Algébre SMPC s2

Table des matires
1 Calcul matriciel
1.1 Dnitions et proprits . . . . . . . . . . . . . . . .

1.2 Oprations sur les matrices . . . . . . . . . . . . . .
1.2.1 Addition . . . . . . . . . . . . . . . . . . . .
1.2.2 Multiplication par un scalaire . . . . . . . . .
1.2.3 Multiplication des matrices . . . . . . . . . .
1.3 Matrices lmentaires . . . . . . . . . . . . . . . . .
1.3.1 Oprations lmentaires sur une matrice . . .
1.3.2 Application pour dterminer l'inverse d'une
carre . . . . . . . . . . . . . . . . . . . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
matrice
. . . . .
2 Dterminants
2.1
2.2
2.3
2.4
10
Dterminant d'ordre 2 . . . . . . . . . . . . . . . . . . . . . .
Dterminant d'ordre 3 . . . . . . . . . . . . . . . . . . . . . .
Dterminant d'ordre n . . . . . . . . . . . . . . . . . . . . .
Applications . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4.1 Calcul de l'inverse d'une matrice carre d'ordre n . . .
2.4.2 Rsolution de systmes linaires ( Mthode de Cramer )
3 Espaces Vectoriels
3.1
3.2
3.3
3.4
3.5
3.6
3
4
4
5
5
7
7
10
10
13
15
15
16
17
Espaces vectoriels . . . . . . . . . . . . . . . . .
Sous-Espaces vectoriels . . . . . . . . . . . . . .
Famille Gnratrice . . . . . . . . . . . . . . . .
Dpendance et Indpendance Linaires - Bases .
Existence de Bases ( en dimension nie ) . . . .
Les Thormes Fondamentaux sur la Dimension
1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
17
18
20
21
23
24
3.7 Somme, Somme directe, Sous-Espaces Supplmentaires . . . . 27
4 Les Applications Linaires

4.1
4.2
4.3
4.4
4.5
4.6
4.7
4.8
4.9
31
Applications Linaires . . . . . . . . . . . . . . . . . . . . . .
Image et Noyau . . . . . . . . . . . . . . . . . . . . . . . . .
Matrices Associes aux Applications Linaires . . . . . . . . .
Matrice d'un Vecteur. Calcul de l'Image d'un Vecteur . . . .
Matrice de l'Inverse d'une Application . . . . . . . . . . . . .
Changement de Bases . . . . . . . . . . . . . . . . . . . . . .
Rang d'une Matrice . . . . . . . . . . . . . . . . . . . . . . .
Matrices Remarquables . . . . . . . . . . . . . . . . . . . . .
Application des Dterminants la Thorie du Rang . . . . .
4.9.1 Caractrisation des Bases . . . . . . . . . . . . . . . .
4.9.2 Comment reconnatre si une famille de vecteurs est libre
4.9.3 Comment reconnatre si un vecteur appartient l'espace engendr par d'autres vecteurs . . . . . . . . . .
4.9.4 Dtermination du rang . . . . . . . . . . . . . . . . .
5 Valeurs Propres et Vecteurs Propres

5.1
5.2
5.3
5.4
Valeurs Propres et vecteurs propres . . . . . . .

Proprits des vecteurs propres et valeurs propres
Proprits du polynme caractristique . . . . .
Diagonalisation . . . . . . . . . . . . . . . . . .
31
32
35
38
40
40
42
43
45
45
46
47
48
50
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
50
52
53
55
Chapitre 1
Calcul matriciel
Dans tout ce qui suit, K dsigne R ou C.
1.1 Dnitions et proprits

Un tableau rectangulaire, de nombres ( K ), de la forme
a11 a12 . . . a1n
a21 a22 . . . a2n

..
..
.
.
am1 am2 . . . amn
(1.1)
est appel matrice. Les nombres aij sont appels coecients de la matrice.
Les lignes horizontales sont appeles ranges ou vecteurs ranges, et les lignes
verticales sont appeles colonnes ou vecteurs colonnes de la matrice. Une
matrice m ranges et n colonnes est appele matrice de type (m, n). On
note la matrice ( 1.1) par (aij ).
Exemple 1.1.1. :
1)
2)
0 0 ... 0
0 0 ... 0
La matrice nulle O = .
.. a tous ses coecients nuls.
..
.
0 0 ... 0
Une matrice (a1 , ..., an ) ayant une seule range est appele matrice
uniligne.
Chapitre thechapter : Calcul matriciel
3) Une matrice
b1
b2
...
bm
ayant une seule colonne est appele matrice uni-
colonne.
1) Une matrice ayant le mme nombre de ranges et de colonnes est appeles matrice carre, et le nombre de ranges est appel son ordre.
2) La matrice carre (aij ) telle que aij = 0 si i 6= j et aii = 1 i est
appele matrice unit, note par I , elle vrie AI = IA = A, A matrice
carre du mme ordre que I .
3) Deux matrices (aij ) et (bij ) sont gales si et seulement si elles ont
mme nombre de ranges et le mme nombre de colonnes et les lments
correspondants sont gaux ; c'est dire aij = bij i, j .
1.2 Oprations sur les matrices

1.2.1 Addition
La somme de deux matrices de type (m, n) (aij ) et (bij ) est la matrice
(cij ) de type (m, n) ayant pour lments cij = aij + bij pour i = 1, ..., m et
j = 1, ..., n.
Exemple 1.2.1. : Si A =
B=
1 5 3
4 6 3
0 1 2
!
et
B=
5 1 0
3 1 0
3 2 2
L'addition des matrices satisfait les proprits suivantes :

Pour A, B et C des matrices de type (m, n) on a :
1) A + B = B + A
2) (A + B) + C = A + (B + C)
3) A + O = O + A = A o O est la matrice nulle
4) A + (A) = O o A = (aij ).
!
, alors
A+
Chapitre1 : Calcul matriciel
1.2.2 Multiplication par un scalaire

SoitA = (aij ) et K, on dnit
a11 a12 . . . a1n
a21 a22 . . . a2n

A =
..
...
.
am1 am2 . . . amn
= (aij ).
Exemple 1.2.2. :
Si
A = (2 7 8),
alors
3A = (6 21 24)
Cette multiplication vrie :

Pour A, B des matrices de type (m, n)
1) (A + B) = A + B
2) ( + )A = A + A
3) (A) = ()A
4) 1A = A
1.2.3 Multiplication des matrices

Soit A = (aij ) une matrice de type (m, n) et B = (bkl ) une matrice de
type (r, p), alors le produit AB ( dans cet ordre ) n'est dni que si n = r,
et est la matrice C = (cil ) de type (m, p) dont les lments cil =
j=n
X
aij bjl .
j=1
Exemple 1.2.3. :
3 2 1
0 4 6
A=
AB =
=
!
et
1 0 2
B = 5 3 1 ,
6 4 2
alors
3(1) + 2(5) + (1)(6) 3(0) + 2(3) + (1)(4) 3(2) + 2(1) + (1)(2)

0(1) + 4(5) + 6(6)
0(0) + 4(3) + 6(4)
0(2) + 4(1) + 6(2)
!
7 2 6
56 36 16
Le produit matriciel vrie les proprits suivantes :

1) (AB) = (A)B , K
2) A(BC) = (AB)C
3) (A + B)C = AC + BC
4) C(A + B) = CA + CB
Pour vu que les produits qui gurent dans les expressions soient dnis.
Remarque 1.2.1. :
1) La multiplication matricielle n'est pas en gnral commutative, c..d
AB 6= BA.
2) La simplication n'est pas vraie en gnral, c..d
A=O
pas, ncessairement
3) Une matrice carre
ou
AB = O
n'entrane
B = O.
A est inversible s'il existe B
telle que
AB = BA =
I.
Exemple 1.2.4. :!
1 0
1) A =
0 0
!
0 0
BA =
1 0
1 1
B=
0 1
1 0
!
, alors
1 1
1 1
AB =
0 1
0 0
!
et
6= O, B =
6= O et pourtant
2 2
!
0 0
AB =
=O
0 0
a11 0 . . . 0
0 a22 0 . . . ...
1) Une matrice du type

. . . 0 c'est dire aij = 0 pour
...
0 . . . 0 ann
i 6= j est appele matrice diagonale.
a11
0 a22
ou
2) Une matrice du type
.
.. . . . . . .
0 . . . 0 ann
a11 0 . . . 0
. . . ...
a
22
. . . 0 est appele matrice triangulaire.
ann
La premire vrie aij = 0 pour i > j et la seconde aij = 0 pour i < j .
2)
A=
3) Au lieu de AA on crit tout simplement A2 , de mme A3 = A2 A ....

4) Si les lignes et les colonnes d'une matrice sont changes, la matrice
obtenue est appele transpose de la matrice d'origine ; la transpose de A
est note t A.
5) Si A = (aij ), alors t A = (bij ) avec bij = aji , on a t (t A) = A.
Exemple
1.2.5. :
Si
1 4
A = 2 5 ;
3 6
alors
A=
1 2 3
4 5 6
1.3 Matrices lmentaires

1.3.1 Oprations lmentaires sur une matrice
Soit A une matrice, on appelle opration lmentaire sur A l'une des
transformations suivantes :
1) Ajouter une ligne ( resp une colonne ) de A une autre ligne ( resp
colonne ) multiplie par un scalaire. (Rj Rj + kRi )
2) Multiplier une ligne ( resp une colonne ) de A par un scalaire non nul.
(Ri kRi )
3) Permuter les lignes ( resp les colonnes ) de A. (Ri Rj )
Soit e une opration lmentaire sur les lignes et e(A) dsigne les rsultats
obtenus aprs l'application de l'opration e sur une matrice A.
Soit E la matrice obtenue aprs l'application de e sur la matrice unit I ,
c'est dire E = e(I). E est alors appele la matrice lmentaire correspondant l'opration lmentaire e.
Exemple 1.3.1. :
Considrons la matrice unit d'ordre
L3 .
2) Remplacer ligne L2 par 6L2 .
3) Remplacer ligne L3 par 4L1 + L3 .
1 0 0
1 0 0
E1 = 0 0 1 , E2 = 0 6 0
0 1 0
0 0 1
1) Permuter les lignes
L2
3.
et
et
1 0 0
E3 = 0 1 0
4 0 1
sont les
matrices lmentaires correspondantes.
Thorme 1.3.1. :
e une opration lmentaire sur les lignes et E la matrice lmentaire
correspondante d'ordre m, alors e(A) = EA pour toute matrice A de type
(m, n).
Soit
Les oprations lmentaires ont des oprations inverses du mme type

1) Permuter Ri et Rj est son propre inverse.
2) Remplacer Ri par kRi et remplacer Ri par k1 Ri sont inverses
3) Remplacer Rj par kRi +Rj et remplacer Rj par kRi +Rj sont inverses.
Supposons que e0 est l'inverse d'une opration lmentaire sur les lignes
e, et soit E 0 et E les matrices correspondantes. Alors E est inversible et
son inverse est E 0 . En particulier un produit de matrices lmentaires est
inversible.
Thorme 1.3.2. :
Soit
une matrice carre, alors
est inversible si et seulement si
est
un produit de matrices lmentaires.
1.3.2 Application pour dterminer l'inverse d'une matrice carre

Exemple 1.3.2. :
Trouver l'inverse de la matrice
1 0 2
A = 2 1 3
4 1 8
si elle existe.
Pour ce faire nous crivons la matrice unit la droite de
et nous ap-
pliquons les mmes oprations cette matrice que celles eectues sur
1 0 2
1 0 0
1 0 2
L2 2L1

0 1 0 L3 4L1 0 1 1
2 1 3
4 1 8
0 0 1
0 1 0
1 0 2
1 0 0
L1 +2L3
L3 +L2

0 1 1
2 1 0 L2 L3
0 0 1
6 1 1
1 0 0
2 1 0
4 0 1
A.
0 1 0
0 0 1
d'o
11 2

L3
4 0 1
6 1 1
11
L2
1 0 0
0 1 0
0 0 1
4 0 1
6 1 1
11
A1 = 4 0 1
6 1 1
Ecrivons cette inverse sous forme de produit de matrices lmentaires :
1 0
A1 = BC avec B = 0 1
0 0
1 0 0
1 0
C = 0 1 1 0 1
0 0 0
0 1
0
1 0 0
1 0 2
0 0 1 0 0 1 0 et
1
0 0 1
0 0 1
0
1 0 0
1 0 0
0 2 1 0 0 1 0
1
0 0 1
4 0 1
Chapitre 2
Dterminants
2.1 Dterminant d'ordre 2

a a
Le symbole 11 12 est appel dterminant d'ordre 2 de la matrice A =
a21 a22

!

a11 a12
a11 a12
et est dni par detA =
= a11 a22 a12 a21 .
a21 a22
a21 a22
Exemple
2.1.1. :

1 3

= 4 6 = 2,

2 4

2 4

= 6 4 = 2,

1 3

3 1

=64=2

4 2
On constate alors que :

1) Si deux ranges ( ou deux colonnes ) d'un dterminant sont permutes
la valeur d'un dterminant est!multiplie par 1
!.
2) Si on pose A =
1 3
2 4
, tA =
1 2
3 4
. On constate que detA =
dett A, d'o la valeur d'un dterminant est conserve lorsque l'on change les
colonnes et les lignes ( dans le mme ordre ).
2.2 Dterminant d'ordre 3
a11 a12 a13
Soit A =
a21 a22 a23 , on dnit
a31 a32 a33
10
Chapitre 2 : Dterminants
11

a12 a13

a22 a23

a 32 a33

a a
a a
a a
22 23
12 13
12 13
= a11
a21
+a31

a32 a33
a32 a33
a22 a23
| {z }
| {z }
| {z }
mineur de a11
mineur de a21
mineur de a31

a11

detA = a21

a31
Exemple 2.2.1. :

1 3 0
3 0
3 0
6 4

detA = 2 6 4 = 1
= 12 12 12 = 12
1
2
6 4
0 2
0 2

1 0 2
Le cofacteur de l'lment de detA de la ie`me ligne et la k e`me colonne est

gal (1)i+k fois le mineur de cet lment ( c. .d le dterminant d'ordre
2 obtenu en supprimant la ie`me ligne et la k e`me colonne ).
Remarque 2.2.1. :
Le cofacteur de
Les signes
a22
(1)i+j
est

a a
11 13
(1)2+2
.
a31 a33
forment la table suivante
On remarque que l'on peut crire
detA = a11 C11 + a21 C21 + a31 C31
(1)
+ +
+
+ +
sous la forme :
Ci1
est le cofacteur de
ai1
dans
detA.
3) Le dterminant de A, detA, peut tre developp suivant n'importe

quelle ligne ou colonne, c'est dire, qu'il peut tre crit sous la forme d'une
somme de trois lments de n'importe quelle ligne ( ou colonne ), chacun
multipli par son cofacteur.
Exemple 2.2.2. :

a a
a a
a a
12 13
11 13
11 12
detA = a21
+ a22
a23

a32 a33
a31 a33
a31 a32
4) Si tous les lments d'une ligne ( ou d'une colonne ) d'un dterminant

sont multiplis par une constante k , la valeur du nouveau dterminant est k
12
fois la valeur du dterminant initial. Cette proprit peut tre utilise pour
simplier un dterminant.
Exemple
2.2.3.
:

3
0
1 3(1) 0
1 3 0
1
1 3 0

2 6 4 = 2(1) 2(3) 2(2) = 2 1 3 2 = 2 1 3(1) 2 =

1 3(0) 2
1 0 2
1
1 0 2
0
2

1 1 0
1 1 0

6 1 1 2 = 12 1 1 1 = 12

1 0 1
1 0 2
5) Si tous les lments d'une ligne ( ou colonne ) d'un dterminant sont

nuls, la valeur du dterminant est nulle.
6) Si chaque lment d'une ligne ( ou colonne ) d'un dterminant est
exprim sous la forme d'un binme, le dterminant peut tre crit comme
somme de deux dterminants.
Exemple
2.2.4. :

a1 + d1 b1

a2 + d2 b2

a3 + d3 b3

c1 a1 b1 c1 d1 b1 c1

c2 = a2 b2 c2 + d2 b2 c2

c3 a3 b3 c3 d3 b3 c3
7) Si deux lignes ( ou colonnes ) d'un dterminant sont proportionnelles,

la valeur du dterminant est nulle.
Exemple

2.2.5. :
1 2 2

1 2 3 = 0

1 2 1
8) La valeur d'un dterminant est conserve si l'on ajoute une ligne ( ou

une colonne ) une combinaison des autres lignes ( ou colonnes ).
Exemple
2.2.6.
:

1 1 0
1 1 0

C1 +C3

1 1 1 = 2 1 1 = 1

1 0 1
0 0 1
13
C +C
3
1
signie que l'on a ajout la colonne C3 la colonne C1 .
Cette dernire proprit permet de simplier normment les calculs, elle

permet de rduire le calcul d'un dterminant d'ordre 3 au calcul d'un seul
dterminant d'ordre 2.
Exemple 2.2.7. :

3 1 2

Calculer 6 2 4

1
7 3

0 1 2
3 1 2
1 2

C1 +C2 C3

= 5(4 + 4) = 0
6 2 4 = 0 2 4 = 5
2 4

5
1
7 3
7 3
Remarque 2.2.2. :
La ligne ( ou colonne ) dans laquelle seront eectus les calculs ne doit
pas tre multiplie par des scalaires. La multiplication par un scalaire
viendrait multiplier le dterminant par
re-
Exemple 2.2.8. :

1 2
0 2

2L1 L2

= 2,
2 3
1 3
alors que

1 2

= 1
2 3
2.3 Dterminant d'ordre n

a a . . . a
1n
11 12

a21 a22 . . . a2n
Le symbole ..
.. est appel dterminant d'ordre n.
.
.

an1 an2 . . . ann
Pour n = 1, a signie a11 .
Pour n 2, a signie la somme des produits des lments de n'importe

quelle ligne ou colonne par leurs cofacteurs respectifs c'est dire
14

a a . . . a
1n
11 12

a21 a22 . . . a2n

.. = ai1 Ci1 + ai2 Ci2 + . . . + ain Cin
...
.

( i = 1, 2 . . . , ou n )

an1 an2 . . . ann
ou
= a1k C1k + a2k C2k + . . . + ank Cnk
( k = 1, 2 . . . , ou n )
Le dterminant d'ordre n est alors dni en fonction de n dterminants

d'ordre (n 1), chacun est son tour, dni en fonction de (n 1) dterminants d'ordre (n2) et ainsi de suite, nalement on aboutit aux dterminants
d'ordre 2.
Remarque 2.3.1. :
Les proprits 1) jusqu' 8) restent valables pour un dterminant d'ordre
n.
Pour calculer la valeur d'un dterminant, on dveloppera suivant la ligne
ou colonne o il y a le plus de zros.
Exemple
2.3.1. :

1

1
1 3
1
1 3

0

C +C +C +C

1
123 4 0

1
3
1
1
3
1

=0
=
1 3

1
1
1
1

0 3

3
0
1
1
1
1
1
1

sin2 sin2 sin2
1

1
1

L1 +L2

2
2
2 =
2
2
2 = 0
cos cos cos
cos cos cos

1

1
1
1
1
1
Remarque 2.3.2. :
1)
det(A + B) 6= detA + detB
2)
det(AB) = (detA)(detB)
3)
det(A1 ) = (detA)1
en gnral.
A1
dsigne l'inverse de
A.
15
2.4 Applications
2.4.1 Calcul de l'inverse d'une matrice carre d'ordre n
On rappelle qu'une matrice carre d'ordre n A est inversible s'il existe B
d'ordre n telle que AB = BA = I o I est la matrice unit d'ordre n, c'est
dire la matrice diagonale dont les lments diagonaux sont tous gaux 1.
Critre : A est inversible si detA 6= 0.
Une fois assur que A est inversible, on calcule son inverse l'aide de la
1
formule suivante : A1 = detA
(adjA) o (adjA) dsigne l'adjoint classique
de A c'est dire la matrice t [Cij ] o Cij dsigne la matrice des cofacteurs de
A.
Exemple
2.4.1. :
2 3 4
A = 0 4 2
1 1 5

2

0

3
4
5
14

L1 2L3

5 14

detA = 0 4
=
2
0 4
2 =
= 46 6= 0,

4

2
1 1

5
1 1
5
donc A est inversible.
Dterminons
les

9 cofacteurs de A

4 2
0 2

C11 =
= 18, C12 =
=2
1 5
1 5

0 4
3 4

C13 =
= 4, C21 =
= 11
1 1
1
5

2 4
2
3

C22 =
= 14, C23 =
=5
1
1 1
5

3 4
2 4

C31 =
= 10, C32 =
= 4
4

0

2
2

2
3

C33 =
= 8
0 4
18 11 10
1
A1 = 46
2
14 4
16
2.4.2 Rsolution de systmes linaires ( Mthode de Cramer )

Un systme d'quations, AX = b, o A est une matrice carre d'ordre n,
peut tre rsolu l'aide
des
dterminants,
lorsque detA 6= 0.
x1
b1
..
..
1
Si on pose X = . et b = . , alors xi = detA
[C1i b1 + C2i b2 +
xn
bn
1
. . . + Cni bn ] = detA detBi o Bi est la matrice obtenue en remplaant la ie`me
colonne de A par b.
Exemple 2.4.2. :
Utiliser la mthode de Cramer pour rsoudre le systme :
x1
+ 3x3 = 2
1 0 3
A = 1 2 2
x1 + 2x2 + 2x3 = 3
x2 + 4x3 = 5
0 1 4

1 0 3

L2 +L1 1 0 3

detA = 1 2 2 = 0 2 5 = 3

0 1 4
0 1 4

2 0 3
2 0
3

x1 = 31 3 2 2 = 13 7 0 6 = 13 [(12 + 21)] = 3.

5 1 4
5 1
4

1 2 3
1 2 3

1

1
x2 = 3 1 3 2 = 3 0 5 5 = 5
3 .

0 5 4
0 5 4

1 0 2
1 0 2

1

1
x3 = 3 1 2 3 = 3 0 2 5 = 53 .

0 1 5
0 1 5
Remarque 2.4.1. :
La mthode de Gauss pour les systmes et celle des matrices lmentaires
pour le calcul de l'inverse demeurent les plus ecaces.
Chapitre 3
Espaces Vectoriels
Dans ce chapitre, K dsignera R, ou C.
3.1 Espaces vectoriels

Dnition 3.1.1. : On appelle espace vectoriel sur K ( ou K-espace vectoriel
) un ensemble non videE muni d'une loi note
not (
E, +, .
et d'une autre loi note .,
), telles que :
1) Pour tout
x, y E, x + y E.
2) Pour tout
x, y E, x + y = y + x.
3) Pour tout
x E, x + 0E = x.
4) Pour tout
x E, x E.
5) Pour tout
x, y, z E, (x + y) + z = x + (y + z).
6) Pour tout
K, x E, x E.
7)
.(.x) = ().x , K
8)
( + ).x = .x + .x , K
et
9)
.(x + y) = .x + .y K
x, y E.
10)
et
x E.
et
x E.
1.x = x x E.
Les lments de K sont dits scalaires et ceux de E vecteurs.
Exemple 3.1.1. :
1) K est un espace vectoriel sur lui mme.
2)
est un espace vectoriel sur
R.
3)
n'est pas un espace vectoriel sur
4)
R[X]
est un espace vectoriel sur
17
C.
muni des lois :
Chapitre 3 : Espaces Vectoriels
18
(a0 +a1 X +...+an X n )+(b0 +b1 X +...+bn X n ) = (a0 +b0 )+(a1 +b1 )X +
... + (an + bn )X n et (a0 + a1 X + ... + an X n ) = a0 + a1 X + ... + an X n .
5) Soit E un espace vectoriel sur K, A un ensemble quelconque non vide,
et
S={
applications
f : A E}. On peut dnir sur S
une structure d'espace
vectoriel sur K par les lois :

Si
f, g S
et
K,
alors
f +g :AE
a 7 f (a) + g(a)
f : A E
a 7 f (a)
6) Soient E1 et E2 deux espaces vectoriels sur K. On dnit une structure
E2 par :
(x1 , y1 )+(x2 , y2 ) = (x1 +x2 , y1 +y2 ) et (x1 , y1 ) = (x1 , y1 ) avec K.
D'une manire analogue, E1 ... En est un espace vectoriel sur K si
d'espace vectoriel sur E1
E1 , ...,En le sont.
Proposition 3.1.1. : Pour tout K et pour tout x E, on a :

1)
.0 = 0
2)
x = 0 = 0 ou x = 0.
()x = (x) = x.
3)
et
0.x = 0.
Preuve : 1) (0 + 0) = 0 + 0 = 0 0 = 0 et (0 + 0)x = 0x + 0x =
0x 0x = 0.
2) x = 0, si 6= 0 alors 1 x = 0 x = 0.
3) ( + ())x = x + ()x = 0 (x) = (x).
Dans la suite ()x sera not x et x + (y) sera not x y .
3.2 Sous-Espaces vectoriels

Dnition 3.2.1. : Soit E un espace vectoriel et F une partie non vide de
E. On dit que F est un sous-espace vectoriel de E, si la restriction des lois
de E F fait de F un espace vectoriel.
Proposition 3.2.1. : Soit E un espace vectoriel et F E. Alors F est un

sous-espace vectoriel de E si et seulement si :
2)
6= .
a) x, y F x + y F.
b)
x F, K x F.
19
1) F
Preuve : ) trivial.
) = 1 et y F y F d'aprs b) ; x F x y F d'aprs
a) ; d'o F est un sous-groupe de E.
Les autres axiomes sont vris pour tous les lments de E et donc
fortiori pour les lments de F.
Proposition 3.2.2. quivalente
: F est un sous-espace vectoriel de E si et
seulement si :
6= .
x, y F ; , K x + y F.
1) F
2)
Preuve : Exercice.
Exemple 3.2.1. :
1) Droite vectorielle :
Soit E un espace vectoriel et soit
K; y
par
= v}
v.
v E ; v 6= 0,
alors F
= {y E/
est un sous-espace vectoriel de E dit droite vectorielle engendre
v
-
2) Soient
x1 , x2
E et F
= {y
E/1 , 2
K; y
= 1 x1 + 2 x2 },
est un sous-espace vectoriel de E dit plan vectoriel engendr par
x26

x = 1 x1 + 2 x2

x1
-
*

x1
et
x2 .
20
Rn [X] = {
toriel de R[X].
3)
4) Soit F
de
polynmes
P R[X]; degP n}
= {(x, y, z) R3 /2x + y + 3z = 0}
est un sous-espace vec-
est un sous-espace vectoriel
R3 .
Proposition 3.2.3. : Soient F et G deus sous-espaces vectoriels de E.

1) F
est un sous-espace vectoriel de E.
2) F
n'est pas en gnral un sous-espace vectoriel de E.
3) Le complment (E F) d'un sous-espace vectoriel F n'est pas un sousespace vectoriel de E.
Preuve : 1) F G 6= car 0 F G.
x, y F G et , K (x, y F, , K) et (x, y G,
, K) x + y F G.
2) On prend F 6 G et G 6 F, il existe donc x F ; x / G et y G ;
y
/ F ; on a donc x, y F G.
Si F G est un sous-espace vectoriel alors x + y F G ; c..d x + y F
ou x + y G.
Si x + y F, alors (x + y) x F y F ; contradiction.
Si x + y G, alors (x + y) y G x G ; contradiction.
3) Le complment (E F) ne contient pas 0, donc n'est pas un sous-espace
vectoriel.
3.3 Famille Gnratrice

Dnition 3.3.1. : Une famille de vecteurs {v1, ...vp} d'un espace vectoriel
x E, 1 , ..., p K tel que x = 1 v1 +...+p vp ,
est combinaison linaire des vecteurs vi .
E est dite gnratrice si :
on dit que tout
xE
Remarque 3.3.1. : Une telle famille ( nie ) n'existe pas toujours. Considrons
R[X]
et
{P1 , ..., Pp }
une famille nie de polynmes, elle ne peut pas
tre gnratrice, car par combinaisons linaires, on n'obtiendra que des polynmes de degrSup(deg
Par contre pour
trice.
Rn [X],
Pi ).
la famille
{1, X, ..., X n }
est une famille gnra-
21
Exemple 3.3.1. :
1) Dans
R2 , {(1, 0); (0, 1)}
2) Dans
R2 , {(1, 0); (0, 1); (1, 2)} est une famille gnratrice.
R2 , {(1, 1); (1, 1)} est une famille gnratrice.
Rn , {(1, 0, ..., 0); ...; (0, ..., 0, 1)} est une famille gnratrice.
3) Dans
4) Dans
est une famille gnratrice.
Dnition 3.3.2. : Un espace vectoriel est dit de dimension nie, s'il existe
une famille gnratrice nie, dans le cas contraire, on dit qu'il est de dimension innie.
Exemple 3.3.2. :
1)
Rn
2)
R[X]
et
Rn [X]
sont de dimension nie.
est de dimension innie.
3) L'ensemble des combinaisons linaires des vecteurs

ou
hv1 , ..., vp i
v1 , ..., vp not {v1 , ..., vp }
est un sous-espace vectoriel de E de dimension nie.
3.4 Dpendance et Indpendance Linaires - Bases

Dnition 3.4.1. : Soit v1, ..., vp
une famille nie d'lments de E. On dit
1 v1 + ... + p vp = 0 1 = ... = p = 0.
que les vecteurs v1 , ..., vp sont linairement indpendants.
qu'elle est libre si :

On dit aussi
Une famille qui n'est pas libre, est dite lie ( on dit aussi que ses vecteurs
sont lis ou linairement dpendants ).
Exemple 3.4.1. :
R3 , les vecteurs v1 = (1, 2, 1) ; v2 = (1, 3, 1) et v3 = (1, 13, 5)
sont lis car 2v1 + 3v2 v3 = 0.
3
2) Dans R , les vecteurs v1 = (1, 1, 1) ; v2 = (0, 2, 1) et v3 = (0, 0, 5)
1) Dans
sont linairement indpendants.
Proposition 3.4.1. : Une famille {v1, ..., vp} est lie si et seulement si l'un
au moins des vecteurs
vi
s'crit comme combinaison linaire des autres vec-
teurs de la famille.
Preuve : ) 1, ..., p non tous nuls tels que 1v1 + ... + pvp = 0, si
i 6= 0, alors
1
vi =
i v1 + ... +
i1
i vi1
i+1
i vi+1 ...
p
i vp
22
) vi tel que vi = 1 v1 + ... + i1 vi1 + i+1 vi+1 + ... + p vp

c..d 1 v1 + ... + i1 vi1 vi + i+1 vi+1 + ... + p vp = 0.
Proposition 3.4.2. : Soit {v1, ..., vp} une famille libre et x un vecteur quelconque de l'espace engendr par les
vi
), alors la dcomposition de
vi
( c..d
sur les
vi
est combinaison linaire des
est unique.
Preuve : x = 1v1 + ... + pvp = 1v1 + ... + pvp (1 1)v1 + ... +

(p p )vp = 0 i = i i = 1, ..., p.
Dnition 3.4.2. : On appelle base une famille la fois libre et gnratrice.

Proposition 3.4.3. : Soit {v1, ..., vn} une base de E. Tout x E se dcompose d'une faon unique sur les
n
X
x=
vi ,
c..d
x E !(1 , ..., n ) Kn
tel que
i vi .
i=1
Preuve : Proposition prcdente.

Proposition 3.4.4.
: Soit
B = {v1 , ..., vn }
une base de E. Il existe alors
une bijection :
B :
x=
n
X
n
K
xi vi 7 (x1 , ..., xn )
i=1
Les scalaires xi sont dits composantes de
dans la base
B = {v1 , ..., vn }.
Exemple 3.4.2. :
ke`me rang
n
1) Base canonique de K ,
{ek = (0, ..., 1 , 0...0)/k = 1, ..., n}.

n
2) Base canonique de Rn [X], {1, X, ..., X }.
3
3) Soit F = {(x, y, z) R /2x + y + 3z = 0}. F est un sous-espace
3
vectoriel de R .
v = (x, y, z) F y = 2x 3z donc v F v = (x, 2x
3z, z) = x(1, 2, 0) + z(0, 3, 1), donc (1, 2, 0) et (0, 3, 1) engendrent F.
On a
On vrie qu'ils forment une famille libre, donc c'est une base de F.
Proposition 3.4.5. : 1) {x} est une famille libre x 6= 0.

2) Toute famille contenant une famille gnratrice est une famille gnratrice.
23
3) Toute sous-famille d'une famille libre est libre.

4) Toute famille contenant une famille lie est lie.
5) Toute famille
{v1 , ..., vn }
dont l'un des vecteur
vi
est nul, est lie.
Preuve : 1) ) Si x = 0 alors x = 0 pour tout d'o {x} est lie.

) x = 0 = 0 car x 6= 0.
2) Soit {v1 , ..., vp } une famille gnratrice et {v1 , ..., vp , w1 , ..., wq } une
sur-famille. Alors x E, x =
i=p
X
i vi =
i=p
X
i=1
i vi + 0w1 + ... + 0wq .
i=1
3) Soit F = {v1 , ..., vp } une famille libre et F 0 une sous-famille de F ,

quitte changer la numrotation F 0 = {v1 , ..., vk } avec k p.
Si F 0 est lie, l'un des vi serait combinaison linaire des autres.
4) Soit F = {v1 , ..., vp } et G = {v1 , ..., vp , w1 , ..., wq }, l'un des vecteurs vi
est combinaison linaires des autres vecteurs de F , d'o de G , d'o G est lie.
5) {0} tant lie, toute sur-famille est lie.
3.5
Existence de Bases ( en dimension nie )
Thorme 3.5.1. :
Dans un espace vectoriel E
6= {0}
de dimension nie,
il existe toujours des bases.
Preuve : Soit G = {v1, ..., vp} une famille gnratrice. Pour tout x E,
il existe 1 , ..., p K tels que x = 1 v1 + ... + p vp .
a) Si tous les vi taient nuls E = {0} ce qui est exclu. Quitte changer
de numrotation on peut supposer v1 6= 0.
b) L1 = {v1 } est une famille libre, si elle tait gnratrice, stop.
c) Supposons L1 non gnratrice. Montrons qu'il existe v {v2 , ..., vp }
tel que {v1 , v } soit libre.
Supposons le contraire ; c..d v1 est li chacun des vi , i = 2, ..., p, d'o
2 , ..., p ; v2 = 2 v1 , v3 = 3 v1 ,..., vp = p v1 , alors
24
x =
i=p
X
i vi
i=1
= 1 v1 +
= (1 +
i=p
X
i i v1
i=2
i=p
X
i i )v1
i=2
ce qui entrane {v1 } gnratrice de E, faux.

La famille L2 = {v1 , v } est donc libre, en changeant ventuellement de
notation, on peut supposer v = v2 .
d) Si L2 = {v1 , v2 } est gnratrice, stop.
Supposons le contraire. En rptant le mme raisonnement que prcedemment, on voit qu'il existe v {v3 , ..., vp } tel que la famille L3 = {v1 , v2 , v }
est libre. On construit ainsi une suite :
L1
L2
L3
... G
de famille libres et le processus peut tre continu tant que Lk n'est pas
gnratrice. Mais G est une famille nie et par consquent le processus doit
s'arrter, ventuellement pour Lk = G . Il existe donc une famille Lk libre et
gnratrice.
Cette dmonstration nous permet d'obtenir une autre version du thorme
prcdent.
Thorme 3.5.2.
: Soit E
6= {0}
un espace vectoriel de dimension nie,
alors :
1) De toute famille gnratrice on peut extraire une base.
2) ( Thorme de la base incomplte ). Toute famille libre peut tre complte de manire former une base.
3.6
Les Thormes Fondamentaux sur la Dimension
Thorme 3.6.1. : Dans un espace vectoriel engendr par n lments, toute

famille de plus de
lments est lie.
Preuve : Soit F = {v1, ..., vn} une famille gnratrice et F 0 = {w1, ..., wm}
une famille de vecteurs ( m > n ). Montrons que F 0 est lie.
25
1) Si l'un des wi = 0, F 0 est lie. Stop.

2) Supposons tous les wi non nuls, w1 = 1 v1 + ... + n vn , w1 6= 0
i 6= 0, quitte changer la numrotation, supposons 1 6= 0 d'o v1 =
2
n
1
1 w1 ( 1 v2 + ... + 1 vn ).
Pour x E, x = 1 v1 +...+n vn , en remplaant v1 par son expression, on
constate que x est combinaison linaire de w1 , v2 ,...,vn , d'o {w1 , v2 , ..., vn }
est gnratrice.
Considrons w2 , w2 = 1 w1 + 2 v2 + ... + n vn . Si 2 = 3 = ... = n = 0,
alors w2 = 1 w1 . D'o F 0 lie. Stop.
Supposons que l'un des i 6= 0, pour xer les ides disons 2 , on aura
v2 = 12 w2 12 (1 w1 + 3 v3 + ... + n vn ).
En raisonnant comme ci-dessus, on voit que {w1 , w2 , v3 , ..., vn } est gnratrice.
Ainsi de proche en proche, on arrive remplacer v1 ,...,vn par w1 ,...,wn et
{w1 , w2 , ..., wn } serait gnratrice. En particulier, wn+1 serait combinaison
linaire de w1 ,...,wn et donc F 0 serait lie.
Thorme 3.6.2. :
Dans un espace vectoriel E sur K de dimension nie,
toutes les bases ont mme nombre d'lments, ce nombre entier est appel
dimension de E sur K et est not
dimK E.
Preuve : Soient B et B0 deux bases. Si B0 avait plus d'lments que B

elle ne serait pas libre car B est gnratrice.
Corollaire 3.6.1.
famille de plus de
n,
: Dans un espace vectoriel de dimension nie
lments est lie, et une famille de moins de
toute
lments
ne peut tre gnratrice.
Preuve : Pour le 2e`me point, si la famille tait gnratrice, on pourrait

en extraire d'aprs un thorme du paragraphe 5, une base qui aurait moins
de n lments.
Exemple 3.6.1. :
1) Si E
= {0},
on pose
2)
dimK Kn = n.
3)
dimR Rn [X] = n + 1.
dimK E = 0,
et E
= {0} dimK E = 0.
26
5) La dimension d'un espace vectoriel dpend non seulement de E mais

aussi de K,
dimR C = 2
et
dimC C = 1.
Proposition 3.6.1. : Soient E1,..., Ep

nie sur le mme corps K, alors
des espaces vectoriels de dimension
dimK (E1 ...Ep ) = dimK E1 +...+dimK Ep
Preuve : Soient {a1, ..., an }, {b1, ..., bn },..., {l1, ..., ln } des bases de
E1,..., Ep
1
respectivement.
La famille {(ai , 0, ..., 0)i=1,...,n1 , (0, bi , 0, ..., 0)i=1,...,n2 , ...,
(0, 0, ..., 0, li )i=1,...,np } est une base de E1 ... Ep .
Exemple 3.6.2. :
dimR Cn = 2n
et
dimC Cn = n.
Thorme 3.6.3. : Soit E un espace vectoriel de dimension nie n. Alors

1) Toute famille gnratrice de
2) Toute famille libre de
lments est une base.
lments est une base.
Preuve : 1) De cette famille, on peut extraire une base, elle doit avoir n
lments, donc c'est elle mme.
2) Cette famille peut tre complte pour former une base qui doit avoir
n lments, donc c'est elle mme.
Thorme 3.6.4.
: Soit E un espace vectoriel de dimension nie et F un
sous-espace vectoriel de E. Alors

1)
dimK F dimK E.
2)
dimK F = dimK E E = F.
Preuve : On pose dim E = n.

1) a) Si dim F = 0 on a dim F n.
b) Si dim F 6= 0, alors F 6= {0} et donc F admet une base, B, qui est
une partie libre de F donc de E cardinalB n d'aprs Corollaire 3.6.1.
K
2) ) Trivial.
) Il existe une base B de F ayant n lments, elle est donc libre dans
F et par suite dans E, elle est donc base de E ; thorme 2.6.3, donc famille
gnratrice de E, donc E = F.
27
3.7 Somme, Somme directe, Sous-Espaces Supplmentaires

Dnition 3.7.1. : Soient E1, E2
deux sous-espaces vectoriels d'un espace
vectoriel E. On appelle somme de E1 et E2 le sous-espace de E dni par :

E1
+ E2 = {x E/x1 E1 , x2 E2 ; x = x1 + x2 }.
E1 + E2 est un sous-espace vectoriel de E, en eet

E1, E2 E1 + E2 donc E1 + E2 6= .
, K et x, y E1 + E2 x1 E1 , x2 E2 et y1 E1 , y2 E2 ;
x = x1 +x2 et y = y1 +y2 d'o x+y = x1 + y1 + x2 + y2 E1 + E2 .
| {z } | {z }
E1
Proposition 3.7.1. : Soient E1
E2
et E2 deux sous-espaces vectoriels de E et
G = E1 + E2 . La dcomposition de tout lment de G
en somme d'un lment
de E1 et d'un lment de E2 est unique si et seulement si E1

On crit alors
G = E1
E2 , et on dit que
E2 = {0}.
est somme directe de E1 et E2 .
Preuve : ) Soit x E1 E2 x = x + 0 = 0 + x d'o la non unicit.

) Supposons x = x1 + x2 = y1 + y2 x1 y1 = y2 x2 E1 E2
x1 = y1 et x2 = y2 .
Dnition 3.7.2. : Soit E un espace vectoriel et E1, E2
deux sous-espaces
vectoriels de E. On dit que E1 et E2 sont supplmentaires ( ou que E2 est un

supplmentaire de E1 ) si E
Proposition 3.7.2. :
E
E1
de E2 ,
= E1
E2 , c..d E
= E1 + E2
= {0}.
Soit E un espace vectoriel de dimension nie. Alors
E2 si et seulement si pour toute base
B1 B2
et E1 E2
B1
de E1 et toute base
B2
est une base de E.
Preuve : ) Soit B1 = {v1, ..., vp}, B2 = {vp+1, ..., vq } des bases de E1

et E2 , respectivement. Alors tout x E s'crit de manire unique sous la
forme x = 1 v1 + ... + p vp + 1 vp+1 + ... + qp vq B1 B2 est une base
de E.
)
x=
p
X
i vi +
|i=1{z }
E1
qp
X
j vp+j E1 + E2
j=1
{z
E2
28
la dcomposition tant unique suivant les bases de E1 et E2 E1 E2 = {0}.
Corollaire 3.7.1. : Soit E un espace vectoriel. Pour tout sous-espace vectoriel E1 , il existe toujours un supplmentaire ; le supplmentaire de E1 n'est
pas unique, mais si E est de dimension nie, tous les supplmentaires de E1
ont mme dimension.
Preuve : On expose la dmonstration en dimension nie.

Soit {v1 , ..., vp } une base de E1 et soit n = dim E, d'aprs le thorme de
K
la base incomplte, il existe wp+1 , ..., wn tels que {v1 , ..., vp , wp+1 , ..., wn } soit
une base de E. En posant E2 = {wp+1 , ..., wn }, le sous-espace de E engendr
par {wp+1 , ..., wn }, on obtient un supplmentaire de E1 dans E. Puisque le
choix des wi n'est pas unique, le supplmentaire de E1 n'est pas unique ;
cependant tous les supplmentaires de E1 ont une dimension gale n p,
p tant la dimension de E1 .
Thorme 3.7.1.
E
= E1
1)E1
2)
: Soit E un espace vectoriel de dimension nie. Alors
E2 si et seulement si :
E2 = {0}.
dimK E = dimK E1 + dimK E2 .
Preuve : ) D'aprs la proposition 2.7.2.

) Soit {v1 , ..., vp } une base de E1 et {wp+1 , ..., wn } une base de E2 , n
tant la dimension de E. Montrons que l'union des bases est libre :
1 v1 + ... + p vp + p+1 wp+1 + ... + n wn = 0 1 v1 + ... + p vp =
{z
}
|
E1
(p+1 wp+1 + ... + n wn ) 1 v1 +...+p vp = 0 et p+1 wp+1 +...+n wn =

|
{z
}
E2
0 p+j = i = 0 i = 1, ..., p et j = 1, ..., n p, d'aprs la proposition

L
prcedente E = E1 E2 .
Exemple 3.7.1. :
1) Dans
pendants.
R2 ,
E1
= {v}
et E2
= {w}
et
sont deux vecteurs ind-
29
E2

x
1

*
v

@

@

@
@
@
x@2
I
@
2) Dans
si
{e1 , e2 }
R3 ,
soit
E1

L
v 6 . On a R3 = {v}
{e1 , e2 , v} est une base de R3 .
x
x2
un plan vectoriel et
est une base de
alors
3

v

car

x1
{v}
3) E
et E
= Rn [X],
= E1 + E2
E1
= R,
d'o E
Proposition 3.7.3.
= {XP (X)/P Rn1 [X]},

L
E2
= E1
E1
E2 = {0}
E2 .
: Soit E un espace vectoriel de dimension nie et E1
, E2 deux sous-espaces vectoriels de E. On a
dim(E1 +
E2 )
= dimE1 +
dimE2 dim(E1 E2 ). En particulier

L
dim(E1 E2 ) = dimE1 + dimE2 .
Preuve : Posons dimE1 = p, dimE2 = q et dim(E1 E2) = r (r p, q).

Considrons {a1 , ..., ar } une base de E1 E2 qu'on complte pour obtenir
{a1 , ..., ar , br+1 , ..., bp } une base de E1 ,
{a1 , ..., ar , er+1 , ..., eq } une base de E2 .
Tout vecteur de E1 + E2 s'crit en fonction des ai , bj et ek , 1 i r,
r + 1 j p et r + 1 k q , qui forment alors une famille gnratrice de
E1 + E2. Elle est aussi libre car :
(1 a1 + ... + r ar ) + (r+1 br+1 + ... + p bp ) + (r+1 er+1 + ... + q eq ) = 0

|
{z
} |
{z
} |
{z
}
=xE1 E2
=yE1
=zE2
30
On a x + y + z = 0 |{z}
z = (x + y) z E1 E2 z s'ex| {z }
E2
E1
prime en fonction des ai d'o r+1 er+1 + ... + q eq = 1 a1 + ... + r ar mais

{a1 , ..., ar , er+1 , ..., eq } est une base de E2 d'o r+1 = ... = q = 0 =
1 = ... = r et on a alors z = 0 x = y , on en dduit aussi que
r+1 = ... = p = 0 = 1 = ... = r , d'o la famille est libre, d'o base de
E1 + E2 .
On en dduit
dim(E1 + E2 ) = r + (p r) + (q r)
= p+qr
= dimE1 + dimE2 dim(E1 E2 ).
Chapitre 4
Les Applications Linaires
4.1 Applications Linaires
Dnition 4.1.1.
: Soient E et E' deux espaces vectoriels surK et
application de E dans E'. On dit que

1)
2)
une
est linaire, si :
f (u + v) = f (u) + f (v) u, v E.
f (v) = f (v) v E, K.
L'ensemble des applications linaires de E dans E' est not L(E, E0 ).
Remarque 4.1.1. : f (0) = 0 car (homomorphisme de groupes).

Dnition 4.1.2. : Une application linaire de E dans E est appele endomorphisme.
Exemple 4.1.1. :
E0
v
7
0
1)
2)
idE :
3)
uE
: E E
K
v 7 v
E
v 7 v
est linaire dite application nulle.
est linaire dite application identique de E.
est linaire dite homothtie de rapport
D : R[X] R[X]
est linaire dite drivation.
P
7 DP = P 0
L
5) Soit E = E1
E2 .
Pr1 : E
E1 est linaire dite projection
x = x1 + x2 7 x1 sur E1 paralllement E2 .
4)
31
ChapitreChapitre 4 : Les Applications Linaires
32
v0 6= 0 un
: E E
6) Soit
vecteur de E
application non linaire car
v 7 v + v0
(0) = v0 6= 0,
dite translation.
4.2 Image et Noyau

Proposition 4.2.1. : Soit f L(E, E0) et F un sous-espace vectoriel de E.
Alors
f (F)
est un sous-espace vectoriel de E'.
En particulier
not
Imf .
f (E)
est un sous-espace vectoriel de E' appel image de
Sa dimension est appele rang de
et
f.
Preuve : On sait que f (F) est un sous-groupe de E', il sut donc de

vrier la stabilit pour l'opration externe.
Soit K et f (v) f (F), f (v) = f (v) f (F).
Proposition 4.2.2. : Soit f L(E, E0), Kerf = {x E/f (x) = 0} est un

sous-espace vectoriel de E, appel noyau de
f.
Preuve : Il sut de vrier la stabilit pour l'opration externe.

Soit K et x Kerf , f (x) = f (x) = 0 = 0 x Kerf .
Proposition 4.2.3. : f
est injective
Kerf = {0}.
Exemple 4.2.1. :
L
= E1 E2 , ImPr1 = E1 , KerPr2 = E2
2) D : R[X] R[X]
1) Soit E
P
7 DP = P 0
KerD = R, ImD = R[X].
3) f : R3
R2
(x, y, z) 7 (2x + y, y z)
Kerf = {(x, y, z)/y = 2x et z = y} = {(x, 2x, 2x)/x R}
droite vec-
(1, 2, 2).
Imf = {(x , y )/x, y, z; x0 = 2x + y et y 0 = y z}

.
= (x0 , y 0 )/y = y 0 + z et x = 21 (x0 y 0 z)
1 0
1 0
0
0
0 0
2
Posons z = 0 donc y = y et x = (x y ). D'o (x , y ) R ( (x
2
2
torielle engendre par
0 0
y 0 ), y 0 , 0) R3 ; f (( 12 (x0 y 0 ), y 0 , 0)) = (x0 , y 0 )

2
suite Imf = R .
donc
est surjective, et par
33
Proposition 4.2.4. : Soit f L(E, E0) et {vi}1in une famille de vecteurs

de E.
1) Si
est injective et la famille
{vi }1in est libre dans E, alors la famille
{f (vi )}1in est libre dans E'.

2) Si f est surjective et la famille {vi }1in
famille {f (vi )}1in est gnratrice de E'.
f
En particulier si
est gnratrice de E, alors la
est bijective, l'image d'une base de E est une base de
E'.
Preuve : 1) Comme f est une application linaire injective, alors on a :
i=n
X
i f (vi ) =
i=1
i=n
X
= f (
i vi ) = 0
( f application linaire )
i=1
i=n
X
i vi = 0
i=1
= i = 0 i = 1, ..., n {vi }1in libre

i=n
X
2) x E, i K ; x =
i vi .
i=1
i=n
i=n
X
X
Soit y E , x E ; y = f (x) = f ( i vi ) ( surj ) d'o y =
i f (vi ).
0
i=1
Thorme 4.2.1.
i=1
: Deux espaces vectoriels de dimension nie sont iso-
morphes, si et seulement si, ils ont mme dimension.
Preuve : ) f : E E0 isomorphisme, d'aprs la proposition prcdente

l'image d'une base de E est une base de E', donc E et E' ont mme dimension.
) Supposons dimE = dimE0 , soit {e1 , ..., en } une base de E et {e01 , ..., e0n }
une base de E'. Considrons l'application
f : E E0
ek 7 e0k
i=n
i=n
i=n
X
X
X
Pour x =
i ei , on pose f (x) = f (
i ei ) =
i e0i , on vrie que
i=1
f est linaire bijective.
i=1
i=1
Corollaire 4.2.1. : E espace vectoriel de dimension nie sur K.
34
E est isomorphe K
dimK E = n.
Thorme 4.2.2. ( Thorme de la dimension ) : Soient E et E' deux espaces vectoriels de dimension nie et
f L(E, E0 ), alors dimE = dim(Kerf )+
dim(Imf ).
Preuve : Supposons dimE = n, dim(Kerf ) = r et montrons que

dim(Imf ) = n r.
Soit {w1 , ..., wr } une base de Kerf , compltons la pour obtenir une base
de E en l'occurrence {w1 , ..., wr , v1 , ..., vnr }.
Montrons que B = {f (v1 ), ..., f (vnr )} est une base de Imf .
1) B engendre Imf , en eet :
r
nr
nr
X
X
X
f (x) = f (
i w i +
i vi ) =
i f (vi ).
i=1
i=1
b) B est libre :
nr
X
i f (vi ) =
i=1
i=1
nr
X
= f (
i vi ) = 0
i=1
nr
X
i vi Kerf
i=1
nr
X
i vi =
nr
X
i=1
r
X
i w i
i=1
i=1
(f application linaire)
i vi
r
X
i wi = 0
i=1
= i = 0, i = 1, ..., n r; i = 0, i = 0, ..., r
Corollaire 4.2.2. : Soit f L(E, E0), E et E' tant deux espaces vectoriels
de mme dimension nie, alors les proprits suivantes sont quivalentes :
1)
est injective.
2)
est surjective.
3)
est bijective.
Preuve : dimE = dim(Kerf ) + dim(Imf ). Il sut de montrer 1)

2).
35
f injective Kerf = {0} dimE = dim(Imf ) dimE0 =

dim(Imf ) E0 = Imf f est surjective.
Remarque 4.2.1. : 1) Ce rsultat est faux en dimension innie.

En eet :
D : R[X] R[X]
est surjective, non injective.
7 DP = P 0
2) Une application linaire
est parfaitement dnie si on connat l'image

n
X
des vecteurs d'une base, car d'aprs la linarit de
n
X
on a
f (x) = f (
xi ei ) =
i=1
xi f (ei ),
donc si on connat
f (e1 ),..., f (en ), f
est connue en tout
x.
i=1
4.3 Matrices Associes aux Applications Linaires

Soient E et E' deux espaces vectoriels sur K, de dimension nie n et p
respectivement, et f : E 7 E0 une application linaire. Choisissons

{e1 , ..., en } une base de E et e01 , ..., e0p une base de E'. Les images par f

des vecteurs {e1 , ..., en } se dcomposent sur la base e01 , ..., e0p :
f (e1 ) = a11 e01 + a21 e02 + ... + ap1 e0p
f (e2 ) = a12 e01 + a22 e02 + ... + ap2 e0p
=
..
.
=
f (en ) = a1n e01 + a2n e02 + ... + apn e0p
Dnition 4.3.1.

e01 , ..., ep
, la matrice note par
les colonnes sont les composantes
e01 , ..., e0p
{e1 , ..., en } et
M (f )ei ,e0j appartenant Mp,n (K) dont
des vecteurs f (e1 ), ..., f (en ) dans la base
: On appelle matrice de
f (e1 ) f (e2 ) . . . . . f (en )
dans les bases
36
M (f )ei ,e0j
a11
.
.
.
=
.
.
ap1
Il est clair que la
e01
. e02
.
..
..
.
. e0p1
e0p
ap2 . . . . . apn
matrice associe f dpend
a12
. . . . . a1n
du choix des bases de E et
E'.
Exemple 4.3.1. :
1) Soit E un espace vectoriel de dimension
idE :
et
x 7 x
{ei } de E.
1 0 . . ... 0
0 1 0 . ... 0
. 0 1 0 ... 0
M (idE )ei =
= In
.
.
..
..
.
...
.
0
0 0 . ... 0 1
On considre une base
Mn (K).
R2 R2
(x, y) 7 (x, 0)
2
Considrons la base canonique {e1 , e2 } de R on a P r1 (e1 ) = e1 , P r1 (e2 ) =
2) Soit E
= R2
matrice unit de
0.
et
P r1 :
1 0
0 0
{e1 , e2 , e3 } la
M (P r1 )ei =
3) Soit
base canonique de
R2 . Considrons l'application
f : R3
R2
de
R3
et
linaire :
(x, y, z) 7 (x y, z y)
!
1 1 0
M (f )ei ,e0j =
0 1 1
4) On considre la forme linaire sur
Rn
f : Rn
R
(x1 , ..., xn ) 7 a1 x1 + a2 x2 + ... + an xn
{e01 , e02 }
la base canonique
Rn et R de leurs basescanoniques

M (f )ei ,1 = a1 a2 . . . an
En munissant
on obtient
D : R4 [X] R3 [X]
P
7 DP = P 0
0 1 0 0 0
0 0 2 0 0
M (D) =
0 0 0 3 0 par
0 0 0 0 4
R3 [X].
37
respectives
{ei }
et
{1}
5)
et
Proposition 4.3.1.
mension
et
rapport aux bases canoniques de
R4 [X]
: Soient E et E' deux espaces vectoriels sur K de di-
respectivement,
{ei }
et
{e0j }
des bases de E et E'. Alors
l'application :
M : L(E, E0 ) Mp,n (K)

f
7 M (f )ei ,e0j
est un isomorphisme d'espaces vectoriels c'est dire :
M (f + g) = M (f ) + M (g), M (f ) = M (f )
0
particulier dimL(E, E ) = np.
et
est bijective, en
Preuve :
M (f + g)ei ,e0j
(f + g)(e1 ) . . .
. . .
. . .
. . .
. . .
. . .
(f + g)(en )
f (e1 ) . . . f (en )
De mme
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
= M (f )ei ,e0j + M (g)ei ,e0j
g(e )
1
. . . g(en )
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
38
M (f )ei ,e0j
(f )(e1 ) . . . (f )(en )
. . .
. . .
= M (f )e ,e0
=
.
.
.
i j
. . .
. . .
donc M est linaire.

Soit f KerM = M (f )ei ,e0j = 0 = f (e1 ) = f (e2 ) = ... = f (en ) = 0,
donc si x E x =
i=n
X
i ei , f (x) =
i=1
injective.
Elle
est aussi surjective,car si
A=
i=n
X
i f (ei ) = 0, d'o f = 0, donc M est
i=1
a11 a12 ...
a1n
a21
a2n
..
.
Mp,n (K)
apn
..
.
ap1
...
On considre f en posant :
f (e1 ) = a11 e01 + ... + ap1 e0p
..
.
f (en ) = a1n e01 + ... + apn e0p .

Pour x E ; x = 1 e1 + ... + n en , on pose f (x) = 1 f (e1 ) + ... + n f (en ).
On vrie que f est linaire et M (f )ei ,e0j = A.
4.4 Matrice d'un Vecteur. Calcul de l'Image d'un Vecteur

Dnition 4.4.1. : Soit E un espace vectoriel de dimension n, {e1, e2, ..., en}
une base de E et
x=
i=n
X
i=1
la base
{ei }
M (x)ei =
x1
..
.
xn
xi ei
un vecteur de E. On appelle matrice de
x dans
Proposition 4.4.1.
39

f L(E, E0 ), {e1 , e2 , ..., en } et e01 , e02 , ..., e0p
respectivement, pour tout x E, on a :
: Soit
deux bases de E et E'
M (f (x))e0j = M (f )ei ,e0j M (x)ei .
Preuve : Soit M (f )e ,e
i
d'o f (ej ) =
p
X
0
j
a11 a12 ...
a21
.
.
=
.
ap1
...
a1n
a2n
..
.
apn
akj e0k .
k=1
On a
j=n
j=n
j=n
p
X
X
X
X
f (x) = f (
xj ej ) =
xj f (ej ) =
xj
akj e0k
j=1
p
n
X X
xj akj ) e0k =
j=1
k=1
j=1
y1
j=1
p
X
k=1
yk e0k
k=1
{z
yk
.
donc M (f (x))e0j =
.. .
yp
D'autre part
a11 a12 ...
a21
.
.
M (f )ei ,e0j M (x)ei =
.
ap1
...
a1n
a2n
..
apn
n
X
a1j xj
j=1

..
.
..
=
.

n
X
apj xj
xn
x1
j=1
d'o le rsultat.
Exemple 4.4.1. :
Soit le plan rapport sa base canonique. Dterminer l'image du vecteur
x = (3, 2)
On a
par rotation de centre O et d'angle
6.
40
M (f (x)) = M (f )M (x)
=
=
=
cos 6 sin 6
sin 6 cos
! 6
3 1
3
2
2
3
1
2
2
2!
3 32
2
2 3+3
2
3
2
4.5 Matrice de l'Inverse d'une Application

Proposition 4.5.1. : Soient E, E', E trois espaces vectoriels sur K, {e1, ..., en},

e01 , ..., e0p , e001 , ..., e00q des bases de E, E' et E respectivement.
L(E, E0 ) et f L(E0 , E00 ), on a M (f og)ei ,e00k = M (f )e0j ,e00k M (g)ei ,e0j .

Si
Preuve : Soit x E arbitraire. En utilisant la proposition du paragraphe

2, on a :
M (f og)M (x) = M (f (g(x))) = M (f )M (g(x)) = M (f )M (g)M (x). Puisque
x est arbitraire, M (f og) = M (f )M (g).
Proposition 4.5.2. : f L(E, E0) est bijective si et seulement si M (f )e ,e

i
0
j
est inversible.
De plus
M (f 1 )e0i ,ej = M (f )1
ei ,e0 .
j
Preuve : f 1of = id , d'o

E
M (f of )ei ,ei = M (idE ) = I = M (f 1 )M (f ) = I = M (f 1 ) =

M (f )1 .
4.6 Changement de Bases

Dnition 4.6.1. : On appelle matrice de passage de la base {ei} la base
{e0i }
du mme espace vectoriel E, la matrice
e0i
les composantes des vecteurs
Pei e0i
p11 . . . p1n
..
.
...
..
.
pn1 . . . pnn
dans la base
Pei e0i
{ei }
= M (idE )e0i ,ei .
dont les colonnes sont
41
Remarque 4.6.1. : Une matrice de passage est toujours inversible et on a

(Pei e0i )1 = Pe0i ei .
Proposition 4.6.1. : Soient x E, {ei} et {e0i} deux bases de E, P = Pe e

i
et
X = M (x)ei , X 0 = M (x)e0i ,
on a
0
i
X 0 = P 1 X .
Preuve : P X 0 = M (id )e ,e M (x)e = M (id (x))e = M (x)e = X .

E
0
i
0
i
Exemple 4.6.1. :
Soit
R2
muni de deux bases, la base canonique
{e1 , e2 }
et la base
{e01 , e02 }
dnie par :
e01 = 2e1 + e2 , e02 = 3e1 + 2e2

0
0
x = 2e1 +!3e2 , calculons les composantes
de x dans la base {e1 , e2 }.
!
!
!
2 3
2 3
2 3
2
1
0
, P
=
, X =
=
P =
1 2
1 2
1 2
3
!
5
4
x = 5e01 + 4e02 .
Soit
Proposition 4.6.2.
f L(E, E0 ), {e1 , ..., en }, {1 , ..., n }

0
0

0
0
bases de E et e1 , ..., ep , 1 , ..., p deux bases de E'.
0
Notons A = M (f )ei ,e0 , A = M (f )i ,0 , P = Pei i , Q = Pe0 0 .
j
j
j
j
0
1
On a alors A = Q AP .
: Soient
deux
Preuve :
f
E(e ) E0(e )
0
j
idE
idE0
E( ) E0( )
f
0
j
On a f oid = id of d'o M (f oid ) = M (id of ), c'est dire

E
E'
E'
M (f )i ,0j M (idE )ei ,i = M (idE' )e0j ,0j M (f )ei ,e0j ,
c'est dire A0 P 1 = Q1 A donc A0 = Q1 AP .
Corollaire 4.6.1. :
Soient
f L(E)
et
{e1 , ..., en }, {e01 , ..., e0n }
de E.
A = M (f )ei , A0 = M (f )e0i
0
1
alors A = P
AP .
Notons
On a
et
P = Pei e0i .
deux bases
42
Dnition 4.6.2.
: Deux matrices
s'il existe une matrice
P Mn (K)
A, A0 Mn (K)
sont dites semblables
inversible telle que :
A0 = P 1 AP .
Exemple 4.6.2. :
Soit
un endomorphisme de
prsent par la matrice :
A0
qui
e02 = (1, 1).

A0 = P 1 AP !
1 1
=
1 0!
=
=
qui dans la base canonique
{ei }
est re-
3 1
.
0 2
reprsente f dans la
A = M (f )ei =
Dterminons la matrice
On a
R2
3 3
3 1!
3 0
1 2
!
3 1
0 2!
0 1
1 1
0 1
1 1
base
e01 = (0, 1)
et
4.7 Rang d'une Matrice

Dnition 4.7.1. : Soit {v1, ..., vn} une famille de vecteurs, on appelle rang
de la famille, la dimension de l'espace engendr par les vecteurs
A0 Mp,n (K), A = (c1 , ..., cn ) o l'on a not ci

A (ci Kp ). On appelle rang de A le rang de la
Soit
de
colonnes de
vi .
les vecteurs colonnes

famille des vecteurs
A.
Proposition 4.7.1.
: Soit
f L(E, E').
Soient
{e1 , ..., en }
deux bases quelconques de E et E' respectivement et

On a alors
et
e01 , ..., e0p
A = M (f )ei ,e0j = (aij ).
rangf = rangA.
Ainsi deux matrices qui reprsentent la mme application linaire dans des
bases direntes ont mme rang ; en particulier deux matrices semblables ont
mme rang.
Preuve : On considre le diagramme suivant :
43
h
Kn
Kp
h = v 1 of ou
E(e ) E'(e )
f
0
j
u et v sont dnis en associant chaque vecteur de la base canonique de Kn
( resp Kp )
i ( resp 0j ) le vecteur ei ( resp e0j ), alors l'application h a prcisment A
comme matrice dans
les deux X
bases canoniques car h(i ) = v 1 of ou(i ) =
X
v 1 of (ei ) = v 1 (
aij e0j ) =
aji 0j . Donc rangA = rangh et d'aprs le
j
lemme suivant, on dduit que rangA = rangf
Lemme 4.7.1. : Soient f L(E, F) et g L(G, E), alors

1) Si
est surjective, alors
2) Si
est injective, alors
rangf = rang(f og).
rangg = rang(f og).
Preuve : 1) rangf = dimf (E) = dimf (g(G)) = dim(f og)(E)

= rang(f og)
2) Soit {vi } avec vi = g(wi ) une base de Img , alors f (vi ) = (f og)(wi ).
Comme f est injective {f
(v )} est libre et engendre Im(f og) car y Im(f og) =
Xi
X
x ; y = f (g(x)) = f (
i vi ) =
i f (vi ) donc {f (vi )} est une base de
|{z}
Img
Im(f og), d'o rangg = rang(f og).
On en dduit qu'en composant gauche ou droite par une application

linaire bijective, le rang ne change pas.
4.8 Matrices Remarquables

a) Matrice Diagonale (aij ) Mn (K) ; aij = 0 pour i 6= j .
b) Matrice Triangulaire Suprieure (aij ) Mn (K) ; aij = 0 pour i > j .
c) Transpose d'une Matrice A = (aij ) Mn,m (K) ; c'est t A = (aji )
Mm,n (K). Elle vrie t (t A) = A, t (A + B) =t A +t B , t (A) = t A A, B
Mm,n (K) et K ; c'est dire que l'application :
: Mm,n (K) Mn,m (K) est un isomorphisme
t
A
7
A
d'espaces vectoriels
On a aussi t (AB) =t B t A A Mn,p (K) et B Mp,n (K).
44
Dnition 4.8.1.
Glp (K)
A, B Mn,p (K) sont quivalentes s'il

Q Gln (K) telles que B = Q1 AP . C'est en fait
et
d'quivalence sur
Mn,p (K),
note
existe
une relation
'.
Thorme 4.8.1. : A, B Mn,p(K)
sont quivalentes si et seulement si
rangA = rangB .
Dmontrons d'abord le lemme suivant :
Lemme 4.8.1. :A M
n,p (K) ;
M (K)
r,r
A
'
rangA = r
...
0
.
0 1 0 ..
.. . . . .
.
.
.
..
.
1 0
...
0 1
0...
Cette dernire est note
0
. . . ...
... 0
..
..
.
.
... 0
... ... 0
Jr .
Preuve : ) trivial.
) A Mn,p (K) dnit une application linaire
: Kp(e ) Kn(e ) . On munit Kp et Kn des bases canoniques (ei ) et
0
j
(e0j ) respectivement.
Soit r le nombre de vecteurs linairement indpendants parmi les images
des vecteurs de la base (ei ) ; c..d Ae1 ,...,Aep , qu'on peut supposer tre
Ae1 ,...,Aer , les autres vecteurs Aer+1 ,...,Aep peuvent s'exprimer en fonction
de ces derniers
:
r
Aek =
ckj Aej pour k = r + 1, ..., p.
j=1
p
On dnit
une nouvelle base f1 , ..., fp dans K ; comme suit
pour k=1,...,r ;
ek ,
fk =
r
X
j=1
ckj ej , pour k=r+1,...,p.
On a alors Afk = 0 pour k = r + 1, ..., p.

Posons alors Afj = tj pour j = 1, ..., r. Les tj sont par hypothse linairement indpendants. Compltons les pour obtenir une base de Kn , disons
tr+1 , ..., tn . Considrons alors la matrice de l'application linaire dans les
nouvelles bases f1 , ..., fp et t1 , ..., tn , on a alors :
M ()fi ,tj
A et M ()fi ,tj
45
1 0 ... 0
0 ... 0
..
010.
..
.. ..
.. . . . . . .
.
. . = Jr
.
0 ... 0
0 ... 0 1
0...
. . . ... ... ... 0
reprsentent la mme application linaire, et sont donc
quivalentes.
Preuve du thorme : ) trivial.

) rangA = rangB = r entranent A ' Jr , B ' Jr , d'o A ' B .
Thorme 4.8.2. : Soit A Mn,p(K), alors rangA = rangtA c'est dire

que le rang d'une matrice ; est aussi le rang de la famille des vecteurs lignes.
Preuve : rangA = r = A ' Jr = P Glp(K) et Q Gln(K),

A = Q1 Jr P = t A = t P t Jr t Q1 = (t P 1 )1 t Jr (t Q1 ) = t (P 1 )1 Jr0
(t Q1 ) car t Jr = Jr0 d'o t A ' Jr0 = rang t A = r = rangA.
Exemple 4.8.1. :
Dterminer le rang de la matrice
1 2
0 1
2 6 3 3 .
3 10 6 5
On utilise les oprations lmentaires sur les lignes
L1
L1
1 2 0 1
1 2
0 1
rg 2 6 3 3 L2 = rg 0 2 3 1 L2 2L1
L3 3L1
L3
0 4 6 2
3 10 6 5
1 2 0 1
L1
= rg 0 2 3 1 L2 2L1
=2
0 0 0 0
L3 + L1 2L2
Car les deux vecteurs lignes sont linairement indpendants.
4.9 Application des Dterminants la Thorie du Rang

4.9.1 Caractrisation des Bases
Thorme 4.9.1. : Soit E un espace vectoriel de dimension
n. Les vecteurs

v1 , ..., vn
de E forment une base de E si et seulement si

det v1 , , vn
(ei )
6=
46

v1 , , vn
dsigne la matrice dont les colonnes sont les compo(ei )

santes des vecteurs v1 , ..., vn dans la base (ei ) de E.
o
Preuve
: Il sut de montrer que {v1, ..., vn} est libre si et seulement si

det v1 , , vn
(ei )
=)
i=n
X
i vi = 0, posons vi =
i=1
k=n
X
aki ek , alors on a
n
X
i aki ek = 0 =
n
X
i a1i = 0,
i=1
i,k
k=1
n
X
k=n
X
k=1
aki ek ) = 0 d'o
i (
i=1
...,
i=n
X
6= 0.
n
X
i a2i = 0,
i=1
i ani = 0 =
i=1
a11 a12 . . . a1n
a21 a22 . . . a2n
..
..
.
.
an1 an2 . . . ann
d'o i = 0 i = 1, ..., n

=) Si det v1 , ... , vn
(ei )
2
=
..
.
n
0
..
.
(4.1)
= 0 = le systme homogne
( 4.1) admet une innit de solutions, d'o {v1 , ..., vn } est lie.
4.9.2 Comment reconnatre si une famille de vecteurs est libre

On appelle mineur d'une matrice A, tout dterminant d'une matrice carre
extraite de A.
Thorme 4.9.2. : Soient {v1 , ..., vr } r vecteurs

d'un espace vectoriel E de

n(rn
A Mn,r (K) ).
dimension
(
La famille
) et
{v1 , ..., vr }
mineur d'ordre

A = v1 , , vr ,
est libre si et seulement si on peut extraire de
un
non nul.
Preuve : Similaire celle du thorme prcdent, en compltant les vecteurs an de former une base de E.
47
4.9.3 Comment reconnatre si un vecteur appartient l'espace

engendr par d'autres vecteurs
Soit A une matrice et un mineur d'ordre r extrait de A. On appelle
bordant de tout mineur d'ordre r+1 extrait de A, dont est un dterminant
extrait.
Si A Mp,n (K) et un mineur d'ordre r, il ya exactement (p r)(n r)
bordants de dans A.
Thorme 4.9.3. : Soient {v1, ..., vr } r vecteurs linairement

indpendants

r non nul extrait de A, o A = v1 , , vr .
Pour qu'un vecteur w hv1 , ..., vr i il faut et il sut que tous les bordants

de dans la matrice B = v1 , , vr , w soient nuls.
et
un mineur d'ordre
Preuve : =) Si l'un des bordants est non nul, la famille {v1, ..., vr , w}
serait libre.
a11 . . . a1r
b1
.
.
..
..
..
a ... a
br
r1
rr
=) On considre la matrice B =
ar+1,1 . . . ar+1,r br+1
..
...
...
.
an1 . . . anr
bn
Quitte a changer l'ordre des lignes et des colonnes, on peut supposer que
le mineur non nul est le mineur encadr. Les r premiers vecteurs lignes
de B sont indpendants, et chacun des autres est li ces derniers. Ainsi
rangB = r, donc les vecteurs colonnes de B {v1 , ..., vr , w} forment une
famille de rang r et comme {v1 , ..., vr } est libre, w hv1 , ..., vr i.
Exemple 4.9.1. : Pour quelles valeurs de , R le vecteur w =

1

1

0
4
appartient-il au sous-espace de R engendr par les vecteurs v1 =

1 et

0
48
0

1
v2 =
0 ?

1
On a

1
= 1 0 = 1 6= 0
0 1
0
0
A=
1
0
1
0
B=
1
2
.
1
0
1
Les bordants de
sont
et

1 0

1

41 = 0 1 2 =
= 1

1 1
1 0 1

1 0

2

0 1 2 =
= 2.

1 1
0 1
et = 2.
Donc
w hv1 , v2 i
et
42 =
si et seulement si
= 1
4.9.4 Dtermination du rang

Thorme 4.9.4. : Soit A Mp,n(K). Le rang de A est r
si on peut extraire de
de
dans
Preuve :
un mineur
d'ordre
si et seulement
non nul et tous les bordants
sont nuls.
a11 . . . a1r
...
a1n
..
..
..
.
.
.

a ... a
...
arn

r1
rr
=) A = v1 , , vn =
.
ar+1,1 . . . ar+1,r . . . ar+1,n
..
..
..
.
.
.
ap1 . . . apr
...
apn
Soit le mineur encadr. Les vecteurs {v1 , ..., vr } sont alors indpendants
49
et chaque vecteurs vs ( s r + 1 ) appartient l'espace hv1 , ..., vr i. Donc les

vecteurs colonnes engendrent un espace de dimension r, d'o rangA = r.
=) Quitte changer l'ordre des colonnes de A, on peut supposer que
{v1 , ..., vr } est libre. On peut alors extraire de la matrice forme par les r
premires colonnes de A un mineur d'ordre r non nul. Quitte changer la
numrotation des coordonnes, on peut supposer que soit le mineur form
par les r premires colonnes de A. Or rangA = r, d'o vs hv1 , ..., vr i pour
s r + 1 ; d'aprs le thorme 4.9.3 tous les bordants de dans sont nuls.
Thorme 4.9.5. : Le rang d'une matrice A est l'ordre maximal des mineurs
non nuls extraits de(
A, c'est dire :
rangA = r
1)
2)
r non nul
s > r sont nuls.
Il existe un mineur d'ordre

Tous les mineurs d'ordre
Preuve : =) S'il existait un mineur d'ordre s > r non nul, on pourrait

extraire des colonnes de A une famille libre forme de s > r vecteurs, or
ceci est impossible car les vecteurs colonnes de A engendrent un espace de
dimension r.
=) Dcoule du thorme 4.9.4.
Chapitre 5
Valeurs Propres et Vecteurs Propres
E dsignera par la suite un espace vectoriel sur un corps K ( K = R, ou
C ), de dimension nie n, Mn (K) l'ensemble des matrices carres d'ordre n
et f un endomorphisme de E. Une base de tant choisie dans E, on utilisera
la mme notation pour dsigner un vecteur x E et ses composantes K.
La bijection f M (f ) o M (f ) est la matrice de f , permet d'tendre les
notions dnies pour f toute matrice de Mn (K) et vice-versa.
5.1 Valeurs Propres et vecteurs propres

Soit A une matrice carre d'ordre n ; A Mn (K), ( K = R, ou C ) ; on
s'intresse l'quation du type
(5.1)
Ax = x
o K et x E. On constate que x = 0 est une solution triviale ;

notre but est de trouver celles qui sont non triviales ; de telles solutions sont
appeles vecteurs propres de A.
Dnition 5.1.1.
A, tout lment de K
Ax = x. L'quation (5.1) est
: On appelle valeur propre de
tel qu'il existe un vecteur
x 6= 0
vriant
quivalente :
(A I)x = 0
On sait que (5.2) n'a pas de solution triviale si et seulement si
I) = 0
det
(5.2)
det(A
dsigne le dterminant. Si l'on dveloppe le dterminant, on
50
Chapitre 5 : Valeurs Propres et Vecteurs Propres
51
n en , appel le polynme
pA () = det(A I).
trouve un polynme de degr
et est not
pA () ;
c..d
caractristique de
Thorme 5.1.1. : Les valeurs propres de A sont les racines du polynme

caractristique, et les vecteurs propres correspondants sont les solutions non
triviales de
(A I)x = 0.
Exemple 5.1.1. :
Trouver les valeurs
! et vecteurs propres de la matrice :
A=
1 2
4 8
Le polynme caractristique
de A est :

1
2

det(A I) =
= 2 + 7,
4
8
qui a pour racines 0 et 7, les valeurs propres
sont donc
dterminer les vecteurs propres correspondants, remplaons
7. Pour
par 0 et 7
et
dans (5.2), on obtient :

Pour
"
#" #
" #
1 2 x1
0
= 0,
=
4 8 x2
0
c'est dire
x1 = 2x2 ,
donc
" #
x1
=
x2
" #
2
x2
1
Pour
= 7,
on a
" #
" #
1
x1
= x1
4
x2
Remarque 5.1.1. : On utilisera les abrviations vp pour valeur propre et Vp

pour vecteur propre.
Thorme 5.1.2. :
valeur propre
1) A tout vecteur propre
x 6= 0E
de
correspond une
de A correspond un sous-espace vectoriel de E

= {x E/Ax = x} tel que E 6= {0E }, et A(E ) E ( c'est
2) A toute valeur propre

not E
dire E est stable par
).
Preuve : 1) Soient 1 et 2 deux valeurs propres distinctes associes

x, c'est dire Ax = 1 x et Ax = 2 x d'o 1 x = 2 x ce qui entrane
52
(1 2 )x = 0, comme 1 6= 2 alors x = 0E .
2) a) E 6= car A0E = 0E = 0E c..d 0E E .
b) 1 , 2 K et x1 , x2 E entranent A(1 x1 + 2 x2 ) = 1 A(x1 ) +

2 A(x2 ) = 1 x1 + 2 x2 = (1 x1 + 2 x2 ). Donc E est un sous-espace
vectoriel de E.
c) E 6= {0 } car valeur propre entrane l'existence d'un x 6= 0 tel que
Ax = x c..d x E .
d) A(E ) E car si x E , Ax = x E .
E
Remarque 5.1.2. : E
est appel le sous-espace propre associ
5.2 Proprits des vecteurs propres et valeurs propres

Thorme 5.2.1.
: Si
A Mn (K)
et
K, alors on a les quivalences
suivantes :
1)
2)
(A I)
3)
det(A I) = 0.
est une valeur propre de
A.
n'est pas inversible.
Preuve : 1) = 2) est une valeur propre de A entrane l'existence d'un

x 6= 0E tel que Ax = x c..d Ax x = 0E d'o (A I)x = 0E (), ce
qui entrane (A I) n'est pas inversible, car si (A I) est inversible, en
multipliant () par (A I)1 on aurait x = 0E .
2) = 3) Trivial.
3) = 1) Voir Thorme 5.1.1.
Remarque 5.2.1. : 0 est une valeur propre de A si et seulement si A n'est

pas inversible.
Proposition 5.2.1. : 1) Si 1
A,
alors E1
2) Si
et
est libre.
sont deux valeurs propres distinctes de
E2 = {0E }.
1 , ..., m
e1 , ..., em
et
sont des valeurs propres distinctes d'une matrice carre
les vecteurs propres correspondants, alors le systme
{e1 , ..., em }
53
Preuve : 1) Soit x E E , alors x E d'o Ax = 1x et x E

1
d'o Ax = 2 x ; on a alors 1 x = 2 x c..d (1 2 )x = 0, or 1 6= 2 , donc

x=0 .
2) On procde par rcurrence
E
(5.3)
1 e1 + ... + m em = 0E
On applique A, on obtient 1 1 e1 + ... + m m em = 0 , on multiplie (5.3)

par m et en soustrayant on a : 1 (m 1 )e1 +...+m1 (m m1 )em1 =
0 .
L'hypothse de rcurence entrane i = 0 pour i = 1, ..., m 1, en remplaant dans (5.3) on obtient m = 0.
E
Corollaire 5.2.1. : 1) Soit A Mn(K), alors A a au plus n valeurs propres

distinctes deux deux.
2) Si
1 , ..., m
sont des valeurs propres distinctes d'une matrice carre
A,
alors le sous-espace vectoriel E1 +...+ Em est somme directe de E1 , ..., Em .
Preuve : 1) Si A admet m valeurs propres distinctes deux deux avec

m > n et e1 , ..., em les vecteurs propres associs aux i , la proposition (5.2.1)
entrane {e1 , ..., em } libre, or m > n entrane {e1 , ..., em } li ( car n = dimE
), d'o contradiction.
2) On doit montrer que tout x E1 + ... + Em s'crit d'une manire
unique sous la forme x = x1 + ... + xm o les xi Ei .
En eet, supposons que x = x1 + ... + xm = x01 + ... + x0m avec xi , x0i Ei ,
alors (x1 x01 )+...+(xm x0m ) = 0 o les (xi x0i ) Ei . On a d'aprs la pro

position (5.2.1) xi = x0i pour i = 1, ..., m car sinon les xi1 x0i1 , ..., xil x0il
forment un systme li.
5.3 Proprits du polynme caractristique

Thorme 5.3.1. : Le polynme caractristique pA() de la matrice A est
invariant lorsque l'on remplace
pB ()
pour
B = P 1 AP
et
A par une matrice semblable ( c..d pA () =
inversible ).
54
Preuve : En eet B = P 1AP entrane B I = P 1AP I =

P 1 (A I)P , d'o pB () = det(B I) = detP 1 det(A I)detP =
detP 1 detP det(A I) = det(P 1 P )det(A I) = det(A I) = pA ().
Remarque 5.3.1. : 1) Si f
associe
f,
est un endomorphisme de E et
M (f ) la matrice
lorsque E est muni d'une base, on peut dnir le polynme
caractristique de
par
pf () = pM (f ) ()
et ce dernier ne dpend pas de
la base choisie puisque deux matrices associes un endomorphisme sont

semblables.
2) Deux matrices semblables ont les mmes valeurs propres.
Thorme 5.3.2. : Soit f
un endomorphisme de E et
caractristique admettant dans K une racine multiple
pf (x)
son polynme
d'ordre
k,
alors
dimK E k .
Preuve : Supposons dim E = r. Alors E contient r vecteurs propres

K
linairement indpendants v1 , ..., vr , nous pouvons complter {vi } de manire

obtenir une base de E
{v1 , ..., vr , w1 , ..., ws }.
Nous avons
f (v1 ) =
f (v2 ) =
..
.
..
.
v1
v2
..
.
f (vr ) =
vr
f (w1 ) = a11 v1 + ... + a1r vr + b11 w1 + ... + b1s ws
f (w2 ) = a21 v1 + ... + a2r vr + b21 w1 + ... + b2s ws
..
.
..
.
..
.
f (ws ) = as1 v1 + ... + asr vr + bs1 w1 + ... + bss ws
La matrice de f dans la base ci-dessus est
0 ... 0
a11 a21 . . . as1
55
a12 a22 . . . as2

.. .. . . . ..
..
.. .. ..
. .
.
.
. . .
0 0 . . . a1r a2r . . . asr
0 0 . . . 0 b11 b21 . . . bs1
0 0 . . . 0 b12 b22 . . . bs2
.. .. .. ..
..
.. .. ..
. . . .
.
. . .
0 0 . . . 0 b1s b2s . . . bss
pf (x) = det(M (f ) xI) = ( x)r det(B xIs ) o B est la matrice (bij )
et Is la matrice unit d'ordre s. Comme par hypothse pf (x) = ( x)k g(x)
M (f ) =
0 ... 0
o g() 6= 0, il s'ensuit que r k .
5.4 Diagonalisation
Dnition 5.4.1. Une
matrice
A Mn (K)
est appele matrice diagonale
si elle est de la forme :
A=
c'est dire si
aij = 0
pour
a11
..
.
..
..
.
ann
i 6= j.
On sait que les matrices diagonales sont simples du point de vue calculatoire et thorique. Par exemple, la solution de Ax = c, o A est une matrice
de Mn (K) est gnralement lassante lorsque n est grand, mais elle est triviale si A est diagonale. De mme lever une matrice une puissance trs
large (par exemple A100 ) est en gnral encombrant par calcul direct, mais
devient trivial si A est diagonale. Ainsi la diagonalisation d'une matrice, c..d
sa rduction une forme diagonale, s'avrera trs intressante.
Dnition 5.4.2. On dit qu'une matrice carre est diagonalisable s'il existe
une matrice inversible
telle que
P 1 AP
soit diagonale, disons
P 1 AP = D.
Lorsque c'est le cas, on dit que
diagonalise
A.
56
Thorme 5.4.1. Soit A Mn(K), alors

1)
est diagonalisable ssi
possde
vecteurs propres linairement in-
dpendants.
A possde n vecteurs propres linairement indpendants p1 , , pn

1
et P = (p1 , , pn ), alors P
AP = D est diagonale, o le j me
me
lment diagonal de D est gal la j
valeur propre de A.
2) Si
) Si A est diagonalisable, il existe une matrice inversible
p11 p12 p1n
p21 p22 p2n

P =
..
..
...
. .
pn1 pn2 pnn
(5.4)
telle que
d1
P 1 AP = D = ...
...
.. .
.
(5.5)
0 dn
Multiplions (5.5) par P, on obtient
p11 p1n
d1
d1 p11 dn p1n

..
AP = ... ... ... . . . ... = ...
.
pn1 pnn
0 dn
d1 pn1 dn pnn
(5.6)
AP = (d1 p1 , , dn pn ) o pj dsigne la j me colonne de P, de mme
AP = A(p1 , , pn ) = (Ap1 , , Apn )
(5.7)
En comparant (5.6) et (5.7), nous obtenons

Ap1 = d1 p1
..
.
..
.
(5.8)
Apn = dn pn
p1 , , pn sont non nuls, sinon P ne serait pas inversible. (5.8) prouve
que les pi sont des vecteurs propres non nuls, et les di sont des valeurs
propres. Le rang de P doit tre n, car P est inversible ; donc les colonnes
de P doivent tre linairement indpendantes. Nous avons dmontr
aussi 2).
57
) Si A possde n vecteurs propres linairement indpendants, disons

p1 , , pn , soit d1 , , dn les valeurs propres respectives. Alors
AP = (Ap1 , , Apn ) = (d1 p1 , , dn pn )
d1 p11 dn p1n
p11 p1n
..
.
.. = ... ...
= .
pn1 pnn
d1 pn1 dn pnn
d1
..
.
...
.. = P D
.
0 dn
(5.9)
P est inversible car ses colonnes sont linairement indpendantes, en
multipliant (5.9) par P 1 , on obtient P 1 AP = D. A est alors diago-
nalisable.
Remarque 5.4.1.
Si
A Mn (K)
valeurs propres distinctes, alors
est diagonalisable (Il sut de combiner la proposition du paragraphe 1.2 et

le thorme 1.6).
Dnition 5.4.3. Soit p(x) un polynme coecients dans K, de degr n,

on dit qu'il est scind s'il s'crit sous la forme d'un produit de
premier degr coecients dans
o
n polynmes du
K, c'est dire p(x) = a(x1 ) (xn )
a, 1 , , n K.
Thorme 5.4.2. ( Condition ncessaire et susante de diagonalisation )

Soit
A Mn (K), A
1)
pA
est diagonalisable ssi :
est scind dans
K;
2) Pour chaque racine
de
pA ,
d'ordre
ki , dim Ei = ki .
P 1 AP = D = ... . . . ...
0 n
pA (x) = pD (x) = (1 x) (n x), les racines de pA (x) sont les
i K donc 1) est vrie. En faisant intervenir l'ordre de multiplicit
des i , on peut crire
m
X
k1
km
pA (x) = (1 x) (m x) . On a
ki = n. Comme A est
i=1
58
diagonalisable, E = E1 Em , d'o dimK E = n =

Si l'une des dimK Ei < ki , on aurait
m
X
m
X
dim Ei .
i=1
dim Ei < n.
i=1
) On a n = k1 + + km .
2) entrane dim(E1 Em ) =
m
X
dim Ei =
i=1
m
X
ki = n = dim E.
i=1
La runion des bases des Ei est une base de E forme de vecteurs

propres, d'o A est diagonalisable.
Corollaire 5.4.1. Si A Mn(K) possde n valeurs propres distinctes, alors

A
est diagonalisable.
1) du thorme 1.7 est vrie. En outre 1 dim Ei 1, donc 2) est

satisfaite et A est diagonalisable.
Exemple 5.4.1.
1) Etudier la diagonalisation de la matrice
A = 2
0
2 0
3
0
0
5
Solution :
Le polynme caractristique de
est :

3 x 2

0

3 x 2

pA (x) = 2 3 x
0 = (5 x)

2 3 x
0
0
5x
= (5 x)[(3 x)2 4] = (5 x)2 (1 x)
les valeurs propres sont
E :
et
5.
Les espaces propres sont
E1
et
E5 .
x1
x = x2
x3
est un vecteur propre de
correspondant
(A I)x = 0 c'est dire

3 2
0
x1
0

0 x2 = 0 .
2 3
0
0
5
x3
0
ssi
n'est pas une solution triviale de
(5.10)

Si
= 5,
59
alors

2 2 0
x1
0

2 2 0 x2 = 0
0 0 0
x3
0
2x1 2x2 = 0, c'est dire x2 = x1 donc

x1
1
0

x2 = x1 1 + x3 0
x3
0
1

1
0

c'est dire E5 est engendr par 1 et 0 .
d'o
0
Si
=1
(5.10) devient
0
x1
2 2 0

2 2 0 x2 = 0
0
x3
0 0 4
x1 = x2 et x3 = 0, alors

x1
1

x2 = x1 1 ,
x3
0

1

donc E1 est engendr par 1 . On en dduit que A est diagonalisable,
On rsout le systme pour trouver
1 0 1
P = 1 0 1
0 1 0
et
5 0 0
P 1 AP = 0 5 0 .
0 0 1
2) Considrons la matrice
"
A=
3 2
2 1
pA () = ( + 1)2 ; = 1 est la seule valeur propre

E1 :
"
#"
# " #
2 2
x1
0
=
2 2
x2
0
de
A;
60
On rsout le systme
" # pour en dduire que
engendr par
1
1
Comme
x1 = x2 ,
dimR E1 = 1 < 2, A
c'est dire
E1
est
n'est pas diagonali-
sable.
3) Soit
l'oprateur linaire dni par
R3
f :
R3
x1
3x1 2x2
7 2x1 + 3x2 .
x2
x3
5x3
Trouver une base de
R3
par rapport laquelle la matrice de
soit
diagonale.
Solution : Si
B = {e1 , e2 , e3 }
est la base canonique de
R3 ,
alors
1
3
0
2

f (e1 ) = f ( 0 ) = 2 , f (e2 ) = f ( 1 ) = 3 ,
0
0
0
0

1
0

f (e3 ) = f ( 0 ) = 0
0
5
3 2 0
On en dduit que M (f ) = 2
3 0 par rapport la base B. Nous
0 0 5
0
0
0
0
voulons trouver une nouvelle base B = {u1 , u2 , u3 } de telle sorte que
0
0
la matrice A de f relative B soit diagonale. Si nous dsignons par
0
P la matrice de passage de la base canonique B la base inconnue B ,
0
1
on a A = P
AP ; c'est dire P diagonalise M (f ). D'aprs l'exemple
1), nous obtenons
1 0 1
P = 1 0 1
0 1 0
et
5 0 0
0
A =0 5 0
0 0 1

Les colonnes de
sont
0
u1 = e1 e2
0
u2 = e3
0
u3 = e1 + e2
qui produisent la matrice diagonale
de
f.
61

Algébre SMPC s2

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Algébre SMPC s2

Transféré par

Droits d'auteur :

Formats disponibles

Table des matires

1.1 Dnitions et proprits . . . . . . . . . . . . . . . .

3.7 Somme, Somme directe, Sous-Espaces Supplmentaires . . . . 27

4 Les Applications Linaires

5 Valeurs Propres et Vecteurs Propres

Valeurs Propres et vecteurs propres . . . . . . .

1.1 Dnitions et proprits

a11 a12 . . . a1n

a21 a22 . . . a2n

am1 am2 . . . amn

Chapitre thechapter : Calcul matriciel

ayant une seule colonne est appele matrice uni-

1.2 Oprations sur les matrices

L'addition des matrices satisfait les proprits suivantes :

Chapitre1 : Calcul matriciel

1.2.2 Multiplication par un scalaire

a11 a12 . . . a1n

a21 a22 . . . a2n

am1 am2 . . . amn

Cette multiplication vrie :

1.2.3 Multiplication des matrices

3(1) + 2(5) + (1)(6) 3(0) + 2(3) + (1)(4) 3(2) + 2(1) + (1)(2)

Le produit matriciel vrie les proprits suivantes :

Chapitre thechapter : Calcul matriciel

3) Une matrice carre

A est inversible s'il existe B

1) Une matrice du type

. . . 0 est appele matrice triangulaire.

Chapitre1 : Calcul matriciel

3) Au lieu de AA on crit tout simplement A2 , de mme A3 = A2 A ....

1.3 Matrices lmentaires

Chapitre thechapter : Calcul matriciel

matrices lmentaires correspondantes.

Les oprations lmentaires ont des oprations inverses du mme type

une matrice carre, alors

est inversible si et seulement si

un produit de matrices lmentaires.

1.3.2 Application pour dterminer l'inverse d'une matrice carre

Trouver l'inverse de la matrice

Pour ce faire nous crivons la matrice unit la droite de

Chapitre1 : Calcul matriciel

Ecrivons cette inverse sous forme de produit de matrices lmentaires :

On constate alors que :

. On constate que detA =

colonnes et les lignes ( dans le mme ordre ).

2.2 Dterminant d'ordre 3

a11 a12 a13

Le cofacteur de l'lment de detA de la ie`me ligne et la k e`me colonne est

forment la table suivante

On remarque que l'on peut crire

detA = a11 C11 + a21 C21 + a31 C31

3) Le dterminant de A, detA, peut tre developp suivant n'importe

4) Si tous les lments d'une ligne ( ou d'une colonne ) d'un dterminant

5) Si tous les lments d'une ligne ( ou colonne ) d'un dterminant sont

7) Si deux lignes ( ou colonnes ) d'un dterminant sont proportionnelles,

8) La valeur d'un dterminant est conserve si l'on ajoute une ligne ( ou

Cette dernire proprit permet de simplier normment les calculs, elle

2.3 Dterminant d'ordre n

Pour n 2, a signie la somme des produits des lments de n'importe

Le dterminant d'ordre n est alors dni en fonction de n dterminants

det(A + B) 6= detA + detB

2.4.2 Rsolution de systmes linaires ( Mthode de Cramer )

3.1 Espaces vectoriels

1.1 Dnitions et proprits . . . . . . . . . . . . . . . .

1.1 Dnitions et proprits

Cette multiplication vrie :

Le produit matriciel vrie les proprits suivantes :

Cette dernire proprit permet de simplier normment les calculs, elle

Pour n 2, a signie la somme des produits des lments de n'importe

Le dterminant d'ordre n est alors dni en fonction de n dterminants

f : A E}. On peut dnir sur S

6) Soient E1 et E2 deux espaces vectoriels sur K. On dnit une structure

une famille nie de polynmes, elle ne peut pas

sont de dimension nie.

est de dimension innie.

est un sous-espace vectoriel de E de dimension nie.

une famille nie d'lments de E. On dit

Dnition 3.4.2. : On appelle base une famille la fois libre et gnratrice.

Existence de Bases ( en dimension nie )

un espace vectoriel de dimension nie,