Algèbre linéaire

Université Ibn Zohr Faculté des sciences

Département des Mathématiques Agadir

Algèbre 3, SMI

Abdellatif Chahbi

Année universitaire : 2019-2020

 Tables des Matières

1 Espace vectoriel 3
1 Définition d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Sous-espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1 Définition et caractérisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2 Sous-espace vectoriel engendré par une partie . . . . . . . . . . . . . . . . . . . . . 7
2.3 Sous-espaces vectoriels supplémentaires . . . . . . . . . . . . . . . . . . . . . . . . 8
3 Familles libres, génératrices ; bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.1 Familles libres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.2 Famille génératrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.3 Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4 Espace vectoriel est de dimension finie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.1 Notion de dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.2 Dimension d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5 Sous-espaces d’un espace vectoriel de dimension finie . . . . . . . . . . . . . . . . . . . . . 16
5.1 Dimension d’un sous-espace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.2 Sous-espaces vectoriels supplémentaires . . . . . . . . . . . . . . . . . . . . . . . . 17

2 Applications linéaires 21
1 Définition et propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2 Opération générales sur les applications linéaires . . . . . . . . . . . . . . . . . . . . . . . 22
3 Noyau et image d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4 Images de familles libres ou génératrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
5 Théorème du rang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
5.1 Rang d’une famille finie de vecteurs . . . . . . . . . . . . . . . . . . . . . . . . . . 25
5.2 Rang d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

3 Matrice 27
1 Définition - notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2 Opérations sur les matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.1 Définition l’addition et de la loi externe . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2 Définition du produit matriciel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3 Quelques grands types de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4 Trace d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

3
 5 Matrices carrées inversibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
6 Transposition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
7 Matrice d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
8 Rang d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
8.1 Définition du rang d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
8.2 Opérations élémentaires sur les matrices . . . . . . . . . . . . . . . . . . . . . . . . 38
9 Les déterminants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
9.1 Déterminants d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
9.2 Comatrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
9.3 Déterminant d’un système de vecteurs . . . . . . . . . . . . . . . . . . . . . . . . 42
9.4 Déterminant d’un endomorphisme . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
10 Changements de bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
10.1 Matrice de passage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
10.2 Changements de bases pour un vecteur . . . . . . . . . . . . . . . . . . . . . . . . 43
11 Changement de bases pour une application linéaire . . . . . . . . . . . . . . . . . . . . . . 44

4 Systèmes d’ équations linéaires 45

1 Vocabulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2 Systèmes de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3 Résolution par la Méthode de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
 Espace vectoriel
1
1 Définition d’un espace vectoriel

Soit K un corps commutatif(le programme impose R ou C),

Définition 1
On appelle espace vectoriel sur le corps K tout ensemble E muni :
— d’une loi de composition interne : ” + ”
— d’une loi de composition externe : ”.” de K × E dans E.
que l’on pourra donc noter (E, +, .) et vérifiant :
1 (E, +) est un groupe commutatif.
2


 (λ + µ).x = λ.x + µ.x.

λ.(x + y) = λ.x + λ.y.
∀(λ, µ) ∈ K2 , et ∀(x, y) ∈ E 2 :


 λ.(µ.x) = (λµ).x
1K .x = x.


Remarque 2
Si E est un espace vectoriel sur le corps K ,
1 on dira que E est un K-espace vectoriel et que K est le corps de base de E.
2 Les éléments de E s’appellent les vecteurs et les éléments de K les scalaires.
3 l’élément neutre pour +, est noté 0E et s’appelle le vecteur nul.

3
 Exemple 3
1 Un corps K peut être considéré comme un espace vectoriel sur lui-même. On peut en
effet définir une loi externe "." en posant pour ∀λ ∈ K et x ∈ K, λ.x = λ × x. Muni
de +et ., ; K a alors une structure de K − ev.
2 C peut être considéré comme un C-ev ou un R-ev.
3 K[X] est un K-ev.
4 R2 peut-être considéré comme un R-ev. Soit K = R et E = R2 . On définit :
a l’addition de deux vecteurs X = (x1 , x2 ), Y = (y1 , y2 ) par

X + Y = (x1 + y1 , x2 + y2 ).

b la multiplication d’un vecteur X = (x1 , x2 ) par un scalaire λ ∈ R par

λ.X = (λx1 , λx2 ).

Muni de ces deux lois, R2 a une structure de R-ev.

Proposition 1 (Espace produit)

Soit K un corps commutatif et E1 , . . . , En des K-ev. On définit sur E1 × . . . × En les lois :

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

λ.(x1 , . . . , xn ) = (λ.x1 , . . . , λ.xn )

(E1 × . . . × En , +, .) est alors un K-ev de vecteur nul (0E1 , . . . , 0En ).

Démonstration. Conséquence immédiate du fait que E1 . . . En sont des K-ev.

Exemple 4
En particulier, Rn est un R-ev et Cn peut être considéré soit comme un C-ev, soit comme un
R-ev.

Proposition 2 (Espaces de fonctions)

Soit A un ensemble non vide et E un K-ev. On note F(A, E) l’ensemble des fonctions de A
vers E. On définit alors deux lois sur F(A, E) :

∀(f, g) ∈ F(A, E) : (f + g) :A→E

x 7→ f (x) + g(x)

∀f ∈ F(A, E)∀λ ∈ K : λ.f :A→E

x 7→ λ.f (x)

Alors (F(A, E), +, .) est un K-ev.

Démonstration. Conséquence immédiate du fait que E est un K-ev.

 Exemple 5
1 Lorsque I ⊂ R, (F(I, R), +, .) est un R-ev.
2 (RN , +, .) L’ensemble des suites réelles est un R-ev.
3 (CN , +, .) L’ensemble des suites complexes peut être considéré comme un R ou un C-
ev.

Proposition 3 (Règles de calcul dans un ev)

Pour tout (λ, µ) dans K2 et tout (x, y) dans E 2 , on a :
1 0K .x = 0E
2 λ.0E = 0E
3 (λ.x) = 0E ⇐⇒ λ = 0K ou x = 0E
4 (−λ).x = −(λ.x) = λ.(−x)
5 λ.(x − y) = λ.x − λ.y
6 (λ − µ).x = λ.x − µ.x

Démonstration. 1 0K .x = (0K + 0K ).x = 0K .x + 0K .x.

2 λ.0E = λ.(0K .x) = (λ.0K ).x = 0K .x = 0E
3 Si λ 6= 0K alors λ.x = 0E ⇐⇒ λ−1 .(λ.x) = λ−1 .0E ⇐⇒ x = 0E .
4 λ.x + λ.(−x) = λ.(x − x) = 0E donc (λ).(−x) = −(λ.x)
5 Conséquence immédiate des résultats précédents.
6 Conséquence immédiate des résultats précédents.

Remarque 6
1 On écrira désormais λx à la place de λ.x lorsque la confusion ne sera plus à craindre.
2 On pourra écrire −λx sans aucune ambiguïté.

Définition 7 (Combinaisons linéaires d’un nombre fini de vecteurs)

Soient E un K-espace vectoriel et x1 , . . . , xn ∈ E. On appelle combinaison linéaire de x1 , . . . , xn
tout vecteur de E de la forme :
n
X
x= λk xk = λ1 x1 + . . . + λn xn , avec λ1 . . . λn ∈ K.
k=1

Exemple 8
Dans R2 , (2, 7) est combinaison linéaire des vecteurs (5, −2) et (1, −3) : (2, 7) = (5, −2) −
3(1, −3).
2 Sous-espace vectoriel
2.1 Définition et caractérisation
Définition 9 (Sous-espace vectoriel)
Soient (E, +, .) un K-espace vectoriel et F une partie de E stable par addition et par multi-
plication par un scalaire. On dit que F est un sous-espace vectoriel de E si F est un K-espace
vectoriel pour les lois de E.

Remarque 10
Si F un sous-espace vectoriel de E, F est un sous-groupe de E pour l’addition, donc : 0F =
0E ∈ F.

Exemple 11
Si E est un K-espace vectoriel, {0E } et E sont deux sous-espaces vectoriels de E.

Théorem 1 (Caractérisation des sous-espaces vectoriels)

Soient E un K-espace vectoriel et F une partie de E. Les assertions suivantes sont équivalentes :
1 F est un sous-espace vectoriel de E.
2 — 0E ∈ F.
— F stable par multiplication par un scalaire : ∀x ∈ F, ∀λ ∈ K, λx ∈ F.
— F est stable par addition : ∀x, y ∈ F, x + y ∈ F.
3 — 0E ∈ F.
— F est stable par combinaison linéaire : ∀x, y ∈ F, ∀λ ∈ K, λx + y ∈ F.

Démonstration. 1 =⇒ 2 Si F est un sous-espace vectoriel de E, on a vu que : 0E = 0F ∈ F. De plus,

pour tous x, y ∈ F et λ ∈ K, λx et y sont éléments de F car F est stable par multiplication par un
scalaire, et enfin : x + y ∈ F car F est stable par addition.
2 =⇒ 3 Si l’assertion 2 est vraie, on a : 0E ∈ F. De plus, pour tous x, y ∈ F et λ ∈ K, λx et y sont
éléments de F car F est stable par multiplication par un scalaire, et enfin : λx + y ∈ F car F est stable
par addition.
3 =⇒ 1 Si l’assertion 3 est vraie, F est en particulier stable par addition pour λ = 1 et multiplication
par un scalaire pour y = 0E mais c’est même un sous-groupe de E pour l’addition pour λ = 1. Les
autres axiomes de la définition des espaces vectoriels ne requièrent aucune vérification particulière car
une relation vraie sur E tout entier l’est aussi sur F.
Remarque 12
Si F est un sous-espace vectoriel de E, alors on a nécessairement 0E ∈ F. En d’autres termes,
si 0E ∈
/ F alors F n’est pas un sev de E.

Exercice 13
On munit R3 des opérations usuelles.
1 Montrer que F = {(x, y, z) ∈ R3 : x + y − 2z = 0} est un sous-espace vectoriel deR3 .
2 Montrer que F = {(x, y, z) ∈ R3 : x + y − 2z = 1} n’est pas un sous-espace vectoriel de
R3 .
 0 0 0
Solution. 1 Puisque 0+0−2×0 = 0, le vecteur nul (0, 0, 0) est dans F. Soient ((x, y, z), (x , y , z )) ∈
F et λ ∈ R. 0 0 0 0 0 0
λ(x, y, z) + (x , y , z ) = (λx + x , λy + y , λz + z ).
De plus,
0 0 0 0 0 0
(λx + x ) + (λy + y ) − 2(λz + z ) = λ(x + y − 2z) + (x + y − 2z ) = 0.

En résumé, F contient le vecteur nul et est stable par combinaisons linéaires. Donc, F est un
sous-espace vectoriel de R3 .
2 Puisque 0 + 0 − 2 × 0 = 0 6= 1, le vecteur nul (0, 0, 0) n’est pas dans F. Donc, F n’est pas un
sous-espace vectoriel de R3 .

Exercice 14
Parmi les ensembles suivants, lesquels sont des sev de l’espace vectoriel E = F(R, R) ?
1 F = {f ∈ E | f (1) = 2f (0)}
2 F = {f ∈ E | f (0) = f (1) + 1}.

Théorem 2 (Intersection de sous-espaces vectoriels)

Soit I un ensemble non vide. Soit (Fi )i∈I une famille (finie ou infinie) de sev de E un K-ev.
Alors : ∩i∈I Fi est un sev de E .

Démonstration. On utilise la caractérisation usuelle des sev.

1 ∩i∈I Fi est bien une partie non vide de E.
2 Soient x et y deux vecteurs de ∩i∈I Fi et λ et µ deux scalaires. ∀i ∈ I, on a (x, y) ∈ Fi2 et comme
Fi est un sev de E, alors λ.x + µ.y ∈ Fi et donc λ.x + µ.y ∈ ∩i∈I Fi .

2.2 Sous-espace vectoriel engendré par une partie

Définition 15 (Sous-espace vectoriel engendré par une partie)
Soient E un K-espace vectoriel et X une partie de E. L’intersection de tous les sous-espaces
vectoriels de E contenant X est appelée le sous-espace vectoriel (de E) engendré par X et
notée Vect(X). À ce titre, Vect(X) est le plus petit sous-espace vectoriel de E contenant X.
En particulier, tout sous-espace vectoriel de E qui contient X contient aussi Vect(X).

Proposition 4 (Cas d’une partie finie)

Soient n ∈ N∗ et X = {x1 , . . . , xn } une partie finie à n éléments de E. Le sous-espace vectoriel
engendré par X est l’ensemble des combinaisons linéaires finies d’éléments de X

Vect(X) = Vect((xi )i∈I ) = {λ1 x1 + . . . + λn xn | λ1 , . . . , λn ∈ K.

Remarque 16
Par convention, on dira que Vect(∅) = {0E }.
 Exemple 17
Montrer ainsi que {(x, y, z) ∈ R3 | x + y + z = 0} est un sev de R3 .

2.3 Sous-espaces vectoriels supplémentaires

Définition 18 (Somme de deux sous-espaces vectoriels)
Soient F et G deux sous-espaces vectoriels de E, on appelle somme de F et G la partie de E
notée F + G définie par :

F + G = {x ∈ E | ∃(y, z) ∈ F × G x = y + z}.

Théorem 3
F +G est un sous-espace vectoriel de E. C’est le plus petit sous-espace vectoriel de E contenant
F et G (autrement dit F + G = Vect(F ∪ G)).

Définition 19 (Somme directe F + G)

Soient deux sev F, G de l’espace vectoriel E. le sev F +G est noté F ⊕G lorsque ∀x ∈ F +G, x
s’écrit de façon unique x = y + z avec y ∈ F et z ∈ G. Dans ce cas, on dit que "F et G sont
en somme directe" ou que la somme F + G est directe, et on note F ⊕ G.

Théorem 4 (Caractérisation d’une somme directe)

Soient deux sous-espaces vectoriels F et G d’un espace vectoriel E. On a la caractérisation
suivante d’une somme directe : On a : La somme F + G est directe ⇐⇒ F ∩ G = {0E }

Démonstration. =⇒ Soit X ∈ F ∩ G.(On montre facilement que X = 0

X =x+y 0 0
⇐= Soit X ∈ F + G. Supposons que 0 0 On montre facilement que x = x et que y = y
X =x +y .

Exemple 20
Les deux sev F = Vect((1, 2), (0, 1)) et G = Vect((−2, 0), (1, −1)) de R2 sont-ils en somme
directe ?

Définition 21
deux sous-espaces vectoriels F et G de E sont dits supplémentaires dans E si et seulement
si tout vecteur de E se décompose de façon unique comme somme d’un vecteur de F et d’un
vecteur de G, c’est-à-dire si et seulement si :

∀x ∈ E ∃!(y, z) ∈ F × G x = y + z.

Théorem 5
les assertions suivantes sont équivalentes :
1 F et G sont supplémentaires dans E.
2 E = F + G et F ∩ G = {0}.
 Exemple 22
Soit E = F(R, R) l’espace vectoriel des fonctions réelles. On note F le sous-espace vectoriel de
E des fonctions paires et G le sous-espace vectoriel des fonctions impaires. Montrer que F et
G sont des sous-espaces vectoriels supplémentaires de E.

Définition 23 ( Somme d’un nombre fini de sev)

Soit n ∈ N et F1 , F2 , . . . , Fn des sev de E. La somme F = F1 + . . . + Fn est un sev de E
défini par :

F1 + . . . + Fn = {x1 + . . . + xn : (x1 , . . . , xn ) ∈ F1 × . . . × Fn }

On dira que cette somme est directe et on notera F = F1 ⊕ . . . ⊕ Fn lorsque tout élément de
F se décompose de façon unique comme somme d’ éléments de F1 , . . . , Fn .

Remarque 24
Lorsque E = F1 ⊕ . . . ⊕ Fn , on dit que les sev F1 , . . . , Fn sont supplémentaires dans E.

3 Familles libres, génératrices ; bases

3.1 Familles libres

Définition 25 (Partie/famille libre d’un nombre fini de vecteurs)

Soient E un K-espace vectoriel et x1 , . . . , xn ∈ E.
1 On dit que la famille (x1 , . . . , xn ) ou l’ensemble {x1 , . . . , xn } est libre ou que les vecteurs
x1 , . . . , xn sont linéairement indépendants si : ∀(λ1 , . . . , λn ) ∈ K n ,
n
X
λi xi = 0E =⇒ λ1 = . . . = λn = 0K .
i=1

On dit aussi que les vecteurs de la famille sont linéairement indépendants.

2 Une famille (x1 , . . . , xn ) de vecteurs de E est dite liée si et seulement si elle n’est pas
libre,ie
n
X
n
∃(λ1 , . . . , λn ) ∈ K , λi xi = 0E et (λ1 , . . . , λn ) 6= (0, . . . , 0).
i=1

On dit alors que les vecteurs de F sont linéairement dépendants.

 Définition 26
1 Une famille quelconque (xi )i∈I de vecteurs de E est dite libre si et seulement si toutes
ses sous-familles finies sont libres.
2 Une partie A de E est dite libre si et seulement si la famille (x)x∈A est libre.
3 Une famille quelconque (xi )i∈I de vecteurs de E est dite libre si et seulement si il existe
une sous-famille finie de la famille (xi )i∈I qui est liée.
4 Une partie A de E est dite libre si et seulement si la famille (x)x∈A est liée.

Convention. La famille vide, notée ∅, est libre.

Exercice 27
Dans l’espace vectoriel R3 ,
1 Soient u = (1, 0, 1), v = (0, 1, 1) et w = (3, 5, 5). Montrer que la famille (u, v, w) est
libre.
2 Soient u = (1, −1, 1), v = (14, −2, 5) et w = (4, 0, 1). Montrer que la famille (u, v, w)
est liée.

Solution. 1 Soit (a, b, c) ∈ R3 .

  
a + 3c = 0
 a = −3c
 c = 0

au + bv + cw = 0 =⇒ b + 5c = 0 =⇒ b = −5c =⇒ b = 0
  
a + b + 5c = 0 −3c − 5c + 5c = 0 a=0
  

Ainsi, ∀(a, b, c) ∈ R3 , (au + bv + cw = 0 =⇒ a = b = c = 0). Donc, la famille (u, v, w) est libre.

2 Soit (a, b, c) ∈ R3 .
 
a + 14b + 4c = 0 a = −2b
  (
a = −2b
au + bv + cw = 0 =⇒ −a − 2b = 0 =⇒ −2b + 14b + 4c = 0 =⇒
  c = −3b
a + 5b + c = 0 −2b + 5b + c = 0
 

Soient b = 1, a = −2 et c = −3. Pour ce choix de a, b et c, on a au + bv + cw = 0 et (a, b, c) 6=

(0, 0, 0). Donc, la famille (u, v, w) est liée. On note que l’on obtient explicitement v = 2u + 3w qui
est une relation de dépendance linéaire entre les vecteurs u, v et w.

Exercice 28
Dans l’espace vectoriel RR ,
1 Soient f1 (x) = x, f2 (x) = exp x et f3 (x) = sin(x). Montrer que la famille (f1 , f2 , f3 ) est
libre.
2 Soient f1 (x) = 1, f2 (x) = cos2 x et f3 (x) = sin2 (x). Montrer que la famille (f1 , f2 , f3 )
est liée.

Solution. 1 Soit (a, b, c) ∈ R3 . af1 + bf2 + cf3 = 0 =⇒ ∀x ∈ R ax + b exp(x) + c sin(x) = 0 =⇒


b = 0 (obtenu pourx = 0)

a = 0 (obtenu pour x = π)
c = 0 (obtenu pour x = π2 )


 Ainsi, ∀(a, b, c) ∈ R3 , (af1 + bf2 + cf3 = 0 =⇒ a = b = c = 0). Donc, la famille (f1 , f2 , f3 ) est
libre.
2 f2 + f3 − f1 = 0. Ainsi, il existe une combinaison linéaire nulle à coefficients non tous nuls de
f1 , f2 et f3 . On en déduit que la famille (f1 , f2 , f3 ) est liée.

Proposition 5
1 Soit x ∈ E. La famille (x) formée du seul vecteur x est libre si et seulement si x est non
nul.
2 Une famille de deux vecteurs est libre si et seulement s’ ils ne sont pas proportionnels. La
notion de famille libre vient donc généraliser la notion de vecteurs non proportionnels.
3 Toute sous-famille d’une famille libre est libre.Toute sur-famille d’une famille liée est
liée.

Démonstration. 1 Si x = 0, 1.x = 0. On obtient donc une combinaison linéaire nulle à coefficients

non tous nuls du vecteur de la famille (x). Donc, la famille (x) n’est pas libre (liée ) .
Si x 6= 0, pour λ ∈ K, λx = 0 =⇒ λ = 0(car x 6= 0). Donc la famille (x) est libre.
2 Supposons u et v colinéaires. Si u = 0, 1.u + 0.v = 0. On obtient donc une combinaison linéaire
nulle à coefficients non tous nuls des vecteurs de la famille (u, v). Donc, la famille (u, v) est liée.
De même, si v = 0 la famille est liée. Sinon, il existe λ ∈ K tel que v = λu. On a alors 1.v − λu = 0
et on obtient une combinaison linéaire nulle à coefficients non tous nuls des vecteurs de la famille
(u, v). La famille (u, v) est liée. On a montré que si les vecteurs u et v sont colinéaires, la famille
(u, v) est liée.
Réciproquement, si la famille (u, v) est liée, il existe (λ, µ) 6= (0, 0) tel que λu + µv = 0. Si par
exemple µ 6= 0, on a v = − µλ u. et donc les vecteurs u et v sont colinéaires.
3 Soit (xi )i∈I une famille non vide de vecteurs de E, libre. Soient J une partie non vide de I puis
K une partie finie non vide de J. K est alors une partie finie non vide de I et donc la famille
(xi )i∈K est libre. Puisque toute sous-famille finie de la famille (xi )i∈J est libre, on en déduit que
la famille (xi )i∈J est libre.
Soit (xi )i∈I une famille non vide de vecteurs de E, liée. Soit J un ensemble d’indices tel que I ⊂ J.
Si (xi )i∈J est libre, alors (xi )i∈I est libre ce qui est faux. Donc, (xi )i∈J est liée.

3.2 Famille génératrice

Définition 29
Soit F = (xi )i∈I une famille de vecteurs de E. On dit qu’un vecteur x de E est combinaison
linéaire des vecteurs de F si et seulement
P s’il existe une famille (λi )i∈I ∈ K telles que la partie
{i ∈ I | λi 6= 0} est finie et x = i∈I λi xi .

Définition 30 (Famille génératrice)

Soit F une famille de vecteurs de E. On dit que F est une famille génératrice de E si et
seulement si tout vecteur de E est combinaison linéaire des vecteurs de F i.e. Vect(F) = E.

Exercice 31
Montrer que les vecteurs u = (1, 1), et v = (1, 2) forment une famille génératrice de R2 .
Solution. Soit (x, y) ∈ R2 . Soit (a, b) ∈ R2 .
( (
x=a+b a = 2x − y
(x, y) = au + bv ⇐⇒ ⇐⇒
y = a + 2b b=y−x

On a montré que : ∀(x, y) ∈ R2 , ∃(a, b) ∈ R2 | (x, y) = au + bv. Donc, la famille (u, v) est une famille
génératrice de R2 .

3.3 Bases
Définition 32 (Bases)
Soit F une famille finie de vecteurs de E. On dit que F est une base de E si et seulement si F
est libre et génératrice.

Théorem 6 (Coordonnées d’un vecteur dans une base)

Une famille B = (ei )1≤i≤n de vecteurs de E est une base de E si et seulement si tout vecteur
de E s’écrit de manière unique comme combinaison linéaire des vecteurs de B. Dans ce cas, si

x = Σni=1 λi ei

la famille (λi )1≤i≤n est appelée la famille des coordonnées de x dans la base B.

Démonstration. (⇐=) :B est génératrice par hypothèse. est elle libre ? Soient λ1 , . . . , λn ∈ K tels que
λ1 e1 + . . . + λn en = 0. On a aussi 0e1 + . . . + 0en = 0. Par unicité de la décomposition de 0, on a
λ1 = . . . = λn = 0. B est donc libre, et génératrice de E, c’est donc une base de E. ( =⇒ ) : Par
hypothèse,B est une base de E = génératrice de E et libre. Soit x ∈ E quelconque. B génératrice
=⇒ x = λ1 e1 + . . . + λn en . . Cette combinaison est-elle unique ? Si on a aussi x = α1 e1 + . . . + αn en ,
alors par soustraction
(λ1 − α1 )e1 + . . . + (λn − αn )en = 0.

Comme B est libre, on a λ1 − α1 = . . . = λn − αn = 0. On a donc unicité de l’écriture de x comme

combinaison linéaire des vecteurs de E.

Exercice 33
On munit E = R2 des opérations usuelles. Soit u = (2, 0), et v = (2, 1). Montrer que la
famille (u, v) est une base de E. Préciser les coordonnées d’un vecteur (x, y) dans cette base.

Solution. Soit (x, y) ∈ R2 . Soit (a, b) ∈ R2 .

( (
2a + 2b = x a = 21 (x − 2y)
(x, y) = au + bv ⇐⇒ ⇐⇒
b=y b=y

On a montré que : ∀(x, y) ∈ R2 , ∃(a, b) ∈ R2 | (x, y) = au + bv. Donc, la famille (u, v) est une famille
génératrice de R2 . De plus, u et v ne sont pas colinéaire donc la famille (u, v) est une base de E.
Alors (x, y) = 21 (x − 2y)u + yv, d’où la famille des coordonnées de (x, y) dans la base (u, v) est ( 21 (x −
2y), y)
 Définition 34 (Base canonique de Kn )
Les vecteurs suivants forment une base du K-ev E = Kn .

e1 = (1, 0, . . . , 0), e2 = (0, 1, 0, . . . , 0), . . . , en = (0, . . . , 0, 1)

Cette base B = (e1 , . . . , en ) est appelée la base canonique de Kn .

Remarque 35
Dans la base canonique de Kn , les coordonnées du vecteur (x1 , . . . , xn ) sont (x1 , . . . , xn ).

Définition 36
Les vecteurs suivants forment une base du K − evE = Kn [X].

e1 = 1, e2 = X, . . . , en = X n .

Cette base B = (1, X, . . . , X n ) est appelée la base canonique de Kn [X].

4 Espace vectoriel est de dimension finie

4.1 Notion de dimension
Définition 37
On dit qu’un K-espace vectoriel est de dimension finie si, et seulement si, il admet une famille
génératrice finie.

Lemme 6 (Retrait d’un vecteur redondant)

Soit une famille formée de n + 1 vecteurs de l’espace E : S = (x1 , . . . , xn , xn+1 ) ∈ E n+1 .
Si le vecteur xn+1 est combinaison linéaire des autres vecteurs : xn+1 ∈ Vect(x1 , . . . , xn ), alors
on peut retirer le vecteur xn+1 sans modifier le sous-espace engendré par S :

Vect(x1 , . . . , xn , xn+1 ) = Vect(x1 , . . . , xn )

Démonstration. On procède par double inclusion.

1 Vect(x1 , . . . , xn ) ⊂ Vect(x1 , . . . , xn , xn+1 ) est évident !
2 Vect(x1 , . . . , xn , xn+1 ) ⊂ Vect(x1 , . . . , xn ) est facile à montrer !

Théorem 7 (Théorème de la base extraite)

De toute famille génératrice G de E on peut extraire une base de E.

Démonstration. Soit G = (e1 , . . . , en ) une famille génératrice finie de E. Si G est libre, alors c’est une
base de E, sinon, l’un des vecteurs de la famille est une combinaison linéaire des autres (supposons que
ce soit le cas de en , quitte à changer la numérotation des vecteurs). Dans ce cas, G1 = (e1 , . . . , en−1 ) est
à nouveau une famille génératrice de E et l’on peut recommencer la discussion initiée au début de ce
paragraphe. On continue ainsi à retirer des vecteurs tant que la famille Gk est génératrice et après un
nombre fini d’étapes, la famille obtenue est libre, si bien que c’est une base de E.
 Exercice 38
Si G = Vect(G) avec

G = {u1 = (1, 1, 1), u2 = (1, 0, 2), u3 = (2, 1, 3), u4 = (1, 2, 0)}

alors on peut extraire de G une base de G.

Solution. On a (
u1 + u2 = u3
=⇒ G = Vect(u1 , u2 )
2u1 − u2 = u4
Comme u1 et u2 ne sont pas proportionnels, (u1 , u2 ) est une famille libre qui engendre G, c’est donc
une base de cet espace.

Corollaire 7 (Existence de bases)

Tout espace vectoriel de dimension finie non-nul possède une base.

Démonstration. Immédiat.

Lemme 8 (Augmentation d’une famille libre)

Soit L = (l1 , . . . , ln ) une famille libre de vecteurs d’un espace vectoriel E et un vecteur x ∈ E.
0
Si x ∈
/ Vect(L), alors la famille L = (l1 , . . . , ln , x) est encore libre.

Démonstration. Supposons L libre et donnons-nous x ∈ E NON combinaison linéaire de L . Pour montrer

0
que L est libre, soient λi , i = 1, . . . , n de K et µ ∈ K pour lesquels : Σni=1 λi li + µx = 0. Si : µ 6= 0, alors :
x = − µ1 Σni=1 λi li , ce qui est faux par hypothèse. Ainsi : µ = 0, donc : Σni=1 λi li = 0, et la liberté de L
montre enfin que : λi = 0 pour tout i = 1, . . . , n.

Théorem 8 (Théorème de la base incomplète)

Soit E un K-espace vectoriel de dimension finie. Pour toute famille libre L de E, il existe au
moins une base B de E obtenue en complétant L à l’aide de vecteurs de E.

Démonstration. On introduit une famille génératrice G quelconque. Si il existe un vecteur de G n’apparte-

nant pas à Vect(L) alors on l’ajoute à L. On procède ainsi tant qu’il reste des vecteurs de G n’appartenant
pas à Vect(L). La famille L obtenue est alors libre et génératrice. C’est donc une base de E.

Exemple 39
On peut par exemple compléter L = {u = (1, 2, 0), v = (−1, 1, 0)} pour obtenir une base de
R3 .

Démonstration. Comme u et v ne sont pas proportionnels, alors L est libre. D’après le Théorème de
la base incomplète en peut le compléter en une base de R3 . Soit w = (0, 0, 1). Montrons que (u, v, w) est
une base. Soit (a, b, c) ∈ R3 .
 
a − b = 0
 b = 0

au + bv + cw = 0 =⇒ 2a + b = 0 =⇒ a = 0 ,
 
c=0 c=0
 
 0
alors L = {u, v, w} est libre.
Soit (x, y, z) ∈ R3 . Soit (a, b, c) ∈ R3 .
 
1
x = a − b
 b = 3 (−2x + y)

(x, y, z) = au + bv + cw ⇐⇒ y = 2a + b =⇒ a = 31 (x + y)
 
z=c c=z
 

0
On a montré que : ∀(x, y, z) ∈ R2 , ∃(a, b, c) ∈ R3 | (x, y, z) = au+bv +cw. Donc, la famille L = {u, v, w}
0
est une famille génératrice de R3 . Finalement L = {u, v, w} est une base.

4.2 Dimension d’un espace vectoriel

Afin de définir la dimension d’un K-ev E de dimension finie, nous allons maintenant prouver que toutes
les bases de E ont le même cardinal.

Lemme 9 (Lemme de Steinitz)

Si E est un K-espace vectoriel admettant une famille génératrice à p éléments (p ∈ N), alors
toute famille d’au moins p + 1 éléments est liée.

Démonstration. On procède par récurrence sur p. Pour p = 0, c’est vrai, la première famille étant vide,
elle ne peut engendrer que l’espace vectoriel E = {0}, donc la deuxième famille contient un vecteur
qui est le vecteur nul, et cette famille est liée (oui, le vecteur nul tout seul constitue une famille liée).
Supposons la propriété vraie au rang p, et ajoutons un vecteur à chaque famille. La famille (e1 , . . . , ep+1 )
étant supposée génératrice, fj = Σp+1 i=1 αi,j ei pour tout entier j ≤ p + 2. Si tous les coefficients αp+1,j sont
nuls, alors tous les vecteurs de la deuxième famille sont combinaisons linéaires de (e1 , . . . , ep ), on peut
appliquer directement l’hypothèse de récurrence pour conclure que (f1 , . . . , fp+1 ) est liée, ce qui ne risque
pas de s’améliorer si on ajoute fp+2 . Sinon, supposons par exemple, quitte à réordonner les vecteurs de la
αp+1,j
deuxième famille, que αp+1,p+2 6= 0, on pose alors, pour tout entier j ≤ p + 1, gj = fj − αp+1,p+2 fp+2 , de
façon à annuler la coordonnée suivant ep+1 . La famille (g1 , . . . gp+1 ) est alors constituée de vecteurs dans
Vect(e1 , . . . , ep ), par hypothèse de récurrence, elle est liée. Cela signifie qu’il y a une relation linéaire du
p+1 αp+1,j
type Σj=1 µj (fj − αp+1,p+2 fp+2 ) = 0. Quitte à tout développer, il s’agit d’une relation liant les vecteurs
(f1 , . . . , fp+2 ), qui forment donc une famille liée.

Lemme 10
Le cardinal d’une famille libre est plus petit que celui d’une famille génératrice Si L est une
famille libre et G une famille génératrice de E, on a card(L) ≤ card(G).

Théorem 9
Si E est de dimension finie toutes les bases de E ont le même cardinal.

0
Démonstration. Il suffit de considérer deux bases de cardinal n et n différents, puis d’appliquer le lemme
précédent.
 Définition 40 (Dimension d’un ev)
Si E = {0}, on dit que E est de dimension 0 : dim(E) = 0.
Si E est un espace vectoriel de dimension finie non-nul, on appelle dimension de E, le cardinal
commun des bases de E et l’on note dimE = n.
Ainsi, dans E un ev de dimension finie :
1 Si L est une famille libre de E, on a : card(L) ≤ dimE
2 Si G est une famille génératrice de E, on a :card(G) ≥ dimE.

Théorem 10 (Caractérisation des bases )

Soit E un K-espace vectoriel de dimension n et F une famille de p vecteurs de E.
(
Fest libre
1 Fest une base deE, ssi
p=n
(
Fest génératrice
2 Fest une base deE, ssi
p=n

Démonstration. 1 Les sens directs sont évidents

2 (1) Si F est libre et p = n. Si F n’est pas une base alors il existe x ∈
/ Vect(F). F ∪ {x} serait alors
libre. Ce qui est impossible puisque dim(E) = n.
(2) Si F est génératrice et p = n. Si F n’est pas libre, alors l’un des vecteurs x de F d’ exprime
comme combinaison linéaire des autres. Dans ce cas, F\{x} serait aussi génératrice, ce qui est
impossible.

5 Sous-espaces d’un espace vectoriel de dimension finie

5.1 Dimension d’un sous-espace
Théorem 11
Soit E un K-espace vectoriel de dimension finie et F un sous-espace vectoriel de E. F est de
dimension finie et dim(F ) ≤ dim(E). De plus, F = E si et seulement si dim(F ) = dim(E).

Démonstration. Si F n’était pas de dimension finie, alors on pourrait trouver une famille libre de vecteurs
de F de cardinal p > n. Cette famille serait aussi une famille libre de E. Or ceci est impossible car toute
famille libre de vecteurs de E a un cardinal inférieur ou égal à n. Donc F est de dimension finie et
dimF ≤ n.

Exercice 41
Soient
F = Vect((1, 2, 3), (0, 1, 1)) et G = {(x, y, z) ∈ R3 | x + y − z = 0}
deux sev de R3 . Montrer queF = G.

Solution. On a F = Vect((1, 2, 3), (0, 1, 1)) et (1, 2, 3), (0, 1, 1) ne sont pas proportionnels, ils forment
une famille libre de G donc ((1, 2, 3), (0, 1, 1)) est une base de F, d’où dim(F ) = 2.
On a ( (
u = (x, y, z) u = (x, y, z)
u = (x, y, z) ∈ G ⇐⇒ ⇐⇒
x+y−z =0 z =x+y
( (
u = (x, y, z) = (x, y, x + y) u = (x, y, z) = x(1, 0, 1) + y(0, 1, 1)
⇐⇒ ⇐⇒
z =x+y z =x+y

Donc G = Vect((1, 0, 1), (0, 1, 1)). De plus (1, 0, 1), (0, 1, 1) ne sont pas proportionnels, ils forment une
famille libre de G donc ((1, 0, 1), (0, 1, 1)) est une base de G, d’où dim(G) = 2.
On déduit de cela que dim(F ) = dim(G).
Comme ( (
1+2−3=0 (1, 2, 3) ∈ G
=⇒ =⇒ F ⊂ G.
0+1−1=0 (0, 1, 1) ∈ G
(
F ⊂G
On a montré que . Finalement F = G.
dim(F ) = dim(G)

5.2 Sous-espaces vectoriels supplémentaires

Théorem 12 (Caractérisation des supplémentaires)
soient F et G deux sous-espaces vectoriels non réduits à {0} d’un espace vectoriel E de dimen-
sion finie de bases respectives BF et BG . F et G sont supplémentaires dans E si et seulement
s’ils B = BF ∪ BG est une base de E.

Démonstration. Soit BF = (ei )1≤i≤p et BG = (ei )p+1≤i≤n Montrons que F et G sont supplémentaires.
— Soit x ∈ E. Il existe (x1 , . . . , xn ) ∈ Kn tel que x = Σni=1 xi ei = Σpi=1 xi ei + Σni=p+1 xi ei . Ainsi, tout
| {z } | {z }
∈F ∈G
vecteur de E est somme d’un vecteur de F et d’un vecteur de G et donc E = F + G.
— Soit x ∈ F ∩ G. Il existe Il existe (x1 , . . . , xn ) ∈ Kn tel que x = Σpi=1 xi ei = Σni=p+1 xi ei . Mais alors,
0 = Σpi=1 xi ei + Σni=p+1 (−xi )ei puis pour tout i = 1, . . . n, xi = 0 car B est libre. Ceci montre que
F ∩ G = {0}.
Réciproquement. On suppose que E = F ⊕ G.
— Montrons que B est libre : soient (x1 , . . . , xn ) ∈ Kn tel que Σni=1 xi ei = 0 =⇒ Σpi=1 xi ei =
p p
n n
Σi=p+1 (−xi )ei .. Comme Σi=1 xi ei ∈ F et Σi=p+1 (−xi )ei ∈ G, on a alors : Σi=1 xi ei = Σni=p+1 (−xi )ei =
0. Comme BF est une base de F et BG une base de G, ceci implique que pour tout i = 1, . . . n, xi =
0 et donc que B est libre.
— Montrons que B est génératrice de E. Soit x ∈ E. Comme E = F ⊕ G, il existe un vecteur y ∈ F
et un vecteur z ∈ G tels que x = y + z. De plus :
— Comme BF est une base de F et que y ∈ F, il existe y1 , . . . yp ∈ K tels que y = Σpi=1 yi ei .
— Comme BG une base de G, et que z ∈ G, il existe zp+1 , . . . zn ∈ K tels que z = Σni=p+1 zi ei . Par
conséquent : x = y + z = Σpi=1 yi ei + Σni=p+1 zi ei ∈ Vect(B) et B est donc bien génératrice de E.
On a ainsi prouvé que B est une base de E.

Exercice 42
Soit E = R4 , F = Vect((1, 2, 1, 1), (0, 1, 1, 1))
et G = {(x, y, z, t) ∈ R4 | x + y + z + t = 0 et x = y}. Montrer que F ⊕ G = E.
Solution. On a

G = {(x, y, z, t) ∈ R4 | x + y + z + t = 0 et x = y}
= {(x, y, z, t) ∈ R4 | 2x + z + t = 0 et x = y}
= {(x, y, z, t) ∈ R4 | z = −t − 2x et x = y}
= {(x, x, −t − 2x, t) | (x, t) ∈ R2 }
= {x(1, 1, −2, 0) + t(0, 0, −1, 1) | (x, t) ∈ R2 }
= vect(u1 , u2 ) où u1 = (1, 1, −2, 0) et u2 = (0, 0, −1, 1).

De plus, les vecteurs u1 et u2 n’étant clairement pas colinéaires, la famille (u1 , u2 ) est libre. Finalement,
(u1 , u2 ) est une base G.
Soit F = Vect(u3 = (1, 2, 1, 1), u4 = (0, 1, 1, 1)). On a les vecteurs u3 et u4 ne sont pas colinéaires, la
famille (u3 , u4 ) est libre. Finalement, (u3 , u4 ) est une base F.
Pour montrer que F ⊕ G = E, il suffit de voir que la famille (u1 , u2 , u3 , u4 ) est une base. Comme
(u1 , u2 , u3 , u4 ) est une famille de 4 éléments de E. Puisque dim(E) = 4, pour montrer que (u1 , u2 , u3 , u4 )
est une base de E, il suffit de vérifier que la famille (u1 , u2 , u3 , u4 ) est libre. Soit (a, b, c, d) ∈ R4 tel que
  

a+c=0 
 c = −a 
 a=0

a + 2c + d = 0 
d = a 
d = 0
au1 + bu2 + cu3 + du4 = 0 =⇒ =⇒ , =⇒


−2a − b + c + d = 0 

 b = −2a 

 b=0
b+c+d=0 −2a = 0 c=0
  

Par suite, la famille (e1 , e2 , e3 , e4 ) est libre, ou encore la famille (e1 , e2 , e3 , e4 ) est une base E. Finalement
F ⊕ G = E.

Théorem 13 (Caractérisation des supplémentaires)

Soit n ∈ N∗ avec n ≥ 2 et {Fi }, i = 1, . . . , n des sous-espaces vectoriels non réduits à {0}
d’un espace vectoriel E de dimension finie de bases respectives BFi .

E = F1 ⊕ . . . ⊕ Fn ⇐⇒ B = ∪ni=1 (BF )i est une base de E.

Démonstration. On peut également effectué un raisonnement par récurrence sur n.

Théorem 14 ( Formule de Grassmann)

Soit E de dimension finie et F, G deux sev de E. Alors :

dim(F + G) = dimF + dimG − dim(F ∩ G)

Démonstration. F + G est de dimension finie car la réunion d’une base de F et d’une base de G est
une famille génératrice finie de F + G. F ∩ G est un sous-espace vectoriel de F et de G. Notons
s = dim(F ∩ G), p = dimF etq = dimG. Soit (e1 , . . . , es ) une base de F ∩ G que l’on complète
en une base (e1 , . . . , es , f1 , . . . , fp−s ) de F et en une base (e1 , . . . , es , g1 , . . . , gq−s ) de G. Le système
(e1 , . . . , es , f1 , . . . , fp−s , g1 , . . . , gq−s ) est un système générateur de E + F. Or c’est un système libre par
construction donc dim(E + G) = p + q − s.

Corollaire 11
Si E = F ⊕ G, alors dimE = dimF + dimG.
 Théorem 15
Tout sous-espace vectoriel d’un espace vectoriel E de dimension finie admet au moins un
supplémentaire dans E.

Démonstration. On utilise ici le théorème de la base incomplète en considérant une base de F que l’on
complète pour obtenir une base de E. Les vecteurs ajoutés engendrent alors un sev supplémentaire de F
dans E.

Théorem 16
Soient F et G deux sous-espaces vectoriels d’un espace vectoriel E de dimension finie.
( (
F ∩G=0 F +G=E
E = F ⊕ G ⇐⇒ ⇐⇒
dimF + dimG = dimE dimF + dimG = dimE
 Applications linéaires
2
1 Définition et propriétés
Définition 43
Soient E et F deux K-espaces vectoriels et u une application de E dans F. On dit que f est
linéaire (ou encore un morphisme d’espaces vectoriels) si et seulement si :

∀(x, y) ∈ E 2 f (x + y) = f (x) + f (y)

∀λ ∈ K ∀x ∈ E f (λx) = λf (x)

(ou bien : ∀λ ∈ K ∀(x, y) ∈ E 2 f (λx + y) = λf (x) + f (y) )

Si, de plus :
— f est bijective, on dit que f est un isomorphisme (E et F sont dits isomorphes) ;
— E = F, on dit que f est un endomorphisme de E;
— E = F et f bijective, on dit que f est un automorphisme de E;
— F = K, on dit que f est une forme linéaire sur E.

Notations : on désigne par

— L(E, F ) l’ensemble des applications linéaires de E dans F ;
— L(E) l’ensemble des endomorphismes de E.

— E ∗ l’ensemble des formes linéaires sur E, appelé dual de E (ne pas confondre E ∗ et E − 0).
— GL(E) l’ensemble des automorphismes de E.

Proposition 12
soit f ∈ L(E, F ).
1 f (0E ) = 0F .
2 Si G est un sous-espace vectoriel de E, alors f (G) est un sous-espace vectoriel de F.
3 Si H est un sous-espace vectoriel de F, alors f −1 (H) est un sous-espace vectoriel de E.

Démonstration. —
— f (0.0E ) = 0f (0E ) = 0F .

21
 — Soit G un sous-espace vectoriel de E. 0E ∈ G et donc 0F = f (0E ) ∈ f (G).
Soient (s, t) ∈ (f (G))2 et λ, ∈ K. Il existe (x, y) ∈ F 2 tel que s = f (x) et t = f (y). Puisque G est
un sous-espace de E, λx + y ∈ G puis

λs + t = λf (x) + f (y) = f (λx + y) ∈ f (G).

Ceci montre que f (G) est un sous-espace vectoriel de F.

— Soit H un sous-espace vectoriel de F. 0F ∈ H. Puisque f (0E ) = 0F , f (0E ) ∈ H et donc
0E ∈ f −1 (H).
Soient (x, y) ∈ (f −1 (H))2 et λ ∈ K. Alors f (x) ∈ H et f (y) ∈ H puis λf (x) + f (y) ∈ H ou
encore f (λx + y) ou enfin λx + y ∈ f −1 (H).
Ceci montre que f −1 (H) est un sous-espace vectoriel de E.

Exercice 44
Dire si les applications suivantes sont des applications linéaires :
1 f : R2 → R3 , (x, y) 7→ (x + y, x − 2y, 0) ;
2 f : R2 → R3 , (x, y) 7→ (x + y, x − 2y, 1) ;
0

3 f : R[X] → R2 , P 7→ P (0), P (1) .

0 0
Solution. 1 Soient (u, v) = ((x, y), (x , y )) ∈ R2 et λ, ∈ R.
0 0
f (λu + v) = f ((λx + x , λy + y ))
0 0 0 0
= ((λx + x ) + (λy + y ), (λx + x ) − 2(λy + y , 0)
0 0 0 0
= (λ(x + y) + (x + y ), λ(x − 2y) + (x − 2y ), 0)
0 0 0 0
= λ(x + y, x − 2y, 0) + (x + y , x − 2y , 0)
= λf (u) + f (v).

Donc, f ∈ L(R2 , R3 ).
2 On a f (0, 0, 0) = (0, 0, 1) 6= (0, 0, 0), alors f n’est pas linéaire.
3 Soient P, Q ∈ R[X] et λ ∈ R.
0 0
f (λP + Q) = (λP (0) + Q(0), λP (1) + Q (1))
0 0
= λ(P (0), P (1)) + (Q(0), Q (1))
= λf (P ) + f (Q).

Donc, f ∈ L(R[X], R2 ).

2 Opération générales sur les applications linéaires

Proposition 13
Soient E et F deux K-espaces vectoriels. Soit f et g deux applications linéaires de E dans F
et λ ∈ K. Alors f + g et λf sont deux applications linéaires de E dans F.
 Proposition 14
Soit E, F et G trois K-espaces vectoriels. Soit f une application linéaire de E dans F et g
une application linéaire de F dans G. Alors g ◦ f est une application linéaire de E dans G.

Proposition 15
Soient E un K-espace vectoriel. Soit f un endomorphisme de E et n ∈ N∗ . Alors f n = f ◦. . .◦f
est un endomorphisme de E.

3 Noyau et image d’une application linéaire

Définition 45
Soit f ∈ L(E, F ). Le noyau de f est l’ensemble des éléments x de E tel que f (x) = 0. Il est
noté Ker(f ). Ainsi,
Kerf = {x ∈ E : f (x) = 0F } = f −1 ({0F }).
L’image de f est l’ensemble des images des éléments de E par f. Elle est notée Im(f ). Ainsi,

Imf = {y ∈ F/∃x ∈ E f (x) = y} = {f (x), x ∈ E}.

Théorem 17
Soit f ∈ L(E, F ). Ker(f ) est un sous-espace de E et Im(f ) est un sous-espace de F.

Théorem 18
Soit f ∈ L(E, F ).
1 f est injective si et seulement si Ker(f ) = {0E }.
2 f est surjective si et seulement si Im(f ) = F.
3 f est un isomorphisme de E sur F si et seulement Ker(f ) = {0E } et Im(f ) = F.

Démonstration. 1 Supposons f injective. Soit x ∈ E. f (x) = 0 ⇐⇒ f (x) = f (0) ⇐⇒ x =

0 (carf injective).Donc,Ker(f ) = {0E }.
Réciproquement, supposons Ker(f ) = {0E }.. Soit (x, y) ∈ E 2 . f (x) = f (y) =⇒ f (x − y) =
0 =⇒ x − y ∈ Ker(f ) =⇒ x − y = 0 =⇒ x = y. Donc, f est injective.
2 f surjective ⇐⇒ f (E) = F ⇐⇒ Im(f ) = F.
3 f bijective ⇐⇒ f injective et surjective ⇐⇒ Ker(f ) = 0E et Im(f ) = F.

Exercice 46
soit f : R2 → R3 , (x, y) 7→ (x − y, x + 2y, −y). Déterminer Ker(f ) et Im(f ). f est-elle
injective ? surjective ?

Solution. — Soit (x, y) ∈ R2 .


x − y = 0

(x, y) ∈ Ker(f ) ⇐⇒ f ((x, y)) = (0, 0, 0) ⇐⇒ x + 2y = 0 ⇐⇒ (x, y) = (0, 0).

−y = 0

 Donc, Ker(f ) = {(0, 0)}. On en déduit que f est injective.
— Im(f ) = {(x−y, x+2y, −y), (x, y) ∈ R2 } = {x(1, 1, 0)+y(−1, 2, −1), (x, y) ∈ R2 } = Vect(u1 , u2 )
où u1 = (1, 1, 0) et u2 = (−1, 2, −1). Donc Im(f ) 6= R3 . f n’est pas surjective.

4 Images de familles libres ou génératrices

Théorem 19
Soient f ∈ L(E, F ), F = (u1 , . . . , un ) une famille finie de vecteurs de E et f (F) =
(f (u1 ), . . . , f (un )).
1 Si F est une famille génératrice de E, alors f (F) est une famille génératrice de Imf.
2 Si F est liée, alors f (F) est liée.

3 Si F est libre et f injective, alors f (F) est libre.

Démonstration. 1 Si E = {0}, F = ∅ est une famille génératrice de E. f (∅) = ∅ est effectivement

une famille génératrice de f (E) = {0}.
Soit F une famille non vide de vecteurs de E, génératrice de E. Tout vecteur de E est donc
combinaison linéaire des vecteurs (u1 , . . . , un ). Par linéarité, tout vecteur de f (E) est combinaison
linéaire des vecteurs (f (u1 ), . . . , f (un )), et donc la famille f (F) est génératrice de f (E).
2 Supposons la famille F liée. Il existe donc une famille {λi ∈ K, i = 1, . . . , n} des scalaires non tous
nuls telle que Σni=1 λi ui = 0. Mais alors Σni=1 λi f (ui ) = f (0) = 0. On a obtenu une combinaison
linéaire nulle à coefficients non tous nuls des vecteurs {f (ui ), i = 1, . . . , n}. La famille f (F) est
liée.
3 Supposons f injective. Soit F une famille non vide de vecteurs de E qui est libre. Montrons que
la famille f (F) est libre. Soit λ1 , . . . , λn ∈ K des scalaires telle que

Σni=1 λi f (ui ) = 0 =⇒ f (Σni=1 λi ui ) = 0

=⇒ Σni=1 λi ui = 0 (car f est injective)
=⇒ λ1 = . . . = λn = 0 ( car la famille F est libre).

Ceci montre que la famille f (F) est libre.

Exercice 47
Soit f l’application de R2 dans R3 définie par

f (x, y) = (2x − y, y, 3x + y).

Déterminer l’image de l’application linéaire f.

Solution. Notons (e1 = (1, 0), e2 = (0, 1)) la base canonique de R2 . (e1 , e2 ) est une famille génératrice
de R2 . Donc, (u1 , u2 ) = (f (e1 ), f (e2 )) est une famille génératrice de Im(f ) avec u1 = (2, 0, 3) et u2 =
(−1, 1, 1), alors Im(f ) = vect(u1 , u2 ).
5 Théorème du rang
5.1 Rang d’une famille finie de vecteurs
Définition 48 (Rang d’une famille finie de vecteurs)
Soit une famille de vecteurs F = (u1 , . . . , un ) d’un espace vectoriel E. On appelle rang de la
famille F, la dimension du sous-espace vectoriel engendré par F :

rg(F) = dimVect(F)

5.2 Rang d’une application linéaire

Définition 49
soit f ∈ L(E, F ) avec E de dimension finie. On appelle rang de f la dimension de Imf, notée
rgf.

Théorem 20 (Détermination en dimension finie du rang d’une application linéaire.)

Si f ∈ L(E, F ) avec E de dimension finie et de base (e1 , . . . , en ). Alors, f est de rang fini et :

rg(f ) = rg(f (e1 ), . . . , f (en )) = dim Vect(f (e1 ), . . . , f (en ))

Démonstration. On sait que Im(f ) = Vect(f (e1 ), . . . , f (en )) et donc

rg(f ) = dim Vect(f (e1 ), . . . , f (en )) = rg(f (e1 ), . . . , f (en )).

Théorem 21 (Théorème du rang)

Soit f ∈ L(E, F ). Si E est de dimension finie n, alors Im(f ) est de dimension finie et

dimE = dim Im(f ) + dimKer(f ).

Démonstration. Soit (e1 , . . . , ep ) une base de ker(f ) et soit (ep+1 , . . . , en ) une base de S supplémentaire
de ker(f ). Montrons que B = (f (ep+1 ), . . . , f (en )) est une base de Im(f ).
— Soit y = f (x) ∈ Imf. x s’écrit (de manière unique) x = a1 e1 + . . . + ap ep + ap+1 ep+1 + . . . + an en .
En utilisant la linéarité de f et le fait que les e1 , . . . , ep appartiennent à Ker(f ), on obtient que y
est combinaison linéaire des f (ei ), i = p + 1, . . . , n donc B engendre Im(f ).
— Montrons que B est une famille libre de F. Soient λp+1 , . . . , λn ∈ K tel que λp+1 f (ep+1 ) + . . . +
λn f (en ) = 0. Par linéarité de f, on en déduit que λp+1 ep+1 + . . . + λn en ∈ Ker(f ) donc λp+1 ep+1 +
. . . + λn en ∈ Ker(f ) ∩ S = {0}, alors λp+1 ep+1 + . . . + λn en ∈ Ker(f ) = 0. Comme la famille
(ep+1 , . . . , en ) est libre, on en déduit que λp+1 = . . . = λn = 0 et B est libre.

Exercice 50
Soit E un K-ev de dimension finie n, et f ∈ L(E). Montrer que :
(
f2 = 0
ker(f ) = Im(f ) ⇐⇒
n = 2rg(f )
 Corollaire 16
si E et F sont de dimension finie et si f ∈ L(E, F ), alors :
1 f injective =⇒ dimE ≤ dimF ;
2 f surjective =⇒ ; dimE ≥ dimF ;

Théorem 22 (Caractérisation des isomorphismes)

Si E et F sont de même dimension finie (dimE = dimF = n) et si f ∈ L(E, F ), alors les
propositions suivantes sont équivalentes :
— f est bijective ;
— f est injective (i.e. Ker(f ) = {0}) ;
— f est surjective (i.e. rg(f ) = n) ;

Démonstration. 1 Supposons f injective. Alors ker(f ) = {0E } et d’après le théorème du rang :

dim Im(f ) = n. Im(f ) est donc un sev de F de même dimension que F. On a donc Im(f ) = F et
f est donc surjective. Et donc bijective.
2 Supposons f surjective. On utilise là encore le théorème du rang.

Corollaire 17 (Caractérisation des automorphismes)

Si E de dimension finie n et si f ∈ L(E), un endomorphisme de E alors les propositions
suivantes sont équivalentes :
— f est bijective ;
— f est injective (i.e. Ker(f ) = {0}) ;
— f est surjective (i.e. rg(f ) = n) ;

Théorem 23
Deux espaces vectoriels E et F de dimension finie sont isomorphes si et seulement s’ils ont la
même dimension.

Démonstration. =⇒ Supposons que E et F soient isomorphes. On considère B une base de E et f

l’isomorphisme. f étant un isomorphisme de E dans F, alors f (B) est une base de F.
⇐= Supposons que dimE = dimF et prenons (e1 , . . . , en ) une base de E et (f1 , . . . , fn ) une base de F.
Soit alors f l’application linéaire définie par ∀i = 1, . . . , n, f (ei ) = fi . On a

rg(f ) = dim Vect(f (e1 ), . . . , f (en )) = dim Vect(f1 , . . . , fn ) = dim (F ) = n,

alors f est un isomorphisme de E dans F.

 Matrice
3
1 Définition - notations

Définition 51
Soient n et p deux entiers naturels non nuls. On appelle matrice de type (n, p) à coefficients
dans K tout tableau M constitué de n lignes et p colonnes d’éléments de K :
 
a1,1 a1,2 · · · a1,p
 a2,1 a2,2 · · · a2,p 
A= .
 
.. .. .. 
 .. . . . 
an,1 an,2 ··· an,p

On écrit A = (ai,j )1≤i≤n , ai,j étant le terme situé à l’intersection de la i-éme ligne et de la
1≤j≤p
j-éme colonne de A.  
a1,j
 a2,j 
 
 .. 
 . 
an,j
est la j-ème colonne de A souvent notée Cj et


ai,1 ai,2 ··· ai,p

la i-ème ligne de A souvent notée Li .

— Mn,p (K) désigne l’ensemble des matrices de type (n, p) à coefficients dans K.
— Mn (K) désigne l’ensemble Mn,n (K) des matrices carrées d’ordre n à coefficients dans
K.
— M1,p (K) désigne l’ensemble des matrices lignes.
— Mn,1 (K) désigne l’ensemble des matrices colonnes.

27
 Exemple 52
Si 
a11 = 1; a12 = 2
 
1 2 
A = 3 4 alors A ∈ M3,2 (K) et
 a21 = 3; a22 = 4
5 6

a31 = 5; a32 = 6


Définition 53
 
0 0 ··· 0
0 0 ··· 0
— La matrice nulle 0n,p = . ..  ∈ Mn,p (K)
 
.. ..
 .. . . .
0 0 ··· 0
 
1 0 ··· 0
0 1 · · · 0
— la matrice identité In =  . . . ∈ Mn (K)
 
 .. .. . . ... 

0 0 ··· 1
— On note Ei,j la matrice rectangulaire de format (n, p) dont tous les coefficients sont nuls
sauf le coefficient ligne i, colonne j, qui est égal à 1. Les matrices Ei,j sont les matrices
élémentaires.

Exemple 54
   
  1 0 0   0 0 0
0 0 0 0 0 1
02,3 = I3 = 0 1 0 E1,3 = ∈ M2,3 (K) E3,2 0 0 0 ∈ M3 (K).
0 0 0 0 0 0
0 0 1 0 1 0

2 Opérations sur les matrices

2.1 Définition l’addition et de la loi externe

Définition 55 (Opérations sur les matrices)

On définit les opérations suivantes sur Mn,p (K) (ce sont les opérations usuelles sur les appli-
cations). Pour deux matrices A, B ∈ Mn,p (K) et λ ∈ K :
1 A = B ssi ∀(i, j) ∈ [[1, n]] × [[1, p]], aij = bij .
2 A + B = (cij ) ∈ Mn,p (K) avec ∀(i, j) ∈ [[1, n]] × [[1, p]], cij = aij + bij .
3 λ.A = (cij ) ∈ Mn,p (K) avec ∀(i, j) ∈ [[1, n]] × [[1, p]], cij = λ.aij.
 Exemple 56
1      
1 7 12 14 −7 12 15 0 33
+ =
−5 3 21 5 13 12 0 16 33

2      
1 5 2 1 −2 1 −1 16 1
2 −3 =
−5 3 1 5 3 2 −25 −3 −4

Remarque 57
L’ensemble (Mn,p (K), +, .) est un K-ev de dimension n×p. La famille formée des n×p matrices
Eij est une base de cet ev, appelée base canonique de Mn,p (K).

2.2 Définition du produit matriciel

Définition 58
soient A = (ai,j )1≤i≤m et B = (bj,k ) 1≤i≤n . A × B est la matrice de type (m, p) définie par :
1≤j≤n 1≤k≤p

n
X
A × B = (ci,k )1≤i≤m où : ∀(i, k) ∈ [[1, m]] × [[1, p]] ci,k = ai,j bj,k .
1≤j≤p j=1

Exemple 59
 
5 6
7 8 
1 2

5 6
 
19 22

on a   alors = .
1 2

19 22 3 4 7 8 43 50
3 4 43 50

Exercice 60
 
0 1 0
Soit N = 0 0 1 . Calculer N 2 et N 3 .
0 0 0

Théorem 24
Soit (A, B, C) ∈ Mn,p (K) × Mp,q (K) × Mq,r (K).
1 In × A = A × Ip = A.
2 A × (B × C) = (A × B) × C.

Démonstration. On démontre seulement A × Ip = A.

On pose A = (ai,j )1≤i≤n , et Ip = (δi,j ) 1≤i≤p où δi,j = 1 si i = j et0 sinon. Soit (i, j) ∈ [[1, n]] × [[1, p]].
1≤j≤p 1≤j≤p P
p
Le coefficient ligne i, colonne j, de A × Ip est k=1 ai,k δk,j = ai,j .
 Théorem 25
Soit (A, B, C) ∈ Mn,p (K) × Mp,q (K) × Mp,q (K),
1 A × (B + C) = AB + AC.
2 (λA) × B = A × (λB) = λ(A × B).

Démonstration. On démontre seulement A × (B + C) = AB + AC .

On pose A = (ai,j )1≤i≤n , B = (bi,j ) 1≤i≤p et C = (ci,j ) 1≤i≤p . A est dans Mn,p (K) et B, C et B + C
1≤j≤p 1≤j≤q 1≤j≤q
sont dans Mp,q (K). Donc, les produit A × B, A × C et A × (B + C) sont définis et sont éléments de
Mn,p (K). Pp
Soit (i, j) ∈ [[1, n]] × [[1, q]]. Le coefficient
Pp ligne i, colonne j, de A × B est k=1 ai,k bk,j et le coefficient
ligne i, colonne j, de A × C est k=1 ai,k ck,j puis le coefficient ligne i, colonne j, de A × B + A × C est
p
X p
X p
X
ai,k bk,j + ai,k ck,j = ai,k (bk,j + ck,j ),
k=1 k=1 k=1

qui est le coefficient ligne i, colonne j, de A × (B + C). Donc, A × (B + C) = A × B + A × C.

Proposition 18
Soit p ∈ N et A, B ∈ Mn (K) vérifiant AB = BA. On a :
1
p
X
p
(A + B) = Cpk Ak B p−k (binôme)
k=0

2
Ap − B p = (A − B)(Ap−1 + Ap−2 B + . . . + AB p−2 + B p−1 )

3
(In − Ap ) = (In − A)(In + A + A2 + . . . + Ap−1 )

Remarque 61
On utilise souvent la formule du binôme pour calculer les puissances d’une matrice. Les formules
sont intéressantes lorsqu’une matrice est nilpotente : (Ap = 0).

Exercice 62 (Recherche de An )
1  
0 2
Soit N = . Calculer N n pourn ∈ N.
0 0

2 Soit la matrice
 
1 2
A= Déterminer la matrice An pour n ∈ N.
0 1
3 Quelques grands types de matrices
Définition 63 (Quelques grands types de matrices)
Soit  
a1,1 a1,2 · · · a1,n
 a2,1 a2,2 · · · a2,n 
A= . ..  ∈ Mn (K).
 
.. ..
 .. . . . 
an,1 an,2 · · · an,n
On dit que :
— a1,1 , . . . , an,n constituent la diagonale principale de A;
— A est une matrice scalaire si et seulement si A est de la forme λIn , λ ∈ K;
— A est une matrice diagonale si et seulement si i 6= j ai,j = 0; dans ce cas on note
 
a1,1 0 ··· 0
 0 a2,2 · · · 0 
A = diag(a1,1 , . . . , an,n ) =  .
 
. .. .. 
 .. .. . . 
0 0 ··· an,n

— A est une matrice triangulaire supérieure si et seulement si i > j ai,j = 0;

— A est une matrice triangulaire inférieure si et seulement si i < j; ai,j = 0.

4 Trace d’une matrice carrée

Définition 64
Trace d’une matrice Soit A = (ai, j) ∈ Mn (K). On appelle trace de la matrice A, la somme de
ses coefficients diagonaux :
Xn
Tr(A) = aii .
i=1

Exemple 65
 
3 2 −3
tr 5 −1 −2 = 3 − 1 − 1 = 1 tr(In ) = n.
1 1 −1

Proposition 19
1 L’application Tr : Mn (K) → K est une forme linéaire.
2 Tr(αA + βB) = αTr(A) + βTr(B)
3 Pour toute matrice A, B ∈ Mn (K), on a Tr(AB) = Tr(BA).

Démonstration. On pose A = (ai,j ) 1≤i≤n , et B = (bi,j ) 1≤i≤n . Le coefficient ligne i, colonne i, de

1≤j≤n 1≤j≤n
 Pn Pn
A × B est j=1 ai,j bj,i et le coefficient ligne j, colonne j, de B × A est i=1 aj,i ci,j . Donc
n X
X n n X
X n
tr(AB) = ( ai,j bj,i ) = ( abj,i ai,j ) = tr(BA).
i=1 j=1 j=1 i=1

Exercice 66
Existe-t-il (A, B) ∈ (Mn (K))2 tel que AB − BA = In ?

5 Matrices carrées inversibles

Définition 67
Soit A ∈ Mn (K) ; A est inversible si et seulement si

∃B ∈ Mn (K) A × B = B × A = In

Dans ce cas, B est unique, est appelé inverse de A et noté A−1 .

GLn (K) l’ensemble des matrices carrées d’ordre n inversibles.

Exemple 68
Prenons  
0 −1
A=
1 0
vérifie que A2 + I = 0. Déduire que A est inversible et exprimer son inverse.

Exercice 69
 
3 2 −3
A = 5 −1 −2
1 1 −1
exprimer l’inverse de A.

Solution.  
3 2 −3 1 0 0
 5 −1 −2 0 1 0 
1 1 −1 0 0 1
On peut choisir comme premier pivot le 1 de la ligne 3 (cela facilite les calculs) pour opérer sur les deux
premières lignes :
 
0 −1 0 1 0 −3 L1 ←− L1 − 3L3
 0 −6 3 0 1 −5  L2 ←− L2 − 5L3
1 1 −1 0 0 1
On permute les lignes des deux matrices.
 
1 1 −1 0 0 1
 0 −1 0 1 0 −3 
0 −6 3 0 1 −5
On prends le −1 de la deuxième ligne comme second pivot pour faire apparaître des 0 dans la deuxième
colonne :
 
1 0 −1 1 0 −2 L1 ←− L1 + L2
 0 −1 0 1 0 −3 
0 0 3 −6 1 13 L3 ←− L3 − 6L2
Pour aboutir à une matrice diagonale à gauche, il suffit d’utiliser le 3 comme pivot :
−1 31 7
L1 ←− L1 + 13 L3
 
1 0 0 3
 0 −1 0 1 0 −3 
0 0 3 −6 1 13
Pour finir on divise chaque ligne par le coefficient adaptée pour obtenir la matrice identité à gauche :
−1 13 73
 
1 0 0
 0 1 0 −1 0 3 
0 0 1 −2 13 13 3

La matrice de droite est la matrice inverse de A.

Théorem 26
Si A, B ∈ GLn (K), alors :

(AB)−1 = B −1 A−1 et (A−1 )−1 = A.

6 Transposition
Définition 70
t
soit A = (ai,j ) ∈ Mn,p (K). On appelle transposée de A la matrice de Mp,n (K), notée A,
définie par
t
A = (aj,i ) où ∀(i, j) ∈ [[1, p]] × [[1, n]]

Exemple 71
 
1 3  
t 1 −1 4
Si A = −1 5 , alors A=
3 5 0
4 0

Proposition 20
t
1 ∀(A, B) ∈ Mm,n (K) × Mn,p (K) (A + B) = t A + t B
t
2 ∀(A, B) ∈ Mm,n (K) × Mn,p (K) (AB) = t B × t A.
t
3 Soit A ∈ Mn (K). A est inversible si et seulement si A est inversible, auquel cas
( t A)−1 = t (A−1 ).

Définition 72
soit A ∈ Mn (K). On dit que :
— A est symétrique si et seulement si t A = A
— A est antisymétrique si et seulement si t A = −A.
7 Matrice d’une application linéaire
Définition 73 (Matrice d’un vecteur dans une base)
Soient E un K-espaces vectoriel de base B = (e1 , . . . , ep ). Pour x ∈ E, un vecteur qui se
décompose sur la base B en :
x = x1 e1 + . . . + xn en
On appelle matrice de x dans la base B , la matrice n × 1
 
x1
X = MB (x) =  ...  ∈ Mn,1 (K)
 

xn

Définition 74 (Matrice d’une famille de vecteurs)

Avec les notations précédentes, soit S = (u1 , . . . , up ) un système de p vecteurs de E, qui se
décomposent dans la base B sous la forme

uj = x1j e1 + . . . + xnj en

On appelle matrice de la famille S dans la base B , la matrice n × p

 
x1,1 x1,2 · · · x1,p
 x2,1 x2,2 · · · x2,p 
MB (S) =  . ..  ∈ Mn,p (K)
 
.. ..
 .. . . . 
xn,1 an,2 · · · xn,p

Exercice 75
1 Si B = (e1 , e2 , e3 ) est la base canonique de R3 et si u1 = e1 − 2e3 et u2 = e1 + 2e2 − e3 .
Déterminer M la matrice de la famille S = (u1 , u2 ) dans la base B.
2 Si B = (1, X, X 2 ) est la base canonique de R2 [X] et si P0 = 1 etP1 = X − 1, et P2 =
(X − 1)2 . Déterminer M la matrice de la famille S = (P0 , P1 , P2 ) dans la base B.

Définition 76
Soient E et F deux K-espaces vectoriels de bases respectives B = (e1 , . . . , ep ) et C =
(f1 , . . . , fn ). Pour f ∈ L(E, F ), on appelle matrice de f dans les bases B et C la matrice
MB,C (f ) de Mn,p (K) dont les colonnes contiennent les coordonnées des vecteurs f (e1 ), . . . , f (ep )
dans la base C de F :
 
a1,1 a1,2 · · · a1,p
 a2,1 a2,2 · · · a2,p 
MB,C (f ) = (ai,j )1≤i≤n et 1≤j≤p =  .
 
.. .. .. 
 .. . . . 
an,1 an,2 ··· an,p
Pn
où ∀j = 1, . . . , p f (ej ) = i=1 ai,j fi . En d’autres termes, c’est la matrice de la famille
(f (e1 ), . . . , f (ep )) dans la base C.
 Remarque 77
Le nombre de lignes n est la dimension de l’espace d’arrivée. Le nombre de colonnes p est la
dimension de l’espace de départ.

Exercice 78
0
1 Déterminer M la matrice canonique de f ∈ L(R4 [X]) défini par : f : P → P .
2 Déterminer N la matrice canonique de g ∈ L(R3 , R2 ) définie par : g(x, y, z) = (2x − y +
3z, x − 2z) dans les bases canoniques.

Solution. 1 Soit B = (1, X, X 2 , X 3 , X 4 ), la base canonique de L(R4 [X]). On a

 0

 f (1) = (1) = 0 = 0 × 1 + 0X + 0X 2 + 0X 3 + 0X 4
0

2 3 4
f (X) = (X) = 1 = 1 × 1 + 0X + 0X + 0X + 0X



0
f (X 2 ) = (X 2 ) = 2X = 0 × 1 + 2X + 0X 2 + 0X 3 + 0X 4
f (X 3 ) = (X 3 )0 = 3X 2 = 0 × 1 + 0X + 3X 2 + 0X 3 + 0X 4




f (X 4 ) = (X 4 )0 = 4X 3 = 0 × 1 + 0X + 0X 2 + 4X 3 + 0X 4


f (1) f (X) f (X 2 ) f (X 3 ) f (X 4 )
 
1 0 1 0 0 0
X   0 0 2 0 0  
=⇒ M = MB = X 2 
 0 0 0 3 0  
X3  0 0 0 0 4 
X4 0 0 0 0 0

0 0
2 Soit B = (e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1)), la base canonique de R3 , et B = (e1 =
0
(1, 0), e2 = (0, 1)), la base canonique de R2 . On a

0 0

f (e1 ) = f (1, 0, 0) = (2, 1) = 2e1 + 1e2

0 0
f (e2 ) = f (0, 1, 0) = (−1, 0) = −1(1, 0) + 0(0, 1) = −1e1 + 0e2
 0 0
f (e3 ) = f (0, 0, 1) = (3, −2) = 3(1, 0) − 2(0, 1) = 3e1 − 2e2


f (e1 ) f (e2 ) f (e3 )

0  
e1 2 −1 3
=⇒ N = MB,B0 = 0
e2 1 0 −2

Proposition 21
Si f ∈ L(E, F ) a pour matrice A dans les bases B et C, si X est la matrice colonne des
coordonnées d’un vecteur x de E dans la base B, alors le produit AX est la matrice colonne
des coordonnées de f (x) dans la base C.
 Théorem 27
Soient E et F deux K-espaces de dimensions finies non nulles. Soient B une base de E et C,
une base de F.
1
∀(f, g) ∈ (L(E, F ))2 , MB,C, (f + g) = MB,C, (f ) + MB,C, (g).

2
∀f ∈ L(E, F ), λ ∈ K, MB,C, (λf ) = λMB,C, (f ).

3
∀(f, g) ∈ (L(E, F ))2 , λ ∈ K MB,C, (λf + g) = λMB,C, (f ) + MB,C, (g).
.

Théorem 28
Soient E, F et G trois K-espaces de dimensions finies non nulles notées respectivement
n, p et q. Soient B une base de E, C, une base de F, et D une base de G. Soient f ∈ L(E, F ),
et g ∈ L(F, G). Alors MB,D, (f ◦ g) = MB,C, (f ) × MC,D, (g).

Théorem 29
Soient E et F deux K-espaces de même dimension finie non nulle notée n. Soient B une base
de E et C, une base de F. Soit f, ∈ L(E, F ). Alors, f est un isomorphisme si et seulement si
MB,C, (f ) est inversible. Dans ce cas, MB,C, (f −1 ) = (MB,C, (f ))−1 .

Exercice 79
R2 → R2 R2 → R 2
Soit f : et g :
(x, y) 7→ (x + y, 2x − y) (x, y) 7→ (0, x − y)
i) Écrire A la matrice de l’application f dans la base canonique.
ii) Écrire B la matrice de l’application g dans la base canonique.
iii) Écrire C la matrice de l’application f ◦ g dans la base canonique.
iv) Écrire E la matrice de l’application f 2 dans la base canonique.

Solution. Soit B = (e1 = (1, 0), e2 = (0, 1)), la base canonique de R2 .

1 On a

( f (e1 ) f (e2 )
 
f (e1 ) = f (1, 0) = (1, 2) = 1e1 + 2e2 e 1 1
=⇒ A = MB = 1
f (e2 ) = f (0, 1) = (1, −1) = 1(1, 0) − 1(0, 1) = 1e1 − 1e2 e2 2 −1

2 On a (
g(e1 ) = g(1, 0) = (0, 1) = 0(1, 0) + 1(0, 1) = 0e1 + 1e2
g(e2 ) = g(0, 1) = (0, −1) = 0(1, 0) − 1(0, 1) = 0e1 − 1e2

f (e1 ) f (e2 )
 
e1 0 1
=⇒ B = MB =
e2 0 −1
 3 On a
     
1 1 0 1 0 0
C = MB (f ◦ g) = MB (f ) × MB (g) = A × B = × = .
2 −1 0 −1 0 3

4 On a
     
1 1 1 1 3 0
E = MB (f 2 ) = (MB (f ))2 = A2 = A × A = × = .
2 −1 2 −1 0 3

Définition 80 (Noyau et Image d’une matrice)

Soit A ∈ Mn,p (K) de vecteurs colonnes A = (C1 , . . . , Cp ). On appelle :
— Le noyau de A l’ensemble kerA = {X ∈ Mp,1 (K) | AX = 0}
— L’image de A l’ensemble ImA = {AX ∈ Mn,1 (K) | X ∈ Mp,1 (K)} = Vect(C1 , . . . , Cp )

Exercice 81
Soit la matrice :  
2 0 4
A = 1 0 2 ∈ M3,3 (R).
2 0 4
Déterminer ker(A) et Im(A).

Solution. —
         
x 0 2 0 4 x 0
X = y  ∈ ker(A) ⇐⇒ AX = 0 ⇐⇒ 1 0 2 × y  = 0
z 0 2 0 4 z 0
 
2x + 4z = 0 x = −2z
       
  x −2z −2 0
⇐⇒ x + 2z = 0 ⇐⇒ x = −2z ⇐⇒ y  =  y  = z  0  + y 1 ,
z z 1 0
 
2x + 4z = 0 x = −2z
 

alors    
−2 0
ker(A) = vect  0  , 1
1 0
—      
2 0 4
ImA = Vect(C1 , C2 , C3 ) = 1 , 0 , 2
1 0 4
 
0
comme C3 = 2C1 et C2 = 0 , alors ImA = Vect(C1 ).
0

8 Rang d’une matrice

8.1 Définition du rang d’une matrice
Définition 82
Soit A ∈ Mn,p (K). On appelle rang de A le rang du système de ses p vecteurs colonnes dans
Kn , noté rg(A).
 Exemple 83
     
0 0 0 2 3 5 −2 0 −4 7
rang 0 0 0 = 0, rang 0 0 0 = 1, rang  0 −3 5 5 = 2
0 0 0 0 0 0 0 0 0 0

Théorem 30
soit A ∈ Mn,p (K). rg( t A) = rg(A) (le rang d’une matrice est aussi le rang du système de ses
vecteurs lignes).

Théorem 31
Soient E et F deux K-espaces vectoriels de dimensions respectives p et n, rapportés aux bases
B et C. Si f est une application linéaire de E dans F, de matrice A dans les bases B et C, alors :
rg(f ) = rg(A)

8.2 Opérations élémentaires sur les matrices

Définition 84
On appelle opération élémentaire sur une matrice A de Mn,p (K) :
— l’échange de deux lignes (resp. colonnes) de A.
— la multiplication d’une ligne (resp. colonne) de A par un scalaire non nul.
— l’ajout à une ligne (resp. colonne) le produit d’une autre ligne (resp. colonne) de A par
un scalaire quelconque.

On a les résultats et les règles de calcul suivants : rang(A) ne change pas de valeur si on effectue les
opérations élémentaires sur les lignes ou sur les colonnes de A.
Nous illustrerons cette méthode par un exemple :

Exercice 85
 
1 2 0 −1
Soit A = 2 6 −3 −3 , calculer le rang deA.
3 10 −6 −5

Solution.  
1 2 0 −1
 2 6 −3 −3  L2 ←− L2 − 2L1
3 10 −6 −5 L3 ←− L3 − 3L1
←→  
1 2 0 −1
 0 2 −3 −1 
0 4 −6 −2 L3 ←− L3 − 2L2
←→  
1 2 0 −1
 0 2 −3 −1 
0 0 0 0
  
1 2 0 −1
 0 2 −3 −1 
←→ 
 0 0
 Alors rang(A) = 2 (le nombre des coefficient non nulles sur le diagonale).
0 0 
0 0 0 0

9 Les déterminants
9.1 Déterminants d’une matrice
Définition 86
Soit n ≥ 1. Pour toute matrice carrée A = (aij ) , d’ordre n, nous associons detA ∈ K,défini
comme suit : Si n = 1, on pose det(a) = a (avec A = (a) ).
Si n > 1, en supprimant la première ligne et la j-ième colonne de A, nous obtenons une matrice
carrée d’ordre n − 1 notée A1j . L’hypothèse de récurrence permet alors de poser :
n
X
det(A) = (−1)1+j a1j det(A1j )
j=1

Définition 87
Soit la matrice : A
— On note Aij la matrice déduite de A en supprimant la ligne i et la colonne j
— On note ∆ij le cofacteur de l’élément aij : ∆ij = (−1)i+j det(Aij ) det(Aij ) s’appelle
déterminant mineur.

Remarque 88
la formule a été obtenue en développant le déterminant de A suivant la première ligne, on peut
montrer que la quantité est indépendante du choix de la ligne ou de la colonne. Alors on peut
poser
Xn n
X
det(A) = (−1)i+j aij det(Aij ) = aij ∆ij .
j=1 j=1

Exemple 89
1 Soit A ∈ M2 (K) suivante :  
a11 a12
A=
a21 a22
a11 a12
det(A) = = a11 × a22 − a12 × a21
a21 a22

2
a1,1 a1,2 ··· a1,n a1,1 0 ··· 0
0 a2,2 ··· a2,n a2,1 a2,2 ··· 0
.. .. .. .. = .. .. .. .. = a1,1 × a2,2 × . . . × an,n .
. . . . . . . .
0 0 ··· an,n an,1 an,2 ··· an,n
 Exercice 90
Calculer le déterminant de la matrice suivante :
 
3 1 1
A= 0 3 1 
1 0 3

Solution.
3 1 1
3 1 1 1 1 1
0 3 1 = +3 −0 +1 = 3(3×3−0×1)−0(1×3−0×1)+1(1×1−3×1) = 27−0−2 = 25
0 3 0 3 3 1
1 0 3
On a les résultats et les règles de calcul suivants :
Proposition 22
— det(A) = 0 si deux colonnes sont égales ou proportionnelles ou si une colonne est nulle
— on multiplie detA par (−1)i+j si on permute les deux colonnes i et j.
— detA ne change pas de valeur si on substitue à la colonne i la colonne i + kj (j étant
une autre colonne)
— detA est multiplié par l si on remplace la colonne j par lj

Remarque 91
ces propriétés sont aussi valables pour les lignes.

Exercice 92
Calculer le déterminant de la matrice suivante :
 
3 1 1 1
 1 3 1 1 
A=  1 1

3 1 
1 1 1 3

Solution. On peut choisir comme premier pivot le 1 de la ligne 4 (cela facilite les calculs) pour opérer
sur les deux premières lignes : On effectue les modifications suivantes L1 ←− L1 − 3L4 et L2 ←− L2 − L4 ,
L3 ←− L3 − L4 on obtient
0 −2 −2 −8
2 0 −2 −2 −2 −8 −2 −2 −8 −2 −2 −8
0 2 0 −2
det(A) = = +0 0 2 −2 − 0 0 2 −2 + 0 2 0 −2 − 1 2 0 −2
0 0 2 −2
1 1 3 1 1 3 1 1 3 0 2 −2
1 1 1 3
−2 −2 −8
=− 2 0 −2
0 2 −2
On fait L1 ←− L1 + L2 , on obtient
−2 −2 −8 0 −2 −10  
−2 −10
− 2 0 −2 = − 2 0 −2 = − −2 = 2(−2 × −2 − (−10 × 2)) = 48.
2 −2
0 2 −2 0 2 −2
On aura alors det(A) = 32.
 Proposition 23
Soit deux matrices carrées A, B ∈ Mn (K). On a les propriétés suivantes :
1 det(λA) = λn detA
2 det(AB) = detA × detB
3 det( t A) = detA

9.2 Comatrice
Définition 93
Soit A ∈ Mn (K). On appelle comatrice de A, notée com(A), la matrice des cofacteurs
(∆i,j ) 1≤i≤n .
1≤j≤n

Théorem 32
∀A ∈ Mn (K), A t com(A) = t com(A)A = detAIn

Corollaire 24
Soit A ∈ Mn (K), A est inversible ssi detA 6= 0
1 t
A−1 = com(A)
det A

Exercice 94
Calculer l’inverse de la matrice suivante :
 
2 4 3
A = 0 1 1
2 2 −1

Solution. —
1 1 4 3 4 3
det(A) = +2 −0 +2 = 2(−1 − 2) + 2(4 − 3) = −4 6= 0,
2 −1 2 −1 1 1
alors A est inversible.
—  
1 1 0 1 0 1
+ 2 −1 − +
2 −1 2 2   

 4 3
 −3 2 −2
2 3 2 4 
− 2 −1
Com(A) =  + −  =  10 −8 4 ,
2 −1 2 2 
  1 −2 2
 4 3 2 3 2 4 
+ − +
1 1 0 1 0 1
on obtient
   
−3 2 −2 −3 10 1
1 −1 −1
A−1 = t
com(A) = t
10 −8 4 = 2 −8 −2 .
det(A) 4 4
1 −2 2 −2 4 2
 Corollaire 25
1 Soit A une matrice carrée d’ordre n telle que det A 6= 0
det A−1 = det1 A .
2 Une matrice triangulaire est inversible si et seulement si les éléments de sa diagonale
principale sont tous non nuls.

Corollaire 26
Soit A ∈ Mn (K). Les assertions suivantes sont équivalentes :
1 A est inversible.
2 ∃B ∈ Mn (K) A × B = In (dans ce cas A−1 = B ).
3 ∃C ∈ Mn (K) C × A = In (dans ce cas A−1 = C ).
4 rang(A) = n

9.3 Déterminant d’un système de vecteurs

Définition 95
Soit E un espace vectoriel de dimension n sur K, et B P = (e1 , . . . , en ) une base de E. Soit
n
(v1 , . . . , vn ) un système de n vecteurs de E. Écrivons vj = i=1 aij ei . On définit le déterminant
du système en posant :
det(v1 , . . . , vn ) = det(aij )

Théorem 33
Soit E un espace vectoriel de dimension n sur K et (v1 , . . . , vn ) un système de n vecteurs de
E. Alors (v1 , . . . , vn ) est une base de E si et seulement si det(v1 , . . . , vn ) 6= 0.

Exercice 96
Soit B = (1 + X + X 2 , 1 + 2X + 4X 2 , 1 + 3X + 9X 2 ) une famille de polynômes de R2 [X].
Montrer que B est une base de R2 [X].

9.4 Déterminant d’un endomorphisme

Définition 97
Soit f ∈ L(E). On appelle déterminant de f et on note det(f ) le déterminant de sa matrice
associée dans une base quelconque.

Théorem 34
Soit E un espace vectoriel de dimension n sur K et f ∈ L(E). f est un automorphisme de E
si et seulement si det(f ) 6= 0.
 Exercice 98
Soit E un espace vectoriel de dimension n sur K et f ∈ L(E) tels que f 2 = −idE . Montrer que
la dimension de E est paire et que f ∈ GL(E).

10 Changements de bases

10.1 Matrice de passage

Définition 99
(
B = (e1 , . . . , en )
Soient 0 0 0 deux bases d’un K-espace vectoriel E de dimension n.
B = (e1 , . . . , en )
0 0
On appelle matrice de passage de B à B la matrice de la famille B dans la base B, notée
0 0
PB,B0 = MB (e1 , . . . , en ).

Théorem 35
0 00
Soient B, B , B trois bases de E.
0
1 PB,B0 = MB0 ,B (IdE ) est la matrice de IdE dans les bases B (dans E considéré comme
espace de départ) et B (dans E considéré comme espace d’arrivée).
0
2 PB,B0 est inversible et son inverse est la matrice de passage PB0 ,B de B à B.
3 PB,B00 = PB,B0 × PB0 ,B00 .

10.2 Changements de bases pour un vecteur

Théorem 36
0 0
Soient B, B , deux bases de E. Si X et X sont les matrices colonnes des coordonnées d’un
0 0
vecteur x de E dans les bases B et B respectivement, on a : X = PB,B0 X .

Démonstration. Il suffit de considérer l’application

(E, B )
0
/ (E, B)
idE
11 Changement de bases pour une application linéaire
Théorem 37
0 0
soient B et B deux bases de E, P = PB,B0 , C et C deux bases de F, Q = PC,C 0 et
f ∈ L(E, F ). Si A est la matrice de f dans les bases B, C, et A la matrice de f dans les bases
0 0
B , C , alors : 0
A = Q−1 AP.

Démonstration. Il suffit de remarquer que : (E, B) f

/ (F, C)
O
idE idF

(E, B )
0
/ (F, C 0 )
f

Théorem 38
0
Soient B et B deux bases de E, P = PB,B0 et f ∈ L(E). Si A est la matrice de f dans la base
0 0
B et A la matrice de f dans la base B , alors :
0
A = P −1 AP.

Exercice 100
On note B = (e1 , e2 , e3 ) la base canonique de R3 . Soit f : R3 → R3 l’application linéaire dont
la matrice dans la base canonique est donnée par
 
15 −11 5
A = 20 −15 8
8 −7 6
0 0 0
Soient e1 = 2e1 + 3e2 + e3 , e2 = 3e1 + 4e2 + e3 et e3 = e1 + 2e2 + 2e3 .
0 0 0 0
1 Montrer que B = (e1 , e2 , e3 ) est une base de R3 .
0
2 Écrire la matrice de passage (que l’on notera P ) de la base B à la base B . calculer P −1 .
0
3 En déduire B la matrice de f dans la base B .
 Systèmes d’ équations linéaires
4
1 Vocabulaire
Soit aij et bi deux familles de scalaires de K. On considère le système de n équations à m inconnues :


 a11 x1 + a12 x2 + · · · + a1p xm = b1


 ..
.


(S) = ai1 x1 + ai2 x2 + · · · + aip xp = bi
..


.



an1 x1 + an2 x2 + · · · + anp xm = bn


On appelle alors :
 
a1,1 a1,2 ··· a1,p
 a2,1 a2,2 ··· a2,p 
A= .
 
.. .. .. 
 .. . . . 
an,1 an,2 ··· an,p

la matrice du système
 
b1
 b2 
b=.
 
 .. 
bn

Mn1 (K) le vecteur second membre


x1
 x2 
X= . 
 
 .. 
xp

Mp1 (K) le vecteur inconnu Avec ces notations, le système (S) s’écrit alors : AX = b.

45
 Définition 101 (Vocabulaire lié aux systèmes)
1 Résoudre le système consiste à trouver l’ensemble de tous les p-uplets (x1 , . . . , xp ) ∈ Kp
vérifiant (S). L’ensemble des solutions est en général noté S.
2 On appelle système homogène (S0 ) associé à (S), le système obtenu en prenant b = 0.
On note S0 = kerA l’ensemble des solutions du système homogène.
3 rg(A) s’appelle le rang du système. Il s’agit à la fois du nombre de colonnes de A linéai-
rement indépendantes, mais aussi du nombre d’ équations indépendantes du système
(S0 ) !
4 On dit que le système est compatible si l’ensemble des solutions est non-vide. Ce sera
le cas si et seulement si b ∈ ImA.

2 Systèmes de Cramer
Définition 102
(S) est dit système de Cramer si detA 6= 0 ⇐⇒ (S) possède une unique solution

Calcul de la solution unique (x1 , x2 , . . . , xn ) Lorsque l’on a une solution unique (x1 , x2 , . . . , xn ), on utilise
les formules de Cramer :
∆j
xj = , j = 1, . . . , n
∆
∆ = det(A)
∆j : déterminant déduit de ∆ en remplaçant la colonne Cj de la matrice A par la colonne b

Exercice 103
Résoudre le système suivant : (
4x + 5y = 3
2x + 3y = 1

3 Résolution par la Méthode de Gauss

Définition 104
On appelle « opération élémentaire sur les lignes » l’une des 3 opérations suivantes :
1 Échanger deux lignes
2 Remplacer une ligne Li par λ.Li où λ ∈ K∗
3 Remplacer une ligne Li par Li + λ.Lj où λ ∈ K

Théorem 39
On ne change pas l’ensemble des solutions d’un système en effectuant une opération élémentaire
sur les lignes.

Le plus souvent, on transformera (S) en un système triangulaire (ou presque). Cette technique s’appelle
la méthode de Gauss. Méthode de Gauss
 1 On place en première ligne une équation qui fait apparaître la première inconnue. On choisit de
préférence (si possible) la ligne telle que la première inconnue a un coefficient 1.
2 On utilise cette équation pour éliminer par OEL la première inconnue des autres équations.
3 On applique les opérations précédentes au sous-système obtenu où la première inconnue ne figure
plus.
Nous illustrerons cette méthode par un exemple :

Exercice 105
Résolvons le système

3x + 2y − 3z = 1

5x − y − 2z = 0 , en s’aidant de la méthode de Gauss.

x+y−z =2
