Vous êtes sur la page 1sur 246

ALG B R E

C O U R S D E M AT H M AT I Q U E S
PREMIRE ANNE
Exo7

la dcouverte de lalgbre
La premire anne dtudes suprieures pose les bases des mathmatiques. Pourquoi se lancer dans une
telle expdition ? Dj parce que les mathmatiques vous offriront un langage unique pour accder une
multitude de domaines scientifiques. Mais aussi parce quil sagit dun domaine passionnant ! Nous vous
proposons de partir la dcouverte des maths, de leur logique et de leur beaut.
Dans vos bagages, des objets que vous connaissez dj : les entiers, les fonctions... Ces notions en apparence
simples et intuitives seront abordes ici avec un souci de rigueur, en adoptant un langage prcis et en
prsentant les preuves. Vous dcouvrirez ensuite de nouvelles thories (les espaces vectoriels, les quations
diffrentielles,...).
Ce tome est consacr lalgbre et se divise en deux parties. La premire partie dbute par la logique
et les ensembles, qui sont des fondamentaux en mathmatiques. Ensuite vous tudierez des ensembles
particuliers : les nombres complexes, les entiers ainsi que les polynmes. Cette partie se termine par ltude
dune premire structure algbrique, avec la notion de groupe.
La seconde partie est entirement consacre lalgbre linaire. Cest un domaine totalement nouveau pour
vous et trs riche, qui recouvre la notion de matrice et despace vectoriel. Ces concepts, la fois profonds et
utiles, demandent du temps et du travail pour tre bien compris.
Les efforts que vous devrez fournir sont importants : tout dabord comprendre le cours, ensuite connatre
par cur les dfinitions, les thormes, les propositions... sans oublier de travailler les exemples et les
dmonstrations, qui permettent de bien assimiler les notions nouvelles et les mcanismes de raisonnement.
Enfin, vous devrez passer autant de temps pratiquer les mathmatiques : il est indispensable de rsoudre
activement par vous-mme des exercices, sans regarder les solutions. Pour vous aider, vous trouverez sur le
site Exo7 toutes les vidos correspondant ce cours, ainsi que des exercices corrigs.
Au bout du chemin, le plaisir de dcouvrir de nouveaux univers, de chercher rsoudre des problmes... et
dy parvenir. Bonne route !

Sommaire

Logique et raisonnements

Logique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Raisonnements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Ensembles et applications

11

Ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

12

Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

15

Injection, surjection, bijection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

17

Ensembles finis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

20

Relation dquivalence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

27

Nombres complexes

31

Les nombres complexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

31

Racines carres, quation du second degr . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

36

Argument et trigonomtrie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

38

Nombres complexes et gomtrie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

42

Arithmtique

45

Division euclidienne et pgcd . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

45

Thorme de Bzout . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

48

Nombres premiers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

51

Congruences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

54

Polynmes

59

Dfinitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

59

Arithmtique des polynmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

61

Racine dun polynme, factorisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

65

Fractions rationnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

68

Groupes

71

Groupe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

71

Sous-groupes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

76

Morphismes de groupes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

77

Le groupe Z/nZ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

80

Le groupe des permutations Sn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

82

Systmes linaires
1
Introduction aux systmes dquations linaires . . . . . . . . . . . . . . . . . . . . . . . . . .
2
Thorie des systmes linaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3
Rsolution par la mthode du pivot de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . .

Matrices
1
Dfinition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2
Multiplication de matrices . . . . . . . . . . . . . . . . . . . . . . . . .
3
Inverse dune matrice : dfinition . . . . . . . . . . . . . . . . . . . . .
4
Inverse dune matrice : calcul . . . . . . . . . . . . . . . . . . . . . . .
5
Inverse dune matrice : systmes linaires et matrices lmentaires
6
Matrices triangulaires, transposition, trace, matrices symtriques .

87
87
91
93

.
.
.
.
.
.

99
99
101
106
108
110
117

Lespace vectoriel Rn
1
Vecteurs de Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2
Exemples dapplications linaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3
Proprits des applications linaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

123
123
126
132

10

Espaces vectoriels
1
Espace vectoriel (dbut) . . .
2
Espace vectoriel (fin) . . . . .
3
Sous-espace vectoriel (dbut)
4
Sous-espace vectoriel (milieu)
5
Sous-espace vectoriel (fin) . .
6
Application linaire (dbut) .
7
Application linaire (milieu) .
8
Application linaire (fin) . . .

.
.
.
.
.
.
.
.

137
137
140
144
147
150
156
158
161

.
.
.
.
.

167
167
171
173
178
182

11

12

13

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

Dimension finie
1
Famille libre . . . . . . . . . . . . . . . .
2
Famille gnratrice . . . . . . . . . . . .
3
Base . . . . . . . . . . . . . . . . . . . . .
4
Dimension dun espace vectoriel . . .
5
Dimension des sous-espaces vectoriels

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.

Matrices et applications linaires


1
Rang dune famille de vecteurs . . . . . .
2
Applications linaires en dimension finie
3
Matrice dune application linaire . . . .
4
Changement de bases . . . . . . . . . . . .

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

187
187
192
198
204

Dterminants
1
Dterminant en dimension 2 et 3
2
Dfinition du dterminant . . . .
3
Proprits du dterminant . . . .
4
Calculs de dterminants . . . . .
5
Applications des dterminants . .

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

211
211
215
220
224
229

Index

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

Chapitre

Logique et
raisonnements

Vido partie 1. Logique


Vido partie 2. Raisonnements
Fiche d'exercices Logique, ensembles, raisonnements

Quelques motivations
Il est important davoir un langage rigoureux. La langue franaise est souvent ambige. Prenons
lexemple de la conjonction ou ; au restaurant fromage ou dessert signifie lun ou lautre mais pas
les deux. Par contre si dans un jeu de carte on cherche les as ou les curs alors il ne faut pas exclure
las de cur. Autre exemple : que rpondre la question As-tu 10 euros en poche ? si lon dispose de
15 euros ?
Il y a des notions difficiles expliquer avec des mots : par exemple la continuit dune fonction est
souvent explique par on trace le graphe sans lever le crayon . Il est clair que cest une dfinition peu
satisfaisante. Voici la dfinition mathmatique de la continuit dune fonction f : I R en un point
x0 I :
> 0 > 0

x I

(|x x 0 | < = | f (x) f (x 0 )| < ).

Cest le but de ce chapitre de rendre cette ligne plus claire ! Cest la logique.
Enfin les mathmatiques tentent de distinguer le vrai du faux. Par exemple Est-ce quune augmentation
de 20%, puis de 30% est plus intressante quune augmentation de 50% ? . Vous pouvez penser oui
ou non , mais pour en tre sr il faut suivre une dmarche logique qui mne la conclusion. Cette
dmarche doit tre convaincante pour vous mais aussi pour les autres. On parle de raisonnement.
Les mathmatiques sont un langage pour sexprimer rigoureusement, adapt aux phnomnes complexes,
qui rend les calculs exacts et vrifiables. Le raisonnement est le moyen de valider ou dinfirmer une
hypothse et de lexpliquer autrui.

LOGIQUE ET RAISONNEMENTS

1. LOGIQUE

1. Logique
1.1. Assertions
Une assertion est une phrase soit vraie, soit fausse, pas les deux en mme temps.
Exemples :
Il pleut.
Je suis plus grand que toi.
2+2=4
23=7
Pour tout x R, on a x 2 > 0.
Pour tout z C, on a |z| = 1.
Si P est une assertion et Q est une autre assertion, nous allons dfinir de nouvelles assertions construites
partir de P et de Q.
Loprateur logique et
Lassertion P et Q est vraie si P est vraie et Q est vraie. Lassertion P et Q est fausse sinon.
On rsume ceci en une table de vrit :
P \Q
V
F

V
V
F

F
F
F

F I G U R E 1.1 Table de vrit de P et Q


Par exemple si P est lassertion Cette carte est un as et Q lassertion Cette carte est cur alors lassertion
P et Q est vraie si la carte est las de cur et est fausse pour toute autre carte.
Loprateur logique ou
Lassertion P ou Q est vraie si lune (au moins) des deux assertions P ou Q est vraie. Lassertion P ou
Q est fausse si les deux assertions P et Q sont fausses.
On reprend ceci dans la table de vrit :
P \Q
V
F

V
V
V

F
V
F

F I G U R E 1.2 Table de vrit de P ou Q


Si P est lassertion Cette carte est un as et Q lassertion Cette carte est cur alors lassertion P ou Q
est vraie si la carte est un as ou bien un cur (en particulier elle est vraie pour las de cur).
Remarque.
Pour dfinir les oprateurs ou , et on fait appel une phrase en franais utilisant les mots ou, et ! Les
tables de vrits permettent dviter ce problme.
La ngation non
Lassertion non P est vraie si P est fausse, et fausse si P est vraie.

LOGIQUE ET RAISONNEMENTS

1. LOGIQUE

P
non P

V
F

F
V

F I G U R E 1.3 Table de vrit de non P


Limplication =
La dfinition mathmatique est la suivante :
Lassertion (non P) ou Q est note P = Q .
Sa table de vrit est donc la suivante :
P \Q
V
F

V
V
V

F
F
V

F I G U R E 1.4 Table de vrit de P = Q


Lassertion P = Q se lit en franais P implique Q .
Elle se lit souvent aussi si P est vraie alors Q est vraie ou si P alors Q .
Par exemple :
p
0 6 x 6 25 = x 6 5 est vraie (prendre la racine carre).
x ] , 4[ = x 2 + 3x 4 > 0 est vraie (tudier le binme).
= 0 est fausse (regarder pour = 2 par exemple).
sin( ) = 0 = p
2 + 2 = 5 = 2 = 2 est vraie ! Eh oui, si P est fausse alors lassertion P = Q est toujours
vraie.
Lquivalence
Lquivalence est dfinie par :
P Q est lassertion (P = Q) et (Q = P) .
On dira P est quivalent Q ou P quivaut Q ou P si et seulement si Q . Cette assertion est vraie
lorsque P et Q sont vraies ou lorsque P et Q sont fausses. La table de vrit est :
P \Q
V
F

V
V
F

F
F
V

F I G U R E 1.5 Table de vrit de P Q


Exemples :
Pour x, x 0 R, lquivalence x x 0 = 0 (x = 0 ou x 0 = 0) est vraie.
Voici une quivalence toujours fausse (quelque soit lassertion P) : P non(P) .
On sintresse davantage aux assertions vraies quaux fausses, aussi dans la pratique et en dehors de ce
chapitre on crira P Q ou P = Q uniquement lorsque ce sont des assertions vraies. Par
exemple si lon crit P Q cela sous-entend P Q est vraie . Attention rien ne dit que P et Q
soient vraies. Cela signifie que P et Q sont vraies en mme temps ou fausses en mme temps.

LOGIQUE ET RAISONNEMENTS

1. LOGIQUE

Proposition 1.
Soient P, Q, R trois assertions. Nous avons les quivalences (vraies) suivantes :
1. P non(non(P))
2. (P et Q) (Q et P)
3. (P ou Q) (Q ou P)
4. non(P et Q) (non P) ou (non Q)
5. non(P ou Q) (non P) et (non Q)

6. P et (Q ou R) (P et Q) ou (P et R)

7. P ou (Q et R) (P ou Q) et (P ou R)
8. P = Q non(Q) = non(P)
Dmonstration. Voici des exemples de dmonstrations :
4. Il suffit de comparer les deux assertions non(P et Q) et (non P) ou (non Q) pour toutes les valeurs
possibles de P et Q. Par exemple si P est vrai et Q est vrai alors P et Q est vrai donc non(P et Q)
est faux ; dautre part (non P) est faux, (non Q) est faux donc (non P) ou (non Q) est faux. Ainsi dans
ce premier cas les assertions sont toutes les deux fausses. On dresse ainsi les deux tables de vrits et
comme elles sont gales les deux assertions sont quivalentes.
P \Q
V
F

V
F
V

F
V
V

F I G U R E 1.6 Tables de vrit de non(P et Q) et de (non P) ou (non Q)


6. On fait la mme chose mais il y a trois variables : P, Q, R. On compare donc les tables de vrit dabord
dans le cas o P est vrai ( gauche), puis dans le cas o P est faux ( droite). Dans les deux cas les deux

assertions P et (Q ou R) et (P et Q) ou (P et R) ont la mme table de vrit donc les assertions
sont quivalentes.
Q\R
V
F

V
V
V

F
V
F

Q\R
V
F

V
F
F

F
F
F

8. Par dfinition, limplication P = Q est lassertion (non P) ou Q . Donc limplication non(Q) =


non(P) est quivalente non(non(Q)) ou non(P) qui quivaut encore Q ou non(P) et donc est
quivalente P = Q . On aurait aussi pu encore une fois dresser les deux tables de vrit et voir
quelles sont gales.

1.2. Quantificateurs
Le quantificateur : pour tout
Une assertion P peut dpendre dun paramtre x, par exemple x 2 > 1 , lassertion P(x) est vraie ou
fausse selon la valeur de x.
Lassertion
x E

P(x)

est une assertion vraie lorsque les assertions P(x) sont vraies pour tous les lments x de lensemble E.

LOGIQUE ET RAISONNEMENTS

1. LOGIQUE

On lit Pour tout x appartenant E, P(x) , sous-entendu Pour tout x appartenant E, P(x) est vraie .
Par exemple :
x [1, +[ (x 2 > 1) est une assertion vraie.
x R (x 2 > 1) est une assertion fausse.
n N n(n + 1) est divisible par 2 est vraie.
Le quantificateur : il existe
Lassertion
x E

P(x)

est une assertion vraie lorsque lon peut trouver au moins un x de E pour lequel P(x) est vraie. On lit il
existe x appartenant E tel que P(x) (soit vraie) .
Par exemple :
1
x R (x(x 1) < 0) est vraie (par exemple x = 2 vrifie bien la proprit).
n N n2 n > n est vraie (il y a plein de choix, par exemple n = 3 convient, mais aussi n = 10 ou
mme n = 100, un seul suffit pour dire que lassertion est vraie).

x R (x 2 = 1) est fausse (aucun rel au carr ne donnera un nombre ngatif).


La ngation des quantificateurs
La ngation de x E

P(x) est x E

non P(x) .

Par exemple la ngation de x [1, +[ (x 2 > 1) est lassertion x [1, +[


effet la ngation de x 2 > 1 est non(x 2 > 1) mais scrit plus simplement x 2 < 1.
La ngation de x E

P(x) est x E

(x 2 < 1) . En

non P(x) .

Voici des exemples :


La ngation de z C (z 2 + z + 1 = 0) est z C (z 2 + z + 1 6= 0) .
/ Z) .
La ngation de x R (x + 1 Z) est x R (x + 1
Ce
nest
pas
plus
difficile
dcrire
la
ngation
de
phrases
complexes.
Pour lassertion :

x R

y > 0

(x + y > 10)

x R

y > 0

(x + y 6 10).

sa ngation est

Remarques
Lordre des quantificateurs est trs important. Par exemple les deux phrases logiques
x R

y R

(x + y > 0)

et

y R

x R

(x + y > 0).

sont diffrentes. La premire est vraie, la seconde est fausse. En effet une phrase logique se lit de gauche
droite, ainsi la premire phrase affirme Pour tout rel x, il existe un rel y (qui peut donc dpendre de x)
tel que x + y > 0. (par exemple on peut prendre y = |x| + 1). Cest donc une phrase vraie. Par contre la
deuxime se lit : Il existe un rel y, tel que pour tout rel x, x + y > 0. Cette phrase est fausse, cela ne
peut pas tre le mme y qui convient pour tous les x !
On retrouve la mme diffrence dans les phrases en franais suivantes. Voici une phrase vraie Pour toute
personne, il existe un numro de tlphone , bien sr le numro dpend de la personne. Par contre cette
phrase est fausse : Il existe un numro, pour toutes les personnes . Ce serait le mme numro pour tout le
monde !

LOGIQUE ET RAISONNEMENTS

2. RAISONNEMENTS

Terminons avec dautres remarques.


Quand on crit x R ( f (x) = 0) cela signifie juste quil existe un rel pour lequel f sannule. Rien
ne dit que ce x est unique. Dans un premier temps vous pouvez lire la phrase ainsi : il existe au moins
un rel x tel que f (x) = 0 . Afin de prciser que f sannule en une unique valeur, on rajoute un point
dexclamation :
! x R

( f (x) = 0).

Pour la ngation dune phrase logique, il nest pas ncessaire de savoir si la phrase est fausse ou vraie.
Le procd est algorithmique : on change le pour tout en il existe et inversement, puis on prend la
ngation de lassertion P.
Pour la ngation dune proposition, il faut tre prcis : la ngation de lingalit stricte < est lingalit
large > , et inversement.
Les quantificateurs ne sont pas des abrviations. Soit vous crivez une phrase en franais : Pour tout
rel x, si f (x) = 1 alors x > 0. , soit vous crivez la phrase logique :
x R

( f (x) = 1 = x > 0).

Mais surtout ncrivez pas x rel, si f (x) = 1 = x positif ou nul . Enfin, pour passer dune ligne
lautre dun raisonnement, prfrez plutt donc = .
Il est dfendu dcrire 6 , 6= . Ces symboles nexistent pas !
Mini-exercices.
1. crire la table de vrit du ou exclusif . (Cest le ou dans la phrase fromage ou dessert , lun ou
lautre mais pas les deux.)
2. crire la table de vrit de non (P et Q) . Que remarquez vous ?
3. crire la ngation de P = Q .
4. Dmontrer les assertions restantes de la proposition 1.

5. crire la ngation de P et (Q ou R) .
6. crire laide des quantificateurs la phrase suivante : Pour tout nombre rel, son carr est positif .
Puis crire la ngation.
7. Mmes questions avec les phrases : Pour chaque rel, je peux trouver un entier relatif tel que leur
produit soit strictement plus grand que 1 . Puis Pour tout entier n, il existe un unique rel x tel que
exp(x) gale n .

2. Raisonnements
Voici des mthodes classiques de raisonnements.

2.1. Raisonnement direct


On veut montrer que lassertion P = Q est vraie. On suppose que P est vraie et on montre qualors Q
est vraie. Cest la mthode laquelle vous tes le plus habitu.
Exemple 1.
Montrer que si a, b Q alors a + b Q.
Dmonstration. Prenons a Q, b Q. Rappelons que les rationnels Q sont lensemble des rels scrivant
p

q avec p Z et q N .

LOGIQUE ET RAISONNEMENTS

Alors a =

p
q

2. RAISONNEMENTS

pour un certain p Z et un certain q N . De mme b =


a+b=

p0
q0

avec p0 Z et q0 N . Maintenant

p p0
pq0 + qp0
+ 0 =
.
q q
qq0

Or le numrateur pq0 + qp0 est bien un lment de Z ; le dnominateur qq0 est lui un lment de N . Donc
p00
a + b scrit bien de la forme a + b = q00 avec p00 Z, q00 N . Ainsi a + b Q.

2.2. Cas par cas


Si lon souhaite vrifier une assertion P(x) pour tous les x dans un ensemble E, on montre lassertion pour
les x dans une partie A de E, puis pour les x nappartenant pas A. Cest la mthode de disjonction ou du
cas par cas.
Exemple 2.
Montrer que pour tout x R, |x 1| 6 x 2 x + 1.
Dmonstration. Soit x R. Nous distinguons deux cas.
Premier cas : x > 1. Alors |x 1| = x 1. Calculons alors x 2 x + 1 |x 1|.
x 2 x + 1 |x 1| = x 2 x + 1 (x 1)
= x 2 2x + 2
= (x 1)2 + 1 > 0.
Ainsi x 2 x + 1 |x 1| > 0 et donc x 2 x + 1 > |x 1|.
Deuxime cas : x < 1. Alors |x1| = (x1). Nous obtenons x 2 x+1|x1| = x 2 x+1+(x1) = x 2 > 0.
Et donc x 2 x + 1 > |x 1|.
Conclusion. Dans tous les cas |x 1| 6 x 2 x + 1.

2.3. Contrapose
Le raisonnement par contraposition est bas sur lquivalence suivante (voir la proposition 1) :
Lassertion P = Q est quivalente non(Q) = non(P) .
Donc si lon souhaite montrer lassertion P = Q , on montre en fait que si non(Q) est vraie alors non(P)
est vraie.
Exemple 3.
Soit n N. Montrer que si n2 est pair alors n est pair.
Dmonstration. Nous supposons que n nest pas pair. Nous voulons montrer qualors n2 nest pas pair. Comme
n nest pas pair, il est impair et donc il existe k N tel que n = 2k+1. Alors n2 = (2k+1)2 = 4k2 +4k+1 = 2`+1
avec ` = 2k2 + 2k N. Et donc n2 est impair.
Conclusion : nous avons montr que si n est impair alors n2 est impair. Par contraposition ceci est quivalent
: si n2 est pair alors n est pair.

2.4. Absurde
Le raisonnement par labsurde pour montrer P = Q repose sur le principe suivant : on suppose la
fois que P est vraie et que Q est fausse et on cherche une contradiction. Ainsi si P est vraie alors Q doit tre
vraie et donc P = Q est vraie.

LOGIQUE ET RAISONNEMENTS

2. RAISONNEMENTS

Exemple 4.
Soient a, b > 0. Montrer que si

a
1+b

b
1+a

alors a = b.

a
b
a
b
= 1+a
et a 6= b. Comme 1+b
= 1+a
Dmonstration. Nous raisonnons par labsurde en supposant que 1+b
alors a(1 + a) = b(1 + b) donc a + a2 = b + b2 do a2 b2 = b a. Cela conduit (a b)(a + b) = (a b).
Comme a 6= b alors a b 6= 0 et donc en divisant par a b on obtient a + b = 1. La somme des deux
nombres positifs a et b ne peut tre ngative. Nous obtenons une contradiction.
a
b
= 1+a
alors a = b.
Conclusion : si 1+b

Dans la pratique, on peut choisir indiffremment entre un raisonnement par contraposition ou par labsurde.
Attention cependant de bien prciser quel type de raisonnement vous choisissez et surtout de ne pas changer
en cours de rdaction !

2.5. Contre-exemple
Si lon veut montrer quune assertion du type x E P(x) est vraie alors pour chaque x de E il faut
montrer que P(x) est vraie. Par contre pour montrer que cette assertion est fausse alors il suffit de trouver
x E tel que P(x) soit fausse. (Rappelez-vous la ngation de x E P(x) est x E non P(x) .)
Trouver un tel x cest trouver un contre-exemple lassertion x E P(x) .
Exemple 5.
Montrer que lassertion suivante est fausse Tout entier positif est somme de trois carrs .
(Les carrs sont les 02 , 12 , 22 , 32 ,... Par exemple 6 = 22 + 12 + 12 .)
Dmonstration. Un contre-exemple est 7 : les carrs infrieurs 7 sont 0, 1, 4 mais avec trois de ces nombres
on ne peut faire 7.

2.6. Rcurrence
Le principe de rcurrence permet de montrer quune assertion P(n), dpendant de n, est vraie pour tout
n N. La dmonstration par rcurrence se droule en trois tapes : lors de linitialisation on prouve P(0).
Pour ltape dhrdit, on suppose n > 0 donn avec P(n) vraie, et on dmontre alors que lassertion
P(n + 1) au rang suivant est vraie. Enfin dans la conclusion, on rappelle que par le principe de rcurrence
P(n) est vraie pour tout n N.
Exemple 6.
Montrer que pour tout n N, 2n > n.
Dmonstration. Pour n > 0, notons P(n) lassertion suivante :
2n > n.
Nous allons dmontrer par rcurrence que P(n) est vraie pour tout n > 0.
Initialisation. Pour n = 0 nous avons 20 = 1 > 0. Donc P(0) est vraie.
Hrdit. Fixons n > 0. Supposons que P(n) soit vraie. Nous allons montrer que P(n + 1) est vraie.
2n+1 = 2n + 2n > n + 2n
> n+1

car par P(n) nous savons 2n > n,

car 2n > 1.

Donc P(n + 1) est vraie.


Conclusion. Par le principe de rcurrence P(n) est vraie pour tout n > 0, cest--dire 2n > n pour tout
n > 0.
Remarques :

LOGIQUE ET RAISONNEMENTS

2. RAISONNEMENTS

La rdaction dune rcurrence est assez rigide. Respectez scrupuleusement la rdaction propose : donnez
un nom lassertion que vous souhaitez montrer (ici P(n)), respectez les trois tapes (mme si souvent
ltape dinitialisation est trs facile). En particulier mditez et conservez la premire ligne de lhrdit
Fixons n > 0. Supposons que P(n) soit vraie. Nous allons montrer que P(n + 1) est vraie.
Si on doit dmontrer quune proprit est vraie pour tout n > n0 , alors on commence linitialisation au
rang n0 .
Le principe de rcurrence est bas sur la construction de lensemble N. En effet un des axiomes pour
dfinir N est le suivant : Soit A une partie de N qui contient 0 et telle que si n A alors n + 1 A. Alors
A = N .
Mini-exercices.
1. (Raisonnement direct) Soient a, b R+ . Montrer que si a 6 b alors a 6

a+b
2

6 b et a 6

a b 6 b.

2. (Cas par cas) Montrer que pour tout n N, n(n + 1) est divisible par 2 (distinguer les n pairs des n
impairs).
p
/ Q. (On utilisera que
3. (Contrapose ou absurde) Soient a, b Z. Montrer que si b 6= 0 alors a + b 2
p
2
/ Q.)
p
4. (Absurde) Soit n N . Montrer que n2 + 1 nest pas un entier.
5. (Contre-exemple) Est-ce que pour tout x R on a x < 2 = x 2 < 4 ?
6. (Rcurrence) Montrer que pour tout n > 1, 1 + 2 + + n =

n(n+1)
2 .

7. (Rcurrence) Fixons un rel x > 0. Montrer que pour tout entier n > 1, (1 + x)n > 1 + nx.

Auteurs du chapitre Arnaud Bodin, Benjamin Boutin, Pascal Romon

Chapitre

Ensembles et applications
Vido
Vido
Vido
Vido
Vido
Fiche
Fiche
Fiche
Fiche

partie 1. Ensembles
partie 2. Applications
partie 3. Injection, surjection, bijection
partie 4. Ensembles finis
partie 5. Relation d'quivalence

d'exercices
d'exercices
d'exercices
d'exercices

Logique, ensembles, raisonnements


Injection, surjection, bijection
Dnombrement
Relation d'quivalence, relation d'ordre

Motivations
Au dbut du X X e sicle le professeur Frege peaufinait la rdaction du second tome dun ouvrage qui souhaitait
refonder les mathmatiques sur des bases logiques. Il reut une lettre dun tout jeune mathmaticien :
Jai bien lu votre premier livre. Malheureusement vous supposez quil existe un ensemble qui contient tous les
ensembles. Un tel ensemble ne peut exister. Sensuit une dmonstration de deux lignes. Tout le travail de
Frege scroulait et il ne sen remettra jamais. Le jeune Russell deviendra lun des plus grands logiciens et
philosophes de son temps. Il obtient le prix Nobel de littrature en 1950.
Voici le paradoxe de Russell pour montrer que lensemble de tous les ensembles ne peut exister. Cest
trs bref, mais difficile apprhender. Par labsurde, supposons quun tel ensemble E contenant tous les
ensembles existe. Considrons

F = EE |E
/E .

Expliquons lcriture E
/ E : le E de gauche est considr comme un lment, en effet lensemble E est
lensemble de tous les ensembles et E est un lment de cet ensemble ; le E de droite est considr comme un
ensemble, en effet les lment de E sont des ensembles ! On peut donc sinterroger si llment E appartient
lensemble E. Si non, alors par dfinition on met E dans lensemble F .
La contradiction arrive lorsque lon se pose la question suivante : a-t-on F F ou F
/ F ? Lune des deux
affirmation doit tre vraie. Et pourtant :
/ F . Ce qui est contradictoire.
Si F F alors par dfinition de F , F est lun des ensembles E tel que F
/ F alors F vrifie bien la proprit dfinissant F donc F F ! Encore contradictoire.
Si F
Aucun des cas nest possible. On en dduit quil ne peut exister un tel ensemble E contenant tous les
ensembles.
Ce paradoxe a t popularis par lnigme suivante : Dans une ville, le barbier rase tous ceux qui ne se rasent
pas eux-mmes. Qui rase le barbier ? La seule rponse valable est quune telle situation ne peut exister.
Ne vous inquitez pas, Russell et dautres ont fond la logique et les ensembles sur des bases solides.
Cependant il nest pas possible dans ce cours de tout redfinir. Heureusement, vous connaissez dj quelques

ENSEMBLES ET APPLICATIONS

1. ENSEMBLES

12

ensembles :
lensemble des entiers naturels N = {0, 1, 2, 3, . . .}.
= {. . . , 2, 1, 0, 1, 2, . . .}.
lensemble des entiers relatifs Z
p

lensemble des rationnels Q = q | p Z, q N \ {0} .
p
lensemble des rels R, par exemple 1, 2, , ln(2),. . .
lensemble des nombres complexes C.
Nous allons essayer de voir les proprits des ensembles, sans sattacher un exemple particulier. Vous
vous apercevrez assez rapidement que ce qui est au moins aussi important que les ensembles, ce sont les
relations entre ensembles : ce sera la notion dapplication (ou fonction) entre deux ensembles.

1. Ensembles
1.1. Dfinir des ensembles
On va dfinir informellement ce quest un ensemble : un ensemble est une collection dlments.
Exemples :
{0, 1},

{rouge, noir},

{0, 1, 2, 3, . . .} = N.

Un ensemble particulier est lensemble vide, not qui est lensemble ne contenant aucun lment.
On note
xE
si x est un lment de E, et x
/ E dans le cas contraire.
Voici une autre faon de dfinir des ensembles : une collection dlments qui vrifient une proprit.
Exemples :




x R | |x 2| < 1 ,
z C | z5 = 1 ,
x R | 0 6 x 6 1 = [0, 1].

1.2. Inclusion, union, intersection, complmentaire


Linclusion. E F si tout lment de E est aussi un lment de F . Autrement dit : x E (x F ). On
dit alors que E est un sous-ensemble de F ou une partie de F .
Lgalit.
E = F si et seulement si E F et F E.

Ensemble des parties de E. On note P (E) lensemble des parties de E. Par exemple si E = {1, 2, 3} :


P ({1, 2, 3}) = , {1}, {2}, {3}, {1, 2}, {1, 3}, {2, 3}, {1, 2, 3} .
Complmentaire. Si A E,


E A = x E | x
/A
On le note aussi E \ A et juste A sil ny a pas dambigut (et parfois aussi Ac ou A).

E A

Union. Pour A, B E,


A B = x E | x A ou x B
Le ou nest pas exclusif : x peut appartenir A et B en mme temps.

ENSEMBLES ET APPLICATIONS

1. ENSEMBLES

A B

13

Intersection.


A B = x E | x A et x B

A B

1.3. Rgles de calculs


Soient A, B, C des parties dun ensemble E.
A B = B A
(on peut donc crire A B C sans ambigit)
A (B C) = (A B) C
A

=
,
A

A
=
A,
A

B A B = A

A B = B A
(on peut donc crire A B C sans ambigut)
A (B C) = (A B) C
A = A, A A = A, A B A B = B
A (B C) = (A B) (A C)
A (B C) = (A B) (A C)

A = A et donc A B B A
(A B) = A B
(A B) = A B
Voici les dessins pour les deux dernires assertions.
A
A

B
B

(A B) = A B

A B

(A B) = A B

A B

Les preuves sont pour lessentiel une reformulation des oprateurs logiques, en voici quelques-unes :
Preuve de A (B C) = (A B) (A C) : x A (B C) x A et x (B C) x A et (x
B ou x C) (x A et x B) ou (x A et x C) (x A B) ou (x A C) x
(A B) (A C).

ENSEMBLES ET APPLICATIONS

1. ENSEMBLES

/ (A B) non x A B
Preuve de (A B) = A B : x (A B) x
A et x B non(x A) ou non(x B) x
/ A ou x
/ B x A B.
Remarquez que lon repasse aux lments pour les preuves.

14

non x

1.4. Produit cartsien


Soient E et F deux ensembles. Le produit cartsien, not E F , est lensemble des couples (x, y) o x E
et y F .
Exemple 1.


1. Vous connaissez R2 = R R = (x, y) | x, y R .


2. Autre exemple [0, 1] R = (x, y) | 0 6 x 6 1, y R
y

x
0



3. [0, 1] [0, 1] [0, 1] = (x, y, z) | 0 6 x, y, z 6 1
y
z

1
1
0

Mini-exercices.
1. En utilisant les dfinitions, montrer : A 6= B si et seulement sil existe a A \ B ou b B \ A.
2. numrer P ({1, 2, 3, 4}).
3. Montrer A (B C) = (A B) (A C) et (A B) = A B.
4. numrer {1, 2, 3} {1, 2, 3, 4}.


5. Reprsenter les sous-ensembles de R2 suivants : ]0, 1[[2, 3[ [1, 1], R \ (]0, 1[[2, 3[ (R \

[1, 1]) [0, 2] .

ENSEMBLES ET APPLICATIONS

2. APPLICATIONS

15

2. Applications
2.1. Dfinitions
Une application (ou une fonction) f : E F , cest la donne pour chaque lment x E dun unique
lment de F not f (x).
Nous reprsenterons les applications par deux types dillustrations : les ensembles patates , lensemble
de dpart (et celui darrive) est schmatis par un ovale ses lments par des points. Lassociation
x 7 f (x) est reprsente par une flche.
f
f (x)

x
E

Lautre reprsentation est celle des fonctions continues de R dans R (ou des sous-ensembles de R).
Lensemble de dpart R est reprsent par laxe des abscisses et celui darrive par laxe des ordonnes.
Lassociation x 7 f (x) est reprsente par le point (x, f (x)).
y

f (x)
x
x

galit. Deux applications f , g : E F sont gales si et seulement si pour tout x E, f (x) = g(x). On
note alors f = g.
Le graphe de f : E F est


f = x, f (x) E F | x E
y

f
x

Soient f : E F et g : F G alors g f : E G est lapplication dfinie par g f (x) =


Composition.

g f (x) .
g

f
E

gf
Exemple 2.
1. Lidentit, id E : E E est simplement dfinie par x 7 x et sera trs utile dans la suite.

ENSEMBLES ET APPLICATIONS

2. APPLICATIONS

16

2. Dfinissons f , g ainsi
f : ]0, +[ ]0, +[
,
1
x
7
x

g : ]0, +[
x
7

R
x1
x+1

Alors g f : ]0, +[ R vrifie pour tout x ]0, +[ :



1

1
1 x
x 1
g f (x) = g f (x) = g
= 1
=
= g(x).
x
1
+
x
+
1
x

2.2. Image directe, image rciproque


Soient E, F deux ensembles.
Dfinition 1.
Soit A E et f : E F , limage directe de A par f est lensemble


f (A) = f (x) | x A

f
F

f (A)

f (A)
x
A

Dfinition 2.
Soit B F et f : E F , limage rciproque de B par f est lensemble


f 1 (B) = x E | f (x) B

f
F

B
x

f 1 (B)

f 1 (B)

Remarque.
Ces notions sont plus difficiles matriser quil ny parat !
f (A) est un sous-ensemble de F , f 1 (B) est un sous-ensemble de E.
La notation f 1 (B) est un tout, rien ne dit que f est un fonction bijective (voir plus loin). Limage
rciproque existe quelque soit la fonction.


singleton f ({x}) = f (x) est un singleton. Par contre limage rciproque dun
Limage directe dun

singleton f 1 { y} dpend de f . Cela peut tre un singleton, un ensemble plusieurs lments ; mais
cela peut-tre E tout entier (si f est une fonction constante) ou mme lensemble vide (si aucune image
par f ne vaut y).

ENSEMBLES ET APPLICATIONS

3. INJECTION, SURJECTION, BIJECTION

17

2.3. Antcdents
Fixons y F . Tout lment x E tel que f (x) = y est un antcdent de y.
En termes dimage rciproque lensemble des antcdents de y est f 1 ({ y}).
Sur les dessins suivants, llment y admet 3 antcdents par f . Ce sont x 1 , x 2 , x 3 .
f
y

E
x1

x3
x2

y
x
x1

x2

x3

Mini-exercices.
1. Pour deux applications f , g : E F , quelle est la ngation de f = g ?
2. Reprsenter le graphe de f : N R dfinie par n 7

4
n+1 .

3. Soient f , g, h : R R dfinies par f (x) = x 2 , g(x) = 2x + 1, h(x) = x 3 1. Calculer f (g h) et


( f g) h.
4. Pour la fonction f : R R dfinie par x 7 x 2 reprsenter et calculer les ensembles suivants : f ([0, 1[),
f (R), f (] 1, 2[), f 1 ([1, 2[), f 1 ([1, 1]), f 1 ({3}), f 1 (R \ N).

3. Injection, surjection, bijection


3.1. Injection, surjection
Soit E, F deux ensembles et f : E F une application.
Dfinition 3.
f est injective si pour tout x, x 0 E avec f (x) = f (x 0 ) alors x = x 0 . Autrement dit :
x, x 0 E

f (x) = f (x 0 ) = x = x 0

Dfinition 4.
f est surjective si pour tout y F , il existe x E tel que y = f (x). Autrement dit :
y F

x E


y = f (x)

Une autre formulation : f est surjective si et seulement si f (E) = F .


Les applications f reprsentes sont injectives :
y

x
E

ENSEMBLES ET APPLICATIONS

3. INJECTION, SURJECTION, BIJECTION

18

Les applications f reprsentes sont surjectives :


f

x
E

Remarque.
Encore une fois ce sont des notions difficiles apprhender. Une autre faon de formuler linjectivit et la
surjectivit est dutiliser les antcdents.
f est injective si et seulement si tout lment y de F a au plus un antcdent (et ventuellement aucun).
f est surjective si et seulement si tout lment y de F a au moins un antcdent.
Remarque.
Voici deux fonctions non injectives :
f
y

F
x

x0

y
x
x

Ainsi que deux fonctions non surjectives :


y

F
E

x
E

Exemple 3.
1
1. Soit f1 : N Q dfinie par f1 (x) = 1+x
. Montrons que f1 est injective : soit x, x 0 N tels que
1
1
0
f1 (x) = f1 (x ). Alors 1+x = 1+x 0 , donc 1 + x = 1 + x 0 et donc x = x 0 . Ainsi f1 est injective.

Par contre f1 nest pas surjective. Il sagit de trouver un lment y qui na pas dantcdent par f1 . Ici il
est facile de voir que lon a toujours f1 (x) 6 1 et donc par exemple y = 2 na pas dantcdent. Ainsi f1
nest pas surjective.
2. Soit f2 : Z N dfinie par f2 (x) = x 2 . Alors f2 nest pas injective. En effet on peut trouver deux lments
x, x 0 Z diffrents tels que f2 (x) = f2 (x 0 ). Il suffit de prendre par exemple x = 2, x 0 = 2.
f2 nest pas non plus surjective, en effet il existe des lments y N qui nont aucun antcdent. Par
exemple y = 3 : si y = 3 avait un antcdent x par f2 , nous aurions f2 (x) = y, cest--dire x 2 = 3,
p
do x = 3. Mais alors x nest pas un entier de Z. Donc y = 3 na pas dantcdent et f2 nest pas
surjective.

ENSEMBLES ET APPLICATIONS

3. INJECTION, SURJECTION, BIJECTION

19

3.2. Bijection
Dfinition 5.
f est bijective si elle injective et surjective. Cela quivaut : pour tout y F il existe un unique x E
tel que y = f (x). Autrement dit :
y F

!x E


y = f (x)

Lexistence du x vient de la surjectivit et lunicit de linjectivit. Autrement dit, tout lment de F a un


unique antcdent par f .
y

x
E

Proposition 1.
Soit E, F des ensembles et f : E F une application.
1. Lapplication f est bijective si et seulement si il existe une application g : F E telle que f g = id F et
g f = id E .
2. Si f est bijective alors lapplication g est unique et elle aussi est bijective. Lapplication g sappelle la
1
bijection rciproque de f et est note f 1 . De plus f 1
= f.
Remarque.
f g = id F se reformule ainsi
y F


f g( y) = y.

x E


g f (x) = x.

Alors que g f = id E scrit :


sa bijection rciproque est
Par exemple f : R ]0, +[ dfinie par f (x) = exp(x) est bijective,

g :]0, +[ R dfinie par g( y) = ln( y). Nous avons bien exp ln( y) = y, pour tout y ]0, +[ et

ln exp(x) = x, pour tout x R.
Dmonstration.
1. Sens . Supposons f bijective. Nous allons construire une application g : F E. Comme f est
surjective alors pour chaque y F , il existe un x E tel que y = f (x) et on pose g( y) = x. On

a f g( y) = f (x) = y, ceci pour tout y F et donc f g = id F . On compose droite avec f

donc f g f = id F f . Alors pour tout x E on a f g f (x) = f (x) or f est injective et donc
g f (x) = x. Ainsi g f = id E . Bilan : f g = id F et g f = id E .
Sens
. Supposons que g existe et montrons que f est bijective.


f est surjective : en effet soit y F alors on note x = g( y) E ; on a bien : f (x) = f g( y) =
f g( y) = id F ( y) = y, donc f est bien surjective.
f est injective : soient x, x 0 E tels que f (x) = f (x 0 ). On compose par g ( gauche) alors
g f (x) = g f (x 0 ) donc id E (x) = id E (x 0 ) donc x = x 0 ; f est bien injective.
2. Si f est bijective alors g est aussi bijective car g f = id E et f g = id F et on applique ce que lon
vient de dmontrer avec g la place de f . Ainsi g 1 = f .

ENSEMBLES ET APPLICATIONS

4. ENSEMBLES FINIS

20

que h f = id E et
Si f est bijective, g est unique : en effet soit h : F E une autre application telle


f h = id F ; en particulier f h = id F = f g, donc pour tout y F , f h( y) = f g( y) or f est
injective alors h( y) = g( y), ceci pour tout y F ; do h = g.

Proposition 2.
Soient f : E F et g : F G des applications bijectives. Lapplication g f est bijective et sa bijection
rciproque est
(g f )1 = f 1 g 1

Dmonstration. Daprs la proposition 1, il existe u : F E tel que u f = id E et f u = id F . Il existe aussi


v : G F tel que v g = id F et g v = idG . On a alors (g f )(u v) = g ( f u) v = g id F v = g v = id E .
Et (u v) (g f ) = u (v g) f = u id F f = u f = id E . Donc g f est bijective et son inverse est u v.
Comme u est la bijection rciproque de f et v celle de g alors : u v = f 1 g 1 .
Mini-exercices.
1. Les fonctions suivantes sont-elles injectives, surjectives, bijectives ?
f1 : R [0, +[, x 7 x 2 .
f2 : [0, +[ [0, +[, x 7 x 2 .
f3 : N N, x 7 x 2 .
f4 : Z Z, x 7 x 7.
f5 : R [0, +[, x 7 |x|.
2. Montrer que la fonction f : ]1, +[]0, +[ dfinie par f (x) =
bijection rciproque.

1
x1

est bijective. Calculer sa

4. Ensembles finis
4.1. Cardinal
Dfinition 6.
Un ensemble E est fini sil existe un entier n N et une bijection de E vers {1, 2, . . . , n}. Cet entier n est
unique et sappelle le cardinal de E (ou le nombre dlments) et est not Card E.
Quelques exemples :
1. E = {rouge, noir} est en bijection avec {1, 2} et donc est de cardinal 2.
2. N nest pas un ensemble fini.
3. Par dfinition le cardinal de lensemble vide est 0.
Enfin quelques proprits :
1. Si A est un ensemble fini et B A alors B est aussi un ensemble fini et Card B 6 Card A.
2. Si A, B sont des ensembles finis disjoints (cest--dire A B = ) alors Card(A B) = Card A + Card B.
3. Si A est un ensemble fini et B A alors Card(A \ B) = Card A Card B. En particulier si B A et
Card A = Card B alors A = B.
4. Enfin pour A, B deux ensembles finis quelconques :

ENSEMBLES ET APPLICATIONS

4. ENSEMBLES FINIS

21

Card(A B) = Card A + Card B Card(A B)


Voici une situation o sapplique la dernire proprit :

A
B

La preuve de la dernire proprit utilise la dcomposition



A B = A B \ (A B)
Les ensembles A et B \ (A B) sont disjoints, donc

Card(A B) = Card A + Card B \ (A B) = Card A + Card B Card(A B)
par la proprit 2, puis la proprit 3.

4.2. Injection, surjection, bijection et ensembles finis


Proposition 3.
Soit E, F deux ensembles finis et f : E F une application.
1. Si f est injective alors Card E 6 Card F .
2. Si f est surjective alors Card E > Card F .
3. Si f est bijective alors Card E = Card F .
Dmonstration.
1. Supposons f injective. Notons F 0 = f (E) F alors la restriction f| : E F 0 (dfinie par f| (x) = f (x))
est une bijection. Donc pour chaque y F 0 est associ un unique x E tel que y = f (x). Donc E et F 0
ont le mme nombre dlments. Donc Card F 0 = Card E. Or F 0 F , ainsi Card E = Card F 0 6 Card F .
2. Supposons f surjective. Pour tout lment y F , il existe au moins un lment x de E tel que y = f (x)
et donc Card E > Card F .
3. Cela dcoule de (1) et (2) (ou aussi de la preuve du (1)).

Proposition 4.
Soit E, F deux ensembles finis et f : E F une application. Si
Card E = Card F
alors les assertions suivantes sont quivalentes :
i. f est injective,
ii. f est surjective,
iii. f est bijective.
Dmonstration. Le schma de la preuve est le suivant : nous allons montrer successivement les implications :
(i) = (ii) = (iii) = (i)
ce qui prouvera bien toutes les quivalences.

ENSEMBLES ET APPLICATIONS

4. ENSEMBLES FINIS

22

(i) = (ii). Supposons f injective. Alors Card f (E) = Card E = Card F . Ainsi f (E) est un sous-ensemble
de F ayant le mme cardinal que F ; cela entrane f (E) = F et donc f est surjective.
(ii) = (iii). Supposons f surjective. Pour montrer que f est bijective, il reste montrer que f est
injective. Raisonnons par labsurde et supposons f non injective. Alors Card f (E) < Card E (car au
moins 2 lments ont la mme image). Or f (E) = F car f surjective, donc Card F < Card E. Cest une
contradiction, donc f doit tre injective et ainsi f est bijective.
(iii) = (i). Cest clair : une fonction bijective est en particulier injective.

Appliquez ceci pour montrer le principe des tiroirs :


Proposition 5.
Si lon range dans k tiroirs, n > k paires de chaussettes alors il existe (au moins) un tiroir contenant (au
moins) deux paires de chaussettes.
Malgr sa formulation amusante, cest une proposition souvent utile. Exemple : dans un amphi de 400
tudiants, il y a au moins deux tudiants ns le mme jour !

4.3. Nombres dapplications


Soient E, F des ensembles finis, non vides. On note Card E = n et Card F = p.
Proposition 6.
Le nombre dapplications diffrentes de E dans F est :
pn
Autrement dit cest (Card F )Card E .
Exemple 4.
En particulier le nombre dapplications de E dans lui-mme est nn . Par exemple si E = {1, 2, 3, 4, 5} alors ce
nombre est 55 = 3125.
Dmonstration. Fixons F et p = Card F . Nous allons effectuer une rcurrence sur n = Card E. Soit (Pn )
lassertion suivante : le nombre dapplications dun ensemble n lments vers un ensemble p lments
est p n .
Initialisation. Pour n = 1, une application de E dans F est dfinie par limage de lunique lment de E.
Il y a p = Card F choix possibles et donc p1 applications distinctes. Ainsi P1 est vraie.
Hrdit. Fixons n > 1 et supposons que Pn est vraie. Soit E un ensemble n + 1 lments. On choisit
et fixe a E ; soit alors E 0 = E \ {a} qui a bien n lments. Le nombre dapplications de E 0 vers F est
p n , par lhypothse de rcurrence (Pn ). Pour chaque application f : E 0 F on peut la prolonger en une
application f : E F en choisissant limage de a. On a p choix pour limage de a et donc p n p choix
pour les applications de E vers F . Ainsi Pn+1 est vrifie.
Conclusion. Par le principe de rcurrence Pn est vraie, pour tout n > 1.

Proposition 7.
Le nombre dinjections de E dans F est :
p (p 1) (p (n 1)).
Dmonstration. Supposons E = {a1 , a2 , . . . , an } ; pour limage de a1 nous avons p choix. Une fois ce choix
fait, pour limage de a2 il reste p 1 choix (car a2 ne doit pas avoir la mme image que a1 ). Pour limage

ENSEMBLES ET APPLICATIONS

4. ENSEMBLES FINIS

23

de a3 il y a p 2 possibilits. Ainsi de suite : pour limage de ak il y a p (k 1) choix... Il y a au final


p (p 1) (p (n 1)) applications injectives.
Notation factorielle : n! = 1 2 3 n. Avec 1! = 1 et par convention 0! = 1.
Proposition 8.
Le nombre de bijections dun ensemble E de cardinal n dans lui-mme est :
n!
Exemple 5.
Parmi les 3125 applications de {1, 2, 3, 4, 5} dans lui-mme il y en a 5! = 120 qui sont bijectives.
Dmonstration. Nous allons le prouver par rcurrence sur n. Soit (Pn ) lassertion suivante : le nombre de
bijections dun ensemble n lments dans un ensemble n lments est n!
P1 est vraie. Il ny a quune bijection dun ensemble 1 lment dans un ensemble 1 lment.
Fixons n > 1 et supposons que Pn est vraie. Soit E un ensemble n + 1 lments. On fixe a E.
Pour chaque b E il y a par lhypothse de rcurrence exactement n! applications bijectives de
E \ {a} E \ {b}. Chaque application se prolonge en une bijection de E F en posant a 7 b. Comme
il y a n + 1 choix de b E alors nous obtenons n! (n + 1) bijections de E dans lui-mme. Ainsi Pn+1 est
vraie.
Par le principe de rcurrence le nombre de bijections dun ensemble n lments est n!
On aurait aussi pu directement utiliser la proposition 7 avec n = p (sachant qualors les injections sont aussi
des bijections).

4.4. Nombres de sous-ensembles


Soit E un ensemble fini de cardinal n.
Proposition 9.
Il y a 2Card E sous-ensembles de E :
Card P (E) = 2n
Exemple 6.
Si E = {1, 2, 3, 4, 5} alors P (E) a 25 = 32 parties. Cest un bon exercice de les numrer :
lensemble vide : ,
5 singletons : {1}, {2}, . . .,
10 paires : {1, 2}, {1, 3}, . . . , {2, 3}, . . .,
10 triplets : {1, 2, 3}, . . .,
5 ensembles 4 lments : {1, 2, 3, 4}, {1, 2, 3, 5}, . . .,
et E tout entier : {1, 2, 3, 4, 5}.
Dmonstration. Encore une rcurrence sur n = Card E.
Si n = 1, E = {a} est un singleton, les deux sous-ensembles sont : et E.
Supposons que la proposition soit vraie pour n > 1 fix. Soit E un ensemble n + 1 lments. On fixe
a E. Il y a deux sortes de sous-ensembles de E :
les sous-ensembles A qui ne contiennent pas a : ce sont les sous-ensembles A E \{a}. Par lhypothse
de rcurrence il y en a 2n .
les sous-ensembles A qui contiennent a : ils sont de la forme A = {a} A0 avec A0 E \ {a}. Par
lhypothse de rcurrence il y a 2n sous-ensembles A0 possibles et donc aussi 2n sous-ensembles A.
Le bilan : 2n + 2n = 2n+1 parties A E.

ENSEMBLES ET APPLICATIONS

4. ENSEMBLES FINIS

24

Par le principe de rcurrence, nous avons prouv que si Card E = n alors on a Card P (E) = 2n .

4.5. Coefficients du binme de Newton


Dfinition 7.
Le nombre de parties k lments dun ensemble n lments est not
Exemple 7.
Les parties deux lments de {1, 2, 3} sont {1, 2}, {1, 3} et {2, 3} et donc
les parties de {1, 2, 3, 4, 5} par nombre dlments et donc

5
0 = 1 (la seule partie nayant aucun lment est lensemble vide),
5
1 = 5 (il y a 5 singletons),
5
2 = 10 (il y a 10 paires),
5
3 = 10,
5
4 = 5,
5
5 = 1 (la seule partie ayant 5 lments est lensemble tout entier).

n
k

3
2

ou Cnk .

= 3. Nous avons dj class

Sans calculs on peut dj remarquer les faits suivants :


Proposition 10.


n
n
0 = 1, 1 = n,

n
nk

n
0

n
1

n
k

n
n

= 1.

+ +

n
k

+ +

n
n

= 2n

Dmonstration.
1. Par exemple :

n
1

= n car il y a n singletons.

2. Compter le nombre de parties A E ayant k lments revient aussi compter le nombre de parties de la


n
n
forme A (qui ont donc n k lments), ainsi nk = k .




n
n
n
n
3. La formule 0 + 1 + + k + + n = 2n exprime que faire la somme du nombre de parties k
lments, pour k = 0, . . . , n, revient compter toutes les parties de E.

Proposition 11.

n
n1
n1
=
+
k
k
k1

(0 < k < n)

Dmonstration. Soit E un ensemble n lments, a E et E 0 = E \ {a}. Il y a deux sortes de parties A E


ayant k lments :
pas a : ce sont donc des parties k lments dans E 0 qui a n 1 lments. Il y
celles qui ne contiennent

n1
a en a donc k ,
celles qui contiennent a : elles sontde la forme A = {a} A0 avec A0 une partie k 1 lments dans E 0
n1
qui a n 1 lments. Il y en a k1 .



n
n1
n1
Bilan : k = k1 + k .

ENSEMBLES ET APPLICATIONS

4. ENSEMBLES FINIS

25



n
0
Le triangle de Pascal est un algorithme pour calculer ces coefficients k . La ligne du haut correspond 0 ,


 2

1
1
2
2
la ligne suivante 0 et 1 , la ligne daprs 0 , 1 et 2 .
 4

4
4
La dernire ligne du triangle de gauche aux coefficients 0 , 1 , . . . , 4 .
Comment continuer ce triangle pour obtenir le triangle de droite ? Chaque lment de la nouvelle ligne est
obtenu en ajoutant les deux nombres qui lui sont au-dessus droite et au-dessus gauche.
1
1
1

1
2

1
4

1
1
1
3

1
1

1
5

2
3

1
1

1
1
3
4

6
10

10

1
5

Ce qui fait que cela fonctionne cest bien sr la proposition 11 qui se reprsente ainsi :
n1
k1

n1
k

n
k

Une autre faon de calculer le coefficient du binme de Newton repose sur la formule suivante :
Proposition 12.


n
n!
=
k
k!(n k)!
Dmonstration. Cela se fait par rcurrence sur n. Cest clair pour n = 1. Si cest vrai au rang n 1 alors





n
n1
n1
n1
n1
crivons k = k1 + k et utilisons lhypothse de rcurrence pour k1 et k . Ainsi

n
n1
n1
(n 1)!
(n 1)!
+
=
+
=
k
k1
k
(k 1)!(n 1 (k 1))! k!(n 1 k)!

1
1
n
(n 1)!
(n 1)!
=

+
=

(k 1)!(n k 1)!
nk k
(k 1)!(n k 1)! k(n k)
n!
=
k!(n k)!

4.6. Formule du binme de Newton


Thorme 1.
Soient a, b R et n un entier positif alors :
n

(a + b) =

n
X
n
k=0

a nk b k

ENSEMBLES ET APPLICATIONS

4. ENSEMBLES FINIS

26

Autrement dit :
(a + b)n =





n n 0
n n1 1
n nk k
n 0 n
a b +
a
b + +
a
b + +
a b
0
1
k
n

Le thorme est aussi vrai si a et b sont des nombres complexes.


Exemple 8.
1. Pour n = 2 on retrouve la formule archi-connue : (a + b)2 = a2 + 2a b + b2 .
2. Il est aussi bon de connatre (a + b)3 = a3 + 3a2 b + 3a b2 + b3 .

Pn
n
3. Si a = 1 et b = 1 on retrouve la formule : k=0 k = 2n .
Dmonstration. Nous allons effectuer une rcurrence sur n. Soit (Pn ) lassertion : (a + b)n =
bk .


1
1
Initialisation. Pour n = 1, (a + b)1 = 0 a1 b0 + 1 a0 b1 . Ainsi P1 est vraie.
Hrdit. Fixons n > 2 et supposons que Pn1 est vraie.

Pn

n
k=0 k

a nk

(a + b)n = (a + b) (a + b)n1

n 1 n1k k
= a a n1 + +
a
b + + b n1
k

n 1 n1(k1) k1
+b a n1 + +
a
b
+ + b n1
k1

n1
n1
= +
+
a nk b k +
k
k1

n nk k
= +
a
b +
k
n
X
n nk k
=
a
b
k
k=0
Ainsi Pn+1 est vrifie.
Conclusion. Par le principe de rcurrence Pn est vraie, pour tout n > 1.

Mini-exercices.
1. Combien y a-t-il dapplications injectives dun ensemble n lments dans un ensemble n + 1
lments ?
2. Combien y a-t-il dapplications surjectives dun ensemble n + 1 lments dans un ensemble n
lments ?
3. Calculer le nombre de faons de choisir 5 cartes dans un jeux de 32 cartes.
4. Calculer le nombre de listes k lments dans un ensemble n lments (les listes sont ordonnes :
par exemple (1, 2, 3) 6= (1, 3, 2)).
5. Dvelopper (a b)4 , (a + b)5 .
6. Que donne la formule du binme pour a = 1, b = +1 ? En dduire que dans un ensemble n
lments il y a autant de parties de cardinal pair que de cardinal impair.

ENSEMBLES ET APPLICATIONS

5. RELATION DQUIVALENCE

27

5. Relation dquivalence
5.1. Dfinition
Une relation sur un ensemble E, cest la donne pour tout couple (x, y) E E de Vrai (sils sont en
relation), ou de Faux sinon.
Nous schmatisons une relation ainsi : les lments de E sont des points, une flche de x vers y signifie que
x est en relation avec y, cest--dire que lon associe Vrai au couple (x, y).

Dfinition 8.
Soit E un ensemble et R une relation, cest une relation dquivalence si :
x E, xR x, (rflexivit)
x

x, y E, xR y = yR x,

(symtrie)
y

x, y, z E, xR y et yRz = xRz,

(transitivit)
y
z
x

Exemple de relation dquivalence :

5.2. Exemples
Exemple 9.
Voici des exemples basiques.
1. La relation R tre parallle est une relation dquivalence pour lensemble E des droites affines du
plan :
rflexivit : une droite est parallle elle-mme,
symtrie : si D est parallle D0 alors D0 est parallle D,
transitivit : si D parallle D0 et D0 parallle D00 alors D est parallle D00 .
2. La relation tre du mme ge est une relation dquivalence.
3. La relation tre perpendiculaire nest pas une relation dquivalence (ni la rflexivit, ni la transitivit
ne sont vrifies).
4. La relation 6 (sur E = R par exemple) nest pas une relation dquivalence (la symtrie nest pas vrifie).

ENSEMBLES ET APPLICATIONS

5. RELATION DQUIVALENCE

28

5.3. Classes dquivalence


Dfinition 9.
Soit R une relation dquivalence sur un ensemble E. Soit x E, la classe dquivalence de x est


cl(x) = y E | yR x

x0

cl(x)
x

cl(x 0 )

cl(x) est donc un sous-ensemble de E, on le note aussi x. Si y cl(x), on dit que y un reprsentant de
cl(x).
Soit E un ensemble et R une relation dquivalence.
Proposition 13.
On a les proprits suivantes :
1. cl(x) = cl( y) xR y.
2. Pour tout x, y E, cl(x) = cl( y) ou cl(x) cl( y) = .


3. Soit C un ensemble de reprsentants de toutes les classes alors cl(x) | x C constitue une partition de
E.
S
Une partition de E est un ensemble {Ei } de parties de E tel que E = i Ei et Ei E j = (si i 6= j).
E

...

E2
E1

Ei
Ej

...
...

Exemples :
1. Pour la relation tre du mme ge , la classe dquivalence dune personne est lensemble des personnes
ayant le mme ge. Il y a donc une classe dquivalence forme des personnes de 19 ans, une autre
forme des personnes de 20 ans,... Les trois assertions de la proposition se lisent ainsi :
On est dans la mme classe dquivalence si et seulement si on est du mme ge.
Deux personnes appartiennent soit la mme classe, soit des classes disjointes.
Si on choisit une personne de chaque ge possible, cela forme un ensemble de reprsentants C.
Maintenant une personne quelconque appartient une et une seule classe dun des reprsentants.
2. Pour la relation tre parallle , la classe dquivalence dune droite est lensemble des droites parallles
cette droite. chaque classe dquivalence correspond une et une seule direction.
Voici un exemple que vous connaissez depuis longtemps :

ENSEMBLES ET APPLICATIONS

5. RELATION DQUIVALENCE

29

Exemple 10.
Dfinissons sur E = Z N la relation R par
(p, q)R(p0 , q0 ) pq0 = p0 q.
Tout dabord R est une relation dquivalence :
R est rflexive : pour tout (p, q) on a bien pq = pq et donc (p, q)R(p, q).
R est symtrique : pour tout (p, q), (p0 , q0 ) tels que (p, q)R(p0 , q0 ) on a donc pq0 = p0 q et donc p0 q = pq0
do (p0 , q0 )R(p, q).
R est transitive : pour tout (p, q), (p0 , q0 ), (p00 , q00 ) tels que (p, q)R(p0 , q0 ) et (p0 , q0 )R(p00 , q00 ) on a donc
pq0 = p0 q et p0 q00 = p00 q0 . Alors (pq0 )q00 = (p0 q)q00 = q(p0 q00 ) = q(p00 q0 ). En divisant par q0 6= 0 on obtient
pq00 = qp00 et donc (p, q)R(p00 , q00 ).
p
Nous allons noter q = cl(p, q) la classe dquivalence dun lment (p, q) Z N . Par exemple, comme
(2, 3)R(4, 6) (car 2 6 = 3 4) alors les classes de (2, 3) et (4, 6) sont gales : avec notre notation cela
scrit : 23 = 64 .
Cest ainsi que lon dfinit les rationnels : lensemble Q des rationnels est lensemble de classes dquivalence
de la relation R.
Les nombres 23 = 46 sont bien gaux (ce sont les mmes classes) mais les critures sont diffrentes (les
reprsentants sont distincts).

5.4. Lensemble Z/nZ


Soit n > 2 un entier fix. Dfinissons la relation suivante sur lensemble E = Z :
a b (mod n)

a b est un multiple de n

Exemples pour n = 7 : 10 3 (mod 7), 19 5 (mod 7), 77 0 (mod 7), 1 20 (mod 7).
Cette relation est bien une relation dquivalence :
Pour tout a Z, a a = 0 = 0 n est un multiple de n donc a a (mod n).
Pour a, b Z tels que a b (mod n) alors a b est un multiple de n, autrement dit il existe k Z tel
que a b = kn et donc b a = (k)n et ainsi b a (mod n).
Si a b (mod n) et b c (mod n) alors il existe k, k0 Z tels que a b = kn et b c = k0 n. Alors
a c = (a b) + (b c) = (k + k0 )n et donc a c (mod n).
La classe dquivalence de a Z est note a. Par dfinition nous avons donc


a = cl(a) = b Z | b a (mod n) .
Comme un tel b scrit b = a + kn pour un certain k Z alors cest aussi exactement


a = a + nZ = a + kn | k Z .
Comme n 0 (mod n), n + 1 1 (mod n), . . . alors
n = 0,

n + 1 = 1,

n + 2 = 2, . . .

et donc lensemble des classes dquivalence est lensemble




Z/nZ = 0, 1, 2, . . . , n 1
qui contient exactement n lments.
Par exemple, pour n = 7 :
0 = {. . . , 14, 7, 0, 7, 14, 21, . . .} = 7Z
1 = {. . . , 13, 6, 1, 8, 15, . . .} = 1 + 7Z
...

ENSEMBLES ET APPLICATIONS

5. RELATION DQUIVALENCE

30

6 = {. . . , 8, 1, 6, 13, 20, . . .} = 6 + 7Z


Mais ensuite 7 = {. . . 7, 0, 7, 14, 21, . . .} = 0 = 7Z. Ainsi Z/7Z = 0, 1, 2, . . . , 6 possde 7 lments.
Remarque.
Dans beaucoup de situations de la vie courante, nous raisonnons avec les modulos. Par exemple pour lheure :
les minutes et les secondes sont modulo 60 (aprs 59 minutes on repart zro), les heures modulo 24 (ou
modulo 12 sur le cadran aiguilles). Les jours de la semaine sont modulo 7, les mois modulo 12,...
Mini-exercices.
1. Montrer que la relation dfinie sur N par xR y
quil y a 3 classes dquivalence.

2x+ y
3

N est une relation dquivalence. Montrer

2. Dans R2 montrer que la relation dfinie par (x, y)R(x 0 , y 0 ) x + y 0 = x 0 + y est une relation
dquivalence. Montrer que deux points (x, y) et (x 0 , y 0 ) sont dans une mme classe si et seulement
sils appartiennent une mme droite dont vous dterminerez la direction.
3. On dfinit une addition sur Z/nZ par p +q = p + q. Calculer la table daddition dans Z/6Z (cest--dire
toutes les sommes p + q pour p, q Z/6Z). Mme chose avec la multiplication p q = p q. Mmes
questions avec Z/5Z, puis Z/8Z.

Auteurs du chapitre Arnaud Bodin, Benjamin Boutin, Pascal Romon

Chapitre

Nombres complexes

Vido partie 1. Les nombres complexes, dfinitions et oprations


Vido partie 2. Racines carres, quation du second degr
Vido partie 3. Argument et trigonomtrie
Vido partie 4. Nombres complexes et gomtrie
Fiche d'exercices Nombres complexes

Prambule
Lquation x + 5 = 2 a ses coefficients dans N mais pourtant sa solution x = 3 nest pas un entier naturel.
Il faut ici considrer lensemble plus grand Z des entiers relatifs.
x+5=2

2x=3

x 2 = 12

p
x 2 = 2

N , Z , Q , R , C
De mme lquation 2x = 3 a ses coefficients dans Z mais sa solution x = 23 est dans lensemble plus grand
p
des rationnels Q. Continuons ainsi, lquation x 2 = 12 coefficients dans Q, a ses solutions x 1 = +1/ 2
p
p
et x 2 = 1/ 2 dans
rels R. Ensuite lquation x 2 = 2 ses coefficients dans R et ses
pplensemble des
pp
solutions x 1 = + i
2 et x 2 = i
2 dans lensemble des nombres complexes C. Ce processus est-il sans
fin ? Non ! Les nombres complexes sont en quelque sorte le bout de la chane car nous avons le thorme
de dAlembert-Gauss suivant : Pour nimporte quelle quation polynomiale an x n + an1 x n1 + + a2 x 2 +
a1 x + a0 = 0 o les coefficients ai sont des complexes (ou bien des rels), alors les solutions x 1 , . . . , x n sont dans
lensemble des nombres complexes .

Outre la rsolution dquations, les nombres complexes sappliquent la trigonomtrie, la gomtrie


(comme nous le verrons dans ce chapitre) mais aussi llectronique, la mcanique quantique, etc.

1. Les nombres complexes


1.1. Dfinition
Dfinition 1.
Un nombre complexe est un couple (a, b) R2 que lon notera a + i b

NOMBRES COMPLEXES

1. LES NOMBRES COMPLEXES

32

iR

a+ib

b
i

Cela revient identifier 1 avec le vecteur (1, 0) de R2 , et i avec le vecteur (0, 1). On note C lensemble des
nombres complexes. Si b = 0, alors z = a est situ sur laxe des abscisses, que lon identifie R. Dans ce
cas on dira que z est rel, et R apparat comme un sous-ensemble de C, appel axe rel. Si b =
6 0, z est dit
imaginaire et si b 6= 0 et a = 0, z est dit imaginaire pur.

1.2. Oprations
Si z = a + i b et z 0 = a0 + i b0 sont deux nombres complexes, alors on dfinit les oprations suivantes :
addition : (a + i b) + (a0 + i b0 ) = (a + a0 ) + i(b + b0 )
iR

z + z0
z0

multiplication : (a + i b) (a0 + i b0 ) = (aa0 b b0 ) + i(a b0 + ba0 ). On dveloppe en suivant les rgles de


la multiplication usuelle avec la convention suivante :
i2 = 1

1.3. Partie relle et imaginaire


Soit z = a + i b un nombre complexe, sa partie relle est le rel a et on la note Re(z) ; sa partie imaginaire
est le rel b et on la note Im(z).
iR

i Im(z)

Im(z)

Re(z)
Re(z)

NOMBRES COMPLEXES

1. LES NOMBRES COMPLEXES

33

Par identification de C R2 , lcriture z = Re(z) + i Im(z) est unique :

0
Re(z) = Re(z )
0
et
z=z

Im(z) = Im(z 0 )
En particulier un nombre complexe est rel si et seulement si sa partie imaginaire est nulle. Un nombre
complexe est nul si et et seulement si sa partie relle et sa partie imaginaire sont nuls.

1.4. Calculs
Quelques dfinitions et calculs sur les nombres complexes.
z

i
0
1
z

L oppos de z = a + i b est z = (a) + i(b) = a i b.


La multiplication par un scalaire R : z = (a) + i(b).
L inverse : si z 6= 0, il existe un unique z 0 C tel que zz 0 = 1 (o 1 = 1 + i 0).
Pour la preuve et le calcul on crit z = a + i b puis on cherche z 0 = a0 + i b0 tel que zz 0 = 1. Autrement
dit (a + i b)(a0 + i b0 ) = 1. En dveloppant et identifiant les parties relles et imaginaires on obtient les
quations

aa0 b b0 = 1 (L1 )
a b0 + ba0 = 0 (L2 )
En crivant a L1 + b L2 (on multiplie la ligne (L1 ) par a, la ligne (L2 ) par b et on additionne) et b L1 +a L2
on en dduit

 0 2
 0
a
a = a2 +b
a a + b2 = a
2

donc
b
0
2
2
0
b a + b = b
b = a2 +b
2
Linverse de z, not 1z , est donc

a
b
aib
1
= 2
+i 2
= 2
.
z
a + b2
a + b2
a + b2
z
1
La division : z 0 est le nombre complexe z z 0 .
Proprit dintgrit : si zz 0 = 0 alors z = 0 ou z 0 = 0.
Puissances : z 2 = z z, z n = z z (n fois, n N). Par convention z 0 = 1 et z n =
z0 =


1 n
z

1
zn .

Proposition 1.
Pour tout z C diffrent de 1
1 + z + z2 + + z n =

1 z n+1
.
1z

La preuve est simple : notons S = 1 + z + z 2 + + z n , alors en dveloppant S (1 z) presque tous les


termes se tlescopent et lon trouve S (1 z) = 1 z n+1 .

NOMBRES COMPLEXES

1. LES NOMBRES COMPLEXES

34

Remarque.
Il ny pas dordre naturel sur C, il ne faut donc jamais crire z 0 ou z z 0 .

1.5. Conjugu, module


Le conjugu de z = a + i b est z = a i b, autrement dit Re(
z ) = Re(z) et Im(
z ) = Im(z). Le point z est le
symtrique du point z par rapport laxe rel.
p
Le module de z = a + i b est le rel positif |z| = a2 + b2 . Comme z z = (a + i b)(a i b) = a2 + b2 alors
p
le module vaut aussi |z| = z
z.

z = a+ib

z
i
|z|

0
1
z

Quelques formules :

z + z 0 = z + z 0 , z = z, zz 0 = zz 0
z = z z R

|z|2 = z z, |
z | = |z|, zz 0 = |z||z 0 |
|z| = 0 z = 0
Proposition 2 (Lingalit triangulaire).




z + z 0 |z| + z 0

z + z0
z0
0

|z + z 0 |

|z |

z
|z|

Avant de faire la preuve voici deux remarques utiles. Soit z = a + i b C avec a, b R :


p
| Re(z)| 6 |z| (et aussi | Im(z)| 6 |z|). Cela vient du fait que |a| 6 a2 + b2 . Noter que pour un rel |a|
est la fois le module et la valeur absolue.
z + z = 2 Re(z) et z z = 2 i Im(z). Preuve : z + z = (a + i b) + (a i b) = 2a = 2 Re(z).

NOMBRES COMPLEXES

1. LES NOMBRES COMPLEXES

35

Dmonstration. Pour la preuve on calcule |z + z 0 |2 :


|z + z 0 |2


z + z 0 (z + z 0 )

= z
z + z 0 z 0 + zz 0 + z 0 z
= |z|2 + |z 0 |2 + 2 Re(z 0 z)

6 |z|2 + |z 0 |2 + 2|z 0 z|
6 |z|2 + |z 0 |2 + 2|zz 0 |
6 (|z| + |z 0 |)2

Exemple 1.
Dans un paralllogramme, la somme des carrs des diagonales gale la somme des carrs des cts.
Si les longueurs des cts sont notes L et ` et les longueurs des diagonales sont D et d alors il sagit de
montrer lgalit
D2 + d 2 = 2`2 + 2L 2 .
z + z0
0

|z|

|z z |
L

z0

|z 0 |

|z + z |
0

d
`

|z 0 |

D
|z|
L

Dmonstration. Cela devient simple si lon considre que notre paralllogramme a pour sommets 0, z, z 0
et le dernier sommet est donc z + z 0 . La longueur du grand ct est ici |z|, celle du petit ct est |z 0 |. La
longueur de la grande diagonale est |z + z 0 |. Enfin il faut se convaincre que la longueur de la petite diagonale
est |z z 0 |.

2
2
D2 + d 2 = z + z 0 + z z 0 =



z + z 0 (z + z 0 ) + z z 0 (z z 0 )

= z
z + zz 0 + z 0 z + z 0 z 0 + z
z zz 0 z 0 z + z 0 z 0
2
= 2z
z + 2z 0 z 0 = 2 |z|2 + 2 z 0
= 2`2 + 2L 2

Mini-exercices.
i
1. Calculer 1 2 i + 12
i.

2. crire sous la forme a + i b les nombres complexes (1 + i)2 , (1 + i)3 , (1 + i)4 , (1 + i)8 .
3. En dduire 1 + (1 + i) + (1 + i)2 + + (1 + i)7 .
4. Soit z C tel que |1 + i z| = |1 i z|, montrer que z R.
5. Montrer que si | Re z| 6 | Re z 0 | et | Im z| 6 | Im z 0 | alors |z| 6 |z 0 |, mais que la rciproque est fausse.
6. Montrer que 1/
z = z/ |z|2 (pour z 6= 0).

NOMBRES COMPLEXES

2. RACINES CARRES, QUATION DU SECOND DEGR

36

2. Racines carres, quation du second degr


2.1. Racines carres dun nombre complexe
Pour z C, une racine carre est un nombre complexe tel que 2 = z.
p
p
Par exemple si x R+ , on connat deux racines carres : x, x. Autre exemple : les racines carres de
1 sont i et i.
Proposition 3.
Soit z un nombre complexe, alors z admet deux racines carres, et .
Attention ! Contrairement au cas rel, il ny a pas de faon privilgie de choisir une racine plutt que lautre,
donc pas de fonction racine. On ne dira donc jamais soit la racine de z .
Si z 6= 0 ces deux racines carres sont distinctes. Si z = 0 alors = 0 est une racine double.
Pour z = a + i b nous allons calculer et en fonction de a et b.
Dmonstration. Nous crivons = x + i y, nous cherchons x, y tels que 2 = z.
2 = z

(x + i y)2 = a + i b
 2
x y2 = a
en identifiant parties

2x y = b
et parties imaginaires.

Petite astuce
ici : nous rajoutons lquation ||2 = |z| (qui se dduit bien sr de 2 = z) qui scrit aussi
p
x 2 + y 2 = a2 + b2 . Nous obtenons des systmes quivalents aux prcdents :

pp

p
1
2
2
2
2
2

x y =a
x = p2 p a + b + a
2x = pa2 + b2 + a
p
2
2
2
1
2x y = b
2 y = a + b a

y = p2
a2 + b2 a
p

x + y 2 = a2 + b2
2x y = b
2x y = b

Discutons suivant le signe du rel b. Si b 0, x et y sont de mme signe ou nuls (car 2x y = b > 0) donc
qp

qp
1
2
2
2
2
= p
a + b +a+i
a +b a ,
2
et si b 0
qp

qp
1
2
2
2
2
= p
a + b +ai
a +b a .
2
p
p
En particulier si b = 0 le rsultat dpend du signe de a, si a 0, a2 = a et par consquent = a,
p
p
p
tandis que si a < 0, a2 = a et donc = i a = i |a|.
Il nest pas ncessaire dapprendre ces formules mais il est indispensable de savoir refaire les calculs.
Exemple 2.
p
p
Les racines carres de i sont + 22 (1 + i) et 22 (1 + i).
En effet :
2 = i (x + i y)2 = i
 2
x y2 = 0

2x y = 1
Rajoutons la conditions ||2 = | i | pour obtenir le systme quivalent au prcdent :
2

1
2
2
x y =0
2x = 1
x = p2
2x y = 1
2 y 2 = 1
y = p12

x + y2 = 1
2x y = 1
2x y = 1
Les rels x et y sont donc de mme signe, nous trouvons bien deux solutions :
1
1
1
1
x +i y = p +i p
ou x + i y = p i p
2
2
2
2

NOMBRES COMPLEXES

2. RACINES CARRES, QUATION DU SECOND DEGR

37

2.2. quation du second degr


Proposition 4.
Lquation du second degr az 2 + bz + c = 0, o a, b, c C et a 6= 0, possde deux solutions z1 , z2 C
ventuellement confondues.
Soit = b2 4ac le discriminant et C une racine carre de . Alors les solutions sont
z1 =

b +
2a

et

z2 =

b
.
2a

Et si = 0 alors la solution z = z1 = z2 = b/2a est unique (elle est dite double). Si on sautorisait crire
p
= , on obtiendrait la mme formule que celle que vous connaissez lorsque a, b, c sont rels.
Exemple 3.

p
p
1 i 3
.
z + z + 1 = 0, = 3, = i 3, les solutions sont z =
2
p
2
p
1

2 (1 + i)
2
1i
= 21
z 2 + z + 4 = 0, = i, = 2 (1 + i), les solutions sont z =
2
On retrouve aussi le rsultat bien connu pour le cas des quations coefficients rels :
2

2
4 (1 + i).

Corollaire 1.
Si les coefficients a, b, c sont rels alors R et les solutions sont de trois types :
b
si = 0, la racine double est relle et vaut ,
2a
p
b
,
si > 0, on a deux solutions relles
2a
p
b i
.
si < 0, on a deux solutions complexes, mais non relles,
2a

Dmonstration. On crit la factorisation





b
c
b 2
b2
c
2
2
az + bz + c = a z + z +
=a z+
2+
a
a
2a
4a
a




2
2
b

b
2
2 =a z+
2
= a z+
2a
4a
2a
4a

= a z+

z+
+
2a
2a
2a
2a

b +
b
= a z
z
= a (z z1 ) (z z2 )
2a
2a
Donc le binme sannule si et seulement si z = z1 ou z = z2 .

2.3. Thorme fondamental de lalgbre


Thorme 1 (dAlembertGauss).
Soit P(z) = an z n + an1 z n1 + + a1 z + a0 un polynme coefficients complexes et de degr n. Alors
lquation P(z) = 0 admet exactement n solutions complexes comptes avec leur multiplicit.
En dautres termes il existe des nombres complexes z1 , . . . , zn (dont certains sont ventuellement confondus)
tels que
P(z) = an (z z1 ) (z z2 ) (z zn ) .
Nous admettons ce thorme.

NOMBRES COMPLEXES

3. ARGUMENT ET TRIGONOMTRIE

38

Mini-exercices.
1. Calculer les racines carres de i, 3 4 i.
2. Rsoudre les quations : z 2 + z 1 = 0, 2z 2 + (10 10 i)z + 24 10 i = 0.
p
p
p
p
3. Rsoudre lquation z 2 + (i 2)z i 2, puis lquation Z 4 + (i 2)Z 2 i 2.
4. Montrer que si P(z) = z 2 + bz + c possde pour racines z1 , z2 C alors z1 + z2 = b et z1 z2 = c.
5. Trouver les paires de nombres dont la somme vaut i et le produit 1.
6. Soit P(z) = an z n + an1 z n1 + + a0 avec ai R pour tout i. Montrer que si z est racine de P alors z
aussi.

3. Argument et trigonomtrie
3.1. Argument
Si z = x + i y est de module 1, alors x 2 + y 2 = |z|2 = 1. Par consquent le point (x, y) est sur le cercle unit
du plan, et son abscisse x est note cos , son ordonne y est sin , o est (une mesure de) langle entre
laxe rel et z. Plus gnralement, si z 6= 0, z/|z| est de module 1, et cela amne :
Dfinition 2.
Pour tout z C = C \ {0}, un nombre R tel que z = |z| (cos + i sin ) est appel un argument de
z et not = arg(z).

iR
z
|z|

arg(z)
0

Cet argument est dfini modulo 2. On peut imposer cet argument dtre unique si on rajoute la condition
] , +].
Remarque.

(mod 2)

k Z, = + 2k

Proposition 5.
Largument satisfait les proprits suivantes :


arg zz 0 arg(z) + arg z 0 (mod 2)
arg (z n ) n arg(z) (mod 2)
arg (1/z) arg(z) (mod 2)
z ) arg z (mod 2)
arg(

cos = cos 0
sin = sin 0

NOMBRES COMPLEXES

3. ARGUMENT ET TRIGONOMTRIE

39

Dmonstration.


zz 0 = |z| (cos + i sin ) z 0 cos 0 + i sin 0


= zz 0 cos cos 0 sin sin 0 + i cos sin 0 + sin cos 0



= zz 0 cos + 0 + i sin + 0


donc arg zz 0 arg(z) + arg z 0 (mod 2). On en dduit les deux autres proprits, dont la deuxime par
rcurrence.

3.2. Formule de Moivre, notation exponentielle


La formule de Moivre est :
(cos + i sin )n = cos (n ) + i sin (n )
Dmonstration. Par rcurrence, on montre que
(cos + i sin )n = (cos + i sin )n1 (cos + i sin )
= (cos ((n 1) ) + i sin ((n 1) )) (cos + i sin )
= (cos ((n 1) ) cos sin ((n 1) ) sin )
+ i (cos ((n 1) ) sin + sin ((n 1) ) cos )
= cos n + i sin n

Nous dfinissons la notation exponentielle par


ei = cos + i sin
et donc tout nombre complexe scrit
z = ei
o = |z| est le module et = arg(z) est un argument.
Avec la notation exponentielle, on peut crire pour z = ei et z 0 = 0 ei
0
0
0
zz = 0 ei ei = 0 ei( + )

n
n
n
z = ei = n ei = n ei n

1/z = 1/ ei = 1 e i

z = e i
La formule de Moivre se rduit lgalit :

ei

n

= ei n .

Et nous avons aussi : ei = 0 ei (avec , 0 > 0) si et seulement si = 0 et 0 (mod 2).

3.3. Racines n-ime


Dfinition 3.
Pour z C et n N, une racine n-ime est un nombre C tel que n = z.

NOMBRES COMPLEXES

3. ARGUMENT ET TRIGONOMTRIE

40

Proposition 6.
Il y a n racines n-imes 0 , 1 , . . . , n1 de z = ei , ce sont :
k = 1/n e

i +2 i k
n

k = 0, 1, . . . , n 1

n
Dmonstration. crivons z = ei et cherchons sous la forme = r ei t tel
obtenons
que z = . Nous


n
i
n i nt
i
n
it
n i nt


donc e = = r e
= r e . Prenons tout dabord le module : = e = r e
= r n et donc
1/n
i nt
i
r =
(il sagit ici de nombres rels). Pour les arguments nous avons e = e et donc nt (mod 2)
(noubliez surtout pas le modulo 2 !). Ainsi on rsout nt = + 2k (pour k Z) et donc t = n + 2k
n . Les
i +2 i k

solutions de lquation n = z sont donc les k = 1/n e n . Mais en fait il ny a que n solutions distinctes
car n = 0 , n+1 = 1 , . . . Ainsi les n solutions sont 0 , 1 , . . . , n1 .

Par exemple pour z = 1, on obtient les n racines n-imes de lunit e2 i k/n , k = 0, . . . , n 1 qui forment un
groupe multiplicatif.
j = e2 i /3

ei /3

1 = ei

1 = e0

j 2 = e4 i /3

e i /3

Racine 3-ime de lunit (z = 1, n = 3)

Racine 3-ime de 1 (z = 1, n = 3)

Les racines 5-ime de lunit (z = 1, n = 5) forment un pentagone rgulier :


e2 i /5

i
e4 i /5

e6 i /5
e8 i /5

3.4. Applications la trigonomtrie


Voici les formules dEuler, pour R :
cos =

ei + e i
2

sin =

ei e i
2i

NOMBRES COMPLEXES

3. ARGUMENT ET TRIGONOMTRIE

41

Ces formules sobtiennent facilement en utilisant la dfinition de la notation exponentielle. Nous les
appliquons dans la suite deux problmes : le dveloppement et la linarisation.
Dveloppement. On exprime sin n ou cos n en fonction des puissances de cos et sin .
Mthode : on utilise la formule de Moivre pour crire cos (n ) + i sin (n ) = (cos + i sin )n que lon
dveloppe avec la formule du binme de Newton.
Exemple 4.
= (cos + i sin )3

cos 3 + i sin 3

= cos3 + 3 i cos2 sin 3 cos sin2 i sin3




= cos3 3 cos sin2 + i 3 cos2 sin sin3
En identifiant les parties relles et imaginaires, on dduit que
cos 3 = cos3 3 cos sin2

et

sin 3 = 3 cos2 sin sin3 .

Linarisation. On exprime cosn ou sinn en fonction des cos k et sin k pour k allant de 0 n.
i i n
Mthode : avec la formule dEuler on crit sinn = e e
. On dveloppe laide du binme de Newton
2i
puis on regroupe les termes par paires conjugues.
Exemple 5.

sin

=
=
=
=
=

3
ei e i
2i

1
(ei )3 3(ei )2 e i + 3ei (e i )2 (e i )3
8 i

1
e3 i 3ei + 3e i e3 i
8 i

1 e3 i e3 i
ei e i

3
4
2i
2i
sin 3 3 sin

+
4
4


Mini-exercices.
1. Mettre les nombres suivants sont la forme module-argument (avec la notation exponentielle) : 1, i,
p
p
p
1
1, i, 3 i, 1 + i, 3 i, 3 i, p3i
, ( 3 i)20x x o 20x x est lanne en cours.
2. Calculer les racines 5-ime de i.
3. Calculer les racines carres de

sin 12
.

p
3
2

i
2

de deux faons diffrentes. En dduire les valeurs de cos 12


et

4. Donner sans calcul la valeur de 0 + 1 + + n1 , o les i sont les racines n-ime de 1.


5. Dvelopper cos(4 ) ; linariser cos4 ; calculer une primitive de 7 cos4 .

NOMBRES COMPLEXES

4. NOMBRES COMPLEXES ET GOMTRIE

42

4. Nombres complexes et gomtrie


On associe bijectivement tout point M du plan affine R2 de coordonnes (x, y), le nombre complexe
z = x + i y appel son affixe.

4.1. quation complexe dune droite


Soit
ax + b y = c
lquation relle dune droite D : a, b, c sont des nombres rels (a et b ntant pas tous les deux nuls)
dinconnues (x, y) R2 .
crivons z = x + i y C, alors
z + z
z z
x=
, y=
,
2
2i
donc D a aussi pour quation a(z + z) i b(z z) = 2c ou encore (a i b)z + (a + i b)
z = 2c. Posons

= a + i b C et k = 2c R alors lquation complexe dune droite est :


+
z
z=k
o C et k R.

C
r

4.2. quation complexe dun cercle


Soit C (, r) le cercle de centre et de rayon r. Cest lensemble des points M tel que dist(, M ) = r. Si
lon note laffixe de et z laffixe de M . Nous obtenons :
dist(, M ) = r |z | = r |z |2 = r 2 (z )(z ) = r 2
et en dveloppant nous trouvons que lquation complexe du cercle centr en un point daffixe et de
rayon r est :

z
z z
z = r 2 ||2
o C et r R.

4.3. quation

|za|
|zb|

=k

Proposition 7.
Soit A, B deux points du plan et k R+ . Lensemble des points M tel que
une droite qui est la mdiatrice de [AB], si k = 1,
un cercle, sinon.

MA
MB

= k est

NOMBRES COMPLEXES

4. NOMBRES COMPLEXES ET GOMTRIE

43

Exemple 6.
Prenons A le point daffixe +1,B le point daffixe 1. Voici les figures pour plusieurs valeurs de k.
Par exemple pour k = 2 le point M dessin vrifie bien M A = 2M B.

A
k=

k=3

k=

k=2
k=

1
3

4
3

k=1

k=

1
2

3
4

Dmonstration. Si les affixes de A, B, M sont respectivement a, b, z, cela revient rsoudre lquation


|za|
|zb| = k.
|z a|
= k |z a|2 = k2 |z b|2
|z b|
(z a)(z a) = k2 (z b)(z b)
(1 k2 )z
z z(
a k2 b) z(a k2 b) + |a|2 k2 |b|2 = 0
+ z = |a|2 k2 |b|2 est bien celle dune
Donc si k = 1, on pose = a k2 b et lquation obtenue z
droite. Et bien sr lensemble des points qui vrifient M A = M B est la mdiatrice de [AB]. Si k =
6 1 on pose
|a|2 +k2 |b|2
ak2 b
z =
= 1k2 alors lquation obtenue est z
z z
. Cest lquation dun cercle de centre
1k2
et de rayon r satisfaisant r 2 ||2 =

|a|2 +k2 |b|2


,
1k2

soit r 2 =

|ak2 b|2
(1k2 )2

|a|2 +k2 |b|2


.
1k2

Ces calculs se refont au cas par cas, il nest pas ncessaire dapprendre les formules.
Mini-exercices.
1. Calculer lquation complexe de la droite passant par 1 et i.
2. Calculer lquation complexe du cercle de centre 1 + 2 i passant par i.
|z i |
3. Calculer lquation complexe des solutions de
= 1, puis dessiner les solutions.
|z 1|
|z i |
4. Mme question avec
= 2.
|z 1|

Auteurs du chapitre Arnaud Bodin, Benjamin Boutin, Pascal Romon

Chapitre

Arithmtique
Vido
Vido
Vido
Vido
Fiche

partie 1. Division euclidienne et pgcd


partie 2. Thorme de Bzout
partie 3. Nombres premiers
partie 4. Congruences

d'exercices Arithmtique dans Z

Prambule
Une motivation : larithmtique est au cur du cryptage des communication. Pour crypter un message on
commence par le transformer en un ou plusieurs nombres. Le processus de codage et dcodage fait appel
plusieurs notions de ce chapitre :
On choisit deux nombres premiers p et q que lon garde secrets et on pose n = p q. Le principe tant
que mme connaissant n il est trs difficile de retrouver p et q (qui sont des nombres ayant des centaines
de chiffres).
La cl secrte et la cl publique se calculent laide de lalgorithme dEuclide et des coefficients de
Bzout.
Les calculs de cryptage se feront modulo n.
Le dcodage fonctionne grce une variante du petit thorme de Fermat.

1. Division euclidienne et pgcd


1.1. Divisibilit et division euclidienne
Dfinition 1.
Soient a, b Z. On dit que b divise a et on note b|a sil existe q Z tel que
a = bq.
Exemple 1.
7|21 ; 6|48 ; a est pair si et seulement si 2|a.
Pour tout a Z on a a|0 et aussi 1|a.
Si a|1 alors a = +1 ou a = 1.
(a|b et b|a) = b = a
(a|b et b|c) = a|c
(a|b et a|c) = a|b + c

ARITHMTIQUE

1. DIVISION EUCLIDIENNE ET PGCD

46

Thorme 1 (Division euclidienne).


Soit a Z et b N \ {0}. Il existe des entiers q, r Z tels que
a = bq + r

et

06r < b

De plus q et r sont uniques.


Terminologie : q est le quotient et r est le reste.
Nous avons donc lquivalence : r = 0 si et seulement si b divise a.
Exemple 2.
Pour calculer q et r on pose la division classique . Si a = 6789 et b = 34 alors
6789 = 34 199 + 23
On a bien 0 6 23 < 34 (sinon cest que lon na pas t assez loin dans les calculs).
6789
34
338
306
329
306
23

34

dividende

199

diviseur
quotient

reste

Dmonstration.


Existence. On peut supposer a > 0 pour simplifier. Soit N = n N | bn 6 a . Cest un ensemble non vide
car n = 0 N . De plus pour n N , on a n 6 a. Il y a donc un nombre fini dlments dans N , notons
q = max N le plus grand lment.
Alors q b 6 a car q N , et (q + 1)b > a car q + 1
/ N , donc
q b 6 a < (q + 1)b = q b + b.
On dfinit alors r = a q b, r vrifie alors 0 6 r = a q b < b.
Unicit. Supposons que q0 , r 0 soient deux entiers qui vrifient les conditions du thorme. Tout dabord
a = bq + r = bq0 + r 0 et donc b(q q0 ) = r 0 r. Dautre part 0 6 r 0 < b et 0 6 r < b donc b < r 0 r < b
(notez au passage la manipulation des ingalits). Mais r 0 r = b(q q0 ) donc on obtient b < b(q q0 ) < b.
On peut diviser par b > 0 pour avoir 1 < q q0 < 1. Comme q q0 est un entier, la seule possibilit est
q q0 = 0 et donc q = q0 . Repartant de r 0 r = b(q q0 ) on obtient maintenant r = r 0 .

1.2. pgcd de deux entiers


Dfinition 2.
Soient a, b Z deux entiers, non tous les deux nuls. Le plus grand entier qui divise la fois a et b
sappelle le plus grand diviseur commun de a, b et se note pgcd(a, b).
Exemple 3.
pgcd(21, 14) = 7, pgcd(12, 32) = 4, pgcd(21, 26) = 1.
pgcd(a, ka) = a, pour tout k Z et a > 0.
Cas particuliers. Pour tout a > 0 : pgcd(a, 0) = a et pgcd(a, 1) = 1.

ARITHMTIQUE

1. DIVISION EUCLIDIENNE ET PGCD

47

1.3. Algorithme dEuclide


Lemme 1.
Soient a, b N . crivons la division euclidienne a = bq + r. Alors
pgcd(a, b) = pgcd(b, r)
En fait on a mme pgcd(a, b) = pgcd(b, a q b) pour tout q Z. Mais pour optimiser lalgorithme dEuclide
on applique le lemme avec q le quotient.
Dmonstration. Nous allons montrer que les diviseurs de a et de b sont exactement les mmes que les
diviseurs de b et r. Cela impliquera le rsultat car les plus grands diviseurs seront bien sr les mmes.
Soit d un diviseur de a et de b. Alors d divise b donc aussi bq, en plus d divise a donc d divise a bq = r.
Soit d un diviseur de b et de r. Alors d divise aussi bq + r = a.

Algorithme dEuclide.
On souhaite calculer le pgcd de a, b N . On peut supposer a > b. On calcule des divisions euclidiennes
successives. Le pgcd sera le dernier reste non nul.
division de a par b, a = bq1 +r1 . Par le lemme 1, pgcd(a, b) = pgcd(b, r1 ) et si r1 = 0 alors pgcd(a, b) = b
sinon on continue :
b = r1 q2 + r2 , pgcd(a, b) = pgcd(b, r1 ) = pgcd(r1 , r2 ),
r1 = r2 q3 + r3 , pgcd(a, b) = pgcd(r2 , r3 ),
...
rk2 = rk1 qk + rk , pgcd(a, b) = pgcd(rk1 , rk ),
rk1 = rk qk + 0. pgcd(a, b) = pgcd(rk , 0) = rk .
Comme chaque tape le reste est plus petit que le quotient on sait que 0 6 ri+1 < ri . Ainsi lalgorithme se
termine car nous sommes srs dobtenir un reste nul, les restes formant une suite dcroissante dentiers
positifs ou nuls : b > r1 > r2 > > 0.
Exemple 4.
Calculons le pgcd de a = 600 et b = 124.
600
124
104
20

=
=
=
=

124
104
20
4

9945
3003
936
195
156

=
=
=
=
=

3003
936
195
156
39

4
1
5
5

+
+
+
+

104
20
4
0

Ainsi pgcd(600, 124) = 4.


Voici un exemple plus compliqu :
Exemple 5.
Calculons pgcd(9945, 3003).

Ainsi pgcd(9945, 3003) = 39.

3
3
4
1
4

+
+
+
+
+

936
195
156
39
0

ARITHMTIQUE

2. THORME DE BZOUT

48

1.4. Nombres premiers entre eux


Dfinition 3.
Deux entiers a, b sont premiers entre eux si pgcd(a, b) = 1.
Exemple 6.
Pour tout a Z, a et a + 1 sont premiers entre eux. En effet soit d un diviseur commun a et a + 1. Alors
d divise aussi a + 1 a. Donc d divise 1 mais alors d = 1 ou d = +1. Le plus grand diviseur de a et a + 1
est donc 1. Et donc pgcd(a, a + 1) = 1.
Si deux entiers ne sont pas premiers entre eux, on peut sy ramener en divisant par leur pgcd :
Exemple 7.
Pour deux entiers quelconques a, b Z, notons d = pgcd(a, b). La dcomposition suivante est souvent
utile :

a = a0 d
avec a0 , b0 Z et pgcd(a0 , b0 ) = 1
b = b0 d
Mini-exercices.
1. crire la division euclidienne de 111 111 par 20x x, o 20x x est lanne en cours.
2. Montrer quun diviseur positif de 10 008 et de 10 014 appartient ncessairement {1, 2, 3, 6}.
3. Calculer pgcd(560, 133), pgcd(12 121, 789), pgcd(99 999, 1110).
4. Trouver tous les entiers 1 6 a 6 50 tels que a et 50 soient premiers entre eux. Mme question avec 52.

2. Thorme de Bzout
2.1. Thorme de Bzout
Thorme 2 (Thorme de Bzout).
Soient a, b des entiers. Il existe des entiers u, v Z tels que
au + bv = pgcd(a, b)
La preuve dcoule de lalgorithme dEuclide. Les entiers u, v ne sont pas uniques. Les entiers u, v sont des
coefficients de Bzout. Ils sobtiennent en remontant lalgorithme dEuclide.
Exemple 8.
Calculons les coefficients de Bzout pour a = 600 et b = 124. Nous reprenons les calculs effectus pour
trouver pgcd(600, 124) = 4. La partie gauche est lalgorithme dEuclide. La partie droite sobtient de bas en
haut. On exprime le pgcd laide de la dernire ligne o le reste est non nul. Puis on remplace le reste de la
ligne prcdente, et ainsi de suite jusqu arriver la premire ligne.
600 = 124 4 + 104

4 =

600 6 + 124 (29)


124 (5) + (600 124 4) 6

124 = 104 1 + 20

4 =

124 (5) + 104 6


104 (124 104 1) 5

104 = 20 5 + 4

4 =

104 20 5

20 = 4 5 + 0

ARITHMTIQUE

2. THORME DE BZOUT

49

Ainsi pour u = 6 et v = 29 alors 600 6 + 124 (29) = 4.


Remarque.
Soignez vos calculs et leur prsentation. Cest un algorithme : vous devez aboutir au bon rsultat ! Dans
la partie droite, il faut chaque ligne bien la reformater. Par exemple 104 (124 104 1) 5 se rcrit
en 124 (5) + 104 6 afin de pouvoir remplacer ensuite 104.
Noubliez pas de vrifier vos calculs ! Cest rapide et vous serez certains que vos calculs sont exacts. Ici
on vrifie la fin que 600 6 + 124 (29) = 4.
Exemple 9.
Calculons les coefficients de Bzout correspondant pgcd(9945, 3003) = 39.
9945
3003
936
195
156

=
=
=
=
=

3003
936
195
156
39

3
3
4
1
4

+
+
+
+
+

936
195
156
39
0

39
39
39
39

= 9945 (16) + 3003 53


=

=
195 156 1

vous de finir les calculs. On obtient 9945 (16) + 3003 53 = 39.

2.2. Corollaires du thorme de Bzout


Corollaire 1.
Si d|a et d|b alors d| pgcd(a, b).
Exemple : 4|16 et 4|24 donc 4 doit diviser pgcd(16, 24) qui effectivement vaut 8.
Dmonstration. Comme d|au et d|bv donc d|au + bv. Par le thorme de Bzout d| pgcd(a, b).
Corollaire 2.
Soient a, b deux entiers. a et b sont premiers entre eux si et seulement si il existe u, v Z tels que
au + bv = 1
Dmonstration. Le sens est une consquence du thorme de Bzout.
Pour le sens on suppose quil existe u, v tels que au + bv = 1. Comme pgcd(a, b)|a alors pgcd(a, b)|au.
De mme pgcd(a, b)|bv. Donc pgcd(a, b)|au + bv = 1. Donc pgcd(a, b) = 1.
Remarque.
Si on trouve deux entiers u0 , v 0 tels que au0 + bv 0 = d, cela nimplique pas que d = pgcd(a, b). On sait
seulement alors que pgcd(a, b)|d. Par exemple a = 12, b = 8 ; 12 1 + 8 3 = 36 et pgcd(a, b) = 4.
Corollaire 3 (Lemme de Gauss).
Soient a, b, c Z.
Si a|bc et pgcd(a, b) = 1 alors a|c
Exemple : si 4|7 c, et comme 4 et 7 sont premiers entre eux, alors 4|c.
Dmonstration. Comme pgcd(a, b) = 1 alors il existe u, v Z tels que au + bv = 1. On multiplie cette
galit par c pour obtenir acu + bc v = c. Mais a|acu et par hypothse a|bc v donc a divise acu + bc v = c.

ARITHMTIQUE

2. THORME DE BZOUT

50

2.3. quations a x + b y = c
Proposition 1.
Considrons lquation
ax + b y = c

(E)

o a, b, c Z.
1. Lquation (E) possde des solutions (x, y) Z2 si et seulement si pgcd(a, b)|c.
2. Si pgcd(a, b)|c alors il existe mme une infinit de solutions entires et elles sont exactement les (x, y) =
(x 0 + k, y0 + k) avec x 0 , y0 , , Z fixs et k parcourant Z.
Le premier point est une consquence du thorme de Bzout. Nous allons voir sur un exemple comment
prouver le second point et calculer explicitement les solutions. Il est bon de refaire toutes les tapes de la
dmonstration chaque fois.
Exemple 10.
Trouver les solutions entires de
161x + 368 y = 115

(E)

Premire tape. Y a-t-il des solutions ? Lalgorithme dEuclide. On effectue lalgorithme dEuclide
pour calculer le pgcd de a = 161 et b = 368.
368 = 161 2 + 46
161 = 46
3 + 23
46 = 23
2 + 0
Donc pgcd(368, 161) = 23. Comme 115 = 5 23 alors pgcd(368, 161)|115. Par le thorme de Bzout,
lquation (E) admet des solutions entires.
Deuxime tape. Trouver une solution particulire : la remonte de lalgorithme dEuclide. On
effectue la remonte de lalgorithme dEuclide pour calculer les coefficients de Bzout.

161 7 + 368 (3)
23 =
368 = 161 2 + 46
161 + (368 2 161) (3)
161 = 46
3 + 23
23 = 161 3 46
46 = 23
2 + 0
On trouve donc 161 7 + 368 (3) = 23. Comme 115 = 5 23 en multipliant par 5 on obtient :
161 35 + 368 (15) = 115
Ainsi (x 0 , y0 ) = (35, 15) est une solution particulire de (E).
Troisime tape. Recherche de toutes les solutions. Soit (x, y) Z2 une solution de (E). Nous savons
que (x 0 , y0 ) est aussi solution. Ainsi :
161x + 368 y = 115

et

161x 0 + 368 y0 = 115

(on na aucun intrt remplacer x 0 et y0 par leurs valeurs). La diffrence de ces deux galits conduit
161 (x x 0 ) + 368 ( y y0 ) = 0
=

23 7 (x x 0 ) + 23 16 ( y y0 ) = 0

7(x x 0 ) = 16( y y0 )

()

Nous avons simplifi par 23 qui est le pgcd de 161 et 368. (Attention, noubliez surtout pas cette
simplification, sinon la suite du raisonnement serait fausse.)
Ainsi 7|16( y y0 ), or pgcd(7, 16) = 1 donc par le lemme de Gauss 7| y y0 . Il existe donc k Z tel
que y y0 = 7 k. Repartant de lquation () : 7(x x 0 ) = 16( y y0 ). On obtient maintenant
7(x x 0 ) = 16 7 k. Do x x 0 = 16k. (Cest le mme k pour x et pour y.) Nous avons donc

ARITHMTIQUE

3. NOMBRES PREMIERS

51

(x, y) = (x 0 16k, y0 + 7k). Il nest pas dur de voir que tout couple de cette forme est solution de
lquation (E). Il reste donc juste substituer (x 0 , y0 ) par sa valeur et nous obtenons :
Les solutions entires de 161x + 368 y = 115 sont les (x, y) = (35 16k, 15 + 7k), k parcourant Z.
Pour se rassurer, prenez une valeur de k au hasard et vrifiez que vous obtenez bien une solution de
lquation.

2.4. ppcm
Dfinition 4.
Le ppcm(a, b) (plus petit multiple commun) est le plus petit entier > 0 divisible par a et par b.
Par exemple ppcm(12, 9) = 36.
Le pgcd et le ppcm sont lis par la formule suivante :
Proposition 2.
Si a, b sont des entiers (non tous les deux nuls) alors
pgcd(a, b) ppcm(a, b) = |a b|
|ab|

Dmonstration. Posons d = pgcd(a, b) et m = pgcd(a,b) . Pour simplifier on suppose a > 0 et b > 0. On crit
a = d a0 et b = d b0 . Alors a b = d 2 a0 b0 et donc m = d a0 b0 . Ainsi m = a b0 = a0 b est un multiple de a et de b.
Il reste montrer que cest le plus petit multiple. Si n est un autre multiple de a et de b alors n = ka = `b donc
kd a0 = `d b0 et ka0 = `b0 . Or pgcd(a0 , b0 ) = 1 et a0 |`b0 donc a0 |`. Donc a0 b|`b et ainsi m = a0 b|`b = n.
Voici un autre rsultat concernant le ppcm qui se dmontre en utilisant la dcomposition en facteurs
premiers :
Proposition 3.
Si a|c et b|c alors ppcm(a, b)|c.
Il serait faux de penser que a b|c. Par exemple 6|36, 9|36 mais 6 9 ne divise pas 36. Par contre ppcm(6, 9) =
18 divise bien 36.
Mini-exercices.
1. Calculer les coefficients de Bzout correspondant pgcd(560, 133), pgcd(12 121, 789).
2. Montrer laide dun corollaire du thorme de Bzout que pgcd(a, a + 1) = 1.
3. Rsoudre les quations : 407x + 129 y = 1 ; 720x + 54 y = 6 ; 216x + 92 y = 8.
4. Trouver les couples (a, b) vrifiant pgcd(a, b) = 12 et ppcm(a, b) = 360.

3. Nombres premiers
Les nombres premiers sont en quelque sorte les briques lmentaires des entiers : tout entier scrit comme
produit de nombres premiers.

ARITHMTIQUE

3. NOMBRES PREMIERS

52

3.1. Une infinit de nombres premiers


Dfinition 5.
Un nombre premier p est un entier > 2 dont les seuls diviseurs positifs sont 1 et p.
Exemples : 2, 3, 5, 7, 11 sont premiers, 4 = 2 2, 6 = 2 3, 8 = 2 4 ne sont pas premiers.
Lemme 2.
Tout entier n > 2 admet un diviseur qui est un nombre premier.
Dmonstration. Soit D lensemble des diviseurs de n qui sont > 2 :


D = k > 2 | k|n .
Lensemble D est non vide (car n D), notons alors p = min D.
Supposons, par labsurde, que p ne soit pas un nombre premier alors p admet un diviseur q tel que 1 < q < p
mais alors q est aussi un diviseur de n et donc q D avec q < p. Ce qui donne une contradiction car p est le
minimum. Conclusion : p est un nombre premier. Et comme p D, p divise n.
Proposition 4.
Il existe une infinit de nombres premiers.
Dmonstration. Par labsurde, supposons quil ny ait quun nombre fini de nombres premiers que lon note
p1 = 2, p2 = 3, p3 ,. . . , pn . Considrons lentier N = p1 p2 pn + 1. Soit p un diviseur premier de
N (un tel p existe par le lemme prcdent), alors dune part p est lun des entiers pi donc p|p1 pn ,
dautre part p|N donc p divise la diffrence N p1 pn = 1. Cela implique que p = 1, ce qui contredit
que p soit un nombre premier.
Cette contradiction nous permet de conclure quil existe une infinit de nombres premiers.

3.2. Eratosthne et Euclide


Comment trouver les nombres premiers ? Le crible dEratosthne permet de trouver les premiers nombres
premiers. Pour cela on crit les premiers entiers : pour notre exemple de 2 25.
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Rappelons-nous quun diviseur positif dun entier n est infrieur ou gal n. Donc 2 ne peut avoir comme
diviseurs que 1 et 2 et est donc premier. On entoure 2. Ensuite on raye (ici en gris) tous les multiples
suivants de 2 qui ne seront donc pas premiers (car divisible par 2) :
 
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Le premier nombre restant de la liste est 3 et est ncessairement premier : il nest pas divisible par un
diviseur plus petit (sinon il serait ray). On entoure 3 et on raye tous les multiples de 3 (6, 9, 12, . . . ).
  
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Le premier nombre restant est 5 et est donc premier. On raye les multiples de 5.
    
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
7 est donc premier, on raye les multiples de 7 (ici pas de nouveaux nombres barrer). Ainsi de suite :
11, 13, 17, 19, 23 sont premiers.
      
 
 
 
 
 
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
      
 
 
23 
 
 

ARITHMTIQUE

3. NOMBRES PREMIERS

53

Remarque.
p
Si un nombre n nest pas premier alors un de ses facteurs est 6 n. En effet si n = a b avec a, b > 2 alors
p
p
a 6 n ou b 6 n (rflchissez par labsurde !). Par exemple pour tester si un nombre 6 100 est premier il
suffit de tester les diviseurs 6 10. Et comme il suffit de tester les diviseurs premiers, il suffit en fait de tester
la divisibilit par 2, 3, 5 et 7. Exemple : 89 nest pas divisible par 2, 3, 5, 7 et est donc un nombre premier.
Proposition 5 (Lemme dEuclide).
Soit p un nombre premier. Si p|a b alors p|a ou p|b.

Dmonstration. Si p ne divise pas a alors p et a sont premiers entre eux (en effet les diviseurs de p sont 1
et p, mais seul 1 divise aussi a, donc pgcd(a, p) = 1). Ainsi par le lemme de Gauss p|b.
Exemple 11.
p
Si p est un nombre premier, p nest pas un nombre rationnel.
2
p
La preuve se fait par labsurde : crivons p = ab avec a Z, b N et pgcd(a, b) = 1. Alors p = ab2 donc
p b2 = a2 . Ainsi p|a2 donc par le lemme dEuclide p|a. On peut alors crire a = pa0 avec a0 un entier. De
lquation p b2 = a2 on tire alors b2 = pa02 . Ainsi p|b2 et donc p|b. Maintenant p|a et p|b donc a et b ne
p
sont pas premiers entre eux. Ce qui contredit pgcd(a, b) = 1. Conclusion p nest pas rationnel.

3.3. Dcomposition en facteurs premiers


Thorme 3.
Soit n > 2 un entier. Il existe des nombres premiers p1 < p2 < < p r et des exposants entiers
1 , 2 , . . . , r > 1 tels que :

n = p1 1 p2 2 pr r .
De plus les pi et les i (i = 1, . . . , r) sont uniques.
Exemple : 24 = 23 3 est la dcomposition en facteurs premiers. Par contre 36 = 22 9 nest pas la
dcomposition en facteurs premiers, cest 22 32 .
Remarque.
La principale raison pour laquelle on choisit de dire que 1 nest pas un nombre premier, cest que sinon il ny
aurait plus unicit de la dcomposition : 24 = 23 3 = 1 23 3 = 12 23 3 =
Dmonstration.
Existence. Nous allons dmontrer lexistence de la dcomposition par une rcurrence sur n.
Lentier n = 2 est dj dcompos. Soit n > 3, supposons que tout entier < n admette une dcomposition en
facteurs premiers. Notons p1 le plus petit nombre premier divisant n (voir le lemme 2). Si n est un nombre
premier alors n = p1 et cest fini. Sinon on dfinit lentier n0 = pn1 < n et on applique notre hypothse de
rcurrence n0 qui admet une dcomposition en facteurs premiers. Alors n = p1 n0 admet aussi une
dcomposition.
Unicit. Nous allons dmontrer quune telle dcomposition est unique en effectuant cette fois une rcurrence
Pr
sur la somme des exposants = i=1 i .
Si = 1 cela signifie n = p1 qui est bien lunique criture possible.
Soit > 2. On suppose que les entiers dont la somme des exposants est < ont une unique dcomposition.
Soit n un entier dont la somme des exposants vaut . crivons le avec deux dcompositions :

n = p1 1 p2 2 pr r = q1 1 q2 2 qss .
(On a p1 < p2 < et q1 < q2 < .)

ARITHMTIQUE

4. CONGRUENCES

54

Si p1 < q1 alors p1 < q j pour tous les j = 1, . . . , s. Ainsi p1 divise p1 1 p2 2 p r r = n mais ne divise

pas q1 1 q2 2 qs s = n. Ce qui est absurde. Donc p1 > q1 .


Si p1 > q1 un mme raisonnement conduit aussi une contradiction. On conclut que p1 = q1 . On pose alors
n
1
1

= p1 1 p2 2 pr r = q1 1 q2 2 qss
n0 =
p1
Lhypothse de rcurrence qui sapplique n0 implique que ces deux dcompositions sont les mmes. Ainsi
r = s et pi = qi , i = i , i = 1, . . . , r.
Exemple 12.
504 = 23 32 7,

300 = 22 3 52 .

Pour calculer le pgcd on rcrit ces dcompositions :


504 = 23 32 50 71 ,

300 = 22 31 52 70 .

Le pgcd est le nombre obtenu en prenant le plus petit exposant de chaque facteur premier :
pgcd(504, 300) = 22 31 50 70 = 12.
Pour le ppcm on prend le plus grand exposant de chaque facteur premier :
ppcm(504, 300) = 23 32 52 71 = 12 600
Mini-exercices.
1. Montrer que n! + 1 nest divisible par aucun des entiers 2, 3, . . . , n. Est-ce toujours un nombre premier ?
2. Trouver tous les nombres premiers 6 103.
3. Dcomposer a = 2 340 et b = 15 288 en facteurs premiers. Calculer leur pgcd et leur ppcm.
4. Dcomposer 48 400 en produit de facteurs premiers. Combien 48 400 admet-il de diviseurs ?
5. Soient a, b > 0. laide de la dcomposition en facteurs premiers, reprouver la formule pgcd(a, b)
ppcm(a, b) = a b.

4. Congruences
4.1. Dfinition
Dfinition 6.
Soit n > 2 un entier. On dit que a est congru b modulo n, si n divise b a. On note alors
a b (mod n).
On note aussi parfois a = b (mod n) ou a b[n]. Une autre formulation est
a b (mod n)

k Z

a = b + kn.

Remarquez que n divise a si et seulement si a 0 (mod n).


Proposition 6.
1. La relation congru modulo n est une relation dquivalence :
a a (mod n),
si a b (mod n) alors b a (mod n),
si a b (mod n) et b c (mod n) alors a c (mod n).
2. Si a b (mod n) et c d (mod n) alors a + c b + d (mod n).

ARITHMTIQUE

4. CONGRUENCES

55

3. Si a b (mod n) et c d (mod n) alors a c b d (mod n).


4. Si a b (mod n) alors pour tout k > 0, a k b k (mod n).
Exemple 13.
15 1 (mod 7), 72 2 (mod 7), 3 11 (mod 7),
5x + 8 3 (mod 5) pour tout x Z,
1120x x 120x x 1 (mod 10), o 20x x est lanne en cours.
Dmonstration.
1. Utiliser la dfinition.
2. Idem.
3. Prouvons la proprit multiplicative : a b (mod n) donc il existe k Z tel que a = b + kn et c d
(mod n) donc il existe ` Z tel que c d + `n. Alors a c = (b + kn) (d + `n) = bd + (b` + d k + k`n)n
qui est bien de la forme bd + mn avec m Z. Ainsi ac bd (mod n).
4. Cest une consquence du point prcdent : avec a = c et b = d on obtient a2 b2 (mod n). On continue
par rcurrence.

Exemple 14.
Critre de divisibilit par 9.
N est divisible par 9 si et seulement si
la somme de ses chiffres est divisible par 9.
Pour prouver cela nous utilisons les congruences. Remarquons dabord que 9|N quivaut N 0 (mod 9)
et notons aussi que 10 1 (mod 9), 102 1 (mod 9), 103 1 (mod 9),...
Nous allons donc calculer N modulo 9. crivons N en base 10 : N = ak a2 a1 a0 (a0 est le chiffre des
units, a1 celui des dizaines,...) alors N = 10k ak + + 102 a2 + 101 a1 + a0 . Donc
N = 10k ak + + 102 a2 + 101 a1 + a0
ak + + a2 + a1 + a0 (mod 9)
Donc N est congru la somme de ses chiffres modulo 9. Ainsi N 0 (mod 9) si et seulement si la somme
des chiffres vaut 0 modulo 9.
Voyons cela sur un exemple : N = 488 889. Ici a0 = 9 est le chiffre des units, a1 = 8 celui des dizaines,...
Cette criture dcimale signifie N = 4 105 + 8 104 + 8 103 + 8 102 + 8 10 + 9.
N = 4 105 + 8 104 + 8 103 + 8 102 + 8 10 + 9
4 + 8 + 8 + 8 + 8 + 9 (mod 9)
45 (mod 9)

et on refait la somme des chiffres de 45

9 (mod 9)
0 (mod 9)
Ainsi nous savons que 488 889 est divisible par 9 sans avoir effectu de division euclidienne.
Remarque.
Pour trouver un bon reprsentant de a (mod n) on peut aussi faire la division euclidienne de a par n :
a = bn + r alors a r (mod n) et 0 6 r < n.

ARITHMTIQUE

4. CONGRUENCES

56

Exemple 15.
Les calculs bien mens avec les congruences sont souvent trs rapides. Par exemple on souhaite calculer 221
(mod 37) (plus exactement on souhaite trouver 0 6 r < 37 tel que 221 r (mod 37)). Plusieurs mthodes :
1. On calcule 221 , puis on fait la division euclidienne de 221 par 37, le reste est notre rsultat. Cest
laborieux !
2. On calcule successivement les 2k modulo 37 : 21 2 (mod 37), 22 4 (mod 37), 23 8 (mod 37),
24 16 (mod 37), 25 32 (mod 37). Ensuite on noublie pas dutiliser les congruences : 26 64 27
(mod 37). 27 2 26 2 27 54 17 (mod 37) et ainsi de suite en utilisant le calcul prcdent
chaque tape. Cest assez efficace et on peut raffiner : par exemple on trouve 28 34 (mod 37) mais
donc aussi 28 3 (mod 37) et donc 29 2 28 2 (3) 6 31 (mod 37),...
3. Il existe une mthode encore plus efficace, on crit lexposant 21 en base 2 : 21 = 24 +22 +20 = 16+4+1.
Alors 221 = 216 24 21 . Et il est facile de calculer successivement chacun de ces termes car les exposants
2
sont des puissances de 2. Ainsi 28 (24 )2 162 256 34 3 (mod 37) et 216 28 (3)2 9
(mod 37). Nous obtenons 221 216 24 21 9 16 2 288 29 (mod 37).

4.2. quation de congruence a x b (mod n)


Proposition 7.
Soit a Z , b Z fixs et n > 2. Considrons lquation a x b (mod n) dinconnue x Z :
1. Il existe des solutions si et seulement si pgcd(a, n)|b.
n
, ` Z o x 0 est une solution particulire. Il existe donc
2. Les solutions sont de la forme x = x 0 + ` pgcd(a,n)
pgcd(a, n) classes de solutions.

Exemple 16.
Rsolvons lquation 9x 6 (mod 24). Comme pgcd(9, 24) = 3 divise 6 la proposition ci-dessus nous
affirme quil existe des solutions. Nous allons les calculer. (Il est toujours prfrable de refaire rapidement
les calculs que dapprendre la formule). Trouver x tel que 9x 6 (mod 24) est quivalent trouver x et k
tels que 9x = 6 + 24k. Mis sous la forme 9x 24k = 6 il sagit alors dune quation que nous avons tudie
en dtails (voir section 2.3). Il y a bien des solutions car pgcd(9, 24) = 3 divise 6. En divisant par le pgcd on
obtient lquation quivalente :
3x 8k = 2.
Pour le calcul du pgcd et dune solution particulire nous utilisons normalement lalgorithme dEuclide et sa
remonte. Ici il est facile de trouver une solution particulire (x 0 = 6, k0 = 2) la main.
On termine comme pour les quations de la section 2.3. Si (x, k) est une solution de 3x 8k = 2 alors
par soustraction on obtient 3(x x 0 ) 8(k k0 ) = 0 et on trouve x = x 0 + 8`, avec ` Z (le terme k ne
nous intresse pas). Nous avons donc trouv les x qui sont solutions de 3x 8k = 2, ce qui quivaut
9x 24k = 6, ce qui quivaut encore 9x 6 (mod 24). Les solutions sont de la forme x = 6 + 8`. On
prfre les regrouper en 3 classes modulo 24 :
x 1 = 6 + 24m,

x 2 = 14 + 24m,

x 3 = 22 + 24m

avec m Z.

Remarque.
Expliquons le terme de classe utilis ici. Nous avons considrer ici que lquation 9x 6 (mod 24) est
une quation dentiers. On peut aussi considrer que 9, x, 6 sont des classes dquivalence modulo 24, et
lon noterait alors 9x = 6. On trouverait comme solutions trois classes dquivalence :
x 1 = 6,
Dmonstration.

x 2 = 14,

x 3 = 22.

ARITHMTIQUE

4. CONGRUENCES

57

1.
x Z est un solution de lquation a x b (mod n)
k Z

a x = b + kn

k Z

a x kn = b

pgcd(a, n)|b

par la proposition 1

Nous avons juste transform notre quation a x b (mod n) en une quation a x kn = b tudie
auparavant (voir section 2.3), seules les notations changent : au + bv = c devient a x kn = b.
2. Supposons quil existe des solutions. Nous allons noter d = pgcd(a, n) et crire a = d a0 , n = d n0 et
b = d b0 (car par le premier point d|b). Lquation a x kn = b dinconnues x, k Z est alors quivalente
lquation a0 x kn0 = b0 , note (?). Nous savons rsoudre cette quation (voir de nouveau la proposition
1), si (x 0 , k0 ) est une solution particulire de (?) alors on connat tous les (x, k) solutions. En particulier
x = x 0 + `n0 avec ` Z (les k ne nous intressent pas ici).
n
Ainsi les solutions x Z sont de la forme x = x 0 + ` pgcd(a,n)
, ` Z o x 0 est une solution particulire
de a x b (mod n). Et modulo n cela donne bien pgcd(a, n) classes distinctes.

4.3. Petit thorme de Fermat


Thorme 4 (Petit thorme de Fermat).
Si p est un nombre premier et a Z alors
a p a (mod p)
Corollaire 4.
Si p ne divise pas a alors
a p1 1 (mod p)
Lemme 3.

p
p divise k pour 1 6 k 6 p 1, cest--dire

p
k

0 (mod p).




p!
p
p
p
Dmonstration. k = k!(pk)! donc p! = k!(p k)! k . Ainsi p|k!(p k)! k . Or comme 1 6 k 6 p 1 alors
p ne divise pas k! (sinon p divise lun des facteurs de k! mais il sont tous < p). De mme p ne divise pas

p
(p k)!, donc par le lemme dEuclide p divise k .
Preuve du thorme. Nous le montrons par rcurrence pour les a > 0.
Si a = 0 alors 0 0 (mod p).
Fixons a > 0 et supposons que a p a (mod p). Calculons (a + 1) p laide de la formule du binme de
Newton :


p
p
p
p
p
p1
p2
(a + 1) = a +
a
+
a
+ +
+1
p1
p2
1

ARITHMTIQUE

4. CONGRUENCES

58

Rduisons maintenant modulo p :


p
p
p
p
p
p1
p2
(a + 1) a +
a
+
a
+ +
+ 1 (mod p)
p1
p2
1
a p + 1 (mod p) grce au lemme 3
a + 1 (mod p) cause de lhypothse de rcurrence
Par le principe de rcurrence nous avons dmontr le petit thorme de Fermat pour tout a > 0. Il nest
pas dur den dduire le cas des a 6 0.

Exemple 17.
Calculons 143141 (mod 17). Le nombre 17 tant premier on sait par le petit thorme de Fermat que 1416 1
(mod 17). crivons la division euclidienne de 3141 par 16 :
3141 = 16 196 + 5.
Alors
143141 1416196+5 1416196 145
196
1416
145 1196 145
145 (mod 17)
Il ne reste plus qu calculer 145 modulo 17. Cela peut se faire rapidement : 14 3 (mod 17) donc 142
(3)2 9 (mod 17), 143 142 14 9 (3) 27 7 (mod 17), 145 142 143 9 7 63 12
(mod 17). Conclusion : 143141 145 12 (mod 17).
Mini-exercices.
1. Calculer les restes modulo 10 de 122 + 455, 122 455, 122455 . Mmes calculs modulo 11, puis modulo
12.
2. Prouver quun entier est divisible par 3 si et seulement si la somme de ses chiffres est divisible par 3.
3. Calculer 310 (mod 23).
4. Calculer 3100 (mod 23).
5. Rsoudre les quations 3x 4 (mod 7), 4x 14 (mod 30).

Auteurs du chapitre Arnaud Bodin, Benjamin Boutin, Pascal Romon

Chapitre

Polynmes
Vido
Vido
Vido
Vido
Fiche
Fiche

partie 1. Dfinitions
partie 2. Arithmtique des polynmes
partie 3. Racine d'un polynme, factorisation
partie 4. Fractions rationnelles

d'exercices Polynmes
d'exercices Fractions rationnelles

Motivation
Les polynmes sont des objets trs simples mais aux proprits extrmement riches. Vous savez dj
rsoudre les quations de degr 2 : aX 2 + bX + c = 0. Savez-vous que la rsolution des quations de degr
3, aX 3 + bX 2 + cX + d = 0, a fait lobjet de luttes acharnes dans lItalie du X V I e sicle ? Un concours tait
organis avec un prix pour chacune de trente quations de degr 3 rsoudre. Un jeune italien, Tartaglia,
trouve la formule gnrale des solutions et rsout les trente quations en une seule nuit ! Cette mthode que
Tartaglia voulait garder secrte sera quand mme publie quelques annes plus tard comme la mthode
de Cardan .
Dans ce chapitre, aprs quelques dfinitions des concepts de base, nous allons tudier larithmtique des
polynmes. Il y a une grande analogie entre larithmtique des polynmes et celles des entiers. On continue
avec un thorme fondamental de lalgbre : Tout polynme de degr n admet n racines complexes. On
termine avec les fractions rationnelles : une fraction rationnelle est le quotient de deux polynmes.
Dans ce chapitre K dsignera lun des corps Q, R ou C.

1. Dfinitions
1.1. Dfinitions
Dfinition 1.
Un polynme coefficients dans K est une expression de la forme
P(X ) = an X n + an1 X n1 + + a2 X 2 + a1 X + a0 ,
avec n N et a0 , a1 , . . . , an K.
Lensemble des polynmes est not K[X ].
Les ai sont appels les coefficients du polynme.
Si tous les coefficients ai sont nuls, P est appel le polynme nul, il est not 0.
On appelle le degr de P le plus grand entier i tel que ai 6= 0 ; on le note deg P. Pour le degr du

POLYNMES

1. DFINITIONS

60

polynme nul on pose par convention deg(0) = .


Un polynme de la forme P = a0 avec a0 K est appel un polynme constant. Si a0 6= 0, son degr
est 0.
Exemple 1.
3
X 3 5X + 4 est un polynme de degr 3.
X n + 1 est un polynme de degr n.
2 est un polynme constant, de degr 0.

1.2. Oprations sur les polynmes


galit. Soient P = an X n + an1 X n1 + + a1 X + a0 et Q = bn X n + bn1 X n1 + + b1 X + b0 deux
polynmes coefficients dans K.
P =Q

ai = bi

et on dit que P et Q sont gaux.


Addition. Soient P = an X n + an1 X n1 + + a1 X + a0 et Q = bn X n + bn1 X n1 + + b1 X + b0 .
On dfinit :
P + Q = (an + bn )X n + (an1 + bn1 )X n1 + + (a1 + b1 )X + (a0 + b0 )
Multiplication. Soient P = an X n + an1 X n1 + + a1 X + a0 et Q = bm X m + bm1 X m1 + + b1 X + b0 .
On dfinit
P Q = c r X r + c r1 X r1 + + c1 X + c0
X
avec r = n + m et ck =
ai b j pour k {0, . . . , r}.
i+ j=k

Multiplication par un scalaire. Si K alors P est le polynme dont le i-me coefficient est ai .
Exemple 2.
Soient P = aX 3 + bX 2 + cX + d et Q = X 2 + X + . Alors P + Q = aX 3 + (b + )X 2 + (c + )X + (d + ),
P Q = (a)X 5 + (a + b)X 4 + (a + b + c)X 3 + (b + c + d)X 2 + (c + d)X + d. Enfin P = Q
si et seulement si a = 0, b = , c = et d = .
La multiplication par un scalaire P quivaut multiplier le polynme constant par le polynme P.
Laddition et la multiplication se comportent sans problme :
Proposition 1.
Pour P, Q, R K[X ] alors
0 + P = P, P + Q = Q + P, (P + Q) + R = P + (Q + R) ;
1 P = P, P Q = Q P, (P Q) R = P (Q R) ;
P (Q + R) = P Q + P R.
Pour le degr il faut faire attention :
Proposition 2.
Soient P et Q deux polynmes coefficients dans K.
deg(P Q) = deg P + deg Q
deg(P + Q) 6 max(deg P, deg Q)


On note Rn [X ] = P R[X ] | deg P 6 n . Si P, Q Rn [X ] alors P + Q Rn [X ].

POLYNMES

2. ARITHMTIQUE DES POLYNMES

61

1.3. Vocabulaire
Compltons les dfinitions sur les polynmes.
Dfinition 2.
Les polynmes comportant un seul terme non nul (du type ak X k ) sont appels monmes.
6 0. On appelle terme dominant
Soit P = an X n + an1 X n1 + + a1 X + a0 , un polynme avec an =
n
le monme an X . Le coefficient an est appel le coefficient dominant de P.
Si le coefficient dominant est 1, on dit que P est un polynme unitaire.
Exemple 3.
P(X ) = (X 1)(X n + X n1 + + X + 1). On dveloppe cette expression : P(X ) = X n+1 + X n + + X 2 +


X X n + X n1 + + X + 1 = X n+1 1. P(X ) est donc un polynme de degr n + 1, il est unitaire et est
somme de deux monmes : X n+1 et 1.
Remarque.
Tout polynme est donc une somme finie de monmes.
Mini-exercices.
1. Soit P(X ) = 3X 3 2, Q(X ) = X 2 + X 1, R(X ) = aX + b. Calculer P +Q, P Q, (P +Q) R et P Q R.
Trouver a et b afin que le degr de P QR soit le plus petit possible.
2. Calculer (X + 1)5 (X 1)5 .
3. Dterminer le degr de (X 2 + X + 1)n aX 2n bX 2n1 en fonction de a, b.
4. Montrer que si deg P 6= deg Q alors deg(P + Q) = max(deg P, deg Q). Donner un contre-exemple dans
le cas o deg P = deg Q.
5. Montrer que si P(X ) = X n + an1 X n1 + alors le coefficient devant X n1 de P(X

an1
n )

est nul.

2. Arithmtique des polynmes


Il existe de grandes similitudes entre larithmtique dans Z et larithmtique dans K[X ]. Cela nous permet
daller assez vite et domettre certaines preuves.

2.1. Division euclidienne


Dfinition 3.
Soient A, B K[X ], on dit que B divise A sil existe Q K[X ] tel que A = BQ. On note alors B|A.
On dit aussi que A est multiple de B ou que A est divisible par B.
Outre les proprits videntes comme A|A, 1|A et A|0 nous avons :
Proposition 3.
Soient A, B, C K[X ].
1. Si A|B et B|A, alors il existe K tel que A = B.
2. Si A|B et B|C alors A|C.
3. Si C|A et C|B alors C|(AU + BV ), pour tout U, V K[X ].
Thorme 1 (Division euclidienne des polynmes).
Soient A, B K[X ], avec B 6= 0, alors il existe un unique polynme Q et il existe un unique polynme R tels
que :

POLYNMES

2. ARITHMTIQUE DES POLYNMES

A = BQ + R

et

62

deg R < deg B.

Q est appel le quotient et R le reste et cette criture est la division euclidienne de A par B.
Notez que la condition deg R < deg B signifie R = 0 ou bien 0 6 deg R < deg B.
Enfin R = 0 si et seulement si B|A.
Dmonstration.
Unicit. Si A = BQ + R et A = BQ0 + R0 , alors B(Q Q0 ) = R0 R. Or deg(R0 R) < deg B. Donc Q0 Q = 0.
Ainsi Q = Q0 , do aussi R = R0 .
Existence. On montre lexistence par rcurrence sur le degr de A.
Si deg A = 0 et deg B > 0, alors A est une constante, on pose Q = 0 et R = A. Si deg A = 0 et deg B = 0,
on pose Q = A/B et R = 0.
On suppose lexistence vraie lorsque deg A 6 n 1. Soit A = an X n + + a0 un polynme de degr n
(an 6= 0). Soit B = bm X m + + b0 avec bm 6= 0. Si n < m on pose Q = 0 et R = A.
a
Si n > m on crit A = B b n X nm + A1 avec deg A1 6 n 1. On applique lhypothse de rcurrence A1 :
m
il existe Q 1 , R1 K[X ] tels que A1 = BQ 1 + R1 et deg R1 < deg B. Il vient :

an nm
X
+ Q 1 + R1 .
A= B
bm
Donc Q =

an nm
bm X

+ Q 1 et R = R1 conviennent.

Exemple 4.
On pose une division de polynmes comme on pose une division euclidienne de deux entiers. Par exemple
si A = 2X 4 X 3 2X 2 + 3X 1 et B = X 2 X + 1. Alors on trouve Q = 2X 2 + X 3 et R = X + 2. On
noublie pas de vrifier queffectivement A = BQ + R.
2X 4 X 3 2X 2 + 3X 1

X2 X + 1

2X 4 2X 3 + 2X 2

X 3 4X 2 + 3X 1

2X 2 + X 3

X3 X2 + X
3X 2 + 2X 1
3X 2 + 3X 3
X + 2

Exemple 5.
Pour X 4 3X 3 + X + 1 divis par X 2 + 2 on trouve un quotient gal X 2 3X 2 et un reste gale 7X + 5.
X 4 3X 3 +

X +1

X2 + 2

+ 2X 2

X4

3X 3 2X 2 + X + 1
3X 3

6X

2X 2 + 7X + 1
2X 2

4
7X + 5

X 2 3X 2

POLYNMES

2. ARITHMTIQUE DES POLYNMES

63

2.2. pgcd
Proposition 4.
Soient A, B K[X ], avec A 6= 0 ou B 6= 0. Il existe un unique polynme unitaire de plus grand degr qui
divise la fois A et B.
Cet unique polynme est appel le pgcd (plus grand commun diviseur) de A et B que lon note pgcd(A, B).
Remarque.

pgcd(A, B) est un polynme unitaire.


Si A|B et A 6= 0, pgcd(A, B) = 1 A, o est le coefficient dominant de A.
Pour tout K , pgcd(A, B) = pgcd(A, B).
Comme pour les entiers : si A = BQ + R alors pgcd(A, B) = pgcd(B, R). Cest ce qui justifie lalgorithme
dEuclide.

Algorithme dEuclide.
Soient A et B des polynmes, B 6= 0.
On calcule les divisions euclidiennes successives,
A = BQ 1 + R1
B = R1Q 2 + R2
R1 = R2Q 3 + R3
..
.

deg R1 < deg B


deg R2 < deg R1
deg R3 < deg R2

R k2 = R k1Q k + R k
R k1 = R k Q k+1

deg R k < deg R k1

Le degr du reste diminue chaque division. On arrte lalgorithme lorsque le reste est nul. Le pgcd est le
dernier reste non nul R k (rendu unitaire).
Exemple 6.
Calculons le pgcd de A = X 4 1 et B = X 3 1. On applique lalgorithme dEuclide :
X 4 1 = (X 3 1) X + X 1
X 3 1 = (X 1) (X 2 + X + 1) + 0
Le pgcd est le dernier reste non nul, donc pgcd(X 4 1, X 3 1) = X 1.
Exemple 7.
Calculons le pgcd de A = X 5 + X 4 + 2X 3 + X 2 + X + 2 et B = X 4 + 2X 3 + X 2 4.
X 5 + X 4 + 2X 3 + X 2 + X + 2
X 4 + 2X 3 + X 2 4
3X 3 + 2X 2 + 5X 2

=
=
=

(X 4 + 2X 3 + X 2 4) (X 1) + 3X 3 + 2X 2 + 5X 2
2
(3X 3 + 2X 2 + 5X 2) 19 (3X + 4) 14
9 (X + X + 2)
2
(X + X + 2) (3X 1) + 0

Ainsi pgcd(A, B) = X 2 + X + 2.
Dfinition 4.
Soient A, B K[X ]. On dit que A et B sont premiers entre eux si pgcd(A, B) = 1.
Pour A, B quelconques on peut se ramener des polynmes premiers entre eux : si pgcd(A, B) = D alors A et
B scrivent : A = DA0 , B = DB 0 avec pgcd(A0 , B 0 ) = 1.

POLYNMES

2. ARITHMTIQUE DES POLYNMES

64

2.3. Thorme de Bzout


Thorme 2 (Thorme de Bzout).
Soient A, B K[X ] des polynmes avec A 6= 0 ou B 6= 0. On note D = pgcd(A, B). Il existe deux polynmes
U, V K[X ] tels que AU + BV = D.
Ce thorme dcoule de lalgorithme dEuclide et plus spcialement de sa remonte comme on le voit sur
lexemple suivant.
Exemple 8.
Nous avons calcul pgcd(X 4 1, X 3 1) = X 1. Nous remontons lalgorithme dEuclide, ici il ny avait
quune ligne : X 4 1 = (X 3 1) X + X 1, pour en dduire X 1 = (X 4 1) 1 + (X 3 1) (X ). Donc
U = 1 et V = X conviennent.
Exemple 9.
Pour A = X 5 + X 4 +2X 3 + X 2 + X +2 et B = X 4 +2X 3 + X 2 4 nous avions trouv D = pgcd(A, B) = X 2 + X +2.
En partant de lavant dernire ligne de lalgorithme dEuclide on a dabord : B = (3X 3 + 2X 2 + 5X 2)
1
14
9 (3X + 4) 9 D donc
14
1
D = B (3X 3 + 2X 2 + 5X 2) (3X + 4).
9
9
La ligne au-dessus dans lalgorithme dEuclide tait : A = B (X 1) + 3X 3 + 2X 2 + 5X 2. On substitue le
reste pour obtenir :
 1
14
D = B A B (X 1) (3X + 4).
9
9
On en dduit

14
1
1
D = A (3X + 4) + B 1 + (X 1) (3X + 4)
9
9
9

1
1
1
Donc en posant U = 14 (3X + 4) et V = 14 9 + (X 1)(3X + 4) = 14
(3X 2 + X + 5) on a AU + BV = D.
Le corollaire suivant sappelle aussi le thorme de Bzout.
Corollaire 1.
Soient A et B deux polynmes. A et B sont premiers entre eux si et seulement sil existe deux polynmes U et
V tels que AU + BV = 1.
Corollaire 2.
Soient A, B, C K[X ] avec A 6= 0 ou B 6= 0. Si C|A et C|B alors C| pgcd(A, B).
Corollaire 3 (Lemme de Gauss).
Soient A, B, C K[X ]. Si A|BC et pgcd(A, B) = 1 alors A|C.

2.4. ppcm
Proposition 5.
Soient A, B K[X ] des polynmes non nuls, alors il existe un unique polynme unitaire M de plus petit
degr tel que A|M et B|M .
Cet unique polynme est appel le ppcm (plus petit commun multiple) de A et B quon note ppcm(A, B).
Exemple 10.

ppcm X (X 2)2 (X 2 + 1)4 , (X + 1)(X 2)3 (X 2 + 1)3 = X (X + 1)(X 2)3 (X 2 + 1)4 .
De plus le ppcm est aussi le plus petit au sens de la divisibilit :

POLYNMES

3. RACINE DUN POLYNME, FACTORISATION

65

Proposition 6.
Soient A, B K[X ] des polynmes non nuls et M = ppcm(A, B). Si C K[X ] est un polynme tel que A|C
et B|C, alors M |C.
Mini-exercices.
1. Trouver les diviseurs de X 4 + 2X 2 + 1 dans R[X ], puis dans C[X ].
2. Montrer que X 1|X n 1 (pour n > 1).
3. Calculer les divisions euclidiennes de A par B avec A = X 4 1, B = X 3 1. Puis A = 4X 3 + 2X 2 X 5
et B = X 2 + X ; A = 2X 4 9X 3 + 18X 2 21X + 2 et B = X 2 3X + 1 ; A = X 5 2X 4 + 6X 3 et B = 2X 3 + 1.
4. Dterminer le pgcd de A = X 5 + X 3 + X 2 + 1 et B = 2X 3 + 3X 2 + 2X + 3. Trouver les coefficients de
Bzout U, V . Mmes questions avec A = X 5 1 et B = X 4 + X + 1.
5. Montrer que si AU + BV = 1 avec deg U < deg B et deg V < deg A alors les polynmes U, V sont
uniques.

3. Racine dun polynme, factorisation


3.1. Racines dun polynme
Dfinition 5.
Soit P = an X n + an1 X n1 + + a1 X + a0 K[X ]. Pour un lment x K, on note P(x) = an x n + +
a1 x + a0 . On associe ainsi au polynme P une fonction polynme (que lon note encore P)
P : K K,

x 7 P(x) = an x n + + a1 x + a0 .

Dfinition 6.
Soit P K[X ] et K. On dit que est une racine (ou un zro) de P si P() = 0.
Proposition 7.
P() = 0

X divise P

Dmonstration. Lorsque lon crit la division euclidienne de P par X on obtient P = Q (X ) + R o R


est une constante car deg R < deg(X ) = 1. Donc P() = 0 R() = 0 R = 0 X |P.
Dfinition 7.
Soit k N . On dit que est une racine de multiplicit k de P si (X )k divise P alors que (X )k+1
ne divise pas P. Lorsque k = 1 on parle dune racine simple, lorsque k = 2 dune racine double, etc.
On dit aussi que est une racine dordre k.
Proposition 8.
Il y a quivalence entre :
(i) est une racine de multiplicit k de P.
(ii) Il existe Q K[X ] tel que P = (X )k Q, avec Q() 6= 0.
(iii) P() = P 0 () = = P (k1) () = 0 et P (k) () 6= 0.
La preuve est laisse en exercice.

POLYNMES

3. RACINE DUN POLYNME, FACTORISATION

66

Remarque.
Par analogie avec la drive dune fonction, si P(X ) = a0 + a1 X + + an X n K[X ] alors le polynme
P 0 (X ) = a1 + 2a2 X + + nan X n1 est le polynme driv de P.

3.2. Thorme de dAlembert-Gauss


Passons un rsultat essentiel de ce chapitre :
Thorme 3 (Thorme de dAlembert-Gauss).
Tout polynme coefficients complexes de degr n > 1 a au moins une racine dans C. Il admet exactement n
racines si on compte chaque racine avec multiplicit.
Nous admettons ce thorme.
Exemple 11.
Soit P(X ) = aX 2 + bX + c un polynme de degr 2 coefficients relsp: a, b, c pR et a 6= 0.
b+

et b
.
Si = b2 4ac > 0 alors P admet 2 racines relles distinctes
2a
p
p 2a
bi ||
b+i ||
et
.
Si < 0 alors P admet 2 racines complexes distinctes
2a
2a
b
Si = 0 alors P admet une racine relle double 2a .
En tenant compte des multiplicits on a donc toujours exactement 2 racines.
Exemple 12.
P(X ) = X n 1 admet n racines distinctes.
Sachant que P est de degr n alors par le thorme de dAlembert-Gauss on sait quil admet n racines
comptes avec multiplicit. Il sagit donc maintenant de montrer que ce sont des racines simples. Supposons
par labsurde que C soit une racine de multiplicit > 2. Alors P() = 0 et P 0 () = 0. Donc n 1 = 0
et nn1 = 0. De la seconde galit on dduit = 0, contradictoire avec la premire galit. Donc toutes les
racines sont simples. Ainsi les n racines sont distinctes. (Remarque : sur cet exemple particulier on aurait
aussi pu calculer les racines qui sont ici les racines n-ime de lunit.)
Pour les autres corps que les nombres complexes nous avons le rsultat plus faible suivant :
Thorme 4.
Soit P K[X ] de degr n > 1. Alors P admet au plus n racines dans K.
Exemple 13.
P(X ) = 3X 3 2X 2 + 6X 4. Considr comme un polynme coefficients dans Q ou R, P na quune seule
racine (qui est simple) = 23 et il se dcompose en P(X ) = 3(X 23 )(X 2 + 2). Si on considre maintenant P
p
p
comme un polynme coefficients dans C alors P(X ) = 3(X 23 )(X i 2)(X + i 2) et admet 3 racines
simples.

3.3. Polynmes irrductibles


Dfinition 8.
Soit P K[X ] un polynme de degr > 1, on dit que P est irrductible si pour tout Q K[X ] divisant
P, alors, soit Q K , soit il existe K tel que Q = P.
Remarque.
Un polynme irrductible P est donc un polynme non constant dont les seuls diviseurs de P sont les
constantes ou P lui-mme ( une constante multiplicative prs).
La notion de polynme irrductible pour larithmtique de K[X ] correspond la notion de nombre
premier pour larithmtique de Z.

POLYNMES

3. RACINE DUN POLYNME, FACTORISATION

67

Dans le cas contraire, on dit que P est rductible ; il existe alors des polynmes A, B de K[X ] tels que
P = AB, avec deg A > 1 et deg B > 1.
Exemple 14.
Tous les polynmes de degr 1 sont irrductibles. Par consquent il y a une infinit de polynmes
irrductibles.
X 2 1 = (X 1)(X + 1) R[X ] est rductible.
i)(X + i) est rductible dans C[X ] mais est irrductible dans R[X ].
X 2 + 1 = (X p
p
2
X 2 = (X 2)(X + 2) est rductible dans R[X ] mais est irrductible dans Q[X ].
Nous avons lquivalent du lemme dEuclide de Z pour les polynmes :
Proposition 9 (Lemme dEuclide).
Soit P K[X ] un polynme irrductible et soient A, B K[X ]. Si P|AB alors P|A ou P|B.
Dmonstration. Si P ne divise pas A alors pgcd(P, A) = 1 car P est irrductible. Donc, par le lemme de Gauss,
P divise B.

3.4. Thorme de factorisation


Thorme 5.
Tout polynme non constant A K[X ] scrit comme un produit de polynmes irrductibles unitaires :
k

A = P1 1 P2 2 Prkr
o K , r N , ki N et les Pi sont des polynmes irrductibles distincts.
De plus cette dcomposition est unique lordre prs des facteurs.
Il sagit bien sr de lanalogue de la dcomposition dun nombre en facteurs premiers.

3.5. Factorisation dans C[X ] et R[X ]


Thorme 6.
Les polynmes irrductibles de C[X ] sont les polynmes de degr 1.
Donc pour P C[X ] de degr n > 1 la factorisation scrit P = (X 1 )k1 (X 2 )k2 (X r )kr , o
1 , ..., r sont les racines distinctes de P et k1 , ..., k r sont leurs multiplicits.
Dmonstration. Ce thorme rsulte du thorme de dAlembert-Gauss.
Thorme 7.
Les polynmes irrductibles de R[X ] sont les polynmes de degr 1 ainsi que les polynmes de degr 2 ayant
un discriminant < 0.
`
`
Soit P R[X ] de degr n > 1. Alors la factorisation scrit P = (X 1 )k1 (X 2 )k2 (X r )kr Q 11 Q s s ,
o les i sont exactement les racines relles distinctes de multiplicit ki et les Q i sont des polynmes irrductibles
de degr 2 : Q i = X 2 + i X + i avec = i2 4i < 0.
Exemple 15.
P(X ) = 2X 4 (X 1)3 (X 2 + 1)2 (X 2 + X + 1) est dj dcompos en facteurs irrductibles dans R[X ] alors que
p
2i
sa dcomposition dans C[X ] est P(X ) = 2X 4 (X 1)3 (X i)2 (X + i)2 (X j)(X j 2 ) o j = e 3 = 1+i2 3 .

POLYNMES

4. FRACTIONS RATIONNELLES

68

Exemple 16.
Soit P(X ) = X 4 + 1.
Sur C. On peut dabord dcomposer P(X ) = (X 2 + i)(X 2 i). Les racines de P sont donc les racines
carres complexes de i et i. Ainsi P se factorise dans C[X ] :
p
p
p
p




P(X ) = X 22 (1 + i) X + 22 (1 + i) X 22 (1 i) X + 22 (1 i) .
aussi. Dans la dcomposition
Sur R. Pour un polynme coefficient rels, si est une racine alors
ci-dessus on regroupe les facteurs ayant des racines conjugues, cela doit conduire un polynme rel :
p
p
p
p





P(X ) = X 22 (1 + i) X 22 (1 i)
X + 22 (1 + i) X + 22 (1 i)



p
p
= X 2 + 2X + 1 X 2 2X + 1 ,
qui est la factorisation dans R[X ].
Mini-exercices.
1. Trouver un polynme P(X ) Z[X ] de degr minimal tel que :
racine double et i soit une racine triple.

1
2

soit une racine simple,

p
2 soit une

2. Montrer cette partie de la proposition 8 : P() = 0 et P 0 () = 0 est une racine de multiplicit


> 2 .
3. Montrer que pour P C[X ] : P admet une racine de multiplicit > 2 P et P 0 ne sont pas
premiers entre eux .
4. Factoriser P(X ) = (2X 2 + X 2)2 (X 4 1)3 et Q(X ) = 3(X 2 1)2 (X 2 X + 14 ) dans C[X ]. En dduire
leur pgcd et leur ppcm. Mmes questions dans R[X ].
5. Si pgcd(A, B) = 1 montrer que pgcd(A + B, A B) = 1.
= 0. Montrer que (X )(X )
est
6. Soit P R[X ] et C \ R tel que P() = 0. Vrifier que P()
un polynme irrductible de R[X ] et quil divise P dans R[X ].

4. Fractions rationnelles
Dfinition 9.
Une fraction rationnelle coefficients dans K est une expression de la forme
P
F=
Q
o P, Q K[X ] sont deux polynmes et Q 6= 0.
Toute fraction rationnelle se dcompose comme une somme de fractions rationnelles lmentaires que lon
appelle des lments simples . Mais les lments simples sont diffrents sur C ou sur R.

4.1. Dcomposition en lments simples sur C


Thorme 8 (Dcomposition en lments simples sur C).
Soit P/Q une fraction rationnelle avec P, Q C[X ], pgcd(P, Q) = 1 et Q = (X 1 )k1 (X r )kr . Alors il
existe une et une seule criture :
a1,k1
a1,1
a1,2
P
= E +
+
+

+
Q
(X 1 )
(X 1 )k1 (X 1 )k1 1
a2,k2
a2,1
+
+ +
k
(X 2 )
(X 2 ) 2
+

POLYNMES

4. FRACTIONS RATIONNELLES

Le polynme E sappelle la partie polynomiale (ou partie entire). Les termes


simples sur C.
Exemple 17.
Vrifier que

1
= Xa+i + X bi
X 2 +1
X 4 8X 2 +9X 7
=X
(X 2)2 (X +3)

Vrifier que

a
(X )i

69

sont les lments

1
1
2 i, b = 2 i.
1
+ X 22 + X1
+3 .
(X 2)2

avec a =
+1+

Comment se calcule cette dcomposition ? En gnral on commence par dterminer la partie polynomiale.
Tout dabord si deg Q > deg P alors E(X ) = 0. Si deg P 6 deg Q alors effectuons la division euclidienne de
P par Q : P = QE + R donc QP = E + QR o deg R < deg Q. La partie polynomiale est donc le quotient de
cette division. Et on sest ramen au cas dune fraction QR avec deg R < deg Q. Voyons en dtails comment
continuer sur un exemple.
Exemple 18.
X 5 2X 3 + 4X 2 8X + 11
P
=
.
Q
X 3 3X + 2
Premire tape : partie polynomiale. On calcule la division euclidienne de P par Q : P(X ) = (X 2 +
P(X )
1)Q(X ) + 2X 2 5X + 9. Donc la partie polynomiale est E(X ) = X 2 + 1 et la fraction scrit Q(X ) =

Dcomposons la fraction

5X +9
5X +9
X 2 + 1 + 2X Q(X
. Notons que pour la fraction 2X Q(X
le degr du numrateur est strictement plus
)
)
petit que le degr du dnominateur.
Deuxime tape : factorisation du dnominateur. Q a pour racine vidente +1 (racine double) et 2
(racine simple) et se factorise donc ainsi Q(X ) = (X 1)2 (X + 2).
Troisime tape : dcomposition thorique en lments simples. Le thorme de dcomposition en
P(X )
a
b
c
lments simples nous dit quil existe une unique dcomposition : Q(X ) = E(X ) + (X 1)
2 + X 1 + X +2 .
Nous savons dj que E(X ) = X 2 + 1, il reste trouver les nombres a, b, c.
Quatrime tape : dtermination des coefficients. Voici une premire faon de dterminer a, b, c. On
b
a
c
2X 2 5X +9
rcrit la fraction (X 1)
:
2 + X 1 + X +2 au mme dnominateur et on lidentifie avec
Q(X )

b
c
(b + c)X 2 + (a + b 2c)X + 2a 2b + c
a
+
+
=
(X 1)2 X 1 X + 2
(X 1)2 (X + 2)
qui doit tre gale
2X 2 5X + 9
.
(X 1)2 (X + 2)
On en dduit b + c = 2, a + b 2c = 5 et 2a 2b + c = 9. Cela conduit lunique solution a = 2,
b = 1, c = 3. Donc
P
X 5 2X 3 + 4X 2 8X + 11
2
1
3
=
= X2 + 1 +
+
.
+
Q
X 3 3X + 2
(X 1)2 X 1 X + 2
Cette mthode est souvent la plus longue.
Quatrime tape (bis) : dtermination des coefficients. Voici une autre mthode plus efficace.
2
P 0 (X )
+9
a
c
b
Notons Q(X ) = (X2X1)5X
2 (X +2) dont la dcomposition thorique est : (X 1)2 + X 1 + X +2
0

Pour dterminer a on multiplie la fraction PQ par (X 1)2 et on value en x = 1.


Tout dabord en partant de la dcomposition thorique on a :
F1 (X ) = (X 1)2

P 0 (X )
(X 1)2
= a + b(X 1) + c
Q(X )
X +2

donc

F1 (1) = a

Dautre part
P 0 (X )
2X 2 5X + 9
2X 2 5X + 9
= (X 1)2
=
Q(X )
(X 1)2 (X + 2)
X +2
donc F1 (1) = 2. On en dduit a = 2.
On fait le mme processus pour dterminer c : on multiplie par (X + 2) et on value en 2. On calcule
2
P 0 (X )
+9
+2
X +2
F2 (X ) = (X + 2) Q(X ) = 2X(X5X
= a (XX1)
2 + b X 1 + c de deux faons et lorsque lon value x = 2 on
1)2
obtient dune part F2 (2) = c et dautre part F2 (2) = 3. Ainsi c = 3.
F1 (X ) = (X 1)2

POLYNMES

4. FRACTIONS RATIONNELLES

70

Comme les coefficients sont uniques tous les moyens sont bons pour les dterminer. Par exemple lorsque
P 0 (X )
a
b
c
lon value la dcomposition thorique Q(X ) = (X 1)
2 + X 1 + X +2 en x = 0, on obtient :
c
P 0 (0)
=ab+
Q(0)
2
Donc

9
2

= a b + 2c . Donc b = a +

c
2

9
2

= 1.

4.2. Dcomposition en lments simples sur R


Thorme 9 (Dcomposition en lments simples sur R).
Soit P/Q une fraction rationnelle avec P, Q R[X ], pgcd(P, Q) = 1. Alors P/Q scrit de manire unique
comme somme :
dune partie polynomiale E(X ),
a
dlments simples du type (X )i ,

aX +b
dlments simples du type (X 2 +X +)i .
O les X et X 2 + X + sont les facteurs irrductibles de Q(X ) et les exposants i sont infrieurs ou gaux
la puissance correspondante dans cette factorisation.

Exemple 19.
4
3
P(X )
+8X 2 +5X +3
Dcomposition en lments simples de Q(X ) = 3X(X+5X
. Comme deg P < deg Q alors E(X ) = 0. Le
2 +X +1)2 (X 1)
2
dnominateur est dj factoris sur R car X + X + 1 est irrductible. La dcomposition thorique est donc :
aX + b
cX + d
e
P(X )
= 2
+ 2
+
.
2
Q(X ) (X + X + 1)
X +X +1 X 1
Il faut ensuite mener au mieux les calculs pour dterminer les coefficients afin dobtenir :
P(X )
2X + 1
1
3
=
+
+
.
Q(X ) (X 2 + X + 1)2 X 2 + X + 1 X 1
Mini-exercices.
1. Soit Q(X ) = (X 2)2 (X 2 1)3 (X 2 +1)4 . Pour P R[X ] quelle est la forme thorique de la dcomposition
en lments simples sur C de QP ? Et sur R ?
2. Dcomposer les fractions suivantes en lments simples sur R et C :
3. Dcomposer les fractions suivantes en lments simples sur R :
2

1
X 2 1

X 2 +X +1
(X 1)(X +2)2

X 2 +1
(X 1)2

2X 2 X
(X 2 +2)2

X
.
X 3 1

X6
.
(X 2 +1)2

20
4. Soit F (X ) = 2X +7X
. Dterminer lquation de lasymptote oblique en . tudier la position du
X +2
graphe de F par rapport cette droite.

Auteurs du chapitre
Rdaction : Arnaud Bodin ; relecture : Stphanie Bodin
Bas sur des cours de Guoting Chen et Marc Bourdon

Chapitre

Groupes
Vido
Vido
Vido
Vido
Vido

partie 1. Dfinition
partie 2. Sous-groupes
partie 3. Morphismes de groupes
partie 4. Le groupe Z/nZ
partie 5. Le groupe des permutations

Motivation
variste Galois a tout juste vingt ans lorsquil meurt dans un duel. Il restera pourtant comme lun des plus
grands mathmaticiens de son temps pour avoir introduit la notion de groupe, alors quil avait peine
dix-sept ans.
Vous savez rsoudre les quations de degr 2 du type a x 2 + b x + c = 0. Les solutions sexpriment en fonction
p
de a, b, c et de la fonction racine carre . Pour les quations de degr 3, a x 3
+ b x 2 + c x+ d = 0, il existe
3

51
5+1

aussi des formules. Par exemple une solution de x 3 + 3x + 1 = 0 est x 0 =


2
2 . De telles
formules existent aussi pour les quations de degr 4.
Un proccupation majeure au dbut du X I X e sicle tait de savoir sil existait des formules similaires pour
les quations de degr 5 ou plus. La rponse fut apporte par Galois et Abel : non il nexiste pas en gnral
une telle formule. Galois parvient mme dire pour quels polynmes cest possible et pour lesquels a ne
lest pas. Il introduit pour sa dmonstration la notion de groupe.

Les groupes sont la base dautres notions mathmatiques comme les anneaux, les corps, les matrices, les
espaces vectoriels,... Mais vous les retrouvez aussi en arithmtique, en gomtrie, en cryptographie !
Nous allons introduire dans ce chapitre la notion de groupe, puis celle de sous-groupe. On tudiera ensuite
les applications entre deux groupes : les morphismes de groupes. Finalement nous dtaillerons deux groupes
importants : le groupe Z/nZ et le groupe des permutations Sn .

1. Groupe
1.1. Dfinition
Dfinition 1.
Un groupe (G, ?) est un ensemble G auquel est associ une opration ? (la loi de composition) vrifiant
les quatre proprits suivantes :
1. pour tout x, y G,
2. pour tout x, y, z G,

x?yG

(? est une loi de composition interne)

(x ? y) ? z = x ? ( y ? z)

(la loi est associative)

GROUPES

3. il existe e G tel que

1. GROUPE

x G, x ? e = x et e ? x = x

4. pour tout x G il existe x 0 G tel que

72

(e est llment neutre)

x ? x0 = x0 ? x = e

(x 0 est linverse de x et est not x 1 )

Si de plus lopration vrifie


pour tout x, y G,

x ? y = y ? x,

on dit que G est un groupe commutatif (ou ablien).

Remarque.
Llment neutre e est unique. En effet si e0 vrifie aussi le point (3), alors on a e0 ? e = e (car e est
lment neutre) et e0 ? e = e0 (car e0 aussi). Donc e = e0 . Remarquez aussi que linverse de llment
neutre est lui-mme. Sil y a plusieurs groupes, on pourra noter eG pour llment neutre du groupe G.
Un lment x G ne possde quun seul inverse. En effet si x 0 et x 00 vrifient tous les deux le point (4)
alors on a x ? x 00 = e donc x 0 ? (x ? x 00 ) = x 0 ? e. Par lassociativit (2) et la proprit de llment neutre
(3) alors (x 0 ? x) ? x 00 = x 0 . Mais x 0 ? x = e donc e ? x 00 = x 0 et ainsi x 00 = x 0 .

1.2. Exemples
Voici des ensembles bien connus pour lesquels lopration donne dfinit une structure de groupe.
(R , ) est un groupe commutatif, est la multiplication habituelle. Vrifions chacune des proprits :
1. Si x, y R alors x y R .
2. Pour tout x, y, z R alors x ( y z) = (x y) z, cest lassociativit de la multiplication des
nombres rels.
3. 1 est llment neutre pour la multiplication, en effet 1 x = x et x 1 = x, ceci quelque soit x R .
4. Linverse dun lment x R est x 0 = 1x (car x 1x est bien gal llment neutre 1). Linverse
de x est donc x 1 = 1x . Notons au passage que nous avions exclu 0 de notre groupe, car il na pas
dinverse.
Ces proprits font de (R , ) un groupe.
5. Enfin x y = y x, cest la commutativit de la multiplication des rels.
(Q , ), (C , ) sont des groupes commutatifs.
(Z, +) est un groupe commutatif. Ici + est laddition habituelle.
1. Si x, y Z alors x + y Z.
2. Pour tout x, y, z Z alors x + ( y + z) = (x + y) + z.
3. 0 est llment neutre pour laddition, en effet 0 + x = x et x + 0 = x, ceci quelque soit x Z.
4. Linverse dun lment x Z est x 0 = x car x + (x) = 0 est bien llment neutre 0. Quand la loi
de groupe est + linverse sappelle plus couramment loppos.
5. Enfin x + y = y + x, et donc (Z, +) est un groupe commutatif.
(Q, +), (R, +), (C, +) sont des groupes commutatifs.
Soit R lensemble des rotations du plan dont le centre est lorigine O.

GROUPES

1. GROUPE

73

Alors pour deux rotations R et R 0 la compose R R 0 est encore une rotation de centre lorigine
et dangle + 0 . Ici est la composition. Ainsi (R, ) forme un groupe (qui est mme commutatif).
Pour cette loi llment neutre est la rotation dangle 0 : cest lidentit du plan. Linverse dune rotation
dangle est la rotation dangle .
Si I dsigne lensemble des isomtries du plan (ce sont les translations, rotations, rflexions et leurs
composes) alors (I , ) est un groupe. Ce groupe nest pas un groupe commutatif. En effet, identifions
le plan R2 et soit par exemple R la rotation de centre O = (0, 0) et dangle 2 et T la translation
de vecteur (1, 0). Alors les isomtries T R et R T sont des applications distinctes. Par exemple les
images du point A = (1, 1) par ces applications sont distinctes : T R(1, 1) = T (1, 1) = (0, 1) alors que
R T (1, 1) = R(2, 1) = (1, 2).
R T (A)

R(A)

T R(A)

T (A)

Voici deux exemples qui ne sont pas des groupes :


1
(Z , ) nest pas un groupe. Car si 2 avait un inverse (pour la multiplication ) ce serait 2 qui nest pas
un entier.
/ N.
(N, +) nest pas un groupe. En effet linverse de 3 (pour laddition +) devrait tre 3 mais 3

Nous tudierons dans les sections 4 et 5 deux autres groupes trs importants : les groupes cycliques (Z/nZ, +)
et les groupes de permutations (Sn , ).

1.3. Puissance
Revenons un groupe (G, ?). Pour x G nous noterons x ? x par x 2 et x ? x ? x par x 3 . Plus gnralement
nous noterons :
? ? x,
x n = |x ? x {z
}
n fois

x 0 = e,
1
? x 1 .
x n = |x ? {z
}
n fois

Rappelez-vous que x 1 dsigne linverse de x dans le groupe.

GROUPES

1. GROUPE

74

Les rgles de calcul sont les mmes que pour les puissances des nombres rels. Pour x, y G et m, n Z
nous avons :
x m ? x n = x m+n ,
(x m )n = x mn ,
(x ? y)1 = y 1 ? x 1 , attention lordre !
Si (G, ?) est commutatif alors (x ? y)n = x n ? y n .

1.4. Exemple des matrices 2 2


Une matrice 2 2 est un tableau de 4 nombres (pour nous des rels) not ainsi :


a b
.
c d

Nous allons dfinir lopration produit not de deux matrices M = ac db et M 0 =

  0
  0

a b
a b0
aa + bc 0 a b0 + bd 0
0
MM =
0
=
.
c d
c d0
ca0 + d c 0 c b0 + d d 0

a0 b0
c0 d 0

Voici comment prsenter les calculs, on place M gauche, M 0 au dessus de ce qui va tre le rsultat. On
calcule un par un, chacun des termes de M M 0 .
Pour le premier terme on prend la colonne situe au dessus et la ligne situe gauche : on effectue les
produits a a0 et b c 0 quon additionne pour obtenir le premier terme du rsultat. Mme chose avec
le second terme : on prend la colonne situe au dessus, la ligne situe gauche, on fait les produit, on
additionne : a b0 + bd 0 . Idem pour les deux autres termes.

a b
c d
Par exemple si M =
droite)

1 1
0 1

et M 0 =

10
21

0
a
c0

b0
d0

aa0 + bc 0 ab0 + bd 0

ca0 + dc 0 c b0 + dd 0

alors voici comment poser les calculs (M M 0 gauche, M 0 M




1
0
1
1
2
1
0 1

 


 

1
1
3
1
1
0
1
1
0 1
2 1
2
1
2
1


0
0
0
3 1
11
alors M M = 2 1 et M M = 2 1 . Remarquez quen gnral M M 6= M 0 M .
Le dterminant dune matrice M =

a b
c d

est par dfinition le nombre rel


det M = ad bc.

Proposition 1.
Lensemble des matrices 2 2 ayant un dterminant non nul, muni de la multiplication des matrices , forme
un groupe non-commutatif.
Ce groupe est not (G`2 , ).
Nous aurons besoin dun rsultat prliminaire :
Lemme 1.
det(M M 0 ) = det M det M 0 .

GROUPES

1. GROUPE

75





Pour la preuve, il suffit de vrifier le calcul : aa0 + bc 0 c b0 + d d 0 a b0 + bd 0 ca0 + d c 0 = (ad bc)(a0 d 0
b0 c 0 ).
Revenons la preuve de la proposition.
Dmonstration.
1. Vrifions la loi de composition interne. Si M , M 0 sont des matrices 2 2 alors M M 0 aussi. Maintenant
si M et M 0 sont de dterminants non nuls alors det(M M 0 ) = det M det M 0 est aussi non nul. Donc si
M , M 0 G`2 alors M M 0 G`2 .
2. Pour vrifier que la loi est associative, cest un peu fastidieux. Pour trois matrices M , M 0 , M 00 quelconques
il faut montrer (M M 0 ) M 00 = M (M 0 M 00 ). Faites-le pour vrifier que vous matrisez le produit
de matrices.

3. Existence de llment neutre. La matrice identit I = 10 01 est llment neutre pour la multiplication






des matrices : en effet ac db 10 01 = ac db et 10 01 ac db = ac db .


1
d b
4. Existence de linverse. Soit M = ac db une matrice de dterminant non nul alors M 1 = adbc
c a
est linverse de M : vrifiez que M M 1 = I et que M 1 M = I.
5. Enfin nous avons dj vu que cette multiplication nest pas commutative.

Mini-exercices.
1. Montrer que (R+ , ) est un groupe commutatif.
2. Soit f a,b : R R la fonction dfinie par x 7 a x + b. Montrer que lensemble F = { f a,b | a R , b R}
muni de la composition est un groupe non commutatif.
x+ y

3. (Plus dur) Soit G =] 1, 1[. Pour x, y G on dfinit x ? y = 1+x y . Montrer que (G, ?) forme un
groupe en (a) montrant que ? est une loi de composition interne : x ? y G ; (b) montrant que la loi
est associative ; (c) montrant que 0 est lment neutre ; (d) trouvant linverse de x.
Soit (G, ?) un groupe quelconque ; x, y, z sont des lments de G.
4. Montrer que si x ? y = x ? z alors y = z.
1
5. Que vaut x 1
?
6. Si x n = e, quel est linverse de x ?
Matrices :
7. Soient M1 =

0 1
1 0

, M2 =

8. Calculer (M1 M2 ) et
2

M12

12
10

, M3 =

M22 .

12
34

. Vrifier que M1 (M2 M3 ) = (M1 M2 ) M3 .

(Rappel : M 2 = M M )

9. Calculer le dterminant des Mi ainsi que leur inverse.


10. Montrer que lensemble des matrices 22 muni de laddition + dfinie par
forme un groupe commutatif.

a b
c d

a0 b0
c0 d 0

a+a0 b+b0
c+c 0 d+d 0

GROUPES

2. SOUS-GROUPES

76

2. Sous-groupes
Montrer quun ensemble est un groupe partir de la dfinition peut tre assez long. Il existe une autre
technique, cest de montrer quun sous-ensemble dun groupe est lui-mme un groupe : cest la notion de
sous-groupe.

2.1. Dfinition
Soit (G, ?) un groupe.
Dfinition 2.
Une partie H G est un sous-groupe de G si :
e H,
pour tout x, y H, on a x ? y H,
pour tout x H, on a x 1 H.
Notez quun sous-groupe H est aussi un groupe (H, ?) avec la loi induite par celle de G.
Par exemple si x H alors, pour tout n Z, nous avons x n H.
Remarque.
Un critre pratique et plus rapide pour prouver que H est un sous-groupe de G est :
H contient au moins un lment
pour tout x, y H, x ? y 1 H.

2.2. Exemples
(R+ , ) est un sous-groupe de (R , ). En effet :
1 R+ ,
si x, y R+ alors x y R+ ,
si x R+ alors x 1 = 1x R+ .
(U, ) est un sous-groupe de (C , ), o U = {z C | |z| = 1}.
(Z, +) est un sous-groupe de (R, +).
{e} et G sont les sous-groupes triviaux du groupe G.
Lensemble R des rotations du plan dont le centre est lorigine est un sous-groupe du groupe des
isomtries I .

Lensemble des matrices diagonales 0a d0 avec a 6= 0 et d 6= 0 est un sous-groupe de (G`2 , ).

2.3. Sous-groupes de Z
Proposition 2.
Les sous-groupes de (Z, +) sont les nZ, pour n Z.
Lensemble nZ dsigne lensemble des multiples de n :

nZ = k n | k Z .
Par exemple :
2Z = {. . . , 4, 2, 0, +2, +4, +6, . . .} est lensemble des entiers pairs,
7Z = {. . . , 14, 7, 0, +7, +14, +21, . . .} est lensemble des multiples de 7.
Dmonstration. Fixons n Z. Lensemble nZ est un sous-groupe de (Z, +), en effet :
nZ Z,

GROUPES

3. MORPHISMES DE GROUPES

77

llment neutre 0 appartient nZ,


pour x = kn et y = k0 n des lments de nZ alors x + y = (k + k0 )n est aussi un lment de nZ,
enfin si x = kn est un lment de nZ alors x = (k)n est aussi un lment de nZ.
Rciproquement soit H un sous-groupe de (Z, +). Si H = {0} alors H = 0Z et cest fini. Sinon H contient au
moins un lment non-nul et positif (puisque tout lment est accompagn de son oppos) et notons


n = min h > 0 | h H .
Alors n > 0. Comme n H alors n H, 2n = n+n H, et plus gnralement pour k Z alors kn H. Ainsi
nZ H. Nous allons maintenant montrer linclusion inverse. Soit h H. crivons la division euclidienne :
h = kn + r,

avec k, r Z et 0 6 r < n.

Mais h H et kn H donc r = h kn H. Nous avons un entier r > 0 qui est un lment de H et


strictement plus petit que n. Par la dfinition de n, ncessairement r = 0. Autrement dit h = kn et donc
h nZ. Conclusion H = nZ.

2.4. Sous-groupes engendrs


Soit (G, ?) un groupe et E G un sous-ensemble de G. Le sous-groupe engendr par E est le plus petit
sous-groupe de G contenant E.
Par exemple si E = {2} et le groupe est (R , ), le sous-groupe engendr par E est H = {2n | n Z}. Pour
le prouver : il faut montrer que H est un sous-groupe, que 2 H, et que si H 0 est un autre sous-groupe
contenant 2 alors H H 0 .
Autre exemple avec le groupe (Z, +) : si E1 = {2} alors le sous-groupe engendr par E1 est H1 = 2Z. Si
E2 = {8, 12} alors H2 = 4Z et plus gnralement si E = {a, b} alors H = nZ o n = pgcd(a, b).
Mini-exercices.
1. Montrer que {2n | n Z} est un sous-groupe de (R , ).
2. Montrer que si H et H 0 sont deux sous-groupes de (G, ?) alors H H 0 est aussi un sous-groupe.
3. Montrer que 5Z 8Z nest pas un sous-groupe de (Z, +).
4. Montrer que lensemble des matrices 2 2 de dterminant 1 ayant leurs coefficients dans Z est un
sous-groupe de (G`2 , ).
5. Trouver le sous-groupe de (Z, +) engendr par {12, 8, 20}.

3. Morphismes de groupes
3.1. Dfinition
Dfinition 3.
Soient (G, ?) et (G 0 , ) deux groupes. Une application f : G G 0 est un morphisme de groupes si :
pour tout x, x 0 G

f (x ? x 0 ) = f (x)  f (x 0 )

Lexemple que vous connaissez dj est le suivant : soit G le groupe (R, +) et G 0 le groupe (R+ , ). Soit
f : R R+ lapplication exponentielle dfinie par f (x) = exp(x). Nous avons bien
f (x + x 0 ) = exp(x + x 0 ) = exp(x) exp(x 0 ) = f (x) f (x 0 ).
Et donc f est bien un morphisme de groupes.

GROUPES

3. MORPHISMES DE GROUPES

78

3.2. Proprits
Proposition 3.
Soit f : G G 0 un morphisme de groupes alors :
f (eG ) = eG 0 ,
1
pour tout x G, f (x 1 ) = f (x) .
Il faut faire attention lensemble auquel appartiennent les lments considrs : eG est llment neutre de
G, eG 0 celui de G 0 . Il ny a pas de raison quils soient gaux (ils ne sont mme pas dans le mme ensemble).
1
Aussi x 1 est linverse de x dans G, alors que f (x)
est linverse de f (x) mais dans G 0 .
Reprenons lexemple de la fonction f : R R+ dfinie par f (x) = exp(x). Nous avons bien f (0) = 1 :
llment neutre de (R, +) a pour image llment neutre de (R+ , ). Pour x R son inverse dans (R, +) est
1
1
ici son oppos x, alors f (x) = exp(x) = exp(x)
= f (x)
est bien linverse (dans (R+ , )) de f (x).
Dmonstration.
f (eG ) = f (eG ? eG ) = f (eG )  f (eG ), en multipliant ( droite par exemple) par f (eG )1 on obtient
eG 0 = f (eG ).
entrane f (x)  f (x 1 ) = eG 0 , en composant
Soit x G alors x ? x 1 = eG donc f (x ? x 1 ) = f (eG ). Cela
1
1
1
gauche par f (x) , nous obtenons f (x ) = f (x) .

Proposition 4.
Soient deux morphismes de groupes f : G G 0 et g : G 0 G 00 . Alors g f : G G 00 est un
morphisme de groupes.
Si f : G G 0 est un morphisme bijectif alors f 1 : G 0 G est aussi un morphisme de groupes.
Dmonstration. La premire partie est facile. Montrons la deuxime : Soit y, y 0 G 0 . Comme f est bijective,


il existe x, x 0 G tels que f (x) = y et f (x 0 ) = y 0 . Alors f 1 ( y  y 0 ) = f 1 f (x)  f (x 0 ) = f 1 f (x ? x 0 ) =
x ? x 0 = f 1 ( y) ? f 1 ( y 0 ). Et donc f 1 est un morphisme de G 0 vers G.
Dfinition 4.
Un morphisme bijectif est un isomorphisme. Deux groupes G, G 0 sont isomorphes sil existe un morphisme bijectif f : G G 0 .
Continuons notre exemple f (x) = exp(x), f : R R+ est une application bijective. Sa bijection rciproque
f 1 : R+ R est dfinie par f 1 (x) = ln(x). Par la proposition 4 nous savons que f 1 est aussi un
morphisme (de (R+ , ) vers (R, +)) donc f 1 (x x 0 ) = f 1 (x) + f 1 (x 0 ). Ce qui sexprime ici par la
formule bien connue :
ln(x x 0 ) = ln(x) + ln(x 0 ).
Ainsi f est un isomorphisme et les groupes (R, +) et (R+ , ) sont isomorphes.

3.3. Noyau et image


Soit f : G G 0 un morphisme de groupes. Nous dfinissons deux sous-ensembles importants qui vont
tre des sous-groupes.
Dfinition 5.
Le noyau de f est


Ker f = x G | f (x) = eG 0

GROUPES

3. MORPHISMES DE GROUPES

79


Cest donc un sous-ensemble de G. En terme dimage rciproque nous avons par dfinition Ker f = f 1 {eG 0 } .
(Attention, la notation f 1 ici dsigne limage rciproque, et ne signifie pas que f est bijective.) Le noyau
est donc lensemble des lments de G qui senvoient par f sur llment neutre de G 0 .
Dfinition 6.
Limage de f est


Im f = f (x) | x G
Cest donc un sous-ensemble de G 0 et en terme dimage directe nous avons Im f = f (G). Ce sont les lments
de G 0 qui ont (au moins) un antcdent par f .
Proposition 5.
Soit f : G G 0 un morphisme de groupes.
1. Ker f est un sous-groupe de G.
2. Im f est un sous-groupe de G 0 .
3. f est injectif si et seulement si Ker f = {eG }.
4. f est surjectif si et seulement si Im f = G 0 .
Dmonstration.
1. Montrons que le noyau est un sous-groupe de G.
(a) f (eG ) = eG 0 donc eG Ker f .
(b) Soient x, x 0 Ker f . Alors f (x ? x 0 ) = f (x)  f (x 0 ) = eG 0  eG 0 = eG 0 et donc x ? x 0 Ker f .
(c) Soit x Ker f . Alors f (x 1 ) = f (x)1 = eG10 = eG 0 . Et donc x 1 Ker f .
2. Montrons que limage est un sous-groupe de G 0 .
(a) f (eG ) = eG 0 donc eG 0 Im f .
(b) Soient y, y 0 Im f . Il existe alors x, x 0 G tels que f (x) = y, f (x 0 ) = y 0 . Alors y  y 0 = f (x) f (x 0 ) =
f (x ? x 0 ) Im f .
(c) Soit y Im f et x G tel que y = f (x). Alors y 1 = f (x)1 = f (x 1 ) Im f .
3. Supposons f injective. Soit x Ker f , alors f (x) = eG 0 donc f (x) = f (eG ) et comme f est injective
alors x = eG . Donc Ker f = {eG }. Rciproquement supposons Ker f = {eG }. Soient x, x 0 G tels que
1
f (x) = f (x 0 ) donc f (x)  f (x 0 )
= eG 0 , do f (x)  f (x 01 ) = eG 0 et donc f (x ? x 01 ) = eG 0 . Ceci
01
implique que x ? x
Ker f . Comme Ker f = {eG } alors x ? x 01 = eG et donc x = x 0 . Ainsi f est
injective.
4. Cest clair !

3.4. Exemples
Exemple 1.
1. Soit f : Z Z dfinie par f (k) = 3k. (Z, +) est considr comme ensemble de dpart et darrive de
lapplication. Alors f est un morphisme du groupe (Z, +) dans lui-mme car f (k + k0 ) = 3(k + k0 ) =
3k + 3k0 = f (k) + f (k0 ). Calculons le noyau : Ker f = {k Z | f (k) = 0}. Mais si f (k) = 0 alors 3k = 0
donc k = 0. Ainsi Ker f = {0} est rduit llment neutre et donc f est injective. Calculons maintenant
limage Im f = { f (k) | k Z} = {3k | k Z} = 3Z. Nous retrouvons que 3Z est un sous-groupe de
(Z, +).

4. LE GROUPE Z/nZ 80

GROUPES

Plus gnralement si lon fixe n Z, n 6= 0, et que f est dfinie par f (k) = k n alors Ker f = {0} et
Im f = nZ.
2. Soient les groupes (R, +) et (U, ) (o U = {z C | |z| = 1}) et f lapplication f : R U dfinie
0
0
par f (t) = ei t . Montrons que f est un morphisme : f (t + t 0 ) = ei(t+t ) = ei t ei t = f (t) f (t 0 ).
Calculons le noyau Ker f = {t R | f (t) = 1}. Mais si f (t) = 1 alors ei t = 1 donc t = 0 (mod 2). Do
Ker f = {2k | k Z} = 2Z. Ainsi f nest pas injective. Limage de f est U car tout nombre complexe
de module 1 scrit sous la forme f (t) = ei t .
3. Soient les groupes (G`2 , ) et (R , ) et f : G`2 R dfinie par f (M ) = det M . Alors la formule vue
plus haut (lemme 1) det(M M 0 ) = det M det M 0 implique que f est un morphisme de groupes. Ce

morphisme est surjectif, car si t R alors det 10 0t = t. Ce morphisme nest pas injectif car par exemple


det 10 0t = det 0t 10 .

Attention : ne pas confondre les diffrentes notations avec des puissances 1 : x 1 , f 1 , f 1 {eG 0 } :
x 1 dsigne linverse de x dans un groupe (G, ?). Cette notation est cohrente avec la notation usuelle
si le groupe est (R , ) alors x 1 = 1x .
Pour une application bijective f 1 dsigne la bijection rciproque.

quelconque f : E F , limage rciproque dune partie B F est f 1 (B) = x
Pour une application


E | f (x) B , cest une partie de E. Pour un morphisme f , Ker f = f 1 {eG 0 } est donc lensemble des
x G tels que leur image par f soit eG 0 . Le noyau est dfini mme si f nest pas bijective.
Mini-exercices.
1. Soit f : (Z, +) (Q , ) dfini par f (n) = 2n . Montrer que f est un morphisme de groupes.
Dterminer le noyau de f . f est-elle injective ? surjective ?
2. Mmes questions pour f : (R, +) (R, ), qui un rel associe la rotation dangle de centre
lorigine.
3. Soit (G, ?) un groupe et f : G G lapplication dfinie par f (x) = x 2 . (Rappel : x 2 = x ? x.) Montrer
que si (G, ?) est commutatif alors f est un morphisme. Montrer ensuite la rciproque.
4. Montrer quil nexiste pas de morphisme f : (Z, +) (Z, +) tel que f (2) = 3.
5. Montrer que f , g : (R , ) (R , ) dfinis par f (x) = x 2 , g(x) = x 3 sont des morphismes de
groupes. Calculer leurs images et leurs noyaux respectives.

4. Le groupe Z/nZ
4.1. Lensemble et le groupe Z/nZ
Fixons n > 1. Rappelons que Z/nZ est lensemble


Z/nZ = 0, 1, 2, . . . , n 1
o p dsigne la classe dquivalence de p modulo n.
Autrement dit
p = q p q (mod n)
ou encore p = q k Z p = q + kn.
On dfinit une addition sur Z/nZ par :
p+q = p+q

4. LE GROUPE Z/nZ 81

GROUPES

Par exemple dans Z/60Z, on a 31 + 46 = 31 + 46 = 77 = 17.


Nous devons montrer que cette addition est bien dfinie : si p0 = p et q0 = q alors p0 p (mod n), q0 q
(mod n) et donc p0 + q0 p + q (mod n). Donc p0 + q0 = p + q. Donc on a aussi p0 + q0 = p + q. Nous avons
montr que laddition est indpendante du choix des reprsentants.
Voici un exemple de la vie courante : considrons seulement les minutes dune montre ; ces minutes varient
de 0 59. Lorsque laiguille passe 60, elle dsigne aussi 0 (on ne soccupe pas des heures). Ainsi de suite :
61 scrit aussi 1, 62 scrit aussi 2,. . . Cela correspond donc lensemble Z/60Z. On peut aussi additionner
des minutes : 50 minutes plus 15 minutes font 65 minutes qui scrivent aussi 5 minutes. Continuons avec
lcriture dans Z/60Z par exemple : 135 + 50 = 185 = 5. Remarquez que si lon crit dabord 135 = 15
alors 135 + 50 = 15 + 50 = 65 = 5. On pourrait mme crire 50 = 10 et donc 135 + 50 = 15 10 = 5.
Cest le fait que laddition soit bien dfinie qui justifie que lon trouve toujours le mme rsultat.
Proposition 6.
(Z/nZ, +) est un groupe commutatif.
Cest facile. Llment neutre est 0. Loppos de k est k = k = n k. Lassociativit et la commutativit
dcoulent de celles de (Z, +).

4.2. Groupes cycliques de cardinal fini


Dfinition 7.
Un groupe (G, ?) est un groupe cyclique sil existe un lment a G tel que :
pour tout x G, il existe k Z tel que x = a k
Autrement dit le groupe G est engendr par un seul lment a.
Le groupe (Z/nZ, +) est un groupe cyclique. En effet il est engendr par a = 1, car tout lment k scrit
k = 1 + 1 + 1 = k 1.
|
{z
}
k fois

Voici un rsultat intressant : il nexiste, isomorphisme prs, quun seul groupe cyclique n lments, cest
Z/nZ :
Thorme 1.
Si (G, ?) un groupe cyclique de cardinal n, alors (G, ?) est isomorphe (Z/nZ, +).


Dmonstration. Comme G est cyclique alors G = . . . , a2 , a1 , e, a, a2 , a3 , . . . . Dans cette criture il y a
de nombreuses redondances (car de toute faon G na que n lments). Nous allons montrer quen fait


G = e, a, a2 , . . . , a n1
et que a n = e.


Tout dabord lensemble e, a, a2 , . . . , a n1 est inclus dans G. En plus il a exactement n lments. En effet si
a p = aq avec 0 6 q < p 6 n 1 alors a pq = e (avec p q > 0) et ainsi a pq+1 = a pq ? a = a, a pq+2 = a2 et




alors le groupe G serait gal e, a, a2 , . . . , a pq1 et naurait pas n lments. Ainsi e, a, a2 , . . . , a n1 G
et les deux ensembles ont le mme nombre n dlments, donc ils sont gaux.


Montrons maintenant que a n = e. Comme a n G et que G = e, a, a2 , . . . , a n1 alors il existe 0 6 p 6 n 1
tel que a n = a p . Encore une fois si p > 0 cela entrane a np = e et donc une contradiction. Ainsi p = 0 donc
a n = a0 = e.
Nous pouvons maintenant construire lisomorphisme entre (Z/nZ, +) et (G, ?). Soit f : Z/nZ G
lapplication dfinie par f (k) = a k .

GROUPES

5. LE GROUPE DES PERMUTATIONS Sn

82

Il faut tout dabord montrer que f est bien dfinie car notre dfinition de f dpend du reprsentant k et
pas de la classe k : si k = k0 (une mme classe dfinie par deux reprsentants distincts) alors k k0
0
0
0
(mod n) et donc il existe ` Z tel que k = k0 + `n. Ainsi f (k) = a k = a k +`n = a k ? a`n = a k ? (a n )` =
0
0
a k ? e` = a k = f (k0 ). Ainsi f est bien dfinie.
0
0
f est un morphisme de groupes car f (k + k0 ) = f (k + k0 ) = a k+k = a k ? a k = f (k) ? f (k0 ) (pour tout
k, k0 ).
Il est clair que f est surjective car tout lment de G scrit a k .
Comme lensemble de dpart et celui darrive ont le mme nombre dlments et que f est surjective
alors f est bijective.
Conclusion : f est un isomorphisme entre (Z/nZ, +) et (G, ?).
Mini-exercices.
1. Trouver tous les sous-groupes de (Z/12Z, +).
2. Montrer que le produit dfini par p q = p q est bien dfini sur lensemble Z/nZ.
3. Dans la preuve du thorme 1, montrer directement que lapplication f est injective.


4. Montrer que lensemble Un = z C | z n = 1 est un sous-groupe de (C , ). Montrer que Un est
isomorphe Z/nZ. Expliciter lisomorphisme.





1 0
0
0
5. Montrer que lensemble H = 10 01 , 10 1
est un sous-groupe de (G`2 , ) ayant 4
, 1
0 1 , 0 1
lments. Montrer que H nest pas isomorphe Z/4Z.

5. Le groupe des permutations Sn


Fixons un entier n > 2.

5.1. Groupe des permutations


Proposition 7.
Lensemble des bijections de {1, 2, . . . , n} dans lui-mme, muni de la composition des fonctions est un groupe,
not (Sn , ).
Une bijection de {1, 2, . . . , n} (dans lui-mme) sappelle une permutation. Le groupe (Sn , ) sappelle le
groupe des permutations (ou le groupe symtrique).
Dmonstration.
1. La composition de deux bijections de {1, 2, . . . , n} est une bijection de {1, 2, . . . , n}.
2. La loi est associative (par lassociativit de la composition des fonctions).
3. Llment neutre est lidentit.
4. Linverse dune bijection f est sa bijection rciproque f 1 .

Il sagit dun autre exemple de groupe ayant un nombre fini dlments :


Lemme 2.
Le cardinal de Sn est n! .

5. LE GROUPE DES PERMUTATIONS Sn

GROUPES

83

Dmonstration. La preuve est simple. Pour llment 1, son image appartient {1, 2, . . . , n} donc nous avons
n choix. Pour limage de 2, il ne reste plus que n 1 choix (1 et 2 ne doivent pas avoir la mme image car
notre application est une bijection). Ainsi de suite... Pour limage du dernier lment n il ne reste quune
possibilit. Au final il y a n (n 1) 2 1 = n! faon de construire des bijections de {1, 2, . . . , n}.

5.2. Notation et exemples


Dcrire une permutation f : {1, 2, . . . , n} {1, 2, . . . , n} quivaut donner les images de chaque i allant
de 1 n. Nous notons donc f par


1
2

n
f (1) f (2) f (n)
Par exemple la permutation de S7 note


1 2 3 4 5 6 7
3 7 5 4 6 1 2

est la bijection f : {1, 2, . . . , 7} {1, 2, . . . , 7} dfinie par f (1) = 3, f (2) = 7, f (3) = 5, f (4) = 4, f (5) = 6,
f (6) = 1, f (7) = 2. Cest bien une bijection car chaque nombre de 1 7 apparat une fois et une seule sur
la deuxime ligne.


Llment neutre du groupe est lidentit id ; pour S7 cest donc 11 22 33 44 55 66 77 .


Il est facile de calculer la composition de deux permutations f et g avec cette notation. Si f = 13 27 35 44 56 61 72


et g = 14 23 32 41 57 65 76 alors g f sobtient en superposant la permutation f puis g



1 2 3 4 5 6 7
f
1 2 3 4 5 6 7

f g =
gf = 3 7 5 4 6 1 2
g
2 6 7 1 5 4 3
2 6 7 1 5 4 3



ensuite on limine la ligne intermdiaire du milieu et donc g f se note 12 26 37 41 55 64 73 .
Il est tout aussi facile de calculer linverse dune permutation : il suffit dchanger les lignes du haut et du
bas et de rordonner le tableau. Par exemple linverse de


f = 1 2 3 4 5 6 7
f 1
3 7 5 4 6 1 2

se note f 1 =

3754612
1234567

ou plutt aprs rordonnement

1234567
6714352

5.3. Le groupe S3
Nous allons tudier en dtails le groupe S3 des permutations de {1, 2, 3}. Nous savons que S3 possde
3! = 6 lments que nous numrons :


id = 11 22 33  lidentit,
1 =  11 23 32  une transposition,
2 =  13 22 31  une deuxime transposition,
3 = 12 21 33 une troisime transposition,
cycle,
= 1223 31 un

1
123
prcdent.
= 3 1 2 linverse du cycle

1
Donc S3 = id, 1 , 2 , 3 , ,
.
Calculons 1 et 1 :
1 2 3 

1 = 2 3 1 = 13 22 31 = 2
321

et

1 =

1 2 3
132
213

123
213

= 3 .

Ainsi 1 = 2 est diffrent de 1 = 3 , ainsi le groupe S3 nest pas commutatif. Et plus gnralement :

5. LE GROUPE DES PERMUTATIONS Sn

GROUPES

84

Lemme 3.
Pour n > 3, le groupe Sn nest pas commutatif.
Nous pouvons calculer la table du groupe S3
g f

id

id
1
2
3

id
1
2
3

1
id
1

1 = 3
2

id
1
1
3

3
1

id
2
1

1 = 2
3
1
1
id

1
3
1
2
id

F I G U R E 6.1 Table du groupe S3


Comment avons-nous rempli cette table ? Nous avons dj calcul 1 = 2 et 1 = 3 . Comme
f id = f et id f = f il est facile de remplir la premire colonne noire ainsi que la premire ligne noire.
Ensuite il faut faire les calculs !


On retrouve ainsi que S3 = id, 1 , 2 , 3 , , 1 est un groupe : en particulier la composition de deux
permutations de la liste reste une permutation de la liste. On lit aussi sur la table linverse de chaque lment,
par exemple sur la ligne de 2 on cherche quelle colonne on trouve lidentit, cest la colonne de 2 . Donc
linverse de 2 est lui-mme.

5.4. Groupe des isomtries du triangle


Soit (ABC) un triangle quilatral. Considrons lensemble des isomtries du plan qui prservent le triangle,
cest--dire que lon cherche toutes les isomtries f telles que f (A) {A, B, C}, f (B) {A, B, C}, f (C)
{A, B, C}. On trouve les isomtries suivantes : lidentit id, les rflexions t 1 , t 2 , t 3 daxes D1 , D2 , D3 , la rotation
1
s dangle 2
dangle 2
3 et la rotation s
3 (de centre O).
A

D3

D2

+ 2
3

2
3

C
D1

Proposition 8.
Lensemble des isomtries dun triangle quilatral, muni de la composition, forme un groupe. Ce groupe est
isomorphe (S3 , ).
Lisomorphisme est juste lapplication qui t i associe i , s associe et s1 associe 1 .

5. LE GROUPE DES PERMUTATIONS Sn

GROUPES

85

5.5. Dcomposition en cycles


Nous allons dfinir ce quest un cycle : cest une permutation qui fixe un certain nombre dlments
((i) = i) et dont les lments non fixs sont obtenus par itration : j, ( j), 2 ( j), . . . Cest plus facile
comprendre sur un exemple :


1 2 3 4 5 6 7 8
=
1 8 3 5 2 6 7 4
est un cycle : les lments 1, 3, 6, 7 sont fixes, les autres sobtiennent comme itration de 2 : 2 7 (2) =
8 7 (8) = 2 (2) = 4 7 (4) = 3 (2) = 5, ensuite on retrouve 4 (2) = (5) = 2.
Nous noterons ce cycle par

2 8 4 5

Il faut comprendre cette notation ainsi : limage de 2 est 8, limage de 8 est 4, limage de 4 est 5, limage
de 5 est 2. Les lments qui napparaissent pas (ici 1, 3, 6, 7) sont fixes. On aurait pu aussi noter ce mme
cycle par : (8 4 5 2), (4 5 2 8) ou (5 2 8 4).
Pour calculer linverse on renverse les nombres : linverse de = (2 8 4 5) est 1 = (5 4 8 2).
Le support dun cycle sont les lments qui ne sont pas fixes : le support de est {2, 4, 5, 8}. La longueur
(ou lordre) dun cycle est le nombre dlments qui ne sont pas fixes (cest donc le cardinal du support).
Par exemple (2 8 4 5) est un cycle de longueur 4.




Autres exemples : = 12 23 31 = (1 2 3) est un cycle de longueur 3 ; = 11 24 33 42 = (2 4) est un cycle
de longueur 2, aussi appel une transposition.


Par contre f = 17 22 35 44 56 63 71 nest pas un cycle ; il scrit comme la composition de deux cycles f =
(1 7) (3 5 6). Comme les supports de (1 7) et (3 5 6) sont disjoints alors on a aussi f = (3 5 6) (1 7).

Ce dernier point fait partie dun rsultat plus gnral que nous admettons :
Thorme 2.
Toute permutation de Sn se dcompose en composition de cycles supports disjoints. De plus cette dcomposition est unique.
Pour lunicit il faut comprendre : unique lcriture de chaque cycle prs (exemple : (3 5 6) et (5 6 3) sont
le mme cycle) et lordre prs (exemple : (1 7) (3 5 6) = (3 5 6) (1 7)).


Exemple : la dcomposition de f = 15 22 31 48 53 67 76 84 en composition de cycle supports disjoints est (1 5 3)
(4 8) (6 7).
Attention, si les supports ne sont pas disjoints alors cela ne commute plus : par exemple g = (1 2) (2 3 4)
nest pas gale h =
3 4)
effet lcriture de g en produit de cycle support disjoint est
h 1(2
i (1 2). En



234
1
2
3
4
g = (1 2) (2 3 4) = 1 3 4 2 = 2 3 4 1 = (1 2 3 4) alors que celle de h est h = (2 3 4) (1 2) = 13 21 34 42 =
(1 3 4 2).

2341

Mini-exercices.
1. Soient f dfinie par f (1) = 2, f (2) = 3, f (3) = 4, f (4) = 5, f (5) = 1 et g dfinie par g(1) = 2,
g(2) = 1, g(3) = 4, g(4) = 3, g(5) = 5. crire les permutations f , g, f 1 , g 1 , g f , f g, f 2 , g 2 ,
(g f )2 .
2. numrer toutes les permutations de S4 qui nont pas dlments fixes. Les crire ensuite sous forme
de compositions de cycles supports disjoints.
3. Trouver les isomtries directes prservant un carr. Dresser la table des compositions et montrer
quelles forment un groupe. Montrer que ce groupe est isomorphe Z/4Z.
4. Montrer quil existe un sous-groupe de S3 isomorphe Z/2Z. Mme question avec Z/3Z. Est-ce que
S3 et Z/6Z sont isomorphes ?


5. Dcomposer la permutation suivante en produit de cycles supports disjoints : f = 15 27 32 46 51 64 73 .

GROUPES

5. LE GROUPE DES PERMUTATIONS Sn

Calculer f 2 , f 3 , f 4 puis f 20x x o 20x x est lanne en cours. Mmes questions avec g =
et h = (25)(1243)(12).

Auteurs du chapitre Arnaud Bodin, Benjamin Boutin, Pascal Romon

86

1 2 3 4 5 6 7 8 9
389652471

Chapitre

Systmes linaires
Vido
Vido
Vido
Fiche

partie 1. Introduction aux systmes d'quations linaires


partie 2. Thorie des systmes linaires
partie 3. Rsolution par la mthode du pivot de Gauss

d'exercices Systmes d'quations linaires

1. Introduction aux systmes dquations linaires


Lalgbre linaire est un outil essentiel pour toutes les branches des mathmatiques, en particulier lorsquil
sagit de modliser puis rsoudre numriquement des problmes issus de divers domaines : des sciences
physiques ou mcaniques, des sciences du vivant, de la chimie, de lconomie, des sciences de lingnieur ...
Les systmes linaires interviennent travers leurs applications dans de nombreux contextes, car ils forment
la base calculatoire de lalgbre linaire. Ils permettent galement de traiter une bonne partie de la thorie
de lalgbre linaire en dimension finie. Cest pourquoi ce cours commence avec une tude des quations
linaires et de leur rsolution.
Le but de ce chapitre est essentiellement pratique : il sagit de rsoudre des systmes linaires. La partie
thorique sera revue et prouve dans le chapitre Matrices .

1.1. Exemple : deux droites dans le plan


Lquation dune droite dans le plan (O x y) scrit
ax + b y = e
o a, b et e sont des paramtres rels, a et b ntant pas simultanment nuls. Cette quation sappelle
quation linaire dans les variables (ou inconnues) x et y.
Par exemple, 2x + 3 y = 6 est une quation linaire, alors que les quations suivantes ne sont pas des
quations linaires :
p
2x + y 2 = 1 ou y = sin(x) ou x = y.
Considrons maintenant deux droites D1 et D2 et cherchons les points qui sont simultanment sur ces deux
droites. Un point (x, y) est dans lintersection D1 D2 sil est solution du systme :

ax + b y = e
(S)
cx + d y = f
Trois cas se prsentent alors :
1. Les droites D1 et D2 se coupent en un seul point. Dans ce cas, illustr par la figure de gauche, le systme
(S) a une seule solution.

SYSTMES LINAIRES

1. INTRODUCTION AUX SYSTMES DQUATIONS LINAIRES

88

2. Les droites D1 et D2 sont parallles. Alors le systme (S) na pas de solution. La figure du centre illustre
cette situation.
3. Les droites D1 et D2 sont confondues et, dans ce cas, le systme (S) a une infinit de solutions.
y

y
D1

D1
D2

D2

D1 = D2
x

Nous verrons plus loin que ces trois cas de figure (une seule solution, aucune solution, une infinit de
solutions) sont les seuls cas qui peuvent se prsenter pour nimporte quel systme dquations linaires.

1.2. Rsolution par substitution


Pour savoir sil existe une ou plusieurs solutions un systme linaire, et les calculer, une premire mthode
est la substitution. Par exemple pour le systme :

3x + 2 y = 1
(S)
2x 7 y = 2
Nous rcrivons la premire ligne 3x + 2 y = 1 sous la forme y = 12 32 x. Et nous remplaons (nous
substituons) le y de la seconde quation, par lexpression 12 23 x. Nous obtenons un systme quivalent :

y = 12 32 x
1
3
2x 7( 2 2 x) = 2
La seconde quation est maintenant une expression qui ne contient que des x, et on peut la rsoudre :


y = 12 32 x
y = 12 32 x

3
(2 + 7 23 )x = 2 + 72
x = 25
Il ne reste plus qu remplacer dans la premire ligne la valeur de x obtenue :

8
y = 25
3
x = 25
3 8
, 25 ). Lensemble des solutions est donc
Le systme (S) admet donc une solution unique ( 25

3 8
,
.
S =
25 25

1.3. Exemple : deux plans dans lespace


Dans lespace (O x yz), une quation linaire est lquation dun plan :
a x + b y + cz = d
(on suppose ici que a, b et c ne sont pas simultanment nuls).
Lintersection de deux plans dans lespace correspond au systme suivant 2 quations et 3 inconnues :

a x + b y + cz = d
a0 x + b0 y + c 0 z = d 0
Trois cas se prsentent alors :
les plans sont parallles (et distincts) et il ny a alors aucune solution au systme,
les plans sont confondus et il y a une infinit de solutions au systme,
les plans se coupent en une droite et il y a une infinit de solutions.

SYSTMES LINAIRES

1. INTRODUCTION AUX SYSTMES DQUATIONS LINAIRES

89

Exemple 1.
= 7
na pas de solution. En effet, en divisant par 2 la seconde quation,
= 1

2x + 3 y 4z = 7
on obtient le systme quivalent :
. Les deux lignes sont clairement incompa2x + 3 y 4z = 12
tibles : aucun (x, y, z) ne peut vrifier la fois 2x + 3 y 4z = 7 et 2x + 3 y 4z = 12 . Lensemble des
solutions est donc S = .

2x + 3 y 4z = 7
2. Pour le systme
, les deux quations dfinissent le mme plan ! Le systme est
4x + 6 y 8z = 14
donc quivalent une seule quation : 2x + 3 y 4z = 7. Si on rcrit cette quation sous la forme

z = 12 x + 34 y 47 , alors on peut dcrire lensemble des solutions sous la forme : S = (x, y, 21 x + 34 y 74 ) |

x, y R .

7x + 2 y 2z = 1
3. Soit le systme
. Par substitution :
2x + 3 y + 2z = 1


7x + 2 y 2z = 1
z = 72 x + y 12


2x + 3 y + 2 72 x + y 12 = 1
2x + 3 y + 2z = 1



1
17
z = 72 x + y 12
x 10
z = 72 x + y 21
z = 10

9x + 5 y = 2
y = 59 x + 25
y = 95 x + 25
Pour dcrire lensemble des solutions, on peut choisir x comme paramtre :

9
2 17
1
S =
x, x + ,
x
| x R .
5
5 10
10
Gomtriquement : nous avons trouv une quation paramtrique de la droite dfinie par lintersection
de deux plans.


1. Le systme

2x + 3 y 4z
4x + 6 y 8z

Du point de vue du nombre de solutions, nous constatons quil ny a que deux possibilits, savoir aucune
solution ou une infinit de solutions. Mais les deux derniers cas ci-dessus sont nanmoins trs diffrents
gomtriquement et il semblerait que dans le second cas (plans confondus), linfinit de solutions soit
plus grande que dans le troisime cas. Les chapitres suivants nous permettront de rendre rigoureuse cette
impression.
Si on considre trois plans dans lespace, une autre possibilit apparat : il se peut que les trois plans
sintersectent en un seul point.

1.4. Rsolution par la mthode de Cramer



On note ac db = ad bc le dterminant. On considre le cas dun systme de 2 quations 2 inconnues :

ax + b y = e
cx + d y = f
Si ad bc 6= 0, on trouve une unique solution dont les coordonnes (x, y) sont :




e b
a e




c f
f d
x=
y=


a b
a b




c d
c d
Notez que le dnominateur gale le dterminant pour les deux coordonnes et est donc non nul. Pour le
numrateur de la premire coordonne x, on remplace la premire colonne par le second membre ; pour la
seconde coordonne y, on remplace la seconde colonne par le second membre.

SYSTMES LINAIRES

1. INTRODUCTION AUX SYSTMES DQUATIONS LINAIRES

90

Exemple 2.
tx 2y = 1
suivant la valeur du paramtre t R.
3x + t y = 1


= t 2 + 6 et ne sannule jamais. Il existe donc une unique
Le dterminant associ au systme est 3t 2
t
solution (x, y) et elle vrifie :




1 2
t 1




3 1
1 t
t +2
t 3
= 2
,
y= 2
= 2
.
x= 2
t +6
t +6
t +6
t +6
 t+2 t3 
Pour chaque t, lensemble des solutions est S = t 2 +6 , t 2 +6 .


Rsolvons le systme

1.5. Rsolution par inversion de matrice


En termes matriciels, le systme linaire


ax + b y
cx + d y

= e
= f

est quivalent



 
 
a b
x
e
AX = Y o A =
, X=
, Y=
.
c d
y
f
Si le dterminant de la matrice A est non nul, cest--dire si ad bc =
6 0, alors la matrice A est inversible et


d b
1
A1 =
ad bc c a

et lunique solution X = xy du systme est donne par
X = A1 Y.
Exemple 3.
x+y = 1
suivant la valeur du paramtre t R.
x + t2 y = t
1 1
Le dterminant du systme est 1 t 2 = t 2 1.

6 1. Alors t 2 1 6= 0. La matrice A = 11 t12 est inversible dinverse A1 =
Premier cas. t 6= +1 et t =


1
t 2 1 . Et la solution X = x est
y
t 2 1 1 1
 2
 
 2
  t 
t
1 1
t t
1
1
1
X =A Y = 2
= 2
= t+1
.
1
t
t 1 1 1
t 1 t 1
t+1
 t

1
Pour chaque t 6= 1, lensemble des solutions est S =
.
,
t+1 t+1

x+y = 1
Deuxime cas. t = +1. Le systme scrit alors :
et les deux quations sont identiques. Il y
x+y = 1


a une infinit de solutions : S = (x, 1 x) | x R .

x+y = 1
, les deux quations sont clairement
Troisime cas. t = 1. Le systme scrit alors :
x + y = 1
incompatibles et donc S = .


Rsolvons le systme

Mini-exercices.
= 1
et rsoudre le systme linaire de trois faons
= 3

2x y = 4
diffrentes : substitution, mthode de Cramer, inverse dune matrice. Idem avec
.
3x + 3 y = 5

4x 3 y = t
2. Rsoudre suivant la valeur du paramtre t R :
.
2x y = t 2


1. Tracer les droites dquations

x 2y
x + 3 y

SYSTMES LINAIRES

2. THORIE DES SYSTMES LINAIRES


3. Discuter et rsoudre suivant la valeur du paramtre t R :

(t 1)x + y = 1
.
2x + t y = 1

tx y
x + (t 2) y

91

= 1
. Idem avec
= 1

2. Thorie des systmes linaires


2.1. Dfinitions
Dfinition 1.
On appelle quation linaire dans les variables (ou inconnues) x 1 , . . . , x p toute relation de la forme
a1 x 1 + + a p x p = b,

(1)

o a1 , . . . , a p et b sont des nombres rels donns.


Remarque.
Il importe dinsister ici sur le fait que ces quations linaires sont implicites, cest--dire quelles dcrivent
des relations entre les variables, mais ne donnent pas directement les valeurs que peuvent prendre les
variables.
Rsoudre une quation signifie donc la rendre explicite, cest--dire rendre plus apparentes les valeurs
que les variables peuvent prendre.
On peut aussi considrer des quations linaires de nombres rationnels ou de nombres complexes.
Soit n > 1 un entier.
Dfinition 2.
Un systme de n quations linaires p inconnues est une liste de n quations linaires.
On crit usuellement de tels systmes en n lignes places les unes sous les autres.
Exemple 4.
Le systme suivant a 2 quations et 3 inconnues :

x1
3x 2 + x 3 = 1
2x 1 + 4x 2 3x 3 = 9
La forme gnrale dun systme linaire de n quations p inconnues est la suivante :

a11 x 1 +a12 x 2 +a13 x 3 + +a1p x p = b1


( quation 1)

a21 x 1 +a22 x 2 +a23 x 3 + +a2p x p = b2


( quation 2)

.
.
.
.
.

..
..
..
..
= ..
ai1 x 1 +ai2 x 2 +ai3 x 3 + +aip x p

..
..
..
..

.
.
.
.

a x +a x +a x + +a x
n1 1
n2 2
n3 3
np p

bi
..
= .
= bn

( quation i)
( quation n)

Les nombres ai j , i = 1, . . . , n, j = 1, . . . , p, sont les coefficients du systme. Ce sont des donnes. Les nombres
bi , i = 1, . . . , n, constituent le second membre du systme et sont galement des donnes.
Il convient de bien observer comment on a rang le systme en lignes (une ligne par quation) numrotes
de 1 n par lindice i, et en colonnes : les termes correspondant une mme inconnue x j sont aligns
verticalement les uns sous les autres. Lindice j varie de 1 p. Il y a donc p colonnes gauche des signes
dgalit, plus une colonne supplmentaire droite pour le second membre. La notation avec double indice
ai j correspond ce rangement : le premier indice (ici i) est le numro de ligne et le second indice (ici j) est
le numro de colonne. Il est extrmement important de toujours respecter cette convention.

SYSTMES LINAIRES

2. THORIE DES SYSTMES LINAIRES

92

Dans lexemple 4, on a n = 2 (nombre dquations = nombre de lignes), p = 3 (nombre dinconnues =


nombre de colonnes gauche du signe =) et a11 = 1, a12 = 3, a13 = 1, a21 = 2, a22 = 4, a23 = 3,
b1 = 1 et b2 = 9.
Dfinition 3.
Une solution du systme linaire est une liste de p nombres rels (s1 , s2 , . . . , s p ) (un p-uplet) tels que si
lon substitue s1 pour x 1 , s2 pour x 2 , etc., dans le systme linaire, on obtient une galit. L ensemble
des solutions du systme est lensemble de tous ces p-uplets.
Exemple 5.
Le systme
x1
3x 2 + x 3 = 1
2x 1 + 4x 2 3x 3 = 9
admet comme solution (18, 6, 1), cest--dire


x 1 = 18 ,

x 2 = 6 ,

x3 = 1 .

Par contre, (7, 2, 0) ne satisfait que la premire quation. Ce nest donc pas une solution du systme.
En rgle gnrale, on sattache dterminer lensemble des solutions dun systme linaire. Cest ce que lon
appelle rsoudre le systme linaire. Ceci amne poser la dfinition suivante.
Dfinition 4.
On dit que deux systmes linaires sont quivalents sils ont le mme ensemble de solutions.
partir de l, le jeu pour rsoudre un systme linaire donn consistera le transformer en un systme
quivalent dont la rsolution sera plus simple que celle du systme de dpart. Nous verrons plus loin
comment procder de faon systmatique pour arriver ce but.

2.2. Diffrents types de systmes


Voici un rsultat thorique important pour les systmes linaires.
Thorme 1.
Un systme dquations linaires na soit aucune solution, soit une seule solution, soit une infinit de solutions.
En particulier, si vous trouvez 2 solutions diffrentes un systme linaire, alors cest que vous pouvez en
trouver une infinit ! Un systme linaire qui na aucune solution est dit incompatible. La preuve de ce
thorme sera vue dans un chapitre ultrieur ( Matrices ).

2.3. Systmes homognes


Un cas particulier important est celui des systmes homognes, pour lesquels b1 = b2 = = bn = 0,
cest--dire dont le second membre est nul. De tels systmes sont toujours compatibles car ils admettent
toujours la solution s1 = s2 = = s p = 0. Cette solution est appele solution triviale. Gomtriquement,
dans le cas 2 2, un systme homogne correspond deux droites qui passent par lorigine, (0, 0) tant
donc toujours solution.
Mini-exercices.
1. crire un systme linaire de 4 quations et 3 inconnues qui na aucune solution. Idem avec une
infinit de solution. Idem avec une solution unique.
2. Rsoudre le systme n quations et n inconnues dont les quations sont (L i ) : x i x i+1 = 1 pour
i = 1, . . . , n 1 et (L n ) : x n = 1.
3. Rsoudre les systmes suivants :

SYSTMES LINAIRES

3. RSOLUTION PAR LA MTHODE DU PIVOT DE GAUSS

x 1 +x 2
x 1 +2x 2 +3x 3 +4x 4 = 0 x 1 +2x 2 +3x 3 = 1

x2
+x 3
x2
+2x 3 +3x 4 = 9
x 1 +x 2
+x 3 = 2
x3
+x 4

x3
+2x 4 = 0
x 1 x 2
+x 3 = 3

x 1 +2x 2 +2x 3 +x 4

93
=
=
=
=

4. Montrer que si un systme linaire homogne a une solution (x 1 , . . . , x p ) 6= (0, . . . , 0), alors il admet
une infinit de solutions.

3. Rsolution par la mthode du pivot de Gauss


3.1. Systmes chelonns
Dfinition 5.
Un systme est chelonn si :
le nombre de coefficients nuls commenant une ligne crot strictement ligne aprs ligne.
Il est chelonn rduit si en plus :
le premier coefficient non nul dune ligne vaut 1 ;
et cest le seul lment non nul de sa colonne.
Exemple
6.

2x 1 +3x 2
x 2

2x 1 +3x 2

+2x 3 x 4 = 5
2x 3
= 4 est chelonn (mais pas rduit).
3x 4 = 1

+2x 3 x 4 = 5
2x 3
= 4 nest pas chelonn (la dernire ligne commence avec la mme
x3
+x 4 = 1
variable que la ligne au-dessus).

Il se trouve que les systmes linaires sous une forme chelonne rduite sont particulirement simples
rsoudre.
Exemple 7.
Le systme linaire suivant 3 quations et 4 inconnues est chelonn et rduit.

+2x 3
= 25
x1
x 2 2x 3
= 16

x4 = 1
Ce systme se rsout trivialement en

x 1 = 25 2x 3
x 2 = 16 + 2x 3

x4 =
1.
En dautres termes, pour toute valeur de x 3 relle, les valeurs de x 1 , x 2 et x 4 calcules ci-dessus fournissent
une solution du systme, et on les a ainsi toutes obtenues. On peut donc dcrire entirement lensemble des
solutions :


S = (25 2x 3 , 16 + 2x 3 , x 3 , 1) | x 3 R .

1
2
3
0

SYSTMES LINAIRES

3. RSOLUTION PAR LA MTHODE DU PIVOT DE GAUSS

94

3.2. Oprations sur les quations dun systme


Nous allons utiliser trois oprations lmentaires sur les quations (cest--dire sur les lignes) qui sont :
1. L i L i avec 6= 0 : on peut multiplier une quation par un rel non nul.
2. L i L i + L j avec R (et j 6= i) : on peut ajouter lquation L i un multiple dune autre quation L j .
3. L i L j : on peut changer deux quations.
Ces trois oprations lmentaires ne changent pas les solutions dun systme linaire ; autrement dit ces
oprations transforment un systme linaire en un systme linaire quivalent.
Exemple 8.
Utilisons ces oprations lmentaires pour rsoudre le systme suivant.

+ y +7z = 1
(L1 )
x
2x y +5z = 5
(L2 )

x 3 y 9z = 5
(L3 )
Commenons par lopration L2 L2 2L1 : on soustrait la deuxime quation deux fois la premire
quation. On obtient un systme quivalent avec une nouvelle deuxime ligne (plus simple) :

+y
3 y
3 y

+7z
9z
9z

= 1
= 3
= 5

L2 L2 2L1

Puis L3 L3 + L1 :
+ y +7z = 1
3 y 9z = 3

2 y 2z = 6
L3 L3 +L1
On continue pour faire apparatre un coefficient 1 en tte de la deuxime ligne ; pour cela on divise la ligne
L2 par 3 :

x + y +7z = 1
y
+3z = 1
L2 13 L2

2 y 2z = 6
On continue ainsi

x + y +7z = 1
x + y +7z = 1
y +3z = 1
y +3z = 1

4z = 4 L3 L3 +2L2
z
= 1 L3 14 L3

= 6
L1 L1 7L3
x + y +7z = 1
x +y
y
= 4
L2 L2 3L3
y
= 4

z
= 1
z = 1
On aboutit un systme rduit et chelonn :

= 2
L1 L1 L2
x
y
= 4

z = 1

On obtient ainsi x = 2, y = 4 et z = 1 et lunique solution du systme est (2, 4, 1).


La mthode utilise pour cet exemple est reprise et gnralise dans le paragraphe suivant.

SYSTMES LINAIRES

3. RSOLUTION PAR LA MTHODE DU PIVOT DE GAUSS

95

3.3. Mthode du pivot de Gauss


La mthode du pivot de Gauss permet de trouver les solutions de nimporte quel systme linaire. Nous
allons dcrire cet algorithme sur un exemple. Il sagit dune description prcise dune suite doprations
effectuer, qui dpendent de la situation et dun ordre prcis. Ce processus aboutit toujours (et en plus assez
rapidement) un systme chelonn puis rduit, qui conduit immdiatement aux solutions du systme.
Partie A. Passage une forme chelonne.
Soit le systme suivant rsoudre :

x 2 +2x 3 +13x 4 = 5

x 1 2x 2 +3x 3 +17x 4 = 4

x 1 +3x 2 3x 3 20x 4 = 1
Pour appliquer la mthode du pivot de Gauss, il faut dabord que le premier coefficient de la premire ligne
soit non nul. Comme ce nest pas le cas ici, on change les deux premires lignes par lopration lmentaire
L1 L2 :

L1 L2
x 1 2x 2 +3x 3 +17x 4 = 4
x 2 +2x 3 +13x 4 = 5

x 1 +3x 2 3x 3 20x 4 = 1
Nous avons dj un coefficient 1 devant le x 1 de la premire ligne. On dit que nous avons un pivot en
position (1, 1) (premire ligne, premire colonne). Ce pivot sert de base pour liminer tous les autres termes
sur la mme colonne.
Il ny a pas de terme x 1 sur le deuxime ligne. Faisons disparatre le terme x 1 de la troisime ligne ; pour
cela on fait lopration lmentaire L3 L3 + L1 :

x 1 2x 2 +3x 3 +17x 4 = 4
x 2 +2x 3 +13x 4 = 5

x2
3x 4 = 3
L3 L3 +L1
On change le signe de la seconde ligne (L2 L2 ) pour faire apparatre 1 au coefficient du pivot (2, 2)
(deuxime ligne, deuxime colonne) :

x 1 2x 2 +3x 3 +17x 4 = 4
x2
2x 3 13x 4 = 5
L2 L2

x2
3x 4 = 3
On fait disparatre le terme x 2 de la troisime ligne, puis on fait apparatre un coefficient 1 pour le pivot de
la position (3, 3) :

x 1 2x 2 +3x 3 +17x 4 = 4
x2
2x 3 13x 4 = 5

2x 3 +10x 4 = 8
L3 L3 L2

x 1 2x 2 +3x 3 +17x 4 = 4
x2
2x 3 13x 4 = 5

x3
+5x 4 = 4
L3 21 L3
Le systme est maintenant sous forme chelonne.
Partie B. Passage une forme rduite.
Il reste le mettre sous la forme chelonne rduite. Pour cela, on ajoute une ligne des multiples adquats
des lignes situes au-dessous delle, en allant du bas droite vers le haut gauche.
On fait apparatre des 0 sur la troisime colonne en utilisant le pivot de la troisime ligne :

x 1 2x 2 +3x 3 +17x 4 = 4
x2
3x 4 = 3
L2 L2 +2L3

x3
+5x 4 = 4

SYSTMES LINAIRES

3. RSOLUTION PAR LA MTHODE DU PIVOT DE GAUSS

96

2x 4 = 8
L1 L1 3L3
3x 4 = 3
x 3 +5x 4 = 4
On fait apparatre des 0 sur la deuxime colonne (en utilisant le pivot de la deuxime ligne) :

4x 4 = 2
L1 L1 +2L2
x1
x2
3x 4 = 3

x 3 +5x 4 = 4

x 1 2x 2
x2

Le systme est sous forme chelonne rduite.


Partie C. Solutions. Le systme est maintenant trs simple rsoudre. En choisissant x 4 comme variable
libre, on peut exprimer x 1 , x 2 , x 3 en fonction de x 4 :
x 1 = 4x 4 2,

x 2 = 3x 4 + 3,

x 3 = 5x 4 + 4.

Ce qui permet dobtenir toutes les solutions du systme :




S = (4x 4 2, 3x 4 + 3, 5x 4 + 4, x 4 ) | x 4 R .

3.4. Systmes homognes


Le fait que lon puisse toujours se ramener un systme chelonn rduit implique le rsultat suivant :
Thorme 2.
Tout systme homogne dquations linaires dont le nombre dinconnues est strictement plus grand que le
nombre dquations a une infinit de solutions.
Exemple 9.
Considrons le systme homogne

3x 1 + 3x 2 2x 3

x 1 x 2 + x 3 + 3x 4
2x 1 + 2x 2 x 3 + 2x 4

x 3 + 8x 4

x5
+ x5
+ 2x 5
+ 4x 5

= 0
= 0
= 0
= 0.

Sa forme chelonne rduite est

x1 +

x2
x3
x4

+ 13x 5 = 0
+ 20x 5 = 0
2x 5 = 0.

On pose comme variables libres x 2 et x 5 pour avoir


x 1 = x 2 13x 5 ,

x 3 = 20x 5 ,

x 4 = 2x 5 ,

et lensemble des solutions :




S = (x 2 13x 5 , x 2 , 20x 5 , 2x 5 , x 5 ) | x 2 , x 5 R
qui est bien infini.
Mini-exercices.
1. crire un systme linaire 4 quations et 5 inconnues qui soit chelonn mais pas rduit. Idem avec
chelonn, non rduit, dont tous les coefficients sont 0 ou +1. Idem avec chelonn et rduit.

2x 1 x 2
+x 4 = 1

x 2 +x 3 2x 4 = 3
2. Rsoudre les systmes chelonns suivants :
2x 3 +x 4 = 4

x4
= 2

SYSTMES LINAIRES

3. RSOLUTION PAR LA MTHODE DU PIVOT DE GAUSS

97

+x 4 = 0
x 1 +x 2
x 2 +x 3
= 0

2x 3 +x 4 = 0

x 1 +2x 2
+x 4 = 0
2x 3 3x 4 = 0
3. Si lon passe dun systme (S) par une des trois oprations lmentaires un systme (S 0 ), alors quelle
opration permet de passer de (S 0 ) (S) ?
4. Rsoudre les systmes linaires suivants par la mthode du pivot de Gauss :

2x + y + z = 3
x y + 3z = 8

x + 2 y z = 3

2x 1 + 4x 2 6x 3 2x 4 = 2
3x 1 + 6x 2 7x 3 + 4x 4 = 2

5x 1 + 10x 2 11x 3 + 6x 4 = 3
5. Rsoudre le systme suivant, selon les valeurs de

x +y
x

2y

a, b R :
z
+2z
+2z

= a
= b
= 4

Auteurs du chapitre
Daprs un cours de Eva Bayer-Fluckiger, Philippe Chabloz, Lara Thomas de lcole Polytechnique Fdrale
de Lausanne,
et un cours de Sophie Chemla de luniversit Pierre et Marie Curie, reprenant des parties dun cours de
H. Ledret et dune quipe de luniversit de Bordeaux anime par J. Queyrut,
mixs et rviss par Arnaud Bodin, relu par Vianney Combet.

Chapitre

Matrices
Vido
Vido
Vido
Vido
Vido
Vido
Fiche

partie 1. Dfinition
partie 2. Multiplication de matrices
partie 3. Inverse d'une matrice : dfinition
partie 4. Inverse d'une matrice : calcul
partie 5. Inverse d'une matrice : systmes linaires et matrices lmentaires
partie 6. Matrices triangulaires, transposition, trace, matrices symtriques

d'exercices Calculs sur les matrices

Les matrices sont des tableaux de nombres. La rsolution dun certain nombre de problmes dalgbre
linaire se ramne des manipulations sur les matrices. Ceci est vrai en particulier pour la rsolution des
systmes linaires.
Dans ce chapitre, K dsigne un corps. On peut penser Q, R ou C.

1. Dfinition
1.1. Dfinition
Dfinition 1.
Une matrice A est un tableau rectangulaire dlments de K.
Elle est dite de taille n p si le tableau possde n lignes et p colonnes.
Les nombres du tableau sont appels les coefficients de A.
Le coefficient situ la i-me ligne et la j-me colonne est not ai, j .
Un tel tableau est reprsent de la manire suivante :

a1,1 a1,2 . . . a1, j . . . a1,p


a

2,1 a2,2 . . . a2, j . . . a2,p

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


A=

ai,1 ai,2 . . . ai, j . . . ai,p

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


an,1

an,2 . . . an, j

ou

A = ai, j

. . . an,p

Exemple 1.


1 2 5
A=
0 3 7
est une matrice 2 3 avec, par exemple, a1,1 = 1 et a2,3 = 7.

16i 6n
16 j 6 p

ou


ai, j .

MATRICES

1. DFINITION

100

Encore quelques dfinitions :


Dfinition 2.
Deux matrices sont gales lorsquelles ont la mme taille et que les coefficients correspondants sont
gaux.
Lensemble des matrices n lignes et p colonnes coefficients dans K est not Mn,p (K). Les lments
de Mn,p (R) sont appels matrices relles.

1.2. Matrices particulires


Voici quelques types de matrices intressantes :
Si n = p (mme nombre de lignes que de colonnes), la matrice est dite matrice carre. On note Mn (K)
au lieu de Mn,n (K).

. . . a1,n
. . . a2,n

..
..
.
.
an,1 an,2 . . . an,n
Les lments a1,1 , a2,2 , . . . , an,n forment la diagonale principale de la matrice.
Une matrice qui na quune seule ligne (n = 1) est appele matrice ligne ou vecteur ligne. On la note

A = a1,1 a1,2 . . . a1,p .
a1,1
a
2,1
.
..

a1,2
a2,2
..
.

De mme, une matrice qui na quune seule colonne (p = 1) est appele matrice colonne ou vecteur
colonne. On la note

a1,1
a
2,1
A = . .
..
an,1
La matrice (de taille n p) dont tous les coefficients sont des zros est appele la matrice nulle et est
note 0n,p ou plus simplement 0. Dans le calcul matriciel, la matrice nulle joue le rle du nombre 0 pour
les rels.

1.3. Addition de matrices


Dfinition 3 (Somme de deux matrices).
Soient A et B deux matrices ayant la mme taille n p. Leur somme C = A + B est la matrice de taille
n p dfinie par
ci j = ai j + bi j .
En dautres termes, on somme coefficients par coefficients. Remarque : on note indiffremment ai j o ai, j
pour les coefficients de la matrice A.
Exemple 2.
Si



3 2
A=
1 7
Par contre si





0 5
3 3
et
B=
alors
A+ B =
.
2 1
3 6
 
2
0
B =
alors A + B 0 nest pas dfinie.
8

MATRICES

2. MULTIPLICATION DE MATRICES

101

Dfinition 4 (Produit dune matrice par un scalaire).




Le produit dune matrice A = ai j de Mn,p (K) par un scalaire K est la matrice ai j forme en
multipliant chaque coefficient de A par . Elle est note A (ou simplement A).
Exemple 3.

Si



1 2 3
A=
0 1 0

et

=2

alors



2 4 6
A =
.
0 2 0

La matrice (1)A est loppose de A et est note A. La diffrence A B est dfinie par A + (B).
Exemple 4.


2 1 0
Si A =
4 5 2

et



1 4 2
B=
7 5 3


3 5 2
alors A B =
.
3 0 1

Laddition et la multiplication par un scalaire se comportent sans surprises :


Proposition 1.
Soient A, B et C trois matrices appartenant Mn,p (K). Soient K et K deux scalaires.
1. A + B = B + A : la somme est commutative,
2. A + (B + C) = (A + B) + C : la somme est associative,
3. A + 0 = A : la matrice nulle est llment neutre de laddition,
4. ( + )A = A + A,
5. (A + B) = A + B.
Dmonstration. Prouvons par exemple le quatrime point. Le terme gnral de ( + )A est gal ( + )ai j .
Daprs les rgles de calcul dans K, ( + )ai j est gal ai j + ai j qui est le terme gnral de la matrice
A + A.
Mini-exercices.
 7 2 
1 2 3
21 6
1 0 1
1 2
1. Soient A = 0 1 , B = 2 3 1 , C = 0 3 , D = 12 0 1 0 , E = 3 0 . Calculer toutes les sommes
321
111
1 4
8 6
3 12
possibles de deux de ces matrices. Calculer 3A+ 2C et 5B 4D. Trouver tel que A C soit la matrice
nulle.
2. Montrer que si A + B = A, alors B est la matrice nulle.
3. Que vaut 0 A ? et 1 A ? Justifier laffirmation : (A) = ()A. Idem avec nA = A + A + + A (n
occurrences de A).

2. Multiplication de matrices
2.1. Dfinition du produit
Le produit AB de deux matrices A et B est dfini si et seulement si le nombre de colonnes de A est gal au
nombre de lignes de B.
Dfinition 5 (Produit de deux matrices).
Soient A = (ai j ) une matrice n p et B = (bi j ) une matrice p q. Alors le produit C = AB est une matrice
n q dont les coefficients ci j sont dfinis par :

MATRICES

2. MULTIPLICATION DE MATRICES

ci j =

p
X

102

aik bk j

k=1

On peut crire le coefficient de faon plus dveloppe, savoir :


ci j = ai1 b1 j + ai2 b2 j + + aik bk j + + aip b p j .
Il est commode de disposer les calculs de la faon suivante.

c
ij

AB

Avec cette disposition, on considre dabord la ligne de la matrice A situe gauche du coefficient que lon
veut calculer (ligne reprsente par des dans A) et aussi la colonne de la matrice B situe au-dessus du
coefficient que lon veut calculer (colonne reprsente par des dans B). On calcule le produit du premier
coefficient de la ligne par le premier coefficient de la colonne (ai1 b1 j ), que lon ajoute au produit du
deuxime coefficient de la ligne par le deuxime coefficient de la colonne (ai2 b2 j ), que lon ajoute au
produit du troisime. . .

2.2. Exemples
Exemple 5.


1 2 3
A=
2 3 4

1 2
B = 1 1
1 1

On dispose dabord le produit correctement ( gauche) : la matrice obtenue est de taille 2 2. Puis on
calcule chacun des coefficients, en commenant par le premier coefficient c11 = 1 1 + 2 (1) + 3 1 = 2
(au milieu), puis les autres ( droite).

1
1
1

 
1 2 3
c11
2 3 4
c21

2
1
1
c12
c22

1
1
1

 
1 2 3
2
2 3 4
c21

2
1

1 2
1 1
1 1

 

1 2 3
2 7
2 3 4
3 11

1
c12
c22

Un exemple intressant est le produit dun vecteur ligne par un vecteur colonne :

b1


b2
u = a1 a2 an
v= .
..
bn
Alors u v est une matrice de taille 1 1 dont lunique coefficient est a1 b1 + a2 b2 + + an bn . Ce nombre
sappelle le produit scalaire des vecteurs u et v.

MATRICES

2. MULTIPLICATION DE MATRICES

103

Calculer le coefficient ci j dans le produit A B revient donc calculer le produit scalaire des vecteurs forms
par la i-me ligne de A et la j-me colonne de B.

2.3. Piges viter


Premier pige. Le produit de matrices nest pas commutatif en gnral.
En effet, il se peut que AB soit dfini mais pas BA, ou que AB et BA soient tous deux dfinis mais pas de la
mme taille. Mais mme dans le cas o AB et BA sont dfinis et de la mme taille, on a en gnral AB 6= BA.
Exemple 6.


 

5 1
2 0
14 3
=
3 2 4 3
2 6

mais



 

2 0 5 1
10 2
=
.
4 3 3 2
29 2

Deuxime pige. AB = 0 nimplique pas A = 0 ou B = 0.


Il peut arriver que le produit de deux matrices non nulles soit nul. En dautres termes, on peut avoir A 6= 0
et B 6= 0 mais AB = 0.
Exemple 7.


0 1
A=
0 5



2 3
B=
0 0



0 0
AB =
.
0 0

et

Troisime pige. AB = AC nimplique pas B = C. On peut avoir AB = AC et B 6= C.


Exemple 8.


0 1
A=
0 3



2 5
C=
5 4



4 1
B=
5 4



5 4
.
et AB = AC =
15 12

2.4. Proprits du produit de matrices


Malgr les difficults souleves au-dessus, le produit vrifie les proprits suivantes :
Proposition 2.
1. A(BC) = (AB)C : associativit du produit,
2. A(B + C) = AB + AC
3. A 0 = 0

et

et

(B + C)A = BA + CA : distributivit du produit par rapport la somme,

0 A = 0.

Dmonstration. Posons A = (ai j ) Mn,p (K), B = (bi j ) M p,q (K) et C = (ci j ) Mq,r (K). Prouvons que
A(BC) = (AB)C en montrant que les matrices A(BC) et (AB)C ont les mmes coefficients.
p
X
Le terme dindice (i, k) de la matrice AB est x ik =
ai` b`k . Le terme dindice (i, j) de la matrice (AB)C est
donc

`=1
q
X

x ik ck j =

q X
p
X

k=1

Le terme dindice (`, j) de la matrice BC est y` j =


donc

ai` b`k ck j .

k=1 `=1
q
X

b`k ck j . Le terme dindice (i, j) de la matrice A(BC) est

k=1
p
X
`=1

ai`

q
X
k=1

b`k ck j .

MATRICES

2. MULTIPLICATION DE MATRICES

104

Comme dans K la multiplication est distributive et associative, les coefficients de (AB)C et A(BC) concident.
Les autres dmonstrations se font comme celle de lassociativit.

2.5. La matrice identit


La matrice carre suivante sappelle la matrice identit :

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

In = . . .
..
.
.
.
. .
. .
0 0 ... 1
Ses lments diagonaux sont gaux 1 et tous ses autres lments sont gaux 0. Elle se note I n ou
simplement I. Dans le calcul matriciel, la matrice identit joue un rle analogue celui du nombre 1 pour
les rels. Cest llment neutre pour la multiplication. En dautres termes :
Proposition 3.
Si A est une matrice n p, alors
In A = A

et

A I p = A.

Dmonstration. Nous allons dtailler la preuve. Soit A Mn,p (K) de terme gnral ai j . La matrice unit
dordre p est telle que tous les lments de la diagonale principale sont gaux 1, les autres tant tous nuls.
On peut formaliser cela en introduisant le symbole de Kronecker. Si i et j sont deux entiers, on appelle
symbole de Kronecker, et on note i, j , le rel qui vaut 0 si i est diffrent de j, et 1 si i est gal j. Donc
(
0 si i 6= j
i, j =
1 si i = j.
Alors le terme gnral de la matrice identit I p est i, j avec i et j entiers, compris entre 1 et p.
La matrice produit AI p est une matrice appartenant Mn,p (K) dont le terme gnral ci j est donn par la
p
X
formule ci j =
aik k j . Dans cette somme, i et j sont fixs et k prend toutes les valeurs comprises entre 1
k=1

et p. Si k =
6 j alors k j = 0, et si k = j alors k j = 1. Donc dans la somme qui dfinit ci j , tous les termes
correspondant des valeurs de k diffrentes de j sont nuls et il reste donc ci j = ai j j j = ai j 1 = ai j . Donc
les matrices AI p et A ont le mme terme gnral et sont donc gales. Lgalit I n A = A se dmontre de la
mme faon.

2.6. Puissance dune matrice


Dans lensemble Mn (K) des matrices carres de taille n n coefficients dans K, la multiplication des
matrices est une opration interne : si A, B Mn (K) alors AB Mn (K).
En particulier, on peut multiplier une matrice carre par elle-mme : on note A2 = A A, A3 = A A A.
On peut ainsi dfinir les puissances successives dune matrice :
Dfinition 6.
Pour tout A Mn (K), on dfinit les puissances successives de A par A0 = I n et Ap+1 = Ap A pour tout
p N. Autrement dit, Ap = A A A.
|
{z
}
p facteurs

MATRICES

2. MULTIPLICATION DE MATRICES

105

Exemple 9.

1 0 1
On cherche calculer Ap avec A = 0 1 0. On calcule A2 , A3 et A4 et on obtient :
0 0 2

1 0 15
1 0 7
1 0 3
A4 = A3 A = 0 1 0 .
A3 = A2 A = 0 1 0
A2 = 0 1 0
0 0 16
0 0 8
0 0 4

1
0
2p 1
0 .
Lobservation de ces premires puissances permet de penser que la formule est : Ap = 0 (1) p
0
0
2p
Dmontrons ce rsultat par rcurrence.
Il est vrai pour p = 0 (on trouve lidentit). On le suppose vrai pour un entier p et on va le dmontrer pour
p + 1. On a, daprs la dfinition,

1
0
2p 1
1 0 1
1
0
2 p+1 1
.
0 0 1 0 = 0 (1) p+1
0
Ap+1 = Ap A = 0 (1) p
p
p+1
0
0
2
0 0 2
0
0
2

Donc la proprit est dmontre.

2.7. Formule du binme


Comme la multiplication nest pas commutative, les identits binomiales usuelles sont fausses. En particulier,
(A + B)2 ne vaut en gnral pas A2 + 2AB + B 2 , mais on sait seulement que
(A + B)2 = A2 + AB + BA + B 2 .
Proposition 4 (Calcul de (A + B) p lorsque AB = BA).
Soient A et B deux lments de Mn (K) qui commutent, cest--dire tels que AB = BA. Alors, pour tout entier
p > 0, on a la formule
p
X
p pk k
p
(A + B) =
A B
k
k=0

p
o k dsigne le coefficient du binme.
La dmonstration est similaire celle de la formule du binme pour (a + b) p , avec a, b R.
Exemple 10.

1 1 1
0 1 2
Soit A =
0 0 1
0 0 0
existe k N tel que

1
0 1 1 1

1
. On pose N = A I = 0 0 2 1. La matrice N est nilpotente (cest--dire il
0 0 0 3
3
1
0 0 0 0
k
N = 0) comme le montrent les calculs suivants :

0 0 2 4
0 0 0 6
0 0 0 6
0 0 0 0
3

N2 =
N
=
et
N 4 = 0.
0 0 0 0
0 0 0 0
0 0 0 0

0 0 0 0

Comme on a A = I + N et les matrices N et I commutent (la matrice identit commute avec toutes les
matrices), on peut appliquer la formule du binme de Newton. On utilise que I k = I pour tout k et surtout
que N k = 0 si k > 4. On obtient
p
3
X
p k pk X p k
p(p1)
p(p1)(p2) 3
p
A =
N I
=
N = I + pN + 2! N 2 +
N .
3!
k
k
k=0
k=0

MATRICES

3. INVERSE DUNE MATRICE : DFINITION

106

Do

1 p p2
0 1 2p
Ap =
0 0 1
0 0 0

p(p2 p + 1)
p(3p 2)
.

3p
1

Mini-exercices.
2 1 0
8 2
5


2 2
2 , E = x
1 0 , C = 3 2 , D =
y z . Quels produits sont
1. Soient A = 06 4
0 , B = 0
1
2 2 3
5 5
possibles ? Les calculer !
0 0 1
1 0 0
2. Soient A = 0 1 0 et B = 0 0 2 . Calculer A2 , B 2 , AB et BA.
1 1 0
112
2 0 0
0 0 0
3. Soient A = 0 2 0 et B = 2 0 0 . Calculer Ap et B p pour tout p > 0. Montrer que AB = BA. Calculer
002
310
(A + B) p .

3. Inverse dune matrice : dfinition


3.1. Dfinition
Dfinition 7 (Matrice inverse).
Soit A une matrice carre de taille n n. Sil existe une matrice carre B de taille n n telle que
AB = I

BA = I,

et

on dit que A est inversible. On appelle B linverse de A et on la note A1 .


On verra plus tard quil suffit en fait de vrifier une seule des conditions AB = I ou bien BA = I.
Plus gnralement, quand A est inversible, pour tout p N, on note :
Ap = (A1 ) p = A1 A1 A1 .
|
{z
}
p facteurs

Lensemble des matrices inversibles de Mn (K) est not G L n (K).

3.2. Exemples
Exemple 11.


Soit A = 10 23 . tudier si A est inversible, cest tudier lexistence dune matrice B = ac db coefficients
dans K, telle que AB = I et BA = I. Or AB = I quivaut :


 


 

1 2 a b
1 0
a + 2c b + 2d
1 0
AB = I
=

=
0 3
c d
0 1
3c
3d
0 1
Cette galit quivaut au systme :

a + 2c = 1

b + 2d = 0
3c
=0

3d = 1
Sa rsolution est immdiate : a = 1, b = 32 , c = 0, d = 13 . Il ny a donc quune seule matrice possible,
 2
1 3
savoir B =
. Pour prouver quelle convient, il faut aussi montrer lgalit BA = I, dont la vrification
0 13


1 32
1
est laisse au lecteur. La matrice A est donc inversible et A =
.
0 13

MATRICES

3. INVERSE DUNE MATRICE : DFINITION

107

Exemple 12.
La matrice A =

30
50


a b
nest pas inversible. En effet, soit B =
une matrice quelconque. Alors le produit
c d


 

a b 3 0
3a + 5b 0
BA =
=
c d
5 0
3c + 5d 0

ne peut jamais tre gal la matrice identit.


Exemple 13.
Soit I n la matrice carre identit de taille n n. Cest une matrice inversible, et son inverse est elle-mme
par lgalit I n I n = I n .
La matrice nulle 0n de taille n n nest pas inversible. En effet on sait que, pour toute matrice B de
Mn (K), on a B0n = 0n , qui ne peut jamais tre la matrice identit.

3.3. Proprits
Unicit
Proposition 5.
Si A est inversible, alors son inverse est unique.
Dmonstration. La mthode classique pour mener bien une telle dmonstration est de supposer lexistence
de deux matrices B1 et B2 satisfaisant aux conditions imposes et de dmontrer que B1 = B2 .
Soient donc B1 telle que AB1 = B1 A = I n et B2 telle que AB2 = B2 A = I n . Calculons B2 (AB1 ). Dune part,
comme AB1 = I n , on a B2 (AB1 ) = B2 . Dautre part, comme le produit des matrices est associatif, on a
B2 (AB1 ) = (B2 A)B1 = I n B1 = B1 . Donc B1 = B2 .
Inverse de linverse
Proposition 6.
Soit A une matrice inversible. Alors A1 est aussi inversible et on a :
(A1 )1 = A

Inverse dun produit


Proposition 7.
Soient A et B deux matrices inversibles de mme taille. Alors AB est inversible et
(AB)1 = B 1 A1
Il faut bien faire attention linversion de lordre !
Dmonstration. Il suffit de montrer (B 1 A1 )(AB) = I et (AB)(B 1 A1 ) = I. Cela suit de
(B 1 A1 )(AB) = B 1 (A1 A)B = B 1 I B = B 1 B = I,
et

(AB)(B 1 A1 ) = A(BB 1 )A1 = AIA1 = AA1 = I.

De faon analogue, on montre que si A1 , . . . , Am sont inversibles, alors


1
1
(A1 A2 Am )1 = A1
m Am1 A1 .

MATRICES

4. INVERSE DUNE MATRICE : CALCUL

108

Simplification par une matrice inversible


Si C est une matrice quelconque de Mn (K), nous avons vu que la relation AC = BC o A et B sont des
lments de Mn (K) nentrane pas forcment lgalit A = B. En revanche, si C est une matrice inversible,
on a la proposition suivante :
Proposition 8.
Soient A et B deux matrices de Mn (K) et C une matrice inversible de Mn (K). Alors lgalit AC = BC implique
lgalit A = B.
Dmonstration. Ce rsultat est immdiat : si on multiplie droite lgalit AC = BC par C 1 , on obtient
lgalit : (AC)C 1 = (BC)C 1 . En utilisant lassociativit du produit des matrices on a A(C C 1 ) = B(C C 1 ),
ce qui donne daprs la dfinition de linverse AI = BI, do A = B.
Mini-exercices.

et B = 25 13 . Calculer A1 , B 1 , (AB)1 , (BA)1 , A2 .
1 0 0
2. Calculer linverse de 0 2 0 .
103
1 2 0
3. Soit A = 2 3 0 . Calculer 2A A2 . Sans calculs, en dduire A1 .

1. Soient A =

1 2
3 4

0 1

4. Inverse dune matrice : calcul


Nous allons voir une mthode pour calculer linverse dune matrice quelconque de manire efficace. Cette
mthode est une reformulation de la mthode du pivot de Gauss pour les systmes linaires. Auparavant,
nous commenons par une formule directe dans le cas simple des matrices 2 2.

4.1. Matrices 2 2


a
Considrons la matrice 2 2 : A =
c


b
.
d

Proposition 9.
Si ad bc 6= 0, alors A est inversible et
1

Dmonstration. On vrifie que si B =

1
adbc

1
adbc

d b
c a

d
c

b
a

alors AB =

10
01

. Idem pour BA.

4.2. Mthode de Gauss pour inverser les matrices


La mthode pour inverser une matrice A consiste faire des oprations lmentaires sur les lignes de la
matrice A jusqu la transformer en la matrice identit I. On fait simultanment les mmes oprations
lmentaires en partant de la matrice I. On aboutit alors une matrice qui est A1 . La preuve sera vue dans
la section suivante.
En pratique, on fait les deux oprations en mme temps en adoptant la disposition suivante : ct de la
matrice A que lon veut inverser, on rajoute la matrice identit pour former un tableau (A | I). Sur les lignes

MATRICES

4. INVERSE DUNE MATRICE : CALCUL

109

de cette matrice augmente, on effectue des oprations lmentaires jusqu obtenir le tableau (I | B). Et
alors B = A1 .
Ces oprations lmentaires sur les lignes sont :
1. L i L i avec 6= 0 : on peut multiplier une ligne par un rel non nul (ou un lment de K \ {0}).
2. L i L i + L j avec K (et j 6= i) : on peut ajouter la ligne L i un multiple dune autre ligne L j .
3. L i L j : on peut changer deux lignes.
Noubliez pas : tout ce que vous faites sur la partie gauche de la matrice augmente, vous devez aussi le
faire sur la partie droite.

4.3. Un exemple

1 2 1
Calculons linverse de A = 4 0 1 .
1 2 2
Voici la matrice augmente, avec les lignes numrotes :

1 2 1 1 0 0
(A | I) = 4 0 1 0 1 0
1 2 2 0 0 1

L1
L2
L3

On applique la mthode de Gauss pour faire apparatre des 0 sur la premire colonne, dabord sur la
deuxime ligne par lopration lmentaire L2 L2 4L1 qui conduit la matrice augmente :

1
2
1
1 0 0
0 8 5 4 1 0 L2 L2 4L1
0 0 1
1 2
2
Puis un 0 sur la premire colonne, la troisime ligne, avec L3 L3 + L1 :

1 2
1
1 0
0 8 5 4 1
0 4
3
1 0
On multiplie la ligne L2 afin quelle commence par 1 :

1 2 1 1 0
0 1 5 1 1
8
2
8
0 4 3 1 0

0
0
1

0
0
1

L3 L3 +L1

L2 18 L2

On continue afin de faire apparatre des 0 partout sous la diagonale, et on multiplie la ligne L3 . Ce qui
termine la premire partie de la mthode de Gauss :

0 0
1 2 1 1
1
0 1 5
18 0
8
2
0 0 21 1 21 1
L3 L3 4L2
puis

1 2 1 1
0 0
1
0 1 5
18 0
8
2
0 0 1 2 1 2
L3 2L3
Il ne reste plus qu remonter pour faire apparatre des zros au-dessus de la diagonale :

1 2 1
0 1 0
0 0 1

0
7
3

4
4
2 1

0
54
2

L2 L2 85 L3

MATRICES

5. INVERSE DUNE MATRICE : SYSTMES LINAIRES ET MATRICES LMENTAIRES

110

puis

1 0 0
0 1 0
0 0 1

21
7
4

1
2
34

1
2
54

L1 L1 2L2 L3

Ainsi linverse de A est la matrice obtenue droite et aprs avoir factoris tous les coefficients par 14 , on a
obtenu :

2 2
2
1
A1 = 7 3 5
4
8 4
8
Pour se rassurer sur ses calculs, on noublie pas de vrifier rapidement que A A1 = I.
Mini-exercices.
31
72

1. Si possible calculer linverse des matrices :



1
sin
2. Soit A( ) = cos
sin cos . Calculer A( ) .
3. Calculer linverse des matrices :

1 3 0
2 1 1 ,
2 1 1

2 3
5 4

02
30

+1 1
2

1 1 1 0 0
2 2 1 1 0 1 0 2 1 1 1
0 1200
0
2
2
0
1
0
0
1
1 1 2 0 0 .
3 0 5 , 1 2 0 1 , 0 1 1 2 ,
1 1 2

01 1 0

0 2 1 3

0 0021
0 0053

5. Inverse dune matrice : systmes linaires et matrices lmentaires


5.1. Matrices et systmes linaires
Le systme linaire

a11 x 1

a21 x 1

an1 x 1
peut scrire sous forme matricielle :

a11
a
21
.
..
|

+ a12 x 2 + + a1p x p
+ a22 x 2 + + a2p x p
...
+ an2 x 2 + + anp x p
. . . a1p
. . . a2p
..
.

x1
x2
..
.

an1 . . . anp
xp
{z
} | {z }
A
X

=
=

b1
b2

bn

b1
b2
..
.
bn
{z
B

On appelle A Mn,p (K) la matrice des coefficients du systme. B Mn,1 (K) est le vecteur du second membre.
Le vecteur X M p,1 (K) est une solution du systme si et seulement si
AX = B.
Nous savons que :
Thorme 1.
Un systme dquations linaires na soit aucune solution, soit une seule solution, soit une infinit de solutions.

MATRICES

5. INVERSE DUNE MATRICE : SYSTMES LINAIRES ET MATRICES LMENTAIRES

111

5.2. Matrices inversibles et systmes linaires


Considrons le cas o le nombre dquations gale le nombre dinconnues :

a11
a21
..
.

. . . a1n
. . . a2n
..
.

x1
x2
..
.

an1 . . . ann
xn
{z
} | {z }
A
X

b1
b2
..
.
bn
{z
B

Alors A Mn (K) est une matrice carre et B un vecteur de Mn,1 (K). Pour tout second membre, nous pouvons
utiliser les matrices pour trouver la solution du systme linaire.
Proposition 10.
Si la matrice A est inversible, alors la solution du systme AX = B est unique et est :
X = A1 B.


La preuve est juste de vrifier que si X = A1 B, alors AX = A A1 B = AA1 B = I B = B. Rciproquement
si AX = B, alors ncessairement X = A1 B. Nous verrons bientt que si la matrice nest pas inversible, alors
soit il ny a pas de solution, soit une infinit.

5.3. Les matrices lmentaires


Pour calculer linverse dune matrice A, et aussi pour rsoudre des systmes linaires, nous avons utilis
trois oprations lmentaires sur les lignes qui sont :
1. L i L i avec 6= 0 : on peut multiplier une ligne par un rel non nul (ou un lment de K \ {0}).
2. L i L i + L j avec K (et j 6= i) : on peut ajouter la ligne L i un multiple dune autre ligne L j .
3. L i L j : on peut changer deux lignes.
Nous allons dfinir trois matrices lmentaires E L i L i , E L i L i +L j , E L i L j correspondant ces oprations.
Plus prcisment, le produit E A correspondra lopration lmentaire sur A. Voici les dfinitions
accompagnes dexemples.
1. La matrice E L i L i est la matrice obtenue en multipliant par la i-me ligne de la matrice identit I n ,
o est un nombre rel non nul.

E L2 5L2

1
0
=
0
0

0
5
0
0

0
0
1
0

0
0

0
1

2. La matrice E L i L i +L j est la matrice obtenue en ajoutant fois la j-me ligne de I n la i-me ligne de
In.

E L2 L2 3L1

1
3
=
0
0

0
1
0
0

0
0
1
0

0
0

0
1

3. La matrice E L i L j est la matrice obtenue en permutant les i-me et j-me lignes de I n .

MATRICES

5. INVERSE DUNE MATRICE : SYSTMES LINAIRES ET MATRICES LMENTAIRES

E L2 L4 = E L4 L2

1
0
=
0
0

0
0
0
1

0
0
1
0

112

0
1

0
0

Les oprations lmentaires sur les lignes sont rversibles, ce qui entrane linversibilit des matrices
lmentaires.
Le rsultat de la multiplication dun matrice lmentaire E par A est la matrice obtenue en effectuant
lopration lmentaire correspondante sur A. Ainsi :
1. La matrice E L i L i A est la matrice obtenue en multipliant par la i-me ligne de A.
2. La matrice E L i L i +L j A est la matrice obtenue en ajoutant fois la j-me ligne de A la i-me ligne
de A.
3. La matrice E L i L j A est la matrice obtenue en permutant les i-me et j-me lignes de A.
Exemple 14.
1.

1 0 0
x1
E L2 1 L2 A = 0 13 0 y1
3
0 0 1
z1

x2
y2
z2


x3
x1
y3 = 31 y1
z1
z3

x2
1
3 y2
z2

x3
1

3 y3
z3

2.

1 0 7
x1

E L1 L1 7L3 A = 0 1 0 y1
0 0 1
z1

x2
y2
z2


x3
x 1 7z1

y3 =
y1
z1
z3

x 2 7z2
y2
z2

x 3 7z3
y3
z3

3.


1 0 0
x1

E L2 L3 A = 0 0 1 y1
0 1 0
z1

x2
y2
z2


x3
x1

y3 = z1
z3
y1

x2
z2
y2

x3
z3
y3

5.4. quivalence une matrice chelonne


Dfinition 8.
Deux matrices A et B sont dites quivalentes par lignes si lune peut tre obtenue partir de lautre par
une suite doprations lmentaires sur les lignes. On note A B.
Dfinition 9.
Une matrice est chelonne si :
le nombre de zros commenant une ligne crot strictement ligne par ligne jusqu ce quil ne reste
plus que des zros.
Elle est chelonne rduite si en plus :
le premier coefficient non nul dune ligne (non nulle) vaut 1 ;
et cest le seul lment non nul de sa colonne.
Exemple dune matrice chelonne ( gauche) et chelonne rduite ( droite) ; les dsignent des

MATRICES

5. INVERSE DUNE MATRICE : SYSTMES LINAIRES ET MATRICES LMENTAIRES

coefficients quelconques, les + des coefficients non nuls :

+
0 0 +

0
0
0
+

0 0 0 0 0 0 +

0 0 0 0 0 0 0
0

0 0

1
0

0
0

0
0
0
0
0

0
1
0
0
0
0

0
0
1
0
0
0

0
0
0

0
0
0

113

0
0

0
0

Thorme 2.
tant donne une matrice A Mn,p (K), il existe une unique matrice chelonne rduite U obtenue partir
de A par des oprations lmentaires sur les lignes.
Ce thorme permet donc de se ramener par des oprations lmentaires des matrices dont la structure
est beaucoup plus simple : les matrices chelonnes rduites.
Dmonstration. Nous admettons lunicit.
Lexistence se dmontre grce lalgorithme de Gauss. Lide gnrale consiste utiliser des substitutions
de lignes pour placer des zros l o il faut de faon crer dabord une forme chelonne, puis une forme
chelonne rduite.
Soit A une matrice n p quelconque.
Partie A. Passage une forme chelonne.
tape A.1. Choix du pivot.
On commence par inspecter la premire colonne. Soit elle ne contient que des zros, auquel cas on passe
directement ltape A.3, soit elle contient au moins un terme non nul. On choisit alors un tel terme, que
lon appelle le pivot. Si cest le terme a11 , on passe directement ltape A.2 ; si cest un terme ai1 avec
i 6= 1, on change les lignes 1 et i (L1 L i ) et on passe ltape A.2.
Au terme de ltape A.1, soit la matrice A a sa premire colonne nulle ( gauche) ou bien on obtient une
0
matrice quivalente dont le premier coefficient a11
est non nul ( droite) :

0
0
0
a11 a12
a10 j a1p
0 a12 a1 j a1p
0
0
0
0 a

a0
22 a2 j a2p

21 a22 a2 j a2p
..
..
..
..
..
..
..
..
.

.
.
.
.
.
.
= A ou .

0
0
0
0 A.
0 a

a
a

a
i2
ij
ip

i1
i2
ij
ip
.
.
..
..
..
..
..
..
.

..
.
.
.
.
.
.
.
0 an2 an j

0
an1

anp

0
an2
an0 j

0
anp

tape A.2. limination.


0
0
On ne touche plus la ligne 1, et on se sert du pivot a11
pour liminer tous les termes ai1
(avec i > 2)
situs sous le pivot. Pour cela, il suffit de remplacer la ligne i par elle-mme moins
i = 2, . . . , n : L2 L2

0
a21
0
a11

L1 , L3 L3

0
a31
0
a11

L1 ,. . .

Au terme de ltape A.2, on a obtenu une matrice de la forme


0
0
0
a11 a12
a10 j a1p
0 a00 a00 a00
22
2p
2j

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

0 a00 a00 a00 A.

i2
ij
ip
.
..
..
..
..
.
.
.
0

00
an2
an00j

00
anp

0
ai1
0
a11

la ligne 1, ceci pour

MATRICES

5. INVERSE DUNE MATRICE : SYSTMES LINAIRES ET MATRICES LMENTAIRES

114

tape A.3. Boucle.


Au dbut de ltape A.3, on a obtenu dans tous les cas de figure une matrice de la forme
1
1
1
a11 a12
a11 j a1p
0 a1 a1 a1
22
2p
2j

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

1
1
1 A
0 a
aip

i2 ai j
.

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

1
an2
an1 j

1
anp

dont la premire colonne est bien celle dune matrice chelonne. On va donc conserver cette premire
1
colonne. Si a11
6= 0, on conserve aussi la premire ligne, et lon repart avec ltape A.1 en lappliquant cette
fois la sous-matrice (n 1) (p 1) (ci-dessous gauche : on oublie la premire ligne et la premire
1
colonne de A) ; si a11
= 0, on repart avec ltape A.1 en lappliquant la sous-matrice n (p 1) ( droite,
on oublie la premire colonne) :
1
1
1

a12 a11 j a1p


1
1
a22 a2 j a2p
a1 a1 a1
2p
2j
22
..
..
..
.
..
..
..
.
.
1

.
.
.
1
1

a1 a1 a1
i2 ai j aip
.
i2
ij
ip
..
..
.
..
..
..
.
.
..
.
.
1
1
an2
an1 j anp
1
1
an2
an1 j anp
Au terme de cette deuxime itration de la boucle, on aura obtenu une matrice de la forme
1
1
1
a11 a12
a11 j a1p
0 a2 a2 a2
22
2p
2j

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

2 A,
0
0 ai2j aip

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

an2 j

2
anp

et ainsi de suite.
Comme chaque itration de la boucle travaille sur une matrice qui a une colonne de moins que la prcdente,
alors au bout dau plus p 1 itrations de la boucle, on aura obtenu une matrice chelonne.
Partie B. Passage une forme chelonne rduite.
tape B.1. Homothties.
On repre le premier lment non nul de chaque ligne non nulle, et on multiplie cette ligne par linverse de
cet lment. Exemple : si le premier lment non nul de la ligne i est =
6 0, alors on effectue L i 1 L i .
Ceci cre une matrice chelonne avec des 1 en position de pivots.
tape B.2. limination.
On limine les termes situs au-dessus des positions de pivot comme prcdemment, en procdant partir
du bas droite de la matrice. Ceci ne modifie pas la structure chelonne de la matrice en raison de la
disposition des zros dont on part.

Exemple 15.
Soit

1 2 3 4
A = 0 2 4 6 .
1 0 1 0

MATRICES

5. INVERSE DUNE MATRICE : SYSTMES LINAIRES ET MATRICES LMENTAIRES

115

A. Passage une forme chelonne.


1
Premire itration de la boucle, tape A.1. Le choix du pivot est tout fait, on garde a11
= 1.
Premire itration de la boucle, tape A.2. On ne fait rien sur la ligne 2 qui contient dj un zro en bonne
position et on remplace la ligne 3 par L3 L3 + L1 . On obtient

1 2 3 4
A 0 2 4 6 .
0 2 4 4
2
Deuxime itration de la boucle, tape A.1. Le choix du pivot est tout fait, on garde a22
= 2.
Deuxime itration de la boucle, tape A.2. On remplace la ligne 3 avec lopration L3 L3 L2 . On obtient

1 2 3 4
A 0 2 4 6 .
0 0 0 2

Cette matrice est chelonne.


B. Passage une forme chelonne rduite.
tape B.1, homothties. On multiplie la ligne 2 par 12 et la ligne 3 par 12 et lon obtient

1 2 3 4
A 0 1 2 3 .
0 0 0 1
tape B.2, premire itration. On ne touche plus la ligne 3 et on remplace la ligne 2 par L2 L2 3L3 et
L1 L1 4L3 . On obtient

1 2 3 0
A 0 1 2 0 .
0 0 0 1
tape B.2, deuxime itration. On ne touche plus la ligne 2 et on remplace la ligne 1 par L1 L1 2L2 .
On obtient

1 0 1 0
A 0 1 2 0
0 0

qui est bien chelonne et rduite.

5.5. Matrices lmentaires et inverse dune matrice


Thorme 3.
Soit A Mn (K). La matrice A est inversible si et seulement si sa forme chelonne rduite est la matrice
identit I n .
Dmonstration. Notons U la forme chelonne rduite de A. Et notons E le produit de matrices lmentaires
tel que EA = U.
= Si U = I n alors EA = I n . Ainsi par dfinition, A est inversible et A1 = E.
= Nous allons montrer que si U 6= I n , alors A nest pas inversible.
Supposons U 6= I n . Alors la dernire ligne de U est nulle (sinon il y aurait un pivot sur chaque ligne
donc ce serait I n ).
Cela entrane que U nest pas inversible : en effet, pour tout matrice carre V , la dernire ligne de
U V est nulle ; on naura donc jamais U V = I n .
Alors, A nest pas inversible non plus : en effet, si A tait inversible, on aurait U = EA et U serait
inversible comme produit de matrices inversibles (E est inversible car cest un produit de matrices
lmentaires qui sont inversibles).

MATRICES

5. INVERSE DUNE MATRICE : SYSTMES LINAIRES ET MATRICES LMENTAIRES

116

Remarque.
Justifions maintenant notre mthode pour calculer A1 .
Nous partons de (A|I) pour arriver par des oprations lmentaires sur les lignes (I|B). Montrons que
B = A1 . Faire une opration lmentaire signifie multiplier gauche par une des matrices lmentaires.
Notons E le produit de ces matrices lmentaires. Dire que lon arrive la fin du processus I signifie
EA = I. Donc A1 = E. Comme on fait les mmes oprations sur la partie droite du tableau, alors on obtient
E I = B. Donc B = E. Consquence : B = A1 .
Corollaire 1.
Les assertions suivantes sont quivalentes :
(i) La matrice A est inversible. 
0

0
(ii) Le systme linaire AX = ... a une unique solution X = ... .
0
0
(iii) Pour tout second membre B, le systme linaire AX = B a une unique solution X .

Dmonstration. Nous avons dj vu (i) = (ii) et (i) = (iii).


Nous allons seulement montrer (ii) = (i). Nous raisonnons par contrapose : nous allons montrer la
proposition quivalente non(i) = non(ii). Si A nest pas inversible, alors sa forme chelonne rduite U
contient un premier zro sur sa diagonale, disons la place `. Alors U la forme suivante

1 0 c1

c1
..

..
.
0 .. 0
.
.

0 0

c`1
1
c

`1

0 0

0

On note
X =

.
1 .
0 0
0
0

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

0
0

Alors X nest pas le vecteur nul, mais U X est le vecteur nul. Comme A = E 1 U, alors AX est le vecteur nul.
Nous avons donc trouv un vecteur non nul X tel que AX = 0.
Mini-exercices.
1. Exprimer les systmes linaires suivants sous forme
matricielle et les rsoudre en inversant la matrice :

x
+
t =

x +z =1
2x + 4 y = 7
x 2y =
2 y + 3z = 1 ,
,
.
2x + 3 y = 14
x+ y+t =2

x +z =1

y+t =4
2. crire les matrices 4 4 correspondant aux oprations lmentaires : L2 31 L2 , L3 L3 14 L2 ,
L1 L4 . Sans calculs, crire leurs inverses. crire la matrice 4 4 de lopration L1 L1 2L3 + 3L4 .
1 2 3 1 0 2
3. crire les matrices suivantes sous forme chelonne, puis chelonne rduite : 1 4 0 , 1 1 1 ,
2 2 3
2 2 3
2 0 2 0
0 1 1 0
1 2 1 4 .
1 2 1 2

MATRICES

6. MATRICES TRIANGULAIRES, TRANSPOSITION, TRACE, MATRICES SYMTRIQUES

117

6. Matrices triangulaires, transposition, trace, matrices symtriques


6.1. Matrices triangulaires, matrices diagonales
Soit A une matrice de taille n n. On dit que A est triangulaire infrieure si ses lments au-dessus de la
diagonale sont nuls, autrement dit :
i < j = ai j = 0.
Une matrice triangulaire infrieure a la forme suivante :

a11 0
.

a21 a22 . .
.
..
.. ..
.
.
.
.
.
.
.
.
..
..
..
an1

an2

0
..
.
..
.

0
ann

On dit que A est triangulaire suprieure si ses lments en-dessous de la diagonale sont nuls, autrement
dit :
i > j = ai j = 0.
Une matrice triangulaire suprieure a la forme suivante :

a11 a12 . . . . . . . . . a1n


0 a

22 . . . . . . . . . a2n

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

.
.
.
.
.
.
.
.
.
.
.

..
..
.. ..
.
.
.
.
0
. . . . . . . . . 0 ann
Exemple 16.
Deux matrices triangulaires infrieures ( gauche), une matrice triangulaire suprieure ( droite) :



4 0 0
1 1 1
5 0
0 1 0
0 1 1
1 2
3 2 3
0 0 1
Une matrice qui est triangulaire infrieure et triangulaire suprieure est dite diagonale. Autrement dit :
i 6= j = ai j = 0.
Exemple 17.
Exemples de matrices diagonales :

1 0 0
0 6 0
0 0 0

et



2 0
0 3

Exemple 18 (Puissances dune matrice diagonale).


Si D est une matrice diagonale, il est trs facile de calculer ses puissances D p (par rcurrence sur p) :

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

.
.. . . . .
..
..
..
..
p
D = .. . . . . . .
=
D
=

.
.
.
.
.
.

p
0 . . . 0 n1 0
0 ... 0
0
0

... ...

n1

... ...

MATRICES

6. MATRICES TRIANGULAIRES, TRANSPOSITION, TRACE, MATRICES SYMTRIQUES

118

Thorme 4.
Une matrice A de taille n n, triangulaire, est inversible si et seulement si ses lments diagonaux sont tous
non nuls.
Dmonstration. Supposons que A soit triangulaire suprieure.
Si les lments de la diagonale sont tous non nuls, alors la matrice A est dj sous la forme chelonne.
En multipliant chaque ligne i par linverse de llment diagonal aii , on obtient des 1 sur la diagonale.
De ce fait, la forme chelonne rduite de A sera la matrice identit. Le thorme 3 permet de conclure
que A est inversible.
Inversement, supposons quau moins lun des lments diagonaux soit nul et notons a`` le premier
lment nul de la diagonale. En multipliant les lignes 1 ` 1 par linverse de leur lment diagonal,
on obtient une matrice de la forme

.
0 ..

0 0

0 0
0

.
0 0
0

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

Il est alors clair que la colonne numro ` de la forme chelonne rduite ne contiendra pas de 1 comme
pivot. La forme chelonne rduite de A ne peut donc pas tre I n et par le thorme 3, A nest pas
inversible.
Dans le cas dune matrice triangulaire infrieure, on utilise la transposition (qui fait lobjet de la section
suivante) et on obtient une matrice triangulaire suprieure. On applique alors la dmonstration ci-dessus.

6.2. La transposition
Soit A la matrice de taille n p

A=

. . . a1p
. . . a2p
..
.

a11
a21
..
.

a12
a22
..
.

an1

an2 . . . anp

Dfinition 10.
On appelle matrice transpose de A la matrice AT de taille

a11 a21 . . .
a
12 a22 . . .
AT = .
..
..
.
a1p

a2p

p n dfinie par :

an1
an2

.. .
.

. . . anp

Autrement dit : le coefficient la place (i, j) de AT est a ji . Ou encore la i-me ligne de A devient la i-me
colonne de AT (et rciproquement la j-me colonne de AT est la j-me ligne de A).
Notation : La transpose de la matrice A se note aussi souvent tA.
Exemple 19.
T

1 2 3
1 4 7
4 5 6 = 2 5
8
7 8 9
3 6 9

MATRICES

6. MATRICES TRIANGULAIRES, TRANSPOSITION, TRACE, MATRICES SYMTRIQUES

T


0
3
0
1
1
1 5 =
3 5 2
1 2

119

1
5) T = 2
5

(1

Lopration de transposition obit aux rgles suivantes :


Thorme 5.
1. (A + B) T = AT + B T
2. (A) T = AT
3. (AT ) T = A
4. (AB) T = B T AT
5. Si A est inversible, alors AT lest aussi et on a (AT )1 = (A1 ) T .
Notez bien linversion : (AB) T = B T AT , comme pour (AB)1 = B 1 A1 .

6.3. La trace
Dans le cas dune matrice carre de taille n n, les lments a11 , a22 , . . . , ann sont appels les lments
diagonaux.
Sa diagonale principale est la diagonale (a11 , a22 , . . . , ann ).

a11 a12 . . . a1n


a

21 a22 . . . a2n

.
.
.
..
..
..
..
.
an1

an2 . . . ann

Dfinition 11.
La trace de la matrice A est le nombre obtenu en additionnant les lments diagonaux de A. Autrement
dit,
tr A = a11 + a22 + + ann .
Exemple 20.

Si A = 20 15 , alors tr A = 2 + 5 = 7.
1 1 2
Pour B = 5 2 8 , tr B = 1 + 2 10 = 7.
11 0 10

Thorme 6.
Soient A et B deux matrices n n. Alors :
1. tr(A + B) = tr A + tr B,
2. tr(A) = tr A pour tout K,
3. tr(AT ) = tr A,
4. tr(AB) = tr(BA).
Dmonstration.
1. Pour tout 1 6 i 6 n, le coefficient (i, i) de A + B est aii + bii . Ainsi, on a bien tr(A + B) = tr(A) + tr(B).
2. On a tr(A) = a11 + + ann = (a11 + + ann ) = tr A.
3. tant donn que la transposition ne change pas les lments diagonaux, la trace de A est gale la trace
de AT .

MATRICES

6. MATRICES TRIANGULAIRES, TRANSPOSITION, TRACE, MATRICES SYMTRIQUES

120

4. Notons ci j les coefficients de AB. Alors par dfinition


cii = ai1 b1i + ai2 b2i + + ain bni .
Ainsi,
tr(AB) =

+a12 b21
+a22 b22

a11 b11
+a21 b12
..
.

+
+

+a1n bn1
+a2n bn2

+an1 b1n +an2 b2n + +ann bnn .


On peut rarranger les termes pour obtenir
tr(AB) =

+a21 b12
+a22 b22

a11 b11
+a12 b21
..
.

+
+

+an1 b1n
+an2 b2n

+a1n bn1 +a2n bn2 + +ann bnn .


En utilisant la commutativit de la multiplication dans K, la premire ligne devient
b11 a11 + b12 a21 + + b1n an1
qui vaut le coefficient (1, 1) de BA. On note di j les coefficients de BA. En faisant de mme avec les autres
lignes, on voit finalement que
tr(AB) = d11 + + dnn = tr(BA).

6.4. Matrices symtriques


Dfinition 12.
Une matrice A de taille n n est symtrique si elle est gale sa transpose, cest--dire si
A = AT ,
ou encore si ai j = a ji pour tout i, j = 1, . . . , n. Les coefficients sont donc symtriques par rapport la
diagonale.
Exemple 21.
Les matrices suivantes sont symtriques :


0 2
2 4

1 0
5
0
2 1
5 1 0

Exemple 22.
Pour une matrice B quelconque, les matrices B B T et B T B sont symtriques.
Preuve : (BB T ) T = (B T ) T B T = BB T . Idem pour B T B.

6.5. Matrices antisymtriques


Dfinition 13.
Une matrice A de taille n n est antisymtrique si
AT = A,
cest--dire si ai j = a ji pour tout i, j = 1, . . . , n.

MATRICES

6. MATRICES TRIANGULAIRES, TRANSPOSITION, TRACE, MATRICES SYMTRIQUES

121

Exemple 23.


0 1
1 0

0 4 2
4 0 5
2 5 0

Remarquons que les lments diagonaux dune matrice antisymtrique sont toujours tous nuls.
Exemple 24.
Toute matrice est la somme dune matrice symtrique et dune matrice antisymtrique.
Preuve : Soit A une matrice. Dfinissons B = 12 (A + AT ) et C = 12 (A AT ). Alors dune part A = B + C ;
dautre part B est symtrique, car B T = 12 (AT + (AT ) T ) = 12 (AT + A) = B ; et enfin C est antisymtrique, car
C T = 12 (AT (AT ) T ) = C.
Exemple :






2 10
2 9
0 1
Pour A =
alors
A =
+
.
8 3
9 3
1 0
| {z }
| {z }
symtrique

antisymtrique

Mini-exercices.
1. Montrer que la somme de deux matrices triangulaires suprieures reste triangulaire suprieure. Montrer
que cest aussi valable pour le produit.
2. Montrer que si A est triangulaire suprieure, alors AT est triangulaire infrieure. Et si A est diagonale ?
x1 !
3. Soit A =

x2

. Calculer AT A, puis A AT .

..
.

xn

4. Soit A =

a b
c d

. Calculer tr(A AT ).

5. Soit A une matrice de taille 2 2 inversible. Montrer que si A est symtrique, alors A1 aussi. Et si A
est antisymtrique ?
6. Montrer que la dcomposition dune matrice sous la forme symtrique + antisymtrique est unique.

Auteurs du chapitre
Daprs un cours de Eva Bayer-Fluckiger, Philippe Chabloz, Lara Thomas de lcole Polytechnique Fdrale
de Lausanne,
et un cours de Sophie Chemla de luniversit Pierre et Marie Curie, reprenant des parties de cours de H.
Ledret et dune quipe de luniversit de Bordeaux anime par J. Queyrut,
mixs et rviss par Arnaud Bodin, relu par Vianney Combet.

Chapitre

Lespace vectoriel Rn

Vido partie 1. Vecteurs de Rn


Vido partie 2. Exemples d'applications linaires
Vido partie 3. Proprits des applications linaires
Ce chapitre est consacr lensemble Rn vu comme espace vectoriel. Il peut tre vu de plusieurs faons :
un cours minimal sur les espaces vectoriels pour ceux qui nauraient besoin que de Rn ,
une introduction avant dattaquer le cours dtaill sur les espaces vectoriels,
une source dexemples lire en parallle du cours sur les espaces vectoriels.

1. Vecteurs de Rn
1.1. Oprations sur les vecteurs
souvent reprsent par une droite. Cest un espace de dimension 1.
Lensemble des nombres rels R est
x1 
Le
plan
est
form
des
couples
de
nombres rels. Il est not R2 . Cest un espace deux dimensions.

x2
 
x1

Lespace de dimension 3 est constitu des triplets de nombres rels xx 2 . Il est not R3 .
3
 x1 
Le symbole xx 2 a deux interprtations gomtriques : soit comme un point de lespace (figure de
3

gauche), soit comme un vecteur (figure de droite) :

x1
x2
x3

x1
x2
x3

On gnralise ces notions en considrant des espaces de dimension


! n pour tout entier positif n = 1, 2, 3, 4, . . .
x1
x2

..
.
xn
x1 !

Les lments de lespace de dimension n sont les n-uples

n est not Rn . Comme en dimensions 2 et 3, le n-uple


lespace de dimension n.

de nombres rels. Lespace de dimension

x2

..
.

xn

dnote aussi bien un point quun vecteur de

LESPACE VECTORIEL Rn

Soient u =

u1 !
u2

..
.

et v =

un

1. VECTEURS DE Rn
v1 !
v2

..
.

124

deux vecteurs de Rn .

vn

Dfinition 1.

u1 + v1
.
Somme de deux vecteurs. Leur somme est par dfinition le vecteur u + v = .. .

un + vn

u1
.
Produit dun vecteur par un scalaire. Soit R (appel un scalaire) : u = .. .
un

0
n
Le vecteur nul de R est le vecteur 0 = ... .
0
 u1 
 u1 
.
.. .
Loppos du vecteur u = .. est le vecteur u =
.
un

un

Voici des vecteurs dans R2 (ici = 2) :


u
u+v

u
v

~ au lieu de u, v, 0. Mais il faudra shabituer rapidement


Dans un premier temps, vous pouvez noter u
~, ~
v, 0
la notation sans flche. De mme, si est un scalaire et u un vecteur, on notera souvent u au lieu de u.
Thorme 1.u 
 v1 
 w1 
1
Soient u = ... , v = ... et w = ... des vecteurs de Rn et , R. Alors :
un

vn

1. u + v = v + u
2. u + (v + w) = (u + v) + w
3. u + 0 = 0 + u = u
4. u + (u) = 0
5. 1 u = u
6. ( u) = () u
7. (u + v) = u + v
8. ( + ) u = u + u

wn

LESPACE VECTORIEL Rn

1. VECTEURS DE Rn

125

v
u
u+v

u
v

Chacune de ces proprits dcoule directement de la dfinition de la somme et de la multiplication par


un scalaire. Ces huit proprits font de Rn un espace vectoriel. Dans le cadre gnral, ce sont ces huit
proprits qui dfinissent ce quest un espace vectoriel.

1.2. Reprsentation des vecteurs de Rn


 u1 
Soit u = ... un vecteur de Rn . On lappelle vecteur colonne et on considre naturellement u comme une
un

matrice de taille n 1. Parfois, on rencontre aussi des vecteurs lignes : on peut voir le vecteur u comme
une matrice 1 n, de la forme (u1 , . . . , un ). En fait, le vecteur ligne correspondant u est le transpos u T
du vecteur colonne u.
Les oprations de somme et de produit par un scalaire dfinies ci-dessus pour les vecteurs concident
parfaitement avec les oprations dfinies sur les matrices :



u1 + v1
u1
u1
u1
v1
. . .
. .
et
u = .. = .. .
u + v = .. + .. = ..
un

vn

un + vn

un

un

1.3. Produit scalaire


 u1 
 v1 
.
Soient u = .. et v = ... deux vecteurs de Rn . On dfinit leur produit scalaire par
un

vn

u | v = u1 v1 + u2 v2 + + un vn .
Cest un scalaire (un nombre rel). Remarquons que cette dfinition gnralise la notion de produit scalaire
dans le plan R2 et dans lespace R3 .
Une autre criture :

u | v = u T v = u1 u2


v1

 v2

un .
.
.
vn

Soient A = (ai j ) une matrice de taille n p, et B = (bi j ) une matrice de taille p q. Nous savons que lon
peut former le produit matriciel AB. On obtient une matrice de taille n q. Llment dindice i j de la
matrice AB est
ai1 b1 j + ai2 b2 j + + aip b p j .

LESPACE VECTORIEL Rn

2. EXEMPLES DAPPLICATIONS LINAIRES

126

Remarquons que ceci est aussi le produit matriciel :

b1 j


b2 j
aip . .
..

ai1

ai2

bp j
Autrement dit, cest le produit scalaire du i-me vecteur ligne de A avec le j-me vecteur colonne de B.
Notons `1 , . . . , `n les vecteurs lignes formant la matrice A, et c1 , . . . , cq les vecteurs colonnes formant la
matrice B. On a alors

`1 | c1 `1 | c2 `1 | cq
` | c ` | c ` | c
2
2
2
q
2 1
AB =
.
..
..
..

.
.
.
`n | c1 `n | c2 `n | cq
Mini-exercices.
1. Faire un dessin pour chacune des 8 proprits qui font de R2 un espace vectoriel.
2. Faire la mme chose pour R3 .
3. Montrer que le produit scalaire vrifie u | v = v | u, u+ v | w = u | w+v | w, u | v = u | v
pour tout u, v, w Rn et R.
4. Soit u Rn . Montrer que u | u > 0. Montrer u | u = 0 si et seulement si u est le vecteur nul.

2. Exemples dapplications linaires


Soient
f1 : R p R

f2 : R p R

...

f n : R p R

n fonctions de p variables relles valeurs relles ; chaque f i est une fonction :


f i : R p R,

(x 1 , x 2 , . . . , x p ) 7 f i (x 1 , . . . , x p )

On construit une application


f : R p Rn
dfinie par

f (x 1 , . . . , x p ) = f1 (x 1 , . . . , x p ), . . . , f n (x 1 , . . . , x p ) .

2.1. Applications linaires


Dfinition 2.
Une application f : R p Rn dfinie par f (x 1 , . . . , x p ) = ( y1 , . . . , yn ) est dite une application linaire
si

y1 = a11 x 1 + a12 x 2 + + a1p x p

y = a x + a x + + a x
2
21 1
22 2
2p p
..
..
..
..

.
.
.
.

yn = an1 x 1 + an2 x 2 + + anp x p .

LESPACE VECTORIEL Rn

2. EXEMPLES DAPPLICATIONS LINAIRES

127

En notation matricielle, on a

a11
y1
x1
x y a
2 2 21
f . = . = .
.. .. ..

an1

yn

xp

a12
a22
..
.


x1
a1p

a2p x 2

.. .. ,
. .

an2 anp

xp

x1
..
ou encore, si on note X = . et A Mn,p (R) la matrice (ai j ),
xp
f (X ) = AX .
Autrement dit, une application linaire R p Rn peut scrire X 7 AX . La matrice A Mn,p (R) est appele
la matrice de lapplication linaire f .
Remarque.
On a toujours f (0, . . . , 0) = (0, . . . , 0). Si on note 0 pour le vecteur nul dans R p et aussi dans Rn , alors
une application linaire vrifie toujours f (0) = 0.
Le nom complet de la matrice A est : la matrice de lapplication linaire f de la base canonique de R p
vers la base canonique de Rn !
Exemple 1.
La fonction f : R4 R3 dfinie par

y1 = 2x 1 + 5x 2 + 2x 3 7x 4
y2 = 4x 1 + 2x 2 3x 3 + 3x 4

y3 = 7x 1 3x 2 + 9x 3
sexprime sous forme matricielle comme suit :

y1
2 5
2 7
y2 = 4
2 3 3
y3
7 3 9
0

x1
x2
.
x
3
x4

Exemple 2.
Pour lapplication linaire identit Rn Rn , (x 1 , . . . , x n ) 7 (x 1 , . . . , x n ), sa matrice associe est lidentit
I n (car I n X = X ).
Pour lapplication linaire nulle R p Rn , (x 1 , . . . , x p ) 7 (0, . . . , 0), sa matrice associe est la matrice
nulle 0n,p (car 0n,p X = 0).

2.2. Exemples dapplications linaires


Rflexion par rapport laxe (O y)
La fonction
2

f : R R

   
x
x
7
y
y

est la rflexion par rapport laxe des ordonnes (O y), et sa matrice est



   
1 0
1 0
x
x
car
=
.
0 1
0 1
y
y

LESPACE VECTORIEL Rn

2. EXEMPLES DAPPLICATIONS LINAIRES


y
 
x
y

 
x
y

Rflexion par rapport laxe (O x)


La rflexion par rapport laxe des abscisses (O x) est donne par la matrice


1 0
.
0 1
y
 
x
y

x
y

Rflexion par rapport la droite ( y = x)


La rflexion par rapport la droite ( y = x) est donne par
   
x
y
2
2
f : R R ,
7
y
x
et sa matrice est


0 1
.
1 0
y
 
y
x

( y = x)

 
x
y
O

128

LESPACE VECTORIEL Rn

2. EXEMPLES DAPPLICATIONS LINAIRES

129

Homothties
Lhomothtie de rapport centre lorigine est :
2

   
x
x
7
.
y
y

f : R R ,
On peut donc crire f

x
y

0
0

x
y

. Alors la matrice de lhomothtie est :




0
.
0
y

x
y

 
x
y

Remarque.
La translation de vecteur

u0 
v0

est lapplication
      

x
x
u0
x + u0
2
2
f :R R ,
7
+
=
.
y
y
v0
y + v0

u 
Si cest une translation de vecteur non nul, cest--dire v00 6= 00 , alors ce nest pas une application linaire,


car f 00 6= 00 .
Rotations
Soit f : R2 R2 la rotation dangle , centre lorigine.
y

 0
x
y0

 
x
y

Si le vecteur

x
y

fait un angle avec lhorizontale et que le point



x = r cos
.
y = r sin

x
y

est une distance r de lorigine, alors

LESPACE VECTORIEL Rn

Si

x0
y0

2. EXEMPLES DAPPLICATIONS LINAIRES


x
y

dnote limage de


x0 =
y0 =

par la rotation dangle , on obtient :

r cos( + )
r sin( + )


donc

x0 =
y0 =

r cos cos r sin sin


r cos sin + r sin cos

(o lon a appliqu les formules de trigonomtrie pour cos( + ) et sin( + )).


On aboutit


x0 =
y0 =

x cos y sin
x sin + y cos

 0 
x
cos
0 =
y
sin

donc

sin
cos

 
x
.
y

Autrement dit, la rotation dangle est donne par la matrice



cos
sin


sin
.
cos

Projections orthogonales
y

 
x
y

 
x
0

Lapplication
2

f : R R ,

   
x
x
7
y
0

est la projection orthogonale sur laxe (O x). Cest une application linaire donne par la matrice


1 0
.
0 0
Lapplication linaire
f : R3 R3 ,


x
x
y 7 y
z

est la projection orthogonale sur le plan (O x y) et sa matrice est

1 0 0
0 1 0 .
0 0 0

130

LESPACE VECTORIEL Rn

2. EXEMPLES DAPPLICATIONS LINAIRES

131

z

x
y
z


x
y
0
x

De mme, la projection orthogonale sur le plan (O xz) est donne par la matrice de gauche ; la projection
orthogonale sur le plan (O yz) par la matrice de droite :

1 0 0
0 0 0
0 1 0 .
0 0 0
0 0 1
0 0 1
Rflexions dans lespace
Lapplication

x
x
3
3
y 7 y
f : R R ,
z
z
est la rflexion par rapport au plan (O x y). Cest une application linaire et sa matrice est

1 0 0
0 1 0 .
0 0 1
De mme, les rflexions par rapport aux plans (O xz) ( gauche) et (O yz) ( droite) sont donnes par les
matrices :

1 0 0
1 0 0
0 1 0
0 1 0 .
0 0 1
0 0 1
Mini-exercices.


1. Soit A = 11 23 et soit f lapplication linaire associe. Calculer et dessiner limage par f de 10 ,






puis 01 et plus gnralement de xy . Dessiner limage par f du carr de sommets 00 10 11 01 .
Dessiner limage par f du cercle inscrit dans ce carr.
1 2 1
1 0 0
2. Soit A = 0 1 0 et soit f lapplication linaire associe. Calculer limage par f de 0 , 1 , 0 et
0
0
1
21 1
x
plus gnralement de y .
z

3. crire la matrice de la rotation du plan dangle


rotation dangle 4 daxe (O x).

centre lorigine. Idem dans lespace avec la

4. crire la matrice de la rflexion du plan par rapport la droite ( y = x). Idem dans lespace avec la
rflexion par rapport au plan dquation ( y = x).

LESPACE VECTORIEL Rn

3. PROPRITS DES APPLICATIONS LINAIRES

132

5. crire la matrice de la projection orthogonale de lespace sur laxe (O y).

3. Proprits des applications linaires


3.1. Composition dapplications linaires et produit de matrices
Soient
f : R p Rn

g : Rq R p

et

deux applications linaires. Considrons leur composition :


g

Rq R p Rn

f g : Rq Rn .

Lapplication f g est une application linaire. Notons :


A = Mat( f ) Mn,p (R) la matrice associe f ,
B = Mat(g) M p,q (R) la matrice associe g,
C = Mat( f g) Mn,q (R) la matrice associe f g.
On a pour un vecteur X Rq :


( f g)(X ) = f g(X ) = f BX = A(BX ) = (AB)X .
Donc la matrice associe f g est C = AB.
Autrement dit, la matrice associe la composition de deux applications linaires est gale au produit de
leurs matrices :
Mat( f g) = Mat( f ) Mat(g)
En fait le produit de matrices, qui au premier abord peut sembler bizarre et artificiel, est dfini exactement
pour vrifier cette relation.
Exemple 3.
Soit f : R2 R2 la rflexion par rapport la droite ( y = x) et soit g : R2 R2 la rotation dangle =
(centre lorigine). Les matrices sont
p



 1
3
0 1
cos sin

2
A = Mat( f ) =
et
B = Mat(g) =
= p23
.
1
1 0
sin
cos
2
2

Voici pour X = 10 les images f (X ), g(X ), f g(X ), g f (X ) :
y

f (X )

( y = x)

g(X )

g f (X )

f g(X )

X=

1
0

LESPACE VECTORIEL Rn

3. PROPRITS DES APPLICATIONS LINAIRES

Alors

 1
0 1
C = Mat( f g) = Mat( f ) Mat(g) =
p23
1 0
2
Notons que si lon considre la composition g f alors

D = Mat(g f ) = Mat(g) Mat( f ) =

1
p2
3
2

p

3
0
2

1
1
2

3
2
1
2

3
2
1
2

 p3
2
1
=
1
0
2

1
2p
23

1
p2
3
2

133

Les matrices C = AB et D = BA sont distinctes, ce qui montre que la composition dapplications linaires,
comme la multiplication des matrices, nest pas commutative en gnral.

3.2. Application linaire bijective et matrice inversible


Thorme 2.
Une application linaire f : Rn Rn est bijective si et seulement si sa matrice associe A = Mat( f ) Mn (R)
est inversible.
Lapplication f est dfinie par f (X ) = AX . Donc si f est bijective, alors dune part f (X ) = Y X = f 1 (Y ),
mais dautre part AX = Y X = A1 Y . Consquence : la matrice de f 1 est A1 .
Corollaire 1.
Si f est bijective, alors
1
Mat( f 1 ) = Mat( f ) .
Exemple 4.
Soit f : R2 R2 la rotation dangle . Alors f 1 : R2 R2 est la rotation dangle .
On a


cos
sin
Mat( f ) =
,
sin
cos
 


1
cos ( )
sin ( )
cos
sin
1
=
.
Mat( f ) = Mat( f )
=
sin ( )
cos( )
sin
cos
Exemple 5.
Soit f : R2 R2 la projection sur laxe (O x). Alors f nest pas injective. En effet, pour x fix et tout y R,

f xy = ( 0x ). Lapplication f nest pas non plus surjective : ceci se vrifie aisment car aucun point en-dehors
de laxe (O x) nest dans limage de f .
y

 
x
y

La matrice de f est

10
00

 
x
0

; elle nest pas inversible.

La preuve du thorme 2 est une consquence directe du thorme suivant, vu dans le chapitre sur les
matrices :

LESPACE VECTORIEL Rn

3. PROPRITS DES APPLICATIONS LINAIRES

134

Thorme 3.
Les assertions suivantes sont quivalentes :
(i) La matrice A est inversible. 
0

0
(ii) Le systme linaire AX = ... a une unique solution X = ... .
0
0
(iii) Pour tout second membre Y , le systme linaire AX = Y a une unique solution X .

Voici donc la preuve du thorme 2.


Dmonstration. Si A est inversible, alors pour tout vecteur Y le systme AX = Y a une unique solution
X , autrement dit pour tout Y , il existe un unique X tel que f (X ) = AX = Y . f est donc bijective.
6 0
Si A nest pas inversible, alors il existe un vecteur X non nul tel que AX = 0. En consquence on a X =
mais f (X ) = f (0) = 0. f nest pas injective donc pas bijective.

3.3. Caractrisation des applications linaires


Thorme 4.
Une application f : R p Rn est linaire si et seulement si pour tous les vecteurs u, v de R p et pour tout
scalaire R, on a
(i) f (u + v) = f (u) + f (v),
(ii) f (u) = f (u) .
Dans le cadre gnral des espaces vectoriels, ce sont ces deux proprits (i) et (ii) qui dfinissent une
application linaire.
Dfinition 3.
Les vecteurs

1
0

e1 = .
..
0


0
1


e2 = 0
.
..

0
sont appels les vecteurs de la base canonique de R p .


0
..

ep = .
0
1

La dmonstration du thorme impliquera :


Corollaire 2.
Soit f : R p Rn une application linaire, et soient e1 , . . . , e p les vecteurs de base canonique de R p . Alors
la matrice de f (dans les bases canoniques de R p vers Rn ) est donne par

Mat( f ) = f (e1 ) f (e2 ) f (e p ) ;
autrement dit les vecteurs colonnes de Mat( f ) sont les images par f des vecteurs de la base canonique
(e1 , . . . , e p ).
Exemple 6.
Considrons lapplication linaire f : R3 R4

y1 =

y2 =
y

3 =

y4 =

dfinie par
2x 1 +x 2
x 3
x 1 4x 2
5x 1 +x 2
+x 3
3x 2 +2x 3 .

LESPACE VECTORIEL Rn

3. PROPRITS DES APPLICATIONS LINAIRES

Calculons les images des vecteurs de la base canonique




2
1
1

f 0 =
5
0
0
Donc la matrice de f est :

135

1 0 0
0 , 1 , 0 :
0



1
0
4

f 1 =
1
0
3



1
0
0

f 0 =
1 .
1
2

2
1 1
1 4 0
.
Mat( f ) =
5
1
1
0
3
2
Exemple 7.
Soit f : R2 R2 la rflexion par rapport la droite ( y = x) et soit g la rotation du plan dangle 6 centre

lorigine. Calculons la matrice de lapplication f g. La base canonique de R2 est forme des vecteurs 10

et 01 .
1 p
 
3

0
f g
= f p32 = 21
1
2
2

p 1
 
3
1
f g
= f 21 = p23
0
2
2
Donc la matrice de f g est :

Mat( f ) =

1
p2
3
2

p
3
2
.
12

Voici la preuve du thorme 4.


Dmonstration. Supposons f : R p Rn linaire, et soit A sa matrice. On a f (u + v) = A(u + v) = Au + Av =
f (u) + f (v) et f (u) = A(u) = Au = f (u).
Rciproquement, soit f : R p Rn une application qui vrifie (i) et (ii). Nous devons construire une matrice
A telle que f (u) = Au. Notons dabord que (i) implique que f (v1 + v2 + + vr ) = f (v1 ) + f (v2 ) + + f (vr ).
Notons (e1 , . . . , e p ) les vecteurs de la base canonique de R p .
Soit A la matrice n p dont les colonnes sont
f (e1 ), f (e2 ), . . . , f (e p ).

Pour

x1
x
2
X = . Rp ,
..

alors

X = x 1 e1 + x 2 e2 + + x p e p

xp
et donc
AX

= A(x 1 e1 + x 2 e2 + + x p e p )
= Ax 1 e1 + Ax 2 e2 + + Ax p e p
=

x 1 Ae1 + x 2 Ae2 + + x p Ae p

x 1 f (e1 ) + x 2 f (e2 ) + + x p f (e p )

f (x 1 e1 ) + f (x 2 e2 ) + + f (x p e p )

f (x 1 e1 + x 2 e2 + + x p e p ) = f (X ).

On a alors f (X ) = AX , et f est bien une application linaire (de matrice A).


Mini-exercices.
1. Soit f la rflexion du plan par rapport laxe (O x) et soit g la rotation dangle 2
3 centre lorigine.
Calculer la matrice de f g de deux faons diffrentes (produit de matrices et image de la base

LESPACE VECTORIEL Rn

3. PROPRITS DES APPLICATIONS LINAIRES

136

canonique). Cette matrice est-elle inversible ? Si oui, calculer linverse. Interprtation gomtrique.
Mme question avec g f .
2. Soit f la projection orthogonale de lespace sur le plan (O xz) et soit g la rotation dangle 2 daxe
(O y). Calculer la matrice de f g de deux faons diffrentes (produit de matrices et image de la base
canonique). Cette matrice est-elle inversible ? Si oui, calculer linverse. Interprtation gomtrique.
Mme question avec g f .

Auteurs du chapitre
Daprs un cours de Eva Bayer-Fluckiger, Philippe Chabloz, Lara Thomas de lcole Polytechnique Fdrale
de Lausanne,
rvis et reformat par Arnaud Bodin, relu par Vianney Combet.

Chapitre

Espaces vectoriels
Vido
Vido
Vido
Vido
Vido
Vido
Vido
Vido
Fiche
Fiche

10

partie 1. Espace vectoriel (dbut)


partie 2. Espace vectoriel (fin)
partie 3. Sous-espace vectoriel (dbut)
partie 4. Sous-espace vectoriel (milieu)
partie 5. Sous-espace vectoriel (fin)
partie 6. Application linaire (dbut)
partie 7. Application linaire (milieu)
partie 8. Application linaire (fin)

d'exercices Espaces vectoriels


d'exercices Applications linaires

La notion despace vectoriel est une structure fondamentale des mathmatiques modernes. Il sagit de
dgager les proprits communes que partagent des ensembles pourtant trs diffrents. Par exemple, on
peut additionner deux vecteurs du plan, et aussi multiplier un vecteur par un rel (pour lagrandir ou le
rtrcir). Mais on peut aussi additionner deux fonctions, ou multiplier une fonction par un rel. Mme chose
avec les polynmes, les matrices,... Le but est dobtenir des thormes gnraux qui sappliqueront aussi bien
aux vecteurs du plan, de lespace, aux espaces de fonctions, aux polynmes, aux matrices,... La contrepartie
de cette grande gnralit de situations est que la notion despace vectoriel est difficile apprhender et
vous demandera une quantit consquente de travail ! Il est bon davoir dabord tudi le chapitre Lespace
vectoriel Rn .

1. Espace vectoriel (dbut)


Dans ce chapitre, K dsigne un corps. Dans la plupart des exemples, ce sera le corps des rels R.

1.1. Dfinition dun espace vectoriel


Un espace vectoriel est un ensemble form de vecteurs, de sorte que lon puisse additionner (et soustraire)
deux vecteurs u, v pour en former un troisime u + v (ou u v) et aussi afin que lon puisse multiplier
chaque vecteur u dun facteur pour obtenir un vecteur u. Voici la dfinition formelle :
Dfinition 1.
Un K-espace vectoriel est un ensemble non vide E muni :
dune loi de composition interne, cest--dire dune application de E E dans E :
EE E
(u, v) 7 u + v

1. ESPACE VECTORIEL (DBUT) 138

ESPACES VECTORIELS

dune loi de composition externe, cest--dire dune application de K E dans E :


KE E
(, u) 7 u
qui vrifient les proprits suivantes :
1. u + v = v + u

(pour tous u, v E)

2. u + (v + w) = (u + v) + w

(pour tous u, v, w E)

3. Il existe un lment neutre 0 E E tel que u + 0 E = u


0

(pour tout u E)

4. Tout u E admet un symtrique u tel que u + u = 0 E . Cet lment u0 est not u.


5. 1 u = u

(pour tout u E)

6. ( u) = () u

(pour tous , K, u E)

7. (u + v) = u + v

(pour tous K, u, v E)

8. ( + ) u = u + u

(pour tous , K, u E)

Nous reviendrons en dtail sur chacune de ces proprits juste aprs des exemples.

1.2. Premiers exemples


Exemple 1 (Le R-espace vectoriel R2 ).
Posons K = R et E = R2 . Un lment u E est donc un couple (x, y) avec x lment de R et y lment de
R. Ceci scrit


R2 = (x, y) | x R, y R .
Dfinition de la loi interne. Si (x, y) et (x 0 , y 0 ) sont deux lments de R2 , alors :
(x, y) + (x 0 , y 0 ) = (x + x 0 , y + y 0 ).
Dfinition de la loi externe. Si est un rel et (x, y) est un lment de R2 , alors :
(x, y) = (x, y).
Llment neutre de la loi interne est le vecteur nul (0, 0). Le symtrique de (x, y) est (x, y), que lon
note aussi (x, y).
u
u+v

u
0

Lexemple suivant gnralise le prcdent. Cest aussi le bon moment pour lire ou relire le chapitre Lespace
vectoriel Rn .

1. ESPACE VECTORIEL (DBUT) 139

ESPACES VECTORIELS

Exemple 2 (Le R-espace vectoriel Rn ).


Soit n un entier suprieur ou gal 1. Posons K = R et E = Rn . Un lment u E est donc un n-uplet
(x 1 , x 2 , . . . , x n ) avec x 1 , x 2 , . . . , x n des lments de R.
Dfinition de la loi interne. Si (x 1 , . . . , x n ) et (x 10 , . . . , x n0 ) sont deux lments de Rn , alors :
(x 1 , . . . , x n ) + (x 10 , . . . , x n0 ) = (x 1 + x 10 , . . . , x n + x n0 ).
Dfinition de la loi externe. Si est un rel et (x 1 , . . . , x n ) est un lment de Rn , alors :
(x 1 , . . . , x n ) = (x 1 , . . . , x n ).
Llment neutre de la loi interne est le vecteur nul (0, 0, . . . , 0). Le symtrique de (x 1 , . . . , x n ) est
(x 1 , . . . , x n ), que lon note (x 1 , . . . , x n ).
De manire analogue, on peut dfinir le C-espace vectoriel Cn , et plus gnralement le K-espace vectoriel
Kn .
Exemple 3.
Tout plan passant par lorigine dans R3 est un espace vectoriel (par rapport aux oprations habituelles sur les
vecteurs). Soient K = R et E = P un plan passant par lorigine. Le plan admet une quation de la forme :
a x + b y + cz = 0
o a, b et c sont des rels non tous nuls.

Un lment u E est donc un triplet (not ici comme un vecteur colonne)


0
x
x
Soient y et y 0 deux lments de P . Autrement dit,

et
Alors

x+x 0
0

y
z

tel que a x + b y + cz = 0.

z0

y+ y
z+z 0

a x + b y + cz = 0,
a x 0 + b y 0 + cz 0 = 0.

est aussi dans P car on a bien :


a(x + x 0 ) + b( y + y 0 ) + c(z + z 0 ) = 0.

x
; et si y appartient
x z
P , alors a x + b y + cz = 0, que lon peut rcrire a(x) + b( y) + c(z) = 0 et ainsi y appartient
z
P.
Les autres proprits sont aussi faciles vrifier : par exemple llment neutre est

0
0
0

Attention ! Un plan
ne contenant pas lorigine nest pas un espace vectoriel, car justement il ne contient pas
le vecteur nul

0
0
0

1.3. Terminologie et notations


Rassemblons les dfinitions dj vues.
On appelle les lments de E des vecteurs. Au lieu de K-espace vectoriel, on dit aussi espace vectoriel
sur K.
Les lments de K seront appels des scalaires.
L lment neutre 0 E sappelle aussi le vecteur nul. Il ne doit pas tre confondu avec llment 0 de K.
Lorsquil ny aura pas de risque de confusion, 0 E sera aussi not 0.

2. ESPACE VECTORIEL (FIN) 140

ESPACES VECTORIELS

Le symtrique u dun vecteur u E sappelle aussi loppos.


La loi de composition interne sur E (note usuellement +) est appele couramment laddition et u + u0
est appele somme des vecteurs u et u0 .
La loi de composition externe sur E est appele couramment multiplication par un scalaire. La multiplication du vecteur u par le scalaire sera souvent note simplement u, au lieu de u.
Somme de n vecteurs. Il est possible de dfinir, par rcurrence, laddition de n vecteurs, n > 2. La structure
despace vectoriel permet de dfinir laddition de deux vecteurs (et initialise le processus). Si maintenant la
somme de n 1 vecteurs est dfinie, alors la somme de n vecteurs v1 , v2 , . . . , vn est dfinie par
v1 + v2 + + vn = (v1 + v2 + + vn1 ) + vn .
Lassociativit de la loi + nous permet de ne pas mettre de parenthses dans la somme v1 + v2 + + vn .
n
X
On notera v1 + v2 + + vn =
vi .
i=1

Mini-exercices.
1. Vrifier les 8 axiomes qui font de R3 un R-espace vectoriel.
a x + b y + cz = 0
.
a0 x + b0 y + c 0 z = 0 .


3. Justifier que les ensembles suivants ne sont pas des espaces vectoriels : (x, y) R2 | x y = 0 ;






(x, y) R2 | x = 1 ; (x, y) R2 | x > 0 et y > 0 ; (x, y) R2 | 1 6 x 6 1 et 1 6 y 6 1 .


2. Idem pour une droite D de R passant par lorigine dfinie par

4. Montrer par rcurrence que si les vi sont des lments dun K-espace vectoriel E, alors pour tous
i K : 1 v1 + 2 v2 + + n vn E.

2. Espace vectoriel (fin)


2.1. Dtail des axiomes de la dfinition
Revenons en dtail sur la dfinition dun espace vectoriel. Soit donc E un K-espace vectoriel. Les lments
de E seront appels des vecteurs. Les lments de K seront appels des scalaires.
Loi interne.
La loi de composition interne dans E, cest une application de E E dans E :
EE E
(u, v) 7 u + v
Cest--dire qu partir de deux vecteurs u et v de E, on nous en fournit un troisime, qui sera not u + v.
La loi de composition interne dans E et la somme dans K seront toutes les deux notes +, mais le contexte
permettra de dterminer aisment de quelle loi il sagit.
Loi externe.
La loi de composition externe, cest une application de K E dans E :
KE E
(, u) 7 u
Cest--dire qu partir dun scalaire K et dun vecteur u E, on nous fournit un autre vecteur, qui sera
not u.
Axiomes relatifs la loi interne.
1. Commutativit. Pour tous u, v E, u + v = v + u. On peut donc additionner des vecteurs dans lordre
que lon souhaite.

2. ESPACE VECTORIEL (FIN) 141

ESPACES VECTORIELS

2. Associativit. Pour tous u, v, w E, on a u + (v + w) = (u + v) + w. Consquence : on peut oublier les


parenthses et noter sans ambigut u + v + w.
3. Il existe un lment neutre, cest--dire quil existe un lment de E, not 0 E , vrifiant : pour tout u E,
u + 0 E = u (et on a aussi 0 E + u = u par commutativit). Cet lment 0 E sappelle aussi le vecteur nul.
4. Tout lment u de E admet un symtrique (ou oppos), cest--dire quil existe un lment u0 de E tel
que u + u0 = 0 E (et on a aussi u0 + u = 0 E par commutativit). Cet lment u0 de E est not u.
Proposition 1.
Sil existe un lment neutre 0 E vrifiant laxiome (3) ci-dessus, alors il est unique.
Soit u un lment de E. Sil existe un lment symtrique u0 de E vrifiant laxiome (4), alors il est unique.
Dmonstration.
Soient 0 E et 00E deux lments vrifiant la dfinition de llment neutre. On a alors, pour tout lment
u de E :
u + 0E = 0E + u = u

et

u + 00E = 00E + u = u

Alors, la premire proprit utilise avec u = 00E donne 00E + 0 E = 0 E + 00E = 00E .
La deuxime proprit utilise avec u = 0 E donne 0 E + 00E = 00E + 0 E = 0 E .
En comparant ces deux rsultats, il vient 0 E = 00E .
Supposons quil existe deux symtriques de u nots u0 et u00 . On a :
u + u0 = u0 + u = 0 E

et

u + u00 = u00 + u = 0 E .

Calculons u0 + (u + u00 ) de deux faons diffrentes, en utilisant lassociativit de la loi + et les relations
prcdentes.
u0 + (u + u00 ) = u0 + 0 E = u0
u0 + (u + u00 ) = (u0 + u) + u00 = 0 E + u00 = u00
On en dduit u0 = u00 .

Remarque.
Les tudiants connaissant la thorie des groupes reconnatront, dans les quatre premiers axiomes ci-dessus,
les axiomes caractrisant un groupe commutatif.
Axiomes relatifs la loi externe.
5. Soit 1 llment neutre de la multiplication de K. Pour tout lment u de E, on a
1 u = u.
6. Pour tous lments et de K et pour tout lment u de E, on a
( u) = ( ) u.
Axiomes liant les deux lois.
7. Distributivit par rapport laddition des vecteurs. Pour tout lment de K et pour tous lments u
et v de E, on a
(u + v) = u + v.
8. Distributivit par rapport laddition des scalaires. Pour tous et de K et pour tout lment u de E,
on a :
( + ) u = u + u.
La loi interne et la loi externe doivent donc satisfaire ces huit axiomes pour que (E, +, ) soit un espace
vectoriel sur K.

2. ESPACE VECTORIEL (FIN) 142

ESPACES VECTORIELS

2.2. Exemples
Dans tous les exemples qui suivent, la vrification des axiomes se fait simplement et est laisse au soin des
tudiants. Seules seront indiques, dans chaque cas, les valeurs de llment neutre de la loi interne et du
symtrique dun lment.
Exemple 4 (Lespace vectoriel des fonctions de R dans R).
Lensemble des fonctions f : R R est not F (R, R). Nous le munissons dune structure de R-espace
vectoriel de la manire suivante.
Loi interne. Soient f et g deux lments de F (R, R). La fonction f + g est dfinie par :
( f + g)(x) = f (x) + g(x)

x R

(o le signe + dsigne la loi interne de F (R, R) dans le membre de gauche et laddition dans R dans le
membre de droite).
Loi externe. Si est un nombre rel et f une fonction de F (R, R), la fonction f est dfinie par limage
de tout rel x comme suit :
x R

( f )(x) = f (x).

(Nous dsignons par la loi externe de F (R, R) et par la multiplication dans R. Avec lhabitude on
oubliera les signes de multiplication : ( f )(x) = f (x).)
lment neutre. Llment neutre pour laddition est la fonction nulle, dfinie par :
x R

f (x) = 0.

On peut noter cette fonction 0F (R,R) .


Symtrique. Le symtrique de llment f de F (R, R) est lapplication g de R dans R dfinie par :
x R

g(x) = f (x).

Le symtrique de f est not f .


Exemple 5 (Le R-espace vectoriel des suites relles).
On note S lensemble des suites relles (un )nN . Cet ensemble peut tre vu comme lensemble des applications de N dans R ; autrement dit S = F (N, R).
Loi interne. Soient u = (un )nN et v = (vn )nN deux suites appartenant S . La suite u + v est la suite
w = (w n )nN dont le terme gnral est dfini par
n N

w n = un + vn

(o un + vn dsigne la somme de un et de vn dans R).


Loi externe. Si est un nombre rel et u = (un )nN un lment de S , u est la suite v = (vn )nN dfinie
par
n N

vn = un

o dsigne la multiplication dans R.


lment neutre. Llment neutre de la loi interne est la suite dont tous les termes sont nuls.
Symtrique. Le symtrique de la suite u = (un )nN est la suite u0 = (u0n )nN dfinie par :
n N

u0n = un .

Elle est note u.


Exemple 6 (Les matrices).
Lensemble Mn,p (R) des matrices n lignes et p colonnes coefficients dans R est muni dune structure
de R-espace vectoriel. La loi interne est laddition de deux matrices. La loi externe est la multiplication
dune matrice par un scalaire. Llment neutre pour la loi interne est la matrice nulle (tous les coefficients
sont nuls). Le symtrique de la matrice A = (ai, j ) est la matrice (ai, j ). De mme, lensemble Mn,p (K) des
matrices coefficients dans K est un K-espace vectoriel.
Autres exemples :

2. ESPACE VECTORIEL (FIN) 143

ESPACES VECTORIELS

1. Lespace vectoriel R[X ] des polynmes P(X ) = an X n + + a2 X 2 + a1 X + a0 . Laddition est laddition de


deux polynmes P(X ) + Q(X ), la multiplication par un scalaire R est P(X ). Llment neutre est
le polynme nul. Loppos de P(X ) est P(X ).
2. Lensemble des fonctions continues de R dans R ; lensemble des fonctions drivables de R dans R,...
3. C est un R-espace vectoriel : addition z + z 0 de deux nombres complexes, multiplication z par un
scalaire R. Llment neutre est le nombre complexe 0 et le symtrique du nombre complexe z est
z.

2.3. Rgles de calcul


Proposition 2.
Soit E un espace vectoriel sur un corps K. Soient u E et K. Alors on a :
1. 0 u = 0 E
2. 0 E = 0 E
3. (1) u = u
4. u = 0 E = 0 ou u = 0 E
Lopration qui (u, v) associe u + (v) sappelle la soustraction. Le vecteur u + (v) est not u v. Les
proprits suivantes sont satisfaites : (u v) = u v et ( )u = u u.
Dmonstration. Les dmonstrations des proprits sont des manipulations sur les axiomes dfinissant les
espaces vectoriels.
1. Le point de dpart de la dmonstration est lgalit dans K : 0 + 0 = 0.
Do, pour tout vecteur de E, lgalit (0 + 0) u = 0 u.
Donc, en utilisant la distributivit de la loi externe par rapport la loi interne et la dfinition de
llment neutre, on obtient 0 u + 0 u = 0 u. On peut rajouter llment neutre dans le terme de
droite, pour obtenir : 0 u + 0 u = 0 u + 0 E .
En ajoutant (0 u) de chaque ct de lgalit, on obtient : 0 u = 0 E .
2. La preuve est semblable en partant de lgalit 0 E + 0 E = 0 E .
3. Montrer (1) u = u signifie exactement que (1) u est le symtrique de u, cest--dire vrifie
u + (1) u = 0 E . En effet :
u + (1) u = 1 u + (1) u = (1 + (1)) u = 0 u = 0 E .
4. On sait dj que si = 0 ou u = 0 E , alors les proprits prcdentes impliquent u = 0 E .
Pour la rciproque, soient K un scalaire et u E un vecteur tels que u = 0 E .
Supposons diffrent de 0. On doit alors montrer que u = 0 E .

Comme 6= 0, alors est inversible pour le produit dans le corps K. Soit 1 son inverse.
En multipliant par 1 les deux membres de lgalit u = 0 E , il vient : 1 ( u) = 1 0 E .
Do en utilisant les proprits de la multiplication par un scalaire (1 )u = 0 E et donc 1u = 0 E .
Do u = 0 E .

Mini-exercices.
1. Justifier si les objets suivants sont des espaces vectoriels.
(a) Lensemble des fonctions relles sur [0, 1], continues, positives ou nulles, pour laddition et le
produit par un rel.
(b) Lensemble des fonctions relles sur R vrifiant lim x+ f (x) = 0 pour les mmes oprations.

ESPACES VECTORIELS

3. SOUS-ESPACE VECTORIEL (DBUT) 144

(c) Lensemble des fonctions sur R telles que f (3) = 7.


(d) Lensemble R+ pour les oprations x y = x y et x = x ( R).
(e) Lensemble des points (x, y) de R2 vrifiant sin(x + y) = 0.
(f) Lensemble des vecteurs (x, y, z) de R3 orthogonaux au vecteur (1, 3, 2).
(g) Lensemble des fonctions de classe C 2 vrifiant f 00 + f = 0.
R1
(h) Lensemble des fonctions continues sur [0, 1] vrifiant 0 f (x) sin x d x = 0.

(i) Lensemble des matrices ac db M2 (R) vrifiant a + d = 0.
2. Prouver les proprits de la soustraction : (u v) = u v et ( ) u = u u.

3. Sous-espace vectoriel (dbut)


Il est vite fatiguant de vrifier les 8 axiomes qui font dun ensemble un espace vectoriel. Heureusement, il
existe une manire rapide et efficace de prouver quun ensemble est un espace vectoriel : grce la notion
de sous-espace vectoriel.

3.1. Dfinition dun sous-espace vectoriel


Dfinition 2.
Soit E un K-espace vectoriel. Une partie F de E est appele un sous-espace vectoriel si :
0E F ,
u + v F pour tous u, v F ,
u F pour tout K et tout u F .
Remarque.
Expliquons chaque condition.
La premire condition signifie que le vecteur nul de E doit aussi tre dans F . En fait il suffit mme de
prouver que F est non vide.
La deuxime condition, cest dire que F est stable pour laddition : la somme u + v de deux vecteurs u, v
de F est bien sr un vecteur de E (car E est un espace vectoriel), mais ici on exige que u + v soit un
lment de F .
La troisime condition, cest dire que F est stable pour la multiplication par un scalaire.
Exemple 7 (Exemples immdiats).


1. Lensemble F = (x, y) R2 | x + y = 0 est un sous-espace vectoriel de R2 . En effet :
(a) (0, 0) F ,
(b) si u = (x 1 , y1 ) et v = (x 2 , y2 ) appartiennent F , alors x 1 + y1 = 0 et x 2 + y2 = 0 donc (x 1 + x 2 ) +
( y1 + y2 ) = 0 et ainsi u + v = (x 1 + x 2 , y1 + y2 ) appartient F ,
(c) si u = (x, y) F et R, alors x + y = 0 donc x + y = 0, do u F .

3. SOUS-ESPACE VECTORIEL (DBUT) 145

ESPACES VECTORIELS
y

2. Lensemble des fonctions continues sur R est un sous-espace vectoriel de lespace vectoriel des fonctions
de R dans R. Preuve : la fonction nulle est continue ; la somme de deux fonctions continues est continue ;
une constante fois une fonction continue est une fonction continue.
3. Lensemble des suites relles convergentes est un sous-espace vectoriel de lespace vectoriel des suites
relles.
Voici des sous-ensembles qui ne sont pas des sous-espaces vectoriels.
Exemple 8.


1. Lensemble F1 = (x, y) R2 | x + y = 2 nest pas un sous-espace vectoriel de R2 . En effet le vecteur
nul (0, 0) nappartient pas F1 .


2. Lensemble F2 = (x, y) R2 | x = 0 ou y = 0 nest pas un sous-espace vectoriel de R2 . En effet les
vecteurs u = (1, 0) et v = (0, 1) appartiennent F2 , mais pas le vecteur u + v = (1, 1).


3. Lensemble F3 = (x, y) R2 | x > 0 et y > 0 nest pas un sous-espace vectoriel de R2 . En effet le
vecteur u = (1, 1) appartient F3 mais, pour = 1, le vecteur u = (1, 1) nappartient pas F3 .

F3

F2
0

F1

3.2. Un sous-espace vectoriel est un espace vectoriel


La notion de sous-espace vectoriel prend tout son intrt avec le thorme suivant : un sous-espace vectoriel
est lui-mme un espace vectoriel. Cest ce thorme qui va nous fournir plein dexemples despaces vectoriels.
Thorme 1.
Soient E un K-espace vectoriel et F un sous-espace vectoriel de E. Alors F est lui-mme un K-espace vectoriel
pour les lois induites par E.
Mthodologie. Pour rpondre une question du type Lensemble F est-il un espace vectoriel ? , une
faon efficace de procder est de trouver un espace vectoriel E qui contient F , puis prouver que F est un
sous-espace vectoriel de E. Il y a seulement trois proprits vrifier au lieu de huit !

3. SOUS-ESPACE VECTORIEL (DBUT) 146

ESPACES VECTORIELS

Exemple 9.
1. Est-ce que lensemble des fonctions paires (puis des fonctions impaires) forme un espace vectoriel (sur
R avec les lois usuelles sur les fonctions) ?
Notons P lensemble des fonctions paires et I lensemble des fonctions impaires. Ce sont deux sousensembles de lespace vectoriel F (R, R) des fonctions.


P = f F (R, R) | x R, f (x) = f (x)


I = f F (R, R) | x R, f (x) = f (x)
P et I sont des sous-espaces vectoriels de F (R, R). Cest trs simple vrifier, par exemple pour P :
(a) la fonction nulle est une fonction paire,
(b) si f , g P alors f + g P ,
(c) si f P et si R alors f P .
Par le thorme 1, P est un espace vectoriel (de mme pour I ).
2. Est-ce que lensemble Sn des matrices symtriques de taille n est un espace vectoriel (sur R avec les lois
usuelles sur les matrices) ?
Sn est un sous-ensemble de lespace vectoriel Mn (R). Et cest mme un sous-espace vectoriel. Il suffit en
effet de vrifier que la matrice nulle est symtrique, que la somme de deux matrices symtriques est
encore symtrique et finalement que le produit dune matrice symtrique par un scalaire est une matrice
symtrique. Par le thorme 1, Sn est un espace vectoriel.
Preuve du thorme 1. Soit F un sous-espace vectoriel dun espace vectoriel (E, +, ). La stabilit de F pour
les deux lois permet de munir cet ensemble dune loi de composition interne et dune loi de composition
externe, en restreignant F les oprations dfinies dans E. Les proprits de commutativit et dassociativit
de laddition, ainsi que les quatre axiomes relatifs la loi externe sont vrifis, car ils sont satisfaits dans E
donc en particulier dans F , qui est inclus dans E.
Lexistence dun lment neutre dcoule de la dfinition de sous-espace vectoriel. Il reste seulement justifier
que si u F , alors son symtrique u appartient F .
Fixons u F . Comme on a aussi u E et que E est un espace vectoriel alors il existe un lment de E, not
u, tel que u + (u) = 0 E . Comme u est lment de F , alors pour = 1, (1)u F . Et ainsi u appartient
F.

Un autre exemple despace vectoriel est donn par lensemble des solutions dun systme linaire homogne.
Soit AX = 0 un systme de n quations p inconnues :


a11 . . . a1p
x1
0
..
.. ..
..
.
. = .
.
an1 . . . anp

xp

On a alors
Thorme 2.
Soit A Mn,p (R). Soit AX = 0 un systme dquations linaires homognes p variables. Alors lensemble
des vecteurs solutions est un sous-espace vectoriel de R p .
Dmonstration. Soit F lensemble des vecteurs X R p solutions de lquation AX = 0. Vrifions que F est
un sous-espace vectoriel de R p .
Le vecteur 0 est un lment de F .
F est stable par addition : si X et X 0 sont des vecteurs solutions, alors AX = 0 et AX 0 = 0, donc
A(X + X 0 ) = AX + AX 0 = 0, et ainsi X + X 0 F .

4. SOUS-ESPACE VECTORIEL (MILIEU) 147

ESPACES VECTORIELS

F est stable par multiplication par un scalaire : si X est un vecteur solution, on a aussi A(X ) = (AX ) =
0 = 0, ceci pour tout R. Donc X F .

Exemple 10.
Considrons le systme

0
x
1 2 3
2 4 6 y = 0 .
0
z
3 6 9

Lensemble des solutions F R3 de ce systme est :




F = (x = 2s 3t, y = s, z = t) | s, t R .
Par le thorme 2, F est un sous-espace vectoriel de R3 . Donc par le thorme 1, F est un espace vectoriel.
Une autre faon de voir les choses est dcrire que les lments de F sont ceux qui vrifient lquation
(x = 2 y 3z). Autrement dit, F est dquation (x 2 y + 3z = 0). Lensemble des solutions F est donc un
plan passant par lorigine. Nous avons dj vu que ceci est un espace vectoriel.
Mini-exercices.
Parmi les ensembles suivants, reconnatre ceux qui sont des sous-espaces vectoriels :


1. (x, y, z) R3 | x + y = 0


2. (x, y, z, t) R4 | x = t et y = z


3. (x, y, z) R3 | z = 1


4. (x, y) R2 | x 2 + x y > 0


5. (x, y) R2 | x 2 + y 2 > 1


6. f F (R, R) | f (0) = 1


7. f F (R, R) | f (1) = 0


8. f F (R, R) | f est croissante


9. (un )nN | (un ) tend vers 0

4. Sous-espace vectoriel (milieu)


4.1. Combinaisons linaires
Dfinition 3.
Soit n > 1 un entier, soient v1 , v2 , . . . , vn , n vecteurs dun espace vectoriel E. Tout vecteur de la forme
u = 1 v1 + 2 v2 + + n vn
(o 1 , 2 , . . . , n sont des lments de K) est appel combinaison linaire des vecteurs v1 , v2 , . . . , vn .
Les scalaires 1 , 2 , . . . , n sont appels coefficients de la combinaison linaire.
Remarque : Si n = 1, alors u = 1 v1 et on dit que u est colinaire v1 .
Exemple 11.
1. Dans le R-espace vectoriel R3 , (3, 3, 1) est combinaison linaire des vecteurs (1, 1, 0) et (1, 1, 1) car on a
lgalit
(3, 3, 1) = 2(1, 1, 0) + (1, 1, 1).

4. SOUS-ESPACE VECTORIEL (MILIEU) 148

ESPACES VECTORIELS

2. Dans le R-espace vectoriel R2 , le vecteur u = (2, 1) nest pas colinaire au vecteur v1 = (1, 1) car sil
ltait, il existerait un rel tel que u = v1 , ce qui quivaudrait lgalit (2, 1) = (, ).
3. Soit E = F (R, R) lespace vectoriel des fonctions relles. Soient f0 , f1 , f2 et f3 les fonctions dfinies par :
x R

f0 (x) = 1, f1 (x) = x, f2 (x) = x 2 , f3 (x) = x 3 .

Alors la fonction f dfinie par


x R

f (x) = x 3 2x 2 7x 4

est combinaison linaire des fonctions f0 , f1 , f2 , f3 puisque lon a lgalit


f = f3 2 f2 7 f1 4 f0 .


1 1 3
4. Dans M2,3 (R), on considre A =
. On peut crire A naturellement sous la forme suivante
0 1 4
dune combinaison linaire de matrices lmentaires (des zros partout, sauf un 1) :

 


 



1 0 0
0 1 0
0 0 1
0 0 0
0 0 0
A=
+
+3

+4
.
0 0 0
0 0 0
0 0 0
0 1 0
0 0 1
Voici deux exemples plus compliqus.
Exemple 12.
1
6
9
Soient u = 2 et v = 4 deux vecteurs de R3 . Montrons que w = 2 est combinaison linaire de u et v.
1
7
2
On cherche donc et tels que w = u + v :


9
1
6

6
+ 6
2 = 2 + 4 = 2 + 4 = 2 + 4 .
7
1
2

2
+ 2
On a donc

9 = + 6
2 = 2 + 4

7 = + 2.
Une solution de ce systme est ( = 3, = 2), ce qui implique que w est combinaison linaire de u et v.
On vrifie que lon a bien



9
1
6
2 = 3 2 + 2 4 .
7
1
2
Exemple 13.
1
6
4
Soient u = 2 et v = 4 . Montrons que w = 1 nest pas une combinaison linaire de u et v. Lgalit
1
8
2




4
1
6
4 = + 6
1 = 2 + 4 quivaut au systme
1 = 2 + 4

8
1
2
8 = + 2.
Or ce systme na aucune solution. Donc il nexiste pas , R tels que w = u + v.

4.2. Caractrisation dun sous-espace vectoriel


Thorme 3 (Caractrisation dun sous-espace par la notion de combinaison linaire).
Soient E un K-espace vectoriel et F une partie non vide de E. F est un sous-espace vectoriel de E si et seulement
si
u + v F

pour tous u, v F

et tous , K.

Autrement dit si et seulement si toute combinaison linaire de deux lments de F appartient F .

4. SOUS-ESPACE VECTORIEL (MILIEU) 149

ESPACES VECTORIELS

Dmonstration.
Supposons que F soit un sous-espace vectoriel. Et soient u, v F , , K. Alors par la dfinition de
sous-espace vectoriel : u F et v F et ainsi u + v F .
Rciproquement, supposons que pour chaque u, v F , , K on a u + v F .
Comme F nest pas vide, soient u, v F . Posons = = 0. Alors u + v = 0 E F .
Si u, v F , alors en posant = = 1 on obtient u + v F .
Si u F et K (et pour nimporte quel v, en posant = 0), alors u F .

4.3. Intersection de deux sous-espaces vectoriels


Proposition 3 (Intersection de deux sous-espaces).
Soient F, G deux sous-espaces vectoriels dun K-espace vectoriel E. Lintersection F G est un sous-espace
vectoriel de E.
On dmontrerait de mme que lintersection F1 F2 F3 Fn dune famille quelconque de sous-espaces
vectoriels de E est un sous-espace vectoriel de E.
Dmonstration. Soient F et G deux sous-espaces vectoriels de E.
0 E F , 0 E G car F et G sont des sous-espaces vectoriels de E ; donc 0 E F G.
Soient u et v deux vecteurs de F G. Comme F est un sous-espace vectoriel, alors u, v F implique
u + v F . De mme u, v G implique u + v G. Donc u + v F G.
Soient u F G et K. Comme F est un sous-espace vectoriel, alors u F implique u F . De
mme u G implique u G. Donc u F G.
Conclusion : F G est un sous-espace vectoriel de E.
Exemple 14.
Soit D le sous-ensemble de R3 dfini par :


D = (x, y, z) R3 | x + 3 y + z = 0 et x y + 2z = 0 .
Est-ce que D est sous-espace vectoriel de R3 ? Lensemble D est lintersection de F et G, les sous-ensembles
de R3 dfinis par :


F = (x, y, z) R3 | x + 3 y + z = 0


G = (x, y, z) R3 | x y + 2z = 0
F

G
D

Ce sont deux plans passant par lorigine, donc des sous-espaces vectoriels de R3 . Ainsi D = F G est un
sous-espace vectoriel de R3 , cest une droite vectorielle.

5. SOUS-ESPACE VECTORIEL (FIN) 150

ESPACES VECTORIELS

Remarque.
La runion de deux sous-espaces vectoriels de E nest pas en gnral un sous-espace vectoriel de E. Prenons




par exemple E = R2 . Considrons les sous-espaces vectoriels F = (x, y) | x = 0 et G = (x, y) | y = 0 .
Alors F G nest pas un sous-espace vectoriel de R2 . Par exemple, (0, 1) + (1, 0) = (1, 1) est la somme dun
lment de F et dun lment de G, mais nest pas dans F G.

(1, 1)
(0, 1)
G
0

(1, 0)

Mini-exercices.

 2 
p
2
t

p
4 2
4t
p
2 2

1. Peut-on trouver t R tel que les vecteurs


et
soient colinaires ?
1
1 1
2. Peut-on trouver t R tel que le vecteur 3t soit une combinaison linaire de 3 et 1 ?
t

5. Sous-espace vectoriel (fin)


5.1. Somme de deux sous-espaces vectoriels
Comme la runion de deux sous-espaces vectoriels F et G nest pas en gnral un sous-espace vectoriel, il
est utile de connatre les sous-espaces vectoriels qui contiennent la fois les deux sous-espaces vectoriels F
et G, et en particulier le plus petit dentre eux (au sens de linclusion).
Dfinition 4 (Dfinition de la somme de deux sous-espaces).
Soient F et G deux sous-espaces vectoriels dun K-espace vectoriel E. Lensemble de tous les lments
u + v, o u est un lment de F et v un lment de G, est appel somme des sous-espaces vectoriels F et
G. Cette somme est note F + G. On a donc


F + G = u + v | u F, v G .

F +G

5. SOUS-ESPACE VECTORIEL (FIN) 151

ESPACES VECTORIELS

Proposition 4.
Soient F et G deux sous-espaces vectoriels du K-espace vectoriel E.
1. F + G est un sous-espace vectoriel de E.
2. F + G est le plus petit sous-espace vectoriel contenant la fois F et G.

Dmonstration.
1. Montrons que F + G est un sous-espace vectoriel.
0 E F , 0 E G, donc 0 E = 0 E + 0 E F + G.
Soient w et w0 des lments de F + G. Comme w est dans F + G, il existe u dans F et v dans G tels
que w = u + v. Comme w0 est dans F + G, il existe u0 dans F et v 0 dans G tels que w0 = u0 + v 0 . Alors
w + w0 = (u + v) + (u0 + v 0 ) = (u + u0 ) + (v + v 0 ) F + G, car u + u0 F et v + v 0 G.
Soit w un lment de F + G et K. Il existe u dans F et v dans G tels que w = u + v. Alors
w = (u + v) = (u) + (v) F + G, car u F et v G.
2. Lensemble F + G contient F et contient G : en effet tout lment u de F scrit u = u + 0 avec u
appartenant F et 0 appartenant G (puisque G est un sous-espace vectoriel), donc u appartient
F + G. De mme pour un lment de G.
Si H est un sous-espace vectoriel contenant F et G, alors montrons que F + G H. Cest clair : si
u F alors en particulier u H (car F H), de mme si v G alors v H. Comme H est un
sous-espace vectoriel, alors u + v H.

Exemple 15.
Dterminons F + G dans le cas o F et G sont les sous-espaces vectoriels de R3 suivants :




F = (x, y, z) R3 | y = z = 0
et
G = (x, y, z) R3 | x = z = 0 .
z

F +G
F
G

0
y

Un lment w de F + G scrit w = u + v o u est un lment de F et v un lment de G. Comme u F


alors il existe x R tel que u = (x, 0, 0), et comme v G il existe y R tel que v = (0, y, 0). Donc
w = (x, y, 0). Rciproquement, un tel lment w = (x, y, 0) est la somme de (x, 0, 0) et de (0, y, 0). Donc


F + G = (x, y, z) R3 | z = 0 . On voit mme que, pour cet exemple, tout lment de F + G scrit de
faon unique comme la somme dun lment de F et dun lment de G.
Exemple 16.
Soient F et G les deux sous-espaces vectoriels de R3 suivants :




F = (x, y, z) R3 | x = 0
et
G = (x, y, z) R3 | y = 0 .

5. SOUS-ESPACE VECTORIEL (FIN) 152

ESPACES VECTORIELS

Dans cet exemple, montrons que F + G = R3 . Par dfinition de F + G, tout lment de F + G est dans R3 .
Mais rciproquement, si w = (x, y, z) est un lment quelconque de R3 : w = (x, y, z) = (0, y, z) + (x, 0, 0),
avec (0, y, z) F et (x, 0, 0) G, donc w appartient F + G.
Remarquons que, dans cet exemple, un lment de R3 ne scrit pas forcment de faon unique comme la
somme dun lment de F et dun lment de G. Par exemple (1, 2, 3) = (0, 2, 3)+(1, 0, 0) = (0, 2, 0)+(1, 0, 3).

5.2. Sous-espaces vectoriels supplmentaires


Dfinition 5 (Dfinition de la somme directe de deux sous-espaces).
Soient F et G deux sous-espaces vectoriels de E. F et G sont en somme directe dans E si
F G = {0 E },
F + G = E.
On note alors F G = E.
Si F et G sont en somme directe, on dit que F et G sont des sous-espaces vectoriels supplmentaires dans
E.
Proposition 5.
F et G sont supplmentaires dans E si et seulement si tout lment de E scrit dune manire unique comme
la somme dun lment de F et dun lment de G.
Remarque.
Dire quun lment w de E scrit dune manire unique comme la somme dun lment de F et dun
lment de G signifie que si w = u + v avec u F , v G et w = u0 + v 0 avec u0 F , v 0 G alors u = u0
et v = v 0 .
On dit aussi que F est un sous-espace supplmentaire de G (ou que G est un sous-espace supplmentaire
de F ).
Il ny a pas unicit du supplmentaire dun sous-espace vectoriel donn (voir un exemple ci-dessous).
Lexistence dun supplmentaire dun sous-espace vectoriel sera prouve dans le cadre des espaces
vectoriels de dimension finie.
Dmonstration.
Supposons E = F G et montrons que tout lment u E se dcompose de manire unique. Soient donc
u = v +w et u = v 0 +w0 avec v, v 0 F et w, w0 G. On a alors v +w = v 0 +w0 , donc v v 0 = w0 w. Comme
F est un sous-espace vectoriel alors v v 0 F , mais dautre part G est aussi un sous-espace vectoriel
donc w0 w G. Conclusion : v v 0 = w0 w F G. Mais par dfinition despaces supplmentaires
F G = {0 E }, donc v v 0 = 0 E et aussi w0 w = 0 E . On en dduit v = v 0 et w = w0 , ce quil fallait
dmontrer.
Supposons que tout u E se dcompose de manire unique et montrons E = F G.

5. SOUS-ESPACE VECTORIEL (FIN) 153

ESPACES VECTORIELS

Montrons F G = {0 E }. Si u F G, il peut scrire des deux manires suivantes comme somme


dun lment de F et dun lment de G :
u = 0E + u

u = u + 0E .

et

Par lunicit de la dcomposition, u = 0 E .


Montrons F +G = E. Il ny rien prouver, car par hypothse tout lment u se dcompose en u = v +w,
avec v F et w G.

Exemple 17.




1. Soient F = (x, 0) R2 | x R et G = (0, y) R2 | y R .
Montrons que F G = R2 . La premire faon de le voir est que lon a clairement F G = {(0, 0)} et que,
comme (x, y) = (x, 0) + (0, y), alors F + G = R2 . Une autre faon de le voir est dutiliser la proposition
5, car la dcomposition (x, y) = (x, 0) + (0, y) est unique.
y
G

G0

F
x



2. Gardons F et notons G 0 = (x, x) R2 | x R . Montrons que lon a aussi F G 0 = R2 :
(a) Montrons F G 0 = {(0, 0)}. Si (x, y) F G 0 alors dune part (x, y) F donc y = 0, et aussi
(x, y) G 0 donc x = y. Ainsi (x, y) = (0, 0).
(b) Montrons F + G 0 = R2 . Soit u = (x, y) R2 . Cherchons v F et w G 0 tels que u = v + w. Comme
v = (x 1 , y1 ) F alors y1 = 0, et comme w = (x 2 , y2 ) G 0 alors x 2 = y2 . Il sagit donc de trouver x 1
et x 2 tels que
(x, y) = (x 1 , 0) + (x 2 , x 2 ).
Donc (x, y) = (x 1 + x 2 , x 2 ). Ainsi x = x 1 + x 2 et y = x 2 , do x 1 = x y et x 2 = y. On trouve bien
(x, y) = (x y, 0) + ( y, y),
qui prouve que tout lment de R2 est somme dun lment de F et dun lment de G 0 .
3. De faon plus gnrale, deux droites distinctes du plan passant par lorigine forment des sous-espaces
supplmentaires.
Exemple 18.
Est-ce que les sous-espaces vectoriels F et G de R3 dfinis par




F = (x, y, z) R3 | x y z = 0
et
G = (x, y, z) R3 | y = z = 0
sont supplmentaires dans R3 ?
G
F
0

5. SOUS-ESPACE VECTORIEL (FIN) 154

ESPACES VECTORIELS

1. Il est facile de vrifier que F G = {0}. En effet si llment u = (x, y, z) appartient lintersection de F
et de G, alors les coordonnes de u vrifient : x y z = 0 (car u appartient F ), et y = z = 0 (car u
appartient G), donc u = (0, 0, 0).
2. Il reste dmontrer que F + G = R3 .
Soit donc u = (x, y, z) un lment quelconque de R3 ; il faut dterminer des lments v de F et w de
G tels que u = v + w. Llment v doit tre de la forme v = ( y1 + z1 , y1 , z1 ) et llment w de la forme
w = (x 2 , 0, 0). On a u = v + w si et seulement si y1 = y, z1 = z, x 2 = x y z. On a donc
(x, y, z) = ( y + z, y, z) + (x y z, 0, 0)
avec v = ( y + z, y, z) dans F et w = (x y z, 0, 0) dans G.
Conclusion : F G = R3 .
Exemple 19.
Dans le R-espace vectoriel F (R, R) des fonctions de R dans R, on considre le sous-espace vectoriel des
fonctions paires P et le sous-espace vectoriel des fonctions impaires I . Montrons que P I = F (R, R).
1. Montrons P I = {0F (R,R) }.
Soit f P I , cest--dire que f est la fois une fonction paire et impaire. Il sagit de montrer que f est
la fonction identiquement nulle. Soit x R. Comme f (x) = f (x) (car f est paire) et f (x) = f (x)
(car f est impaire), alors f (x) = f (x), ce qui implique f (x) = 0. Ceci est vrai quel que soit x R ;
donc f est la fonction nulle. Ainsi P I = {0F (R,R) }.
2. Montrons P + I = F (R, R).
Soit f F (R, R). Il sagit de montrer que f peut scrire comme la somme dune fonction paire et dune
fonction impaire.
Analyse. Si f = g + h, avec g P , h I , alors pour tout x, dune part, (a) f (x) = g(x) + h(x), et
dautre part, (b) f (x) = g(x) + h(x) = g(x) h(x). Par somme et diffrence de (a) et (b), on tire
que
f (x) f (x)
f (x) + f (x)
et
h(x) =
.
g(x) =
2
2
f (x)+ f (x)
f (x) f (x)
Synthse. Pour f F (R, R), on dfinit deux fonctions g, h par g(x) =
et h(x) =
.
2
2
Alors dune part f (x) = g(x) + h(x) et dautre part g P (vrifier g(x) = g(x)) et h I (vrifier
h(x) = h(x)). Bilan : P + I = F (R, R).
En conclusion, P et I sont en somme directe dans F (R, R) : P I = F (R, R). Notez que, comme le
prouvent nos calculs, les g et h obtenus sont uniques.

5.3. Sous-espace engendr


Thorme 4 (Thorme de structure de lensemble des combinaisons linaires).
Soit {v1 , . . . , vn } un ensemble fini de vecteurs dun K-espace vectoriel E. Alors :
Lensemble des combinaisons linaires des vecteurs {v1 , . . . , vn } est un sous-espace vectoriel de E.
Cest le plus petit sous-espace vectoriel de E (au sens de linclusion) contenant les vecteurs v1 , . . . , vn .
Notation. Ce sous-espace vectoriel est appel sous-espace engendr par v1 , . . . , vn et est not Vect(v1 , . . . , vn ).
On a donc
u Vect(v1 , . . . , vn )

il existe 1 , . . . , n K

tels que u = 1 v1 + + n vn

5. SOUS-ESPACE VECTORIEL (FIN) 155

ESPACES VECTORIELS

Remarque.
Dire que Vect(v1 , . . . , vn ) est le plus petit sous-espace vectoriel de E contenant les vecteurs v1 , . . . , vn signifie que si F est un sous-espace vectoriel de E contenant aussi les vecteurs v1 , . . . , vn alors Vect(v1 , . . . , vn )
F.
Plus
gnralement, on peut dfinir le sous-espace vectoriel engendr par une partie V quelconque (non

ncessairement finie) dun espace vectoriel : Vect V est le plus petit sous-espace vectoriel contenant V .
Exemple 20.
1. E tant un K-espace vectoriel, et u un lment quelconque de E, lensemble Vect(u) = {u | K} est
le sous-espace vectoriel de E engendr par u. Il est souvent not Ku. Si u nest pas le vecteur nul, on
parle dune droite vectorielle.
K = Vect(u)

v
u

u
0

Vect(u, v)



2. Si u et v sont deux vecteurs de E, alors Vect(u, v) = u + v | , K . Si u et v ne sont pas colinaires,
alors Vect(u, v) est un plan vectoriel.
1
1
3. Soient u = 1 et v = 2 deux vecteurs de R3 . Dterminons P = Vect(u, v).
3

x
y
z

Vect(u, v)

x
y

xz
y

= u + v pour certains , R
1
1
= 1 + 2

3
1
z
x = +
y = + 2

z = + 3
Nous obtenons bien une quation paramtrique du plan P passant par lorigine et contenant les vecteurs
u et v. On sait en trouver une quation cartsienne : (x 2 y + z = 0).

Exemple 21.
Soient E lespace vectoriel des applications de R dans R et f0 , f1 , f2 les applications dfinies par :
x R

f0 (x) = 1, f1 (x) = x et f2 (x) = x 2 .

Le sous-espace vectoriel de E engendr par { f0 , f1 , f2 } est lespace vectoriel des fonctions polynmes f de
degr infrieur ou gal 2, cest--dire de la forme f (x) = a x 2 + b x + c.
Mthodologie. On peut dmontrer quune partie F dun espace vectoriel E est un sous-espace vectoriel de
E en montrant que F est gal lensemble des combinaisons linaires dun nombre fini de vecteurs de E.
Exemple 22.


Est-ce que F = (x, y, z) R3 | x y z = 0 est un sous-espace vectoriel de R3 ?
Un triplet de R3 est lment de F si et seulement si x = y + z. Donc u est lment de F si et seulement sil
peut scrire u = ( y + z, y, z). Or, on a lgalit
( y + z, y, z) = y(1, 1, 0) + z(1, 0, 1).


Donc F est lensemble des combinaisons linaires de (1, 1, 0), (1, 0, 1) . Cest le sous-espace vectoriel




engendr par (1, 1, 0), (1, 0, 1) : F = Vect (1, 1, 0), (1, 0, 1) . Cest bien un plan vectoriel (un plan passant
par lorigine).

ESPACES VECTORIELS

6. APPLICATION LINAIRE (DBUT) 156

Preuve du thorme 4.
1. On appelle F lensemble des combinaisons linaires des vecteurs {v1 , . . . , vn }.
(a) 0 E F car F contient la combinaison linaire particulire 0v1 + + 0vn .
(b) Si u, v F alors il existe 1 , . . . , n K tels que u = 1 v1 + + n vn et 1 , . . . , n K tels que
v = 1 v1 + + n vn . On en dduit que u + v = (1 + 1 )v1 + + (n + n )vn appartient bien F .
(c) De mme, u = (1 )v1 + + (n )vn F .
Conclusion : F est un sous-espace vectoriel.
2. Si G est un sous-espace vectoriel contenant {v1 , . . . , vn }, alors il est stable par combinaison linaire ; il
contient donc toute combinaison linaire des vecteurs {v1 , . . . , vn }. Par consquent F est inclus dans G :
F est le plus petit sous-espace (au sens de linclusion) contenant {v1 , . . . , vn }.

Mini-exercices.
1. Trouver des sous-espaces vectoriels distincts F et G de R3 tels que
(a) F + G = R3 et F G 6= {0} ;
(b) F + G 6= R3 et F G = {0} ;
(c) F + G = R3 et F G = {0} ;
(d) F + G 6= R3 et F G 6= {0}.




2. Soient F = (x, y, z) R3 | x + y + z = 0 et G = Vect (1, 1, 1) R3 .
(a) Montrer que F est un espace vectoriel. Trouver deux vecteurs u, v tels que F = Vect(u, v).
(b) Calculer F G et montrer que F + G = R3 . Que conclure ?




3. Soient A = 10 00 , B = 00 01 , C = 00 10 , D = 01 00 des matrices de M2 (R).
(a) Quel est lespace vectoriel F engendr par A et B ? Idem avec G engendr par C et D.
(b) Calculer F G. Montrer que F + G = M2 (R). Conclure.

6. Application linaire (dbut)


6.1. Dfinition
Nous avons dj rencontr la notion dapplication linaire dans le cas f : R p Rn (voir le chapitre
Lespace vectoriel Rn ). Cette notion se gnralise des espaces vectoriels quelconques.
Dfinition 6.
Soient E et F deux K-espaces vectoriels. Une application f de E dans F est une application linaire si
elle satisfait aux deux conditions suivantes :
1. f (u + v) = f (u) + f (v), pour tous u, v E ;
2. f ( u) = f (u), pour tout u E et tout K.
Autrement dit : une application est linaire si elle respecte les deux lois dun espace vectoriel.
Notation. Lensemble des applications linaires de E dans F est not L (E, F ).

6. APPLICATION LINAIRE (DBUT) 157

ESPACES VECTORIELS

6.2. Premiers exemples


Exemple 23.
Lapplication f dfinie par
f : R3 R2
(x, y, z) 7 (2x, y + 3z)
est une application linaire. En effet, soient u = (x, y, z) et v = (x 0 , y 0 , z 0 ) deux lments de R3 et un rel.
f (u + v) = f (x + x 0 , y + y 0 , z + z 0 )

=
2(x + x 0 ), y + y 0 + 3(z + z 0 )
= (2x, y + 3z) + (2x 0 , y 0 + 3z 0 )
= f (u) + f (v)
et
f ( u) = f (x, y, z)
= (2x, y + 3z)
= (2x, y + 3z)
= f (u)
Toutes les applications ne sont pas des applications linaires !
Exemple 24.
Soit f : R R lapplication dfinie par f (x) = x 2 . On a f (1) = 1 et f (2) = 4. Donc f (2) 6= 2 f (1). Ce qui
fait que lon na pas lgalit f (x) = f (x) pour un certain choix de , x. Donc f nest pas linaire. Notez
que lon na pas non plus f (x + x 0 ) = f (x) + f (x 0 ) ds que x x 0 6= 0.
Voici dautres exemples dapplications linaires :
1. Pour une matrice fixe A Mn,p (R), lapplication f : R p Rn dfinie par
f (X ) = AX
est une application linaire.
2. L application nulle, note 0L (E,F ) :
f : E F

f (u) = 0 F

pour tout u E.

f (u) = u

pour tout u E.

3. L application identit, note id E :


f : E E

6.3. Premires proprits


Proposition 6.
Soient E et F deux K-espaces vectoriels. Si f est une application linaire de E dans F , alors :
f (0 E ) = 0 F ,
f (u) = f (u), pour tout u E.
Dmonstration. Il suffit dappliquer la dfinition de la linarit avec = 0, puis avec = 1.
Pour dmontrer quune application est linaire, on peut aussi utiliser une proprit plus concentre ,
donne par la caractrisation suivante :
Proposition 7 (Caractrisation dune application linaire).
Soient E et F deux K-espaces vectoriels et f une application de E dans F . Lapplication f est linaire si et
seulement si, pour tous vecteurs u et v de E et pour tous scalaires et de K,
f (u + v) = f (u) + f (v).

7. APPLICATION LINAIRE (MILIEU) 158

ESPACES VECTORIELS

Plus gnralement, une application linaire f prserve les combinaisons linaires : pour tous 1 , . . . , n K
et tous v1 , . . . , vn E, on a
f (1 v1 + + n vn ) = 1 f (v1 ) + + n f (vn ).

Dmonstration.
Soit f une application linaire de E dans F . Soient u, v E, , K. En utilisant les deux axiomes de
la dfinition, on a
f (u + v) = f (u) + f (v) = f (u) + f (v).
Montrons la rciproque. Soit f : E F une application telle que f (u + v) = f (u) + f (v) (pour
tous u, v E, , K). Alors, dune part f (u + v) = f (u) + f (v) (en considrant le cas particulier o
= = 1), et dautre part f (u) = f (u) (cas particulier o = 0).

Vocabulaire.
Soient E et F deux K-espaces vectoriels.
Une application linaire de E dans F est aussi appele morphisme ou homomorphisme despaces
vectoriels. Lensemble des applications linaires de E dans F est not L (E, F ).
Une application linaire de E dans E est appele endomorphisme de E. Lensemble des endomorphismes
de E est not L (E).
Mini-exercices.
Montrer que les applications suivantes f i : R2 R2 sont linaires. Caractriser gomtriquement ces
applications et faire un dessin.
1. f1 (x, y) = (x, y) ;
2. f2 (x, y) = (3x, 3 y) ;
3. f3 (x, y) = (x, y) ;
4. f4 (x, y) = (x, y) ;
5. f5 (x, y) =

p
3
2 x

21 y, 21 x +

p
3
2


y .

7. Application linaire (milieu)


7.1. Exemples gomtriques
Symtrie centrale.
Soient E un K-espace vectoriel. On dfinit lapplication f par :
f :E E
u 7 u
f est linaire et sappelle la symtrie centrale par rapport lorigine 0 E .

7. APPLICATION LINAIRE (MILIEU) 159

ESPACES VECTORIELS

u
0
f (u) = u
f (u) = u
u

Homothtie.
Soient E un K-espace vectoriel et K. On dfinit lapplication f par :
f : E E
u 7 u
f est linaire. f est appele homothtie de rapport .
Cas particuliers notables :
= 1, f est lapplication identit ;
= 0, f est lapplication nulle ;
= 1, on retrouve la symtrie centrale.
Preuve que f est une application linaire :
f (u + v) = (u + v) = (u) + (v) = f (u) + f (v).
Projection.
Soient E un K-espace vectoriel et F et G deux sous-espaces vectoriels supplmentaires dans E, cest--dire
E = F G. Tout vecteur u de E scrit de faon unique u = v + w avec v F et w G. La projection sur F
paralllement G est lapplication p : E E dfinie par p(u) = v.
G

v = p(u)

Une projection est une application linaire.


En effet, soient u, u0 E, , K. On dcompose u et u0 en utilisant que E = F G : u = v + w,
u0 = v 0 + w0 avec v, v 0 F , w, w0 G. Commenons par crire
u + u0 = (v + w) + (v 0 + w0 ) = (v + v 0 ) + (w + w0 ).
Comme F et G sont des un sous-espaces vectoriels de E, alors v + v 0 F et w + w0 G. Ainsi :
p(u + u0 ) = v + v 0 = p(u) + p(u0 ).
Une projection p vrifie lgalit p2 = p.

Note : p2 = p signifie p p = p, cest--dire pour tout u E : p p(u) = p(u). Il sagit juste de remarquer
que si v F alors p(v) = v (car v = v + 0, avec v F et 0 G). Maintenant, pour u E, on a u = v + w

avec v F et w G. Par dfinition p(u) = v. Mais alors p p(u) = p(v) = v. Bilan : p p(u) = v = p(u).
Donc p p = p.

7. APPLICATION LINAIRE (MILIEU) 160

ESPACES VECTORIELS

Exemple 25.
Nous avons vu que les sous-espaces vectoriels F et G de R3 dfinis par




F = (x, y, z) R3 | x y z = 0
et
G = (x, y, z) R3 | y = z = 0
sont supplmentaires dans R3 : R3 = F G (exemple 18). Nous avions vu que la dcomposition scrivait :
(x, y, z) = ( y + z, y, z) + (x y z, 0, 0).
Si p est la projection sur F paralllement G, alors on a p(x, y, z) = ( y + z, y, z).
G

(x, y, z)

p(x, y, z)

F
0

Exemple 26.
Nous avons vu dans lexemple 19 que lensemble des fonctions paires P et lensemble des fonctions
impaires I sont des sous-espaces vectoriels supplmentaires dans F (R, R). Notons p la projection sur P
paralllement I . Si f est un lment de F (R, R), on a p( f ) = g o
g :R R
f (x) + f (x)
x 7
.
2

7.2. Autres exemples


1. La drivation. Soient E = C 1 (R, R) lespace vectoriel des fonctions f : R R drivables avec f 0
continue et F = C 0 (R, R) lespace vectoriel des fonctions continues. Soit
d : C 1 (R, R) C 0 (R, R)
f 7 f 0
Alors d est une application linaire, car ( f + g)0 = f 0 + g 0 et donc d( f + g) = d( f ) + d(g).
2. Lintgration. Soient E = C 0 (R, R) et F = C 1 (R, R). Soit

Lapplication I est linaire car


f et g et pour tous , R.

Rx
0

I : C 0 (R, R) C 1 (R, R)
Rx
f (x) 7
f (t) d t
0
Rx
Rx

f (t) + g(t) d t = 0 f (t) d t + 0 g(t) d t pour toutes fonctions

3. Avec les polynmes.


Soit E = Rn [X ] lespace vectoriel des polynmes de degr 6 n. Soit F = Rn+1 [X ] et soit
f : E F
P(X ) 7 X P(X )
Autrement dit, si P(X ) = an X n + + a1 X + a0 , alors f (P(X )) = an X n+1 + + a1 X 2 + a0 X .
Cest une application linaire : f (P(X ) + Q(X )) = X P(X ) + X Q(X ) = f (P(X )) + f (Q(X )).
4. La transposition.
Considrons lapplication T de Mn (K) dans Mn (K) donne par la transposition :
T : Mn (K) Mn (K)
A 7 AT

8. APPLICATION LINAIRE (FIN) 161

ESPACES VECTORIELS

T est linaire, car on sait que pour toutes matrices A, B Mn (K) et tous scalaires , K :
(A + B) T = (A) T + (B) T = AT + B T .
5. La trace.
tr : Mn (K) K
A 7 tr A
est une application linaire car tr(A + B) = tr A + tr B.
Mini-exercices.
1. Les applications suivantes sont-elles linaires ?
(a) R R,
(b) R4 R,

x 7 3x 2
(x, y, x 0 , y 0 ) 7 x x 0 + y y 0

(c) C 0 (R, R) R,

f 7 f (1)

(e) C 0 ([0, 1], R) R,

f 7 f 0 + f
R1
f 7 0 | f (t)| d t

(f) C 0 ([0, 1], R) R,

f 7 max x[0,1] f (x)

(d) C (R, R) C (R, R),


1

(g) R3 [X ] R3 [X ],

P(X ) 7 P(X + 1) P(0)


T

2. Soient f , g : Mn (R) Mn (R) dfinies par A 7 A+A


et A 7 AA
2
2 . Montrer que f et g sont des
applications linaires. Montrer que f (A) est une matrice symtrique, g(A) une matrice antisymtrique
et que A = f (A) + g(A). En dduire que les matrices symtriques et les matrices antisymtriques sont
en somme directe dans Mn (R). Caractriser gomtriquement f et g.

8. Application linaire (fin)


8.1. Image dune application linaire
Commenons par des rappels. Soient E et F deux ensembles et f une application de E dans F . Soit A un
sous-ensemble de E. Lensemble des images par f des lments de A, appel image directe de A par f , est
not f (A). Cest un sous-ensemble de F . On a par dfinition :


f (A) = f (x) | x A .
Dans toute la suite, E et F dsigneront des K-espaces vectoriels et f : E F sera une application linaire.
f (E) sappelle limage de lapplication linaire f et est not Im f .
Proposition 8 (Structure de limage dun sous-espace vectoriel).
1. Si E 0 est un sous-espace vectoriel de E, alors f (E 0 ) est un sous-espace vectoriel de F .
2. En particulier, Im f est un sous-espace vectoriel de F .
Remarque.
On a par dfinition de limage directe f (E) :
f est surjective si et seulement si Im f = F .
Dmonstration. Tout dabord, comme 0 E E 0 alors 0 F = f (0 E ) f (E 0 ). Ensuite on montre que pour tout
couple ( y1 , y2 ) dlments de f (E 0 ) et pour tous scalaires , , llment y1 + y2 appartient f (E 0 ). En

8. APPLICATION LINAIRE (FIN) 162

ESPACES VECTORIELS

effet :
y1 f (E 0 ) x 1 E 0 , f (x 1 ) = y1
y2 f (E 0 ) x 2 E 0 , f (x 2 ) = y2 .
Comme f est linaire, on a
y1 + y2 = f (x 1 ) + f (x 2 ) = f (x 1 + x 2 ).
Or x 1 + x 2 est un lment de E 0 , car E 0 est un sous-espace vectoriel de E, donc y1 + y2 est bien un
lment de f (E 0 ).

8.2. Noyau dune application linaire


Dfinition 7 (Dfinition du noyau).
Soient E et F deux K-espaces vectoriels et f une application linaire de E dans F . Le noyau de f , not
Ker( f ), est lensemble des lments de E dont limage est 0 F :


Ker( f ) = x E | f (x) = 0 F
Autrement dit, le noyau est limage rciproque du vecteur nul de lespace darrive : Ker( f ) = f 1 {0 F }.
Proposition 9.
Soient E et F deux K-espaces vectoriels et f une application linaire de E dans F . Le noyau de f est un
sous-espace vectoriel de E.
Dmonstration. Ker( f ) est non vide car f (0 E ) = 0 F donc 0 E Ker( f ). Soient x 1 , x 2 Ker( f ) et , K.
Montrons que x 1 + x 2 est un lment de Ker( f ). On a, en utilisant la linarit de f et le fait que x 1 et x 2
sont des lments de Ker( f ) : f (x 1 + x 2 ) = f (x 1 ) + f (x 2 ) = 0 F + 0 F = 0 F .
Exemple 27.
Reprenons lexemple de lapplication linaire f dfinie par
f : R3 R 2
(x, y, z) 7 (2x, y + 3z)
Calculons le noyau Ker( f ).
(x, y, z) Ker( f )

f (x, y, z) = (0, 0)
(2x, y + 3z) = (0, 0)

2x = 0

y + 3z = 0
(x, y, z) = (0, 3z, z), z R




Donc Ker( f ) = (0, 3z, z) | z R . Autrement dit, Ker( f ) = Vect (0, 3, 1) : cest une droite
vectorielle.
Calculons limage de f . Fixons (x 0 , y 0 ) R2 .
(x 0 , y 0 ) = f (x, y, z)

(2x, y + 3z) = (x 0 , y 0 )

2x = x 0

y + 3z = y 0

On peut prendre par exemple x = x2 , y 0 = y, z = 0. Conclusion : pour nimporte quel (x 0 , y 0 ) R2 , on


0
a f ( x2 , y 0 , 0) = (x 0 , y 0 ). Donc Im( f ) = R2 , et f est surjective.

8. APPLICATION LINAIRE (FIN) 163

ESPACES VECTORIELS

Exemple 28.

Soit A Mn,p (R). Soit f : R p Rn lapplication linaire dfinie par f (X ) = AX . Alors Ker( f ) = X R p |

AX = 0 : cest donc lensemble des X R p solutions du systme linaire homogne AX = 0. On verra plus
tard que Im( f ) est lespace engendr par les colonnes de la matrice A.
Le noyau fournit une nouvelle faon dobtenir des sous-espaces vectoriels.
Exemple 29.
Un plan P passant par lorigine, dquation (a x + b y + cz = 0), est un sous-espace vectoriel de R3 . En effet,
soit f : R3 R lapplication dfinie par f (x, y, z) = a x + b y + cz. Il est facile de vrifier que f est linaire,


de sorte que Ker f = (x, y, z) R3 | a x + b y + cz = 0 = P est un sous-espace vectoriel.
Exemple 30.
Soient E un K-espace vectoriel, F et G deux sous-espaces vectoriels de E, supplmentaires : E = F G. Soit
p la projection sur F paralllement G. Dterminons le noyau et limage de p.
G

v = p(u)

Un vecteur u de E scrit dune manire unique u = v + w avec v F et w G et par dfinition p(u) = v.


Ker(p) = G : le noyau de p est lensemble des vecteurs u de E tels que v = 0, cest donc G.
Im(p) = F . Il est immdiat que Im(p) F . Rciproquement, si u F alors p(u) = u, donc F Im(p).
Conclusion :
Ker(p) = G

et

Im(p) = F.

Thorme 5 (Caractrisation des applications linaires injectives).


Soient E et F deux K-espaces vectoriels et f une application linaire de E dans F . Alors :
f injective


Ker( f ) = 0 E

Autrement dit, f est injective si et seulement si son noyau ne contient que le vecteur nul. En particulier,
pour montrer que f est injective, il suffit de vrifier que :
si f (x) = 0 F alors x = 0 E .
Dmonstration.
Supposons que f soit injective et montrons que Ker( f ) = {0 E }. Soit x un lment de Ker( f ). On a
f (x) = 0 F . Or, comme f est linaire, on a aussi f (0 E ) = 0 F . De lgalit f (x) = f (0 E ), on dduit x = 0 E
car f est injective. Donc Ker( f ) = {0 E }.
Rciproquement, supposons maintenant que Ker( f ) = {0 E }. Soient x et y deux lments de E tels
que f (x) = f ( y). On a donc f (x) f ( y) = 0 F . Comme f est linaire, on en dduit f (x y) = 0 F ,
cest--dire x y est un lment de Ker( f ). Donc x y = 0 E , soit x = y.

8. APPLICATION LINAIRE (FIN) 164

ESPACES VECTORIELS

Exemple 31.
Considrons, pour n > 1, lapplication linaire
f : Rn [X ] Rn+1 [X ]
P(X ) 7 X P(X ).
tudions dabord le noyau de f : soit P(X ) = an X n + + a1 X + a0 Rn [X ] tel que X P(X ) = 0. Alors
an X n+1 + + a1 X 2 + a0 X = 0.
Ainsi, ai = 0 pour tout i {0, . . . , n} et donc P(X ) = 0. Le noyau de f est donc nul : Ker( f ) = {0}.


Lespace Im( f ) est lensemble des polynmes de Rn+1 [X ] sans terme constant : Im( f ) = Vect X , X 2 , . . . , X n+1 .
Conclusion : f est injective, mais nest pas surjective.

8.3. Lespace vectoriel L (E, F )


Soient E et F deux K-espaces vectoriels. Remarquons tout dabord que, similairement lexemple 4, lensemble des applications de E dans F , not F (E, F ), peut tre muni dune loi de composition interne + et
dune loi de composition externe, dfinies de la faon suivante : f , g tant deux lments de F (E, F ), et
tant un lment de K, pour tout vecteur u de E,
( f + g)(u) = f (u) + g(u)

et

( f )(u) = f (u).

Proposition 10.
Lensemble des applications linaires entre deux K-espaces vectoriels E et F , not L (E, F ), muni des deux
lois dfinies prcdemment, est un K-espace vectoriel.

Dmonstration. Lensemble L (E, F ) est inclus dans le K-espace vectoriel F (E, F ). Pour montrer que L (E, F )
est un K-espace vectoriel, il suffit donc de montrer que L (E, F ) est un sous-espace vectoriel de F (E, F ) :
Tout dabord, lapplication nulle appartient L (E, F ).
Soient f , g L (E, F ), et montrons que f + g est linaire. Pour tous vecteurs u et v de E et pour tous
scalaires , de K,
( f + g)(u + v)

=
=
=
=

f (u + v) + g(u + v)
(dfinition de f + g)
f (u) + f (v) + g(u) + g(v)
(linarit de f et de g)
( f (u) + g(u)) + ( f (v) + g(v)) (proprits des lois de F )
( f + g)(u) + ( f + g)(v)
(dfinition de f + g)

f + g est donc linaire et L (E, F ) est stable pour laddition.


Soient
f L (E, F ), K, et montrons que f est linaire.

( f )(u + v)

=
=
=
=

f (u + v)
( f (u) + f (v))
f (u) + f (v)
( f )(u) + ( f )(v)

f est donc linaire et L (E, F ) est stable pour la loi externe.


L (E, F ) est donc un sous-espace vectoriel de F (E, F ).
En particulier, L (E) est un sous-espace vectoriel de F (E, E).

(dfinition de f )
(linarit de f )
(proprits des lois de F )
(dfinition de f )

8. APPLICATION LINAIRE (FIN) 165

ESPACES VECTORIELS

8.4. Composition et inverse dapplications linaires


Proposition 11 (Compose de deux applications linaires).
Soient E, F, G trois K-espaces vectoriels, f une application linaire de E dans F et g une application linaire
de F dans G. Alors g f est une application linaire de E dans G.
Remarque.
En particulier, le compos de deux endomorphismes de E est un endomorphisme de E. Autrement dit, est
une loi de composition interne sur L (E).
Dmonstration. Soient u et v deux vecteurs de E, et et deux lments de K. Alors :
(g f )(u + v) = g ( f (u + v))
= g ( f (u) + f (v))
= g ( f (u)) + g ( f (v))
= (g f )(u) + (g f )(v)

(dfinition de g f )
(linarit de f )
(linarit de g)
(dfinition de g f )

La composition des applications linaires se comporte bien :


g ( f1 + f2 ) = g f1 + g f2

(g1 + g2 ) f = g1 f + g2 f

(g) f = g ( f ) = (g f )

Vocabulaire.
Soient E et F deux K-espaces vectoriels.
Une application linaire bijective de E sur F est appele isomorphisme despaces vectoriels. Les deux
espaces vectoriels E et F sont alors dits isomorphes.
Un endomorphisme bijectif de E (cest--dire une application linaire bijective de E dans E) est appel
automorphisme de E. Lensemble des automorphismes de E est not G L(E).
Proposition 12 (Linarit de lapplication rciproque dun isomorphisme).
Soient E et F deux K-espaces vectoriels. Si f est un isomorphisme de E sur F , alors f 1 est un isomorphisme
de F sur E.
Dmonstration. Comme f est une application bijective de E sur F , alors f 1 est une application bijective
de F sur E. Il reste donc prouver que f 1 est bien linaire. Soient u0 et v 0 deux vecteurs de F et soient
et deux lments de K. On pose f 1 (u0 ) = u et f 1 (v 0 ) = v, et on a alors f (u) = u0 et f (v) = v 0 . Comme
f est linaire, on a
f 1 (u0 + v 0 ) = f 1 ( f (u) + f (v)) = f 1 ( f (u + v)) = u + v
car f 1 f = id E (o id E dsigne lapplication identit de E dans E). Ainsi
f 1 (u0 + v 0 ) = f 1 (u0 ) + f 1 (v 0 ),
et f 1 est donc linaire.
Exemple 32.
Soit f : R2 R2 dfinie par f (x, y) = (2x +3 y, x + y). Il est facile de prouver que f est linaire. Pour prouver
que f est bijective, on pourrait calculer son noyau et son image. Mais ici nous allons calculer directement son
inverse : on cherche rsoudre f (x, y) = (x 0 , y 0 ). Cela correspond lquation (2x + 3 y, x + y) = (x 0 , y 0 )
qui est un systme linaire deux quations et deux inconnues. On trouve (x, y) = (x 0 + 3 y 0 , x 0 2 y 0 ).
On pose donc f 1 (x 0 , y 0 ) = (x 0 + 3 y 0 , x 0 2 y 0 ). On vrifie aisment que f 1 est linverse de f , et on
remarque que f 1 est une application linaire.

ESPACES VECTORIELS

8. APPLICATION LINAIRE (FIN) 166

Exemple 33.
Plus gnralement, soit f : Rn Rn lapplication linaire dfinie par f (X ) = AX (o A est une matrice
de Mn (R)). Si la matrice A est inversible, alors f 1 est une application linaire bijective et est dfinie par
f 1 (X ) = A1 X .
Dans lexemple prcdent,
 




x
2 3
1 3
1
X=
A=
A =
.
y
1 1
1 2
Mini-exercices.
1. Soit f : R3 R3 dfinie par f (x, y, z) = (x, y + z, 2z). Montrer que f est une application linaire.
Calculer Ker( f ) et Im( f ). f admet-elle un inverse ? Mme question avec f (x, y, z) = (x y, x + y, y).
2. Soient E un espace vectoriel, et F, G deux sous-espaces tels que E = F G. Chaque u E se dcompose
de manire unique u = v + w avec v F , w G. La symtrie par rapport F paralllement G est
lapplication s : E E dfinie par s(u) = v w. Faire un dessin. Montrer que s est une application
linaire. Montrer que s2 = id E . Calculer Ker(s) et Im(s). s admet-elle un inverse ?
3. Soit f : Rn [X ] Rn [X ] dfinie par P(X ) 7 P 00 (X ) (o P 00 dsigne la drive seconde). Montrer que
f est une application linaire. Calculer Ker( f ) et Im( f ). f admet-elle un inverse ?

Auteurs du chapitre
Daprs un cours de Sophie Chemla de luniversit Pierre et Marie Curie, reprenant des parties dun
cours de H. Ledret et dune quipe de luniversit de Bordeaux anime par J. Queyrut,
et un cours de Eva Bayer-Fluckiger, Philippe Chabloz, Lara Thomas de lcole Polytechnique Fdrale de
Lausanne,
mixs et rviss par Arnaud Bodin, relu par Vianney Combet.

Chapitre

Dimension finie
Vido
Vido
Vido
Vido
Vido
Fiche

11

partie 1. Famille libre


partie 2. Famille gnratrice
partie 3. Base
partie 4. Dimension d'un espace vectoriel
partie 5. Dimension des sous-espaces vectoriels

d'exercices Espaces vectoriels de dimension finie

Les espaces vectoriels qui sont engendrs par un nombre fini de vecteurs sont appels espaces vectoriels
de dimension finie. Pour ces espaces, nous allons voir comment calculer une base, cest--dire une famille
minimale de vecteurs qui engendrent tout lespace. Le nombre de vecteurs dans une base sappelle la
dimension et nous verrons comment calculer la dimension des espaces et des sous-espaces.

1. Famille libre
1.1. Combinaison linaire (rappel)
Soit E un K-espace vectoriel.
Dfinition 1.
Soient v1 , v2 , . . . , vp , p > 1 vecteurs dun espace vectoriel E. Tout vecteur de la forme
u = 1 v1 + 2 v2 + + p vp
(o 1 , 2 , . . . , p sont des lments de K) est appel combinaison linaire des vecteurs v1 , v2 , . . . , vp .
Les scalaires 1 , 2 , . . . , p sont appels coefficients de la combinaison linaire.

1.2. Dfinition
Dfinition 2.
Une famille {v1 , v2 , . . . , vp } de E est une famille libre ou linairement indpendante si toute combinaison
linaire nulle
1 v1 + 2 v2 + + p vp = 0
est telle que tous ses coefficients sont nuls, cest--dire
1 = 0,

2 = 0,

...

p = 0.

Dans le cas contraire, cest--dire sil existe une combinaison linaire nulle coefficients non tous nuls, on
dit que la famille est lie ou linairement dpendante. Une telle combinaison linaire sappelle alors une
relation de dpendance linaire entre les v j .

DIMENSION FINIE

1. FAMILLE LIBRE

168

1.3. Premiers exemples


Pour des vecteurs de Rn , dcider si une famille {v1 , . . . , vp } est libre ou lie revient rsoudre un systme
linaire.
Exemple 1.
Dans le R-espace vectoriel R3 , considrons la famille

4
2
1
2 , 5 , 1 .

3
6
0
On souhaite dterminer si elle est libre ou lie. On cherche des scalaires (1 , 2 , 3 ) tels que
1
4
2 0
1 2 + 2 5 + 3 1 = 0
3

ce qui quivaut au systme :

1 + 42 + 23 = 0
21 + 52 + 3 = 0

31 + 62
= 0
On calcule (voir un peu plus bas) que ce systme est quivalent :

1
23 = 0
2 + 3 = 0
Ce systme a une infinit de solutions et en prenant par exemple 3 = 1 on obtient 1 = 2 et 2 = 1, ce
qui fait que

1
4
2
0

2 2 5 + 1 = 0 .
6
0
0
3
La famille

2
4
1
2 , 5 , 1

0
3
6
est donc une famille lie.
Voici les calculs de la rduction de Gauss sur la matrice associe au systme :

1 4 2
1 4
2
1 4
2
1 4 2
1 0 2
2 5 1 0 3 3 0 3 3 0 1 1 0 1 1
0 6 6

3 6 0

0 0 0

0 0

Exemple 2.
2
2
1
Soient v1 = 1 , v2 = 1 , v3 = 1 . Est-ce que la famille {v1 , v2 , v3 } est libre ou lie ? Rsolvons le
1
1
0
systme linaire correspondant lquation 1 v1 + 2 v2 + 3 v3 = 0 :

1 + 22 + 23 = 0
1 2 + 3 = 0

1
+ 3 = 0
On rsout ce systme et on trouve comme seule solution 1 = 0, 2 = 0, 3 = 0. La famille {v1 , v2 , v3 } est
donc une famille libre.
Exemple 3.
Soient v1 =

2
1
0 ,
3

v2 =

1
2
5
1

et v3 =

7
1
5 .
8

Alors {v1 , v2 , v3 } forme une famille lie, car

3v1 + v2 v3 = 0.

DIMENSION FINIE

1. FAMILLE LIBRE

169

1.4. Autres exemples


Exemple 4.
Les polynmes P1 (X ) = 1 X , P2 (X ) = 5 + 3X 2X 2 et P3 (X ) = 1 + 3X X 2 forment une famille lie dans
lespace vectoriel R[X ], car
3P1 (X ) P2 (X ) + 2P3 (X ) = 0.
Exemple 5.
Dans le R-espace vectoriel F (R, R) des fonctions de R dans R, on considre la famille {cos, sin}. Montrons
que cest une famille libre. Supposons que lon ait cos + sin = 0. Cela quivaut
x R

cos(x) + sin(x) = 0.

En particulier, pour x = 0, cette galit donne = 0. Et pour x = 2 , elle donne = 0. Donc la famille
{cos, sin} est libre. En revanche la famille {cos2 , sin2 , 1} est lie car on a la relation de dpendance linaire
cos2 + sin2 1 = 0. Les coefficients de dpendance linaire sont 1 = 1, 2 = 1, 3 = 1.

1.5. Famille lie


Soit E un K-espace vectoriel. Si v 6= 0, la famille un seul vecteur {v} est libre (et lie si v = 0). Considrons
le cas particulier dune famille de deux vecteurs.
Proposition 1.
La famille {v1 , v2 } est lie si et seulement si v1 est un multiple de v2 ou v2 est un multiple de v1 .
Ce qui se reformule ainsi par contraposition : La famille {v1 , v2 } est libre si et seulement si v1 nest pas un
multiple de v2 et v2 nest pas un multiple de v1 .
Dmonstration.
Supposons la famille {v1 , v2 } lie, alors il existe 1 , 2 non tous les deux nuls tels que 1 v1 + 2 v2 = 0.

Si cest 1 qui nest pas nul, on peut diviser par 1 , ce qui donne v1 = 2 v2 et v1 est un multiple de v2 .
1
Si cest 2 qui nest pas nul, alors de mme v2 est un multiple de v1 .
Rciproquement, si v1 est un multiple de v2 , alors il existe un scalaire tel que v1 = v2 , soit 1v1 +
()v2 = 0, ce qui est une relation de dpendance linaire entre v1 et v2 puisque 1 6= 0 : la famille
{v1 , v2 } est alors lie. Mme conclusion si cest v2 qui est un multiple de v1 .

Gnralisons tout de suite cette proposition une famille dun nombre quelconque de vecteurs.
Thorme 1.
Soit E un K-espace vectoriel. Une famille F = {v1 , v2 , . . . , vp } de p > 2 vecteurs de E est une famille lie si
et seulement si au moins un des vecteurs de F est combinaison linaire des autres vecteurs de F .
Dmonstration. Cest essentiellement la mme dmonstration que ci-dessus.
Supposons dabord F lie. Il existe donc une relation de dpendance linaire
1 v1 + 2 v2 + + p vp = 0,
avec k 6= 0 pour au moins un indice k. Passons tous les autres termes droite du signe gal. Il vient
k vk = 1 v1 2 v2 p vp ,
o vk ne figure pas au second membre. Comme k 6= 0, on peut diviser cette galit par k et lon obtient
vk =

p
1

v1 2 v2
vp ,
k
k
k

DIMENSION FINIE

1. FAMILLE LIBRE

170

cest--dire que vk est combinaison linaire des autres vecteurs de F , ce qui peut encore scrire vk

Vect F \ {vk } (avec la notation ensembliste A\ B pour lensemble des lments de A qui nappartiennent
pas B).

Rciproquement, supposons que pour un certain k, on ait vk Vect F \ {vk } . Ceci signifie que lon
peut crire
vk = 1 v1 + 2 v2 + + p vp ,
o vk ne figure pas au second membre. Passant vk au second membre, il vient
0 = 1 v1 + 2 v2 + vk + + p vp ,
ce qui est une relation de dpendance linaire pour F (puisque 1 6= 0) et ainsi la famille F est lie.

1.6. Interprtation gomtrique de la dpendance linaire


Dans R2 ou R3 , deux vecteurs sont linairement dpendants si et seulement sils sont colinaires. Ils
sont donc sur une mme droite vectorielle.
Dans R3 , trois vecteurs sont linairement dpendants si et seulement sils sont coplanaires. Ils sont donc
dans un mme plan vectoriel.
0

v1

v2
e3

v3

v2
v1
e2
e1

Proposition 2.
Soit F = {v1 , v2 , . . . , vp } une famille de vecteurs de Rn . Si F contient plus de n lments (cest--dire p > n),
alors F est une famille lie.
Dmonstration. Supposons que

v11
v
21
v1 = .
..
vn1

v12
v
22
v2 = .
..

...

v1p
v
2p
vp = . .
..

vn2

vnp

Lquation
x 1 v1 + x 2 v2 + + x p vp = 0
donne alors le systme suivant

v11 x 1 + v12 x 2 + + v1p x p

v x + v x + + v x
21 1
22 2
2p p
..

vn1 x 1 + vn2 x 2 + + vnp x p

= 0
= 0
= 0

Cest un systme homogne de n quations p inconnues. Lorsque p > n, ce systme a des solutions non
triviales (voir le chapitre Systmes linaires , dernier thorme) ce qui montre que la famille F est une
famille lie.

DIMENSION FINIE

2. FAMILLE GNRATRICE

171

Mini-exercices.
1. Pour quelles valeurs de t R,
n 1   2  o
1
t
t
t
de R3 .
1
2
t

1
t

t2
t

est une famille libre de R2 ? Mme question avec la famille

2. Montrer que toute famille contenant une famille lie est lie.
3. Montrer que toute famille inclue dans une famille libre est libre.
4. Montrer que si f : E F est une application linaire et que {v1 , . . . , vp } est une famille lie de E, alors
{ f (v1 ), . . . , f (vp )} est une famille lie de F .
5. Montrer que si f : E F est une application linaire injective et que {v1 , . . . , vp } est une famille libre
de E, alors { f (v1 ), . . . , f (vp )} est une famille libre de F .

2. Famille gnratrice
Soit E un espace vectoriel sur un corps K.

2.1. Dfinition
Dfinition 3.
Soient v1 , . . . , vp des vecteurs de E. La famille {v1 , . . . , vp } est une famille gnratrice de lespace vectoriel
E si tout vecteur de E est une combinaison linaire des vecteurs v1 , . . . , vp .
Ce qui peut scrire aussi :
v E

1 , . . . , p K

v = 1 v1 + + p vp

On dit aussi que la famille {v1 , . . . , vp } engendre lespace vectoriel E.


Cette notion est bien sr lie la notion de sous-espace vectoriel engendr : les vecteurs {v1 , . . . , vp } forment
une famille gnratrice de E si et seulement si E = Vect(v1 , . . . , vp ).

2.2. Exemples
Exemple 6.
1
0
0
Considrons par exemple les vecteurs v1 = 0 , v2 = 1 et v3 = 0 de E = R3 . La famille {v1 , v2 , v3 } est
0
0
1
x
gnratrice car tout vecteur v = y de R3 peut scrire
z
x
1
0
0
y = x 0 + y 1 +z 0 .
z

Les coefficients sont ici 1 = x, 2 = y, 3 = z.


Exemple 7.
1
1
Soient maintenant les vecteurs v1 = 1 , v2 = 2 de E = R3 . Les vecteurs {v1 , v2 } ne forment pas une
3
1
0
3
famille gnratrice de R . Par exemple, le vecteur v = 1 nest pas dans Vect(v1 , v2 ). En effet, si ctait
0
0
1
1
le cas, alors il existerait 1 , 2 R tels que v = 1 v1 + 2 v2 . Ce qui scrirait aussi 1 = 1 1 + 2 2 ,
3
1
0
do le systme linaire :

1 + 2 = 0
1 + 22 = 1

1 + 32 = 0
Ce systme na pas de solution. (La premire et la dernire ligne impliquent 1 = 0, 2 = 0, ce qui est
incompatible avec la deuxime.)

DIMENSION FINIE

2. FAMILLE GNRATRICE

172

Exemple 8.
Soit E = R2 .


Soient v1 = 10 et v2 = 01 .La famille {v1 , v2 } est gnratrice de R2 car tout vecteur de R2 se dcompose
comme xy = x 10 + y 01 .


v10 = 21 et v20 = 11 . Alors {v10 , v20 } est aussi une famille gnratrice. En effet, soit
Soient maintenant

v = xy un lment quelconque de R2 . Montrer que v est combinaison linaire de v10 et v20 revient
dmontrer lexistence de deux rels et tels que v = v10 + v20 . Il sagit donc dtudier lexistence de
solutions au systme :

2 + = x
+ = y
Il a pour solution = x y et = x + 2 y, et ceci, quels que soient les rels x et y.
Ceci prouve quil peut exister plusieurs familles finies diffrentes, non incluses les unes dans les autres,
engendrant le mme espace vectoriel.
Exemple 9.
Soit Rn [X ] lespace vectoriel des polynmes de degr 6 n. Alors les polynmes {1, X , . . . , X n } forment une
famille gnratrice. Par contre, lespace vectoriel R[X ] de tous les polynmes ne possde pas de famille
finie gnratrice.

2.3. Liens entre familles gnratrices


La proposition suivante est souvent utile :
Proposition 3.



Soit F = v1 , v2 , . . . , vp une famille gnratrice de E. Alors F 0 = v10 , v20 , . . . , vq0 est aussi une famille
gnratrice de E si et seulement si tout vecteur de F est une combinaison linaire de vecteurs de F 0 .
Dmonstration. Cest une consquence immdiate de la dfinition de Vect F et de Vect F 0 .
Nous chercherons bientt avoir un nombre minimal de gnrateurs. Voici une proposition sur la rduction
dune famille gnratrice.
Proposition 4.
Si la famille de vecteurs {v1 , . . . , vp } engendre E et si lun des vecteurs, par exemple vp , est combinaison
linaire des autres, alors la famille {v1 , . . . , vp } \ {vp } = {v1 , . . . , vp1 } est encore une famille gnratrice de
E.
Dmonstration. En effet, comme les vecteurs v1 , . . . , vp engendrent E, alors pour tout lment v de E, il
existe des scalaires 1 , . . . , p tels que
v = 1 v1 + + p vp .
Or lhypothse vp est combinaison linaire des vecteurs v1 , . . . , vp1 se traduit par lexistence de scalaires
1 , . . . , p1 tels que
vp = 1 v1 + + p1 vp1 .
Alors, le vecteur v scrit :

v = 1 v1 + + p1 vp1 + p 1 v1 + + p1 vp1 .
Donc


v = 1 + p 1 v1 + + p1 + p p1 vp1 ,
ce qui prouve que v est combinaison linaire des vecteurs v1 , . . . , vp1 . Ceci achve la dmonstration. Il est
clair que si lon remplace vp par nimporte lequel des vecteurs vi , la dmonstration est la mme.

DIMENSION FINIE

3. BASE

173

Mini-exercices.



2
t
0
t
1. quelle condition sur t R, la famille t1
, ( t
) tt1
est une famille gnratrice de R2 ?
n  1   1 o
1
t
0
2. Mme question avec la famille
de R3 .
t2
2
t

3. Montrer quune famille de vecteurs contenant une famille gnratrice est encore une famille gnratrice
de E.
4. Montrer que si f : E F est une application linaire surjective et que {v1 , . . . , vp } est une famille


gnratrice de E , alors f (v1 ), . . . , f (vp ) est une famille gnratrice de F .

3. Base
La notion de base gnralise la notion de repre. Dans R2 , un repre est donn par un couple de vecteurs
non colinaires. Dans R3 , un repre est donn par un triplet de vecteurs non coplanaires. Dans un repre,
un vecteur se dcompose suivant les vecteurs dune base. Il en sera de mme pour une base dun espace
vectoriel.
v = 1 v1 + 2 v2

2 v2

v2

1 v1
v1

3.1. Dfinition
Dfinition 4 (Base dun espace vectoriel).
Soit E un K-espace vectoriel. Une famille B = (v1 , v2 , . . . , vn ) de vecteurs de E est une base de E si B
est une famille libre et gnratrice.
Thorme 2.
Soit B = (v1 , v2 , . . . , vn ) une base de lespace vectoriel E. Tout vecteur v E sexprime de faon unique
comme combinaison linaire dlments de B. Autrement dit, il existe des scalaires 1 , . . . , n K uniques
tels que :
v = 1 v1 + 2 v2 + + n vn .
Remarque.
1. (1 , . . . , n ) sappellent les coordonnes du vecteur v dans la base B.
2. Il faut observer que pour une base B = (v1 , v2 , . . . , vn ) on introduit un ordre sur les vecteurs. Bien
sr, si on permutait les vecteurs on obtiendrait toujours une base, mais il faudrait aussi permuter les
coordonnes.
3. Notez que lapplication
: Kn E
(1 , 2 , . . . , n ) 7 1 v1 + 2 v2 + + n vn

DIMENSION FINIE

3. BASE

174

est un isomorphisme de lespace vectoriel Kn vers lespace vectoriel E.


Preuve du thorme 2.
Par dfinition, B est une famille gnratrice de E, donc pour tout v E il existe 1 , . . . , n K tels que
v = 1 v1 + 2 v2 + + n vn .
Cela prouve la partie existence.
Il reste montrer lunicit des 1 , 2 , . . . , n . Soient 1 , 2 , . . . , n K dautres scalaires tels que v =
1 v1 +2 v2 + +n vn . Alors, par diffrence on a : (1 1 )v1 +(2 2 )v2 + +(n n )vn = 0. Comme
B = {v1 , . . . , vn } est une famille libre, ceci implique 1 1 = 0, 2 2 = 0, . . . , n n = 0 et
donc 1 = 1 , 2 = 2 , . . . , n = n .

3.2. Exemples
Exemple 10.
1. Soient les vecteurs e1 =
R2 .

1
0

et e2 =

0
1

2. Soient les vecteurs v1 =

3
1

et v2 =

1
2

. Alors (e1 , e2 ) est une base de R2 , appele base canonique de

. Alors (v1 , v2 ) forment aussi une base de R2 .

v = 1 v1 + 2 v2

y e2

e3
2 v2

v2

1 v1

e2

e2
v1
e1

3. De mme dans R3 , si e1 =

x e1

1
0
0

, e2 =

0
1
0

, e3 =

0
0
1

e1

, alors (e1 , e2 , e3 ) forment la base canonique de R3 .

Exemple 11.
3
2
1
Soient v1 = 2 , v2 = 9 et v3 = 3 . Montrons que la famille B = (v1 , v2 , v3 ) est une base de R3 .
4
1
0
Dans les deux premiers points, nous ramenons le problme ltude dun systme linaire.
 a1 
1. Montrons dabord que B est une famille gnratrice de R3 . Soit v = aa2 un vecteur quelconque de R3 .
3
On cherche 1 , 2 , 3 R tels que
v = 1 v1 + 2 v2 + 3 v3 .
Ceci se reformule comme suit :



a1
1
2
3
1 + 22 + 33
a2 = 1 2 + 2 9 + 3 3 = 21 + 92 + 33 .
a3
1
0
4
1 + 43
Ceci conduit au systme suivant :

1 + 22 + 33 = a1
21 + 92 + 33 = a2

1
+ 43 = a3 .
Il nous restera montrer que ce systme a une solution 1 , 2 , 3 .

(S)

DIMENSION FINIE

3. BASE

175

2. Pour montrer que B est une famille libre, il faut montrer que lunique solution de
1 v1 + 2 v2 + 3 v3 = 0
est
1 = 2 = 3 = 0.
Ceci quivaut montrer que le systme

1 + 22 + 33 = 0
21 + 92 + 33 = 0

1
+ 43 = 0

(S)

a une unique solution


1 = 2 = 3 = 0.
3. Nous pouvons maintenant rpondre la question sans explicitement rsoudre les systmes.
Remarquons que les deux systmes ont la mme matrice de coefficients. On peut donc montrer simultanment que B est une famille gnratrice et une famille libre de R3 en montrant que la matrice des
coefficients est inversible. En effet, si la matrice des coefficients est inversible, alors (S) admet une
solution (1 , 2 , 3 ) quel que soit (a1 , a2 , a3 ) et dautre part (S) admet la seule solution (0, 0, 0).
Cette matrice est

1 2 3
A = 2 9 3 .
1 0 4
Pour montrer quelle est inversible, on peut calculer son inverse ou seulement son dterminant qui vaut
det A = 1 (le dterminant tant non nul la matrice est inversible).
Conclusion : B est une famille libre et gnratrice ; cest une base de R3 .
Exemple 12.
Les vecteurs de Kn :


1
0

e1 = .
..


0
1

e2 = .
..

...

0
0
forment une base de K , appele la base canonique de Kn .


0
..

en = .
0
1

Remarque.
Lexemple 11 se gnralise de la faon suivante. Pour montrer que n vecteurs de Rn forment une base de
Rn , il suffit de montrer la chose suivante : la matrice A constitue des composantes de ces vecteurs (chaque
vecteur formant une colonne de A) est inversible.
Application : montrer que les vecteurs
1
v1 =

0
0

..
.

1
v2 =

2
0

..
.

1
2

...

vn = 3.
..
n

forment aussi une base de R .


Voici quelques autres exemples :
Exemple 13.
1. La base canonique de Rn [X ] est B = (1, X , X 2 , . . . , X n ). Attention, il y a n + 1 vecteurs !
2. Voici une autre base de Rn [X ] : (1, 1 + X , 1 + X + X 2 , . . . , 1 + X + X 2 + + X n ).

DIMENSION FINIE

3. BASE

176

3. Lespace vectoriel M2 (R) des matrices 2 2 admet une base forme des vecteurs :








1 0
0 1
0 0
0 0
M1 =
M2 =
M3 =
M4 =
.
0 0
0 0
1 0
0 1


a b
En effet, nimporte quelle matrice M =
de M2 (R) se dcompose de manire unique en
c d
M = aM1 + bM2 + c M3 + d M4 .
4. Cest un bon exercice de prouver que les quatre matrices suivantes forment aussi une base de M2 (R) :








1 0
1 0
0 1
1 3
0
0
0
0
M1 =
M2 =
M3 =
M4 =
.
1 0
0 1
1 0
4 2

3.3. Existence dune base


Voyons maintenant un thorme dexistence dune base finie. Dans la suite, les espaces vectoriels sont
supposs non rduits {0}.
Thorme 3 (Thorme dexistence dune base).
Tout espace vectoriel admettant une famille finie gnratrice admet une base.

3.4. Thorme de la base incomplte


Une version importante et plus gnrale de ce qui prcde est le thorme suivant :
Thorme 4 (Thorme de la base incomplte).
Soit E un K-espace vectoriel admettant une famille gnratrice finie.
1. Toute famille libre L peut tre complte en une base. Cest--dire quil existe une famille F telle que
L F soit une famille libre et gnratrice de E.
2. De toute famille gnratrice G on peut extraire une base de E. Cest--dire quil existe une famille
B G telle que B soit une famille libre et gnratrice de E.

3.5. Preuves
Les deux thormes prcdents sont la consquence dun rsultat encore plus gnral :
Thorme 5.
Soit G une famille gnratrice finie de E et L une famille libre de E. Alors il existe une famille F de G telle
que L F soit une base de E.
Le thorme 4 de la base incomplte se dduit du thorme 5 ainsi :
1. On sait quil existe une famille gnratrice de E : notons-la G . On applique le thorme 5 avec ce L et
ce G .
2. On applique le thorme 5 avec L = et la famille G de lnonc.
En particulier, le thorme 3 dexistence dune base se dmontre comme le point (2) ci-dessus avec L =
et G une famille gnratrice de E.

DIMENSION FINIE

3. BASE

177

3.6. Preuves (suite)


Nous avons : Thorme 5 = Thorme 4 = Thorme 3.
Il nous reste donc prouver le thorme 5. La dmonstration que nous en donnons est un algorithme.
Dmonstration.
tape 0. Si L est une famille gnratrice de E, on pose F = et cest fini puisque L est une famille
gnratrice et libre, donc une base. Sinon on passe ltape suivante.
tape 1. Comme L nest pas une famille gnratrice, alors il existe au moins un lment g1 de G qui
nest pas combinaison linaire des lments de L . (En effet, par labsurde, si tous les lments de G
sont dans Vect L , alors L serait aussi une famille gnratrice.) On pose L1 = L {g1 }. Alors la famille
L1 vrifie les proprits suivantes :
(i) L ( L1 E : la famille L1 est strictement plus grande que L .
(ii) L1 est une famille libre. (En effet, si L1 ntait pas une famille libre, alors une combinaison linaire
nulle impliquerait que g1 Vect L .)
On recommence le mme raisonnement partir de L1 : si L1 est une famille gnratrice de E, alors on
pose F = {g1 } et on sarrte. Sinon on passe ltape suivante.
tape 2. Il existe au moins un lment g2 de G qui nest pas combinaison linaire des lments de L1 .
Alors la famille L2 = L1 {g2 } = L {g1 , g2 } est strictement plus grande que L1 et est encore une
famille libre.
Si L2 est une famille gnratrice, on pose F = {g1 , g2 } et cest fini. Sinon on passe ltape daprs.
...
Lalgorithme consiste donc construire une suite, strictement croissante pour linclusion, de familles libres,
o, si Lk1 nengendre pas E, alors Lk est construite partir de Lk1 en lui ajoutant un vecteur g k de G , de
sorte que Lk = Lk1 {g k } reste une famille libre.
Lalgorithme se termine. Comme la famille G est finie, le processus sarrte en moins dtapes quil y a
dlments dans G . Notez que, comme G est une famille gnratrice, dans le pire des cas on peut tre
amen prendre F = G .
Lalgorithme est correct. Lorsque lalgorithme sarrte, disons ltape s : on a Ls = L F o F =
{g1 , . . . , gs }. Par construction, Ls est une famille finie, libre et aussi gnratrice (car cest la condition
darrt). Donc L F est une base de E.

Exemple 14.
Soit R[X ] le R-espace vectoriel des polynmes rels et E le sous-espace de R[X ] engendr par la famille
G = {P1 , P2 , P3 , P4 , P5 } dfinie par :
P1 (X ) = 1

P2 (X ) = X

P3 (X ) = X + 1

P4 (X ) = 1 + X 3

P5 (X ) = X X 3

Partons de L = et cherchons F G telle que F soit une base de E.


tape 0. Comme L nest pas gnratrice (vu que L = ), on passe ltape suivante.
tape 1. On pose L1 = L {P1 } = {P1 }. Comme P1 est non nul, L1 est une famille libre.
tape 2. Considrons P2 . Comme les lments P1 et P2 sont linairement indpendants, L2 = {P1 , P2 }
est une famille libre.
tape 3. Considrons P3 : ce vecteur est combinaison linaire des vecteurs P1 et P2 car P3 (X ) = X + 1 =
P1 (X ) + P2 (X ) donc {P1 , P2 , P3 } est une famille lie. Considrons alors P4 . Un calcul rapide prouve que
les vecteurs P1 , P2 et P4 sont linairement indpendants. Alors L3 = {P1 , P2 , P4 } est une famille libre.
Il ne reste que le vecteur P5 considrer. Il sagit, pour pouvoir conclure, dtudier lindpendance linaire
des vecteurs P1 , P2 , P4 , P5 . Or un calcul rapide montre lgalit
P1 + P2 P4 P5 = 0,

DIMENSION FINIE

4. DIMENSION DUN ESPACE VECTORIEL

178

ce qui prouve que la famille {P1 , P2 , P4 , P5 } est lie. Donc avec les notations de lalgorithme, s = 3 et
L3 = {P1 , P2 , P4 } est une base de E.
Mini-exercices.


1. Trouver toutes les faons dobtenir une base de R2 avec les vecteurs suivants : v1 = 1
, v2 = 33 ,
3



v3 = 00 , v4 = 20 , v5 = 26 .
2
2
1
1
2. Montrer que la famille {v1 , v2 , v3 , v4 } des vecteurs v1 = 1 , v2 = 3 , v3 = 2 , v4 = 1 est
3

une famille gnratrice du sous-espace vectoriel dquation 2x y + z = 0 de R3 . En extraire une


base.
3. Dterminer une base du sous-espace vectoriel E1 de R3 dquation x + 3 y 2z = 0. Complter cette
base en une base de R3 . Idem avec E2 vrifiant les deux quations x + 3 y 2z = 0 et y = z.
4. Donner une base de lespace vectoriel des matrices 3 3 ayant une diagonale nulle. Idem avec lespace
vectoriel des polynmes P Rn [X ] vrifiant P(0) = 0, P 0 (0) = 0.

4. Dimension dun espace vectoriel


4.1. Dfinition
Dfinition 5.
Un K-espace vectoriel E admettant une base ayant un nombre fini dlments est dit de dimension finie.
Par le thorme 3 dexistence dune base, cest quivalent lexistence dune famille finie gnratrice.
On va pouvoir parler de la dimension dun espace vectoriel grce au thorme suivant :
Thorme 6 (Thorme de la dimension).
Toutes les bases dun espace vectoriel E de dimension finie ont le mme nombre dlments.
Nous dtaillerons la preuve un peu plus loin.
Dfinition 6.
La dimension dun espace vectoriel de dimension finie E, note dim E, est par dfinition le nombre
dlments dune base de E.
Mthodologie. Pour dterminer la dimension dun espace vectoriel, il suffit de trouver une base de E (une
famille la fois libre et gnratrice) : le cardinal (nombre dlments) de cette famille donne la dimension
de E. Le thorme 6 de la dimension prouve que mme si on choisissait une base diffrente alors ces deux
bases auraient le mme nombre dlments.
Convention. On convient dattribuer lespace vectoriel {0} la dimension 0.

4.2. Exemples
Exemple 15.


1. La base canonique de R2 est 10 , 01 . La dimension de R2 est donc 2.


2. Les vecteurs 21 , 11 forment aussi une base de R2 , et illustrent quune autre base contient le mme
nombre dlments.
3. Plus gnralement, Kn est de dimension n, car par exemple sa base canonique (e1 , e2 , . . . , en ) contient n
lments.
4. dim Rn [X ] = n + 1 car une base de Rn [X ] est (1, X , X 2 , . . . , X n ), qui contient n + 1 lments.

DIMENSION FINIE

4. DIMENSION DUN ESPACE VECTORIEL

179

Exemple 16.
Les espaces vectoriels suivants ne sont pas de dimension finie :
R[X ] : lespace vectoriel de tous les polynmes,
F (R, R) : lespace vectoriel des fonctions de R dans R,
S = F (N, R) : lespace vectoriel des suites relles.
Exemple 17.
Nous avons vu que lensemble des solutions dun systme dquations linaires homogne est un espace
vectoriel. On considre par exemple le systme

2x 1 + 2x 2 x 3
+ x5 = 0

x 1 x 2 + 2x 3 3x 4 + x 5 = 0
x 1 + x 2 2x 3
x5 = 0

x 3 + x 4 + x 5 = 0.
On vrifie que la solution gnrale de ce systme est
x 1 = s t

x2 = s

x 3 = t

Donc les vecteurs solutions scrivent sous la forme


x 1  st  s  t 
x2
x3
x4
x5

s
t
0
t

s
0
0
0

0
t
0
t

x4 = 0

1
=s

1
0
0
0

x5 = t .

+t

0
1
0
1

Ceci montre que les vecteurs


1

1
v1 =

1
0
0
0

et

v2 =

0
1
0
1

engendrent lespace des solutions du systme. Dautre part, on vrifie que v1 et v2 sont linairement
indpendants. Donc (v1 , v2 ) est une base de lespace des solutions du systme. Ceci montre que cet espace
vectoriel est de dimension 2.

4.3. Complments
Lorsquun espace vectoriel est de dimension finie, le fait de connatre sa dimension est une information trs
riche ; les proprits suivantes montrent comment exploiter cette information.
Le schma de preuve sera : Lemme 1 = Proposition 5 = Thorme 6.
Lemme 1.
Soit E un espace vectoriel. Soit L une famille libre et soit G une famille gnratrice finie de E. Alors
Card L 6 Card G .
Ce lemme implique le rsultat important :
Proposition 5.
Soit E un K-espace vectoriel admettant une base ayant n lments. Alors :
1. Toute famille libre de E a au plus n lments.
2. Toute famille gnratrice de E a au moins n lments.
En effet, soit B une base de E telle que Card B = n.
1. On applique le lemme 1 la famille B considre gnratrice ; alors une famille libre L vrifie
Card L 6 Card B = n.
2. On applique le lemme 1 la famille B considre maintenant comme une famille libre, alors une famille
gnratrice G vrifie n = Card B 6 Card G .
Cette proposition impliquera bien le thorme 6 de la dimension :

DIMENSION FINIE

4. DIMENSION DUN ESPACE VECTORIEL

180

Corollaire 1.
Si E est un espace vectoriel admettant une base ayant n lments, alors toute base de E possde n lments.
La preuve du corollaire (et donc du thorme 6 de la dimension) est la suivante : par la proposition 5, si B
est une base quelconque de E, alors B est la fois une famille libre et gnratrice, donc possde la fois
au plus n lments et au moins n lments, donc exactement n lments.
Il reste noncer un rsultat important et trs utile :
Thorme 7.
Soient E un K-espace vectoriel de dimension n, et F = (v1 , . . . , vn ) une famille de n vecteurs de E. Il y a
quivalence entre :
(i) F est une base de E,
(ii) F est une famille libre de E,
(iii) F est une famille gnratrice de E.
La preuve sera une consquence du thorme 6 de la dimension et du thorme 4 de la base incomplte.
Autrement dit, lorsque le nombre de vecteurs considr est exactement gal la dimension de lespace
vectoriel, lune des deux conditions tre libre ou bien gnratrice suffit pour que ces vecteurs dterminent
une base de E.
Dmonstration.
Les implications (i) = (ii) et (i) = (iii) dcoulent de la dfinition dune base.
Voici la preuve de (ii) = (i).
Si F est une famille libre ayant n lments, alors par le thorme de la base incomplte (thorme 4)
il existe une famille F 0 telle que F F 0 soit une base de E. Dune part F F 0 est une base de E qui


est de dimension n, donc par le thorme 6, Card F F 0 = n. Mais dautre part Card F F 0 =
Card F + Card F 0 (par lalgorithme du thorme 4) et par hypothse Card F = n. Donc Card F 0 = 0, ce
qui implique que F 0 = et donc que F est dj une base de E.
Voici la preuve de (iii) = (i).
Par hypothse, F est cette fois une famille gnratrice. Toujours par le thorme 4, on peut extraire de
cette famille une base B F . Puis par le thorme 6, Card B = n, donc n = Card B 6 Card F = n.
Donc B = F et F est bien une base.

Exemple 18.
Pour quelles valeurs de t R les vecteurs (v1 , v2 , v3 ) suivants forment une base de R3 ?



1
1
1
v1 = 1
v2 = 3
v3 = 1
4
t
t
Nous avons une famille de 3 vecteurs dans lespace R3 de dimension 3. Donc pour montrer que la famille
(v1 , v2 , v3 ) est une base, par le thorme 7, il suffit de montrer que la famille est libre ou bien de montrer
quelle est gnratrice. Dans la pratique, il est souvent plus facile de vrifier quune famille est libre.
quelle condition la famille {v1 , v2 , v3 } est libre ? Soient 1 , 2 , 3 R tels que 1 v1 + 2 v2 + 3 v3 = 0.
Cela implique le systme

1 + 2 + 3 = 0

1 + 32 + 3 = 0 .

41 + t2 + t3 = 0

DIMENSION FINIE

4. DIMENSION DUN ESPACE VECTORIEL

Ce systme est quivalent :

1 + 2 + 3 = 0
22 = 0

(t 4)2 + (t 4)3 = 0

181

1 + 3 = 0
2 = 0

(t 4)3 = 0

Il est clair que si t 6= 4, alors la seule solution est (1 , 2 , 3 ) = (0, 0, 0) et donc {v1 , v2 , v3 } est une
famille libre. Si t = 4, alors par exemple (1 , 2 , 3 ) = (1, 0, 1) est une solution non nulle, donc la
famille nest pas libre.
Conclusion : si t 6= 4 la famille est libre, donc par le thorme 7 la famille (v1 , v2 , v3 ) est en plus
gnratrice, donc cest une base de R3 . Si t = 4, la famille nest pas libre et nest donc pas une base.

4.4. Preuve
Il nous reste la preuve du lemme 1. La dmonstration est dlicate et hors-programme.
Dmonstration. La preuve de ce lemme se fait en raisonnant par rcurrence.
On dmontre par rcurrence que, pour tout n > 1, la proprit suivante est vraie : Dans un espace vectoriel
engendr par n vecteurs, toute famille ayant n + 1 lments est lie.
Initialisation. On vrifie que la proprit est vraie pour n = 1. Soit E un espace vectoriel engendr par un
vecteur not g1 , et soit {v1 , v2 } une famille de E ayant deux lments. Les vecteurs v1 et v2 peuvent scrire
comme combinaisons linaires du vecteur g1 ; autrement dit, il existe des scalaires 1 , 2 tels que v1 = 1 g1
et v2 = 2 g1 , ce qui donne la relation : 2 v1 1 v2 = 0 E . En supposant v2 non nul (sinon il est vident que
{v1 , v2 } est lie), le scalaire 2 est donc non nul. On a trouv une combinaison linaire nulle des vecteurs
v1 , v2 , avec des coefficients non tous nuls. Donc la famille {v1 , v2 } est lie.
Hrdit. On dmontre maintenant que si la proprit est vraie au rang n 1 (n > 2), alors elle vraie au
rang n. Soit E un espace vectoriel engendr par n vecteurs nots g1 , g2 , . . . , g n , et soit {v1 , v2 , . . . , vn , vn+1 }
une famille de E ayant n + 1 lments. Tout vecteur v j , pour j = 1, 2, . . . , n + 1, est combinaison linaire de
j

g1 , g2 , . . . , g n , donc il existe des scalaires 1 , 2 , . . . , n tels que :


j

v j = 1 g1 + 2 g2 + + nj g n .
Remarque. On est contraint dutiliser ici deux indices i, j pour les scalaires (attention ! j nest pas un exposant)
car deux informations sont ncessaires : lindice j indique quil sagit de la dcomposition du vecteur v j , et i
indique quel vecteur de la famille gnratrice est associ ce coefficient.
En particulier, pour j = n + 1, le vecteur vn+1 scrit :
vn+1 = 1n+1 g1 + 2n+1 g2 + + n+1
n gn.
Si vn+1 est nul, cest termin, la famille est lie ; sinon, vn+1 est non nul, et au moins un des coefficients
n+1
est non nul. On suppose, pour allger lcriture, que n+1
est non nul (sinon il suffit de changer
n
j
lordre des vecteurs). On construit une nouvelle famille de n vecteurs de E de telle sorte que ces vecteurs
soient combinaisons linaires de g1 , g2 , . . . , g n1 , cest--dire appartiennent au sous-espace engendr par
{g1 , g2 , . . . , g n1 }. Pour j = 1, 2, . . . , n, on dfinit w j par :
wj =

nn+1 v j

nj vn+1

n
X
j
j n+1
=
(n+1
n k n k )g k .
k=1

Le coefficient de g n est nul. Donc w j est bien combinaison linaire de g1 , g2 , . . . , g n1 . On a n vecteurs


qui appartiennent un espace vectoriel engendr par n 1 vecteurs ; on peut appliquer lhypothse de
rcurrence : la famille {w1 , w2 , . . . , w n } est lie. Par consquent, il existe des scalaires non tous nuls 1 , 2 ,
. . ., n tels que
1 w1 + 2 w2 + + n w n = 0.

DIMENSION FINIE

5. DIMENSION DES SOUS-ESPACES VECTORIELS

182

En remplaant les w j par leur expression en fonction des vecteurs vi , on obtient :


1
n
nn+1 1 v1 + nn+1 2 v2 + + n+1
n n vn (1 n + + n n )vn+1 = 0 E

Le coefficient n+1
a t suppos non nul et au moins un des scalaires 1 , 2 , . . . , n est non nul ; on a donc
n
une combinaison linaire nulle des vecteurs v1 , v2 , . . . , vn , vn+1 avec des coefficients qui ne sont pas tous
nuls, ce qui prouve que ces vecteurs forment une famille lie.
Conclusion. La dmonstration par rcurrence est ainsi acheve.
Mini-exercices.
Dire si les assertions suivantes sont vraies ou fausses. Justifier votre rponse par un rsultat du cours ou
un contre-exemple :
1. Une famille de p > n vecteurs dans un espace vectoriel de dimension n est gnratrice.
2. Une famille de p > n vecteurs dans un espace vectoriel de dimension n est lie.
3. Une famille de p < n vecteurs dans un espace vectoriel de dimension n est libre.
4. Une famille gnratrice de p 6 n vecteurs dans un espace vectoriel de dimension n est libre.
5. Une famille de p 6= n vecteurs dans un espace vectoriel de dimension n nest pas une base.
6. Toute famille libre p lments dun espace vectoriel de dimension n se complte par une famille
ayant exactement n p lments en une base de E.

5. Dimension des sous-espaces vectoriels


Tout sous-espace vectoriel F dun K-espace vectoriel E tant lui mme un K-espace vectoriel, la question est
de savoir sil est de dimension finie ou sil ne lest pas.
Prenons lexemple de lespace vectoriel E = F (R, R) des fonctions de R dans R :
il contient le sous-espace vectoriel F1 = Rn [X ] des (fonctions) polynmes de degr 6 n, qui est de
dimension finie ;
et aussi le sous-espace vectoriel F2 = R[X ] de lensemble des (fonctions) polynmes, qui lui est de
dimension infinie.

5.1. Dimension dun sous-espace vectoriel


Nous allons voir par contre que lorsque E est de dimension finie alors F aussi.
Thorme 8.
Soit E un K-espace vectoriel de dimension finie.
1. Alors tout sous-espace vectoriel F de E est de dimension finie ;
2. dim F 6 dim E ;
3. F = E dim F = dim E.
Dmonstration.
Soit E un espace vectoriel de dimension n et soit F un sous-espace vectoriel de E. Si F = {0} il ny a rien
montrer. On suppose donc F 6= {0} et soit v un lment non nul de F . La famille {v} est une famille
libre de F , donc F contient des familles libres. Toute famille libre dlments de F tant une famille libre
dlments de E (voir la dfinition des familles libres), alors comme E est de dimension n, toutes les
familles libres de F ont au plus n lments.

DIMENSION FINIE

5. DIMENSION DES SOUS-ESPACES VECTORIELS

183

On considre lensemble K des entiers k tels quil existe une famille libre de F ayant k lments :

K = k N | {v1 , v2 , . . . , vk } F et {v1 , v2 , . . . , vk } est une famille libre de F


Cet ensemble K est non vide (car 1 K) ; K est un sous-ensemble born de N (puisque tout lment de
K est compris entre 1 et n) donc K admet un maximum. Notons p ce maximum et soit {v1 , v2 , . . . , vp }
une famille libre de F ayant p lments.
Montrons que {v1 , v2 , . . . , vp } est aussi gnratrice de F . Par labsurde, sil existe w un lment de F qui
nest pas dans Vect(v1 , . . . , vp ), alors la famille {v1 , . . . , vp , w} ne peut pas tre libre (sinon p ne serait pas
le maximum de K). La famille {v1 , . . . , vp , w} est donc lie, mais alors la relation de dpendance linaire
implique que w Vect(v1 , . . . , vp ), ce qui est une contradiction.
Conclusion : (v1 , . . . , vp ) est une famille libre et gnratrice, donc est une base de F .
On a ainsi dmontr simultanment que :
F est de dimension finie (puisque (v1 , v2 , . . . , vp ) est une base de F ).
Ainsi dim F = p, donc dim F 6 dim E (puisque toute famille libre de F a au plus n lments).
De plus, lorsque p = n, le p-uplet (v1 , v2 , . . . , vp ), qui est une base de F , est aussi une base de E (car
{v1 , v2 , . . . , vp } est alors une famille libre de E ayant exactement n lments, donc est une base de
E). Tout lment de E scrit comme une combinaison linaire de v1 , v2 , . . . , vp , do E = F .

5.2. Exemples
Exemple 19.
Si E est un K-espace vectoriel de dimension 2, les sous-espaces vectoriels de E sont :
soit de dimension 0 : cest alors le sous-espace {0} ;
soit de dimension 1 : ce sont les droites vectorielles, cest--dire les sous-espaces Ku = Vect{u} engendrs
par les vecteurs non nuls u de E ;
soit de dimension 2 : cest alors lespace E tout entier.
Vocabulaire. Plus gnralement, dans un K-espace vectoriel E de dimension n (n > 2), tout sous-espace
vectoriel de E de dimension 1 est appel droite vectorielle de E et tout sous-espace vectoriel de E de
dimension 2 est appel plan vectoriel de E. Tout sous-espace vectoriel de E de dimension n 1 est appel
hyperplan de E. Pour n = 3, un hyperplan est un plan vectoriel ; pour n = 2, un hyperplan est une droite
vectorielle.
Le thorme 8 prcdent permet de dduire le corollaire suivant :
Corollaire 2.
Soit E un K-espace vectoriel. Soient F et G deux sous-espaces vectoriels de E. On suppose que F est de
dimension finie et que G F . Alors :
F = G dim F = dim G
Autrement dit, sachant quun sous-espace est inclus dans un autre, alors pour montrer quils sont gaux il
suffit de montrer lgalit des dimensions.
Exemple 20.
Deux droites vectorielles F et G sont soit gales, soit dintersection rduite au vecteur nul.
Exemple 21.
Soient les sous-espaces vectoriels de R3 suivants :
 x

y R3 | 2x 3 y + z = 0
F=
et
z

Est-ce que F = G ?

G = Vect(u, v)

o u =

1
1
1

et v =

2
1
1

DIMENSION FINIE

5. DIMENSION DES SOUS-ESPACES VECTORIELS

184

1. On remarque que les vecteurs u et v ne sont pas colinaires, donc G est de dimension 2, et de plus ils
appartiennent F , donc G est contenu dans F .
2. Pour trouver la dimension de F , on pourrait dterminer une base de F et on montrerait alors que la
3
dimension de F est 2. Mais
1 il est plus judicieux ici de remarquer que F est contenu strictement dans R
(par exemple le vecteur 0 de R3 nest pas dans F ), donc dim F < dim R3 = 3 ; mais puisque F contient
0
G alors dim F > dim G = 2, donc la dimension de F ne peut tre que 2.
3. On a donc dmontr que G F et que dim G = dim F , ce qui entrane G = F .

5.3. Thorme des quatre dimensions


Thorme 9 (Thorme des quatre dimensions).
Soient E un espace vectoriel de dimension finie et F, G des sous-espaces vectoriels de E. Alors :
dim(F + G) = dim F + dim G dim(F G)
Corollaire 3.
Si E = F G, alors dim E = dim F + dim G.
Exemple 22.
Dans un espace vectoriel E de dimension 6, on considre deux sous-espaces F et G avec dim F = 3 et
dim G = 4. Que peut-on dire de F G ? de F + G ? Peut-on avoir F G = E ?
F G est un sous-espace vectoriel inclus dans F , donc dim(F G) 6 dim F = 3. Donc les dimensions
possibles pour F G sont pour linstant 0, 1, 2, 3.
F +G est un sous-espace vectoriel contenant G et inclus dans E, donc 4 = dim G 6 dim(F +G) 6 dim E = 6.
Donc les dimensions possibles pour F + G sont 4, 5, 6.
Le thorme 9 des quatre dimensions nous donne la relation : dim(F G) = dim F +dim G dim(F +G) =
3 + 4 dim(F + G) = 7 dim(F + G). Comme F + G est de dimension 4, 5 ou 6, alors la dimension de
F G est 3, 2 ou 1.
Conclusion : les dimensions possibles pour F + G sont 4, 5 ou 6 ; les dimensions correspondantes pour
F G sont alors 3, 2 ou 1. Dans tous les cas, F G 6= {0} et en particulier F et G ne sont jamais en
somme directe dans E.
La mthode de la preuve du thorme 9 des quatre dimensions implique aussi :
Corollaire 4.
Tout sous-espace vectoriel F dun espace vectoriel E de dimension finie admet un supplmentaire.

Preuve du thorme 9.
Notez lanalogie de la formule avec la formule pour les ensembles finis :
Card(A B) = Card A + Card B Card(A B).
Nous allons partir dune base B F G = {u1 , . . . , u p } de F G. On commence par complter B F G
en une base B F = {u1 , . . . , u p , vp+1 , . . . , vq } de F . On complte ensuite B F G en une base BG =
{u1 , . . . , u p , w p+1 , . . . , w r } de G.
Nous allons maintenant montrer que la famille
{u1 , . . . , u p , vp+1 , . . . , vq , w p+1 , . . . , w r }
est une base de F + G. Il est tout dabord clair que cest une famille gnratrice de F + G (car B F est une
famille gnratrice de F et BG est une famille gnratrice de G).

DIMENSION FINIE

5. DIMENSION DES SOUS-ESPACES VECTORIELS

Montrons que cette famille est libre. Soit une combinaison linaire nulle :
p
q
r
X
X
X
i ui +
j vj +
k w k = 0
i=1

j=p+1

185

(1)

k=p+1

Pp
Pq
Pr
On pose u = i=1 i ui , v = j=p+1 j v j , w = k=p+1 k w k . Alors dune part u + v F (car B F est une
base de F ) mais comme lquation (1) quivaut u + v + w = 0, alors u + v = w G (car w G).
Pq
Maintenant u + v F G et aussi bien sr u F G, donc v = j=p+1 j v j F G. Cela implique
j = 0 pour tout j (car les {v j } compltent la base de F G).
Pp
Pr
La combinaison linaire nulle (1) devient i=1 i ui + k=p+1 k w k = 0. Or BG est une base de G, donc
i = 0 et k = 0 pour tout i, k. Ainsi B F +G = {u1 , . . . , u p , vp+1 , . . . , vq , w p+1 , . . . , w r } est une base de
F + G.
Il
ne reste plus qu compter le nombre de vecteurs de chaque base : dim F G = Card B F G = p,
dim F = Card B F = q, dim G = Card BG = r, dim(F + G) = Card B F +G = q + r p. Ce qui prouve bien
dim(F + G) = dim F + dim G dim(F G).

Mini-exercices.
1 3
7 6
7 , 5
2 , 1
et G = Vect
. Montrer que F = G.
3
2
11
0
1 t
1
t
2. Dans R3 , on considre F = Vect
, 1 , G = Vect 1 . Calculer les dimensions de F, G, F G, F +G
1
1
1
en fonction de t R.
1. Soient F = Vect

3. Dans un espace vectoriel de dimension 7, on considre des sous-espaces F et G vrifiant dim F = 3 et


dim G 6 2. Que peut-on dire pour dim(F G) ? Et pour dim(F + G) ?
4. Dans un espace vectoriel E de dimension finie, montrer lquivalence entre : (i) F G = E ; (ii)
F + G = E et dim F + dim G = dim E ; (iii) F G = {0 E } et dim F + dim G = dim E.
5. Soit H un hyperplan dans un espace vectoriel de dimension finie E. Soit v E \ H. Montrer que H et
Vect(v) sont des sous-espaces supplmentaires dans E.

Auteurs du chapitre
Daprs un cours de Sophie Chemla de luniversit Pierre et Marie Curie, reprenant des parties dun
cours de H. Ledret et dune quipe de luniversit de Bordeaux anime par J. Queyrut,
et un cours de Eva Bayer-Fluckiger, Philippe Chabloz, Lara Thomas de lcole Polytechnique Fdrale de
Lausanne,
mix, rvis et complt par Arnaud Bodin. Relu par Vianney Combet.

Matrices et
applications linaires
Vido
Vido
Vido
Vido
Fiche

Chapitre

12

partie 1. Rang d'une famille de vecteurs


partie 2. Applications linaires en dimension finie
partie 3. Matrice d'une application linaire
partie 4. Changement de bases

d'exercices Matrice d'une application linaire

Ce chapitre est laboutissement de toutes les notions dalgbre linaire vues jusquici : espaces vectoriels,
dimension, applications linaires, matrices. Nous allons voir que dans le cas des espaces vectoriels de
dimension finie, ltude des applications linaires se ramne ltude des matrices, ce qui facilite les calculs.

1. Rang dune famille de vecteurs


Le rang dune famille de vecteurs est la dimension du plus petit sous-espace vectoriel contenant tous ces
vecteurs.

1.1. Dfinition
Soient E un K-espace vectoriel et {v1 , . . . , vp } une famille finie de vecteurs de E. Le sous-espace vectoriel
Vect(v1 , . . . , vp ) engendr par {v1 , . . . , vp } tant de dimension finie, on peut donc donner la dfinition
suivante :
Dfinition 1 (Rang dune famille finie de vecteurs).
Soit E un K-espace vectoriel et soit {v1 , . . . , vp } une famille finie de vecteurs de E. Le rang de la famille
{v1 , . . . , vp } est la dimension du sous-espace vectoriel Vect(v1 , . . . , vp ) engendr par les vecteurs v1 , . . . , vp .
Autrement dit :
rg(v1 , . . . , vp ) = dim Vect(v1 , . . . , vp )
Calculer le rang dune famille de vecteurs nest pas toujours vident, cependant il y a des ingalits qui
dcoulent directement de la dfinition.
Proposition 1.
Soient E un K-espace vectoriel et {v1 , . . . , vp } une famille de p vecteurs de E. Alors :
1. 0 6 rg(v1 , . . . , vp ) 6 p : le rang est infrieur ou gal au nombre dlments dans la famille.
2. Si E est de dimension finie alors rg(v1 , . . . , vp ) 6 dim E : le rang est infrieur ou gal la dimension de
lespace ambiant E.

MATRICES ET APPLICATIONS LINAIRES

1. RANG DUNE FAMILLE DE VECTEURS

188

Remarque.
Le rang dune famille vaut 0 si et seulement si tous les vecteurs sont nuls.
Le rang dune famille {v1 , . . . , vp } vaut p si et seulement si la famille {v1 , . . . , vp } est libre.
Exemple 1.
Quel est le rang de la famille {v1 , v2 , v3 } suivante dans lespace vectoriel R4 ?

1
0

v1 =
1


0
1

v2 =
1


1
1

v3 =
0
1

Ce sont des vecteurs de R4 donc rg(v1 , v2 , v3 ) 6 4.


Mais comme il ny a que 3 vecteurs alors rg(v1 , v2 , v3 ) 6 3.
Le vecteur v1 est non nul donc rg(v1 , v2 , v3 ) > 1.
Il est clair que v1 et v2 sont linairement indpendants donc rg(v1 , v2 , v3 ) > rg(v1 , v2 ) = 2.

Il reste donc dterminer si le rang vaut 2 ou 3. On cherche si la famille {v1 , v2 , v3 } est libre ou lie en
rsolvant le systme linaire 1 v1 + 2 v2 + 3 v3 = 0. On trouve v1 v2 + v3 = 0. La famille est donc lie.
Ainsi Vect(v1 , v2 , v3 ) = Vect(v1 , v2 ), donc rg(v1 , v2 , v3 ) = dim Vect(v1 , v2 , v3 ) = 2.

1.2. Rang dune matrice


Une matrice peut tre vue comme une juxtaposition de vecteurs colonnes.
Dfinition 2.
On dfinit le rang dune matrice comme tant le rang de ses vecteurs colonnes.
Exemple 2.
Le rang de la matrice


1 2 21 0
A=
M2,4 (K)
2 4 1 0


2
est par dfinition le rang de la famille de vecteurs de K : v1 = 12 , v2 =

2
4

, v3 =

21
1

, v4 =

0
0


. Tous

ces vecteurs sont colinaires v1 , donc le rang de la famille {v1 , v2 , v3 , v4 } est 1 et ainsi rg A = 1.
Rciproquement, on se donne une famille de p vecteurs {v1 , . . . , vp } dun espace vectoriel E de dimension
n. Fixons une base B = {e1 , . . . , en } de E. Chaque vecteur v j se dcompose dans la base B : v j = a1 j e1 +
a1 j
.
..

a
+ ai j ei + + an j en , ce que lon note v j = i j
. En juxtaposant ces vecteurs colonnes, on obtient une
..
.
an j

matrice A Mn,p (K). Le rang de la famille {v1 , . . . , vp } est gal au rang de la matrice A.
Dfinition 3.
On dit quune matrice est chelonne par rapport aux colonnes si le nombre de zros commenant une
colonne crot strictement colonne aprs colonne, jusqu ce quil ne reste plus que des zros. Autrement
dit, la matrice transpose est chelonne par rapport aux lignes.
Voici un exemple dune matrice chelonne par colonnes ; les dsignent des coefficients quelconques, les +

MATRICES ET APPLICATIONS LINAIRES

1. RANG DUNE FAMILLE DE VECTEURS

189

des coefficients non nuls :

+ 0 0 0 0
0 0 0 0

+ 0 0 0

+ 0 0

0 0
+ 0
Le rang dune matrice chelonne est trs simple calculer.

0
0

0
0

Proposition 2.
Le rang dune matrice chelonne par colonnes est gal au nombre de colonnes non nulles.
Par exemple, dans la matrice chelonne donne en exemple ci-dessus, 4 colonnes sur 6 sont non nulles,
donc le rang de cette matrice est 4.
La preuve de cette proposition consiste remarquer que les vecteurs colonnes non nuls sont linairement
indpendants, ce qui au vu de la forme chelonne de la matrice est facile.

1.3. Oprations conservant le rang


Proposition 3.
Le rang dune matrice ayant les colonnes C1 , C2 , . . . , C p nest pas modifi par les trois oprations lmentaires
suivantes sur les vecteurs :
1. Ci Ci avec 6= 0 : on peut multiplier une colonne par un scalaire non nul.
2. Ci Ci + C j avec K (et j 6= i) : on peut ajouter la colonne Ci un multiple dune autre colonne C j .
3. Ci C j : on peut changer deux colonnes.
P
Plus gnralement, lopration Ci Ci + i6= j j C j conserve le rang de la matrice.
On a mme un rsultat plus fort, comme vous le verrez dans la preuve : lespace vectoriel engendr par les
vecteurs colonnes est conserv par ces oprations.
Dmonstration. Le premier et troisime point de la proposition sont faciles.
Pour simplifier lcriture de la dmonstration du deuxime point, montrons que lopration C1 C1 + C2
ne change pas le rang. Notons vi le vecteur correspondant la colonne Ci dune matrice A. Lopration
sur les colonnes C1 C1 + C2 change la matrice A en une matrice A0 dont les vecteurs colonnes sont :
v1 + v2 , v2 , v3 , . . . , vp .
Il sagit de montrer que les sous-espaces F = Vect(v1 , v2 , . . . , vp ) et G = Vect(v1 + v2 , v2 , v3 , . . . , vp ) ont la
mme dimension. Nous allons montrer quils sont gaux !
Tout gnrateur de G est une combinaison linaire des vi , donc G F .
Pour montrer que F G, il suffit de montrer v1 est combinaison linaire des gnrateurs de G, ce qui
scrit : v1 = (v1 + v2 ) v2 .
Conclusion : F = G et donc dim F = dim G.
Mthodologie. Comment calculer le rang dune matrice ou dun systme de vecteurs ?
Il sagit dappliquer la mthode de Gauss sur les colonnes de la matrice A (considre comme une juxtaposition
de vecteurs colonnes). Le principe de la mthode de Gauss affirme que par les oprations lmentaires
Ci Ci , Ci Ci + C j , Ci C j , on transforme la matrice A en une matrice chelonne par rapport aux
colonnes. Le rang de la matrice est alors le nombre de colonnes non nulles.
Remarque : la mthode de Gauss classique concerne les oprations sur les lignes et aboutit une matrice
chelonne par rapport aux lignes. Les oprations sur les colonnes de A correspondent aux oprations sur
les lignes de la matrice transpose AT .

MATRICES ET APPLICATIONS LINAIRES

1. RANG DUNE FAMILLE DE VECTEURS

190

1.4. Exemples
Exemple 3.
Quel est le rang de la famille des 5 vecteurs suivants de R4 ?



1
1
3
1
2
2

v1 =
v2 =
v3 =
1
0
1
1
1
3
On est ramen calculer le rang de la matrice :

1 1 3
3
1 2
2
5

1 0 1 0
1 1 3 1

3
5

v4 =
0
1


3
8

v5 =
1
1

3
8

1
1

En faisant les oprations C2 C2 + C1 , C3 C3 3C1 , C4 C4 3C1 , C5 C5 3C1 , on obtient des zros


sur la premire ligne droite du premier pivot :

1 1 3
3 3
1 0 0
0
0
1 3 1 2
1 2
2
5 8
5

1 0 1 0 1 1 1 4 3 2
1

3 1 1

On change C2 et C3 par lopration C2 C3


dintroduire des fractions.

1 0 0
0
1 3 1 2

1 1 4 3
1 2 6 4

1 2 6 4 2

pour avoir le coefficient 1 en position de pivot et ainsi viter

0
1 0 0 0
0

5
5
1 1 3 2

2
1 4 1 3 2
2
1 6 2 4 2

En faisant les oprations C3 C3 + 3C2 , C4 C4 + 2C2


ce deuxime pivot :

1 0 0 0
0
1
1 1 3 2
1
5

1 4 1 3 2 1
1
1 6 2 4 2

et C5 C5 + 5C2 , on obtient des zros droite de

0
0
0
0
1
0
0
0

4 11 11 22
6 16 16 32

Enfin, en faisant les oprations C4 C4 C3 et C5 C5 2C3 , on obtient


colonnes :

1 0
0
0
0
1 0
0
0
1 1
1 1
0
0
0
0
0

1 4 11 11 22 1 4 11 0
1 6 16 16 32
1 6 16 0

une matrice chelonne par

0
0

0
0

Il y a 3 colonnes non nulles : on en dduit que le rang de la famille de vecteurs {v1 , v2 , v3 , v4 , v5 } est 3.
En fait, nous avons mme dmontr que
1 0 0
1
0
1
Vect(v1 , v2 , v3 , v4 , v5 ) = Vect
.
1 , 4 , 11
1

16

Exemple 4.
Considrons les trois vecteurs suivants dans R5 : v1 = (1, 2, 1, 2, 0), v2 = (1, 0, 1, 4, 4) et v3 = (1, 1, 1, 0, 0).
Montrons que la famille {v1 , v2 , v3 } est libre dans R5 . Pour cela, calculons le rang de cette famille de vecteurs

MATRICES ET APPLICATIONS LINAIRES

1. RANG DUNE FAMILLE DE VECTEURS

191

ou, ce qui revient au mme, celui de la matrice suivante :

1 1 1
2 0 1

1 1 1 .

2 4 0
0 4 0
Par des oprations lmentaires sur les colonnes, on obtient :


1 0
0
1 0
0
1 0
0
1 1 1
2 0 1 2 2 1 2 1 1 2 1 0

1 1 1 1 0
0
0
0
1 0
1 0

2 4 0 2 2 2 2 1 2 2 1 3
0 2 2
0 2
0
0 4
0
0 4 0
Comme la dernire matrice est chelonne par colonnes et que ses 3 colonnes sont non nulles, on en dduit
que la famille {v1 , v2 , v3 } constitue de 3 vecteurs est de rang 3, et donc quelle est libre dans R5 .
Exemple 5.
Considrons les quatre vecteurs suivants dans R3 : v1 = (1, 2, 3) , v2 = (2, 0, 6), v3 = (3, 2, 1) et v4 =
(1, 2, 2). Montrons que la famille {v1 , v2 , v3 , v4 } engendre R3 . Pour cela, calculons le rang de cette famille
de vecteurs ou, ce qui revient au mme, celui de la matrice suivante :

1 2 3 1
2 0 2 2 .
3 6 1 2
Par des oprations lmentaires sur les colonnes, on obtient :



1 0
0 0
1 0
0 0
1 2 3 1
1 0
0 0
2 0 2 2 2 4 4 4 2 4 0 0 2 4 0 0
3 0 8 0
3 0 8 5
3 0 8 5
3 6 1 2
La famille {v1 , v2 , v3 , v4 } est donc de rang 3. Cela signifie que Vect(v1 , v2 , v3 , v4 ) est un sous-espace vectoriel
de dimension 3 de R3 . On a donc Vect(v1 , v2 , v3 , v4 ) = R3 . Autrement dit, la famille {v1 , v2 , v3 , v4 } engendre
R3 .

1.5. Rang et matrice inversible


Nous anticipons sur la suite, pour noncer un rsultat important :
Thorme 1 (Matrice inversible et rang).
Une matrice carre de taille n est inversible si et seulement si elle est de rang n.
La preuve repose sur plusieurs rsultats qui seront vus au fil de ce chapitre.
Dmonstration. Soit A une matrice carre dordre n. Soit f lendomorphisme de Kn dont la matrice dans la
base canonique est A. On a les quivalences suivantes :
A de rang n

f
f
f
A

de rang n
surjective
bijective
inversible.

Nous avons utilis le fait quun endomorphisme dun espace vectoriel de dimension finie est bijectif si et
seulement sil est surjectif et le thorme sur la caractrisation de la matrice dun isomorphisme.

MATRICES ET APPLICATIONS LINAIRES

2. APPLICATIONS LINAIRES EN DIMENSION FINIE

192

1.6. Rang engendr par les vecteurs lignes


On a considr jusquici une matrice A Mn,p (K) comme une juxtaposition de vecteurs colonnes (v1 , . . . , vp )
et dfini rg A = dim Vect(v1 , . . . , vp ). Considrons maintenant que A est aussi une superposition de vecteurs
lignes (w1 , . . . , w n ).
Proposition 4.
rg A = dim Vect(w1 , . . . , w n )
Nous admettrons ce rsultat. Autrement dit : lespace vectoriel engendr par les vecteurs colonnes et lespace
vectoriel engendr par les vecteurs lignes sont de mme dimension.
Une formulation plus thorique est que le rang dune matrice gale le rang de sa transpose :
rg A = rg AT
Attention ! Les dimensions dim Vect(v1 , . . . , vp ) et dim Vect(w1 , . . . , w n ) sont gales, mais les espaces vectoriels
Vect(v1 , . . . , vp ) et Vect(w1 , . . . , w n ) ne sont pas les mmes.
Mini-exercices.
1 3 0 2
1. Quel est le rang de la famille de vecteurs 2 , 4 , 2 , 2 ?
1
1
1
2
1 t 1
Mme question pour t , 1 , 1 en fonction du paramtre t R.
t
t
1

1 2 4 2 1
2
0 . Calculer
2. Mettre sous forme chelonne par rapport aux colonnes la matrice 0 2 4
1 1 2 1 1

1 7 2 5
2 1 1 5

son rang. Idem avec


1 2 1 4.
1

3. Calculer le rang de 1
1

4 1 2

4 5 7
3
1
2 en fonction de a et b.
a 2 b

4. Calculer les rangs prcdents en utilisant les vecteurs lignes.


5. Soit f : E F une application linaire. Quelle ingalit relie rg( f (v1 ), . . . , f (vp )) et rg(v1 , . . . , vp ) ?
Que se passe-t-il si f est injective ?

2. Applications linaires en dimension finie


Lorsque f : E F est une application linaire et que E est de dimension finie, la thorie de la dimension
fournit de nouvelles proprits trs riches pour lapplication linaire f .

2.1. Construction et caractrisation


Une application linaire f : E F , dun espace vectoriel de dimension finie dans un espace vectoriel
quelconque, est entirement dtermine par les images des vecteurs dune base de lespace vectoriel E de
dpart. Cest ce quaffirme le thorme suivant :
Thorme 2 (Construction dune application linaire).
Soient E et F deux espaces vectoriels sur un mme corps K. On suppose que lespace vectoriel E est de
dimension finie n et que (e1 , . . . , en ) est une base de E. Alors pour tout choix (v1 , . . . , vn ) de n vecteurs de F ,

MATRICES ET APPLICATIONS LINAIRES

2. APPLICATIONS LINAIRES EN DIMENSION FINIE

193

il existe une et une seule application linaire f : E F telle que, pour tout i = 1, . . . , n :
f (ei ) = vi .
Le thorme ne fait aucune hypothse sur la dimension de lespace vectoriel darrive F .
Exemple 6.
Il existe une unique application linaire f : Rn R[X ] telle que f (ei ) = (X + 1)i pour i = 1, . . . , n (o
(e1 , . . . , en ) est la base canonique de Rn ).
Pour un vecteur x = (x 1 , . . . , x n ), on a
n
X
f (x 1 , . . . , x n ) = f (x 1 e1 + + x n en ) = x 1 f (e1 ) + + x n f (en ) =
x i (X + 1)i .
i=1

Dmonstration.
(ei ) = vi , pour tout
Unicit. Supposons quil existe une application linaire f : E F telle que f P
n
i = 1, . . . , n. Pour x E, il existe des scalaires x 1 , x 2 , . . . , x n uniques tels que x = i=1 x i ei . Comme f
est linaire, on a
n

n
n
X
X
X
f (x) = f
x i ei =
x i f (ei ) =
x i vi .
()
i=1

i=1

i=1

Donc, si elle existe, f est unique.


Existence. Nous venons de voir que sil existe une solution cest ncessairement lapplication dfinie par
lquation (). Montrons quune application dfinie par lquation () est linaire et vrifie f (ei ) = vi . Si
(x 1 , . . . , x n ) (resp. y = ( y1 , . . . , yn )) sont les coordonnes de x (resp. y) dans la base (e1 , . . . , en ), alors
n

n
X
X
(x + y) = f
(x i + yi )ei =
(x i + yi ) f (ei )
i=1

n
X

x i f (ei ) +

i=1

i=1
n
X

yi f (ei ) = f (x) + f ( y).

i=1

Enfin les coordonnes de ei sont (0, . . . , 0, 1, 0, . . . , 0) (avec un 1 en i-me position), donc f (ei ) = 1vi = vi .
Ce qui termine la preuve du thorme.

2.2. Rang dune application linaire


Soient E et F deux K-espaces vectoriels et soit f : E F une application linaire. On rappelle que lon note


f (E) par Im f , cest--dire Im f = f (x)|x E . Im f est un sous-espace vectoriel de F .
Proposition 5.
Si E est de dimension finie, alors :
Im f = f (E) est un espace vectoriel de dimension finie.

Si (e1 , . . . , en ) est une base de E, alors Im f = Vect f (e1 ), . . . , f (en ) .
La dimension de cet espace vectoriel Im f est appele rang de f :

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

Dmonstration. Il suffit de dmontrer que tout lment de Im f est combinaison linaire des vecteurs
f (e1 ), . . . , f (en ).
Soit y un lment quelconque de Im f . Il existe donc un lment x de E tel que y = f (x). Comme (e1 , . . . , en )
n
X
x i ei . En utilisant la linarit de f , on
est une base de E, il existe des scalaires (x 1 , . . . , x n ) tels que x =
i=1

MATRICES ET APPLICATIONS LINAIRES

en dduit que y = f (x) =

n
X

2. APPLICATIONS LINAIRES EN DIMENSION FINIE

194

x i f (ei ), ce qui achve la dmonstration.

i=1

Le rang est plus petit que la dimension de E et aussi plus petit que la dimension de F , si F est de dimension
finie :
Proposition 6.
Soient E et F deux K-espaces vectoriels de dimension finie et f : E F une application linaire. On a
rg( f ) 6 min (dim E, dim F ) .
Exemple 7.
Soit f : R3 R2 lapplication linaire dfinie par f (x, y, z) = (3x 4 y + 2z, 2x 3 y z). Quel est le rang
de f ?
0
0
1
Si on note e1 = 0 , e2 = 1 et e3 = 0 , alors (e1 , e2 , e3 ) est la base canonique de R3 .
0
0
1
Il sagit de trouver le rang de la famille {v1 , v2 , v3 } :
1
0
0



2
v1 = f (e1 ) = f 0 = 32 , v2 = f (e2 ) = f 1 = 4
3 , v3 = f (e3 ) = f 0 = 1
0

ou, ce qui revient au mme, trouver le rang de la matrice




3 4 2
A=
.
2 3 1
Commenons par estimer le rang sans faire de calculs.
Nous avons une famille de 3 vecteurs donc rg f 6 3.
Mais en fait les vecteurs v1 , v2 , v3 vivent dans un espace de dimension 2 donc rg f 6 2.
f nest pas lapplication linaire nulle (autrement dit v1 , v2 , v3 ne sont pas tous nuls) donc rg f > 1.
Donc le rang de f vaut 1 ou 2. Il est facile de voir que v1 et v2 sont linairement indpendants, donc le rang
est 2 :

rg f = rg f (e1 ), f (e2 ), f (e3 ) = dim Vect(v1 , v2 , v3 ) = 2
Remarque : il est encore plus facile de voir que le rang de la matrice A est 2 en remarquant que ses deux
seules lignes ne sont pas colinaires.

2.3. Thorme du rang


Le thorme du rang est un rsultat fondamental dans la thorie des applications linaires en dimension
finie.
On se place toujours dans la mme situation :
f : E F est une application linaire entre deux K-espaces vectoriels,
dimension finie,
E est un espace vectoriel de


le
noyau
de
f
est
Ker
f
=
x
E | f (x) = 0 F ; cest un sous-espace vectoriel de E, donc Ker f est de

dimension finie,


limage de f est Im f = f (E) = f (x) | x E ; cest un sous-espace vectoriel de F et est de dimension
finie.
Le thorme du rang donne une relation entre la dimension du noyau et la dimension de limage de f .
Thorme 3 (Thorme du rang).
Soit f : E F une application linaire entre deux K-espaces vectoriels, E tant de dimension finie. Alors
dim E = dim Ker f + dim Im f
Autrement dit : dim E = dim Ker f + rg f
Dans la pratique, cette formule sert dterminer la dimension du noyau connaissant le rang, ou bien le
rang connaissant la dimension du noyau.

MATRICES ET APPLICATIONS LINAIRES

2. APPLICATIONS LINAIRES EN DIMENSION FINIE

195

Exemple 8.
Soit lapplication linaire
f : R4 R3
(x 1 , x 2 , x 3 , x 4 ) 7 (x 1 x 2 + x 3 , 2x 1 + 2x 2 + 6x 3 + 4x 4 , x 1 2x 3 x 4 )
Calculons le rang de f et la dimension du noyau de f .
Premire mthode. On calcule dabord le noyau :
(x 1 , x 2 , x 3 , x 4 ) Ker f f (x 1 , x 2 , x 3 , x 4 ) = (0, 0, 0)

= 0
x1 x2 + x3
2x 1 + 2x 2 + 6x 3 + 4x 4 = 0

x 1
2x 3 x 4 = 0
On rsout ce systme et on trouve quil est quivalent

x1 x2 + x3
x2 + x3 +

x4

= 0
= 0

On choisit x 3 et x 4 comme paramtres et on trouve :

Ker f = (2x 3 x 4 , x 3 x 4 , x 3 , x 4 ) | x 3 , x 4 R
2
1

1
1
= x3 1 + x4 0 | x3, x4 R
0
1
2 1
1
= Vect
, 1
1
0
0

Les deux vecteurs dfinissant le noyau sont linairement indpendants, donc dim Ker f = 2.
On applique maintenant le thorme du rang pour en dduire sans calculs la dimension de limage :
dim Im f = dim R4 dim Ker f = 4 2 = 2. Donc le rang de f est 2.
Deuxime mthode. On calcule dabord limage. On note (e1 , e2 , e3 , e4 ) la base canonique de R4 . Calculons vi = f (ei ) :
1
0
1
1
v1 = f (e1 ) = f 00 = 2
v2 = f (e2 ) = f 10 = 2
1

v3 = f (e3 ) = f

0
0
1
0

1
6
2

v4 = f (e4 ) = f

0
0
0
1

0
4
1

On rduit la matrice A, forme des vecteurs colonnes, sous une forme chelonne :

1 1 1
0
1
0 0 0
2
6
4 2
4 0 0
A= 2
1

2 1

1 1 0 0

Donc le rang de A est 2, ainsi



rg f = dim Im f = dim Vect f (e1 ), f (e2 ), f (e3 ), f (e4 ) = 2
Maintenant, par le thorme du rang, dim Ker f = dim R4 rg f = 4 2 = 2.
On trouve bien sr le mme rsultat par les deux mthodes.
Exemple 9.
Soit lapplication linaire
f : Rn [X ] Rn [X ]
P(X ) 7 P 00 (X )
o P 00 (X ) est la drive seconde de P(X ). Quel est le rang et la dimension du noyau de f ?

MATRICES ET APPLICATIONS LINAIRES

2. APPLICATIONS LINAIRES EN DIMENSION FINIE

196

Premire mthode. On calcule dabord le noyau :



P(X ) Ker f f P(X ) = 0
P 00 (X ) = 0
P 0 (X ) = a
P(X ) = aX + b
o a, b R sont des constantes. Cela prouve que Ker f est engendr par les deux polynmes : 1 (le
polynme constant) et X . Ainsi Ker f = Vect(1, X ). Donc dim Ker f = 2. Par le thorme du rang,
rg f = dim Im f = dim Rn [X ] dim Ker f = (n + 1) 2 = n 1.
Deuxime mthode. On calcule dabord limage : (1, X , X 2 , . . . , X n ) est une base de lespace de dpart
Rn [X ], donc

rg f = dim Im f = dim Vect f (1), f (X ), . . . , f (X n ) .
Tout dabord, f (1) = 0 et f (X ) = 0. Pour k > 2, f (X k ) = k(k 1)X k2 . Comme les degrs sont



chelonns, il est clair que f (X 2 ), f (X 3 ), . . . , f (X n ) = 2, 6X , 12X 2 , . . . , n(n 1)X n2 engendre un
espace de dimension n 1, donc rg f = n 1. Par le thorme du rang, dim Ker f = dim Rn [X ] rg f =
(n + 1) (n 1) = 2.
Preuve du thorme du rang.
Premier cas : f est injective.

En dsignant par (e1 , . . . , en ) une base de E, nous avons vu que la famille n lments f (e1 ), . . . , f (en )


est une famille libre de F (car f est injective), donc une famille libre de Im f . De plus, f (e1 ), . . . , f (en )
est une partie gnratrice de Im f . Donc ( f (e1 ), . . . , f (en )) est une base de Im f . Ainsi dim Im f = n, et
comme f est injective, dim Ker f = 0, et ainsi le thorme du rang est vrai.
Deuxime cas : f nest pas injective.
Dans ce cas le noyau de f est un sous-espace de E de dimension p avec 1 6 p 6 n. Soit (1 , . . . , p ) une
base de Ker f . Daprs le thorme de la base incomplte, il existe n p vecteurs p+1 , . . . , n de E tels
que (1 , 2 , . . . , n ) soit une base de E.
Alors Im f est engendre par les vecteurs f (1 ), f (2 ), . . . , f (n ). Mais, comme pour tout i vrifiant
1 6 i 6 p on a f (i ) = 0, Im f est engendre par les vecteurs f ( p+1 ), . . . , f (n ).
Montrons que ces vecteurs forment une famille libre. Soient p+1 , . . . , n des scalaires tels que
p+1 f ( p+1 ) + + n f (n ) = 0.

Puisque f est une application linaire, cette galit quivaut lgalit f p+1 p+1 + + n n = 0,
qui prouve que le vecteur p+1 p+1 + + n n appartient au noyau de f . Il existe donc des scalaires
1 , . . . , p tels que
p+1 p+1 + + n n = 1 1 + + p p .
Comme (1 , 2 , . . . , n ) est une base de E, les vecteurs 1 , 2 , . . . , n sont linairement indpendants
et par consquent pour tout i = 1, . . . , p, i = 0, et pour tout i = p + 1, . . . , n, i = 0. Les vecteurs
f ( p+1 ), . . . , f (n ) dfinissent donc bien une base de Im f . Ainsi le sous-espace vectoriel Im f est de
dimension n p, ce qui achve la dmonstration.
On remarquera le rle essentiel jou par le thorme de la base incomplte dans cette dmonstration.

2.4. Application linaire entre deux espaces de mme dimension


Rappelons quun isomorphisme est une application linaire bijective. Un isomorphisme implique que les
espaces vectoriels de dpart et darrive ont la mme dimension. La bijection rciproque est aussi une
application linaire.

MATRICES ET APPLICATIONS LINAIRES

2. APPLICATIONS LINAIRES EN DIMENSION FINIE

197

Proposition 7.
Soit f : E F un isomorphisme despaces vectoriels. Si E (respectivement F ) est de dimension finie, alors F
(respectivement E) est aussi de dimension finie et on a dim E = dim F .
Dmonstration. Si E est de dimension finie, alors comme f est surjective, F = Im f , donc F est engendr
par limage dune base de E. On a donc F de dimension finie et dim F 6 dim E. De mme f 1 : F E est
un isomorphisme, donc f 1 (F ) = E, ce qui prouve cette fois dim E 6 dim F .
Si cest F qui est de dimension finie, on fait le mme raisonnement avec f 1 .
Nous allons dmontrer une sorte de rciproque, qui est extrmement utile.
Thorme 4.
Soit f : E F une application linaire avec E et F de dimension finie.
Supposons dim E = dim F . Alors les assertions suivantes sont quivalentes :
(i) f est bijective
(ii) f est injective
(iii) f est surjective
Autrement dit, dans le cas dune application linaire entre deux espaces de mme dimension, pour dmontrer
quelle est bijective, il suffit de dmontrer lune des deux proprits : injectivit ou surjectivit.
Dmonstration. Cest immdiat partir du thorme du rang. En effet, la proprit f injective quivaut
Ker f = {0}, donc daprs le thorme du rang, f est injective si et seulement si dim Im f = dim E. Daprs
lhypothse sur lgalit des dimensions de E et de F , ceci quivaut dim Im f = dim F . Cela quivaut donc
Im f = F , cest--dire f est surjective.
Exemple 10.
Soit f : R2 R2 dfinie par f (x, y) = (x y, x + y). Une faon simple de montrer que lapplication linaire
f est bijective est de remarquer que lespace de dpart et lespace darrive ont mme dimension. Ensuite
on calcule le noyau :
(x, y) Ker f f (x, y) = 0 (x y, x + y) = (0, 0)

x+y = 0

(x, y) = (0, 0)
xy = 0


Ainsi Ker f = (0, 0) est rduit au vecteur nul, ce qui prouve que f est injective et donc, par le thorme 4,
que f est un isomorphisme.
Exemple 11.
On termine par la justification que si une matrice admet un inverse droite, alors cest aussi un inverse
gauche. La preuve se fait en deux temps : (1) lexistence dun inverse gauche ; (2) lgalit des inverses.
Soit A Mn (K) une matrice admettant un inverse droite, cest--dire il existe B Mn (K) tel que AB = I.
1. Soit f : Mn (K) Mn (K) dfinie par f (M ) = M A.
(a) f est une application linaire, car f (M + N ) = (M + N )A = f (M ) + f (N ).
(b) f est injective : en effet supposons f (M ) = O (o O est la matrice nulle), cela donne M A = O. On
multiplie cette galit par B droite, ainsi M AB = OB, donc M I = O, donc M = O.
(c) Par le thorme 4, f est donc aussi surjective.
(d) Comme f est surjective, alors en particulier lidentit est dans limage de f . Cest--dire il existe
C Mn (K) tel que f (C) = I. Ce qui est exactement dire que C est un inverse gauche de A : CA = I.

MATRICES ET APPLICATIONS LINAIRES

3. MATRICE DUNE APPLICATION LINAIRE

198

2. Nous avons AB = I et CA = I. Montrons B = C. Calculons CAB de deux faons :


(CA)B = I B = B

et C(AB) = C I = C

donc B = C.
Mini-exercices.
1. Soit (e1 , e2 , e3 ) la base canonique de R3 . Donner lexpression de f (x, y, z) o f : R3 R3 est
lapplication linaire qui envoie e1 sur son oppos, qui envoie e2 sur le vecteur nul et qui envoie e3 sur
la somme des trois vecteurs e1 , e2 , e3 .
2. Soit f : R3 R2 dfinie par f (x, y, z) = (x 2 y 3z, 2 y + 3z). Calculer une base du noyau de f ,
une base de limage de f et vrifier le thorme du rang.
3. Mme question avec f : R3 R3 dfinie par f (x, y, z) = ( y + z, x + z, x + y).
4. Mme question avec lapplication linaire f : Rn [X ] Rn [X ] qui X k associe X k1 pour 1 6 k 6 n
et qui 1 associe 0.
5. Lorsque cest possible, calculer la dimension du noyau, le rang et dire si f peut tre injective, surjective,
bijective :
Une application linaire surjective f : R7 R4 .
Une application linaire injective f : R5 R8 .
Une application linaire surjective f : R4 R4 .
Une application linaire injective f : R6 R6 .

3. Matrice dune application linaire


Nous allons voir quil existe un lien troit entre les matrices et les applications linaires. une matrice on
associe naturellement une application linaire. Et rciproquement, tant donn une application linaire, et
des bases pour les espaces vectoriels de dpart et darrive, on associe une matrice.
Dans cette section, tous les espaces vectoriels sont de dimension finie.

3.1. Matrice associe une application linaire


Soient E et F deux K-espaces vectoriels de dimension finie. Soient p la dimension de E et B = (e1 , . . . , e p )
une base de E. Soient n la dimension de F et B 0 = ( f1 , . . . , f n ) une base de F . Soit enfin f : E F une
application linaire.
Les proprits des applications linaires entre deux espaces de dimension finie permettent daffirmer que :
lapplication linaire f est dtermine de faon unique par limage dune base de E, donc par les vecteurs
f (e1 ), f (e2 ), . . . , f (e p ).
Pour j {1, . . . , p}, f (e j ) est un vecteur de F et scrit de manire unique comme combinaison linaire
des vecteurs de la base B 0 = ( f1 , f2 , . . . , f n ) de F .
Il existe donc n scalaires uniques a1, j , a2, j , . . . , an, j (parfois aussi nots a1 j , a2 j , . . . , an j ) tels que

a1, j
a
2, j
f (e j ) = a1, j f1 + a2, j f2 + + an, j f n = . .
..
an, j

B0

Ainsi, lapplication linaire f est entirement dtermine par les coefficients (ai, j )(i, j){1,...,n}{1,...,p} . Il est
donc naturel dintroduire la dfinition suivante :

MATRICES ET APPLICATIONS LINAIRES

3. MATRICE DUNE APPLICATION LINAIRE

199

Dfinition 4.
La matrice de lapplication linaire f par rapport aux bases B et B 0 est la matrice (ai, j ) Mn,p (K) dont
la j-me colonne est constitue par les coordonnes du vecteur f (e j ) dans la base B 0 = ( f1 , f2 , . . . , f n ) :
f (e1 ) . . .

f (e j ) . . .

f1
a11

f2 a21
.. ..
. .
fn
an1

..
.

a1 j
a2 j
..
.
an j

...
...
...

f (e p )
a1p
a2p
..
.
anp

En termes plus simples : cest la matrice dont les vecteurs colonnes sont limage par f des vecteurs de la
base de dpart B, exprime dans la base darrive B 0 . On note cette matrice MatB,B 0 ( f ).
Remarque.
La taille de la matrice MatB,B 0 ( f ) dpend uniquement de la dimension de E et de celle de F .
Par contre, les coefficients de la matrice dpendent du choix de la base B de E et de la base B 0 de F .
Exemple 12.
Soit f lapplication linaire de R3 dans R2 dfinie par
f : R3 R2
(x 1 , x 2 , x 3 ) 7 (x 1 + x 2 x 3 , x 1 2x 2 + 3x 3 )
Il est
 xutile
 didentifier vecteurs lignes et vecteurs colonnes ; ainsi f peut tre vue comme lapplication
1
x 1 +x 2 x 3
f : xx 2 7 x 1 2x
.
2 +3x 3
3

Soient B = (e1 , e2 , e3 ) la base canonique de R3 et B 0 = ( f1 , f2 ) la base canonique de R2 . Cest--dire :





 
 
1
0
0
1
0
e1 = 0 e2 = 1 e3 = 0
f1 =
f2 =
0
1
0
0
1
1. Quelle est la matrice de f dans les bases B et B 0 ?
On a f (e1 ) = f (1, 0, 0) = (1, 1) = f1 + f2 . La premire colonne de la matrice MatB,B 0 ( f ) est donc
1
1 .
De mmef (e2 ) = f (0, 1, 0) = (1, 2) = f1 2 f2 . La deuxime colonne de la matrice MatB,B 0 ( f ) est
1
donc 2
.
Enfin
f
(e
) = f (0, 0, 1) = (1, 3) = f1 + 3 f2 . La troisime colonne de la matrice MatB,B 0 ( f ) est

3
1
donc 3 .
Ainsi :


1 1 1
MatB,B 0 ( f ) =
1 2 3
2. On va maintenant changer la base de lespace de dpart et celle de lespace darrive. Soient les vecteurs



 
 
1
1
0
1
1
1 = 1 2 = 0 3 = 1
1 =
2 =
0
1
0
1
1
On montre facilement que B0 = (1 , 2 , 3 ) est une base de R3 et B00 = (1 , 2 ) est une base de R2 .
Quelle est la matrice de f dans les bases B0 et B00 ?
f (1 ) = f (1, 1, 0) = (2, 1) = 31 2 , f (2 ) = f (1, 0, 1) = (0, 4) = 41 + 42 , f (3 ) = f (0, 1, 1) =
(0, 1) = 1 + 2 , donc


3 4 1
MatB0 ,B00 ( f ) =
.
1 4
1
Cet exemple illustre bien le fait que la matrice dpend du choix des bases.

MATRICES ET APPLICATIONS LINAIRES

3. MATRICE DUNE APPLICATION LINAIRE

200

3.2. Oprations sur les applications linaires et les matrices


Proposition 8.
Soient f , g : E F deux applications linaires et soient B une base de E et B 0 une base de F . Alors :
MatB,B 0 ( f + g) = MatB,B 0 ( f ) + MatB,B 0 (g)
MatB,B 0 ( f ) = MatB,B 0 ( f )
Autrement dit, si on note :
A = MatB,B 0 ( f )

B = MatB,B 0 (g)

C = MatB,B 0 ( f + g)

D = MatB,B 0 ( f )

Alors :
C = A+ B

D = A

Autrement dit : la matrice associe la somme de deux applications linaires est la somme des matrices (
condition de considrer la mme base sur lespace de dpart pour les deux applications et la mme base sur
lespace darrive). Idem avec le produit par un scalaire.
Le plus important sera la composition des applications linaires.
Proposition 9.
Soient f : E F et g : F G deux applications linaires et soient B une base de E, B 0 une base de F et
B 00 une base de G. Alors :
MatB,B 00 (g f ) = MatB 0 ,B 00 (g) MatB,B 0 ( f )
Autrement dit, si on note :
A = MatB,B 0 ( f )

B = MatB 0 ,B 00 (g)

C = MatB,B 00 (g f )

Alors
C = BA
Autrement dit, condition de bien choisir les bases, la matrice associe la composition de deux applications
linaires est le produit des matrices associes chacune delles, dans le mme ordre.
En fait, le produit de matrices, qui semble compliqu au premier abord, est dfini afin de correspondre la
composition des applications linaires.
Dmonstration. Posons p = dim(E) et B = (e1 , . . . , e p ) une base de E ; n = dim F et B 0 = ( f1 , . . . , f n ) une
base de F ; q = dim G et B 00 = (g1 , . . . , gq ) une base de G. crivons A = MatB,B 0 ( f ) = (ai j ) Mn,p (K) la
matrice de f , B = MatB 0 ,B 00 (g) = (bi j ) Mq,n (K) la matrice de g, C = MatB,B 00 (g f ) = (ci j ) Mq,p (K) la
matrice de g f .
On a

(g f )(e1 ) = g f (e1 )
= g(a11 f1 + + an1 f n )
= a11
g( f1 ) + + an1 g( f n)

= a11 b11 g1 + + bq1 gq + + an1 b1n g1 + + bqn gq

Ainsi, la premire colonne de C = MatB,B 00 (g f ) est

a11 b11 + + an1 b1n


a b + + a b
n1 2n
11 21

..

.
a11 bq1 + + an1 bqn

MATRICES ET APPLICATIONS LINAIRES

3. MATRICE DUNE APPLICATION LINAIRE

201

Mais ceci est aussi la premire colonne de la matrice BA. En faisant la mme chose avec les autres colonnes,
on remarque que C = MatB,B 00 (g f ) et BA sont deux matrices ayant leurs colonnes gales. On a donc bien
lgalit cherche.
Exemple 13.
On considre deux applications linaires : f : R2 R3 et g : R3 R2 . On pose E = R2 , F = R3 , G = R2
avec f : E F , g : F G. On se donne des bases : B = (e1 , e2 ) une base de E, B 0 = ( f1 , f2 , f3 ) une base
de F , et B 00 = (g1 , g2 ) une base de G.
On suppose connues les matrices de f et g :



1 0
2 1 0

A = MatB,B 0 ( f ) = 1 1 M3,2
B = MatB 0 ,B 00 (g) =
M2,3
3 1 2
0 2
Calculons la matrice associe g f : E G, C = MatB,B 00 (g f ), de deux faons diffrentes.
1. Premire mthode. Revenons la dfinition de la matrice de lapplication linaire g f . Il sagit
dexprimer limage des vecteurs de la base de dpart B dans la base darrive B 00 . Cest--dire quil faut
exprimer g f (e j ) dans la base (g1 , g2 ).
Calcul des f (e j ). On sait par dfinition de la matrice A que f (e1 ) correspond au premier vecteur
1
colonne : plus prcisment, f (e1 ) = 1 0 = 1 f1 + 1 f2 + 0 f3 = f1 + f2 .
0 B
0
De mme, f (e2 ) = 1 0 = 0 f1 + 1 f2 + 2 f3 = f2 + 2 f3 .
2 B
Calcul des g( f j ). Par dfinition, g( f j ) correspond la j-me colonne de la matrice B :
 
2
g( f1 ) =
= 2g1 + 3g2
3
 B00
1
= g1 + g2
g( f2 ) =
1 B 00
 
0
g( f3 ) =
= 2g2
2 B 00
Calcul des g f (e j ). Pour cela on combine les deux sries de calculs prcdents :
g f (e1 ) = g( f1 + f2 ) = g( f1 ) + g( f2 ) = (2g1 + 3g2 ) + (g1 + g2 ) = g1 + 4g2
g f (e2 ) = g( f2 + 2 f3 ) = g( f2 ) + 2g( f3 ) = (g1 + g2 ) + 2(2g2 ) = g1 + 5g2
Calcul de la matrice C = MatB,B 00 (g f ) : cette matrice est compose des vecteurs g f (e j ) exprims
dans la base B 00 . Comme
 
 
1
1
g f (e1 ) = g1 + 4g2 =
g f (e2 ) = g1 + 5g2 =
4 B 00
5 B 00
alors


1 1
C=
4 5
On trouve bien une matrice de taille 2 2 (car lespace de dpart et darrive de g f est R2 ).
2. Deuxime mthode. Utilisons le produit de matrices : on sait que C



1
2 1 0

MatB,B 00 (g f ) = C = B A =
1
3 1 2
0

= BA. Donc



0
1 1

1 =
4 5
2

Cet exemple met bien en vidence le gain, en termes de quantit de calculs, ralis en passant par lintermdiaire des matrices.

MATRICES ET APPLICATIONS LINAIRES

3. MATRICE DUNE APPLICATION LINAIRE

202

3.3. Matrice dun endomorphisme


Dans cette section, on tudie le cas o lespace de dpart et lespace darrive sont identiques : f : E E est
un endomorphisme. Si dim E = n, alors chaque matrice associe f est une matrice carre de taille n n.
Deux situations :
Si on choisit la mme base B au dpart et larrive, alors on note simplement MatB ( f ) la matrice
associe f .
Mais on peut aussi choisir deux bases distinctes pour le mme espace vectoriel E ; on note alors comme
prcdemment MatB,B 0 ( f ).
Exemple 14.
Cas de lidentit : id : E E est dfinie par id(x) = x. Alors quelle que soit la base B de E, la matrice
associe est la matrice identit : MatB (id) = I n . (Attention ! Ce nest plus vrai si la base darrive est
diffrente de la base de dpart.)
Cas dune homothtie h : E E, h (x) = x (o K est le rapport de lhomothtie) : MatB (h ) =
I n .
Cas dune symtrie centrale s : E E, s(x) = x : MatB (s) = I n .
Cas de r : R2 R2 la rotation dangle , centre lorigine, dans lespace vectoriel R2 muni de la
base canonique B. Alors r (x, y) = (x cos y sin , x sin + y cos ). On a


cos sin
MatB (r ) =
.
sin
cos
Dans le cas particulier de la puissance dun endomorphisme de E, nous obtenons :
Corollaire 1.
Soient E un espace vectoriel de dimension finie et B une base de E. Soit f : E E une application linaire.
Alors, quel que soit p N :
p
MatB ( f p ) = MatB ( f )
Autrement dit, si A est la matrice associe f , alors la matrice associe f p = f f f est Ap =
|
{z
}
p occurrences

A A A. La dmonstration est une rcurrence sur p en utilisant la proposition 9.


|
{z
}
p facteurs

Exemple 15.
p
Soit r la matrice de la rotation dangle dans R2 . La matrice de r est :

p
p
cos sin
p
MatB (r ) = MatB (r ) =
sin
cos
Un calcul par rcurrence montre ensuite que
p
MatB (r )



cos(p ) sin(p )
=
,
sin(p ) cos(p )

ce qui est bien la matrice de la rotation dangle p : composer p fois la rotation dangle revient effectuer
une rotation dangle p .

3.4. Matrice dun isomorphisme


Passons maintenant aux isomorphismes. Rappelons quun isomorphisme f : E F est une application
linaire bijective. Nous avons vu que cela entrane dim E = dim F .
Thorme 5 (Caractrisation de la matrice dun isomorphisme).
Soient E et F deux K-espaces vectoriels de mme dimension finie. Soit f : E F une application linaire.
Soient B une base de E, B 0 une base de F et A = MatB,B 0 ( f ).

MATRICES ET APPLICATIONS LINAIRES

3. MATRICE DUNE APPLICATION LINAIRE

203

1. f est bijective si et seulement si la matrice A est inversible. Autrement dit, f est un isomorphisme si et
seulement si sa matrice associe MatB,B 0 ( f ) est inversible.
2. De plus, si f : E F est bijective, alors la matrice de lapplication linaire f 1 : F E est la matrice

1
A1 . Autrement dit, MatB 0 ,B ( f 1 ) = MatB,B 0 ( f )
.
Voici le cas particulier trs important dun endomorphisme f : E E o E est muni de la mme base B au
dpart et larrive et A = MatB ( f ).
Corollaire 2.
f est bijective si et seulement si A est inversible.
Si f est bijective, alors la matrice associe f 1 dans la base B est A1 .
1
Autrement dit : MatB ( f 1 ) = MatB ( f ) .
Exemple 16.
Soient r : R2 R2 la rotation dangle 6 (centre lorigine) et s la rflexion par rapport laxe ( y = x).
Quelle est la matrice associe (s r)1 dans la base canonique B ?


 p3
1
cos

sin

p2 .
= 21
Pour = 6 , on trouve la matrice A = MatB (r) =
3
sin
cos
2
2


0 1
.
La matrice associe la rflexion est B = MatB (s) =
1 0
p

1
p2
3
2

La matrice de s r est B A =
1

La matrice de (s r)

est (BA)

3
2
12

1
p2
3
2

.
p
3
2
12

1
p2
3
2

p
3
2
12

. On aurait aussi pu calculer ainsi :

(BA)1 = A1 B 1 =
On note que (BA)1 = BA ce qui, en termes dapplications linaires, signifie que (sr)1 = sr. Autrement
dit, s r est son propre inverse.
Preuve du thorme 5. On note A = MatB,B 0 ( f ).
Si f est bijective, notons B = MatB 0 ,B ( f 1 ). Alors par la proposition 9 on sait que
BA = MatB 0 ,B ( f 1 ) MatB,B 0 ( f ) = MatB,B ( f 1 f ) = MatB,B (id E ) = I.
De mme AB = I. Ainsi A = MatB,B 0 ( f ) est inversible et son inverse est B = MatB 0 ,B ( f 1 ).
Rciproquement, si A = MatB,B 0 ( f ) est une matrice inversible, notons B = A1 . Soit g : F E
lapplication linaire telle que B = MatB 0 ,B (g). Alors, toujours par la proposition 9 :
MatB,B (g f ) = MatB 0 ,B (g) MatB,B 0 ( f ) = BA = I
Donc la matrice de g f est lidentit, ce qui implique g f = id E . De mme f g = id F . Ainsi f est
bijective (et sa bijection rciproque est g).

Mini-exercices.
1. Calculer la matrice associe aux applications linaires f i : R2 R2 dans la base canonique :
(a) f1 la symtrie par rapport laxe (O y),
(b) f2 la symtrie par rapport laxe ( y = x),
(c) f3 la projection orthogonale sur laxe (O y),
(d) f4 la rotation dangle

4.

Calculer quelques matrices associes f i f j et, lorsque cest possible, f i1 .

MATRICES ET APPLICATIONS LINAIRES

204

4. CHANGEMENT DE BASES

2. Mme travail pour f i : R3 R3 :


(a) f1 lhomothtie de rapport ,
(b) f2 la rflexion orthogonale par rapport au plan (O xz),
(c) f3 la rotation daxe (Oz) dangle 2 ,
(d) f4 la projection orthogonale sur le plan (O yz).

4. Changement de bases
4.1. Application linaire, matrice, vecteur
Soit E un espace vectoriel de dimension finie et soit B = (e1 , e2 , . . . , e p ) une base de E. Pour chaque x E,
il existe un p-uplet unique dlments de K (x 1 , x 2 , . . . , x p ) tel que
x = x 1 e1 + x 2 e2 + + x p e p .
La matrice des coordonnes de x est un vecteur colonne, not MatB (x) ou encore
Dans R p , si B est la base canonique, alors on note simplement

..
.

xp B

x1 !
x2

..
.

x1 !
x2

en omettant de mentionner la base.

xp

Soient E et F deux K-espaces vectoriels de dimension finie et f : E F une application linaire. Le but de
ce paragraphe est de traduire lgalit vectorielle y = f (x) par une galit matricielle.
Soient B une base de E et B 0 une base de F .
Proposition 10.
Soit A = MatB,B 0 ( f ).
Pour x E, notons X = MatB (x) =
Pour y F , notons Y = MatB 0 ( y) =

x1 !
x2

..
.

xp B
y1 !
y2

..
.

yn B 0

Alors, si y = f (x), on a

Y = AX
Autrement dit :

MatB 0 f (x) = MatB,B 0 ( f ) MatB (x)

Dmonstration.
On pose B = (e1 , . . . , e p ), B 0 = ( f1 , f2 , . . . , f n ), A = (ai, j ) = MatB,B 0 ( f ) et X = MatB (x) =

x1 !
x2

..
.

xp

On a
f (x) = f

p
X
j=1

!
x jej

p
X
j=1

x j f (e j ) =

p
X
j=1

xj

n
X
i=1

ai, j f i .

MATRICES ET APPLICATIONS LINAIRES

4. CHANGEMENT DE BASES

205

En utilisant la commutativit de K, on a
f (x) =

p
X

!
a1, j x j

f1 + +

j=1

p
X

!
fn.

an, j x j

j=1

Pp

P pj=1
j=1

La matrice colonne des coordonnes de y = f (x) dans la base ( f1 , f2 , . . . , f n ) est

Pp
j=1

Pp

a x
j=1 1, j j

Pp


f (x) =

Ainsi la matrice Y = MatB 0

j=1

Pp
j=1

a2, j x j

..
.

a1, j x j
a2, j x j

..
.

an, j x j

x1 !
x2

nest autre que A

an, j x j

..
.

xp

Exemple 17.
Soient E un K-espace vectoriel de dimension 3 et B = (e1 , e2 , e3 ) une base de E. Soit f lendomorphisme
de E dont la matrice dans la base B est gale

1 2 1
A = MatB ( f ) = 2 3 1 .
1 1 0
On se propose de dterminer le noyau de f et limage de f .
Les lments x de E sont des combinaisons linaires de e1 , e2 et e3 : x = x 1 e1 + x 2 e2 + x 3 e3 . On a

0


x Ker f f (x) = 0 E MatB f (x) = 0


0


0
x1
0
AX = 0 A x 2 = 0
0
x3
0

x
+
2x
+
x
=
0
1
2
3
2x 1 + 3x 2 + x 3 = 0

x1 + x2
= 0
On rsout ce systme par la mthode du pivot de Gauss. On trouve


Ker f = x 1 e1 + x 2 e2 + x 3 e3 E | x 1 + 2x 2 + x 3 = 0 et x 2 + x 3 = 0
 
t

1
t
=
| t K = Vect 1
t

Le noyau est donc de dimension 1. Par le thorme du rang, limage Im f est de dimension 2. Les
deux premiers vecteurs
de la matrice A tant linairement indpendants, ils engendrent Im f : Im f =
1 2 
Vect 2 , 3
.
1 B

1 B

4.2. Matrice de passage dune base une autre


Soit E un espace vectoriel de dimension finie n. On sait que toutes les bases de E ont n lments.
Dfinition 5.
Soit B une base de E. Soit B 0 une autre base de E.
On appelle matrice de passage de la base B vers la base B 0 , et on note PB,B 0 , la matrice carre de taille
n n dont la j-me colonne est forme des coordonnes du j-me vecteur de la base B 0 , par rapport
la base B.
On rsume en :

MATRICES ET APPLICATIONS LINAIRES

4. CHANGEMENT DE BASES

206

La matrice de passage PB,B 0 contient - en colonnes - les coordonnes des vecteurs de


la nouvelle base B 0 exprims dans lancienne base B.
Cest pourquoi on note parfois aussi PB,B 0 par MatB (B 0 ).
Exemple 18.
Soit lespace vectoriel rel R2 . On considre
 
 
1
1
e1 =
e2 =
0
1

 
1
1 =
2

 
5
2 =
.
4

On considre la base B = (e1 , e2 ) et la base B 0 = (1 , 2 ).


Quelle est la matrice de passage de la base B vers la base B 0 ?
Il faut exprimer 1 et 2 en fonction de (e1 , e2 ). On calcule que :
 
 
1
1
1 = e1 + 2e2 =
2 = e1 + 4e2 =
2 B
4 B
La matrice de passage est donc :
PB,B 0



1 1
=
2 4

On va interprter une matrice de passage comme la matrice associe lapplication identit de E par rapport
des bases bien choisies.
Proposition 11.
La matrice de passage PB,B 0 de la base B vers la base B 0 est la matrice associe lidentit id E : (E, B 0 )
(E, B) o E est lespace de dpart muni de la base B 0 , et E est aussi lespace darrive, mais muni de la base
B:
PB,B 0 = MatB 0 ,B (id E )
Faites bien attention linversion de lordre des bases !
Cette interprtation est un outil fondamental pour ce qui suit. Elle permet dobtenir les rsultats de faon
trs lgante et avec un minimum de calculs.
Dmonstration. On pose B = (e1 , e2 , . . . , en ) et B 0 = (e10 , e20 , . . . , en0 ). On considre
id E
On a id E (e0j ) = e0j =

Pn

i=1 ai, j ei

(E, B 0 ) (E, B)
x 7 id E (x) = x

et MatB 0 ,B (id E ) est la matrice dont la j-me colonne est forme des
a
1, j

a2, j

coordonnes de e0j par rapport B, soit .. . Cette colonne est la j-me colonne de PB,B 0 .
.
an, j

Proposition 12.
1. La matrice de passage dune base B vers une base B 0 est inversible et son inverse est gale la matrice
1
de passage de la base B 0 vers la base B : PB 0 ,B = PB,B 0
2. Si B, B 0 et B 00 sont trois bases, alors PB,B 00 = PB,B 0 PB 0 ,B 00
Dmonstration.

1. On a PB,B 0 = MatB 0 ,B id E . Donc, daprs le thorme 5 caractrisant la matrice dun isomorphisme,
1


1
1
id E
= MatB,B 0 id1
. Or id1
PB,B
0 = MatB 0 ,B
E
E = id E , donc PB,B 0 = MatB,B 0 id E = PB 0 ,B .

MATRICES ET APPLICATIONS LINAIRES

207

4. CHANGEMENT DE BASES

2. id E : (E, B 00 ) (E, B) se factorise de la faon suivante :


id E

id E

(E, B 00 ) (E, B 0 ) (E, B).


Autrement dit, on crit id E = id E id E . Cette factorisation permet dcrire lgalit suivante :



MatB 00 ,B id E = MatB 0 ,B id E MatB 00 ,B 0 id E , soit PB,B 00 = PB,B 0 PB 0 ,B 00 .

Exemple 19.
Soit E = R3 muni de sa base canonique B. Dfinissons

3
0
1

1 , 1 , 2
et
B1 =
1
0
0
Quelle est la matrice de passage de B1 vers B2 ?
On a dabord

1 0
3
PB,B1 = 1 1 2
0 0 1


0
0
1

1 , 1 , 0 .
B2 =
1
0
0

1 0 0
= 1 1 0 .
0 0 1

et

PB,B2

1
La proposition 12 implique que PB,B2 = PB,B1 PB1 ,B2 . Donc on a PB1 ,B2 = PB,B
PB,B2 . En appliquant
1
1
la mthode de Gauss pour calculer PB,B , on trouve alors :
1

1 0
3
1 0 0
PB ,B = 1 1 2 1 1 0
1

0 1

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

Nous allons maintenant tudier leffet dun changement de bases sur les coordonnes dun vecteur.
Soient B = (e1 , e2 , . . . , en ) et B 0 = (e10 , e20 , . . . , en0 ) deux bases dun mme K-espace vectoriel E.
Soit PB,B 0 la matrice de passage de la base B vers la base B 0 .
x1 !
x2
Pn
.
Pour x E, il se dcompose en x = i=1 x i ei dans la base B et on note X = MatB (x) = ..
.
Ce mme x E se dcompose en x =

Pn
i=1

xn B
x0
1
x 20

x i0 ei0 dans la base B 0 et on note X 0 = MatB 0 (x) = . .


..
0
xn B 0

Proposition 13.
X = PB,B 0 X 0
Notez bien lordre !
Dmonstration. PB,B 0 est la matrice de id E : (E, B 0 ) (E, B). On utilise que x = id E (x) et la proposition
10. On a :

X = MatB (x) = MatB id E (x) = MatB 0 ,B (id E ) MatB 0 (x) = PB,B 0 X 0

MATRICES ET APPLICATIONS LINAIRES

4. CHANGEMENT DE BASES

4.3. Formule de changement de base

Soient E et F deux K-espaces vectoriels de dimension finie.


Soit f : E F une application linaire.
Soient B E , B E0 deux bases de E.
Soient B F , B F0 deux bases de F .
Soit P = PBE ,BE0 la matrice de passage de B E B E0 .
Soit Q = PBF ,BF0 la matrice de passage de B F B F0 .
Soit A = MatBE ,BF ( f ) la matrice de lapplication linaire f de la base B E vers la base B F .
Soit B = MatBE0 ,BF0 ( f ) la matrice de lapplication linaire f de la base B E0 vers la base B F0 .
Thorme 6 (Formule de changement de base).
B = Q1 AP

Dmonstration. Lapplication f : (E, B E0 ) (F, B F0 ) se factorise de la faon suivante :


id E

id F

(E, B E0 ) (E, B E ) (F, B F ) (F, B F0 ),


cest--dire que f = id F f id E .
On a donc lgalit de matrices suivante :
B =
=
=
=

MatBE0 ,BF0 ( f )
MatBF ,BF0 (id F ) MatBE ,BF ( f ) MatBE0 ,BE (id E )
PBF0 ,BF MatBE ,BF ( f ) PBE ,BE0
Q1 AP

Dans le cas particulier dun endomorphisme, nous obtenons une formule plus simple :
Soit f : E E une application linaire.
Soient B, B 0 deux bases de E.
Soit P = PB,B 0 la matrice de passage de B B 0 .
Soit A = MatB ( f ) la matrice de lapplication linaire f dans la base B.
Soit B = MatB 0 ( f ) la matrice de lapplication linaire f dans la base B 0 .
Le thorme 6 devient alors :
Corollaire 3.
B = P 1 AP
Exemple 20.
Reprenons les deux bases de R3 de lexemple 19 :

1
0
3

1 , 1 , 2
B1 =
et
0
0
1


1
0
0

1 , 1 , 0 .
B2 =
0
0
1

Soit f : R3 R3 lapplication linaire dont la matrice dans la base B1 est :

1 0 6
A = MatB ( f ) = 2 2 7
1

0
Que vaut la matrice de f dans la base B2 , B = MatB2 ( f ) ?

208

MATRICES ET APPLICATIONS LINAIRES

4. CHANGEMENT DE BASES

209

1. Nous avions calcul que la matrice de passage de B1 vers B2 tait

1 0 3
P = PB1 ,B2 = 2 1 1 .
0 0
1

1 0 3
2. On calcule aussi P 1 = 2 1 5 .
0 0 1
3. On applique la formule du changement de base du corollaire 3 :

1 0 0
1 0 3
1 0 6
1 0 3
B = P 1 AP = 2 1 5 2 2 7 2 1 1 = 0 2 0
0 0 3
0 0
1
0 0 3
0 0 1
Cest souvent lintrt des changements de base, se ramener une matrice plus simple. Par exemple ici, il
est facile de calculer les puissances B k , pour en dduire les Ak .

4.4. Matrices semblables


Les matrices considres dans ce paragraphe sont des matrices carres, lments de Mn (K).
Dfinition 6.
Soient A et B deux matrices de Mn (K). On dit que la matrice B est semblable la matrice A sil existe
une matrice inversible P Mn (K) telle que B = P 1 AP.
Cest un bon exercice de montrer que la relation tre semblable est une relation dquivalence dans
lensemble Mn (K) :
Proposition 14.
La relation est rflexive : une matrice A est semblable elle-mme.
La relation est symtrique : si A est semblable B, alors B est semblable A.
La relation est transitive : si A est semblable B, et B est semblable C, alors A est semblable C.
Vocabulaire :
Compte tenu de ces proprits, on peut dire indiffremment que la matrice A est semblable la matrice B
ou que les matrices A et B sont semblables.
Le corollaire 3 se reformule ainsi :
Corollaire 4.
Deux matrices semblables reprsentent le mme endomorphisme, mais exprim dans des bases diffrentes.
Mini-exercices.

3
Soit f : R2 R2 dfinie par f (x, y) = (2x + y, 3x 2 y), Soit v = 4
R2 avec ses coordonnes dans


2
2
3
2
la base canonique B0 de R . Soit B1 = 2 , 2 une autre base de R .
1. Calculer la matrice de f dans la base canonique.
2. Calculer les coordonnes de f (v) dans la base canonique.
3. Calculer la matrice de passage de B0 B1 .
4. En dduire les coordonnes de v dans la base B1 , et de f (v) dans la base B1 .
5. Calculer la matrice de f dans la base B1 .
Mme exercice dans R3 avec f : R3 R3 , f (x, y, z) = (x 2 y, y 2z, z 2x), v =
0 2 1
B1 = 1 , 0 , 2 .
2

3
2
1

R3 et

MATRICES ET APPLICATIONS LINAIRES

4. CHANGEMENT DE BASES

210

Auteurs du chapitre
Daprs un cours de Sophie Chemla de luniversit Pierre et Marie Curie, reprenant des parties dun
cours de H. Ledret et dune quipe de luniversit de Bordeaux anime par J. Queyrut,
rcrit et complt par Arnaud Bodin. Relu par Vianney Combet.

Chapitre

Dterminants
Vido
Vido
Vido
Vido
Vido
Fiche

13

partie 1. Dterminant en dimension 2 et 3


partie 2. Dfinition du dterminant
partie 3. Proprits du dterminant
partie 4. Calculs de dterminants
partie 5. Applications des dterminants

d'exercices Calculs de dterminants

Le dterminant est un nombre que lon associe n vecteurs (v1 , . . . , vn ) de Rn . Il correspond au volume
du paralllpipde engendr par ces n vecteurs. On peut aussi dfinir le dterminant dune matrice A. Le
dterminant permet de savoir si une matrice est inversible ou pas, et de faon plus gnrale, joue un rle
important dans le calcul matriciel et la rsolution de systmes linaires.
Dans tout ce qui suit, nous considrons des matrices coefficients dans un corps commutatif K, les principaux
exemples tant K = R ou K = C. Nous commenons par donner lexpression du dterminant dune matrice
en petites dimensions.

1. Dterminant en dimension 2 et 3
1.1. Matrice 2 2
En dimension 2, le dterminant est trs simple calculer :


a b
det
= ad bc.
c d
Cest donc le produit des lments sur la diagonale principale (en bleu) moins le produit des lments sur
lautre diagonale (en orange).

1. DTERMINANT EN DIMENSION 2 ET 3 212

DTERMINANTS

1.2. Matrice 3 3
Soit A M3 (K) une matrice 3 3 :

a11
A = a21
a31

a13
a23 .
a33

a12
a22
a32

Voici la formule pour le dterminant :


det A = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 a31 a22 a13 a32 a23 a11 a33 a21 a12 .
Il existe un moyen facile de retenir cette formule, cest la rgle de Sarrus : on recopie les deux premires
colonnes droite de la matrice (colonnes grises), puis on additionne les produits de trois termes en les
regroupant selon la direction de la diagonale descendante ( gauche), et on soustrait ensuite les produits
de trois termes regroups selon la direction de la diagonale montante ( droite).

a11

a12

a13

a11

a12

a21

a22

a23

a21

a22

a31

a32

a33

a31

a32

a11

a12

a13

a11

a12

a21

a22

a23

a21

a22

a31

a32

a33

a31

a32

Exemple 1.

2 1 0
Calculons le dterminant de la matrice A = 1 1 3.
3 2 1
Par la rgle de Sarrus :
det A = 2 (1) 1 + 1 3 3 + 0 1 2
3 (1) 0 2 3 2 1 1 1 = 6.

Attention : cette mthode ne sapplique pas pour les matrices de taille suprieure 3. Nous verrons dautres
mthodes qui sappliquent aux matrices carres de toute taille et donc aussi aux matrices 3 3.

1.3. Interprtation gomtrique du dterminant


On va voir quen dimension 2, les dterminants correspondent des aires et en dimension 3 des volumes.

Donnons nous deux vecteurs v1 = ( ac ) et v2 = db du plan R2 . Ces deux vecteurs v1 , v2 dterminent un
paralllogramme.
y
v2
~j
O

v1
~i

1. DTERMINANT EN DIMENSION 2 ET 3 213

DTERMINANTS

Proposition 1.
Laire du paralllogramme est donne par la valeur absolue du dterminant :




a b


A = det(v1 , v2 ) = det
.
c d
De manire similaire, trois vecteurs de lespace R3 :


a12
a11
v2 = a22
v1 = a21
a32
a31

a13
v3 = a23
a33

dfinissent un paralllpipde.

v3

v2

v1

partir de ces trois vecteurs on dfinit, en juxtaposant les colonnes, une matrice et un dterminant :

a11 a12 a13


det(v1 , v2 , v3 ) = det a21 a22 a23 .
a31 a32 a33
Proposition 2.
Le volume du paralllpipde est donn par la valeur absolue du dterminant :




V = det(v1 , v2 , v3 ) .
On prendra comme unit daire dans R2 laire du carr unit dont les cts sont les vecteurs de la base


canonique 10 , 01 , et comme unit de volume dans R3 , le volume du cube unit.

Dmonstration. Traitons le cas de la dimension 2. Le rsultat est vrai si v1 = ( 0a ) et v2 = d0 . En effet, dans
ce
 cas on
 a affaire un rectangle de cts |a| et |d|, donc daire |ad|, alors que le dterminant de la matrice
a 0
vaut ad.
0 d

v2

~j
v1
O

~i

Si les vecteurs v1 et v2 sont colinaires alors le paralllogramme est aplati, donc daire nulle ; on calcule
facilement que lorsque deux vecteurs sont colinaires, leur dterminant est nul.

Dans la suite on suppose que les vecteurs ne sont pas colinaires. Notons v1 = ( ac ) et v2 = db . Si a 6= 0,
0
alors v20 = v2 ab v1 est un vecteur vertical : v20 = d b c .
a
Lopration de remplacer v2 par v20 ne change pas laire du paralllogramme (cest comme si on avait coup
le triangle vert et on lavait coll la place le triangle bleu).

1. DTERMINANT EN DIMENSION 2 ET 3 214

DTERMINANTS

v20

v2

~j
O

v1
~i

Cette opration ne change pas non plus le dterminant car on a toujours :




a
0
0
det(v1 , v2 ) = det
= ad bc = det(v1 , v2 ) .
b d ab c
On pose alors v10 = ( 0a ) : cest un vecteur horizontal. Encore une fois lopration de remplacer v1 par v10 ne
change ni laire des paralllogrammes ni le dterminant car


a
0
0
0
= ad bc = det(v1 , v2 ) .
det(v1 , v2 ) = det
0 d ab c

v20
~j
O

v1
~i

v10

On sest donc ramen au premier cas dun rectangle aux cts parallles aux axes, pour lequel le rsultat est
dj acquis.
Le cas tridimensionnel se traite de faon analogue.
Mini-exercices.



1 2
7
1. Pour A =
et B =
5 3
9

a
2. Mmes questions pour A =
c

2
3. Mmes questions pour A = 2
3


8
calculer les dterminants de A, B, A B, A + B, A1 , A, AT .
5

 0

b
a 0
et B = 0
.
d
c d0

0 1
1 2 3
1 2 et B = 0 2 2.
1 0
0 0 3


4. Calculer laire du paralllogramme dfini par les vecteurs 73 et 14 .
2 1 1
5. Calculer le volume du paralllpipde dfini par les vecteurs 1 , 1 , 3 .
1

DTERMINANTS

2. DFINITION DU DTERMINANT

215

2. Dfinition du dterminant
Cette partie est consacre la dfinition du dterminant. La dfinition du dterminant est assez abstraite et
il faudra attendre encore un peu pour pouvoir vraiment calculer des dterminants.

2.1. Dfinition et premires proprits


Nous allons caractriser le dterminant comme une application, qui une matrice carre associe un scalaire :
det : Mn (K) K
Thorme 1 (Existence et dunicit du dterminant).
Il existe une unique application de Mn (K) dans K, appele dterminant, telle que
(i) le dterminant est linaire par rapport chaque vecteur colonne, les autres tant fixs ;
(ii) si une matrice A a deux colonnes identiques, alors son dterminant est nul ;
(iii) le dterminant de la matrice identit I n vaut 1.
Une preuve de lexistence du dterminant sera donne plus bas en section 2.4.
On note le dterminant dune matrice A = (ai j ) par :

a11

a
21
det A
ou
.
..

a

n1

a12
a22
..
.

a1n
a2n
..
.

an2 ann

Si on note Ci la i-me colonne de A, alors




det A = C1 C2 Cn = det(C1 , C2 , . . . , Cn ) .
Avec cette notation, la proprit (i) de linarit par rapport la colonne j scrit : pour tout , K,
det(C1 , . . . , C j + C j0 , . . . , Cn ) = det(C1 , . . . , C j , . . . , Cn ) + det(C1 , . . . , C j0 , . . . , Cn ), soit

a11 a1 j + a10 j

..
..
.
.

ai1 ai j + a0
ij

.
.
..
..

0
a
n1 an j + an j

a11 a1 j

..
..
.
.


= ai1 ai j
..
..
.
.

a
a
n1

nj


a1n

..
.

ain
..
.
ann


a11 a10 j
a1n

..
..
..
.
.
.



ain + ai1 ai0 j
.
..
..
..
.
.



ann
an1 an0 j

Exemple 2.




6
6
1
4
5
4


7 10 3 = 5 7 2 3




12 5 1
12 25 1
Car la seconde colonne est un multiple de 5.


a1n

..
.

ain .
..
.
a
nn

DTERMINANTS

2. DFINITION DU DTERMINANT

216





3 2
4 3 2 3
4 3 3 2

7 5 3 2 = 7 5 3 7 5 2




9 2 10 4 9 2 10 9 2 4
Par linarit sur la troisime colonne.
Remarque.
Une application de Mn (K) dans K qui satisfait la proprit (i) est appele forme multilinaire.
Si elle satisfait (ii), on dit quelle est alterne.
Le dterminant est donc la seule forme multilinaire alterne qui prend comme valeur 1 sur la matrice I n .
Les autres formes multilinaires alternes sont les multiples scalaires du dterminant. On verra plus loin
comment on peut calculer en pratique les dterminants.

2.2. Premires proprits


Nous connaissons dj le dterminant de deux matrices :
le dterminant de la matrice nulle 0n vaut 0 (par la proprit (ii)),
le dterminant de la matrice identit I n vaut 1 (par la proprit (iii)).
Donnons maintenant quelques proprits importantes du dterminant : comment se comporte le dterminant
face aux oprations lmentaires sur les colonnes ?
Proposition 3.
Soit A Mn (K) une matrice ayant les colonnes C1 , C2 , . . . , Cn . On note A0 la matrice obtenue par une des
oprations lmentaires sur les colonnes, qui sont :
1. Ci Ci avec 6= 0 : A0 est obtenue en multipliant une colonne de A par un scalaire non nul. Alors
det A0 = det A.
2. Ci Ci + C j avec K (et j =
6 i) : A0 est obtenue en ajoutant une colonne de A un multiple dune
autre colonne de A. Alors det A0 = det A.
3. Ci C j : A0 est obtenue en changeant deux colonnes distinctes de A. Alors det A0 = det A .
Pn
Plus gnralement pour (2) : lopration Ci Ci + j=1 j C j dajouter une combinaison linaire des autres
j6=i

colonnes conserve le dterminant.


Attention ! changer deux colonnes change le signe du dterminant.
Dmonstration.
1. La premire proprit dcoule de la partie (i) de la dfinition du dterminant.

2. Soit A = C1 Ci C j Cn une matrice reprsente par ses vecteurs colonnes Ck . Lopra
tion Ci Ci + C j transforme la matrice A en la matrice A0 = C1 Ci + C j C j Cn .
Par linarit par rapport la colonne i, on sait que

det A0 = det A + det C1 C j C j Cn .

Or les colonnes i et j de la matrice C1 C j C j Cn sont identiques, donc son dterminant est nul.

3. Si on change les colonnes i et j de A = C1 Ci C j Cn on obtient la matrice A0 =

C1 Ci C j Cn , o le vecteur C j se retrouve en colonne i et le vecteur Ci en colonne j.

Introduisons alors une troisime matrice B = C1 Ci + C j C j + Ci Cn . Cette matrice
a deux colonnes distinctes gales, donc daprs (ii), det B = 0.

DTERMINANTS

2. DFINITION DU DTERMINANT

217

Dun autre ct, nous pouvons dvelopper ce dterminant en utilisant la proprit (i) de multilinarit,
cest--dire linarit par rapport chaque colonne. Ceci donne

0 = det B = det C1 Ci + C j C j + Ci Cn

= det C1 Ci C j + Ci Cn

+ det C1 C j C j + Ci Cn

= det C1 Ci C j Cn

+ det C1 Ci Ci Cn

+ det C1 C j C j Cn

+ det C1 C j Ci Cn
= det A + 0 + 0 + det A0 ,
encore grce (i) pour les deux dterminants nuls du milieu.

Corollaire 1.
Si une colonne Ci de la matrice A est combinaison linaire des autres colonnes, alors det A = 0.

2.3. Dterminants de matrices particulires


Calculer des dterminants nest pas toujours facile. Cependant il est facile de calculer le dterminant de
matrices triangulaires.
Proposition 4.
Le dterminant dune matrice triangulaire suprieure (ou infrieure) est gal au produit des termes diagonaux.
Autrement dit, pour une matrice triangulaire A = (ai j ) on a


a

11 a12 . . . . . . . . . a1n

0 a
22 . . . . . . . . . a2n

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

det A = .
.. = a11 a22 ann .
.
.
.. ..
..
.

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

0
... ... ... 0 a
nn

Comme cas particulirement important on obtient :


Corollaire 2.
Le dterminant dune matrice diagonale est gal au produit des termes diagonaux.

Dmonstration. On traite le cas des matrices triangulaires suprieures (le cas des matrices triangulaires
infrieures est identique). Soit donc

a11 a12 a13 a1n


0 a22 a23 a2n

0 a33 a3n
A= 0
.
.
..
..
..
.
.
.
.
.
.
.
.
0

ann

DTERMINANTS

2. DFINITION DU DTERMINANT

218

La faon de procder utilise lalgorithme du pivot de Gauss (sur les colonnes, alors quil est en gnral dfini
sur les lignes). Par linarit par rapport la premire colonne, on a


1 a12 a13 a1n


0 a22 a23 a2n




det A = a11 0 0 a33 a3n .
.
..
..
..
..
..
.
.
.
.

0 0
0 a
nn

On soustrait maintenant de chaque colonne C j , pour j > 2, la colonne C1 multiplie par a1 j . Cest lopration
lmentaire C j C j a1 j C1 . Ceci ne modifie pas le dterminant daprs la section prcdente. Il vient donc


1 0
0 0


0 a22 a23 a2n


0 0 a

a
33
3n .
det A = a11
.
..
..
..
..
..
.
.
.
.

0 0
0 a
nn

Par linarit par rapport la deuxime colonne, on en dduit



1 0 0

0 1 a23


det A = a11 a22 0 0 a33
. .
..
.. ..
.

0 0 0


0

a2n
a3n ,
..
..
.
.
a
nn

et lon continue ainsi jusqu avoir parcouru toutes les colonnes de la matrice. Au bout de n tapes, on a
obtenu


1 0 0 0


0 1 0 0




det A = a11 a22 a33 ann 0 0 1 0 = a11 a22 a33 ann det I n ,
. . . .

. . ...
.. .. ..


0 0 0 1
do le rsultat, car det I n = 1, par (iii).

2.4. Dmonstration de lexistence du dterminant


La dmonstration du thorme dexistence du dterminant, expose ci-dessous, est ardue et pourra tre
garde pour une seconde lecture. Par ailleurs, lunicit du dterminant, plus difficile, est admise.
Pour dmontrer lexistence dune application satisfaisant aux conditions (i), (ii), (iii) du thorme-dfinition
1, on donne une formule qui, de plus, nous offre une autre mthode de calcul pratique du dterminant dune
matrice, et on vrifie que les proprits caractristiques des dterminants sont satisfaites. On retrouvera
cette formule, dite de dveloppement par rapport une ligne, en section 4.2.
Notation. Soit A Mn (K) une matrice carre de taille n n. Il est vident que si lon supprime une ligne
et une colonne dans A, la matrice obtenue a n 1 lignes et n 1 colonnes. On note Ai, j ou Ai j la matrice
obtenue en supprimant la i-me ligne et la j-me colonne de A. Le thorme dexistence peut snoncer de
la faon suivante :
Thorme 2 (Existence du dterminant).
Les formules suivantes dfinissent par rcurrence, pour n > 1, une application de Mn (K) dans K qui satisfait
aux proprits (i), (ii), (iii) caractrisant le dterminant :
Dterminant dune matrice 1 1. Si a K et A = (a), det A = a.

DTERMINANTS

2. DFINITION DU DTERMINANT

219

Formule de rcurrence. Si A = (ai, j ) est une matrice carre de taille n n, alors pour tout i fix
det A = (1)i+1 ai,1 det Ai,1 + (1)i+2 ai,2 det Ai,2 + + (1)i+n ai,n det Ai,n .
Dmonstration. La preuve se fait par rcurrence sur lordre des matrices.
Initialisation. Dans le cas n = 1, il est vident que toutes les proprits souhaites sont satisfaites.
Hrdit. Supposons maintenant que lapplication det : Mn1 (K) K soit dfinie et satisfasse les proprits
(i), (ii) et (iii). Pour faciliter lexposition, la preuve va tre faite pour i = n. Soit A = (ai, j ) note aussi
a1, j
a1, j
.
..
A = (C1 Cn ) o C j =
est la j-me colonne de A. On notera aussi C j =
la colonne (n 1)
..
.
an, j

an1, j

lments, gale C j prive de son dernier coefficient.


Proprit (i).
Il sagit de vrifier que lapplication
A 7 det A = (1)n+1 an,1 det An,1 + (1)n+2 an,2 det An,2 + + (1)n+n an,n det An,n
est linaire par rapport chaque colonne. Nous allons le prouver pour la dernire colonne, cest--dire
que :
det(C1 , . . . , Cn1 , Cn0 + Cn00 ) = det(C1 , . . . , Cn1 , Cn0 ) + det(C1 , . . . , Cn1 , Cn00 ) .
Notons A, A0 , A00 les matrices (C1 Cn1 Cn0 + Cn00 ), (C1 Cn1 Cn0 ) et (C1 Cn1 Cn00 ), et An, j ,
A0n, j , A00n, j les sous-matrices extraites en enlevant n-me ligne et la j-me colonne. En comparant les
0
00
0
00
diffrentes matrices, on constate que an,
j = an, j = an, j si j < n tandis que an,n = an,n + an,n .
0
00
Similairement, A = A = An,n = (C1 Cn1 ) puisque la n-me colonne est enleve. Par contre, pour
n,n

n,n

j < n, An, j , A0n, j , A00n, j ont leurs (n 2) premires colonnes identiques, et diffrent par la dernire. Comme
ce sont des dterminants de taille n 1, on peut utiliser lhypothse de rcurrence :
det An, j

= det(C1 , . . . , C j1 , C j+1 , . . . , Cn1 , Cn0 + Cn00 )


= det(C1 , . . . , C j1 , C j+1 , . . . , Cn1 , Cn0 )
+ det(C1 , . . . , C j1 , C j+1 , . . . , Cn1 , Cn00 )
= det A0n, j + det A00n, j

Finalement, en mettant de ct dans la somme le n-me terme :


det A =
=

(1)n+1 an,1 det An,1 + (1)n+2 an,2 det A1,2 + + (1)n+n an,n det An,n
!
n1
X
(1)n+ j an, j det An, j + (1)2n an,n det An,n
j=1

!
n1
X
0
00
(1)n+ j an, j ( det A0n, j + det A00n, j ) + (1)2n (an,n
+ an,n
) det An,n
j=1

n
n
X
X
0
0
00
00

(1)n+ j an,
det
A
+

(1)n+ j an,
j
n, j
j det An, j
j=1

j=1
0

00

det A + det A

La dmonstration est similaire pour les autres colonnes (on peut aussi utiliser la proprit (ii) ci-dessous).
Proprit
(ii).

Supposons que C r = Cs pour r < s. Si k est diffrent de r et de s, la matrice An,k possde encore deux
colonnes identiques Cr et Cs . Par hypothse de rcurrence, det An,k = 0. Par consquent,
det A = (1)n+r det An,r + (1)n+s det An,s
Or An,r et An,s possdent toutes les deux les mmes colonnes : An,r = (C1 Cr1 Cr+1 Cs Cn ) et
An,s = (C1 Cr Cs1 Cs+1 Cn ), car Cr = Cs . Pour passer de An,s An,r , il faut faire s r 1 changes

DTERMINANTS

3. PROPRITS DU DTERMINANT

220

de colonnes C j C j+1 successifs, qui par hypothse de rcurrence changent le signe par (1)sr1 :
det An,s = (1)sr1 det An,r . On conclut immdiatement que

det A = (1)n+r + (1)n+2sr1 det An,r = 0 .
Proprit (iii). Si lon considre pour A la matrice identit I n , ses coefficients ai, j sont tels que :
i = j = ai, j = 1
i 6= j = ai, j = 0.
Donc det I n = (1)n+n det An,n . Or, la matrice An,n obtenue partir de la matrice identit en supprimant
la dernire ligne et la dernire colonne est la matrice identit de taille (n 1) (n 1). Par hypothse
de rcurrence, on a det I n1 = 1. On en dduit det I n = 1.
Conclusion. Le principe de rcurrence termine la preuve du thorme dexistence du dterminant.
Remarque.
La dfinition donne ci-dessus suppose le choix dun indice i de ligne (i = n dans la dmonstration) et
peut paratre arbitraire. Alors se pose naturellement la question : que se passe-t-il si lon prend une autre
valeur de i ? Lunicit du dterminant dune matrice permet de rpondre : quelle que soit la ligne choisie, le
rsultat est le mme.
Mini-exercices.
1. En utilisant la linarit du dterminant, calculer det (I n ).
2. Pour A Mn (K), calculer det(A) en fonction de det A.
3. Montrer que le dterminant reste invariant par lopration Ci Ci +
colonne de A une combinaison linaire des autres colonnes de A).

j=1..n j C j
j6=i

(on ajoute une

3. Proprits du dterminant
Nous allons voir trois proprits importantes du dterminant : le dterminant dun produit de matrices, le
dterminant de linverse dune matrice, le dterminant de la transpose dune matrice. Pour prouver ces
proprits, nous aurons besoin des matrices lmentaires.

3.1. Dterminant et matrices lmentaires


Pour chacune des oprations lmentaires sur les colonnes dune matrice A, on associe une matrice lmentaire E, telle que la matrice obtenue par lopration lmentaire sur A soit A0 = A E.
1. Ci Ci avec 6= 0 : ECi Ci = diag(1, . . . , 1, , 1, . . . , 1) est la matrice diagonale ne comportant que
des 1, sauf en position (i, i) ;
2. Ci Ci + C j avec K (et j 6= i) : ECi Ci +C j est comme la matrice identit, sauf en position ( j, i) o
son coefficient vaut ;
3. Ci C j : ECi C j est comme la matrice identit, sauf que ses coefficients (i, i) et ( j, j) sannulent, tandis
que les coefficients (i, j) et ( j, i) valent 1.
1

.
.
..

..

1
1

0
1

1
..

.
..
ECi Ci +C j =
ECi C j =

.
..

1
.

1
0
1

..
..
.
.
1
1

DTERMINANTS

3. PROPRITS DU DTERMINANT

221

Nous allons dtailler le cas de chaque opration et son effet sur le dterminant :
Proposition 5.
1. det ECi Ci =
2. det ECi Ci +C j = +1
3. det ECi C j = 1
4. Si E est une des matrices lmentaires ci-dessus, det (A E) = det A det E

Dmonstration. Nous utilisons les propositions 3 et 4.


1. La matrice ECi Ci est une matrice diagonale, tous les lments diagonaux valent 1, sauf un qui vaut .
Donc son dterminant vaut .
2. La matrice ECi Ci +C j est triangulaire infrieure ou suprieure avec des 1 sur la diagonale. Donc son
dterminant vaut 1.
3. La matrice ECi C j est aussi obtenue en changeant les colonnes i et j de la matrice I n . Donc son
dterminant vaut 1.
4. La formule det A E = det A det E est une consquence immdiate de la proposition 3.

Cette proposition nous permet de calculer le dterminant dune matrice A de faon relativement simple, en
utilisant lalgorithme de Gauss. En effet, si en multipliant successivement A par des matrices lmentaires
E1 , . . . , E r on obtient une matrice T chelonne, donc triangulaire
T = A E1 E r
alors, en appliquant r-fois la proposition prcdente, on obtient :
det T

=
=
=
=

det(A E1 E r )
det(A E1 E r1 ) det E r

det A det E1 det E2 det E r

Comme on sait calculer le dterminant de la matrice triangulaire T et les dterminants des matrices
lmentaires Ei , on en dduit le dterminant de A.
En pratique cela ce passe comme sur lexemple suivant.
Exemple 3.

0 3 2
Calculer det A, o A = 1 6 6
5 9 1

DTERMINANTS

3. PROPRITS DU DTERMINANT

222

0 3 2
det A = det 1 6 6
5 9 1
(opration C1 C2 pour avoir un pivot en haut gauche)

3 0 2
= (1) det 6 1 6
9 5 1
1
(C1 3 C1 , linarit par rapport la premire colonne)

1 0 2
= (1) 3 det 2 1 6
3 5 1

1 0 0
C3 C3 2C1
= (1) 3 det 2 1 10
3 5 5

1 0
0
0
C3 C3 10C2
= (1) 3 det 2 1
3 5 55
= (1) 3 (55)
car la matrice est triangulaire
= 165

3.2. Dterminant dun produit


Thorme 3.
det(AB) = det A det B

Dmonstration. La preuve utilise les matrices lmentaires ; en effet, par la proposition 5, pour A une matrice
quelconque et E une matrice dune opration lmentaire alors :
det(A E) = det A det E.
Passons maintenant la dmonstration du thorme. On a vu dans le chapitre Matrices quune matrice B
est inversible si et seulement si sa forme chelonne rduite par le pivot de Gauss est gale I n , cest--dire
quil existe des matrices lmentaires Ei telles que
BE1 E r = I n .
Daprs la remarque prliminaire applique r fois, on a
det(B E1 E2 E r ) = det B det E1 det E2 det E r = det I n = 1
On en dduit
det B =

det E1 det E r

Pour la matrice AB, il vient


(AB) (E1 E r ) = A I n = A.
Ainsi
det(ABE1 E r ) = det(AB) det E1 det E r = det A.
Donc :
det(AB) = det A

1
= det A det B.
det E1 det E r

DTERMINANTS

3. PROPRITS DU DTERMINANT

223

Do le rsultat dans ce cas.


Si B nest pas inversible, rg B < n, il existe donc une relation de dpendance linaire entre les colonnes de B,
ce qui revient dire quil existe un vecteur colonne X tel que BX = 0. Donc det B = 0, daprs le corollaire 1.
Or BX = 0 implique (AB)X = 0. Ainsi AB nest pas inversible non plus, do det(AB) = 0 = det Adet B dans
ce cas galement.

3.3. Dterminant des matrices inversibles


Comment savoir si une matrice est inversible ? Il suffit de calculer son dterminant !
Corollaire 3.
Une matrice carre A est inversible si et seulement si son dterminant est non nul. De plus si A est inversible,
alors :

det A1 =

1
det A

Dmonstration.
Si A est inversible, il existe une matrice A1 telle que AA1 = I n , donc det(A) det(A1 ) = det I n = 1. On
en dduit que det A est non nul et det(A1 ) = det1 A .
Si A nest pas inversible, alors elle est de rang strictement infrieur n. Il existe donc une relation de
dpendance linaire entre ses colonnes, cest--dire quau moins lune de ses colonnes est combinaison
linaire des autres. On en dduit det A = 0.

Exemple 4.
Deux matrices semblables ont mme dterminant.
En effet : soit B = P 1 AP avec P G L n (K) une matrice inversible. Par multiplicativit du dterminant, on
en dduit que :
det B = det(P 1 AP) = det P 1 det Adet P = det A,
puisque det P 1 =

1
det P .

3.4. Dterminant de la transpose


Corollaire 4.


det AT = det A

Dmonstration. Commenons par remarquer que la matrice E dune opration lmentaire est soit triangulaire (substitution), soit symtrique cest--dire gale sa transpose (change de lignes et homothtie). On
vrifie facilement que det E T = det E.
Supposons dabord que A soit inversible. On peut alors lcrire comme produit de matrices lmentaires,
A = E1 E r . On a alors
AT = E rT E1T
et
det(AT ) = det(E rT ) det(E1T ) = det(E r ) det(E1 ) = det(A).

DTERMINANTS

4. CALCULS DE DTERMINANTS

224

Dautre part, si A nest pas inversible, alors AT nest pas inversible non plus, et det A = 0 = det AT .

Remarque.
Une consquence du dernier rsultat, est que par transposition, tout ce que lon a dit des dterminants
propos des colonnes est vrai pour les lignes. Ainsi, le dterminant est multilinaire par rapport aux lignes, si
une matrice a deux lignes gales, son dterminant est nul, on ne modifie pas un dterminant en ajoutant
une ligne une combinaison linaire des autres lignes, etc.

Voici le dtail pour les oprations lmentaires sur les lignes :


1. L i L i avec 6= 0 : le dterminant est multipli par .
2. L i L i + L j avec K (et j 6= i) : le dterminant ne change pas.
3. L i L j : le dterminant change de signe.
Mini-exercices.

a 1
1. Soient A = 0 b
0 0
matrices A, B, A1 ,

3
1 0 2
2 et B = 0 d 0. Calculer, lorsque cest possible, les dterminants des
c
2 0 1
1
T
T
B , A , B , AB, BA.

2. Calculer le dterminant de chacune des matrices suivantes en se ramenant par des oprations lmentaires une matrice triangulaire.

1 2 4
8


1 0 6
1 1 1
1 3 9
2i
27
a b

3 4 15 1 j j 2 avec j = e 3
1 4 16 64
c d
2
5 6 21
1 j
j
1 5 25 125

4. Calculs de dterminants
Une des techniques les plus utiles pour calculer un dterminant est le dveloppement par rapport une
ligne (ou une colonne) .

4.1. Cofacteur
Dfinition 1.

Soit A = ai j Mn (K) une matrice carre.
On note Ai j la matrice extraite, obtenue en effaant la ligne i et la colonne j de A.
Le nombre det Ai j est un mineur dordre n 1 de la matrice A.
Le nombre Ci j = (1)i+ j det Ai j est le cofacteur de A relatif au coefficient ai j .

DTERMINANTS

4. CALCULS DE DTERMINANTS

a11

..
.
a
i1,1

a
A=
i,1

a
i+1,1

..
.
an1

. . . a1, j1 a1, j a1, j+1


..
..
.
.
. . . ai1, j1 ai1, j ai1, j+1
. . . ai, j1

ai, j

ai, j+1

. . . ai+1, j1 ai+1, j ai+1, j+1


..
.
. . . an, j1

..
.

an, j

a1,1 . . . a1, j1
..
..
.
.

ai1,1 . . . ai1, j1
Ai j =
a
i+1,1 . . . ai+1, j1
.
..
..
.
an,1 . . . an, j1

an, j+1

a1, j+1
..
.
ai1, j+1
ai+1, j+1
an, j+1

225

. . . a1n

..

. . . ai1,n

. . . ai,n

. . . ai+1,n

..

.
. . . ann

a1,n
..
.

. . . ai1,n

. . . ai+1,n

..
.

...

...

an,n

Exemple5.

1 2 3
Soit A = 4 2 1. Calculons A11 , C11 , A32 , C32 .
0 1 1

A11 =




2 1

1 1

A32 =

C11 = (1)1+1 det A11 = +1.




1 3

4 1

C32 = (1)3+2 det A32 = (1) (11) = 11.

Pour dterminer si Ci j = + det Ai j ou Ci j = det Ai j , on peut se souvenir que lon associe des signes en
suivant le schma dun chiquier :

+ + ...
+ + . . .

A = + + . . .

.. .. .. ..
. . . .
Donc C11 = + det A11 , C12 = det A12 , C21 = det A21 ...

DTERMINANTS

4. CALCULS DE DTERMINANTS

226

4.2. Dveloppement suivant une ligne ou une colonne


Thorme 4 (Dveloppement suivant une ligne ou une colonne).
Formule de dveloppement par rapport la ligne i :
n
n
X
X
det A =
(1)i+ j ai j det Ai j =
ai j Ci j
j=1

j=1

Formule de dveloppement par rapport la colonne j :


n
n
X
X
det A =
(1)i+ j ai j det Ai j =
ai j Ci j
i=1

i=1

Dmonstration. Nous avons dj dmontr la formule de dveloppement suivant une ligne lors de la
dmonstration du thorme 1 dexistence et dunicit du dterminant. Comme det A = det AT , on en dduit
la formule de dveloppement par rapport une colonne.

Exemple 6.
Retrouvons la formule des dterminants 3 3, dj prsente par la rgle de Sarrus, en dveloppement par
rapport la premire ligne.


a11

a
21
a
31

a12
a22
a32


a13
a23 = a11 C11 + a12 C12 + a13 C13
a33






a22 a23
a21 a23
a21 a22






= a11
a12
+ a13
a32 a33
a31 a33
a31 a32
= a11 (a22 a33 a32 a23 ) a12 (a21 a33 a31 a23 )
+ a13 (a21 a32 a31 a22 )
= a11 a22 a33 a11 a32 a23 + a12 a31 a23 a12 a21 a33
+ a13 a21 a32 a13 a31 a22 .

4.3. Exemple
Exemple 7.

4
4
A=
0
1

0
2
3
0

3 1
1 0

1 1
2 3

DTERMINANTS

4. CALCULS DE DTERMINANTS

227

On choisit de dvelopper par rapport la seconde colonne (car cest l quil y a le plus de zros) :
det A = 0C12 + 2C22 + 3C32 + 0C42
(dveloppement par rapport la deuxime colonne)




4 3 1
4 3 1




= +2 0 1 1 3 4 1 0
1 2 3
1 2 3
on noublie pas les signes des cofacteurs et on recommence
en dveloppant chacun de ces deux dterminants 3 3






3 1
3 1
1 1






+ 1
0
= +2 +4
1 1
2 3
2 3
(par rapport la premire colonne)






4 3
4 1
3 1



+ 1
3 4
1 3 0 1 2
2 3
(par rapport la deuxime ligne)


= +2 + 4 5 0 + 1 (4) 3 4 7 + 1 11 0
= 83
Remarque.
Le dveloppement par rapport une ligne permet de ramener le calcul dun dterminant n n celui de
n dterminants (n 1) (n 1). Par rcurrence descendante, on se ramne ainsi au calcul de n! sousdterminants, ce qui devient vite fastidieux. Cest pourquoi le dveloppement par rapport une ligne ou une
colonne nest utile pour calculer explicitement un dterminant que si la matrice de dpart a beaucoup de
zros. On commence donc souvent par faire apparatre un maximum de zros par des oprations lmentaires
sur les lignes et/ou les colonnes qui ne modifient pas le dterminant, avant de dvelopper le dterminant
suivant la ligne ou la colonne qui a le plus de zros.

4.4. Inverse dune matrice


Soit A Mn (K) une matrice carre.
Nous lui associons la matrice C des cofacteurs, appele comatrice, et note Com(A) :

C11 C12 C1n


C

21 C22 C2n
C = (Ci j ) = .

.
.
..
..
..
Cn1

Cn2 Cnn

Thorme 5.
Soient A une matrice inversible, et C sa comatrice. On a alors
A1 =

1
CT
det A

Exemple8.

1 1 0
Soit A = 0 1 1 . Le calcul donne que det A = 2. La comatrice C sobtient en calculant 9 dterminants
1 0 1

DTERMINANTS

4. CALCULS DE DTERMINANTS

2 2 (sans oublier les signes +/). On trouve :

1
1 1
1 et donc
C = 1 1
1 1 1

228

1 1 1
1
1
1 1
A1 =
CT = 1
det A
2
1 1
1

La dmonstration se dduit directement du lemme suivant.


Lemme 1.
Soit A une matrice (inversible ou pas) et C sa comatrice. Alors AC T = (det A)I n , autrement dit

X
det A si i = j
aik C jk =
0
sinon
k

P
Dmonstration. Le terme de position (i, j) dans AC T est k aik C jk , et donc si i = j, le rsultat dcoule de
la formule de dveloppement par rapport la ligne i.
Pour le cas i =
6 j, imaginons que lon remplace A par une matrice A0 = (ai0 j ) identique, si ce nest que la ligne
L j est remplace par la ligne L i , autrement dit a0jk = aik pour tout k. De plus, comme A0 possde deux lignes
identiques, son dterminant est nul. On appelle C 0 la comatrice de A0 , et la formule de dveloppement pour
la ligne j de A0 donne
X
X
0 = det A0 =

0
a0jk C jk
=

0
aik C jk

0
Or, C jk
se calcule partir de la matrice extraite A0jk , qui ne contient que les lments de A0 sur les lignes
diffrentes de j et colonnes diffrents de k. Mais sur les lignes diffrentes de j, A0 est identique A, donc
P
0
C jk
= C jk . On conclut que k aik C jk = 0.
Finalement,

det A
0
...
0

..
0
det A
.
T
= det A I

AC = .

.
.
.
.
.
0

0
...
0 det A
et en particulier, si det A 6= 0, cest--dire si A est inversible, alors on a
1
A1 =
CT .
det A

Mini-exercices.

2 0 2
t 0 t
1. Soient A = 0 1 1 et B = 0 t 0. Calculer les matrices extraites, les mineurs dordre 2
2 0 0
t 0 t
et les cofacteurs de chacune des matrices A et B. En dduire le dterminant de A et de B. En dduire
linverse de A et de B lorsque cest possible.
2. Par dveloppement suivant une ligne (ou une colonne) bien choisie, calculer les dterminants :




1 0 1 2
t 0 1 0








0 0 0 1
1 t 0 0




1 1 1 0
0 1 t 0




0 0 0 1
0 0 0 t
3. En utilisant la formule de dveloppement par rapport une ligne, recalculer le dterminant dune
matrice triangulaire.

DTERMINANTS

5. APPLICATIONS DES DTERMINANTS

229

5. Applications des dterminants


Nous allons voir plusieurs applications des dterminants.

5.1. Mthode de Cramer


Le thorme suivant, appel rgle de Cramer, donne une formule explicite pour la solution de certains
systmes dquations linaires ayant autant dquations que dinconnues. Considrons le systme dquations
linaires n quations et n inconnues suivant :

a11 x 1 + a12 x 2 + + a1n x n = b1

a21 x 1 + a22 x 2 + + a2n x n = b2


...

an1 x 1 + an2 x 2 + + ann x n = bn


Ce systme peut aussi scrire sous forme matricielle AX = B o

a11 a12 a1n


x1
a

21 a22 a2n
x2
A= .
X = .
Mn (K),
.
.
..
..
..
..
an1 an2 ann
xn
Dfinissons la matrice A j Mn (K) par

a11
a
21
Aj = .
..

B=

et

. . . a1, j1
. . . a2, j1
..
.

b1
b2
..
.

a1, j+1
a2, j+1
..
.

. . . a1n
. . . a2n
..
.

an1 . . . an, j1

bn

an, j+1 . . . ann

b1
b2
..
.

bn

Autrement dit, A j est la matrice obtenue en remplaant la j-me colonne de A par le second membre B. La
rgle de Cramer va nous permettre de calculer la solution du systme dans le cas o det A 6= 0 en fonction
des dterminants des matrices A et A j .
Thorme 6 (Rgle de Cramer).
Soit
AX = B
un systme de n quations n inconnues. Supposons que det A 6= 0. Alors lunique solution (x 1 , x 2 , . . . , x n )
du systme est donne par :
det An
det A1
det A2
x1 =
x2 =
...
xn =
.
det A
det A
det A
Dmonstration. Nous avons suppos que det A 6= 0. Donc A est inversible. Alors X = A1 B est lunique
solution du systme. Dautre part, nous avons vu que A1 = det1 A C T o C est la comatrice. Donc X = det1 A C T B.
En dveloppant,


x1
C11 . . . Cn1
C11 b1 + C21 b2 + + Cn1 bn
b1
1 .
1

.
.. ..
..
X = .. =
..

. . =
.
det A
det A
C1n . . . Cnn
bn
C1n b1 + C2n b2 + + Cnn bn
xn
Cest--dire
C11 b1 + + Cn1 bn
C1i b1 + + Cni bn
C1n b1 + + Cnn bn
, xi =
, xn =
det A
det A
det A
Mais b1 C1i + + bn Cni est le dveloppement en cofacteurs de det Ai par rapport sa i-me colonne. Donc
det Ai
xi =

det A
x1 =

DTERMINANTS

5. APPLICATIONS DES DTERMINANTS

230

Exemple 9.
Rsolvons le systme suivant :
x1
+ 2x 3 = 6
3x 1 + 4x 2 + 6x 3 = 30

x 1 2x 2 + 3x 3 = 8.

On a

1
0 2
4 6
B=
A = 3
1 2 3

1 6 2
6
0 2
4 6
A2 = 3 30 6
A1 = 30
1 8 3
8 2 3

6
30
8

1
0 6
4 30
A3 = 3
1 2 8

et
det A = 44

det A1 = 40

La solution est alors


det A1
40
10
x1 =
=
=
det A
44
11

x2 =

det A2 = 72

det A2
72 18
=
=
det A
44 11

det A3 = 152.

x3 =

det A3
152 38
=
=

det A
44
11

La mthode de Cramer nest pas la mthode la plus efficace pour rsoudre un systme, mais est utile si le
systme contient des paramtres.

5.2. Dterminant et base


Soit E un K-espace vectoriel de dimension n. Fixons une base B de E. On veut dcider si n vecteurs
v1 , v2 , . . . , vn forment aussi une base de E. Pour cela, on crit la matrice A Mn (K) dont la j-me colonne
est forme des coordonnes du vecteur v j par rapport la base B (comme pour la matrice de passage). Le
calcul de dterminant apporte la rponse notre problme.
Thorme 7.
Soit E un K espace vectoriel de dimension n, et v1 , v2 , . . . , vn , n vecteurs de E. Soit A la matrice obtenue en
juxtaposant les coordonnes des vecteurs par rapport une base B de E. Les vecteurs (v1 , v2 , . . . , vn ) forment
une base de E si et seulement si det A 6= 0.
Corollaire 5.
Une famille de n vecteurs de Rn

a11
a
21
.
..

a12
a
22
.
..

a1n
a
2n
.
..

an1
an2
forme une base si et seulement si det (ai j ) 6= 0.
Exemple 10.
Pour quelles valeurs de a, b R les vecteurs

0
a
b

ann


a
b


b
0

DTERMINANTS

5. APPLICATIONS DES DTERMINANTS

231

forment une base de R3 ? Pour rpondre, il suffit de calculer le dterminant




0 a b


a b 0 = a3 b3 .


b 0 a
Conclusion : si a3 6= b3 alors les trois vecteurs forment une base de R3 . Si a3 = b3 alors les trois vecteurs
sont lis. (Exercice : montrer que a3 + b3 = 0 si et seulement si a = b.)
Dmonstration. La preuve fait appel des rsultats du chapitre Matrices et applications linaires (section
Rang dune famille de vecteurs ) :
(v1 , v2 , . . . , vn ) forment une base

rg(v1 , v2 , . . . , vn ) = n
rg A = n
A est inversible
det A 6= 0

5.3. Mineurs dune matrice


Dfinition 2.
Soit A = (ai j ) Mn,p (K) une matrice n lignes et p colonnes coefficients dans K. Soit k un entier
infrieur n et p. On appelle mineur dordre k le dterminant dune matrice carre de taille k obtenue
partir de A en supprimant n k lignes et p k colonnes.
Noter que A na pas besoin dtre une matrice carre.
Exemple 11.
Soit la matrice

1 2 3 4
A = 1 0 1 7
0 1 6 5
Un mineur dordre 1 est simplement un coefficient de la matrice A.
Un mineur dordre 2 est le dterminant dune matrice 2 2 extraite deA. Parexemple en ne retenant
2 4
que la ligne 1 et 3 et la colonne 2 et 4, on obtient la matrice extraite
. Donc un des mineurs
1 5


2 4
= 6.
dordre 2 de A est
1 5

Un mineur dordre 3 est le dterminant dune matrice 3 3 extraite de A. Par exemple, en ne retenant
que les colonnes 1, 3 et 4 on obtient le mineur


1 3 4


1 1 7 = 28


0 6 5
Il ny a pas de mineur dordre 4 (car la matrice na que 3 lignes).

5.4. Calcul du rang dune matrice


Rappelons la dfinition du rang dune matrice.
Dfinition 3.
Le rang dune matrice est la dimension de lespace vectoriel engendr par les vecteurs colonnes. Cest
donc le nombre maximum de vecteurs colonnes linairement indpendants.

DTERMINANTS

5. APPLICATIONS DES DTERMINANTS

232

Thorme 8.
Le rang dune matrice A Mn,p (K) est le plus grand entier r tel quil existe un mineur dordre r extrait de A
non nul.
La preuve sera vue en section 5.6.
Exemple 12.
Soit un paramtre rel. Calculons le rang de la matrice A M3,4 (R) :

1 1 2 1
A = 1 2 3 1
1 1 1
Clairement, le rang ne peut pas tre gal 4, puisque 4 vecteurs de R3 ne sauraient tre indpendants.
On obtient les mineurs dordre 3 de A en supprimant une colonne. Calculons le mineur dordre 3 obtenu
en supprimant la premire colonne, en le dveloppant par rapport sa premire colonne :


1 2 1





3 1
2 1 2 1

2 3 1 =




1 2 1 + 3 1 = 2 .
1 1
Par consquent, si 6= 2, le mineur prcdent est non nul et le rang de la matrice A est 3.
Si = 2, on vrifie que les 4 mineurs dordre 3 de A sont nuls :





1 2 1 1 2 1 1 1 1 1 1 2





2 3 1 = 1 3 1 = 1 2 1 = 1 2 3 = 0





1 2 1 1 2 1 1 1 1 1 1 2


1 1

= 1 (lignes 1, 2, colonnes 1, 2 de A) est
Donc dans ce cas, A est de rang infrieur ou gal 2. Or
1 2
un mineur dordre 2 non nul. Donc si = 2 , le rang de A est 2.

5.5. Rang dune matrice transpose


Proposition 6.
Le rang de A est gal au rang de sa transpose AT .

Dmonstration. Les mineurs de AT sont obtenus partir des mineurs de A par transposition. Comme les
dterminants dune matrice et de sa transpose sont gaux, la proposition dcoule de la caractrisation du
rang dune matrice laide des mineurs (thorme 8).

5.6. Indpendance et dterminant


Revenons sur le thorme 8 et sa preuve avec une version amliore.
Thorme 9 (Caractrisation de lindpendance linaire de p vecteurs).
Soit E un K-espace vectoriel de dimension n et B = (e1 , . . . , en ) une base de E. Soient v1 , . . . , vp des vecteurs
Pn
de E avec p 6 n. Posons v j = i=1 ai, j ei pour 1 6 j 6 n. Alors les vecteurs {v1 , . . . , vp } forment une famille

libre si et seulement sil existe un mineur dordre p non nul extrait de la matrice A = ai, j Mn,p (K).

Dmonstration. Supposons dabord que la famille F = {v1 , . . . , vp } soit libre.


Si p = n, le rsultat est une consquence du thorme 7.

DTERMINANTS

5. APPLICATIONS DES DTERMINANTS

233

Si p < n, on peut appliquer le thorme de la base incomplte la famille F et la base B = {e1 , . . . , en } ;


et quitte renumroter les vecteurs de B, on peut supposer que B 0 = (v1 , . . . , vp , e p+1 , . . . , en ) est une
base de E. (Note : cette renumrotation change lordre de ei , autrement dit change les lignes de la
matrice A, ce qui na pas dimpact sur ses mineurs ; on appellera encore B la base renumrote.) La
matrice P de passage de B vers B 0 contient les composantes des vecteurs (v1 , . . . , vp , e p+1 , . . . , en ) par
rapport la base (renumrote) B = (e1 , . . . , en ) cest--dire

a1,1 . . . a1,p 0 . . . 0
..
..
.. . .
.
..
.
.
. ..
.
.

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

P = a p,1 . . . a p,p 0 . . . 0

a
.
.
.
a
1
.
.
.
0
p+1,1
p+1,p

..
..
.. . .
..
..
.
.
.
.
.
.
an,1

...

an,p

0 ... 1

Le dterminant det P est non nul puisque les vecteurs (v1 , . . . , vp , e p+1 , . . . , en ) forment une base de E.
Or ce dterminant se calcule en dveloppant par rapport aux dernires colonnes autant de fois que
ncessaire (soit n p fois). Et lon trouve que


a1,1 . . . a1,p


.
..
..
det P = ..
.
.

a

p,1 . . . a p,p


a1,1 . . . a1,p


..
..
.
.
Le mineur .
.
. est donc non nul.

a
... a
p,1

p,p

Montrons maintenant la rciproque. Supposons que le mineur correspondant aux lignes i1 , i2 , . . . , i p soit
non nul. Autrement dit, la matrice

ai1 ,1 . . . ai1 ,p
.
..
..
B = ..
.
.
satisfait det B 6= 0. Supposons aussi

aip ,1 . . . aip ,p
1 v1 + + p vp = 0

En exprimant chaque vi dans la base (e1 , . . . , en ), on voit aisment que cette relation quivaut au systme
suivant n lignes et p inconnues :

a1,1 1 + . . . + a1,p p = 0

a + . . . + a = 0
2,1 1
2,p p
..
..
..
..
..
.. ..

.
.
.
.
.
. .

an,1 1 + . . . + an,p p = 0
Ce qui implique, en ne retenant que les lignes i1 , . . . , i p :

ai1 ,1 1 + . . . + ai1 ,p p

a + . . . + a
i2 ,1 1
i2 ,p p
..
..
..
..
..

.
.
.
.
.

a + . . . + a
i p ,1 1
i p ,p p
ce qui scrit matriciellement

1
.
B .. = 0.
p

= 0
= 0
.. ..
. .
= 0

DTERMINANTS

5. APPLICATIONS DES DTERMINANTS

234

Comme B est inversible (car det B =


6 0), cela implique 1 = = p = 0. Ce qui montre lindpendance des
vi .
Mini-exercices.
ty +z
2x + t y
1. Rsoudre ce systme linaire, en fonction du paramtre t R :

y + tz

= 1
= 2
= 3

2. Pour quelles valeurs de a, b R, les vecteurs suivants forment-ils une base de R3 ?


3a
2a
a
1 , 1 , 1
b

2b

3. Calculer le rang de la matrice suivante selon les paramtres a, b R.

1 2 b
0 a 1

1 0 2
1 2 1

Auteurs du chapitre
Daprs un cours de Sophie Chemla de luniversit Pierre et Marie Curie, reprenant des parties dun
cours de H. Ledret et dune quipe de luniversit de Bordeaux anime par J. Queyrut,
et un cours de Eva Bayer-Fluckiger, Philippe Chabloz, Lara Thomas de lcole Polytechnique Fdrale de
Lausanne,
rcrit et complt par Arnaud Bodin, Niels Borne. Relu par Laura Desideri et Pascal Romon.

Les auteurs
Ce livre, orchestr par lquipe Exo7, est issu dun large travail collectif. Les auteurs sont :
Arnaud Bodin
Marc Bourdon
Benjamin Boutin

Sophie Chemla
Guoting Chen
Pascal Romon

Eva Bayer-Fluckiger
Philippe Chabloz
Lara Thomas

Vous retrouverez les auteurs correspondant chaque partie en fin de chapitre. Soulignons que pour lalgbre
linaire ce cours est en grande partie bas dune part, sur un cours de Eva Bayer-Fluckiger, Philippe Chabloz,
Lara Thomas et dautre part sur un cours de Sophie Chemla, reprenant des parties de cours de H. Ledret et
dune quipe anime par J. Queyrut.
Lquipe Exo7 est compose dArnaud Bodin, La Blanc-Centi, Niels Borne, Benjamin Boutin, Laura Desideri
et Pascal Romon. Nous remercions toutes les personnes qui ont permis laboutissement de ce livre. En
particulier, Vianney Combet a t un relecteur attentif, ainsi que Stphanie Bodin. Kroum Tzanev a ralis
la trs belle composition de ce livre, Yannick Bonnaz en a cr la couverture.
Le cours et les vidos ont t financs par luniversit de Lille 1 et Unisciel. Ce livre est diffus sous la licence
Creative Commons BY-NC-SA 3.0 FR. Sur le site Exo7 vous pouvez le tlcharger gratuitement et aussi
rcuprer les fichiers sources.

Exo7

Index

Cnk , 24
E \ A, 12
, 3
= , 3

n
k , 24
, 13
, 12
, 12
!, 6
, 5
, 4
, 12
P (E), 12
,
/ 12
, 152
, 12
, 12
n!, 23
absurde, 7
affixe, 42
algorithme dEuclide, 47, 63
antcdent, 17
application, 15
application linaire, 126, 132, 156
image, 161
noyau, 162
argument, 38
assertion, 2
associativit, 71
automorphisme, 165
base, 173
base canonique, 134, 174, 175
bijection, 19
bijection rciproque, 19
cardinal, 20

classe dquivalence, 28
coefficients de Bzout, 48
cofacteur, 224
comatrice, 227
combinaison linaire, 147, 167
commutatif, 72
complmentaire, 12
composition, 15
congruence, 54
conjugu, 34
contraposition, 7
contre-exemple, 8
coordonnes, 173
crible dEratosthne, 52
cycle, 85
degr, 59
dterminant, 74, 89, 211, 215
dveloppement, 41
diagonale, 100, 119
dimension, 178
disjonction, 7
divisibilit, 45, 61
division euclidienne, 46, 62
droite vectorielle, 155, 183
lment neutre, 72, 138
lment simple, 69
endomorphisme, 158
ensemble, 12
ensemble vide, 12
quation linaire, 87, 91
quivalence, 3
espace vectoriel, 125, 137
dimension, 178
et logique, 2
exponentielle complexe, 39

factorielle, 23
famille
gnratrice, 171
libre, 167
lie, 167
linairement indpendante, 167
rang, 187
fonction, 15
formule
dEuler, 40
de changement de base, 208
de Moivre, 39
du binme de Newton, 25, 105
fraction rationnelle, 68
graphe, 15
groupe, 71
cyclique, 81
hrdit, 8
homothtie, 129, 159
hyperplan, 183
identit, 15, 157
image, 79, 161
image directe, 16
image rciproque, 16
implication, 3
inclusion, 12
ingalit triangulaire, 34
injection, 17
intersection, 13
irrductibilit, 66
isomorphisme, 78, 165, 196
lemme
dEuclide, 53, 67
de Gauss, 49, 64
linarisation, 41
logique, 2
loi de composition, 71
matrice, 74, 99
antisymtrique, 120
carre, 100
dune application linaire, 127, 199
de passage, 205
diagonale, 117
chelonne, 112, 188
lmentaire, 111
identit, 104

inverse, 106, 108


produit, 101
puissance, 104
rduite, 112
semblable, 209
symtrique, 120
trace, 119
transpose, 118
triangulaire, 117
mineur, 224, 231
module, 34
modulo, 54
monme, 61
morphisme, 77
multiplicit, 65
ngation, 2
nombre
imaginaire, 32
premier, 52
premiers entre eux, 48
nombre complexe, 31
noyau, 78, 162
opration lmentaire, 189
ou logique, 2
partie, 12
partie imaginaire, 32
partie polynomiale, 69
partie relle, 32
partition, 28
permutation, 82
pgcd, 46, 63
pivot, 113
plan vectoriel, 155, 183
polynme, 59
premiers entre eux, 63
ppcm, 51, 64
principe des tiroirs, 22
produit cartsien, 14
produit scalaire, 102, 125
projection, 159
projection orthogonale, 130
quantificateur, 4
quotient, 46, 62
racine, 65
racine de lunit, 40
raisonnement, 6

rang
dune application linaire, 193
dune famille, 187
dune matrice, 188, 231
rcurrence, 8
rductibilit, 67
rflexion, 127, 131
rflexivit, 27
rgle
de Cramer, 89, 229
de Sarrus, 212
relation dquivalence, 27
reprsentant, 28
reste, 46, 62
rotation, 129
scalaire, 124, 139
second membre, 91
somme directe, 152
sous-ensemble, 12
sous-espace vectoriel, 144
dimension, 182
engendr, 154, 171
intersection, 149
somme, 150
somme directe, 152
supplmentaire, 152
sous-groupe, 76
engendr, 77
trivial, 76
substitution, 88
support, 85

surjection, 17
symbole de Kronecker, 104
symtrie, 27
symtrie centrale, 158
systme
chelonn, 93
quivalent, 92
homogne, 92, 96
incompatible, 92
linaire, 91
rduit, 93
table de vrit, 2
thorme
de Fermat (petit), 57
de Bzout, 48, 64
de dAlembertGauss, 37
des quatre dimensions, 184
du rang, 194
trace, 119
transitivit, 27
transpose, 118
transposition, 85
triangle de Pascal, 25
union, 12
vecteur, 139
colinaire, 147
colonne, 125
ligne, 125
nul, 124, 139

Version 1.00 Janvier 2016