8

Compléments d’algèbre linéaire

On admet que toute l’algèbre linéaire vue en MPSI reste valide lorsque K, le corps de base, est un corps
quelconque. En particulier, les coefficients peuvent, par exemple, être pris sur K “ Fp , p P P. Cependant,
lorsque des polynômes interviendront, (notamment dans la troisième partie de ce chapitre), il convient
de faire un peu plus attention, car des choses particulières peuvent se produire. Par exemple, les règles
sur les degrés peuvent ne pas être les mêmes. Par exemple, dans Fp rXs, la dérivée de X p n’est pas de
degré p ´ 1, et à peu près pour cette raison, les polynômes de degré p ´ 1 n’admettent pas de primitive.
On observe par la même occasion que pour ce polynôme X p , la caractérisation de la multiplicité de la
racine 0 par les dérivées successives n’est pas valide.
Pour éviter ce type de problème, dès lors que des polynômes interviendront dans notre étude, nous
supposerons que K est un sous-corps de C, même si un grand nombre de résultats associés restent valides
dans un contexte plus général.

Nous ne reprenons pas le cours de MPSI. Nous nous contentons d’en rappeler ci-dessous les grandes lignes,
à bien maîtriser :
‚ Notion d’espace vectoriel, de sous-espace vectoriel ;
‚ Notion de famille libre, de famille génératrice, de base ; une famille libre maximale est une base ;
‚ Notion de somme de 2 espaces, de somme directe de 2 espaces. Lien avec les bases.
‚ Applications linéaires, détermination d’une application linéaire sur les vecteurs d’une base, endo-
morphisme, isomorphisme, automorphisme
‚ Projecteurs et symétries, caractérisation algébrique (p2 “ p, s2 “ id), caractérisation géométrique.
‚ Sous-espaces affines d’un espace vectoriel
‚ Théorie de la dimension : espace de dimension finie (par existence d’une famille génératrice finie),
théorème de la dimension, dimension d’une somme directe, formule de Grassmann
‚ Applications linéaires en dimension finie, dont surtout, le théorème du rang et la caractérisation
de la bijectivité par l’injectivité ou la surjectivité en cas d’égalité des dimensions.
‚ Représentation matricielle d’une AL par choix de 2 bases. Cas d’un endomorphisme (avec la même
base au départ et à l’arrivée). Propriétés de composition, d’évaluation.
‚ Rang d’une matrice, version matricielle du théorème du rang, calcul du rang d’une matrice par
méthode du pivot.
‚ Changements de base. Matrices équivalentes. Toute matrice est équivalente à une Jn,p,r ; deux
matrices sont équivalentes ssi elles ont même rang.
‚ Déterminant d’une application linéaire dans une base, déterminant d’une matrice. Lien entre les
deux.
‚ Méthodes calculatoires pour les déterminants : pivot, développement suivant une ligne ou une
colonne.
‚ Exemple important : déterminant de Vandermonde.
122 CHAPITRE 8. COMPLÉMENTS D’ALGÈBRE LINÉAIRE

I Sommes directes et blocs

I.1 Somme directe de n sous-espaces vectoriels
On définit la somme de n espaces vectoriels de façon globale, plutôt qu’itérative :

Définition 8.1.1 – Somme d’un nombre fini de sous-espaces

Soit n • 1, et F1 , . . . , Fn des sous-espaces vectoriel de E. On définit
# +
ÿ n ÿ
n
Fi “ F1 ` ¨ ¨ ¨ ` Fn “ x i | x 1 P F1 , . . . , x n P Fn .
i“1 i“1

Théorème 8.1.2 – Minimalité de la somme

ÿ
n
Fi est le plus petit sous-espace vectoriel de E incluant tous les Ei . En d’autres termes,
i“1
˜ ¸
ÿ
n §
n
Fi “ Vect Fi .
i“1 i“1

Ÿ Éléments de preuve.
‚ C’est un sev, par vérifications simples
‚ Il inclut tous les Fi
‚ Par stabilité par somme, si un sev G inclut tous les Fi , il inclut aussi leur somme.
ô

Proposition/Définition 8.1.3 – Somme directe

Soit F1 , . . . , Fn des sev de E. Les propositions suivantes sont équivalentes:
(i) Pour tout x P F1 ` ¨ ¨ ¨ ` Fn , il existe un unique n-uplet px1 , . . . , xn q P F1 ˆ ¨ ¨ ¨ ˆ Fn tel que
x “ x1 ` ¨ ¨ ¨ ` xn
(ii) Pour tout px1 , . . . , xn q P F1 ˆ ¨ ¨ ¨ ˆ Fn , tel que px1 , . . . , xn q ‰ p0, . . . , 0q, x1 ` ¨ ¨ ¨ ` xn ‰ 0.
ÿ
(iii) Pour tout i P J1, nK, Fi X Fj “ t0u
jPJ1,nKztiu

ÿ
i´1
(iv) Pour tout i P J2, nK, Fi X Fj “ t0u
j“1

ÿ
i´1
(v) Pour tout i P J2, nK, la somme de Fi et de Fj est directe.
j“1
Dans ce cas, on dit que la somme F1 ` ¨ ¨ ¨ ` Fn est directe, et pour indiquer cette propriété, on
note :
à
n
F1 ` ¨ ¨ ¨ ` Fn “ F1 ‘ ¨ ¨ ¨ ‘ Fn “ Fi
i“1

Remarque 8.1.4
La propriété (v) montre que la somme globale est directe, si et seulement si à chaque étape, le terme
qu’on ajoute est en somme directe avec les précédents. Combiné aux propriétés d’associativité, cela
permet d’écrire :
à
n
Fi “ pppF1 ‘ F2 q ‘ F3 q ‘ ¨ ¨ ¨ ‘ Fn´1 q ‘ Fn .
i“1
I Sommes directes et blocs 123

Avertissement 8.1.5
Attention à l’erreur courante consistant à caractériser la somme directe par le fait que les intersec-
tions deux à deux sont réduites à t0u (autrement dit les Ei sont 2 à 2 en somme directe.
C’est clairement insuffisant, comme le montre l’exemple de 3 droites vectorielles non confondues
dans le plan.

Proposition 8.1.6 – Dimension d’une somme

Soit F1 , . . . , Fn des sous-espaces de dimension finie de E. Alors :
1. F1 ` ¨ ¨ ¨ ` Fn est aussi de dimension finie ;
ÿn
2. dimpF1 ` ¨ ¨ ¨ ` Fn q § dimpFi q;
i“1
˜ ¸
à
n ÿ
n
3. si la somme est directe, dim Fi “ dimpFi q.
i“1 i“1

Notation 8.1.7 – Concaténation

Pour X “ px1 , . . . , xk q P E k et Y “ py1 , . . . , y` q P E ` , on note

X ! Y “ px1 , . . . , xk , y1 , . . . , y` q

la concaténation du k-uplet X et du `-uplet Y . Il s’agit donc d’un k ` `-uplet.

C’est une notation à redéfinir si vous l’utilisez.

Proposition/Définition 8.1.8 – Base adaptée à une décomposition en somme directe

à
n
1. Soit E un espace vectoriel de dimension finie, tel que E “ Ei , et tout i P J1, nK, Bi une
i“1
base de Ei Alors B “ B1 ! ¨ ¨ ¨ ! Bn est une base de E.
à
n
2. Une base B de E est dite adaptée à la décomposition en somme directe E “ Ei si elle est
i“1
obtenue de la sorte, par concaténation de bases des Ei .

Le point 1 montre qu’il existe toujours une base adaptée à une décomposition en somme directe.

Proposition 8.1.9 – Projecteurs associés à une décomposition en somme directe

à
n
Soit E un espace vectoriel tel que E “ Ei . On définit pour tout i P J1, nK, ⇡i : E Ñ E par
i“1

⇡i : x1 ` ¨ ¨ ¨ ` xn fiÑ xi .

1. Pour tout i P J1, nK, ⇡i est un projecteur. Plus précisément, c’est le projecteur sur Ei paral-
lèlement à la somme des autres Ek .
2. Les ⇡i vérifient :
ÿ
n
⇡i “ idE et @pi, jq P J1, nK2 ⇡i ˝ ⇡j “ i,j .
i“1

On peut montrer que réciproquement, si p⇡1 , . . . , ⇡n q sont des projecteurs vérifiant le point 2, leurs images
forment une déomposition de E en somme directe dont ils sont les projecteurs associés.
124 CHAPITRE 8. COMPLÉMENTS D’ALGÈBRE LINÉAIRE

I.2 Détermination d’une application linéaire

Vous avez déjà vu l’année dernière qu’une application linéaire se détermine entièrement et sans ambiguité
par l’image des vecteurs d’une base. C’est cette représentation qui donne lieu ensuite aux interprétations
matricielles : la matrice d’une application linéaire u détermine entièrement u, justement car elle décrit
l’image d’une base.
Nous allons donner une version un peu plus générale de ce résultat, en montrant qu’une application
linéaire est déterminée par ses restrictions à des sous-espaces formant une décomposition de E en somme
directe. En considérant une décomposition de E en somme directe de droites engendrées par les vecteurs
d’une base, on retrouve plus ou moins le théorème de détermination d’une AL sur une base, pouvant ainsi
considérer que nous avons généralisé ce résultat.

Proposition 8.1.10 – Détermination d’une AL sur une décomposition en somme directe

à
n
Soit E et F deux K-ev. Soit E “ Ej une décomposition de E en somme directe, et pour tout
j“1
j P J1, nK, uj P LpEj , F q. Alors il existe une et une seule application linéaire u P LpE, F q telle que
pour tout j P J1, nK, u|Ej “ uj .

Ÿ Éléments de preuve.
Une analyse synthèse sans difficulté. ô

Proposition 8.1.11 – Interprétation matricielle de la détermination sur une ‘

à
n
Soit E “ Ej et F deux espaces vectoriels de dimension finie. On note, pour i P J1, nK, pj “
i“j
dim Ej , p “ dim E et q “ dim F . On se donne B1 , . . . , Bn des bases de E1 , . . . , En , C une base de
F , et on définit B “ B1 ! ¨ ¨ ¨ ! Bn , base adaptée à la décomposition de E en somme directe.
1. Soit pour tout j P J1, nK, uj P LpEj , F q, et Aj “ MatBj ,C puj q P Mq,pj pKq. Alors l’unique
application linéaire u P LpE, F q coïncidant avec chacun des uj est l’application déterminée
par la matrice
´ ¯
MatB,C puq “ MatB1 ,C pu1 q MatB2 ,C pu2 q ¨ ¨ ¨ MatBn ,C pun q P Mq,p pKq,

c’est-à-dire la matrice obtenue en juxtaposant dans une même grande matrice les matrices
des ui dans l’ordre.
2. Réciproquement, pour u P LpE, F q, et une décomposition en blocs
´ ¯
MatB,C puq “ A1 A2 ¨ ¨ ¨ An ,

où pour tout j P J1, nK, Aj P Mq,pj , alors

Aj “ MatBj ,F pu|Ej q.

3. En particulier, pour u P LpE, F q, avec les notations précédentes,

´ ¯
MatB,C pu ˝ ⇡j q “ 0q,p1 ¨ ¨ ¨ 0q,pj´1 Aj 0q,pj`1 ¨ ¨ ¨ 0q,pn .

à
m
On s’intéresse maintenant au problème dual, lorsque F “ Fi admet une décomposition en somme
i“1
directe. On note ⇢1 , . . . , ⇢m les projections associées, et j u la corestriction à Fj de ⇢i ˝ u. Ainsi, pour tout
àm
x P E, j upxq est la composante sur Fj de la décomposition de upxq dans la somme directe Fi . On a
i“1
alors j u P LpE, Fj q.
I Sommes directes et blocs 125

Proposition 8.1.12 – Interprétation matricielle d’une décomposition en ‘ à l’arrivée

à
m
Soit E et F deux espaces vectoriels de dimension finie, et F “ Fi une décomposition de F en
i“1
somme directe. Soit pour tout i P J1, mK une base Ci de Fi , et C “ C1 ! ¨ ¨ ¨ ! Cm la base de F
correspondante, adaptée à la décomposition. Soit B une base de E. Alors
¨ ˛
MB,C1 p1 uq
˚ .. ‹
MatB,C puq “ ˚
˝ .
‹.
‚
MB,Cm pm uq

De plus, on a alors, pour tout i P J1, mK

¨ ˛
0q1 ,p
˚ .. ‹
˚ ‹
˚ . ‹
˚ ‹
˚ 0qi´1 ,p ‹
˚ ‹
MatB,C p⇢i ˝ uq “ ˚ ‹
˚MB,Ci pi uq‹
˚ 0 ‹
˚ qi`1 ,p ‹
˚ .. ‹
˚ ‹
˝ . ‚
0qm ,p

En combinant ces deux représentations on peut avoir une représentation d’un endomorphisme u rela-
tivement à des bases adaptées à deux décompositions en somme directe, l’une de l’espace de départ
à
n à
m
E“ Ej , l’autre de l’espace d’arrivée E “ Fi , les deux espaces E et F étant supposés de dimension
j“1 i“1
finie. Pour u P LpE, F q, pour tout j P J1, nK, uj désigne comme avant la restriction de u à Ej , et pour
tout i P J1, mK, on peut alors considérer i uj la corestriction de ⇢i ˝ uj à Fi . Ainsi, i uj P LpEj , Fi q.

Théorème 8.1.13 – Interprétation d’une écriture matricielle par blocs

Soit E et F deux espaces vectoriels de dimension finie
1. On suppose que
à
n à
m
E“ Ej et F “ Fi .
j“1 i“1

Soit, pour tout j P J1, nK, Bj une base de Ej et pour tout i P J1, mK une base de Fi . On note
B “ B1 ! ¨ ¨ ¨ ! Bn et C “ C1 ! ¨ ¨ ¨ ! Cm les bases adaptées correspondantes de E et F .
Alors on obtient la représentation par blocs suivante :
¨ ˛
MatB1 ,C1 p1 u1 q ¨ ¨ ¨ MatBn ,C1 p1 uj q
˚ .. .. ‹
MatB,C puq “ ˚ ˝ . .
‹,
‚
MatB1 ,Cm pm u1 q . . . MatBn ,Cm pm un q

2. On a alors en particulier, en notant pj “ dim Ej et qi “ dim Fi ,

¨ ˛
0q1 ,p1 ¨¨¨ 0q1 ,pn
˚ . .. ‹
MatB,C p⇢j ˝ u ˝ ⇡i q “ ˚
˝ .
. Mat p u q . ‚,
‹
Bj ,Ci i j
0qm ,p1 ... 0qm ,pn

l’unique bloc non nul étant en position pi, jq.

126 CHAPITRE 8. COMPLÉMENTS D’ALGÈBRE LINÉAIRE

3. Réciproquement, si A “ MatB,C puq se décompose en blocs tels que

¨ ˛
A1,1 ¨ ¨ ¨ A1,n
˚ . .. ‹
A“˚ ˝ ..
‹
. ‚,
Am,1 ¨ ¨ ¨ Am,n

tels que :
‚ à i fixé, les Ai,j , j P J1, nK ont toutes même nombre de ligne ;
‚ à j fixé, les Ai,j , i P J1, mK ont toutes même nombre de colonnes ;
alors, en regroupant convenablement les vecteurs de la base B, il existe des décompositions
en somme directe de E et F dont B et C sont des bases adaptées, telles que, avec les notations
préédentes,
@pi, jq P J1, nK ˆ J1, mK, Ai,j “ MatBj ,Ci pi uj q.

Définition 8.1.14 – Décomposition en blocs d’une matrice

On appellera décomposition (ou découpage) par blocs d’une matrice A une représentation de A
dans laquelle on a regroupé certaines lignes consécutives ou colonnes consécutives de sorte à former
des sous-matrices, vérifiant les conditions du 3 du théorème 8.1.13

Corollaire 8.1.15 – Décomposition de E stable par u

Soit E un espace vectoriel de dimension finie, et une décomposition en somme directe :
à
n
E“ Ej .
j“1

Soit pour tout i P J1, nK, Bi une base de Ei , et B “ B1 ! ¨ ¨ ¨ ! Bn une base adaptée.
Soit u P LpEq tel que pour tout i P J1, nK, Ei est stable par u. Alors
¨ ˛
MatB1 puE1 q 0 ¨ ¨ ¨ 0
˚ .. .. .. ‹
˚ 0 . . . ‹
˚ ‹
MatB puq “ ˚ .. ‹,
˚ .. .. ‹
˝ . . . 0 ‚
0 ¨¨¨ 0 MatBn puEn q

où uEi “ i ui est l’endomorphisme de LpEi q induit par u.

Une telle matrice est appelée matrice diagonale par blocs.

I.3 Calcul matriciel par blocs

Les descriptions précédentes vont permettre d’établir assez facilement (disons que le plus dur est fait...)
les règles de calcul matriciel par blocs.

Terminologie 8.1.16 – Découpages par blocs de tailles compatibles

Soit A P Mq,r pKq et B P Mr,s pKq deux matrices, munis de découpages par blocs

A “ pAi,j qpi,jqPJ1,mKˆJ1,nK et B “ pBj,k qpj,kqPJ1,nKˆJ1,pK .

On dira que les deux découpages par blocs ont des tailles compatibles si pour tout j P J1, nK, le
nombre de colonnes des Ai,j est égal au nombre de lignes des Bj,k .
I Sommes directes et blocs 127

Remarques 8.1.17
1. Attention, on ne peut pas permuter A et B dans cette définition.
2. Cette condition permet de considérer, pour tout j P J1, nK, le produit Ai,j Bj,k . De plus, le
format de cette matrice ne dépend pas de j. Ainsi, la matrice suivante est bien définie :
ÿ
n
Ai,j Bj,k .
j“1

3. D’un point de vue vectoriel, si A et B sont interprétés comme des matrices d’applications
linéaires u P LpF, Gq et v P LpE, F q respectivement, relativement à des bases B, C et D,
les découpages par blocs définissent des décompositions en somme directe de E, F et G. La
compatibilité des tailles des blocs dit simplement que les blocs de A et B définissent la même
décomposition en somme directe de F .

Théorème 8.1.18 – Produit matriciel par blocs

Soit A P Mq,r pKq et B P Mr,s pKq deux matrices, munis de découpages par blocs

A “ pAi,j qpi,jqPJ1,mKˆJ1,nK et B “ pBj,k qpj,kqPJ1,nKˆJ1,pK .

de tailles compatibles. Alors le produit AB peut se calculer par blocs :

˜ ¸
ÿ
n
AB “ Ai,j Bj,k .
j“1 pi,kqPJ1,mKˆJ1,pK

Ÿ Éléments de preuve.
La démonstration n’est pas exigible.
Considérer u P LpF, Gq et v P LpE, F q des endomorphismes associés à A et B, avec des décomposi-
tions en somme directe associées de E, F et G, de projections respectives ⇡k , ⇢j et i . Décomposer
ÿ
⇡k ˝ u ˝ v ˝ i “ ⇡k ˝ u ˝ ⇢j ˝ ⇢j ˝ v ˝ i
j

et utiliser les résultats du paragraphe précédent. ô

Ainsi, le produit matriciel par blocs suit les mêmes règles que le produit matriciel sur les coefficients, en
remplaçant les coefficients par des blocs matriciels. Il faut juste pour cela que les tailles soient compatibles
pour former les produits.

Corollaire 8.1.19 – Puissances de matrices triangulaires par blocs

Soit A P Mp pKq découpée en blocs A “ pAi,j q1§i,j§n , de tailles compatibles pour former le produit
A ˆ A (autrement dit, les regroupements de lignes ont la même taille que les regroupements de
colonnes, ce qui équivaut à dire que les blocs diagonaux sont carrés).
1. On dit que A est triangulaire (supérieure) par blocs si pour tout i ° j, Ai,j “ 0, donc
¨ ˛
A1,1 ¨ ¨ ¨ ¨ ¨ ¨ A1,n
˚ .. .. ‹
˚ 0 . . ‹
˚ ‹
A“˚ . .. ‹ .
˚ . .. .. ‹
˝ . . . . ‚
0 ¨¨¨ 0 Aq,q

Alors pour tout n P N, An est aussi triangulaire par blocs, avec des blocs de même taille que
128 CHAPITRE 8. COMPLÉMENTS D’ALGÈBRE LINÉAIRE

A, et ¨ ˛
An1,1 ‚ ¨¨¨ ‚
˚ .. .. .. ‹
˚ 0 . . . ‹
˚ ‹
An “ ˚ . ‹.
˚ . .. .. ‹
˝ . . . ‚ ‚
0 ¨¨¨ 0 Anq,q
2. On dit que A est diagonale par blocs si pour tout i ‰ j, Ai,j “ 0, donc
¨ ˛
A1,1 0 ¨ ¨ ¨ 0
˚ .. .. .. ‹
˚ 0 . . . ‹
˚ ‹
A“˚ . ‹.
˚ . .. .. ‹
˝ . . . 0 ‚
0 ¨¨¨ 0 Aq,q

Alors pour tout n P N, An est aussi diagonale par blocs, avec des blocs de même taille que
A, et ¨ ˛
An1,1 0 ¨ ¨ ¨ 0
˚ .. .. .. ‹
˚ 0 . . . ‹
˚ ‹
An “ ˚ . ‹.
˚ . .. .. ‹
˝ . . . 0 ‚
0 ¨¨¨ 0 Anq,q

Ÿ Éléments de preuve.
Comme pour les matrices exprimées avec des coefficients scalaires. Inutile de refaire. ô

Exemple 8.1.20
¨ ˛
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

I.4 Déterminants par blocs

Le but de ce paragraphe est de donner quelques outils supplémentaires sur le calcul des déterminants,
notamment lorsqu’on dispose d’un découpage par blocs de la matrice. En règle générale, on ne peut pas
exploiter un découpage quelconque. Mais certaines manipulations sont permises.

Définition 8.1.21 – Transvection par blocs

Soit A “ pAi,j qpi,jqPJ1,mKˆJ1,nK une représentation de A par blocs matriciels Ai,j P Mmi ,nj pKq. Soit
T P Mmi ,mk pKq. Pour i ‰ k, la transvection Li – Li ` T Lk consiste à remplacer les Ai,j de la ligne
Li par Ai,j ` T Ak,j .
La ligne Li correspond évidemment à la i-ième ligne (matricielle) du découpage par blocs.

Proposition 8.1.22 – Interprétation matricielle d’une transvection par blocs

I Sommes directes et blocs 129

la transvection par blocs Li – Li ` T Lk correspond à la multiplication à gauche par la matrice

¨ ˛
I 0 ¨¨¨ ¨¨¨ ¨¨¨ 0
˚ .. .. .. ‹
˚0 . . T .‹ i
˚ ‹
˚. .. .. .. .. ‹
˚ .. . . . .‹
˚ ‹
˚ .. ‹
Ei,k,T “ ˚ .. ..
.
..
.
..
. .‹ ,
‹
˚.
˚ ‹
˚ .. .. .. ‹
˝. . . 0‚
0 ¨¨¨ ¨¨¨ ¨¨¨ 0 I
k

les blocs diagonaux étant triangulaires, et les blocs étant de taille compatible avec ceux de A pour
effectuer le produit.

Ÿ Éléments de preuve.
C’est la même chose que dans le cas scalaire, à adapter grâce aux règles de produit matriciel par
blocs. ô

Corollaire 8.1.23 – Invariance du déterminant par transvection par blocs

Soit B la matrice obtenue de A par transvection Li § Li ` T Lk . Alors detpAq “ detpBq.

Ÿ Éléments de preuve.
En effet, la matrice Ei,k,T est triangulaire (vraiment, pas seulement par blocs), de coefficients dia-
gonaux tous égaux à 1. ô

Lemme 8.1.24
˜ ¸
I 0
1. det “ detpBq
C B
˜ ¸
I C
2. det “ detpBq
0 B

Ÿ Éléments de preuve.
1. Une transvection fait sauter C, puis faire des développements suivant des colonnes pour se dé-
barrasser du I.
2. Transposer.
ô

Théorème 8.1.25 – 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

detpT q “ detpA1 q ¨ ¨ ¨ detpAk q.

130 CHAPITRE 8. COMPLÉMENTS D’ALGÈBRE LINÉAIRE

Ÿ Éléments de preuve.
Par récurrence, se ramener au cas n “ 2, pour lequel on peut décomposer
˜ ¸ ˜ ¸˜ ¸
A C I C A 0
“
0 B 0 B 0 I

puis utiliser le lemme 8.1.24. ô

Exemple 8.1.26
˜ ¸
A B
Exprimer det en fonction de detpA ´ Bq et detpA ` Bq.
B A

II Algèbres
II.1 Définitions générales
Soit K un corps quelconque.

Définition 8.2.1 – Algèbre

Soit pA, `, ¨, ˆq un ensemble muni de 2 l.c.i. ` et ˆ et d’une l.c.e. ¨ sur le corps K. On dit que A
est une algèbre sur K si :
(i) pA, `, ¨q est un espace vectoriel sur K
(ii) pA, `, ˆq est un anneau
(iii) Pour tout p , x, yq P K ˆ A ˆ A, p ¨ xq ˆ y “ ¨ px ˆ yq “ x ˆ p ¨ xq.

Remarque 8.2.2
1. En particulier, une algèbre est unitaire, dans le sens où elle possède un neutre multiplicatif.
Dans certains ouvrages plus généraux, ce n’est pas toujours le cas. Se méfier.
2. La définition est redondante, puisque certaines propriétés de ` se retrouvent à la fois dans
la structure d’anneau et dans la structure d’espace vectoriel
3. Pour éviter ces redondances, on peut définir une algèbre comme un K-ev enrichi d’une mul-
tiplication ˆ associative, unitaire, et bilinéaire. La bilinéarité englobe à la fois les propriétés
de distributivité et la propriété (iii).
4. Les signes opératoires ˆ et ¨ sont souvent omis. Il n’y a pas de confusion possible entre les
deux, puisque l’une des deux lois implique des scalaires et pas l’autre. L’examen de la nature
des objets en jeu permet donc de lever toute ambiguité.

Exemples 8.2.3
1. pK, `, ¨, ¨q est une K-algèbre (le produit externe et le produit interne sont ici égaux).
2. KrXs est une K-algèbre.
3. KrX, Y s (combinaison linéaire de monômes X i Y j ) aussi.
4. Mn pKq est une K-algèbre
5. Si E est un K-ev, LpEq est une K-algèbre.
6. KX “ FpX, Kq est une K-algèbre.
7. C est une R-algèbre.
II Algèbres 131

8. Soit a P R, et Qras “ tP paq, P P QrXsu. Alors Qras est une Q-algèbre.

Définition 8.2.4 – Sous-algèbre

Une sous-algèbre B d’une algèbre A est un sous-ensemble B Ä A tel que :
(i) B soit stable par les 3 lois de A
(ii) 1A P B
(iii) La restriction à B des lois de A définit sur B une structure d’algèbre.

Proposition 8.2.5 – Reformulation de la définition des sous-algèbres

Ainsi, les propositions suivantes sont équivalentes: :
(i) B est une sous-algèbre de A ;
(ii) B est un sous-espace vectoriel de A, stable par ˆ et vérifiant 1A P B
(iii) B est un sous-anneau de A stable par combinaison linéaire.

Ÿ Éléments de preuve.
Comme toujours dans ce type de propriété, une fois la stabilité acquise, toutes les propriétés univer-
selles sont préservées par restriction. Il faut juste s’assurer des propriétés existentielles. ô

Corollaire 8.2.6 – Caractérisation des sous-algèbres

B est une sous-algèbre de A si et seulement si :
(i) B Ä A
(ii) 1A P B
(iii) @p , x, yq P K ˆ B ˆ B, x“yPB
(iv) @px, yq P B ˆ B, xy P B

Exemples 8.2.7
1. K est une sous-algèbre de KrXs (le corps K étant identifié aux polynômes constants).
2. Plus généralement, si A est une K-algèbre, K ¨ 1A “ Vectp1A q est une sous-algèbre de A
3. KrXs est une sous-algèbre de KrX, Y s.
4. L’ensemble Dn pKq des matrices diagonales est une sous-algèbre de Mn pKq.
5. De même, Tn` pKq est une sous-algèbre de Mn pKq.
6. Tn`` pKq (matrices strictement triangulaires supérieures) est-elle une sous-algèbre de Mn pKq ?

Définition 8.2.8 – Morphisme d’algèbre

Soit pA, `, ¨, ˆq et pB, `, ¨, ˆq deux algèbres. Un morphisme d’algèbre est une application f P
FpA, Bq telle que :
(i) f est une application linéaire de pA, `, ¨q dans pB, `, ¨q ;
(ii) f est un morphisme d’anneaux de pA, `, ˆq dans pB, `, ˆq
Un isomorphisme d’algèbre est un morphisme d’algèbre bijectif.

Ainsi, en notant 1A et 1B les neutres multiplicatifs respectifs de A et B, f est un morphisme d’algèbre si

et seulement si :
132 CHAPITRE 8. COMPLÉMENTS D’ALGÈBRE LINÉAIRE

‚ @p , x, yq P K ˆ A ˆ A, f p x ` yq “ f pxq ` f pyq
‚ @px, yq P A2 , f pxyq “ f pxqf pyq
‚ f p1A q “ 1B .

Exemples 8.2.9
1. K ¨ 1A est isomorphe à K.
2. f : RrXs Ñ C définie par f pP q “ P piq est un morphisme d’algèbre.
3. Plus généralement pour a P K, l’évaluation eva : KrXs Ñ K définie par eva pP q “ P paq est
un morphisme d’algèbre.
4. Si a est transcendant (i.e. non racine d’un polynôme de QrXs), alors Qras est isomorphe à
QrXs.

Proposition 8.2.10 – Image d’une sous-algebre

Soit f : A Ñ B un morphisme d’algèbre, et A1 une sous-algèbre de A. Alors f pA1 q est une sous-
algèbre de B.

II.2 Spécialisation d’un polynôme

Définition 8.2.11 – Spécialisation d’un polynôme sur une algèbre
Soit A une K-algèbre, et soit P P KrXs, décrit par

ÿ
d
P “ ak X k .
k“0

La spécialisation de P en x P A est définie par

ÿ
d
P pxq “ ak xk ,
k“0

Remarque 8.2.12
1. La spécialisation P pxq est bien définie, puisqu’on sait :
‚ faire des produits (donc prendre des puissances) dans A, y compris un produit vide (la
puissance d’ordre 0), puisque A est unitaire : pour tout x P A, x0 “ 1A ;
‚ multiplier un élément de A par un scalaire ai P K ;
‚ sommer entre eux des éléments de A.
2. Le terme « évaluation » pour désigner P pxq est en général réservé au cas où x P K. Ainsi, on
ne peut évaluer qu’en des éléments du corps de base, mais on peut spécialiser sur des objets
plus complexes.
3. L’évaluation est un cas particulier de spécialisation, en considérant A “ K, qui est bien une
algèbre.

Exemples 8.2.13
1. Spécialisation en une matrice carrée : si M P Mn pKq, on peut considérer P pM q.
˜ ¸
1 1
Par exemple, déterminer P pM q lorsque P “ 2X ` X ` 1 et M “
2
.
0 2
2. Spécialisation en un endomorphisme : si u P LpEq, P puq est bien défini, et est un élément de
LpEq, les puissances qui interviennent correspondant à l’itération de la composition.
II Algèbres 133

Par exemple si P “ 2X 2 ` X ` 1, P puq est l’endomorphisme défini par :

P puqpxq “ 2u2 pxq ` upxq ` u0 pxq “ 2u ˝ upxq ` upxq ` x.

3. Attention à ne pas confondre :

(i) P puqpxq évaluation de l’endomorphisme P puq en x
(ii) P pupxqq spécialisation du polynôme P en upxq qui nous amène donc à prendre des
puissances du vecteur upxq, ce qui n’a de sens que si E est elle-même une algèbre ; ces
puissances n’ont alors aucun rapport avec des compositions de u par lui-même.

Proposition 8.2.14 – Morphisme de spécialisation

Pour x P A, l’application Sx : KrXs Ñ A définie par Sx pP q “ P pxq est un morphisme d’algèbre.

Ÿ Éléments de preuve.
Le seul point un peu délicat à montrer est le respect du produit qui nécessite une petite manipulation
de sommes. ô

Proposition/Définition 8.2.15 – Sous-algèbre engendré par un élément

Soit A une K-algèbre, et x P A. On définit

Krxs “ tP pxq, P P KrXsu

Alors Krxs est une sous-algèbre commutative de A, et est minimale parmi les sous-algèbres de A
contenant x. On l’appelle sous-algèbre de A engendrée par x.

Ainsi, Krxs est l’ensemble des éléments de A s’obtenant polynomialement à partir de x.

Ÿ Éléments de preuve.
C’est l’image par un morphisme d’algèbre d’une algèbre commutative. ô
En particulier, même si A n’est pas commutative, deux polynômes d’un même élément x P A commutent.

Exemples 8.2.16
1. Pour A “ LpEq et u P LpEq, le produit dans LpEq étant la composition, le respect du produit
par Su s’écrit :
P puq ˝ Qpuq “ pP Qqpuq “ pQP qpuq “ Qpuq ˝ P puq.
L’égalité du milieu exploite la commutativité dans KrXs, qui permet donc d’obtenir la com-
mutativité de l’algèbre pKrus, `, ¨, ˝q.
˜ ¸
0 1
2. Décrire KrM s, où M “ .
1 0

On remarque que cette propriété de commutation est un cas particulier d’un résultat un peu plus général :

Proposition 8.2.17 – Polynômes d’endomorphismes qui commutent

Soit u et v dans LpEq tels que u˝v “ v˝u. Soit P et Q deux polynômes de KrXs. Alors P puq˝Qpvq “
Qpvq ˝ P puq.

Ÿ Éléments de preuve.
Par manipulation de sommes, en remarquant que uk v ` “ v ` uk . ô
134 CHAPITRE 8. COMPLÉMENTS D’ALGÈBRE LINÉAIRE

Corollaire 8.2.18 – Des propriétés de stabilité par commutation

Soit u et v des endomorphismes qui commutent et P et Q des polynômes. Alors :
1. Impuq et Kerpuq sont stables par v ;
2. ImpP puqq et KerpP puqq sont stables par Qpvq

Ÿ Éléments de preuve.
Le 1 est classique et se démontre indépendamment de ce qui précède. Le 2 consiste à appliquer le 1
aux endomorphismes P puq et Qpvq qui commutent. ô

III Polynômes d’endomorphismes

III.1 Polynômes annulateurs et polynôme minimal
On rappelle que pour E un K-espace vectoriel et u P LpEq, l’application Su : KrXs Ñ LpEq est un
morphisme d’algèbre. En particulier, c’est un morphisme d’anneaux. On en déduit la structure de son
noyau.
Proposition/Définition 8.3.1 – Idéal des polynômes annulateurs
‚ Le noyau KerpSu q de Su : P fiÑ P puq est un idéal, constitué de tous les polynômes P P KrXs
tels que P puq “ 0LpEq .
‚ Un polynôme vérifiant P puq “ 0LpEq est appelé polynôme annulateur de u.

Proposition 8.3.2 – Existence d’un polynôme annulateur non nul en dimension finie
Soit E un K-espace vectoriel de dimension finie, et u P LpEq. Alors u admet au moins un polynôme
annulateur non nul.

Ÿ Éléments de preuve.
2
Pour n “ dimpEq, la famille pu0 , u1 , . . . , un q est liée car dimpLpEqq “ n2 . ô

Définition 8.3.3 – Polynôme minimal

Le polynôme minimal de u P LpEq est l’unique polynôme unitaire engendrant l’idéal principal
KerpSu q des polynômes annulateurs de u.
Il est souvent noté µu ou ⇡u .

Proposition 8.3.4 – Base et dimension de Krus

Soit E un espace vectoriel de dimension finie n, et u P LpEq. Soit d “ degpµu q. Alors

dim Krus “ d,

et une base en est pid, u, . . . , ud´1 q.

Ÿ Éléments de preuve.
Caractère générateur par division euclidienne. Liberté par minimalité du degré de µu . ô
Ainsi, le polynôme minimal µu est l’unique polynôme unitaire tel que pour tout polynôme annulateur P
de u, µu | P . C’est donc aussi, parmi les polynômes annulateurs unitaires non nuls, celui dont le degré
est minimal.
On peut évidemment traduire ces définitions en termes matriciels. Pour M P Mn pKq, l’ensemble des
2
polynômes annulateurs de M est l’idéal KerpSM q, non réduit à 0 car pM 0 , . . . , M n q est liée, et engendrée
par un unique polynôme annulateur unitaire µM ou ⇡M , appelé polynôme minimal de M .
Avant de voir des exemples de polynômes minimaux, on donne une définition :
III Polynômes d’endomorphismes 135

Définition 8.3.5 – Endomorphisme nilpotent

Un endomorphisme u P LpEq est nilpotent s’il existe k P N tel que uk “ 0LpEq . Dans ce cas, l’entier

d “ mintk P N, uk “ 0LpEq u

est appelé indice de nilpotence de u. C’est donc le plus petit entier positif tel que ud “ 0.

L’indice de nilpotence d’un endomorphisme nilpotent est toujours au moins égal à 1 (car ud “ id, et
même à 2, sauf si u “ 0.
Cette définition s’adapte bien entendu aux matrices.

Exemples 8.3.6
Les exemples suivants doivent être pris comme des exemples du cours.
1. Polynôme minimal de 0LpEq .
2. Polynôme minimal d’une matrice scalaire In , ‰ 0.
¨ ˛
0 1 0 ¨¨¨ 0
˚. . ‹
˚ .. . . . . . . . . ... ‹
˚ ‹
˚. . . ‹
3. Polynôme minimal de Jn “ ˚ ..
˚ .. . . 0‹ ‹ P Mn pCq
˚. ‹
˚. .. ‹
˝. . 1‚
0 ¨¨¨ ¨¨¨ ¨¨¨ 0
4. Les projecteurs sont définis algébriquement par un polynôme annulateur X 2 ´ X. À quelle
condition est-ce le polynôme annulteur
5. De même, X 2 ´ 1 est un polynôme annulateur de toute symétrie. À quelle condition est-ce
le polynôme minimal ?

L’exemple de la matrice Jn se généralise de la sorte.

Proposition 8.3.7 – Caractérisation d’un endomorphisme nilpotent par son pol. min.
Soit u P LpEq. Les propositions suivantes sont équivalentes:
(i) u est nilpotente d’indice de nilpotence d ;
(ii) µu “ X d .

Par ailleurs, on sait comparer le degré de µd à n “ dimpEq, dans ce cas particulier, grâce au lemme
suivant.

Lemme 8.3.8 – Majoration de l’indice de nilpotence

Soit E un espace vectoriel de dimension finie n, et soit u un endomorphisme nilpotent de E, d’indice
de nilpotence d. Alors d § n.

Ÿ Éléments de preuve.
Montrer qu’il existe x P E tel que px, upxq, . . . , ud´1 pxqq soit libre. ô

Ainsi, le polynôme minimal d’un endomorphisme minimal est toujours de degré inférieur à dimpEq. Ce
résultat se généralisera à tout polynôme minimal plus tard, grâce au théorème de Cayley-Hamilton, qui
fournit un polynôpme annulateur de degré n “ dimpEq (ce qui assure de facto que le polynôme minimal
est de degré plus petit).
136 CHAPITRE 8. COMPLÉMENTS D’ALGÈBRE LINÉAIRE

III.2 Lemme de décomposition des noyaux

On termine cette section dédiée aux polynômes d’endomorphismes et de matrices par un résultat qui sera
d’une importance capitale pour les problèmes de diagonalisation, et plus généralement de réduction. Je
lui donne un statut de théorème, même s’il est communément appelé lemme.

Théorème 8.3.9 – Lemme de décomposition des noyaux

Soit r P N˚ , et P1 , . . . , Pr des éléments de KrXs deux à deux premiers entre eux. Alors

à
r
KerpP puqq “ KerpPi puqq.
i“1

Ÿ Éléments de preuve.
Par récurrence immédiate, la primalité 2 à 2 impliquant en particulier que Pk est premier avec
P1 . . . Pk´1 , il suffit de le montrer lorsque r “ 2.
Pour r “ 2, se servir d’une relation de Bézout, à la fois pour montrer l’inclusion directe, et pour
montrer le caractère directe de la somme. ô

Corollaire 8.3.10 – Décomposition de E issue d’un polynôme annulateur

Soit P un polynôme annulateur de u, tel que P “ P1 . . . Pr , où les Pi sont 2 à 2 premiers entre eux.
Alors
àr
E“ KerpPi puqq.
i“1

Exemples 8.3.11
1. Si p est un projecteur, on retrouve E “ Kerppq ‘ Kerpp ´ idq
2. Si s est une symétrie, on retrouve E “ Kerps ´ idq ‘ Kerps ` idq.
3. Dans les deux exemples précédents, trouver une base B de E telle que MatB ppq (resp.
MatB psqq soit diagonale.

Le dernier point nous fait bien comprendre l’utilité de ce résultat dans des études de diagonalisabilité.
Ainsi, on obtient par exemple le résultat important suivant (qui sera repris et complété dans le chapitre
suivant) :

Théorème 8.3.12 – Caractérisation de la diagonalisabilité par polynômes annulateurs

Soit E de dimension finie, et u P LpEq admettant un polynôme annulateur scindé à racines simples.
Alors P est diagonalisable.

Ÿ Éléments de preuve.
Par le lemme de décomposition des noyaux, puis prendre une base de chaque terme de la somme
directe.
C’est même une équivalence, comme on le justifiera plus tard. D’où la terminologie « caractérisation ».
ô