Cours Alg Chapitre IV SMPC S2 20-21

Chapitre IV
Applications linéaires
56
1. Espace vectoriel ( rappels ) 57
1 Espace vectoriel ( rappels )
Définition 1.1 (combinaison linéaire)

Soit IK = IR ou C,
I soit E un espace vectoriel sur IK.
Soit S = (u1 , · · · , up ) une famille de p vecteurs de E.
On appelle combinaison linéaire de ces p vecteurs, tout vecteur de la forme :
λ1 u1 + λ2 u2 + ...... + λp up
Où λ1 , · · · , λp sont des scalaires dans IK.

Un vecteur w dans E est combinaison linéaire de ces p vecteurs u1 , · · · , up , s’il existe
des scalaires λ1 , · · · , λp dans IK tels que : w = λ1 u1 + λ2 u2 + ...... + λp up .
Définition 1.2 (Sous espace vectoriel engendré)

On appelle sous espace vectoriel engendré par une famille finie S = (u1 , · · · , up ) de E,
l’ensemble des combinaisons linéaires de ces p vecteurs et l’on note :
vect(S) = vect{u1 , · · · , up } = {λ1 u1 + λ2 u2 + ...... + λp up : λ1 , · · · , λp ∈ IK}
Définition 1.3 (Familles libres - Indépendance linéaire) Une famille finie {u1 , · · · , up }
de p vecteurs de E est libre si et seulement si :
λ1 u1 + λ2 u2 + ...... + λp up = 0E ⇒ λ1 = · · · = λp = 0
Les éléments d’une famille libre sont dits linéairement indépendants.

Une famille qui n’est pas libre est dite liée, il existe (λ1 , · · · , λp ) 6= (0, · · · , 0) tel que :
λ1 u1 + λ2 u2 + ...... + λp up = 0E .
Une famille est liée si et seulement si au moins l’un de ses éléments est une combi-
naison linéaire des autres éléments de la famille.
Propriétés :
a) Toute famille non vide extraite d’une famille libre est libre.
b) Toute famille qui contient une famille liée est liée.
c) Si {u1 , · · · , up } est une famille libre et {u1 , · · · , up , w} est une famille liée, alors w
est combinaison linéaire de u1 , · · · , up .
Lhassane Saddek Faculté des Sciences - UMI SMPC S2, 2020/2021

58 Ch. IV: Applications linéaires
Définition 1.4 (Familles génératrices)

Soit F un sous espace vectoriel de E. Une famille finie S = (u1 , · · · , up ) de p vecteurs
de E est une famille génératrice de F si et seulement si vect{u1 , · · · , up } = F , on
dit que S engendre F
Propriétés :
a) Toute famille qui contient une famille génératrice est génératrice.
b) Si S = (u1 , · · · , up ) est une famille génératrice et si up est combinaison linéaire de
u1 , · · · , up−1 , alors u1 , · · · , up−1 est génératrice.
Définition 1.5 (Bases)

Soit F un sous espace vectoriel de E. Une famille finie B = {u1 , · · · , up } de p vecteurs
de E est une base de F si et seulement si B est libre et génératrice de F .
Proposition 1.1 .
Soit B = {u1 , · · · , up } une famille de p vecteurs de F .

∀ u ∈ F ∃ !(λ1 , · · · , λp ) ∈ IK p :
B est une base de F ⇔
u = λ1 u1 + λ2 u2 + ...... + λp up
Définition 1.6 (Espace vectoriel de dimension finie)

On dit que l’espace vectoriel E est de dimension finie s’il possède une base finie, sinon
on dit que E est espace de dimension infinie.
Théorème 1.1 (Théorème de la base imcomplète)

Soit B = {e1 , · · · , en } une base de E, si S = (w1 , · · · , wp ) est une famille libre, alors
p ≤ n et l’on peut compléter la famille S en une base de E en rajoutant n − p vecteurs
extraits de B, (ie) il existe {w1 , . . . , wn−p } ⊂ B tel que S ∪ {w1 , . . . , wn−p } soit une
base de E.
Théorème 1.2 (Théorème de la dimension)

Dans un IK-espace vectoriel E de dimension finie toutes les bases ont le même nombre
d’éléments. Ce nombre , noté dim E, s’appelle la dimension de E

2. Rang d’une famille de vecteurs 59
Théorème 1.3 .
Soit E un IK-espace vectoriel de dimension finie avec dim E = n.

B est composée de n vecteurs B est composée de n vecteurs
B est une base de E ⇔ ⇔
B est libre dans E B est génératrice deE
Théorème 1.4 .
i) Soit E un IK-espace vectoriel de dimension fini. Si F est un sous espace vectoriel
de E, alors dim F ≤ dim E.
ii) Soient F1 et F2 deux sous espaces vectoriels de E

F1 ⊂ F2
⇒ F1 = F2
dim F1 = dim F2
2 Rang d’une famille de vecteurs
Définition 2.1 .
On appelle rang d’une famille S de vecteurs de E, noté rang(S), la dimension du sous-
espace F = vect(S) engendré par S : rang(S) = dim vect(S)
Le rang d’une famille S est le nombre maximum de vecteurs linéairement indépendants
que l’on peut extraire de S.
Propriétés :
Soit S une famille de p vecteurs d’un espace vectoriel E de dimension finie n, alors :
a)
rang(S) ≤ min(p, n)
b)
rang(S) = p ⇔ S est libre et p ≤ n
c)
rang(S) = n ⇔ S est génératrice de E et n ≤ p

Définition 2.2 .
Soit A ∈ Mnp (IK) et soit
S = {Ci ∈ Mn1 (IK) : i = 1, . . . , p}
la famille des p colonnes de la matrice A : A = (C1 , . . . , Cp ). On appelle rang de

la matrice A , noté rang(A) la dimension du sous-espace F = vect(S) de Mn1 (IK)
engendré par S :
rang(A) = rang(S) = dim vect(S)
Théorème 2.1 .
Soit E un IK-espace vectoriel de dimension finie n et B une base de E.
Soient S = (u1 , . . . , un ) est une famille de n vecteurs de E, P la matrice représentant
S dans la base B et R sa réduite de Gauss, alors :
S est une base de E ⇔ P inversible ⇔ la réduite de Gauss R admet n pivots
Preuve :

l’équation λ1 u1 + · · · + λn un = 0
S est une base de E ⇔ S est libre ⇔
admet l’unique solution λ1 = · · · = λn = 0
donc S est une base de E si et seulement si le système :
   
λ1 0
 ..   .. 
P  .  =  .  admet l’unique solution λ1 = · · · = λn = 0
λn 0
D’après le thórème 7.1 et le corollaire 7.1 du chapitre II :
S est une base de E ⇔ P inversible ⇔ R admet n pivots
Proposition 2.1 ( Méthode pratique de recherche du rang ).

Soit S = (u1 , · · · , up ) une famille de p vecteurs d’un espace vectoriel E de dimension
finie n. Soit B une base de E
Soit A la matrice représentant la famille S dans la base B. Soient R une réduite de
gauss de A et r le nombre de pivots non nuls de R, alors :
Le rang de S est égale au nombre de pivots de R non nuls, rang(S) = r.
Les vecteurs corespondants aux pivots forment une base du sous espace vectoriel vect(S).

2. Rang d’une famille de vecteurs 61
Preuve : On peut admettre le résultat.
Corollaire 2.1 (Famille libre de vecteurs)

Soient E un IK-espace vectoriel de dimension finie n
et B = {e1 , · · · , en } une base de E.
Considérons la fammille S = (u1 , · · · , up ) de p vecteurs de E.
Soient A la matrice de format (n, p) représentant la famille S dans la base B et R sa
réduite de Gauss. Alors : la famille S est libre ⇔ R admet p pivots
Théorème 2.2 Soit A ∈ Mnp (IK) et R une réduite de Gauss de A. Alors :

i) rang(A) = r ⇔ R admet r pivots .
ii) rang( t A ) = rang( A )
Remarque 2.1 .
Le rang de la matrice A est égale au rang de sa transposée t A, cela signifie que le rang
des colonnes et le rang des lignes de la matrice A sont égaux.
Exemple 2.1 Soit S = (u1 , u2 , u3 , u4 ) une famille de IR4 où
u1 = (1, 3, −1, 2); u2 = (−1, 2, 1, 2); u3 = (3, −1, −3, −2) et u4 = (−1, 0, 1, 3).
 
1 −1 3 −1
 3 2 −1 0 
La famille S est représentée par la matrice A =   −1 1 −3 1 

2 2 −2 3
 
1 −1 3 −1
 0 5 −10 3 
La matrice R =   0 0 1  est une réduite de Gauss de A.

0 5
0 0 0 0
Montrons que {u1 , u2 , u4 } est libre et une base de vectS.
• {u1 , u2 , u4 } est libre :

Soit (λ1 , λ2 , λ4 ) ∈ IR3 tels que : λ1 u1 + λ2 u2 + λ4 u4 = 0E .

donc
 
   1 −1 −1 
   
λ1 0  0 5 λ 1 0
3 
MatB {u1 , u2 , u4 }  λ2  =  0  ⇔ 
 0 0

1 
 λ 2
 =  0  ⇔ λ1 = λ2 = λ4 = 0
λ4 0 5 λ4 0
0 0 0
• {u1 , u2 , u4 } est génératrice de vectS :
Montrons que u3 est combinaison linéaire de u1 , u2 , u4 .
Soit (λ1 , λ2 , λ3 , λ4 ) ∈ IR4 tels que : λ1 u1 + λ2 u2 + λ3 u3 + λ4 u4 = 0E .
   
  1 −1 3 −1
 λ1 0
λ1 0  0 5 −10 3   λ2
 =  0 
  
(MatB S)  λ2  =  0  ⇔ 
 0 0

1 
0 5
λ3   0 
λ4 0
0 0 0 0 λ4 0
Donc  
 λ1 − λ2 + 3λ3 = 0  λ1 = −λ3
5λ2 − 10λ3 = 0 ⇔ λ2 = 2λ3
λ4 = 0 λ4 = 0
 
Si on prend λ3 = 1 on obtient −u1 + 2u2 + u3 = 0E ⇒ u3 = u1 − 2u2 .

Donc vectS = vect {u1 , u2 , u4 }.
3 Applications linéaires
3.1 Définition et proriétés
Définition 3.1 (Rappel)

Soit f : E −→ F une application.
i) On dit que f est injective si
∀ x, x0 ∈ E, f (x) = f (x) =⇒ x = x0
ii) On dit que f est surjective si
∀ y ∈ F, ∃ x ∈ E f (x) = y
iii) on dit que f est bijective si f est injective et surjective.
∀ y ∈ F, ∃ ! x ∈ E f (x) = y

3. Applications linéaires 63
Définition 3.2 Soient E et F deux IK-espaces vectoriels. Une application f : E → F

est une application linéaire si pour tous u et v dans E et tout scalaire λ ∈ IK,
f (u + λv) = f (u) + λf (v)
Remarque 3.1 .
i) f : E → F est une application linéaire ssi :

∀ u ∈ E et ∀ λ ∈ IK f (λ u) = λ f (u)
∀ u, v ∈ E f (u + v) = f (u) + f (v)
ii) f (0E ) = 0F
Notation :
On note L(E, F ) l’ensemble des applications linéaires de E dans F .
Si f ∈ L(E, F ) est bijective, on dit que f est un isomorphisme de E dans F .
Si f ∈ L(E, E), on dit que f est un endomorphisme de E, L(E, F ) = End(E) .
Si f ∈ End(E) est bijective, on dit que f est un automorphisme de E.
Proposition 3.1 .
( L(E, F ), +, . ) muni de l’addition et la multiplication par un scalaire de IK est un
espace vectoriel sur IK. Si f , g ∈ L(E, F ) et λ ∈ IK alors f + λ g ∈ L(E, F ).
Proposition 3.2 .
Soient E et F deux IK-espaces vectoriels, et soit f ∈ L(E, F ) une application linéaire.
Soient G un sous-espace vectoriel de E et H un sous-espace vectoriel de F , alors :
i) f (G) = { f (u) ∈ F : u ∈ G } est un sous-espace vectoriel de F .
ii) f −1 (H) = { u ∈ E : f (u) ∈ H } est un sous-espace vectoriel de E.
Preuve :
i) Soient v1 , v2 ∈ f (G) et soit λ ∈ IK. Il existe u1 , u2 ∈ G tels que : f (u1 ) = v1 et
f (u1 ) = v2 . Alors u1 + λu2 ∈ G et w = v1 + λv2 = f (u1 + λu2 ) ∈ f (G), d’où f (G) est
sous espace vectoriel de F .
ii) Soient u1 , u2 ∈ f −1 (H) alors f (u1 ) + λf (u2 ) ∈ H, donc f (u1 + λu2 ) ∈ H. D’où
u1 + λu2 ∈ f −1 (H) et f −1 (H) est sous espace vectoriel de F .

Définition 3.3 Soient E et F deux IK-espaces vectoriels, et soit f ∈ L(E, F ) une

application linéaire.
i) On appelle image de f , noté Im(f ), le sous-espace vectoriel de F :
Im(f ) = f (E) = { f (u) ∈ F : u ∈ E }
On appelle rang de f , noté rang(f ), la dimension de Im(f )
rang(f ) = dim Im(f )
ii) On appelle noyau de f , noté ker(f ), le sous-espace vectoriel de E :
ker(f ) = f −1 ({OF }) = { u ∈ E : f (u) = OF }
Proposition 3.3 .
Soient E et F deux IK-espaces vectoriels, et soit f ∈ L(E, F ) une application linéaire.
i)
f est injective ⇐⇒ ker(f ) = {OE }
ii)
f est surjective ⇐⇒ Im(f ) = F
Preuve : Exercice.
Proposition 3.4 Soit f ∈ L(E, F ) une application linéaire et S = {u1 , . . . , up } une

famille de vecteurs de E.
i) f (vect{u1 , . . . , up }) = vect{f (u1 ), . . . , f (up )}.
En particulier si f est surjective alors :
S = {u1 , . . . , up } est génératrice de E =⇒ f (S) = {f (u1 ), . . . , f (up )}est génératrice de F
ii) Si f est injective alors :
S = {u1 , . . . , up } est libre =⇒ f (S) = {f (u1 ), . . . , f (up )} est libre
iii) Si f est un isomorphisme alors :
S = {u1 , . . . , up } est une base de E =⇒ f (S) = {f (u1 ), . . . , f (up )}est une base de F

Preuve : Exercice.
Proposition 3.5 .
Soient E et F deux IK-espaces vectoriels où l’espace E est de dimension finie, dim E = n.
Soient B = {e1 , . . . , en } une base de E et f ∈ L(E, F ) une application linéaire.
Soit {w1 , . . . , wn } une famille de n vecteurs de F , alors il existe une unique application
linéaire f ∈ L(E, F ) telle que f (e1 ) = w1 , . . . , f (en ) = wn .
Une application linéaire f est entièrement déterminée par les images des vecteurs d’une
base, f (B) = {f (e1 ), . . . , f (ep )}.
Preuve :
Soit u = λ1 e1 + · · · + λn en ∈ E, comme f est linéaire, alors :
f (u) = f (λ1 e1 + · · · + λn en ) = λ1 f (e1 ) + · · · + λn f (en )
Donc f est entièrement déterminée par la donnée des vecteurs f (e1 ), . . . , f (ep ).
3.2 Théorème du rang et conséquences
Théorème 3.1 ( théorème du rang ).

Soient E et F deux IK-espaces vectoriels où l’espace E est de dimension finie n.
Soient B = {e1 , . . . , en } une base de E et f : E −→ F une application linéaire, alors :
dim E = dim ker(f ) + rang(f )
Où rang(f ) = dim Im(f ) = rang{f (e1 ), . . . , f (en )}
Preuve : ker(f ) ⊂ E donc dim ker(f ) ≤ dim E = n.

Soient q = dim ker(f ) et S = {v1 , . . . , vq } une base de dim ker(f ).
S est libre alors, d’après le théorème de la base imcomplète, on peut compléter la
famille S en une base de E en rajoutant n − q vecteurs extraits de B, il existe
{w1 , . . . , wn−q } ⊂ B tel que B 0 = S ∪ {w1 , . . . , wn−q } soit une base de E.

En particulier ker(f ) ∩ vect{w1 , . . . , wn−q }} = {OE }.

Par suite
Im(f ) = vectf (B 0 ) = vect{f (w1 ), . . . , f (wn−q )}
Vérifions que {f (w1 ), . . . , f (wn−q )} est libre. Soit α1 , . . . , αn−q dans IK tels que :
α1 f (w1 ) + · · · + αn−q f (wn−q ) = OF , alors f (α1 w1 + · · · + αn−q wn−q ) = OF .

Par suite
α1 w1 + · · · + αn−q wn−q ∈ ker(f ) ∩ vect{w1 , . . . , wn−q }} = {OE }
Comme α1 w1 + · · · + αn−q wn−q = 0E et {w1 , . . . , wn−q } est libre alors

α1 = · · · = αn−q = 0.
Donc {f (w1 ), . . . , f (wn−q )} est une base de Im(f ) et
dim Im(f ) = n − q = dim E − dim ker(f )
D’où dim E = dim ker(f ) + rang(f ).
Corollaire 3.1 .
Soient E et F deux IK-espaces vectoriels de même dimension n.
Soit f : E −→ F une application linéaire, alors :
f est injective ⇐⇒ f est surjective ⇐⇒ f est bijective
3.3 Matrice d’une application linéaire
Définition 3.4 Soient E et F deux IK-espaces vectoriels de dimensions finies avec

dim E = n et dim F = p. Soient B = {e1 , . . . , en } une base de E et C = {1 , . . . , p }
une base de F . Soit f : E −→ F une application linéaire.
On appelle matrice de f , notée MatB,C (f ), la matrice repésentant la famille de vecteus
{f (e1 ), . . . , f (en )} de F dans la base C = {1 , . . . , p }.
La matrice MatB,C (f ) = MatC {f (e1 ), . . . , f (en )} est de format (p, n).

f (e1 ) · · · f (en )
 
a11 · · · a1n 1
MatB,C (f ) =  ... ..  ..

.  .
ap1 · · · apn n
Si E = F et B = C, on note : MatB (f ) = MatB,B (f ), on dit que MatB (f ) est la

matrice de f dans la base B.
Propriétés :  
x1
Soient u = x1e1 + · · · + xnen ∈ E et X =  ...  ses com-
xn
posantes dans la base B.  
y1
Soient v = f (u) = y11 + · · · + ypp ∈ F et Y =  ...  ses
yp
composantes dans la base C.
 toutj = 1, . . . , n, soient f (ej ) = a1j 1 + · · · + apj p ∈ F

Pour
a1j
et  ...  ses composantes dans la base C.
apj
Posons A = MatB,C (f ), Alors :
f (e1) · · · f (en)
 
a11 · · · a1n 1
A =  ... ...  ...
ap1 · · · apn n
Ecriture analytique
     
y1 a11 a1n
v = f (u) = x1 f (e1 ) + · · · + xn f (en ) ⇔  ...  = x1  ..  + · · · + x  .. 
  
.  n . 
yp ap1 apn

 y1 = a11 x1 + · · · + a1p xn

⇔ ..
 .
 y = a x + ··· + a x
p p1 1 pn n
Ecriture matricielle
   
y1 x1
v = f (u) ⇔ Y = A X ⇔  ...  = A  ... 
yp xn
Comment déterminer le noyau et l’image d’une appli-

cation linéaire f
• Pour déterminer la dimension et une base de Im f par la

méthode de la proposition 2.1. Il suffit de chercher une réduite
de Gauss R de la matrice A associée f qui fournit rapidement
une base de Im f et sa dimension.
• On utilise le théorème du rang pour déterminer la di-

mension du noyau.
• Déterminer le noyau de f consiste à chercher les vecteurs

u ∈ E de composnates X tels que :
f (u) = OF ⇔ A X = O ⇔ R X = O
Exemple 3.1 Soit f : IR4 −→ IR4 un endomorphisme.

Soit  
1 −1 3 −1
 3 2 −1 0 
 
A = 
 −1 1 −3 1 

2 2 −2 3
la matrice de f dans la base canonique {e1, e2, e3, e4}
La matrice  
1 −1 3 −1
 0 5 −10 3 
 
R =  1 
0 0 0 5 
0 0 0 0
est une réduite de Gauss de A de rang 3 (cf. exemple 2.1).
Im f = vect{f (e1), f (e2), f (e3), f (e4)}, alors dim Im f = 3

et f {(e1), f (e2), f (e4)} est une base de Im f .
D’après le théorème du rang, on a : dim ker f = 1.

Comme (cf. exemple 2.1)
f (e1) − 2f (e2) − f (e3) = O
donc
f (e1 − 2e2 − e3) = O
par suite u0 = e1 − 2e2 − e3 ∈ ker f et ker f = vect{u0}
Opérations sur les applications linéaires et leurs ma-

trices correspondantes
Soient E et F deux IK-espaces vectoriels de dimensions finies

et soient B une base de E et C une base de F .
Soient f, g ∈ L(E, F ) et λ ∈ IK alors :
La matrice de la somme f + g est la somme de la ma-
trice de f et de la matrice de g .
MatB,C (f + g) = MatB,C (f ) + MatB,C (g)
La matrice du produit λ f d’une application linéaire

par un scalaire est le produit de la matrice de f par ce
scalaire.
MatB,C (λ f ) = λ MatB,C (f )
Proposition 3.6 ( Matrice de la composée de deux applica-

tions linéaires ).
Soient E, F et G des IK-espaces vectoriels de dimensions finies
et soient B, C et D leurs bases respectives.
Soient f ∈ L(E, F ) et g ∈ L(F, G) alors g o f ∈ L(E, G).
f g
E→F →G
−−−−−−→
gof
De plus on a :
MatB,D (g o f ) = MatC,D (g) MatB,C (f )
Si dim E = n, dim F = p et dim G = q on a :
MatC,D (g) ∈ Mq,p (IK) , MatB,C (f ) ∈ Mp,n (IK) et MatB,D (g o f ) ∈ Mq,n (IK)

Proposition 3.7 ( Matrice d’un isomorphisme ).

Soient E un IK-espace vectoriel de dimension n et B une base
de E.
Soit f ∈ End(E) un endomorphisme de E, alors :
f est un isomorphisme ⇐⇒ MatB (f ) est inversible
Dans ce cas on a :
MatB (f −1) = ( MatB (f ) )−1
Preuve :
On a :
f est un isomorphisme ⇐⇒ f −1 o f = f o f −1 = idE (∗)
Alors :
(∗) ⇐⇒ MatB (f −1)MatB (f ) = MatB (f ) MatB (f −1) = In
Donc
(∗) ⇐⇒ MatB (f ) est inversible et MatB (f −1) = ( MatB (f ) )−1

3.4 Matrice de passage et Changement de base
Soit E un IK-espace vectoriel de dimension finie, où dim E = n.

Soient B = {e1, . . . , en} et B 0 = {e01, . . . , e0n} deux bases de E.
La base B 0 est entièrement caractérisée par la connaissance des

composantes des vecteurs e01, . . . , e0n dans la base B

0
e 1 = α11 e1 + · · · + α1n en


 0

e2 = α12e1 + · · · + αn2en
 ...

 e0 = α x + · · · + α e

n 1n 1 nn n
Définition 3.5 ( Matrice de passage ).

On appelle matrice de passage de la base B à la base B 0, la
matrice
P = MatB B 0
représentant la famille B 0 dans la base B.
e01 e02 · · · e0n
 
α11 α12 · · · α1n e1
α21 α22 · · · α2n e2
 
P =
 
... ...  ...
 
αn1 αn2 · · · αnn en
Proposition 3.8 .
La matrice de passage P = MatB B 0 est inversible et son in-
verse
P −1 = MatB0 B
est la matrice de passage de la base B 0 à la base B.
Action d’un changement de base sur les composantes

d’un vecteur.
Proposition 3.9 .
x01
   
x1
Pour tout vecteur u de E, soient X =  ...  et X 0 =  ... 
xn x0n
les composantes de u respectivement dans la base B et dans la
base B 0. Soit
P = MatB B 0
la matrice de passage de la base B à la base B 0, alors :
X = P X0
On a :
X 0 = P −1 X où P −1 = MatB0 B
Preuve :
On a :
u = x1e1+· · ·+xnen = x01e01+· · ·+x0ne0n ⇐⇒ X = MatB B 0 X 0 = P X 0
⇐⇒ MatB0 B X = P −1 X = X 0
D’ou le résultat.

Action d’un changement de base sur la matrice d’une

application linéaire.
Proposition 3.10 .
Soit E un IK-espace vectoriel de dimension finie n.
Soient B , B 0 deux bases de E et
P = MatB B 0
la matrice de passage de la base B à la nouvelle base B 0.
Soit f : E → E un endomorphisme de E. Soient A = MatB (f )
la matrice de f dans la base B et A0 = MatB0 (f ) la matrice
de f dans la nouvelle base B 0, alors :
A0 = P −1 A P
Preuve :
Pour tout vecteur u de E, soit v = f (u).
Soient X ∈ Mn,1(IK) et Y ∈ Mn,1(IK) les composantes
respectivement de u et v dans la base B.
Soient X 0 ∈ Mn,1(IK) et Y 0 ∈ Mn,1(IK) les composantes
respectivement de u et v dans la base B 0.
On a :
X 0 = P X et Y 0 = P Y, où P = MatB B 0
Alors :
v = f (u) ⇔ Y 0 = A0 X 0 ⇔ P Y = A0 P X ⇔ Y = P −1 A0 P X ⇔ A = P −1 A0 P
Donc
A0 = P A P −1
Définition 3.6 On dit que deux matrices A et A0 de Mn sont semblables

s’il existe une matrice P de Mn invesible tel que :
A0 = P A P −1

Cours Alg Chapitre IV SMPC S2 20-21

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours Alg Chapitre IV SMPC S2 20-21

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre IV

1 Espace vectoriel ( rappels )

Définition 1.1 (combinaison linéaire)

Où λ1 , · · · , λp sont des scalaires dans IK.

Définition 1.2 (Sous espace vectoriel engendré)

vect(S) = vect{u1 , · · · , up } = {λ1 u1 + λ2 u2 + ...... + λp up : λ1 , · · · , λp ∈ IK}

Les éléments d’une famille libre sont dits linéairement indépendants.

Lhassane Saddek Faculté des Sciences - UMI SMPC S2, 2020/2021

Définition 1.4 (Familles génératrices)

Définition 1.5 (Bases)

Définition 1.6 (Espace vectoriel de dimension finie)

Théorème 1.1 (Théorème de la base imcomplète)

Théorème 1.2 (Théorème de la dimension)

Lhassane Saddek Faculté des Sciences - UMI SMPC S2, 2020/2021

2 Rang d’une famille de vecteurs

Lhassane Saddek Faculté des Sciences - UMI SMPC S2, 2020/2021

S = {Ci ∈ Mn1 (IK) : i = 1, . . . , p}

la famille des p colonnes de la matrice A : A = (C1 , . . . , Cp ). On appelle rang de

S est une base de E ⇔ P inversible ⇔ la réduite de Gauss R admet n pivots

S est une base de E ⇔ P inversible ⇔ R admet n pivots

Proposition 2.1 ( Méthode pratique de recherche du rang ).

Lhassane Saddek Faculté des Sciences - UMI SMPC S2, 2020/2021

Preuve : On peut admettre le résultat.

Corollaire 2.1 (Famille libre de vecteurs)

Théorème 2.2 Soit A ∈ Mnp (IK) et R une réduite de Gauss de A. Alors :

Preuve : On peut admettre le résultat.

Exemple 2.1 Soit S = (u1 , u2 , u3 , u4 ) une famille de IR4 où

Lhassane Saddek Faculté des Sciences - UMI SMPC S2, 2020/2021

Soit (λ1 , λ2 , λ4 ) ∈ IR3 tels que : λ1 u1 + λ2 u2 + λ4 u4 = 0E .

Si on prend λ3 = 1 on obtient −u1 + 2u2 + u3 = 0E ⇒ u3 = u1 − 2u2 .

3.1 Définition et proriétés

Définition 3.1 (Rappel)

ii) On dit que f est surjective si

iii) on dit que f est bijective si f est injective et surjective.

Lhassane Saddek Faculté des Sciences - UMI SMPC S2, 2020/2021

Définition 3.2 Soient E et F deux IK-espaces vectoriels. Une application f : E → F

f (u + λv) = f (u) + λf (v)

Lhassane Saddek Faculté des Sciences - UMI SMPC S2, 2020/2021

Définition 3.3 Soient E et F deux IK-espaces vectoriels, et soit f ∈ L(E, F ) une

Im(f ) = f (E) = { f (u) ∈ F : u ∈ E }

On appelle rang de f , noté rang(f ), la dimension de Im(f )

rang(f ) = dim Im(f )

ii) On appelle noyau de f , noté ker(f ), le sous-espace vectoriel de E :

ker(f ) = f −1 ({OF }) = { u ∈ E : f (u) = OF }

Proposition 3.4 Soit f ∈ L(E, F ) une application linéaire et S = {u1 , . . . , up } une

S = {u1 , . . . , up } est génératrice de E =⇒ f (S) = {f (u1 ), . . . , f (up )}est génératrice de F

ii) Si f est injective alors :

S = {u1 , . . . , up } est libre =⇒ f (S) = {f (u1 ), . . . , f (up )} est libre

iii) Si f est un isomorphisme alors :

Lhassane Saddek Faculté des Sciences - UMI SMPC S2, 2020/2021

f (u) = f (λ1 e1 + · · · + λn en ) = λ1 f (e1 ) + · · · + λn f (en )

3.2 Théorème du rang et conséquences

Théorème 3.1 ( théorème du rang ).

dim E = dim ker(f ) + rang(f )

Où rang(f ) = dim Im(f ) = rang{f (e1 ), . . . , f (en )}

Preuve : ker(f ) ⊂ E donc dim ker(f ) ≤ dim E = n.

Lhassane Saddek Faculté des Sciences - UMI SMPC S2, 2020/2021

En particulier ker(f ) ∩ vect{w1 , . . . , wn−q }} = {OE }.

α1 f (w1 ) + · · · + αn−q f (wn−q ) = OF , alors f (α1 w1 + · · · + αn−q wn−q ) = OF .

α1 w1 + · · · + αn−q wn−q ∈ ker(f ) ∩ vect{w1 , . . . , wn−q }} = {OE }

Comme α1 w1 + · · · + αn−q wn−q = 0E et {w1 , . . . , wn−q } est libre alors

dim Im(f ) = n − q = dim E − dim ker(f )

D’où dim E = dim ker(f ) + rang(f ).

 toutj = 1, . . . , n, soient f (ej ) = a1j 1 + · · · + apj p ∈ F