Vous êtes sur la page 1sur 21

Université Denis Diderot Paris 7 (2014-2015)

TD Maths, Agro

Mathieu Merle : merle@math.univ-paris-diderot.fr


www.proba.jussieu.fr/∼merle

Feuille d’exercices 6 : Familles libres, génératrices.


Applications linéaires.

1 Familles libres et familles liées de vecteurs de Rn .


Préambule : On rappelle qu’une famille F de p vecteurs de Rn (ou plus généralement une
famille de p vecteurs d’un espace vectoriel E), {x1 , ..., xp } est dite libre ssi
p
X
αi xi = 0 ⇒ αi = 0 ∀i ∈ {1, ..., n}.
i=1

Une famille de vecteurs qui n’est pas libre et dite liée.


La notion de famille libre se généralise à une famille de vecteurs de cardinal quelconque.
Une famille F = {xi }i∈I est libre ssi
X
∀J sous-ensemble d’indices fini ⊂ I, αj xj = 0 ⇒ αj = 0 ∀j ∈ J.
j∈J

Les deux premiers exercices qui suivent donnent des conditions équivalentes pour déterminer
si une famille finie est libre ou liée.
Exercice 1 (*) On considère F = {x1 , ..., xp } une famille de vecteurs de Rn , et on note A
la matrice de taille n × p dont les colonnes sont les vecteurs x1 , ..., xp . Démontrer que les
conditions suivantes sont équivalentes
1. La famille F est liée.
2. Il existe un i ∈ {1, ..., n} et des réels (βj )j6=i tels que
X
xi = βj xj .
j6=i

3. L’équation matricielle Ay = 0 admet au moins une solution non triviale y0 6= 0.


4. L’équation matricielle Ay = 0 admet une infinité de solutions.
5. L’algorithme du pivot effectué sur la matrice A aboutit à une matrice contenant un
nombre de pivots strictement inférieur à p.

1
Notons tout d’abord que 4. ⇔ 5. En effet, 0 est toujours solution de l’équation Ay = 0, et
de plus cette solution est unique si et seulement si il n’y a pas de variable libre, i.e. si et
seulement si le nombre de pivots finaux est égal au nombre de variables p.
Montrons tout d’abord 1. ⇒ 4.
On suppose que la famille F est liée. Ainsi il existe des coefficients non tous nuls α1 , ..., αn
tels que
Xp
αi xi = 0.
i=1
 
α1
 .. 
Posons alors y0 =  . , et observons que pour tout λ ∈ R,
αp
p
X
0
A(λy ) = λαi xi = λ0 = 0.
i=1

Ainsi tous les vecteurs λy0 , λ ∈ R sont solutions de Ay = 0, et cette équation possède
effectivement une infinité de solutions. 
L’implication 4. ⇒ 3. est triviale.
Montrons alors que 3. ⇒ 2. On suppose donc que l’équation matricielle Ay = 0 possède une
solution non triviale y0 avec y0 6= 0. On note y10 , ..., yn0 les coordonnées de y0 . Puisque ce
vecteur est non nul, ce vecteur possède au moins une coordonnée qui est non nulle, disons
yi0 . Observons alors que
Ay0 = y10 x1 + ... + yn0 xn = 0,
et donc X
yi0 xi = − yj0 xj .
j6=i

Puis en divisant par zi 6= 0, on obtient


X yj0
xi = − xj .
yi0
j6=i

On a trouvé que xi était combinaison linéaire des {xj }j6=i , on a donc prouvé 2. 
Montrons enfin que 2. ⇒ 1. On suppose donc 2., i.e. qu’il existe un indice i tel que xi peut
s’écrire comme combinaison linéaire des {xj }j6=i . Autrement dit, il existe des rééls (βj )j6=i
tels que X
xi = βj xj .
j6=i

Mais alors en posant αj = βj ∀j 6= i, αi = −1 on trouve que


n
X
αi xi = 0.
i=1

Comme αi = −1 on a clairement que les (αk )1≤k≤n ne sont pas tous nuls, et par définition
ceci signifie que la famille F est liée. 

2
Exercice 2 On considère F = {x1 , ..., xn } une famille de vecteurs de Rn , et on note A la
matrice de taille n × p dont les colonnes sont les vecteurs x1 , ..., xp . Démontrer que les
conditions suivantes sont équivalentes
1. La famille F est libre.
2. Aucun des xi , i ∈ {1, ..., n} ne peut s’écrire comme combinaison linéaire des {xj }j6=i .
3. L’équation matricielle Ay = 0 n’a que la solution triviale y = 0.
4. L’algorithme du pivot effectué sur la matrice A aboutit à une matrice contenant
exactement p pivots.
Il suffit ici d’observer que les assertions 1.,2.,3.,4. de cet exercice sont exactement
¬1., ¬2., ¬3., ¬4. de l’exercice précédent.

Exercice 3 (*) On se place dans le cadre de l’exercice précédent, et on suppose ici de plus
que p = n. Montrer que les conditions suivantes sont équivalentes
1. La famille F est libre.
2. L’équation Ay = 0 a pour unique solution la solution triviale.
3. L’algorithme du pivot effectué sur A aboutit à la matrice identité.
4. La matrice A est inversible.
5. Quelque soit b ∈ Rn , l’équation Ay = b admet une unique solution.
6. Vect{x1 , ..., xn } = Rn .
L’équivalence 1. ⇔ 2. a déjà été démontrée dans l’exercice précédent.
Pour 2. ⇒ 3., on montre de façon équivalente que ¬3. ⇒ ¬2. Pour cela il suffit de remarquer
que si l’algorithme du pivot n’aboutit pas à la matrice identité (i.e. il y a strictement moins
de n pivots), il y a forcément au moins une variable libre (puisqu’il y a n variables), et dans
ce cas Ay = 0 admet une infinité de solutions. 
3. ⇒ 2. est trivial, et donc à ce stade, on a déjà obtenu que 1. ⇔ 2. ⇔ 3.
Pour 3. ⇒ 4., il suffit d’appliquer l’algorithme du pivot pour le calcul de la matrice inverse.

Pour 4. ⇒ 5., on observe qu’en multipliant l’équation par A−1 il vient y = A−1 b. 
Pour 5. ⇒ 6., fixons b ∈ Rn . Il existe une solution y à l’équation Ay = b. Ceci signifie
exactement que y1 x1 + ... + yn xn = b, et donc b ∈ Vect{x1 , ..., xn }. Comme le raisonnement
est valable pour un b ∈ Rn arbitraire, on conclut que Vect{x1 , ..., xn } = Rn . 
Enfin, montrons que ¬3. ⇒ ¬6. Si l’algorithme du pivot n’aboutit pas à la matrice identité,
c’est qu’il y a strictement moins que n pivots, en particulier la dernière ligne n’est pas pivot.
L’algorithme du pivot sur la matrice A aboutit donc (par k opérations successives sur A qui
correspondent à des mutiplications à gauche successives par les matrices inversibles T1 , ...Tk
— voir la feuille d’exos supplémentaire pour plus de précisions sur l’existence de telles
matrices inversibles) à une matrice réduite Tk Tk−1 ...T1 A dont la dernière ligne est nulle.
Mais alors, dès queTk ...T1 b a sa dernière coordonnée non nulle (par exemple pour
0
 .. 
b = T1−1 ...Tk−1  . ), on obtient que l’algorithme du pivot sur la matrice augmentée (A b)
 
0
1
aboutit à une matrice dont la dernière ligne est (0 0 . . . 0 1). On a montré qu’il existe des

3
b ∈ Rn tels que Ay = b n’a aucune solution, autrement dit de tels b ne sont pas dans
Vect{x1 , ..., xn }, et donc ¬6. est vérifiée. 

Exercice 4 Dans chacun des cas qui suivent, déterminer si la famille F de vecteurs
considérée est libre ou liée.
       

 1 0 0 0 
       
0 1 0
 ,   ,   , 0 .

1. F =  0 0 1 0

 
0 0 0 1
 
     
 1 0 0 
2. F =  0 , 2 , 0 .
   
0 0 0
 
     
5 2 1
3. F = , , .
1 8 3
     
 1 1 3 
4. F = 1 , −1 , 0 .
1 1 3
 
     
 1 1 0 
5. F = 1 , −1 , 0 .
1 1 1
 
     
 0 0 −1 
6. F =  2 , 0 , 3 .
   
3 −8 1
 
     
 0
 −3 9  
  2   1  −7
7. F =   ,   ,   .
     

 −1 4 −5  
1 −4 −2
 

Comme dans les exercices précédents on note systématiquement x1 , ...xp les vecteurs de F
et A la matrice dont les vecteurs colonnes sont x1 , ...xp .
1. F est libre, en effet A = Id, et on utilise par exemple 3. de l’exercice précédent.
2. F est liée. En effet, 0 · x1 + 0 · x2 + 1 · x3 = 0.
3. F est forcément liée (on regarde 3(> 2) vecteurs de R2 ). Pour trouver la relation qui
lie x1 , x2 , x3 on peut par exemple
 effectuer
 la réduction de A suivant l’algorithme du
1 0 1/19
pivot. On obtient la matrice de sorte qu’on trouve que
0 1 7/19
1 · x1 + 7 · x2 − 19 · x3 = 0 (ce qui, par ailleurs, se vérifie aisément).
 
1 0 3/2
4. L’algorithme du pivot sur A aboutit à la matrice 0 1 3/2. L’équation Ay = 0
0 0 0
 
−3
admet donc une infinité de solutions, et donc la famille F est liée. Par exemple −3

2
est une solution non triviale de Ay = 0, de sorte que −3 · x1 − 3 · x2 + 2 · x3 = 0

4
5. L’algorithme du pivot sur A aboutit à la
matrice identité. D’après le point 3. de
l’exercice précédent, ceci implique que famille F est libre.
la
6. L’algorithme du pivot sur A aboutit à la
matrice identité. D’après le point 3. de
l’exercice précédent, ceci implique que famille F est libre.
la
 
1 0 0
0 1 0 
7. L’algorithme du pivot sur A aboutit à la matrice 0 0 1. D’après le point 4. de

0 0 0
l’exercice 2 on conclut que F est libre.

 
2 3 5
−5 1 −4
Exercice 5 Soit A =  −3 −1 −4. Observer que la troisième colonne de A est la

1 0 1
somme des deux premières colonnes. En déduire une solution non triviale de Ay = 0.
Notons x1 , x2 , x3 les trois colonnes de A. On a clairement x1
+ x2= x3 . Donc
1
x1 + x2 − x3 = 1 · x1 + 1 · x2 + (−1) · x3 = 0. Autrement dit  1  est solution non triviale
−1
de Ay = 0.

Exercice 6 VRAI ou FAUX ? On justifiera la réponse.


1. Lorsque F est une famille libre, tout élément de F peut être écrit comme une
combinaison linéaire des autres vecteurs de F.
2. Les vecteurs colonnes d’une matrice A de taille 4 × 5 sont forcéments liés.
3. Si trois vecteurs de R3 sont dans un même plan affine, alors ces trois vecteurs sont
nécessairement liés.
4. Si {u, v} est libre et {u, v, w} est liée, alors on a nécessairement que
w ∈ Vect({u, v}).
5. Si une famille de vecteurs de Rn compte strictement moins de n vecteurs, alors elle
est libre.
FAUX
  : dans la question 2 de l’exercice précédent, la famille est liée,
  pourtant
  le vecteur
1 0 0
0 ne peut être écrit comme combinaison linéaire des vecteurs 2 , 0 (une telle
0 0 0
combinaison linéaire aurait forcément une première coordonnée nulle !)
VRAI : lorsqu’on résout l’équation matricielle Ax = 0, il y a au moins une solution (la
solution triviale) et on trouve forcément au moins une variable libre (il y a plus d’inconnues
que d’équations). L’équation possède donc une infinité de solutions et donc d’après le
premier exercice, la famille de vecteurs est liée.
FAUX : Les vecteurs de la question 5 du précédent exercice appartiennent tous au plan
d’équation x3 = 1, et pourtant ils forment une famille libre.
En revanche, l’assertion ”si trois vecteurs de R3 sont dans un même plan contenant l’origine,
alors ces trois vecteurs sont nécessairement liés” est, quant à elle, vraie. Pourquoi ?

5
VRAI : Par définition il existe α1 , α2 , α3 non tous nuls tels que α1 u + α2 v + α3 w = 0. Mais
on ne peut avoir α3 = 0, sinon {u, v} formeraient une famille liée. On peut donc diviser la
relation par α3 pour obtenir
α1 α2
w =− u− v,
α3 α3
de sorte qu’effectivement w ∈ Vect({u, v}).
FAUX (pourvu que n ≥ 2) : Une famille de n − 1 vecteurs dont un élément est le vecteur nul
est toujours liée. En revanche l’assertion ”une famille de strictement plus de n vecteurs de
Rn est toujours liée” est, quant à elle, vraie. Pourquoi ?

Exercice 7 Dans les cas qui suivent, pour quelles valeurs de h ∈ R le vecteur v1 est-il dans
Vectv2 , v3 ? Pour quelles valeurs de h ∈ R la famille F = {v1 , v2 , v3 } est-elle libre ?
     
1 −3 5
1. v1 = −3 , v2 =  9  , v3 = −7
2 −6 h
     
1 −3 2
2. v1 = −2 , v2 =
   7 , v3 = 1 
 
−4 6 h
     
3 −6 9
3. v1 = −6 , v2 =  4  , v3 = h
1 −3 3
Comme dans les exercices précédents on note A la matrice dont les vecteurs colonnes sont
v1 , v 2 , v3 .
1. On remarque que 3v1 + v2 = 0. Ainsi quelque soit h ∈ R la famille est liée.
On pouvait aussi remarquer que quelque soit h, l’algorithme du pivot appliqué à la
matrice A ne fournit jamais la matrice identité.
2. L’algorithme du pivot appliqué à la matrice A fournit
 
1 0 17
0 1 5 .
0 0 h + 38

D’après les exercices précédents la famille F est donc libre si et seulement si h 6= −38.
3. L’algorithme du pivot appliqué à la matrice A fournit
 
1 0 3
0 1 0 .
0 0 h + 18

D’après les exercices précédents la famille F est donc libre si et seulement si h 6= −18.

6
2 Familles génératrices
Préambule : On dit qu’une famille F de vecteurs de Rn est génératrice lorsque
Vect(F) = Rn .
Cette définition concerne une famille de cardinal quelconque. On rappelle que Vect(F) (le
sous-espace vectoriel engendré par F) est l’ensemble des combinaisons linéaires finies
d’éléments de F. Autrement dit
( k )
X
Vect(F) := λi xi avec k ∈ N∗ et ∀i ∈ {1, ..., k}λi ∈ R, xi ∈ F .
i=1

La notion se généralise de la façon évidente lorsque Rn est remplacé par un espace vectoriel
quelconque E.
Exercice 8 (*) Soit F = {x1 , ..., xp } une famille de p vecteurs de Rn . On forme A la
matrice de taille n × p dont les vecteurs colonnes sont x1 , ..., xp .
Montrer que les conditions suivantes sont équivalentes
1. F est génératrice.
Pp
2. Tout vecteur de Rn s’écrit sous la forme i=1 λi xi .
3. Pour tout p ∈ Rn l’équation Ay = b admet au moins une solution.
4. L’algorithme du pivot appliqué à la matrice A aboutit à une matrice contenant n
pivots.
1. ⇔ 2. est simplement la définition de famille génératrice, puisque
( p )
X
Vect(F) = λi xi : λ1 ∈ R, ..., λp ∈ R .
i=1

Montrons 2. ⇒ n
Pp3., et commençons par fixer b ∈ R . D’après 2. il existe des réels λ1 , ..., λp
tels que p = i=1 λi xi . Il suffit alors de remarquer que
 
λ1 p
 ..  X
A .  = λ i xi ,
λp i=1

 
λ1
 .. 
et donc le vecteur y =  .  est solution de l’équation Ax = p. 
λp
Pour 3. ⇒ 4. on montre de façon équivalente ¬4. ⇒ ¬3. On suppose donc que l’agorithme
du pivot aboutit à la matrice Tk Tk−1 ...T1 A qui contient strictement moins de n pivots. C’est
donc que la dernière ligne de cette matrice est nulle. Mais alors, le vecteur b = T1−1 ...Tk−1 en
est tel que l’algorithme du pivot à la matrice augmentée aboutit à une matrice dont la
dernière ligne est (0 0 . . . 0 1), autrement dit, l’équation Ay = b n’admet aucune solution.

Etablissons enfin 4. ⇒ 2. Si l’algorithme du pivot appliqué à A aboutit à une matrice
contenant n pivots, il en est de même, quelque soit b ∈ Rn , pour l’algorithme appliqué à la
matrice augmentée (A b). C’est donc que, quelque soit b ∈ Rn , l’équation Ay = b admet au
moins une solution.

7
Une base est une famille à la fois libre et génératrice 1 . Soit B = {x1 , ..., xn } une base de Rn ,
et A la matrice dont les colonnes sont x1 , ..., xn . Fixons alors un z ∈ Rn . L’équation Ay = z
possède au moins une solution puisque B est génératrice.
De plus si elle possèdait deux solutions distinctes y1 6= y2 alors A(y1 − y2 ) = 0, et
l’existence de la solution non triviale y1 − y2 impliquerait que la famille B est liée, ce qui est
impossible.
On en déduit que Ay = z possède une unique solution y, de sorte que l’écriture
n
X
z= yi xi
i=1

est unique. On dit que les réels y1 , ..., yn sont les coordonnées de z dans la base B.
Comme on le voit, il faut connaı̂tre l’ordre dans lequel on considère les éléments de la base si
on veut décrire un vecteur par ses coordonnées dans cette base.
C’est pourquoi on préfère écrire B = (x1 , ..., xn ) et (y1 , ..., yn ) les coordonnées de z dans la
base B.
Exercice 9 (*) Soit F = {x1 , ..., xn } une famille de n vecteurs de Rn . On forme A la
matrice carrée dont les vecteurs colonnes sont x1 , ..., xn .
Montrer que les conditions suivantes sont équivalentes
1. La famille F est une base.
2. La famille F est libre, et elle est maximale au sens où, ∀xn+1 ∈ Rn , la famille
{x1 , ..., xn+1 } est liée.
3. La famille F est libre.
4. L’équation Ay = 0 a pour unique solution la solution triviale.
5. L’algorithme du pivot effectué sur A aboutit à la matrice identité.
6. La matrice A est inversible.
7. Quelque soit b ∈ Rn , l’équation Ay = b admet une unique solution.
8. Vect{x1 , ..., xn } = Rn .
9. La famille F est génératrice.
10. La famille F est génératrice et minimale au sens où, pour tout i ∈ {1, ..., n}, la
famille F \ {xi } n’est pas génératrice.
1. ⇒ 2., 2. ⇒ 3. sont triviales.
On a déjà montré que 3. ⇔ 4. ⇔ · · · ⇔ 8. dans l’exercice 2 plus haut.
8. ⇔ 9. est simplement la définition de famille génératrice.
Etablissons alors que 9. ⇒ 10., et commençons par fixer i ∈ {1, ..., n}. Si F = {x1 , ...xn }, on
sait d’après l’exercice 8 que l’algorithme du pivot appliqué à la matrice A aboutit à une
matrice à qui contient n pivots. Comme ici A est de taille n × n, la matrice à est forcément
Id. Mais alors, l’équation Ay = xi possède une unique solution (et bien sûr il s’agit de
y = ei ). On ne peut donc pas écrire xi comme combinaison linéaire des {xj }j6=i . C’est donc
que xi ∈/ Vect({xj }j6=i ), i.e. la famille F \ {xi } n’est pas génératrice. 
1. De façon générale une famille de vecteurs F ⊂ E est une base si elle est à la fois libre et génératrice. On
peut démontrer que pour un espace E donné, le cardinal d’une base (un élément de N ∪ {+∞}) ne dépend pas
de la base choisie. Ce cardinal commun est appelé la dimension de l’espace E.

8
Etablissons enfin 10. ⇒ 1., ou de manière équivalente que ¬1. ⇒ ¬10. Si la famille F n’est
pas une base, deux cas sont possibles : soit elle n’est pas génératrice, soit elle est génératrice
mais n’est pas libre ; montrons que dans les deux cas ceci entraı̂ne ¬10.
Si F n’est pas génératrice, alors ¬10. est évidente.
Si F est génératrice, maisP n’est pas libre, alors d’après l’exercice 2, on peut trouver
i ∈ {1, ..., n} tel que xi = j6=i αj xj . Fixons alors b ∈ Rn . Comme F est génératrice il existe
des réels λ1 , ..., λn tels que
n
X X
b= λ j xj = λ i xi + λ j xj
j=1 j6=i
X X
= λi αj xj + λ j xj
j6=i j6=i
X
= (λi αj + λj )xj ,
j6=i

et donc b ∈ Vect({xj }j6=i ). Comme le raisonnement est valable pour un b ∈ Rn arbitraire on


vient d’établir que {xj }j6=i est génératrice, et donc ¬10. 

Exercice 10 Déterminer si les familles suivantes sont génératrices. Lesquelles sont des
bases ?        

 1 0 0 0 
       
0 1 0 0

1. F =  , ,
0 0 1 0 . ,

 
0 0 0 1
 
     
 1 0 0 
2. F = 0 , 2 , 0 .
0 0 0
 
     
5 2 1
3. F = , , .
1 8 3
     
 1 1 3 
4. F = 1 , −1 , 0 .
1 1 3
 
     
 1 1 0 
5. F =  1 , −1 , 0 .
   
1 1 1
 
     
 0 0 −1 
6. F = 2 ,  0  ,  3  .
3 −8 1
 
     

 0 −3 9 
     
2 1 −7

7. F =  , ,  .
−1  4  −5

 
1 −4 −2
 

Rappelons tout d’abord que d’après notre résolution de l’exercice 3, seules les familles des
questions 1., 5., 6., 7. sont libres.

9
Comme dans la résolution de cet exercice on note systématiquement A la matrice dont les
vecteurs colonnes sont les vecteurs de F.
1. Ici A = Id. D’après exercice 9.5, la famille est une base.
2. L’algorithme du pivot sur A aboutit (cf exo 3) à une matrice contenant 2 < 3 = n
pivots. La famille n’est donc pas génératrice.
3. L’algorithme du pivot sur A aboutit à une matrice contenant 2 = n pivots. La famille
considérée est donc génératrice. En revanche, puisqu’elle n’est pas libre, il ne s’agit
pas d’une base.
4. L’algorithme du pivot sur A aboutit (cf exo 3) à une matrice contenant 2 < 3 = n
pivots. La famille n’est donc pas génératrice.
5. L’algorithme du pivot sur A aboutit à la matrice identité, et donc la famille
considérée est une base.
6. L’algorithme du pivot sur A aboutit à la matrice identité, et donc la famille
considérée est une base.
7. Avec trois vecteurs de R4 , on ne peut pas avoir un pivot à chaque ligne, et la famille
ne peut pas être génératrice.

Exercice 11 VRAI ou FAUX ? On justifiera la réponse.


1. Les vecteurs d’une famille génératrice sont nécessairement liés.
2. Les vecteurs colonnes d’une matrice A de taille 4 × 5 ne peuvent former une base,
mais ils forment nécéssairement une famille génératrice.
3. Si trois vecteurs de R3 sont dans un même plan passant par l’origine, alors la famille
de ces trois vecteurs ne peut pas être génératrice.
4. Si trois vecteurs de R3 sont dans un même plan passant affine, alors la famille de ces
trois vecteurs ne peut pas être génératrice.
5. Si la famille F = {x1 , ...xp } de vecteurs de Rn est génératrice alors toute famille
G ⊇ F l’est également.
6. Si une famille de vecteurs de Rn compte strictement moins de n vecteurs, alors elle
ne peut pas être génératrice.
7. Si F est une famille quelconque, il existe une base B ⊇ F.
8. Si F est une famille génératrice, il existe une base B ⊆ F.

1. FAUX : voir par exemple le 1. de l’exercice précédent.


2. FAUX : certes, 5 vecteurs de R4 ne peuvent former une famille libre, et donc ne
peuvent constituer une base ; cependant ils ne forment pas nécessairement non plus
une famille génératrice de R4 (par exemple si on prend 5 fois le vecteur nul).
3. VRAI : Si les trois vecteurs sont dans un même plan passant par l’origine P , alors
toute combinaison linéaire de ces trois vecteurs appartient également à P. L’espace
vectoriel engendré par les trois vecteurs est donc inclus dans P ( R3 , et la famille
n’est donc pas génératrice.

10
     
1 0 0
4. FAUX : les vecteurs 0 , 1 , 0 appartiennent tous au plan d’équation
1 1 1
x3 = 1, et pourtant ils forment une famille génératrice (et même une base).
5. VRAI : Quelque soit b ∈ Rn on peut écrire b comme combinaison linéaire d’éléments
de F, qui sont également des éléments de G, et donc Vect(G) = Rn .
6. VRAI : L’algorithme du pivot effectué sur la matrice A correspondante (de taille
n × p avec p < n) aboutit à une matrice qui possède au plus p < n pivots, et on
conclut d’après l’exercice 8.
7. FAUX : il suffit par exemple de considérer le cas où F = {0}.
8. VRAI : Soient x1 , ..., xk les éléments de F. On pose B0 = ∅ et on effectue
l’algorithme suivant :
pour i allant de 1 à k,
— si xi ∈ / Vect(Bi−1 ) alors Bi = B ∪ {xi }
— sinon on pose Bi = Bi−1 .
On va alors prouver que Bk est une base de Rn .
Pour cela, on montre que par récurrence sur que pour i ∈ {1, ..., k}

(Hi ) Bi est libre , et Vect(Bi ) = Vect(x1 , ..., xi ).

Il est évident que puisque F est génératrice, l’assertion (Hk ) dit exactement que Bk
est à la fois libre et génératrice, et on aura donc trouvé notre base.
L’assertion (H1 ) est évidente. Notons simplement que si x1 6= 0, B1 = {x1 }, tandis
que si x1 = 0 alors B1 = B0 = ∅ et il faut simplement rappeler que (∅) = {0} par
convention
Supposons maintenant (Hi−1 ) avec 1 ≤ i − 1 ≤ k − 1 et montrons (Hi ).
Premier cas : xi ∈ / Vect(Bi−1 ). et Bi = Bi−1 ∪ {xi }. Si par l’absurde, Bi n’est pas
libre, alors on peut exprimer 0 comme une combinaison linéaire non dégénérée des
éléments de Bi , et on aurait
X
0= αj xj + αi xi .
{j:xj ∈Bi−1 }

Si αi = 0 on obtient que Bi−1 est liée et on contredit donc (Hi−1 ).


Si αi 6= 0, quitte à diviser la relation ci-dessus par αi on peut exprimer xi comme
combinaison linéaire des éléments de Bi−1 ce qui contredit xi ∈ / Vect(Bi−1 ).
On a donc de toutes façons obtenu une contradiction et on conclut que Bi est libre
dans ce premier cas.
D’autre part, toujours dans ce premier cas, en utilisant (Hi−1 ) il vient que

Vect(Bi ) = Vect(Bi−1 ∪ {xi }) = Vect(Vect(Bi−1 ), xi ) = Vect(x1 , ..., xi ).

On a donc établi (Hi ) dans ce premier cas.


Deuxième cas : xi ∈ Vect(Bi−1 ) et Bi = Bi−1 .
La liberté de Bi est, dans ce cas, directement donnée par (Hi−1 )

11
Soit b ∈ Vect(x1 , ...xi ), i.e. d’après (Hi−1 ), on considère un b ∈ Vect(Bi−1 ∪ {xi }).
On peut donc écrire X
b= αj xj + αi xi ,
{j:xj ∈Bi−1 }

où les αj sont réels.


P
Comme xi ∈ Vect(Bi−1 ) on a que xi = {j:xj ∈Bi−1 } λj xj , et donc
X
b= (αj + αi λj )xj .
{j:xj ∈Bi−1 }

Finalement b ∈ Vect(Bi−1 ), et on conclut que


Vect(Bi ) = Vect(Bi−1 ) = Vect(x1 , ..., xi ),
ce qui achève la preuve de (Hi ) dans ce second cas.

3 Applications linéaires de Rn dans Rm


(
Rn → Rm
Préambule : Une application T : est linéaire si et seulement si
x → T (x)
— (i) T (0) = 0.
— (ii) ∀λ ∈ R, ∀x ∈ Rn T (λx) = λT (x).
— (iii) ∀x ∈ Rn ∀y ∈ Rn T (x + y) = T (x) + T (y).
On pourrait noter que (ii) implique (i) (il suffit de prendre λ = 0). En fait les trois
assertions (i), (ii), (iii) peuvent être résumées en la seule assertion :
(L) ∀(xy) ∈ Rn × Rn ∀(λ, µ) ∈ R × R T (λx + µy) = λT (x) + µT (y).

On verra plus tard que cette notion d’application linéaire se généralise au cadre
d’applications de E dans V , avec E, V des espaces vectoriels quelconques.
Exercice 12 Soit A une matrice de taille m × n. On note aij l’élément de A qui se situe à
la i-ième ligne et j-ième colonne. On note d’autre part a1 , ...an les vecteurs colonnes de A
(de sorte que aij est la i-ième coordonnée de aj ).
1. Montrer que l’application (
Rn → Rm
T :
x → Ax
est linéaire.  
0 première ligne
 ..  ..
. .
 
0
  ·
2. Quelle est l’image du vecteur ei = 1  i − ème ligne par l’application T ?
 
0
  ·
 ..  ..
. .
0 n − ème ligne

12
 
y1
3. Exprimer l’image par T d’un vecteur quelconque y =  ... , à l’aide des vecteurs
 

yn
x1 , ...xn .
   
x1 y1
 ..   .. 
1. Par définition du produit matriciel, si x =  .  , y =  .  sont deux vecteurs
xn yn
n
quelconques de R et si λ, µ sont deux réels quelconques, la i-ième coordonnée de
A(λx + µy) est égale à

ai1 (λx1 + µy1 ) + · · · + aij (λxj + µyj ) + · · · + ain (λxn + µyn )


= λai1 x1 + µai1 y1 + · · · + λaij xj + µaij yj + · · · + λain xn + µain yn
= λ(ai1 x1 + · · · + ain xn ) + µ(ai1 y1 + · · · + ain yn ).

Or ai1 x1 + · · · + ain xn est la i-ième coordonnée de Ax, tandis que ai1 y1 + · · · + ain yn
est la i-ième coordonnée de Ay. Comme ceci est valable pour tout i ∈ {1, ..., n} on
conclut finalement que
A(λx + µy) = λAx + µAy.
On a donc vérifié la condition (L), et l’application T est bien linéaire.
2. L’image du vecteur ei est tout simplement égale à ai .
3. On peut écrire y = ni=1 yi ei . Par linéarité de T , on a donc
P

n n n
!
X X X
Ay = A yi ei = yi Aei = yi ai .
i=1 i=1 i=1

Exercice 13 Soit T : Rn → Rm une application linéaire. On note ai = T (ei ). Soit A la


matrice dont les colonnes sont a1 , ...an . Montrer que

∀x ∈ Rn Ax = T (x).

D’abord pour tout i ∈ {1, ..., n} on a, par définition des ai ,

Aei = ai = T (ei ).

Maintenant pour un x ∈ Rn quelconque on a x = ni=1 xi ei , et donc, par linéarité de T et


P
définition du produit matriciel,
n
X
T (x) = xi ai = Ax.
i=1

Les exercices qui précèdent sont fondamentaux : le premier nous apprend qu’à toute matrice
A on peut faire correspondre une application linéaire T , qui envoie le vecteur x sur Ax.

13
Le deuxième est encore plus intéressant : il nous apprend que toute application linéaire de
Rn dans Rm peut être vue comme ”la multiplication à gauche par une certaine matrice A de
taille m × n”.
De plus, il est très simple de déterminer A, sa j-ième colonne n’est autre que l’image par T
de ej , le j-ième vecteur de la base canonique.
On dit que A est la matrice de l’application linéaire T . Avec un léger abus, on confondra
souvent par la suite l’application linéaire T et sa matrice A.
Exercice 14 Déterminer A, la matrice de l’application linéaire T telle que

Ab1 = c1 et Ab2 = c2 ,

dans les cas suivants


       
−9 1 −5 3
1. b1 = , b2 = , c1 = , c2 =
1 −4 1 −5
       
1 −2 −7 −5
2. b1 = , b2 = , c1 = , c2 = .
−3 4 9 7
       
−3 7 1 0
3. b1 = , b2 = , c1 = , c2 = .
1 5 0 1
Dans ces trois cas, on dit que la matrice A obtenue est une matrice de changement de base.
Pouvez-vous expliquer pourquoi ?
1. Notons (aij ){1≤i,j≤2} les coefficients de la matrice A recherchée. Egaliser la première
coordonnée à gauche et à droite des deux relations Ab1 = c1 , Ab2 = c2 nous fournit
les deux équations (
−9a11 + a12 = −5
.
a11 − 4a12 =3
De même, en égalisant la deuxième coordonnée à gauche et à droite des deux
relations Ab1 = c1 , Ab2 = c2 on obtient
(
−9a21 + a22 = 1
.
a21 − 4a22 = −5

On a donc obtenu deux systèmes de deux équations à 2 inconnues, dont les matrices
augmentées sont respectivement
   
−9 1 −5 −9 1 1
.
1 −4 3 1 −4 −5
L’algorithme du pivot à chacune de ces matrices aboutit à
   
1 0 17/35 1 0 1/35
,
0 1 −22/35 0 1 14/35
et on conclut que

a11 = 17/35, a12 = −22/35 a21 = 1/35, a22 = 44/35,

de sorte que  
17/35 −22/35
A= .
1/35 44/35

14
Remarque : Si on note b11 , b12 les coordonnées de b1 , et on introduit des notations
similaires pour les coordonnées de b2 , c1 , c2 , les deux matrices augmentées obtenues
sont exactement    
b11 b12 c11 b11 b12 c12
.
b21 b22 c21 b21 b22 c22
 
b11 b12
Seule la dernière colonne varie, et si on note B = , on aurait pu, pour
b21 b22
simplifier, faire directement l’algorithme du pivot sur
 
..
b
 11 12 b . c11 c12 
..
b21 b 22 . c 21 c22

2. D’après la remarque faite à l’exercice précédent, il nous suffit d’appliquer


l’algorithme du pivot à la matrice
 
1 −3 −7 9
,
−2 4 −5 7
 
1 0 43/2 −57/2
on obtient et on en déduit que
0 1 19/2 −25/2
 
43/2 19/2
A= .
−57/2 −25/2

3. Toujours par la même méthode on applique l’algorithme du pivot à


 
−3 1 1 0
,
7 5 0 1

on obtient  
1 0 −5/22 1/22
,
0 1 7/22 3/22
et on déduit que  
−5/22 7/22
A= .
1/22 3/22

4. Dans chacun des 3 cas on observe que B = (b1 , b2 ) est une base de R2 , tout comme
B̃ = (c1 , c2 ). Ainsi la transformation linéaire de matrice A est l’unique application
linéaire de R2 dans lui-même qui transforme la base B en la base B̃.
Si on a x = α1 b1 + α2 b2 (pour un quelconque x ∈ R2 une telle décomposition existe
puisque B est une base), alors

Ax = α1 c1 + α2 c2 .

En particulier puisque B̃ est une base, Ax = 0 ssi α1 = α2 = 0, i.e. ssi x = 0. On en


déduit que l’unique solution de Ax = 0 est la solution triviale (autrement dit
ker(A) = {0}), et donc une matrice qui transforme une base B en une base B̃ est
nécessairement inversible.

15
On notera d’autre part, que dans chacun des 3 cas, la matrice A transforme
également la base canonique B0 = (e1 , e2 ) en la base dont les vecteurs sont les
colonnes de A.
A contrario, la matrice A−1 envoie les vecteurs colonnes de A sur la base canonique.

 
1 0 0
Exercice 15 Soit T l’application linéaire de matrice A = 0 1 0.
0 0 0
       
1 1 −1 1
1. Quelle est l’image par T des vecteurs 2 ,  2  , −2 , 1 ?
3 −1 0 1
 
1
3
2. Trouver tous les x ∈ R tels que Ax = 2 .

3
 
1
3. Trouver tous les x ∈ R3 tels que Ax = 2.
0
4. Déterminer Im(T ) = Im(A) := {Ax, x ∈ R3 }.
5. Déterminer Ker(T ) = Ker(A) := {x ∈ R3 : Ax = 0}.
6. Pouvez-vous décrire géométriquement ce que l’application T effectue ?

1. On a         
1 1 1 0 0 1 1
T 2 = A 2 = 0 1 0 2 = 2 .
3 3 0 0 0 3 0
De même
           
1 1 1 1 −1 −1
T  2  = 2 , T  2  = 2 , T −2 = −2 .
−1 0 −1 0 0 0
 
1
2. Il n’y a aucun x qui convient, en effet l’équation matricielle Ax = 2 est

3
 
1 0 0 1
équivalente au système linéaire de matrice augmentée 0 1 0 2, et la dernière
0 0 0 3
équation de ce système est impossible.
 
1
3. L’équation matricielle Ax = 2 est équivalente au système linéaire de matrice
0

16
 
1 0 0 1
augmentée 0 1 0 2, dont l’ensemble de solutions est
0 0 0 0
   
 1 
x = 2 , x3 ∈ R .
 
x3
 

4. Quelque soit x ∈ R3 on a Ax = x1 a1 + x2 a2 + x3 a3 , ainsi l’image (abbrégé pour


”l’ensemble des images”) Im(A) est l’ensemble des combinaisons linéaires des
vecteurs colonnes de la matrice A. Ici
        
 1 0 0   x1 
Im(A) = Vect  0 , 1 , 0  = x2  , (x1 , x2 ) ∈ R2 = {x : x3 = 0},
0 0 0 0
   

autrement dit Im(A) est le plan d’équation x3 = 0.


5. On doit trouver l’ensemble des x tel que Ax =0. Cette équation
 matricielle est
1 0 0 0
équivalente au système de matrice augmentée 0 1 0 0, dont l’ensemble de
0 0 0 0
solutions est    
 0 
x =  0  , x3 ∈ R .
x3
 

6. L’application T est la projection d’axe Ox3 sur le plan Ox1 x2 (autrement dit la
projection orthogonale sur le plan d’équation x3 = 0).

 
1 −3
Exercice 16 Soit A = 3 5  et T l’application linéaire de matrice A (de sorte que
1 7
pour tout x ∈ R2 , T (x) = Ax).
     
0 2 2
1. Trouver l’image par T des vecteurs , , .
0 1 −1
 
3
2. Trouver tous les x ∈ R2 tels que T (x) =  2 .
−2
 
3
3. Trouver tous les x ∈ R2 tels que T (x) = 2 .
5
4. Déterminer Im(T ) = Im(A) = {Ax, x ∈ R2 }.
5. Déterminer Ker(T ) = Ker(A) = {x ∈ R2 : Ax = 0}.
On procède comme dans l’exercice précédent.

17
1. On trouve
     
  0   −1   4
0 2 2
T = 0 , T =  11  , T =  1 .
0 1 −1
0 9 −5

2. On résout le système de matrice augmentée


 
1 −3 3
3 5 2
1 7 −2

qui conduit au système équivalent de matrice augmentée


 
1 0 3/2
0 1 −1/2 ,
0 0 0
 
3/2
dont l’unique solution est x = .
−1/2
3. On obtient cette fois un système équivalent de matrice augmentée
 
1 0 3/2
0 1 −1/2 ,
0 0 4

qui ne possède aucune solution.


4. Les deux colonnes de A forment une famille libre, on a
  
 λ − 3µ 
Im(A) = Vect ({a1 , a2 }) = x = 3λ + 5µ = {x : 8x1 − 5x2 + 7x3 = 0}.
λ + 7µ
 

5. On résout Ax = 0, on obtient cette fois un système équivalent de matrice augmentée


 
1 0 0
0 1 0 ,
0 0 0

dont la seule solution est x = 0, et on conclut que

Ker(A) = {0}.

 
1 0
Exercice 17 Soit T l’application linéaire de matrice A = .
3 1
       
0 1 −10 4
1. Quelle est l’image par T des vecteurs , , , ?
1 2 −20 1
 
2 1
2. Trouver tous les x ∈ R tels que Ax = .
2

18
 
1
3. Trouver tous les x ∈ R2 tels que Ax = .
−1
4. Déterminer Im(T ) = Im(A) := {Ax, x ∈ R2 }.
5. Déterminer Ker(T ) = Ker(A) := {x ∈ R2 : Ax = 0}.
6. Pouvez-vous décrire géométriquement ce que l’application T effectue ?

1. On trouve
               
0 0 1 1 −10 −10 4 4
T = , T = , T = ,T =
1 1 2 5 −20 −50 1 13


1
2. On trouve l’unique solution x = .
−1
 
1
3. On trouve l’unique solution x = .
−4
4. Im(A) = R2
5. Ker(A) = {0}.
6. L’application T laisse e1 inchangé, en revanche elle envoie e2 sur 3e1 + e2 . Elle
envoie donc les vecteurs du carré [0, 1] × [0, 1] dans le parallélogramme de sommets
(0, 0), (1, 0), (3, 1), (4, 1). On pourrait parler de distorsion.

√ √ 
1/ √2 1/√2
Exercice 18 Soit T l’application linéaire de matrice A = .
−1/ 2 1/ 2
       
1 1 −1 4
1. Quelle est l’image par T des vecteurs , , , ?
1 2 −5 1
 
2 1
2. Trouver tous les x ∈ R tels que Ax = .
1
 
1
3. Trouver tous les x ∈ R2 tels que Ax = .
−1
4. Déterminer Im(T ) = Im(A) := {Ax, x ∈ R2 }.
5. Déterminer Ker(T ) = Ker(A) := {x ∈ R2 : Ax = 0}.
6. Pouvez-vous décrire géométriquement ce que l’application T effectue ?

1.
  √    √3
!    √    √5
!
1 2 1 2 −1 −3√2 4 2
T = , T = −1 , T = ,T = −3
1 0 2 √
2
−5 −2 2 1 √
2

0
2. On trouve l’unique solution x = √ .
2
√ 
2
3. On trouve l’unique solution x = .
0
4. Im(A) = R2

19
5. Ker(A) = {0}.
6. L’application T est une rotation autour de l’origine d’angle π/4.

Les définitions d’image (Im) et de noyau (Ker) d’une application linéaire, données dans les
quatre exercices précédents, sont en fait valables pour un T : Rn → Rm quelconque.
Un vecteur de Rm est dans l’image si il a au moins un antécédent dans Rn par T (i.e. si
l’image réciproque de b par T est non vide). Autrement dit,

b ∈ Im(A) ⇔ L’équation Ax = b possède au moins une solution.

D’autre part, Ax = x1 a1 + ... + xn an , et donc

b ∈ Im(A) ⇔ b ∈ Vect({a1 , ..., an }),

i.e. l’image de A est l’espace vectoriel engendré par les vecteurs colonnes de A.
Par ailleurs Le noyau est tout simplement l’image réciproque de 0 par l’application T .
Autrement dit
b ∈ Ker(A) ⇔ Ab = 0.

Supposons que b ∈ Im(A), choisissons un x0 ∈ Rn tel que Ax0 = b, et notons Sb l’ensemble


des solutions de l’équation Ax = b.
Pour tout u ∈ Ker(T ) on a A(x0 + u) = b. Ainsi {x0 + u, u ∈ Ker(A)} ⊂ Sb .
Réciproquement si x est tel que Ax = b, alors A(x − x0 ) = 0, et donc x − x0 ∈ Ker(A).
On conclut que
Sb = {x0 + u, u ∈ Ker(A)}.
Finalement, toute solution de l’équation Ax = b s’écrit comme la somme d’une solution
particulière (x0 ) et d’une solution de l’équation homogène associée (un vecteur u ∈ Ker(A)
est solution de Ax = 0).
On dit que T est injective lorsque Ker(T ) = {0}, ceci correspond au cas où tout élément de
Rm admet au plus un antécédent par T dans Rn
On dit que T est surjective lorsque Im(T ) = Rm , ceci correspond au cas où tout élément de
Rm possède au moins un antécédent par T dans Rn .
On dit enfin que T est bijective lorsqu’elle est à la fois injective et surjective.
D’après l’exercice 9 ci-dessus, le fait que T est bijective est équivalent au fait que la matrice
A de T est carrée et inversible.
Exercice 19 Parmi les applications linéaires définies dans les exercices 14 à 18, lesquelles
sont injectives ? surjectives ? bijectives ?
La projection de l’exercice 15 (en fait plus généralement, n’importe quelle projection sur un
s.e.v strictement inclus dans Rn ) n’est ni injective (l’axe de la projection s’envoie sur 0), ni
surjective (les seules vecteurs de l’image sont ceux du sous-espace sur lequel on projette).
La transformation de l’exercice 16 n’est pas surjective puisque l’image n’est qu’un plan de
R3 . Elle est en revanche injective puisque le noyau est réduit au vecteur nul.
La distorsion de l’exercice 17 est bijective puisque son image est R2 et son noyau est réduit
au vecteur nul (par ailleurs il s’agit clairement d’une matrice qui transforme la base
canonique en la base (e1 , 3e1 + e2 )).

20
La rotation de l’exercice 18 est une bijection puisque son image est R2 et son noyau est
réduit au vecteur nul (par ailleurs
√il s’agit clairement
√ de la matrice qui transforme la base
canonique en la base ((e1 + e2 )/ 2, (−e1 + e2 )/ 2), i.e. fait tourner les vecteurs de la base
canonique d’un angle π/4 autour de l’origine).

Exercice 20 (*) Montrer que l’application T : Rn → Rn , de matrice A, est bijective si et


seulement si les n vecteurs images par T des vecteurs d’une base B de Rn forment également
une base de Rn .
Supposons A bijective, et montrons qu’elle envoie une base de Rn (par exemple la base
canonique) sur une base de Rn . Notons que A envoie les vecteurs de la base canonique sur
ses vecteurs colonnes a1 , ..., an . Puisque A est inversible, on peut utiliser l’exercice 9
(précisément le fait que la condition 6. de cet exercice implique la condition 1.) pour voir
que ces vecteurs forment une base de Rn .
Supposons désormais que A envoie resp. les vecteurs b1 , ..., bn (qui forment la base B de
Rn ) resp. sur les vecteurs c1 , ...cn (qui forment quant à eux la base B̃ de Rn ).
Montrons alors que Ay = 0 admet l’unique solution y = 0. Pour cela, supposons par
l’absurde qu’il existe une solution non triviale y0 . Ce vecteur admet une (unique)
décomposition dans la base B, i.e.

y0 = λ1 b1 + ... + λn bn .

Comme y0 6= 0 cette décomposition ne peut pas être dégénérée.


Mais alors, par linéarité
Ay0 = λ1 c1 + ... + λn cn = 0.
On a trouvé une combinaison linéaire non dégénérée des ci qui fournit le vecteur nul, ce qui
implique que B̃ est liée, une contradiction.
On conclut que Ay = 0 admet l’unique solution y = 0. D’après l’exercice 9 (précisément le
fait que la condition 4. de cet exercice implique la condition 6.), ceci permet de conclure que
A est inversible.

21