M ; plus généralement, dans une structure al-
gébrique, la possibilité de faire une telle simplification définit la notion d’élément régulier ; tout élément
inversible est régulier, la réciproque étant en général fausse).

Le système (17.1) peut être traduit par une égalité matricielle AX = B, où

     
a1,1 · · · a1,p x1 b1
 . .  . .
 . ..     
 .  ×  ..  =  ..  .
an,1 · · · an,p xp bp
10 CHAPITRE 17. FANG CHENG, OU L’ÉLIMINATION DE GAUSS-JORDAN...

Ainsi, A = (ai,j )(i,j)∈[[1,n]]×[[1,p]], X = (xi )i∈[[1,p]] et B = (bi )i∈[[1,n]] . On a donc, en notant K = R ou C :

A ∈ Mn,p (K), B ∈ Mn,1 (K) ≃ Kn et X ∈ Mp,1 (K) ≃ Kp .

L’intérêt de cette présentation matricielle est d’une part la rapidité apportée par le fait qu’on se dispense
de réécrire les variables, et d’autre part une présentation plus claire, du fait de l’alignement obligé des
coefficients dans la matrice. Ce n’est rien de plus que le principe de la disposition rectangulaire des chinois.
Une disposition méthodique de la sorte supprime une source importante d’erreurs d’inattention.

I.3 Structure de l’ensemble des solutions

Nous nous donnons, dans la suite de ce chapitre, une matrice A ∈ Mn,p (K) et B un vecteur colonne de
Mn,1 (K), et nous nous intéressons à l’équation AX = B, de l’inconnue X ∈ Mp,1 (K). Ainsi, l’équation
AX = B représente un système linéaire de n équations à p inconnues.

Définition 17.1.3 (Système homogène associé)

Étant donné le système donné matriciellement par AX = B, on appelle système homogène associé au
système AX = B le système AX = 0.

Nous renvoyons au chapitre concernant les équations différentielles pour la notion de sous-espace affine,
que nous retrouvons dans la situation présente :

Théorème 17.1.4 (Structure de l’ensemble des solutions)

L’ensemble des solutions S de l’équation AX = B est un sous-espace affine de Kp . Ainsi, si X0 désigne
une solution particulière, et si S0 désigne l’ensemble des solutions de l’équation homogène associée
AX = 0, alors :
S = {X0 + X | X ∈ S0 } = X0 + S0 .

II Échelonnement d’une matrice par la méthode du pivot

II.1 Opérations sur les lignes d’une matrice
Étant donnée une matrice de Mn,p (K) dont les lignes sont désignées par L1 , . . . , Ln , les opérations
admissibles pour le pivot sont les trois opérations suivantes décrites ci-dessous :

Définition 17.2.1 (Opérations admissibles sur les lignes d’une matrice)

• Opération de permutation : échange des lignes Li et Lj de la matrice, codée par Li ↔ Lj
• Opération de dilatation : multiplication d’une ligne Li par un scalaire (réel ou complexe) non
nul λ, codée par Li ← λLi
• Opération de transvection : ajout à une ligne donnée Li d’une autre ligne Lj éventuellement
multipliée par un scalaire λ (le résultat remplaçant la ligne Li ). Cette opération est codée par
Li ← Li + λLj .

Remarque 17.2.2
• L’itération de la première opération (permutation) autorise les permutations quelconques des
lignes d’une matrice. En effet, nous justifierons plus tard que toute permutation de Sn peut se
décomposer en composition de transpositions, c’est-à-dire en produit de permutations particu-
lières n’effectuant que l’échange de deux valeurs. On peut remarquer que la justification de la
correction de certains algorithmes de tri basés sur des transpositions (par exemple le tri par
insertion ou le tri à bulles) permet de prouver cette affirmation.
II Échelonnement d’une matrice par la méthode du pivot 11

• La combinaison des deux dernières règles amène la règle suivante souvent bien pratique :

Li ← λLi + µLj , si λ 6= 0.

Attention à ce que le coefficient devant la ligne modifiée par cette opération ne soit pas nul !

Avertissement 17.2.3
Les différentes opérations s’effectuent successivement (même si on les note ensemble dans la même
étape) : on ne peut pas effectuer des opérations simultanées. Ainsi, si on a dans la même étape deux
opérations L1 ← L1 + L2 et L2 ← L1 + L2 , cela signifie que la seconde est effectuée avec la ligne L1
obtenue à l’issue de la première opération, et non avec la ligne L1 initiale.

Théorème 17.2.4 (Effet des opérations sur les lignes sur un système)
Soit AX = B un système linéaire. Effectuer l’une des opérations ci-dessus (permutation, dilatation ou
transvection) à la fois sur A et sur B fournit un système équivalent, donc ne modifie pas l’ensemble
des solutions.

En effet, il suffit de savoir faire les opérations inverses, ramenant au système initial :
• L’opération inverse de Li ↔ Lj est Li ↔ Lj
• L’opération inverse de Li ← λLi (pour λ 6= 0) est Li ← λ1 Li
• L’opération inverse de Li ← Li + λLj est Li ← Li − λLj .
Ainsi que suggéré dans le théorème ci-dessus, nous allons donc transformer le système initial petit à
petit, en appliquant les mêmes transformations à la matrice A et à la matrice B. Par commodité, nous
adopterons la présentation suivante pour représenter les coefficients du système, en tenant compte de la
matrice B :
 
a1,1 ··· a1,p b1
 . .. .. 

(A | B) =  .. 
. . 
an,1 · · · an,p bn
Ainsi, effectuer les mêmes opérations sur les lignes de A et B revient à effectuer ces opérations sur la
matrice (A | B).

II.2 Échelonnement de la matrice

Ainsi que nous l’avons dit dans l’introduction, nous allons résoudre le système AX = B en nous ramenant,
à l’aide d’opérations élémentaires sur les lignes, à un système échelonné équivalent.

Définition 17.2.5 (Matrice échelonnée)

Soit m et n deux entiers non nuls, et M = (ai,j )16i6m dans Mm,n (K). On dit que M est une matrice
16j6n
échelonnée s’il existe un entier k ∈ [[1, m]] et une suite croissante j1 < j2 < · · · < jk d’éléments de [[1, n]]
tels que :
(i) ∀i ∈ [[1, k]], ai,ji 6= 0 ;
(ii) ∀i ∈ [[1, k]], ∀j ∈ [[1, ji − 1]], ai,j = 0 ;
(iii) ∀i ∈ [[k + 1, m]], ∀j ∈ [[1, n]], ai,j = 0

Autrement dit, les lignes nulles sont regroupées au bas de la matrice (lignes k + 1 à m), les autres
lignes sont classées suivant la position de leur premier élément non nul, ces positions étant deux à deux
distinctes. Une matrice échelonnée admet donc la représentation suivante :
12 CHAPITRE 17. FANG CHENG, OU L’ÉLIMINATION DE GAUSS-JORDAN...

 
0 ··· 0 a1,j1 • ... •
 
0 ··· ··· 0 a2,j2 • ... •
. .. 
. 
. .
 
M =
0 ··· ··· 0 ak,jk • . . . • ,
0 ··· ··· 0
 
. .. 
. 
. .
0 ··· ··· 0

les coefficients indiqués d’un • étant quelconques.

Définition 17.2.6 (Système échelonné)

Un système AX = B est dit échelonné si A est une matrice échelonnée.

Et voici maintenant l’algorithme lui-même, permettant de se ramener à un système échelonné :

Méthode 17.2.7 (Algorithme du pivot de Gauss, ou élimination de Gauss-Jordan)

1. On cherche la première colonne non nulle de la matrice (A | B).
2. Sur cette colonne, on effectue un choix de pivot : n’importe quel coefficient non nul de la colonne
convient, mais on a intérêt à choisir un pivot donnant le moins de calculs possible, si on effectue
ces calculs à la main. Il y a trois critères pour cela :
• Le pivot lui-même doit être facile à inverser. L’idéal est un pivot égal à 1.
• Les autres coefficients de la ligne du pivot doivent être « simples », de préférence des entiers.
• Plus il y a de zéros sur la ligne contenant le pivot, moins il y aura de calculs !
3. On fait un échange de lignes pour ramener le pivot choisi sur la première ligne.
4. On annule tous les coefficients situées sous le pivot à l’aide d’opérations élémentaires Li ←
Li + λL1 , ou bien pour éviter d’introduire des fractions, Li ← αLi + βL1 , avec α 6= 0
5. On recommence récursivement en considérant la sous-matrice située strictement en-dessous à
droite du pivot.

Remarque 17.2.8
Bien entendu, les critères de choix du pivot sont donnés ici en vue d’un calcul à la main. En vue d’une
implémentation sur ordinateur, le choix du pivot doit se faire de sorte à diminuer au maximum les
erreurs d’arrondi. Les critères sont, dans cette optique, différents de ceux énoncés ci-dessus. À première
approximation, le choix d’un pivot de valeur absolue maximale est à privilégier.

Nous donnons ci-dessous une description purement algorithmique en pseudo-code un peu lâche.
III Résolution d’un système échelonné 13

Algorithme 17.1 : Pivot de Gauss

Entrée : A, B matrices définissant le systeme AX = B
Sortie : A′ , B ′ définissant un système équivalent, A′ étant échelonné
Les opérations sur les lignes sont effectuées directement sur la matrice (A | B).
Initialiser l’indice j de colonne à 1;
Initialiser l’indice i de ligne à 1;
tant que les indices i et j ne font pas sortir de la matrice (A | B) faire
si le bas de la colonne j (en-dessous de la ligne i au sens large) est nul alors
Passer à la colonne suivante (j ← j + 1)
sinon
Placer un élément non nul en position (i, j) par une opération Li ↔ Lk ;
pour k ← i + 1 à dernière ligne faire
Lk [j]
Lk ← Lk + λLi , où λ = −
Li [j]
fin pour
Passer à la ligne suivante (i ← i + 1);
Passer à la colonne suivante (j ← j + 1)
fin si
fin tant que
renvoyer A, B, sous la forme (A | B)

Théorème 17.2.9 (Correction de l’algorithme du pivot de Gauss)

Soit A′ et B ′ les matrices issues de l’algorithme du pivot de Gauss. Alors le système A′ X = B ′ est
équivalent au système AX = B, et A′ (et même (A′ | B ′ )) est une matrice échelonnée.

Définition 17.2.10 (réduite de Gauss)

La matrice échelonnée A′ obtenue à l’aide de la méthode du pivot appliqué à la matrice A s’appelle
réduite de Gauss de la matrice A. Il n’y a pas unicité d’une réduite de Gauss.

Exemple 17.2.11
Recherche d’une réduite de Gauss A′ , et de la matrice B ′ associée lorsque :
   
1 −4 −2 3 2 1
   
A= 2 2 1 0 1 et B = 2 .
−1 0 0 1 0 3

III Résolution d’un système échelonné

L’algorithme du pivot de Gauss nous ramène donc à la résolution d’un système échelonné AX = B, ce
qui se fait facilement en partant de la fin. Nous commençons par introduire un peu de vocabulaire.

III.1 Inconnues principales

Un système échelonné n’admet pas toujours une solution unique, ni même une solution tout court. Pour
trouver une solution particulière, il y aura donc des choix à faire. Ainsi, si la dernière équation fait par
exemple intervenir 3 inconnues, en fixer 2 à sa guise impose la troisième. Ainsi, en remontant un système
échelonné, on ajoute à chaque nouvelle ligne considérée de nouvelles inconnues n’intervenant pas dans
14 CHAPITRE 17. FANG CHENG, OU L’ÉLIMINATION DE GAUSS-JORDAN...

les lignes suivantes. Si on a déjà obtenu des valeurs pour les inconnues des dernières lignes, donner des
valeurs quelconques à toutes les nouvelles inconnues sauf une détermine alors la dernière inconnue.
On peut donc remonter le système en donnant des valeurs quelconques à toutes les nouvelles inconnues
de chaque ligne, sauf une. L’inconnue qui jouera ce rôle particulier est l’une quelconque des nouvelles
inconnues (en remontant), mais un choix s’impose naturellement : celui de la première inconnue interve-
nant de façon effective dans la ligne. Autrement dit, l’inconnue se plaçant à la position du pivot utilisé
sur cette ligne pour obtenir l’échelonnement.

Définition 17.3.1 (Inconnue principale)

Nous appelons inconnue principale du système échelonné AX = B une inconnue xi se plaçant en tête
d’une des lignes du système. Il s’agit donc des inconnues d’indice ji de la définition 17.2.5

Remarque 17.3.2
• La définition d’inconnue principale donnée ici est fortement dépendante de l’ordre des variables.
Une permutation des variables préservant l’échelonnement (c’est en général possible) donnerait
un autre système d’inconnues principales.
• Il existe une notion plus générale d’inconnues principales, se définissant bien à l’aide de détermi-
nants, portant sur des systèmes non nécessairement échelonnés. En gros, il s’agit d’un système
d’inconnues tel que le choix quelconque des autres inconnues déterminent de façon unique les
inconnues principales. Mais pour un système donné, le choix des inconnues principales n’est pas
unique.
• Dans ce cadre plus général, notre définition des inconnues principales n’est qu’un des plusieurs
choix possibles pour le système échelonné donné.

III.2 Recherche d’une solution particulière

Méthode 17.3.3 (recherche d’une solution particulière d’un système échelonné)

Soit A une matrice échelonnée, et AX = B un système.
1. S’il existe dans ce système une ligne du type 0 = bi , avec bi non nul, alors le système n’admet
pas de solution. On dit que AX = B est un système non compatible.
2. Sinon, donner des valeurs quelconques aux variables non principales réduisent le système à un
système triangulaire (à coefficients diagonaux non nuls) portant sur les inconnues principales.
Un tel système se résout de façon unique en remontant les équations.
3. On trouve par exemple une solution particulière en attribuant à toutes les inconnues non prin-
cipales la valeur 0.

Exemple 17.3.4
Recherche d’une solution particulière dans le cas de l’exemple 17.2.11.

Nous retenons de la méthode ci-dessus le résultat important suivant :

Théorème 17.3.5 (Condition de compabilité d’un système linéaire)

Soit A ∈ Mn,p (K) et B ∈ Mn (K). Le système AX = B admet au moins une solution si et seulement
si le système A′ X + B ′ = 0 obtenu après échelonnement par la méthode de Gauss Jordan ne possède
aucune ligne du type 0 = bi , avec bi 6= 0.
III Résolution d’un système échelonné 15

III.3 Recherche de la solution générale de l’équation homogène associée

À ce stade, l’essentiel du travail a été fait : on réutilise les résultats des calculs effectués dans la phase
précédente. La recherche des solutions de l’équation homogène associée AX = 0 équivaut à la recherche
des solutions du système homogène échelonné A′ X = 0, pour la matrice A′ obtenue précédemment par
la méthode de Gauss-Jordan.
Ainsi que nous l’avons évoqué plus haut :

Proposition 17.3.6
L’ensemble des solutions du matrice échelonné AX = 0 est obtenu en résolvant le système triangu-
laire obtenu sur les inconnues principales en donnant toutes les valeurs possibles quelconques pour les
inconnues non principales.

Les inconnues non principales sont à voir comme des paramètres. Ainsi, on détermine les inconnues
principales en fonction de ces paramètres par la résolution d’un système triangulaire, qu’on effectue par
remontée. On obtient de la sorte la description de S0 , l’espace des solutions de l’équation homogène, sous
forme d’un espace paramétré par les inconnues non principales.
On peut remarquer qu’effectuer cette opération directement sur le système non homogène permet, de la
même façon, de trouver directement une paramétrisation de l’espace affine S.
16 CHAPITRE 17. FANG CHENG, OU L’ÉLIMINATION DE GAUSS-JORDAN...
 18
Structures algébriques

THÉORÈME. Soit une équation donnée, dont a, b, c, ... sont les m racines. Il y aura toujours
un groupe de permutations des lettres a, b, c, ... qui jouira de la propriété suivante :
1. Que toute fonction des racines, invariable par les substitutions de ce groupe, soit ration-
nellement connue ;
2. Réciproquement, que toute fonction des racines, déterminable rationnellement, soit inva-
riable par les substitutions.
[...] Nous appellerons groupe de l’équation le groupe en question.

(Évariste Galois)
Restez groupir !

(hum...)

Note Historique 18.0.1

Il est fréquent de trouver des propriétés communes dans des situations qui au départ semblent totalement sans
rapport. Une des grandes découvertes (et réussites) des mathématiques du 19e siècle a été de parvenir à unifier
ces problèmes en apparence distincts, en faisant ressortir de ces différents problèmes des structures ensemblistes
et opératoires ayant des propriétés similaires.
C’est Évariste Galois le premier à mettre en avant ces études de structure à l’occasion de ses travaux visant
à étudier la résolubilité des équations polynomiales par radicaux. Il y parle de groupes de permutations des
solutions d’une équation, et est amené à étudier des propriétés de certains sous-ensembles de ces groupes de
permutations. C’est lui qui introduit la terminologie de « groupe », même si la formalisation précise de cette
notion est beaucoup plus tardive.
Le groupe des permutations d’un ensemble avait déjà été étudié auparavant par Lagrange (mais sans en faire res-
sortir cette structure bien particulière de groupe). Il a notamment établi à cette occasion un résultat important,
généralisé plus tard pour tout groupe sous le nom de « théorème de Lagrange ».

La notion de structure algébrique repose de façon essentielle sur la notion de loi de composition (c’est-
à-dire d’opération définie sur un ensemble, comme l’addition ou la multiplication) et sur les différentes
propriétés que ces lois de composition peuvent vérifier. Nous commençons donc notre étude par l’examen
de ces propriétés, après avoir défini de façon précise ce qu’est une loi de composition.

I Lois de composition
I.1 Définitions
Dans ce qui suit, E est un ensemble quelconque.
18 CHAPITRE 18. STRUCTURES ALGÉBRIQUES

Définition 18.1.1 (Lois de composition)

On distingue deux types de lois de compositions (opérations), suivant que la loi décrit une opération
entre deux éléments de l’ensemble E, ou entre un élément de E et un élément d’un ensemble externe
Ω, appelé domaine d’opérateur.
• Une loi de composition interne est une application de ϕ : E × E dans E, souvent notée de façon
opérationnelle plutôt que fonctionnelle (par exemple x + y au lieu de ϕ(x, y) pour désigner une
addition).
• Une loi de composition externe à gauche sur E, d’ensemble d’opérateurs Ω, est une application
de Ω × E dans E, également notée de façon opérationnelle le plus souvent (par exemple λ · x au
lieu de ϕ(λ, x)).
• De même, une loi de composition externe à droite sur E d’ensemble d’opérateurs Ω est une
application E × Ω −→ E.

Exemples 18.1.2
• Les lois + et × sont des lois de composition internes sur N, Z, R ou C.
• La loi + est une loi de composition interne sur Rn ou Cn .
• (λ, X) 7→ λX (multiplication d’un vecteur par un scalaire) est une loi de composition externe
sur Rn (ou Cn ), d’ensemble d’opérateurs R (ou C).
• De même pour la multiplication des polynômes par des scalaires.
• La composition ◦ définit une loi de composition interne sur E E .
• Le produit scalaire sur Rn n’est pas une loi de composition (interne ou externe), car le résultat
de l’opération n’est pas un élément de Rn .

I.2 Propriétés d’une loi de composition

Soit E un ensemble, muni d’une loi de composition interne que nous noterons ⋆. Nous étudions ici quelques
propriétés pouvant être vérifiées par la loi ⋆.

Définition 18.1.3 (Associativité, commutativité)

• On dit que ⋆ est associative ssi : ∀(x, y, z) ∈ E 3 , (x ⋆ y) ⋆ z = x ⋆ (y ⋆ z)
• On dit que ⋆ est commutative ssi : ∀(x, y) ∈ E 2 , x ⋆ y = y ⋆ x.

Ainsi, lorsque E est muni d’une loi associative, on peut effectuer les opérations dans l’ordre que l’on
veut, à condition de respecter la position respective des éléments les uns par rapport aux autres. Si
la loi est commutative, on peut échanger la position respective des éléments (mais pas nécessairement
faire les opérations dans l’ordre qu’on veut si la loi n’est pas associative). Pour énoncer cette propriété
d’associativité généralisée, on commence par définir ce qu’est un parenthésage admissible.

Définition 18.1.4 (Parenthésage admissible)

Un parenthésage admissible d’une expression formée de produits ⋆ d’éléments x1 , . . . , xn de E est un
parenthésage qui permet de regrouper 2 par 2 des éléments x1 , . . . , xn , ou des termes calculés à partir
de ceux-ci par un parenthésage plus fin. De façon plus rigoureuse, on définit cette notion par induction
structurelle :
• (initialisation) les expressions x constitués d’un unique élément sont munis d’un parenthésage
admissible ;
• si A1 et A2 sont deux expressions en x1 , . . . , xk et xk+1 , . . . , xn munis d’un parenthésage admis-
sible, alors (A1 ⋆ A2 ) est muni d’un parenthésage admissible.
I Lois de composition 19

Remarque 18.1.5
Le parenthésage le plus externe n’est pas complètement utile, et ne sert qu’à continuer la construction
si d’autres termes doivent s’ajouter à l’expression. Ainsi, dans une expression munie d’un parenthésage
admissible, on omet souvent le jeu de parenthèses externes. Par exemple, l’expression (x1 ⋆ x2 ) est
munie d’un parenthésage admissible, mais on écrira plutôt x1 ⋆ x2 . De même, on écrira x1 ⋆ (x2 ⋆ x3 )
plutôt que (x1 ⋆ (x2 ⋆ x3 )).

Exemples 18.1.6
En utilisant la convention de la remarque précédente, lesquelles des expressions ci-dessous sont munies
d’un parenthésage admissible ?
• (x1 ⋆ x2 ) ⋆ (x3 ⋆ x4 ) ⋆ x5
• (x1 ⋆ x2 ) ⋆ ((x3 ⋆ x4 ) ⋆ x5 )
• (x1 ⋆ x2 ) ⋆ x3 ) ⋆ ((x4 ⋆ x5 )

Théorème 18.1.7 (Associativité généralisée)

Soit ⋆ une loi associative sur E, et x1 , . . . , xn des éléments de E. Alors l’expression de x1 ⋆ x2 ⋆ · · · ⋆ xn
ne dépend pas du parenthésage admissible choisi sur cette expression (donc de l’ordre dans lequel on
effectue ces opérations).

Ce résultat qui paraît évident intuitivement n’est pas si évident que cela à démontrer. Une démonstration
consiste à montrer par récurrence forte sur n (en se servant de la structure inductive), toute expression
convenable parenthésée est égale à l’expression munie du parenthésage croissant, dans lequel les opérations
sont faits dans l’ordre de lecture. La démonstration consiste alors à décomposer une expressions en deux,
écrire l’expression de droite avec un parenthésage croissant en utilisant l’hypothèse de récurrence, utiliser
l’associativité pour isoler xn puis réutiliser l’hypothèse de récurrence sur l’expression de gauche constituée
maintenant de n − 1 termes.

Notation 18.1.8 (Suppression des parenthèses)

Lorsque ⋆ est associative, nous nous permettons d’omettre le parenthésage, en notant x ⋆ y ⋆ z au lieu
de (x ⋆ y) ⋆ z ou x ⋆ (y ⋆ z), la propriété d’associativité levant toute ambiguité sur l’interprétation de
cette expression. Plus généralement, d’après la propriété d’associativité généralisée, on peut omettre le
parenthésage dans des opérations portant sur un nombre quelconque de termes.

On peut aussi donner une propriété de commutativité généralisée, lorsqu’on a à la fois l’associativité et la
commutativité. Dans le cas d’une structure commutative non associative, la description est plus délicate.

Théorème 18.1.9 (Commutativité généralisée)

Soit ⋆ une loi commutative et associative sur E, et x1 , . . . , xn des éléments de E. Alors, pour tout
σ ∈ Sn ,
x1 ⋆ x2 ⋆ · · · ⋆ xn = xσ(1) ⋆ xσ(2) ⋆ · · · ⋆ xσ(n) .

Ici encore, le théorème semble assez évident. Mais une démonstration rigoureuse nécessite un petit ef-
fort de reflexion, et l’utilisation de quelques propriétés des permutations. On peut montrer que toute
permutation s’écrit comme composée de permutations très simples consistant simplement à échanger 2
termes consécutifs, en laissant les autres fixes. C’est ce qu’on fait par exemple lorsqu’on effectue un tri à
bulles, ou un tri par insertion, si on remonte les éléments au fur et à mesure. En admettant ce résultat,
on passe donc de l’expression de gauche à l’expression de droite en faisant une succession d’échanges
20 CHAPITRE 18. STRUCTURES ALGÉBRIQUES

de deux termes consécutifs. Par associativité généralisée, on peut trouver un parenthésage associé qui
regroupe ces deux termes, et donc l’échange de ces deux termes ne chage pas la valeur de l’expression
(par commutativité).
En attendant de disposer de ce résultat, on peut montrer à la main que l’échange de deux termes quel-
conques non nécessairement consécutifsne change pas la valeur de l’expression, ce qui permet d’échanger
xn et xϕ(n) dans l’expression de droite (si n 6= ϕ(n)), puis on termine par récurrence, en considérant
l’expression formée des n − 1 premiers termes.

Exemples 18.1.10 (Lois commutatives, associatives)

1. Les lois + et × définies sur N, Z, R et C sont associatives et commutatives.
2. Le produit matriciel définit une loi associative sur Mn (R) (ensemble des matrices carrées d’ordre
n), mais pas commutative.
3. La composition définit une loi associative sur E E mais pas commutative.
4. La soustraction dans Z est non associative et non commutative.
5. La loi définie sur R par (a, b) 7→ (a + b)2 est commutative mais non associative.

Avertissement 18.1.11
Attention à toujours bien indiquer le parenthésage lorsque la loi n’est pas associative, ou lorsque
plusieurs lois sont en jeu sans qu’il n’ait été défini de façon explicite de relation de priorité sur les
opérations.

Convention 18.1.12 (Commutativité d’une loi d’addition, usage)

Nous réserverons la notation additive (signe opératoire +) pour des lois de composition commutatives.
Cela n’empêche pas en revanche de considérer des lois commutative notées différemment (par exemple
multiplicativement).

Convention 18.1.13 (Omission du signe d’opération)

Il est fréquent d’omettre certains signes d’opérations (généralement les multiplications), si l’usage qui
est fait de cette suppression est suffisamment clair et ne provoque pas d’ambiguïté.

Ainsi, vous avez déjà l’habitude d’écrire ab au lieu de a × b ou a · b. Cet usage, courant dans R ou
C, est aussi fréquent pour les opéraions matricielles, à la fois pour le produit interne que le produit
externe (multiplication d’une matrice par un scalaire). De façon peut-être plus troublante, il est fréquent
d’omettre le ◦ de la composition, en particulier lorsqu’on compose des applications linéaires (il n’y a alors
pas d’ambiguïté sur le sens de ce produit, les éléments de l’espace d’arrivée ne pouvant en général pas se
multiplier entre eux)

Notation 18.1.14 (Itération d’une loi)

Soit ⋆ une loi associative sur E, n un élément de N∗ et x un élément de E. On note x⋆n , ou plus
simplement xn lorsqu’il n’y a pas d’ambiguïté (lorsqu’il n’y a qu’une loi en jeu par exemple), l’itéation
de la loi ⋆, c’est à dire :
x⋆n = x ⋆ x ⋆ · · · ⋆ x,
le nombre de termes x étant égal à n. Pour une définition plus rigoureuse, par récurrence, x⋆1 = x, et
pour tout n ∈ N∗ , x⋆(n+1) = x⋆n ⋆ x.

Si E admet un élément neutre e pour la loi ⋆ (voir ci-dessous), on note par convention x⋆0 = e. Remarquez
qu’alors, la définition par récurrence est aussi valable pour passer de l’exposant 0 à l’exposant 1.
I Lois de composition 21

Dans le cas où plusieurs lois sont en jeu, la notation xn peut prêter à confusion. En général, dans les
structures faisant intervenir deux lois dont une commutative, on utilise la multiplication × (loi multi-
plicative) et l’addition + (loi additive). On distingue les itérations des lois sans introduire de lourdeur
d’écriture en utilisant une notation particulière pour l’itération de l’addition, calquée sur ce qu’il se passe
dans R :

Notation 18.1.15 (Itération d’une loi additive)

Si E est muni d’une loi notée additivement +, on note n · x au lieu de x+n l’itération de la loi +.

Attention au fait que généralement, n n’étant pas élément de E, la notation · est à distinguer d’une
éventuelle multiplication dans E (cela définit une loi externe à opérateurs dans N). Si N ⊂ E, la loi
externe · peut coïncider avec le produit, si E est muni d’une structure suffisamment riche. C’est ce qui
se produit dans la plupart des structures qui contiendront N que nous aurons l’occasion de considérer.
Nous voyons maintenant des propriétés liées à l’existence de certains éléments particuliers de E.

Définition 18.1.16 (Élément neutre)

Soit e un élément de E.
1. On dit que e est un élément neutre à droite pour la loi ⋆ ssi : ∀x ∈ E, x ⋆ e = x.
2. On dit que e est un élément neutre à gauche pour la loi ⋆ ssi : ∀x ∈ E, e ⋆ x = x.
3. On dit que e est un élément neutre pour la loi ⋆ s’il est à la fois neutre à gauche et neutre à
droite.

Pour une loi commutative, e est neutre ssi e est neutre à droite ssi e est neutre à gauche.

Exemple 18.1.17 (Éléments neutres)

1. 0 est élément neutre pour + dans N, Z, R, C. C’est le seul élément neutre pour +.
2. 1 est élément neutre pour × dans N, Z, R, C. C’est le seul élément neutre pour ×.
3. In est élément neutre pour × sur Mn (R), 0n est élément neutre pour + sur Mn (R).
4. idE est élément neutre pour ◦ sur E E .
5. Sur un ensemble E de cardinal supérieur ou égal à 2, la loi (x, y) 7→ y admet plusieurs neutres
à gauche (tout x ∈ E est neutre à gauche). En revanche, il n’y a pas de neutre à droite.

Une loi ne peut pas admettre plusieurs éléments neutres, comme le montre la propriété suivante.

Proposition 18.1.18 (Unicité du neutre)

• Si E admet pour ⋆ un neutre à gauche eg et un neutre à droite ed , alors eg = ed , et cet élément
est alors un élément neutre pour ⋆.
• L’élément neutre, s’il existe, est unique ; dans ce cas, il s’agit aussi de l’unique neutre à gauche,
et de l’unique neutre à droite.

Notation 18.1.19 (0E , 1E )

• On note généralement 0E (ou 0 s’il n’y a pas de risque d’ambiguité) le neutre (s’il existe) d’une
loi notée additivement +.
• On note généralement 1E (ou 1 s’il n’y a pas de risque d’ambiguité) le neutre (s’il existe) d’une
loi notée multiplicativement ×.
22 CHAPITRE 18. STRUCTURES ALGÉBRIQUES

Définition 18.1.20 (Élément symétrique)

Supposons que E admet un élément neutre e pour la loi ⋆. Soit x ∈ E.
• On dit que s x est un symétrique à gauche de x pour la loi ⋆ si s x ⋆ x = e.
• On dit que xs est un symétrique à droite de x pour la loi ⋆ si x ⋆ xs = e.
• On dit que x est un symétrique de x pour la loi ⋆ si et seulement si x est un symétrique à droite
et à gauche de x.
• On dit que x est symétrisable (resp. symétrisable à gauche, resp. symétrisable à droite) si x
admet au moins un symétrique (resp. un symétrique à gauche, resp. un symétrique à droite).

Terminologie 18.1.21 (Opposé, inverse)

• Dans le cas d’une loi notée additivement, on parle plutôt d’opposé, et en cas d’unicité, on note
−x l’opposé de x.
• Dans le cas d’une loi notée multiplicativement, on parle plutôt d’inversibilité (inversibilité à
droite, à gauche), et en cas d’unicité, on note x−1 l’inverse de x.

Proposition 18.1.22 (Unicité du symétrique)

Si ⋆ est associative, alors, en cas d’existence, le symétrique est unique.

Exemples 18.1.23
1. Dans N seul 0 admet un opposé pour +.
2. Dans Z, R, Q, C, tout élément admet un opposé pour +.
3. Dans N seul 1 admet un inverse, dans Z, seuls 1 et −1 admettent un inverse. Dans R, Q et C
tous les éléments non nuls admettent un inverse.
4. Dans E E muni de ◦, sous réserve de l’axiome du choix, les éléments symétrisables à gauche sont
les injections, les éléments symétrisables à droite sont les surjections, les éléments symétrisables
sont les bijections. Une injection non surjective admet plusieurs symétriques à gauche ; une
surjection non injective admet plusieurs symétriques à droite.

Proposition 18.1.24 (Symétrique de x ⋆ y)

Supposons ⋆ associative. Soit (x, y) ∈ E 2 . Si x et y sont symétrisables, de symétriques xs et y s , alors
x ⋆ y est symétrisable de symétrique y s ⋆ xs . Notez l’inversion !

Traduisons pour une loi multiplicative : si x et y sont inversibles, d’inverses x−1 et y −1 , alors xy aussi, et

(xy)−1 = y −1 x−1 .

Dans le cas d’une loi additive (commutative par convention d’usage), on obtient

−(x + y) = (−y) + (−x) = (−x) + (−y),

ce qu’on note plus simplement −x − y, comme dans R.

Définition 18.1.25 (Élément absobant)

Soit x ∈ E.
• On dit que x est un élément absorbant à gauche pour ⋆ ssi : ∀y ∈ E, x ⋆ y = x.
• On dit que x est absorbant à droite pour ⋆ ssi : ∀y ∈ E, y ⋆ x = x.
• On dit que x est absorbant s’il est à la fois absorbant à gauche et à droite.
I Lois de composition 23

Exemples 18.1.26
1. 0 est absorbant pour × dans N, Z, Q, R, C.
2. Pour la loi (x, y) 7→ y, tout élément y de E est absorbant à droite. Il n’y a pas d’élément
absorbant à gauche si E est de cardinal au moins 2.

Définition 18.1.27 (Élément régulier ou simplifiable)

• Un élément x est dit régulier (ou simplifiable) à gauche ssi :

∀(y, z) ∈ E 2 , x ⋆ y = x ⋆ z =⇒ y = z.

• Un élément x est dit régulier (ou simplifiable) à droite ssi :

∀(y, z) ∈ E , y ⋆ x = z ⋆ x =⇒ y = z.

• Un élément x est dit régulier (ou simplifiable) s’il est à la fois régulier à gauche et à droite.

Proposition 18.1.28 (Régularité des éléments symétrisables)

Supposons que E soit muni d’une loi ⋆ associative.
• Soit x un élément admettant un symétrique à gauche. Alors x est régulier à gauche.
• Soit x un élément admettant un symétrique à droite. Alors x est régulier à droite.
• Soit x un élément admettant un symétrique. Alors x est régulier.

Ainsi, le fait de pouvoir simplifier une égalité par un réel ou complexe non nul x ne vient pas tant de
la non nullité que de l’inversibilité de x. Par exemple, la non nullité n’est pas un critère suffisant de
régularité dans Mn (R) : il est nécessaire d’avoir l’inversibilité de la matrice que l’on veut simplifier.
Il convient toutefois de noter que la condition d’inversibilité, si elle est suffisante, n’est en général pas
nécessaire.

Exemple 18.1.29
Donnez des exemples de structures algébriques simples dans lesquelles certains éléments sont réguliers
sans être inversibles.

I.3 Ensembles munis de plusieurs lois

Soit E un ensemble muni de deux lois de composition ⋆ et ⋄.

Définition 18.1.30 (Distributivité)

• On dit que la loi ⋆ est distributive à gauche sur ⋄ ssi : ∀(x, y, z) ∈ E 3 , x⋆ (y ⋄ z) = (x⋆ y)⋄ (x⋆ z).
• On dit que la loi ⋆ est distibutive à droite sur ⋄ ssi : ∀(x, y, z) ∈ E 3 , (y ⋄ z) ⋆ x = (y ⋆ x) ⋄ (z ⋆ x).
• On dit que la loi ⋆ est distributive sur ⋄ ssi elle est distributive à droite et à gauche.

Exemples 18.1.31
1. La loi × est distributive sur + dans N, Z, R, C, Mn (R)...
2. La loi ∩ est distributive sur ∪ sur P(X). Inversement, la loi ∪ est distributive sur ∩.
3. Que peut-on dire de la loi ∩ par rapport à elle-même ? De la loi ∪ ?
24 CHAPITRE 18. STRUCTURES ALGÉBRIQUES

Remarque 18.1.32
La première relation x ⋆ (y ⋄ z) = (x ⋆ y) ⋄ (x ⋆ z) a également un sens lorsque ⋆ est une loi externe.
Ainsi, dans Rn , muni de l’addition en loi interne, et de la multiplication des scalaires en loi externe, on
a λ(X + Y ) = λX + λY : la loi externe est distributive sur la loi interne.

Théorème 18.1.33 (Distributivité généralisée)

Soit E muni de deux lois × et + associatives, et + commutative. On suppose que × est distributive sur
+. On a alors, pour tout n ∈ N∗ et tous ensembles J1 , . . . , Jn non vides, les xi,j étant des éléments de
E, on a :
Yn X X Yn
xi,j = xi,ji .
i=1 j∈Ji (j1 ,...,jn )∈J1 ×···×Jn i=1
Q
La loi × n’étant pas supposée commutative, les produits sont à comprendre dans l’ordre croissant
des indices.

Exemple 18.1.34
Comprendre la formule ci-dessus pour l’expression (x1 + x2 ) × (y1 + y2 + y3 ) × (z1 + z3 ).

Définition 18.1.35 (pseudo-associativité)

Soit E un ensemble muni d’une loi de composition externe ⋄ sur K, lui même muni d’une loi de
composition interne ⋆. On dit que les lois ⋆ et ⋄ vérifient une propriété de pseudo-associativité si pour
tout (λ, µ) ∈ K2 et x ∈ E
(λ ⋆ µ) ⋄ x = λ ⋄ (µ ⋄ x).

Cette propriété est par exemple satisfaite sur Rn pour la multiplication par un scalaire : (λµ)X = λ(µX).
Plus généralement, un espace vectoriel vérifiera cette propriété de pseudo-associativité.

I.4 Stabilité

Définition 18.1.36
Soit E un ensemble muni d’une loi ⋆ et F ⊂ E un sous-ensemble de E. On dit que F est stable par ⋆,
si la restriction de la loi de E à F × F peut se corestreindre à F , autrement dit si :

∀(x, y) ∈ F 2 , x ⋆ y ∈ F.

Dans ce cas, la loi de E se restreint en une loi ⋆F : F × F → F , appelée loi induite sur F par ⋆.

II Structures
II.1 Généralités

Définition 18.2.1
• Une structure de « truc » est la donnée d’un certain nombre d’axiomes (définissant ce qu’on
appelle un « truc ») portant sur un ensemble fini de lois de composition (internes et/ou externes).
• On dit qu’un ensemble E est muni d’une structure de truc ssi E est muni d’un nombre fini de
lois de composition vérifiant les axiomes de structure de truc.
II Structures 25

Exemples 18.2.2
1. Une structure de magma se définit comme la donnée d’une loi de composition, et un ensemble
vide d’axiomes. Ainsi, tout ensemble E muni d’une loi de composition est muni d’une structure
de magma.
2. Une structure de monoïde se définit comme la donnée d’une loi de composition, et de deux
axiomes : l’associativité de la loi et l’existence d’un élément neutre. Par exemple (N, +) est muni
d’une structure de monoïde (on dit plus simplement que (N, +) est un monoïde). L’ensemble
des mots sur un alphabet A, muni de l’opération de concaténation est aussi un monoïde (appelé
monoïde libre sur l’alphabet A). Contrairement à N, le monoïde libre n’est pas commutatif.
3. Ainsi, la structure de monoïde est plus riche que celle de magma : tout monoïde est aussi un
magma ; un monoïde peut être défini comme un magma dont la loi est associative et possède un
élément neutre.
4. Une structure de groupe est une structure de monoïde à laquelle on rajoute l’axiome d’existence
de symétriques. Par exemple (Z, +) est un groupe, mais pas (N, +).

Définition 18.2.3 (Stucture induite)

Soit E un ensemble muni d’une structure de truc, et F un sous-ensemble de E. Si F est stable pour
chacune des lois de E, l’ensemble F muni des lois induites sur F par les lois de E est muni d’une
structure appelé structure induite sur F par la structure de E.

Avertissement 18.2.4
En général, F ne peut pas être muni d’une structure de truc, mais seulement d’une structure moins
riche, certains des axiomes de la structure de truc pouvant ne pas être préservée par restriction.

Exemple 18.2.5
(N, +) est la structure induite sur N par la structure de groupe additif de (Z, +). En revanche, (N, +)
n’est pas un groupe. On a perdu l’existence des opposés par restriction.

Définition 18.2.6 (Sous-truc)

Soit E un ensemble muni d’une structure de truc et F un sous-ensemble de E. On dit que F est un
sous-truc de E si F est stable par les lois de E, si F contient les neutres imposés de E, et si les lois
induites sur F par les lois de E vérifient les axiomes de la structure de truc.

Nous verrons comment traduire de façon effective cette notion dans le cas de sous-groupes et sous-anneaux.

Remarque 18.2.7 (Restriction des propriétés universelles)

Toutes les propriétés universelles (quantifiées par ∀) passent bien aux structures induites. Ainsi, la
commutativité, l’associativité, la distributivité, la régularité passent aux structures induites.

II.2 Morphismes
Lorsqu’on dispose d’une structure de truc, on est souvent amené à considérer des applications entre
ensembles munis de la structure de truc. Cependant seules nous intéressent les applications compatibles
dans un certain sens avec la structure de truc : les autres ne sont pas pertinentes dans le contexte (si on
26 CHAPITRE 18. STRUCTURES ALGÉBRIQUES

a à s’en servir, c’est qu’on sort de la structure de truc, et que la structure de truc n’est plus le contexte
adapté).

Définition 18.2.8 (Homomorphisme)

Soit E et F deux ensembles munis d’une structure de truc, E étant muni des lois de composition
interne (⋆, . . . , ⋆) et F des lois (⋄, . . . , ⋄), et des lois de composition externes (⊤, . . . , ⊤) et (⊥, . . . , ⊥)
1 n 1 n 1 m 1 m
sur K1 , . . . , Km respectivement. On dit qu’une application f : E −→ F est un homomorphisme de truc
(ou plus simplement un morphisme de truc) ssi :
• L’application f est compatible avec (ou « respecte ») les lois internes :

∀k ∈ [[1, n]], ∀(x, y) ∈ E 2 , f (x ⋆ y) = f (x) ⋄ f (y).

k k

• L’application f est compatible avec (ou « respecte ») les lois externes :

∀ℓ ∈ [[1, m]], ∀λ ∈ Kℓ , ∀x ∈ E, f (λ⊤x) = λ⊥f (x).

ℓ ℓ

• Si l’existence du neutre ei pour la loi ⋆ est imposée dans les axiomes (et donc le neutre e′i pour
i
la loi ⋄ existe aussi), f doit être compatible avec le neutre : f (ei ) = e′i .
i
On peut avoir à rajouter certaines propriétés liées à la structure étudiée. On peut aussi ajouter l’exis-
tence d’un homomorphisme nul (ne vérifiant pas la compatibilité avec les neutres non additifs), afin
d’obtenir une structure intéressante sur l’ensemble des morphismes.

Ainsi, un homomorphisme entre deux ensembles muni d’une certaine structure est une application « res-
pectant » cette structure.
Pour chaque structure étudiée, nous redéfinirons de façon précise la notion d’homomorphisme associée, si
celle-ci est à connaître. Nous donnons une propriété générale, dont la démonstration dans le cadre général
nous dispensera des démonstrations au cas par cas.

Proposition 18.2.9 (Composition d’homomorphismes)

Soit f : E −→ F et g : F −→ G deux morphismes de truc. Alors g ◦ f est un morphisme de truc.

Nous définissons alors :

Terminologie 18.2.10
• Un isomorphisme de truc est un homomorphisme de truc bijectif.
• Un endomorphisme de truc est un homomorphisme de truc de E dans lui-même (muni des
mêmes lois)
• Un automorphisme de truc est un endomorphisme qui est également un isomorphisme.

Proposition 18.2.11
Si f : E −→ F est un isomorphisme de truc, alors f −1 est un isomorphisme de truc.

Ainsi, la réciproque d’un isomorphisme est bijective (ça, ce n’est pas une surprise), et, ce qui est moins
évident, c’est aussi un homomorphisme de truc.

II.3 Catégories (HP)

La notion de structure et de morphisme associé permet de définir la notion de catégorie. Grossièrement,
une catégorie est la donnée :
III Groupes 27

• d’une classe d’objets ;

• de flèches entre ces objets ;
• d’une règle de composition entre les flèches.
Par exemple, la catégorie des monoïdes est la catégorie dont les objets sont les monoïdes, les flèches
sont les homomorphismes de monoïdes, et la composition des flèches correspond à la composition usuelle
des homomorphismes (la composée de deux homomophismes étant encore un homomorphisme, donc une
flèche de la catégorie). On définit de même la catégorie des groupes, ou la catégorie des anneaux, ou
encore la catégorie des corps.

Cette notion de catégorie nous permet de travailler dans un certain contexte. Se donner une catégorie
permet de se concentrer sur un certain type d’objets, et un certain type d’applications, et de les étudier
d’un point de vue formel.

La notion de catégorie dépasse largement le cadre de l’étude des structures algébriques, car si les structures
algébriques fournissent des catégories, de nombreuses catégories sont issues d’autres contextes, comme :
• la catégorie des ensembles, les morphismes étant toutes les applications ;
• la catégorie des ensembles ordonnés, les morphismes étant les applications croissantes
• la catégorie des espaces topologiques, les morphismes étant les applications continues
• ou encore, la catégorie des catégories, les morphismes étant les foncteurs de C dans D, associant
à chaque objet de C un objet de D, et à chaque flèche de C une flèche de D, tout en respectant
un certain nombre de règles de compatibilité.
• ou encore, des catégories de foncteurs entre deux catégories, les objets étant cette fois des foncteurs,
et les flèches étant des « transformations naturelles » entre foncteurs...

III Groupes
III.1 Axiomatique de la structure groupes

Définition 18.3.1 (Groupe)

Soit G un ensemble. On dit que G est muni d’une structure de groupe si G est muni d’une loi de
composition ⋆ telle que :
• ⋆ est associative ;
• il existe un élément neutre e pour la loi ⋆ ;
• tout élément x admet un symétrique xs .

En vertu de résultats antérieurs, on peut énoncer :

Proposition 18.3.2 (Unicité du neutre et des symétriques)

Soit (G, ⋆) un groupe. Alors :
• G admet un unique élément neutre pour ⋆
• Pour tout x ∈ G, il existe un unique symétrique xs de x.

Corollaire 18.3.3 (régularité des éléments d’un groupe)

Tous les éléments d’un groupe sont réguliers pour la loi du groupe.

Définition 18.3.4 (Groupe abélien ou commutatif )

On dit qu’un groupe (G, ⋆) est abélien (ou commutatif) si la loi de G est commutative.
28 CHAPITRE 18. STRUCTURES ALGÉBRIQUES

Notation 18.3.5 (Notation additive, notation multiplicative)

La loi d’un groupe est le plus souvent notée additivement (signe +) ou multiplicativement (signe ×,
parfois remplacé par un point, voire omis, comme dans R). La notation additive est réservée au cas
de groupes abéliens. Nous avons alors les notations suivantes pour désigner des itérées de la loi de
composition sur un même élément x :
• loi multiplicative : x × · · · × x (avec n occurrences) est noté xn ;
le neutre est noté 1 ;
par convention, x0 = 1 ;
• loi additive : x + · · · + x (avec n occurrences) est noté n · x ou nx ;
le neutre est noté 0 ;
par convention 0x = 0.
Une définition plus rigoureuse par récurrence pourrait être donnée pour ces itérées.

Notation 18.3.6 (Simplifications d’écriture pour la notation additive)

Soit (G, +) un groupe commutatif. Comme mentionné plus haut, l’opposé d’un élément x est noté −x.
On note alors x − y au lieu de x + (−y). On a alors les règles suivantes :
• ∀(x, y, z) ∈ G3 , x − (y + z) = x − y − z
• ∀(x, y, z) ∈ G3 , x − (y − z) = x − y + z.

En vertu des définitions générales données dans le paragraphe précédent, nous donnons la définition
suivante :

Définition 18.3.7 (Homomorphisme de groupe)

Soit (G, ⋆) et (H, ⋄) deux groupes.
• On dit qu’une application f : G −→ H est un homomorphisme de groupe si pour tout (x, y) ∈ G,
f (x ⋆ y) = f (x) ⋄ f (y).
On note Hom(G, H) l’ensemble des homomorphismes de G dans H.
• Si (G, ⋆) = (H, ⋄), on dit que f est un endomorphisme de (G, ⋆).
• Un homomorphisme bijectif est appelé isomorphisme ; en vertu de ce qui précède, la réciproque
d’un isomorphisme est un isomorphisme.
• Un endomorphisme bijectif est appelé automorphisme ; en vertu de ce qui précède, la réciproque
d’un automorphisme est un automorphisme.
On note Aut(G) l’ensemble des automophismes de G.

Proposition 18.3.8 (Structure de Aut(G))

Soit G un groupe. Alors, (Aut(G), ∁) est un groupe.

III.2 Exemples importants

Exemples 18.3.9
1. (Z, +), (Q, +), (R, +), (C, +) sont des groupes commutatifs notés additivement.
2. (Q∗ , ×), (R∗ , ×), (C∗ , ×), (Q∗+ , ×), (R∗+ , ×) sont des groupes commutatifs notés multiplicative-
ment.
3. (N, +), (Q, ×), (Z, ×), « (R∗− , ×) » sont-ils des groupes ?
4. (U, ×) et (Un , ×) sont des groupes.
III Groupes 29

5. Pour n > 2, (Z/nZ, +) est un groupe.

6. ((Z/nZ) \ {0}, ×) est-il en général un groupe ?
7. Étant donné X un ensemble, (SX , ◦), l’ensemble des permutations de X est un groupe pour la
loi définie par la composition.
8. exp : (R, +) −→ (R∗+ , ×) est un homomorphisme de groupes. C’est même un isomorphisme.
9. Sa réciproque est donc aussi un isomorphisme de groupes : ln : (R∗+ , ×) −→ (R, +).
10. L’application x 7→ ei x est un morphisme de groupes de (R, +) à (U, ×).
11. L’application z 7→ ez est un morphisme de groupes surjectif (mais non injectif) de (C, +) sur
(C∗ , ×).
2kπ
12. Soit n > 2 et pour tout k ∈ [[0, n − 1]], ωk = ei n . Alors, étant donné k ∈ [[0, n]] :

f : (Z, +) −→ (Un , ×)
ℓ 7→ ωkℓ

est un homomorphisme de groupe. Il est surjectif si k = 1, et plus généralement si k est premier

avec n (d’après le théorème de Bézout). On dit dans ce cas que ωk est une racine primitive de
l’unité (car elle engendre multiplicativement l’ensemble de toutes les racines de l’unité).
13. Puisque ωkn = 1, le morphisme précédent « passe au quotient » et définit un homomorphisme de
groupe :
f : (Z/nZ, +) −→ (Un , ×)
ℓ 7→ ωkℓ
Cet homomorphisme est un isomophisme si k = 1, et plus généralement si k est premier avec n.

III.3 Sous-groupes
Toujours en suivant les définitions plus générales, nous donnons la définition suivante :

Définition 18.3.10 (Sous-groupe)

Soit (G, ⋆) un groupe. Un sous-ensemble H de G est appelé sous-groupe de G si H est stable pour la
loi de G et si la loi induite définit sur H une structure de groupe.

Remarquez qu’on n’a pas donné l’appartenance du neutre à H dans la définition, celle-ci étant automa-
tique en vertu de :

Proposition 18.3.11 (Appartenance de l’élément neutre à H)

Soit H un sous-groupe de G. Alors l’élément neutre e de G est dans H et est l’élément neutre du groupe
H.

Dans la pratique, pour vérifier que H est un sous-groupe de G on utilise le résultat suivant, ou sa version
compactée :

Théorème 18.3.12 (Caractérisation des sous-groupes)

Un sous-ensemble H d’un groupe (G, ⋆) (de neutre eG ) est un sous-groupe de G si et seulement si :
(i) H est non vide (on vérifie par exemple eG ∈ H) ;
(ii) H est stable pour ⋆ : ∀(x, y) ∈ H, x ⋆ y ∈ H,
(iii) H est stable par prise de symétrique : ∀x ∈ H, xs ∈ H.
30 CHAPITRE 18. STRUCTURES ALGÉBRIQUES

On peut rassembler les deux dernières propriétés en une seule vérification :

Théorème 18.3.13 (Caractérisation des sous-groupes, version compactée)

Un sous-ensemble H d’un groupe (G, ⋆) (de neutre eG ) est un sous-groupe de G si et seulement si :
(i) H est non vide (on vérifie par exemple eG ∈ H) ;
(ii) ∀(x, y) ∈ H 2 , x ⋆ y s ∈ H,

On traduit cette dernière propriété dans les deux cas les plus fréquents :
• pour un sous-groupe d’un groupe additif, la vérification de stabilité à faire est donc :

∀(x, y) ∈ H 2 , x − y ∈ H;

• pour un sous-groupe d’un groupe multiplicatif, la vérification de stabilité à faire est donc :

∀(x, y) ∈ H 2 , xy −1 ∈ H.

Dans certaines situations, il est plus commode de dissocier l’étude de la stabilité par produit et de la
stabilité par inversion.
De façon évidente, étant donné G un groupe, d’élément neutre e, {e} et G sont des sous-groupes de G.

Définition 18.3.14 (Sous-groupe propre)

Un sous-groupe propre de G est un sous-groupe de G distinct de {e} et de G.

Proposition 18.3.15 (Transitivité de la notion de sous-groupe)

Soit G un groupe. Alors si H est un sous-groupe de G et K un sous-groupe de H, alors K est un
sous-groupe de G.

Cette proposition implique que la relation « être un sous-groupe de » est une relation d’ordre. Cela justifie
la notation ci-dessous, qu’on rencontre dans certains ouvrages, et qui est un raccourci bien commode :

Notation 18.3.16 (Sous-groupe)

Il est fréquent de noter H 6 G pour dire que H est un sous-groupe de G, et H < G si de plus H 6= G.

Proposition 18.3.17 (Intersection de sous-groupes)

\
Soit G un groupe, et (Hi )i∈I une famille de sous-groupes de G. Alors Hi est un sous-groupe de G.
i∈I

Remarque 18.3.18
Une union de sous-groupes est-elle un sous-groupe ?

Théorème 18.3.19 (Sous-groupes de Z)

Les sous-groupes de Z sont exactement les nZ, n ∈ N.

Les sous-groupes de Z sont donc des groupes monogènes (additifs) , dans le sens suivant (donné multi-
plicativement) :
III Groupes 31

Proposition/Définition 18.3.20 (Sous-groupe monogène, HP)

Soit G un groupe multiplicatif, et x ∈ G. Soit

H = {xn , n ∈ Z}

(dans cet ensemble, certains éléments peuvent être égaux).

Alors H est un sous-groupe de G. On dit que H est un sous-groupe monogène de G.
On note souvent H = hxi

Plus généralement, on définit :

Définition 18.3.21 (Sous-groupe engendré par une partie)

Soit (G, ×) un groupe, et X une partie de G. Le sous-groupe hXi de G engendré par X est le plus petit
groupe contenant X.

Proposition 18.3.22 (Description du sous-groupe engendré par une partie)

Soit X une partie d’une groupe G. Alors
\
hXi = H,
X⊂H

l’intersection étant prise sur tous les sous-groupes H de G contenant X.

Proposition 18.3.23 (Sous-groupe engendré par un singleton)

Soit X = {x} un singleton d’un groupe G. Alors < X > est le sous-groupe monogène engendré par x :

h{x}i = hxi .

Nous avons déjà eu l’occasion de prouver en exercice le résultat suivant, pour l’employer dans des situa-
tions particulières :

Proposition 18.3.24 (Caractérisation des sous-groupes additifs de R, HP)

Les sous-groupes de (R, +) sont soit égaux à aZ, a ∈ R+ , soit denses dans R.

III.4 Les groupes Z/nZ

En groupant certains résultats vus précédemment, on peut énoncer :

Proposition 18.3.25
(Z/nZ, +) est un groupe abélien monogène fini.

Ces groupes jouent un rôle important pour l’étude des groupes abéliens finis. On peut en effet montrer
que tout groupe abélien fini est produit cartésien de groupes de ce type (théorème de structure).

Tout groupe Z/nZ est donc monogène. On dispose d’une réciproque :

32 CHAPITRE 18. STRUCTURES ALGÉBRIQUES

Proposition 18.3.26 (Description des groupes monogènes)

Soit G un groupe monogène. Alors :
• si G est infini, G est isomorphe à Z ;
• si G est fini, de cardinal n, alors G est isomorphe à Z/nZ.

Exemple 18.3.27
Soit n > 2. On a Un ≃ Z/nZ. En fait, Z/nZ est le groupe monogène additif d’ordre n de référence,
alors que Un est le groupe monogène multiplicatif d’ordre n de référence.

Définition 18.3.28 (Groupe cyclique)

Un groupe monogène fini est appelé groupe cyclique. Ainsi, un groupe cyclique est un groupe isomorphe
à un Z/nZ.

III.5 Congruences modulo un sous-groupe

Soit G un groupe (multiplicatif) et H un sous-groupe de G.

Définition 18.3.29 (Congruence modulo H, HP)

• On définit la relation de congruence à droite modulo H sur G par :

∀(x, y) ∈ G, x ≡d y mod H ⇐⇒ xy −1 ∈ H.

Ainsi, x ≡d y mod H si et seulement s’il existe h ∈ H telle que x = hy.

• On définit la relation de congruence à gauche modulo H sur G par :

∀(x, y) ∈ G, x ≡g y mod H ⇐⇒ x−1 y ∈ H.

Ainsi, x ≡g y mod H si et seulement s’il existe h ∈ H telle que x = yh.

Dans le cas de groupes abéliens, les deux notions coïncident évidemment.

Exemple 18.3.30
Si G = Z et H = nZ, cela correspond (en notation additive cette fois) à la relation de congruence
modulo n.

Proposition 18.3.31
Les relations de congruence à gauche et à droite modulo H sont des relations d’équivalence.

Définition 18.3.32 (Classes à droite et à gauche modulo H, HP)

• Les classes d’équivalence à droite modulo H sont appelées classes à droite modulo H. Il s’agit
des ensembles Ha, a ∈ G, qui ne sont pas des groupes (sauf si a ∈ H).
• Les classes d’équivalence à gauche modulo H sont appelées classes à gauche modulo H. Il s’agit
des ensembles aH, a ∈ G, qui ne sont pas des groupes (sauf si a ∈ H).

On en déduit une des propriétés les plus importantes des cardinaux des groupes finis.
III Groupes 33

Définition 18.3.33 (Ordre d’un groupe fini, HP)

Soit G un groupe fini. L’ordre de G est par définition son cardinal.

Lemme 18.3.34 (Cardinaux des classes à gauche et à droite, HP)

Soit G un groupe fini. Pour tout a ∈ G, les ensembles H, aH et Ha ont même cardinal.

Théorème 18.3.35 (Lagrange, HP)

Soit G un groupe fini, et H un sous-groupe de G. Alors l’ordre de H divise l’ordre de G.

Remarquez aussi que pour que les deux relations de congruence coïncident il faut et il suffit que pour
tout a ∈ G, aH = Ha, ou encore aHa−1 = H. Cela motive la définition suivante, très importante dans
l’étude des tours de composition, à la base de la théorie de Galois. C’est sous cette condition en effet que
la loi quotient de la loi G par la relation de congruence munira le quotient d’une structure de groupe.

Proposition/Définition 18.3.36 (Sous-groupe distingué, HP)

On dit que H est un sous-groupe distingué (ou normal) de G si l’une des deux propriétés équivalentes
est satisfaite :
(i) ∀a ∈ G, aH = Ha
(ii) ∀a ∈ G, ∀h ∈ H, aha−1 ∈ H.

Lorsque H est un sous-groupe distingué de G, les relations d’équivalence définies par les congruences à
droite et à gauche coïncident. On note G/H l’ensemble quotient de cette relation d’équivalence. Ainsi,
formellement,
G/H = {aH, a ∈ G} = {Ha, a ∈ G}.

Lemme 18.3.37 (Caractérisation des sous-groupes distingués)

Soit H un sous-groupe de G. Alors H est distingué si et seulement si pour tout a ∈ G, aH = Ha.

Lemme 18.3.38 (Produit de deux classes)

Soit H un sous-groupe distingué de G et a et b deux éléments de G. On a alors

(aH)(bH) = (ab)H,

où le produit (aH)(bH) désigne l’ensemble formé de tous les produits xy, avec x ∈ aH et y ∈ bH.

Théorème 18.3.39 (Structure de groupe quotient)

Soit G un groupe et H un sous-groupe distingué de G. Alors la loi de G passe au quotient, définissant
une loi sur G/H. Pour cette loi, G/H possède une structure de groupe.

La loi sur G/H est alors décrite simplement par :

(aH)(bH) = (ab)H.

Autrement dit, elle correspond au produit terme à terme décrit plus haut. Cette propriété autorise les
manipulations formelles sur les éléments de G/H représentés sous la forme aH.
34 CHAPITRE 18. STRUCTURES ALGÉBRIQUES

Remarque 18.3.40
Lorsque G est un groupe abélien, tout sous-groupe H de G est distingué. Ainsi, tout quotient G/H
peut être muni d’une structure de groupe, par quotient de la structure de G.

III.6 Ordre d’un élément

Définition 18.3.41 (Ordre d’un élément d’un groupe, HP)

L’ordre d’un élément x 6= 1 d’un groupe (multiplicatif) G, dont le neutre est noté 1, est

ord(x) = min{n ∈ N∗ | xn = 1}

Cet ordre peut être +∞ par convention si l’ensemble ci-dessus est vide.

Proposition 18.3.42 (Résolution de xn = 1 en n)

Soit x un élément d’un groupe G. L’ensemble A = {n ∈ Z | xn = 1} est un sous-groupe de Z, donc de
la forme aZ. De plus, x d’ordre fini si et seulement si a 6= 0, et dans ce cas, ord(x) = a.
En particulier, si x est d’ordre fini, xn = 1 si et seulement si ord(x) | n.

Proposition 18.3.43 (caractérisation de l’ordre par le groupe monogène engendré)

Soit x un élément d’un groupe G. Alors

ord(x) = | hxi |

Ainsi, l’ordre de x est égal à l’ordre du sous-groupe monogène engendré par x (éventuellement infini).
Plus précisément, si cet ordre est fini,

hxi = {xk , k ∈ [[0, ord(x) − 1]]} ≃ Z/nZ.

On en déduit :

Théorème 18.3.44 (encore Lagrange, HP)

Soit x un élément d’un groupe fini G. Alors l’ordre de x divise l’ordre de G.

Dans le cas où G est abélien, on peut donner une démonstration élémentaire de ce théorème n’utilisant
pas les classes de congruence modulo un sous-groupe.

IV Anneaux et corps
IV.1 Axiomatiques des structures d’anneaux et de corps

Définition 18.4.1 (Anneau)

Soit A un ensemble, muni de deux lois de composition internes (généralement notées + et ×). On dit
que (A, +, ×) (ou plus simplement A) est un anneau si :
(i) (A, +) est un groupe abélien ;
(ii) (A, ×) est un monoïde (autrement dit × est associative et il existe un élément neutre 1 pour ×) ;
(iii) × est distributive sur +.
IV Anneaux et corps 35

Remarque 18.4.2
Certains ouvrages (notamment anciens) n’imposent pas l’existence de l’élément neutre 1 pour le produit
et parlent alors d’anneau unifère ou unitaire pour ce que nous appelons ici simplement un anneau. La
convention que nous adoptons concernant l’existence d’un élément neutre est celle généralement adoptée
actuellement, et nous suivons en cela le programme officiel de la classe de MPSI.

Exemples 18.4.3
1. {0} muni des opérations triviales est un anneau ; ici le neutre pour le produit est 0.
2. Z, R, Q et C munis des opérations usuelles sont des anneaux.
3. Pour tout n ∈ N∗ , Z/nZ est un anneau. La structure circulaire de ces anneaux explique la
terminologie.
4. L’ensemble R[X] des polynômes à coefficients réels est un anneau. De même pour Z[X], Q[X]
ou Z[X].
5. N n’est pas un anneau.
6. L’ensemble Mn (R) des matrices carrées est un anneau.
7. L’ensemble (P(E), △, ∩) est un anneau (anneau de Boole).
8. (RR , +, ◦) est-il un anneau ?

Lemme 18.4.4 (Les trous noirs existent aussi en mathématiques)

Soit (A, +, ×) un anneau. Alors 0 est absorbant.

Proposition 18.4.5
Si A est un anneau ayant au moins deux éléments, alors 1 6= 0.

Définition 18.4.6 (Anneau commutatif )

On dit qu’un anneau (A, +, ×) est commutatif si et seulement si la loi × est commutative.

Les exemples donnés ci-dessus sont des exemples d’anneaux commutatifs, à l’exception d’un exemple.
Lequel ?
Enfin, conformément à la définition générale, nous donnons :

Définition 18.4.7 (Homomorphisme d’anneaux)

Soit A et B deux anneaux. Un homomorphisme d’anneaux de A à B est une application f : A −→ B,
soit égale à la fonction nulle, soit vérifiant :

∀(x, y) ∈ A2 , f (x + y) = f (x) + f (y), f (xy) = f (x)f (y) et f (1A ) = 1B .

Ainsi, un homomorphisme d’anneaux (à part le morphisme nul un peu particulier) est à la fois un
homomophisme du groupe (A, +) et du monoïde (A, ×).
Un corps est un anneau vérifiant une condition supplémentaire :

Définition 18.4.8 (Corps)

Soit K un ensemble muni de deux lois + et ×. On dit que (K, +, ×) (ou plus simplement K) est un
corps si K est un anneau commutatif tel que (K ∗ , ×) soit un groupe, où K ∗ = K \ {0}.
36 CHAPITRE 18. STRUCTURES ALGÉBRIQUES

Ainsi K est un corps si et seulement si c’est un anneau commutatif non réduit à {0}, et tel que tout
élément non nul soit inversible. En particulier, {0} n’est en général pas considéré comme un corps.

Remarque 18.4.9
• Conformément au programme, nous adoptons la convention stipulant que tout corps doit être
commutatif. Là encore, les ouvrages anciens n’imposent pas cette condition. Il est d’usage ac-
tuellement d’appeler corps gauche un ensemble muni d’une structure vérifiant tous les axiomes
de la structure de corps, à l’exception de la commutativité de la multiplication. On rencontre
aussi parfois la terminologie anneau à divisions, traduction de la terminologie anglaise division
ring.
• Dans le cas des corps finis, les deux notions coïncident, d’après le théorème de Wedderburn,
stipulant que « tout corps fini est commutatif », ce qui, avec notre terminologie, se réexprime :
« tout corps gauche fini est un corps. ».

Exemples 18.4.10
1. R, Q et C sont des corps.
2. Z n’est pas un corps.
3. En général Z/nZ n’est pas un corps. Par exemple, 2 n’est pas inversible dans Z/4Z.

L’exemple suivant, du fait de son importance, est donné en théorème :

Théorème 18.4.11 (Le corps Fp )

L’anneau (Z/pZ, +, ×) est un corps si et seulement si p est premier. Ce corps est en général noté Fp .

La notation utilisée s’explique par la terminologie anglaise (field ) pour un corps. Par exemple, F2 = Z/2Z
est un corps à 2 éléments. C’est le plus petit corps possible, puisqu’un corps contient 0, et par définition,
n’est pas réduit à {0}.

Remarque 18.4.12
On peut montrer que tout corps fini a un cardinal égal à pn , où p est un nombre premier et n un entier.
On peut également montrer que pour de telles données, il existe (à isomorphisme près) un unique corps
à q = pn éléments, qu’on note Fq . Lorsque n = 1, on retrouve les corps Fp du point précédent.

Définition 18.4.13 (Homomorphisme de corps)

Soit K et L deux corps. Un homomorphisme de corps f : K −→ L est un homomorphisme des anneaux
sous-jacents.

Proposition 18.4.14 (Injectivité des homomorphismes de corps, HP)

Un homomorphisme de corps est toujours injectif.

Définition 18.4.15 (Caractéristique d’un corps)

Soit K un corps, d’élément neutre 1K 6= 0K . Soit H = {n · 1K , n ∈ Z} le sous-groupe monogène de
(K, +) engendré par 1K .
IV Anneaux et corps 37

• Si H est infini, on dit que K est de caractéristique nulle.

• Si H est fini, de cardinal p ∈ N, on dit que K est de caractéristique p.

Théorème 18.4.16 (Primalité de la caractéristique d’un corps)

Soit K un corps de caractéristique non nulle. Alors sa caractéristique p est un nombre premier.

Remarque 18.4.17
• Un corps fini est toujours de caractéristique non nulle, donc première.
• Il existe des corps infinis de caractéristique p (par exemple le corps des fractions rationnelles à
coefficients dans Fp )
• Si K est un corps de caractéristique p, alors pour tout x de K, px = x + · · · + x = 0 (avec p
facteurs dans la somme).

IV.2 Sous-anneaux, sous-corps

Conformément à la définition générale, nous avons :

Définition 18.4.18 (Sous-anneau)

Soit (A, +, ×) un anneau. Un sous-ensemble B ⊂ A est un sous-anneau de A si et seulement si B est
stable pour les lois + et ×, si 1A ∈ B, et si les lois induites sur B définissent sur B une structure
d’anneau (le neutre mutliplicatif étant alors nécessairement 1A ).

Remarquez qu’encore une fois, on ne dit rien de l’appartenance de 0A à B, celle-ci étant ici aussi auto-
matique (puisque (B, +) est un sous-groupe de (A,( +)). En !
revanche,)l’appartenance de 1A à B n’est pas
λ 0
automatique, comme le montre l’exemple de B = , λ ∈ R , sous-ensemble de M2 (R), stable
0 0
pour les lois + et ×. Ce n’est pas un sous-anneau au sens que nous en avons donné puisque I2 6∈ B. En
revanche, les restrictions
! de × et + définissent tout de même une structure d’anneau sur B, le neutre
1 0
étant alors .
0 0

Proposition 18.4.19 (Caractérisation des sous-anneaux)

Un sous-ensemble B d’un anneau A est un sous-anneau de A si et seulement si :
(i) 1A ∈ B.
(ii) pour tout (x, y) ∈ B, x − y ∈ B
(iii) pour tout (x, y) ∈ B, xy ∈ B

Exemples 18.4.20
1. Z est un sous-anneau de Q qui est un sous-anneau de R qui est un sous-anneau de C.
2. Z/nZ n’a d’autre sous-anneau que lui-même.

Définition 18.4.21 (Sous-corps)

Soit L ⊂ K un sous-ensemble d’un corps K. On dit que L est un sous-corps de K si L est stable par
+ et ×, 1K ∈ L, et si les lois induites sur L par celles de K le munissent d’une structure de corps.
38 CHAPITRE 18. STRUCTURES ALGÉBRIQUES

Remarque 18.4.22
On pourrait remplacer l’hypothèse 1K ⊂ L par le fait que L contient un élément x 6= 0K .

Proposition 18.4.23 (Caractérisation des sous-corps)

L ⊂ K est un sous-corps de K si et seulement si :
• 1K ∈ L
• pour tout (x, y) ∈ L, x − y ∈ L
• pour tout (x, y) ∈ L tel que y 6= 0, xy −1 ∈ L.

Exemples 18.4.24
Q est un sous-corps de R, R est un sous-corps de C. Entre Q et R, il existe un grand nombre de
√
corps intermédiaires (corps de nombres), par exemple Q[ 2], plus petit sous-corps de R contenant les
√
rationnels et 2. Plus explicitement,
√ √
Q[ 2] = {a + b 2, (a, b) ∈ Q}

(voir exercices pour une justification).

Proposition 18.4.25 (Image par un homomorphisme)

1. Soit f : A → B un homomorphisme d’anneaux et A′ un sous-anneau de A. Alors f (A) est un
sous-anneau de B
2. Soit f : K → L un homomorphisme de corps et K ′ un sous-corps de A. Alors f (K) est un
sous-corps de L

Définition 18.4.26 (Corps premier)

Un corps premier est un corps ne contenant pas de sous-corps autre que lui-même.

Tout corps contient un sous-corps isomorphe à un sous-corps premier.

Théorème 18.4.27 (Tout corps contient Q ou Z/pZ)

Soit K un corps.
• Si K est de caractéristique nulle, il existe un homomophisme injectif de corps i : Q → K.
• Si K est de caractéristique p, il existe un homomorphisme injectif de corps i : Fp → K.

Cela résultat permet de donner la liste de tous les corps premiers :

Proposition 18.4.28 (Description des corps premiers)

Les corps premiers sont exactement Q et les Fp , pour p premier.

IV.3 Calculs dans un anneau

Du fait de l’existence d’une addition et d’une multiplication dans un anneau et dans un corps, et des
règles d’associativité et de commutativité, tous les calculs que l’on a l’habitude de faire dans Z, R ou C
peuvent se généraliser à un anneau ou un corps quelconque. Il faut toutefois faire attention que dans un
anneau, contrairement à ce qu’il se passe dans R ou C, tous les éléments ne sont pas inversibles, et que
IV Anneaux et corps 39

par ailleurs, les calculs nécessitant de permuter l’ordre de certains facteurs multiplicatifs ne peuvent pas
être effectués en toute généralité dans un anneau non commutatif. Ainsi :
• Pour des calculs dans un anneau : considérer l’analogie avec Z (plutôt que R), et se méfier :
∗ des inversions intempestives
∗ des simplifications abusives
∗ des problèmes de commutativité, qui nécessitent parfois l’introduction d’hypothèses supplé-
mentaires, à vérifier scrupuleusement.
L’analogie avec Z n’est pas toujours suffisante, puisqu’il peut se produire des situations bien
particulières, n’ayant pas lieu dans Z, comme par exemple l’existence de « diviseurs de zéro » (voir
un peu plus loin)
• Pour des calculs dans un corps : toute analogie avec R est permise.
Nous rappelons qu’on peut définir dans un anneau A le produit nx où n ∈ Z, et x ∈ A de la manière
suivante :
• Si n = 0, nx = 0
• Si n > 0, nx = x + · · · + x (n facteurs)
• Si n < 0, nx = −|n|x.
Nous pouvons définir même an , pour tout n ∈ N, et même pour tout n ∈ Z si a est inversible.
Nous voyons, outre les règles usuelles découlant des règles d’associativité et de distributivité, deux résul-
tats déjà évoqués dans le cas de R ou C, et que nous voyons plus généralement dans le cadre d’anneaux,
mais qui nécessitent une hypothèse de commutativité.

Théorème 18.4.29 (Factorisation de an − bn , Bernoulli)

Soit a et b deux éléments d’un anneau A tels que ab = ba. Alors pour tout n ∈ N∗

n−1
X
n n
a − b = (a − b) an−1−k bk .
k=0

Corollaire 18.4.30 (Factorisation de 1 − an )

Pour tout élément a d’un anneau A,

n−1
X
1 − an = (1 − a) ak .
k=0

Si 1 − a est inversible (condition plus forte que a 6= 1), on peut alors écrire :
n−1
X
(1 − a)−1 (1 − an ) = ak
k=0

En revanche, évitez d’écrire cela sous forme de fraction lorsqu’on n’est pas dans une structure commuta-
tive, et attention à placer l’inverse du bon côté (même si, pour l’expression considérée, ce ne serait pas
gênant car les facteurs considérés commutent, même si globalement l’anneau n’est pas commutatif ; mais
autant prendre dès maintenant de bonnes habitudes)

Théorème 18.4.31 (Formule du binôme)

Soit a et b deux éléments d’un anneau tels que ab = ba. Alors, pour tout n ∈ N,
n  
X n k n−k
(a + b)n = a b .
k
k=0
40 CHAPITRE 18. STRUCTURES ALGÉBRIQUES

Attention en revanche au cas où on n’a pas commutativité de a et b : il convient de bien distinguer les
deux facteurs ab et ba appraissant dans le développement de (a + b)(a + b) (par exemple, pour n = 2) :

(a + b)(a + b) = a2 + ab + ba + b2 6= a2 + 2ab + b2 ,

si ab 6= ba. Cette situation peut se produire notamment dans le cadre du produit matriciel. Il faut être
toujours bien vigilant à vérifier l’hypothèse de commutativité ab = ba.

IV.4 Éléments inversibles

Un anneau n’étant pas nécessairement commutatif, il convient de distinguer la notion d’inversibilité à
droite, inversibilité à gauche. Un inverse est alors à la fois un inverse à gauche et à droite, et en cas
d’existence, il est unique, comme nous l’avons montré dans une situation générale. De plus, dans le cas
d’un anneau, l’ensemble des éléments inversibles possède une structure particulière.

Théorème 18.4.32 (Groupe des inversibles d’un anneau)

Soit A un anneau. Alors l’ensemble des éléments inversibles de A, généralement noté A∗ ou U (A), est
stable pour la loi ×, et la loi induite munit A∗ d’une structure de groupe multiplicatif.

Remarque 18.4.33
Remarquez la cohérence avec les notations déjà rencontrées R∗ , Q∗ , C∗ ... mais pas avec Z∗ . C’est pour
cette raison qu’on rencontre aussi parfois la notation A× , pour distinguer l’ensemble des inversibles de
l’ensemble des non nuls. Dans le cas d’un corps, cette distinction n’a pas lieu d’être.

Exemples 18.4.34
1. (Mn (R))∗ = GLn (R), ensemble des matrices inversibles, appelé groupe linaire
2. L’ensemble des inversibles de Z : Z× = U (Z) = {−1, 1}.
3. (Z/4Z)∗ = {1, 3}
4. (Z/pZ)∗ = (Z/pZ) \ {0}, si p est premier. On peut montrer que ce groupe multiplicatif est
isomorphe au groupe additif Z/(p − 1)Z.
5. Que dire plus généralement de (Z/nZ)∗ ?

L’étude de Z/4Z amène un résultat peu commun pour qui n’a pas l’habitude de travailler dans des
structures algébriques abstraites : 2 × 2 = 0. Autrement dit, on a deux éléments a et b non nuls, et
vérifiant ab = 0. La vieille règle, bien pratique pour résoudre des équations, qui nous dit que si ab = 0,
alors a = 0 ou b = 0, ne s’applique donc pas dans ce contexte. Comme elle est bien pratique tout de
même, nous allons établir un contexte dans lequel elle est vraie, en définissant une propriété adéquate
des anneaux nous permettant de l’utiliser.

Définition 18.4.35 (Diviseurs de zéro, HP)

Soit a un élément d’un anneau A. On dit que a est un diviseur de 0 à gauche si a 6= 0 et s’il existe
b ∈ A, b 6= 0, tel que ab = 0. On définit de façon symétrique les diviseurs de zéro à droite.

La notion de diviseur de 0 caractérise en fait la non régularité :

Proposition 18.4.36
Un élément a non nul d’un anneau est régulier à droite si et seulement s’il n’est pas diviseur de 0.
IV Anneaux et corps 41

Définition 18.4.37 (anneau intègre, HP)

Un anneau A est dit intègre s’il est non nul, et s’il n’admet aucun diviseur de zéro (ni à gauche, ni à
droite).

En particulier, dans un anneau intègre, toutes les simplifications par des éléments non nuls sont possibles,
puisque le seul élément non régulier est 0.

Exemples 18.4.38
1. Z est intègre, R[X] est intègre, tout corps est intègre.
2. Mn (R) n’est pas intègre.
3. À quelle condition sur n, Z/nZ est-il intègre ?

IV.5 Idéaux (HP)

La notion de sous-anneau est souvent trop restrictive, et on est souvent amené à considérer une structure
moins riche :

Définition 18.4.39 (Idéal d’un anneau commutatif, HP)

Soit A un anneau commutatif, et I un sous-ensemble de A. On dit que I est un idéal si et seulement
si I est un sous-groupe du groupe (A, +) et si pour tout a ∈ I et tout λ ∈ A, λa ∈ I.

Ainsi, I est un sous-groupe de (A, +), stable par multiplication par un élément de A.
Nous n’étudierons pas les idéaux cette année, mais nous illuminerons parfois quelques résultats à l’éclat
de cette notion, notamment en arithmétique. Nous donnons tout de même quelques exemples importants :

Exemples 18.4.40
1. Pour tout n ∈ N∗ , nZ est un idéal de Z.
2. L’ensemble des polynômes de R[X] s’annulant en 0 est un idéal de R[X]. Comment généraliseriez-
vous ce résultat ?
3. L’ensemble des polynômes {XP (X, Y ) + Y Q(X, Y ), (P, Q) ∈ R[X, Y ]} est un idéal de l’anneau
R[X, Y ] des polynômes à deux indéterminées.
4. Que peut-on dire des idéaux d’un corps ?

Dans les deux premiers exemples, on constate que l’idéal considéré est de la forme {λa, λ ∈ A}, donc
engendré par un unique élément a, par multiplication par les éléments λ de A. Un idéal vérifiant cette
propriété est appelé idéal principal :

Définition 18.4.41 (Idéal principal)

Un idéal principal est un idéal engendré par un unique élément, c’est à dire de la forme

I = aA = {ay, y ∈ A},

pour un certain a ∈ A.

Tout idéal n’est pas principal, comme le montre le troisième exemple.

42 CHAPITRE 18. STRUCTURES ALGÉBRIQUES

Définition 18.4.42 (Anneau principal)

Un anneau intègre dont tous les idéaux sont principaux est appelé anneau principal.

Théorème 18.4.43
Z est un anneau principal.

Cette définition, qui peut paraître anodine, est à la base d’une généralisation possible de la notion de
pgcd et de ppcm à des anneaux autres que Z. Cette propriété, aussi vérifiée pour R[X] ou C[X], permet
par exemple de généraliser l’arithmétique connue de Z au cas des polynômes.
 19
Arithmétique des entiers

La mathématique est la reine des sciences, mais la théorie des nombres est la reine des sciences
mathématiques.

(Carl-Friedrich Gauss)

Les nombres sont le plus haut degré de la connaissance. Le nombre est la connaissance même.

(Platon)

Les nombres sont l’essence des choses.

(Pythagore)

Décomposer un cube en deux autres cubes, une quatrième puissance, et généralement une
puissance quelconque en deux puissances de même nom, au dessus de la seconde puissance,
est chose impossible et j’en ai assurément trouvé l’admirable démonstration. La marge trop
exiguë ne la contiendrait pas.

(Pierre de Fermat)

Note Historique 19.0.1

• L’arithmétique désigne dans un premier temps l’étude des opérations élémentaires entre entiers (arithmé-
tique élémentaire), et les algorithmes permettant de faire ces opérations (algorithmes de multiplication,
division euclidienne...). C’est une des disciplines fondamentales des mathématiques dans le sens où,
avec la géométrie et le calcul numérique (algébrique), elle constitue le point de départ de toutes les
mathématiques.
• En découle de façon naturelle (et déjà en Grèce antique) l’étude des propriétés de divisibilité, et donc
de primalité.
• Plus généralement, l’arithmétique désigne l’étude de problèmes relatifs à des nombres entiers. Ainsi, les
problèmes de Diophante, liés à la recherche de solutions entières d’équations relèvent de l’arithmétique.
De telles équations sont d’ailleurs appelées équations diophantiennes. L’exemple le plus célèbre en est
certainement le fameux théorème de Fermat-Wiles stipulant que pour tout n > 3, il n’existe pas de
triplet (a, b, c) d’entiers naturels non nuls tels que an + bn = cn . Il est instructif d’ailleurs de noter que
l’ouvrage dans lequel Pierre de Fermat a écrit en marge sa fameuse note (citation en début de chapitre)
concernant une preuve de ce résultat n’est autre que Les arithmétiques de Diophante.
• L’exemple du théorème de Fermat-Wiles justifie la nécessité de sortir du cadre des entiers pour résoudre
des problèmes arithmétiques en apparence simples. Ainsi, l’arithmétique a évolué en diverses branches
(théorie algébrique des nombres, théorie analytique des nombres, géométrie algébrique...)
44 CHAPITRE 19. ARITHMÉTIQUE DES ENTIERS

• Les concepts essentiels de l’arithmétique ont également été généralisés dans des contextes différents
de celui des entiers. C’est une des motivations de l’introduction de la notion d’anneau et d’idéal. Un
exemple que vous aurez l’occasion d’étudier prochainement est l’étude de l’arithmétique des polynômes.
Mais cela ne s’arrête pas là !

I Divisibilité, nombres premiers

I.1 Notion de divisibilité

Définition 19.1.1 (Divisibilité, diviseur, multiple)

• Soit a et b deux entiers relatifs, b 6= 0. On dit que b divise a, et on écrit b | a, si et seulement s’il
existe q ∈ Z tel que a = bq.
• On dit dans ce cas que b est un diviseur de a, et que a est un multiple de b.

On note a | b pour dire que a divise b.

Ainsi, 2 | 4, −2 | 4, 2 | −4, et −2 | −4.

Proposition 19.1.2 (Caractérisation de la divisibilité en termes d’idéaux)

Soit a et b deux entiers positifs, a 6= 0. Alors a | b si et seulement si bZ ⊂ aZ.

Définition 19.1.3 (couple d’entiers associés)

On dit que deux entiers a et b sont associés si et seulement si a | b et b | a, c’est-à-dire aZ = bZ.

Proposition 19.1.4 (Caractérisation des entiers associés)

Les entiers a et b sont associés si et seulement si il existe ε ∈ {−1, 1} = Z× = U (Z) tel que a = εb.

Remarque 19.1.5
• Ce résultat peut sembler trivial et sans intérêt. Sa version plus générale, pour un anneau intègre
A, est plus intéressante, et affirme que les éléments associés diffèrent d’une constante mutlipli-
cative appartenant au groupe A∗ des inversibles de A.
• Par exemple, dans K[X], les éléments associés à un polynôme P sont tous les λP , pour λ ∈ K∗ .
• Dans Z[i] (entiers de Gauss), les éléments associés à un nombre z sont les 4 éléments z, −z, i z
et − i z.
• Les éléments associés de x sont les éléments qui jouissent des mêmes propriétés de divisibilité
que x.

Théorème/Définition 19.1.6 (Théorème de la division euclidienne)

Soit (a, b) ∈ Z2 , b 6= 0.
• Il existe un unique couple (q, r) ∈ Z × N tel que :

a = bq + r et 0 6 r < |b|.

• L’entier q est appelé quotient de la division euclidienne de a par b.

• L’entier r est appelé reste de la division euclidienne de a par b.
I Divisibilité, nombres premiers 45

Remarquez que b peut être négatif.

Exemples 19.1.7
1. 27 = 6 × 4 + 3 = 6 × 3 + 9 = 6 × 6 − 3.
Ainsi, des identités a = bq + r, il y en a beaucoup, mais une seule vérifie la condition imposée
sur r. Ici, le quotient de la division de 27 par 6 est 4, et son reste est 3.
2. 27 = (−6) × (−4) + 3 = (−6) × (−5) − 3.
Sans la valeur absolue dans la condition sur r, c’est la deuxième égalité qui aurait été la bonne.
Mais la valeur absolue impose un reste positif. Ainsi, le quotient de la division de 27 par −6 est
−4, et le reste est 3
3. −27 = 6 × (−4) − 3 = 6 × (−5) + 3.
Ici, on voit que si on change le signe du nombre divisé, le quotient n’est pas simplement l’opposé
(attention, cela ne correspond pas à la plupart des implémentations informatiques de la division
euclidienne). Ainsi, la première identité ne convient pas. Le quotient de la division euclidienne
de −27 par 6 est −5, le reste est 3.
Remarquez que la situation est la même que pour la partie entière, pour laquelle ⌊−x⌋ = 6 −⌊x⌋,
sauf lorsque x est entier. C’est normale, puisque la partie entière n’est autre que le quotient de
la division euclidienne (réelle) par 1.
4. −27 = (−6) × 5 + 3.
Sans surprise, le quotient de la division euclidienne de −27 par −6 est 5, le reste est 3.

La plupart des propriétés arithmétiques de Z (pour ne pas dire toutes) découlent de l’existence de cette
division euclidienne. On peut définir de façon similaire dans certains anneaux une division euclidienne,
la condition sur le reste étant un peu plus dure à exprimer. On parle dans ce cas d’anneau euclidien.

Définition 19.1.8 (Anneau euclidien, HP)

Soit A un anneau. On dit que A est euclidien s’il est intègre, et muni d’un stathme, c’est-à-dire d’une
application v : A \ {0} → N telle que :

∀a ∈ A, ∀b ∈ A \ {0}, ∃(q, r)2 ∈ A, a = bq + r et (r = 0 ou v(r) < v(b))

Exemple 19.1.9
• Quel est le stathme pour la division euclidienne dans Z ?
• Quel est le stathme pour la division euclidienne dans C[X] ?
• On peut montrer que Z[i] est euclidien, de stathme z 7→ |z|2 .

Ainsi, Z et R[X] sont des anneaux euclidiens. Cette dernière propriété nous permettra d’établir un certain
nombre de propriétés arithmétiques pour les polynômes, très similaires à celles qu’on a pour les entiers.

Remarques 19.1.10
• Certains auteurs appellent préstathme la notion de stathme telle que nous l’avons définie. Ils
imposent une condition supplémentaire pour les stathmes. La différence n’est pas trop gênante
dans la mesure où on peut montrer qu’avec leur terminologie, tout anneau intègre muni d’un
préstathme peut aussi être muni d’un stathme.
• Dans la notion générale de division euclidienne définie par stathme, on n’impose pas de pro-
priété d’unicité. Par exemple, dans Z[i], on n’a pas de propriété d’unicité. D’ailleurs, dans Z, la
définition générale de division euclidienne nous donne deux divisions euclidiennes possibles, la
46 CHAPITRE 19. ARITHMÉTIQUE DES ENTIERS

division euclidienne usuelle n’est que l’une des deux divisions possibles (ou on impose en plus la
positivité du reste).

Note Historique 19.1.11

La division euclidienne est appelée ainsi par référence à Euclide qui décrit dans ses éléments le procédé algo-
rithmique de soustractions répétées permettant d’obtenir le quotient et le reste. Cependant, on trouve trace de
cette notion à des époques antérieures, notamment en Égypte.
C’est Gauss le premier, avec l’étude de Z[i], qui remarque que de nombreuses propriétés arithmétiques ne sont
pas spécifiques à Z et découlent de façon plus générale de l’existence d’une division euclidienne dans un anneau.
Cette remarque est évidemment à la base de la notion d’anneau euclidien.

I.2 Congruences
De façon quasi-indissociable de la notion de division euclidienne, nous définissons :

Définition 19.1.12 (Congruences d’entiers)

Soit n ∈ N∗ , et (a, b) ∈ Z2 . On dit que a et b sont congrus modulo n, et on écrit a ≡ b [n], si et
seulement si n divise b − a, ou encore si les divisions euclidiennes de a et b par n ont même reste.

On trouve aussi assez souvent la notation a ≡ b mod n, ou un mélange des 2 : a ≡ b [mod n].
Nous rappelons les résultats suivants, que nous avons déjà eu l’occasion de démontrer.

Théorème 19.1.13
La relation de congruence modulo n est une relation d’équivalence.

Théorème 19.1.14
La relation de congruence modulo n est compatible avec le produit et la somme : soit (a, a′ , b, b′ ) ∈ Z4
tels que a ≡ a′ [n] et b ≡ b′ [n]. Alors a + b ≡ a′ + b′ [n] et ab ≡ a′ b′ [n]

En d’autre terme, c’est une congruence sur les monoïdes (Z, +) et (Z, ×), au sens vu dans le chapitre sur
les ensembles.
Ces règles sont importantes pour pouvoir mener à bien le calcul modulaire de façon efficace : il permet
de faire lors d’une succession d’opérations, des réductions modulo n étape par étape, plutôt que de tout
calculer dans N et de réduire à la fin.

Exemples 19.1.15
Calculer le reste de la division euclidienne de 12 × 21 × 28 × 18 × 75 × 23 par 11.

Cette possibilité de réduire les opérations à chaque étape est également important pour l’implémentation
informatique du calcul modulaire, permettant ainsi de travailler avec des entiers plus petit, diminuant
de la sorte la complexité des calculs. On peut ainsi, contrairement au cas du calcul dans Z, borner
explicitement le temps de calcul des opérations modulo n par un réel dépendant de n mais ne dépendant
pas des opérandes.
Nous avons aussi, de façon immédiate :
I Divisibilité, nombres premiers 47

Proposition 19.1.16
Si n divise m alors pour tout a et b dans Z :

a ≡ b [m] =⇒ a ≡ b [n].

Enfin, le résultat suivant est souvent bien utile :

Proposition 19.1.17 (Périodicité des puissances modulo n)

Soit n > 1, et a ∈ Z. Alors la suite (ap )p∈N∗ est périodique modulo n à partir d’un certain rang. On
trouve une période dès lors qu’on trouve deux valeurs distinctes telles que ap1 ≡ ap2 [n].

Ainsi, le calcul des premières puissances jusqu’à obtenir un résultat déjà obtenu auparavant permet de
trouver la période, puis d’en déduire toutes les autres puissances. On peut donc de cette manière calculer
ap modulo n :

Méthode 19.1.18 (Calcul de ap modulo n)

• On commence par calculer les puissances successives de a modulo n, jusqu’à obtenir deux valeurs
p1 < p2 telles que ap1 et ap2 soient congrus modulo n. On peut remarquer qu’une période peut
être obtenue par le théorème de Fermat ou d’Euler, mais qu’il ne s’agit pas forcément de la
période minimale.
• Si a est inversible modulo n, on peut prendre p1 = 0 (quel résultat permet d’en être sûr ?), la
suite est alors périodique dès le rang initial. Mais ce n’est pas toujours le cas lorsque a n’est pas
inversible modulo n.
• Soit T = p2 − p1 la longueur d’une période. On réduit alors l’exposant modulo T pour trouver
l’unique représentant q de p dans [[p1 , p2 − 1]].
• On a alors ap ≡ aq mod [n].

Exemple 19.1.19
Calculer le reste de la division euclidienne de 16851750 par 12.

I.3 Nombres premiers

Nous les avons déjà rencontrés, évidemment. Nous rappelons :

Définition 19.1.20 (Nombres premiers)

Soit p ∈ N∗ . On dit que p est un nombre premier si p admet exactement 2 diviseurs positifs distincts
(à savoir 1 et p lui-même)

Remarquez que l’existence de deux diviseurs distincts exclut d’office 1 de l’ensemble des nombres premiers,
puisqu’il n’a qu’un diviseur.

Définition 19.1.21 (Nombres composés)

Soit n ∈ N∗ . On dit que n est un nombre composé si n possède au moins 3 diviseurs positifs distincts,
ou en d’autres termes, si n possède un diviseur positif distinct de 1 et de n.
48 CHAPITRE 19. ARITHMÉTIQUE DES ENTIERS

Proposition 19.1.22
Tout nombre composé admet un diviseur strict premier.

Cette proposition est à la base de l’existence de la décomposition primaire.

Théorème 19.1.23 (Combien de nombres premiers ? Euclide)

Il y a une infinité de nombres premiers.

C’est bien joli tout ça, mais comment faire pour déterminer les nombres premiers (pas trop gros) ?
Erathostène, mathématicien, astronome, bibliothécaire en chef d’Alexandrie (excusez du peu), astéroïde
et cratère lunaire, répondit à cette question il y a déjà très longtemps, par un procédé d’élimination.

Méthode 19.1.24 (Crible d’Érathostène)

Pour trouver tous les nombres premiers inférieurs ou égaux à n :
1. Écrire tous les nombres entiers de 2 à n.
2. Le plus petit d’eux, à savoir 2, est premier (il n’a pas de diviseur strictement plus petit que lui,
autre que 1)
3. Les multiples stricts de 2 ne sont pas premiers, on les barre tous.
4. Parmi les nombres restants (en excluant les nombres premiers précédents, à savoir 2 dans la
première étape, et en excluant les nombres barrés), le plus petit est premier (il n’est divisible
par aucun nombre premier strictement plus petit que lui et différent de 1, sinon il serait barré).
On barre tous ses multiples stricts qui ne peuvent pas être premiers, et on recommence cette
étape jusqu’à épuisement de tous les entiers de la liste.

Cet algorithme est très facile à implémenter dans un langage informatique. Il n’est évidemment efficace
que pour des petites valeurs de n, mais ne peut pas servir à la recherche de très grands nombres premiers.
Notamment, il est à peu près inutilisable pour répondre à la question de savoir si un très grand nombre
donné est premier ou non (question cruciale dans certaines situations en rapport avec des cryptages,
comme la méthode RSA).

II PGCD et PPCM
II.1 PGCD et PPCM d’un couple d’entiers

Lemme 19.2.1 (Somme de deux groupes abéliens)

Soit H et K deux sous groupes d’un groupe abélien (G, +). Alors H +K est le plus petit groupe contenant
H ∪ K.

Lemme 19.2.2 (intersection et somme de deux idéaux)

Soit I et J deux idéaux d’un anneau commutatif A. Alors I ∩ J et I + J sont des idéaux de A.

Proposition/Définition 19.2.3 (PGCD)

Soit a et b deux entiers positifs tels que l’un au moins des entiers a et b est non nul, et m ∈ N∗ . Les
propositions suivantes sont équivalentes :
II PGCD et PPCM 49

(i) l’entier m est le maximum (pour l’ordre usuel) de {d ∈ N∗ | d divise a et d divise b}

(ii) l’entier m est le maximum (pour l’ordre de divisibilité) de {d ∈ N∗ | d divise a et d divise b}.
(iii) m = inf (N∗ ,|) (a, b)
(iv) aZ + bZ = mZ
Si l’une de ces quatre conditions équivalentes est satisfaite, on dit que m est le plus grand commun
diviseur de a et b (en abrégé : PGCD), et on le note a ∧ b.

Ainsi, le PGCD de a et b est entièrement caractérisé par l’égalité des idéaux (en notant (a) l’idéal engendré
par a) :
(a) + (b) = (a ∧ b).

Remarquez que pour établir ce point partant de la description usuelle (premier point), on se sert du fait
que tout idéal de Z s’écrit Z·a, donc que Z est principal. Le fait que Z est principal nous assure également
que le plus petit idéal contenant a et b est engendré par un élément. C’est là une façon de définir le pgcd,
comme élément générateur de l’idéal engendré par a et b.
Cette définition est valide dans tout anneau principal :

Définition 19.2.4 (PGCD dans un anneau principal, HP)

Soit A un anneau principal et a et b deux éléments de A. Un PGCD d de a et b est un élément défini
de façon unique à inversibles près par :

(d) = (a) + (b).

Dans certains cas, un choix de pgcd s’impose (le pgcd positif dans Z par exemple). Dans ce cas on peut
utiliser une notation non ambiguë (a ∧ b par exemple), et parler du PGCD. Dans les autres cas, on parle
d’UN PGCD, et on ne peut utiliser une notation qu’à abus près.
Le PGCD se détermine très facilement algorithmiquement en remarquant que si a = bq + r, a ∧ b = b ∧ r.
Ainsi, en prenant des restes divisions euclidiennes successives le dernier reste non nul fournira le PGCD :

Algorithme 19.1 : Algorithme d’Euclide pour le calcul du PGCD

Entrée : a, b : entiers naturels
Sortie : a ∧ b
tant que b > 0 faire
a, b ← b, a % b
fin tant que
renvoyer a

Proposition/Définition 19.2.5 (PPCM)

Soit a et b deux entiers non nuls, et M ∈ N∗ . Les propositions suivantes sont équivalentes :
(i) l’entier M est le minimum (pour l’ordre usuel) de {m ∈ N∗ | a divise m et b divise m}
(ii) l’entier M est le minimum (pour l’ordre de divisibilité) de {m ∈ N∗ | a divise m et b divise m}
(iii) M = sup(N∗ ,|) (a, b)
(iv) M Z = aZ ∩ bZ.
Si l’une de ces quatre propositions équivalentes est satisfaite, on dit que M est le plus petit commun
multiple de a et b (PPCM en abrégé), et on note M = a ∨ b.

Encore une fois, ce dernier point peut être pris comme définition dans un anneau principal.
50 CHAPITRE 19. ARITHMÉTIQUE DES ENTIERS

Définition 19.2.6 (PPCM dans un anneau principal, HP)

Soit A un anneau principal et a et b deux éléments non nuls de A. Alors un PPCM de a et b est un
élément m tel que
(m) = (a) ∩ (b).

Ce qui est parfois évident sur les idéaux ne l’est pas toujours autant pour les autres descriptions :

Proposition 19.2.7 (Distributivité du produit sur ∧ et ∨)

Soit a et b deux entiers naturels, et c un entier naturel non nul.
1. Si a et b ne sont pas tous les deux nuls, (a ∧ b) · c = (ac) ∧ (bc).
2. Si a et b sont non nuls, (a ∨ b) · c = (ac) ∨ (bc).

II.2 Identité de Bézout

L’identité de Bézout est elle aussi une conséquence immédiate de la caractérisation par les idéaux :

Théorème 19.2.8 (identité de Bézout, ou théorème de Bachet-Bézout)

1. Soit a et b deux entiers dont l’un au moins est non nul. Alors il existe des entiers relatifs x et
y tels que ax + by = a ∧ b.
2. Réciproquement, étant donné un entier d ∈ N∗ , s’il existe des entiers relatifs x et y tels que

d = ax + by,

alors a ∧ b | d.

Note Historique 19.2.9

• C’est le nom d’Étienne Bézout, mathématicien français du 18e siècle, qui est le plus souvent associé à ce
résultat. C’est pourtant à Claude-Gaspard Bachet de Méziriac que l’on doit la première preuve, parue
dans son ouvrage Problèmes plaisans et délectables qui se font par les nombres, paru en 1624. Sa preuve
est celle que nous présentons ci-dessous (par l’algorithme d’Euclide)
• Qu’a fait Bézout alors pour avoir droit à tous ces honneurs ? Il a généralisé le résultat à d’autres
situations, notamment au cas des polynômes.
• Il est intéressant de noter que le fameux ouvrage dans lequel Fermat écrivit dans une marge qu’il savait
démontrer ce qu’on appelle aujourd’hui le théorème de Fermat-Wiles est en fait une traduction par
Bachet de Mériziac de l’Arithmétique de Diophante. Le monde est petit...

La démonstration passant par les idéaux peut se généraliser dans un anneau principal. Elle possède
l’inconvénient de ne pas être constructive. Il peut être intéressant de trouver explicitement des entiers x
et y assurant l’égalité ax + by = a ∧ b. L’algorithme de la division euclidienne itéré permet à la fois de
déterminer a ∧ b, et d’obtenir une identité de Bézout : il s’agit de l’algorithme d’Euclide. Il est intéressant
de noter que cet algorithme est valide à partir du moment où l’on dispose d’une notion de division
euclidienne : il peut donc être généralisé à tout anneau euclidien, dans le sens évoqué précédemment.
Ainsi, par exemple, il nous permettra d’obtenir des identités de Bézout dans R[X].

Lemme 19.2.10
Soit a et b deux entiers positifs, b 6= 0. Soit r le reste de la division euclidienne de a par b. Alors
a ∧ b = b ∧ r.
II PGCD et PPCM 51

Théorème 19.2.11 (Algorithme d’Euclide)

• Soit a et b deux entiers positifs, b 6= 0. En effectuant la division euclidienne de a par b, puis
en effectuant la division euclidienne de b par le reste obtenu, et en continuant ainsi en divisant
l’ancien reste par le nouveau reste, on finit par obtenir un reste nul.
• Le dernier reste non nul est alors égal au PGCD de a et de b.
• L’identité de la division euclidienne permet alors d’écrire, étape par étape, les restes successifs
comme combinaison linéaire de a et b à coefficients dans Z. La dernière étape fournit une identité
de Bézout.

Ainsi, en écrivant r0 = a, r1 = b puis les divisions euclidiennes successives :



 r0 = r1 q2 + r2





 r = r2 q3 + r3
 1
..
 .



 rk−2 = rk−1 qk + rk




rk−1 = rk qk+1 + rk+1 ,

avec r2 6= 0, r3 6= 0, . . . , rk 6= 0 et rk+1 = 0, on a rk = a ∧ b. De plus, en posant x0 = 1, x1 = 0, y0 = 0,

y1 = 1 et pour tout i 6 [[3, k]]

xi = xi−2 − qi xi−1 et yi = yi−2 − qi yi−1 ,

on obtient pour tout i ∈ [[1, n]],

ri = axi + byi ,

donc en particulier pour i = k, on obtient une identité de Bézout :

a ∧ b = axk + byk .

On peut donc décrire de façon plus algorithmique :

Algorithme 19.2 : Algorithme d’Euclide étendu
Entrée : a, b : entiers naturels non nuls
Sortie : m, u, v tels que m = a ∧ b = ua + bv
u, v, w, x, r, s ← 1, 0, 0, 1, a, b;
tant que s 6= 0 faire
q, s, r ← r // s, r % s, s;
w, u ← u − qw, w;
x, v ← v − qx, x
fin tant que
renvoyer (r,u,v)
En pratique, pour ne pas s’embrouiller, mieux vaut écrire les différentes relations obtenues par la division
euclidienne, en remplaçant étape par étape les restes obtenus par leur expression obtenue récursivement
en fonction de a et b.

Exemple 19.2.12
• Trouver à l’aide de l’algorithme d’Euclide le pgcd de 27 et 33, ainsi qu’une identité de Bézout.
• Comment trouver une autre identité de Bézout ?
• À retenir : on n’a pas unicité de la relation de Bézout !
52 CHAPITRE 19. ARITHMÉTIQUE DES ENTIERS

II.3 PGCD et PPCM d’une famille finie d’entiers

La notion de PGCD et de PPCM de deux entiers peut être généralisée à un plus grand nombre d’entiers :

Proposition/Définition 19.2.13 (PGCD d’un nombre fini d’entiers)

Soit a1 , . . . , an des entiers naturels, non tous nuls, et m un entier naturel. Les propriétés suivantes sont
équivalentes :
(i) m est le maximum (au sens de l’ordre usuel) des entiers d qui divisent chacun des ai , i ∈ [[1, n]].
(ii) m est le maximum (au sens de la divisibilité) des entiers d qui divisent chacun des ai , i ∈ [[1, n]].
(iii) m = inf (N∗ ,|) (a1 , . . . , an )
(iv) mZ = a1 Z + a2 Z + · · · + an Z.
Si l’une de ces quatre propositions équivalentes est satisfaite, on dit que m est le PGCD de la famille
(a1 , . . . , an ) et on note m = a1 ∧ a2 ∧ · · · ∧ an .

De la même façon :

Proposition/Définition 19.2.14 (PPCM d’un nombre fini d’entiers)

Soit a1 , . . . , an des entiers naturels, non nuls, et m un entier naturel. Les propriétés suivantes sont
équivalents :
(i) m est le minimum (au sens de l’ordre usuel) des entiers m multiples de chacun des ai , i ∈ [[1, n]].
(ii) m est le minimum (au sens de la divisibilité) des entiers m multiples de chacun des ai , i ∈ [[1, n]].
(iii) m = sup(N∗ ,|) (a1 , . . . , an )
(iv) mZ = a1 Z ∩ a2 Z ∩ · · · ∩ an Z.
Si l’une de ces quatre propositions équivalentes est satisfaite, on dit que m est le PPCM de la famille
(a1 , . . . , an ) et on note m = a1 ∨ a2 ∨ · · · ∨ an .

La caractérisation par idéaux, ou encore la caractérisation par borne inférieure (et l’associativité des
bornes inférieures) nous assure que ces notions correspondent aux PGCD et PPCM itérés :

a1 ∧ · · · ∧ an = ((a1 ∧ a2 ) ∧ . . . ) ∧ an et a1 ∨ · · · ∨ an = ((a1 ∨ a2 ) ∨ . . . ) ∨ an .

En particulier, on en tire l’associativité de ∧ et de ∨.

On peut étendre le théorème de Bachet-Bézout à cette situation, toujours en utilisant la caractérisation
par les idéaux :

Théorème 19.2.15 (Relation de Bézout)

Soit a1 , . . . , an des entiers naturels non tous nuls. Alors il existe des entiers relatifs x1 , . . . , xn tels que

a1 ∧ · · · ∧ an = x1 a1 + · · · + xn an .

Réciproquement, s’il existe des entiers x1 , . . . , xn tels que

d = x1 a1 + · · · + xn an ,

alors d est un multiple de a1 ∧ · · · ∧ an .

Méthode 19.2.16
Les coefficients x1 , . . . , xn peuvent se trouver explicitement, par itération de l’algorithme d’Euclide : on
cherche d’abord une relation de Bézout entre d1 = a1 ∧ a2 , a1 et a2 , puis entre d2 = d1 ∧ a3 , d1 et a2 ;
III Entiers premiers entre eux 53

en substituant à d1 la première relation trouvée, on obtient une relation de Bézout entre a1 ∧ a2 ∧ a3 ,

a1 , a2 et a3 . On continue alors de la sorte, de proche en proche.

Enfin, toutes les notions introduites dans ce paragraphe peuvent être généralisées à des entiers relatifs
quelconques ; le pgcd et le ppcm ne sont alors définis correctement qu’au signe près (c’est le cas général
dans un anneau principal, ou le pgcd ne peut être déterminé qu’à un facteur multiplicatif inversible près).
Dans le cas de Z, on a un choix privilégié qui consiste à prendre la valeur positive. Le pgcd et les relations
de Bézout se trouvent de la même façon, en les cherchant d’abord pour les valeurs absolues, puis en
modifiant les signes de façon adéquate.

III Entiers premiers entre eux

III.1 Couple d’entiers premiers entre eux

Définition 19.3.1 (Entiers premiers entre eux)

Soit a et b deux entiers naturels non tous les deux nuls. On dit que a et b sont premiers entre eux si et
seulement si a ∧ b = 1, donc si a et b n’ont pas d’autre diviseur positif commun que 1.

Cela peut aussi s’exprimer par la relation aZ + bZ = Z.

Note Historique 19.3.2

La première apparition de cette notion est dans le Livre VII des Éléments d’Euclide.

Proposition 19.3.3 (Simplification des fractions)

a b
• Soit a et b deux entiers naturels, b 6= 0. Alors a∧b et a∧b sont premiers entre eux.
a′
• En particulier, il est toujours possible d’écrire un rationnel ab sous forme irréductible b′ , c’est-
à-dire de sorte que a′ ∧ b′ = 1, en simplifiant par a ∧ b.

On déduit des résultats de la section précédente :

Théorème 19.3.4 (Bézout, ou Bachet-Bézout)

Deux entiers naturels a et b sont premiers entre eux si et seulement s’il existe des entiers relatifs x et
y tels que ax + by = 1.

En particulier :

Corollaire 19.3.5 (Éléments inversibles de Z/nZ, HP)

1. Soit n ∈ N∗ , et k ∈ [[0, n − 1]]. La classe de k modulo n est inversible dans Z/nZ si et seulement
si k et n sont premiers entre eux.
2. En particulier, si p est premier, Z/pZ et un corps.

On déduit de ce dernier point le théorème important suivant, parfois appelé « petit » théorème de Fermat,
par opposition à un autre qui a donné tant de fil à retordre à des générations de mathématiciens.
54 CHAPITRE 19. ARITHMÉTIQUE DES ENTIERS

Théorème 19.3.6 (Fermat)

Soit p un nombre premier, et a un entier naturel quelconque. Alors ap ≡ a[p]. Si de plus a n’est pas
divisible par p, ap−1 ≡ 1[p].

Méthode 19.3.7 (Calcul d’un inverse modulo n)

Soit k premier avec n. Pour calculer l’inverse de k modulo n, c’est-à-dire l’inverse de k dans Z/nZ,
déterminer une relation de Bézout xk + yn = 1, par l’algorithme d’Euclide. On obtient alors xk ≡ 1 [n].

Remarque 19.3.8
Si p est un noimbre premier et n un entier naturel, p ∧ n est soit égal à p si p divise n, soit à 1 si p ne
divise pas n.

Un résultat souvent très utile pour les propriétés de divisibilité, et dont on peut déduire facilement le
lemme d’Euclide :

Lemme 19.3.9 (Lemme ou théorème de Gauss)

Soit a, b et c trois entiers naturels tels que a | bc et a ∧ b = 1. Alors a | c.

Corollaire 19.3.10 (Lemme d’Euclide)

Soit p un nombre premier tel que p divise ab. Alors p divise a ou p divise b.

Note Historique 19.3.11

Gauss démontre le lemme d’Euclide de façon directe et élémentaire, par un argument de récurrence qu’on peut
assimiler à une descente infinie. Il en déduit puis en déduit l’existence et l’unicité de la décomposition primaire,
qu’il utilise pour démontrer son propre théorème ci-dessus. Sa démarche est donc totalement différente de celle
que nous adoptons dans ce chapitre.

En utilisant le lemme de Gauss de façon convenable sur une relation de Bézout, on obtient :

Proposition 19.3.12
Si a et b sont premiers entre eux et a|c et b|c, alors ab|c.

Corollaire 19.3.13 (PPCM de deux nombres premiers entre eux)

Si a et b sont premiers entre eux, a ∨ b = ab

On en déduit une relation entre PGCD et PPCM :

Proposition 19.3.14 (relation liant PGCD et PPCM)

Soit a et b deux entiers strictement positifs. Alors ab = (a ∧ b)(a ∨ b).

Cette relation sera limpide lorsqu’on aura la description du PGCD et du PPCM en terme de décomposition
primaire.
III Entiers premiers entre eux 55

III.2 Famille finie d’entiers premiers entre eux

Enfin, nous définissons deux notions sur un nombre quelconque d’entiers, à bien distinguer l’une de
l’autre :

Définition 19.3.15 (Nombres premiers entre eux deux à deux)

Soit a1 , . . . , an des entiers naturels. On dit que a1 , . . . , an sont premiers entre eux deux à deux si deux
entiers pris au hasard parmi ces n entiers sont toujours premiers entre eux, c’est-à-dire :

∀(i, j) ∈ [[1, n]]2 , (i 6= j) =⇒ ai ∧ aj = 1.

La notion suivante est moins forte :

Définition 19.3.16 (Nombres premiers entre eux dans leur ensemble)

Soit a1 , . . . , an des entiers naturels. On dit que (a1 , . . . , an ) sont premiers entre eux dans leur ensemble
si a1 ∧ · · · ∧ an = 1, ou de façon équivalente, s’il existe des entiers x1 , . . . , xn tels que

x1 a1 + · · · + xn an = 1.

Par exemple 10, 12 et 15 sont premiers entre eux dans leur ensemble. Vous remarquerez en revanche que
deux quelconques d’entre eux ne sont pas premiers entre eux !
La reciproque, en revanche est vraie :

Proposition 19.3.17
Soit (a1 , . . . , an ) ∈ Nn . Si a1 , . . . , an sont premiers entre eux deux à deux (il suffit même en fait que
deux d’entre eux soient premiers entre eux) alors ils sont premiers entre eux dans leur ensemble.

III.3 Fonction indicatrice d’Euler

Arrivé à ce stade, nous ne pouvons nous empêcher de parler de la fonction indicatrice d’Euler, d’une
importance capitale en arithmétique.

Définition 19.3.18 (Fonction indicatrice d’Euler, ou fonction phi d’Euler, HP)

La fonction ϕ d’Euler est la fonction qui à tout n de N∗ associe ϕ(n) le nombre d’entiers de [[1, n − 1]]
premiers avec n.

En particulier, les résultats précédents amènent :

Proposition 19.3.19 (Cardinal de (Z/nZ)∗ , HP)

Soit n ∈ N∗ . Alors (Z/nZ)∗ est de cardinal ϕ(n).

Grâce au théorème de Lagrange, on en déduit notamment la généralisation suivante du petit théorème

de Fermat

Corollaire 19.3.20 (Théorème d’Euler, HP)

Soit n ∈ N∗ . Alors pour tout x ∈ N∗ tel que x ∧ n = 1, xϕ(n) ≡ 1 [n].

On peut montrer (voir exercices ou problèmes) que ϕ est multiplicative : si a ∧ b = 1, ϕ(ab) = ϕ(a)ϕ(b).
On peut également calculer facilement ϕ(pk ), pour p premier. On peut en déduire une expression de ϕ(n)
pour tout n, à condition de connaître la décomposition primaire de n.
56 CHAPITRE 19. ARITHMÉTIQUE DES ENTIERS

IV Décomposition primaire d’un entier

IV.1 Décomposition primaire
Un théorème incontournable de l’arithmétique est bien sûr :

Théorème 19.4.1 (Décomposition primaire)

Tout entier strictement positif n s’écrit de façon unique sous la forme

n = p1 × · · · × pk ,

où p1 6 · · · 6 pk sont des nombres premiers, ce produit étant éventuellement vide si n = 1.

Un anneau dans lequel on a une propriété d’existence et d’unicité (à facteurs multiplicatifs inversibles
près, et à l’ordre près des facteurs) d’une décomposition en facteurs irréductibles est appelé anneau
factoriel. Ainsi, quitte à multiplier par l’élément inversible −1 pour obtenir la décomposition d’un entier
relatif, ce résultat se réexprime en disant que Z est un anneau factoriel. On peut montrer que tout anneau
principal est factoriel. Par ailleurs tout anneau euclidien est principal (même démonstration que dans Z).
Donc tout anneau euclidien est factoriel. C’est par exemple le cas de K[X], lorsque K est un corps (ainsi
tout polynôme se décompose de façon unique, à éléments inversibles près, comme produit de polynômes
irréductibles). C’est par exemple aussi le cas de l’anneau Z[i] des entiers de Gauss. La question se pose
alors, notamment dans ce dernier cas, de savoir décrire les éléments irréductibles. C’est une question pas
complètement triviale dans Z[i], en rapport avec le théorème des deux carrés (donnant la description des
entiers s’écrivant comme somme de deux carrés).

IV.2 Valuations p-adique

Un nombre premier p pouvant apparaître plusieurs fois dans la décomposition de n, nous définissons :

Définition 19.4.2 (Valuation p-adique)

Soit n un entier et p un entier premier. On appelle valuation p-adique de l’entier n le nombre d’occur-
rences (éventuellement nul) de l’entier p dans la décomposition primaire de n.

Il s’agit donc de l’unique entier v tel que pv divise n mais pas pv+1 .
En notant P l’ensemble des nombres premiers, il vient donc :

Proposition 19.4.3 (Reexpression de la décomposition primaire)

Pour tout n ∈ N∗
Y
n= pvp (n) ,
p∈P

ce produit ayant un sens, puisque constitué d’un nombre fini de termes non égaux à 1.

Proposition 19.4.4 (Règles sur les valuations)

Soit a et b deux entiers strictement positifs, et p un nombre premier.
1. On a : vp (ab) = vp (a) + vp (b).
a
2. Si b divise a, on a : vp = vp (a) − vp (b).
b
IV Décomposition primaire d’un entier 57

Exemples 19.4.5
1. Déterminer, pour p premier, vp ((p2 )!), et plus généralement vp ((pk )!), puis plus généralement
vp (n!) (formule de Legendre)
 
n
2. Déterminer vp en fonction de n et k.
k

On obtient en particulier le :

Lemme 19.4.6  
p
Soit p un nombre premier. Alors pour tout k ∈ [[1, p − 1]], ≡ 0 [p].
k

De ce lemme, on tire :

Proposition 19.4.7
Soit a et b deux entiers et p un nombre premier. Alors (a + b)p ≡ ap + bp [p].

Ce résultat affirme en fait que l’application x 7→ xp est un endomorphisme du corps Fp (c’est en fait
l’identité d’après le petit théorème de Fermat), et plus généralement sur tout corps de caractéristique p.
Il est appelé morphisme de Frobenius.
La proposition précédente, ainsi que nous venons de le suggérer, a un rapport très étroit avec le petit
théorème de Fermat. On peut en fait démontrer ce dernier à partir de cette proposition par une récurrence
assez immédiate.
Évidemment, cette preuve explique moins bien la raison profonde du résultat que la preuve voyant ce
résultat comme un cas particulier du théorème de Lagrange, appliqué au groupe (Z/pZ)∗ .

Remarque 19.4.8
Le petit de théorème de Fermat est notamment beaucoup utilisé dans les tests de non primalité (avec
un ordinateur !). En effet, pour montrer qu’un entier p n’est pas premier, il suffit de trouver un entier
a tel que ap 6≡ a [p]. Ainsi, par exemple, à l’aide d’un ordinateur, on peut trouver facilement, pour
n = 91 (1031 − 1) (nombre contitué de 31 chiffres 1) que 2n 6≡ 2 [n]. Ainsi, n n’est pas premier. Trouver
une décomposition de n est une autre paire de manches...

En revanche, déduire de la validité de tests de Fermat qu’un nombre est premier est beaucoup plus délicat,
car le petit théorème de Fermat ne caractérise pas les nombres premiers : il existe des nombres composés
vérifiant les identités du théorème de Fermat (la seconde identité étant alors donnée pour tout x premier
avec n). Ces nombres sont appelés nombres de Carmichael.

IV.3 PGCD et PPCM vus sous l’angle de la décomposition primaire

Nous traduisons d’abord la divisibilité en terme de décomposition primaire :

Lemme 19.4.9 (Caractérisation de la divisibilité par les valuations)

Soit a et b deux entiers non nuls. Alors a|b si et seulement si pour tout p ∈ P, vp (a) 6 vp (b).

Étant donné deux nombres a et b, le pgcd et le ppcm de a et b s’obtiennent facilement à l’aide de leur
décomposition primaire. Par exemple :

150 = 2 × 3 × 52 et 180 = 22 × 32 × 5.
58 CHAPITRE 19. ARITHMÉTIQUE DES ENTIERS

Ainsi, 150 ∧ 180 = 2 × 3 × 5 = 30 et 150 ∨ 180 = 22 × 32 × 52 = 900.

Plus généralement, en utilisant le lemme énoncé ci-dessus, on obtient :

Proposition 19.4.10
Soit a et b deux entiers strictement positifs. Alors, pour tout p ∈ P,

vp (a ∧ b) = min(vp (a), vp (b)) et vp (a ∨ b) = max(vp (a), vp (b)).

La relation
(a ∧ b) × (a ∨ b) = ab
devient alors évidente.
Cette description du PGCD et du PPCM peut bien sûr être généralisée au calcul du PGCD et du PPCM
d’une famille finie quelconque d’entiers naturels.

V Théorème des restes chinois

Nous nous intéressons dans cette section à la résolution de systèmes de congruences.

Note Historique 19.5.1

Le nom de théorème des restes chinois provient du fait que le mathématicien chinois Sun Zi du IIIe siècle répond
à la question suivante : « Soit une armée. Si on range les soldats par 3 il en reste 2, si on les range par 5, il en
reste 3 et si on les range par 7 il en reste 2. Combien y a-t-il de soldat ? ». La réponse de Sun Zi est : « Multiplie
le reste de la division par 3, c’est-à-dire 2, par 70, ajoute-lui le produit du reste de la division par 5, c’est-à-dire
3, avec 21 puis ajoute le produit du reste de la division par 7, c’est-à-dire 2 par 15. Tant que le nombre est plus
grand que 105, retire 105. »

V.1 Cas de modulo premiers entre eux

La justification du théorème des restes chinois repose sur le lemme suivant portant sur les groupes
(évidemment, c’est un point de vue dont ne disposait pas Sun Zi) :

Théorème 19.5.2 (Produit d’anneaux Z/nZ d’ordre premiers entre eux)

1. Soit a et b deux entiers premiers entre eux. Alors l’anneau Z/abZ est isomorphe à l’anneau
produit Z/aZ × Z/bZ, un isomorphisme explicite étant donné par x 7→ x(1, 1) = (x mod a, x
mod b).
2. Plus généralement, si a1 , . . . , an sont deux à deux premiers entre eux, alors

Z/(a1 · · · an )Z ≃ Z/a1 Z × · · · × Z/an Z,

l’isomorphisme étant donné explicitement par x = (x mod a1 , . . . , x mod an ).

Corollaire 19.5.3 (Unicité modulo a1 · · · an de la solution d’un système)

Soit a1 , . . . , an des entiers deux à deux premiers entre eux, et b1 , . . . , bn des entiers. Alors le système


 x ≡ b1 [a1 ]


..
 .


x ≡ b [a ]
n n

admet une solution, unique modulo a1 · · · an .

V Théorème des restes chinois 59

Corollaire 19.5.4 (cas d’un second membre nul)

En particulier, si b1 = · · · = bn = 0, la seule solution modulo a1 · · · an est 0.

En notant A = a1 · · · an , et pour tout B = (b1 , · · · bn ), X(B) l’unique élément de Z/AZ solution du

système ci-dessus, on obtient :

Proposition 19.5.5
L’application B 7→ X(B) est un morphisme de groupes, de (Zn , +) dans Z/AZ.

Ainsi, il suffit de déterminer les valeurs de X(ei ) pour les vecteurs ei = (0, . . . , 0, 1, 0, . . . , 0), le 0 étant
en position i. En effet, pour un vecteur B = (b1 , . . . , bn ), on aura alors
n
X
X(B) = bi X(ei ).
i=1

Pour déterminer X(ei ), on part de la constatation que les résultats précédents permettent de réduire le
système au système à deux inconnues : (
x ≡ 1 [ai ]
x ≡ 0 [abi ],
Y
où nous avons noté abi = aj . Ce système peut être résolu en utilisant une relation de Bézout, du fait
j6=i
que ai et abi sont premiers entre eux. On commence donc par déterminer (par l’algorithme d’Euclide
étendu) ui et vi tels que
ui ai + vi abi = 1.
Nous avons alors :
vi abi ≡ 0 [abi ] et vi abi ≡ 1 [ai ].
Ainsi, X(ei ) = v abi (classe dans Z/AZ).
On énonce :

Théorème 19.5.6 (Théorème des restes chinois)

Si les ai sont deux à deux premiers entre eux, il existe modulo a1 . . . an une unique solution au système
x ≡ bi [ai ], i ∈ [[1, n]] donné par
Xn
x≡ bi vi abi [a1 . . . an ],
i=1
Y
où abi = aj et vi est un coefficient d’une relation de Bézout ui ai + vi abi = 1.
j6=i

V.2 Résolution d’un système quelconque

Les ai n’étant plus supposés premiers entre eux, en écrivant chaque ai sous la forme pα αk
1 · · · pk , on
1

remplace chaque ligne du système par un sous-système équivalent :



 x ≡ bi [pα
1 ]
1


..
 .


x ≡ b [pαk ]
i k

Ainsi, toutes les équations du nouveau système obtenu sont réduites modulo une puissance d’un nombre
premier. Un même nombre premier peut intervenir dans plusieurs lignes, avec un exposant éventuellement
60 CHAPITRE 19. ARITHMÉTIQUE DES ENTIERS

différent. La compatibilité de ces équations est aisée à vérifier (pour chaque paire d’équations modulo pα
et pβ , avec disons α 6 β, on doit obtenir les mêmes équations en réduisant la seconde modulo pα ). Si
les équations ne sont pas compatibles, il n’y a pas de solution, sinon, on garde la plus contraignante des
équations (à savoir celle faisant intervenir le plus grand exposant). On est alors ramené à un système tel
qu’étudié plus haut, auquel on peut appliquer le théorème des restes chinois.

Exemple 19.5.7
Résoudre les deux systèmes suivants :
(
x ≡ 3 [42]
1.
x ≡ 10 [49]
(
x ≡ 3 [42]
2.
x ≡ 9 [49]
 20
Polynômes et fractions rationnelles

On a ainsi traité le problème comme s’il s’agissait simplement de déterminer la forme des
racines, dont l’existence est admise sans démonstration, manière de raisonner qui est ici
entièrement illusoire et en fait une véritable petitio principis.

(C. F. Gauss, à propos des « démonstrations » antérieures du théorème de

d’Alembert-Gauss)
Le but de ce chapitre est d’étudier les fonctions polynomiales x 7→ ad xd + · · · + a1 x + a0 . On s’intéresse
notamment aux propriétés arithmétiques (produit, somme, divisibilité...) et aux propriétés analytiques
(racines, dérivation...)
On se placera dans un cadre plus formel dans le but notamment de généraliser des constructions a priori
uniquement valables pour des polynômes à coefficients réels (comme la dérivation) à des polynômes à
coefficients dans des anneaux plus généraux.
Seuls les polynômes à coefficients dans R ou C sont théoriquement au programme. Nous donnerons les
définitions formelles plus généralement pour les polynômes à coefficients dans un anneau. Ce point de
vue a une certaine importance, car c’est lui qui permet d’itérer ensuite la construction pour obtenir les
polynômes de plusieurs indéterminés, puisque si A est un anneau, A[X] hérite de cette structure d’anneau.
En revanche, si K est un corps, on n’a pas de structure de corps sur K[X], mais uniquement d’anneau.
Pour l’étude des propriétés de l’anneau des polynômes, nous nous limiterons au cas où les coefficients sont
dans un corps. On dispose dans ce cas de propriétés plus fortes que dans le cas général des polynômes sur
un anneau, en particulier toutes les propriétés permettant de faire de l’arithmétique. On a même parfois
besoin de certaines hypothèses supplémentaires (par exemple sur la caractéristique du corps). Ainsi, pour
certaines propriétés, nous reviendrons aux exigences du programme (R ou C), en précisant parfois ce
qu’il en est dans les autres situations. Il convient de remarquer que dans ce cas, ces propriétés ne sont en
général plus satisfaites pour les polynômes à plusieurs indéterminées, puisque A[X] n’est pas un corps.

I Polynômes à coefficients dans un anneau commutatif

Soit A un anneau, qu’on supposera commutatif.

I.1 Polynômes formels

Remarque 20.1.1 (Motivation de la définition)

Une fonction polynomiale réelle est entièrement déterminée par la suite de ses coefficients. Les différentes
constructions telles la somme, le produit, la dérivation, peuvent s’écrire uniquement sur les coefficients.
62 CHAPITRE 20. POLYNÔMES ET FRACTIONS RATIONNELLES

La remarque précédente semble justifier de considérer un polynôme comme une suite de coefficients. Seul
un nombre fini de ces coefficients doit être non nul.

Définition 20.1.2 (Polynômes formels)

• Un polynôme formel P à coefficients dans A est une suite (an )n∈N d’éléments de A, nulle à partir
d’un certain rang.
• Le réel ak est appelé k-ième coefficient de P , ou coefficient du monôme de degré k de P .
• L’ensemble des polynômes (formels) à coefficients dans A est noté A[X].

Exemples 20.1.3
1. R[X] ou C[X], polynômes formels à coefficients réels ou complexes ;
2. Q[X], ensemble des polynômes à ceofficients rationnels ;
3. Z[X], ensemble des polynômes à coefficients entiers ;
4. (Z/nZ)[X], polynômes à coefficients dans Z/nZ, dont un cas particulier important est Fp [X].

I.2 Opérations arithmétiques sur les polynômes

Les polynômes considérés dans cette section sont à coefficients dans un anneau commutatif.

Définition 20.1.4 (Somme de polynômes de A[X])

La somme de deux polynômes P = (an )n∈N et Q = (bn )n∈N de A[X] est la suite P + Q = (an + bn )n∈N ,
qui est bien nulle à partir d’un certain rang.

Définition 20.1.5 (Produit d’un polynôme de A[X] par un élément de A)

Le produit de P = (an )n∈N par λ ∈ A est λP = (λ · an )n∈N .

Lorsque A est un corps, on parle de multiplication par un scalaire.

Définition 20.1.6 (Produit de deux polynômes de A[X])

P
n
Soit P = (an )n∈N et Q = (bn )n∈N deux polynômes de A[X]. Soit pour tout n ∈ N, cn = ak bn−k .
k=0
Alors (cn )n∈N est un polynôme. On définit alors P Q = (cn )n∈N .
La suite c = (cn )n∈N est appelée produit de convolution des suites a = (an ) et b = (bn ), et est parfois
notée c = a ⋆ b.

Théorème 20.1.7 (Structure d’anneau de A[X])

La somme et le produit définis ci-dessus munissent A[X] d’une structure d’anneau commutatif.

Avertissement 20.1.8
Ne généralisez pas trop vite « A anneau =⇒ A[X] anneau » en « K corps =⇒ K[X] corps ». Cette
dernière affirmation est fausse ! Ainsi, si K est un corps, tout ce qu’on peut dire, c’est que K[X] est un
anneau.

Cependant, lorsque K est un corps on peut munir K[X] d’une structure plus riche. En effet, la multipli-
cation par un scalaire munit K[X] d’une structure d’espace vectoriel sur le corps K, compatible d’une
I Polynômes à coefficients dans un anneau commutatif 63

certaine manière avec la structure d’anneau (voir chapitre ultérieur). La structure totale (espace vectoriel
+ anneau) est appelée structure d’algèbre. Dans le cas où A n’est pas un corps, on peut adapter la défi-
nition des espaces vectoriels, en définissant la notion de module sur un anneau A : A[X] est alors muni
d’une structure de module sur A.

Note Historique 20.1.9

Les premiers polynômes apparaissant dans l’histoire des mathématiques sont des polynômes de petits degrés
associés à des équations traduisant des problèmes concrets : ainsi trouve-t-on dès l’époque babylonienne des
résolutions d’équations polynomiales de degré 2. Ces méthodes sont systématisées par Al Khwarizmi à la
fin du premier millénaire. Ainsi, les polynômes sont d’abord introduits de façon fonctionnelle. La notation
par exposants pour les puissances apparaît plus tard ; elle est introduite par Nicolas Chuquet au 15e siècle.
Auparavant, on répétait l’inconnue autant de fois que le degré, ce qui était une limitation à une étude générale.
Cependant, dès le 14e siècle, le point de vue formel apparaît dans les travaux de Ibn al-Banna, qui présente les
polynômes sous la forme de suites de coefficients. C’est exactement l’approche que nous venons d’en faire.

I.3 Indéterminée formelle

Par commodité, on adopte une notation plus proche de la notation fonctionnelle qu’on connaît pour les
fonctions polynomiales ; cette notation est plus facile à manipuler que la définition formelle par les suites.
De ce fait, à partir du moment où nous aurons défini l’indéterminée formelle X (remplaçant la notion
de variable pour les fonctions polynomiales), nous n’utiliserons plus la définition formelle des polynômes
par les suites.
On rappelle que par définition, l’anneau A considéré contient un élément neutre pour le produit, noté 1.

Définition 20.1.10 (Indéterminée formelle)

On définit dans A[X] l’indéterminée formelle X comme étant le polynôme X = (0, 1, 0, 0, . . .).

Ainsi, X n’est pas une variable (au sens fonctionnel), mais un polynôme bien précis, auquel on donne un
nom particulier, et auquel on attribue une notation bien particulière, dont le but est l’analogie avec les
fonctions polynomiales.

Avertissement 20.1.11
• En particulier, l’indéterminée formelle X n’étant pas une variable, elle ne doit pas être quantifiée,
et ne peut pas être utilisée pour résoudre des équations.
• Un polynôme n’est pas une fonction de l’indéterminée formelle, donc la notation P (X) en lieu
et place de P n’est pas de mise. On l’utilise néanmoins dans certaines situations, notamment
lorsque plusieurs indéterminées sont en jeu. Cette notation peut être justifiée rigoureusement
par la notion de spécialisation qu’on verra un peu plus loin.

Proposition 20.1.12 (Monômes)

Pour tout n ∈ N, on a X n = (0, . . . , 0, 1, 0, . . .), le 1 étant donc à l’indice n.
| {z }
n zéros

Corollaire 20.1.13 (Expression d’un polynôme à l’aide de l’indéterminée formelle)

P
+∞
Soit P = (an )n∈N un polynôme de A[X]. Alors P = ak X k , cette somme ayant un sens puisqu’elle
k=0
est en fait finie, les ak étant nuls à partir d’un certain rang.

Encore une fois, il faut bien comprendre ce que signifie cette égalité : il s’agit bien d’une somme de
polynômes, et non d’éléments de A (signification de l’indéterminée).
64 CHAPITRE 20. POLYNÔMES ET FRACTIONS RATIONNELLES

De la définition même, il vient :

Proposition 20.1.14 (principe d’identification)

P
+∞ P
+∞
Soit P et Q deux polynômes de A[X]. Notons P = ak X k et Q = bk X k , en étant bien conscient
k=0 k=0
que ces sommes sont en fait finies. Alors P = Q si et seulement si pour tout k ∈ N, ak = bk .

Les règles de calcul sur les polynômes de A[X] résultent alors des règles usuelles de calcul dans un anneau
découlant des associativités, des commutativités, et des distributivités.

Exemples 20.1.15
1. Calcul de (2 + 3X + 2X 2 )(3X + X 2 + 2X 3 ) dans F5 [X].
2. Calcul de (X 2 + X + 2)7 dans F7 [X].

Définition 20.1.16 (Monômes)

Un monôme est un polynôme de la forme aX n , a 6= 0. L’entier n est appelé degré du monôme.

Ainsi, tout polynôme est une somme de monômes de degrés deux à deux distincts.
Les polynômes formels peuvent aussi se composer. En effet, étant donné un polynôme P , on peut consi-
dérer, pour tout n ∈ N, le polynôme P k (en a en particulier P 0 = 1 et P 1 = P ). On définit alors la
composée de deux polynômes de la sorte :

Définition 20.1.17 (Composition de polynômes formels)

P
d
Soit P et Q deux polynômes de A[X]. On note Q = ak X k . On définit alors le polynôme Q ◦ P par :
k=0

d
X
Q◦P = ak P k .
k=0

I.4 Dérivation
On sait facilement dériver (au sens analytique) une fonction polynomiale à coefficients réels, x 7→ xn se
dérivant en x 7→ nxn−1 . Cette règle de dérivation peut être vue de façon purement formelle, permettant
de généraliser la dérivation des polynômes à un anneau quelconque (dans lequel on ne dispose pas des
techniques d’analyse, spécifiques à R).

Définition 20.1.18 (Dérivée formelle d’un polynôme)

Pd
Soit P = ak X k un polynôme à coefficients dans un anneau commutatif A. Le polynôme dérivé est
k=0
défini par :
d
X
P′ = kak X k−1 .
k=1

Proposition 20.1.19 (Linéarité de la dérivation)

Soit P , Q deux polynômes de A[X], et a ∈ A.
1. (P + Q)′ = P ′ + Q′ .
2. (aP )′ = aP ′ .
I Polynômes à coefficients dans un anneau commutatif 65

La linéarité s’exprime en terme de structures en affirmant que la dérivation est une application linéaire
(c’est-à-dire un homomorphisme d’espaces vectoriels) lorsque A est un corps, ou un homomophisme de
A-modules sinon.
Vu que la définition de la dérivation est calquée sur la dérivée analytique des fonctions polynomiales
réelles, on a, sans surprise, des règles de dérivation similaires, et notamment :

Proposition 20.1.20 (Dérivée de produits)

1. Soit P et Q deux polynômes à coefficients dans A. Alors

(P Q)′ = P ′ Q + P Q′ .

2. Soit P1 , . . . , Pn des polynômes à coefficients dans A. Alors

n
X
′
(P1 · · · Pn ) = P1 · · · Pi−1 Pi′ Pi+1 · · · Pn .
i=1

3. (Formule de Leibniz) Soit P et Q deux polynômes à coefficients dans A. Alors

n  
X n
(P Q)(n) = P (k) Q(n−k) .
k
k=0

Corollaire 20.1.21 (Dérivée de P n )

En particulier, étant donné n ∈ N∗ , (P n )′ = nP ′ P n−1 .

Avec un petit abus de notation, on pourrait considérer cette égalité également au rang n = 0 (le terme
P −1 n’est pas bien défini, mais le produit par n annule l’ensemble). On généralise le corollaire précédent
de la sorte

Proposition 20.1.22 (Dérivée d’une composition)

Soit P et Q dans A[X]. Alors
(Q ◦ P )′ = P ′ × (Q′ ◦ P ).

Exemples 20.1.23
1. Que peut-on dire de (P Q)(p) dans Fp [X], p étant premier ?
2. La formule de Faa di Bruno est-elle valable dans A[X] ?

I.5 Degré et valuation

Définition 20.1.24 (Degré et valuation)

Soit P = (an )n∈N un polynôme à coefficients dans un anneau commutatif A.
1. Le degré de P est deg(P ) = max{n ∈ N | an 6= 0}.
Si P est non nul, cet ensemble est non vide, et majoré. Ainsi, deg(P ) ∈ N.
Si P = 0, par convention, deg(P ) = −∞.
2. La valuation de P est val(P ) = min{n ∈ N | an 6= 0}.
Si P est non nul, cet ensemble est non vide, et minoré. Ainsi, val(P ) ∈ N.
Si P = 0, par convention, val(P ) = +∞.
66 CHAPITRE 20. POLYNÔMES ET FRACTIONS RATIONNELLES

On trouve aussi parfois la notation ω(P ) pour la valuation.

On utilise souvent la filtration suivante de A[X] (une filtration de E est une chaîne d’inclusions d’union
totale E)

Notation 20.1.25 (Filtration par les degrés)

Soit A un anneau et n ∈ N. On note An [X] l’ensemble des polynômes de degré au plus n.

Proposition 20.1.26
On a évidemment A0 [X] ⊂ A1 [X] ⊂ · · · ⊂ An [X] ⊂ · · · et

+∞
[
A[X] = An [X].
n=0

Remarque 20.1.27
On a évidemment A0 [X] ≃ A. On identifie souvent les deux, de sorte à pouvoir considérer que A ⊂ A[X].

Définition 20.1.28 (Monôme dominant, coefficient dominant, polynôme unitaire)

Pd
Soit P = ak X k un polynôme de A[X], de degré d.
k=0
1. Le monôme dominant de P est le monôme ad X d , donc le monôme de plus haut degré de P .
2. Le coefficient dominant de P est l’élément ad de A, donc le coefficient du monôme dominant.
3. Le polynôme P est dit unitaire si son coefficient dominant vérifie ad = 1A .

Proposition 20.1.29 (Degré d’une somme, d’un produit, d’une dérivée)

Soit P et Q deux polynômes de A[X], et λ ∈ A. Alors :
1. deg(P + Q) 6 max(deg(P ), deg(Q)).
Si deg(P ) 6= deg(Q), alors deg(P + Q) = max(deg(P ), deg(Q)).
2. Si A est intègre, et si λ 6= 0, deg(λP ) = deg(P ).
3. Si A est intègre (en particulier si A est un corps) et si P et Q sont non nuls, deg(P Q) =
deg(P ) + deg(Q).
4. deg(P ′ ) 6 deg(P ) − 1.

Exemples 20.1.30
1. Trouver dans (Z/6Z)[X] un exemple contredisant le point 2.
2. Trouver dans (Z/6Z)[X] un exemple contredisant le point 3.
3. Trouver un exemple d’un polynôme non constant pour lequel l’inégalité du point 4 est stricte.

Corollaire 20.1.31 (Théorème de permanence de l’intégrité)

Si A est intègre, alors A[X] est intègre.
II Arithmétique dans K[X] 67

Corollaire 20.1.32 (Intégrité des anneaux usuels de polynômes)

Si K est un corps, K[X] est intègre. En particulier, les anneaux R[X], C[X], Fp [X], Q[X] sont intègres.

L’anneau Z étant également intègre, on obtient aussi l’intégrité de Z[X].

Corollaire 20.1.33 (Propriétés de stabilité)

1. An [X] est un sous-groupe additif de A[X].
2. La dérivation D : A[X] −→ A[X] induit un homomophisme de groupes Dn : An [X] −→ An−1 [X]
(et même un homomorphisme de A-modules dans le sens où Dn respecte aussi le produit externe)
3. Si K est un corps de caractéristique nulle, Dn : Kn [X] −→ Kn−1 [X] est une surjection. Autre-
ment dit, tout polynôme de Kn−1 [X] est primitivable formellement dans Kn [X].

Remarques 20.1.34
• An [X] est-il un sous-anneau de A[X] ?
• Trouver un polynôme de Fp [X] n’admettant pas de primitive.

On précise un peu dans certains cas la relation entre dérivée de P et dérivée de P ′ : dans les situations
que vous connaissez, dériver un polynôme non constant baisse son degré de 1. Cependant, ceci n’est pas
vrai en toute généralité. Nous avons besoin pour cela d’hypothèses plus fortes.

Proposition 20.1.35 (Degré d’une dérivée dans K[X], K = R ou C)

Soit K un corps de caractéristique nulle (par exemple Q, R ou C), et P un polynôme non constant de
K[X]. Alors deg(P ′ ) = deg(P ) − 1.

Remarque 20.1.36
1. Trouver dans Fp [X] un polynôme non constant pour lequel cette égalité est fausse.
2. Si K est un corps de caractéristique p, quelle condition donner au degré de P pour avoir deg(P ′ ) =
deg(P ) − 1 ?

Corollaire 20.1.37
Soit K un corps de caractéristique nulle, et soit P et Q deux polynômes de K[X]. Si P ′ = Q′ , alors P
et Q diffèrent d’une constante additive.

Exemple 20.1.38
Donner un contre-exemple dans le cas où K = Fp .

On pourrait établir pour les valuations des règles similaires à celles qu’on a pour les degrés. La notion
de valuation n’étant pas explicitement au programme, nous laissons le lecteur intéressé établir ces règles
par lui-même.

II Arithmétique dans K[X]

On considère ici des polynômes à coefficients dans un corps K. Vous pouvez considérer K = R ou C, mais,
sauf mention explicite du contraire, les résultats exposés sont valables dans le cadre plus général d’un
corps quelconque.
68 CHAPITRE 20. POLYNÔMES ET FRACTIONS RATIONNELLES

II.1 Division euclidienne

L’anneau K[X] est euclidien (c’est-à-dire qu’il y existe une notion de division euclidienne) :

Théorème 20.2.1 (Théorème de la division euclidienne dans K[X])

Soit K un corps. Pour tout polynôme A et B 6= 0 de K[X] il existe d’uniques polynômes Q et R tels
que :
(i) A = BQ + R
(ii) deg(R) < deg(B).
Les polynômes Q et R sont appelés respectivement quotient et reste de la division euclidienne de A par
B.

Méthode 20.2.2 (Algorithme de la division euclidienne)

• On pose la division euclidienne comme la division des entiers, en disposant A à gauche et B à
droite, les monômes étant écrits dans l’ordre décroissant des degrés (donc en marquant d’abord
les monômes de plus haut degré).
• On trouve le monôme aX k tel que aX k B ait même monôme dominant que A, puis on effectue
la différence A1 = A − aX k B, qui a donc un degré strictement plus petit que A.
• On recommence sur A1 , et on en déduit A2
• On recommence ainsi jusqu’à obtenir Ak de degré strictement plus petit que B. Alors Ak est
le reste recherché, et le quotient est la somme des monômes par lesquels on a multiplié B pour
obtenir les Ai successifs.

Cet algorithme peut facilement être implémenté dans un langage informatique dans R[X] ou C[X] ; un
polynôme est dans ce cas représenté par la liste de ses coefficients (on revient à la définition formelle des
polynômes sous forme d’une suite finie).

Exemple 20.2.3
Division euclidienne de X 6 + 3X 2 + 1 par X 2 + X + 1.

On verra un peu plus loin une méthode basée sur l’étude des racines pour déterminer rapidement le reste
d’une division euclidienne par un polynôme de petit degré dont on connaît les racines.

Remarque 20.2.4
L’algorithme de la division euclidienne peut-il être mené sans restriction dans A[X] lorsque A est un
anneau commutatif quelconque ? Donner une condition sur le polynôme B pour qu’on puisse effectuer
dans A[X] la division euclidienne d’un polynôme A quelconque par B.

II.2 Idéaux de K[X]

Comme pour l’arithmétique de Z, il est commode de raisonner en terme d’idéaux. Le résultat rendant la
situation totalement similaire à celle de Z est le fait que tous les idéaux de K[X] sont principaux, donc
engendrés par un unique polynôme.

Théorème 20.2.5 (Description des idéaux de K[X])

Soit K un corps. Alors K[X] est un anneau principal. De plus, deux polynômes P et Q engendrent le
même idéal si et seulement s’il existe un λ ∈ K∗ tel que Q = λP .
II Arithmétique dans K[X] 69

On notera (P ) l’idéal engendré par un polynôme P .

Remarques 20.2.6
• {XP + Y Q, P, Q ∈ R[X, Y ]} est un idéal non principal de R[X, Y ] = R[X][Y ] = R[Y ][X]. Ainsi,
le résultat précédent rentre en défaut lorsque K n’est pas un corps (dans l’exemple, on considère
les polynômes )à coefficients dans l’anneau R[X]).
• En fait, on peut montrer que K[X] est principal si et seulement si K est un corps.
• Nous avons vu en exercice que tout anneau euclidien est principal. Ce n’est donc ici qu’une
conséquence de ce résultat plus général.

II.3 Divisibilité
Soit K un corps. Ainsi, K[X] est principal. On note (P ) l’idéal engendré par un élément P de K[X], à
savoir
(P ) = {P Q, Q ∈ K[X]}.

Définition 20.2.7 (Divisibilité dans K[X])

Soit A et B deux polynômes de K[X]. On dit que B divise A s’il existe un polynôme Q tel que A = BQ.
Inversement, on dit que A est un multiple de B.

Ainsi, B divise A si et seulement si le reste de la division euclidienne de A par B est nul.

Comme dans Z, on a la caractérisation suivante :

Proposition 20.2.8 (Caractérisation en termes d’idéaux)

Soit A et B deux polynômes de K[X]. Alors A divise B si et seulement si B ∈ (A), ou encore si et
seulement si (B) ⊂ (A).

Comme dans le cadre général, on dit que le couple (A, B) est un couple de polynômes associés si A divise
B et B divise A. Il vient alors de la description des idéaux de A[X] que :

Proposition 20.2.9 (Polynômes associés)

Soit (A, B) ∈ K[X]2 . Alors (A, B) est un couple de polynômes associés si et seulement s’il existe λ ∈ K∗
tel que A = λB.

II.4 PGCD et PPCM

Proposition/Définition 20.2.10 (PGCD de deux polynômes)

Soit K un corps. Soit A et B deux polynômes de K[X], dont l’un au moins est non nul et P ∈ K[X].
Les propositions suivantes sont équivalents :
(i) P divise A et B et est de degré maximal pour cette propriété.
(ii) P divise A et B et tout autre diviseur de A et B est aussi un diviseur de P
(iii) (P ) = (A) + (B).
Si ces propriétés sont vérifiées on dit que P est un PGCD de A et B.

Il n’y a pas unicité d’un PGCD de A et B. Plus précisément :

70 CHAPITRE 20. POLYNÔMES ET FRACTIONS RATIONNELLES

Proposition 20.2.11 (Description des PGCD)

Soit A et B deux polynômes de K[X], dont l’un au moins est non nul, et P un PGCD de A et B. Alors
un polynôme Q est un PGCD de A et B si et seulement s’il existe λ ∈ K∗ tel que Q = λP .

Notation 20.2.12 (A ∧ B)
En particulier, si A et B sont deux polynômes de K[X] dont l’un au moins est non nul, il existe un
unique PGCD unitaire de A et B. Ce PGCD unitaire est noté A ∧ B.

Comme dans le cas de Z, on déduit du troisième point équivalent de la définition l’existence de relations
de Bézout.

Proposition 20.2.13 (Relation de Bézout)

Soit A et B deux polynômes de K[X] dont l’un au moins est non nul.
1. Il existe des polynômes U et V tels que AU + BV = A ∧ B
2. Soit P ∈ K[X] tel qu’il existe U et V dans K[X] tels que AU + BV = P . Alors P est un multiple
de A ∧ B.

Comme dans Z, on peut déterminer un PGCD et une relation de Bézout par l’algorithme d’Euclide
étendu, en utilisant le lemme suivant :

Lemme 20.2.14
Soit A et B deux polynômes tels que B 6= 0. Soit Q et R le quotient et le reste de la division de A par
B. Alors A ∧ B = B ∧ R

Méthode 20.2.15 (Calcul d’un PGCD et d’une relation de Bézout)

La méthode est la même que dans Z, par divisions euclidiennes successives, jusqu’à obtenir un reste
nul. Le dernier reste non nul est le PGCD, et en combinant les relations de division obtenues, on trouve
de la même façon que dans Z une relation de Bézout (quitte à diviser par un scalaire, pour obtenir le
PGCD unitaire)

Exemple 20.2.16
Trouver les PGCD de X 8 − 1 et X 12 − 1, et une relation de Bézout.

Comme pour le cas de Z, la définition du PGCD s’étend au cas du PGCD de n polynômes. On obtient
alors :

Proposition 20.2.17 (Propriétés du PGCD)

L’opération ∧ est commutative et associative. Par ailleurs, si C est unitaire, (A ∧ B)C = AC ∧ BC.

Évidemment, on peut aussi définir les PPCM :

Proposition/Définition 20.2.18 (PPCM de deux polynômes)

Soit K un corps. Soit A et B deux polynômes non nuls de K[X], et P ∈ K[X]. Les propositions suivantes
sont équivalents :
II Arithmétique dans K[X] 71

(i) A et B divisent P et P est de degré minimal pour cette propriété.

(ii) A et B divisent P et tout autre multiple de A et B est aussi un multiple de P
(iii) (P ) = (A) ∩ (B).
Si ces propriétés sont vérifiées on dit que P est un PPCM de A et B.

Proposition 20.2.19 (Description des PPCM)

Soit A et B deux polynômes non nuls de K[X], et P un PPCM de A et B. Alors un polynôme Q est
un PPCM de A et B si et seulement s’il existe λ ∈ K∗ tel que Q = λP .

Notation 20.2.20 (A ∨ B)
En particulier, si A et B sont deux polynômes non nuls de K[X], il existe un unique PPCM unitaire
de A et B. Ce PPCM unitaire est noté A ∨ B.

Exemple 20.2.21
P = (X + 1)2 et Q = (X + 1)(X − 1).

II.5 Polynômes premiers entre eux

Définition 20.2.22
Soit A et B deux polynômes de K[X]. On dit que A et B sont premiers entre eux si A ∧ B = 1.

Autrement dit, les seuls diviseurs communs à A et B sont les polynôems constants non nuls.
Plus généralement, on définit comme dans Z la notion de famille finie de polynômes deux à deux premiers
entre eux, ou premiers entre eux dans leur ensemble.
Ici encore, les propriétés valables dans Z se généralisent :

Théorème 20.2.23 (Théorème de Bézout)

Soit A et B deux polynômes de K[X]. Alors A et B sont premiers entre eux si et seulement s’il existe
deux polynômes U et V tels que AU + BV = 1.

Exemple 20.2.24
Soit λ 6= µ dans K. Alors les polynômes X − λ et X − µ sont premiers entre eux.

Lemme 20.2.25 (Lemme de Gauss)

Soit A, B et C deux polynômes de K[X] tels que A divise BC et A et B soient premiers entre eux.
Alors A divise C.

Corollaire 20.2.26
Soit A, B et C trois polynômes tels que A et B divisent C et A et B soient premiers entre eux. Alors
AB divise C.

Comme dans Z, on a une relation simple entre PPCM et PGCD, à ceci près que comme ces notions sont
définies à constante multiplicative près, il faut faire attention au coefficient dominant :
72 CHAPITRE 20. POLYNÔMES ET FRACTIONS RATIONNELLES

Proposition 20.2.27 (relation entre PGCD et PPCM)

Soit A et B deux polynômes de coefficients dominants a et b respectivement. Alors

ab(A ∧ B)(A ∨ B) = AB.

II.6 Décomposition en facteurs irréductibles

Définition 20.2.28 (Polynôme irréductible)
Un polynôme non constant P de K[X] est irréductible si et seulement s’il n’est, à une constante
multiplicative non nulle près, divisible que par lui-même et par 1.

Exemples 20.2.29
1. Les polynômes X − λ sont irréductibles (λ ∈ K)
2. Dans R[X], tout polynôme aX 2 + bX + c tel que ∆ < 0 est irréductible.
3. Ces polynômes ne sont pas irréductibles dans C[X].

Lemme 20.2.30
Soit P un polynôme irréductible de K[X] et A un polynôme, non multiple de P . Alors A et P sont
premiers entre eux.

Le lemme de Gauss fournit facilement la généralisation suivante du lemme d’Euclide :

Lemme 20.2.31 (Euclide)

Soit A et B deux polynômes de K[X] et P un polynôme irréductible. Alors si P divise AB, P divise A
ou P divise B.

De façon équivalente, la contraposée fournit :

Corollaire 20.2.32
Soit A et B deux polynômes de K[X] et P un polynôme irréductible. Alors, si P ne divise ni A ni B,
P ne divise pas AB.

Enfin, voici l’analogue du théorème de la décomposition primaire :

Théorème 20.2.33 (Décomposition en facteurs irréductibles)

Soit P un polynôme non nul de K[X].
1. Il existe un élément λ ∈ K∗ et des polynômes irréductibles P1 , . . . , Pk tels que

P = λP1 · · · Pk .

2. Cette décomposition est unique, à l’ordre près des facteurs, et à multiplication près de chaque
facteur (y compris λ) par un élément non nul de K.
3. En particulier, si on impose que les Pi soient unitaires, cette décomposition est unique, à l’ordre
près des facteurs.

Nous verrons un peu plus loin la description complète des polynômes irréductibles de R[X] et de C[X].
Pour cela, il nous faut étudier d’un peu plus près les propriétés liées aux racines d’un polynôme.
III Racines d’un polynôme 73

III Racines d’un polynôme

Pour pouvoir définir la notion de racine d’un polynôme, il faut d’abord pouvoir « appliquer » un polynôme
à un élément de A, donc transformer un polynôme formel en une fonction polynomiale.

III.1 Spécialisation, évaluation

Le lien entre les polynômes formels de R et les fonctions polynomiales sur R est assez clair : étant donné
Pd
un polynôme formel P = ak X k de R[X], on peut lui associer la fonction polynomiale
k=0
d
X
P̃ : x 7→ ak xk .
k=0

La seule condition pour pouvoir faire cela de façon plus générale dans A[X] est de pouvoir faire dans A
des produits (donc calculer des puissances) et des sommes. Comme A est un anneau commutatif, cela ne
pose pas de problème particulier, et on peut donc définir :

Définition 20.3.1 (Fonction polynomiale associée à un polynôme)

P
d
1. Soit P ∈ A[X], donné par P = ak X k . La fonction polynomiale P̃ : A −→ A associée à P est
k=0
la fonction définie par :
d
X
∀b ∈ A, P̃ (b) = ak b k .
k=0
0
On rappelle que par convention, b = 1A .
2. L’ensemble des fonctions polynomiales sur A est l’ensemble :

A[x] = {P̃ | P ∈ A[X]}.

Définition 20.3.2 (Évaluation d’un polynôme)

Soit P un polynôme de A[X]. L’évaluation de P en b ∈ A est l’élément de A défini par P̃ (b). Pour
simplifier les notations, on désigne souvent cette évaluation plus simplement par P (b).

Proposition 20.3.3 (Respect des structures)

Soit A un anneau commutatif. L’application ϕ : A[X] −→ A[x] définie par ϕ(P ) = P̃ est un homomor-
phisme d’anneaux.

Intuitivement, il apparaît clair que lorsque K = R ou C, on peut identifier les polynômes formels à
coefficients dans K et les fonctions polynomiales sur K. C’est ce que nous exprimons dans le théorème
suivant :

Théorème 20.3.4 (K[X] ≃ K[x] pour K = R ou C)

Soit K = R ou C. Soit ϕ : K[X] −→ K[x] définie par ϕ(P ) = P̃ . Alors ϕ est un isomophisme d’anneaux.

Remarques 20.3.5
1. En considérant le petit théorème de Fermat, montrer que cette propriété n’est pas vraie pour
tous les corps K.
2. On montrera un peu plus loin qu’une condition suffisante pour que cette identification soit vraie
est que K soit un corps infini. C’est le cas en particulier lorsque K est de caractéristique nulle.
74 CHAPITRE 20. POLYNÔMES ET FRACTIONS RATIONNELLES

On retiendra donc l’avertissement suivant :

Avertissement 20.3.6
Si K n’est pas un corps infini (par exemple K = Fp ), deux polynômes distincts P et Q de K[X] peuvent
correspondre à la même application polynomiale. Ainsi, les polynômes sont davantage différenciés dans
K[X] que dans K[x]. On n’a donc pas possibilité en général d’identifier polynômes formels et fonctions
polynomiales.

Enfin, dans le cas spécifique de R (seul cas dans lequel on peut considérer la dérivée au sens analytique),
on a également, du fait même des définitions :

Proposition 20.3.7
f′ = Pe ′ .
Pour tout polynôme P de R[X], P

Ainsi, les opérations définies formellement coïncident avec les opérations sur les fonctions polynomiales,
y compris la dérivation dans le cas de R.

Il est important de constater que le cadre formel qu’on s’est donné pour définir les polynômes permet
d’« appliquer » un polynôme à des éléments qui sortent du cadre initialement fixé. Pour prendre un
Pd
exemple, étant donné un polynôme P = ak X k de R[X] et M une matrice carrée à coefficients réels,
k=0
on peut considérer le polynôme de matrices
k
X
P (M ) = ak M k ,
k=0

où il faut bien prendre garde au fait que M 0 désigne la matrice identité In .

Exemple 20.3.8 !
1 2
Soit P = 2 + 3X + 3X 2 , et M = . Calculer P (M ).
2 3

On peut formaliser ce type de construction, mais nous resterons assez vague, car nous débordons du
programme. Le bon cadre à se fixer est celui donné par la structure de A-algèbre : un ensemble B est une
A-algèbre si et seulement si B est un anneau et est muni d’une loi de composition externe d’ensemble
d’opérateurs A, avec un certain nombre de propriétés (associativité externe, distributivité de la loi externe
sur chacune des lois additives de A et de B, respect du neutre multiplicatif de A). En gros, ce qu’il faut en
retenir, c’est que dans une A-algèbre B, on peut faire, avec des règles de calcul raisonnablement semblables
aux situations usuelles, la somme et le produit d’éléments de B ainsi que le produit d’un élément de A par
Pd
un élément de B. En particulier, étant donné un polynôme P = ak X k de A[X] et b ∈ B, l’expression
k=0
suivante a un sens :
d
X
P (b) = ak b k .
k=0
0
Il convient de bien noter que par convention b = 1B .
On parle de spécialisation du polynôme P en b ∈ B.

Exemples 20.3.9
1. L’ensemble des matrices carrées de taille n, à coefficients réels, est une R-algèbre : la situation
décrite plus haut est un cas particulier de cette situation plus générale.
III Racines d’un polynôme 75

2. On utilisera beaucoup en algèbre linéaire des polynômes d’endomorphismes (applications li-

néaires d’un espace vectoriel dans lui-même), l’ensemble des endomorphismes d’un espace vec-
toriel E sur K étant une K-algèbre pour la somme usuelle et le produit défini par la composition.
Ainsi, f n désigne dans ce cas la composition itérée de f , et f 0 désigne la fonction identité idE .

III.2 Racines et multiplicité

Soit A un anneau commutatif.

Définition 20.3.10 (Racine d’un polynôme)

Soit P ∈ A[X] et a ∈ A. On dit que a est une racine de P si P (a) = 0.

Théorème 20.3.11 (Caractérisation des racines par la divisibilité)

Soit K un corps, P ∈ K[X] et r ∈ K. Alors r est racine de P si et seulement si X − r divise P , donc
s’il existe Q ∈ K[X] tel que P = (X − r)Q.

Remarque 20.3.12
Ce théorème reste valable dans A[X] pour un anneau commutatif quelconque. Pourquoi ?

Si après factorisation P = (X − r)Q, r est encore racine de Q, alors r est « plusieurs fois » racine de P .
En comptant le nombre de fois qu’on peut mettre X − r en facteur, on obtient la multiplicité de r :

Définition 20.3.13 (Multiplicité d’une racine)

Soit P ∈ K[X] et r ∈ K. On dit que r est racine d’ordre de multiplicité k ∈ N∗ si et seulement si (X −r)k
divise P et (X − r)k+1 ne divise pas P . Autrement dit, il existe Q ∈ R[X] tel que P = (X − r)k Q, avec
Q(r) 6= 0.

Remarque 20.3.14
La multiplicité de la racine r correspond donc à la valuation du facteur (X − r) dans la décomposition
primaire de P .

Par convention, on dira que r est racine de multiplicité 0 si r n’est pas racine de P . Une racine de
multiplicité 1 est aussi appelée racine simple de P , et une racine de multiplicité 2 est appelée racine
double. Lorsque la multiplicité est supérieure ou égale à 2, on parlera de racine multiple.
Cette mise en facteur maximale de (X − r)r peut être mise en valeur par la formule de Taylor pour les
polynômes, nécessitant une hypothèse supplémentaire sur K.

Théorème 20.3.15 (Formule de Taylor pour les polynômes)

Soit K un corps de caractéristique nulle, P un polynôme de K[X], de degré d, et a ∈ K. Alors,

Xd
P (n) (a)
P = (X − a)n .
n=0
n!

Ainsi, si v est le plus petit indice pour lequel le terme de la somme est non nul, on obtient
76 CHAPITRE 20. POLYNÔMES ET FRACTIONS RATIONNELLES

Xd
P (n) (a)
P = (X − a)v (X − a)n−v .
n=v
n!

Remarques 20.3.16
Pourquoi supposer que K est de caractéristique nulle ?

Ainsi, l’ordre de multiplicité de r correspond à la valuation de P après changement d’indéterminée

Y = X − r.
On en déduit de façon immédiate :

Théorème 20.3.17 (Caractérisation de la multiplicité par les dérivées successives)

Soit K un corps de caractéristique nulle, P ∈ K[X] et a ∈ K. Le réel a est racine d’ordre de multiplicité
k de P si et seulement si : P (a) = P ′ (a) = · · · = P (k−1) (a) = 0 et P (k) (a) 6= 0.

Ainsi, il faut toujours garder à l’esprit des deux facettes de la multiplicité des racines : la propriété de
divisibilité, et la caractérisation par les dérivées.

Corollaire 20.3.18
Soit K un corps de caractéristique nulle. Soit P ∈ K[X] et r ∈ R. Si r est racine d’ordre k de P , alors
r est racine d’ordre k − 1 de P ′ .

Remarque 20.3.19
Quelles restrictions mettre à la caractérisation par les dérivées lorsque K est de caractéristique p
première ?

III.3 Majoration du nombre de racines

Le corollaire du lemme de Gauss amène :

Théorème 20.3.20
Soit K un corps. Soit P ∈ K[X], et r1 , . . . , rk des racines deux à deux distinctes de P , de multiplicités
respectives α1 , . . . , αk . Alors (X − r1 )α1 · · · (X − rk )αk divise P , et r1 , . . . , rk ne sont pas racines du
quotient.

Corollaire 20.3.21 (Majoration du nombre de racines)

Soit P ∈ K[X] de degré n. Alors P admet au plus n racines (comptées avec multiplicité).

Exemple 20.3.22
Soit K un corps dont Fp est un sous-corps. Montrer que pour tout x ∈ K, xp = x si et seulement si
x ∈ Fp .

On en déduit le résultat très important suivant, qu’on décline sous 3 formes équivalentes.
III Racines d’un polynôme 77

Théorème 20.3.23 (Rigidité des polynômes)

1. Soit P un polynôme de K[X] degré au plus n. Alors, si P admet strictement plus de n racines,
P = 0.
2. Si deux polynômes P et Q de Kn [X] coïncident en strictement plus de n valeurs distinctes. Alors
P = Q.
3. Soit n ∈ N∗ . Étant donnés x1 , . . . , xn des éléments deux à deux distincts de K et y1 , . . . , yn des
éléments de K non nécessairement distincts, il existe au plus un polynôme P ∈ Kn−1 [X] tel que
pour tout i ∈ [[1, n]], P (xi ) = yi . Ainsi, sous réserve d’existence, un polynôme de degré au plus
n − 1 est entièrement déterminé par sa valeur en n points distincts.

Un corollaire très utilisé de ce résultat est le suivant :

Corollaire 20.3.24 (Le seul polynôme ayant une infinité de racines)

Soit P un polynôme de K[X] s’annulant en une infinité de points de K. Alors P est le polynôme nul.

On déduit notamment de cette propriété un résultat annoncé un peu plus haut :

Théorème 20.3.25 (Polynômes formels et fonctions polynomiales)

Soit K un corps infini. Alors l’application de K[X] dans K[x] qui à un polynôme formel associe sa
fonction polynomiale est un isomorphisme d’anneaux.

Par ailleurs, le dernier point du théorème ci-dessus affirme l’unicité sous réserve d’existence d’un polynôme
de degré au plus n − 1 prenant des valeurs données en n points fixés. Il n’est pas dur de construire
explicitement un tel polynôme, fournissant ainsi l’existence. C’est le but du paragraphe suivant.

III.4 Interpolation de Lagrange

On recherche un polynôme de degré au plus n coïncidant en n + 1 points distincts avec une fonction f ,
ou, de façon équivalente, prenant en n + 1 points distincts x0 , . . . , xn , n + 1 valeurs (non nécessairement
distinctes) imposées y0 , . . . , yn .
Pour ce faire, on commence par le cas où les valeurs imposées sont toutes nulles, sauf une égale à 1. On
trouvera le cas général en formant une combinaison linéaire.

Définition 20.3.26 (Polynômes interpolateurs de Lagrange)

Soit x0 , . . . , xn des réels 2 à 2 distincts et i ∈ [[0, n]]. Le ie polynôme interpolateur de Lagrange associé
à la famille x0 , . . . , xn est
Yn
(X − xj )
j=0 n
j6=i Y X − xj
Li = n = .
Y x − xj
j=0 i
(xi − xj ) j6=i
j=0
j6=i

Lemme 20.3.27
Le polynôme Li est l’unique polynôme de degré au plus n tel que pour tout j ∈ [[0, n]] \ {i}, Li (xj ) = 0,
et Li (xi ) = 1.
78 CHAPITRE 20. POLYNÔMES ET FRACTIONS RATIONNELLES

Théorème 20.3.28 (Polynômes d’interpolation de Lagrange)

Soit K un corps, n ∈ N∗ , x0 , . . . , xn des éléments distincts de K, et y0 , . . . , yn des éléments de K. Alors
il existe un et un seul polynôme P de Kn [X] tel que pour tout i ∈ [[0, n]], P (xi ) = yi , et ce polynôme
est donné explicitement par :
Xn
P = yi L i .
i=0

En particulier, si f est une fonction définie sur un intervalle I contenant les xi , le polynôme d’inter-
polation de Lagrange de f associé à la famille (xi ) est l’unique polynôme Pf coïncidant avec f sur les
xi , à savoir :
Xn
Pf = f (xi )Li .
i=0

Ces polynômes, appelés polynômes d’interpolation de Lagrange, permettent en particulier d’approcher

une fonction réelle f par une fonction polynomiale de degré au plus n coïncidant avec f en n + 1 points
distincts.

Corollaire 20.3.29
Soit P le polynôme d’interpolation de Lagrange associée à la famille (xi )i∈[[0,n]] , et aux valeurs (yi )i∈[[0,n]] .
Soit P0 = (X − x0 ) . . . (X − xn ). L’ensemble E des polynômes Q (sans restriction de degré) tels que
pour tout i ∈ [[0, n]], Q(xi ) = yi est alors décrit par :

E = P + (P0 ) = {P + (X − x0 ) . . . (X − xn )R, R ∈ K[X].}.

Remarque 20.3.30
Quelle est la structure algébrique de l’ensemble E du théorème précédent ?

III.5 Polynômes scindés

Définition 20.3.31 (Polynôme scindé)

Soit K un corps. On dit qu’un polynôme non nul P de K[X] est scindé s’il possède autant de racines
(comptées avec multiplicité) que son degré, autrement dit si son nombre de racines est maximal.

Théorème 20.3.32 (Factorisation d’un polynôme scindé)

1. Un polynôme est scindé si et seulement s’il peut se factoriser de la façon suivante :

P = λ(X − x1 )(X − x2 ) · · · (X − xn ),

où λ est un scalaire non nul (égal au coefficient dominant de P ), n est le degré de P , et x1 , . . . , xn

sont les racines, non nécessairement distinctes, de P .
2. Si on renomme y1 , . . . , yk les racines 2 à 2 distinctes de P , de multiplicités respectives α1 , . . . , αk ,
cette factorisation se réécrit :

P = λ(X − y1 )α1 · · · (X − yk )αk ,

et on a α1 + · · · + αk = n.
IV Polynômes irréductibles dans C[X] et R[X] 79

Ainsi, un polynôme est scindé si et seulement si sa décomposition en facteurs irréductibles ne fait intervenir
que des polynômes irréductibles de degré 1.
Dans R[X], certaines techniques d’analyse peuvent aider à étudier cette propriété. Ainsi, le théorème de
Rolle permet de montrer facilement que :

Proposition 20.3.33
Soit P un polynôme scindé de R[X], à racines simples. Alors P ′ est scindé, et ses racines séparent
celles de P .

On verra en exercice une propriété plus générale :

Théorème 20.3.34 (HP, mais à savoir redémontrer)

Soit P un polynôme scindé de R[X]. Alors P ′ est scindé.

Une propriété importante des polynômes scindés est la possibilité de trouver facilement des relations
entre les coefficients et les racines, par développement de la forme factorisée, et par identification des
coefficients :

Théorèmen 20.3.35 (Relations coefficients/racines, ou relations de Viète)

X
Soit P = ak X k un polynôme de degré n, scindé, de racines (éventuellement non distinctes, appa-
k=0
raissant dans la liste autant de fois que sa multiplicité) r1 , . . . , rn . Alors pour tout k ∈ [[1, n]] :
X an−k
ri1 ri2 · · · rik = (−1)k .
an
16i1 <···<ik 6n

Le terme de gauche de cette expression est appelé polynôme symétrique élémentaire de degré k en les
racines et souvent noté Σk (r1 , . . . , rn ).
On peut montrer que tout expression symétrique en r1 , · · · , rn peut s’exprimer comme expression polyno-
miale (à coefficients dans K des polynômes symétriques en r1 , . . . , rn , donc comme expression polynomiale
en les coefficients du polynôme. Par une construction itérative, on peut même déterminer cette expression
polynomiale. Ainsi, par exemple, calculer la somme des racines cubiques d’un polynôme peut se faire sans
calculer explicitement les racines (ce qui bien souvent, est de toute façon impossible), juste en se servant
des coefficients.
Cette propriété est notamment très utile pour des propriétés d’algébricité puisqu’elle permet de dire que
toute expression symétrique à coefficients rationnels en les racines d’un polynôme lui aussi à coefficients
rationnels est rationnelle.

IV Polynômes irréductibles dans C[X] et R[X]

Cette section étudie spécifiquement les polynômes à coefficients complexes ou réels.

IV.1 Factorisations dans C[X]

Nous avons plus ou moins défini C comme le corps de rupture du polynôme X 2 + 1, donc le plus petit
corps contenant R dans lequel ce polynôme admet une racine i. Un théorème essentiel, parfois appelé
théorème fondamental de l’algèbre (c’est dire son importance) est le théorème suivant, que d’Alembert
croyait avoir démontré, que Gauss a démontré par différentes méthodes :
80 CHAPITRE 20. POLYNÔMES ET FRACTIONS RATIONNELLES

Théorème 20.4.1 (d’Alembert-Gauss)

Tout polynôme non constant de C[X] admet au moins une racine.

Corollaire 20.4.2
Tout polynôme de C[X] est scindé, donc admet exactement autant de racines (comptées avec multipli-
cité) que son degré.

Corollaire 20.4.3
Dans C[X], les seuls polynômes irréductibles sont les polynômes de degré 1, c’est-à-dire les polynômes
aX + b, a 6= 0.

Exemple 20.4.4
Quelles sont les racines et leurs multiplicités du polynôme X n − 1 ? Factoriser ce polynôme en facteurs
irréductibles dans C[X].

Tous les polynômes de C[X] se factorisant en polynômes non constants de degré minimal, on obtient alors
une caractérisation simple de la divisibilité :

Théorème 20.4.5 (Caractérisation de la divisibilité dans C[X])

Soit P et Q deux polynômes de C[X]. Alors P divise Q si et seulement si toute racine de P est aussi
racine de Q, et que sa multiplicité dans Q est supérieure ou égale à sa multiplicité dans P .

IV.2 Facteurs irréductibles dans R[X]

On commence par caractériser les polynômes à coefficients réels parmi les polynômes à coefficients dans C.

Théorème 20.4.6 (Caractérisation des polynômes à coefficients réels)

Soit P ∈ C[X]. Les propositions suivantes sont équivalentes :
(i) P est à coefficients réels ;
(ii) P (R) ⊂ R
(iii) pour tout z ∈ C, P (z) = P (z).

Corollaire 20.4.7 (Racines complexes d’un polynôme réel)

Soit P un polynôme à coefficients réels, et r une racine de P dans C. Si r 6∈ R, alors r est aussi racine
de P , et elles ont même multiplicité.

Ainsi, les racines non réelles d’un polynôme à coefficients réels peuvent être groupées en paires de racines
conjuguées de même multiplicité.
Le théorème de d’Alembert-Gauss amène alors :

Théorème 20.4.8 (Polynômes irréductibles de R[X])

1. Les polynômes irréductibles de R[X] sont les polynômes de degré 1 et les polynômes de degré 2
de discriminant strictement négatif.
V Fractions rationnelles 81

2. Ainsi, tout polynôme P ∈ R[X] peut être factorisé en produit de polynômes de R[X] de degré 1,
ou de degré 2, de discriminant strictement négatif.

Exemple 20.4.9
Factorisation dans R[X] de X n − 1.

V Fractions rationnelles
La contruction formelle que nous avons donnée des polynômes nous empêche a priori de former des
quotients de polynômes (donc des fractions rationnelles), comme nous pouvons le faire pour les fonctions
polynomiales. En effet, si K est un corps, les seuls polynômes inversibles sont les polynômes constants
non nuls.

Remarque 20.5.1
1. Quels sont les polynômes inversibles de A[X] lorsque A est intègre ?
2. Trouver un polynôme inversible et non constant de (Z/4Z)[X]

Une construction similaire à celle permettant de définir Q à partir de Z nous permet cependant de définir
formellement des quotients de polynômes.

V.1 Définition des fractions rationnelles formelles

Soit, dans tout ce qui suit, K un corps. On définit sur K[X] × K[X]∗ la relation suivante :

(P, Q) ∼(R, S) ⇐⇒ P S = QR,

l’égalité étant donnée dans K[X].

Proposition 20.5.2
La relation ci-dessus est une relation d’équivalence sur K[X] × K[X]∗ .

Définition 20.5.3 (Fraction rationnelle)

Une fraction rationnelle est une classe d’équivalence de la relation ci-dessus. La classe d’équivalence de
P
(P, Q) sera notée . L’ensemble des fractions rationnelles sur le corps K est noté K(X).
Q

P R
Ainsi, la relation P S = QR amène assez logiquement l’égalité des fractions rationnelles = .
Q S
Pour définir les lois de composition sur K(X), on commence par les définir sur K[X] × K[X]∗. On définit,
pour tout (P1 , Q1 ) et (P2 , Q2 ) de K[X] × K[X]∗ :

(P1 , Q1 ) × (P2 , Q2 ) = (P1 P2 , Q1 Q2 ) et (P1 , Q1 ) + (P2 , Q2 ) = (P1 Q2 + P2 Q1 , Q1 Q2 ).

Lemme 20.5.4
1. Les opérations × et + sont associatives et commutatives
2. La relation ∼ est une congruence sur les monoïdes (K[X] × K[X]∗ , ×) et (K[X] × K[X]∗ , +).
82 CHAPITRE 20. POLYNÔMES ET FRACTIONS RATIONNELLES

Lemme 20.5.5 (Simplification des fractions)

PR P
Pour tous polynômes P , Q et R tels que Q et R soient non nuls, = .
QR Q

Théorème 20.5.6 (Structure de K(X))

Les lois + et × induisent des lois de composition, également notées + et ×, sur K(X). L’ensemble
K(X) muni de ces deux lois est un corps.

Les lois de composition ainsi définies se réécrivent sans surprise :

P1 P2 P1 P2 P1 P2 P1 Q2 + P2 Q1 P1 P2 P1 + P2
× = , + = et + = .
Q1 Q2 Q1 Q2 Q1 Q2 Q1 Q2 Q Q Q

Définition 20.5.7 (Inclusion canonique de K[X] dans K(X))

L’application P 7→ P1 de K[X] dans K(X) est un homomorphisme injectif d’anneaux. La fraction P
1
seront désormais identifiée au polynôme P de K[X].

P
En particulier, si P = AB, alors B = A.

Proposition/Définition 20.5.8
Soit F ∈ K(X) une fraction rationnelle. Il existe un représentant (P, Q), unique à multiplication près
P P
par un scalaire non nul, tel que P ∧ Q = 1 et F = Q . On dit que Q est la forme irréductible de la
fraction rationnelle F .

V.2 Degré, racines, pôles

Proposition/Définition 20.5.9 (Degré d’une fraction rationnelle)
P
Soit F ∈ K(X). La quantité deg(P )−deg(Q) ne dépend pas de la représentation Q choisie de la fraction
F . On appelle degré de F et on note deg(F ) la quantité

P
deg(F ) = deg(P ) − deg(Q) où F =
Q
Il s’agit d’un entier relatif, ou de −∞ si P = 0.

Les degrés des fractions rationnelles vérifient des propriétés semblables aux degrés des polynômes :

Proposition 20.5.10 (Propriétés des degrés)

Soit F , G des éléments de K(X).
• deg(F + G) 6 max(deg(F ), deg(G)), avec égalité si deg(F ) 6= deg(G).
• deg(F G) = deg(F ) + deg(G)
• deg(F −1 ) = − deg(F )

Proposition 20.5.11 (Partie entière)

Soit F une fraction rationnelle de K(X). Il existe un unique polynôme P de K[X] et une fraction
rationnelle G de K(X) tels que

F =P +G et deg(G) < 0.

Le polynôme P est appelée partie entière de la fraction rationnelle F .

V Fractions rationnelles 83

Définition 20.5.12 (Racine, pôle, multiplicité)

P
Soit F une fraction rationnelle de K(X), écrit sous forme irréductible F = Q.
1. Une racine de F est une racine de P , sa multiplicité est sa multiplicité en tant que racine de P .
2. Un pôle de F est une racine de Q, sa multiplicité est sa multiplicité en tant que racine de Q.

Remarque 20.5.13
P
Puisque Q est irréductible, r ne peut pas être à la fois racine de P et racine de Q.

Exemple 20.5.14
(X − 2)2
Racines, pôles et leurs multiplicités, de ?
X 3 (X − 1)4

Définition 20.5.15 (Fonction rationnelle associée)

P
Soit F = Q une fraction rationnelle formelle sous forme irréductible, et P l’ensemble de ses pôles. La
fonction rationnelle associée est F̃ : K \ P −→ K définie par

P (x)
∀x ∈ K \ P, F (x) = .
Q(x)

V.3 Décomposition en éléments simples dans C(X)

Toutes les fractions rationnelles de C(X) peuvent se décomposer comme sommes d’un polynôme et de
λ
fractions de type simple, plus précisément de fractions .
(X − a)k
Lemme 20.5.16
Soit F une fraction rationnelle de C(X), et r1 , . . . , rk ses pôles, de multiplicités α1 , . . . , αk . Alors, il
existe des polynômes P1 , . . . , Pk tels que
k
X Pi
F = .
i=1
(X − ri )αi

Théorème 20.5.17 (Décomposition en éléments simples dans C(X), DÉS)

Soit F une fraction rationnelle de C(X), et r1 , . . . , rk ses pôles, de multiplicités α1 , . . . , αk . Alors il
existe un unique polynôme E et d’uniques complexes λi,j ( 1 6 i 6 k, 1 6 j 6 αi ) tels que
αi
k X
X λi,j
F =E+ .
i=1 j=1
(X − ri )j

De plus, le polynôme E est la partie entière de la fraction rationnelle F , donc obtenue en effectuant la
P
division euclidienne de P par Q, où F = Q

Définition 20.5.18 (Partie polaire) αi

X λi,j
Avec les notations du théorème précédent, la somme est appelée partie polaire de F
j=1
(X − ri )j
relativement au pôle ri .
84 CHAPITRE 20. POLYNÔMES ET FRACTIONS RATIONNELLES

Exemples 20.5.19
X7
1. Forme de la décomposition en éléments simples de .
(X − 1)3 (X + 1)4
1
2. Forme de la décomposition en éléments simples de
(1 + X 2 )3

Proposition 20.5.20 (cas d’un pôle simple)

P Q
Soit r un pôle simple de F = Q (sous forme irréductible), et soit Q̂ le polynôme X−r . Alors le coefficient
1
λ du terme de la DÉS de F est :
X −r
P (r) P (r)
λ= = .
Q̂(r) Q′ (r)

P′
Un cas important de décomposition en éléments simples est le cas de la fraction rationnelle P .

P′
Théorème 20.5.21 (Décomposition en éléments simples de P
)
Soit P un polynôme non nul de C[X]. Soit r1 , . . . , rk les racines de P , de muliplicités α1 , . . . , αk . Alors
′ ′
les pôles de PP sont r1 , . . . , rk et sont tous des pôles simples. La DÉS de PP est :

k
X αi
P′
= .
P i=1
X − ri

Nous avons déjà vu que les racines de la dérivée P ′ d’un polynôme scindé sont situées entre la racine
′
minimale et la racine maximale de P . De la décomposition de PP , on déduit une propriété similaire dans
C[X] :

Corollaire 20.5.22 (Localisation des racines de P ′ , HP)

Soit P un polynôme de C[X]. Alors les racines de P ′ sont dans l’enveloppe convexe des racines de P .

V.4 Décomposition en éléments simples dans R[X]

Théorème 20.5.23 (DÉS dans R(X))

Soit F = Q P
une fraction rationnelle sous forme irréductible, et Q = Qα αk
1 · · · Qk la décomposition en
1

facteurs irréductibles de Q dans R[X]. Ainsi, les Qi sont de degré 1 ou 2. Alors il existe un unique
polynôme E, et d’uniques polynômes Ai,j , de degré strictement plus petit que Qi , tels que
αk
k X
X Ai,j
F =E+ .
i=1 j=1 Qji

Remarques 20.5.24
1. Si Qi est de degré 1, la partie correspondante dans la DÉS dans R(X) est la même que dans
C(X).
VI Primitivation de fractions rationnelles 85

2. Si Qi est de degré 2, il admet deux racines complexes conjuguées r et r. La partie correspondante

dans la DÉS est obtenue en regroupant les parties polaires relatives à r et r, si ces racines sont
simples.
3. On a déjà vu en pratique comment déterminer des DÉS dans des cas simples. On a aussi déjà
vu l’intérêt que peuvent avoir ces DÉS, notamment pour le calcul d’intégrales.

VI Primitivation de fractions rationnelles

Nous montrons maintenant comment, connaissant une décomposition en éléments simples, on peut pri-
mitiver une fraction rationelle.
Le fait important à retenir est qu’on sait primitiver toutes les fractions rationnelles, à condition de
connaître explicitement ses pôles. Ce fait est souvent un phare guidant les naufragés du calcul intégral
vers des rivages cléments, grâce à cette idée fixe : « se ramener à l’intégrale d’une fraction rationnelle ».

Méthode 20.6.1 (Primitivation d’une fraction rationnelle F )

1. Trouver la décomposition en éléments simples de F dans R(X).
2. La partie polynomiale se primitive facilement.
1 1
3. Les termes en α
se primitivent en si α 6= 1, et ln |x − a| si α = 1.
(x − a) (1 − α)(x − a)α−1
4. Pour les facteurs irréductibles de degré 2, faire une mise sous forme canonique du dénominateur
et factoriser par le terme constant restant, ce qui ramène à :
Z
cx + d
dx.
((ax + b)2 + 1)α

Le changement de variable y = ax + b nous ramène alors à

Z
sy + t
dy.
(y 2 + 1)α
y 1 1
Le terme se primitive en ln(y 2 + 1) si α = 1 et en sinon. On
(y 2+ 1) Z α 2 2(1 − α)(y 2 + 1)α−1
1
est donc ramené à 2
dy.
(y + 1)α
Avec un peu d’habitude, on peut se débarasser du terme cx avant la mise sous forme canonique,
u′
en le faisant partir dans une primitivation du type α .
Z u
1
5. Le calcul de dy se fait par réduction du degré α par intégrations par partie succes-
(y 2 + 1)α
sives, jusqu’à se ramener au cas α = 1, pour lequel la primitivation se fait en Arctan y.
Plus précisément, pour faire cette réduction sur l’exposant α, écrire le numérateur sous la forme
1 = 1 + yZ2 − y 2 , séparer la fraction
Z entre les deux termes y 2 , ce qui permet de se ramener au
1 y2
calcul de 2 α−1
dy + 2
dy. La première intégrale nous ramène à l’exposant
(y + 1) (y + 1)α
précédent, c’est bien ce qu’on voulait. La seconde s’intègre par partie, en primitivant y 7→
y
2
et en dérivant y 7→ y. Cela nous ramène également à l’exposant précédent.
(y + 1)α
86 CHAPITRE 20. POLYNÔMES ET FRACTIONS RATIONNELLES
 21
Espaces vectoriels

La première impulsion est venue de considérations sur la signification des nombres négatifs en
géométrie. Habitué à voir AB comme une longueur, j’étais néanmoins convaincu que AB =
AC + CB, quelle que soit la position de A, B et C sur une droite.
(Herrmann Günther Grassmann)
Il semble que ce soit le destin de Grassmann d’être redécouvert de temps en temps, à chaque
fois comme s’il avait été pratiquement oublié.
(A.C. Lewis)
Si une entité possède une grandeur et une direction, sa grandeur et sa direction prises ensemble
constituent ce qui est appelé un vecteur. La description numérique d’un vecteur nécessite trois
nombres, mais rien ne nous empêche d’utiliser une seule lettre pour sa désignation symbolique.
Une algèbre ou une méthode analytique dans laquelle une seule lettre ou une autre expression
est utilisée pour spécifier un vecteur peut être appelée une algèbre vectorielle, ou une analyse
vectorielle.
(Josiah Gibbs)
La structure d’espace vectoriel est une structure rigide, généralisant le cadre géométrique usuel.
Il s’agit d’une structure algébrique liée à la donnée d’un corps, qui va constituer l’unité de la dimension :
la droite réelle représente l’espace vectoriel typique sur R de dimension 1, alors que le C-espace vectoriel
typique de dimension 1 ressemblera au plan complexe, donc à un objet géométrique, qui, en tant que
R-espace vectoriel sera en fait de dimension 2.
La rigidité de la structure se traduit par le fait qu’on peut multiplier un élément par un scalaire (un
élément du corps de base), ceci de façon injective (sauf pour 0) : ainsi, si un élément x est dans un espace
vectoriel E, tous les éléments λx, λ ∈ K seront aussi dans E, et si x 6= 0, l’ensemble des λx, λ ∈ K
« ressemble » à K (il y a une bijection entre les deux). On parle de la droite engendrée par x. Ainsi un
espace vectoriel est une structure droite, qui, dès qu’elle contient un élément non nul, contient tout la
droite (au sens du corps K) contenant x.
La rigidité d’un espace vectoriel est même plus forte que cela : plus que la stabilité par multiplication
par un scalaire, on a la stabilité par combinaison linéaire (et encore une fois, l’application qui à (λ, µ)
de K2 associe λx + µy est bijective, sauf si x et y sont colinéaire). Ainsi, si E contient deux points (non
colinéaires), il contient tout un K-plan passant par ces deux points et par l’origine.
Cette structure rigide (plate pourrait-on dire) généralise la situation du plan réel usuel (approximation
de la surface localement plate de la Terre sur laquelle nous faisons notre géométrie) ou de l’espace usuel,
donc de la géométrie euclidienne classique. Elle ne permet en revanche pas de prendre en compte de façon
implicite des phénomènes de courbure intrinsèque (géométrie sphérique définie intrinsèquement sur un
objet de dimension 2, sans plongement dans un espace de dimension 3, ou propriétés de courbures de
l’espace-temps) : ces structures courbes nécessitent l’introduction d’objets plus complexes (les variétés).
88 CHAPITRE 21. ESPACES VECTORIELS

Dans tout le chapitre, on considère un corps K. Vous pouvez considérer que K = R ou C (seul cas à
connaître si on respecte le programme), mais sauf mention explicite du contraire, les définitions et les
résultats sont valables pour tout corps (commutatif selon notre définition des corps).

I Notion d’espace vectoriel

I.1 Définition

Définition 21.1.1 (Espace vectoriel)

Soit E un ensemble. On dit que E est un espace vectoriel sur K (en abrégé K-ev) si E est muni de
deux lois :
• une loi de composition interne + : E × E −→ E ;
• une loi de composition externe · : K × E −→ E ;
telles que :
(i) (E, +) soit un groupe abélien ;
(ii) pour tout (λ, µ) ∈ K2 , (x, y) ∈ E 2 :
• (λµ)x = λ(µx) (associativité externe de ·, ou pseudo-associativité) ;
• 1K · x = x (compatibilité du neutre multiplicatif de K) ;
• λ(x1 + x2 ) = λx1 + λx2 (distributivité de · sur la loi interne) ;
• (λ + µ)x = λx + µx (distributivité de · sur la somme de K).

Propriétés 21.1.2
Soit E un K-ev. Pour tout x ∈ E :
1. 0 · x = 0, c’est-à-dire 0K · x = 0E ;
2. λ · 0E = 0E ;
3. (−1) · x = −x.
4. Si x 6= 0, λ · x = 0 =⇒ λ = 0
5. Si λ 6= 0, λ · x = 0 =⇒ x = 0.

Terminologie 21.1.3
• Les éléments de E sont appelés vecteurs.
• Les éléments de K sont appelés scalaires.
• Deux éléments x et y de E sont colinéaires s’il existe (λ, µ) ∈ K2 tels que (λ, µ) 6= (0, 0) et
λx + µy = 0.

I.2 Combinaisons linéaires

Une propriété cruciale d’un espace vectoriel E est la stabilité par combinaison linéaire : si (λ, µ) ∈ K2 et
(x, y) ∈ E2 , alors λx + µy ∈ E. La notion de combinaison linéaire étant centrale dans l’étude des espaces
vectoriels, nous définissons une notion généralisée de combinaison linéaire.

Définition 21.1.4 (Famille à support fini)

Soit I un ensemble d’indices, et (λi )i ∈ I une famille d’éléments de K. On dit que la famille (λi )i∈I est
à support fini s’il existe J ⊂ I un sous-ensemble fini de I tel que pour tout i ∈ I \ J, λi = 0. Autrement
dit, seul un nombre fini de λi sont non nuls.
I Notion d’espace vectoriel 89

Si I lui même est finie, toute famille indexée sur I est à support fini. Ainsi, cette notion est surtout
pertinente lorsque I est infini.

Terminologie 21.1.5 (Famille de scalaire presque tous nuls)

Lorsque I est infini (et même parfois lorsque I est fini, mais dans ce cas, la terminologie n’est pas
heureuse), une famille à support fini est parfois aussi appelé famille de scalaires presque tous nuls.

Définition 21.1.6 (Combinaison linéaire généralisée)

Soit E un K-ev et (xi )i∈I une famille de vecteurs de E. Une combinaison linéaire des (xi )i∈I est un
vecteur X
x= λi xi ,
i∈I

où (λi )i∈I est une famille à support fini de scalaires de K.

Ainsi, toute combinaison linéaire sur une famille infinie est une combinaison linéaire d’un nombre fini de
vecteurs de cette famille.

I.3 Un exemple important : espace de fonctions

Comme nous avons pu nous en rendre compte pour les groupes et les anneaux, on a des critères souvent
rapides pour montrer qu’un ensemble est un sous-truc d’un truc plus gros. Nous verrons un peu plus loin
que de la même façon, il est beaucoup plus commode de montrer qu’un ensemble est un sous-espace vec-
toriel d’un espace vectoriel connu plutôt que de montrer de façon directe qu’il s’agit d’un espace vectoriel,
ce qui nécessite beaucoup de petites vérificiations, élémentaires mais fastidieuses. Pour cette raison, il
est important de connaître un certain nombre d’espaces vectoriels de référence, qui seront suffisants pour
justifier la structure d’espace vectoriel d’autres ensembles dans la plupart des cas rencontrés.

Proposition 21.1.7 (espace vectoriel de référence)

1. K est un espace vectoriel sur lui-même.
2. Plus généralement, soit E un espace vectoriel sur K et F un ensemble quelconque. Alors l’en-
semble des fonctions E F est un espace vectoriel sur K.

On peut alors déduire la structure de certains objets mathématiques fréquents, en se servant du lemme
suivant :

Lemme 21.1.8 (Transfert de structure)

Soit E un espace vectoriel sur K, G un ensemble quelconque, et ϕ : E → G une bijection. Alors, en
définissant sur G une loi interne et une loi externe par :

∀(x, y, λ) ∈ F × F × K, x + y = ϕ(ϕ−1 (x) + ϕ−1 (y)) et λ · x = ϕ(λϕ−1 (x)),

on munit G d’un structure d’espace vectoriel. Ces deux définitions de lois se traduisent sous forme d’un
diagramme commutatif.

On déduit alors tous les exemples classiques suivants, à bien connaître :

Exemples 21.1.9 (Espaces vectoriels à bien connaître)

1. K∅ = {0} ;
90 CHAPITRE 21. ESPACES VECTORIELS

2. K[[1,n]] ≃ Kn ; en particulier C est un R-ev ;

3. KN l’ensemble des suites à valeurs dans K ;
4. K[[0,n]] ≃ Kn [X] l’espace des polynômes de degré au plus n ;

I.4 Produits d’espaces vectoriels

Nous voyons maintenant deux façons de construire des espaces vectoriels à partir d’espaces vectoriels de
référence : tout d’abord une construction externe (produit cartésien), puis dans la section suivante, une
construction interne (sous-espaces vectoriels).

Proposition 21.1.10 (produit cartésien d’ev)

Soit E1 , . . . , En des espaces vectoriels sur un corps K. Alors le produit cartésien E1 × · · · × En est un
espace vectoriel sur K, lorsqu’on le munit des lois définies par :
• ∀λ ∈ K, ∀(x1 , . . . , xn ) ∈ E1 × · · · × En , λ · (x1 , . . . , xn ) = (λx1 , · · · , λxn ) ;
• ∀(x1 , . . . , xn ), (y1 , . . . , yn ) ∈ E1 × · · · × En , (x1 , . . . , xn ) + (y1 , . . . , yn ) = (x1 + y1 , . . . , xn + yn ).

On retrouve en particulier la structure d’espace vectoriel de Kn , déjà obtenue en considérant K[[1,n]].

I.5 Sous-espaces vectoriels

Selon les définitions générales sur les structures, on définit :

Définition 21.1.11 (Sous-espace vectoriel, sev)

Soit E un espace vectoriel sur K. Un sous-ensemble F ⊂ E de E est un sous-espace vectoriel de E si
F est stable par les lois + et · et que les lois induites munissent F d’une structure d’espace vectoriel.

Comme dans le cas des groupes et des anneaux, nous disposons d’un critère simple permettant de court-
circuiter un certain nombre de vérifications :

Théorème 21.1.12 (Caractérisation des sous-espace vectoriel)

Soit E un K-espace vectoriel. Un ensemble F est un sous-espace vectoriel de E si et seulement si :
(i) F ⊂ E
(ii) 0 ∈ F
(iii) F est stable par combinaison linéaire, ce qui équivaut à :

∀x, y ∈ F 2 , ∀λ ∈ K, λx + y ∈ F.

Exemples 21.1.13
1. Étant donné un espace vectoriel E, le sous-espace vectoriel nul {0E } et le sous-espace vectoriel
total E.
2. Étant donné un vecteur X de R2 , la droite RX = {λX, λ ∈ R}
3. Étant donné a, b et c trois réels, le plan de R3 d’équation ax + by + cz = 0.
4. R[X] espace des polynômes
5. C(R, R) ensemble des fonctions continues sur R ;
6. Plus généralement C(I, R), ensemble des fonctions continues sur un intervalle I ;
I Notion d’espace vectoriel 91

7. C n (R, R) ensemble des fonctions de classe C n sur R ;

8. Plus généralement C n (I, R), ensemble des fonctions de classe C n sur un intervalle I ;
9. Les exemples d’espaces vectoriels de fonctions sont nombreux.

Vous remarquerez dans les premiers exemples les deux points de vue différents pour définir un sous-espace
vectoriel : par l’intérieur (sous-espace engendré par un vecteur) ou par l’extérieur (sous-espace défini par
une équation sur les coordonnées). On retrouvera souvent ces deux points de vue par la suite.

Définition 21.1.14 (Droite vectorielle)

Soit E un K-espace vectoriel. Une droite vectorielle de E est un sous-ensemble D de E tel qu’il existe
x ∈ E non nul tel que D = Kx.

Proposition 21.1.15 (Stucture des droites vectorielles)

Les droites vectorielles d’un espace vectoriel E sur K sont des sous-espaces vectoriels de E.

Proposition 21.1.16
Soit E un K-espace vectoriel, et D1 et D2 deux droites vectorielles. Alors soit D1 ∩ D2 = {0E }, soit
D1 = D2 .

Corollaire 21.1.17
Soit D une droite vectorielle d’un espace vectoriel E, et x ∈ D. Si x 6= 0, alors D = Kx.

Proposition 21.1.18 (Sous-espaces vectoriels de R2 )

Les sous-espaces vectoriels de R2 sont :
• le sous-espace vectoriel nul ;
• les droites vectorielles ;
• le sous-espace vectoriel total R2 .

Remarque 21.1.19
L’aspect géométrique d’une droite vectorielle dépend du corps de base K :
• Si le corps de base est R, une droite vectorielle a l’aspect d’une droite géométrique usuelle.
• Si K = C, une droite a l’aspect d’un plan complexe : une droite complexe est donc un objet de
dimension géométrique égale à 2.
• Si K = Fp , alors une droite est constituée d’un nombre fini de points « alignés circulairement »
si on peut dire cela ainsi...
• Par exemple, si K = F2 , une droite est constituée de deux points : il y a dans ce cas autant de
droites que de vecteurs non nuls de E, les droites étant les ensembles {0, x}, x 6= 0.

I.6 Intersections de sev

Proposition 21.1.20 (Intersection de sev)

\
Soit E un K-espace vectoriel, et (Ei )i∈I une famille de sous-espaces vectoriels de E. Alors Ei est
i∈I
un sev de E.
92 CHAPITRE 21. ESPACES VECTORIELS

Remarque 21.1.21
Que dire de l’union de deux sev ?

Proposition 21.1.22
Soit (Ei )i∈I une chaîne de sous-espaces vectoriels de E, donc vérifiant, pour tout couple (i, j) ∈ I 2 ,
[
Ei ⊂ Ej ou Ej ⊂ Ei . Alors Ei est un sous-espace vectoriel de E.
i∈I

I.7 Sous-espace vectoriel engendré par un sous-ensemble

Définition 21.1.23 (Sous-espace vectoriel engendré par un sous-ensemble)

Soit E un K-ev, et X un sous-ensemble de E. Le sous-espace vectoriel engendré par X est le plus petit
sous-espace vectoriel de E contenant X. Il est noté Vect(X).

Remarque 21.1.24
Pourquoi un tel espace existe-t-il ?

Si X est exprimée sous forme d’une famille (xi )i∈I , on note Vect(X) = Vect(xi )i∈I . Si X est fini et
enuméré par exemple x = {x1 , . . . , xn }, on notera Vect(X) = Vect(x1 , . . . , xn ).

Proposition 21.1.25 (Minimalité de Vect(X))

Par définition, tout sous-espace vectoriel de E contenant X contient aussi Vect(X).

On peut donner une description explicite de Vect(X) à l’aide de combinaisons linéaires :

Proposition 21.1.26 (Description de Vect(X))

Soit E un K-ev et X un sous-ensemble de E. Alors Vect(X) est l’ensemble des combinaisons linéaires
d’éléments de X.

Ainsi, x ∈ Vect(X) si et seulement s’il existe (x1 , . . . xn ) ∈ X n et (λ1 , . . . , λn ) ∈ Kn tels que

x = λ1 x1 + · · · + λn xn .

Exemples 21.1.27
1. Vect(x) = {λx, λ ∈ K} = Kx
2. Vect(x, y) = {λx + µy, (λ, µ) ∈ K2 }
• si x = y = 0, Vect(x, y) = {0}
• si x et y sont colinéaires, non tous deux nuls (disons x 6= 0), Vect(x, y) = Vect(x)
• si x et y ne sont pas colinéaires, Vect(x, y) est un plan vectoriel.

I.8 Sommes de sev

I Notion d’espace vectoriel 93

Définition 21.1.28 (Somme de deux sev)

Soit G un K-ev, et E et F deux sev de G. Alors la somme E + F de E et F est le plus petit sous-espace
vectoriel de G, contenant à la fois E et F :

E + F = Vect(E ∪ F ).

Par définition de Vect, E + F est donc la borne supérieure de {E, F } dans l’ensemble des sous-espaces
vectoriels de G muni de l’ordre d’inclusion.

Proposition 21.1.29 (Description d’une somme)

Soit G un K-ev, et E et F deux sev de G. Alors :

E + F = {x + y | x ∈ E, y ∈ F } = {z ∈ G | ∃(x, y) ∈ E × F, z = x + y}.

Définition 21.1.30 (Somme d’un nombre fini de sous-espaces)

Plus généralement, on définit la somme des sous-espaces E1 , . . . , En par :

E1 + · · · + En = Vect(E1 ∪ · · · ∪ En )

Proposition 21.1.31 (Description d’une somme d’un nombre fini de sev)

Soit E1 , . . . , En et F des sev de E. Les propriétés suivantes sont équivalentes :
(i) F = E1 + · · · + En
(ii) F = (((E1 + E2 ) + E3 ) + · · · + En−1 ) + En
(iii) F = {x1 + · · · + xn | (x1 , . . . , xn ) ∈ E1 × · · · × En }.

Proposition 21.1.32
Soit (xi )i∈I et (xj )j∈J deux familles (pas nécessairement disjointes). Alors :

Vect((xi )i∈I∪J ) = Vect((xi )i∈I ) + Vect((xj )i∈J ).

Proposition 21.1.33
Soit (xi )i∈I et (xj )j∈J deux familles (pas nécessairement disjointes). Alors :

Vect((xi )i∈I∪J ) = Vect((xi )i∈I ) + Vect((xj )i∈J ).

Exemples 21.1.34
1. Vect(x1 , x2 , x4 , x5 ) + Vect(x3 , x4 , x6 ) = Vect(x1 , x2 , x3 , x4 , x5 , x6 ).
2. Soit E un ev, et x1 , . . . , xn des éléments de E. Alors :

Vect(x1 , . . . , xn ) = Rx1 + · · · + Rxn .

94 CHAPITRE 21. ESPACES VECTORIELS

I.9 Sommes directes

Définition 21.1.35 (Somme directe)

Soit E et F deux sev de G. On dit que la somme E + F est directe, et on note E ⊕ F , si E ∩ F = {0}.
L
n
Plus généralement, E1 + · · · + En est directe si E1 ⊕ E2 , puis (E1 + E2 ) ⊕ E3 , etc. On note Ei .
i=1

Proposition 21.1.36 (Caractérisation de ⊕ par les intersections)

La somme E1 + · · · + En est directe si et seulement si pour tout k ∈ [[2, n]],
X
Ek ∩ Ei = {0}.
i<k

Proposition 21.1.37 (Caractérisation de ⊕ par l’unicité)

P
La somme Ei de sous-espaces vectoriels de E est directe si et seulement si l’application ci-dessous
est injective :
ϕ : E1 × · · · × En −→ E
(x1 , . . . , xn ) 7−→ x1 + · · · + xn .

En d’autres termes, E1 ⊕ · · · ⊕ En est directe si et seulement tout élément x de E1 ⊕ · · · ⊕ En s’écrit de

façon unique sous la forme x = x1 + · · · + xn , xi ∈ Ei .

Définition 21.1.38 (Supplémentaire)

Soit E un espace vectoriel, et F et G deux sev de E. On dit que F et G sont supplémentaires dans E
si F ⊕ G = E.

Théorème 21.1.39 (Existence d’un supplémentaire)

Soit E un espace vectoriel quelconque, et F un sev de E. Alors F admet au moins un supplémentaire
G.

La démonstration de ce théorème repose sur le lemme de Zorn, donc sur l’axiome du choix. On en verra
une démonstration plus élémentaire, indépendante de l’axiome du choix, lorsque E est de dimension finie.

II Familles de vecteurs
Nous rappelons que toute combinaison linéaire d’une famille (finie ou infinie) s’exprime, par définition,
comme somme finie d’éléments de cette famille, multipliés par des scalaires.

II.1 Familles libres

Proposition/Définition 21.2.1 (Famille libre)

Une famille (xi )i∈I de vecteurs de E est libre si une des propriétés équivalentes suivantes est vérifiée :
P
(i) Pour toute famille (λi )i∈I de scalaires de K, à support fini : λi xi = 0 =⇒ ∀i ∈ I, λi = 0;
i∈I
(ii) Pour tout x ∈ Vect((xi )i∈I ), il existe une unique famille (λi )i∈I de scalaires de K, à support fini
P
tels que x = λi xi
i∈I
II Familles de vecteurs 95

Si de plus, I = [[1, n]], les points (i) et (ii) sont équivalents aux points suivants :
(iii) les xi sont non nuls et la somme Kx1 ⊕ · · · ⊕ Kxn est directe ;
(iv) La fonction ϕ : Kn −→ E définie par ϕ(λ1 , . . . , λn ) = λ1 x1 + · · · + λn xn est injective.

Définition 21.2.2 (Famille liée)

Une famille qui n’est pas libre est dite liée.

Remarque 21.2.3
Une famille contenant 0 peut-elle être libre ?

Proposition 21.2.4 (Stabilité de la liberté par restriction)

Toute sous-famille d’une famille libre est libre.

La proposition suivante permet de ramener l’étude de la liberté des familles infinies à l’étude de la liberté
de familles finies.

Proposition 21.2.5 (Caractérisation de la liberté pour des familles infinies)

Une famille (xi )i∈I est libre si et seulement si toutes ses sous-familles finies sont libres. Une famille
(xi )i∈N est libre si et seulement si pour tout n ∈ N, la famille (x0 , . . . , xn ) est libre.

Proposition 21.2.6 (Ajout d’un élément à une famille libre)

Soit (xi )i∈I une famille libre de E et xj (j 6∈ I) un élément de E. Alors, la famille (xi )i∈I∪{j} , obtenue
en ajoutant xj à la famille libre (xi )i∈I , est libre si et seulement si xj 6∈ Vect((xi )i∈I )

Si un tel ajout est impossible, on dira que la famille libre est maximale :

Définition 21.2.7 (Famille libre maximale)

Une famille libre est maximale si et seulement s’il est impossible de lui rajouter un vecteur (quelconque)
de E en préservant sa liberté.

Proposition 21.2.8
Une famille libre maximale est génératrice dans le sens ci-dessous

Proposition 21.2.9 (Caractérisation des sommes directes par la liberté)

Soit E1 , . . . , En des sev non triviaux de E. Alors la somme E1 ⊕ · · · ⊕ En est directe si et seulement si
tout n-uplet (x1 , . . . , xn ) d’éléments tous non nuls de E1 × · · · × En est une famille libre dans E.

Proposition 21.2.10 (Liberté et sommes directes)

1. Soit F et G deux sev de E tels que F + G soit directe. Alors la concaténation d’une famille libre
de F et d’une famille libre de G est une famille libre de E.
2. Réciproquement, si (b1 , . . . , bn ) est une famille libre de E, alors Vect(b1 , . . . , bk ) ⊕
Vect(bk+1 , . . . , bn ) est directe.
96 CHAPITRE 21. ESPACES VECTORIELS

II.2 Familles génératrices

Définition 21.2.11 (Familles génératrices)

Une famille (xi )i∈I de vecteurs de E est une famille génératrice de E si l’une des propriétés équivalentes
suivantes est satisfaite :
(i) tout x ∈ E est une combinaison linéaire des xi , i ∈ I ;
(ii) Vect((xi )i∈I ) = E.
Si de plus I = [[1, n]], les points (i) et (ii) sont équivalents à :
P
n
(iii) E = Kxi ;
i=1
(iv) La fonction ϕ : Kn −→ E définie par ϕ(λ1 , . . . , λn ) = λ1 x1 + · · · + λn xn est surjective.

On dit aussi que la famille (xi )i∈I engendre E.

On obtient des propriétés symétriques à celles des familles libres :

Proposition 21.2.12 (Stabilité des familles génératrices par ajout)

Toute famille contenant une famille génératrice de E est une famille génératrice de E.

Proposition 21.2.13 (Restriction d’une famille génératrice)

La famille obtenue en retirant un élément x d’une famille génératrice de E est encore génératrice si et
seulement si x est une combinaison linéaire des autres vecteurs de la famille.

Lorsque cette situation n’est vérifiée pour aucun élément de la famille, on parle de famille génératrice
minimale :

Définition 21.2.14 (Famille génératrice minimale)

Une famille génératrice est dite minimale, si et seulement s’il est impossible de lui retirer un élément
en préservant son caractère générateur.

Proposition 21.2.15
Une famille génératrice minimale est libre.

II.3 Bases

Définition 21.2.16 (Base d’un espace vectoriel)

Soit (xi )i∈I une famille de vecteurs d’un ev E. On dit que (xi )i∈I est une base de E si elle est une
famille à la fois libre et génératrice de E.

Ainsi :

Proposition/Définition 21.2.17 (Coordonnées d’un vecteur dans une base)

La famille (bi )i∈I est une base de E si et seulement si tout élément x de E s’écrit de façon unique
comme combinaison linéaire des éléments bi :
X
x= λi bi .
i∈I
III Espaces vectoriels de dimension finie 97

L’existence traduit le caractère générateur, l’unicité traduit la liberté. Les coefficients λi de cette
combinaison linéaire sont appelés coordonnées de x dans la base (bi )i∈I .

Le choix d’une base de E permet donc de définir un système de coordonnées : la donnée d’un vecteur x
équivaut à la donnée de ses coordonnées dans une base fixée.

Exemple 21.2.18
• Les coordonnées cartésiennes dans R2 correspondent aux coordonnées dans la base canonique
((1, 0), (0, 1)).
• Un autre choix de base fournit d’autres coordonnées, par exemple (2, 3) dans la base ((1, 0), (1, 1))

Notation 21.2.19 (Pour passer des coordonnées au vecteur)

On notera ~vB (X) l’unique vecteur de E donc les coordonnées dans la base B sont données par X, donc
X
~vB (X) = xi bi ,

les xi étant les composantes de X.

Proposition 21.2.20 (Caractérisation des bases par minimalité/maximalité)

Les propriétés suivantes sont équivalentes :
(i) La famille (xi )i∈I est une base de E ;
(ii) La famille (xi )i∈I est une famille génératrice minimale de E ;
(iii) La famille (xi )i∈I est une famille libre maximale de E.

Exemples 21.2.21 (Exemples importants de bases, à connaître)

• Base canonique de Kn .
• Base canonique (1, X, X 2 , · · · ) de K[X] ; base canonique de Kn [X].
• ((X − x0 )k )k∈[[0,n]] est une base de Kn [X].

Ce dernier exemple a une généralisation importante, qui mérite d’être citée en tant que proposition :

Proposition 21.2.22 (Famille échelonnée en degrés)

Si (P0 , . . . , Pn ) est une famille d’éléments de Kn [X] telle que pour tout k ∈ [[0, n]], deg(Pk ) = k, alors
(P0 , . . . , Pn ) est une base de Kn [X].

Avertissement 21.2.23
La réciproque est fausse !

III Espaces vectoriels de dimension finie

Dans tout ce paragraphe K désigne le corps R ou C.
98 CHAPITRE 21. ESPACES VECTORIELS

III.1 Notion de dimension

Définition 21.3.1 (Espace vectoriel de dimension finie)

Un espace vectoriel E sur K est dit de dimension finie s’il existe une famille génératrice de cardinal
fini (xi )i∈I de E. Une famille génératrice finie est souvent appelé système de générateurs.

Proposition 21.3.2
Soit E un espace vectoriel de dimension finie. Alors de toute famille génératrice de E, on peut extraire
une famille génératrice finie.

Corollaire 21.3.3 (Finitude des bases)

Toute base d’un espace vectoriel de dimension finie est finie.

Ce résultat n’affirme pas l’existence d’une base ! Nous allons maintenant montrer l’existence d’une base,
qu’on va obtenir par complétion d’une famille libre quelconque (par exemple de la famille vide). Il s’agit
du théorème de la base incomplète, affirmant que toute famille libre peut être vue comme le début d’une
base.

Théorème 21.3.4 (Théorème de la base incomplète)

(i) Soit E un espace vectoriel de dimension finie. Soit L une famille libre de E, et G une famille
génératrice de E. Alors on peut compléter L en une base de E par ajout de vecteurs de G.
(ii) Toute famille libre peut être complétée en une base.
(iii) Tout espace de dimension finie admet au moins une base.

En particulier, si (xi )16i6n est génératrice de E, et (xi )i∈I est libre, pour I ⊂ [[1, n]], il existe J tel que
I ⊂ J ⊂ [[1, n]], tel que (xj )j∈J soit une base de E.

Remarque 21.3.5
La preuve du théorème de la base incomplète laisse penser que cette propriété est également vraie en
dimension infinie, en utilisant le lemme de Zorn (donc en supposant l’axiome du choix).

Corollaire 21.3.6 (Caractérisation de la dimension finie par le cardinal des familles libres)
Soit E un espace vectoriel. Alors E est de dimension finie si et seulement si toute famille libre de E
est de cardinal fini.

Corollaire 21.3.7 (Théorème de la base extraite)

Soit E un espace vectoriel de dimension finie. De toute partie génératrice de E on peut extraire une
base de E.

Nous établissons maintenant le théorème de la dimension, qui à la base de la théorie de la dimension.

Pour le démontrer, nous utilisons le lemme suivant :

Lemme 21.3.8 (Théorème d’échange)

Soit E un espace vectoriel. Soit F une famille de vecteurs de E, et x et y dans E tels que x 6∈ Vect(F )
et x ∈ Vect(F ∪ {y}). Alors Vect(F ∪ {x}) = Vect(F ∪ {y}).
III Espaces vectoriels de dimension finie 99

Théorème 21.3.9 (Théorème de la dimension)

Soit E un espace vectoriel de dimension finie. Alors toutes les bases de E sont finies et de même
cardinal.

L’importance de ce théorème provient du fait qu’il permet de définir la notion fondamentale suivante :

Définition 21.3.10 (Dimension d’un espace vectoriel)

Soit E est espace vectoriel de dimension finie. Le cardinal commun de toutes les bases de E est appelé
dimension de E, et est noté dim E. Si E n’est pas de dimension finie, on dira que E est de dimension
infinie.

La notion de dimension est la formalisation de la notion de nombre de degrés de liberté dont on dispose
pour construire un objet. Par exemple, pour définir entièrement une suite par une récurrence linéaire
homogène d’ordre 3, on dispose de 3 degrés de liberté, à savoir le choix des trois premiers termes de la
suite. L’espace des suites vérifiant une telle relation de récurrence est de facto de dimension 3.

Exemples 21.3.11
1. Dimension de Kn .
2. Dimension de Kn [X].
3. Dimension de l’ensemble des suites vérifiant une récurrence linéaire homogène d’ordre k.
4. Dimension de l’ensemble des solutions d’une équation différentielle linéaire homogène d’ordre 1,
d’ordre 2 à coefficients constants.
5. Dimension de C en tant que...
6. Dimension de Mn,m (R), de Mn (R).

Nous terminons cette section par :

Proposition 21.3.12 (Dimension d’un produit cartésien)

Soit E et F deux espaces vectoriels sur K. Si E et F sont de dimension finie, l’espace vectoriel produit
E × F est de dimension finie, égale à :

dim(E × F ) = dim(E) + dim(F ).

Plus précisément, si (b1 , . . . , bm ) et (c1 , . . . , cn ) sont des bases de E et F , une base de E × F est
((b1 , 0), . . . , (bm , 0), (0, c1 ), . . . , (0, cn )).

III.2 Dimension, liberté et rang

Définition 21.3.13 (Rang d’une famille de vecteurs)

Soit E un espace vectoriel, k ∈ N∗ , et (x1 , . . . , xk ) une famille de vecteurs de E. Le rang de la famille
(x1 , . . . , xk ) est la dimension de Vect(x1 , . . . , xk ) (cet espace est de dimension finie, puisque engendré
par une famille finie). On note :

rg(x1 , . . . , xk ) = dim Vect(x1 , . . . , xk ).

100 CHAPITRE 21. ESPACES VECTORIELS

Proposition 21.3.14 (Majoration du rang et cas d’égalité)

rg(x1 , . . . , xk ) 6 k, avec égalité si et seulement si la famille (x1 , . . . , xk ) est libre.

Proposition 21.3.15 (Majoration du cardinal d’une famille libre)

Soit E un espace vectoriel de dimension n. Alors toute famille libre de E est de cardinal au plus n,
avec égalité si et seulement si c’est une base.

En particulier, toute famille de strictement plus de n éléments est liée.

Exemple 21.3.16
Montrer que toute matrice M ∈ Mn (R) admet un polynôme annulateur, c’est-à-dire un polynôme P
tel que P (M ) = 0. Quelle est la structure de l’ensemble des polynômes annulateurs de M ? Justifier
l’existence d’un polynôme annulateur minimal pour la relation de divisibilité.

Proposition 21.3.17 (Minoration du cardinal d’une famille génératrice)

Soit E un espace vectoriel de dimension n. Alors toute famille génératrice de E est de cardinal au
moins n, avec égalité si et seulement si c’est une base.

On en déduit en particulier :

Corollaire 21.3.18 (Caractérisation par le cardinal des familles libres maximales)

Soit E un espace vectoriel de dimension n.
• Une famille libre est maximale dans le sens donné plus haut si et seulement si elle est de cardinal
n.
• Une famille génératrice est minimale si et seulement si elle est de cardinal n.

III.3 Dimension de sous-espaces et de sommes

Intuitivement, on ne dispose pas de plus de degré de liberté en restreignant l’espace. C’est ce que traduit
le théorème suivant :

Théorème 21.3.19 (Dimension d’un sous-espace)

Soit E un espace vectoriel de dimension finie n. Soit F ⊂ E un sous-espace vectoriel de E. Alors F
est de dimension finie, et dim F 6 dim E. On a égalité si et seulement si F = E.

Par ailleurs, étant donnés deux sous-espaces vectoriels de E, la dimension de leur somme sera facile à
déterminer s’il n’y a pas de redondance (autrement dit, si on a unicité des écritures), ce qui se traduit
par le fait que la somme est directe. Cette absence de redondances correspond aussi intuitivement au cas
où la dimension de la somme est maximale par rapport aux sommes des deux sous-espaces, ce que l’on
justifiera rigoureusement plus tard.

Théorème 21.3.20 (Dimension d’une somme directe)

Soit E un espace vectoriel, et F et G des sous-espaces vectoriels de dimension finie de E, en somme
directe. Alors F ⊕ G est de dimension finie, et :

dim F ⊕ G = dim F + dim G.

III Espaces vectoriels de dimension finie 101

Le principe de la démonstration est aussi important que le résultat lui-même, car il donne une façon de
construire une base de la somme directe à partir d’une base de chaque membre, par concaténation.
On en déduit facilement, par récurrence :

Corollaire 21.3.21 (Dimension d’une somme directe de n espaces)

Soit E un espace vectoriel, et (E1 , . . . , En ) une famille de sous-espaces vectoriels de dimension finie de
Ln
E, en somme directe. Alors Ei est de dimension finie, et :
i=1

n
M n
X
dim Ei = dim Ei .
i=1 i=1

On en déduit en particulier la dimension des supplémentaires, après avoir justifié leur existence de façon
plus élémentaire qu’en début de chapitre, dans le cadre de la dimension finie :

Théorème 21.3.22 (Existence et dimension d’un supplémentaire, en dimension finie)

Soit E un espace vectoriel de dimension finie, et F un sous-espace vectoriel de E. Alors il existe un
supplémentaire S de F dans E, et :

dim S = dim E − dim F.

Pour terminer, nous donnons une formule générale exprimant la dimension d’une somme quelconque :

Théorème 21.3.23 (Formule de Grassmann)

Soit E un espace vectoriel, et F et G deux sous-espaces de dimension finie de E. Alors :

dim(F + G) = dim F + dim G − dim F ∩ G.

Théorème 21.3.24 (Majoration de la dimension d’une somme)

Soit E un espace vectoriel, et E1 , . . . , En des sous-espaces vectoriels de dimension finie de E. Alors

dim(E1 + · · · + En ) 6 dim(E1 ) + · · · + dim(En ),

avec égalité si et seulement si la somme est directe.

Comme évoqué plus haut, ces deux derniers résultats affirment que moins il y a de redondances dans
l’écriture d’une somme, plus la dimension de la somme est importante ; elle est maximale lorsqu’il n’y a
aucune redondance, ce qui s’exprime par le fait que la somme est directe.

Remarque 21.3.25
• Comparez cette formule à |A ∪ B| = |A| + |B| − |A ∩ B|
• Peut-on généraliser, en trouvant pour les dimensions une formule analogue à la formule du crible
de Poincaré :
[n Xn X \
Ai = (−1)j+1 Ai ?
i=1 j=1 J⊂[[1,n]] i∈J
|J|=j
102 CHAPITRE 21. ESPACES VECTORIELS

Proposition 21.3.26 (Caractérisation des couples de sous-espaces supplémentaires)

Soit E un espace de dimension finie, et F et G deux sous-espaces vectoriels de E. Alors F et G sont
supplémentaires l’un de l’autre si et seulement si
F ∩ G = {0} et dim F + dim G = dim E.

Note Historique 21.3.27

Herrmann Günther Grassmann (1809-1877) est le précurseur incompris de toute la théorie de l’algèbre linéaire.
Il expose les fondements de cette théorie dans sa thèse Théorie des flots et des marées, thèse qui ne sera pas lue
par son examinateur, et qui sera publiée uniquement au début du XX-ième siècle. Ce n’est qu’une vingtaine
d’année plus tard (vers 1860) que certains mathématiciens se rendent comptent de l’importance des travaux de
Grassmann. Entre temps, Grassmann s’est contenté d’un poste d’enseignant en lycée. Détourné de la recherche
mathématique, c’est dans des études linguistiques (sanscrit, gotique) qu’il finit par trouver la consécration.
 22
Applications linéaires

Est-il déraisonnable d’imaginer que cette linéarité ne pourrait être que l’approximation d’une
non-linéarité plus précise (mais aussi plus subtile) ?
(Roger Penrose)
Comme à chaque fois qu’on définit une nouvelle structure algébrique, il vient une notion de morphisme,
adaptée à cette structure. La catégorie des espaces vectoriels sur un corps K est ainsi formée d’un ensemble
d’objets (les K-ev), et de flèches représentant les morphismes entre espaces vectoriels, c’est-à-dire, selon
les définitions générales qu’on en a données, les applications respectant les deux lois définissant un espace
vectoriel. La propriété définissant ces morphismes se traduit par une propriété de linéarité f (λx + µy) =
λf (x) + µf (y). Pour cette raison, les morphismes d’espaces vectoriels sont plus fréquemment appelés
applications linéaires.
Le but de ce chapitre est de donner les propriétés élémentaires des applications linéaires, d’étudier les pro-
priétés de rigidité des applications linéaires (comme pour les polynômes, il suffit en général de connaître
l’image d’un petit nombre de vecteurs pour déterminer entièrement une application linéaire), d’étudier
certains types d’applications linéaires (endomorphismes, isomorphismes, projecteurs, symétries), de tra-
duire certaines propriétés d’une application linéaire sur son comportement sur une base (caractérisations
de l’injectivité, de la surjectivité).
Nous verrons ensuite des résultats spécifiques aux applications linéaires définies sur des espaces de di-
mension finie, notamment une formule reliant la dimension du noyau et la dimension de l’image (formule
du rang).
Pour terminer nous donnons un aperçu de la notion d’espace dual, lié à la notion de forme linéaire et
d’hyperplan.
Il est important de remarquer que la notion d’application linéaire en dimension finie est indissociable de
la notion de matrice. Nous étudierons ce point de vue plus en détail dans le chapitre suivant.

Note Historique 22.0.1

Les phénomènes à caractère linéaire sont fréquents en physique, au moins à première approximation. La quasi-
linéarité de certains phénomènes dans les conditions obervables font que de nombreuses théories physiques ont
été considérées comme linéaires pendant longtemps, comme la théorie de la gravitation. ce n’est que plus tard
qu’Einstein suggéra que cette linéarité apparente n’est qu’une approximation d’un phénomène non linéaire,
approximation néanmoins bien suffisante pour traiter de façon raisonnable les situations de la vie courante.
Ainsi, même si de nombreux phénomènes ne sont en réalité pas linéaires, sous certaines conditions, et à première
approximation, on peut estimer qu’ils le sont presque. Les étudier sous cet angle permet déjà de comprendre
grossièrement le phénomène, par des techniques balisées d’algèbre linéaire. C’est le principe de linéarisation,
cher aux physiciens.
Cette linéarisation des phénomènes physiques, et la nécessité d’élaborer des techniques calculatoires adaptées, a
eu un rôle déterminant dans le développement de l’algèbre linéaire, et l’introduction des applications linéaires.
104 CHAPITRE 22. APPLICATIONS LINÉAIRES

Dans tout ce qui suit, K désigne un corps quelconque. Vous pouvez considérer, conformément au pro-
gramme, que K = R ou C, mais, sauf mention explicite du contraire, les résultats donnés sont valables
pour tout corps.

I Généralités sur les applications linéaires

I.1 Définitions et propriétés de stabilité

Définition 22.1.1 (Application linéaire, AL)

Une application f : E → F entre deux K-ev est appelée application K-linéaire, ou plus simplement
application linéaire (en abrégé : AL), si :

∀λ ∈ K, ∀x ∈ E, f (λx) = λf (x) et ∀(x, y) ∈ E 2 , f (x + y) = f (x) + f (y).

Proposition 22.1.2 (Respect du neutre)

Soit f : E → F une AL. Alors f (0E ) = 0F .

Proposition 22.1.3 (Caractérisation des AL par respect des CL)

Une application f : E → F est une application linéaire si et seulement si :

∀λ ∈ K, ∀(x, y) ∈ E 2 , f (λx + y) = λf (x) + f (y).

Exemples 22.1.4
1. L’application de R2 dans R définie par f (x, y) = 2x + 3y ?
2. L’application de R3 dans R définie par f (x, y, z) = 3x + 4y + 2z + 1 ?
3. L’application de R2 dans R définie par f (x, y) = xy ?
P
4. La somme , de Cn dans C.
5. L’intégrale, de C 0 ([a, b]) dans R.
6. L’opérateur de dérivation D de C n dans ...
7. L’opérateur de dérivation D de R[X] dans R[X].
8. Étant donné une matrice M ∈ Mn,p (K), et en assimilant Kn à Mn,1 (K), l’application de Kp
dans Kn qui à une matrice colonne X associé la matrice colonne M X.

Nous verrons dans le chapitre suivant que ce dernier exemple fournit la description générique d’une
application linéaire en dimension finie, après choix de bases de E et de F .
Nous obtenons ainsi l’ensemble des flèches entre deux objets de la catégorie des K-espaces vectoriels.

Définition 22.1.5 (Ensemble des applications linéaires)

Soit E et F deux K-ev. On note L(E, F ) l’ensemble des applications linéaires de E vers F .

Ces ensembles de flèches possèdent eux-même une structure d’espace vectoriel :

I Généralités sur les applications linéaires 105

Proposition 22.1.6 (Structure de L(E, F ))

L(E, F ) est un espace vectoriel sur K.

Autrement dit, une combinaison linéaire d’applications linéaires de E vers F est encore une application
linéaire.
Étudions maintenant des propriétés liées à la composition.

Proposition 22.1.7 (Composée de deux applications linéaires)

Soit f ∈ L(E, F ) et g ∈ L(F, G). Alors g ◦ f est une application linéaire de E vers G.

De manière générale, la composition d’applications à valeurs dans un espace vectoriel est toujours linéaire
à gauche, c’est-à-dire (λf + µg) ◦ h = λf ◦ h + µg ◦ h. Si les applications considérés sont linéaires, on
obtient aussi la linéarité à droite. On rappelle :

Définition 22.1.8 (Application bilinéaire)

Soit E, F et G trois K-espaces vectoriels, et ϕ : E × F → G. On dit que ϕ est bilinéaire si elle
est linéaire par rapport à chacune de ses deux variables, l’autre étant fixée, c’est-à-dire si pour tout
(x, x′ , y, y ′ , λ) ∈ E × E × F × F × K,
• ϕ(λx + x′ , y) = λϕ(x, y) + ϕ(x′ , y)
• ϕ(x, λy + y ′ ) = λϕ(x, y) + ϕ(x, y ′ ).

La propriété énoncée plus haut pour les compositions s’exprime alors de la manière suivante :

Proposition 22.1.9 (Bilinéarité de la composition)

La composition d’applications linéaires est bilinéaire. En termes plus précis, E, F et G étant trois K-
ev, l’application Φ de L(E, F ) × L(F, G) dans L(E, G) définie par Φ(u, v) = v ◦ u est une application
bilinéaire.

On pourrait de façon similaire définir une notion d’application n-linéaire (à n variables vectorielles). La
composition de n AL est alors n-linéaire. On verra dans un chapitre ultérieur comment cette notion
d’application multilinéaire est également liée à la notion de déterminant.

I.2 Image et noyau

Dans ce paragraphe, E et F sont deux espaces vectoriels, et f ∈ L(E, F ). On étudie ici deux sous-espaces
liés à une application linéaire : l’image (qui correspond à la notion usuelle d’image) et le noyau.

Définition 22.1.10 (Image et noyau)

1. L’image de f est Im(f ) = {y ∈ F | ∃x ∈ E, f (x) = y} = f (E) ;
2. Le noyau de f est Ker(f ) = {x ∈ E | f (x) = 0} = f −1 ({0})

La structure algébrique de l’image et du noyau découle d’un résultat plus général de préservation de la
structure par image directe et réciproque :

Lemme 22.1.11 (Structure des images directes et réciproques)

1. Soit E ′ un sev de E. Alors f (E ′ ) est un sev de F .
2. Soit F ′ un sev de F . Alors f −1 (F ′ ) est un sev de E.
106 CHAPITRE 22. APPLICATIONS LINÉAIRES

En appliquant ce lemme avec E ′ = E et F ′ = {0}, on obtient :

Proposition 22.1.12 (Structure de l’image et du noyau)

Im(f ) est un sev de F . Ker(f ) est un sev de E.

De façon évidente, l’image mesure le défaut de surjectivité, De façon symétrique, le noyau mesure le
défaut d’injectivité : si Ker(f ) n’est pas un singleton, les définitions amènent de façon immédiate la non
injectivité de f . La réciproque découle du fait que tout défaut d’injectivité peut être translaté en 0 par
linéarité. Nous obtenons :

Théorème 22.1.13 (Caractérisation de la surjectivité et de l’injectivité)

Soit f ∈ L(E, F ). Alors :
(i) f est surjective ssi Im(f ) = F ;
(ii) f est injective ssi Ker(f ) = {0}.

Connaissant une famille génératrice de E (par exemple une base), il n’est pas dur de déterminer l’image
de f :

Proposition 22.1.14 (Famille génératrice de Im(f ))

Soit f ∈ L(E, F ) et (ei )i∈I une famille génératrice de E. Alors f (ei )i∈I est une famille génératrice de
Im(f ) :
Im(f ) = Vect(f (ei ), i ∈ I).

En particulier, si f transforme une famille génératrice de E en une famille génératrice de F , alors f est
surjective.
Si nous appliquons la propriété précédente à l’application de Kp dans Kn définie par X 7→ M X, nous
obtenons la description très simple d’une famille génératrice de Im(f ), dans le cas où f est donnée
matriciellement :

Corollaire 22.1.15 (Image d’une AL décrite matriciellement)

Soit M ∈ Mn,p (K) et f : Kp → Kn (ces ensembles étant vus comme ensemble de vecteurs colonnes),
définie par f (X) = M X. Alors l’image de f est engendrée par la famille des colonnes de la matrice M .

 
Exemple 22.1.16 1 2 3
3  
Décrire l’image de f : X ∈ R 7→ 2 4 6 X.
1 2 3

On en déduit :

Méthode 22.1.17 (Déterminer l’image et le noyau d’une AL)

• Pour déterminer l’image d’une AL f :
∗ Si f est donnée par une matrice (éventuellement après choix d’une base, voir chapitre sui-
vant), considérer la famille des colonnes de cette matrice, qui engendre Im(f ) ;
∗ Sinon, trouver une famille génératrice de E (par exemple une base) et considérer son image.
• Pour déterminer le noyau d’une AL f :
∗ Écrire l’équation f (x) = 0.
I Généralités sur les applications linéaires 107

∗ Si nécessaire, décomposer x dans une base B de E. Grâce à la linéarité de f , l’équation

précédente se ramène alors à un système linéaire d’équations portant sur les coordonnées de
x dans la base B.

Conformément à la terminologie générale, nous définissons :

Définition 22.1.18 (Isomorphisme)

1. Une application linéaire bijective de E vers F est appelée un isomorphisme.
2. On dit que deux espaces vectoriels E et F sont isomorphes s’il existe un isomorphisme f : E → F .

Les résultats généraux sur les structures amènent directement :

Théorème 22.1.19 (Réciproque d’un isomorphisme)

Soit f un isomorphisme entre E et F . Alors f −1 est une application linéaire, et donc un isomorphisme
de F vers E.

I.3 Endomorphismes
Conformément à la terminologie générale, un endomorphisme est une application linéaire d’un espace
dans lui-même :

Définition 22.1.20 (Endomorphisme)

Soit E un espace vectoriel sur K. Une application linéaire de E dans E est appelée endomorphisme de
E. On note L(E) l’ensemble L(E, E) des endomorphismes de E.

Exemples 22.1.21
1. L’identité IdE : x 7→ x de E dans E.
2. L’homothétie (vectorielle) de rapport λ : λIdE : x 7→ λx, de E dans E (λ ∈ K).
3. La dérivation formelle D : R[X] → R[X]
4. La dérivation analytique D : C ? ([a, b]) → C ? ([a, b])
5. L’application matricielle X 7→ M X si M est...

La bilinéarité de la composition des applications linéaires permet de définir sur L(E) une loi de composi-
tion ◦, distributive sur la somme. On obtient alors la structure de l’ensemble L(E) des endomorphismes
de E :

Proposition 22.1.22 (Structure de L(E))

L’ensemble (L(E), +, ◦) est muni d’une structure de K-algèbre.

Nous rappelons ci-dessous la définition d’une K-algèbre :

Définition 22.1.23 (K-algèbre)

Étant donné un corps K, une K-algèbre est un espace vectoriel A sur K, muni d’une seconde loi de
composition interne ×, compatible avec la loi externe dans le sens suivant :

∀λ ∈ K, ∀(x, y) ∈ A2 , λ · (x × y) = (λ · x) × y = x × (λ · y),

et telle que (A, +, ×) soit un anneau.

108 CHAPITRE 22. APPLICATIONS LINÉAIRES

La composition ayant les propriétés usuelles d’un produit, on utilise souvent les conventions de notation
usuelles pour les produits. En particulier la notation vu désigne l’endomorphisme v ◦ u (omission du signe
opératoire), et :

Notation 22.1.24 (Composition itérée)

Étant donné un endomorphisme u de E, et un entier n ∈ N, on désigne par un la n-ième composée
itérée de u, définie récursivement par u0 = IdE et un = u ◦ un−1 pour n ∈ N∗ .

Remarquez que ces conventions de notation ne sont pas gênantes dans la mesure où dans l’espace vectoriel
E, on ne dispose pas d’un produit. L’expression v(x)u(x) n’ayant pas de sens, la notation vu ne peut
désigner que la composition. De même pour f n , l’expression f (x)n n’ayant pas de sens.

Remarque 22.1.25
1. L’anneau L(E) est-il commutatif ? À quelle condition nécessaire et suffisante sur la dimension
de E l’est-il ?
2. L’anneau L(E) est-il intègre ?

Cette dernière remarque amène la définition suivante :

Définition 22.1.26 (Endomorphisme nilpotent)

Un endomorphisme nilpotent de E est un endomorphisme u tel qu’il existe n ∈ N tel que un = 0L(E) .
La valeur minimale de n vérifiant cette propriété est appelée indice de nilpotence de u.

Exemple 22.1.27
 
0 1 0
 
1. X 7→ 0 0 1 X
0 0 0
2. La dérivation, vue comme endomorphisme de ...

Ainsi, d’une certaine façon, si u est nilpotent d’incide n, l’endormophisme u « annule » le polynôme X n .
On dira alors que X n est polynôme annulateur de u. Un autre polynôme annulateur est X n+1 , ou encore
X n (X − 1). La valeur de n étant minimale, X n est le polynôme unitaire de plus bas degré annulant u :
on dira dans ce cas qu’il s’agit du polynôme minimal de u. Nous généralisons ci-dessous ces notions pour
des endomorphismes quelconques.

Définition 22.1.28 (Polynôme d’endomorphisme)

P
n
Soit P = ak X k un polynôme de K[X] et u un endomorphisme d’un K-ev E. On définit le polynôme
k=0
P (u) de l’endomorphisme u par :
n
X n
X
P (u) = ak uk : x 7−→ ak uk (x)
k=0 k=0

La structure d’algèbre de L(E) nous permet d’affirmer que P (u) ∈ L(E).

Remarquez qu’il s’agit d’un cas particulier de spécialisation d’un polynôme à des éléments d’une algèbre,
ainsi que nous l’avons vu dans le chapitre sur les polynômes.
Deux polynômes d’un même endomorphisme commutent, ce qui découle de la commutativité dans K[X],
via le lemme suivant :
I Généralités sur les applications linéaires 109

Lemme 22.1.29 (Spécialisation d’un produit)

Soit u un endomorphisme de E et P et Q deux polynômes de K[X]. Alors (P Q)(u) = P (u) ◦ Q(u).

Proposition 22.1.30 (Commutation des polynômes d’endomorphisme)

Soit u un endormophisme de E et P et Q deux polynômes de K[X]. Alors les deux endomorphismes
P (u) et Q(u) commutent :
P (u) ◦ Q(u) = Q(u) ◦ P (u).

Cela permet en particulier d’exploiter une factorisation d’un polynôme P pour le calcul de P (u).

Exemple 22.1.31
D désignant l’endomorphisme de dérivation de C ∞ (R), et P désignant le polynôme P = (X − 1)(X −
2)(X − 3) = X 3 − 6X 2 + 11X − 6, on obtient, pour une fonction f de classe C ∞ :

f (3) − 6f (2) + 11f ′ − 6f = (D − Id) ◦ (D − 2Id) ◦ (D − 3Id)(f ),

ce qu’on vérifie aisément de façon directe (Id désigne l’identité de C ∞ (R)).

Nous pouvons alors généraliser les notions entrevues lors de l’étude des endomorphismes nilpotents.

Définition 22.1.32 (Polynôme annulateur)

On dit que P ∈ K[X] est un polynôme annulateur de u ∈ L(E) si P (u) = 0L(E) .

Proposition 22.1.33 (Structure de l’ensemble des polynômes annulateurs)

L’ensemble des polynômes annulateurs de u forme un idéal de L(E).

L’anneau K[X] étant principal, on peut alors définir :

Définition 22.1.34 (Polynôme minimal)

Si l’endomorphisme u admet au moins un polynôme annulateur non nul, on définit le polynôme minimal
de u comme étant l’unique polynôme unitaire engendrant l’idéal des polynômes annulateurs de u.

Nous verrons plus loin que si E est de dimension finie n, alors L(E) est également de dimension finie,
égale à n2 . Cela se comprend facilement une fois assimilée la corespondance entre applications linéaires
et matrices. Admettant provisoirement ce résultat, nous obtenons :

Proposition 22.1.35 (Existence d’un polynôme annulateur)

Soit u un endomorphisme d’un espace E de dimension finie n. Alors u admet un polynôme annulateur
non nul, donc un polyôme minimal. De plus, le degré du polynôme minimal est au plus n2 .

La théorie de la réduction des endormophismes (et en particulier le théorème de Cayley-Hamilton que vous
verrez l’an prochain) permet d’établir que le polynôme minimal est de degré au plus n. Le théorème de
Cayley-Hamilton permet de déterminer de façon explicite un polynôme annulateur d’un endomorphisme
dont on connaît une représentation matricielle dans une base, à l’aide des déterminants.
110 CHAPITRE 22. APPLICATIONS LINÉAIRES

I.4 Automorphisme

Définition 22.1.36 (Automophisme, GL(E))

Un automophisme de E est un endomorphisme bijectif, donc une application linéaire qui est à la fois
un endomorphisme et un isomorphisme. On appelle groupe linéaire de E, et on note GL(E), l’ensemble
des automorphismes de E

La terminologie est justifiée par le théorème suivant :

Théorème 22.1.37 (Structure de GL(E))

L’ensemble GL(E) muni de la composition des endomorphismes, est un groupe.

Comme on le verra, dans le chapitre suivant, si E est de dimension n, il existe un isomophisme de groupe
entre GL(E) et le groupe GLn (K) des matrices inversibles de taille n × n à coefficients dans K.

II Projecteurs et symétries

Définition 22.2.1 (Projecteur, symétrie)

1. Soit p ∈ L(E). On dit que p est un projecteur de E ssi p ◦ p = p.
2. Soit s ∈ L(E). On dit que s est une symétrie ssi s ◦ s = id.

Ainsi, un projecteur est par définition un endomorphisme dont X 2 − X est polynôme annulateur, et une
symétrie est un endomorphisme dont X 2 − 1 est polynôme annulateur.

Proposition 22.2.2 (Caractérisation de l’image d’un projecteur)

Soit p un projecteur de E. Alors x ∈ Im(p) si et seulement si p(x) = x, ce qui se traduit par l’égalité
ensembliste :
Im(p) = Ker(p − IdE ).

Théorème 22.2.3 (Diagonalisation d’un projecteur)

Soit p un projecteur de E. Alors :

E = Ker(p) ⊕ Ker(p − IdE ).

Cette propriété exprime le fait que p est « diagonalisable ».

De façon générale, dire qu’un endomorphisme f est diagonalisable signifie que l’espace E peut être
décomposé en somme directe d’espaces stables par f sur lesquels p induit une homothétie. Ainsi, f est
entièrement déterminé par un ensemble de vecteurs engendrant E et sur lesquels f est simplement une
dilatation. En termes plus précis :

Définition 22.2.4 (Endomorphisme diagonalisable)

• Un endomorphisme f de E est diagonalisable s’il existe une base (bi )i∈I de E et une famille
(λi )i∈I de scalaires tels que pour tout i ∈ I, f (bi ) = λi bi .
• Les λi sont appelées valeurs propres de f .
• Étant donné une valeur propre λ, un vecteur x non nul tel que f (x) = λx est appelé vecteur
propre associé à λ
II Projecteurs et symétries 111

• Si λ est une valeur propre de f , Ker(f − λId) est appelé sous-espace propre de f associé à la
valeur propre λ.

Ainsi, dire que f est diagonalisable revient à dire que E est somme directe des sous-espaces propres de f .
Vous verrez l’année prochaine que cela équivaut en dimension finie à l’existence d’une base (par exemple
la base donnée dans l’énoncé de la définition) relativement à laquelle la matrice de f est diagonale (voir
chapitre suivant pour la notion de matrice associée à un endomorphisme)

Corollaire 22.2.5
Un projecteur distinct de 0 ou Id, admet exactement deux valeurs propres 0 et 1, et est diagonalisable.

Remarque 22.2.6
Les valeurs propres de u sont les racines du polynôme annulateur X 2 − X. Ce n’est pas anodin. L’en-
semble des valeurs propres est toujours inclus dans l’ensemble des racines d’un polynôme annulateur,
et on a l’égalité s’il s’agit du polynôme minimal.

Le théorème précédent est en fait une caractérisation des projecteurs

Théorème 22.2.7 (Caractérisation géométrique des projecteurs)

Soit p ∈ L(E).
• Alors p est un projecteur si et seulement s’il existe deux sev F et G de E tels que F ⊕ G = E,
et :
∀u ∈ F, ∀v ∈ G, p(u + v) = u.
Cette dernière identité traduit le fait que p est la projection géométrique sur F parallèlement à
G.
• Dans ce cas, on a F = Im(p) et G = Ker(p).
• Ainsi, un projecteur est une projection géométrique sur Im(p) parallèlement à Ker(p).

Le même travail peut être fait pour les symétries.

Théorème 22.2.8 (Diagonalisation d’une symétrie)

Soit s une symétrie de E. Alors :

E = Ker(s + IdE ) ⊕ Ker(s − IdE ).

Ce dernier résultat traduit le fait que s est diagonalisable, et si s est distinct de IdE et −IdE , alors les
valeurs propres de s sont exactement 1 et −1. On peut à nouveau remarquer qu’il s’agit des racines du
polynôme annulateur X 2 − 1.
Encore une fois, le théorème précédent est une caractérisation des symétries, et donne l’interprétation
géométrique des symétries.

Théorème 22.2.9 (Caractérisation géométrique des symétries)

Soit s ∈ L(E).
• Alors s est une symétrie si et seulement s’il existe deux sev F et G de E tels que F ⊕ G = E,
et :
∀u ∈ F, ∀v ∈ G, s(u + v) = u − v.
112 CHAPITRE 22. APPLICATIONS LINÉAIRES

Cette dernière identité traduit le fait que s est la symétrie géométrique par rapport à F parallè-
lement à G.
• Dans ce cas, on a F = Ker(s − IdE ) et G = Ker(s + IdE ).
• Ainsi, une symétrie au sens algébrique s est une symétrie géométrique par rapport à Ker(s−IdE )
(l’ensemble des points fixes), parallèlement à Ker(s + IdE ).

III Applications linéaires et familles de vecteurs

III.1 Détermination d’une application linéaire
Nous commençons par un résultat de rigidité, exprimant le fait que l’image d’un nombre limité de vecteurs
de E par une application linéaire u permet de déterminer entièrement l’application linéaire u. En effet,
par linéarité, la connaissance de u sur une famille de vecteurs amène sa connaissance sur tout l’espace
engendré par cette famille. On obtient donc le résultat suivant :

Proposition 22.3.1 (Détermination d’une AL par l’image d’une base)

Étant donné (bi )i∈I une base de E et (fi )i∈I une famille quelconque de F , il existe une unique appli-
cation linéaire u ∈ L(E, F ) telle que pour tout i ∈ I, f (bi ) = fi .

Ainsi, une application linéaire de E dans F est entièrement déterminée par l’image d’une base de E.

Exemples 22.3.2
1. Déterminer l’expression générale de l’application linéaire de R2 dans R2 telle que f (1, 0) = (3, 2)
et f (0, 1) = (2, 1).
2. Montrer que toute application linéaire de Rp dans Rn est de la forme X 7→ M X, et décrire M
à partir d’une base de Rp .
3. Soit (bi )i∈I une base de E et (cj )j∈J une base de F . Alors pour tout (i, j) ∈ I × J, il existe une
unique application linéaire ui,j telle que ui,j (bi ) = cj et pour tout k 6= i, ui,j (bk ) = 0.

Proposition 22.3.3 (Base de L(E, F ))

Si E est de dimension finie, la famille (ui,j )(i,j)∈I×J décrite dans l’exemple ci-dessus est une base de
L(E, F ).

Corollaire 22.3.4 (Dimension de L(E, F ))

Si E et F sont de dimension finie, alors :

dim L(E, F ) = dim(E) × dim F.

Remarques 22.3.5
1. Pensez au cas des applications linaires de Kp dans Kn , qui sont obtenues, comme on l’a vu plus
haut, sous la forme uM : X 7→ M X, avec M ∈ Mn,p (K). Il n’est pas dur de voir que M 7→ uM
est un isomorphisme d’espace vectoriel entre Mn,p (K) et L(Kp , Kn ). Or, une matrice étant la
donnée de n × p coefficients indépendants, la dimension de Mn,p (K) est np. On retrouve sur cet
exemple le résultat précédent.
III Applications linéaires et familles de vecteurs 113

2. Ce n’est d’ailleurs pas qu’un exemple, car comme on le verra dans le paragraphe suivant, tout K-
espace vectoriel E de dimension finie est isomorphe à Kn , où n = dim(E). Via cet isomophisme,
la situation décrite ci-dessus est générique.
3. En partant des bases canoniques de Kp et de Kn , la base décrite ci-dessus de L(Kp , Kn ) corres-
pond à la base de Mn,p (K) formée des matrices Ei,j , constituées de coefficients tous nuls, sauf
le coefficient en position (i, j), égal à 1. Il s’agit de la base canonique de Mn,p (K).
4. L’espace vectoriel Mn,p (K) est isomorphe à Knp par l’isomophisme consistant à réordonner
les coefficients en les écrivant en une seule ligne (ou en une seule colonne), en juxtaposant les
différentes lignes les unes à la suite des autres. Via cet isomorphisme, quitte à réordonner les
éléments de la base, la base canonique de Mn,p (K) correspond à la base canonique de Knp .

III.2 Caractérisations de l’injectivité et de la surjectivité par l’image de bases

L’image d’une base par un endomorphisme déterminant entièrement l’application linéaire, toutes les
propriétés telles que l’injectivité et la surjectivité peuvent se voir déjà dans la description de l’image
d’une base. Ainsi, ces propriétés peuvent être caractérisées par l’image d’une base.

Proposition 22.3.6 (Caractérisation de l’injectivité par l’image d’une base)

Soit f ∈ L(E, F ). Les propriétés suivantes sont équivalentes :
(i) f est injective ;
(ii) l’image de toute famille libre de E par f est une famille libre de F ;
(iii) (en dim. finie ou avec AC) l’image de toute base de E par f est une famille libre de F ;
(iv) (en dim. finie ou avec AC) il existe une base de E dont l’image par f est une famille libre de F .

Proposition 22.3.7 (Caractérisation de la surjectivité par l’image d’une base)

Soit f ∈ L(E, F ). Les propriétés suivantes sont équivalentes :
(i) f est surjective ;
(ii) l’image de toute famille génératrice de E par f est une famille génératrice de F ;
(iii) (en dim. finie ou avec AC) l’image de toute base de E par f est une famille génératrice de F ;
(iv) (en dim. finie ou avec AC) il existe une base de E dont l’image par f est une famille génératrice
de F .

En combinant ces deux caractérisations, nous obtenons :

Proposition 22.3.8 (Caractérisation de la bijectivité par l’image d’une base)

Soit f ∈ L(E, F ). Si E admet au moins une base (ce qui est toujours vrai en dimension finie, et vrai
en dimension quelconque avec l’AC), les propriétés suivantes sont équivalentes :
(i) f est un isomorphisme ;
(ii) l’image de toute base de E par f est une base de F ;
(iii) il existe une base de E dont l’image par f est une base de F .

On en déduit en particulier :
114 CHAPITRE 22. APPLICATIONS LINÉAIRES

Corollaire 22.3.9 (Dimension d’espaces isomorphes)

Soit E et F deux espaces isomorphes. Alors si l’un des deux espaces E ou F est de dimension finie,
les deux le sont, et dim(E) = dim(F ).

Corollaire 22.3.10 (Classification à isomorphisme près des espaces de dimension finie)

(i) Tout K-ev E de dimension finie n est isomorphe à Kn .
(ii) Si n 6= m, Kn et Km ne sont pas isomorphes

Plus précisément, un isomorphisme tel que dans (i) est obtenu par le choix d’une base de E, et correspond
alors à la donnée des coordonnées d’un vecteur x dans cette base.
Le dernier résultat peut se réexprimer en remarquant que la relation d’isomorphisme définit une relation
d’équivalence, notée ≃, sur l’ensemble Ef des K-ev de dimension finie. L’espace quotient est alors :

(Ef / ≃) = N.

III.3 Recollements
Une généralisation de la détermination d’une application linéaire par l’image d’une base est la possibilité
de définir, et ceci de façon unique, une application linéaire à partir de ses restrictions sur une famille
L
(Ei )i∈I de sous-espaces vectoriels tels que Ei = E. Le cas de la détermination à partir de l’image
i∈I
d’une base en découle en considérant la famille (Vect(bi ))i∈I . On énonce :

Théorème 22.3.11
M
Soit I un ensemble fini. Soit (Ei )i∈I une famille de sous-espaces vectoriels de E tels que Ei = E,
i∈I
et soit pour tout i ∈ I, ui ∈ L(Ei , F ). Alors il existe une et une seule application linéaire u ∈ L(E, F )
telle que pour tout i ∈ I, ui = u|Ei .

Si, sous les mêmes conditions sur les Ei , les ui sont des endomorphismes des Ei , on peut faire la même
chose en considérant les applications vi = ji ◦ ui , où ji est l’inclusion de Ei dans E. L’application u
obtenue est alors un endomorphisme de E.
En revanche, contrairement au cas précédent où toute application linéaire de L(E, F ) peut être obtenue
comme recollement d’applications linéaires de L(Ei , F ), tout endormophisme de E ne peut pas être obtenu
comme recollement d’endomorphismes des Ei (le problème provenant de la corestriction faite sur l’espace
image). Matriciellement, si E est de dimension finie, après choix d’une base de E obtenue par recollement
de bases des Ei , un endomorphisme pouvant s’obtenir ainsi est un endormorphisme dont la matrice sera
diagonale par blocs (voir chapitre suivant)
Nous donnons une condition pour que ce soit le cas :

Proposition 22.3.12 (Restriction d’un endomorphisme)

Soit E un K-ev et F un sous-espace vectoriel de E. Soit u ∈ L(E). Si F est stable par u (c’est-à-dire
si u(F ) ⊂ F , ou encore si pour tout x ∈ F , u(x) ∈ F ) alors u induit par restriction et corestriction un
endomorphisme uF de F .

Proposition 22.3.13 (Décomposition d’un endomorphisme sur une somme de sev stables)
M
Soit E un K-ev et (Ei )i∈I des sev en nombre fini, tels que E = Ei . Soit u ∈ L(E). Si les Ei sont
i∈I
tous stables par u, et si ui désigne l’endomorphisme de L(Ei ) induit par u, alors u est le recollement
des endomorphismes ui dans le sens évoqué ci-dessus.
IV Applications linéaires en dimension finie 115

IV Applications linéaires en dimension finie

IV.1 Rang d’une application linéaire

Définition 22.4.1 (Rang d’une application linéaire)

Soit u ∈ L(E, F ) une application linéaire. Si Im(u) est de dimension finie, on définit le rang de u par :

rg(u) = dim(Im(u)).

Proposition 22.4.2
Soit (xi )i∈I une famille génératrice de E. Le rang de u, s’il existe, est égal au rang de la famille
(u(xi ))i∈I .

Proposition 22.4.3 (Existence du rang en dimension finie)

• Soit u ∈ L(E, F ). Si E et/ou F sont de dimension finie alors Im(u) également, et

rg(u) 6 dim(E) et/ou rg(u) 6 dim(F ).

• Sous les conditions idoines d’existence :

∗ rg(u) = dim(E) si et seulement si u est injective ;
∗ rg(u) = dim(F ) si et seulement si u est surjective.

On en déduit en particulier :

Théorème 22.4.4 (Caractérisation des isomorphismes en dimension finie)

Soit E et F deux espaces vectoriels de même dimension finie n, et soit f ∈ L(E, F ). Alors les
propositions suivantes sont équivalentes :
(i) f est un isomorphisme ;
(ii) rg(f ) = n ;
(iii) f est injective ;
(iv) f est surjective.

En particulier, si E est de dimension finie, un endomorphisme f ∈ L(E) est un automorphisme si et

seulement si f est injective si et seulement si f est surjective.

Théorème 22.4.5 (Effet d’une composition sur le rang)

Soit u ∈ L(E, F ) et v ∈ L(F, G).
1. rg(v ◦ u) 6 min(rg(u), rg(v)).
2. Si v est injective, rg(v ◦ u) = rg(u).
3. Si u est surjective, rg(v ◦ u) = rg(v)

En particulier :
116 CHAPITRE 22. APPLICATIONS LINÉAIRES

Corollaire 22.4.6 (Invariance du rang par composition par un isomophisme)

Tout est dit dans le titre, la composition pouvant se faire à droite ou à gauche.

IV.2 Théorème du rang

Cette section courte, mais ô combien importante, a pour objet un résultat reliant la dimension de l’image
et la dimension du noyau d’une application linaire (théorème du rang). En gros, ce théorème dit que,
partant du fait qu’il n’y a pas de perte de dimension entre l’espace initial et l’image lorsque u est injective,
tout défaut d’injectivité se traduit par une perte sur l’image égale à la dimension du noyau : la dimension
du noyau (donc la dimension d’un ensemble d’éléments tous envoyés sur le même point) correspond à la
dimension qu’on perd entre l’espace initial et l’image.
Pour établir ce résultat, nous commençons par étudier les propriétés relatives au noyau et à l’image de
restrictions.

Lemme 22.4.7 (Noyau et image d’une restriction)

Soit u ∈ L(E, F ), et E ′ un sous-espace de E. Soit v ∈ L(E ′ , F ) la restriction de u à E ′ . Alors :
• Ker(v) = Ker(u) ∩ E ′
• Si Ker(u) + E ′ = E, Im(v) = Im(u).

Corollaire 22.4.8 (Restriction de u à un supplémentaire de Ker(u))

Soit S un supplémentaire de Ker(u) dans E. Alors u induit un isomorphisme de S sur Im(u).

Remarquez que ce dernier résultat ne nécessite pas d’hypothèse de finitude. Cependant, si E n’est pas de
dimension finie, il est nécessaire de supposer l’axiome du choix, afin d’assurer l’existence du supplémentaire
S.
On déduit du corollaire précédent le très important :

Théorème 22.4.9 (Théorème du rang)

Soit E un espace vectoriel de dimension finie, et F un espace vectoriel quelconque. Soit f ∈ L(E, F ).
Alors :
dim Ker f + rg f = dim E.

V Formes linéaires
Nous terminons ce chapitre par l’étude d’une famille importante d’applications linéaires : les formes
linéaires, qui correspondent aux applications linéaires à valeurs dans le corps de base. Les formes linéaires
sont intimement liées à la notion d’hyperplan (généralisant la notion de plan en dimension 3). Elles sont
aussi à la base des théories de dualité (qui ne sont pas au programme).

V.1 Formes linéaires, espace dual, hyperplan

Définition 22.5.1 (Forme linéaire)

Une forme linéaire sur un K-espace vectoriel E est une application linéaire de E vers K, donc un
élément de L(E, K).
V Formes linéaires 117

Exemples 22.5.2
Z b
1. f 7→ f (t) dt sur ...
a
2. La trace sur Mn (R).
3. L’évaluation des polynômes en a.

Définition 22.5.3 (Dual)

Soit E un espace vectoriel. On appelle dual de E, et on note E ∗ , l’espace vectoriel L(E, K) constitué
des formes linéaires. Le bidual E ∗∗ est alors le dual de E ∗ .

On définit alors les hyperplans de la manière suivante :

Définition 22.5.4 (Hyperplan)

Soit H un sous-espace vectoriel de E. On dit que H est un hyperplan de E s’il existe une forme linéaire
non nulle ϕ ∈ E ∗ telle que H = Ker(ϕ). L’équation ϕ(x) = 0, caractérisant l’appartenance à H, est
appelée équation de H.

Proposition 22.5.5 (Caractérisation des hyperplans en dimension finie)

Si E est de dimension finie n, les hyperplans de E sont exactement les sous-espaces vectoriels de E de
dimension n − 1.

En appelant codimension du sous-espace F de E la quantité codimE (F ) = dim(E) − dim(F ), les hyper-

plans sont donc les sous-espaces de E de codimension 1.

Exemples 22.5.6
1. Les plans vectoriels de R3 .
2. Les droites vectorielles de R2 .
3. Les polynômes sans terme constant.

Théorème 22.5.7 (Caractérisation par les supplémentaires)

Soit H un sous-espace de E. Alors H est un hyperplan de E si et seulement si H admet un supplé-
mentaire égal à une droite de E.

Malgré l’utilisation de supplémentaires en dimension non nécessairement finie, ce théorème ne nécessite

pas l’axiome du choix.

Proposition 22.5.8 (Comparaison de deux équations de H)

Soit H un hyperplan de E, d’équation ϕ ∈ E∗ . Alors pour tout ψ ∈ E ∗ , ψ(x) = 0 est une équation de
H si et seulement si ψ 6= 0 et ψ ∈ Vect(ϕ).

Ainsi, à tout hyperplan de E correspond une droite du dual E ∗ .

Théorème 22.5.9 (Intersection d’hyperplans)

Soit E un espace de dimension finie n.
118 CHAPITRE 22. APPLICATIONS LINÉAIRES

1. L’intersection de m hyperplans de E est un sous-espace vectoriel de dimension au moins n − m.

2. Réciproquement, tout sous-espace vectoriel F de E de dimension n − m peut s’écrire comme
l’intersection de m hyperplans.

Remarquez qu’en dimension finie, après choix d’une base (b1 , · · · , bn ), une forme linéaire sera décrite par
une expression du type
Xn
ϕ(x) = ai xi ,
i=1

où les xi sont les coordonnées de x dans la base (b1 , . . . , bn ). Ainsi, l’équation d’un hyperplan est de la
forme
a1 x1 + · · · + an xn = 0.
On retrouve les équations usuelles d’une droite dans R2 (ax+by = 0) ou d’un plan dans R3 (ax+by +cz =
0), les x, y et z correspondant ici aux coordonnées dans la base canonique.
Ce que dit le dernier théorème est alors simplement le fait qu’un sous-espace de dimension n − m (donc
de codimension m) peut être décrit par un système de m équations de ce type.

V.2 Qu’est-ce que le principe de dualité ? (hors-programme)

Nous introduisons ici, sans preuve, quelques notions relatives à la notion de dualité en algèbre linéaire.
On suppose que E est de dimension finie. La plupart des notions peuvent se définir en dimension infinie,
mais l’identification de E et E ∗∗ , à la base du principe de dualité, n’est valable qu’en dimension finie.
Soit ϕ ∈ E ∗ et x ∈ E. On note hx, ϕi = ϕ(x). Cela définit clairement une application bilinéaire de E × E ∗
dans K. En particulier, en fixant x, on obtient une forme linéaire de E ∗ dans K, donc un élément du
bidual E ∗∗ :

Définition 22.5.10 (Application canonique)

L’application J : E 7→ E ∗∗ qui à x associe l’élément de E ∗∗ défini par ϕ 7→ hx, ϕi = ϕ(x) est appelée
application canonique de E dans son bidual.

Théorème 22.5.11 (Identification de E et E ∗∗ )

Si E est de dimension finie, J est un isomorphisme.

On peut alors identifier l’espace E et son bidual E ∗∗ . Le principe de dualité est alors que toute propriété
de dualité démontrée pour les couples (E, E ∗ ) reste vraie pour les couples (E ∗ , E).
Il peut être intéressant, de ce fait, de transcrire les objets définis sur E en des objets analogues (leur
correspondant par dualité) sur E ∗ . Nous commençons par les applications linéaires.

Définition 22.5.12 (Transposée d’une AL)

Soit f ∈ L(E, F ). On appelle transposée de f , et on note tf , l’application de L(F ∗ , E ∗ ) définie par
t
f (ϕ) = ϕ ◦ f .

On peut vérifier que pour tout x ∈ E et tout ϕ ∈ E ∗ , hx, tf (ϕ)i = hf (x), ϕi.
On peut également vérifier que, modulo l’isomophisme J, on a t( tf ) = f .
La notation tf n’est pas anodine. Par la notion de base duale exposée ci-dessous, et en anticipant les
représentations matricielles des applications linéaires (voir chapitre suivant), la matrice de tf dans la
base duale est la transposée de la matrice de f dans la base initiale de E.
V Formes linéaires 119

Cette base duale, qui est donc l’objet associé par dualité à une base de E se définit de la manière suivante.
On suppose ici que E est de dimension finie, et on considère une base (e1 , . . . , en ) de E.

Définition 22.5.13 (Base duale)

La base duale de (e1 , . . . , en ) est la famille (e∗1 , . . . , e∗n ) d’éléments de E ∗ , où e∗i est l’unique forme
linéaire prenant la valeur 1 sur ei et 0 sur les autres ej . Il s’agit d’une base de E ∗

Remarquez qu’il ne s’agit de rien d’autre que la base de L(E, F ) décrite plus haut, dans le cas où F = K,
de base (1). Remarquez également que e∗i est caractérisé par l’équation :

hej , e∗i i = δi,j ,

où δi,j est le symbole de Kronecker, égal à 1 si i = j, et 0 sinon.

Là encore, il convient de remarquer que la notion définie est bien une notion duale, dans le sens où la
base duale de la base duale s’identifie à la base initiale par l’isomorphisme J.
Enfin, nous définissons les version duales des sous-espaces vectoriels de E.

Définition 22.5.14 (Orthogonalité duale)

Soit A un sous-espace vectoriel de E, on appelle orthogonal (dual) de H dans E ∗ le sous-espace vectoriel
A◦ = {ϕ ∈ E∗ | ∀x ∈ A, hx, ϕi = 0}.

Exemple 22.5.15
Si ϕ ∈ E ∗ fournit une équation de l’hyperplan H de E, on a H ◦ = Vect(ϕ).

Proposition 22.5.16 (Orthogonal d’une intersection, d’une somme)

Soit F et G deux sous-espaces de E de dimension finie. On a alors (F + G)◦ = F ◦ ∩ G◦ et (F ∩ G)◦ =
F ◦ + G◦ .

Proposition 22.5.17 (Double-orthogonal)

Soit A un sev de E de dimension finie. On a alors A◦◦ = A (via l’isomorphisme J).

Enfin, nous énonçons une propriété sur les dimensions :

Proposition 22.5.18 (Dimension de l’orthogonal)

Soit A un sous-espace vectoriel de E de dimension finie. On a alors :

dim A◦ = n − dim A.

On peut retrouver de la sorte la description des intersections d’hyperplans (les égalités étant à comprendre
via J) :

H1 ∩ · · · ∩ Hk = Vect(ϕ1 )◦ ∩ · · · ∩ Vect(ϕk )◦ = (Vect(ϕ1 ) + · · · + Vect(ϕk ))◦ = (Vect(ϕ1 , . . . , ϕk ))◦ .

Comme Vect(ϕ1 , . . . , ϕk ) est de dimension au plus k, son dual est de dimension au plus n− k. On a égalité
si et seulement si les équations des hyperplans Hi sont linéairement indépendantes (i.e. (ϕ1 , . . . , ϕn ) est
une famille libre).
120 CHAPITRE 22. APPLICATIONS LINÉAIRES

La deuxième propriété du même théorème en découle aussi : si F est un sous-espace vectoriel de dimension
n − m de E, F ◦ est de dimension m. Ainsi, il existe une base (ϕ1 , . . . , ϕm ) de F ◦ , et on a alors :

F = (Vect(ϕ1 ) + · · · + Vect(ϕm ))◦ = H1 ∩ · · · ∩ Hm ,

où pour tout i ∈ [[1, m]], Hi = Vect(ϕi )◦ .

Nous ne poussons pas plus l’étude de la dualité, qui pourrait nous mener fort loin, notre but étant
uniquement de donner un premier aperçu d’une notion que vous développerez ultérieurement de façon
plus approfondie.
 23
Matrices

La Matrice est universelle. Elle est omniprésente. Elle est avec nous ici, en ce moment même.
(Matrix – Lana et Andy Wachowski)
Comme nous l’avons vu dans le chapitre précédent, la notion de matrice est indissociable de celle d’appli-
cation linéaire. Nous avons déjà constaté au cours d’exemples que toute application linéaire de Kp dans
Kn peut se représenter matriciellement sous la forme X 7→ M X. Cela reste vrai pour toute application
linéaire entre deux espaces vectoriels de dimension finie, à condition d’avoir fixé au préalable une base de
chacun de ces espaces : les systèmes de coordonnées définis par ces bases nous ramènent alors au cas de
L(Kp , Kn ).

Note Historique 23.0.1

La notion de tableau de nombre en soi est vieille (étude de carrés magiques dans l’antiquité). Les règles
opératoires, et le rapport avec les applications linéaires est plus récent. C’est Gauss le premier qui met le doigt
sur ce rapprochement, à une époque où espaces vectoriels et applications linéaires n’avaient pas encore vu le
jour. Le problème qui l’intéressait était de faire des changements de variables dans des formes quadratiques
(polynômes de plusieurs variables de degré 2), de sorte à se ramener à des formes simples. Ces changements
de variables portant sur plusieurs variables se présentent sous la forme de « substitutions linéaires » dans les
termes de Gauss (c’est-à-dire d’applications linéaires). Pour alléger ses notations, il présente ses substitutions
linéaires en n’en donnant que les coefficients, rangés dans un tableau... Ce n’est rien d’autre que la représentation
matricielle d’une application linéaire. Il fait ensuite remarquer que si on enchaîne deux substitutions, on obtient
une règle calculatoire permettant de trouver le tableau associé à la composée : il a découvert le produit matriciel.

Il est important de retenir de cette histoire que l’expression un peu compliquée du produit matriciel n’a
pas été donnée au hasard : la définition du produit matriciel a été motivée historiquement par les règles
de composition des applications linéaires.

I Matrice d’une application linéaire et opérations matricielles

Nous avons déjà vu que les applications linéaires entre Kp et Kn sont exactement les applications de la
forme f : X 7→ M X, où M ∈ Mn,p (K). La matrice M est alors la matrice constituée des colonnes Ci
égales aux images des vecteurs de la base canonique de Rp par f .
Le but de ce paragraphe est de généraliser cette description matricielle au cas d’applications linéaires
f ∈ L(E, F ) dans le cas où E et F sont de dimension finie et munis des bases B et C respectivement.
Assez logiquement, on considérera alors la matrice dont les colonnes sont les coordonnées dans la base C
des images par f des vecteurs dans la base B.
Nous verrons que cette description matricielle motive l’expression un peu compliquée du produit matriciel,
de sorte que via cette correspondance, le produit matriciel correspond à la composition des applications
linéaires.
122 CHAPITRE 23. MATRICES

Avant de pouvoir faire cette construction, nous définissons les différents objets qui interviennent.

I.1 L’ensemble des matrices de type (n, p)

Dans tout ce qui suit, K désigne un corps, et n et p deux entiers naturels.

Définition 23.1.1 (Matrice)

Une matrice de taille n × p (n lignes et p colonnes) à coefficients dans K est la donnée d’une famille
A = (ai,j )(i,j)∈[[1,n]]×[[1,p]] d’éléments de K. On utilise la représentation planaire suivante :
 
a1,1 · · · a1,p
 . .. 
A=  ..

. .
an,1 · · · an,p

Définition 23.1.2 (Ensemble des matrices)

L’ensemble des matrices de taille n × p (on dit aussi de type (n, p)) à coefficients dans K est noté
Mn,p (K).

Définition 23.1.3 (Matrices carrées)

Si n = p, on dit que la matrice est carrée, et on note simplement Mn (K) au lieu de Mn,n (K) l’ensemble
des matrices carrées de taille n. Par ailleurs on parlera souvent plutôt de matrice carrée d’ordre n plutôt
que de matrice de taille n ou n×n. Cette notion d’ordre est à distinguer de la notion d’ordre des éléments
d’un groupe ; cela n’a aucun rapport.

Une matrice est souvent représentée sous forme d’un tableau, explicite dans le cas d’une matrice déter-
minée de petite taille, ou avec des « . . . » dans le cas de matrice explicites ou non, de taille variable. Par
exemple :  
 
1 4 2 1 ··· n
  . .. 
M1 = 5 2 2 M2 = (i + j − 1)16i,j6n =  .. . 

7 6 1 n · · · 2n − 1
 
a1,1 ··· a1,n
 . .. 
M3 = (ai,j )16i,j6n 
=  .. 
. .
an,1 · · · an,n
Dans une telle représentation, le premier indice est toujours l’indice de ligne, et le second l’indice de
colonne.


Terminologie 23.1.4 (Matrices colonnes, matrices lignes) x1
 . 
• Une matrice X ∈ Mn,1 (K) est appelée matrice colonne, et est représentée par : X =  .. 

xn
• Une matrice X ∈ M1,n (K) est appelée matrice ligne, et est représentée par : X = (x1 · · · xn )
• On peut identifier Kn indifféremment à Mn,1 (K) ou M1,n (K), suivant la situation.
• M1,1 (K) peut être identifié à K (matrice constituée d’un unique coefficient)

Les puristes distinguent Kn et Mn,1 (K) ou M1,n (K). D’ailleurs, dans la notation sous forme de n-uplet,
les virgules permettent de distinguer un tel objet d’une matrice ligne. Sans une telle identification, on
I Matrice d’une application linéaire et opérations matricielles 123

ne peut alors pas considérer aussi facilement l’application linéaire X 7→ M X comme une application de
L(Kp , Kn ).
Nous ne ferons pas une telle distinction dans la suite du cours.

Même si la plupart d’entre vous connaissez déjà les opérations sur les matrices, on considère au début
de ce chapitre qu’on ne sait ni sommer ni multiplier des matrices. On montre dans la suite du chapitre
comment la correspondance avec les applications linéaires permet de motiver la définition des opérations
sur les matrices.

I.2 Matrice d’une application linéaire

Soit E et F deux espaces vectoriels de dimensions finies respectives p et n.

Définition 23.1.5 (Coordonnées d’un vecteur)

Soit C = (c1 , . . . , cn ) une base de F , et X ∈ F . Alors il existe d’uniques scalaires x1 , . . . , xn tels que
X = x1 c1 + · · · + xn cn . On définit la matrice colonne des coordonnées de X dans la base C par :
 
x1
 . 
[X]C =  
 ..  .
xn

Définition 23.1.6 (Matrice associée à une famille)

Sous les mêmes hypothèses, soit (X1 , . . . , Xk ) une famille de vecteurs de F . Alors la matrice de cette
famille dans la base C est :  
[X1 , . . . , Xk ]C = [X1 ]C · · · [Xk ]C .
Ainsi, il s’agit de la matrice dont la i-ème colonne comporte les coordonnées dans la base C du vecteur
Xi .

Définition 23.1.7 (Matrice d’une AL relativement à des bases)

Soit f ∈ L(E, F ), et soit B = (b1 , . . . , bp ) une base de E et C = (c1 , . . . , cn ) une base de F . Alors la
matrice de f relativement aux bases B et C est la matrice MatB,C (f ) de la famille (f (b1 ), . . . , f (bp ))
dans la base C :  
MatB,C (f ) = [f (b1 ), . . . , f (bp )]C = [f (b1 )]C · · · [f (bp )]C .

Ainsi, il s’agit de la matrice de type (n, p) dont la i-ème colonne donne les coordonnées du vecteur
f (bi ) dans la base C.

Réciproquement, étant données des bases B et C de E et F , et M une matrice de taille adaptée, la propriété
de rigidité des applications linéaires nous assure qu’il existe une unique application linéaire envoyant pour
tout i le i-ième vecteur de la base B sur le vecteur dont les coordonnées dans C sont données par la i-ème
colonne de M . En d’autres termes, il existe une unique application linéaire de L(E, F ) dont la matrice
relativement aux bases B et C est M . On énonce :

Proposition 23.1.8 (Correspondance AL-matrice)

Soit E un espace vectoriel de dimension p et F un espace vectoriel de dimension n. L’application
MatB,C : L(E, F ) → Mn,p (K) est une bijection.
124 CHAPITRE 23. MATRICES

Remarque 23.1.9
Si on prend E = Kp , F = Kn , et pour B et C les bases canoniques de ces espaces, on retrouve la matrice
Matb.c. (f ). On dit dans ce cas que Matb.c. (f ) est la matrice canoniquement associée à f ∈ L(Kp , Kn ).
Réciproquement, étant donné une matrice M ∈ Mn,p (K), l’unique application linéaire f ∈ L(Kp , Kn )
dont la matrice relativement aux bases canoniques est M est appelée application linéaire canoniquement
associée à la matrice M .

Exemple 23.1.10
1. Soit f : R2 −→ R définie par f (x, y) = 2x + 3y. Déterminer MatB,C (f ) lorsque :
• B = b.c., C!= (1)
!!
1 1
• B= , C = (2)
1 2
2. Soit f : R2 −→ R2 définie par f (x, y) = (2x − y, x + 2y).
• Matb.c. (f )? ! !!
1 1
• MatB,C (f ) lorsque B = C =
−1 2
3. Matrice de l’opérateur de dérivation D ∈ L(Rn [X]) relativement à la base canonique (au départ
et à l’arrivée)
4. Trouver une base B de Rn [X] telle que
 
0 1 0
··· 0
. .. ..
. .. 
 .. . . .. .
 
. .. . 
MatB,B (D) = Jn+1 =
 .. . .. 
0 .
. 
. .. 
. . 1
0 ··· ··· ··· 0

La matrice Jn+1 est appelée matrice de Jordan d’ordre n + 1.

5. Plus généralement, soit E un espace de dimension n, et u un endomorphisme nilpotent, d’indice
de nilpotence égal à n. Montrer qu’il existe une base relativement à laquelle la matrice de u est
Jn .

I.3 Structure d’espace vectoriel de Mn,p (K)

On a déjà vu qu’étant donné un espace vectoriel E, un ensemble F et une bijection f : E → F , on peut
transférer la structure de E sur F en définissant les lois sur F par :

x′ × y ′ = f (f −1 (x′ ) × f −1 (y ′ )) et λ · x′ = f (λ · f −1 (x′ )).

Nous complétons cette description par la propriété suivante :

Proposition 23.1.11 (Isomorphisme induit par un transfert)

Soit f : E → F une bijection, E étant muni d’une structure d’espace vectoriel. Alors, si on munit F
de la structure d’espace vectoriel transférée de E par f , f est un isomorphisme d’espaces vectoriels.

La construction du transfert (et l’isomophisme qui s’en déduit) se généralise bien sûr à d’autres structures
que les espaces vectoriels.
Ainsi, on peut munir Mn,p (K) de la structure d’espace vectoriel transférée de la structure de L(E, F )
via la bijection u 7→ MatB,C (u). Cette structure dépend a priori de E et F et du choix des bases sur cet
espace. La proposition ci-dessous montre que tel n’est pas le cas :
I Matrice d’une application linéaire et opérations matricielles 125

Proposition 23.1.12 (Combinaisons linéaires des matrices)

La structure d’espace vectorielle sur Mn,p (K) définie par transfert est indépendante de E, F et leur
base. Plus explicitement, elle est décrite par :

(ai,j )(i,j)∈[[1,n]]×[[1,m]] + λ(bi,j )(i,j)∈[[1,n]]×[[1,m]] = (ai,j + λbi,j )(i,j)∈[[1,n]]×[[1,m]].

Ainsi, la somme de matrices et la multiplication par un scalaire se fait coefficient par coefficient.

On retrouve la structure usuelle qu’on a déjà eu l’occasion d’utiliser.

La construction même de cette structure nous permet d’affirmer :

Théorème 23.1.13 (Correspondance matrice-AL)

Soit E et F deux espaces vectoriels de dimensions p et n, munis de bases B et C respectivement.
L’application u 7→ MatB,C (u) est un isomorphisme d’espaces vectoriels de L(E, F ) sur Mn,p (K).

Exemples 23.1.14
! ! !
1 2 3 1 1 2 2 3 5
1. + =
4 5 6 2 2 1 6 7 7
! !
1 2 1 3 6 3
2. 3 · =
2 2 3 6 6 9
! !
1 2 2 1
3. 5 × = ... ? ? ?...
0 1 0 2

Avertissement 23.1.15
On ne somme que des matrices de même taille (même nombre de lignes et de colonnes) !

On obtient facilement une base de Mn,p (K), qui n’est d’ailleurs que la base obtenue par l’isomorphisme
ci-dessus de la base (ui,j ) de L(E, F ) décrite dans le chapitre précédent.

Proposition/Définition 23.1.16 (Base canonique de Mn,p (K))

Soit pour tout (i, j) ∈ [[1, n]] × [[1, p]], Ei,j la matrice constituée d’un coefficient 1 en position (i, j) et
de 0 partout ailleurs. Alors (Ei,j )(i,j)∈[[1,n]]×[[1,p]] est une base de Mn,p (K), appelée base canonique de
Mn,p (K).

Corollaire 23.1.17 (Dimension de Mn,p (K))

L’espace Mn,p (K) est de dimension np.

I.4 Définition du produit matriciel

Le cahier des charges pour la construction du produit matriciel est sensiblement similaire au cahier
des charges pour la construction de la structure d’espace vectoriel. On souhaite que le produit matriciel
corresponde à la composition des applications linéaires. Ainsi, si, relativement à certaines bases, la matrice
de u est B, la matrice de v est A, on souhaite que la matrice de v ◦ u soit AB.
Comme l’espace d’arrivée de u doit être égal à l’espace de départ de v, cela impose des conditions sur les
tailles des matrices :
126 CHAPITRE 23. MATRICES

Avertissement 23.1.18
On ne peut considérer le produit matriciel AB que si le nombre de colonnes de A est égal au nombre
de lignes de B. Ainsi, on définit le produit matriciel de Mn,p × Mp,q , à valeurs dans Mn,q (par examen
des dimensions des espaces).

On définit alors le produit matriciel par transfert, de façon dépendante a priori du choix d’espaces
vectoriels et de bases.

Définition 23.1.19 (Définition du produit matriciel par transfert)

Soit A ∈ Mn,p (K) et B ∈ Mp,q (K). Soit E, F et G trois espaces de dimensions respectives q, p et
n, munis de bases B, C et D respectivement. Soit f1 l’isomorphisme u ∈ L(E, F ) 7→ MatB,C (u), f2
l’isomorphisme v ∈ L(F, G) 7→ MatC,D (v) et f l’isomorphisme w ∈ L(E, G) 7→ MatB,D (w).
On définit le produit AB par :
AB = f (f2−1 (A) ◦ f1−1 (B)).

Proposition 23.1.20 (Description explicite du produit matriciel, par colonnes)

Soit A ∈ Mn,p (K) et B = (bi,j ) ∈ Mp,q (K). Notons C1 , . . . , Cp les colonnes de la matrice A. Alors la
j-ième colonne Cj′ du produit AB est :
p
X
Cj′ = bi,j Ci .
i=1

Ainsi, la j-ième colonne du produit AB est obtenu en faisant la combinaison linéaire des colonnes de
A par les coefficients de la j-ième colonne de B :
     
· · · b1,j · · ·
   ..  
 =  · · · b1,j C1 + · · · + bp,j Cp · · · 
 C1 . . . Cp  ×   .  
· · · bp,j · · ·

Corollaire 23.1.21 (Indépendance vis-à-vis des choix effectués)

Le produit matriciel défini par transfert ne dépend pas du choix des espaces vectoriels E, F et G, et
des bases de ces espaces.

On en déduit en particulier, vu la construction donnée :

Proposition 23.1.22 (Matrice associée à une composition)

Soit E, F et G trois espaces vectoriels de dimension finie, munis respectivement des bases B, C et D.
Soit f ∈ L(E, F ) et g ∈ L(F, G). Alors :

MatB,D (g ◦ f ) = MatC,D (g) · MatB,C (f ).

Cette formule est la clé de l’interprétation matricielle des applications linéaires. C’est en particulier elle
qui fournit les formules de changement de base, en composant par l’identité, dont la matrice sera prise
relativement à des bases différentes au départ et à l’arrivée.

Les propriétés de la composition se transfèrent alors immédiatement au produit matriciel :

I Matrice d’une application linéaire et opérations matricielles 127

Proposition 23.1.23 (Propriétés du produit matriciel)

Sous reserve de compatibilité des formats des matrices, le produit matriciel est associatif et bilinéaire
(donc en particulier distributif ).

Avertissement 23.1.24
Le produit matriciel n’est pas commutatif, même lorsque les tailles sont compatibles pour effectuer les
opérations dans les deux sens (par exemple pour des matrices carrées).

Exemple 23.1.25
! ! ! !
1 2 1 0 1 0 1 2
Comparer · et · .
3 4 0 0 0 0 3 4

I.5 Produit matriciel revisité

On explicite un peu plus les règles de produit matriciel. Dans un premier temps, on peut remarquer que
l’expression du produit par une colonne donne, dans le cas où la matrice de gauche est une matrice ligne :
 
b
   1 Xp
 .. 
L × C = a1 · · · ap ·  .  = a1 b 1 + · · · + ap b p = ak b k .
k=1
bp

En notant hX, Y i l’application bilinéaire sur Kp , définie par

   
* x1 y1 + p
. . X
 . , .  = xi yi ,
. .
k=1
xp yp

on obtient :    
* a1 b1 +
. .
L × C =  ..  ,  .. 
  
 =
t
L, C .
ap bp

Vous pouvez noter que si K = R, l’application bilinéaire h•, •i est le produit scalaire canonique de Rp .
En étudiant ligne par ligne l’expression du produit M X, on obtient alors la description :

Proposition 23.1.26 (Expression coefficient par coefficient du produit M X)

 
x1
.
Soit M = (ai,j ) ∈ Mn,p (K) et X =  .. 

 ∈ Mp,1 (K). En notant L1 , . . . , Ln les lignes de la matrice
 p 
  xp     P
a
 k=1 1,k k x
M , on a alors : L1 L1 · X h tL1 Xi
 .   .   .   ..

MX =  . X =  .  =  . = 


 .   .   .   . 
Ln Ln · X t
h Ln , Xi  P p 
an,k xk
k=1

Les propositions 23.1.20 et 23.1.32 permettent alors d’obtenir une description coefficients par coefficients
du produit matriciel.
128 CHAPITRE 23. MATRICES

Proposition 23.1.27 (Description coefficient par coefficient du produit)

Soit A = (ai,j ) ∈ Mn,p (K) et B = (bj,k ) ∈ Mp,q (K). Notons Li les lignes de A et Cj les colonnes de
B. Alors
 
L1 · C1 ... L1 · Cq
   
 
   . .
.. 

AB =  AC1 · · · ACq  =  .. Li · Ck 
 
 
Ln · C1 ... Ln · Cq
 t 
h L1 , C1 i ... h tL1 , Cq i
 
 
 .. .. 
=
 . t
h Li , Ck i .


 
 
t t
h Ln , C1 i ... h Ln , Cq i

En particulier, en notant AB = (ci,k ) ∈ Mn,q (K) la matrice produit, on obtient :

p
X
t
∀i ∈ [[1, n]], ∀k ∈ [[1, q]], ci,k = ai,j bj,k = Li · Ck = Li , Ck ,
j=1

où Li est la i-ème ligne de A, et Ck la k-ième colonne de Bk .

Remarque 23.1.28
La description du produit par colonnes est parfois plus efficace que la description coefficient par co-
efficient, notamment lorsque la matrice de droite possède un grand nombre de 0. On obtient souvent
une vision plus immédiate de la matrice, même si formellement le nombre de calculs est exactement le
même. Par ailleurs, pour des arguments sur des matrices de taille générique n, la rédaction est souvent
simplifiée par la description par les colonnes.

Exemple 23.1.29
   
2 6 12 1 0 2
   
1. Calculer 2 −7 2  · −1 2 0.  
8 5 11 0 0 1 0 1 0 ··· 0
. . 
 .. . . . . . . . . ... 
 
. .. .. 
2. Quel est l’effet de la multiplication à droite par Cn = .. . . 0
?
 
 .. 
0 . 1
1 0 ··· ··· 0
 
0 1 0 ··· 0
. . 
 .. . . . . . . . . ... 
 
. . . 
3. Même question avec la matrice « de Jordan » Jn =  .  . . . . . 0 
. 
. .. 
. . 1
0 ··· ··· ··· 0
4. Calculer pour tout k ∈ N, Cnk et Jnk . Que constatez-vous ?

La parfaite symétrie de l’expression obtenue suggère une version duale des descriptions 23.1.32 et 23.1.20
en inversant le rôle des lignes et des colonnes (cela provient de la description complètement symétrique
I Matrice d’une application linéaire et opérations matricielles 129

donnée dans la proposition précédente) :

Proposition 23.1.30 (Expression du produit à l’aide des lignes)

 
L1
 .. 
1. Soit A = ( x1 . . . xn ) ∈ M1,n (K) une matrice ligne, et B = 
 .
 ∈ Mn,p (K). Alors

Ln
n
X
AB = x1 L1 + · · · + xn Ln = xi Li .
i=1

Il s’agit d’une matrice ligne.

 
A1
 . 
2. Soit A =  
 ..  ∈ Mm,n (K), dont les lignes sont A1 , . . . , Am , et B ∈ Mn,p (K). Alors
An
 
A1 B
 .. 
AB = 
 .
.

An B

Nous terminons cette section par l’étude du produit des éléments de la base canonique.

Proposition 23.1.31 (Produit des éléments de la base canonique)

′ ′′
Soit (Ei,j ) la base canonique de Mn,p (K), (Ej,k ) la base canonique de Mp,q (K) et (Ei,k ) la base
canonique de Mn,q (K). Soit (i, j) ∈ [[1, n]] × [[1, p]], et (kℓ) ∈ [[1, p]] × [[1, q]]. Alors :
(
′′
′ ′′ Ei,ℓ si j = k
Ei,j × Ek,ℓ = δj,k Ei,ℓ =
0 sinon.

I.6 Expression matricielle de l’évaluation d’une AL

De la description générale du produit scalaire par les colonnes, il découle de façon immédiate la description
suivante du produit d’une matrice par une colonne :

Proposition 23.1.32 (Produit d’une matrice par une matrice colonne)

Soit M ∈ Mn,p (K) et X ∈ Mp,1 (K).
 
x1
 .   

On note X =  ..   les coordonnées de X, et M = C1 · · · Cm la décomposition en colonnes de
xm
M . Le produit M · X est alors la matrice colonne de Mn,1 (K) définie par :
m
X
M · X = x1 C1 + · · · + xm Cm = xi Ci .
i=1

Corollaire 23.1.33 (Compatibilité du produit matriciel avec l’évaluation)

Soit f ∈ L(E, F ), et X ∈ E. Soit B une base de E et C une base de F . On a alors
[f (X)]C = MatB,C (f ) × [X]B .
130 CHAPITRE 23. MATRICES

On peut aussi voir cette égalité comme un cas particulier de composition d’applications linéaires. En effet,
en considérant D = (1) la base canonique de K, la matrice colonne X correspond, relativement aux bases
D et B, à l’application linéaire de K dans E envoyant 1 sur X, donc l’application g : λ 7→ λX. En notant
M = MatB,C (f ), le produit M X correspond à l’application composée f ◦ g, donc l’unique application qui
à 1 associe f (X). Sa représentation matricielle relativement aux bases D et C est donc la matrice colonne
[f (X)]C . Le théorème de représentation matricielle d’une composée amène alors le résultat.
Ce résultat admet une réciproque :

Proposition 23.1.34 (Caractérisation de la matrice d’une application linéaire)

Soit M ∈ Mn,p (K), E et F deux espaces vectoriels de dimension finie, munis de bases B et C. Si pour
tout x ∈ E, dont les coordonnées dans la base B sont données par le vecteur colonne X, on a

[f (x)]C = M X,

alors M = MatB,C (f ).

En particulier, en appliquant cette propriété à l’application nulle, on obtient :

(∀X ∈ Mp,1 , M X = 0) ⇐⇒ M = 0

En revanche, il n’est bien sûr pas suffisant d’avoir M X = 0 pour une valeur de X pour pouvoir conclure
que M = 0 (tout ce qu’on peut en déduire, c’est que X est dans le noyau de l’application linéaire
canoniquement associée à M ).

I.7 Transposition
On décrit dans ce paragraphe une autre construction, unaire, sur les matrices, définissant une application
linéaire sur l’ensemble des matrices.

Définition 23.1.35 (Transposée d’une matrice)

Soit A = (ai,j )(i,j)∈[[1,n]]×[[1,p]] ∈ Mn,p (A). Alors la matrice transposée de A, notée tA, est la matrice
de Mp,n K définie par :
t
A = (aj,i )(i,j)∈[[1,p]]×[[1,n]].
   
a1,1 · · · a1,p a1,1 · · · an,1
 . ..   . .. 
Ainsi, si A = 
 .
.  
. , alors A =  ..
t 
. 
an,1 · · · an,p a1,p · · · an,p

On trouve aussi assez souvent la notation AT (attention à la position du T, différent suivant la notation).

Exemple 23.1.36
!
1 2 3
Transposée de ?
4 5 6

Proposition 23.1.37 (Linéarité de la transposition)

L’application A 7→ tA de Mn,p (K) dans Mp,n (K) est une application linéaire.
II Matrices carrées 131

La proposition 23.1.27 montre qu’on peut échanger le rôle de A et B, à condition d’intervertir lignes et
colonnes et d’échanger les indices, autrement dit de transposer les matrices. Ainsi, on a « commutativité
du produit à transposition près » dans le sens suivant :

Proposition 23.1.38 (Transposition d’un produit)

Soit A ∈ Mn,p (K) et B ∈ Mp,q (K). Alors
t
(AB) = tB tA.

II Matrices carrées
II.1 L’algèbre Mn (K)

Définition 23.2.1 (Matrice d’un endomophisme)

Si u ∈ L(E), où E est de dimension finie, on utilise souvent la même base au départ et à l’arrivée pour
exprimer la matrice de u. Ainsi, si B est une base de E, la matrice de u dans la base B est la matrice
MatB,B (u), et est plus simplement notée MatB (u).

La structure d’algèbre de L(Kn ) se transfert à l’ensemble des matrices carrées.

Théorème 23.2.2 (Structure de Mn (K))

L’ensemble Mn (K), muni de la somme, du produit et de la multiplication par les scalaires, est une
K-algèbre. Cette K-algèbre est non commutative dès lors que n > 2.

Le neutre multiplicatif de cette algèbre est l’image par l’isomorphisme L(E) → Mn (K) de l’identité, à
savoir la matrice identité notée In :
 
1 0 ··· 0
 
0 . . . . . . ... 
 
In =  . 
. .. .. 
. . . 0
0 ··· 0 1

Il s’agit donc de la matrice constituée de 1 sur la diagonale et de 0 partout ailleurs.

Évidemment, on a de façon plus générale In × M = M et N × In = N , même si M et N ne sont pas
carrées (mais de format compatible).

En particulier le théorème précédent affirme que Mn (K) est un anneau, et toutes les règles de calcul
que nous avons développées de façon générale dans les anneaux sont donc valables dans Mn (K), en
particulier :

Théorème 23.2.3 (Factorisation de An − B n )

Soit A et B deux éléments de Mn (K) tels que AB = BA. Alors pour tout n ∈ N∗

n−1
X
An − B n = (A − B) An−1−k B k .
k=0
132 CHAPITRE 23. MATRICES

Corollaire 23.2.4 (Factorisation de In − An )

En particulier, pour toute matrice carrée A ∈ Mn (K),

n−1
X
In − An = (In − A) Ak .
k=0

Théorème 23.2.5 (Formule du binôme)

Soit A et B deux éléments de Mn (K) tels que AB = BA. Alors, pour tout n ∈ N,
n  
X
n n k n−k
(A + B) = A B .
k
k=0

 
Exemple 23.2.6 2 1 0
 
1. Déterminer An , pour tout n ∈ N, où A = 0 2 1
0 0 2
2. Plus généralement, si Jn est définie comme dans l’exemple 23.1.29, calculer (aIn + Jn )k , pour
tout k ∈ N.

On en déduit une méthode assez efficace, mais pas toujours réalisable, de calcul des puissances.

Remarque 23.2.7
L’anneau Mn (K) est-il intègre ?

Les notions relatives aux polynômes d’endomorphisme se traduisent en terme de matrices carrées. En
particulier, toute matrice carrée d’ordre n admet un polynôme annulateur de degré inférieur ou égal à n2
(et même inférieur ou égal à n). De là découle l’existence d’un polynôme minimal.

Exemple 23.2.8
 
0 1 1
 
1. Déterminer un polynôme annulateur de 1 0 1.
1 1 0
2. Déterminer un polynôme annulateur de Cn
3. Déterminer un polynôme annulateur de Jn . Un polynôme minimal.

Le polynôme annulateur peut être efficace pour la recherche des puissances successives d’une matrice A.

Méthode 23.2.9 (Calcul de An à l’aide d’un polynôme annulateur)

• Déterminer un polynôme annulateur P de petit degré de A.
• Chercher le reste Rn de la division euclidienne de X n par P .
• Évaluer l’égalité de division euclidienne en A, il reste An = Rn (A). Ainsi An s’exprime comme
combinaison linéaire des premières puissances de A.
II Matrices carrées 133

Exemple 23.2.10
 n
0 1 1
 
Calculer 1 0 1 .
1 1 0

II.2 Matrices triangulaires et diagonales

La matrice In a une particularité notable : elle est nulle, sauf sur sa diagonale. Les matrices vérifiant
cette propriété jouent un rôle central, notamment dans la théorie de la diagonalisation. En effet, les
endomorphismes associés laissent stables les axes définis par les vecteurs de la base, et sont donc faciles
à étudier. En particulier les produits de matrices diagonales sont simples à exprimer (et donc aussi les
puissances). C’est une des motivations de la théorie de la diagonalisation. Nous présentons d’autres formes
de matrices (matrices triangulaires).

Définition 23.2.11 (Matrice diagonale)

Soit D une matrice de Mn (K). On dit que D est une matrice diagonale si tous ses coefficients sont
nuls, à l’exception éventuellement de ses coefficients diagonaux.

Ainsi, une matrice diagonale est de la forme :

 
d1 0 ··· 0
 .. .. .
0
 . . .. 

D=. 
. .. .. 
. . . 0
0 · · · 0 dn

Définition 23.2.12 (Matrice triangulaire)

Soit T une matrice de Mn (K). On dit que T est une matrice triangulaire supérieure (resp. inférieure)
si tous ses coefficients situés strictement en-dessous (resp. au-dessus) de sa diagonale sont nuls.

Ainsi, une matrice triangulaire supérieure (resp. inférieure) est de la forme :

   
• ··· ··· • • 0 ··· 0
 . . . 
0 .. ..
. . ..   .. . . . . . ... 
   
T = . ..  (resp. T =  . )
. .. ..  . .. .. 
. . . . . . . 0
0 ··· 0 • • ··· ··· •

où les • désignent des coefficients quelconques. On définit également les matrices strictement triangulaires
supérieures ou inférieures, nulles également sur la diagonale.

Notation 23.2.13
Nous noterons dans ce cours Dn (K) l’espace des matrices diagonales d’ordre n, Tn+ (K) l’espace des
+
matrices triangulaires supérieures, Tn− (K) l’espace des matrices triangulaires inférieures, T n (K) l’es-
−
pace des matrices strictement triangulaires supérieures, et T n (K) l’espace des matrices strictement
triangulaires inférieures.
134 CHAPITRE 23. MATRICES

Proposition 23.2.14
Nous avons de façon évidente :
+ −
Tn+ (K) = T n (K) ⊕ Dn (K) et Tn− (K) = T n (K) ⊕ Dn (K),

ainsi que :
+ − + −
Mn (K) = T n (K) ⊕ Dn (K) ⊕ T n (K) = T n (K) ⊕ Tn− (K) = Tn+ (K) ⊕ T n (K)

Une notion commode (mais hors-programme) pour établir un certain nombre de propriétés sur les matrices
triangulaires (ou plus généralement de matrices dont le type se décrit à l’aide de diagonales) est la notion
de drapeau.

Définition 23.2.15 (Drapeau)

Soit E un espace vectoriel de dimension n. Un drapeau de E est une séquence (E0 , · · · , En ) de sous-
espaces vectoriels de E tels que E0 ( E1 ( · · · ( En

Le fait que les inclusions soient strictes est équivalent à dire que pour tout i ∈ [[0, n]], dim(Ei ) = i. En
particulier, E0 = {0} et En = E.

Exemple 23.2.16
Étant donnée une base (b1 , . . . , bn ) de E, on note, pour tout i ∈ [[0, n]], Ei = Vect(bk , k ∈ [[1, i]]). Alors
(E0 , . . . , En ) est un drapeau.

On montre ci-dessus que la situation de l’exemple est générique :

Proposition/Définition 23.2.17 (Base adaptée à un drapeau)

Soit (E0 , . . . , En ) un drapeau de E. Alors il existe une base (b1 , . . . , bn ) (non unique), telle que pour
tout i ∈ [[0, n]], Ei = Vect(bk , k ∈ [[1, i]]). Une telle base (b1 , . . . , bn ) est dite adaptée au drapeau
(E0 , . . . , En ).

On remarquera que toute base définit un unique drapeau dont elle est adaptée (on parlera du drapeau
associé à B).

Proposition 23.2.18 (Caractérisation des matrices triang. par stabilisation d’un drapeau)
Soit B = (b1 , . . . , bn ) une base de E et u ∈ L(E). Soit (Ek ) le drapeau associé à B.
Alors, MatB (u) est triangulaire supérieure si et seulement si u stabilise le drapeau (Ek ) (c’est-à-dire
pour tout k ∈ [[0, n]], u(Ek ) ⊂ Ek ).

Exemple 23.2.19
(Rk [X])k∈[[0,n]] , auquel on ajoute {0} initialement, est un drapeau, associé à la base canonique de
Rn [X]. Les endomorphismes conservant, ou diminuant le degré, stabilisent ce drapeau (par exemple
u(P ) = αP + βP ′ ).

+
On définit de façon plus générale, pour tout k ∈ [[−(n−1), n]] le sous-espace vectoriel Tn,k (K) des matrices
(ai,j ) de Mn (K) telles que ai,j = 0 pour tout (i, j) tel que i + k > j on ait ai,j = 0. Il s’agit donc des
+
matrices nulles sauf éventuellement sur les n − k diagonales supérieures. Par exemple, Tn,n (K) = {0},
II Matrices carrées 135

+ + + +
Tn,−(n−1) = Mn (K), Tn,0 (K) = Tn+ (K) et Tn,1 (K) = T n (K). On a alors une caractérisation par les
drapeaux similaire à celle pour les matrices triangulaires :

+
Proposition 23.2.20 (Caractérisation des matrices de Tn,k (K))
+
Soit u un endomorphisme de E, B une base de E, et (Ek ) le drapeau associé. Alors MatB (u) ∈ Tn,k (K)
si et seulement si pour tout i ∈ [[1, n]] ∩ [[k, n + k]], u(Ei ) ⊂ Ei−k .

La caractérisation par les drapeaux permet alors d’obtenir de façon quasi-immédiate la règle suivant sur
les produits :

+
Proposition 23.2.21 (Produits de matrices de Tn,k (K))
+ +
Soit A ∈ Tn,k (K) et B ∈ Tn,ℓ (K). Alors :
+
• si k + ℓ ∈ [[−(n − 1), n]], AB ∈ Tn,k+ℓ .
• si k + ℓ > n, AB = 0
• si k + ℓ 6 −n, on n’obtient rien d’intéressant (rien de plus que AB ∈ Mn (K)).

En particulier, pour k = ℓ = 0, et pour k = 0, ℓ = 1 (puis en transposant) :

Proposition 23.2.22 (Produit de deux matrices triangulaires ou diagonales)

(i) Le produit de deux matrices triangulaires supérieures est une matrice triangulaire supérieure.
(ii) Si au moins l’une des deux est strictement supérieure, le produit également.
(iii) Le produit de deux matrices triangulaires inférieures est une matrice triangulaire inférieure.
(iv) Si au moins l’une des deux est strictement triangulaire inférieure, le produit également.
(v) Le produit de matrices diagonales est une matrice diagonale.

On peut regarder plus précisément les termes diagonaux de ces produits. On obtient sans peine le com-
plément suivant :

Proposition 23.2.23 (Termes diagonaux du produit de deux matrices triangulaires)

On obtient les termes diagonaux du produit de deux matrices triangulaires par produit des termes
diagonaux correspondants des deux matrices initiales.

Vu l’importance de cette règle, on explicite pour les matrices diagonales :

Proposition 23.2.24 (Produit de matrices diagonales)

On a :
    
c1 0 0 d1 0 0 c1 d1 0 0
 ..  ..   .. 
    
0 . 0  0 . 0= 0 . 0 .
0 0 cn 0 0 dn 0 0 cn dn
En particulier, pour tout k ∈ N, on a :
 k  
d1 0 0 dk1 0 0
 ..   .. 
   
0 . 0 =0 . 0 .
k
0 0 dn 0 0 dn
136 CHAPITRE 23. MATRICES

Des règles de stabilité précédentes, on déduit :

Théorème 23.2.25 (Structure des sous-ensembles de matrices de type particulier)

Les sous-ensembles Dn (K), Tn+ (K), et Tn− (K) sont des sous-algèbres de Mn (K).

II.3 Matrices symétriques et antisymétriques

Voici d’autres matrices carrées jouant un rôle important, notamment en algèbre bilinéaire :

Définition 23.2.26 (Matrices symétriques, antisymétriques)

Soit A ∈ Mn (K).
(i) On dit que A est symétrique si A = t A.
(ii) On dit que A est antisymétrique si A = −t A.
On note Sn (K) l’ensemble des matrices symétriques de Mn (K), et An (K) l’ensemble des matrices
antisymétriques.

En tant de noyau des endormophismes id − t et id + t (où t désigne la transposition), Sn (K) et An (K)

sont des sous-espaces vectoriels de Mn (K).

Proposition 23.2.27
Soit K un corps de caractéristique distincte de 2. Les sous-espaces Sn (K) et An (K) sont supplémentaires
l’un de l’autre dans Mn (K).

Remarque 23.2.28
• À quoi ressemble la diagonale d’une matrice antisymétrique ?
• An (K) et Sn (K) sont-elles des sous-algèbres de Mn (K) ?

II.4 Matrices inversibles

Définition 23.2.29 (Matrice inversible)

Une matrice M est dite inversible s’il existe n ∈ N∗ tel que M ∈ Mn (K), et tel que M soit inversible
dans l’anneau Mn (K).

Avertissement 23.2.30
Par définition, une matrice inversible est toujours une matrice carrée.

Proposition 23.2.31 (caractérisation par l’endomorphisme canoniquement associée)

Une matrice M ∈ Mn (K) est inversible si et seulement si l’endomorphisme canoniquement associé
f ∈ L(Kn ) est un automorphisme.

Cette caractérisation explique qu’on se limite aux matrices carrées : en effet un isomorphisme préserve
les dimensions, donc une matrice non carrée ne peut pas être canoniquement associée à un isomorphisme.
Nous déduisons alors de la caractérisation des isomophismes en dimension finie que :
II Matrices carrées 137

Proposition 23.2.32
Soit A ∈ Mn (K). Pour que A soit inversible, il suffit qu’il existe une matrice B ∈ Mn (K) telle que
AB = In OU BA = In . Dans ce cas B = A−1 .

Définition 23.2.33 (Groupe linéaire)

L’ensemble des matrices inversibles de Mn (K) est noté GLn (K), et est appelé n-ième groupe linéaire.

Proposition 23.2.34 (Structure de GLn (K))

(GLn (K), ×) est un groupe (c’est le groupe des inversibles de l’anneau Mn (K)).

Conformément aux propriétés générales concernant l’inverse de produits dans un anneau, on a :

Proposition 23.2.35 (Inverse d’un produit)

Soit A et B deux matrices inversibles de Mn (K). Alors AB est inversible, et son inverse est B −1 A−1 .

Par ailleurs, l’inversion commute avec la transposition :

Proposition 23.2.36 (Inverse d’une transposée)

Soit A une matrice inversible. Alors tA l’est également, et

( tA)−1 = t(A−1 ).

Voici quelques exemples importants de matrices inversibles.

Proposition 23.2.37 (CNS d’inversibilité pour les matrices triangulaires)

Soit T ∈ Tn+ (K) une matrice triangulaire. Alors T est inversible si et seulement si tous ses coefficients
diagonaux sont non nuls (donc inversibles), et dans ce cas, T −1 est une matrice triangulaire dont les
coefficients diagonaux sont les inverses des coefficients diagonaux de T .

En particulier, une matrice diagonale est inversible si et seulement si tous ses coefficients diagonaux sont
non nuls, et dans ce cas :
 −1  
d1 0 0 d−1
1 0 0
 ..   .. 
D−1 = 
0 . 0
 =
 0 . 
0 .
0 0 dn 0 0 d−1
n

II.5 Expression matricielle du pivot de Gauss

Les exemples suivants sont importants car ils valident la méthode du pivot de Gauss.

Définition 23.2.38 (Matrices de codage des opérations élémentaires)

Soit n ∈ N∗ . On définit les trois familles suivantes de matrices :
(i) Codage des échanges de lignes (matrice de transposition) :
138 CHAPITRE 23. MATRICES

 
1 0
··· ··· ··· ··· ··· 0
  ..
 0 1 ...  .
 
 . . ..
 .. .. 0 ... 1  . i
 
 . .. .. 
..
 .. . 1 . .
 
 . 
..
2
∀(i, j) ∈ [[1, n]] , i 6= j, E(i, j) =  . . .. 1 ... 
 . .

 
 .. .. .. .. j
 . 1 . 0 . .
 
 .. . .. 1 
 . 0 
0 ··· ··· ··· ··· ··· 0 1
i j

(ii) Codage de la multiplication d’une ligne par un scalaire (matrice de dilatation) :

 
1 0
··· ··· ··· ··· 0

0 .. .. .. 
 . . . 
. ..
.. .. 
 .. 1 .
. .
 
. . .. 
.
. .. λ ... .
 i
Ei (λ) = 
.
. .. .. .. 

. . 1 . .
 
. . .. .. 
. . . 0
0 ··· ··· ··· ··· 0 1
i

(iii) Codage d’une combinaison linéaire (matrice de transvection)

 
1 0
··· ··· ··· 0
 . .. .. 
0
 . .. λ . 
i
. . .. 
 .. .. ... ... .
 
. .. 
Ei,j (λ) =  . .. .. .. 
. . . . .
 
 .. .. .. 
. . . 0
0 ··· ··· ··· 0 1
j

Proposition 23.2.39 (Interprétation matricielle des opérations élémentaires sur les lignes)
Soit M ∈ Mm,n (K). Soit i 6= j dans [[1, m]], et λ ∈ K.
(i) La matrice N obtenue de M par l’opération Li ↔ Lj , est N = E(i, j) · M ;
(ii) La matrice N obtenue de M par l’opération Li ← Li + λLj est N = Ei,j (λ) · M ;
(iii) La matrice N obtenue de M par l’opération Li ← λLi , λ 6= 0, est N = Ei (λ) · M .

Ainsi, partant d’une matrice M à laquelle on applique le pivot de Gauss, on obtient une matrice N , et
une matrice P telles que N = P M , telle que P soit un produit de matrices de transvection, de dilatation
et de permutation.
La validité du pivot de Gauss provient alors du résultat suivant, exprimant que toute opération valide du
pivot est réversible :
II Matrices carrées 139

Proposition 23.2.40 (Inversibilité des matrices de codage des opérations élémentaires)

Pour i 6= j, les matrices E(i, j), Ei,j (λ) sont inversibles, ainsi que Ei (λ) lorsque λ 6= 0.

Théorème 23.2.41 (Validité de la méthode du pivot)

Soit M ∈ Mn,p (K), B ∈ Mn,1 (K), et P ∈ GLn (K). Alors

∀X ∈ Mp,1 (K), M X = B ⇐⇒ P M X = P B.

Ce théorème exprime la stabilité des solutions d’une équation matricielle par multiplication de l’équation
par une matrice inversible.
Au passage, si M lui-même est inversible, ce même théorème affirme qu’on a l’équivalence :

M X = Y ⇐⇒ X = M −1 Y.

Réciproquement, l’existence et l’unicité d’une solution pour tout second membre Y implique la bijectivité
de l’application canoniquement associée à M , donc l’inversibilité de M .

II.6 Calcul pratique de l’inverse d’une matrice

Ainsi, une façon de calculer l’inverse est la résolution d’un système, de second membre Y indéterminé :

Méthode 23.2.42 (Calcul pratique de l’inverse (première méthode))

• Résoudre le système AX = Y , où Y est pris en paramètre.
• A est inversible si et seulement si le système admet une et une seule solution, quel que soit le
paramètre Y .
• Dans ce cas, écrire le résultat sous forme matricielle X = BY .
• B est alors l’inverse de A.

Exemple 23.2.43
 
2 1 1
 
Calcul de l’inverse de A = 1 2 1 .
1 1 2

Définition 23.2.44 (Système de Cramer)

Un système de Cramer est un système d’équations linéaires admettant une unique solution.

Ainsi, un système est de Cramer si et seulement si la matrice de ses coefficients est inversible.
Dans le cas de matrices 2 × 2, on a une méthode plus rapide :

Théorème 23.2.45
! (Inverse des matrices 2 × 2 par la comatrice)
a b
Soit M = ∈ M2 (K). Alors M est inversible si et seulement si ad − bc 6= 0, et
c d
!
1 d −b
M −1 = .
ad − bc −c a
140 CHAPITRE 23. MATRICES

Définition 23.2.46 (Déterminant d’une matrice 2 × 2)

a b
La quantité ad − bc est appelée déterminant de M , et est noté det M ou .
c d

Remarque 23.2.47
Il existe une notion de déterminant pour des matrices carrées de taille quelconque n. Nous définirons
cette notion générale dans le chapitre suivant. La non nullité du déterminant caractérise alors l’inver-
sibilité de la matrice, et comme dans le cas n = 2, il existe une formule générale de l’inverse d’une
matrice basée sur la notion de comatrice. Dans des situations concrètes, cette formule est cependant
assez peu efficace, sauf pour n = 2, et éventuellement n = 3 (et encore...)

Une deuxième méthode générale de calcul de l’inverse d’une matrice repose sur l’observation suivante : la
méthode du pivot de Gauss consiste en des multiplications à gauche par des matrices codant les opérations
élémentaires. Ainsi, si à l’aide d’opérations élémentaires sur les lignes, on parvient à transformer la matrice
initiale A en la matrice identité, on aura l’existence d’une matrice inversible P (obtenue en multipliant
les matrices de codage) telle que P A = In . Ainsi, cette matrice P est l’inverse de A. Or, P = P In , et est
donc obtenu en appliquant à la matrice In les mêmes opérations sur ses lignes que celles qui ont permis
de transformer A en In . On en déduit la méthode suivante :

Méthode 23.2.48 (Calcul de l’inverse d’une matrice (seconde méthode, pivot de Gauss))
• Juxtaposer la matrice A et la matrice In (séparées d’une barre verticale)
• Effectuer un pivot sur A, en faisant les mêmes opérations sur la matrice In , pour obtenir une
matrice échelonnée à la place de A
• La matrice A est inversible si et seulement si la matrice échelonnée obtenue est inversible (c’est-
à-dire s’il s’agit d’une matrice triangulaire supérieure à ceofficients diagonaux non nuls)
• Dans ce cas, faire un pivot remontant, pour annuler les coefficients au dessus de chaque pivot,
et toujours en effectuant les mêmes opérations sur la matrice de droite.
• En normalisant les coefficients diagonaux, on obtient à gauche la matrice identité, et à droite la
matrice A−1 .

Enfin, voici une méthode efficace lorsqu’on connaît un polynôme annulateur.

Méthode 23.2.49 (Calcul de l’inverse d’une matrice avec un polynôme annulateur)

Soit P un polynôme annulateur. Si A est inversible, quitte à multiplier plusieurs fois par A−1 , il existe
alors un polynôme annulateur à coefficient constant non nul, et quitte à diviser par cette constante, on
peut supposer que ce coefficient constant est égal à 1. En notant P (X) = XQ(X) + 1, on a alors :

0 = P (A) = AQ(A) + I donc: − AQ(A) = −I.

Ainsi, −Q(A) est inverse de A.

III Rang d’une matrice

La correspondance entre application linéaire et matrice permet d’étendre aux matrices un certain nombre
de notions définies pour les applications linéaires.
III Rang d’une matrice 141

III.1 Image et noyau d’une matrice

Définition 23.3.1 (Image et noyau d’une matrice)

Par définition, l’image et le noyau d’une matrice M sont l’image et le noyau de l’application linéaire
canoniquement associée. Plus précisément, soit M ∈ Mn,p (K) et f : X 7→ M X l’application de
L(Kp , Kn ) canoniquement associé. Alors
• Im(M ) = Im(f ) = {Y ∈ Kn ≃ Mn,1 (K) | ∃X ∈ Kp , M X = y}
• Ker(M ) = Ker(f ) = {X ∈ Kp ≃ Mp,1 (K) | M X = 0}.

En particulier, puisque les colonnes de M sont les images par f des éléments de la base canonique, nous
obtenons :

Proposition 23.3.2 (Description de l’image d’une matrice)

Soit M une matrice de colonnes C1 , . . . , Cp . Alors

Im(M ) = Vect(C1 , . . . , Cp ).

Définition 23.3.3 (Rang d’une matrice)

Soit M une matrice. Son rang est égal au rang de l’application linéaire canoniquement associée, c’est-
à-dire :

rg(M ) = rg(f ) = dim(Im(f )) = dim(Im(M )) = dim(Vect(C1 , . . . , Cn )) = rg(C1 , . . . , Cn ),

où les Ci sont les colonnes de M .

Évidemment, le théorème du rang est valable également pour les matrices :

Théorème 23.3.4 (Théorème du rang)

Soit M = Mn,p (K). Alors
dim(Ker(M )) + rg(M ) = p.

Un exemple important, auquel on se ramène souvent par utilisation du pivot de Gauss est le suivant :

Proposition 23.3.5 (Rang d’une matrice échelonnée)

Soit M une matrice échelonnée (voir chapitre sur les systèmes d’équations linéaires). Alors rg(M ) est
le nombre de lignes non nulles de M .

III.2 Calcul du rang

Une propriété importante, permettant le calcul du rang par la méthode du pivot, est la conservation du
rang par multiplication par une matrice inversible, donc en particulier par les matrices de codage des
opérations. Ainsi, le pivot de Gauss conserve le rang.

Théorème 23.3.6 (Conservation de l’image et du noyau)

Soit M ∈ Mn,p (K) une matrice quelconque, et P ∈ GLn (K), Q ∈ GLp (K). Alors :
(i) Ker(P M ) = Ker(M )
(ii) Im(M Q) = Im(M ).
142 CHAPITRE 23. MATRICES

Ainsi, la multiplication à gauche par une matrice inversible conserve le noyau et la multiplication à
droite conserve l’image.

Corollaire 23.3.7 (Conservation du rang)

Soit M ∈ Mn,p (K) une matrice quelconque, et P ∈ GLn (K), Q ∈ GLp (K). Alors :

rg(P M Q) = rg(M )

Corollaire 23.3.8 (Conservation de l’image et du noyau par opérations élémentaires)

(i) Les opérations élémentaires sur les lignes conservent le noyau.
(ii) Les opérations élémentaires sur les colonnes conservent l’image.
(iii) Les opérations élémentaires sur les lignes et les colonnes conservent le rang.

Méthode 23.3.9 (Calcul du rang d’une matrice)

• Effectuer un pivot pour se ramener à une matrice échelonnée.
• Le rang est égal au rang de la matrice échelonnée, donc au nombre de ses lignes non nulles.
• Si les opérations sur les colonnes semblent plus simples, c’est possible aussi.
• On peut même combiner les deux.

Méthode 23.3.10 (Trouver une base de l’image)

• Cette fois, on veut conservation de l’image, on travaille donc sur les colonnes.
• On effectue un pivot sur les colonnes jusqu’à obtenir une matrice échelonnée sur les colonnes,
dont les colonnes engendrent l’image.
• Les colonnes non nulles de cette matrice forment une base de l’image.

Méthode 23.3.11 (Trouver un supplémentaire)

• On suppose donné un sous-espace E de Kp dont on connaît une famille génératrice de n vecteurs.
• On écrit la matrice de cette famille (chaque vecteur est écrit en colonne) : il s’agit de la matrice
de l’application linéaire qui envoie les vecteurs de la base canonique de Kn sur les vecteurs de
la famille génératrice. L’image de cette application est E.
• On effectue un pivot en travaillant sur les colonnes, pour conserver l’image.
• À la matrice échelonnée sur les colonnes obtenue au bout, on ajoute les colonnes correspondant
aux vecteurs de la base canonique de sorte à obtenir une matrice triangulaire supérieure.
• Les vecteurs ainsi ajoutés forment une base d’un supplémentaire de E dans Kp .

On observe que :

Lemme 23.3.12
Une matrice échelonnée a même rang que sa transposée.

En effectuant sur la matrice tA les opérations sur les colonnes correspondant aux opérations sur les lignes
effectuées par A pour se ramener à une matrice échelonnée par la méthode du pivot, on en déduit alors :
IV Changements de base 143

Théorème 23.3.13 (Rang d’une transposée)

Soit A ∈ Mn,p (K). On a :
rg(A) = rg( tA).

III.3 Caractérisation du rang par les matrices extraites

Définition 23.3.14 (Matrice extraite)

Soit A = (ai,j ) une matrice de Mn,p . Une matrice B est extraite de A si et seulement s’il existe
1 6 i1 < · · · < iq 6 n et 1 6 j1 < · · · < jr 6 p tels que B = (aik ,jℓ )(k,ℓ)∈[[1,q]]×[[1,r]].

Ainsi, la matrice B est obtenue en ne conservant de A que les lignes d’indice i1 , . . . , iq et les colonnes
d’indice j1 , . . . , jr .

Lemme 23.3.15 (Description vectorielle d’une extraction)

Avec les notations précédentes, en notant (b1 , . . . , bp ) la base canonique de Kp , (c1 , · · · cn ) la base ca-
nonique de Kn , f l’application linéaire de L(Kp , Kn ) canoniquement associée à M , I = {i1 , . . . , iq },
J = {j1 , · · · jr }, en définissant i l’injection de F = Vect(bi , i ∈ I) dans Kp et p la projection de Kn
sur G = Vect(cj , j ∈ J), parallèlement à V ect(cj , j 6∈ J), et enfin, en notant g l’application linéaire
de F dans G associée à la matrice B, relativement aux base (bi )i∈I et (cj )j∈J , on a la relation :

g = p ◦ f ◦ i.

Proposition 23.3.16 (Rang d’une matrice extraite)

Soit B une matrice extraite de A. Alors rg(B) 6 rg(A).

Théorème 23.3.17 (Caractérisation du rang par les matrices carrées extraites)

Le rang de A est l’ordre maximal d’une matrice carrée inversible extraite de A.

IV Changements de base
La correspondance entre applications linéaires et matrice dépend du choix de bases de l’espace de départ
E et de l’espace d’arrivée F . Le but de ce paragraphe est d’étudier l’effet d’un changement de base sur E
ou sur F : la matrice relativement aux nouvelles bases se déduit-elle d’une certaine manière de la matrice
relativement aux anciennes bases ?

IV.1 Changements de base pour des applications linéaires

Définition 23.4.1 (Matrice de passage)

Soit E un espace vectoriel, et B1 et B2 deux bases de E. Alors la matrice de passage de la base B1 à
la base B2 est la matrice :
PBB12 = MatB2 ,B1 (IdE ) = [B2 ]B1 .

Ainsi, la i-ème colonne de cette matrice est constituée des coordonnées du i-ème vecteur de la base B2
dans la base B1 . Il s’agit donc de la matrice de la famille des vecteurs de la seconde base B2 dans la
première base B1 .
144 CHAPITRE 23. MATRICES

La formule de composition amène facilement :

Proposition 23.4.2 (Inversibilité des matrices de passage)

Toute matrice de passage PBB12 est inversible. Son inverse est la matrice de passage PBB21

Par ailleurs, toute matrice inversible peut être interprétée comme une matrice de passage. Plus précisé-
ment :

Proposition 23.4.3
Soit P ∈ GLn (K) une matrice inversible, et E un espace vectoriel de dimension n.
• Pour toute base B de E, il existe une base C telle que P = PBC .
• Pour toute base C de E, il existe une base B telle que P = PBC .

Puisque [X]B1 = MatB2 ,B1 (Id)[X]B2 , on obtient l’expression de l’effet d’un changement de base sur les
coordonnées d’un vecteur :

Proposition 23.4.4 (Effet d’un changement de base sur les coordonnées d’un vecteur)
Soit X ∈ E. Alors [X]B1 = PBB12 · [X]B2 .

En composant à gauche et à droite par l’identité, avec bases différentes, on obtient, toujours d’après la
formule de composition, la très importante formule de changement de base.

Théorème 23.4.5 (Formule de changement de base)

Soit E un espace vectoriel de dimension finie, muni de deux bases B1 et B2 , et F un espace vectoriel
de dimension finie, muni de deux bases C1 et C2 . Soit f ∈ L(E, F ). Alors :

MatB2 ,C2 (f ) = PCC21 · MatB1 ,C1 (f ) · PBB12 = (PCC12 )−1 · MatB1 ,C1 (f ) · PBB12

Ainsi, cette formule s’écrit M ′ = Q−1 M P , où M est la matrice dans les bases initiales, M ′ la matrice dans
les nouvelles bases, P et Q les matrices de passage de la première base vers la seconde, respectivement
dans E et dans F .

Exemple 23.4.6
1. Retrouver les matrices des exemples précédents.
2. Donner une relation entre la matrice de D dans la base canonique de Rn [X] (au départ et à
l’arrivée) et la matrice de Jordan Jn+1 .

IV.2 Matrices équivalentes

On remarque que deux matrices associées à une même application linéaire avec des choix différents de
bases, s’obtiennent l’une de l’autre par multiplication à gauche et à droite par des matrices inversibles.
Cela motive la définition suivante :

Définition 23.4.7 (Matrices équivalentes)

Soit (M, N ) ∈ Mn,p (K). On dit que M et N sont équivalentes si et seulement s’il existe P ∈ GLn (K)
et Q ∈ GLp (K) tels que N = P M Q.
IV Changements de base 145

Proposition 23.4.8
Cela définit une relation d’équivalence.

Ainsi, on obtient :

Théorème 23.4.9
Soit f ∈ L(E, F ).
(i) Deux matrices M et N représentant f dans des choix différents de bases sont équivalentes ;
(ii) Réciproquement, si M = MatB1 ,C1 (f ) est la matrice de f relativement à deux bases B1 et C1 , et si
N est équivalente à M , alors il existe deux bases B2 et C2 de E et F telles que N = MatB2 ,C2 (f ).

Soit, pour tout (n, p) ∈ (N∗ )2 , et pour tout r ∈ [[0, min(n, p)]], soit
 
1 0··· ··· 0 ··· ··· 0
 .. ..   
0 1 . . . . .
   
. . .. 
 .. .
.. .. . . . ... .
 Ir 0r,p−r 
   
   
In,p,r =  .. .. = 
. . 1 0 · · · · · · 0  
   
0 · · · · · · 0 0 · · · · · · 0  
   0n−r,r 0n−r,p−r 
 .. .. .. .. 
. . . .
0 ··· ··· 0 0 ··· ··· 0
la matrice de type (n, p), constituée de 1 sur ses r premiers coefficients diagonaux, et de 0 partout ailleurs.

Théorème 23.4.10
Soit E et F des espaces de dimensions respectives p et n. Soit f ∈ L(E, F ), de rang r. Il existe deux
bases B et C, respectivement de E et de F , telles que

MatB,C (f ) = In,p,r .

Corollaire 23.4.11
Toute matrice de Mn,p (K) de rang r est équivalente à In,p,r .

Corollaire 23.4.12 (Classification des matrices équivalentes par le rang)

Deux matrices de même format sont équivalentes si et seulement si elles ont même rang.

Ainsi, dans Mn,p (R), les classes d’équivalence, pour la relation d’équivalence des matrices, sont les sous-
ensembles de matrices de même rang r ∈ [[0, min(n, p)]]. En particulier, l’espace quotient est en bijection
avec [[0, min(n, p)]].

IV.3 Matrice d’un endomorphisme, matrices semblables

Dan le cas où f est un endomorphisme, il est fréquent de choisir sur E la même base au départ et à
l’arrivée (même si ceci n’est en théorie par strictement nécessaire). Dans ce cas, on allège un peu les
notations, en notant simplement MatB (f ) au lieu de MatB,B (f ). Par ailleurs, un changement de base
sur un endomorphisme s’effectue dans ce cas en faisant le même changement de variable au départ et à
l’arrivée. Ainsi :
146 CHAPITRE 23. MATRICES

Théorème 23.4.13 (Changement de base pour un endomorphisme)

Soit f ∈ L(E), E étant un espace vectoriel de dimension finie, muni de deux bases B1 et B2 . Alors :

MatB2 (f ) = (PBB12 )−1 MatB1 (f )PBB12 .

Ainsi, cette relation s’écrit : M ′ = P −1 M P , où M est la matrice de f dans l’ancienne base, M ′ la matrice
de f dans la nouvelle base, et P la matrice de passage de l’ancienne base vers la nouvelle base.

Exemple 23.4.14
1. Soit p un projecteur de rang r d’un espace de dimension n. Montrer qu’il existe une base B de
E telle que MatB (p) = In,n,r .
2. Décrire de même une matrice simple représentant une symétrie dans un certain choix de base.
3. Déterminer une base relativement à laquelle la matrice de f : (x, y) 7→ (3x − 2y,
! x) est diagonale.
3 −2
En déduire une relation entre cette matrice diagonale et la matrice .
1 0

!
3 −2
On dit qu’on a diagonalisé , ou de façon équivalente, qu’on a diagonalisé f .
1 0
La notion de diagonalisation est liée à l’étude des classes d’équivalence de la relation fournie par les
changements de base pour les endomorphismes. Cela motive la définition de la relation d’équivalence
idoine, définissant la notion de matrices semblables.

IV.4 Matrices semblables

Définition 23.4.15 (Matrices semblables)

On dit que deux matrices A, B ∈ Mn (K) sont semblables s’il existe une matrice inversible P ∈ GLn (K)
telle que B = P −1 AP .

Proposition 23.4.16 (Relation de similitude)

La relation ainsi définie, appelée relation de similitude, est une relation d’équivalence.

Ainsi :

Corollaire 23.4.17
Les matrices d’un endomorphisme dans différentes bases de E sont semblables.

La classification des matrices semblables est beaucoup plus compliquée que la classification des matrices
équivalentes. Cette classification est à l’origine du problème de la réduction des endomorphismes. Le
problème de la réduction des endomophismes consiste à trouver un système simple de représentants des
classes de similitude, donc de trouver une matrice simple canonique équivalente à une matrice donnée.
La diagonalisation des matrices (ou des endomorphismes) est une des branches de ce problème, mais
les matrices diagonales ne suffisent pas à donner un système de représentants des classes de similitude.
Par ailleurs, il est important de noter que cette notion dépend beaucoup du corps de base. En effet,
toutes matrice de Mn (C) est C-semblable à une matrice triangulaire supérieure (et même à une matrice
de forme assez particulière, avec seulement deux diagonales non nulles), donc toute matrice de Mn (R)
aussi ; en revanche elles ne sont pas toutes R-semblables à une matrice triangulaire supérieure. Trouver
IV Changements de base 147

un système de représentants des classes de R-similitude est un problème plus compliqué que trouver un
système de représentants de C-similitude.
La classification des classes de similitude étant loin d’être triviale, une étape importante est la recherche
d’invariants de similitude, c’est-à-dire de propriétés ou quantités préservées par similitude. Ces invariants
permettent de distinguer certaines matrices non semblables (si elles n’ont pas même invariant) mais sont
en général insuffisants pour prouver qu’elles sont semblable (sauf si l’invariant caractérise la similitude).
Nous avons déjà étudié un invariant de similitude : le rang. En effet, deux matrices semblables sont
équivalentes. Cet invariant est assez faible, puisqu’il ne permet de classer les matrices de Mn (K) qu’en
n + 1 catégories.
Un deuxième invariant, encore plus facile à calculer, est la trace, que nous étudions dans le paragraphe
suivant.

IV.5 Trace d’une matrice, trace d’un endomorphisme

Définition 23.4.18 (Trace d’une matrice)

Soit A = (ai,j ) ∈ Mn (K) une matrice carrée d’ordre n. La trace de A est la somme de ses coefficients
diagonaux :
Xn
tr(A) = ai,i .
i=1

De façon assez immédiate, on obtient :

Proposition 23.4.19 (Linarité de la trace)

L’application tr : Mn (K) −→ K est une forme linéaire sur Mn (K).

Proposition 23.4.20 (Invariance par transposition)

Soit A ∈ Mn (K). Alors tr(A) = tr( tA).

Théorème 23.4.21 (Invariance de la trace par commutation interne)

Soit A ∈ Mn,p (K) et B ∈ Mp,n (K). Alors tr(AB) = tr(BA).

Remarquez que A et B ne sont pas des matrices carrées, mais de format transposé. Ainsi, AB est une
matrice carrée d’ordre n alors que BA est une matrice carrée d’ordre p.

Avertissement 23.4.22
Le théorème affirme qu’on peut inverser l’ordre d’un produit dans la trace, lorsque la matrice dont
on cherche la trace s’exprime comme produit de 2 termes. Cela ne signifie pas qu’on peut commuter
comme on veut les termes d’un produit de n termes à l’intérieur de la trace. Ainsi, on peut écrire :

tr(ABC) = tr(CAB) = tr(BCA),

mais en général, on n’a pas :

tr(ABC) = tr(ACB),
l’expression ACB ne pouvant pas se déduire de l’interversion (globale) de 2 termes de ABC.
148 CHAPITRE 23. MATRICES

Exemple 23.4.23
! ! !! ! ! !!
1 0 0 1 1 1 1 0 1 1 0 1
Comparer tr et tr .
0 0 1 0 0 0 0 0 0 0 1 0

Corollaire 23.4.24 (Invariance de la trace par similitude)

La trace est un invariant de similitude. Autrement dit, si M et N sont semblables, alors tr(M ) = tr(N ).

Cela permet de définir :

Définition 23.4.25 (Trace d’un endomorphisme)

La trace d’un endomorphisme est la valeur commune de la trace des matrices de f relativement à un
choix quelconque d’une base.

On en déduit notamment que, comme pour les matrices, la trace est une forme linéaire sur L(E), et que
pour tout u ∈ L(E, F ) et v ∈ L(F, E), on a tr(uv) = tr(vu).
En particulier, on a :

Proposition 23.4.26 (Trace d’un projecteur, d’une symétrie)

1. Soit p un projecteur de E, alors tr(p) = rg(p).
2. Soit s une symétrie de E. Alors tr(s) = n − 2 rg(s − id)

Méthode 23.4.27 (Dimension des éléments géométriques d’une projection/symétrie)

• S’assurer que l’endomorphisme considéré est une projection ou une symétrie, en calculant u2 .
• Déterminer la matrice de u dans une base quelconque
• Déterminer la trace de u grâce à cette matrice.
• la propriété précédente donne la dimension des éléments propres Ker(u) et Im(u) de u si u est
un projecteur, et de Ker(u − id) et Ker(u + id) si u est une symétrie (ces deux espaces étant
supplémentaires pour une symétrie).

IV.6 Introduction à la réduction des endomorphismes (Spé)

Ces invariants ne représentent qu’un tout petit pas vers la classification des classes de similitude. Vous
définirez l’année prochaine les valeurs propres d’une matrice. L’ensemble des valeurs propres d’une matrice
est également un invariant de similitude.

Nous donnons sans preuve la description complète d’un système de représentant des classes de similitude
dans Mn (C). Pour cela, nous définissons, pour tout ℓ ∈ [[1, n]] et tout λ ∈ C, la matrice :
 
λ 1 0 ··· 0
 .. .. 
0 λ 1 . .
 
. .. .. .. 
Jℓ (λ) = λIℓ + Jℓ = 
 .. . . . 0

. 
. .. 
. . λ 1
0 ··· ··· 0 λ

Dans le cas où n = 1, la matrice J1 (λ) est réduite à la matrice à une seul coefficient (λ).
V Produit matriciel par blocs 149

Alors, toute matrice de Mn (C) est semblable, à permutation près des blocs diagonaux, à une unique
matrice  
Jℓ1 (λ1 ) 0 0
 .. 
 . , ℓ1 + · · · + ℓk = n, (λ1 , . . . , λk ) ∈ Ck ,
 0 0 
0 0 Jℓk (λk )
matrice constituée de blocs diagonaux carrés égaux aux matrices Jℓi (λi ).
Le problème de la réduction d’un endomorphisme u, ou de façon équivalente, d’une matrice M , est de
trouver une base relativement à laquelle la matrice de u est de la forme ci-dessus, ou de façon équivalente,
de trouver une matrice P inversible telle que P −1 M P soit de la forme ci-dessus.
Si les ℓk sont tous égaux à 1, la matrice obtenue est diagonale. Ainsi, les matrices diagonales (à permutation
près des facteurs) font partie de la famille décrite ci-dessus. Le problème de la diagonalisation est donc
un sous-problème du problème plus vaste de la réduction, et si elle n’aboutit pas, il faudra chercher un
représentant de la classe de M sous le format plus général donné ci-dessus. Nous définissons :

Définition 23.4.28 (Endomorphisme diagonalisable, matrice diagonalisable)

(i) Un endomophisme est diagonalisable s’il existe une base dans laquelle sa matrice est diagonale.
(ii) Une matrice est diagonalisable si elle est semblable à une matrice diagonale.

Trouver une telle matrice diagonale (et la matrice de passage associée) s’appelle « diagonaliser » l’en-
domorphisme ou la matrice. Vous verrez l’année prochaine des techniques efficaces pour diagonaliser un
endomorphisme ou une matrice.
De façon plus générale, trouver un représentant sous la forme générale exposée ci-dessus (et la matrice
de passage correspondante) s’appelle « réduire » ou « jordaniser » l’endomorphisme ou la matrice.
Pour la culture, le résultat qui est à la base du théorème de jordanisation, disant que toute matrice à
coefficients complexes est jordanisable, est le théorème suivant :

Théorème 23.4.29 (Théorème des noyaux itérés)

Soit u un endomorphisme de E de dimension finie, on a les inclusions :

Ker(u0 ) ⊂ Ker(u1 ) ⊂ Ker(u2 ) ⊂ · · · ⊂ Ker(uk ) ⊂ Ker(uk+1 ) ⊂ · · · .

De plus, cette suite est stationnaire, et « s’essouffle », dans le sens où les sauts de dimension forment
une suite décroissante, ultimement nulle.

Nous verrons la démonstration de ce théorème en exercice.

V Produit matriciel par blocs

Nous voyons dans cette dernière section qu’on peut effectuer un produit matriciel en groupant les termes
par blocs rectangulaires, en utilisant les règles usuelles, c’est-à-dire en remplaçant dans les formules les
coefficients par des blocs matriciels. Il faut cependant prendre garde au fait que cela n’est possible que
si le découpage en blocs des deux matrices A et B fournit des formats compatibles pour les produits
intervenant de la sorte.
Soit B = (b1 , . . . , bp ) une base de E, C = (c1 , . . . , cn ) une base de F . Soit u ∈ L(E, F ) et soit A =
MatB,C (u) = (ai,j ). On définit un découpage par blocs de M par les indices

0 = i0 < i1 < i2 < · · · < iq−1 < iq = n et 0 = j0 < j1 < j2 < · · · < jr−1 < jr = p.

Les blocs sont alors définis par Ak,ℓ = (ai,j )(i,j)∈[[ik−1 −1,ik ]]×[[jℓ−1 +1,jℓ ]] . La matrice Ak,ℓ est donc la matrice
obtenue par extraction des lignes ik−1 + 1 à ik et des colonnes jℓ−1 + 1 à jℓ de A. On dira que le découpage
150 CHAPITRE 23. MATRICES

de A en blocs (Ak,ℓ ) est associées aux suites d’indices

0 = i0 < i1 < i2 < · · · < iq−1 < iq = n et 0 = j0 < j1 < j2 < · · · < jr−1 < jr = p.

Par ailleurs, étant donné E, muni de la base B = (b1 , . . . , bp ), nous définissons la décomposition de E
associée à la suite
0 = j0 < j1 < j2 < · · · < jr−1 < jr = p

par
E = E1 ⊕ · · · ⊕ Er ,

où pour tout k ∈ [[1, r]], Ek = Vect(Bk ), où Bk = (bjk−1 +1 , . . . , bjk ).

Nous noterons iℓ : Eℓ −→ E, l’injection canonique d’inclusion de Eℓ dans E.
De même, nous disposons alors d’une décomposition de F associée à la base C, et à la suite

0 = i0 < i1 < i2 < · · · < iq−1 < iq = n,

décomposition que nous écrivons F = F1 ⊕ · · · ⊕ Fq . La suite (ji ) définit également des tranches adaptées
Cℓ de la base C, comme ci-dessus.
Enfin, étant donnée la décomposition en sommes directes F = F1 ⊕ · · · ⊕ Fq , on appelle projection sur le
k-ième facteur l’application linéaire de L(E, Ek ) définie par :

pk (x1 + · · · + xq ) = xk .

Il s’agit d’un projecteur, et on a de façon évidente,

∀x ∈ F, x = p1 (x) + · · · + pq (x).

Théorème 23.5.1 (Interprétation géométrique d’un découpage par blocs)

Avec les notations introduites ci-dessus, pour tout (k, ℓ) ∈ [[1, q]] × [[1, r]], Ak,ℓ est la matrice de l’appli-
cation de L(Eℓ , Fk ), obtenue par projection sur Fk de la restriction de u à Eℓ relativement aux base Bℓ
et Ck :
Ak,ℓ = MatBℓ ,Ck (pk ◦ u ◦ iℓ ).

De cette interprétation, on déduit le théorème de produit par blocs :

Théorème 23.5.2 (Produit par blocs)

Soit A ∈ Mn,p et B ∈ Mp,m deux matrices, et

0 = i0 < i1 < i2 < · · · < iq−1 < iq = n,

0 = j0 < j1 < j2 < · · · < jr−1 < jr = p,
0 = k0 < k1 < k2 < · · · < ks−1 < ks = m.

Les deux premières suites définissent un découpage par blocs A = (Ai,j )(i,j)∈[[1,q]]×[[1,r]] de A et les deux
dernières définissent un découpage par blocs B = (Bj,k )(j,k)∈[[1,r]]×[[1,s]].
Le produit AB admet alors une représentation par blocs :

AB = (Ci,k )(i,k)∈[[1,q]]×[[1,s]] ,
r
X
où pour tout (i, k) ∈ [[1, q]] × [[1, s]], Ci,k = Ai,j Bj,k .
j=1
V Produit matriciel par blocs 151

En particulier, si on a une représentation diagonale par blocs :

 
A1 0 0
 .. 
A=0 . 0 ,
0 0 Ak

où les Ak sont des matrices carrées, alors pour tout n ∈ N,

 
An1 0 0
 .. 
An = 
 0 . 0  .
n
0 0 Ak

Exemple 23.5.3
 
1 1 0 0 0
0 1 1 0 0
 
 
Calcul des puissances successives de 0 0 1 0 0
 
0 0 0 2 1
0 0 0 0 2
152 CHAPITRE 23. MATRICES
 24
Groupe symétrique et déterminants

L’examen de ces Formules fournit cette Règle générale. Le nombre des équations & des in-
connues étant n, on trouvera la valeur de chaque inconnue en formant n fractions dont le
dénominateur commun a autant de termes qu’il y a de divers arrangements de n choses dif-
férentes. Chaque terme est composé des lettres ZY XV etc. toujours écrites dans le même
ordre, mais auquelles on distibue, comme exposants, les n premiers chiffres rangés en toutes
les manières possibles [les Z i , Y i ... représentent les coefficients du système d’équations]. Ainsi,
lorsqu’on a trois inconnues, le dénominateur a (1×2×3 =) 6 termes, composés des trois lettres
ZY X qui recoivent successivement les exposants 123, 132, 213, 231, 312, 321. On donne à
ces termes les signes + ou −, selon la règle suivante. Quand un exposant est suivi, dans le
même terme, médiatement ou immédiatement, d’un exposant plus petit que lui, j’appellerai
cela un dérangement. Qu’on compte, pour chaque terme, le nombre de dérangements : s’il est
pair ou nul, le terme aura le signe + ; s’il est impair, le terme aura le signe −. Par ex. dans
le terme Z 1 Y 2 V 3 [sic] il n’y a aucun dérangement : ce terme aura donc le signe +. Le terme
Z 3 Y 1 X 2 aura le signe + parce qu’il y a deux dérangements, 3 avant 1 & 3 avant 2. Mais le
terme Z 3 Y 2 X 1 qui a trois dérangements, 3 avant 2, 3 avant 1 & 2 avant 1, aura le signe −.
Le dénominateur commun étant ainsi formé, on aura la valeur de z en donnant à ce déno-
minateur le numérateur qui se forme en changeant, dans tous ses termes, Z en A [(les Ai
forment le second membre)]. Et la valeur d’y est la fraction qui a le même dénominateur &
pour numérateur la quantité qui résulte quand on change Y en A dans tous les termes du
dénominateur. Et on trouve de manière semblable la valeur des autres inconnues.

(Gabriel Cramer)
Le texte ci-dessus décrit la règle de Cramer pour la résolution des systèmes linéaires. Au passage, Cra-
mer donne une description des numérateurs et dénominateurs correspondant à la définition actuelle des
déterminants. La signature des permutations y est défini par le nombre d’inversions (terminogie actuelle
pour désigner ce que Cramer appelait des dérangements ; la notion de dérangement désigne actuellement
plutôt des permutations sans point fixe ; on peut retenir au passage qu’avant de se fixer, la terminologie
mathématique peut être fluctuante).
M. Gauss s’en est servi avec avantage dans ses Recherches analytiques pour découvrir les
propriétés générales des formes du second degré, c’est-à-dire des polynômes du second degré
à deux ou plusieurs variables, et il a désigné ces mêmes fonctions sous le nom de détermi-
nants. Je conserverai cette dénomination qui fournit un moyen facile d’énoncer les résultats ;
j’observerai seulement qu’on donne aussi quelquefois aux fonctions dont il s’agit le nom de
résultantes à deux ou à plusieurs lettres. Ainsi les deux expressions suivantes, déterminant et
résultante, devront être regardées comme synonymes.

(Augustin de Cauchy)
154 CHAPITRE 24. GROUPE SYMÉTRIQUE ET DÉTERMINANTS

Nous rappelons que le groupe symétrique Sn ou Sn est le groupe des permutations de [[1, n]], la loi du
groupe étant la composition. L’étude algébrique des groupes Sn est très intéressante, et aboutit à des
résultats aussi importants que la non résolubilité par radicaux des équations de degré au moins 5. Cette
étude va bien au-delà des objectifs du programme, qui sont uniquement d’introduire les outils nécessaires
pour pouvoir définir correctement les déterminants. Nous nous limiterons donc, avec beaucoup de regrets,
à ces objectifs.

I Groupe symétrique
Notre but est d’introduire les outils nécessaires à la définition de la signature d’une permutation, notion
utilisée ensuite dans l’étude des déterminants. La signature d’une permutation est définie comme l’unique
morphisme de groupes ε : Sn 7→ {−1, 1} non constant. Notre objectif est donc de montrer l’existence et
l’unicité de ce morphisme.

I.1 Notations liées à des permutations

Nous rencontrerons deux façons de décrire des permutations. La première, la plus naturelle, est d’associer,
dans un tableau, à chaque valeur i ∈ [[1, n]], la valeur de σ(i), en rangeant les valeurs de i dans l’ordre
croissant. Nous disposerons ces données sous la forme matricielle suivante :

Notation 24.1.1 (Permutation)

Soit σ ∈ Sn . Nous désignerons explicitement σ par le tableau :
!
1 2 ··· n
σ=
σ(1) σ(2) · · · σ(n)

Exemple 24.1.2
1. Décrire de la sorte tous les éléments de S2 et S3 .
2. Décrire de la sorte la permutation de Sn inversant l’ordre : σ(k) = n + 1 − k.

Certaines permutations ont un comportement particulier : elles effectuent une rotation sur un ensemble
d’éléments (qu’on peut ranger en cercle), et laissent les autres invariants. On appelle cycle ces permuta-
tions. Pour rendre le caractère cyclique plus visible sur les notations on adopte pour ces permutations
une notation plus adaptée. Nous définissons de façon plus précise :

Définition 24.1.3 (Cycle)

Un cycle est une permutation σ telle qu’il existe k > 2, et k éléments deux à deux distincts i1 , . . . , ik
de [[1, n]], tels que
(i) ∀ℓ ∈ [[1, k − 1]], σ(iℓ ) = iℓ+1 et σ(ik ) = i1
(ii) ∀i ∈ [[1, n]] \ I, σ(i) = i.
L’ensemble I = {i1 , . . . , ik } est appelé support de σ. Le support d’un cycle est donc le complémentaire
de l’ensemble des points fixes.

Exemple 24.1.4 ! !
1 2 3 4 5 6 1 2 3 4 5 6
Sont-ce des cycles : ? ?
1 4 5 3 2 6 3 4 5 2 6 1
I Groupe symétrique 155

Notation 24.1.5 (Cycles)

Avec les conditions de la définition 24.1.3, on note

σ = (i1 i2 . . . ik ).

Son support est donc l’ensemble I = {i1 , . . . , ik }. La longueur du cycle est l’entier k = Card(I).

Cette notation signifie que tout élément de la liste est envoyé sur l’élément suivant, le dernier étant envoyé
sur le premier.

Exemple 24.1.6
1. Écrire le cycle de l’exemple 24.1.4 avec les notations 24.1.5.
2. Écrire le cycle (1 5 8 2 9 7 3) avec les notations 24.1.1.

Avertissement 24.1.7
Attention, l’ordre des éléments i1 , . . . , in est important.

Remarque 24.1.8
La représentation d’un cycle sous la forme 24.1.5 est-elle unique ?

On rencontre parfois :

Définition 24.1.9 (Grand cycle, ou permutation circulaire)

Un grand cycle, ou permutation circulaire, de Sn est un cycle de support [[1, n]].

Ainsi, un grand cycle effectue une rotation, dans un certain ordre, entre les n éléments de [[1, n]]. Un
exemple important de grand cycle est :

Définition 24.1.10 (Permutations circulaires directe et indirecte)

(i) On appelle permutation circulaire directe de Sn le grand cycle (1 2 · · · n).
(ii) On appelle permutation circulaire indirecte de Sn le grand cycle (n . . . 2 1).

Exemple 24.1.11
Écrire les permutations circulaires directes et indirectes avec les notations 24.1.1.

Une famille importante de cycles est constituée des cycles de longueur 2. En effet, il s’agit d’une famille
génératrice de Sn , comme on le verra plus tard.

Définition 24.1.12 (Transpositions)

On appelle transposition de Sn un cycle de longueur 2 : τ = (i j).

Ainsi, la transposition τ = (i j) est la permutation consistant en l’échange des valeurs i et j.

156 CHAPITRE 24. GROUPE SYMÉTRIQUE ET DÉTERMINANTS

Exemple 24.1.13
Écrire la transposition τ = (2 5) de S6 avec les notations 24.1.1.

I.2 Signature d’une permutation

Lemme 24.1.14
Soit σ ∈ Sn . Alors σ induit une bijection sur P2 ([[1, n]]), l’ensemble des sous-ensembles de cardinal 2
de [[1, n]].

En notant, pour tout X = {i, j}, δσ (X) = |σ(i) − σ(j)|, on en déduit :

Lemme 24.1.15
Soit σ ∈ Sn . On a :

Y Y Y
(σ(j) − σ(i)) = δσ (X) = (j − i)
16i<j6n X∈P2 ([[1,n]]) 16i<j6n

σ(j) − σ(i) σ(i) − σ(j)

Puisque = , cette quantité ne dépend pas de l’ordre respectif entre i et j, mais
j−i i−j
uniquement de l’ensemble {i, j}. On peut donc définir une application τσ sur P2 ([[1, n]]) par :
σ(i) − σ(j)
X = {i, j} 7→ τσ (X) = .
i−j

Définition 24.1.16 (Signature)

On définit la signature ε : Sn −→ {−1, 1} par :
Y
(σ(j) − σ(i))
16i<j6n Y
ε(σ) = Y = τσ (X).
(j − i) X∈P2 ([[1,n]])
16i<j6n

Théorème 24.1.17
La signature ε est un morphisme de groupes de (Sn , ◦) dans ({−1, 1}, ×).

De l’étude du signe de l’expression définissant ε(σ), il découle que celui-ci-dépend du nombre de couples
(i, j) avec i < j tel que σ(i) > σ(j).

Définition 24.1.18 (Inversion)

Soit σ ∈ Sn . On appelle inversion de σ un couple (i, j) tel que i < j et σ(i) > σ(j), c’est-à-dire
δ({i, j}) < 0.

Ainsi, la signature peut être décrite à l’aide du nombre d’inversions :

Théorème 24.1.19 (Description de la signature par les inversions)

En notant Inv(σ) le nombre d’inversions de σ, on a :

ε(σ) = (−1)Inv(σ) .
I Groupe symétrique 157

Une transposition (i i + 1) n’admettant que le couple (i, i + 1) comme inversion, il vient alors :

Proposition 24.1.20
Notons, pour tout i ∈ [[1, n − 1]], τi = (i i + 1). On a alors ε(τi ) = −1.

Or, toute transposition peut s’écrire à l’aide de ces transpositions entre éléments consécutifs :

Proposition 24.1.21 (Décomposition d’une transposition à l’aide des τi )

Soit 1 6 i < j 6 n, et τ = (i j). Alors

τ = τj−1 ◦ · · · ◦ τi+1 ◦ τi ◦ · · · ◦ τj−2 ◦ τj−1 .

En utilisant le fait que ε est un morphisme, on en déduit :

Théorème 24.1.22 (Signature d’une transposition)

Soit τ une transposition. Alors ε(τ ) = −1.

Nous avons donc répondu au problème de l’existence d’un morphisme ε : Sn → {−1, 1}, prenant la valeur
−1 sur les transpositions.
Pour étudier son unicité, nous allons établir que toute permutation s’écrit comme composition de trans-
position. Ainsi, la valeur d’un morphisme ε sur une permutation est entièrement déterminée par la valeur
de ε sur les transpositions. Imposer la valeur sur les transpositions fournit dans ce cas l’unicité.

Théorème 24.1.23 (Caractère générateur des transpositions)

Toute permutation σ ∈ Sn est un produit de transpositions.

Les transpositions étant elles mêmes engendrées par les τi , on se rend compte que toute permutation s’écrit
comme produit des τi . Cela ne soit pas nous étonner, on l’avait déjà prouvé en étudiant la correction de
certains algorithmes de tri (lesquels ?)

Remarque 24.1.24
Le rapport obtenu entre signature et décomposition en produit de transpositions permet d’affirmer que
la parité du nombre de terme de toute décomposition en produits de transpositions d’une permutation
donnée est la même.

Pour montrer l’unicité du morphisme non trivial ε, nous montrons qu’un morphisme ϕ : Sn → {−1, 1}
attribue la même valeur à toute transposition. Pour cela, nous établissons deux lemmes. Nous supposons
donné un tel morphisme ϕ.

Lemme 24.1.25
Soit s ∈ Sn . Alors ϕ(σ) = ϕ(σ −1 )

Lemme 24.1.26 (Effet de la conjugaison sur un cycle)

Soit σ ∈ Sn et (a1 . . . ak ) un cycle. Alors

σ ◦ (a1 . . . ak ) ◦ σ −1 = (σ(a1 ) . . . σ(ak ))

158 CHAPITRE 24. GROUPE SYMÉTRIQUE ET DÉTERMINANTS

Corollaire 24.1.27
Soit α ∈ {−1, 1}. S’il existe une transposition τ0 telle que ϕ(τ0 ) = α, alors pour toute transposition τ ,
ϕ(τ ) = α.

On en déduit enfin notre théorème d’unicité :

Théorème 24.1.28 (propriété d’unicité de la signature)

La signature est le seul morphisme de groupes non trivial (i.e. non égal à l’identité) de Sn dans {−1, 1}.

Terminologie 24.1.29 (Permutation paire, permutation impaire)

On dira qu’une permutation est paire si ε(σ) = 1, et impaire si ε(σ) = −1.

Définition 24.1.30 (Groupe alterné)

Le groupe alterné An est le noyau de la signature, c’est-à-dire l’ensemble des permutations paires. C’est
un sous-groupe distingué de Sn .

I.3 Décomposition cyclique d’une permutation

Décomposer une permutation en produit de transpositions, ou compter le nombre d’inversions n’est pas
quelque chose d’immédiat. Nous donnons dans ce paragraphe une autre façon, plus rapide, de calculer la
signature d’une permutation, en s’aidant du type cyclique de cette permutation.
Soit σ une permutation. On définit sur [[1, n]] la relation : i ≡σ j si et seulement s’il existe k ∈ N tel que
j = σ k (i).
On peut interpréter cette relation sous forme d’une action de groupe : le groupe Sn agit sur [[1, n]] par
σ · i = σ(i). La relation d’équivalence n’est alors autre que la relation définissant les orbites de [[1, n]] sous
l’action de Sn .

Proposition 24.1.31
La relation ≡σ est une relation d’équivalence.

Soit x ∈ [[1, n]], et Sx l’unique classe d’équivalence contenant x. Par définition de la relation ≡σ , Sx =
{σ i (x), i ∈ N}.

Proposition 24.1.32
Soit k le cardinal de Sx . Alors les σ i (x), i ∈ [[0, k − 1]], sont deux-à-deux distincts, on a Sx =
{x, σ(x), . . . , σ k−1 (x)}, et σ induit sur Sx une permutation de Sx , égale au cycle (x, σ(x), . . . , σ k−1 (x)).

Notons Cx le cycle de Sn défini par

Cx = (x, σ(x), . . . , σ k−1 (x)).

Lemme 24.1.33
Soit x et y des éléments d’une même classe d’équivalence modulo ≡σ . Alors Cx = Cy .
I Groupe symétrique 159

Théorème 24.1.34 (Décomposition en cycles d’une permutation)

Soit σ une permutation de Sn . À permutation près des facteurs, il existe une unique décomposition de
σ en produits de cycles :
σ = C1 ◦ · · · ◦ Ck ,
telle que les supports des cycles forment une partition de [[1, n]]

Cette dernière hypothèse signifie que les cycles considérés sont à supports disjoints, et que tout élément
de [[1, n]] est dans un cycle, quitte à considérer dans la décomposition des cycles de longueur 1 (en ayant
en mémoire la possibilité de différencier) leur support.

Remarque 24.1.35
• Les cycles Ci sont les cycles associés à un système de représentants modulo la relation ≡σ .
• L’ordre dans lequel on effectue cette composition importe peu, du fait du lemme qui suit.
• Certains auteurs ne considèrent que des cycles de longueur au moins égale à deux (cas où la
donnée du support est déterminée par la donnée du cycle). Dans ce cas, le résultat se réénonce
en disant que toute permutation est de façon unique (à permutation près) composée de cycles à
supports disjoints.

Lemme 24.1.36 (Commutation des cycles à supports disjoints)

Soit C1 et C2 deux cycles à supports disjoints. Alors C1 ◦ C2 = C2 ◦ C1 .

Méthode 24.1.37 (Comment déterminer la décomposition en produits de cycles)

Soit σ une permutation de Sn .
• Partir de 1 et suivre ses images successives jusqu’à retomber sur 1. Cela donne le premier cycle.
• Recommencer en partant du plus petit élément de [[1, n]] n’appartenant pas au premier cycle
trouvé.
• Recommencer ainsi jusqu’à épuisement des éléments de [[1, n]].

Exemple 24.1.38
Trouver la décomposition en cycles à supports disjoints de :
!
1 2 3 4 5 6 7 8 9 10
σ= .
5 2 8 10 7 9 1 3 4 6

Définition 24.1.39 (Support cyclique d’une permutation)

Le support cyclique d’une permutation σ est la partition formée des supports des cycles formant la
décomposition en cycles de σ. Ainsi, il s’agit de la partition formée des classes d’équivalence de la
relation ≡σ .

Définition 24.1.40 (Type cyclique d’une permutation)

Le type cyclique d’une permutation σ est la suite croissante des tailles des parts du support cyclique.
Une telle suite croissante de somme n est appelée partition de l’entier n.

Dans ces deux dernières définitions, il est nécessaire de tenir compte aussi des supports de taille 1.
160 CHAPITRE 24. GROUPE SYMÉTRIQUE ET DÉTERMINANTS

I.4 Cycles et signature

Nous voyons enfin comment utiliser la décomposition en cycles pour déterminer la signature. Pour cela
nous remarquons qu’il est facile d’écrire un cycle comme produit de transpositions :

Lemme 24.1.41 (Décomposition d’un cycle en transpositions)

Soit {i1 , . . . , ik } des entiers 2 à 2 distincts de [[1, n]]. Alors :

( i1 i2 · · · ik ) = (i1 ik ) ◦ (i1 ik−1 ) ◦ · · · ◦ (i1 i2 ).

Dans le cas où k = 1, le terme de droite est réduit à un produit vide de transpositions (égal à l’identité)

Proposition 24.1.42 (Signature d’un cycle)

Soit C un cycle et ℓ(C) sa longueur. Alors

ε(C) = (−1)ℓ(C)−1 .

Théorème 24.1.43 (Détermination de ε par le type cyclique)

Soit σ une permutation de Sn , et c(σ) le nombre de parts dans son support cyclique (ou de façon
équivalente dans son type cyclique). Alors :

ε(σ) = (−1)n−c(σ) .

II Déterminants
Dans cette section, nous étudions les déterminants. Nous verrons cette notion tout d’abord vue comme
un objet défini sur une famille de vecteurs, puis nous en déduirons une notion de déterminant d’un
endomorphisme, puis d’une matrice carrée. Notre but étant en grande partie de caractériser l’inversibilité
d’une matrice grâce à cet objet, nous introduisons ensuite des techniques calculatoires efficaces. Nous
voyons enfin comment donner une expression de l’inverse d’une matrice à l’aide des déterminants, même
si en pratique, la formule obtenue manque d’efficacité.

Note Historique 24.2.1

• Cardan est le premier à introduire un objet correspondant au déterminant d’ordre 2, dans le cadre de
résolutions de systèmes de deux équations à deux inconnues. Il s’agit d’un cas particulier de la règle
établie plus tard par Cramer. Il appelle cette règle la regula de modo.
• Les déterminants d’ordre supérieur (mais toujours pour des petites valeurs) doivent attendre Leibniz
(ordre 3 et presque ordre 4, avec quelques erreurs de signes ; comme quoi même les grands peuvent en
faire !) et indépendamment le japonais Kowa Seki. Leibniz montre au passage la formule de dévelop-
pement suivant une colonne, pour les déterminants d’ordre 3. C’est MacLaurin en 1748 qui donnera
l’expression du déterminant d’ordre 4 avec les bons signes.
• Cramer décrit de façon complète les déterminants de tout ordre en 1750, et à l’occasion, établit les for-
mules de résolution de systèmes pour lesquelles il est devenu célèbre (même si ces formules ne constituent
qu’un petit appendice technique d’un ouvrage beaucoup plus vaste).
• Gauss introduit le mot déterminant.
• Cayley introduit la notation matricielle et l’écriture par barres. Cayley et Sylvester sont à la base de
l’étude algébrique des déterminants.
II Déterminants 161

II.1 Formes multilinéaires

Soit K un corps.

Définition 24.2.2 (Application multilinéaire)

Soit E1 , . . . , En et F des K-espaces vectoriels. Une application n-linéaire est une application

ϕ : E1 × · · · × En −→ F

telle que pour tout i ∈ [[1, n]], ϕ soit linéaire par rapport à sa i-ième variable, les autres étant fixées
quelconques, donc si pour tout x1 , . . . , xn , x′i et λ,

ϕ(x1 , . . . , xi−1 , λxi + x′i , xi+1 , . . . , xn )

= λϕ(x1 , . . . , xi−1 , xi , xi+1 , . . . , xn ) + ϕ(x1 , . . . , xi−1 , x′i , xi+1 , . . . , xn ).

Une application est une application multilinéaire si elle est n-linéaire pour un certain n > 2.

Proposition 24.2.3
Soit ϕ une application n-linéaire. Alors ϕ(x1 , . . . , xn ) = 0 dès lors qu’une des variables xi est nulle.

Définition 24.2.4 (Forme n-linéaire)

Une forme n-linéaire est une application n-linéaire à valeurs dans K.

Exemple 24.2.5
1. Voici des exemples de formes ou applications bilinéaires (n = 2) :
• (x, y) ∈ (Rn )2 7→ hx, yi, le produit scalaire canonique
• (x, y) ∈ C2 7→ xy
• (f, g) ∈ L(E) 7→ f ◦ g
• (X, Y ) ∈ (Rn )2 7→ tY M X
2. (x1 , . . . , xn ) 7→ x1 · · · xn
Z 1
3. (f1 , . . . , fn ) 7→ f1 (t) · · · fn (t) dt
0
4. L’aire (signée) du parallélogramme défini par deux vecteurs x et y
5. Le volume du parallélépipède défini par trois vecteurs.

Théorème 24.2.6 (n-linéarité généralisée)

Soit ϕ : E1 × · · · × En → F une application n-linéaire. Alors pour tout (k1 , . . . , kn ) ∈ N∗ , pour tout
xi,j ∈ Ei et λi,j ∈ K, (i ∈ [[1, n]], j ∈ [[1, ki ]]), on a :
k1 kn
! k1 kn
X X X X
ϕ λ1,i1 a1,i1 , . . . , λn,in an,in = ··· λ1,i1 · · · λn,in ϕ(a1,i1 , . . . , an,in ).
i1 =1 in =1 i1 =1 in =1

Avertissement 24.2.7
Les indices des sommes doivent être indépendants !
162 CHAPITRE 24. GROUPE SYMÉTRIQUE ET DÉTERMINANTS

Exemple 24.2.8
Dans le cas de la bilinéarité, on obtient :
 
k
X ℓ
X k X
X ℓ
ϕ λi ai , µj b j  = λi µj ϕ(ai , bj ).
i=1 j=1 i=1 j=1

Proposition 24.2.9 (L’espace des applications n-linéaires)

L’ensemble, noté L(E1 , . . . , En ; F ) des applications multilinéaires est un espace vectoriel sur K.

Proposition 24.2.10
On a un isomorphisme d’espaces vectoriels :

L(E1 , . . . , En ; F ) ≃ L(E1 , L(E2 , . . . , En ; F ).

Par itération, on en déduit un isomorphisme d’espaces vectoriels :

L(E1 , . . . , En ; F ) ≃ L(E1 , L(E2 , L(E3 , . . . L(En , F )))).

Notation 24.2.11
Lorsque E1 = · · · = En , on notera plus simplement Ln (E; F ) l’espace des applications n-linéaires de E
dans F , et Ln (E) l’espace des formes n-linéaires.

Comme pour les applications linéaires, pour déterminer entièrement une application n-linéaire (et donc
en particulier une forme n-linéaire), il suffit d’en connaître l’image sur les vecteurs d’une base.

Proposition 24.2.12 (Détermination d’une application n-linéaire sur une base)

Soit pour tout i ∈ [[1, n]], (ei,j )16j6di une base de Ei et pour tout (j1 , . . . , jn ) ∈ [[1, d1 ]] × · · · × [[1, dn ]],
fj1 ,...,jn un élément de F . Alors il existe une unique application n-linéaire ϕ : E1 × · · · × En −→ F telle
que
∀(j1 , . . . , jn ) ∈ [[1, d1 ]] × · · · × [[1, dn ]], ϕ(e1,j1 , . . . , en,jn ) = fj1 ,...,jn .

Cette application est donnée explicitement par :

 
Xd1 dn
X d1
X dn
X
ϕ λ1,j1 e1,j1 , . . . , λn,jn en,jn  = ... λ1,j1 . . . λn,jn fj1 ,...,jn .
j1 =1 jn =1 j1 =1 jn =1

En particulier, si E1 = · · · = En = E, muni d’une unique base (e1 , . . . , ed ) de E, et si on se donne des

éléments fi1 ,...,in de F , pour 1 6 i1 , . . . , in 6 d, il existe une unique application n-linéaire ϕ de Ln (E; F )
telle que pour tout (i1 , . . . , in ) ∈ [[1, d]]n ,

ϕ(ei1 , . . . , ein ) = fi1 ,...,in .

Exemple 24.2.13
Soit (e1 , . . . , en ) la base canonique de Kn . Une forme bilinéaire ϕ sur Kn est entièrement déterminée
par la donnée de n2 scalaires ϕ(ei , ej ). En notant M la matrice carrée définie par ces scalaires (M =
II Déterminants 163

(ϕ(ei , ej ))16i,j6n ), on peut vérifier que pour tout X, Y ∈ Kn (qu’on identifie au vecteur colonne des
coordonnées dans la base canonique), on a :

ϕ(X, Y ) = tXM Y.

Plus généralement, toute forme bilinéaire sur un espace vectoriel E de dimension finie s’écrit de la sorte
après choix d’une base de E (voir un chapitre ultérieur).

II.2 Formes n-linéaires symétriques, antisymétriques, alternées

Nous définissons maintenant trois types importants de formes n-linéaires prenant leurs variables dans un
même espace.

Définition 24.2.14 (Formes n-linéaires symétriques, alternées)

Soit ϕ ∈ Ln (E) une forme n-linéaire. On dit que :
1. ϕ est symétrique si elle est invariante par permutation de ses variables : pour tout σ ∈ Sn ,

ϕ(x1 , . . . , xn ) = ϕ(xσ(1) , . . . , xσ(n) ).

2. ϕ est antisymétrique si pour tout σ ∈ Sn ,

ϕ(x1 , . . . , xn ) = ε(σ)ϕ(xσ(1) , . . . , xσ(n) ).

3. ϕ est alternée si ϕ(x1 , . . . , xn ) = 0 dès lors qu’il existe i 6= j tels que xi = xj .

Exemple 24.2.15
1. Le produit scalaire canonique est une forme bilinéaire symétrique
2. (A, B) 7→ tr(AB) est une forme bilinéaire symétrique
3. (A, B, C) 7→ tr(ABC) est-elle symétrique ?
4. L’aire du parallélogramme formé par deux vecteurs de R2 est une forme bilinéaire alternée.
5. Le volume du parallélépipède formé par trois vecteurs de R3 est une forme trilinéaire alternée.

Lemme 24.2.16 (Caractérisation par les transpositions)

• Pour qu’une forme f soit symétrique, (il faut et) il suffit qu’elle soit invariante par échange de
deux quelconques de ses variables.
• Pour qu’une forme f soit antisymétrique, (il faut et) il suffit que l’échange de deux quelconques
de ses variables provoque un changement de signe.

Lemme 24.2.17
Soit ϕ une forme alternée. Alors pour tout (x1 , . . . , xn ) ∈ E n , et tout (i, j) ∈ [[1, n]]2 tel que i 6= j :

ϕ(x1 , . . . , xi , . . . , xj , . . . , xn ) = −ϕ(x1 , . . . , xj , . . . , xi , . . . , xn ).

Réciproquement, si cette condition est satisfaite, alors, si K n’est pas de caractéristique 2, ϕ est alternée.

Des deux lemme ci-dessus, on déduit immédiatement le sens direct ci-dessous. La réciproque nécessite
une hypothèse supplémentaire sur K.
164 CHAPITRE 24. GROUPE SYMÉTRIQUE ET DÉTERMINANTS

Théorème 24.2.18 (Antisymétrie des formes alternées)

Toute forme n-linéaire alternée est antisymétrique. Si K n’est pas de caractéristique 2, toute forme
antisymétrique est alternée.

Proposition 24.2.19 (Image d’une famille liée par une forme alternée)
Soit (x1 , . . . , xn ) une famille liée, et ϕ une forme alternée. Alors ϕ(x1 , . . . , xn ) = 0.

Nous aurons l’occasion de reparler de formes n-linéaires symétriques (et plus particulièrement pour n = 2),
lorsque nous étudierons les produits scalaires (la symétrie étant une des 3 propriétés requises pour qu’une
forme bilinéaire définisse un produit scalaire). Pour l’heure, nous nous concentrons sur la notion de forme
alternée, fortement liée, d’après les exemples, aux problèmes de calculs d’aires et de volumes. Nous allons
voir qu’à un scalaire multiplicatif près, en dimension n, la mesure des hypervolumes est la seule forme
n-linéaire.

II.3 Déterminant d’une famille de vecteurs

Théorème 24.2.20 (Détermination des formes alternées par l’image d’une base)
Soit E un espace vectoriel de dimension finie, muni d’une base (e1 , . . . , en ), et p ∈ N∗ .
• Si p > n, la seule forme p-linéaire alternée sur E est la forme nulle.
• Si p 6 n, une forme p-linéaire alternée ϕ est complètement déterminée, de façon unique, par la
donnée de ϕ(ei1 , . . . , eip ), pour 1 6 i1 < · · · < ip 6 n.

Plus précisément, il s’agit de l’unique forme p-linéaire sur E telle que pour tout (i1 , . . . , ip ) ∈ [[1, n]]p ,
(
0 s’il existe j 6= k tel que ij = ik
ϕ(ei1 , . . . , eip ) =
ε(τ )ϕ(eiτ (1) , . . . , eiτ (p) ) sinon,

où τ ∈ Sp est l’unique permutation de [[1, p]] telle que

iτ (1) < · · · < iτ (p) .

Corollaire 24.2.21 (Formes n-linéaires d’un espace de dimension n)

Soit E un espace vectoriel de dimension n, et (e1 , . . . , en ) une base de E.
1. Il existe une unique forme n-linéaire alternée ϕ sur E telle que ϕ(e1 , . . . , en ) = 1.
2. Cette forme n-linéaire est entièrement décrite sur les vecteurs de la base par :
(
ϕ(ei1 , . . . , ein ) = 0 s’il existe j 6= k tel que ij = ik
ϕ(eσ(1) , . . . , eσ(n) ) = ε(σ) où σ ∈ Sn

3. Toute autre forme n-linéaire alternée sur E est de la forme λϕ, λ ∈ K.

Remarques 24.2.22
• Si la première condition n’est pas satisfaite, les eik sont deux à deux distincts, et en nombre
n, donc sont constitués des éléments ei pris chacun une et une seule fois. Aussi la famille (ei,k )
peut-elle être vue comme une permutation de la famille (ei ), ce qui permet de l’écrire sous la
forme (eσ(1) , . . . , eσ(n) ).
• La correspondance entre la permutation σ du corollaire précédent, et la permutation τ qui
précède le corollaire est (lorsque p = n) : σ = τ −1 .
II Déterminants 165

Cette unique forme n-linéaire alternée va être notre définition du déterminant (par rapport à une base
B).

Définition 24.2.23 (Déterminant d’une famille de vecteurs)

Soit E un espace de dimension n, B = (e1 , . . . , en ) une base de E et (x1 , . . . , xn ) une famille de n vecteurs
de E. Soit detB l’unique forme n-linéaire alternée telle que detB (e1 , . . . , en ) = 1. Le déterminant de la
famille (x1 , . . . , xn ) par rapport à B est le scalaire detB (x1 , . . . , xn ).

Ainsi, le déterminant par rapport à B est l’unique forme n-linéaire alternée prenant la valeur 1 sur la
famille B.

Remarque 24.2.24
Si E est un R-espace vectoriel, cette notion est à relier à la notion d’hypervolume relative à une base :
le déterminant de n vecteurs par rapport à B est le volume (orienté) du parallélépipède défini par les
n vecteurs, l’unité de volume étant le parallélépipède défini par les vecteurs de la base B.

Exemples 24.2.25
1. Voir l’interprétation géométrique dans R2 et R3 , muni de la base canonique, puis dans R2 muni
d’une base quelconque.
! !!
a c
2. Déterminant par rapport à la base canonique de , .
b d
     
a1 b1 c1
     
3. Déterminant par rapport à la base canonique de a2  , b2  , c2 .
a3 b3 c3

Nous obtenons plus généralement la description suivante :

Théorème 24.2.26 (Description du déterminant par les coordonnées)

Soit E un espace vectoriel de dimension n et B = (e1 , . . . , en ) une base de E. Soit (x1 , . . . , xn ) une
famille d’éléments de E, dont les coordonnées sont :
 
a1,i n
 .  X
∀i ∈ [[1, n]], [xi ]B =  .
 . 
 , soit: xi = aj,i ej .
j=1
an,i

On a alors :
X X
det(x1 , . . . , xn ) = ε(σ)aσ(1),1 · · · aσ(n),n = ε(τ )a1,τ (1) · · · an,τ (n) .
B
σ∈Sn τ ∈Sn

Nous rappelons que nous avons obtenu :

Corollaire 24.2.27 (Formes n-linéaires alternées)

Soit E de dimension n, et B une base de E. Alors l’ensemble des formes n-linéaires alternées est
Vect(detB ).

Ainsi, changer de base ne nous fait pas sortir de la droite Vect(detB ). Comme par ailleurs, une autre base
B ′ , définira également une droite Vect(detB′ ), aussi égale à l’ensemble des formes n-linéaires alternées,
166 CHAPITRE 24. GROUPE SYMÉTRIQUE ET DÉTERMINANTS

on peut donc affirmer que detB et detB′ diffèrent d’une constante multiplicative. En évaluant en B ′ , on
obtient alors :

Proposition 24.2.28 (Effet d’un changement de base sur le déterminant)

Soit B et B ′ deux bases de E. On a alors :

det = det(B ′ ) × det

′
.
B B B

Remarque 24.2.29
En échangeant le rôle de B et B ′ , ou en évaluant en B, on obtient la relation suivante :

1
det(B ′ ) = .
B detB′ (B)

Les deux formes detB et detB′ étant non nulles, et ayant déjà vu l’image par une forme alternée d’une
famille liée, on obtient la caractérisation suivante :

Proposition 24.2.30 (Caractérisation des bases)

Soit E de dimension fini, muni d’une base B Une famille B ′ est une base de E si et seulement si
detB (B ′ ) 6= 0.

Nous verrons un peu plus loin que cette caractérisation équivaut à l’inversibilité de la matrice de la famille
B ′ dans la base B, cette matrice étant alors la matrice de passage de la base B à la base B ′ .

II.4 Orientation d’un espace

Dans ce paragraphe, on suppose que K = R.
Suivant l’ordre dans lequel on donne les vecteurs d’une famille, un hypervolume, défini par le déterminant,
peut être positif ou négatif. Ainsi, étant donnée une base B = (b1 , b2 ) de R2 , detB (b2 , b1 ) = −1. En
définissant B ′ = (b2 , b1 ), on obtient alors detB′ = − detB . Ainsi, toutes les aires vont avoir un signe
inversé par rapport à B ′ , comparées aux aires par rapport à B. C’est cette propriété des signes qui va
définir la notion d’orientation de l’espace. Grossièrement, deux choix de bases donnant des déterminants
différant uniquement d’une constante, soit les déterminants associés à ces deux bases prennent des valeurs
qui sont toujours de même signe, soit ils prennent systématiquement des valeurs de signe opposé. On va
donc pouvoir classer de la sorte les bases en deux groupes. On dira que ces deux groupes définissent deux
orientations différentes de E, et que le choix d’un de ces deux groupes (ou d’un représentant, c’est-à-
dire d’une base) définit une orientation de E. Parler d’orientation directe ou indirecte relève alors de la
convention.
Nous explicitons un peu l’argument ci-dessus.
Soit E un R-ev de dimension finie. Soit B(E) l’ensemble des bases de E, et soit R la relation définie sur
B(E) par :
∀(B, B ′ ) ∈ B(E)2 , BRB ′ ⇐⇒ det(B ′ ) > 0.
B

Proposition 24.2.31
La relation R est une relation d’équivalence. Pour cette relation d’équivalence, il existe précisément
deux classes d’équivalence.
II Déterminants 167

Définition 24.2.32 (Orientation de E)

Une orientation de E est une classe d’équivalence de E modulo R. Orienter E signifie choisir l’une de
ces classes d’équivalence, par exemple par le choix d’un représentant (donc d’une base).

Il y a donc deux orientations de E, donc deux choix possibles d’orientation.

Définition 24.2.33 (Orientation directe, indirecte)

Soit E, muni d’une base de référence B. On dira qu’une orientation définie par B ′ est :
• directe (par rapport à B) si detB (B ′ ) > 0 (donc BRB ′)
• indirecte sinon.

Remarque 24.2.34
La notion d’orientation directe ou indirecte relève de la convention : elle ne peut se définir dans l’absolue,
et nécessite la donnée d’une base de référence. Dans certaines situations, il existe une base de référence
naturelle. Ainsi, dans le cas de Rn , la base canonique constituera en général la base directe de référence.
Par ailleurs, les espaces vectoriels (y compris Rn ) sont définis indépendamment de toute représentation
planaire, spatiale ou autre. Ainsi, définir une orientation directe par certaines caractéristiques d’une
représentation planaire ou spatiale relève également de la convention, mais s’avère bien pratique, en
physique notamment. Remarquez qu’une telle convention pour R2 est inversée si on regarde le plan
par l’autre coté ! De même pour les conventions dans R3 , si on plonge l’espace R3 dans R4 , et qu’on le
regarde par deux côtés différents.

Proposition 24.2.35 (Effet d’une permutation des vecteurs sur l’orientation)

Soit B = (b1 , . . . , bn ) une base de E, et σ ∈ Sn . Soit B ′ = (bσ(1) , . . . , bσ(n) ) la base obtenue de B par
permutation de ses éléments. Alors B et B ′ définissent la même orientation si et seulement si ε(σ) = 1,
donc si σ ∈ An .

En particulier, l’échange de deux vecteurs modifie l’orientation, puisqu’une transposition est impaire.

II.5 Déterminant d’un endomorphisme

On aimerait définir la notion de déterminant d’un endomorphisme indépendamment du choix d’une base.
L’idée naturelle qui vient à l’esprit pourrait être de se fixer une base B = (b1 , . . . , bn ) et de définir le
déterminant d’un endomorphisme u comme le déterminant de (u(b1 ), . . . , u(bn )) par rapport à B. Cette
définition est correcte (elle sera donnée en propriété), mais a l’inconvénient d’introduire une base B,
dont nous aimerions nous affranchir. Prenant une autre base, par exemple (λb1 , . . . , λbn ), nous allons
alors multiplier le déterminant de la famille par λn , mais également le déterminant de la base (toujours
relativement à la base initiale). Pour s’affranchir de la notion de base, on peut constater que cela reste vrai
pour toute forme n-linéaire alternée (puisqu’elles différent du déterminant d’une constante multiplicative
seulement). Cela nous motive la définition suivante :

Lemme 24.2.36
Soit u ∈ L(E). Soit, pour toute forme n-linéaire alternée ϕ sur E, ϕu définie par

ϕu (x1 , . . . , xn ) = ϕ(u(x1 ), . . . , u(xn )).

Alors ϕu est une forme n-linéaire alternée.

168 CHAPITRE 24. GROUPE SYMÉTRIQUE ET DÉTERMINANTS

Proposition/Définition 24.2.37 (Déterminant d’un endomorphisme)

Avec les notations du lemme précédent, il existe un unique scalaire det(u) tel que pour toute forme
n-linéaire alternée ϕ, on ait :
ϕu = det(u) · ϕ.
Ce scalaire det(u) est appelé déterminant de u.

On a alors la propriété attendue :

Proposition 24.2.38 (Caractérisation du déterminant par l’image d’une base)

Soit B = (b1 , . . . , bn ) une base de E. Alors

det(u) = det(u(b1 ), . . . , u(bn )).

B

Corollaire 24.2.39 (Déterminant de l’identité)

On a det(id) = 1.

Proposition 24.2.40
Soit n la dimension de E. Soit u ∈ L(E) et λ ∈ K. On a det(λu) = λn det(u).

Théorème 24.2.41 (Déterminant d’une composée)

Soit u et v dans L(E). Alors det(v ◦ u) = det(v) det(u).

Enfin, notre but étant de caractériser les matrices inversibles (donc les automorphismes), on obtient :

Théorème 24.2.42 (Caractérisation des automophismes par le déterminant)

Soit u ∈ L(E). Alors u est un automorphime de E si et seulement si det(u) 6= 0.

Enfin, si E et F sont de même dimension, la donnée d’un isomorphisme Φ : E → F permet de relier les
déterminants d’endomorphismes de E et les déterminants d’endomorphismes de F :

Proposition 24.2.43 (Déterminant et conjugaison)

Soit Φ : E → F un isomorphisme et u ∈ L(E). Alors :

det(Φ ◦ u ◦ Φ−1 ) = det(u).

II.6 Déterminant d’une matrice carrée

Comme souvent, passer des endomorphismes aux matrices est assez automatique, en utilisant la corres-
pondance usuelle entre des endomorphismes et leur matrice dans un choix de base. La seule difficulté
peut résider dans l’indépendance vis-à-vis du choix effectué des bases.

Définition 24.2.44 (Déterminant d’une matrice)

Soit M ∈ Mn (K), et f ∈ L(Kn ) canonique associé. Le déterminant de M , noté det(M ), est par
définition égal au déterminant de f : det(M ) = det(f ).
II Déterminants 169

On obtient alors directement des définitions :

Proposition 24.2.45 (Caractérisation du déterminant de M par les colonnes)

Soit M une matrice de Mn (K), de colonnes C1 , . . . , Cn . Alors

det(M ) = det(C1 , . . . , Cn ).
b.c.

Les résultats obtenus pour les endomorphismes se transfèrent alors de façon immédiate aux matrices :

Corollaire 24.2.46 (Déterminant de In )

On a det(In ) = 1.

Proposition 24.2.47 (Effet de la multiplication par un scalaire)

Soit A ∈ Mn (K) et λ ∈ K. On a det(λA) = λn det(A).

Théorème 24.2.48 (Déterminant d’un produit)

Soit A et B dans Mn (K). Alors det(AB) = det(A) det(B).

Et pour terminer, la caractérisation annoncée depuis le début :

Théorème 24.2.49 (Caractérisation des matrices inversibles)

Soit A ∈ Mn (K). Alors A ∈ GLn (K) si et seulement si det(A) 6= 0. Si cette condition est satisfaite,
on a alors :
1
det(A−1 ) = .
det(A)

Ces règles nous permettent d’établir le fait que le déterminant est un invariant de similitude :

Théorème 24.2.50 (Cohérence relative au choix des bases)

Soit f ∈ L(E). Alors pour toute base B de E,

det(f ) = det(MatB (f )).

Pour des matrices décrites par la donnée tabulaire de leurs coefficients, on utilise souvent la notation
suivante :

Notation 24.2.51 (Notation tabulaire du déterminant, Cayley)

Soit A = (ai,j ) ∈ Mn (K). On note

a1,1 ··· a1,n

. ..
det(A) = .. . .
an,1 · · · an,n

Nous transcrivons aussi la description initiale que nous avions donnée pour les familles de vecteurs grâce
aux permutations :
170 CHAPITRE 24. GROUPE SYMÉTRIQUE ET DÉTERMINANTS

Théorème 24.2.52 (Expression du déterminant par les coefficients, def. de Cramer)

Soit A = (ai,j ) ∈ Mn (K). Alors
X X
det(A) = ε(σ)aσ(1),1 · · · aσ(n),n = ε(τ )a1,τ (1) · · · an,τ (n) .
σ∈Sn τ ∈Sn

Corollaire 24.2.53 (Expression des déterminant 2 × 2 et 3 × 3)

a b
1. On a : = ad − bc
c d
2. (Règle de Sarrus) On a :

a b c
d e f = aei + bf g + cdh − gec − hf a − idb,
g h i

c’est à dire « diagonales descendantes moins diagonales montantes ».

Avertissement 24.2.54
Prenez garde à ne pas généraliser trop vite la règle de Sarrus à des matrices d’ordre supérieur ! Pour
n > 4, une règle aussi simpliste est fausse ! Il faut considérer toutes les permutations possibles !

La description explicite par les coefficients permet également d’établir de façon quasi-immédiate :

Théorème 24.2.55 (Invariance du déterminant par transposée)

Soit A ∈ Mn (R). On a alors det( tA) = det(A).

III Calcul des déterminants

Nous abordons maintenant les techniques calculatoires. Nous verrons essentiellement quatre techniques,
la première étant une adaptation de la méthode du pivot, la seconde étant une façon de se ramener à
des déterminants plus petits lorsque la matrice est triangulaire par blocs, l’importante troisième méthode
est le développement suivant une ligne, ramenant le calcul d’un déterminant d’ordre n au calcul de
n déterminants d’ordre n − 1, coefficientés par les coefficients de la ligne (intéressant surtout lorsque la
plupart de ces coefficients sont nuls), et la dernière est l’utilisation du caractère polynomial du déterminant
en chacune des coordonnées de la matrice.

III.1 Opérations sur les lignes et colonnes

Proposition 24.3.1 (Déterminant d’une matrice triangulaire)

Le déterminant d’une matrice triangulaire est égal au produit de ses coefficients diagonaux :

λ1 • ··· •
.. .. ..
0 . . .
.. = λ1 λ2 · · · λn .
.. ..
. . . •
0 ··· 0 λn
III Calcul des déterminants 171

Lemme 24.3.2 (Déterminant des matrices de codage des opérations)

On a :
det(E(i, j)) = −1, det(Ei (λ)) = λ det(Ei,j (λ)) = 1.

Corollaire 24.3.3 (Effet des opérations élémentaires sur le déterminant)

(i) Échanger les lignes i et j change le signe du déterminant ;
(ii) Multiplier une ligne par un scalaire λ multiplie le déterminant par ce scalaire
(iii) Faire une combinaison Li ← Li − λLj ne modifie pas le déterminant (attention à ne pas mettre
de coefficient devant Li ).
(iv) De même pour les opérations sur les colonnes.

Méthode 24.3.4 (Calcul du déterminant par la méthode du pivot)

Ainsi, on peut adapter la méthode du pivot pour le calcul du déterminant :
• Comme usuellement, faire des opérations pour échelonner la matrice, en écrivant des égalités
entre les déterminants des différentes matrices, mais :
∗ Changer le signe lorsqu’on fait un échange de lignes
∗ Compenser en divisant à l’extérieur par λ lorsqu’on multiplie une ligne par λ.
• Une fois ramené à une matrice triangulaire, on calcule son déterminant en effectuant le produit
des coefficients diagonaux.

 
Exemple 24.3.5 1 −2 1 0
1 0 1 1
 
1. Déterminant de  
2 1 0 1
0 0 1 1
 
a 1 ··· 1
 .. 
1 . . . . . . .
 
2. Déterminant de  . 
. .. .. 
. . . 1
1 ··· 1 a

III.2 Calcul par blocs

Dans certaines configurations, on peut se ramener à des déterminants plus petits :

Proposition 24.3.6 (Déterminant d’une matrice triangulaire par blocs)

Soit T une matrice triangulaire par blocs, c’est-à-dire de la forme
 
A1 • ··· •
 .. .. .. 
 0 . . . 
 
T = .. 
 .. .. 
 . . . •
0 ··· 0 Ak

où les Ak sont des matrices carrées. Alors

det(T ) = det(A1 ) · · · det(Ak ).

172 CHAPITRE 24. GROUPE SYMÉTRIQUE ET DÉTERMINANTS

 
Exemples 24.3.7 1 2 3 5
2 2 2 8
 
1. Déterminant de  
0 0 1 3
0 0 −1 2
 
A1 • ··· •
 .. . ..  !
0
 . .. . 
 cos(θi ) − sin(θi )
2. Déterminant de  . , où Ai =
 . .. ..  sin(θi ) cos(θi )
 . . . •
0 · · · 0 Ak
3. On peut combiner avec les opérations du pivot, pour éviter la dernière opération (ou les deux
dernières), en se ramenant ainsi au calcul d’un déterminant d’ordre 2 ou 3 (par Sarrus).

III.3 Développements suivant une ligne ou une colonne

Sans doute une des techniques les plus importantes, lorsqu’une ligne ou une colonne contient beaucoup de
0. Elle est efficace lorsqu’il y a beaucoup de symétries dans l’expression, pour construire une récurrence,
et si ce n’est pas possible, elle peut être combinée à d’autres méthodes pour les calculs des déterminants
plus petits obtenus.
Pour exprimer la formule, nous définissons :

Définition 24.3.8 (Mineurs, cofacteurs, comatrice)

Soit M ∈ Mn (K).
• Le mineur de position (i, j) de M est le déterminant de la matrice M̃i,j obtenue en supprimant
de M la i-ième ligne et la j-ième colonne. On note ∆i,j (M ) ce mineur
• Le cofacteur de position (i, j) de M est le scalaire (−1)i+j ∆i,j (M ).
• La comatrice de M est la matrice Com(M ) = ((−1)i+j ∆i,j (M ))16i,j6n , c’est à dire la matrice
des cofacteurs de M .

Nous obtenons alors la formule de développement :

Théorème 24.3.9 (Développement suivant une ligne)

Soit M = (mi,j ) ∈ Mn (K), et i ∈ [[1, n]]. Alors
n
X
det(M ) = (−1)i+j mi,j ∆i,j (M ).
j=1

Théorème 24.3.10 (Développement suivant une colonne)

Soit M = (mi,j ) ∈ Mn (K), et j ∈ [[1, n]]. Alors
n
X
det(M ) = (−1)i+j mi,j ∆i,j (M ).
i=1

Corollaire 24.3.11 (Expression de l’inverse par la comatrice, Cayley)

Soit M ∈ Mn (K). Alors
M tCom(M ) = tCom(M )M = det(M )In .
III Calcul des déterminants 173

En particulier, M est inversible si et seulement si det(M ) 6= 0, et dans ce cas,

1
M −1 = t
Com(M ).
det(M )

Si la formule elle-même s’avère assez inefficace pour n > 2, la caractérisation de l’inversibilité par la non
nullité du déterminant est d’une très grande utilité.
Les formules de Cramer (décrites par ce dernier BIEN AVANT la formule d’inversion) sont une consé-
quence de la formule d’inversion :
 
Corollaire 24.3.12 (Cramer) x1
 . 
Soit à résoudre le système AX = B, de l’inconnue X =  
 .. . Soit A1 , . . . , An les colonnes de A. On
xn
a alors, pour tout k ∈ [[1, n]] :

det(A1 , . . . , Ak−1 , B, Ak+1 , . . . An )

xk = .
det(A)

Voyons maintenant quelques exemples de calculs de déterminant par la méthode de développement suivant
une colonne.
 
a+b a 0 ··· 0
 .. .. .. .. 
Exemples 24.3.13  b . . . . 
 
 .. .. .. 
1. Déterminant de la matrice tridiagonale 
 0 . . . 
0 .
 .. 
 .. .. .. 
 . . . . a 
0 ··· 0 b a+b
2. On peut combiner pivot de Gauss et développement suivant les lignes ou colonnes, en annulant
d’abord un grand nombre de termes par les opérations élémentaires avant de développer. Nous
illustrons ceci sur le calcul du déterminant de Vandermonde :

1 1 ··· 1 1
x1 x2 · · · xn−1 xn
2
V (x1 , . . . , xn ) = x1 x22 · · · x2n−1 x2n
.. .. .. ..
. . . .
n−1 n−1 n−1
x1 x2 · · · xn−1 xnn−1 .

Cet exemple est un peu plus qu’un exemple, nous le consignons dans la proposition suivante :

Proposition 24.3.14 (Déterminant de Vandermonde)

Le déterminant de Vandermonde, défini dans l’exemple ci-dessus, est donné par :
Y
V (x1 , . . . , xn ) = (xj − xi ).
16i<j6n

Note Historique 24.3.15

Malgré son nom, ce déterminant n’apparaît à aucun moment dans l’œuvre du mathématicien français Alexandre-
Théophile Vandermonde.
174 CHAPITRE 24. GROUPE SYMÉTRIQUE ET DÉTERMINANTS

Nous voyons dans la section suivante une autre façon de calculer ce déterminant de Vandermonde.

III.4 Caractère polynomial du déterminant

La formule explicite du déterminant nous permet d’affirmer :

Proposition 24.3.16 (« Polynomialitude » 1 du déterminant)

L’application M 7→ det(M ) est polynomiale en chacune des coordonnées de M . Il s’agit plus précisément
d’une fonction polynomiale en les n2 variables définies par les coordonnées de M , vérifiant :
• det est homogène de degré total n en ses n2 coordonnées ;
• les degrés partiels par rapport à chacune des variables mi,j sont 1 ;
• les degrés partiels par rapport à l’ensemble des variables constituant une même ligne ou une
même colonne sont 1

Exemple 24.3.17
Calcul de Vn (x1 , . . . , xn ).

1. Ceci est une royale « ségolénitude »

 25
Espaces préhilbertiens réels

Soit une multiplicité vectorielle

Un corps opère, seul, abstrait, commutatif
Le dual reste loin, solitaire et plaintif
Cherchant l’isomorphie et la trouvant rebelle.

Soudain bilinéaire a jailli l’étincelle

D’ou naît l’opérateur deux fois distributif.

Dans les rets du produit tous les vecteurs captifs

Ont célébré sans fin la structure plus belle.

Mais la base a troublé cet hymne aérien

Les vecteurs éperdus ont des coordonnées
Cartan ne sait que faire et n’y comprend plus rien

Et c’est la fin. Vecteurs, opérateurs foutus

Une matrice immonde expire. Le corps nu
Fuit en lui-même, au sein de lois qu’il s’est donné.

(Jean Dieudonné)

Un espace préhilbertien réel est un espace vectoriel muni d’un produit scalaire. Cet outil permet de
parler d’orthogonalité, et donc d’introduire un certain nombre de concepts permettant de généraliser la
géométrie euclidienne du plan à des situations plus abstraites.
Pour commencer nous introduisons donc cette notion abstraite de produit scalaire, ce qui nous oblige à
faire quelques rappels sur les formes bilinéaires, déjà rencontrées dans le chapitre précédent.

Tous les espaces vectoriels considérés dans ce chapitre sont des espaces vectoriels sur R.

I Produits scalaires
I.1 Formes bilinéaires
Les résultats de cette sous-section sont valables dans un cadre plus général que les espaces sur R, mais
toute la suite du chapitre nécessitant de travailler avec des espaces vectoriels sur R, nous nous limitons
également à ce cadre dans les rappels qui suivent.

On rappelle la définition d’une forme bilinéaire :

176 CHAPITRE 25. ESPACES PRÉHILBERTIENS RÉELS

Définition 25.1.1 (Forme bilinéaire)

Soit E un espace vectoriel sur R. Une forme bilinéaire ϕ sur E est une application ϕ : E × E → R,
linéaire par rapport à chaque facteur, l’autre étant fixé, c’est-à-dire :
(i) ∀(x, y, z) ∈ E 3 , ∀λ ∈ K, ϕ(λx + y, z) = λϕ(x, z) + ϕ(y, z)
(ii) ∀(x, y, z) ∈ E 3 , ∀λ ∈ K, ϕ(x, λy + z) = λϕ(x, y) + ϕ(x, z).

On rappelle la propriété de bilinéarité généralisée

Lemme 25.1.2 (Bilinéarité généralisée)

Soit ϕ une forme bilinéaire sur E. Soit (k, ℓ) ∈ (N∗ )2 , et soit (x1 , . . . , xk , y1 , . . . , yℓ ) ∈ E k+ℓ , et
(λ1 , . . . , λk , µ1 , . . . , µℓ ) ∈ Kk+ℓ . Alors
 
Xk ℓ
X k X
X ℓ
ϕ  λi xi , 
µj y j = λi µj ϕ(xi , yj ).
i=1 j=1 i=1 j=1

Définition 25.1.3 (Ensemble des formes bilinéaires)

On note B(E) l’ensemble des formes bilinéaires de E

Nous avons déjà vu le résultat suivant :

Proposition 25.1.4 (Structure de B(E))

L’ensemble B(E) est un espace vectoriel sur R.

Voici des exemples particulièrement importants :

Exemples 25.1.5 (Formes bilinéaires)

1. cov : (X, Y ) 7→ cov(X, Y ) sur le R-espace vectoriel V des variables aléatoires réelles discrètes
admettant une variance ?
Z b
2. ϕ : (P, Q) 7→ P (x)Q(x) dx sur R[X], ou sur C 0 ([a, b]) ?
a
   
x1 y1 n
 .   .  X
3. ϕ :  .  ,  .. 
  .    7→
 xi yi sur Rn ?
i=1
xn yn
4. p1 : (x, y) 7→ x sur R ?
5. ϕ : (X, Y ) 7→ tXAY , sur Rn , A ∈ Mn (R) ?

Ce dernier exemple est très important, car si E est de dimension finie, toute forme bilinéaire peut être
représenté de cette forme après choix d’une base de E. C’est ce que nous étudions maintenant.

Définition 25.1.6 (Forme quadratique)

Une forme quadratique q sur E est une application q : E → R telle qu’il existe ϕ bilinéaire sur E telle
que pour tout x ∈ R, ϕ(x, x) = q(x). On notera qϕ la forme quadratique associée à ϕ.
I Produits scalaires 177

La forme quadratique q est en général associée à plusieurs formes linéaires. Par exemple les formes linéaires
sur R2 définies par

ϕ((x, y), (x′ , y ′ )) = xx′ + yy ′ + 2xy ′ et ψ((x, y), (x′ , y ′ )) = xx′ + yy ′ + xy ′ + x′ y

définissent la même forme quadratique q.

I.2 Matrice d’une forme bilinaire

Nous supposons jusqu’à la fin de ce paragraphe que E est de dimension finie n.

Définition 25.1.7 (Matrice associée à une forme bilinaire)

Soit ϕ une forme bilinéaire sur E, et B = (e1 , . . . , en ) une base de E. Alors on définit la matrice de ϕ
relativement à la base B par :
MatB (ϕ) = (ϕ(ei , ej ))16i,j6n .

Exemples 25.1.8
1. Matrice des variances-covariances si X1 , . . . , Xn sont linéairement indépendants.
Z 1
2. Matrice dans la base canonique de ϕ : (P, Q) 7→ P (x)Q(x) dx sur Rn [X].
0
3. Matrice du produit scalaire canonique de Rn dans la base canonique ; dans la base B =
(b1 , . . . , bn ), où bi est constitué de 1 sur les coordonnées 1 à i, et de 0 ailleurs.

Théorème 25.1.9 (Expression matricielle de ϕ(x, y))

Soit ϕ une forme bilinéaire sur E, et B une base de E. Alors, pour tout (x, y) ∈ E 2 ,

ϕ(x, y) = t[x]B MatB (ϕ)[y]B = tXM Y,

où X et Y sont les vecteurs colonnes représentant les coordonnées de x et y dans la base B, et M est
la matrice de ϕ relativement à cette même base B.

Une base B étant fixée, cette relation caractérise d’ailleurs la matrice MatB (ϕ) :

Théorème 25.1.10 (Caractérisation de MatB (ϕ) par la relation ϕ(x, y) = tXM Y )

Soit M ∈ Mn (K). La relation ϕ(x, y) = tXM Y caractérise la matrice de ϕ relativement à la base B :
si
∀(x, y) ∈ E 2 , ϕ(x, y) = t[x]B M [y]B ,
alors M = MatB (ϕ).

Exemple 25.1.11
L’égalité Matbc (ϕ) = In se traduit par ϕ(X, Y ) = tXIn Y = tXY ; c’est le produit scalaire usuel.

Remarque 25.1.12
À quelle condition nécessaire et suffisante sur leur représentation matricielle relativement à une base
donnée deux formes bilinéaires ϕ et ψ définissent-elles la même forme quadratique q ?
178 CHAPITRE 25. ESPACES PRÉHILBERTIENS RÉELS

Corollaire 25.1.13
L’application
Φ : B(E) −→ Mn (R)
ϕ 7−→ MatB (ϕ)
est un isomorphisme.

Corollaire 25.1.14 (dimension de B(E))

Si E est de dimension finie n, alors B(E) est de dimension finie, et

dim(B(E)) = n2 .

Comme pour les applications linéaires, les changements de base s’expriment facilement par des opérations
matricielles.

Théorème 25.1.15 (Formule de changement de base pour les formes bilinéaires)

Soit E un espace vectoriel sur R de dimension finie. Soit ϕ une forme bilinéaire sur E, et soit C et D
deux bases de E. Soit P la matrice de passage de C à D. Alors

MatD (ϕ) = tP MatC (ϕ)P.

Exemple 25.1.16
Explicitation du changement de la base canonique à la base B dans l’exemple 25.1.8, pour le produit
scalaire canonique.

I.3 Produits scalaire

Pour définir la notion de produit scalaire, on introduit trois propriétés pouvant être vérifiées par une
forme bilinéaire. La conjonction de ces trois propriétés définiront un produit scalaire.

I.4 Formes bilinéaires symétriques, définies, positives

Définition 25.1.17 (Symétrie, positivité, caractère défini)

Soit ϕ une forme bilinéaire sur un espace vectoriel E.
1. On dit que ϕ est symétrique si : ∀(x, y) ∈ E 2 , ϕ(x, y) = ϕ(y, x).
2. On dit que ϕ est positive si : ∀x ∈ E, ϕ(x, x) > 0, c’est-à-dire Im(qϕ ) ⊂ R+
3. On dit que ϕ est négative si : ∀x ∈ E, ϕ(x, x) 6 0, c’est-à-dire Im(qϕ ) ⊂ R−
4. On dit que ϕ est définie si : ∀x ∈ E, ϕ(x, x) = 0 ⇐⇒ x = 0, i.e. qϕ (x) 6= 0 pour tout x 6= 0.

Proposition 25.1.18 (positivité des formes définies)

Soit ϕ une forme définie. Alors ϕ est soit positive soit négative.

Pour cette raison, on parle assez rarement de forme définie, cette propriété étant indissociable d’une
propriété de positivité ou de négativité. On parlera alors de forme définie positive, ou définie négative.
I Produits scalaires 179

Proposition 25.1.19 (Caractérisation matricielle de la symétrie)

Soit ϕ une forme bilinéaire sur un espace vectoriel E de dimension finie. Les propriétés suivantes sont
équivalentes :
(i) ϕ est symétrique ;
(ii) Il existe une base de E telle que MatB (ϕ) est une matrice symétrique ;
(iii) Pour tout base B de E, MatB (ϕ) est une matrice symétrique.

Exemples 25.1.20
1. ϕ : (x, y) 7→ xy sur R est symétrique, définie, positive.
2. cov est symétrique positive, mais pas définie.
3. Le produit scalaire canonique sur Rn est symétrique, défini, positif.
Z b
4. ϕ : (f, g) 7→ f (t)g(t) dt sur C 0 ([a, b]) est symétrique, définie et positive.
a

Proposition 25.1.21 (Symétrie et forme quadratique ; formule de polarisation)

Soit q une forme quadratique sur E. Il existe une unique forme bilinéaire symétrique sur E telle que
q = qϕ , explicitement donnée par l’expression suivante, dite formule de polarisation :

1
ϕ(x, y) = (q(x + y) − q(x) − q(y)).
2

Voici enfin un résultat d’une importance capitale, que nous avons déjà rencontré en cours d’année dans
différents contextes, qui sont tous des cas particuliers du contexte général exposé ici.

Proposition 25.1.22 (Inégalité de Cauchy-Schwarz)

Soit ϕ une forme bilinéaire symétrique positive sur un espace E. Alors, pour tout (x, y) ∈ E2 , on a

ϕ(x, y)2 6 ϕ(x, x) · ϕ(y, y),

et on a égalité si et seulement si il existe (λ, µ) 6= (0, 0) tel que qϕ (λx + µy) = 0.

Exemple 25.1.23
Pour toutes variables aléatoires X et Y admettant une variance, on a :

|cov(X, Y )| 6 σ(X)σ(Y ).

Nous verrons d’autres exemples plus loin, lorsque nous aurons réexprimé plus simplement le cas d’égalité
lorsque ϕ est un produit scalaire.

I.5 Produits scalaires

Dans cette section, E désigne un espace vectoriel sur R.

Définition 25.1.24 (Produit scalaire)

Un produit scalaire sur E est une forme bilinéaire symétrique, définie et positive.
180 CHAPITRE 25. ESPACES PRÉHILBERTIENS RÉELS

Remarque 25.1.25
La symétrie et la linéarité par rapport à la première variable entraînent la linéarité par rapport à la
seconde variable.

Voici les exemples usuels (les 3 premiers), desquels on peut dériver d’autres exemples. Ces exemples sont
à considérer comme des exemples du cours.

Exemples 25.1.26Z b (produits scalaires)

1. (f, g) 7→ f (t)g(t) dt est un produit scalaire sur C 0 ([a, b]) (ou sur R[X])
a
2. Le produit scalaire canonique de Rn est un produit scalaire au sens de cette définition.
3. Sur Mn,p (R) : (A, B) 7→ tr( tAB).
4. Un autre produit scalaire sur Rn : (X, Y ) 7→ tXM Y , où M = (min(i, j))16i,j6n .

Ainsi, on n’a pas unicité d’un produit scalaire sur un espace vectoriel E.

Notation 25.1.27 (Notations fréquentes pour le produit scalaire)

Soit ϕ un produit scalaire sur E on note souvent :

ϕ(x, y) = hx, yi ou ϕ(x, y) = (x|y).

p p
Par ailleurs, on note kxk = ϕ(x, x) = hx, xi la racine de la forme quadratique associée, cette
expression étant bien définie par positivité de ϕ.

Soit ϕ un produit scalaire, noté ϕ(x, y) = hx, yi. Alors en particulier, ϕ est une forme bilinéaire, et si
B = (e1 , . . . , en ) est une base de E :

MatB (ϕ) = (hei , ej i)16i,j6n

Proposition 25.1.28
La matrice d’un produit scalaire dans une base quelconque est symétrique. La réciproque est fausse.

Un produit scalaire étant une forme bilinéaire symétrique, on dispose aussi de la formule de polarisation,
s’écrivant ici :
1

hx, yi = kx + yk2 − kxk2 − kyk2 .
2
Cette formule n’est autre que le développement d’un carré :

kx + yk2 = kxk2 + 2 hx, yi + kyk2 .

On généralise facilement par la formule de bilinéarité généralisée :

Proposition 25.1.29 (carré de la norme d’une somme)

Plus généralement, étant donné (x1 , . . . , xn ) ∈ En ,
n
X X
kx1 + · · · + xn k2 = kxi k2 + 2 hxi , xj i .
i=1 16i<j6n

L’inégalité de Cauchy-Schwarz est également vraie, et le caractère défini permet de simplifier la condition
d’égalité.
I Produits scalaires 181

Théorème 25.1.30 (Inégalité de Cauchy-Schwarz pour un produit scalaire)

Soit h., .i un produit scalaire sur E. Alors pour tout (x, y) ∈ E 2 ,

| hx, yi | 6 kxk · kyk,

avec égalité si et seulement si x et y sont colinéaires.

Comme promis plus haut, nous donnons deux inégalités de Cauchy-Schwarz à connaître impérativement.

Exemples 25.1.31 (Autres exemples d’inégalités de Cauchy-Schwarz)

1. Inégalité de Cauchy-Schwarz numérique :

∀X = (x1 , . . . , xn ), Y = (y1 , . . . , yn ) ∈ Rn , | hX, Y i | 6 kXk · kY k,

à savoir : ! 21 ! 12
n
X n
X n
X
xi yi 6 x2i yi2 ,
i=1 i=1 i=1
ou encore : !2 ! !
n
X n
X n
X
xi yi 6 x2i yi2 ,
i=1 i=1 i=1

avec égalité si et seulement si X et Y sont colinéaires.

2. Inégalité de Cauchy-Schwarz intégrale :

Z Z ! 21 Z ! 12
b b b
0 2 2
∀(f, g) ∈ C ([a, b]), f (t)g(t) dt 6 f (t) dt g(t) dt ,
a a a

avec égalité si et seulement si g = 0, ou s’il existe λ tel que f = λg.

I.6 Normes euclidiennes

Le but de cette section est de montrer que x 7→ kxk définit une norme vectorielle.

Définition 25.1.32 (Norme)

Une norme sur un espace vectoriel E est une application N : E → R telle que :
(i) ∀x ∈ E, N (x) = 0 ⇐⇒ x = 0
(ii) ∀λ ∈ R, ∀x ∈ E, N (λx) = |λ|N (x)
(iii) ∀(x, y) ∈ E 2 , N (x + y) 6 N (x) + N (y).

Proposition 25.1.33 (Positivité des normes)

Si N est une norme sur E, alors pour tout x ∈ E, N (x) > 0.

Proposition 25.1.34
L’application x 7→ kxk est une norme sur E.
182 CHAPITRE 25. ESPACES PRÉHILBERTIENS RÉELS

Définition 25.1.35 (Norme euclidienne associée au produit scalaire)

Soit h·, ·i un produit scalaire sur E. L’application k ·k est appelée norme euclidienne associée au produit
scalaire h·, ·i.

Définition 25.1.36 (Norme euclidienne)

Soit N une norme sur E. La norme N est euclidienne si et seulement s’il existe un produit scalaire
h·, ·i, dont N est la norme euclidienne associée

La formule de polarisation donne l’unique candidat possible pour ce produit scalaire :

Méthode 25.1.37 (Montrer qu’une norme est euclidienne)

On définit l’application ϕ, unique candidat possible :

1
ϕ(x, y) = (N (x + y)2 − N (x)2 − N (y)2 ).
2
On vérifie ensuite que ϕ est une application bilinéaire. En cas de bilinéarité, le caractère symétrique
défini positif est immédiat par définition de N . Le point à étudier de plus près est donc la bilinéarité :
c’est là que se trouve l’éventuelle obstruction.

Exemple 25.1.38
Soit n > 2, et N : (x1 , . . . , xn ) 7→ max(|x1 |, . . . , |xn |) est une norme sur Rn , mais n’est pas une norme
euclidienne.

Ainsi, toutes les normes ne sont pas euclidiennes !

I.7 Espaces préhilbertiens réels, espaces euclidiens

Définition 25.1.39 (Espace préhilbertien réel)

Un espace préhilbertien réel (E, h·, ·i) est un espace vectoriel E sur R, muni d’un produit scalaire h·, ·i.

S’il n’y a pas d’ambiguïté sur le produit scalaire, on parlera plus simplement de l’espace préhilbertien E,
au lieu de (E, h·, ·i).

Définition 25.1.40 (Espace euclidien)

Un espace euclidien est un espace préhilbertien réel de dimension finie.

Par exemple Rn muni du produit scalaire canonique est un espace euclidien. Rn [X] muni d’un produit
scalaire intégral est un espace euclidien. En revanche, R[X] muni du même produit scalaire n’est qu’un
espace préhilbertien réel, ainsi que C 0 ([a, b]) muni du produit scalaire intégral.

II Orthogonalité
Dans toute cette section, on considère (E, h·, ·i) un espace préhilbertien réel. Il sera précisé euclidien dans
certains cas.
II Orthogonalité 183

II.1 Vecteurs orthogonaux

Définition 25.2.1 (Vecteurs orthogonaux)

Soit (x, y) ∈ E deux vecteurs de E. On dit que x et y sont orthogonaux, et on note x⊥y, si hx, yi = 0.

Exemples 25.2.2
1. ∀x ∈ E, x⊥0.
2. Soit (e1 , . . . , en ) la base canonique de Rn . Alors pour tout i 6= j, ei ⊥ej .
   
1 −4
2 −3
   
3.   ⊥  , pour le produit scalaire usuel.
3  2 
4 1
Z 1
4. x 7→ sin πx et x 7→ cos πx sont orthogonaux pour le produit scalaire hf, gi = f (t)g(t) dt sur
−1
C 0 ([−1, 1]).

Vous savez depuis longtemps déterminer si deux vecteurs du plan euclidien sont orthogonaux, par exemple
en vérifiant qu’ils forment un triangle rectangle. Cette caractérisation des triangles rectangles se généra-
lise :

Théorème 25.2.3 (Théorème de Pythagore)

Soit E un espace préhilbertien réel. Soit (x, y) ∈ E 2 . Alors

x⊥y ⇐⇒ kx + yk2 = kxk2 + kyk2 .

On peut définir plus généralement :

Définition 25.2.4 (Famille orthogonale, orthonormale)

1. Une famille (xi )i∈I est orthogonale si pour tout i 6= j de I, xi ⊥xj .
2. On dit que la famille (xi )i∈I est orthonormale (ou orthonormée) si et seulement si elle est
orthogonale, et que pour tout i ∈ I, kxi k = 1.

Le théoèrme de Pythagore se généralise alors ainsi (pour une famille finie), mais on perd ici l’équivalence
(ce n’est pas une caractérisaion de l’orthogonalité) :

Théorème 25.2.5 (Théorème de Pythagore généralisé)

Soit (x1 , . . . , xn ) une famille orthogonale de E. Alors

n 2 n
X X
xi = kxi k2 .
i=1 i=1

Une propriété qui facilite souvent la justification de la liberté :

Théorème 25.2.6 (Liberté des familles orthogonales)

Soit F une famille orthogonale ne contenant pas le vecteur nul. Alors F est une famille libre.
184 CHAPITRE 25. ESPACES PRÉHILBERTIENS RÉELS

En particulier, toute famille orthonormale est libre.

Corollaire 25.2.7 (base orthonormale)

On suppose E de dimension finie n ( i.e. E euclidien). Soit (e1 , . . . , en ) une famille orthonormale de
E. Alors (e1 , . . . , en ) est une base de E. On dit qu’il s’agit d’une base orthonormale, et on abrège en
b.o.n..

Un fait qu’il est important de garder en mémoire est la facilité d’expression vectorielle des objets dans
une base orthonormale. Nous pouvons donner dès maintenant l’expression d’un vecteur dans une b.o.n.,
nous verrons un peu plus loin l’expression de la matrice d’un endomorphisme.

Proposition 25.2.8 (Expression des coordonnées d’un vecteur dans une b.o.n.)
Soit E un espace euclidien. Soit B = (b1 , . . . , bn ) une base orthonormale de E. Alors :
n
X
∀X ∈ E, X = hX, bi i bi .
i=1

De plus, on en déduit l’expression de la norme de X :

n
X 2
kXk2 = hX, bi i .
i=1

En d’autres termes, le vecteur des coordonnées de X dans la base B est

  
x1 hX, b1 i
 .  . 
[X]B =  
 ..   ..  ,

xn hX, bn i

et la norme est obtenu comme dans le cas euclidien par :

v
u n
uX
kXk = t x2 . i
k=1

(attention, ce n’est vrai qu’en baseorthonormale !)

Ce théorème n’est vraiment utile que si on sait déterminer des bases orthonormales. On verra un peu
plus loin comment construire une b.o.n. à partir de n’importe quelle base (procédé d’orthonormalisation
de Gram-Schmidt). En particulier, ce procédé nous assurera de l’existence d’une b.o.n.

II.2 Sous-espaces orthogonaux

Définition 25.2.9 (Sous-espaces orthogonaux)

Soit E un espace préhilbertien réel.
1. Soit x ∈ E, et F un sous-espace vectoriel de E. On dit que x est orthogonal à F si pour tout
y ∈ F , x⊥y. On note x⊥F , ou x ∈ F ⊥ comme on le verra plus tard.
2. Soit F et G deux sous-espaces vectoriels de E. On dit que F et G sont orthogonaux si et
seulement si :
∀x ∈ F, ∀y ∈ G, x⊥y.
II Orthogonalité 185

Exemples 25.2.10
1. Dans R3 , le plan (Oxy) et la droite (Oz).
 
1
3  
2. Dans R , le plan d’équation x + y + z = 0, et la droite engendrée par 1.
1
3. Dans C 0 ([−1, 1]) muni du ps usuel, le sous espace P des fonctions paires, et le sous-espace I des
fonctions impaires.

Proposition 25.2.11 (orthogonalité et somme directe)

Soit F et G des sous-espaces vectoriels de E. Si F ⊥G, alors la somme F + G est directe.

Du fait de la bilinéarité du produit scalaire, il n’est pas nécessaire d’établir l’orthogonalité de toutes les
paires de vecteurs de E et F pour obtenir l’orthogonalité des deux espaces. Il suffit en fait de verifier
cette orthogonalité sur des vecteurs de familles génératrices.

Proposition 25.2.12 (Caractérisation de l’orthogonalité par les familles génératrices)

Soit (x1 , . . . , xm ) et (y1 , . . . yn ) deux familles de E. Alors

Vect(x1 , . . . , xm )⊥ Vect(y1 , . . . , yn ) si et seulement si ∀i ∈ [[1, m]], ∀j ∈ [[1, n]], xi ⊥yj .

En particulier, on vérifie souvent l’orthogonalité en se ramenant à des bases :

Corollaire 25.2.13 (Caractérisation de l’orthogonalité par des bases)

Soit F et G deux sous-espaces vectoriels de E, et soit B = (b1 , . . . , bn ) et C = (c1 , . . . , cn ) des bases de
F et G respectivement. Alors F ⊥G si et seulement si

∀(i, j) ∈ [[1, m]] × [[1, n]], bi ⊥cj .

Définition 25.2.14 (orthogonal d’une partie de E)

Soit X une partie de E. On note X ⊥ = {x ∈ E | x⊥X}, l’ensemble des vecteurs orthogonaux à tout
vecteur de X. L’ensemble X ⊥ est appelé l’orthogonal de X.

Proposition 25.2.15 (orthogonal d’une union)

(i) Soit X et Y deux parties de E. Alors (X ∪ Y )⊥ = X ⊥ ∩ Y ⊥ .
(ii) En particulier, si X ⊂ Y , Y ⊥ ⊂ X ⊥

Proposition 25.2.16 (Structure de l’orthogonal)

1. Soit x ∈ E. Alors x⊥ est un sev de E
2. Soit X ⊂ E. Alors X ⊥ est un sev de E.

Proposition 25.2.17 (Stabilité de l’orthogonal par Vect)

Soit X une partie de E. Alors X ⊥ = Vect(X)⊥ .
186 CHAPITRE 25. ESPACES PRÉHILBERTIENS RÉELS

Proposition 25.2.18 (Orthogonal d’une somme, d’une intersection)

Soit F et G des sous-espaces vectoriels de l’espace préhilbertien E. On a alors :
(i) (F + G)⊥ = F ⊥ ∩ G⊥ ;
(ii) F ⊥ + G⊥ ⊂ (F ∩ G)⊥

Proposition 25.2.19
Soit F un sev de E. Alors F ⊥F ⊥ , donc en particulier, la somme F ⊕ F ⊥ est directe.

Avertissement 25.2.20
Attention, contrairement à l’idée intuitive qu’on se fait en considérant l’orthogonalité dans R3 , F ⊥ n’est
pas forcément un supplémentaire de F dans E. On montrera que c’est le cas si E est de dimension
finie, mais que cette propriété entre en défaut si E est de dimension infinie.

Exemple 25.2.21
Déterminer l’orthogonal dans R4 muni de la base canonique de
   
1 1
0 1
   
F = Vect   ,   .
1 0
0 1

II.3 Projeté orthogonal

Définition 25.2.22 (Projeté orthogonal sur une droite)

Soit x et y deux éléments de E, x 6= 0. On dit qu’un vecteur z ∈ E est le projeté orthogonal de y sur
la droite Vect(x) si et seulement si y − z⊥x et z ∈ Vect(x).

Proposition 25.2.23 (Existence et expression du projeté orthogonal sur une droite)

Soit x et y deux éléments de E, x 6= 0. Alors, le projeté orthogonal de y sur Vect(x) existe, est unique,
et vaut :  
x x x
z = hy, xi · = y, · .
kxk2 kxk kxk

Définition 25.2.24 (Projeté orthogonal sur un sev)

Soit F un sous-espace vectoriel de E, et y ∈ E. On dit que z ∈ E est le projeté orthogonal de y sur F
si et seulement si :
(i) z ∈ F
(ii) (y − z)⊥F .

Théorème 25.2.25 (Existence du projeté orthogonal sur sev de dimension finie)

Soit y ∈ E, et F un sous-espace vectoriel de dimension finie de E, tel qu’il existe une base ortho-
II Orthogonalité 187

normale (b1 , . . . , bm ) de F . Alors le projeté orthogonal de y sur F existe, est unique, et vaut :
m
X
z= hy, bi i bi .
i=1

Remarques 25.2.26
1. On verra dans la suite du cours qu’un espace vectoriel de dimension finie et muni d’un produit
scalaire admet toujours au moins une base orthonormale pour ce produit scalaire : l’hypothèses
d’existence de cette base est donc superflue dans le théorème ci-dessus.
2. Si (b1 , . . . , bn ) est une base orthogonale, mais non orthonormale, on obtient la formule suivante
pour le projeté orthogonale de y sur F :
Xm  
bi bi
z= y, · .
i=1
kb i k kb ik

3. Si y ∈ F , son projeté est bien entendu lui-même, et on obtient, pour une b.o.n. (b1 , . . . , bm ) de
F :
m
X
y= hy, bi i bi .
i=1

Ainsi, on retrouve l’expression des coordonnées d’un vecteur y dans une base orthonormale.

II.4 Orthonormalisation de Gram-Schmidt

Motivation : Étant donné une famille libre (e1 , . . . , en ) de E, trouver un moyen concret de construire
une famille libre orthonormée (f1 , . . . fn ) engendrant le même espace que (e1 , . . . , en ), c’est-à-dire tel que
(f1 , . . . , fn ) est une b.o.n. de Vect(e1 , . . . , en ).
En particulier, si (e1 , . . . , en ) est initialement une base de E, on décrit une façon canonique de construire
une b.o.n. de E à partir de cette base.
On fait cette construction étape par étape, de manière à avoir, pour tout k ∈ [[1, n]],

Vect(e1 , . . . , ek ) = Vect(f1 , . . . , fk ).

Théorème 25.2.27 (Procédé d’orthonormalisation de Gram-Schmidt)

Soit E un espace préhilbertien réel. Soit (e1 , . . . , en ) une famille libre de E. Il existe une unique famille
orthonormale (f1 , . . . , fn ) telle que, pour tout k ∈ [[1, n]], on ait

Vect(f1 , . . . , fk ) = Vect(e1 , . . . , ek ), et hek , fk i > 0.

Cette famille peut être construite explicitement par la description récursive suivante :

X k−1
e1 uk
f1 = et ∀k ∈ [[2, n]], fk = , où uk = ek − hek , fi i fi .
ke1 k kuk k i=1

Ainsi, pour tout k ∈ [[1, n]], (f1 , . . . , fk ) est une b.o.n. de Vect(e1 , . . . , ek ). En particulier, si initialement,
(e1 , . . . , en ) est une base de E, alors (f1 , . . . , fn ) en est une base orthonormale.

Remarque 25.2.28
Le procédé de Gram-Schmidt construit donc à partir d’une base quelconque une base orthonormale qui
préserve le drapeau et les orientations intermédiaires.
188 CHAPITRE 25. ESPACES PRÉHILBERTIENS RÉELS

   
Exemples 25.2.29 1 0
   
1. Base orthonormale de F = Vect 1 , 1
0 1
2. Orthonormalisée de Schmidt de (1, X) dans Rn [X] muni de :
Z 2
hP, Qi = P (t)Q(t) dt.
0

III Espaces euclidiens

On suppose ici que E est un espace euclidien (donc de dimension finie). On commence par montrer
l’existence de bases orthonormales. On en déduit en particulier la possibilité de projeter orthogonalement
sur tout sous-espace vectoriel.

III.1 Bases orthonormales d’un espace euclidien

Théorème 25.3.1 (Existence d’une b.o.n. d’un espace euclidien)

Tout espace euclidien E admet au moins une base orthonormale.

Théorème 25.3.2 (théorème de la base orthonormale incomplète)

Soit E un espace euclidien.
1. Toute famille libre orthogonale de E peut être complétée en une base orthogonale de E
2. Toute famille orthonormale de E peut être complétée en une base orthonormale de E.

Corollaire 25.3.3 (Existence et unicité d’un supplémentaire orthogonal)

Soit E un espace euclidien. Tout sous-espace F de E admet un unique supplémentaire G tel que F ⊥G.
De plus, on a G = F ⊥ . On dit que F ⊥ est le supplémentaire orthogonal de F .

Proposition 25.3.4
Soit E un espace euclidien, et F et G deux sous-espaces.
1. (F ⊥ )⊥ = F
2. (F ∩ G)⊥ = F ⊥ + G⊥ .

Proposition 25.3.5 (base orthonormale d’une somme orthogonale)

Soit E un espace euclidien, et F et G deux sous-espaces vectoriels de E tels que F ⊥G. Soit (b1 , . . . , bp )
une base orthonormale de F , et (c1 , . . . , cq ) une base orthonormale de G. Alors (b1 , . . . , bp , c1 , . . . , cq )
est une base orthonormale de F ⊕ G ; en particulier, c’est une famille orthonormale de E.

Corollaire 25.3.6
Soit E un espace euclidien, et F1 , . . . , Fp des sous-espaces vectoriels de E, deux à deux orthogonaux.
Alors la somme F1 + · · · + Fp est directe, et on obtient une base orthonormale de F1 ⊕ · · · ⊕ Fp en
juxtaposant des bases orthonormales des espaces F1 , . . . , Fp .
III Espaces euclidiens 189

Corollaire 25.3.7
Soit E un espace euclidien, F un sous-espace vectoriel de E, et F ⊥ son supplémentaire orthogo-
nal. Soit (b1 , . . . , bp ) une base orthonormale de F et (c1 , . . . , cq ) une base orthonormale de F ⊥ . Alors
(b1 , . . . , bp , c1 , . . . , cq ) est une base orthonormale de E.

On a déjà vu comment exprimer les coordonnées et la norme dans une base orthonormale :

Théorème 25.3.8 (Coordonnées d’un vecteur dans une b.o.n. et norme)

Soit E un espace euclidien, et B = (b1 , . . . , bn ) une b.o.n. de E. Soit x ∈ E. Alors :
 
hx, b1 i
Pn  . 
(i) x = hx, bi i bi , c’est-à-dire [x]B = 
 .. .

i=1
hx, bn i
P
n
2
(ii) kxk2 = hx, bi i
i=1

La matrice d’un endomorphisme admet également une description très simple :

Théorème 25.3.9 (Matrice d’un endomorphisme relativement à une b.o.n.)

Soit E un espace euclidien muni d’une b.o.n. B = (b1 , . . . , bn ). Soit u ∈ L(E). Alors :
 
hb1 , u(b1 )i ··· hb1 , u(bn )i
 .. .. 
MatB (u) = (hbi , u(bj )i)16i,j6n 
= .
. . 
hbn , u(b1 )i · · · hbn , u(bn )i

Enfin, l’expression de la matrice du produit scalaire dans la base B permet de caractériser facilement les
bases orthonormales.

Théorème 25.3.10 (Matrice du produit scalaire relativement à une b.o.n.)

Soit E un espace euclidien, et B une base de E. Alors la base B est orthonormale si et seulement si la
matrice du produit scalaire dans B est In .
Dans ce cas, pour tout (x, y) dans E 2 , on a :

hx, yi = tXY,

où X = [x]B et Y = [y]B sont les vecteurs des coordonnées de x et y dans la base B.

III.2 Changements de base et matrices orthogonales

Les matrices de passage d’une b.o.n. à une autre vérifient une propriété très forte :

Théorème 25.3.11 (propriété des matrices de passage d’une b.o.n. à une autre)
Soit B et C deux b.o.n. de E. Soit P = [B → C] la matrice de passage de la base B à la base C. Alors :
t
P P = In = P tP, donc: P −1 = tP.

Cette propriété définit la notion de matrice orthogonale :

190 CHAPITRE 25. ESPACES PRÉHILBERTIENS RÉELS

Définition 25.3.12 (Matrice orthogonale)

Soit P ∈ Mn (R) une matrice carrée d’ordre n. On dit que P est une matrice orthogonale si et seulement
si tP P = In .

De la définition même découle de façon immédiate :

Proposition 25.3.13 (Inverse d’une matrice orthogonale)

Soit P une matrice orthogonale. Alors P est inversible, et P −1 = tP .

Une matrice orthogonale peut se caractériser également par l’orthonormalité de ses colonnes :

Théorème 25.3.14 (Caractérisation d’une matrice orthogonale par ses colonnes)

Une matrice P est orthogonale si et seulement si ses colonnes forment une base orthonormale de
Rn = Mn,1 (R), muni du produit scalaire canonique.

Théorème 25.3.15 (Caractérisation des matrices de passage entre b.o.n. par orthogonalité)
Soit E un espace euclidien.
1. Toute matrice de passage d’une b.o.n. de E à une autre b.o.n. de E est une matrice orthogonale.
2. Réciproquement, soit B une b.o.n. de E, et P une matrice orthogonale. Alors il existe une unique
base C telle que P soit la matrice de passage de B à C, et cette base C est une b.o.n. de E.

Définition 25.3.16 (Groupe orthogonal)

On note On (R), ou O(n) l’ensemble des matrices orthogonales de Mn (R). Cet ensemble On (R) est
appelé groupe orthogonal.

Théorème 25.3.17 (Structure de On (R))

L’ensemble On (R) est un groupe multiplicatif, ce qui est cohérent avec la terminologie introduite dans
la définition précédente.

Théorème 25.3.18 (Déterminant d’une matrice orthogonale)

Soit P ∈ On (R). Alors det(P ) ∈ {−1, 1}. Plus précisément, det est un morphisme de groupe de On (R)
dans ({−1, 1}, ×).

Le noyau de ce morphisme est donc un sous-groupe de On (R).

Définition 25.3.19 (Groupe spécial orthogonal)

Le noyau du déterminant défini sur On (R) est appelé groupe spécial orthogonal, et noté SOn (R) ou
SO(n). Ainsi, les éléments de SOn (R) sont les matrices orthogonales P telles que det(P ) = 1.

Le choix d’une matrice orthogonale P telle que det(P ) = −1 définit alors une bijection de SO(n) dans
O− (n) = O(n) \ SO(n) par Q 7→ P Q.
III Espaces euclidiens 191

III.3 Projecteurs orthogonaux

On rappelle la définition du projeté orthogonal :

Définition 25.3.20
Soit E un espace euclidien, et F un sous-espace vectoriel de E. Soit x ∈ E. On dit qu’un vecteur y de
E est un projeté orthogonal de x sur F si et seulement si :
(i) y ∈ F
(ii) x − y ∈ F ⊥ .

Comme nous l’avons vu plus haut, étant donnée une base orthonormale d’un sous-espace de dimension
finie F de E, on dispose d’une formule simple de projection orthogonale, assurant l’existence et l’unicité
de ce projeté. Comme nous avons montré entre temps que tout espace euclidien de dimension finie admet
une b.o.n., on peut rééxprimer ce théorème ainsi, en se limitant au cas euclidien (assurant l’hypothèse de
la dimension de F ) :

Proposition 25.3.21 (Projeté orthogonal dans un espace euclidien)

Soit E un espace euclidien, et F un sous-espace vectoriel de E. Alors tout vecteur x de E admet un et
un seul projeté orthogonal sur F . De plus, étant donné une base orthonormale (b1 , . . . , bp ) de F , ce
projeté orthogonal pF (x) s’exprime de la manière suivante :
p
X
pF (x) = hx, bi i bi .
i=1

Définition 25.3.22 (projection orthogonale)

Le projeté orthogonal d’un vecteur sur F définit une application pF : E → E, qui a x associe son
projeté orthogonal sur F . Cette application est appelée « projection orthogonale sur F »

Proposition 25.3.23
Évidemment, pF est un projecteur.

Définition 25.3.24
Rappel : soit p un projecteur quelconque de E. Alors idE − p est un projecteur de E, appelé projecteur
associé de p.

Proposition 25.3.25 (projecteur associé à un projecteur orthogonal)

Soit E un espace euclidien, et F un sous-espace vectoriel de E. Alors le projecteur associé de la
projection orthogonale pF sur F est la projection orthogonale pF ⊥ sur l’orthogonal de F .

Méthode 25.3.26 (Comment déterminer la matrice d’un projecteur othogonal de Rn )

Soit dans R3 le plan F d’équation x + 2y − z = 0. Déterminer la matrice de pF , le projecteur orthogonal
sur le plan F . 
5 −2 1
 
(Réponse : 16 −2 2 2)
1 2 5
192 CHAPITRE 25. ESPACES PRÉHILBERTIENS RÉELS

• Première méthode : trouver une b.o.n. de F , et utiliser la formule donnant le projeté à l’aide
d’une b.o.n.
• Deuxième méthode : trouver une b.o.n. de F ⊥ et projeter sur F ⊥ puis passer au projecteur
associé
Les méthodes sont symétriques. Les calculs seront d’autant plus longs que la dimension de l’espace
sur lequel on projette est grande. Ainsi, on adoptera la première méthode plutôt lorsque dim(F ) 6
dim(F ⊥ ), et la seconde dans le cas contraire.

III.4 Distance d’un point à un sous-espace vectoriel

Théorème 25.3.27 (Distance d’un point à un sous-espace)

Soit E un espace euclidien, F un sous-espace de E, et x ∈ E. Alors :

∀y ∈ F, kx − pF (x)k 6 kx − yk,

l’égalité étant réalisée si et seulement si y = pF (x).

Autrement dit, pF (x) est l’unique vecteur de F minimisant la distance de x à un point de F .

Définition 25.3.28
On dit que pF (x) est la meilleure approximation de x dans F . On appelle distance de x à F le réel
suivant :
d(x, F ) = kx − pF (x)k = min kx − yk.
y∈F

IV Géométrie affine
Comme vous le savez pour l’avoir déjà utilisé en physique, un plan (non vectoriel) peut être défini par la
donné d’un de ses points et d’un vecteur normal. Cela nécessite pour commencer une définition rigoureuse
du cadre de la définition affine.

IV.1 Sous-espaces affines d’un espace vectoriel

Définition 25.4.1 (Structure d’espace affine)

Soit T un espace vectoriel sur K, et E un ensemble. On dit que E est un espace affine attaché à T s’il
est muni d’une loi externe de T × E dans E, notée (t, x) 7→ t + x ou x + t, telle que
(i) pour tout (t, t′ ) ∈ T 2 , tout x ∈ E, (t + t′ ) + x = t + (t′ + x)
(ii) pour tout x ∈ E, 0 + x = x
(iii) pour tout (x, y) ∈ E 2 , il existe t tel que y = t + x
(iv) (∀x ∈ E, t + x = x) =⇒ t = 0
La propriété (iv) peut être remplacée par la propriété (iv’) équivalente :
(iv’) (∀x ∈ E), (t + x = x =⇒ t = 0).

Il faut voir E comme un ensemble de points sur lequel un ensemble T de vecteurs agit par translation.

Proposition 25.4.2
Soit E un espace affine attaché à T . Soit x ∈ E. L’application t 7→ t + x est une bijection de T sur E.
IV Géométrie affine 193

Proposition/Définition 25.4.3 (Translation)

Soit E un espace affine attaché à T . Soit t ∈ T . L’application τt : x 7→ t + x est une bijection de E dans
lui-même. Cette application est appelée translation de vecteur t.

Ainsi, (T, +) est le groupe des translations de E.

Définition 25.4.4 (Structure affine sur un espace vectoriel)

Soit E un espace vectoriel sur K. On peut alors définir une structure d’espace affine sur E, attaché à
lui-même, la loi externe correspondant alors à l’addition de E.

Terminologie 25.4.5 (Points et vecteurs)

Soit E un espace vectoriel, muni de sa structure affine usuelle. On distingue les propriétés affines et les
propriétés vectorielles de E en considérant, comme dans le cas général d’un espace affine quelconque,
que l’espace affine E est distinct de l’espace vectoriel T = E auquel il est rattaché. Ainsi, parlant des
éléments de l’espace affine, on parlera de points alors que les éléments de l’espace vectoriel E seront
appelés vecteurs.

La loi externe de l’espace affine E est donc donnée par une relation du type B = A + −
→
u , où A et B sont
→
−
deux points de l’espace affine et u un élément de l’espace vectoriel.

Notation 25.4.6
−−→
Soit A et B deux points de l’espace affine A. On notera AB l’unique vecteur −
→
u de E tel que B = A+ −
→
u.

−−→ −−→
Ainsi, AB est entièrement déterminé par la relation B = A + AB.

Définition 25.4.7 (Translaté d’un sous-ensemble de E)

Soit E un espace vectoriel muni de sa structure affine, et X un sous-ensemble de E, vu comme espace
affine. Soit t un vecteur de E. Alors le translaté τt (X) de l’ensemble X est le sous-ensemble de l’espace
affine E défini par :

τt (X) = {t + x, x ∈ X} = {y ∈ A | ∃x ∈ X, y = t + x}.

Définition 25.4.8 (Sous-espace affine de E)

Soit E un espace vectoriel, muni de sa structure affine. Un sous-espace affine de E est un translaté par
un vecteur t d’un sous-espace vectoriel de E.

En d’autres termes, et en dissociant d’avantage la structure vectorielle et la structure affine, un sous-

espace affine de E est un ensemble non vide F tel qu’il existe x ∈ F et V un sous-espace vectoriel de E
tels que
F = {x + u | u ∈ V }.

Cette définition est indépendante d’une correspondance stricte entre les éléments de l’espace affine et les
éléments de l’espace vectoriel, et reste vraie dans un espace affine général. Dans le cas de la structure
affine usuelle d’un espace vecoriel, les points et les vecteurs étant assimilés, la description précédente
correspond à l’espace obtenu par translation de V par le vecteur x.
194 CHAPITRE 25. ESPACES PRÉHILBERTIENS RÉELS

Lemme 25.4.9
Soit F un sous-espace affine obtenu d’un espace vectoriel V par translation de x0 . Alors pour tout
x ∈ F, F = x + V .

Proposition/Définition 25.4.10 (Direction)

Soit F un sous-espace affine de E. Il existe un unique sous-espace vectoriel V de E tel que F soit un
translaté de V . On dit que V est la direction de F , ou encore que F est dirigé par V .

Proposition 25.4.11
Soit F un sous-espace affine de E de direction V , et A ∈ F . Alors pour tout point B de E, B ∈ F ⇐⇒
−−→
AB ∈ V .

Assez logiquement nous définissons

Définition 25.4.12 (Hyperplan affine)

Un hyperplan affine d’un espace affine est un sous-espace affine dirigé par un hyperplan vectoriel de E.

Théorème 25.4.13 (Intersection de sous-espaces affines)

L’intersection de sous-espaces affines est soit vide, soit égale à un sous-espace affine. Si cette intersec-
tion est non vide, sa direction est l’intersection des directions de chacun des sous-espaces affines.

Certains auteurs définissent parfois la notion de sous-variété affine : il s’agit d’un sous-espace affine, ou
de l’ensemble vide. Ainsi, l’intersection de sous-variétés affines est toujours une sous-variété affine.

Exemple 25.4.14 (Sous-espaces affines de R2 et R3 )

Décrivez-les !

Un théorème important fournissant des sous-espaces affines (et on en a déjà vu des cas particuliers) est
le suivant :

Théorème 25.4.15 (Fibres d’une application linéaire)

Soit u ∈ L(E, F ), et a ∈ F . Alors l’image réciproque u−1 ({a}) (appelée fibre en a de u, ou ligne
de niveau), est soit l’ensemble vide, soit un sous-espace affine dirigé par Ker(u) (donc toujours une
sous-variété affine).

Les exemples que nous avons déjà rencontrés sont :

Exemple 25.4.16 (Sous-espaces affines obtenus comme fibres)

1. Ensemble des solutions d’un système linéaire
2. Résolution des équations différentielles linéaires non homogènes de degré 1 ou 2.
3. L’ensemble des polynômes interpolateurs en un certain nombre de points.
4. Équations arithmético-géométriques et autres.
IV Géométrie affine 195

IV.2 Barycentres
Nous voyons maintenant quelques propriétés des sous-espaces affines liés aux barycentres.

Définition 25.4.17 (Barycentre)

Soit E un espace vectoriel, muni de sa structure affine canonique. Soit A1 , . . . , An des points de E, et
λ1 , . . . , λn des scalaires tels que λ1 + · · · + λn 6= 0. Le barycentre de A1 , . . . , An avec les poids λ1 , . . . , λn
est le point
Xn
λi Ai
i=1
A= n ,
X
λi
i=1

c’est-à-dire l’unique point A tel que

n
X −−→
λi OAi
−→ i=1
OA = n ,
X
λi
i=1

Remarque 25.4.18
L’addition n’est définie que dans l’espace vectoriel E, et non dans l’espace affine. Il faut donc revenir à
des vecteurs pour définir une combinaison de points. La réexpression précédente peut être vue comme
définition d’une combinaison de points, relativement à un choix d’une origine O.

Il est fréquent de normaliser les poids de sorte que λ1 + · · · + λn = 1. Si cette égalité est satisfaite, le
barycentre se réécrit simplement :
Xn
A= λi Ai .
i=1

Évidemment, vous aurez compris qu’il ne s’agit de rien d’autre que d’une moyenne pondérée (avec pos-
sibilité d’avoir des poids négatifs aussi).

Lemme 25.4.19
La définition du barycentre est indépendante du choix de l’origine O.

Proposition 25.4.20 (Stabilité d’un s.e.a. par barycentres)

Soit E un espace vectoriel, et F un sous-espace affine de E. Alors F est stable par barycentres ; autre-
ment dit, le barycentre de n points de F est encore dans F .

Réciproquement, on peut énoncer :

Proposition 25.4.21 (Structure de l’ensemble des barycentres)

Soit E un espace vectoriel muni de sa structure affine canonique, et A1 , . . . , An des points de E. Alors
l’ensemble des barycentres des Ai , pondérés de toutes les façons possibles, à savoir :

{λ1 A1 + · · · + λn An | λ1 + · · · + λn = 1}

est un sous-espace affine de E.

196 CHAPITRE 25. ESPACES PRÉHILBERTIENS RÉELS

Tout sous-espace affine d’un espace de dimension finie peut même être retrouvé ainsi, en partant d’un
ensemble de point de cardinal égal à un de plus que la dimension de son espace directeur :

Proposition 25.4.22 (Description barycentrique d’un s.e.a.)

Soit F un sous-espace affine de E, dirigé par V , et A0 un élément de F . Soit (v1 , . . . , vd ) une base de
V , et pour tout i ∈ [[1, d]], Ai = A0 + vi . Alors F est l’ensemble des barycentres des Ai , i ∈ [[0, d]].

Par exemple, une droite passant par A et B correspond au translaté par A de la droite vectorielle dirigée
−−→
par AB (ce vecteur en est donc une base). La construction précédente affirme que (AB) est alors l’ensemble
des barycentres de A et B. Cela fournit la paramétrisation usuelle de la droite (AB) :

(AB) = {λA + (1 − λ)B | λ ∈ R}.

IV.3 Repères

Définition 25.4.23 (Repère affine)

Un repère affine est la donnée d’un point O de l’espace affine E, et d’une base (vectorielle) (b1 , . . . , bn )
de l’espace vectoriel E.

Définition 25.4.24 (Coordonnées dans un repère affine)

Les coordonnées d’un point A dans un repère (O, b1 , . . . , bn ) sont les coordonnées vectorielles du vecteur
−→
OA dans la base (b1 , . . . , bn ).

Proposition 25.4.25
Soit E un espace affine de dimension n muni d’un repère. L’application qui à A associe le vecteur de
ses coordonnées est une bijection de E dans Rn .

IV.4 Définition d’un hyperplan par vecteur normal

On considère un espace euclidien E, muni de sa structure affine. On commence par préciser les notions
d’orthogonalité dans le contexte affine.

Proposition/Définition 25.4.26 (vecteur orthogonal à un sous-espace affine)

Soit −
→v un vecteur de E, et F un sous-espace affine. On dit que −
→
v est orthogonal à F si l’une des trois
propriétés équivalentes suivantes est vérifiée :
• −
→v est orthogonal à la direction de F ,
−−→
• étant donné A fixé, −→
v est orthogonal à tout vecteur AB, pour B ∈ F ;
−−→
• Pour tout (A, B) ∈ F 2 , −
→
v est orthogonal à AB

Proposition 25.4.27 (Hyperplans définis par le vecteur normal − →n)

Soit n un vecteur non nul. Alors les hyperplans affines orthogonaux à −
→
− →
n sont exactement les fibres
(ou lignes de niveau) de −
→
u 7→ h−
→
u,−
→
ni.

Proposition 25.4.28 (Définition d’un hyperplan affine par vecteur normal)

Soit −
→
n un vecteur non nul de E, et A un point. Il existe un unique hyperplan affine H de E passant
par A et orthogonal à −
→
n . On dit que −
→
n est un vecteur normal à H
IV Géométrie affine 197

La donnée donnée d’un vecteur normal et de A permet de trouver facilement une équation de l’hyperplan
dans une base orthonormale, et réciproquement :

Proposition 25.4.29 (Équation d’un hyperplan de vecteur normal − →

n)
→
−
Soit B une base orthonormale de l’espace euclidien E, et soit [ n ]B = (a1 , . . . , an ) le vecteur de s
coordonnées de n. Alors un hyperplan affine H de E admet −
→
n comme vecteur normal si et seulement
s’il admet une équation du type :

B ∈ H ⇐⇒ a1 x1 + · · · + an xn = b,
−−→
où [OB]B = (x1 , . . . , xn ).

Plus précisément, si on connaît un vecteur A de H, tel que

−→
[OA]B = (y1 , . . . , yn )
D−−→ E
la condition B ∈ H s’écrit AB, −
→
n = 0, ou encore :

a1 (x1 − y1 ) + · · · + an (xn − yn ) = 0, soit: a1 x1 + · · · + an xn = a1 y1 + · · · + an yn .

Réciproquement, lire un vecteur normal sur une équation est immédiat !

Exemples 25.4.30
Donner une description par point et vecteur normal dans les cas suivants :
1. D est la droite de R2 d’équation y = 3x − 1
2. P est le plan de R3 d’équation x + 2y + z = 2.

Définition 25.4.31 (Distance à un hyperplan)

Soit H un hyperplan défini par le point A et le vecteur normal unitaire →
−
n . Alors la distance d’un
D−−→ E
→
−
point M à H est | AM , n |.
198 CHAPITRE 25. ESPACES PRÉHILBERTIENS RÉELS
 26
Isométries vectorielles

Panne de citation. A l’aide !

Nous étudions dans ce chapitre des applications linéaires particulières entre espaces euclidiens, conservant
la norme. Dans le cas de la dimension 2, on retrouve les transformations vectorielles du plan (symétries
et rotations vectorielles). Les isométries sont intimement liées à la notion de matrice orthogonale.

I Isométries d’un espace euclidien

Définition 26.1.1 (Isométrie vectorielle, automorphisme orthogonal)

Une isométrie vectorielle, aussi appelée automorphisme orthogonal, d’un espace euclidien E est un
endomorphisme u ∈ L(E) vérifiant :

∀x ∈ E, kf (x)k = kxk.

On note O(E) l’ensemble des isométries de E.

Ainsi, une isométrie est par définition un endomorphisme conservant la norme. La notation O(E) est
très voisine de celle utilisée pour désigner le groupe orthogonal. Cela n’a rien d’anodin, comme on le
constatera plus tard.

Définition 26.1.2 (Isométrie affine, HP)

Une isométrie affine d’un espace euclidien E est une application f telle que x 7→ f (x) − f (0) est une
isométrie vectorielle.

Exemples 26.1.3
1. IdE , −IdE
2. Dans R2 muni de la structure eulidienne
! canonique, les endomorphismes
! canoniquement associés
cos(θ) − sin(θ) cos(θ) sin(θ)
aux matrices et .
sin(θ) cos(θ) sin(θ) − cos(θ)
3. Les symétries orthogonales par rapport à un sous-espace F , explicitement données en fonction
de la projection orthogonale par sF = 2pF − idE .
4. En particulier, les reflexions (symétries par rapport à un hyperplan)
5. Les projecteurs orthogonaux ?

De façon assez immédiate, en considérant la norme d’un élément du noyau, on obtient :

200 CHAPITRE 26. ISOMÉTRIES VECTORIELLES

Proposition 26.1.4 (Bijectivité des isométries)

Une isométrie vectorielle u d’un espace euclidien est un isomorphisme, et u−1 est encore une isométrie.

De façon tout aussi évidente :

Proposition 26.1.5 (Composée d’isométries)

La composée v ◦ u de deux isométries vectorielles de E est encore une isométrie de E.

On en déduit alors que

Corollaire 26.1.6 (Structure de O(E))

1. L’ensemble O(E) des isométries est un sous-groupe de GL(E).
2. Plus généralement, si X est un sous-ensemble E, l’ensemble des isométries f conserrvant X
(c’est-à-dire f (X) ⊂ X) est un groupe.

Proposition 26.1.7 (Caractérisation des isométries par conservation du produit scalaire)

Soit E un espace euclidien et u ∈ L(E). Alors u est une isométrie si et seulement si :

∀(x, y) ∈ E2 , hf (x), f (y)i = hx, yi .

Sans avoir défini correctement la notion d’angle entre deux vecteurs, mais par analogie à la situation bien
connue de R2 , cette propriété est à voir comme une propriété de conservation de l’angle (non orienté), en
plus de la norme (obtenue pour x et y). En particulier, on a la conservation de l’orthogonalité : si x⊥y
alors u(x)⊥u(y). Cela explique la seconde terminologie utilsiée pour désigner les isométries.
On peut obtenir une caractérisation par l’orthogonalité de la sorte, mais en rajoutant une information
permettant de récupérer la conservation des normes, dans toutes les directions.

Proposition 26.1.8 (Caractérisation des isométries par conservation des b.o.n.)

Soit u ∈ L(E). Les propositions suivantes sont équivalentes :
(i) u est une isométrie
(ii) u envoie toute b.o.n. sur une b.o.n.
(iii) il existe une b.o.n. envoyée par u sur une b.o.n.

On en déduit alors la caractérisation matricielle suivante :

Proposition 26.1.9 (Caractérisation matricielle des isométries)

Soit u ∈ L(E). Les propositions suivantes sont équivalentes :
(i) u est une isométrie
(ii) La matrice de u dans toute b.o.n. B est orthogonale
(iii) il existe une b.o.n. B telle que MatB (u) ∈ O(n).

∼
Ainsi, le choix d’une base orthonormale B de E détermine un isomorphisme (de groupes) O(E) −→ O(n).
Via cet isomorphisme, on peut considérer le sous-groupe de O(E), image réciproque du sous-groupe SO(n)
des matrices orthogonales positives, c’est-à-dire les isométries u telles que det(MatB(u) ) = 1, ou, de façon
équivalente, par définition du déterminant d’un endomorphisme, telles que det(u) = 1
II Isométries vectorielles en dimension 2 201

Définition 26.1.10 (Isométries vectorielles positives)

Une isométrie vectorielle u est dite positive si et seulement si det(u) = 1. On note SO(E) l’ensemble
des isométries positives, sous-groupe distingué de O(n) (en tant que noyau d’un morphisme de groupe).

II Isométries vectorielles en dimension 2

II.1 Description de O(2)
Nous donnons dans cette section une description complète des isométries en dimension 2. Pour cela, nous
commençons par déterminer les matrices orthogonales de M2 (R).

Proposition 26.2.1 (Matrices orthogonales de M2 (R)) !

cos(θ) − sin(θ)
(i) Soit M ∈ SO(2), alors il existe θ ∈ R tel que M = ;
sin(θ) cos(θ)
!
cos(θ) sin(θ)
(ii) Soit M ∈ O(2) \ SO(2), alors il existe θ ∈ R tel que M = ;
sin(θ) − cos(θ)
Ces descriptions sont uniques modulo 2π.

On a de plus une règle simple pour le produit de matrices de SO(2). En notant, pour tout θ ∈ R,
!
cos(θ) − sin(θ)
R(θ) = ,
sin(θ) cos(θ)
on obtient :

Proposition 26.2.2 (Inverse et produit dans SO(2))

(i) R(0) = In
(ii) Pour tout (θ, θ′ ) ∈ R, R(θ)R(θ′ ) = R(θ + θ′ ) = R(θ′ )R(θ)
(iii) Pour tout θ ∈ R, R(θ)−1 = R(−θ).

En particulier, on reconnaît en SO(2) un groupe qu’on a déjà rencontré.

Théorème 26.2.3 (SO(2) est isomorphe à U)

L’application qui à R(θ) associe ei θ est un isomorphisme de groupe entre SO(2) et U.

II.2 Isométries positives en dimension 2

Soit E un espace euclidien de dimension 2. On suppose que E est orienté. On obtient la caractérisation
matricielle des isométries positives de E :

Théorème 26.2.4 (Caractérisation matricielle des isométries positives en dimension 2)

Soit u ∈ L(E). Les propriétés suivantes sont équivalentes :
(i) u ∈ SO(E)
!
cos(θ) − sin(θ)
(ii) Il existe une b.o.n. directe B et un réel θ tel que MatB (u) =
sin(θ) cos(θ)
!
cos(θ) − sin(θ)
(iii) Il existe θ tel que pour toute b.o.n. directe B, MatB (u) =
sin(θ) cos(θ)
De plus, dans ce cas, θ est unique modulo 2π.
202 CHAPITRE 26. ISOMÉTRIES VECTORIELLES

Définition 26.2.5 (Rotation)

On appelle rotation (vectorielle) d’angle θ ∈ R (défini modulo 2π) l’application de SO(2), usuellement
!
cos(θ) − sin(θ)
notée ρθ , dont la matrice dans toute base orthonormale directe est
sin(θ) cos(θ)

Dans R2 muni de son produit scalaire canonique, cette définition correspond bien à la définition géomé-
trique élémentaire et intuitive d’une rotation de centre 0 et d’angle θ. Son effet est de tourner la base
canonique d’un angle θ.

Remarque 26.2.6
Si on décide d’inverser l’orientation de E, cela a pour effet sur la rotation de changer son angle θ en
−θ.

Les règles de produit matriciel dans SO(2) amènent directement les règles de composition des rotations,
dont l’interprétation géométrique est assez intuitive :

Proposition 26.2.7 (Inverse et composée de deux rotations)

(i) ρ0 = idE
(ii) Pour tout (θ, θ′ ) ∈ R, ρθ ◦ ρθ′ = ρθ+θ′ = ρθ′ ◦ ρθ
(iii) Pour tout θ ∈ R, ρ−1
θ = ρ−θ .

Nous pouvons définir la notion d’angle orienté entre deux vecteurs grâce aux rotations. Pour cela, nous
utilisons le lemme suivant :

Lemme 26.2.8
Soit E un espace euclidien orienté, et soit x et y deux vecteurs de norme 1 de E. Il existe une unique
rotation ρ telle que ρ(x) = y.

Définition 26.2.9 (Angle orienté entre deux vecteurs)

[
Soit E un espace vectoriel orienté, et x et y deux vecteurs non nuls de E. Alors l’angle orienté (x, y)
est l’angle θ, défini modulo 2π, de l’unique rotation ρ telle que
 
x y
ρ = .
kxk kyk

Des règles de composition des rotations découlent immédiatement les trois premières des règles suivantes
sur les angles :

Proposition 26.2.10 (Propriétés des angles orientés)

Les égalités ci-dessous sont à lire modulo 2π.
\
(i) ∀x ∈ E \ {0}, (x, x) = 0
[
(ii) ∀x, y, z ∈ E \ {0}, (x, [
z) = (x, [
y) + (y, z)
[
(iii) ∀x, y ∈ E \ {0}, (y, [
x) = −(x, y).
\
(iv) ∀x, y ∈ E \ {0}, et λ, µ ∈ R∗ , (λx, [
µy) = (x, y).
+
\
(v) ∀x ∈ E \ {0}, (−x, x) = π
\ [
(vi) ∀x, y ∈ E \ {0}, (−x, y) = π + (x, y).
II Isométries vectorielles en dimension 2 203

Nous voyons maintenant comment déduire de toutes les définitions ci-dessus l’expression du produit
scalaire vue au lycée à l’aide de l’angle entre les vecteurs, ainsi que l’expression du déterminant. Pour
cela, nous introduisons une définition générale, valable en dimension n quelconque.
Une matrice de SO(n) ayant un déterminant égal à 1, la formule de changement de base pour les déter-
minants permet d’affirmer que le déterminant relativement à une base orthonormée d’une famille de n
vecteurs d’un espace euclidien de dimension n ne dépend pas du choix de cette base orthonormale.

Définition 26.2.11 (Produit mixte)

Le produit mixte de n vecteurs d’un espace euclidien orienté de dimension n, noté [x1 , . . . , xn ] ou
det(x1 , . . . , xn ), est la valeur commune des det(x1 , . . . , xn ) dans les b.o.n. directes.
B

Proposition 26.2.12 (Expression du produit scalaire et du produit mixte par l’angle)

Soit x et y deux vecteurs non nuls de E euclidien orienté de dimension 2. Alors

[
hx, yi = kxk · kyk · cos (x, y) et [
[x, y] = kxk · kyk · sin (x, y)

Ainsi, cette proposition permet une formalisation plus rigoureuse de la conservation de l’angle par les
isométries, évoquée plus haut à propos de la conservation du produit scalaire : l’expression ci-dessus
affirme en fait la conservation du cosinus de l’angle par une isométrie, donc une conservation de la valeur
absolue de l’angle. La conservation ou non du signe du déterminant distingue alors les cas de conservation
de l’angle orienté ou de passage à l’opposé ; cela distingue donc les isométries positives et les isométries
négatives.
Nous donnons, donc, pour les isométries positives de E de dimension 2 :

Proposition 26.2.13 (Conservation de l’angle par une isométrie positive)

Soit ρ ∈ SO(E), E étant un espace euclidien orienté de dimension 2. Alors

\
∀(x, y) ∈ E 2 , (ρ(x), [
ρ(y)) = (x, y).

II.3 Isométries négatives en dimension 2

Nous terminons ce chapitre par la description des isométries négatives du plan. Nous rappelons qu’une
reflexion est une symétrie orthogonale par rapport à un hyperplan. En dimension 2, les hyperplans sont
des droites. Donc les reflexions sont les!symétries orthogonales par rapport à une droite.
cos(θ) sin(θ)
Nous notons S(θ) = . Nous pouvons alors énoncer des règles calculatoires :
sin(θ) − cos(θ)

Lemme 26.2.14
Pour tout θ et θ′ dans R, on a :
(i) S(θ)S(θ′ ) = R(θ − θ′ )
(ii) S(θ)R(θ′ ) = S(θ − θ′ )
(iii) R(θ)S(θ′ ) = S(θ + θ′ ).

Théorème 26.2.15 (Isométries négatives en dimension 2)

Soit E un espace euclidien de dimension 2. Les isométries négatives de E sont les reflexions.
204 CHAPITRE 26. ISOMÉTRIES VECTORIELLES

Observez que contrairement au cas des rotations, l’angle θ dépend ici du choix de la base orthonormale
choisie.
De façon peu surprenante, les symétries inversent les angles. Pour le démontrer nous utilisons le lemme
suivant :

Lemme 26.2.16
Soit σ une reflexion et ρ une rotation. Alors σ ◦ ρ ◦ σ −1 = ρ−1 .

On obtient

Proposition 26.2.17 (Inversion des angles par isométries négatives)

Soit σ une isométrie négative de E de dimension 2. Alors :

\
∀(x, y) ∈ E 2 , (σ(x), [
σ(y)) = −(x, y).