Vous êtes sur la page 1sur 64

Universit Molay Ismail

cole Nationale Suprieur des Arts et Mtiers


Dpartement de Mathmatiques, Informatique, Langues, Communication et
Culture de lHomme
ENSAM

Notes de cours
dAlgbre Linaire
Pr. Mustapha GHILANI

Anne Universitaire : 2009

Table des matires


1 Les
1.1
1.2
1.3
1.4
1.5
1.6
2

espaces vectoriels
Structure dun espace vectoriel . . . . . .
Structure de sous-espace vectoriel . . . .
Indpendance linaire et base algbrique
Espace de dimension finie . . . . . . . .
Rang dune famille finie de vecteurs . . .
Somme de sous-espaces vectoriels . . . .

Les applications linaires


2.1 Dfinitions et proprits . . . . . . . . .
2.2 Isomorphisme rciproque . . . . . . . . .
2.3 Structure despace vectoriel sur LK (E, F )
2.4 Exemples dapplications linaires . . . .
2.5 Cas particulier des endomorphismes . . .
2.6 Noyau et Image . . . . . . . . . . . . . .
2.7 Rang dune application linaire . . . .
Les Matrices
3.1 Dfinitions et gnralits . . . .
3.2 Matrices et applications linaires
3.3 Rang dune matrice . . . . . . . .
3.4 Matrices carres inversibles . . . .
3.5 Matrices de passages . . . . . . .

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.

5
5
8
12
16
18
21

.
.
.
.
.
.
.

23
23
24
24
25
25
27
29

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

31
31
38
43
43
45

4 Systmes dquations linaires et dterminant


4.1 Systmes dquations linaires . . . . . . . . . .
4.2 Le dterminant dun systme . . . . . . . . . .
4.3 tude de lensemble des solutions . . . . . . . .
4.4 Rsolution dun systme de Cramer . . . . . . .
4.5 Rsolution dans le cas gnral . . . . . . . . . .

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

51
51
52
58
60
61

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

Chapitre 1
Les espaces vectoriels
On dsigne par K un corps commutatif muni des oprations +K et K .
Dans tout le chapitre, on considre un ensemble E muni dune addition, note
"+", et dune multiplication par scalaire, note ".".

1.1

Structure dun espace vectoriel

Dfinition 1.1.1. On dit que E est espace vectoriel sur K ( ou K-espace


vectoriel) si (E, +) est un groupe commutatif et si on a les proprits suivantes :
K, (~x, ~y ) E,
(, ) K K, ~x E,
(, ) K K, ~x E,
~x E,

(~x + ~y ) = ~x + ~y ,
( +K ) ~x = .~x + ~x,
.( ~x) = ( K ) ~x,
1K .~x = ~x.

Notations 1.1.1.
1. Les lments de E sont appels vecteurs et les lments de K sont appels
scalaires.
2. Les lments ~x, ~y , ~z, ~a, ~b, ~c, . . . dsignent des vecteurs. On les note aussi
parfois sans les flches :
x, y, z, a, b, c.
3. Les lments , , , a, b, c, . . . dsignent des scalaires.
On rappelle que "(E, +) est un groupe commutatif" signifie :
(a) Pour tout (x, y, z) E 3 , (x + y) + z = x + (y + z).
(b) Existence dun lment appel zro et not 0E dans E tel que, pour
tout x E, 0E + x = x + 0E = x.
(c) Tout x E possde un oppos dans lensemble E, i.e il existe y E
tel que x + y = y + x = 0E . Ce y sera noter x.
(d) Pour tout (x, y) E 2 , x + y = y + x.
Remarque 1.1.1. Tout C-espace vectoriel est aussi un R-espace vectoriel.
Exemple 1.1.1. E = Kn
Soit n N . Lensemble produit E = Kn dfini par
Kn := {(x1 , , xn ) / x1 K, . . . , xn K }
5

muni des deux lois + et . dfinies pour tous (x1 , , xn ) et (y1 , , yn ) appartenant Kn et pour tous K par :
(x1 , , xn ) + (y1 , , yn ) := (x1 + y1 , , xn + yn )
.(x1 , , xn ) := (.x1 , , .xn ),
possde une structure de K espace vectoriel.
Un vecteur x de Kn est n-uplet et on le note x = (x1 , , xn ). Llment neutre
pour laddition est le vecteur 0Kn = (0, 0, , 0).
Exemple 1.1.2. E = K[X]
Lensemble E = K[X] des polynmes sur K muni des deux lois + et . dfinies
pour tous P = (an )nN et Q = (bn )nN dans K[X] et pour tout K par :
P + Q := (an +K bn )nN
.P := ( K an )nN ,
possde une structure despace vectoriel sur K. Les vecteurs de K[X] sont des
polynmes. Tout polynme P K[X] peut scrire sous la forme :
P = a0 + a1 X + + an X n .
Le vecteur nul est le polynme 0K[X] K[X], dont tous ces coefficients sont
nuls.
Exemple 1.1.3. E = A(I, K)
Soit I un ensemble. Lensemble E = A(I, K) des applications de I vers K
muni des deux lois + et . dfinies pour tous f : I K, g : I K et tout
K par :
x I (f + g)(x) := f (x) +K g(x)
x I (.f )(x) := K f (x),
possde une structure despace vectoriel sur K. Un vecteur de A(I, K) est une
application f : I K ne pas confondre avec sa valeur f (x) en un point
x I (cest un scalaire). On notera alors f A(I, K). Le vecteur nul est
lapplication qui tout x I associe 0K . On lappelle lapplication nulle.
En particulier si I = N alors lensemble E = A(N, K) des suites valeurs dans
K muni des deux lois + et . dfinies pour toutes suites (un )nN et (vn )nN et pour
tout K par :
(un )nN + (vn )nN := (un +K vn )nN
.(un )nN := ( K un )nN ,
possde aussi une structure despace vectoriel sur K. Un vecteur de A(N, K)
est une suite (un )nN ne pas confondre avec son terme gnral un (cest un
scalaire). Le vecteur nul est la suite de terme gnral nul.
Donnons quelques proprits de calcul dans un K-espace vectoriel :
Proprits 1.1.1. Soit E un K-espace vectoriel. On a les proprits suivantes :
6

(i) Pour tout vecteur x appartenant E, 0K .x = 0E .


(ii) Pour tout scalaire dans K, .0E = 0E .
(iii) Pour tout scalaire K et pour tout vecteur x E,
().x = (.x) = .(x).
(iv) Soient K et x E. Alors
.x = 0E

= 0K ou x = 0E

Remarque 1.1.2. Afin dallger les critures, on note x au lieu de .x.


Combinaison linaire de vecteurs
Dfinition 1.1.2. ( Cas dune famille finie)
Soient E un K- espace vectoriel et v1 , v2 , . . . , vp E. On dit que le vecteur
x E est combinaison linaire des vecteurs v1 , v2 , . . . , vp si
(1 , 2 , . . . , p ) Kp : x = 1 v1 + 2 v2 + + p vp .
Les scalaires 1 , 2 , . . . , p de K se nomment coefficients de la combinaison
linaire.
Exemple 1.1.4. E = K3
Tout vecteur x = (1 , 2 , 3 ) K3 peut scrire sous la forme :
x = 1 e1 + 2 e2 + 3 e3 ,
avec
e1 = (1, 0, 0), e2 = (0, 1, 0) et e3 = (0, 0, 1).
Par consquent, x est combinaison linaire des trois vecteurs e1 , e2 et e3 .
Dfinition 1.1.3. ( Cas dune famille infinie)
On dit que le vecteur x E est combinaison linaire de la famille infinie (vi )iI
s il existe J I tel que card(J) < + et
X
(i )iJ KJ : x =
i vi .
iJ

Les scalaires i , i J se nomment coefficients de la combinaison linaire. Ils


sont en nombre fini.
Exemple 1.1.5. E = K[X]
Tout polynme de K[X] est combinaison linaire de la famille infinie

(X n )nN = 1K[X] , X, . . . , X n , X n+1,... .
Par exemple, si P = 13X 20 + 5X 6 X alors J = {1, 6, 20} et 1 = 1, 2 = 5
et 3 = 13 car
X
P =
i X i = 1 X + 2 X 6 + 3 X 20 .
i{1,6,20}

1.2

Structure de sous-espace vectoriel

Prambule : lensemble Kn [X]


Soit n N. Considrons lensemble suivant :
Kn [X] := {P K[X] : deg(P ) n}.
On remarque les points suivants :
(i) 0K[X] Kn [X] car deg(0K[X] ) = .
(ii) Si P Kn [X] et Q Kn [X] alors P + Q Kn [x].
(iii) Si P Kn [X] et K alors P Kn [X].
(iv) Plus gnralement, pour tous P, Q Kn [X] et tous , dans K,
P + Q Kn [X].
En rsum, on dit que Kn [X] est un sous-espace vectoriel du K-espace K[X].
Prambule : les suites de Fibonacci gnralises
Soit F lensemble des suites complexes (un )nC vrifiant :
n N un+2 = un+1 + un .
La suite de Fibonacci
(0, 1, 1, 2, 3, 5, 8, 13, 21, 34, etc),
et la suite Lucas
(2, 1, 3, 4, 7, 11, 18, 29, 47, etc)
sont de suites qui appartiennent F . On remarque les points suivants :
(i) La suite nulle appartient F .
(ii) Pour tous (un )nN , (vn )nN dans F et tous , C,
(un )nN + (vn )nN F.
On dira alors que F est un sous-espace vectoriel du C-espace des suites
complexes.
Prambule : quation diffrentielle homogne
Soit S0 lensemble de toutes les solutions sur R de lquation diffrentielle
homogne suivante :
00
0
(E0 ) ay + by + cy = 0,
(1.2.1)
o (a, b, c) K K K. Les deux points suivants sont vrifis :
(i) Lapplication est une solution sur R de (E0 ).
(ii) Si y1 : R K, y2 : R K sont deux solutions sur R de (E0 ) alors,
pour tous , dans K, y1 + y2 : R K est aussi solution sur R de
(E0 ).
En rsum, on dit que lensemble S0 des solutions sur R de (E0 ) est un sousespace vectoriel du K-espace des applications de R dans K, A(R, K).
8

Dfinition 1.2.1. Soient E un K-espace et F un sous-ensemble de E. On dit


que F est un sous-espace vectoriel de E (notation abrge : s.e.v.) si F 6= et
si
(, ) K2 x F y F : x + y F.
Remarque 1.2.1.
(a) Un sous-espace F de E nest jamais vide puisque 0E F .
(b) Les deux sous-ensembles 0E et E constituent deux sous-espaces vectoriels triviaux de E.
Proprits 1.2.1. Soient E un K-espace et F un sous-ensemble de E. Si F
est un sous-espace vectoriel de E alors F est un K-espace.
Remarque 1.2.2.
(a) Si G s.e.v. de F et F s.e.v. de E alors G s.e.v. de E.
(b) Si F est un sous-espace de E alors son complmentaire F nest pas un
sous-espace de E car 0E
/ F.
Exemples 1.2.1.
1. Soit E un K-espace vectoriel et u E. Lensemble
Ku := { u : K },
est un sous-espace vectoriel de E.
2. Soit (a, b, c) K3 . Lensemble


F = (x1 , x2 , x3 ) K3 : ax1 + bx2 + cx3 = 0
est un sous-espace vectoriel de K3 .
Intersection de sous-espaces vectoriels
Proprits 1.2.2. Soient E un K-espace vectoriel et (Fi )iI une famille (finie
ou infinie) de sous-espaces vectoriels de E. Alors lintersection H = iI Fi est
un sous-espace vectoriel de E.
Exemples 1.2.2.
1. Soit F1 = {0} R R et F2 = R R {0}. Alors :
F1 F2 = {0} R {0} = { (0, x2 , 0) R3 : x2 R }.
Ainsi, F1 F2 = Re0 avec e2 = (0, 1, 0).
2. Si u et v dsignent deux vecteurs non colinaires de R2 alors Ru Rv =
{0R2 }.
Remarque 1.2.3.
(a) Lintersection de sous-espaces F et G dun mme espace E nest jamais
vide : elle contient au moins le vecteur nul.
0E F G.
9

(b) Considrons les deux sous-espaces F1 et F2 de lespace produit R2 dfinis par :


F1 = R {0} = { (x1 , 0) R2 : x1 R},
F2 = {0} R = { (0, x2 ) R2 : x2 R}.
Alors, lensemble F1 F2 nest pas un sous-espace de R2 puisque (1, 0)
F 1 et (0, 1) F2 et
(1, 0) + (0, 1) = (1, 1)
/ F1 F2 .
Sous-espace vectoriel engendr par des vecteurs
Soient v1 , . . . , vm des vecteurs dun mme K-espace E. Soit x une combinaison linaire de (vi )1im , donc
(1 , 2 , . . . , m ) Km : x = 1 v1 + + m vm .
Soit y une combinaison linaire de (vi )1im , alors
(1 , . . . , m ) Km : y = 1 v1 + + m vm .
Soit (, ) K2 . Que pouvons-nous dire de x + y ?
x + y = (1 v1 + + m vm ) + (1 v1 + + m vm )
= (1 + 1 )v1 + + (m + m )vm
avec i + i K, 1 i m. On rappelle que 0E est combinaison linaire
de nimporte quelle famille de vecteurs.
Dfinition 1.2.2. Soient E un K-espace vectoriel et F = (vi )1im une famille finie de vecteurs de E. On appelle sous-espace engendr par la famille F
lensemble des combinaisons linaires des vecteurs v1 , . . . , vm . Autrement dit,


Vect(v1 , . . . , vm ) := 1 v1 + + m vm : (1 , . . . , m ) Km .
La famille (vi )1im est alors dite gnratrice du sous-espace Vect(v1 , . . . , vm )
Remarque 1.2.4. En particulier, Vect(0E ) = 0E .
Remarque 1.2.5. Le sous-espace engendr par une famille de vecteurs ne
change pas lorsquon modifie lordre des vecteurs. Par exemple,
Vect(u1 , u2 , u3 ) = Vect(u2 , u3 , u4 ).
Exemple 1.2.1.
1. Soit u un vecteur d un K-espace E. On a :
Vect(u) := {u : K}.
En particulier, si u = 0E alors Vect(u) = {0E }, sinon Vect(u) est appele
droite vectorielle engendre par u.
10

2. Soit u et v deux vecteurs d un K-espace E. On a :


Vect(u, v) := {u + v : , K}.
Si u 6= v pour tout K et v 6= 0 u pour tout 0 K alors Vect(u, v)
est appel plan vectoriel engendr par u et v.
Remarque 1.2.6.
(i) Supposons qu il existe K tel que u = v.
(a) Si v 6= 0E alors Vectu, v est la droite vectoriel engendre par v.
(a) Si v = 0E alors Vectu, v = {0E }.
(ii) Supposons qu il existe 0 K tel que v = 0 u.
(a) Si u 6= 0E alors Vectu, v est la droite vectoriel engendre par u.
(a) Si u = 0E alors Vectu, v = {0E }.
Soient u et v deux vecteurs d un K-espace E. Dsignons par F le sousespace engendr par ces deux vecteurs.
F = Vect(u, v).
Alors les ensembles suivants : {0E }, Ku, Kv, K(u + v), K(u + 17v) sont des
sous-espaces vectoriels de F . Plus gnralement, on vrifie que si (, ) alors
K(u + v) est aussi un sous-espace vectoriel de F . Lexemple suivant (figure
1.1) montre quelques sous-espaces engendrs dans R3 .

Figure 1.1 Exemples de us-espaces engendrs dans R3 .


Proprits 1.2.3. Soient E un K-espace et v1 , v2 , . . . , vm , vm+1 des vecteurs
de E. Si Vm+1 est combinaison linaire des m autres vecteurs v1 , . . . , vm alors
Vect(v1 , . . . , vm , vm+1 ) = Vect(v1 , . . . , vm ).
En particulier, Vect(v1 , . . . , vm , 0E ) = Vect(v1 , . . . , vm ).
11

(1.2.2)

Exemple 1.2.2. Considrons dans R4 les trois vecteurs


v1 = (1, 1, 0, 1), v2 = (1, 2, 1, 0), v3 = (3, 5, 2, 1).
Comme v3 = v1 + 2v2 alors Vect(v1 , v2 , v3 ) = Vect(v1 , v2 ).
Remarque 1.2.7. Une consquence est que lon a :
Vect(v1 , . . . , vm ) = Vect(v1 , . . . , vi +

m
X

j vj , . . . , vm ),

(1.2.3)

j=1,j6=i

pour tout K et pour tout j K, j {1, 2, . . . , m}\{i}. Cela signifie


que :
on ne modifie pas lespace engendr par une famille de vecteurs lorsquon
multiplie un des vecteurs par un scalaire non nul,
on ne modifie pas lespace engendr par une famille de vecteurs lorsquon
additionne un des vecteurs une combinaison linaire des autres (et
uniquement des autres) vecteurs.
Lopration qui consiste additionner un vecteur une combinaison linaire des autres vecteurs doit tre manipule avec prcaution.
Voici un contre exemple :
Considrons par exemple deux vecteurs u et v dun K-espace E. Supposons
u 6= v et v 6= u pour tout K. On a :
Vect(u, v) = Vect(u, v u) = Vect(u v, v),
mais on a :
Vect(u, v) 6= Vect(u v, v u) = K(v u).
En effet, ni u, ni v nappartient la droite vectorielle K(v u).

1.3

Indpendance linaire et base algbrique

Dfinition 1.3.1. ( Famille lie) Soient E un K-espace vectoriel et F =


(vi )1ip une famille finie de vecteurs de E. On dit que la famille F est lie
si lon peut trouver des scalaires 1 , . . . , p dans K dont un au moins est non
nul et tels que :
1 v1 + 2 v2 + + p vp = 0E .
On dit alors que v1 , v2 , . . . , vp sont linairement indpendants.
Autrement dit, la famille F = (v1 , . . . , vp ) est lie si
(1 , . . . , p ) Kp : (1 , . . . , p ) 6= (0, . . . , 0) et 1 v1 + + p vp = 0E .
Exemple 1.3.1. E = C4
On considre les trois vecteurs
v1 = (1, 0, 1, 1), v2 = (0, 2, 2i, 6) et v3 = (1, i, 0, 1 + 3i).
Alors v1 , v2 et v3 sont lis car v1 + 21 v2 v3 = 0C4 .
12

Remarque 1.3.1.
(a) Pour une famille de vecteurs, la proprit dtre lie ne change pas si
lon rarrange lordre des vecteurs. Par exemple, si F = (v1 , v2 , v3 ) est lie alors
F 0 = (v1 , v2 , v3 ) est aussi lie.
(b) Lorsque deux vecteurs dun mme espace vectoriel sont lis, on dit quils
sont colinaires.
(c) Lorsque trois vecteurs dun mme espace vectoriel sont lis, on dit quils
sont coplanaires.
Dfinition 1.3.2. (Famille libre) Soient E un K-espace vectoriel et F =
(vi )1ip une famille finie de vecteurs de E. Si la famille nest pas lie, on
dit quelle est libre. On dit alors que les vecteurs v1 , . . . , vp sont linairement
indpendants.
Comment montrer quune famille est libre ? La proprit pour une famille
F dtre libre est la ngation de celle dtre lie :
F est libre = non ( F est lie ) .
Ainsi, la famille F = (v1 , . . . , vp ) est libre si
(1 , . . . , p ) Kp : (1 , . . . , p ) = (0, . . . , 0) ou 1 v1 + + p vp 6= 0E .

Rappelons que : non(P ) ou Q (P = Q). Ainsi,
=non(P )

=Q

}|
{
z
al1 v1 + + p vp 6= 0E

z
}|
{
(1 , . . . , p ) = (0, . . . , 0)

=P

=Q

ou

al v + + p vp = 0E = (1 , . . . , p ) = (0, . . . , 0) .
{z
}
|
{z
}
|1 1

En dautres termes, pour montrer que F = (v1 , . . . , vp ) est une famille libre, il
convient de montrer que la relation
1 v1 + + p vp = 0E (appele relation de liaison)
entraine 1 = 2 = = p = 0K .
Exemples 1.3.1.
1. E = K4 . La famille F = (e1 , e2 , e3 ) o
e1 = (1, 0, 0, 0), e2 = (0, 1, 0, 0), e3 = (0, 0, 1, 0)
est libre. En effet, la relation de liaison
1 (1, 0, 0, 0) + 2 (0, 1, 0, 0) + 3 (0, 0, 1, 0) = (0, 0, 0, 0).
est quivalent :
(1 , 2 , 3 , 0) = (0, 0, 0, 0).
On en dduit, par identification, que 1 = 2 = 3 = 0.
13

2. Pour tout n N, la famille Fn = (1, X, X 2 , . . . , X n ) est libre dans K[X].


Proprits 1.3.1. (Caractrisation dune famille lie )
Une famille est lie si, et seulement si, un de ses vecteurs peut scrire comme
une combinaison linaire des autres vecteurs de la famille.
Exemple 1.3.2. E = R4
Les vecteurs suivants
v1 = (1, 1, 0, 1), v2 = (1, 2, 1, 0) et v3 = (3, 5, 2, 1)
sont lis puisque lun des vecteurs sexprime comme une combinaison linaire
des deux autres vecteurs. On a en effet :
v3 = v1 + 2v2 .
La mthode permettant dobtenir cette relation sera explicite ultrieurement
(mthodes des zros chelonns ).
Remarque 1.3.2.
1. La famille constitue dun seul vecteur est lie si, et seulement si, ce
vecteur est nul.
2. Toute famille contenant le vecteur nul est ncessairement lie. Par exemple,
dans R4 , les trois vecteurs

v1 = (1, 2, 12, 17), v2 = ( 2, 2, 0, 7), v3 = (0, 0, 0, 0)


sont lis puisque 0v1 + 0v2 + v3 = 0R4 .
Proposition 1.3.1. Soient E un K-espace et F une famille de E.
(i) Si F est libre alors toute sous-famille F 0 est libre.
(ii) Si F est lie alors toute sur-famille F 0 est lie.
Remarque 1.3.3. Soient E un K-espace et v E. Alors F = (v, v) est lie.
En effet, on peut crire ( K, 6= 0) :
v v = 0E .
Ainsi, toute famille comportant deux vecteurs gaux est lie.
ATTENTION Si des vecteurs forment une famille libre alors ils
sont ncessairement tous distincts. La rciproque est bien videmment fausse. Par exemple, dans R4 , les trois vecteurs
v1 = (1, 1, 0, 1), v2 = (1, 2, 1, 0), v3 = (3, 5, 2, 1)
sont distincts. Cependant, ils sont lis.

14

criture sous forme chelonne


On considre les quatre vecteurs a, b, c, d de K5 que nous plaons en lignes
superposes :
a = (a1 , a2 , a3 , a4 , a5 ) avec a1 6= 0,
b = (0, b2 , b3 , b4 , b5 ) avec b2 6= 0,
c = (0, 0, c3 , c4 , c5 ) avec c3 6= 0,
d = (0, 0, 0, d4 , d5 ) avec d4 6= 0.
La relation de liaison 1 a + 2 b + 3 + 4 d = 0K5 scrit

1 a1
=0

=0
1 a2 + 2 b 2
1 a3 + 2 b 3 + 3 c 3
=0

1 a4 + 2 b4 + 3 c4 + 4 d4 = 0

a + b + c + d = 0
1 5
2 5
3 5
4 5
Do 1 = 2 = 3 = 4 = 0. Par consquent, la famille (a, b, c, d) est libre.
Proposition 1.3.2. Soient E un K-espace et v1 , . . . , vm E. Toute famille
dau moins m + 1 vecteurs appartenant Vect(v1 , . . . , vm ) est lie.
Par exemple, soient E un K-espace et v1 , v2 , v3 trois vecteurs quelconques
de E. Considrons les 4 vecteurs x1 , x2 , x3 , x4 :

x1 = 3v1 + v2 + v3

x = v 2v + v
2
1
2
3

x3 = v1 2v2 + v3

x4 = v1 v2 + v3
Ces quatre vecteurs appartiennent Vect(v1 , v2 , v3 ). Ils sont ncessairement
lis. On peut dailleurs obtenir la relation de liaison :
x1 + x2 + x3 3x4 = 0E .
Corollaire 1.3.1. Si un espace E est engendr par m vecteurs alors toute
famille constitue dau moins m + 1 vecteurs appartenant E est lie.
Considrons par exemple le K-espace produit E = K3 . Alors les trois
vecteurs (1, 0, 0), (0, 1, 0), (0, 0, 1) engendrent K3 . Pour sen convaincre, soit
(x1 , x2 , x3 ) K3 . On a :
(x1 , x2 , x3 ) = x1 (1, 0, 0) + x2 (0, 1, 0) + x3 (0, 0, 1).
Alors, toute famille constitue dau moins 3 + 1 = 4 vecteurs de K3 est ncessairement lie. Cest le cas par exemple des quatre vecteurs :
(1, 1, 0), (1, 2, 1), (3, 5, 2), (12, 2, 3).
Dfinition 1.3.3. ( Base algbrique )
Soient E un K-espace vectoriel et B une famille de vecteurs de E. On dit que
la famille B est une base algbrique de E si B est la fois une famille libre
dans E et une famille gnratrice de E.
15

Cas dune famille finie : La famille finie B = (e1 , . . . , en ) est une base
de E si pour tout vecteur x E
!(1 , . . . , n ) Kn : x = 1 e1 + 2 e2 + + n en .
Les lments 1 , . . . , n de K sont appels les coordonnes (ou composantes)
du vecteur x par rapport la base B.
Cas dune famille infinie : Soit B = (ei )iI avec I un ensemble infini.
La famille B est une base de E si pour tout vecteur x E il existe J I avec
card(J) < tel que
X
! (i )iJ KJ x =
i e i .
iJ

Les lments (i )iJ de K sont appels les coordonnes du vecteur x par rapport
la base B.
Exemples 1.3.2.
1. Soit n N. La famille Bn = (1, X, X 2 , . . . , X n ) est une base de Kn [X].
2. B = (1, X, X 2 , . . . , X n , . . . ) est une base de K[X].
3. La famille B = (e1 , e2 , . . . , en ) avec
e1 = (1, 0, . . . , 0), e2 = (0, 1, . . . , 0), . . . , en = (0, 0, . . . , 1)
est une base de Kn appele la base canonique.

1.4

Espace de dimension finie

Dfinition 1.4.1. Soit E un espace vectoriel sur K.


1. On dit que E est de dimension finie sil existe une famille finie de vecteurs
gnrateurs de E.
2. Dans le cas contraire, E est dit de dimension infinie.
Exemples 1.4.1.
1. Tout espace possdant une base finie est ncessairement de dimension
finie. Cest par exemple le cas de Kn pour tout n N et Kn [X] pour
tout n N.
2. Lespace K[X] est de dimension infinie.
3. Soient E un K-espace (de dimension finie ou infinie) et v1 , . . . , vm E.
Le sous-espace Vect(v1 , . . . , vm ) est, par construction, de dimension finie.
Considrons un espace E non rduit au vecteur nul. Supposons E de dimension finie. Cela signifie quil possde une famille F gnratrice de E et
finie. La famille F est-elle ncessairement libre ? Non.
Si F est libre, cest donc une base de E.
Si F est lie alors on peut toujours extraire de F une sous-famille F 0
qui, elle, est libre. Il est clair que F 0 est encore gnratrice de E. Cest
donc une base (finie) de E.
16

Proposition 1.4.1.
(i) Un K-espace (non rduit au vecteur nul) de dimension finie possde au
moins une base finie.
(ii) Toutes les bases dun mme espace de dimension finie ont mme cardinal.
Dfinition 1.4.2. ( Dimension dun espace vectoriel)
Soit E un espace vectoriel de dimension finie sur K . On appelle dimension de
E le cardinal dune base de E :
dimK (E) := card(B),

(1.4.1)

o B est une base de E, et on convient que dimK ({0E }) := 0.


Exemple 1.4.1. Soit (a, b, c) R R R. Lensemble S0 des solutions sur
R de lquation diffrentielle homogne
00

ay + by + cy = 0

(1.4.2)

est un K-espace de dimension 2.




2
1 x
2
Si 4 = b 4ac > 0 alors B = x e , x e
est une base de
S0 , o 1 et 2 sont les racines de lquation caractristique.


Si 4 = b2 4ac = 0 alors B = x xex , x ex est une base de
S0 , o est lunique racine de lquation caractristique.


2
x
x
Si 4 = b 4ac < 0 alors B = x e cos(x), x e sin(x)
est une base de S0 , o = Re() et = Im() avec est racine
complexe d el lquation caractristique.
Lien entre le cardinal dune famille gnratrice ou libre et celui dune
base
Proposition 1.4.2. Soient E un K-espace de dimension finie et n = dimK (E).
(i) Toute famille G gnratrice de E vrifie :
card(G) n.

(1.4.3)

En particulier, toute famille gnratrice constitue de n vecteurs est une


base de E.
(ii) Toute famille L libre de E vrifie :
card(L) n.

(1.4.4)

En particulier, toute famille libre constitue de n vecteurs est une base


de E.
Remarque 1.4.1. Si L = (u1 , . . . , up ) est une famille libre dans E avec p < n,
alors on peut trouver n p vecteurs v1 , v2 , . . . , vnp tels que la sur-famille
B = (u1 , . . . , up , v1 , v2 , . . . , vnp )
soit une base de E.
17

(1.4.5)

Proposition 1.4.3. ( (Dimension dun sous-espace vectoriel) )


Tout sous-espace vectoriel F dun K-espace vectoriel E de dimension finie est
lui-mme de dimension finie et
dimK (F ) dimK (E).

(1.4.6)

En particulier, si dimK (F ) = dimK (E) alors F = E.

1.5

Rang dune famille finie de vecteurs

Dfinition 1.5.1. ( Rang dune famille finie de vecteurs )


Soient E un K-espace et F = (v1 , . . . , vp ). On appelle rang de F la dimension
du sous-espace (de E) engendr par F.


rg(F) := dimK Vect(v1 , . . . , vp ) .
(1.5.1)
Comment calculer le rang dune famille de vecteurs ? Il faut calculer la
dimension du sous-espace F = Vect(v1 , . . . , vp ). Pour cela, il convient :
dans un premier temps de trouver une base de F ;
dans un second temps den calculer le cardinal.
Comment trouver une base de F ? Elle sobtient par extraction partir de la
famille gnratrice F = (v1 , . . . , vp ).
Exemple 1.5.1. Considrons dans R4 la famille F = (v1 , v2 , v3 ) avec
v1 = (1, 1, 0, 1), v2 = (1, 2, 1, 2), v3 = (3, 5, 2, 1).
Soit F le sous-espace engendr par ces trois vecteurs.
1. Ces trois vecteurs sont lis car v3 = v1 + 2v2 . Ainsi,
F = Vect(v1 , v2 , v3 ) = Vect(v1 , v2 ).
Posons F 0 = (v1 , v2 ). Il est clair que la famille F 0 est libre. Elle aussi
gnratrice de F . Cest donc une base de F .
2. On a donc dimK (F ) = card(F 0 ) = 2. On en dduit alors le rang de la
famille F : rg(F) = dimK (F ) = 2.
Remarque 1.5.1.
Puisque v1 , . . . , vp ne sont pas ncessairement libres alors rg(v1 , . . . , vp )
p.
En particulier, si dimK (E) = n alors rg(v1 , . . . , vp ) min(n, p).
Dfinition 1.5.2. ( Droites et plans vectoriels, hyperplans)
Soient E un K-espace vectoriel et F un sous-espace de E.
1. F est appel droite vectorielle si dimK (F ) = 1.
2. F est appel plan vectoriel si dimK (F ) = 2.
3. En particulier, lorsque E est de dimension n 1 , le sous-espace F est
appel hyperplan vectoriel si
dimK (F ) = n 1.
18

La mthode des zros chelonns


Le but de ces mthodes est de connatre le rang dune famille F = (v1 , . . . , vp )
constitue de p vecteurs dun espace de dimension n. Puisque un sous-espace
engendr par une famille finie de vecteurs est inchang
si lon change lordre des vecteurs,
si lon multiplie un vecteur par un scalaire non nul,
si lon ajoute un des vecteurs une combinaison linaire des autres
vecteurs.
Soient B = (e1 , . . . , en ) une base de E et v1 , . . . , vp des vecteurs de E. Dcomposons ces vecteurs dans la base B on obtient :

v1 = a11 e1 + a12 e2 + + a1n en

v2 = a21 e1 + a22 e2 + + a2n en


v3 = a31 e1 + a32 e2 + + a3n en

..

vp = ap1 e1 + ap2 e2 + + apn en


On dispose alors les coordonnes en lignes superposes :

a11 a12 a13 . . . a1n


a21 a22 a23 . . . a2n

a31 a32 a33 . . . a3n


A0 =

..
..
.. . .
..
.
. .
.
.
ap1 ap2 ap3 . . . apn
Convention et notation : On convient des notations suivantes :
change des lignes Lk et Lk0 :
Lk Lk0
Multiplication de la ligne Lk par le scalaire K :
Lk Lk
Addition dune ligne une autre ( K) :
Lk Lk + Lk0
change des colonnes Ck et Ck0 :
Ck Ck0
tape 1 : Supposons a11 6= 0. Le but est de faire apparatre p 1 zros dans
la premire colonne au-dessous de a11 :
L2 L2

a31
ap1
a21
L1 , L3 L3
L1 , . . . , Lp Lp
L1
a11
a11
a11

19

et on dit que lon a utilis a11 comme pivot. On

a11 a12 a13 . . .


0 a0 a0 . . .
23
22

0 a0 a0 . . .
A1 =
32
33
..
..
.. . .
.
.
.
.
0
0
0 ap2 ap3 . . .

obtient :

a1n
a02n

a03n
.
..
.
0
apn

si tous les coefficients a0ij sont nuls alors rg(F) = 1. Sinon, on poursuit. tape
2 : Supposons a022 6= 0. Le but est de faire apparatre p 2 zros dans la
deuxime colonne au-dessous de a022 :
L3 L3

a0p2
a032
L
,
.
.
.
,
L

L2
2
p
p
a022
a022

et, cette fois-ci, cest a022 qui a t

a11
0

A1 = 0
..
.
0

utilis comme pivot. On obtient le tableau :

a12 a13 . . . a1n


a022 a023 . . . a02n

0 a0033 . . . a003n
.
..
.. . .
..
. .
.
.
0 a00p3 . . . a00pn

Si tous les coefficients a00ij sont nuls alors rg(F) = 2. Sinon, on poursuit !
...tape r : et ainsi de suite, jusqu lobtention lissue de ltape r dun
tableau de la forme suivante :

a11 ? . . .
?
... ?
0 a0 . . .
?
... ?
22

.. . . . .
..
..
.
.
.
.
.

(r1)

Ar = 0 . . . 0
arr
... ?
.
0 ... 0
0
... 0

..
..
..
..
.
.
.
.
0

...
(r1)

o les coefficients a11 , a022 , . . . , arr


obtient

... 0

sont tous non nuls. Ce sont les pivots. On

rg(F) = r.
Exemple 1.5.2. Soit la famille F = (v1 , v2 , v3 ) de 4R avec v1 = (1, 1, 0, 1), v2 =
(1, 2, 1, 0) et v3 = (3, 5, 2, 1). On a

1 1 0 1
1 1 0 1
1 1 0 1
A0 = 1 2 1 0 , A1 = 0 1 1 1 , A2 = 0 1 1 1
3 5 2 1
0 2 2 2
0 0 0 0
Do rg(F) = 2. Les trois vecteurs sont donc lis. On a aussi :
v3 = v1 + 2v2 .
20

1.6

Somme de sous-espaces vectoriels

Considrons dans E = A(R, R) les sous-espaces vectoriels :


F = {f A(R, R) : x R, f (x) = f (x)}, (applications paires)
G = {f A(R, R) : x R, f (x) = f (x)}, (applications impaires)
Il est possible dcrire toute application f : R R comme la somme dune
application paire g : R R et dune application impaire h : R R puisque
x R f (x) =

f (x) + f (x) f (x) f (x)


+
.
2
2
|
{z
} |
{z
}
=g(x)

=h(x)

On dira que lespace E est la somme des deux sous-espaces F et G et on notera


E = F + G.
Dfinition 1.6.1. Soient E un K-espace et F , G deux sous-espaces de E.
1. La somme de F et G est le sous-espace de E dfini par
F + G := {xF + xG

: xF F, xG G}.

2. La somme de F et G est dite directe si


x F + G ! xF F ! xG G x = xF + xG .
Les vecteurs xF et xG sont alors appels les composants du vecteur x
respectivement dans F et dans G. Le sous-espace F + G se note alors
F G.
3. F et G sont dits supplmentaires dans E si
E = F G.
Remarque 1.6.1.
(i) Lensemble F + G est bien un sous-espace vectoriel de E.
(ii) Les deux sous-espaces F et G de E constituent deux sous-espaces vidents du sous-espace F + G.
(iii) Si F et G sont de dimensions finies (non ncessairement gales) alors
le sous-espace F + G est lui-mme de dimension finie et on a :
dimK (F + G) dimK (F ) + dimK (G).
(iv) Tout sous-espace dun K-espace vectoriel E possde au moins un supplmentaire dans E.
Proposition 1.6.1. Une condition ncessaire et suffisante pour que la somme
des deux sous-espaces F et G soit directe est que F G = {0E }.
Exemple 1.6.1. La seule application de R dans R qui soit la fois paire et
impaire est lapplication nulle. En dautres termes,
F G = {x R 0 R},
o F dsigne lensemble des applications paires et G lensemble des applications
impaires. La somme des deux sous-espaces F et G est donc directe. On la note
alors F G. Or, E = F + G. On peut alors crire que :
E = F G.
21

Cas dun espace de dimension finie


Thorme 1.6.1. ( de Grassmann)
Soient E un K-espace vectoriel et F, G deux sous-espaces de E. Si F et G sont
de dimensions finies alors
dimK (F + G) = dimK (F ) + dimK (G) dimK (F G).
Remarque 1.6.2. Si F et G sont supplmentaires dans E (avec E de dimension finie) alors
dimK (E) = dimK (F ) + dimK (G).
Exemples 1.6.1.
1. Considrons dans E = R3 les deux sous-espaces F = Re1 et G = Re2 .
On obtient :
F G = R R {0} =
6 R3

et F G = {0R3 }.

Alors
dimR (F G) = dimR (F ) + dimR (G) .
{z
} | {z } | {z }
|
=2

=1

=1

2. Considrons dans E = R3 les deux sous-espaces F = R R {0} et


G = R {0} R. On obtient :
F + G = R3 et F G = Re1 .
Par consquent
dim (F + G) = dimR (F ) + dimR (G) dimR (F G) .
} | {z } | {z } |
{z
}
| R {z
=3

=2

=2

=1

Corollaire 1.6.1. Soient E un K-espace vectoriel de dimension finie et F , G


deux sous-espaces vectoriels de E. Si on a la fois
dimK (F ) + dimK (G) = dimK (E) et F G = {0E },
alors E = F G.
Exemple 1.6.2. Considrons dans E = R3 les deux sous-espaces suivants :
la droite vectorielle F = Ru, ce qui suppose u 6= 0 ;
le plan vectoriel G = Vect(v, w), ce qui suppose v et w libres entre eux.
Si u
/ Vect(v, w) alors F G = {0R3 }. De plus,
dimR (F ) + dimR (G) = dimR (R3 ), ainsi, F G = R3 .

22

Chapitre 2
Les applications linaires
2.1

Dfinitions et proprits

Dfinition 2.1.1. Soient E et F deux espaces vectoriels sur le mme corps


K.
1. On appelle application linaire de E vers F toute application f : E F
vrifiant :
f (x +E y) = f (x) +F f (y)
f (.E x) = .F f (x)
pour tout (x, y) E 2 et pour tout K.
2. Une application linaire est aussi appele morphisme despaces vectoriels
et on note f LK (E, F ).
Remarque 2.1.1. Clairement, f (0E ) = 0F et f (x) = f (x) pour tout
x E.
Proposition 2.1.1. Soient E et F deux espaces vectoriels sur le mme corps
K. Une condition ncessaire et suffisante pour quune application f : E F
soit linaire est que
f (.E x +E .E y) = .F f (x) +F .F f (y),
pour tout (, ) K2 et pour tout (x, y) E 2 .
Exemples 2.1.1.
1. L application x K x2 K nest pas linaire.
2. L application D : P K[X] P 0 K[X] est linaire.
3. Soit a K. L application x K y = ax K est linaire.
Dfinition 2.1.2. Soient E et F deux K-espaces vectoriels.
(a) Forme linaire : application linaire de E dans K.
(b) Isomorphisme : application linaire bijective de E dans F .
(c) Endomorphisme de E : application linaire f de E dans F . On note :
f LK (E).
23

(d) Si un endomorphisme f de E est bijectif alors on dit que cest un automorphisme de E. On note : f GLK (E).
Exemple 2.1.1. La drivation des polynmes, cest--dire lapplication
D : P K[X] P 0 K[X]
est un endomorphisme de K[X]. On note : D L(K[X]).

2.2

Isomorphisme rciproque

Proposition 2.2.1. Soient E, F deux K-espaces vectoriels et f une application linaire de E vers F . Si f est bijective alors son application rciproque
f 1 est une application linaire de F vers E. Autrement dit,
f 1 (.F y +F .F z) = .E f 1 (x) +E .E f 1 (y),
pour tout (, ) K2 et pour tout (y, z) F 2 .
Remarque 2.2.1. Bien sr, en plus dtre linaire, lapplication rciproque
f 1 : F E est-elle mme bijective.
Proposition 2.2.2. Soient E, F et G trois K-espaces vectoriels. Si f
LK (E, F ) et g LK (F, G) alors g f LK (E, G). En dautres termes, la
compose de deux applications linaires est encore une application linaire.
En effet, on peut vrifier les points suivants :
(a) Pour tout (x, y) E 2
(g f )(x +E y) = (g f )(x) +G (g f )(y).
(b) Pour tout x E et pour tout K
(g f )(.E x) = .G (g f )(x).

2.3

Structure despace vectoriel sur LK(E, F )

Proposition 2.3.1. Soient E et F deux K-espaces vectoriels. Lensemble


LK (E, F ) possde une structure despace vectoriel sur K.
Il est suffisant de vrifier que LK (E, F ) est un sous-espace du K-espace
A(E, F ). En effet, soient f, g LK (E, F ) et (, ) K2 .
(i) Pour tout (x, y) E 2
(f + g)(x +E y) = (f + g)(y) +F (f + g)(y).
(ii) Pour tout x E et pour tout K

(f + g)(.E x) = .F (f + g)(x) .
On a ainsi vrifi que f + g LK (E, F ).
24

2.4

Exemples dapplications linaires

1. Soient ab des scalaires dans K et


f : x = (x1 , x2 ) K2 y = ax1 + bx2 K.
On vrifie que f LK (K2 , K).
2. Soient a K, b K et
f : x K y = (ax, bx) K2 .
On vrifie que f LK (K, K2 ).
3. Soient a, b, c, d appartenant K et
f : x = (x1 , x2 ) K2 y = (ax1 + bx2 , cx1 + dx2 ) K2 .
On vrifie alors que f est un endomorphisme de K2 i.e. f LK (K2 , K2 ).
4. Plus gnralement, soit f : Kp Kn lapplication qui x = (x1 , . . . , xp )
associe y = (y1 , . . . , yn ) o

y1 = a11 x1 + a12 x2 + + a1p xp

y2 = a21 x1 + a22 x2 + + a2p xp


.
..

y = a x + a x + + a x
n

n1 1

n2 2

np p

On peut vrifie que f LK (Kp , Kn ).


5. En particulier, soit f : R3 R3 lapplication qui au vecteur x =
(x1 , x2 , x3 ) associe le vecteur y = (x1 + x2 , x2 + x3 , x1 + 2x2 + x3 ). Cest
bien un endomorphisme de R3 .
Proposition 2.4.1. Soient E, F deux K-espaces vectoriels et f LK (E, F ).
Alors,
f (1 v1 + + m vm ) = 1 f (v1 ) + + m f (vm ),
pour tous v1 , . . . , vm E et tous 1 , . . . , m K.
Supposons E de dimension p. Soit B = (e1 , e2 , . . . , ep ) une base de E. Alors,
f (x) = x1 f (e1 ) + x2 f (e2 ) + + xp f (ep ),
o x1 , x2 , . . . , xp dsignent les coordonnes de x dans B. Ainsi, pour connatre
une application linaire, il est ncessaire et suffisant de connatre son action
sur une base (quelconque) de son ensemble de dpart.

2.5

Cas particulier des endomorphismes

Soient E un K-espace vectoriel et f un endomorphisme de E. On adopte


les notations suivantes :


k N f k =: f f f
et f 0 = idE
|
{z
}
k fois

25

Dfinition 2.5.1. ( Endomorphisme nilpotent)


Soient E un K-espace et f un endomorphisme de E. On dit que f est nilpotent
sil existe k N tel que f k = 0.
0

On en dduit que sil existe k N tel que f k = 0 alors f k = 0 pour tout


entier naturel k 0 k. Ainsi,
p := min{k N : f k = 0}.
Lentier p est appel lindice de nilpotence de f .
Dfinition 2.5.2. Soient E un K-espace vectoriel.
1. Un endomorphisme p de E est un projecteur de E si p p = p. On dit
aussi projection vectorielle.
2. Un endomorphisme s de E est une involution linaire de E si ss = idE .
On dit aussi symtrie vectorielle.
3. Soit k K . Un endomorphisme h de E est une homothtie vectorielle
de rapport k si h = k idE .
Remarque 2.5.1. Une involution linaire s de E et une homothtie vectorielle
h de rapport k K constituent des bijections de E. On a :
s1 = s et h1 =

1
idE .
k

Structure danneau sur LK (E)


En plus dtre un groupe commutatif pour +, lensemble LK (E) possde
les proprits suivantes :
(i) Pour tous f, g, h dans LK (E), (f g) h = f (g h).
(i) Pour tous f, g, h dans LK (E)
(
f (g + h) = (f g) + (f h),
(g + h) f = (g f ) + (h f ).
(iii) Pour tout f LK (E), f idE = idE f = f.
En rsum, on dit que LK (E, +, ) possde une structure danneau.
ATTENTION : Lanneau LK (E, +, ) nest pas commutatif. En effet,
il existe f et g dans LK (E tels que
f g 6= g f.
Remarque 2.5.2. La compose de deux endomorphismes peut tre nulle sans
que lun des deux le soit. En effet, il existe f et g dans LK (E) tels que
f 6= 0, g 6= 0, et g f = 0.
On ce sens on dit que LK (E, +, ) nest pas intgre.

26

2.6

Noyau et Image

Dfinition 2.6.1. ( Noyau dune application linaire)


Soient E, F deux K-espaces et f LK (E, F ). On appelle noyau de f et on
note Ker f le sous-ensemble de E dfini par
Ker f := {x E : f (x) = 0}.
Le noyau dune application linaire f de E dans F nest jamais vide puisquil contient le vecteur nul de E. En effet,
f (0E ) = F (0F ).
Proposition 2.6.1. Soient E, F deux K-espaces et f LK (E, F ). Alors Ker f
est un sous-espace vectoriel de lensemble de dpart E.
Exemple 2.6.1. Reprenons lapplication f : R3 R3 qui x = (x1 , x2 , x3 )
associe le vecteur y = (x1 + x2 , x2 + x3 , x1 + 2x2 + x3 ). Dterminons le noyau
de f . Soit (x1 , x2 , x3 ) Ker f . On a :

=0
x 1 + x 2
x2 + x3
=0.

x1 + 2x2 + x3 = 0
Do x2 = x3 et x1 = x3 . Ainsi,
(x1 , x2 , x3 ) = (x3 , x3 , x3 ) = x3 (1, 1, 1).
Le noyau de f est donc la droite vectorielle engendre par le vecteur (1, 1, 1)
i.e.
Ker f = Ru, avec u = (1, 1, 1).
Proposition 2.6.2. ( Caractrisation dune application linaire injective )
Soient E, F deux K-espaces vectoriels. Pour quune application linaire f de
E dans F soit injective, il faut et il suffit que
Kerf = {0E }.
Exemple 2.6.2. Reprenons lapplication f : R3 R3 qui x = (x1 , x2 , x3 )
associe le vecteur y = (x1 +x2 , x2 +x3 , x1 +2x2 +x3 ). Cette application linaire
f nest pas injective car
Kerf 6= {(0, 0, 0)}.
Dfinition 2.6.2. ( Image dune application linaire)
Soient E, F deux K-espaces et f LK (E, F ). On appelle image de f et on
note Im f le sous-ensemble de F dfini par
Im f := {f (x) : x E}.
Proposition 2.6.3. Soient E, F deux K-espaces et f LK (E, F ). Alors Im f
est un sous-espace vectoriel de lensemble darriv F .
27

Remarque 2.6.1. Rappelons que si f dsigne une application de E dans F ,


on a alors lquivalence suivante :
f surjective Im f = F.
Cette caractrisation est vraie mme si f nest pas linaire.
Proposition 2.6.4. Soient E, F deux K-espaces, f LK (E, F ) et G une
famille de vecteurs de E. Si G engendre E alors f (G) engendre Im f .
Exemple 2.6.3. Reprenons lapplication f : R3 R3 qui x = (x1 , x2 , x3 )
associe le vecteur y = (x1 + x2 , x2 + x3 , x1 + 2x2 + x3 ).




Im f = Vect f (1, 0, 0) , f (0, 1, 0) , f (0, 0, 1)


= Vect (1, 0, 1), (1, 1, 2), (0, 1, 1)


= Vect (1, 0, 1), (0, 1, 1) .
Car (1, 1, 2) = (1, 0, 1)+(0, 1, 1). Il sen suit que lapplication (linaire ) f nest
pas surjective car Im f 6= R3 .
Cas dun espace E de dimension finie
Soit E est de dimension finie. Supposons que dimK (E) = p. Alors lespace
E possde une base finie B = (e1 , . . . , ep ). Do



Im f = Vect f (B) = Vect f (e1 ), . . . , f (en ) .
On dduit que : dimK (Im f ) p.
Proposition 2.6.5. Soient E, F deux K-espaces, f LK (E, F ). Si E est de
dimension finie alors Im f est de dimension finie et
dimK (Im f ) dimK (E).
On dit qu une application linaire ne peut pas augmenter la dimension.
Image dune famille libre
Proposition 2.6.6. Soient E, F deux K-espaces vectoriels, f une application
linaire de E dans F et une famille libre de E. Si f est injective alors f () est
une famille libre de F .
Proposition 2.6.7. (Image dune base )
Soient E, F deux K-espaces vectoriels, f une application linaire de E dans
F et B une base de E.
1. Une condition ncessaire et suffisante pour que f soit injective est que
f (B) soit une base de Im f .
2. En particulier, f est bijective si, et seulement si, f (B) est une base de
F.
28

2.7

Rang dune application linaire

Dans ce paragraphe, on considre que : lespace de dpart E est de dimension finie ; lespace darriv F est dimension finie ou infinie.
Dfinition 2.7.1. (Rang dune application linaire )
Soient E, F deux K-espaces vectoriels, f une application linaire de E dans F .
On appelle rang de f et on note rg f la dimension de limage de f , cest--dire :
rg f := dimK (Imf ).
Remarque 2.7.1.
Si B = (e1 , e2 , . . . , en ) dsigne une base de E alors


Imf = Vect f (e1 ), f (e2 ), . . . , f (en ) .


On en dduit que rg f (e1 ), f (e2 ), . . . , f (en ) p. Ainsi,
rg f dimK (E).
Si, de plus, lespace darriv F est de dimension finie alors
dimK (Im f ) dimK (F ),
puisque Im f est un sous-espace de F . On a ainsi :
rg f min{dimK (E), dimK (F )}.
Thorme 2.7.1. (Thorme fondamental du rang)
Soient E, F deux K-espaces vectoriels et f LK (E, F ). Si E est de dimension
finie alors
dimK (E) = rg f + dimK (Ker f ).
Exemple 2.7.1. Reprenons lapplication f : R3 R3 qui x = (x1 , x2 , x3 )
associe le vecteur y = (x1 + x2 , x2 + x3 , x1 + 2x2 + x3 ). Rappelons que :
dimK (Ker f ) = 1 et dimK (Im f ) = 2. On alors :
dimK (R3 ) = rg f + dimK (Ker f ) .
{z
}
| {z } |{z} |
=3

=2

=1

Remarque 2.7.2. Soient E, F deux K-espaces vectoriels et f LK (E, F ).


Supposons que E et F sont de dimensions finies ( non ncessairement gales ).
1. Si f est surjective alors dimK (E) dimK (F ).
2. Si f est injective alors dimK (E) dimK (F ).
3. Si f est bijective alors dimK (E) = dimK (F ).
Proposition 2.7.1. Soient E, F deux K-espaces vectoriels de dimensions finies ( non ncessairement gales ) et f LK (E, F ). Alors
1. f est surjective si, et seulement si, rg f = dimK (F ).
2. f est injective si, et seulement si, rg f = dimK (E).
3. f est bijective si, et seulement si, rg f = dimK (E) = dimK (F ).
Corollaire 2.7.1. Soient E, F deux K-espaces vectoriels de dimensions finies
et f LK (E, F ). Si dimK (E) = dimK (F ) alors
f bijective f injective f surjective.
29

30

Chapitre 3
Les Matrices
3.1

Dfinitions et gnralits

Soient n 1 et p 1 deux entiers.


Dfinition 3.1.1. Une matrice A de type (n, p) sur K est un tableau n
ligne(s) et p colonne(s) constitu dlments appartenant au corps de base K :

a11 a12 . . . a1p


a21 a22 . . . a2p

A = ..
.. . .
.. .
.
. .
.
an1 an2 . . . anp
On la note aussi : A = (aij )1in,

1jp

et on crit :

A Mn,p (K).
Remarque 3.1.1.
1. Au lieu de A est une matrice de type (n, p) , on dit parfois A est
une matrice n p .
2. On appelle range de A toute ligne ou toute colonne de la matrice A.
3. Llment aij K sappelle un terme (ou un coefficient) de la matrice
A.
colonne j

..
.

ligne i . . .
aij
...

..
.
4. On dit que deux matrices A et B du mme type (n, p) sont gales, et on
note A = B, si leurs coefficients sont gaux.
Cas particuliers : Soit A une matrice de type (n, p) sur K.
(a) Si n = p alors A est dite carre dordre n et on note : A Mn . Par
exemple,


2 2i
M2 (C).
3 i
31

(b) Si p = 1 alors on dit que A est une matrice-colonne et on note :


A Mn,1 (K). Par exemple,
 
2
M2,1 (R).
1
(c) Si n = 1 alors on dit que A est une matrice-ligne et on note :A
M1,p (K). Par exemple,

2 21 3 M1,3 (R).
(d) Soit A = (aij )1i,jn une matrice carre dordre n. On dit que A est
diagonale si

a11 0 . . . 0
.
.

0 a22 . . ..
A= . .
.
.. ... 0
..
0 . . . 0 ann
(e) On appelle matrice identit dordre n la matrice carre dordre n dfinie
par

1 0 ... 0
. . . ..

.
0 1
In := . .
.
.
.. . . . . 0
0 ... 0 1
(f) On dsigne par 0n,p la matrice de
tous nuls. Autrement dit,

0
0n,p := .
..
0

type (n, p) dont les coefficients sont


0

...
..
.
0
.. ..
.
.
... 0

0
..
.
.
0
0

Addition sur Mn,p (K)


Dfinition 3.1.2. Soient A, B deux matrices de type (n, p) sur K :
A = (aij )1in,

1jp ,

B = (bij )1in,

1jp .

On appelle somme de A et B la matrice de type (n, p) sur K dfinie par


A + B = (aij +K bij )1 i n, 1 j p.
Structure de groupe commutatif sur Mn,p (K)
Il est facile de voir que les points suivants sont vrifis :
Pour tous A, B, C Mn,p (K), A + (B + C) = (A + B) + C.
Pour tout A Mn,p (K), A + 0n,p = 0n,p + A = A.

32

Toute matrice A Mn,p (K) admet un oppos qui est la matrice


A := (aij )1in,1jp .
En effet, pour tout A Mn,p (K),
A + (A) = (A) + A = 0n,p .
Pour tous A, B Mn,p (K), A + B = B + A.
On dit alors que lensemble structur (Mn,p (K), +) possde une structure de
groupe commutatif.
Multiplication par un scalaire
Dfinition 3.1.3. Soient A = (aij )1in, 1jp une matrice de type (n, p) sur
K et K. On appelle produit de A par la matrice de type (n, p) sur K
dfinie par
A := ( K aij )1in, 1jp .
Exemple 3.1.1.

2
1
0
A = 3 1 1 ,
1
0 1

6
3
0
3.A = 9 3 3 .
3
0 3

Structure de K-espace vectoriel sue Mn,p (K)


Rappelons que Mn,p (K) muni de laddition (+) est un groupe commutatif.
De plus, la multiplication par un scalaire possde les proprits suivantes :
Pour tout K et pour tous A, B dans Mn,p (K),
(A + B) = A + B.
Pour tout (, ) K2 et pour tous A Mn,p (K),
(
( +K ) A = A + A,
( A) = ( K ) A.
Ainsi, Mn,p (K) possde une structure de K-espace vectoriel.
Multiplication de matrice
Dfinition 3.1.4. Considrons
1. A = (aij )1in, 1jp une matrice de type (n, p) sur K,
2. B = (bij )1ip, 1jq une matrice de type (p, q) sur K.
On appelle produit de A et B la matrice de type (n, q) sur K dfinie par AB =
(cij )1in, 1jq avec
p
X
cij :=
aik bkj ,
k=1

pour tout i {1, 2, . . . , n} et tout j {1, 2, . . . , q}. On note aussi AB au lieu


de A B.
33

Rgle des "dominos" : matrice (n, p) matrice (p, q) = matrice (p, q). On
pratique, on dispose les matrices A et B comme suit :

b1j
..

bkj

.
..

bpj


..
.

..

ai1 . . . aik . . . aip


.
.
.
.
.
.
c
ij

Exemple 3.1.2. On va appliquer cette rgle de calcule sur les matrices suivantes :

3
1


1 2
1 1 0 3

A=
B=
0 1
2 0 1 5
0 0
Alors

1
2

0
0 
1
3

3
1

0

  0
1 1 0 3
2
2 0 1 5
6
Par suite


AB =

2 1
6 3

1
0
3
1
0
0

0
1
1
2
1
0

Ici on peut aussi calculer BA




3
1

0
0

2

1
0

1
2
5
5
2
0

3
5
14
13
5
0

ATTENTION : On ne peut calculer AB que quand le nombre de


colonnes de A est gal au nombre de lignes de B.
Si AB est dfinie, BA nest pas toujours dfinie et mme si elle lest,
elle nest pas en gnral de mme taille que AB.
Cas particulier important :
Dans Mn (K), ensemble des matrices carres dordre n, on peut toujours multiplier deux matrices A, B quelconques. AB et BA seront encore des matrices
carres de taille n mais en gnral AB 6= BA.
34

Proposition 3.1.1.
(i) Si A Mn,p (K) et B, C Mp,q (K) alors
A (B + C) = A B + A C.
(ii) Si B, C Mn,p (K) et A Mp,q (K) alors
(B + C) A = B A + C A.
(iii) Si A Mn,p (K), B Mp,q (K) et C Mq,m (K) alors
A (B C) = (A B) C.
Lespace vectoriel Mn des matrices carres dordre n
Dfinition 3.1.5. (Puissance dune matrice) Soient A une matrice carre
dordre n coefficients dans K et k N . On appelle puissance kme de A
la matrice carre dordre n sur K dfinie par
kfois

}|
{
z
A := A A . . . A .
k

Par convention : A0 = In .
Proposition 3.1.2. Soit A une matrice carre coefficients dans K.
0
0
1. k N k 0 N Ak Ak = Ak+k ;
0
0
2. k N k 0 N (Ak )k = Akk ;
3. K k N ( A)k = k Ak ;
Exemple 3.1.3. Considrons la matrice carre relle suivante :

2
1
0
A = 3 1 1 .
1
0 1
On vrifie facilement que lon a :

1 0 0
2
1
0
1

0 1 0 , A =
3 1
A =
0 0 1
1
0

1
1
1
0
2
3

2
2
2
0
A =
, A =
1
1
1
0

0
1 ,
1

0 0
0 0 .
0 0

Ainsi, Ak = 0 pour tout entier k 3.


ATTENTION : Le calcul de la puissance kime dune matrice
A = (aij )1i,jn dordre n ne se rsume pas lever la puissance k
chacun des termes de la matrice puisque, en gnral,

ak11 ak12 . . . ak1n


ak ak . . . a k
2n
21 22
Ak = ..
.. . .
. .
.
. ..
.
akn1 akp2 . . . annn
35

En revanche, le cas des matrices diagonales est fortement intressant. En effet,


on vrifie par rcurrence sur k que si
A = diag(a11 , a22 , . . . , ann )
alors
k N Ak = diag(ak11 , ak22 , . . . , aknn ).
Remarque 3.1.2. On sait que si n 2 alors le produit de matrices nest pas
une opration commutative. Par consquent, si A et B dsignent deux matrices
carres du mme ordre, alors, a priori, les matrices (A B)2 et A2 B 2 ne
sont pas gales :
(A B)2 = (A B) (A B) 6= A2 B 2 si A B 6= B A
et plus gnralement, pour tout entier k 2,
(A B)k 6= Ak B k si A B 6= B A.

Dfinition 3.1.6. ( Matrice nilpotente)


Soit A une matrice dordre n sur K.
1. A est dite nilpotente sil existe k N tel que Ak = 0n .
2. Si A est nilpotente alors son indice de nilpotence est lentier p (non nul
) dfini par
p := min{k N / Ak = 0n }.
Exemple 3.1.4. La matrice carre

2
1
0
3 1 1 .
1
0 1
est nilpotente. Son indice de nilpotence est 3.
Structure danneau sur Mn
En plus dtre un groupe commutatif pour +, Mn possde les proprits
suivantes :
Pour tous A, B, C dans Mn , A (B C) = (A B) C.
Pour tous A, B, C dans Mn
(
A (B + C) = A B + A C,
(B + C) A = B A + C A.
Pour tous A Mn , In A = A In = A.
En rsum, on dit que Mn (, +, ) possde une structure danneau.
Remarque 3.1.3.
36

Rappelons que si n 2, la multiplication nest pas commutative sur


Mn . Ainsi, (Mn , +, ) n est pas un anneau commutatif lorsque n 2.
Si n 2, le produit de deux matrices non nulles peut tre nul. Par
exemple,
 


 
0 0
0 0
1 0
=
.
0 1
0 0
0 0
| {z } | {z } | {z }
6=0

6=0

=0

On dit que (Mn , +, ) n est pas un anneau intgre lorsque n 2.


Formule du binme de Newton
On vrifie facilement :
(A + B)2 = A A + A B + B A + B B = A2 + AB + BA + B 2 .
Si AB = BA alors (A + B)2 = A2 + 2AB + B 2 . Plus gnralement :
Proposition 3.1.3. ( Formule du binme de Newton) Soient A, B deux matrices carres dordre n. Si AB = BA alors, pour tout m N,
(A + B)m =

m
X

k k mk
Cm
A B
,

k=0
k
:=
o, pour tout k {0, . . . , m}, Cm

m!
.
(m k)!k!

Transposition de matrices
Dfinition 3.1.7. Soit A une matrice de type (n, p) sur K. On appelle matrice
transpose de A et on note AT la matrice de type (p, n) sur K obtenue partir
de A en changeant les lignes et les colonnes.



2
2
2 12 4
1
T

3i
Exemple 3.1.5. Si A =
alors A =
.
2
2 3i
3
4
3
Si A est carre dordre n alors AT est carre dordre n.
Si A est une matrice-ligne alors AT est une matrice-colonne.
Proprits 3.1.1.
1. Soit A une matrice de Mn,p (K). Alors
(AT )T = A.
2. Soient A et B deux matrices de Mn,p (K) et K. Alors
(
(A + B)T = AT + B T ,
( A)T = AT .
3. soient A Mn,q (K) et B Mq,p (K). Alors
(A B)T = B T AT .
37

Matrices symtriques, antisymtriques


Dfinition 3.1.8. Soit A Mn . On dit que A est :
(i) symtrique si AT = A.
(ii) antisymtrique si AT = A.
Exemple 3.1.6.

2 + 3i 3 i
3
2 1
i
1
0

est symtrique.

0
1i
0

1 + i
3
0
3
0
0

3.2

est antisymtrique.

Matrices et applications linaires

On considre : un K-e.v. E de dimension p de la base BE = (e1 , e2 , . . . , ep ) ;


un K-e.v. F de dimension n de la base BF = (f1 , f2 , . . . , fn ) et une application
linaire de E dans F . On rappel que lapplication est entirement dtermine ds que lon connait les vecteurs (e1 ), (e2 ), . . . , (en ). On suppose que
ces vecteurs peuvent se dcomposer de la faons suivante :

(e1 ) = a11 f1 + a12 f2 + + an1 fn

..

(ej ) = a1j f1 + a1j f2 + + anj fn

..

(e ) = a f + a f + + a f
p

1p 1

1p 2

np n

alors on peut regrouper les coefficients dans un mme tableau.


Matrice associe une application linaire
On appelle matrice associe relativement BE et BF et on note
MatBE ,BF () ou Mat(, BE , BF ) la matrice de type (n, p) :
(e1 )
f1
a11
f2
a
21
MatBE ,BF () := .. ..
. .
fn
an1

. . . (ej )
. . . a1j
. . . a2j
..
..
.
.
. . . anj

. . . (ep )
. . . a1p
. . . a2p

..
..
.
.
. . . anp

On dit que MatBE ,BF () reprsente dan les bases BE , BF et on a MatBE ,BF ()
Mn,p (K). Schmatiquement,
(E, BE )

MatBE ,BF ()

38

(F, BF ).

Exemple 3.2.1. Reprenons lexemple prcdent et permutons les deux vecteurs de la base BE . On obtient la nouvelle base
CE = (e2 , e1 ).
La matrice associe relativement CE et BF scrit :

1
2
MatCE ,BF () = 1 3 .
4 1
Cest encore une matrice de type (3, 2) sur K. On note :
MatCE ,BF () M3,2 (K).
Cas particulier des endomorphismes
Si E = F alors on peut choisir BE = BF =: B. La matrice associe un
endomorphisme dans la base B est alors carre. On la note alors MatB () ou
Mat(B, ) au lieu de MatB,B (). Schmatiquement,
MatB ()

(E, B) (F, B).


Si p dsigne la dimension de E alors :
MatB () Mp (K).
Exemple 3.2.2. Soient Kn [X] muni de BKn [X] = (1, X, X 2 , . . . , X n ) et
D : P Kn [X] P 0 Kn [X].
La matrice associe D relativement la base BKn [X] scrit :

MatBKn [X] (D) =

0
0
..
.

1 0 ...
0 2 ...
.. . . . .
.
.
.
...
0 0 0
0 0 0 ...

0
0
..
.

n
0

Exemple 3.2.3. Soit E un K-espace vectoriel de dimension n muni dune base


B = (e1 , . . . , en ). crivons la matrice associe lidentit (de E) relativement
B. On a :

1 0 ... 0
0 1 ... 0

MatB (idE ) = .. .. . . .. .
. .
. .
0 0 ... 1
On obtient la matrice identit dordre n. Ainsi,
In = MatB (idE ).
39

criture matricielle dune galit vectorielle


Soient E un K-espace de dimension p muni dune base BE , F un K-espace
de dimension n muni dune base BF et une application linaire de E dans
F . Nous nous intressons ici lgalit vectorielle : (x) = y. Dcomposons x
dans BE = (e1 , . . . , ep ) :
p
X
x=
xj e j .
j=1

Dcomposons son image par dans BF = (f1 , . . . , fn ) :


y=

n
X

y i fi .

i=1

On cherche exprimer chacune des coordonnes y1 , . . . , yn de y en fonction


des coordonnes x1 , . . . , xp de x. Dsignons par A = (aij )1in,1jp la matrice
associe relativement BE et BF . Utilisant la dfinition de la matrice A,
on peut crire :
(x) = (

p
X

xj e j ) =

j=1

p
X

p h  n
i
X
X
xj (ej ) =
xj
aij fi .

j=1

j=1

i=1

Manipulons cette double-sommation :


p h  n
p h n
i
i
X
X
X
X
xj
aij ei
=
xj aij fi
j=1

i=1

j=1
i=1
p
n
h
X X

xj aij fi

i=1
j=1
p
n
h
X X
i=1

 i
aij xj fi .

j=1

Or, y = (x). On a ainsi obtenu :


n
X
i=1

y i fi =

p
n h X
X
i=1

 i
aij xj fi .

j=1

Do, en identifiant les coordonnes, on obtient :


i {1, 2, . . . , n} yi =

p
X

aij xj ,

j=1

cest--dire :

y1

y 2

= a11 x1 + a12 x2 + + a1p xp


= a21 x1 + a22 x2 + + a2p xp
..
.
= an1 x1 + an2 x2 + + anp xp
40

Proposition 3.2.1. Soient E un K-espace de dimension p muni dune base


BE , F un K-espace de dimension n muni dune base BF et une application
linaire de E dans F . Si A = MatBE ,BF () alors lgalit
y = (x)
scrit, relativement BE et BF , sous la forme matricielle :
Y = AX
o les matrices-colonnes X et Y sont dfinies comme suit :
(i) X est constitue des coordonnes x1 , . . . , xp de x dans BE , ce que lon
note X = MatBE (x).
(i) Y est constitue des coordonnes y1 , . . . , yn de y dans BF , ce que lon
note Y = MatBF (Y ).
Exemple 3.2.4. Soient E un K-e.v. muni de la base BE = (e1 , e2 ), F un
K-e.v. muni de la base BF = (f1 , f2 , f3 ) et K (E, F ) dfinie par :
(
(e1 ) = 2f1 + 3f2 f3 ,
(e2 ) = f1 f2 + 4f3 .
Alors lgalit vectorielle y = (x) scrit relativement BE et BF sous la
forme matricielle :



y1
2
3
x
1
y2 = 3 1
,
x2
y3
1 4
o
x = x1 e1 + x2 e2 , et y = y1 f1 + y2 f2 + y3 f3 .
Proposition 3.2.2. Soit A Mn,p (K). Il existe une unique application linaire de Kp dans Kn admettant A pour matrice associe relativement aux
bases canoniques BKc p et BKc n . Cest lapplication suivante :
c : (x1 , x2 , . . . , xp ) Kp Kp (y1 , y2 , . . . , yn ) Kn
avec

y1

y2

= a11 x1 + a12 x2 + + a1p xp


= a21 x1 + a22 x2 + + a2p xp
.
..
.
= an1 x1 + an2 x2 + + anp xp

Lapplication est dite canoniquement associe A.


En effet, si BKc p

c (e1 )

c (e2 )

(e )
c

= (e1 , . . . , ep ) et BKc n = (f1 , . . . , fn ) alors


= (a11 , . . . , an1 ) = a11 f1 + a12 f2 + + an1 fn
= (a12 , . . . , an2 ) = a12 f1 + a12 f2 + + an2 fn
.
..
.
= (a1p , . . . , anp ) = a1p f1 + a1p f2 + + anp fn
41

La matrice associe relativement BKc p et BKc n scrit :


c (e1 ) c (e2 )
f1
a11
a12

f2 a21
a22
Mat(c , BKc p , BKc n ) = .. ..
..
. .
.
fn
an1
an2

. . . c (ep )
...
a1p
...
a2p

..
..
.
.
...
anp

On reconnat la matrice A.
Proposition 3.2.3. Soient E, F deux K-espaces de dimensions finies avec BE
une base de E et BF une base de F . Si 1 et 2 sont des applications linaires
de E vers F et (, ) K2 alors
MatBE ,BF (1 + 2 ) = MatBE ,BF (1 ) + MatBE ,BF (2 ).
En particulier, si E = F et BE = BF =: B alors :
Corollaire 3.2.1. Soit E un K-espace de dimension finie dune base B. Si 1
et 2 sont deux endomorphismes de E et (, ) K2 alors
MatB (1 + 2 ) = MatB (1 ) + MatB (2 ).
Correspondance entre LK (E, F ) et Mn,p (K)
Soient E un K-espace de dimension p muni dune base BE et F un K-espace
de dimension n muni dune base BF . Il existe une bijection entre LK (E, F ) et
Mn,p (K). Cest lapplication :
MatBE ,BF : LK (E, F )
Mn,p (K)
.

7 MatBE ,BF ()
De plus, cette application est linaire puisque
MatBE ,BF (1 + 2 ) = MatBE ,BF (1 ) + MatBE ,BF (2 ).
pour tous , dans K et pour tous 1 , 2 dans L(E, F ). Cest donc un isomorphisme de LK (E, F ) dans Mn,p (K).
Proposition 3.2.4. Soient E, F , G trois K-espaces vectoriels de dimensions
finies. Soient BE une base de E, BF une base de F et BG une base de G. Si
est une application linaire de E vers F et une application linaire de F
vers G alors
MatBE ,BG ( ) = MatBF ,BG () MatBE ,BF ().
Schmatiquement, si
(E, BE )

MatBE ,BF ()

(F, BF )

MatBF ,BG ()

alors
(E, BE )

MatBE ,BG ()

42

(G, BG ).

(G, BG )

3.3

Rang dune matrice

Dfinition 3.3.1. (Rang dune matrice rectangulaire) Soit A Mn,p (K).


On appelle rang de A le rang de la famille des p vecteurs correspondant aux
colonnes de A, dans lespace vectoriel Kn . En dautres termes,
rg A := rg (c1 , c2 , . . . , cp )
o cj Kn est le vecteur dont les coordonnes dans la base canonique sont
ranges dans la j -ime colonne de A.
De manire quivalente, si

|
| ... |
A = C1 C2 . . . Cp
|
| ... |
alors rg A = rg (C1 , C2 , . . . , Cp ).

2 2
Exemple 3.3.1. Si A = 4 0 M3,2 (K) alors rg (A) = 2.
0 1
Proposition 3.3.1. Soit A une matrice de type (n, p). Alors
1. rg A min{n, p}.
2. rg A = rg AT .
Ainsi, pour calculer le rang de A de type (n, p), on peut :
soit calculer le rang des p vecteurs-colonnes C1 , . . . , Cp ,
soit calculer le rang des n vecteurs-lignes L1 , . . . , Ln .
Ce quon crit :
rg A = rg (C1 , C2 , . . . , Cp ) = rg (L1 , L2 , . . . , Ln ).
Proposition 3.3.2. Soient E un K-espace de dimension finie muni dune base
BE , F un K-espace de dimension fine muni dune base BF et une application
linaire de E dans F . Si A = MatBE ,BF () alors
rg A = rg .
Remarque 3.3.1. Ainsi, le rang de ne dpend pas du choix des deux bases
BE et BF dfinissant A.

3.4

Matrices carres inversibles

Dfinition 3.4.1. Une matrice carre A Mn est dite inversible sil existe
une matrice carre dordre n sur K, note A1 , appele matrice inverse de A,
telle que
A A1 = In et A1 A = In .
On note GLn (K) lensemble des matrices inversibles dordre n.
43

Dire que (aij )1i,jn est inversible signifie quil existe nn scalaires a0ij , 1
i, j n tels que

1 0 ... 0
a11 a12 . . . a1n
a011 a012 . . . a01n
. . . ..
a21 a22 . . . a2n a0 a0 . . . a0
.
2n
0 1

21 22
.
..
.. . .
.. = . .
.. . .
.. ..
.
.
. . .. . . . . 0
. . .
.
.
a0n1 a0n2 . . . a0nn
an1 an2 . . . ann
0 ... 0 1
Exemples 3.4.1.

1
1 1
1. La matrice A = 0 1 1 est
1 0 1

1
1
1
1
A =
3
1

inversible dinverse :

1 2
2 1
1
1

car on lgalit matricielle :

1
1 1
1/3 1/3 2/3
1 0 0
0 1 1 1/3 2/3 1/3 = 0 1 0
1 0 1
1/3 1/3
1/3
0 0 1
.


1 1
2. La matrice
nest pas inversible.
1 1
3. Clairement, pour tout n N , In1 = In .
ATTENTION Cela na pas de sens de parler de matrice inversible
pour des matrices non carres.
Le calcul de linverse dune matrice carre (inversible bien sr !) ne se rsume
pas inverser chacun des termes de la matrice. En revanche, le cas des matrices
diagonales est intressant. En effet, une matrice diagonale est inversible si, et
seulement si, tous ses coefficients diagonaux sont non nuls. De plus, si
A = diag(a11 , a22 , . . . , ann )
avec aii 6= 0 pour tout i {1, 2, . . . , n} alors
1
1
A1 = diag(a1
11 , a22 , . . . , ann ).

Proposition 3.4.1. Soit n un entier naturel non nul.


(a) Si A GLn (K) alors A1 GLn (K) et
(A1 )1 = A.
(b) Si A, B GLn (K) alors A B GLn (K) et
(A B)1 = B 1 A1 .
(c) Si A GLn (K) alors AT GLn (K) et
(AT )1 = (A1 )T .
44

Structure de groupe pour (GLn (K), )


On peut vrifie facilement les points suivants :
Pour tous A, B, C dans GLn (K), A (B C) = (A B) C.
Pour tout A GLn (K), A In = In A = A.
Toute matrice A GLn (K) admet un inverse qui est la matrice A1 .
En effet, pour tout A GLn (K),
A A1 = A1 A = In .
On dit alors que (GLn (K), ) possde une structure de groupe (non
commutatif). On lappelle Groupe Linaire dordre n sur K.
Proposition 3.4.2. Soient E un K-espace muni dune base BF , F un K-espace
muni dune base BF et une application linaire de E dans F . Supposons
dimK (E) = dimK (F ). On a alors la caractrisation :
est bijective MatBE ,BF () est inversible.
Si est bijective alors on a le rsultat suivant :

1
MatBE ,BF ()
= MatBE ,BF (1 )
Rappelons que si est un endomorphisme de E alors
est bijective rg = dimK (E).
On a un rsultat semblable pour les matrices :
Proposition 3.4.3. Soit A une matrice carre dordre n. On a la caractrisation :
A est inversible rg A = n.
Exemples 3.4.2.

1
1 1
1. La matrice A = 0 1 1 est inversible car rg A = 3.
1 0 1


1 1
2. La matrice
nest pas inversible car rg B = 1.
1 1

3.5

Matrices de passages

Considrons lendomorphisme : x R3 R3 avec x = (x1 , x2 , x3 ) et


y = (y1 , y2 , y3 ) et

y1 = 2x1 + x2 + x3
y2 = x1 + 2x2 + x3 .

y3 = x1 + x2 + 2x3
On peut choisir de reprsenter lendomorphisme relativement chacune des
bases suivantes : BR3 = (e1 , e2 , e3 ) avec e1 = (1, 0, 0), e2 = (0, 1, 0), e3 =
(0, 0, 1) et CR3 = (u1 , u2 , u3 ) avec u1 = (1, 0, 1), u2 = (1, 1, 0), u3 = (1, 1, 1).
On a alors les deux reprsentations matricielles suivantes :
45

relativement la base BR3

2 1 1
MatBR3 () = 1 2 1 ,
1 1 2
relativement la base CR3

1 0 0
MatCR3 () = 0 1 0 .
0 0 4
Nous allons montrer quil existe en fait une relation matricielle entre les deux
matrices MatBR3 () et MatCR3 () associes .
Dfinition dune matrice de passage
Soit E un K-espace de dimension n muni des deux bases : BE = (e1 , e2 , . . . , en )
(qualifie d ancienne base ) CE = (u1 , u2 , . . . , un ) (qualifie de nouvelle
base ). Dcomposons prsent chacun des vecteurs u1 , u2 , . . . , un dans la base
BE :

u1 = p11 e1 + p12 e2 + + p1n en

u2 = p21 e1 + p22 e2 + + p2p en


.
..

u = p e + p e + + p e
n

n1 1

n2 2

nn n

Ranger les coefficients dans un tableau revient dfinir la matrice de passage


de BE CE .
Dfinition 3.5.1. Soient E un K-espace vectoriel de dimension n et BE , CE
deux bases de E. On appelle matrice de passage de BE CE la matrice carre
P dordre n dont la j -ime colonne est forme des coordonnes dans BE du j
-ime vecteur de CE :

p11 p12 . . . p1n


p21 p22 . . . p2n

P = ..
.. . .
..
.
.
.
.
pn1 pn2 . . . pnn
Ainsi, dire que P = (pij )1i,jn est la matrice de passage de BE = (e1 , e2 , . . . , en )
CE = (u1 , . . . , un ) signifie que :
j {1, 2, . . . , n} uj =

n
X

pij ei .

i=1

Exemple 3.5.1. On munit lespace R3 des bases : BE = (e1 , e2 , e3 ) avec


e1 = (1, 0, 0) e2 = (0, 1, 0), e3 = (0, 0, 1) et CE = (u1 , u2 , u3 ) avec u1 =
(1, 0, 1) u2 = (1, 1, 0), u3 = (1, 1, 1). On a immdiatement :
u1 = e1 e3 , u2 = e1 e2 , u3 = e1 + e2 + e3 .
46

Alors la matrice P de passage de BR3

1
P = 0
1

CR3 est

1 1
1 1 .
0 1

Remarque 3.5.1. Si P est une matrice de passage alors P est inversible. Rciproquement, toute matrice inversible peut sinterprter comme une matrice
de passage. Cela nous sera trs utile pour dterminer linverse dune matrice.
Connaissant la matrice de passage de BE CE , pouvons-nous en dduire
la matrice de passage de CE BE ? La rponse est donne par la proposition
suivante :
Proposition 3.5.1. Soient E un K-espace de dimension n muni des bases BE
et CE . Soit P une matrice inversible dordre n. Si P est la matrice de passage
de BE CE alors son inverse, la matrice P 1 , est la matrice de passage de CE
BE .
Exemple 3.5.2. Reprenons lexemple de R3 muni de la base canonique BR3
et de la base CR3 = (u1 , u2 , u3 ) avec

u1 = e1 e3
.
u2 = e1 e2

u3 = e1 + e2 + e3
La matrice de passage de CR3 BR3 est :

1 1 2
1
Q = 1 2 1
3
1 1
1
car

e1 = 3 (u1 + u2 + u3 )
e2 = 31 (u1 2u2 + u3 )

e3 = 13 (2u1 + u2 + u3 )

On peut vrifier Q est bien linverse de P i.e. Q = P 1 .


Changement de bases pour un vecteur
Soient E un K-espace de dimension n et x un vecteur de E. On dcompose
x par rapport aux deux bases BE et CE . Dans l ancienne base BE =
(e1 , . . . , en ), on a
n
X
x=
xi ei
i=1

avec x1 , . . . , xn qualifies d anciennes coordonnes . Dans la nouvelle base


CE = (u1 , . . . , un ), on a
n
X
x=
x0j uj
j=1

47

avec x01 , . . . , x0n qualifies d anciennes coordonnes . On cherche les relations


liant anciennes et nouvelles coordonnes du vecteur x. Utilisant la
dfinition de la matrice P , on peut crire :
n
X

x0j uj

n h X
n
i
X
0
=
xj
pij ei .

j=1

j=1

i=1

Manipulons cette double-sommation :


n h X
n
n hX
n
i
i
X
X
0
0
xj
pij ei
=
xj pij ei
j=1

i=1

=
=

j=1
i=1
n
n
h
X X

x0j pij ei

i=1
j=1
n
n
h
X X
i=1

pij x0j

 i
ei .

j=1

On a ainsi obtenu :
n
X

xi e i =

i=1

n h X
n
X
i=1

 i
pij x0j ei .

j=1

Do, en identifiant les coordonnes, on obtient :


i {1, 2, . . . , n} xi =

n
X

pij x0j ,

j=1

cest--dire :

x1

x 2

x
1

= p11 x01 + p12 x02 + + p1n x0n


= p21 x01 + p22 x02 + + p2n x0n
.
..
.
= pn1 x01 + pn2 x02 + + pnn x0n

Autrement dit, on a obtenu


x1
x2


.. =
.
xn

p11 p12
p21 p22
..
..
.
.
pn1 pn2

. . . p1n

. . . p2n

. . . ..
.
. . . pnn

x01
x02
..
.
x0n

Proposition 3.5.2. Soit E un K-espace muni des bases BE et CE . Si P est la


matrice de passage de BE CE alors
X = P X0
o les matrices-colonnes X et X 0 sont dfinies comme suit : X est constitue
des coordonnes de x dans BE , X 0 est constitue des coordonnes de x dans CE

48

ATTENTION Pour exprimer les nouvelles coordonnes du


vecteur x en fonction de ses anciennes coordonnes , il suffit de
multiplier lgalit matricielle X = P X 0 par la matrice P 1 . En effet,
on a :
X = P X 0 P 1 X = P P X 0 .
Puisque P 1 P = In , on obtient :
X 0 = P 1 X.
Mais cela ncessite le calcule de P 1 .
Exemple 3.5.3. Reprenons lexemple prcdent avec x = (3, 6, 9). On a :
x = 3e1 + 6e2 + 9e3 = x01 u1 + x02 u2 + x03 u3 .
On a donc :


0
3
1
1
1
x1
6 = 0 1 1 x02
9
1 0 1
x03

ou encore, de manire quivalente :

0
3
x1
1 1 2
1

1 2 1
6
x02
=
3
1 1 1
9
x03
Do x01 = 3, x2 = 0 et x03 = 6, cest--dire : x = 3u1 + 6u3 .

Changement de bases pour une application linaire


Considrons deux K-espaces vectoriels E et F . Supposons lespace E de
dimension p. Munissons-le des bases BE et CE . Alors x E. Alors
X = P X 0 avec P GLp (K),
avec X et X 0 les matrices-colonnes des coordonnes de x dans BE et CE , et
P la passage de BE CE . Supposons lespace F de dimension n. Munissons-le
des bases BF et CF . Soit y F . Alors
Y = QY 0 avec Q GLn (K)
avec Y et Y 0 les matrices-colonnes des coordonnes de y dans BF et CF , et Q
la matrice de passage BF CF .
Considrons prsent une application linaire de E dans F . Dsignons par
A la matrice associe relativement aux anciennes bases BE et BF . On
a : A Mn,p (K). Lgalit y = (x) scrit alors sous la forme matricielle :
Y = AX.
Dsignons par B la matrice associe relativement aux nouvelles bases
CE et CF . On a : B Mn,p (K). L galit y = (x) scrit alors sous la forme
matricielle :
Y 0 = BX 0 .
49

On cherche une relation liant les deux matrices A et B. On a :


Y = AX Q1 Y = Q1 AX Y 0 = Q1 AP X 0 .
Or, Y 0 = BX 0 . Do, par identification, B = Q1 AP .
Thorme 3.5.1. Considrons un K-espace E muni bases BE et CE , un Kespace F muni des bases de BF et CF et une application linaire de E dans
F . Alors les deux matrices rectangulaires A = MatBE ,BF () et MatCE ,CF ()
satisfont lgalit matricielle suivante :
B = Q1 AP,
o P est la matrice de passage de BE CE et Q est la matrice de passage de
BF CF .
Si E = F alors on peut choisir BE = BF =: B et CE = CF =: C.
Corollaire 3.5.1. Considrons un K-espace E muni des bases B et C et un
endomorphisme de E. Alors les deux matrices carres A = MatB () et
B = MatC () vrifient lgalit matricielle :
B = P 1 AP
o P dsigne la matrice de passage B C.
Exemple

1
0
0

3.5.4. Reprenons lexemple prcdent. On a :

0 0
1 1 2
2 1 1
1
1 1
1
1 0 = 1 2 1 1 2 1 0 1 1 .
3
0 4
1 1
1
1 1 2
1 0 1

Dfinition 3.5.2. (Matrices quivalentes et matrices semblables)


1. Deux matrices rectangulaires A et B de mme type (n, p) sont dites quivalentes si
P GLp (K) Q GLn (K)

B = Q1 AP.

2. Deux matrices carres A et B de mme ordre p sont dites semblables si


P GLp (K) B = P 1 AP.
Exemple 3.5.5. Les deux matrices suivantes

1 0 0
2
0 1 0 et 1
0 0 4
1

50

sont semblables :

1 1
2 1 .
1 2

Chapitre 4
Systmes dquations linaires et
dterminant
4.1

Systmes dquations linaires

Dfinition 4.1.1. On appelle systme rectangulaire de type (n, p) ou n p :

a11 x1 + + a1p xp = b1

a21 x1 + + a2p xp = b2
(S)
..

a x + + a x = b
n1 1

np p

o les inconnues sont les scalaires x, . . . , xp K et o les donnes sont : les


coefficients aij K, 1 i n, 1 j p, les seconds membres bi K, 1
i n. On appelle rang du systme le rang de A = (aij )1in,1jp .
Une solution du systme est un puplet (x1 , . . . , xp ) Kp qui vrifie les
n quations du systme. Un systme est dit homogne si b1 = b2 = =
bn = 0. Deux systmes linaires sont quivalents sils ont le mme ensemble de
solutions.
Remarque 4.1.1. Un systme homogne de type (n, p) admet toujours au
moins une solution. Cest le vecteur
(0, 0, . . . , 0) Kp
qualifi de solution banale ou triviale.
Systmes dquations linaires et dterminant
Un systme peut avoir plus dquations que dinconnues : n > p (systme
surabondant). Cest le cas du systme 4 3 suivant :

x1 + x2 5x3 = 7

2x x x
=4
1
2
3
.

3x
=
11
1 2x2 + 4x3

3x1 + 4x2 2x3 = 11


51

Un systme peut aussi avoir moins dquations que dinconnues : n < p (systme sousabondant). Cest le cas du systme 3 5 suivant :

2x1 3x2 + x3 + 6x4 6x5 = 3


.
2x1 2x2 + 2x3 + 4x4 6x5 = 4

2x1 + 4x2 + x3 8x4 + 3x5 = 0


Enfin, un systme peut avoir autant dquations que dinconnues : n = p
(systme carr). Cest le cas du systme 3 3 suivant :

=m
x 1 + x 2
x2 + x3
=2 .

x1 + 2x2 + x3 = 3
Nous verrons que ce systme nadmet aucune solution si m 6= 1. Il en admet
une infinit si m = 1 :
(x1 , x2 , x3 ) = (1 + x3 , 2 x3 , x3 ) avec x3 R.
ATTENTION Ce nest pas parce quun systme possde autant
dquations que dinconnues quil possde ncessairement une solution. Le bon critre porte non pas sur la taille du systme mais
sur son rang. Le systme (S) scrit sous la forme matricielle suivante :
(EM) AX=B.
Les donnes sont A et B. L inconnue est X :

A=

a11 . . . a1p
a21 . . . a2p
.. . .
.
. ..
.
an1 . . . anp

, B =

b1

b2
et X =
..
.bn

Lquation (EM) scrit aussi sous la forme matricielle :


(EM 0 ) X1 C1 + X2 C2 + . . . + Xp Cp = B.
o C1 , C2 , . . . , Cp dsignent les colonnes de A.

4.2

Le dterminant dun systme

On considre le systme 2 2 suivant :


(
a11 x1 + a12 x2 = b1
(S1 )
a21 x1 + a22 x2 = b2
dcriture matricielle :


a11 a12
a21 a22



x1
x2

52


=

b1
b2


.

X1
X2
.
..
.Xn

Manipulons ce systme. On obtient le systme suivant :


(
(a11 a22 a12 a21 )x1 = b1a22 a12 b2
(a11 a22 a12 a21 )x2 = a11 b2 b1 a21

Le dterminant du systme 2 2 est llment de K dfini par




a11 a12
:= a11 a22 a12 a21 K.
det(A) =:
a21 a22
Consquence :
Si det(A) 6= 0 alors il existe un unique couple (
x1 , x2 ) K2 solution du systme
(S1 ). En effet,
x1 =

a11 b2 b1 a21
b1a22 a12 b2
et x2 =
.
a11 a22 a12 a21
a11 a22 a12 a21

En notant det(A) =: det(C1 , C2 ), on a :


x1 =

det(B, C2 )
det(C1 , B)
et x2 =
.
det(C1 , C2 )
det(C1 , C2 )

Proprits 4.2.1. (Forme bilinaire alterne)


1. Soit C2 M2,1 (K). Pour tous C1 , C10 dans M2,1 (K) et pour tous ,
K
det(C1 + C10 , C2 ) = det(C1 , C2 )det(C10 , C2 ).
On dit que le dterminant est linaire par rapport sa premire colonne.
2. Le dterminant est aussi linaire par rapport sa deuxime colonne. On
dit alors que le dterminant est une forme bilinaire.
3. Soient C1 , C2 appartenant M2,1 (K)
C1 = C2 = det(C1 , C2 ) = 0.
On dit que le dterminant est une forme alterne.
Corollaire 4.2.1.
1. Soient C1 , C2 appartenant M2,1 (K)


K C2 = C1 = det(C1 , C2 ) = 0.
2. Pour tous C1 , C2 appartenant M2,1 (K),
det(C2 , C1 ) = det(C1 , C2 ).
On dit que le dterminant est antisymtrique.
3. Pour tous C1 , C2 appartenant M2,1 (K) et pour tout K,
det(C1 + C2 , C2 ) = det(C1 , C2 ),
det(C1 , C2 + C1 ) = det(C1 , C2 ).
53

On considre le systme 3 3 suivant :

a11 x1 + a12 x2 + a13 x3 = b1


(S2 )
a21 x1 + a22 x2 + a23 x3 = b2

a31 x1 + a32 x2 + a33 x3 = b3


dcriture matricielle :

a11 a12 a13


x1
b1
a21 a22 a23 x2 = b2 .
a31 a32 a33
x3
b3
Commenons par rcrire le systme sous la forme
x1 C1 + x2 C2 + x3 C3 = B
avec C1 , C2 et C3 les trois colonnes de A. Manipulons cette galit vectorielle.
1. On obtient :

h
i
x1 (C1 C2 ) C3 = (B C2 ) C3 .

2. On obtient aussi :
i
h
x1 (C2 C1 ) C3 = (B C1 ) C3 .
|
{z
}
{z
}
|
=(C1 C2 )C3

(C1 B)C3

3. On obtient enfin :
i
h
x3 (C3 C1 ) C2 = (B C1 ) C2 .
{z
}
|
{z
}
|
(C1 C2 )C3

(C1 C2 )B

Rappelons que :
(C1 C2 )C3 = a11 a22 a33 +a21 a32 a13 +a31 a12 a23 a31 a22 a13 a21 a12 a33 a11 a32 a23 .
Le dterminant du systme (S2 )

a11

det(A) =: a21
a31

est llment de K dfini par :



a12 a13
a22 a23 := (C1 C2 ) C3 .
a31 a33

Consquence :
Si det(A) 6= 0 alors il existe un unique triplet (
x1 , x2 , x3 ) solution du systme
(S2 ). En effet,
x1 =

(C1 B) C3
(C1 C2 ) B
(B C2 ) C3
, x2 =
, x3 =
.
(C1 C2 ) C3
(C1 C2 ) C3
(C1 C2 ) C3

En notant det(A) =: det(C1 , C2 , C3 ), on a :


x1 =

det(B, C2 , C3 )
det(C1 , B, C3 )
det(C1 , C2 , B)
, x2 =
, x3 =
.
det(A)
det(A)
det(A)
54

Proprits 4.2.2.
1. Soient C2 , C M3,1 (K). Pour tous C1 , C10 M3,1 (K) et , K3 ,
det(C1 + C10 , C2 , C3 ) = det(C1 , C2 , C3 ) + det(C10 , C2 , C3 ).
Le dterminant est linaire par rapport sa premire colonne.
2. Le dterminant est aussi linaire par rapport sa 2me colonne et sa
3me colonne. On dit que le dterminant est une forme trilinaire.
3. Soient C1 , C2 , C3 M3,1 (K).


C1 = C2 ou C1 = C3 ou C2 = C3 = det(C1 , C2 , C3 ) = 0.
On dit alors que le dterminant est une forme alterne.
Consquences :
1. Si une des colonnes est combinaison linaire des deux autres alors le
dterminant est nul. Par exemple, pour tous C1 , C2 , C3 M3,1 (K),


2
(1 , 2 ) K C3 = 1 + 2 C2 = det(C1 , C2 , C3 ) = 0.
2. Si lon permute deux colonnes parmi les trois, alors le dterminant change
de signe. Par exemple, pour tous C1 , C2 , C3 M3,1 (K),
det(C1 , C2 , C3 ) = det(C3 , C2 , C1 ) = [det(C2 , C3 , C1 )].
3. Le dterminant ne change pas lorsque lon ajoute lune des colonnes
une combinaison linaire des deux autres colonnes. Par exemple, pour
tous C1 , C2 , C3 M3,1 (K), et 1 , 2 dans K2 ,
det(C1 , C2 , C3 + 1 C1 + 2 C2 ) = det(C1 , C2 , C3 ).
Un dterminant dordre 3 peut se dcomposer en une combinaison linaire de
3 dterminants dordre 2. Par exemple,


a11 a12 a13


a21 a22 a23 = a11 a22 a33 + a21 a32 a13 + a31 a12 a23


a31 a31 a33
a31 a22 a13 a21 a12 a33 a11 a32 a23
= a11 (a22 a33 a32 a23 ) a21 (a12 a33 a32 a13 )
a31 (a12 a23 a22 a13 ).
Or, daprs ce qui prcde,


a11 a12


a21 a22 = a22 a33 a32 a23 ,


a12 a13


a32 a33 = a12 a33 a32 a13 ,


a12 a13


a22 a23 = a12 a23 a22 a13 .
55

On a donc obtenu que :




a(+) a







a
11
12
13
a11 a12
a12 a13
a12 a13
()






.
a21
+ a31
a21 a22 a23 = a11
a21 a22
a32 a33
a22 a23
(+)

a31 a31 a33
On a dvelopp le dterminant par rapport sa premire colonne. Utilisant
une criture plus concise,
det(A) =

3 h

i
X
(1)i+1 ai1 det A(i,1) ,
i=1

o A(i,1) est la matrice carre dordre 2 obtenue en supprimant dans A la


i-ime ligne et la premire colonne. Cette remarque motive la dfinition du
dterminant dordre n sous forme rcurrente.
Dterminant dune matrice carre
Dfinition 4.2.1. Soit A une matrice carre dordre n sur K.
1. Le dterminant de A est dfini par rcurrence sur n par
det(A) =

n h
X


i
(1)i+j aij det A(i,j) ,

i=1

o j prend une valeur quelconque entre 1 et n, et o A(i,j) est une matrice


carre dordre n 1 sur K. Elle sobtient en supprimant dans A la i-ime
ligne et la j-ime colonne.
2. Par convention, si n = 1, cest--dire si A = (a11 ), alors
det(A) := a11 .
Remarque 4.2.1. On utilise aussi la notation : det(A) =: det(C1 , C1 , . . . , Cn )
o C1 , C2 , . . . , Cn dsignent les colonnes d A. Le calcul dun dterminant est
indpendant du choix de la colonne par rapport laquelle on effectue le dveloppement. Par exemple,
(+)

2







0
0
()

1 2
0 0
0 0
5







1 2 = 2

5 0 1 + 3 1 2 .
0
1
3(+) 0 1


2 0(+) 0






2
0
5 1() 2 =



3 1 = 2.
(+)
3 0
1
Proposition 4.2.1. Soit n un entier naturel non nul.
1. det(In ) = 1.
2. Soit A une matrice carre dordre n sur K. A est inversible si, et seulement si, det(A) 6= 0.
56

3. Pour tous A, B Mn (K), det(AB) = det(A)det(B). En particulier,


si A est inversible alors
det(A1 ) =
4. Pour tout A Mn (K),

1

Exemple 4.2.1. Comme 0
1
inversible.

1
.
det(A)

det(A) = det(AT ).

0 1
1 0 1
1 1 6= 0 alors la matrice 0 1 1 est
0 0
1 0 0

Puisque le dterminant dune matrice et celui de sa matrice transpose sont


gaux, on peut aussi dvelopper le dterminant suivant nimporte quelle ligne.
Par exemple, en dveloppant par rapport la premire ligne, on a :
(+) () (+)

2

0
0
1 2



5
= 2.
1
2 = 2


0
1
3
0
1
En dveloppant par rapport la deuxime ligne, on a :



0



1
6
9
1 6 9
(2)
0 6 9
(+)
()
(+)

2



7
0
0
3 1 3 7 1 1 3 .

=
2

1



3
1
3
2 6 5

5 6 5

5
2
6
5
Rgles de calcul
1. Si tous les lments dune range dune matrice sont nuls alors son dterminant est nul. Par exemple,




2 2 0
2 2 0




0 0 0 = 0 = 12 1 0




3 0 1
3 0 1
2. Si lon permute deux ranges parallles dune matrice alors son dterminant change de signe. Par exemple,




2 2 0
0 2 0




5 1 2 = 1 5 2 ,




3 0 1
0 3 1




2 0 0
5 1 2




5 1 2 = 2 0 0 .




3 0 1
3 0 1
3. Si deux ranges parallles dune matrice sont gales alors son dterminant
est nul. Par exemple,




2 2 0
7 2 0




5 5 2 = 0 et 9 4 1 = 0.




3 3 1
7 2 0
57

4. Si lon multiplie par K tous les lments dune range alors son
dterminant est multipli par . Par exemple,






12 4 4
3 1 1
1 1 1






3 1 0 = 4 3 1 0 = 4 3 1 1 0 .






3 0 1
3 0 1
1 0 1
En particulier,
K A Mn (K) det(A) = n det(A).
5. Si une range est combinaison linaire des ranges parallles alors son
dterminant est nul. Par exemple,


2 0 2


5 1 3 = 0,


3 0 3
car C1 + 2C2 = C3 .
6. Le dterminant ne change pas lorsque lon ajoute une range une combinaison linaire des autres ranges parallles (et uniquement des autres
ranges parallles). Par exemple,



1 1 1 1 1 4



1 1 0 = 1 1 3 ,



1 0 1 1 0 3
car C3 C3 + 2C1 + C2 .
Exemple 4.2.2.
1+i

3
12i

3
1+i

3

12i
3
1+i
3
1+i
3

1+i
3
1+i
3
12i
3

4.3



1 + i 1 2i 1 + i

1

1

2i
1
+
i
1
+
i

27
1 + i 1 + i 1 2i


1 + i 3i 0

1
1 2i 3i
3i

27
1+i
0 3i


1 + i 3i 0

1
2 i 3i
0

27
1 + i 0 3i


3i 1 + i 3i

= 1.
27 2 i 3i

tude de lensemble des solutions

L quation matricielle AX = B peut scrire sous la forme vectorielle :


( EV) f(x) =b
58

o f est lapplication linaire de Kp vers Kn associe au systme, b = (b1 , b2 , . . . , bn )


K. et linconnue x = (x1 , . . . , xp ) Kp . Lensemble des solutions de (EV ) est
dfini par
S := {x Kp : f (x) = b}.
En particulier si b = 0Kn alors S = Kerf 6= .
Exemple 4.3.1. Soit m R. On a quivalence entre le systme rel 3 3 :

=m
x 1 + x 2
x2 + x3
=2 ,

x1 + 2x2 + x3 = 3
lquation matricielle :

1 1 0
x1
m
0 1 1 x2 = 2
1 2 1
x3
3

et lquation vectorielle : f (x) = b o x = (x1 , x2 , x3 ) R3 , b = (m, 2, 3) R3


et f : x R3
7 y R3 , avec
y = (x1 + x2 , x2 + x3 , x1 + 2x2 + x3 ).
Nous avons vu quune quation homogne nest jamais impossible (elle
admet toujours 0Kp pour solution). Et si elle nest pas homogne ?
Proposition 4.3.1. Soit b un vecteur de Kn .
(a) Si b
/ Imf alors S = .
(b) Si b Imf (lquation (EV) est dite compatible) alors
S = {x0 + xpart

: x0 Kerf }

o xpart est une solution particulire de (EV ), cest--dire :


xpart Kp et f (xpart ) = b.
Remarque 4.3.1. Si on note r = rg f alors dimK (Kerf ) = p r. Supposons
quil existe une solution particulire xpart .
(i) Supposons r = p ( cest--dire : dimK (Kerf ) = 0). Il n y a alors quune
seule solution : S = {xpart }.
(ii) Supposons r < p ( cest--dire dimK (Kerf ) 1). Notons BKerf =
(v1 , . . . , vpr ) une base de Kerf . Pour tout x S,
Par consquent, la forme gnrale dune solution dpend de p r paramtre(s). Il y a donc une infinit de solutions puisque p r > 0.
En conclusion, une quation vectorielle peut
ne possder aucune solution ; cest le cas si
b
/ Imf ;
possder une solution unique ; cest le cas si
b Imf et Kerf = {0Kp };
en possder une infinit ; cest le cas si
b Imf et Kerf 6= {0Kp };
59

4.4

Rsolution dun systme de Cramer

Dfinition 4.4.1. (Systme de Cramer) Un systme linaire de type(n, p) est


dit de Cramer sil possde autant dquations que dinconnues (n = p) et si le
rang r du systme vrifie :
r = n = p.
Un systme de Cramer est un systme de la


a11 x1 + + a1n xn = b1

a21 x1 + + a2n xn = b2


avec
.
.

a x + + a x = b

n1 1
nn n
n

forme :
a11 . . . a1n
a21 . . . a2n
.. . .
.
. ..
.
an1 . . . ann






6= 0.


Interprtation vectorielle dun systme de Cramer


L application linaire f : Kn Kn est bijective :
f GLK (Kn ).
Ainsi, pour tout vecteur b de Kn , il existe une unique solution x Kn . On a :
f (
x) = b xf 1 (b).
Interprtation matricielle dun systme de Cramer
La matrice A carre dordre n est inversible :
A GL(K).
Mn,1 (K).
Ainsi, pour tout B Mn,1 (K), il existe une unique solution X
On a :
= B X
= A1 B.
AX
Proposition 4.4.1. Un systme de Cramer possde une solution et une seule.
Proposition 4.4.2. (Formules de Cramer)
1, X
2, . . . , X
n de lunique solution dun systme de Cramer
Les coordonnes X
= B sont :
dquation matricielle AX
j = det(C1 , . . . , Cj1 , B, Cj+1 , . . . , Cn )
j {1, . . . , n} X
det(A)
o C1 , C2 , . . . , Cn dsignent les colonnes de la matrice A.
Exemple 4.4.1. Considrons dans R le systme 33 dquation matricielle :



1
0 1
x1
1
0 1 1 = x2 = 1 .
1 2
0
x3
1

60

Cest un systme de Cramer car son


Son unique solution est (
x1 , x2 , x2 ) R3



1
1 0 1



0
1 1 1



1
1 2

0
, x2 =
x1 =
1
1
0 1


0 1 1
0



1 2
1
0

dterminant est non nul (il vaut -1).


avec



1

1 1
0
1


0 1 1
1 1


1 2
1 0
1
x3 =

1

0 1
0
1





1 1
0 1 1
1 2
2
0
0

On obtient x1 = 5, x2 = 3 et x3 = 4.

4.5

Rsolution dans le cas gnral

Mthode de Gauss
Quest-ce que la mthode de Gauss ? Cest une mthode de rsolution systmatique dun systme linaire de type (n, p) :

a11 x1 + + a1p xp = b1

a21 x1 + + a2p xp = b2
(S)
..

a x + + a x = b
n1 1

np p

avec, a priori, aucune condition ni sur lentier n, ni sur lentier p ( il faut , bien
sr, n 1 et p 1 ). On procde en trois tapes :
1. une tape dlimination,
2. suivie dune tape de discussion,
3. suivie (ventuellement) dune tape de remonte.
Le but cest dcrire le systme sous une forme chelonne. Les oprations
utilises sont identiques celles utilises dans la mthode des zros chelonns :
1. Multiplication de lquation Ek par un scalaire K :
Ek Ek K .
2. Addition une quation dun multiple dune autre :
Ek Ek + Ek avec K.
3. change dquations
Ek Ek0 .
4. change de colonnes
Ck Ck0 .

61

Soit m R. Considrons dans R le systme 3 3 suivant :

=m
x 1 + x 2
(S)
x2 + x3
=2 .

x1 + 2x2 + x2 = 3
Effectuons partir du systme (S) lopration lmentaire E3 E3 E1 ,
puis E3 E3 E2 . On obtient le systme chelonne :

x 1 + x 2 = m
0
(S )
.
x2 + x3 = 2

0
=m1
Le systme (S 0 ) est quivalent au systme (S). Ici r = 2. lissue de ltape
dlimination, nous nous retrouvons avec le systme (S 0 ), chelonne et quivalent (S), de la forme :

a011 x01 + a012 x2 + + a01r x0r + . . . = b01

a022 x2 + + a02r x0r + . . . = b02

..

...

0
0
arr xr + . . . = b0r

0 = b0r+1

..

0
= b0
n

o les coefficients ( pivots) a011 , a022 , . . . , a0rr sont tous non nuls et o ( en labsence de permutation des colonnes )
x01 = x1 , x02 = x2 , . . . , x0p = xp .
Deux cas peuvent se produire :
1. Sil existe i {r+1, . . . , n} tel que b0i 6= 0 alors lgalit 0 = b0i absurde.
Le systme nest pas compatible :
S = .
2. Si b0i = 0 pour tout i {r + 1, . . . , n} alors le systme est compatible
(S 6= ) : il existe au moins une solution ( cest un vecteur de Kp ) qui
dpend de p r paramtre (s).
Cette solution est peut-tre unique. Cest le cas si
r = p.
Il y en a peut-tre une infinit. Cest le cas si
r < p.

62

Exemple 4.5.1. Reprenons lexemple prcdent. Considrons donc le systme


chelonn :

=m
x 1 + x 2
0
(S )
x2 + x3
=2 .

x1 + 2x2 + x2 = 3
Considrons les deux cas suivants :
1. Si m 6= 1 alors le systme est incompatible. Il ny a donc pas de solution :
S = .
2. Si m = 1 alors le systme est compatible. Il y a au moins une solution
qui dpend de 3 2 = 1 paramtre. Il y a donc une infinit de solutions
tape de remonte
Comment obtenir la (ou les) solution(s) ? On procde en deux temps.
1. On commence par crire le systme (S 00 ) obtenu partir du systme
chelonn (S 0 )
en supprimant les quations de la forme 0 = 0 ,
en faisant passer aux seconds membres les x0r+1 , . . . , x0p .
Les inconnues sont prsent les scalaires x01 , x02 , . . . , x0r . Ce sont les inconnues principales. Le systme (S 00 ) est de Cramer.
2. On rsout ensuite (S 00 ) en partant de la dernire quation, puis en remontant jusqu la premire quation.
lissue de cette tape de remonte, les inconnues principales de cette tape de
remonte, les inconnues principales x01 , x02 , . . . , x0r sexpriment de x0r+1 , . . . , x0p .
Exemple 4.5.2. Reprenons lexemple prcdent. Soit m = 1(C =
6 ). Remplaons (S 0 ) par le systme suivant :
(
x1 + x2 = 1
(S 00 )
x2 = 2 x3
dinconnues x1 , x2 et paramtr par x3 . On obtient : x2 = 2 x3 , puis x1 =
1 + x3 . Une solution gnrale est un vecteur de R3 dexpression :
(x1 , x2 , x3 ) = (1 + x3 , 2 x3 , x3 ) avec x3 R.
Lensemble des solutions scrit ainsi :
S = {x0 + xpart : x0 Kerf }
avec part = (1, 2, 0) et Kerf = R(1, 1, 1).
Remarque 4.5.1. Si r = n alors le systme chelonn quivalent (S 0 ) scrit :

a011 x01 + a012 x2 + + a01n x0n + . . . = b01

a022 x2 + + a02n x0n + . . . = b02


0
(S )
..
..

.
.

0
0
ann xn + . . . = b0n
Remarquons quil ny a pas dgalit de la forme " 0 = bi ".
63

Cela traduit le fait que le systme est ncessairement compatible. Il y


a donc au moins une solution, cest--dire une seule ou une infinit.
Ltape de discussion est donc ici inutile. On peut passer directement
ltape de remonte.
Cest exactement le cas dans lexemple qui suit.
tude dun systme sousabondant
Considrons dans R

2x1
2x1

2x1 +

le systme 3 5 suivant :
3x2 + x3 + 6x4 6x5 = 3
2x2 + 2x3 + 4x4 6x5 = 4
4x2 + x3 8x4 + 3x5 = 3

L tape dlimination conduit au systme chelonn quivalent (r=3) :

2x1 3x2 + x3 + 6x4 6x5 = 3


x2 + x3 2x4
= 1

x3
3x5 = 2
Il sen suit que le systme est compatible. Il y a au moins une solution qui
dpend de 5 3 = 2 paramtres. Il y a donc une infinit de solutions.
Ltape remonte consiste rsoudre le systme :

2x1 3x2 + x3 = 3 6x4 + 6x5


x2 + x3
= 1 + 2x4

x3
2 + x5
dinconnues x1 , x2 et x3 et paramtr par x4 et x5 . On a :
x3 = 2 + 3x5 , x2 = 1 + 2x4 3x5 , x1 = 1 3x5 .
Une solution gnrale est un vecteur de R5 de la forme :
(x1 , x2 , x3 , x4 , x5 ) = (1 3x5 , 1 + 2x4 3x5 , 2 + 3x5 , x4 , x5 )
o chacun des paramtres x4 et x5 parcourt R. Lensemble des solutions scrit
ainsi :
S = {x0 + xpart : x0 Kerf } avec xpart = (1, 1, 2, 0, 0)
et



Kerf = Vect (0, 2, 0, 1, 0), (3, 3, 3, 0, 1) .

64