COURS Alg2 21-22 ENSAO

Table des matières
1 Matrices -Déterminants 3
1.1 intoduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Remarques et dénitions : . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Multiplication des matrices : . . . . . . . . . . . . . . . . . . . . . . 5
1.2.3 Propriétés et dénitions . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Déterminants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.1 Déterminants d'ordre 2 . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.2 Propriétés fondamentales . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.3 Déterminants d'ordre 3 . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.4 Propriétés fondamentales . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.5 Règle pratique pour calculer un déterminant d'ordre 3 :Règle de
Sarrus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.6 Déterminants d'ordre n . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 Applications des déterminants . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.1 Calcul de l'inverse d'une matrice . . . . . . . . . . . . . . . . . . . 12
1.4.2 Rang d'une matrice . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.2.1 Matrices échelonnées . . . . . . . . . . . . . . . . . . . . . 13
1.4.2.2 Méthode pratique de calcul du rang : . . . . . . . . . . . 14
1.5 Systèmes d'équations linéaires . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5.1 Systèmes de Cramer : . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5.2 Cas général . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5.3 Méthode d'élimination de Gauss . . . . . . . . . . . . . . . . . . . . 17
1.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2 Espaces vectoriels et applications linéaires 25
2.1 Objectives du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Règles de calcul dans un K -e.v. E . . . . . . . . . . . . . . . . . . . . . . 26
2.3 Base d'un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1
TABLE DES MATIÈRES 2
2.3.0.1 Notation : . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.4 Dimension d'un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . 28
2.5 Somme directe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.6 Applications linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.7 Rang d'une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . 33
2.8 Matrices et applications linéaires . . . . . . . . . . . . . . . . . . . . . . . 34
2.9 Matrice d'une application linéaire . . . . . . . . . . . . . . . . . . . . . . . 34
2.10 Rang d'un système de vecteurs, d'une matrice . . . . . . . . . . . . . . . . 36
2.11 Changement de base et matrice de passage . . . . . . . . . . . . . . . . . . 37
2.12 Exercices. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3 Polynômes et fractions rationnelles 46
3.1 Polynômes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.1.1 L'espace vectoriel des polynômes . . . . . . . . . . . . . . . . . . . 46
3.1.2 Degré d'un polynôme . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.1.3 Arithmétique des polynômes . . . . . . . . . . . . . . . . . . . . . . 49
3.2 Les fractions rationnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.2.1 Pratique de la décomposition dans C[X] . . . . . . . . . . . . . . . 55
3.2.2 Pratique de la décomposition dans R[X] . . . . . . . . . . . . . . . 56
3.3 Exrcices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4 Réduction des endomorphismes 58
4.1 Valeurs propres et vecteurs propres . . . . . . . . . . . . . . . . . . . . . . 58
4.1.1 Cas des endomorphismes . . . . . . . . . . . . . . . . . . . . . . . . 58
4.1.2 Cas des matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2 Polynôme caractéristique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.3 Endomorphismes et matrices diagonalisables . . . . . . . . . . . . . . . . . 61
4.4 Endomorphismes et matrices trigonalisables . . . . . . . . . . . . . . . . . 62
4.5 Polynôme minimal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.6 Exercies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
Mostafa rahmani ENSAO, A.U: 2021-2022

Chapitre 1
Matrices -Déterminants
1.1 intoduction
? Les matrices sont largement utilisées dans diérents domaines scientiques, techniques,traitement
d'images, économiques et de gestion.
? Elles interviennent comme outil de modélisation, d'analyse et de résolution de pro-
blèmes.
? Les problèmes étudiés, notamment dans les sciences de l'ingénieur, font souvent inter-
venir des grandeurs multidimensionnelles. Par conséquent, le formalisme mathéma-
tiques par lequel ils sont modélisés fait intervenir des opérateurs matriciels.
? Aussi, les méthodes d'analyse numérique, qui approchent des problèmes complexes par
des techniques de discrétisation ou de projection, font largement appel au formalisme
matriciel.
? Ainsi, l'analyse et la résolution de ces problèmes font appel à l'arsenal matriciel, no-
tamment les techniques de réduction des matrices.
1.2 Matrices
Dans tout ce cours K désignera un corps commutatif.

Soient m, n ∈ N∗ .
Dénition 1.1
Une matrice A de type (n, m) à coecients dans le corps K est un tableau rectangulaire
de n lignes et m colonnes formées d' éléments de K, qu'on note :
 
a11 a12 · · · a1m
 a21 a22 · · · a2m 
A =  .. .. . . ..  = (aij ) 1 ≤ i ≤ n
 
 . . . . 
an1 an2 · · · anm 1≤j≤m
3
CHAPITRE 1. MATRICES -DÉTERMINANTS 4
Les aij s'appellent les coecients de la matrice A.
On désigne pa Mn,m (K) l'ensemble des matrices de type (n, m) à coecients dans K ,
sur lequel on dénit deux lois :
Addition :
A + B = (aij ) + (bij ) = (aij + bij )
1≤i≤n 1≤i≤n 1≤i≤n
1≤j≤m 1≤j≤m 1≤j≤m

1 0 −3 2 1 4 3 1 1
Exemple 1.2 3 2 −2
+
−4 −3 2
=
−1 −1 0
Loi externe :
∀λ ∈ K : λ · (aij ) = (λaij )
1≤i≤n 1≤i≤n
1≤j≤m 1≤j≤m
Mn,m (K); +) est un groupe commutatif.
1.2.1 Remarques et dénitions :

• L'élément neutre du groupe( Mn,m (K); +) est la matrice nulle, dont tous les coecients
sont nuls.
• Une matrice de type (n, n) est appelée une matrice carrée d'ordre n, et on note :
Mn,n (K) = Mn (K).
• Si A = (aij )1≤i,j≤n est une matrice carrée d'ordre n, les coecients aii pour 1 ≤ i ≤ n
sont appelés les éléments de la diagonale principale.
• Soit A = (aij ) , on appelle transposée de A, et on note t A, la matrice
1≤i≤n
1≤j≤m
t
A = (bkl )
1≤k≤m
telle que bkl = alk pour tous 1 ≤ k ≤ m et 1 ≤ l ≤ n. t A est donc
1≤l≤n
la matrice de type (m, n) dont les lignes (resp. les colonnes) sont les colonnes (resp.
les lignes) de A.
Exemple :  
1 3
t 1 0 −3
= 0 2 
3 2 −2
−3 −2
• Si A = t A ( nécessairement A est une matrice carrée), on dit que A est une matrice
symétrique. Si A = − t A, on dit que A est une matrice antisymétrique.

• Une matrice carrée d'ordre n, A = (aij ) est dite triangulaire supérieure si,
1≤i≤n
1≤j≤n
aij = 0 pour i > j ; auquel cas la matrice A est de la forme :
a11 a12 · · ·
 
a1n
 0 a22 · · · a2n 

... 
 0 0 a3n  .
 
 . .. .. 
 .. . .
0 0 · · · 0 ann
On dénit de même une matrice triangulaire inférieure par les conditions : aij = 0
pour i < j .
• Une matrice carrée est dite diagonale si elle est de la forme :
 
a11 0 ··· 0
 0 a22 ··· 0 
 .. .. . . . ..  ,
 
 . . . 
0 0 · · · ann
c.à.d. que tous ses coecients sont nuls sauf peut-être ceux qui sont sur la diagonale
principale. Par exemple la matrice carrée d'ordre n
 
1 0 ··· 0
 0 1 ··· 0 
In =  .. .. . . ..  ,
 
 . . . . 
0 0 ··· 1
est une matrice diagonale dite la matrice unité carrée d'ordre n.
1.2.2 Multiplication des matrices :

Soient A = (aij ) 1≤i≤m
∈ Mm,n (K) et B = (bpq )
1≤p≤n
∈ Mn,s (K).
1≤j≤n 1≤q≤s
On dénit le produit de A par B comme étant la matrice de type (m, s), notée
n
X
AB = (ckl ) ou ckl = ak1 b1l + ak2 b2l + · · · + akn bnl = akj bjl .
1≤k≤m
j=1
1≤l≤s
En fait, le coecient ckl est obtenu en faisant le produit de la kième ligne de A par la lième

colonne de B .
Exemple 1.3
 
1 0
1 0 2
Soient A =  −1 2  et B = .
−1 1 3
1 −1
A est de type (3, 2) et B est de type (2, 3). Le produit AB est déni, et BA l'est aussi.
la matrice
 AB est  de type (3, 3).  
1 0 1 0 2
1 0 2
AB =  −1 2  =  −3 2 4 .
−1 1 3
1 −1 2 −1 −1
La matrice BA est detype (2, 2) 
1 0
1 0 2  3 −2
BA = −1 2 = .
−1 1 3 1 −1
1 −1
1.2.3 Propriétés et dénitions

Propriétés 1.4
1-) Si A est de type (m, n), B et C de type (n, s) et λ ∈ K , alors :

i) A(B + C) = AB + AC .
ii) λ(AB) = (λA)B = A(λB).

2-) Si A est de type (m, n), B de type (n, r) et C de type (r, s), alors : (AB)C = A(BC).
3-) Si A et B sont deux matrices à coecients dans K tel que le produit AB est déni,
alors t (AB) = t B t A.
4-) Soit A ∈ Mn (K) une matrice carrée d'ordre n, on dit que A est inversible s'il existe
une matrice B ∈ Mn (K) telle que AB = BA = In , où In est la matrice unité carrée
d'ordre n. On note B par A−1 , qu'on appelle l'inverse de A. Si A est inversible, son
inverse est unique. In est l'élément neutre de la multiplication.
5-) (Mn (K), +, ·) est un anneau. Pour n ≥ 2, Mn (K) n'est jamais commutatif, ni intègre
puisque
:

0 0 0 0 0 0 0 0 0 0 0 0
= et = .
1 0 0 1 0 0 0 1 1 0 1 0
1.3 Déterminants
1.3.1 Déterminants d'ordre 2

a b
Soit A = une matrice carrée d'ordre 2 à coecients dans K .
c d
Dénition 1.5
Le déterminant de A est le scalaire ad − bc, qu'on note :

a b
det A = |A| = = ad − bc.
c d
Le déterminantde A peut êtrevu comme

une fonction des
a b
colonnes C1 = et C2 = de A et on note det A = D(C1 , C2 ).
c d
1.3.2 Propriétés fondamentales

Propriétés 1.6
1-) Le déterminant est une fonction linéaire par rapport à chaque colonne c.à.d
a) D(C1 , C2 + λC3 ) = D(C1 , C2 ) + λD(C1 , C3 ).

a b + λc
D(C1 + λC2 , C3 ) = D(C1 , C3 ) + λD(C2 , C3 ) = 0 0
a b + λc0
b)

a b a c
= 0 0 + λ 0 0
a b a c

a a
2-) 0 0 = 0.
a a

3-) D(C1 , C2 ) = D(C1 , C2 + λC1 ) = D(C1 + µC2 , C2 ).

En eet, D(C1 , C2 + λC1 ) = D(C1 , C2 ) + λD(C1 , C1 ) = D(C1 , C2 )

b a a b
4-) d c = − c d

a b a c
5-) det A = det A puisque
t
c d
= ad − bc = ad − cb =
b d
1.3.3 Déterminants d'ordre 3

 
a11 a12 a13
Soit A =  a21 a22 a23  ∈ M3 (K).
a31 a32 a33
Dénition 1.7
Le déterminant de A est le scalaire :

a11 a12 a13
a a
det A = a21 a22 a23 = a11 22 23 − a12 a21 a23 + a13 a21 a22

(∗)
a31 a32 a33 a 32 a 33
a31 a33 a31 a32
La formule (∗) s'appelle le développement du déterminant de A suivant la première ligne.
Remarques 1.8
1) En notant par Aij la matrice extraite de A, en supprimant la iième ligne et la j ième
colonne de A, on a :
3
X
det A = a11 det A11 − a12 det A12 + a13 det A13 = (−1)1+j a1j det A1j .
j=1
2) On peut considerer le déterminant comme une fonction des colonnes C1 , C2 et C3 de

A, et on note det A = D(C1 , C2 , C3 ).

Propriétés 1.9 1) Le déterminant est linéaire par rapport à chaque colonne.
2) det I3 = 1.
3) Si on échange deux colonnes alors le déterminant change de signe.
4) Si deux colonnes sont égales alors le déterminant est nul.
5) On ne change pas la valeur du déterminant si on ajoute à une colonne une combinaison
linéaire des deux autres.
6) det A = dett A.

3
7)
X
Pour 1 ≤ i ≤ 3 on a : det A = (−1)i+j aij det Aij ; c'est le développement du
j=1
déterminant suivant la iième ligne de A.

3
8)
X
Pour 1 ≤ j ≤ 3 on a : det A = (−1)i+j aij det Aij ; c'est le développement du
i=1
déterminant suivant la j ième colonne de A.
9) Si on multiplie par un scalaire λ tous les coecients d'une même colonne de A, alors
le déterminant est multiplié par λ.
10) Pour tout λ ∈ K , on a : det(λA) = λ3 det A.
11) det(AB) = det A det B .
12) Toutes les propriétés énoncées pour les colonnes de A restent valables pour les lignes
de A.
1.3.5 Règle pratique pour calculer un déterminant d'ordre 3 :Règle

de Sarrus

a b c
Soit à calculer le déterminant d e f par la règle de Sarrus : La règle de Sarrus

g h i
(nommée d'après Pierre-Frédéric Sarrus) est un procédé visuel, qui permet de retenir la
formule de calcul des déterminants d'ordre 3. La règle de Sarrus consiste à écrire les trois
colonnes de la matrice et à répéter, dans l'ordre, les deux premières lignes en dessous de
la matrice. Il sut alors d'eectuer les produits des coecients de chaque diagonale et
d'en faire la somme si la diagonale est descendante ou la diérence si la diagonale est
ascendante.
Exemple :


2 1 1
Soit à calculer le déterminant ∆ = 1 2 3

5 2 2
La règle de Sarrus donne :

2 1 1

1 2 3 =2·2·2+1·2·1+5·1·3−5·2·1−2·2·3−1·1·2

5 2 2
& .
2 1 1
1 2 3
− +
Donc ∆ = 25 − 24 = 1.
Moyennant la dénition , on a :

2 1 1
2 3 1 3
+1· 1 2

1 2 3 =2·
2 2 −1· 5 2
= 2(4 − 6) − (2 − 15) + (2 − 10)
5 2
5 2 2
= −4 + 13 − 8 = 1
En utilisant les propriétés fondamentales, on a :

2 1 1

∆ = 1 2 3 = (C1 − C2 − C3 ; C2 − C3 ; C3 )
5 2 2

0 0 1
−4 −1
= −4 −1 3 = 1 =1
1 1 0
0 2
1.3.6 Déterminants d'ordre n

Dénition 1.10
Soient A ∈ Mn (K) et Aij la matrice d'ordre n − 1 extraite de A, en supprimant la
iième ligne et la j ième colonne de A. On appelle déterminant de A, le scalaire det A =
X n
(−1)1+j a1j det A1j . C'est le développement du déterminant suivant la première ligne.
j=1
En notant Cj la j ième colonne de A, on écrit aussi det A = D(C1 , · · · , Cj , · · · , Cn ).

Propriétés 1.11
1) Le déterminant est linéaire par rapport à chaque colonne
2) det In = 1.
3) Si on échange deux colonnes alors le déterminant change de signe.

4) Si deux colonnes sont égales alors le déterminant est nul.

5) On ne change pas la valeur du déterminant si on ajoute à une colonne une combinaison
linéaire des autres.
6) det A = dett A
n
7)
X
Pour 1 ≤ i ≤ n on a : det A = (−1)i+j aij det Aij ; c'est le développement du
j=1
déterminant suivant la iième ligne de A.

n
8) Pour 1 ≤ j ≤ n on a : det A =
X
(−1)i+j aij det Aij ; c'est le développement du
i=1
déterminant suivant la j ième colonne de A.
9) Si on multiplie par un scalaire λ tous les coecients d'une même colonne de A, alors
le déterminant est multiplié par λ.
10) Pour tout λ ∈ K , on a : det(λA) = λn det A.
11) det(AB) = det A det B .
12) Toutes les propriétés énoncées pour les colonnes de A restent valables pour les lignes
de A.
Exemples : Le tableau des signes est formé en commençant par le signe + , et en res-
pectant
 le fait quedeux signes consécutifs dans une ligne ou une colonne sont opposés.
+ − + ···
 − + − ··· 
 
 + − + ··· 
.. .. ..
 
. . . ···
1) Soit à calculer le déterminant :

1 3 0 2

−2 −5 7 4
∆ = = D (C1 ; C1 − C2 + C4 ; C3 ; 2C1 − C4 )
3 5 2 1
1
−1 2 −3
1 0 0 0

−2 −5 7 −8
−5 7 −8
= = −1 2 5 = 0 car L2 = L3
3 −1 2 5

−1 2 5
1 −1 2 5


1
3 −1 0 −2
0
2 −4 −1 −6
−2 −6 2 3 9 = D (L1 ; L2 ; 2L1 + L3 ; −3L1 + L4 ; −3L1 + L5 )

3
7 −3 8 −7
3 5 5 2 7

1
3 −1 0 −2
2 −4 −1 −6

0 2 −4 −1 −6
0

0 3 5
= 0 0 0 3 5 = − = D (L1 ; L2 ; L3 ; 2L1 + L4 )
−2 0 8 −1
0 −2 0 8 −1
−4 8

2 13
0
−4 8 2 13

2 −4 −1 −6
2 −4 −1

0 0 3 5 2 −4
= − = − 0
0 3 = 3
= 24
−2 0 8 −1 −2 0 −2 0
8
0 0 0 1
3) On vérie (par récurrence) que si A est une matrice triangulaire, alors det A =
a11 a22 · · · ann .
1.4 Applications des déterminants
1.4.1 Calcul de l'inverse d'une matrice

Théorème 1.12
Soit A = (aij )1≤i;j≤n une matrice carrée d'ordre n, et soit Aij la matrice d'ordre n − 1
extraite de A, en supprimant la iième ligne et la j ième colonne de A, alors
1) A est inversible si et seulement si det A 6= 0.
2) Si A est inversible, l'inverse A−1 de A est donnée par la formule :
 
1 t(−1)i+j det Aij )
A−1 =

.
det A  1 ≤ i; j ≤ n 
La matrice C = ((−1)i+j det Aij ) , s'appelle la comatrice associée à A qu'on note

1≤i≤n
1≤j≤n
com(A), et le coecient Cij = (−1) i+j
det Aij s'appelle le cofacteur d'indice ij .
Démonstration :
Si A est inversible, alors AA−1 = A−1 A = In , d'où det(AA−1 ) = det A det A−1 = det In =
1, par suite det A 6= 0 et det A−1 = 1 ·
det A
Si det A 6= 0, on vérie que :

1 t com(A)A = A 1 t com(A) = I .
n
det A det A
Exrcice  
2 1 3
Trouver l'inverse de la matrice A =  1 −1 1 
1 4 −2
2 1 3 0
1 0
4 = −(−14 · 3 + 14 · 2) = 14.

det A = 1 −1 1 = 3 −1
1 4 −2 −7 4 −14 

−2 3 5
La comatrice associée à A est com(A) =  14 −7 −7 , donc l'inverse de A est la
4 1 −3
matrice  
−2 14 4
1 
A−1 = 3 −7 1 .
14
5 −7 −3
1.4.2 Rang d'une matrice

Dénition 1.13
Soit A ∈ M(n,m) . On appelle rang de A, et on note rg(A), le plus grand entier r tel qu'on
puisse extraire de A une matrice carrée d'ordre r de déterminant non nul.
Propriétés fondamentales : Soit A ∈ M(m,n) (K) :

1) rg(A) ≤ inf(m, n).
2) L'entier r est le rang de A si et seulement si il existe un déterminant d'ordre r non nul
extrait de A et tous les déterminants d'ordre strictement supérieur à r extraits de A sont
nuls.
3) rg(A) = rg(t A).
1.4.2.1 Matrices échelonnées

Dénition 1.14
Soit A ∈ Mn,p (K). La matrice A est échelonnée (en lignes) si :
• toute ligne non nulle de A commence avec strictement plus de zéros que la ligne précé-
dente.

• En-dessous d'une ligne nulle, on ne peut trouver qu'une ligne nulle.
Propriétés 1.15
Le rang d'une matrice échelonnée est égal au nombre de ses lignes non nulles.
Dénition 1.16 Deux matrices A et B de Mn,p (K) sont équivalentes si l'on peut passer
de A à B par une suite d'opérations élémentaires. Dans ce cas, on note : A ∼ B.
Propriétés 1.17
1. Soit A ∈ Mnp (K). On a : rg(A) ≤ min(n; p).

2. Soit A ∈ Mnp (K). On a : rg(A) ≤ n, et rg(A) = n SSI A inversible.
3. Le rang d'une matrice échelonnée est égal au nombre de ses lignes non nulles.
4. Toute matrice de Mnp (K) est équivalente à une matrice échelonnée.
5. Deux matrices équivalentes ont même rang.
6. Soit A ∈ Mnp (K). Si B ∈ GLn (K), alors rg (BA) = rg (A) ; et si C ∈ GLp (K),
alors rg (AC) = rg (A).
1.4.2.2 Méthode pratique de calcul du rang :

On considère A une matrice de Mn,p (K) :
I Etape 1 : on cherche une matrice échelonnée E telle que A ∼ E.
I Etape 2 : le rang de A est alors le nombre de lignes non nulles de E.
Exemple 1.18
   
1 2 1 L1 1 2 1
A =  2 0 2  2L1 − L2 ∼ A0 =  0 4 0 
2 1 0 2L1 − L3 0 0 2
Par suite rg(A)=rg(A')=3, pas de ligne nulle.
On a aussi det(A) = det(A0 ) = 1 × 4 × 2 car A' est une matrice triangulaire.
Exercice 1.19 Calculer le rang de matrice suivante en fonction des paramètres réels a,
b et c :  
1 1 1
A= b+c c+a a+b 
bc ca ab

1.5 Systèmes d'équations linéaires
1.5.1 Systèmes de Cramer :

Un système linéaire (S) de n équations à n inconnues dans K est la donnée de n
équations de la forme la forme :


 a11 x1 + a12 x2 + · · · + a1n xn = b1
 a21 x1 + a22 x2 + · · · + a2n xn = b2

(S) .. .. ..


 . . .
 a x + a x + ··· + a x = b
n1 1 n2 2 nn n n
où les aij et les bj sont dans K et x1 , x2 , · · · , xn sont les inconnues.

La matrice  
a11 a12 · · · a1n
 a21 a22 · · · a2n 
A= .. .. . . .. 
 
 . . . . 
an1 an2 · · · ann
s'appelle
 la 
matrice associée au système (S) et la matrice  
b1 x1
 b2   x2 
B =  ..  s'appelle le terme constant du système. Si on pose X =  ..  alors le
   
 .   . 
bn xn
système (S) est équivalent à l'égalité matricielle AX = B .
Résoudre le système (S) dans K consiste à trouver les scalaires x1 , x2 , · · · , xn dans K
vériant les n équations du système, et lorsque la matrice A associée au système (S) est
inversible (c.à.d. det A 6= 0), on dit que (S) est un système de Cramer.
Théorème 1.20
Si le système (S) : 

 a11 x1 + a12 x2 + · · · + a1n xn = b1
 a21 x1 + a22 x2 + · · · + a2n xn = b2

.. .. .. ,


 . . .
 a x + a x + ··· + a x = b
n1 1 n2 2 nn n n
est un système de Cramer, alors il admet une solution unique (x1 , x2 , · · · , xn ) ∈ K n

donnée par :

a11 · · · a1j−1 b1 a1j+1 · · · a1n
.. .. .. .. ..

. . . . .

an1 · · · anj−1 bn anj+1 · · · ann
∀1 ≤ j ≤ n, xj = ·
det A

Démonstration :
Notons
 par
Cj , 1 ≤ j ≤ n les n colonnes de la matrice A associée au système (S), et par
b1
 b2 
B=

.. 

le terme constant du système. Alors le système (S) est équivalent à l'égalité
 . 
bn
n
xi Ci = B . Par suite, pour 1 ≤ j ≤ n on a :
X
i=1
n
P
D(C1 , · · · , Cj−1 , B, Cj+1 , · · · , Cn ) = D(C1 , · · · , Cj−1 , xi Ci , Cj+1 , · · · , Cn )
i=1
n
P
= xi D(C1 , · · · , Cj−1 , Ci , Cj+1 , · · · , Cn )
i=1
= xj D(C1 , · · · , Cj−1 , Cj , Cj+1 , · · · , Cn ) = xj det A
, car pour i 6= j , on a D(C1 , · · · , Cj−1 , Ci , Cj+1 , · · · , Cn ) = 0 puisque c'est le déterminant
d'une matrice ayant deux colonnes identiques, à savoir les colonnes Ci et Cj . Par suite,
D(C1 , · · · , Cj−1 , B, Cj+1 , · · · , Cn )
xj =
det A
.
Exercice 1.21
Considérons le systéme 
 x + 3y + z = 1,
(S) 2x − y + 3z = 2,
x + 2y + 4z = −1 .

Montrer que (S) est

 un systémede Cramer et trouver sa solution puis chercher l'inverse
1 3 1
de la matrice A =  2 −1 3 .
1 2 4

C1 C2 C3
1 3 1
(S) = −20
2 −1 3

1 2 4
Donc le systme admet
une solution

unique.
1 3 1

2

−1 3
−1 2 4

det(B,C2 ,C3 )
x = det(S) = −20
= −40
−20
=2

1 1 1

2 2 3

1 −1 4

y = det(C 1 ,B,C3 )
det(S)
= −20
−2
= −20 = −1
10

1 1 1

2 3 2

det(C1 ,C2 ,B)

1 4 −1
−14
= −7

z = det(S) = −20
= −20 10
1.5.2 Cas général

Un système linéaire (S) de m équations à n inconnues dans K est la donnée de m
équations de la forme la forme :


 a11 x1 + a12 x2 + · · · + a1n xn = b1
 a21 x1 + a22 x2 + · · · + a2n xn = b2

(S) .. .. ..


 . . .
 a x + a x + ··· + a x = b
m1 1 m2 2 mn n m
où les aij et les bi sont dans K et x1 , x2 , · · · , xn sont les inconnues.

La matrice  
a11 a12 · · · a1n
 a21 a22 · · · a2n 
A =  .. .. . . . .. 
 
 . . . 
am1 am2 · · · amn
s'appelle
 la 
matrice associée au système (S) et la matrice  
b1 x1
 b2   x2 
B =  ..  s'appelle le terme constant du système. Si on pose X =  ..  alors le
   
 .   . 
bm xn
système (S) est équivalent à l'égalité matricielle AX = B .
Résoudre le système (S) dans K consiste à trouver tous les scalaires x1 , x2 , · · · , xn dans
K vériant les m équations du système. Le système AX = 0 s'appelle le système homogène

associé à (S), et la matrice

 
a11 a12 · · · a1n b1
 a21 a22 · · · a2n b2 
AB =  .. .. ... .. .. 
 
 . . . . 
am1 am2 · · · amn bm
s'appelle la matrice augmentée.

Théorème 1.22
Le système (S) admet des solutions si et seulement si rg(A) = rg(AB ).
Démonstration :
Il sut de remarquer que le système (S) admet des solutions si et seulement si le terme
constant B appartient à l'e.v. engendrée par les vecteurs colonnes C1 , · · · , Cn de la ma-
trice A si et seulement si rg(A) = rg(C1 , · · · , Cn ) = rg(C1 , · · · , Cn , B) = rg(AB ).
Pour résoudre le système (S), on calcule le rang da la matrice A associée à (S). Si
r = rg(A), alors il existe un déterminant non nul d'ordre r, qu'on note ∆r , appelé déter-
minant principal. Les équations correspondant aux lignes de ∆r s'appellent les équations
principales, et les inconnues correspondant aux colonnes de ∆r s'appellent les inconnues
principales. Les autres inconnues s'appellent des paramètres. Sans perte de généralité, on
peut supposer que le déterminant ∆r est formé des r premières lignes et des r premières
colonnes de A. Le système (S) implique le système de Cramer (Sr ) suivant :


 a11 x1 + a12 x2 + · · · + a1r xr = b1 − a1r+1 xr+1 − · · · − a1n xn
 a21 x1 + a22 x2 + · · · + a2r xr = b2 − a2r+1 xr+1 − · · · − a2n xn

.. .. ..


 . . .
 a x + a x + ··· + a x = b − a
r1 1 r2 2 rr r r rr+1 xr+1 − · · · − arn xn
où xr+1 , · · · , xn sont des paramètres. On calcule ensuite, x1 , · · · , xr , en fonction de xr+1 , · · · , xn

et b1 , · · · , br . Puis on vérie si les m − r équations non principales sont satisfaites. Si l'une
des équations non principales n'est pas satisfaite, le système n'admet pas de solutions.
1.5.3 Méthode d'élimination de Gauss

Cette méthode peut être utilisée dans la résolution des systèmes de Cramer, et des
systèmes linéaires de n équations à n inconnues.
Soit donc (S) le système linéaire de n équations à n inconnues suivant :


 a11 x1 + a12 x2 + · · · + a1n xn = b1
 a21 x1 + a22 x2 + · · · + a2n xn = b2

.. .. ..


 . . .
 a x + a x + ··· + a x = b
n1 1 n2 2 nn n n

On peut supposer que a11 6= 0. Pour éliminer l'inconnue x1 de l'équation i, i ≥ 2, on

multiplie l'équation 1 par aa11
i1 , puis on fait la diérence avec l'équation i. Le système (S)
est équivalent au système (S1 ) :



 a11 x1 + a12 x2 + · · · + a1n xn = b1
b22 x2 + · · · + b2n xn = c2


.
.. .. ..


 . .
 bn2 x2 + · · · + bnn xn = cn
Si b22 6= 0, on élimine l'inconnue x2 de l'équation i, i ≥ 3, en multipliant l'équation 2 par
bi2 , puis on fait la diérence avec l'équation i, et ainsi de suite, jusqu'à ce qu'on trouve
b22
la valeur de xn , puis on en déduit successivement celle de xn−1 , · · · , x1 .
Exemple 1.23
1) Soit à résoudre dans R le système (S) :


 x1 − x2 + x3 − x4 + x5 =1
2x1 − x2 + 3x3 + 4x5 =2


 3x1 − 2x2 + 2x3 + x4 + x5 =1
x1 + x3 + 2x4 + x5 =0

La matrice A associée au système (S) est :

 
1 −1 1 −1 1
 2 −1 3 0 4 
A=  3 −2

2 1 1 
1 0 1 2 1
Calculons d'abord
le rang de A. Comme A est de type (4, 5), alors rg(A) ≤ 4. On a :
1 −1 1 0 −1 0
2 −1 3 = 1 −1 2 = −2 6= 0, d'où rg(A) ≥ 3.

3 −2 2 1 −2 0
On vérie ensuite que tous les déterminants d'ordre 4 extraits de A sont nuls, méthode
déconseillée !, pour conclure que rg(A) = 3. La méthode à suivre sera donnée après avoir
introduit la notion de rang d'un système de vecteurs d'un espace vectoriel
donné.
1 −1 1
Ainsi, rg(A) = 3. On peut donc considérer que 43 = 2 −1 3 = −2 est un dé-

3 −2 2
terminant principal, par suite les trois premières équations sont les équation principales
et x1 , x2 et x3 sont les inconnues principales. x4 et x5 seront considérées comme des
paramètres. Le système (S) implique donc le système de Cramer suivant :

 x1 − x2 + x3 = 1 + x4 − x5
2x1 − x2 + 3x3 = 2 − 4x5
3x1 − 2x2 + 2x3 = 1 − x4 − x5


Pour résoudre ce système, on va appliquer la méthode d'élimination de Gauss, qui donne :


 x1 − x2 + x3 = 1 + x4 − x5
x2 + x3 = −2x4 − 2x5
x2 − x3 = −2 − 4x4 + 2x5

Ce qui implique : 
 x1 − x2 + x3 = 1 + x4 − x 5
x2 + x3 = −2x4 − 2x5
−2x3 = −2 − 2x4 + 4x5

Donc x3 = 1+x4 −2x5 ⇒ x2 = −2x4 −2x5 −x3 = −1−3x4 ⇒ x1 = 1+x4 −x5 +x2 −x3 =
−1 − 3x4 + x5 .
Il faut maintenant voir si la dernière équation est satisfaite. On a : x1 + x3 + 2x4 + x5 =
−1 − 3x4 + x5 + 1 + x4 − 2x5 + 2x4 + x5 = 0. Donc le système (S) est resoluble et l'ensemble
des solutions est : {(−1 − 3x4 + x5 , −1 − 3x4 , 1 + x4 − 2x5 , x4 , x5 ) | x4 , x5 ∈ R}.
2) Soit à résoudre le système (S) suivant :


 x1 + 2x2 + x3 = −1
6x + x + x = −4

 1
 2 3
2x1 − 3x2 − x3 = 0
−x1 − 7x2 − 2x3 = 7




x1 − x2 = 1

La matrice A associée au système est :

 
1 2 1

 6 1 1 

A=
 2 −3 −1 .

 −1 −7 −2 
1 −1 0

1 2 1
Comme A est une matrice de type (5, 3), alors rg(A) ≤ 3, et comme 6

1 1 =
2 −3 −1

3 −1 0 1 2 1
0 = −2 6= 0, alors rg(A) = 3. On peut donc choisir ∆3 = 6

8 −2 1 1

2 −3 −1 2 −3 −1
comme déterminant principal, par suite, toutes les inconnues x1 , x2 et x3 sont principales
et les trois premières équations sont les équations principales. Le système (S) implique
donc le système de Cramer suivant :

 x1 + 2x2 + x3 = −1
6x1 + x2 + x3 = −4
2x1 − 3x2 − x3 = 0


Les solutions
sont donc :
−1 2 1 −1 −1 0 1 −1 1 3 −1 0

−4 1 1 −4 −2 0 6 −4 1 8 −4 0

0 −3 −1 0 −3 −1 2 0 −1 2 0 −1
2

x1 = −2 = −2 = −2 = −1, x2 = −2 = −2 =

1
2 −1

0
0 −1

6
1 −4

2 −7 −4

4 = −2 et x = 2 −3 0 2 −3 0
= −8

−2 3 −2 = −2 −2 = 4.
On vérie si les équations non principales (équations 4 et 5) sont satisfaites.
−x1 − 7x2 − 2x3 = 1 + 14 − 8 = 7 et x1 − x2 = −1 + 2 = 1. Donc le système admet une
solution unique (x1 , x2 , x3 ) = (−1, −2, 4).
3) Soit à résoudre dans R le système (S) :

 x1 + x2 + x3 + x4
 = a
x1 − x2 − x3 + x4 = b

,

 −x1 − x2 + x3 + x4 = c
−3x1 + x2 − 3x3 − 7x4 = d

où a, b, c et d sont des nombres réels strictement positifs.

déterminant de la matrice
Le A associée au système
est :
1 1 1 1 1 0 0 0 1 0 0 0

1 −1 −1 1 1 −2 −2 0 1 −2 0 0
= 0.

−1 −1 = =
1 1 −1 0 2 2 −1 0 2 2
−3 1 −3 −7 −3 4 0 −4 −3 4 −4 −4

1 1 1 1 1 0
Donc rg(A) ≤ 3. Comme le déterminant ∆3 = 1 −1 −1 = 1 −1 0 =

−1 −1 1 −1 −1 2
−4 6= 0, alors la matrice A est de rang 3 et ∆3 peut être considéré comme un déterminant
principal. Ainsi, les trois premières équations sont les équations principales, et x1 , x2 et x3
sont les inconnues principales. L'inconnue x4 sera donc considérée comme un paramètre.
Le système (S) implique le système :

 x1 + x2 + x3 = a − x4
x1 − x 2 − x3 = b − x4
−x1 − x2 + x3 = c − x4

En ajoutant la première équation à la deuxième, on a :

2x1 = a + b − 2x4 , d'où x1 = a + b
2 − x4 .
En ajoutant la deuxième équation à la troisième, on a :
−2x2 = c + b − 2x4 , d'où x2 = x4 − b +2 .
c
En ajoutant la première équation à la troisième, on a :
2x3 = c + a − 2x4 , d'où x3 = a + c
2 − x4 .
Vérions si la dernière équation est satisfaite. En remplaçant x1 , x2 et x3 par les valeurs
trouvées, on obtient :

−3( a + b b+c a+c

2 −x4 )+(x4 − 2 )−3( 2 −x4 )−7x4 = d, c.à.d. −(3a+2b+2c) = d. Comme
a, b, c et d sont des nombres réels strictement positifs, alors l'égalité −(3a + 2b + 2c) = d
est impossible, donc le système (S) n'admet pas de solutions.
1.6 Exercices
Exercice 1.24
Soient A ∈ M(3;4) (R) et B ∈ M(3;4) (R) tels que : (aij = −i + j) et (bij = i + j)
1. Donner les deux matrices.
2. Calculer AB et t BA.
3. Calculer detAB si AB est inversible calculer comAB puis (AB)−1
Exercice 1.25
Calculer
 l'inverse des 
matrices 
carrées suivantes
 :
1 0 1 1 1 −1
A =  2 −1 1  , B =  2 0 1 .
−1 1 −1 2 1 −1
Exercice 1.26
Chercher les rangs des matrices suivantes :
   
1 7 2 5 1 −1 0 1
 −2 1 1 5  , B =  m 1 −1 −1  .
 
A=  −1 2  1 −m 1
1 4  0 
1 4 1 2 1 −1 m 2
Exercice 1.27
 
0 a b
1. calculer sous formes factorisée les déterminants des matrices suivantes : A =  a 0 c ,
b c 0
 
  a a a a
a b c  a b b b 
B =  c a b , C =   a b c c .

b c a
a b c d
2. 
Résoudre dans R3 les systémes
 suivants :
 2x + y − z = 1,  x + 2y + 3z = 1,
x − y + z = 2, 3x + 3y − z = 2,
4x + 3y + z = 3, 2x + 4y = 3, .
 
3. Soient a, b,
c, d des réels distincts deux àdeux. Résoudre dans R3 les systèmes sui-
 x + y + z = 1,  x − y + z = m,
vants : a) ax + by + cz = d, b) x + my − z = 1,
 2 2 2 2
a x+b y+c z =d . x − y − z = 1.


Exercice 1.28 Soit t ∈ C∗ . On donne

t2
 
0 t
 
 1 0 t 
 
A= t .
 
 
1 1 0
t2 t
1) Calculer A2 − A − 2I3 , où I3 désigne la matrice unité carrée d'ordre 3.
2) En déduire que A est inversible et calculer son inverse A−1 .
3-)Pour n ≥ 2 déterminer le reste de la division euclidienne de X n par X 2 − X − 1.
4-) En déduire An pour n ≥ 2.
Solution : Soit t ∈ C∗ . On donne
t2
 
0 t
 
 1
 
A =  t 0 t .

 
 
1 1 0
t2 t
0 t t2 0 t t2 2 t t2
     
     
 1 0 t   1 0 t   1 2 t 
     
1) A =  t
2
. t = t  = A + 2I3 .
     
     
1 1 0 1 1 0 1 1 2
t2 t t2 t t2 t
Donc A2 − A − 2I3 = O, où O désigne la matrice nulle.
2) A2 − A − 2I3 = O ⇒ A2 − A = 2I3 ⇒ A( 21 (A − I3 )) = ( 12 (A − I3 ))A = I3 . Donc la
matrice A est inversible et son inverse A−1 = 21 (A − I3 ).
 
0 1 1 1
 1 0 1 1 
Exercice 1.29 Soit U la matrice U =   1 1 0 1 

1 1 1 0
1-) Calculer U et en déduire une relation simple liant U , U et I4 .
2 2
2-) Soient (αk ) et (βk ) les suites dénies par α0 =, β0 = 0, αk+1 = 3βk , βk+1 = αk + 2βk .
Démontrer que, pour tout k ∈ N, on a
 
αk βk βk βk
 βk αk βk βk 
Uk =  βk βk αk βk 

βk βk βk αk
3-)Démontrer que, pour tout k ∈ N, on a βk+2 = 2βk+1 + 3βk .
3k −(−1)k k k
4-)En déduire que, pour tout k ∈ N, βk = 4
et αk = 3 +(−1)
4
.

Exercice 1.30 Pour tout nombre réel t on pose

 t 
e 2tet (t2 − 4t)et
R(t) =  0 et tet 
t
0 0 e
1) Montrer que l'on a R(t)R(s) = R(t + s) pour tous nombres réels t et s.

2) Soit t ∈ R. Montrer que la matrice R(t) est inversible et calculer son inverse.
Solution :
Pour tout nombre réel t on pose
 
et 2tet (t2 − 4t)et
R(t) =  0 et tet 
t
0 0 e
1)   s 
et 2tet (t2 − 4t)et e 2ses (s2 − 4s)es
R(t)R(s) =  0 et tet   0 es ses .
0 0 et 0 0 es
Comme (s2 − 4s) + 2ts + (t2 − 4t) = t2 + s2 + 2ts − 4(t + s) = (t + s)2 − 4(t + s), alors,
on vérie facilement que R(t)R(s) = R(t + s) pour tous nombres
 réelst et s.
1 0 0
2) Soit t ∈ R. On a R(t)R(−t) = R(−t)R(t) = R(0) = 0 1 0  = I3 ; la matrice

0 0 1
unité carrée d'ordre 3, alors la matrice R(t) est inversible et son inverse est la matrice
R(−t).
 
1
 
1
 1   a 
 a 
Exercice 1.31 Soit n ≥ 2 et soient a ∈ R − {0}, U =  ..  et V = 
   .. .

 .   . 
1 an−1
an−1
1) Calculer la matrice H = U t V puis t V U , où t V désigne la transposée de V .
2) Montrer que H 2 = nH (remarquer que H 2 = U ( t V U ) t V ).
3) Pour tout λ ∈ R, on considère la matrice A = H − λIn , où In désigne la matrice unité
carrée d'ordre n. Exprimer A2 en fonction de A et In .
4) En déduire que si λ 6= 0 et λ 6= n, alors A est inversible. Pour λ 6= 0 et λ 6= n,
déterminer A−1 .
Devoir à rendre après avoir nir le chapitre 1 :

Soient a1 , a2 , · · · , an des nombres réels tous non nuls. Pour tout entier n ≥ 2 et tout
nombre réel λ, considérons la matrice An (λ) à n + 1 lignes et n + 1 colonnes dénie par :
 
1 −a1 −a2 · · · · · · −an
 a1 λ 0 ··· ··· 0 

... .. 
 a2 0 λ . 
 
An (λ) =  .
 .. .
.. . .. . . . . . . ..  .
. 
 . .. ... ...
 
 .. .

0 
an 0 ··· ··· 0 λ
Le déterminant de An (λ) sera noté ∆n (λ).

1) Calculer ∆n (λ) pour n = 2 et n = 3.
2) Montrer que, pour tout n ≥ 2, ∆n (λ) = λn−1 a2n + λ∆n−1 (λ).
Indication : développer le déterminant ∆n (λ) par rapport à la dernière ligne.
3) Montrer par récurrence que pour tout n ≥ 2, ∆n (λ) = λn + λn−1 (a21 + a22 + · · · + a2n ).
4) Déterminer les valeurs de λ pour lesquelles la matrice An (λ) est inversible.
5) Déterminer le rang de An (λ) suivant les valeurs de λ.

Chapitre 2
Espaces vectoriels et applications linéaires
2.1 Ob jectives du chapitre
• Savoir ce qu'est un espace vectoriel et déterminer si un ensemble est un sous-espace

vectoriel d'un autre espace.
• Savoir ce qu'est une base, construire une base d'un sous-espace vectoriel, en recon-
naître une.
• Savoir utiliser la notion de dimension. Elle permet souvent d'éviter de nombreux
calculs.
• Savoir déterminer si une application agissant sur un espace vectoriel est linéaire.
• Savoir déterminer l'espace image et le noyau d'une application linéaire et utiliser le
théorème aux dimensions.
• Pouvoir donner la matrice d'une application linéaire dans deux bases données.
• Habituer à penser en termes de vecteurs dans un sens très général : polynômes,
matrices, suites, fonctions, etc. Le problème est que, contrairement à R2 ou R3 , il est
dicile de visualiser des vecteurs dans un espace de dimension innie. . . quand ce sont
des fonctions par exemple.
Dénition 2.1
On appelle espace vectoriel sur le corps K , un ensemble E muni d'une loi de composition
interne notée +, et d'une loi de composition externe notée · qui est une application dénie
de K × E dans E , telles que :
1) (E, +) est un groupe abélien.
2) ∀λ, µ ∈ K, ∀x, y ∈ E :
i- λ · (x + y) = λ · x + λ · y.
ii-) (λ + µ) · x = λ · x + µ · x.
iii) (λµ) · x = λ · (µ · x).
iv 1K · x = x.
Les élément de K sont appelés scalaires et ceux de E des vecteurs.
26
CHAPITRE 2. ESPACES VECTORIELS ET APPLICATIONS LINÉAIRES 27
Exemple 2.2 1) (R, +, ·) est espace vectoriel sur le corps R. En fait, tout corps com-
mutatif est un espace vectoriel sur lui-même.
2) K[X] l'anneau des polynômes à coecients dans K est un espace vectoriel sur K . La
loi de composition externe n'est rien d'autre que la multiplication de l'anneau K[X].
3) Soient E et F deux K -e.v., alors (E × F, +, ·) est un K -e.v. appelé espace vectoriel
produit de E par F , et où la loi interne + et la loi externe · sont dénies par :
(x, y) + (x0 , y 0 ) = (x + x0 , y + y 0 ) et λ · (x, y) = (λ · x, λ · y).
2.2 Règles de calcul dans un K -e.v. E

.
∀x, y ∈ E, ∀λ, µ ∈ K on a :
i) λ · x = 0E ⇔ λ = 0K ou x = 0E .
ii) (−1K ) · x = −x.
iii) (λ − µ) · x = λ · x − µ · x.
iv) λ · (x − y) = λ · x − λ · y.
Dénition 2.3 Soit E un espace vectoriel sur K et soit F une partie de E . On dit que
F est un sous-espace vectoriel de E si :
i) F 6= ∅.
ii) ∀x, y ∈ F, x + y ∈ F .
iii) ∀x ∈ F, ∀λ ∈ K : λ · x ∈ F .
Remarques 2.4 • Tout sous-espace vectoriel est un espace vectoriel.
• Une partie F d'un K -e.v. E , est un sous-espace vectoriel de E si et seulement si :
F 6= ∅. [] ∀x, y ∈ F, ∀λ, µ ∈ K : λx + µy ∈ F .
• Si F est un s-e.v. de E , alors 0E ∈ F .
Exemple 2.5 1) Soit E = K n ; le produit cartésien de K par lui-même n fois, où n ∈ N∗ .

Soient x = (x1 , x2 , · · · , xn ), y = (y1 , y2 , · · · , yn ) et λ ∈ K . On dénit sur K n des lois
+ et · comme suit : x+y = (x1 +y1 , x2 +y2 , · · · , xn +yn ) et λ·x = (λx1 , λx2 , · · · , λxn ).
On vérie alors que (K n , +, ·) est un K -e.v.
Soit F = {(x1 , x2 , · · · , xn−1 , 0) | xi ∈ K}, alors F est un sous-espace vectoriel de
E.
2) Soit n ∈ N et soit Kn [X] = {P ∈ K[X] | d◦ (P ) ≤ n}, alors Kn [X] est un sous-espace
vectoriel de K[X].

2.3 Base d'un espace vectoriel
Soit E un K -espace vectoriel.

Dénition 2.6
1) Soit A = {x1 , x2 , · · · , xn } une partie nie non vide de E . Un vecteur xde E est dit
combinaison linéaire des éléments de A s'il existe des scalaires λ1 , · · · , λn ∈ K tels que :
x = λ1 x1 + λ2 x2 + · · · + λn xn .
2) Si A est une partie non vide quelconque de E , un vecteur x de E est dit combinaison
linéaire des éléments de A s'il existe une partie nie B de A, telle que x soit combinaison
linéaire des éléments de B .
2.3.0.1 Notation :
Pour toute partie non vide A de E , on note par A l'ensemble des combinaisons linéaires
des éléments de A.
Remarques 2.7
1) Si A est une partie non vide de E , alors A est un sous-espace vectoriel de E ; appelé
le s-e.v. engendré par A. On dit aussi que A est une partie ou un système de générateurs
de A. En fait, A est le plus petit s-e.v. de E contenant A.
2) Si A = {x1 , x2 , · · · , xn } alors le s-e.v. engendré par A est :
A = {λ1 x1 + λ2 x2 + · · · + λn xn | λi ∈ K}.
exemple :
Soit n un entier naturel et soit Kn [X] le sous-espace vectoriel de K[X] formé des poly-
nômes de degré inférieur ou égal à n. Comme tout élément P ∈ Kn [X] s'écrit sous la
forme P = a0 + a1 X + · · · + an X n , où les ai ∈ K , c.à.d. que P est une combinaison linéaire
des éléments de A = {1, X, · · · , X n }, alors A est une partie génératrice de Kn [X]. Ainsi,
A = Kn [X].
Dénition 2.8 Soit E un K -e.v. et soient x1 , x2 , · · · , xn des éléments de E , on dit que
x1 , x2 , · · · , xn sont linéairement dépendants ou liés s'il existe des scalaires λ1 , λ2 , · · · , λn ∈
K non tous nuls tels que :
λ1 x1 + λ2 x2 + · · · + λn xn = 0.
Dans le cas contraire, on dit que x1 , x2 , · · · , xn sont linéairement indépendants, ou forment

une famille ou un système libre, c.à.d.
∀λ1 , λ2 , · · · , λn ∈ K : λ1 x1 + λ2 x2 + · · · + λn xn = 0 ⇒ λi = 0 ∀1 ≤ i ≤ n.

Exemple 2.9
1) Dans R2 , la partie {(1, 0), (0, 1)} est libre.
2) Dans K[X], la partie {1, X, · · · , X n } est libre pour tout entier n ∈ N, car l'égalité
a0 + a1 X + · · · + an X n = 0 implique ai = 0 pour tout 0 ≤ i ≤ n.
3) Toute partie nie, non vide, et contenant le vecteur nul est liée.
Dénition 2.10
Soit E un K -e.v. et soient x1 , x2 , · · · , xn ∈ E , on dit que B = {x1 , x2 , · · · , xn } est une
base de E si B est à la fois une partie libre et une partie génératrice de E .
Exemple 2.11
1) Soit n ∈ N∗ et soient dans K n les n vecteurs
e1 = (1, 0, · · · , 0), e2 = (0, 1, 0, · · · , 0), · · · , en = (0, · · · , 0, 1), alors on vérie que la
partie B = {e1 , e2 , · · · , en } est une base qu'on appelle la base canonique de K n .
2) Pour tout n ∈ N, la partie B = {1, X, · · · , X n } est une base qu'on appelle la base
canonique du K -e.v. Kn [X].
Théorème 2.12
Le système {e1 , e2 , · · · , en } est une base de l'e.v. E si et seulement si tout élément x de
E s'écrit de manière unique comme combinaison linéaire des (ei )1≤i≤n .
Démonstration :
⇒) x = λ1 e1 + · · · + λn en = µ1 e1 + · · · + µn en ⇒ (λ1 − µ1 )e1 + · · · + (λn − µn )en = 0 ⇒
λi = µi ∀1 ≤ i ≤ n car les (ei ) sont libres.
⇐) D'après l'hypothèse les (ei ) forment un système générateur de E .
Liberté : Soit λ1 e1 + · · · + λn en = 0, mais 0E = 0e1 + · · · + 0en . Comme l'écriture est
unique, on a λ1 = · · · = λn = 0.
Si B = {e1 , · · · , en } est une base du K -e.v. E , alors pour tout élément x de E il existe
des scalaires λ1 , λ2 , · · · , λn ∈ K uniques tels que :
x = λ1 e1 + λ2 e2 + · · · + λn en .
Les scalaires λ1 , λ2 , · · · , λn s'appellent les composantes ou les coordonnées de x dans la

base B .
2.4 Dimension d'un espace vectoriel
Dénition 2.13
On dit que le K -e.v. E est de dimension nie sur le corps K , s'il existe une partie nie
G ⊂ E qui engendre E .

Dire que E est de dimension nie revient à dire qu'il existe des vecteurs x1 , x2 , · · · , xn de
E tels que tout élément x ∈ E s'écrit sous la forme :
x = λ1 x1 + λ2 x2 + · · · + λn xn ,
où les λi ∈ K .
Théorème 2.14
Soit E un K -e.v., B = {e1 , · · · , en } une base de E , et soit
A = {v1 , · · · , vm } une partie de E où les vi sont distincts deux à deux. Si m>n, alors A
est une partie liée.
Démonstration :
Supposons A libre.
On a v1 = λ1 e1 + λ2 e2 + · · · + λn en . On peut supposer λ1 6= 0, on a :
e1 = λ−11 (v1 − λ2 e2 − · · · − λn en ), d'où le s-e.v. F engendré par {v1 , e2 , · · · , en } contient
e1 , par suite F = E .
Montrons par récurrence que {v1 , v2 , · · · , vn } engendre E .
Hypothèse de récurrence : {v1 , · · · , vr , er+1 , · · · , en } engendre E . On peut donc écrire
vr+1 = µ1 v1 + · · · + µr vr + µr+1 er+1 + · · · + µn en . Les µi pour i ≥ r + 1 ne peuvent pas
être tous nuls car A est supposée libre. Sans perte de généralité on peut supposer que
µr+1 6= 0. On aura alors, er+1 = µ−1 r+1 (vr+1 − µ1 v1 − · · · − µr vr − µr+2 er+2 − · · · − µn en ),
et le s-e.v. G engendré par {v1 , · · · , vr+1 , er+2 , · · · , en } contient er+1 , donc G = E .
Finalement, {v1 , v2 , · · · , vn } engendre E , mais m > n et vm s'écrira comme combinaison
linéaire des vi pour 1 ≤ i ≤ n, c.-à-d. qu'il existe λ1 , λ2 , · · · , λn ∈ K tels que vm =
λ1 v1 + λ2 v2 + · · · + λn vn , ce qui est absurde car A est supposée libre.
Lemme 2.15 Lemme 2.1

Soit E un K -e.v., E 6= {0} et soit G une partie génératrice nie de E , alors il existe une
base B de E telle que B ⊂ G.
Théorème 2.16
Soit E un K -e.v. qui admet une base formée de n éléments, alors toute autre base de E
contient exactement n éléments.
Démonstration :
Soit B = {e1 , · · · , en } une base de E et soit C = {v1 , · · · , vm } une autre base de E ,
alors m > n est impossible, donc m ≤ n. De même n > m est impossible, d'où n ≤ m.
Finalement, n = m.
Dénition 2.17
Soit E un K -e.v. qui admet une base de n éléments. On dit que n est la dimension de E
sur K , et on note dimK E = n ou dim E = n.

Exemple 2.18
1) Soit n ∈ N∗ , alors dimK K n = n, car
B = {(1, 0, · · · , 0), (0, 1, 0, · · · , 0), · · · , (0, · · · , 0, 1)} est une base de K n .
2) dimK K = 1, car {1K } est une base de K .
3) dimR C = 2 puisque {1, i} est une base de C en tant qu'e.v. sur R mais dimC C = 1.
4) Soit n ∈ N, alors dim Kn [X] = n + 1, car B = {1, X, · · · , X n } est une base de Kn [X]
sur K .
5) On convient que dimK {0} = 0.
Théorème 2.19 (Théorème de la base incomplète) :
Soit E un e.v. sur K , dim E = n, et soit {x1 , · · · , xr } un famille libre de E , alors on peut
trouver des vecteurs xr+1 , · · · , xn tels que {x1 , · · · , xr , xr+1 , · · · , xn } soit une base de E .
Exemble : Dans R3 la partie A = {(1, 1, 0), (1, −1, 0)} est libre. Prenons la base cano-
nique B = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}. On a :
(1, 0, 0) = 12 [(1, 1, 0) + (1, −1, 0)] ∈ A.
(0, 1, 0) = 12 [(1, 1, 0) − (1, −1, 0))] ∈ A.
Donc {(1, 1, 0), (1, −1, 0), (0, 0, 1)} est une base de R3 .
Propriétés 2.20
Soit E un K -e.v. de dimension n et soit B une partie de E contenant exactement n
éléments, alors les propriétés suivantes sont équivalentes :
i) B est une base de E .
ii) B est une partie génératrice de E .
iii) B est une partie libre de E .
2.5 Somme directe
Soit E un K -e.v. et soient F et G deux sous-espaces vectoriels de E . On dénit la somme

de F et G par :
F + G = {x + y | x ∈ F, y ∈ G}.
On vérie que F + G est un s-e.v. de E , c'est le plus petit s-e.v. contenant F ∪ G
Dénition 2.21
On dit que E est somme directe de F et G, et on note E = F ⊕ G, si tout élément x de
E s'écrit de manière unique sous la forme x = u + v avec u ∈ F et v ∈ G. Le s-e.v. G
est dit un supplémentaire de F dans E .
Théorème 2.22

 E =F +G
E =F ⊕G⇔ et
F ∩ G = {0}.


Démonstration :
⇒) Si E = F ⊕ G alors E = F + G.
Soit x ∈ F ∩ G, alors x = x + 0 = 0 + x et d'après l'unicité de l'écriture, on a x = 0.
⇐) Il sut de montrer l'unicité de l'écriture. Soit x ∈ E tel que x = u + v = u0 + v 0 avec
u, u0 ∈ F et v, v 0 ∈ G, alors u − u0 = v 0 − v ∈ F ∩ G = {0}, d'où u = u0 et v = v 0 .
Théorème 2.23
Soit E un K -e.v. de dimension n ≥ 1 et soit F un s-e.v. de E , alors il existe un s-e.v. G
de E tel que E = F ⊕ G. G est appelé un supplémentaire de F dans E .
Démonstration :
Il est clair que r = dim F ≤ n.
Si r = n, il sut de prendre G = {0}, et si r = 0, il sut de prendre G = E .
On suppose 0 < r < n, et soit {x1 , x2 , · · · , xr } une base de F , c'est en particulier une
partie libre de E qu'on peut completer en une base de E par des vecteurs xr+1 , · · · , xn .
Si on prend G le s-e.v. engendré par xr+1 , · · · , xn , on vérie alors que E = F ⊕ G.
Théorème 2.24
Soit E un K -e.v. de dimension n et soient F et G deux s-e.v. de E tels que E = F ⊕ G,
alors dim E = dim F + dim G.
Démonstration :
Soient {x1 , x2 , · · · , xr } une base de F , et {y1 , · · · , ys } une base de G. Tout élément x
de E s'écrit de manière unique sous la forme x = u + v avec u ∈ F et v ∈ G, on en déduit
que x s'écrit de manière unique sous la forme x = λ1 x1 + · · · + λr xr + µ1 y1 + · · · + µs ys .
Donc {x1 , x2 , · · · , xr , y1 , · · · , ys } est une base de E , d'où r + s = n.
2.6 Applications linéaires
Soient (E, +, ·) et (F, +, ·) deux K -e.v.

Dénition 2.25
Une application f : E → F est dite linéaire si
1) ∀x, y ∈ E, f (x + y) = f (x) + f (y).
2) ∀x ∈ E, ∀λ ∈ K, f (λ · x) = λ · f (x).
Si de plus f est bijective on dit que f est un isomorphisme. Un endomorphisme (resp. un
automorphisme) de E est une application linéaire (resp. un isomorphisme) de E dans E .
Propriétés 2.26
1) f est une application linéaire de E dans F si et seulement si ∀x, y ∈ E, ∀λ, µ ∈ K :
f (λx + µy) = λf (x) + µf (y).
2) Si f est un isomorphisme f −1 est aussi un isomorphisme.
3) La composée de deux applications linéaires est une application linéaire.

4) Soit f : E → F est une application linéaire, alors

i) f (0E ) = 0F .
m
X m
X
ii) f ( λi xi ) = λi f (xi ), λi ∈ K, xi ∈ E, m ∈ N∗ .
i=1 i=1
5) On note par L(E, F ) l'ensemble des applications linéaires de E dans F , sur lequel on
dénit deux lois :
Si f et g ∈ L(E, F ), la somme f + g est dénie par :
(f + g)(x) = f (x) + g(x).
La loi externe est dénie par :λ · f : x 7→ λf (x), pour λ ∈ K .
On vérie que (L(E, F ), +, ·) est un K -e.v.
Exemple 2.27 1) Soit E un K -e.v., dim E = n et {e1 , · · · , en } une base de E .
f: E −→ K n
n
X
x= λi ei 7−→ (λ1 , · · · , λn ),
i=1
est un isomorphisme et on note E ' K n .
−→ K[X]
2) f : K[X]
P 7−→ P 0 ,
est un endomorphisme de K[X], c.à.d. que la dérivation
est une application linéaire.
Dénition 2.28
Soit f : E → F une application linéaire.
i) On appelle noyau de f , et on note ker f , l'ensemble {x ∈ E | f (x) = 0F }.
ii) On appelle image de f l'ensemble Im f = {f (x) | x ∈ E}.
Il est facile de voir que ker f est un s-e.v. de E et que

Im f = f (E) est un s-e.v. de F .
Proposition 2.29 Soit f : E → F une application linéaire, alors,

1) f est injective ⇔ ker f = {0E }.
2) f est surjective ⇔ Im f = F .
Démonstration :
1) ⇐) Soient x et y ∈ F tels que f (x) = f (y), alors f (x − y) = f (x) − f (y) = 0F , d'où
x − y ∈ ker f = {0E }, par suite x = y . Ainsi, f est injective.
⇒) Soit x ∈ ker f , alors f (x) = 0F = f (0E ). Comme f est injective, alors x = 0E , d'où
ker f = {0E }.
2) Evident.

Théorème 2.30
Soient E un K -e.v. de dimension nie, F un K -e.v. et f une application linéaire de E
dans F . Alors Im f est de dimension nie et :
dim E = dim Im f + dim ker f.
Démonstration :
Soit {e1 , · · · , en } une base de E , alors {f (e1 ), · · · , f (en )} est une partie génératrice nie
de f (E) = Im f , par suite, Im f est de dimension nie.
Si Im f = {0F }, alors f est l'application nulle, par suite ker f = E , et l'égalité est
vériée.
Si ker f = {0}, alors f est injective, comme {e1 , · · · , en } est en particulier une partie
libre, alors {f (e1 ), · · · , f (en )} est libre, c'est donc une base de Im f , et l'égalité est encore
vériée.
Supposons maintenant que q = dim ker f > 0 et s = dim Im f > 0.
Soit {w1 , · · · , ws } une base de Im f , il existe alors v1 , · · · , vs ∈ E tels que f (vi ) = wi .
Soit {u1 , · · · , uq } une base de ker f . Montrons que B = {u1 , · · · , uq , v1 , · · · , vs } est une
base de E .
Liberté : soient λi , µj ∈ K tels que :
λ1 v1 + · · · + λs vs + µ1 u1 + · · · + µq uq = 0 (∗).
Si on applique f à l'égalité (∗), on trouve que : λ1 w1 + · · · + λs ws = 0, d'où λ1 = · · · =

λs = 0, car les wi sont libres ; En remplaçant dans l'égalité (∗), on a :
µ1 u1 + · · · + µq uq = 0. Comme les uj sont libres alors les µj sont tous nuls.
s
B est génératrice. En eet, soit x ∈ E , f (x) = λ1 w1 +· · ·+λs ws , alors f (x) =
X
λi f (vi ) =
i=1
s s s
λi vi ∈ ker f , d'où x s'écrit sous la forme x =
X X X
f( λi vi ) ⇒ f (x − λi vi ) = 0 ⇒ x −
i=1 i=1 i=1
s q
µj uj , c.à.d. que B engendre E , d'où dim E = s + q = dim Im f + dim ker f.
X X
λi vi +
i=1 j=1
2.7 Rang d'une application linéaire
Dénition 2.31
1) Soient E un K -e.v. de dimension nie, F un K -e.v. et f : E → F une application
linéaire. On appelle rang de f , et on note rg f , la dimension de Im f .On a ainsi, rg f =
dim Im f .
2) Soient x1 , x2 , · · · , xn des vecteurs de E . On appelle rang de la famille (xi )1≤i≤n la
dimension du sous-espace vectoriel engendré par cette famille.
Remarques 2.32
1) rg f ≤ inf(dim E, dim F ).

2) rg f = dim E ⇔ f est injective.

3) rg f = dim F ⇔ f est surjective.
Théorème 2.33
Soient E et F deux K -e.v. de dimension nie tels que dim E = dim F = n ≥ 1, et soit
f : E → F une application linéaire. Alors les propriétés suivantes sont équivalentes
1) f est bijective. 2) f est injective.

.
3) rg f = n. 4) f est surjective.
Démonstration :
D'après les remarques sur le rang on a 3) ⇔ 2) ⇔ 4). D'autre part 1) ⇒ 2) et 2) ⇒ 4),
par suite 2) ⇒ 1).
Exercice : Soit E et F deux K -e.v. de dimension nie. Montrer que E et F sont isomorphes
si et seulement si dim E = dim F . E et F sont dits isomorphes s'il existe un isomorphisme
de E dans F .
2.8 Matrices et applications linéaires
Propriétés 2.34
(Mn,m (K); +, .) est un e.v. sur K de dimension nm.
Pour tous 1 ≤ i ≤ n et 1 ≤ j ≤ m, posons Eij la matrice de type (n, m) dont tous les
coecients sont nuls, sauf celui se trouvant à l'intersection de la iième ligne et la j ième
colonne qui vaut 1. On vérie facilement que B = {Eij | 1 ≤ i ≤ n et 1 ≤ j ≤ m} est
une base appelée la base canonique de Mn,m (K) sur K .
2.9 Matrice d'une application linéaire
Soient E et F deux K -e.v. de dimension nie où dim E = n,

dim F = m, B = {e1 , · · · , en } une base de E et C = {f1 , · · · , fm } une base de F . Soit
f : E → F une application linéaire, alors :
∀1 ≤ j ≤ n, f (ej ) ∈ F , et en exprimant le vecteur f (ej ) dans la base C , on a :
m
λij fi , où λij ∈ K.
X
f (ej ) =
i=1

Par dénition, la matrice (λij ) 1≤i≤m

s'appelle la matrice associée à f dans les bases B
1≤j≤n
et C , et on note :  
λ11 λ12 · · · λ1n
 λ21 λ22 · · · λ2n 
M (f, B, C) =  .. .. . . . ..  .
 
 . . . 
λm1 λm2 · · · λmn
Soient x = x1 e1 + x2 e2 + · · · + xn en un élément de E et y = y1 f1 + y2 f2 + · · · + ym fm
un élément de F tels que y = f (x), alors y = x1 f (e1 ) +x2 f (e2) + · · · + xn f (en ) et en
x1
m  x2 
remplaçant chaque f (ej ) par λij fi , et si on pose X =  la matrice unicolonne
X
.. 
 
i=1
 . 
xn
forméepar lescoordonnées de x dans la base B et
y1
 y2 
Y = 

.. 

la matrice unicolonne formée par les coordonnées de y dans la base
 . 
ym
C , on vérie que l'égalité vectorielle y = f (x) est équivalente à l'égalité matricielle
M (f, B, C)X = Y . En d'autres termes, les coordonnées de f (x) dans la base C peuvent
être calculées grâce au produit matriciel M (f, B, C)X .
À noter que si E = F et B = C , la matrice M (f, B, B) est dite la matrice de f dans la
base B , et est notée M (f, B).
Exemple 2.35
Soit f : R2 → R3 dénie par f (x, y) = (x, 2y, x − y). Soit B = {e1 , e2 } la base canonique
de R2 et C = {f1 , f2 , f3 } la base canonique de R3 , alors f (e1 ) = f ((1, 0)) = (1, 0, 1) =
f1 + f3 , f (e2 ) = f ((0, 1)) = (0, 2, −1) = 2f2 − f3 , d'où la matrice de f dans les bases B
et C est :  
1 0
M (f, B, C) =  0 2 .
1 −1
1) Soient E et F deux K -e.v. de bases respectives B et C , soient f, g : E → F deux

applications linéaires et soit λ ∈ K , alors :
i) M (f + g, B, C) = M (f, B, C) + M (g, B, C).
ii) M (λf, B, C) = λM (f, B, C).

2) Soient E, F et G des K -e.v. de bases respectives B, B 0 , B 00 , soient f : E → F et

g : F → G des applications linéaires, alors :
M (gof, B, B 00 ) = M (g, B 0 , B 00 ) · M (f, B, B 0 ).
3) Si dim E = n, dim F = m, B une base de E et C une base de F , alors l'application :
M : L(E, F ) −→ Mm,n (K)
est un isomorphisme d'e.v., d'où
f 7−→ M (f, B, C)
dim L(E, F ) = dim Mm,n (K) = mn.
2.10 Rang d'un système de vecteurs, d'une matrice
Dénition 2.36
Soient x1 , x2 , · · · , xs des vecteurs d'un K -e.v. E de dimension n sur K . On appelle
rang du système {x1 , x2 , · · · , xs }, et on note rg(x1 , x2 , · · · , xs ), la dimension du sous-
espace vectoriel engendré par les (xi ), (1 ≤ i ≤ s).
Soient maintenant x1 , x2 , · · · , xn des vecteurs d'un K -e.v. E de dimension n sur K ,

et soit B = {e1 , e2 , · · · , en } une base de E . Notons par X1 , X2 , · · · , Xn les vecteurs
unicolonnes formés respectivement  par  les coordonnées de x1 , x2 , · · · , xn dans la base
λ1j
n  λ2j 
B . Si xj = λij ei , on a Xj =  , alors {x1 , · · · , xn } est libre si et seulement si
X
.. 
 
i=1
 . 
λnj
det(X1 , · · · , , Xn ) 6= 0 si et seulement si rg(λij )1≤i,j≤n = n
Théorème 2.37
Soit A une matrice de type (m, n) à coecients dans K , alors :
1) rg(A) = rg(t A).
2) Le rang de A est le rang de ses vecteurs colonnes ; c'est aussi le rang des ses vecteurs
lignes.
3) Soient E un K -e.v. de dimension n, F un K -e.v. de dimension m, B une base de E ,
C une base de F , f une application linéaire de E dans F et A la matrice de f par rapport
à B et C , alors :
rg(f ) = rg(A).
Exercice 2.38  
1 −1 1 −1 1
 2 −1 3 0 4 
A=
 3 −2 2

1 1 
1 0 1 2 1

Calculons le rang de A. Comme A est de type (4, 5), alors rg(A) ≤ 4. On a :

1 −1 1 0 −1 0
2 −1 3 = 1 −1 2 = −2 6= 0, d'où rg(A) ≥ 3 et

3 −2 2 1 −2 0
3 = rg(C1 , C2 , C3 ), c.à.d. que les trois premières colonnes de A engendrent un e.v. de
dimension 3.
On a :
1 −1 1 −1 1 −1 0 −3

2 −1 3

2 −1
1 0 −3
0 1 −4

3 −2 2
= = 1 1 −4 =
1 3 −2 −1 −5

1 2 −1 −5
0 1 2 1 0 0 0
1 0 0
1 −1 = 0, donc rg(C1 , C2 , C3 , C4 ) = 3 = rg(C1 , C2 , C3 ), c.à.d. que C4 appartient

1

2 −1 1
au s-e.v. engendré par C1 , C2 et C3 .
On a aussi :
1 −1 1 1 1 −1 0 0

2 −1 3 4 2 −1 1 2
3 −2 2 1 3 −2 −1 −2 = 0,
=

1 0 1 1 1 0 0 0
d'où rg(C1 , C2 , C3 , C5 ) = 3 = rg(C1 , C2 , C3 ), c.à.d. que C5 appartient au s-e.v. engendré
par C1 , C2 et C3 . Ainsi, rg(A) = rg(C1 , C2 , C3 , C4 , C5 ) = rg(C1 , C2 , C3 ) = 3.
2.11 Changement de base et matrice de passage
Soit E un K -e.v. de dimension nie n, soient B = {e1 , · · · , en } et B 0 = {f1 , · · · , fn }

deux bases de E , et soit x un vecteur de E , qu'on écrit dans les bases B et B 0 comme
suit : n n
yj fj .
X X
x= xi ei =
i=1 j=1
En exprimant chaque élément fj de la deuxième base dans la première, on a pour 1 ≤
n
pij ei , d'où
X
j ≤ n, fj =
i=1
n n n X n n
xi ei (?),
X X X X
x= yj ( pij ei ) = ( pij yj )ei =
j=1 i=1 i=1 j=1
i=1
 
x1
 x2 
et si on pose P = (pij )1≤i,j≤n , X = 
 ..  la matrice unicolonne formée par les coor-

 . 
xn

données
 de xdans la base B et
y1
 y2 
Y = 

.. 

la matrice unicolonne formée par les coordonnées de x dans la base B 0 ,
 . 
yn
on a d'après l'égalité (?) : X = P Y , cette égalité s'appelle la formule de changement de
coordonnées et la matrice P s'appelle par dénition la matrice de passage de la base B à
la base B 0 .
Remarques 2.39
1) La matrice :  
p11 p12 · · · p1n
 p21 p22 · · · p2n 
P = .. .. .. . ,
 
 . . . .. 
pn1 pn2 · · · pnn
vérie en fait P = M (idE , B 0 , B). On en déduit que P est inversible et la matrice de
passage de B 0 à B est P −1 = M (idE , B, B 0 ).
2) Si E et F sont deux K -e.v. tels que dim E = n, dim F = m, B et B 0 deux bases de
E , C et C 0 deux bases de F . Si on désigne par P la matrice de passage de B à B 0 , par Q
la matrice de passage de C à C 0 , et f : E −→ F une application linéaire, alors d'après la
deuxième propriété fondamentale on a :
M (f, B 0 , C 0 ) = M (idF of oidE , B 0 , C 0 ) = M (idF , C, C 0 )M (f, B, C)M (idE , B 0 , B),
d'où la relation :
M (f, B 0 , C 0 ) = Q−1 M (f, B, C)P.
En particulier, si E = F , B = C et B 0 = C 0 , alors P = Q et :
M (f, B 0 , B 0 ) = P −1 M (f, B, B)P,
ou, en d'autres termes :
M (f, B 0 ) = P −1 M (f, B)P.
Exemple 2.40 Soient e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1), B = {e1 , e2 , e3 } la base
canonique de R3 . Soient f1 = (1, −1, 1), f2 = (0, 2, 1) et f3 = (1, 2, −2). On vérie que
B 0 = {f1 , f2 , f3 } est une base de R3 . Nous avons :
f1 = e1 − e2 + e3 ,
f2 = 2e2 + e3 ,
f3 = e1 + 2e2 − 2e3 .
Donc la matrice de passage P de B à B 0 est :
 
1 0 1
P =  −1 2 2 .
1 1 −2

Pour calculer la matrice de passage P −1 de B 0 à B , on doit exprimer les vecteurs e1 , e2

et e3 en fonction de f1 , f2 et f3 . On a :

 f1 = e1 − e2 + e3
(
1 1
f2 = 2e2 + e3 ⇒ f3 −f1 = 3e2 −3e3 ⇒ 3 (f3 − f1 ) = e2 − e3 ⇒ f2 + (f3 −f1 ) = 3e2
f2 = 2e2 + e3 3
f3 = e1 + 2e2 − 2e3

. D'autre part,
2 1
e1 = f1 + e2 − e3 = f1 + f3 .
3 3
Ainsi, la matrice de passage P de B à B est :
−1 0
 2 1 2 
−
 3 9 9 
 
−1
P = 0
 1 1 .

 3 3 
 
1 1 −92
3 9
Si on utilise la méthode de la comatrice, on obtient :

1 0 1 1 0 0

det P = −1 2 2 = −1 2 3 = −9.
1 1 −2 1 1 −3
 
−6 0 −3
La comatrice associée à P est com(P ) =  1 −3 −1 .
−2 −3 2
Donc
 2
− 19 2 
 
−6 1 −2 3 9 
  
1 t 1  
1

1 
−1
com(P ) =
 
P = · 0 −3 −3 
= 0 .
det P −9 
   3 3 
 
−3 −1 2 1 1 − 92
3 9
Exercice 2.41
Soit la matrice  
−1 1 1
A =  1 −1 1 .
1 1 −1
On note par f l'endomorphisme de R3 dont la matrice par rapport à la base canonique
B = {e1 , e2 , e3 } de R3 est A. Cela signie que f (e1 ) = (−1, 1, 1), f (e2 ) = (1, −1, 1) et
f (e3 ) = (1, 1, −1).

Soient les vecteurs f1 = (1, 0, −1), f2 = (0, 1, −1) et f3 = (1, 1, 1). On vérie facilement
que B 0 = {f1 , f2 , f3 } est une base de R3 . La matrice de passage P de B à B 0 est :
 
1 0 1
P = 0 1 1 .
−1 −1 1
 
2 −1 −1
Un simple calcul permet de voir que : P −1 = 31 ·  −1 2 −1  .
  1 1 1 
−4 2 2 −2 0 0
De plus : P −1 A = 13 ·  2 −4 2  , et P −1 AP =  0 −2 0  = A0 ; où A0 est
1 1 1 0 0 1
la matrice de l'endomorphisme f dans la base B . En fait, on peut vérier directement ce
0
résultat si on calcule f (f1 ), f (f2 ) et f (f3 ) dans B 0 , et après calculs, on trouve :
f (f1 ) = −2f1 , f (f2 ) = −2f2 et f (f3 ) = f3 .

−1 − λ 1 1 1 − λ 1 1

det(A − λI3 ) = 1 −1 − λ 1 = 1 − λ −1 − λ
1 =

1 1 −1 − λ 1−λ 1 −1 − λ
1−λ 1 1
0 = (2 + λ)2 (1 − λ).

0 −2 − λ
0 0 −2 − λ
Donc le polynôme caractéristique de A, donc de f , est pA (X) = (1 − X)(2 + X)2 .
Ainsi, −2 est une valeur propre double et 1 une valeur propre simple de A.
Cherchons si f est diagonalisable. Pour cela il faut déterminer les sous-espaces propres
E−2 et E1 .       
x 0 1 1 1 x
v = (x, y, z) ∈ E−2 ⇔ f (v) = −2v ⇔ (A+2I3 )  y  =  0  ⇔  1 1 1   y =
  z 0 1 1 1 z
0
 0  ⇔ x + y + z = 0 ⇔ z = −x − y ⇔ v = (x, y, −x − y) = x(1, 0, −1) + y(0, 1, −1).
0
Ainsi, E−2 = {v1 , v2 }, où v1 = (1, 0, −1)et v2= (0,  . Il 
1, −1) est clair que dimE 2.
−2 = 
x 0 −2 1 1 x
v = (x, y, z) ∈ E1 ⇔ f (v) = v ⇔ (A−I3 )  y  =  0  ⇔  1 −2 1   y =
    z 0 1 1 −2 z
0  −2x + y + z = 0  −2x + y + z = 0
 0 ⇔ x − 2y + z = 0 ⇔ −3y + 3z = 0 ⇔ x = y = z ⇔ v = (z, z, z) =
0 x + y − 2z = 0 3y − 3z = 0
 
z(1, 1, 1).
Ainsi, E1 = {v3 }, où v3 = (1, 1, 1).

Si on pose C = {v1 , v2 , v3 }, on vérie que C est une base de R3 , formée de vecteurs

propres de f , par rapport à laquelle la matrice de f est :
 
−2 0 0
A0 =  0 −2 0  .
0 0 1
 
1 0 1
On vérie que A0 = P −1 AP , où P =  0 1 1  est la matrice de passage de la
−1 −1 1
base canonique de R à la base C .
3
2.12 Exercices.
Exercice 2.42
Soit R?+ muni de la loi interne déni par a ⊕ b = a.b pour tout a, b ∈ R?+ et de la loi
externe ⊗ telle que λ ⊗ a = aλ pour tout a ∈ R?+ et λ ∈ R. Montrer que (R?+ , ⊕, ⊗) est
un R espace vectoriel.
Exercice 2.43
Déterminer les sousespace vectoriels parmi les ensembles suivants :
1. A = {(x, y, z) ∈ R3 ; 2x + y − 3z = 0}.
2. B = {{(x, y, z) ∈ R3 ; x − y + z = 1} ∩ {(x, y, z) ∈ R3 ; x + y + 5z = 0}.
3. C = {{(x, y, z) ∈ R3 ; x − y + z = 0} ∪ {(x, y, z) ∈ R3 ; x + y + 5z = 0}.
Exercice 2.44
Soient les ensembles F = {(x, y, z) ∈ R3 /x + y − z = 0} et G = {(a − b, a + b, a − 3b)/a, b ∈
R}.
1. Montrer que F et G sont des sous espaces vectoriels de R3 .
2. Déterminer F ∩ G
Exercice 2.45
On pose f1 , f2 , f3 , f4 : [0, 2π] → R les fonctions dénies par f1 (x) = sin(x), f2 (x) =
x sin(x), f3 (x) = cos(x), f4 (x) = x cos(x). Montrer que la famille (f1 , f2 , f3 , f4 ) est libre.
Exercice 2.46
Soient E un K-espace vectoriel de dimension 3 et B = (e1 , e2 , e3 ) une base de E . u =
e1 + 2e3 , v = e3 − e1 , w = e1 + 2e3 . Montrer que B 0 = (u, v, w) est une base de E . Soit
x = x1 e1 + x2 e2 + x3 e3 un vecteur de E , exprimer les coordonnées de x dans la base B 0 .

Exercice 2.47
Soit E = {f ; f (x) = (ax2 + bx + c)e3x ; (a, b, c) ∈ R3 }. Montrer que (E, +, .) est un R-
espace vectoriel. On considére la famille B = (f0 , f1 , f2 ) avec f0 (x) = e3x , f1 (x) = xe3x
et f2 (x) = x2 e3x . Montrer que B est une base de E . Prouver que f 0 ∈ E et trouver les
composantes de f 0 dans B pour f ∈ E .
Exercice 2.48
Soient F = {f ∈ C 1 (R, R)/f (0) = f 0 (0) = 0} et
G = {x 7→ ax + b/a, b ∈ R}. Montrer que F et G sont des sous espaces vectoriels
supplémentaires de C 1 (R, R).
Exercice 2.49
Soient E un espace vectoriel sur K et ϕ une application linéaire de E dans E . On suppose
que Ker ϕ ∩ Imϕ = {0}. Montrer que si x ∈ / Ker ϕ alors pour tout n ∈ N, ϕn (x) 6= 0.
Exercice 2.50
Soient E un espace vectoriel sur K et f et g deux endomorphismes de E tels que f ◦ g =
g ◦ f . Montrer que Ker f et Imf sont stables par g .
Exercice 2.51
Soit E un espace vectoriel sur un corps commutatif K . On appelle projecteur de E tout
endomorphisme p de E tel que p ◦ p = p. On désigne par IE l'application identité de E
(on notera que c'est un projecteur de E ).
1. Montrer que p est un projecteur si et seulement si IE − p est un projecteur de E .
Quelles relations y a-t-il entre les images et les noyaux de p et IE − p ?
2. Montrer que si p est un projecteur de E , alors E = Im p ⊕ Ker p.
3. Montrer que si p est un projecteur de E et si f est un endomorphisme de E tel que
f (Im p) ⊂ Im p et f (Ker p) ⊂ Ker p, alors f ◦ p = p ◦ f.
Exercice 2.52
Soit E un espace vectoriel sur K . Soit f ∈ L(E) tel que Im(f ) soit une droite vectorielle
et f 2 6= 0. Démontrer que Ker(f ) ∩ Im(f ) = {0}. En déduire que Ker(f ) ⊕ Im(f ) = E .
Exercice 2.53
Soit E1 et E2 deux sous-espaces vectoriels d'un espace vectoriel E sur K . Soit f : E1 ×
E2 7→ E l'application dénie par f (x1 , x2 ) = x1 + x2 .
1. Montrer que f est linéaire.
2. Montrer que Ker f = {(x1 , −x1 ) : x1 ∈ E1 ∩ E2 }.
3. Montrer que Ker f et E1 ∩ E2 sont isomorphes.
4. Montrer que f a pour image E1 + E2 .
5. Dans le cadre de la dimension nie, déduire de ce qui précède la formule :
dim (E1 + E2 ) + dim (E1 ∩ E2 ) = dim E1 + dim E2 .

Exercice 2.54
Les familles suivantes sont-elles libres ?
1. v1 = (1, 0, 1), v2 = (0, 2, 2) et v3 = (3, 7, 1) dans R3 .
2. v1 = (1, 0, 0), v2 = (0, 1, 1) et v3 = (1, 1, 1) dans R3 .
3. v1 = (1, 2, 1, 2, 1), v2 = (2, 1, 2, 1, 2), v3 = (1, 0, 1, 1, 0) et v4 = (0, 1, 0, 0, 1) dans R5 .
Exercice 2.55
On considère les deux sous-ensembles de R4 suivants :
• F est l'ensemble des vecteurs (v1 , v2 , v3 , v4 ) qui satisfont v1 = v2 et v3 = v4 ,
• G est l'ensemble des vecteurs (w1 , w2 , w3 , w4 ) qui satisfont w1 + w2 − w3 = 0.
1. Montrer que F et G sont des sev de R4 .
2. Déterminer une base de F et une base de G.
Exercice 2.56
Soient v~1 = (2x, y, x + y), ~(v2 ) = (x − y, x, y) et P le sous-espace vectoriel de R3
engendré par v~1 et v~2 . Déterminer l'ensemble des couples (x, y) tels que le vecteur (1, 2, 3)
appartienne à P .
Exercice 2.57
Déterminer une base et la dimension de chacun des espaces vectoriels suivants :
• E1 = {(x, y, z) ∈ R3 ; x − 2y + z = 0}.
• E2 = {(x, y, z) ∈ R3 ; x = 2y = 3z}.
• E3 = {(x, y, z) ∈ R3 ; x + y = 0 et y + z = 0}.
• E4 = {(x, y, z, t) ∈ R4 ; x + y + z = 0, x + y = 0 et z + t = 0}.
• E5 = {(un ) ∈ RN ; ∀ n ∈ N, un+2 = aun+1 + bun } où a, b sont deux réels xés.
Exercice 2.58
Soit E un K -espace vectoriel et f ∈ L(E). Si x ∈ E et k ∈ N∗ vérient f k (x) = 0 et
f k−1 (x) 6= 0, montrer que (x, f (x), . . . , f k−1 (x)) est une famille libre.
Dans les deux exercices suivants on considère N réels (N ≥ 1), (ai )1≤i≤N ∈ RN , distincts
deux à deux, c'est-à-dire : pour tout indices 1 ≤ i 6= j ≤ N on a ai 6= aj .
Exercice 2.59
Pour tout a ∈ R, on note ϕa la fonction de R dans R qui à x associe |x − a|.
Montrer que la famille (ϕai )1≤i≤N est libre.
Exercice 2.60
Pour tout a ∈ R, on note ψa la fonction de R dans R qui à x associe eax . Montrer que la
famille (ψai )1≤i≤N est libre.

Exercice 2.61
Pour tout a ∈ R on note χa , la fonction charactéristique de [a, +∞[.
Rappel χa : R → R elle vaut 1 sur [a, +∞[ et est nulle ailleurs.
Montrer que la famille (χai )1≤i≤N est libre.
Exercice 2.62
Montrer que les vecteurs (a, b) et (c, d) forment une base de R2 si et seulement si ad−bc 6=
0.
Exercice 2.63
Soit V ⊂ C ∞ (R, R) le R-espace vectoriel engendré par les fonctions
f1 = x, f2 = ex , f3 = xex et f4 = (x + 1)ex .
1. La famille (f1 , . . . , f4 ) est-elle libre ?

2. Donner une base de V .
Exercice 2.64
Soit
E = {fa,b (: x 7→ (ax + b)e2x ) ∈ A(R, R) : a, b ∈ R}.
1. Démontrer que E est un R-espace vectoriel en donner une base.
2. Démontrer que l'ensemble F des fonctions fa,b monotones sur R est un sous-espace
vectoriel de E . En donner une base.
Exercice 2.65
Soit V le sous-espace vectoriel de R4 engendré par les vecteurs
v1 = (1, 0, 1, 0), v2 = (0, 1, 0, 1), v2 = (1, 1, 0, 0) et v4 = (0, 0, 1, 1).
1. Donner une base de V et l'étendre en une base de R4 .

2. Trouver une équation cartésienne de V (dans la base canonique).
Exercice 2.66
Considérons les deux sous-espaces vectoriels
U = {(x, y, z) ∈ R3 : x + 2y + 3z = 0} et V = {(x, y, z) ∈ R3 : 3x + 2y + z = 0}.
Déterminer une base de U , de V et de U ∩ V .

1 3
Exercice 2.67 Soit A = 2 4 . Montrer que les matrices de M2 (R) qui commutent
à A forment un sous-espace vectoriel dont on donnera une base.
Exercice 2.68
Soit e1 , e2 , e3 , e4 la base canonique de R4 . Soient E = Vect(e1 , e2 +e3 +e4 ), F = Vect(e2 , e1 +
e3 + e4 ), G = Vect(e3 , e1 + e2 + e4 ) et H = Vect(e4 , e1 + e2 + e3 ).

1. Quelle est la dimension de ces sous-espaces vectoriels ?

2. Déterminer E ∩ F ∩ G ∩ H .
Exercice 2.69
Soit a un paramètre réel. On pose X1 = (1, 1, 1, 1), X2 = (−a, 2, 3, a) et X3 = (a2 , 4, 9, a2 ).
Calculer le rang de la famille (X1 , X2 , X3 ) en fonction de a.
Applications linéaires en dimension nie.

Exercice 2.70 On dénit l'application ϕ :
3
R −→ R3
ϕ:
(x, y, z) 7−→ (x + y + z, 2x + z, 2x + y)
Montrer que ϕ est un isomorphisme de R3 dans lui-même. On considère le sous-espace de

R3 :
F = {(x, y, z) ∈ R3 ; 2x + y + z = 0}.
Calculer ϕ(F ).
Exercice 2.71
Montrer qu'une application f : R2 → R est R-linéaire si et seulement si elle est de la
forme f (x, y) = ax + by avec a, b ∈ R.
Exercice 2.72
Soit E un espace vectoriel de dimension nie sur le corps commutatif K , et soit u un
endomorphisme de E . Montrer que les conditions suivantes sont équivalentes
1. Ker u = Im u
2. u2 = 0 et dim Ker u = dim Im u = dim E/2.

Chapitre 3
Polynômes et fractions rationnelles
K désigne R ou C.
3.1 Polynômes
Dénition 3.1
On
Pn appellei polynôme à coecients dans K en l'indéterminée X tout objet noté P (X) =
a
i=0 i X = a 0 + a 1 X + a 2 X 2
+ .... + an X n oé les coecients (ai )0≤i≤n sont des éléments
de K.
On note K[X] = {polynômes é coecients dans K}.
Dénition 3.2
1. Deux polynômes P (X) = ni=0 ai X i et Q(X) = ni=0 bi X i de K[X] sont dits égaux
P P
ssi ils ont les mêmes coecients. Ainsi :
P (X) = Q(X) ⇔ ∀i ∈ {0, 1, 2, 3, ....n}, ai = bi .
2. Soit c ∈ K, on appelle polynôme constant égal à c le polynôme
c + 0X + .... + 0X n = c.
3. On appelle monôme, tout polynôme de la forme P (X) = aX n .
4. P (X) = i=0 ai X est dite pair (resp impair) ssi ∀p ∈ {0, 1, 2, 3, ....n}, on a :
Pn i
a2p+1 = 0 (resp a2p = 0).
3.1.1 L'espace vectoriel des polynômes

Dénition 3.3 P
Soient P (X) = n
ai X i , Q(X) = deux éléments de K[X] et λ ∈ K. On
Pm i
i=0 i=0 bi X
dénit :
1. Le polynôme (P + Q)(X) par : (P + Q)(X) = i=0
Pmax(n,m)
(ai + bi )X i .
2. Le polynôme λ.P (X) par : λ.P (X) = i=0 (λai )X i .
Pn
47
CHAPITRE 3. POLYNÔMES ET FRACTIONS RATIONNELLES 48
3. Le polynôme (P Q)(X) par : (P Q)(X) = ci X i , avec ck =

Pn+m Pk
i=0 i=0 ai bk−i .
Avec ak = 0 pour k ≥ n + 1 et bk = 0 pour k ≥ m + 1.
Théorème 3.4
(K[X], +, .) est un Kespace vectoriel dont l'élément neutre est le polynôme nul.
3.1.2 Degré d'un polynôme

Dénition 3.5
1. Soit P un polynôme non nul, on appelle degré de P le plus grand indice de ses
coecients non nuls, et on le note degP . Ainsi degP = n si et seulement si P (X) =
a0 + a1 X + a2 X 2 + ... + an X n avec an 6= 0, an s'appelle coecient dominant de P .
2. Par convention si P = 0, on pose degP = −∞.
Propriétés 3.6
Soient P, Q ∈ K[X] et λ ∈ K, on a :
1. deg(λ.P ) = degP si λ 6= 0 et deg(λ.P ) = −∞ si λ = 0.
2. deg(P + Q) ≤ max(degP, degQ) avec égalité lorsque degP 6= degQ.
3. deg(P Q) = degP + degQ.
Théorème 3.7
(K[X], +, ×) est un anneau commutatif d'élément nul le polynôme nul et d'élément unité
le polynôme constant égal à 1.
Le sous espace vetoriel Kn [X]

Dénition 3.8
Pour n ∈ N, on note Kn [X] l'ensemble des polynômes de K[X] de degré inférieur ou égal
à n. Ainsi Kn [X] = {P ∈ K[X]; degP ≤ n}.
Théorème 3.9
Kn [X] est un espace vectoriel de K[X] de dimension n+1 dont la famille B = (1, X, X 2 , ....., X n )
est une base et on a : dim K[X] = +∞.
Valeur d'un polynôme en un point

Dénition 3.10
1. Soit P (X) = a0 + a1 X + ..... + an X n ∈ K[X]. On appelle valeur de P en x ∈ K, le

scalaire P (x) = a0 + a1 x + ..... + an xn .
2. Pour tout P, Q ∈ K[X] et λ, µ, x ∈ K on a :
(λP + µQ)(x) = λP (x) + µQ(x), (P Q)(x) = P (x)Q(x) et (P ◦ Q)(x) = P (Q(x)).

3. On appelle racine (ou zero) d'un polynôme P tout x ∈ K tel que P (x) = 0.
Fonction polynomiale
Dénition 3.11
On appelle fonction polynomiale associée é P ∈ K[X] dénie sur D ⊂ K, l'application
Pe : D → K tq x 7→ Pe(x) = P (x)
Exercice 3.12
La fonction polynomiale associée é P (X) = X 3 +X 2 +1 est Pe : R → R tq x 7→ x3 +x2 +1.
Propriétés 3.13
Pour tout P, Q ∈ K[X], λ, µ ∈ K, on a :
1. λP^ e.
+ µQ = λPe + µQ
2. P
g e.
Q = Pe + Q
Dérivation
Dénition 3.14
Soit P (X) = nk=0 ak X k = a0 + a1 X + ..... + an X n , on appelle polynôme dérivé de P , le
P
polynôme noté P 0 déni par :
n
X
0
P (X) = kak X k−1 .
k=1
Propriétés 3.15
Soient P , Q deux polynômes de K[X] et λ ∈ K, on a :
1. (P + Q)0 (X) = P 0 (X) + Q0 (X).
2. (λP )0 (X) = λP 0 (X).
3. (P Q)0 (X) = P 0 (X)Q(X) + P (X)Q0 (X).
Formule de Taylor
Théorème 3.16P
Soient P (X) = n
k=0 ak X k et a ∈ K on a :
k=n
X P (k) (a)
P (X) = (X − a)k .
k=0
k!

3.1.3 Arithmétique des polynômes

Dénition 3.17
1. On dit qu'un polynôme P est associe à un polynôme Q s'il existe λ ∈ K? tel que
P (X) = λQ(X)
2. Si P (X) = k=0 ak X = a0 + a1 X + ..... + an X avec an = 1 alors P est dite
Pn k n
unitaire.
Division des polynômes

Dénition 3.18
Soient A et B deux polynômes de K[X], on dit que A divise B et on écrit A/B s'il existe
U ∈ K[X] tel que B = AU
Remarque 3.19 Si A, B 6= 0 et A/B , B/A, alors A et B sont associés.
Remarque 3.20 Div(B) = {D ∈ K[X]; D/B} et M ul(A) = {AU ; U ∈ K[X]}

Propriétés 3.21
A, B, C ∈ K[X].
1. A/B et B/C ⇒ A/C
2. A/B et A/C ⇒ A/B + C
Division suivant les puissances décroissantes

Théorème 3.22
Pour tout A, B ∈ K[X], avec B 6= 0 il existe un unique couple (Q, R) ∈ K[X]2 vériant
A = BQ + R et degR < degB.
les polynômes Q et R sont appelés quotient et reste de la division euclidienne de A par
B.
Preuve 3.23 : Unicité : Supposons (Q1 , R1 ) et (Q2 , R2 ) sont solutions, on a A = BQ1 +

R1 = BQ2 + R2 tel que degR1 , degR2 < degB .
A = BQ1 + R1 = BQ2 + R2 ⇒ B(Q1 − Q2 ) = R2 − R1 , si R2 − R1 6= 0 alors degB +
deg(Q1 − Q2 ) ≤ max(degR1 , degR2 ) < degB ce qui est absurde par suite R1 = R2 et
Q1 = Q2 .
Existence : Si A = 0, il sut de poser Q = R = 0. Sinon, on raisonne par recurrence sur
n = deg(A). Posons B = bp X p + .... + b0 avec degB = p. Lorsque n < p, on pose Q = 0 et
R = A. Supposons la propriété vraie pour tous les polynômes A de degré ≤ n,et montrons
la pour
A = an+1 X n+1 + ... + a0 , (n + 1 = deg(A).
Le polynôme A1 = A − BQ1 avec Q1 = an+1 bp
X n+1−p est de degré ≤ n. Par l'hypothése de
recurrence, il existe des polynômes Q2 et R2 tel que deg(R2 ) < p et A1 = BQ2 + R2 par
suite A = B(Q1 + Q2 ) + R2 . Il sut de poser donc R = R2 et Q = Q1 + Q2 .

Pgdc de deux polynômes

Dénition 3.24
On note Div(A, B) = Div(A) ∩ Div(B) l'ensemble des diviseurs communs é A et B .
Propriétés 3.25
Soient A et B deux polynômes non nuls.
1. Si A = BQ + R, avec degR < degB , alors Div(A, B) = Div(B, R).
2. Il existe un unique polynôme D unitaire, tel que Div(A, B) = Div(D). Ce polynôme
D est appelé pgdc des polynômes A et B et noté par D = pgdc(A, B) ou D = A ∧ B .
Preuve 3.26 1. Si D/A et D/B alors D/B etD/A − BQ donc D/R. De même, si
D/R et D/B , alors D/B et D/A.
2. Unicité : Si D1 et D2 sont solutions, alors Div(D1 ) = Div(D2 ) donc D1 /D2 et
D2 /D1 par suite D1 et D2 sont associés, si l'un est nul l'autre est nul aussi. Si ne
sont pas nuls ils sont unitaires et associés donc égaux.
Existence : Si A = B = 0, alors D = 0 convient. Sinon posons A0 = A et A1 = B et
on réalise les divisions euclidiennes suivantes tant que les restes obtenues sont non
nuls
A0 = A1 Q1 + A2 , degA2 < degA1 ,
A1 = A2 Q2 + A3 , degA3 < degA2 ,
A2 = A3 Q3 + A4 , degA4 < degA3 ,
et ainsi de suite jusqu'au ;
Am−2 = Am−1 Qm−1 + Am , degAm < degAm−1 ,
Am−1 = Am Qm + 0.
ce processus s'arrête puisque degA1 > degA2 > ... > .. et ces quantités sont des
entiers naturels. On a :
Div(A, B) = Div(A0 , A1 ) = .... = Div(Am , 0) = Div(Am ),
le polynôme D unitaire associé é Am convient.
Exercice 3.27
Déterminer D = pgdc(X 3 + X 2 − 2, X 3 + X − 2)
Théorème 3.28 (Egalité de Bézout)

Si D = A ∧ B alors il existe U, V ∈ K[X] tels que D = AU + BV , avec degU < degB et
degV < degA.
Preuve 3.29 Si A = B = 0, D = 0, U , V qlq conviennent. Sinon, on réalise comme ci-

dessus puis on écrit successivement les Ai sous la forme AUi + BVi . A terme on parvient
é écrire D sous la forme AU + BV .

Propriétés du pgdc
Propriétés 3.30
1. A ∧ B = B ∧ A.
2. A/B ⇒ A ∧ B est associé é A.
3. Si P/A et P/B alors P/pgdc(A, B)
4. Si C est unitaire alors pgdc(AC, BC) = pgdc(A, B)C .
Preuve 3.31 1. par dénition.

2. Si A/B alors Div(A, B) = Div(A).
3. Par dénition les diviseurs communs é A et B sont les diviseurs de pgdc(A, B).
4. Soient 4 = pgdc(AC, BC) et D = pgdc(A, B). On a donc DC/AC et DC/BC par
suite DC/4. D'autre part on a : D = AU + BV, et donc DC = ACU + BCV ce
qui montre que 4/DC d'ou le résultat.
Polynômes premiers entre eux

Dénition 3.32
Deux polynômes A et B sont premiers entre eux si on a : pgdc(A, B) = 1
Théoréme de Bézout
Théorème 3.33
On a équivalence entre :
1. A et B sont premiers entre eux.
2. ∃U, V ∈ K[X] tel que AU + BV = 1.
Théoréme de Gauss
Théorème 3.34
Si A/BC et A ∧ B = 1 alors A/C .
Preuve 3.35 On a : A/BC , donc il existe D tq : AD = BC , d'autre part il existe U, V

tq : AU + BV = 1, par suite ACU + BCV = C ce qui montre que A/C .
Théorème 3.36
Si A/C , B/C et A ∧ B = 1 alors AB/C .
Preuve 3.37 A/C donc il existe D tq : AD = C , d'autre part B/C , alors il existe Q tq :
BQ = C , par suite AD = BQ céd A/BQ or A ∧ B = 1 ce qui montre que A/Q et donc
il existe R tq : AR = Q et ABR = C d'oé le résultat.

Dénition 3.38
On dit qu'un polynôme non constant P ∈ K[X] est irréductible dans K[X] si ses seuls
diviseurs sont les polynômes constants non nuls et les polynômes associés é P .
Exercice 3.39
1. ∀a ∈ K, X − a est irréductible dans K[X].

2. X 2 + 1 est irréductible dans R[X].
3. X 2 + 1 n'est pas irréductible C[X].
Propriétés 3.40
Les polynômes irréductibles de R[X] sont :
1. Les polynômes de degré 1.
2. les polynômes de degré 2 de discriminant < 0.
Exercice 3.41
Décomposer en éléments simples dans R[X] les polynômes suivants :X 2 −1, X 2 +1, X 3 −1,
X 3 + 1 , X 4 + 1.
Théorème 3.42
Tout polynôme non constant de C[X] a une racine dans C.
Propriétés 3.43
Soit P (X) = i=n a X i ∈ C[X] alors il existe α1 , ....., αk ∈ C et n1 , ....nk ∈ N tels que
P
Qi=k i=0 i
P (X) = an i=1 (X − αi )ni .
Remarque 3.44 Les polynômes irreductibles de C[X] sont ceux de degré un.
Exercice 3.45
Décomposer en éléments simples dans C[X] les polynômes suivants :X 2 −1, X 2 +1, X 3 −1,
X 3 + 1 , X 4 + 1.
Dénition 3.46
Soit P ∈ K[X] tel que P 6= 0 et a ∈ K. On appelle ordre de multiplicité de a en tant que
racine de P le plus grand α ∈ N? tel que (X − a)α /P.
Remarque 3.47 Si α = 1 on parle de racine simple de P , si α ≥ 2 on parle de racine

multiple (double, trible,.....).
Théorème 3.48
Soient P ∈ K[X] non nul, a ∈ K et α ∈ N? . On a équivalence entre :
1. a racine de P de multiplicité α,
2. (X − a)α /P et (X − a)α+1 ne divise pas P ,

3. il existe Q ∈ K[X] tel que P = (X − a)α Q et Q(a) 6= 0

4. P (a) = P 0 (a) = ..... = P (α−1) = 0 et P (α) (a) 6= 0.
Dénition 3.49
Un polynôme P ∈ K[X] non constant est dit scindé dans K[X] si l'on peut écrire :
P = λ(X − x1 )....(X − xn ) avec λ ∈ K? et x1 , x2 , ......xn ∈ K.
Exercice 3.50
P = X 2 + 1 est scindé dans C[X] mais n'est pas scindé dans R[X]. Q = X 2 − 5X + 6 est
scindé dans R[X] et par suite scindé dans C[X].
Division suivant les puissances croissantes :
Dénition 3.51
La valuation d'un polynôme non nul P (X) = a0 + a1 X + a2 X 2 + ... + an X n , notée val(P )
est le plus petit des entiers k tels que ak 6= 0. La valuation du polynôme nul est +∞.
Exercice 3.52
P (X) = 3 + X + X 2 , val(P ) = 0. Q(X) = −2X + X 2 + X 4 , val(Q) = 1.
Propriétés 3.53
Soient P, Q ∈ K[X], on a :
1. val(P + Q) ≥ inf(val(P ), val(Q)).
2. val(P Q) = val(P ) + val(Q).
Théorème 3.54
(Division suivant les puissances crissantes é l'ordre k ) Soient A et B deux poly-
nômes avec B(0) 6= 0, pour tout entier k , il existe un couple et un seul (Q, R) dans K[X]
vériant :
A(X) = B(X)Q(X) + X k+1 R(X), avec degQ ≤ k
Preuve 3.55 Unicié : Soient (Q1 , R1 ) et (Q2 , R2 ) deux solutions, alors A = BQ1 +
X R1 = BQ2 + X k+1 R1 , avec deg(Q1 ) ≤ k et deg(Q2 ) ≤ k , ainsi
k+1
B(Q1 − Q2 ) = X k+1 (R2 − R1 ), on sait que B(0) 6= 0 ce qui montre que val(B) = 0, par
suite si R1 − R2 6= 0, alors val(Q1 − Q2 ) = val(X k+1 (R1 − R2 )) ≥ k + 1 d'une part, d'autre
part val(Q1 − Q2 ) ≤ deg(Q1 − Q2 ) ≤ k ce qui est absurde, d'ou R1 = R2 et Q1 = Q2 .
Existence :On fait la division de A par B suivant les puissances croissantes jusqu'on
trouve un reste de valuation ≥ k + 1, céd on trouve un reste R1 (X) = X k+1 R(X) et donc
A = BQ + X k+1 R(X).
Exercice 3.56
Eectuer la division suivant les puissances croissantes é l'ordre 3 de A(X) = 2 + X par
B(X) = 1 + X + X 2 .
On a : 2 + X = (1 + X + X 2 )(2 − X − X 2 + 2X 3 ) + X 4 (−1 − 2X).

3.2 Les fractions rationnelles
Dénition 3.57
On appelle fraction rationnelle é coecients dans K et en l'indéterminée X tout élément
représenté par un rapport B
A
formé par A, B ∈ K[X] avec B 6= 0. On note K(X) l'ensemble
de ces élément.
Exercice
2
3.58
X +X+1
X 3 −2
∈ K(X), si P ∈ K[X] alors P ∈ K(X).
Dénition 3.59
Soient F = A
B
,G = C
D
∈ K(X) et λ ∈ K, on a
1. F = G ⇔ AD = BC .
2. λ.F = λA
B
.
3. F + G = AD+BC
BD
et F G = AC
BD
.
Théorème 3.60
1. (K(X), +, .) est un K espace vectoriel.

2. (K(X), +, ×) est un corps.
Théorème 3.61
1. Pour tout F ∈ K(X), il existe un unique couple (P, Q) ∈ K[X]2 tel que : Q est
unitaire, F = Q
P
et P ∧ Q = 1.
2. Pour tout F ∈ K(X), il existe un unique couple (G, R) ∈ K[X]2 tel que F = G + R
Q
avec degR < degQ.
3. Si a est une pôle de(racine du dénominateur) Q d'ordre de multiplicité α ; (X − a)α
divise Q alors il existe un unique couple (C, D) ∈ K(X) × K[X] tel que Q R
=C+
D
(X−a)α
avec degD < α.
4. Il existe un unique multi uplet (λ1 , λ2 , ....., λα ) ∈ Kα tel que :
= k=αk=1 (X−a)k .
D
P λk
(X−a)α
Preuve 3.62 1. Unicité : Soient (P1 , Q1 ) et (P2 , Q2 ) deux solutions ; puisque F =

P1
Q1
=Q P2
2
, on a P1 Q2 = P2 Q1 . Ainsi Q1 \ P1 Q2 , or P1 est premier avec Q1 donc par
le théoréme de Gauss Q1 divise Q2 , de façon identique, Q2 divise Q1 par suite Q1
et Q2 sont associés, or ils sont tous deux unitaires donc égaux, l'égalité de P1 et P2
est immediate.
Existence : Soit BA un représentant de F (F = BA ), quitte é multiplier en haut et en
bas par un scalaire, on peut supposer que B est unitaire, considérons D = A ∧ B .
Puisque D divise A et B alors on peut écrire A = DP et B = DQ et donc F =
A
B
=Q P
avec P ∧ Q = 1.

2. Par la division euclidienne de P par Q il existe donc un unique couple (G, R) ∈

K[X]2 tel que P = QG + R avec degR < degQ par suite on a : F = Q P
=G+ Q R
.
3. Puisque a est une pôle de Q d'ordre de multiplicité α alors il existe un polynôme Q1
tel que Q = (X − a)α Q1 et Q1 (a) 6= 0 donc (X − a)α et Q1 sont premiers entre eux,
par suite il existe deux polynômes U et V tel que (X − a)α U + Q1 V = 1 et donc
R = R(X − a)α U + RQ1 V ce qui montre que :
R R(X − a)α U + RQ1 V PU PV

= α
= + .
Q (X − a) Q1 Q1 (X − a)α
Faisons la division euclidienne de P V par (X − a)α , il existe donc deux polynômes

T et D tel que P V = (X −a)α T +D avec degD < α, par suite Q R
= PQU1 +T + (X−a)
D
α,
il sut de poser C = Q1 + T .
PU
4. puisque degD < α, alors D = k=α α−k

et par suite
P
k=1 λk (X − a)
k=α
D X λk
α
= k
.
(X − a) k=1
(X − a)
3.2.1 Pratique de la décomposition dans C[X]

Dénition 3.63
Une fraction non nulle F de C[X] est dite simple si F a une forme réduite de la forme
a
(bX+c)k
, avec a, b ∈ C∗ et c ∈ C.
Exercice 3.64
Décomposer en éléments simples dans C(X) les fractions rationnelles suivantes : A =
X 4 +1
X 3 −1
, B = (X 24−1)2 .
Solution 3.65 La partie entiére de A est X .

Comme X 3 − 1 = (X − 1)(X − j)(X − j 2 ), alors A se décompose sous la forme suivante :
2 . Comme A = A, alors a = a, b = c. En multipliant A par
a b c
A = X + X−1 + X−j + X−j
4
X − 1 on obtient (X−j)(X−j
X +1
2 ) = X(X − 1) + a + X−j + X−j 2 . En posant X = 1, on obtient
(X−1) (X−1)
donc a = 32 , de la même maniére on obtient b = −13

et c = b = −1
3
. D'ou la décomposition
de A en élément simple est :

1 2 −1 −1
A=X+ + + .
3 X − 1 X − j X − j2
Pour B = 4
(X 2 −1)2
, la décomposition théorique est :
a b c d
B= + 2
+ + .
X − 1 (X − 1) X + 1 (X + 1)2

la parité de B donne c = −a et d = b. On multiplie B par (X − 1)2 dans la décomposition

théorique on obtient :

4 2 2 c d
= a(X − 1) + b + (X − 1) + ,
(X 2 − 1)2 X + 1 (X + 1)2
par suite d = b = 1 et a = −1 et c = 1, d'ou la la décomposition de B en élément simple

est :
−1 1 1 1
B= + + +
X − 1 (X − 1)2 X + 1 (X + 1)2
3.2.2 Pratique de la décomposition dans R[X]

Dénition 3.66
Une fraction non nulle F de R[X] est dite simple si F a L'une des deux formes suivantes :
1. a
(bX+c)k
, avec a, b ∈ R∗ et c ∈ C et k ∈ N∗ .
2. αX+β
(aX 2 +bX+c)k
, avec b2 − 4ac < 0, k ∈ N∗ , a, c ∈ R∗ et b, α, β ∈ R.
Exercice 3.67
Décomposer en éléments simples dans R(X) les fractions rationnelles suivantes : F =
X 7 +2 X2
(X 2 +X+1)3
, G = (X 4 +X 2 +1)2 , H = X(X 2 +1)2 .
1
Solution 3.68 Pour la fraction F , on procéde par divisions euclidiennes successives. On

7 +2
trouve X + 2 = (X 2 + X + 1)(X 5 − X 4 + X 2 − X) + (X + 2), d'oé F = (X 2X+X+1)
7
3 =
5 4 2
X+2 −X +X −X
+ X (X
(X 2 +X+1)3 2 +X+1)2 , on recommence, en divisant cette fois ci X 5 − X 4 + X 2 − X
par X + X + 1.
2
X 5 − X 4 + X 2 − X = (X 2 + X + 1)(X 3 − 2X 2 + X + 2) − 4X − 2.
X 5 −X 4 +X 2 −X X 3 −2X 2 +X+2
donc (X 2 +X+1)2
= − (X 24X+2
+X+1)2
+ X 2 +X+1
. De même X 3 − 2X 2 + X + 2 = (X 2 +
X 3 −2X 2 +X+2
X + 1)(X − 3) + 3X + 5, donc X 2 +X+1
= X3X+5
2 +X+1 + X − 3. En conclusion on a :
X +2 4X + 2 3X + 5
F = − + 2 + X − 3.
(X 2 + X + 1) 3 2
(X + X + 1) 2 X +X +1
Exercice 3.69
Décomposer en éléments simples dans R(X) les fractions rationnelles suivantes : A =
X2
X 2 −3X+2
, B = X(X−1)
X−2
2 , C = X 2 (X−1)2
X+1
X2 X 2 +1 X 2 +X−1
D= (X+1)3
, E= X(X−1)3
, F = X(X 2 +1)
, G= 1
X 2 (X 2 +X+1)
.

3.3 Exrcices
Exercice 3.70
Soient A, B et C des polynômes non nuls de K[X].
1. Montrer que A ∧ B = 1 et A ∧ C = 1 ⇔ A ∧ BC = 1.
2. Montrer que A ∧ B = 1 ⇔ An ∧ B m = 1, pour tout n, m ∈ N∗ .
3. Montrer que si a 6= b, alors (X − a) ∧ (X − b) = 1.
4. Déduire que (X − a)m ∧ (X − b)n = 1, pour tout n, m ∈ N∗ .
5. Soient a1 , a2 , ..., ap des éléments de K, distincts deux é deux. Montrer que (X −
ai )m ∧ (X − aj )n = 1, pour tout n, m ∈ N∗ et i 6= j .
6. Déduire que (X − ai )m ∧ k=p nk
= 1, k 6= i.
Q
k=1 (X − ak )
7. Déduire que si i=1 (X − ai ) / i=1 (X − ai )ni alors mi ≤ ni , pour tout 1 ≤ i ≤ p.

Qi=p mi
Qi=p

Chapitre 4
Réduction des endomorphismes
Soit f un endomorphisme d'un K-espace vectoriel E de dimension nie, oé K désigne

R ou C.
Dénition 4.1
Soient F et G deux s-e-v de E tel que E = F ⊕ G. Pour tout x ∈ E se décomposant en
x = y + z , avec y ∈ F et z ∈ G.
1. On appelle projecteur sur F parallélement é G l'endomorphisme p dénit par p(x) =
y . Le projecteur p vérie : p2 = p, Imp = F et ker p = G.
2. On appelle symétrie par rapport é F parallélement é G l'endomorphisme s dénit
par s(x) = y − z . La symétrie s vérie s2 = IdE .
Dénition 4.2
Soit f ∈ End(E) et F un s.e.v de E . On dit que F est un sous espace stable par f si
f (F ) ⊂ F .
Remarque 4.3 Les sous-espaces {0} et E sont stables par tout endomorphisme. Imf et
ker f sont stables par f .
4.1 Valeurs propres et vecteurs propres
4.1.1 Cas des endomorphismes

Dénition 4.4
Soit f ∈ End(E). Un scalaire λ ∈ K est appelé valeur propre de f s'il vérie l'une des
trois propriétés équivalentes suivantes :
1. Il existe un vecteur x ∈ E non nul tel que : f (x) = λx.
2. f − λIE n'est pas injectif.
3. ker(f − λIE ) 6= {0E }.
59
CHAPITRE 4. RÉDUCTION DES ENDOMORPHISMES 60
L'ensemble des scalaires λ tels que f − λIE n'est pas injectif s'appelle le spectre de f et
se note Sp(f ).
Dénition 4.5
On appelle sous espace propre associé é la valeur propre λ de l'endomorphisme f ∈
End(E), le sous espace, noté Eλ déni par :
Eλ = ker(f − λIE ) = {x ∈ E; f (x) = λ.x}.
Exercice 4.6
Supposons que E = F ⊕ G avec F et G non réduits é {0E }. Soient p et s respectivements
le projecteur et la symétrie sur F parallélement é G. Alors nous avons :
1. Sp(p) = {0, 1}, E0 = ker p = G et E1 = Imp = F .
2. Sp(s) = {−1, 1}, E−1 = G et E1 = F .
Propriétés 4.7
Soit f ∈ End(E) on a les propriétés suivantes :
1. Si λ est une valeur propre de f alors Eλ est stable par f .
2. Si λ et µ deux valeurs propres distincts de f , alors Eλ et Eµ sont en somme directe.
3. Soit (x1 , x2 , ...., xp ) une famille de p vecteurs propres non nuls de E associés é des
valeurs propres λ1 , λ2 , ...., λp deux é deux distinctes, alors (x1 , x2 , ...., xp ) est une
famille libre.
Preuve 4.8 1. Soit x ∈ Eλ on a : f (f (x)) = λf (x) par conséquent f (x) ∈ Eλ .

2. Si x est un vecteur propre pour λ et pour µ alors f (x) = λ.x = µ.x ce qui montre
que (λ − µ).x = 0 d'ou le resultat.
3. Considérons un p-uplet (α1 , α2 , ....., αp ) de Kp tel que pi=1 αi xi = 0. Appliquant suc-
P
cessivement f, f 2 , ..., f p é l'égalité ci-dessus, on obtient un systéme dont la matrice
est de Vandermonde puis on a :α1 x1 = α1 x1 = ...... = α1 x1 = 0.
Remarque 4.9 Si (x1 , x2 , ...., xn ) une famille de n vecteurs propres non nuls de E as-
sociés é des valeurs propres λ1 , λ2 , ...., λn deux é deux distinctes et dim E = n alors
(x1 , x2 , ...., xn ) est une base de E .
4.1.2 Cas des matrices

Dénition 4.10
Un scalaire λ ∈ K est appelé valeur propre de la matrice A ∈ Mn (K), si c'est une valeur
propre de l'endomorphisme de Kn canoniquement associé é A, ce qui se traduit par l'une
des propriétés équivalentes suivantes :
1. A − λ.In n'est pas inversible.
2. det(A − λ.In ) = 0.

3. il existe un matrice unicolonne X ∈ Mn,1 (K) non nulle telle que

AX = λX .
L'ensemble des valeurs propres (dans K) de A s'appelle le spectre de A et se note SpK (A).
Propriétés 4.11
Si f est un endomorphisme d'un K-espace vectoriel E de dimension nie n, rapporté é
une base B et A est la matrice de f dans B alors Sp(f ) = SpK (A).
Preuve 4.12 La matrice de (f − λIE ) dans la base B est A − λIn , d'autre part (f − λIE )
n'est pas bijective donc A − λIn n'est pas inversible.
4.2 Polynôme caractéristique
Dénition 4.13
Soit A ∈ Mn (K). On appelle polynôme caractéristique de A le polynôme de K[X] déni
par PA (X) = det(A − XIn ).
Remarque 4.14 1. PA (0) = det(A).

2. Une matrice a même polynôme caractéristique que sa transposée.
3. Deux matrices semblables ont même polynôme caractéristique.
Dénition 4.15
Soit f ∈ End(E). Le polynôme caractéristique de la matrice de f dans une base B de E
ne dépend pas de la base choisie. On l'appelle polynôme caractéristique de f et on le note
Pf .
Propriétés 4.16
λ est une valeur propre de f ∈ End(E) si et seulement si Pf (λ) = 0 .
Preuve 4.17 On a :Pf (λ) = det(A − λIn ) = 0.
Remarque 4.18
SpK (A) = SpK (At ).
Si A et B sont deux matrices semblables alors SpK (A) = SpK (B).

Propriétés 4.19
Soit f ∈ End(E).
1. Soit F un s-e-v propre de E stable par f tel que g = f /F , la restriction de f é F .
Alors g ∈ End(F ) et Pg divise Pf .
2. Si λ ∈ K est une racine de Pf d'ordre de multiplicité m, alors on a : 1 ≤ dim(Eλ ) ≤
m
Preuve 4.20 1. F étant stable par f , alors g est bien endomorphisme de F . Soit
(e1 , e2 , ...., er ) une base de F complétée en une base
B = (e 1 , e2 , ....., er , er+1 , ....., en )
A C
de E . La matrice de f dans B a la forme :[f ]B = oé A = [g](e1 ,e2 ,....,er ) et
0 B
donc
Pf = det([f ]B − XIn ) = det(A − XIr ).det(B − XIn−r ).
2. Eλ est stable par f . Soit g = f /Eλ , d'aprés 1 on a : Pg divise Pf et comme g = λIEλ ,
on a :Pg = (λ − X)dimEλ , donc dimEλ ≤ m.
4.3 Endomorphismes et matrices diagonalisables
Dénition 4.21
Soit f ∈ End(E). On dit que f est diagonalisable s'il existe une base de vecteurs propres
de f . On dit que A ∈ Mn (K) est diagonalisable si A est semblable é une matrice diagonale.
Théorème 4.22
Soit f ∈ End(E) avec dimE = n, Les propriétés suivantes sont équivalentes.
1. f est diagonalisable.
2. Pf est scindé sur K et pour toute racine λi de Pf d'ordre de multiplicité mi , mi =
dimEλi .
3. Il existe des valeurs prpres λ1 , λ2 , ....., λp vériant E = Eλ1 ⊕ ..... ⊕ Eλp .
Preuve 4.23 1 ⇒ 2. Soit B une base de vecteurs propres de f . la matrice M de f dans

B est diagonale, et si λ1 , λ2 , ..., λp désignent les vecteurs propres de f , la diagonale de M
est constituée des λi . Pour tout
Qp i , 1 ≤ i ≤ p, notons mi l'ordre de multiplicité de λi de
sorte que Pf = PM = (−1) n
i=1 (X − λi ) . Pour tout i, 1 ≤ i ≤ p, il existe mi vecteurs
mi
de la base B vériant f (x) = λi x, c'est é dire mi vecteurs linéairement indépendants dans

Eλi , donc dimEλi ≥ mi , d'aprés Qp la proposition précedente on a dimEλi = mi .
2 ⇒ 3. Ecrivons Pf =P(−1) n
− λi ) , les λi sont distincts. Soit F = ⊕pi=1 Eλi , on
i=1 (X P
mi
a F ⊂ E et dimF = pi=1 dimEλi = pi=1 mi = degPf = n, donc F = E .

3 ⇒ 1 : Si pour tout i, Bi désigne une base de Eλi , alors il est clair que B = Bi ∪B2 ∪.....∪Bp
est une base de vecteurs propres de f .
Corollaire 4.24 Soit f ∈ End(E). Si Pf est scindé sur K et a toutes ses racines simples,
alors f est diagonalisable.

4.4 Endomorphismes et matrices trigonalisables
Dénition 4.25
1. f ∈ End(E) est dit trigonalisable s'il existe une base B de E dans laquelle la matrice
de f soit triangulaire supérieure
2. Une matrice A ∈ Mn (K) est dite trigonalisable si A est semblable é une matrice
triangulaire supérieure, c'est é dire s'il existe une matrice inversible P ∈ Mn (K)
telle que P −1 AP soit triangulaire supérieure.
Théorème 4.26
Soient f ∈ End(E) et A ∈ Mn (K). f (resp A) est trigonalisable ssi Pf (resp PA ) est
scindé sur K.
4.5 Polynôme minimal
Soit f un endomorphisme
 d'un K-espace vectoriel E de dimension n. On déni les
 f 0 = IdE ,
puissances de f par : f 2 = f ◦ f,
= fp ◦ f .
 p+1
f
Notation 4.27 Soit P = a0 + a1 X + + + + + +ap X p .
1. Pour tout f ∈ End(E), on note P (f ) = a0 IdE + a1 f + + + +ap X p .
2. Pour tout A ∈ Mn (K), on note P (A) = aIn + a1 A + + + +ap Ap .
End(E) est un K-espace vectoriel tel que dim(End(E)) = n2 donc pour f ∈ End(E) la fa-
mille IdE , f, f 2 , ....., f n est liée autrement dit il existe (a0 , a1 , a2 , ....., an2 ) 6= (0, 0, 0, ....., 0),
2
vériant 2
a0 IdE + a1 f + + + + + an2 f n = 0.
Donc si P = ai X i alors P (f ) = 0 et P (A) = 0n , D'oé la dénition suivante.
Pi=n2
i=0
Dénition 4.28
On appelle polynôme annulateur de f (resp de A) tout polynôme P ∈ K[X] tel que P (f ) =
0 (resp P (A) = 0n ).
Notation 4.29 Soient f ∈ End(E) et A ∈ Mn (K), on a :
1. Ann(f ) = {P ∈ K[X]; P (f ) = 0}
2. Ann(A) = {P ∈ K[X]; P (A) = 0n }.
Dénition 4.30
Soit f ∈ End(E) (resp A ∈ Mn (K)), alors il existe un unique polynôme unitaire mf
(resp mA ) de K[X] de degré minimal appartenant é Ann(f ) (resp, Ann(A)) tel que tout
polynôme annulateur de f (resp de A) est multiple de mf (resp de mA ). Le polynôme mf
(resp mA ) est appelé polynôme minimal de f (resp de A).

Théorème 4.31
(Théoréme de Cayley-Hamilton) Soit f ∈ End(E) (resp, A ∈ Mn (K)), le polynôme
caractéristique de f (resp de A) est un polynôme annulateur de f (resp de A) ; c'est é
dire Pf (f ) = 0 et PA (A) = 0n .
Preuve 4.32 Soit A ∈ Mn (K)) la matrice de f dans la base canonique de Kn , d'aprés

le théoréme de trigonalisation, il existe une matrice T = (ti,j ) ∈ Mn (C) triangulaire
supérieure et semblable é A :
 
t1,1 . . t1,n
 0 t2,2 . . 
T =  .
.
. . . 
. . . tn,n
On a : Pf = PT = (−1)n i=n i=1 (X − ti,i ). Soit B = (e1 , e2 , ....., en ) la base canonique de

Q
C , (ek est le vecteur colonne dont
n
Qi=ktous les éléments sont nuls sauf le k -iéme qui vaut
1). Pour tout k , on pose Pk = i=1 (X − ti,i ), nous allons montrer par récurrence sur
k ∈ {1, 2, 3, ...., n} que pour tout i ∈ {1, 2, 3, ...., k} [Pk (T )]ei = 0. Pour k = 1, c'est vrai
car T e1 = t1,1 e1 , donc (T −t1,1 )e1 = 0 = P1 (T )e1 . Supposons le résultat vrai au rang k−1 et
montrons le au rang k . On a pour tout i, 1 ≤ i ≤ k −1, Pk (T )ei = (T −tk,k )Pk−1 (T )ei = 0.
D'autre part on a :
i=k−1
X i=k−1
X
Pk (T )ek = Pk−1 (T )(T − tk,k In )ek = Pk−1 (T )[ ti,k ei ] = ti,k Pk−1 (T )ei = 0.
i=1 i=1
En particulier , avec k = n, on en déduit que pour tout i ∈ {1, 2, ....., n}, Pn (T )ei = 0,
donc Pn (T ) = 0, c'est é dire PT (T ) = 0 et Pf (f ) = 0.
Corollaire 4.33 Soit f ∈ End(E) (resp A ∈ Mn (K)) alors mf divise Pf (resp mA divise
PA ).
Théorème 4.34
Soit f ∈ End(E). Si Pf = (−1)n − ai )ni alors mf = − ai )mi avec
Qk Qk
i=1 (X i=1 (X
1 ≤ mi ≤ ni .
Preuve 4.35 Voir TD.
Théorème 4.36
Soit f ∈ End(E) de spectre Sp(f ) = {λ1 , λ2 , ....., λp ). Les propriétés suivantes sont équi-
valentes.
1. f est diagonalisable.
2. mf = pi=1 (X − λi ).
Q
Applications :

3 1 −3
Considérons la matrice A =  −1 1 1 
1 1 −1
1. Calculer PA le polynôme caractéristique de A.
2. Calculer les valeurs propres et les vecteurs propres correspondants.
3. Montrer que A est inversible et trouver A−1 .
4. Examiner la diagonalisation de A.
5. Chercher mA le polynôme minimal de A.
6. Montrer l'existence d'une matrice inversible P telle que :
P −1 AP = diag(1, 2, 0).
7. Par deux méthodes diérentes calculer An pour tout n ∈ N.
4.6 Exercies
Exercice 4.38
Soient f, g ∈ End(E) oé E est un K-espace vectoriel de dimension nie n tels que f ◦ g =
g ◦ f.
1. Montrer que tout sous-espace prpore de f est stable par g (en particulier ker(f )).
2. Montrer que Imf est stable par g .
Exercice 4.39
 
0 2 −1
Considérons la matrice A =  3 −2 0  .
−2 2 1
1. Calculer PA le polynôme caractéristique de A.
2. Calculer les valeurs propres et les vecteurs propres correspondants.
3. Montrer que A est inversible et trouver A−1 .
4. Examiner la diagonalisation de A.
5. Chercher mA le polynôme minimal de A.
6. Montrer l'existence d'une matrice inversible P telle que :
P −1 AP = diag(1, 2, −4).
7. Par deux méthodes diérentes calculer An pour tout n ∈ N.

−1 0 0
Calculer le polynôme minimal pour chacune des matrices suivantes : A =  2 −1 4 ,
  1 0 3
3 −1 −1
B =  2 0 −1 
1 1 2
Exercice 4.41
Diagonaliser ou 
trigonaliserdans M
n (C) en donnant
 la matrice
 de passage,
 les matrices
0 1 1 1 4 −2 2 2 −3
suivantes : A =  1 0 1 , B =  0 6 −3 , C =  5 1 −5  .
1 1 0 −1 4 0 −2 4 0

COURS Alg2 21-22 ENSAO

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 Alg2 21-22 ENSAO

Transféré par

Droits d'auteur :

Formats disponibles

Table des matières

Mostafa rahmani ENSAO, A.U: 2021-2022

Dans tout ce cours K désignera un corps commutatif.

Les aij s'appellent les coecients de la matrice A.

Mn,m (K); +) est un groupe commutatif.

1.2.1 Remarques et dénitions :

Mn,n (K) = Mn (K).

Mostafa rahmani ENSAO, A.U: 2021-2022

est une matrice diagonale dite la matrice unité carrée d'ordre n.

1.2.2 Multiplication des matrices :

Mostafa rahmani ENSAO, A.U: 2021-2022

1.2.3 Propriétés et dénitions

1-) Si A est de type (m, n), B et C de type (n, s) et λ ∈ K , alors :

Mostafa rahmani ENSAO, A.U: 2021-2022

1.3.1 Déterminants d'ordre 2

Le déterminantde A peut êtrevu comme

1.3.2 Propriétés fondamentales

Mostafa rahmani ENSAO, A.U: 2021-2022

3-) D(C1 , C2 ) = D(C1 , C2 + λC1 ) = D(C1 + µC2 , C2 ).

1.3.3 Déterminants d'ordre 3

La formule (∗) s'appelle le développement du déterminant de A suivant la première ligne.

2) On peut considerer le déterminant comme une fonction des colonnes C1 , C2 et C3 de

1.3.4 Propriétés fondamentales

Mostafa rahmani ENSAO, A.U: 2021-2022

déterminant suivant la iième ligne de A.

1.3.5 Règle pratique pour calculer un déterminant d'ordre 3 :Règle

Mostafa rahmani ENSAO, A.U: 2021-2022

La règle de Sarrus donne :

En utilisant les propriétés fondamentales, on a :

1.3.6 Déterminants d'ordre n

En notant Cj la j ième colonne de A, on écrit aussi det A = D(C1 , · · · , Cj , · · · , Cn ).

1.3.7 Propriétés fondamentales

Mostafa rahmani ENSAO, A.U: 2021-2022

4) Si deux colonnes sont égales alors le déterminant est nul.

déterminant suivant la iième ligne de A.

Mostafa rahmani ENSAO, A.U: 2021-2022

1.4 Applications des déterminants

1.4.1 Calcul de l'inverse d'une matrice

La matrice C = ((−1)i+j det Aij ) , s'appelle la comatrice associée à A qu'on note

Mostafa rahmani ENSAO, A.U: 2021-2022

1.4.2 Rang d'une matrice

Propriétés fondamentales : Soit A ∈ M(m,n) (K) :

1.4.2.1 Matrices échelonnées

Mostafa rahmani ENSAO, A.U: 2021-2022

• En-dessous d'une ligne nulle, on ne peut trouver qu'une ligne nulle.

1. Soit A ∈ Mnp (K). On a : rg(A) ≤ min(n; p).

1.4.2.2 Méthode pratique de calcul du rang :

Mostafa rahmani ENSAO, A.U: 2021-2022

1.5 Systèmes d'équations linéaires

1.5.1 Systèmes de Cramer :

où les aij et les bj sont dans K et x1 , x2 , · · · , xn sont les inconnues.

est un système de Cramer, alors il admet une solution unique (x1 , x2 , · · · , xn ) ∈ K n

Mostafa rahmani ENSAO, A.U: 2021-2022

Montrer que (S) est

Mostafa rahmani ENSAO, A.U: 2021-2022

1.5.2 Cas général

où les aij et les bi sont dans K et x1 , x2 , · · · , xn sont les inconnues.

Mostafa rahmani ENSAO, A.U: 2021-2022

associé à (S), et la matrice

s'appelle la matrice augmentée.

où xr+1 , · · · , xn sont des paramètres. On calcule ensuite, x1 , · · · , xr , en fonction de xr+1 , · · · , xn

1.5.3 Méthode d'élimination de Gauss

Mostafa rahmani ENSAO, A.U: 2021-2022

Les aij s'appellent les coecients de la matrice A.

1.2.1 Remarques et dénitions :

1.2.3 Propriétés et dénitions

Le déterminantde A peut êtrevu comme

Devoir à rendre après avoir nir le chapitre 1 :

Soit E un K -e.v. et soient F et G deux sous-espaces vectoriels de E . On dénit la somme

Soient E et F deux K -e.v. de dimension nie où dim E = n,

Par dénition, la matrice (λij ) 1≤i≤m

Soit E un K -e.v. de dimension nie n, soient B = {e1 , · · · , en } et B 0 = {f1 , · · · , fn }