APPLICATION LINÉAIRE EN DIMENSION FINIE

Ce chapitre est l'aboutissement de toutes les notions d'algèbre linéaire vues

jusqu'ici :
 espaces vectoriels,
 dimension,
 applications linéaires,
 matrices.
Nous allons voir que dans le cas des espaces vectoriels de dimension nie, l'étude
des applications linéaires se ramène à l'étude des matrices.

1
 1. Rang d'une application linéaire

1.1. Construction et caractérisation.

Théorème 1. Soient E et F deux espaces vectoriels sur un même corps K. On
suppose E de dimension nie n et soit (e1 , . . . , en ) une base de E .
Alors pour tout choix (v1 , . . . , vn ) de n vecteurs de F , il existe une et une seule
application linéaire f : E → F telle que :
∀i ∈ {1, . . . , n}, f (ei ) = vi .

Exemple 1. Il existe une unique application linéaire f : Rn → R[X] telle que

f (ei ) = (X + 1)i pour i = 1, . . . , n (où (e1 , . . . , en ) est la base canonique de Rn ).
Pour un vecteur x = (x1 , . . . , xn ), on a
n
X
f (x1 , . . . , xn ) = f (x1 e1 + · · · + xn en ) = x1 f (e1 ) + · · · + xn f (en ) = xi (X + 1)i .
i=1
Démonstration.

 Unicité. Soit f répondant à la problématique. Pour x ∈ E , il existe des

scalaires x1 , x2 , . . . , xn tels que x = ni=1 xi ei . Comme f est linéaire, on a
P

n
! n n
(∗)
X X X
f (x) = f xi ei = xi f (ei ) = xi vi .
i=1 i=1 i=1
Donc, si elle existe, f est unique.
 Existence. Montrons qu'une application dénie par l'équation (∗) est linéaire
et vérie f (ei ) = vi .
(1) Si (x1 , . . . , xn ) (resp. y = (y1 , . . . , yn )) sont les coordonnées de x (resp. y )
dans la base (e1 , . . . , en ), alors
n
! n
X X
f (λx + µy) = f (λxi + µyi )ei = (λxi + µyi )f (ei )
i=1 i=1
n
X n
X
= λ xi f (ei ) + µ yi f (ei ) = λf (x) + µf (y).
i=1 i=1

(2) Les coordonnées de ei sont (0, . . . , 0, 1, 0, . . . , 0), donc f (ei ) = 1 · vi = vi .


1.2. Rang d'une application linéaire.
Soit f : E → F une application linéaire entre K-espaces vectoriels.
Proposition 1. Si E est de dimension nie, alors :
 Im f = f (E) est un espace vectoriel de dimension nie.
 Si (e1 , . . . , en ) est une base de E , alors Im f = Vect f (e1 ), . . . , f (en ) .

Démonstration. On montre que tout élément de Im f est combinaison linéaire des

vecteurs f (e1 ), . . . , f (en ).
 Soit y ∈ Im f . Il existe un élément x de E tel que y = f (x).
n
 Il existe des scalaires (x1 , . . . , xn ) tels que x = xi ei .
X

i=1
Par linéarité de f , on en déduit que
n
X
y = f (x) = xi f (ei ).
i=1

Dénition 1. La dimension de l'espace vectoriel Im f est appelée rang de f :


rg(f ) = dim Im f = dim Vect f (e1 ), . . . , f (en )
Exemple 2. Soit f : R3 → R2 l'application linéaire dénie par f (x, y, z) =
(3x − 4y + 2z, 2x − 3y − z). Quel est le rang de f ?
La matrice de f dans les bases canoniques est
 
3 −4 2
A= ,
2 −3 −1
les colonnes étant égales à f (e1 ), f (e2 ), f (e3 ) respectivement.
Le rang de f est donc égale au rang de A.
Estimons le rang sans faire de calculs .
 Nous avons une famille de 3 vecteurs donc rg f 6 3.
 Les vecteurs v1 , v2 , v3 vivent dans un espace de dimension 2 donc rg f 6 2.
 f n'est pas l'application linéaire nulle donc rg f > 1.
Donc le rang de f vaut 1 ou 2.
Il est facile de voir que v1 et v2 sont linéairement indépendants, donc le rang
est 2 :

rg f = rg f (e1 ), f (e2 ), f (e3 ) = dim Vect(v1 , v2 , v3 ) = 2
Remarque : il est encore plus facile de voir que le rang de la matrice A est 2
en remarquant que ses deux seules lignes ne sont pas colinéaires.
1.3. Théorème du rang. Le théorème du rang donne une relation entre la di-
mension du noyau et la dimension de l'image d'une application linéaire.
Théorème 2 (Théorème du rang). Soit f : E → F une application linéaire entre
deux K-espaces vectoriels, E étant de dimension nie. Alors
dim E = dim Ker f + dim Im f

Autrement dit : dim E = dim Ker f + rg f .

Démonstration. (1) Soit (1 , . . . , p ) une base de Ker f .
(2) Il existe des vecteurs p+1 , . . . , n de E tels que (1 , 2 , . . . , n ) soit une base
de E (théorème de la base incomplète).
(3) Alors Im f est engendrée par les vecteurs f (1 ), f (2 ), . . . , f (n ), donc par les
vecteurs f (p+1 ), . . . , f (n ).
(4) Montrons que ces vecteurs forment une famille libre.
 Soient αp+1 , . . . , αn des scalaires tels que
αp+1 f (p+1 ) + · · · + αn f (n ) = 0.
ou encore (f est linéaire)
f (αp+1 p+1 + · · · + αn n ) = 0
ou encore
αp+1 p+1 + · · · + αn n ∈ Ker f.
Il existe donc des scalaires λ1 , . . . , λp tels que
αp+1 p+1 + · · · + αn n = λ1 1 + · · · + λp p
(car (1 , . . . , p ) est une base de Ker f ) ou encore
−λ1 1 − · · · − λp p + αp+1 p+1 + · · · + αn n = 0.
Alors
λ1 = · · · = λp = αp+1 = · · · = αn = 0.
car (1 , 2 , . . . , n ) est une base de E .
Les vecteurs f (p+1 ), . . . , f (n ) dénissent donc bien une base de Im f qui
est donc de dimension n − p.

Exemple 3. Soit l'application linéaire
f : R4 −→ R3
(x1 , x2 , x3 , x4 ) 7−→ (x1 − x2 + x3 , 2x1 + 2x2 + 6x3 + 4x4 , −x1 − 2x3 − x4 )
Calculons le rang de f et la dimension du noyau de f .
On va utiliser deux méthodes :
(1) on calcule d'abord la dimension du noyau,
(2) on calcule d'abord la dimension de l'image.
 Première méthode. On calcule d'abord le noyau :
(x1 , x2 , x3 , x4 ) ∈ Ker f ⇐⇒ f (x1 , x2 , x3 , x4 ) = (0, 0, 0)

 x1 − x2 + x3 = 0
⇐⇒ 2x1 + 2x2 + 6x3 + 4x4 = 0
−x1 − 2x3 − x4 = 0


On résout ce système ...

 et on trouve qu'il est équivalent à

x1 − x2 + x3 = 0
x2 + x3 + x4 = 0
On choisit x3 et x4 comme paramètres et on trouve :
 
Ker f = (−2x3 − x4 , −x3 − x4 , x3 , x4 ) | x3 , x4 ∈ R
  −2   −1  
= x3 −1 1 + x4 −10 | x3 , x4 ∈ R
0 1
 −2   −1 
= Vect −1 , −1
1 0
0 1
Les deux vecteurs dénissant le noyau sont linéairement indépendants, donc
dim Ker f = 2.
D'après le théorème du rang
rg f = dim Im f = dim R4 − dim Ker f = 4 − 2 = 2
 Deuxième méthode. On calcule d'abord l'image. On note (e1 , e2 , e3 , e4 ) la
base canonique de R4 . Calculons vi = f (ei ) :
   
1  1
 0  −1 
v1 = f (e1 ) = f 0 = 2 v2 = f (e2 ) = f 1 = 2
0 −1 0 0
0 0
   
0  1
 0  0

v3 = f (e3 ) = f 0 = 6 v4 = f (e4 ) = f 0 = 4
1 −2 0 −1
0 1
On réduit la matrice A, formée des vecteurs colonnes, sous une forme éche-
lonnée :
   
1 −1 1 0 1 0 0 0
A =  2 2 6 4  ∼  2 4 0 0
−1 0 −2 −1 −1 −1 0 0
Donc le rang de A est 2, ainsi


rg f = dim Im f = dim Vect f (e1 ), f (e2 ), f (e3 ), f (e4 ) = 2
Par le théorème du rang :
dim Ker f = dim R4 − rg f = 4 − 2 = 2.
1.4. Application linéaire entre deux espaces de même dimension.
Théorème 3. Soit f : E → F une application linéaire avec E et F de dimension
nie et dim E = dim F . Alors les assertions suivantes sont équivalentes :
(i) f est bijective
(ii) f est injective
(iii) f est surjective
Démonstration.

f est injective ⇐⇒ dim Im f = dim E (par le théorème du rang)

⇐⇒ dim Im f = dim F (par l'hypothèse dim E = dim F )
⇐⇒ Im f = F (car Im f ⊂ F )
⇐⇒ f est surjective

Exemple 4. Soit f : R2 → R2 dénie par f (x, y) = (x − y, x + y).
Est-ce que f est bijective ?
Première méthode. L'espace de départ et l'espace d'arrivée ont même dimen-
sion. Calculons le noyau :
(x, y) ∈ Ker f ⇐⇒ f (x, y) = 0 ⇐⇒ (x − y, x + y) = (0, 0)

x+y = 0
⇐⇒ ⇐⇒ (x, y) = (0, 0)
x−y = 0
Ainsi f est injective et donc, par le théorème 3, que f est un isomorphisme.
Seconde Méthode. On peut aussi montrer que la matrice de f dans les bases
canoniques est inversible...
 On peut enn démontrer un résultat annoncé dans le cours sur les matrices.
Proposition 2. Si une matrice carrée A ∈ Mn(K) admet un inverse à droite,
c'est-à-dire il existe B ∈ Mn (K) tel que AB = I , alors A est inversible.
Démonstration.

(1) Montrons l'existence d'un inverse à gauche. Soit f : Mn (K) → Mn (K) dé-
nie par f (M ) = M A.
(a) f est une application linéaire, car
f (λM + µN ) = (λM + µN )A = λf (M ) + µf (N ).
(b) f est injective : si f (M ) = O, cela donne M A = O. On multiplie cette
égalité par B à droite :
M AB = OB ou encore M = M I = O.
(c) Par le théorème 3, f est donc aussi surjective.
(d) Alors la matrice identité est dans l'image de f : il existe C ∈ Mn (K) tel
que
f (C) = I ou encore CA = I.
(2) Montrons l'égalité des inverses. Calculons CAB de deux façons :
(CA)B = IB = B et C(AB) = CI = C
donc B = C .

Mini-exercice.
(1) Soit f : R3 → R2 dénie par f (x, y, z) = (x − 2y − 3z, 2y + 3z). Calculer
une base du noyau de f , une base de l'image de f et vérier le théorème du
rang.
(2) Même question avec f : R3 → R3 dénie par f (x, y, z) = (−y+z, x+z, x+y).
(3) Lorsque c'est possible, calculer la dimension du noyau, le rang et dire si f
peut être injective, surjective, bijective :
 Une application linéaire surjective f : R6 → R3 .
 Une application linéaire injective f : R3 → R5 .
 Une application linéaire surjective f : R7 → R7 .
 Une application linéaire injective f : R9 → R9 .
 2. Matrice d'une application linéaire

Dans cette section, tous les espaces vectoriels sont de dimension nie.
Soit f : E → F une application linéaire entre K-espaces vectoriels de dimension
nie.
On va noter
 p la dimension de E et soit B = (e1 , . . . , ep ) une base de E .
 n la dimension de F et soit B0 = (f1 , . . . , fn ) une base de F
On a vu que :
 f est déterminée de façon unique par l'image d'une base de E .
 Pour tout j , le vecteur f (ej ) s'écrit de manière unique comme combinaison
linéaire des vecteurs de la base B0 = (f1 , f2 , . . . , fn ) de F .
Il existe donc n scalaires uniques a1,j , a2,j , . . . , an,j tels que
 
a1,j
a 
 2,j 
f (ej ) = a1,j f1 + a2,j f2 + · · · + an,j fn =  ..  .
 . 
an,j B0

Important : f est entièrement déterminée par les coecients (ai,j )(i,j)∈{1,...,n}×{1,...,p}.

Dénition 2. La matrice de l'application linéaire f par rapport aux bases
B et B 0 est la matrice (ai,j ) ∈ Mn,p (K) dont la j -ème colonne est constituée par
les coordonnées du vecteur f (ej ) dans la base B0 = (f1 , f2 , . . . , fn ) :
f (e1 ) . . . f (ej ) . . . f (ep )
 
f1 a11 a1j . . . a1p
f2 a21
 a2j . . . a2p 
MatB,B0 (f ) = ..  .. . .. .. 

.  . .. . . 
fn an1 anj . . . anp
Dit autrement : c'est la matrice dont les vecteurs colonnes sont l'image par
f des vecteurs de la base de départ B , exprimée dans la base d'arrivée B 0 .
Remarque.
 La taille de MatB,B0 (f ) dépend uniquement de dim E et dim F .
 Les coecients de MatB,B0 (f ) dépendent eux du choix des bases B et B0 .
 On avait rencontré dans le cours sur l'espace vectoriel Rn le cas où les bases
B et B 0 étaient les bases canoniques.
Exemple 5. Soit f l'application linéaire de R3 dans R2 dénie par
x 
1 x1 +x2 −x3


x2
x3
7→ x1 −2x2 +3x3 .
Soient B = (e1 , e2 , e3 ) la base canonique de R3 et B0 = (f1 , f2 ) la base canonique
de R2 . C'est-à-dire :
     
1 0 0    
1 0
e1 = 0 e2 = 1 e3 = 0 f1 = f2 =
0 1
0 0 1
(1) Quelle est la matrice de f dans les bases B et B0 ?
 On a f (e1 ) = f (1, 0, 0) = (1, 1) = f1 + f2 . La première colonne de la
matrice MatB,B0 (f ) est donc ( 11 ).
 De même f (e2 ) = f (0, 1, 0) = (1, −2) = f1 − 2f2 . La deuxième colonne
de la matrice MatB,B0 (f ) est donc ( −2 1 ).

 Enn f (e3 ) = f (0, 0, 1) = (−1, 3) = −f1 + 3f2 . La troisième colonne de

la matrice MatB,B0 (f ) est donc ( −1 3 ).

Ainsi :  
1 1 −1
MatB,B0 (f ) =
1 −2 3
  
1 1 −1
MatB,B0 (f ) =
1 −2 3
(2) On va changer la base de l'espace de départ et celle de l'espace d'arrivée.
Considérons les vecteurs
     
1 1 0    
1 1
1 = 1 2 = 0 3 = 1 φ1 = φ2 =
0 1
0 1 1
On montre facilement que B0 = (1 , 2 , 3 ) est une base de R3 et B00 = (φ1 , φ2 )
est une base de R2 .
Quelle est la matrice de f dans les bases B0 et B00 ? On a :
f (1 ) = f (1, 1, 0) = (2, −1) = 3φ1 − φ2
f (2 ) = f (1, 0, 1) = (0, 4) = −4φ1 + 4φ2
f (3 ) = f (0, 1, 1) = (0, 1) = −φ1 + φ2
donc  
3 −4 −1
MatB0 ,B00 (f ) = .
−1 4 1
Cet exemple illustre bien le fait que la matrice dépend du choix des bases.
2.1. Opérations sur les applications linéaires et les matrices.
Proposition 3. Soient f, g : E → F deux applications linéaires et soient B une
base de E et B0 une base de F . Alors :
 MatB,B0 (f + g) = MatB,B0 (f ) + MatB,B0 (g)
 MatB,B0 (λf ) = λ MatB,B0 (f )
Démonstration. Exercice. 

Attention :
 la matrice associée à la somme de deux applications linéaires est donc la
somme des matrices à condition de considérer les mêmes bases sur les
espaces de départ et d'arrivée pour les deux applications.
 Idem avec le produit par un scalaire.
 Soit G un autre espace vectoriel de dimension nie.
Proposition 4. Soient f : E → F et g : F → G deux applications linéaires et
soient B une base de E , B0 une base de F et B00 une base de G. Alors :
MatB,B00 (g ◦ f ) = MatB0 ,B00 (g) × MatB,B0 (f )

Autrement dit : à condition de bien choisir les bases, la matrice associée à la

composition de deux applications linéaires est le produit des matrices associées à
chacune d'elles, dans le même ordre.
Remarque.
La démonstration est proche de celle vu dans le cours sur les applications linéaires
de Rn .
Il faut cependant faire attention aux choix des bases.
Démonstration. Soit
 B = (e1 , . . . , ep ) une base de E ,
 B0 = (f1 , . . . , fn ) une base de F ,
 B00 = (g1 , . . . , gq ) une base de G.
Écrivons
 A = MatB,B0 (f ) = (aij ) ∈ Mn,p (K) la matrice de f ,
 B = MatB0 ,B00 (g) = (bij ) ∈ Mq,n (K) la matrice de g ,
 C = MatB,B00 (g ◦ f ) = (cij ) ∈ Mq,p (K) la matrice de g ◦ f .
On a


(g ◦ f )(e1 ) = g f (e1 )
= g(a11 f1 + · · · + an1 fn ) par dénition de A
 1 ) + · · · + an1 g(f
= a11 g(f n ) par linearité
 de g 
= a11 b11 g1 + · · · + bq1 gq + · · · + an1 b1n g1 + · · · + bqn gq

Ainsi, la première colonne de C = MatB,B00 (g ◦ f ) est

 
a11 b11 + · · · + an1 b1n
 a b + ··· + a b 
 11 21 n1 2n 
.
. .
.

 
a11 bq1 + · · · + an1 bqn
Mais ceci est aussi la première colonne de la matrice BA.
Il reste à faire la même chose avec les autres colonnes. 
Exemple 6. On pose E = R2, F = R3, G = R2. Soient
 B = (e1 , e2 ) une base de E ,
 B0 = (f1 , f2 , f3 ) une base de F , et
 B00 = (g1 , g2 ) une base de G.
Soient f : R2 → R3 et g : R3 → R2 des applications linéaires de matrices
 
1 0  
2 −1 0
A = MatB,B0 (f ) = 1 1 ∈ M3,2 B = MatB0 ,B00 (g) = ∈ M2,3
3 1 2
0 2
Calculons la matrice C = MatB,B (g ◦ f ) de deux façons diérentes :
00

(1) via la dénition de la matrice d'une application linéaire,

(2) via la proposition précédente.

(1) Première méthode. Exprimer g ◦ f (e1 ) et g ◦ f (e2 ) dans la base (g1 , g2 ).

  Calcul de f (e1 ) et f (e2 ). Par dénition de A
 
1
f (e1 ) = 1 = 1f1 + 1f2 + 0f3 = f1 + f2
0 B0
De même,
 
0
f (e2 ) = 1 = 0f1 + 1f2 + 2f3 = f2 + 2f3
2 B0

 Calcul des g(f1 ), g(f2 ) et g(f3 ). Par dénition, g(fj ) correspond à la j -ème
colonne de la matrice B :
 
2
g(f1 ) = = 2g1 + 3g2
3 B00
De même
   
−1 0
g(f2 ) = = −g1 + g2 , g(f3 ) = = 2g2
1 B00 2 B00
 Calcul de g ◦ f (e1 ) et g ◦ f (e2 ). Par linéarité :
g ◦ f (e1 ) = g(f1 + f2 ) = g(f1 ) + g(f2 ) = (2g1 + 3g2 ) + (−g1 + g2 ) = g1 + 4g2
g ◦ f (e2 ) = g(f2 + 2f3 ) = g(f2 ) + 2g(f3 ) = (−g1 + g2 ) + 2(2g2 ) = −g1 + 5g2
 Ainsi  
1 −1
C=
4 5
(2) Deuxième méthode. Utilisons le produit de matrices : on sait que C = BA.
Donc
 
  1 0  
2 −1 0 1 −1
MatB,B00 (g ◦ f ) = C = B × A = × 1 1  =
3 1 2 4 5
0 2

Remarque : c'est bien plus rapide ainsi !

2.2. Matrice d'un endomorphisme.
 On se restreint maintenant au cas E = F .
 Si dim E = n, alors chaque matrice associée à f est une matrice carrée de
taille n × n.
 Si on choisit B = B0 , on note simplement MatB (f ) la matrice associée à f .
 Mais on peut aussi choisir deux bases distinctes pour E .
Exemple 7.
(1) id : E → E . Quelle que soit la base B de E , on a MatB (id) = In .
Attention. Ce n'est plus vrai si B0 est diérente de B.
(2) Homothétie hλ : E → E , hλ (x) = λ · x (où λ ∈ K est le rapport de
l'homothétie) : MatB (hλ ) = λIn .
(3) Symétrie centrale s : E → E , s(x) = −x : MatB (s) = −In .
(4) Cas de rθ : R2 −→ R2 la rotation d'angle θ, centrée à l'origine, dans l'espace
vectoriel R2 muni de la base canonique B. Alors rθ (x, y) = (x cos θ −
y sin θ, x sin θ + y cos θ). On a
 
cos θ − sin θ
MatB (rθ ) = .
sin θ cos θ
Proposition 5. Soient E un espace vectoriel de dimension nie et B une base de
E . Soit f : E → E une application linéaire. Alors, quel que soit p ∈ N :

p
MatB (f p ) = MatB (f )
Autrement dit, si A est la matrice associée à f , alors la matrice associée à
f = f ◦ f ◦ · · · ◦ f est Ap = A × A × · · · × A.
p
| {z } | {z }
p occurrences p facteurs

Démonstration. La démonstration (laissée en exercice) est une récurrence sur p

en utilisant la proposition 4. 
Exemple 8. Soit rθ la matrice de la rotation d'angle θ dans R2 dans la base
canonique. La matrice de rθp est :
 p

p cos θ − sin θ
MatB (rθp ) = MatB (rθ ) =
sin θ cos θ
Un calcul par récurrence montre ensuite que
 
cos(pθ) − sin(pθ)
MatB (rθp ) = ,
sin(pθ) cos(pθ)
ce qui est bien la matrice de la rotation d'angle pθ : composer p fois la rotation
d'angle θ revient à eectuer une rotation d'angle pθ.
Théorème 4. Soient E et F deux K-espaces vectoriels de même dimension nie.
Soit f : E → F une application linéaire. Soient B une base de E , B0 une base de
F et A = MatB,B0 (f ).
(1) f est bijective si et seulement si la matrice A est inversible. Autrement dit,
f est un isomorphisme si et seulement si sa matrice associée MatB,B0 (f ) est
inversible.
(2) De plus, si f : E → F est bijective, alors la matrice de l'application linéaire
f −1 : F → E de la base B0 vers
 la base B est la matrice A . Autrement dit,
−1
−1
MatB0 ,B (f −1
)= MatB,B0 (f ) .

Voici le cas particulier très important d'un endomorphisme f : E → E où E

est muni de la même base B au départ et à l'arrivée et A = MatB (f ).
Corollaire 1.
 f est bijective si et seulement si A est inversible.
 Si f est bijective, alors la matrice associée à f −1 dans la base B est A−1 .

−1
Autrement dit : MatB (f −1 ) = MatB (f ) .
Preuve du théorème 4. On note A = MatB,B0 (f ).
 Si f est bijective, notons B = MatB0 ,B (f −1 ). Alors par la proposition 4 on
sait que
BA = MatB0 ,B (f −1 ) × MatB,B0 (f ) = MatB,B (f −1 ◦ f ) = MatB,B (idE ) = I.
De même AB = I .
Ainsi A = MatB,B0 (f ) est inversible et son inverse est B = MatB0 ,B (f −1 ).
 Réciproquement, supposons A = MatB,B0 (f ) inversible. Soit g : F → E
l'application linéaire telle que A−1 = MatB0 ,B (g). Alors, toujours par la pro-
position 4 :
MatB,B (g ◦ f ) = MatB0 ,B (g) × MatB,B0 (f ) = A−1 A = I
Donc la matrice de g ◦ f dans loa base B est l'identité.
Ceci implique g ◦ f = idE .
De même f ◦ g = idF .
Ainsi f est bijective (et sa bijection réciproque est g ).

Mini-exercice.
(1) Calculer la matrice associée aux applications linéaires fi : R2 → R2 dans la
base canonique :
(a) f1 la symétrie par rapport à l'axe (y = x),
(b) f2 la projection orthogonale sur l'axe (Oy).
(2) Calculer les matrices associées à f1 ◦ f2 et f2 ◦ f1 ,
(3) Lorsque c'est possible, calculer la matrice associée à fi−1 .
 3. Changement de bases

3.1. Application linéaire, matrice, vecteur. Soit E un espace vectoriel de

dimension nie et soit B = (e1 , e2 , . . . , ep ) une base de E . Pour chaque x ∈ E , il
existe un p-uplet unique d'éléments de K (x1 , x2 , . . . , xp ) tel que
x = x1 e1 + x2 e2 + · · · + xp ep .
La matrice des coordonnées de x est un vecteur colonne, noté MatB (x) ou encore
x1 !
x2
.. .
x
.
p B
Dans R , si B est la base canonique, alors on note simplement
p

x1 !
x2
..
x
.
p

en omettant de mentionner la base.

 Soient E et F deux K-espaces vectoriels de dimension nie et f : E → F une
application linéaire.
Le but de ce paragraphe est de traduire l'égalité vectorielle y = f (x)
par une égalité matricielle .
Soient B une base de E et B0 une base de F .
Proposition 6.
 Soit A = MatB,B0 (f ).
x1 !
x2
 Pour x ∈ E , notons X = MatB (x) = .. .
x
.
p
y1 !B
y2
 Pour y ∈ F , notons Y = MatB0 (y) = .. .
y
.
n B0
Alors, si y = f (x), on a
Y = AX
Autrement dit :

MatB0 f (x) = MatB,B0 (f ) × MatB (x)


Y = MatB0 f (x) = MatB,B0 (f ) × MatB (x) = AX

Démonstration.

 On pose B = (e1 , . . . , ep ), B 0 = (f1 , f2 , . . . , fn ),!

x1
x2
A = (ai,j ) = MatB,B0 (f ) et X = MatB (x) = .. .
x
.
p
 On a
p p p
! n
!
X X X X
f (x) = f xj ej = xj f (ej ) = xj ai,j fi .
j=1 j=1 j=1 i=1

En utilisant la commutativité de K, on a donc

p p
! !
X X
f (x) = a1,j xj f1 + · · · + an,j xj fn .
j=1 j=1

 La matrice Y des coordonnées de y = f (x) dans la base (f1 , f2 , . . . , fn ) est

ainsi :  Pp 
a1,j xj
Pj=1
p
j=1 a2,j xj
Y = .. .
 
Pp .
j=1 an,j xj
 Or  Pp 
x1 ! a1,j xj
Pj=1
p
x2 a2,j xj
AX = A .. =
 j=1
.. .

x
. .
p Pp
j=1 an,j xj

Exemple 9. Soient E un K-espace vectoriel de dimension 3 et B = (e1, e2, e3)
une base de E . Soit f l'endomorphisme de E dont la matrice dans la base B est
égale à  
1 2 1
A = MatB (f ) = 2 3 1 .
1 1 0
On se propose de déterminer le noyau de f et l'image de f .
Les éléments x de E sont des combinaisons linéaires de e1 , e2 et e3 : x =
x1 e1 + x2 e2 + x3 e3 . On a
 

0
x ∈ Ker f ⇐⇒ f (x) = 0E ⇐⇒ MatB f (x) = 0

0
     
0 x1 0
⇐⇒ AX = 0 ⇐⇒ A x2 = 0
    
0 x3 0

 x1 + 2x2 + x3 = 0
⇐⇒ 2x + 3x2 + x3 = 0
 1
x1 + x2 = 0
 
 x1 + 2x2 + x3 = 0
2x + 3x2 + x3 = 0
 1
x1 + x2 = 0
On résout ce système par la méthode du pivot de Gauss. On trouve
Ker f = x1 e1 + x2 e2 + x3 e3 ∈ E | x1 + 2x2 + x3 = 0 et x2 + x3 = 0

n t  o  1  
= −t | t ∈ K = Vect −1
t 1 B

Le noyau est donc de dimension 1.

Par le théorème du rang, l'image Im f est de dimension 2.
Les deux premiers vecteurs de la matrice
 
1 2 1
A = MatB (f ) = 2 3 1
1 1 0
étant linéairement indépendants, ils engendrent Im f :
    
1 2
Im f = Vect 2 , 3
1 B 1 B
3.2. Matrice de passage d'une base à une autre. Soit E un espace vectoriel
de dimension nie n.
Dénition 3. Soit B une base de E . Soit B0 une autre base de E .
On appelle matrice de passage de la base B vers la base B0 , et on note PB,B0 ,
la matrice carrée de taille n × n dont la j -ème colonne est formée des coordonnées
du j -ème vecteur de la base B0 dans la base B.
Exemple 10. Soit l'espace vectoriel réel R2. On considère
       
1 1 1 5
e1 = e2 = 1 = 2 = .
0 1 2 4
On considère la base B = (e1 , e2 ) et la base B0 = (1 , 2 ).
Quelle est la matrice de passage de la base B vers la base B0 ?
Il faut exprimer 1 et 2 en fonction de (e1 , e2 ). On calcule que :
   
−1 1
1 = −e1 + 2e2 = 2 = e1 + 4e2 =
2 B 4 B
La matrice de passage de B vers B0 est donc :
 
−1 1
PB,B0 =
2 4
 On va interpréter une matrice de passage comme la matrice associée
à l'application identité de E par rapport à des bases bien choisies.
Proposition 7. La matrice de passage PB,B de la base B vers la base B0 est la
0

matrice associée à l'identité idE : (E, B0 ) → (E, B), c'est-à-dire :

PB,B0 = MatB0 ,B (idE )

Attention à l'inversion de l'ordre des bases !

Démonstration. On pose B = (e1 , e2 , . . . , en ) et B0 = (e01 , e02 , . . . , e0n ). On considère
idE : (E, B 0 ) −→ (E, B)
x 7−→ idE (x) = x
On a n
X
idE (e0j ) = e0j = ai,j ei
i=1
et donc MatB0 ,B (idE ) est la matrice dont !la j -ème colonne est formée des coor-
a1,j
a2,j
données de e0j par rapport à B, soit .. .
.
an,j
Par dénition de la matrice de passage, c'est aussi la j -ème colonne de PB,B0 . 
Proposition 8.
(1) La matrice de passage d'une base B vers une base B0 est inversible et son
inverse est égale à la matrice de passage de la base B0 vers la base B :

−1
PB0 ,B = PB,B0
(2) Si B, B0 et B00 sont trois bases, alors PB,B00 = PB,B0 × PB0 ,B00

Démonstration.

(1) On a PB,B0 = MatB0 ,B idE . Donc, d'après le théorème 4 caractérisant la

matrice d'un isomorphisme,

−1
−1
= MatB,B0 id−1


PB,B0 = MatB0 ,B idE E .

Or id−1
E = idE , donc
−1


PB,B0 = MatB,B0 idE = PB0 ,B .
(2) idE : (E, B00 ) → (E, B) se factorise de la façon suivante :
id id
(E, B 00 ) −→
E
(E, B 0 ) −→
E
(E, B).
Autrement dit, on écrit idE = idE ◦ idE . Cette factorisation permet d'écrire
l'égalité suivante :




MatB00 ,B idE = MatB0 ,B idE × MatB00 ,B0 idE ,
soit
PB,B00 = PB,B0 × PB0 ,B00 .

Exemple 11. Soit E = R3 muni de sa base canonique B. Dénissons
      
    
1 0 3 1 0 0
B1 = 1 , −1 ,  2  et B2 = −1 , 1 ,  0  .
0 0 −1 0 0 −1
Quelle est la matrice de passage de B1 vers B2 ?
On a d'abord
   
1 0 3 1 0 0
PB,B1 = 1 −1 2  et PB,B2 = −1 1 0  .
0 0 −1 0 0 −1
La proposition 8 implique que PB,B2 = PB,B1 × PB1 ,B2 . Donc on a
−1
PB1 ,B2 = PB,B1 × PB,B2 .
Après calcul de l'inverse, on trouve :
 −1  
1 0 3 1 0 0
PB1 ,B2 = 1 −1 2  × −1 1 0
0 0 −1 0 0 −1
     
1 0 3 1 0 0 1 0 −3
= 1 −1 1 × −1 1
   0  = 2 −1 −1 .
0 0 −1 0 0 −1 0 0 1
 Nous allons maintenant étudier l'eet d'un changement de bases sur les coor-
données d'un vecteur.
 Soient B = (e1 , e2 , . . . , en ) et B0 = (e01 , e02 , . . . , e0n ) deux bases d'un même
K-espace vectoriel E .
 Soit PB,B0 la matrice de passage de la base B vers la base B0 .
 Pour x ∈ E , il se décompose en x = ni=1 xi ei dans la base B et on note
P
x1
!
x2
X = MatB (x) = .. .
x
.
nB
 Ce même x ∈ E se décompose en x = dans la base B0 et on note
Pn 0 0
i=1 xi ei
x01
 
x02
X 0 = MatB0 (x) =  ..  .
.
x0n B0

Proposition 9.
X = PB,B0 ×X 0

Démonstration. C'est une conséquence de la proposition 6 (Y = AX ) et du fait

que PB,B0 = MatB0 ,B (idE ). 
3.3. Formule de changement de base.
 Soient E et F deux K-espaces vectoriels de dimension nie.
 Soit f : E → F une application linéaire.
 Soient BE , BE0 deux bases de E .
 Soient BF , BF0 deux bases de F .
 Soit P = PBE ,BE0 la matrice de passage de BE à BE0 .
 Soit Q = PBF ,BF0 la matrice de passage de BF à BF0 .
 Soit A = MatBE ,BF (f ) la matrice de l'application linéaire f de la base BE
vers la base BF .
 Soit B = MatBE0 ,BF0 (f ) la matrice de l'application linéaire f de la base BE0
vers la base BF0 .
Théorème 5 (Formule de changement de base).
B = Q−1 AP

Démonstration. L'application f : (E, BE0 ) → (F, BF0 ) se factorise de la façon

suivante :
id f id
(E, BE0 ) −→
E F
(E, BE ) −→ (F, BF ) −→ (F, BF0 ),
c'est-à-dire que f = idF ◦f ◦ idE .
On a donc l'égalité de matrices suivante :
B = MatBE0 ,BF0 (f )
= MatBF ,BF0 (idF ) × MatBE ,BF (f ) × MatBE0 ,BE (idE )
= PBF0 ,BF × MatBE ,BF (f ) × PBE ,BE0
= Q−1 AP

 Dans le cas particulier d'un endomorphisme, nous obtenons une formule plus
simple :
 Soit f : E → E une application linéaire.
 Soient B, B0 deux bases de E .
 Soit P = PB,B0 la matrice de passage de B à B0 .
 Soit A = MatB (f ) la matrice de l'application linéaire f dans la base B.
 Soit B = MatB0 (f ) la matrice de l'application linéaire f dans la base B0 .
Le théorème 5 devient alors :
Corollaire 2.
B = P −1 AP
Exemple 12. Reprenons les deux bases de R3 de l'exemple 11 :
           
1 0 3 1 0 0
B1 = 1 , −1 ,  2  et B2 = −1 , 1 ,  0  .
0 0 −1 0 0 −1
Soit f : R3 → R3 l'application linéaire dont la matrice dans la base B1 est :
 
1 0 −6
A = MatB1 (f ) = −2 2 −7
0 0 3
Que vaut la matrice B = MatB (f ) de f dans la base B2 ?
2

(1) Nous avions calculé que la matrice de passage de B1 vers B2 était

 
1 0 −3
P = PB1 ,B2 = 2 −1 −1 .
0 0 1
 
1 0 3
(2) On calcule aussi P −1 = 2 −1 5 .
0 0 1
 (3) On applique la formule du changement de base du corollaire 2 :

       
1 0 3 1 0 −6 1 0 −3 1 0 0
B = P −1 AP = 2 −1 5 × −2 2 −7 × 2 −1 −1 = 0 2 0
0 0 1 0 0 3 0 0 1 0 0 3

Remarque : L'intérêt des changements de base est de se ramener à une matrice

plus simple.
Par exemple ici, il est facile de calculer les puissances B k , pour en déduire les
Ak .
En eet pour k ∈ N :  
1 0 0
k
B = 0 2k 0 
0 0 3k
d'où
3 − 3k+1
 
1 0
Ak = (P BP −1 )k = P B k P −1 = 2 − 2k+1 2k 6 − 5 · 2k − 3k  .
0 0 3k
3.4. Pour aller plus loin : les matrices semblables. Les matrices considérées
dans ce paragraphe sont des matrices carrées, éléments de Mn (K).
Dénition 4. Soient A et B deux matrices de Mn(K). On dit que la matrice B
est semblable à la matrice A s'il existe une matrice inversible P ∈ Mn (K) telle
que B = P −1 AP .
La relation  être semblable  est une relation d'équivalence dans l'ensemble
Mn (K) :
Proposition 10.
 La relation est réexive : une matrice A est semblable à elle-même.
 La relation est symétrique : si A est semblable à B , alors B est semblable
à A.
 La relation est transitive : si A est semblable à B , et B est semblable à C ,
alors A est semblable à C .

Le corollaire 2 se reformule ainsi :

Corollaire 3. Deux matrices semblables représentent le même endomorphisme,
mais exprimé dans des bases diérentes.
Mini-exercice. (1) Soit f : R2 → R2 dénie par
f (x, y) = (2x + y, 3x − 2y).
Soit v = ( −4
3 ) ∈ R2 avec ses coordonnées dans la base canonique B de R2 .
0
Soit B1 = (( 32 ) , ( 22 )) une autre base de R2 .
(a) Calculer la matrice de f dans la base canonique.
(b) Calculer les coordonnées de f (v) dans la base canonique.
(c) Calculer la matrice de passage de B0 à B1 .
(d) En déduire les coordonnées de v dans la base B1 , et de f (v) dans la base
B1 .
(e) Calculer la matrice de f dans la base B1 .
(2) Même exercice dans R3 avec f : R3 → R3 ,
f (x, y, z) = (x − 2y, y − 2z, z − 2x)
 3 
v = −2 ∈ R3
1
et      
0 2 1
B1 = 1 , 0 , 2
2 1 0