Université Mohammed V – Rabat

Faculté des Sciences Juridiques,

Economique et Sociales - Salé

Filière : Sciences Économiques et Gestion

Semestre 2
Groupes : E et F

Algèbre

Professeur BADDI HICHAM

Année universitaire : 2021/2020
Chapitre I : Calcul matriciel et systèmes linéaires

I. Généralités……………………………………………………...…………….1
II. Matrices carrées………………………………………………………..……..7
III. Opérations sur les matrices..………………………………………………...10
IV. Déterminant d’une matrice d’ordre n…………………………………..……17
V. Matrice inversible…………………………………………………………...22
VI. Rang d’une matrice………………………………………………………….26
VII. Systèmes linéaires…………………………………………………………...28

Chapitre II : Espaces vectoriels réels

I. Espace vectoriel……………………………………………………………..38
II. Sous-espaces vectoriels…………………………………...…………………39
III. Combinaison linéaire et famille génératrice………………………………...43
IV. Rang et ordre d’un système de vecteurs…………………………………….46
V. Base et dimension d’un espace vectoriel……………………………………47

Chapitre II : Applications linéaires

I. Applications linéaires………………………………………………………..52
II. Noyau et image d’une application linéaire………………………………….54
III. Applications linéaires injectives et surjectives……………………………...58
IV. Le rang d’une application linéaire ……………………………..…………...61

2
 Chapitre I : Calcul matriciel et systèmes linéaires

I. Généralités

1. Notion de Matrices
Définition :
Une matrice à n lignes et p colonnes est un tableau d’éléments de comportant n lignes et
p colonnes.

On note aij l’élément d’une matrice A situé sur la ligne i et la colonne j .

La matrice A s’écrit alors :

 a1 1 .... a1 p 
 
A  . . 
 . . 
 
a .... a 
 n 1 n p 
Les aij sont appelés les coefficients de la matrice A .

On dit que A est de format  n, p  , de type  n, p  ou de taille  n, p  .

On note M  n,p   l’ensemble des matrices de types  n, p  à coefficients dans .

Exemple :

- A est une matrice de type 1, 2  définie par : A   3 1 .

0 1
- B est une matrice de type  2, 2  définie par : B   .
4 5
7 3
 
- C est une matrice de type  3, 2  définie par : C   1 4 .
0 8 

2. Matrices particulières

2.1 Matrice nulle

Définition :
On dit que A est une matrice nulle si tous ses coefficients sont nuls. C’est-à-dire si ai j  0 ,
 i et j On note 0n, p .

3
Exemple :
Soient les matrices suivantes :

0 0 0
 000   
01,2   0 0  ; 02,3    et 03,3   0 0 0 
 000  0 0 0
 
2.2 Matrice ligne
Définition :

Une matrice ligne est une matrice de type 1, p  .

Exemple :

- A est une matrice ligne de type 1, 2  définie par : A   3 6  .

- B est une matrice ligne de type 1,3 définie par : B  1 0 2  .
- C est une matrice ligne de type 1, 4  définie par : C   4 1 3 2  .

2.3 Matrice colonne

Définition :

Une matrice Colonne est une matrice de type  n,1 .

Exemple :
5
- A est une matrice colonne de type  2,1 définie par : A   
 8 
1
 
- B est une matrice colonne de type  3,1 définie par : B   4 
5
 
0
 
2
- C est une matrice colonne de type  4,1 définie par : C   
1
 
 4
2.4 Matrice rectangulaire
Définition :

Une matrice A de type  n, p  est rectangulaire si n p ou n p.

Exemple :
A et B sont deux matrices rectangulaires.

4
  1 1 
 3 2 1  
A   M 2,3   et B   2 4   M 3,2  
 4 5 6   3 7
 
2.5 Matrice unité ou identité
Définition :
1 si i=j
Une matrice A de type  n, n  est une matrice unité ou identité si : ai j   .
0 si i  j

On note I n ou I .

Exemple :
1 0
- I 2 est une matrice identité définie par : I 2   
0 1
1 0 0
 
- I 3 est une matrice identité définie par : I 3   0 1 0
0 0 1 

1 0 0 0
 
0 1 0 0
- I 4 est une matrice identité définie par : I 4  
0 0 1 0
 
0 0 0 1
2.6 Matrice opposée
Définition :

La matrice opposée d’une matrice A   ai j  est la matrice  A définie par  A   ai j  dont
tous les coefficients sont les opposées des coefficients de A .
Exemple :
La matrice  A est la matrice opposée de la matrice A .

 0 3 4   0 3 4 
   
A   1 5 2    A =  1 5 2 
 2 1 3   2 1 3 
   

2.7 Égalité de deux matrices

Définition :
Deux matrices A et B sont égales si elles sont de même format, et si ai j  bi j pour tout
i 1,...., n et pour tout j 1,...., n . On écrit A  B .

5
Exemple :
1. Soient A et B deux matrices.

A  1 2 et B   3 0 5

Puisque les matrices A et B n’ont pas le même format, A  B .

2. Soient C et D deux matrices carrées d’ordre 2.

x y  2 1 2 
C   et D 
 3z 2w   6 4 

x  1 x  1
y  2  2 y  0
 
CD    
3z  6 z  2
2w  4  w  2

Les matrices C et B sont égales si et seulement si x  1, y  0, z  2 et w  2 .

2.8 Transposée d’une matrice

Définition :

La transposée de la matrice A   aij  , notée A t définie par :

A t   bi j  avec bi j  a j i i,j 1,.......n

Autrement dit, les lignes de A deviennent les colonnes de A t et vice versa.

Exemple :

 1
- A   1 3 2   M 1,3    A t   3   M 3,1  
 2
 
 0 1  0 5
- B   M  2,2    B t    M  2,2  
 5 1  1 1 

1 7
  1 0 2 
- C   0 1   M 3,2    C t     M  2,3  
 2 4   7 1 4 
 
 10 2 6   10 3 15 
   
- D   3 1 12   M 3,3    D   2 1 4   M 3,3 
t

 15 4 20   6 12 20 
   

6
II. Matrices carrées

1. Définition d’une matrice carrée

Définition:
Une matrice carrée d’ordre n est une matrice contenant n lignes et n colonnes.

M  n   est l’ensemble des matrices de type  n, n  .

Exemple :
Soient les matrices suivantes :

 3 4 5 
0 1  
A   M  2   B   7 9 3   M 3  
 3 4  8 1 2 
 
A est une matrice carrée d’ordre et B est une matrice carrée d’ordre 3.
2. Diagonale principale d’une matrice carrée
Définition :
Soit A une matrice carrée :

 a11 a12 a1i a1n 

 
a a22 a2i a2 n 
A   21
 ai1 ai 2 aii ain 
 
 an1 an 2 ani ann 

Les éléments a11 , a22 , aii ,...., ann forment la diagonale principale de la matrice A . On note
DP  A   a11 , a22 , aii ,...., ann  .

Exemple :

 1 2 3
 
Soit la matrice A   5 0 9 
 6 1 8 
 

Alors, DP  A  1, 0, 8 .

3. Trace d’une matrice carrée

Définition :
La trace d’une matrice carrée A d’ordre n est la somme des éléments de la diagonale principale
de cette matrice, c’est-à-dire : Tr  A  a11  a22  ....  ann

7
Exemple :

1 0 3
 
Soit la matrice A   2 4 9  .
5 8 7
 

On a : DP  A  1, 4, 7 

Alors, Tr  A  1  4  7  4

4. Matrice diagonale
Définition :
Une matrice carrée A d’ordre n est diagonale si aij  0  i  j , c’est-à-dire si tous les
éléments qui ne sont pas situés sur la diagonale principale sont nuls.
Exemple :
 3 0 0
 
La matrice A   0 2 0  est diagonale.
0 0 5
 

1 0 3
 
La matrice B   0 4 0  n’est pas diagonale.
 2 0 6
 

5. Matrice scalaire
Définition :
a si i=j
Une matrice carrée A d’ordre n est une matrice scalaire si aij   , c’est-à-dire
0 si i  j
que tous les éléments situés sur la diagonale principale sont égaux et que tous les autres
éléments sont nuls.
Exemple :

a 0 0
 
- A   0 a 0  ,  a   est une matrice scalaire.
0 0 a
 
- Si a  1 , alors la matrice A est une matrice unité ou identité.
 1 0 
- B  est une matrice scalaire.
 0 1
1 0 0
 
- C   0 1 0  n’est pas une matrice scalaire.
0 0 1
 

8
6. Matrice triangulaire
Définition 1 :
Une matrice carrée A d’ordre n est une matrice triangulaire inférieure si tous ses éléments
au-dessus de la diagonale principale sont nuls. Autrement dit, si aij  0 pour tout i j .

 a11 0 0 0 
 
.. a22 0 0 
A
 .. .. .. 0 
 
 an1 .. .. ann 

Définition 2 :
Une matrice carrée A d’ordre n est une matrice triangulaire supérieure si tous ses éléments
au-dessous de la diagonale principale sont nuls. Autrement dit, si aij  0 pour tout i j .

 a11 .. .. a1n 
 
0 a22 .. .. 
A
 0 0 .. .. 
 
 0 0 0 ann 

Exemple :

2 0 0
 
- A est une matrice triangulaire inférieure : A   6 3 0  .
5 1 4 

3 2 1 4 
 
0 8 7 3 
- B est une matrice triangulaire supérieure : B   .
0 0 6 2 
 
0 0 0 1 

Remarque :

Si une matrice A est triangulaire supérieure alors sa matrice transposée A t est triangulaire
inférieure et inversement.

7. Matrice symétrique
Définition :

Une matrice carrée A est symétrique si elle est égale à sa transposée  A  At  . Autrement dit,
si aij  a ji  i et j .

9
Exemple :
 1 2 3 
 
- A   2 6 0  est une matrice symétrique car A  At .
 3 0 5
 
 3 10 2 
 
- B   12 25 5  n’est pas une matrice symétrique car B  Bt .
 4 0 7 
 

8. Matrice antisymétrique
Définition :

Une matrice carrée A est antisymétrique si sa transposée est égale à son opposée  At   A .
Autrement dit, si aij  a ji  i et j .

Exemple :
0 2 1
 
- A   2 0 4  est une matrice antisymétrique.
1 4 0 

 10 0 2 
 
- B   4 2 11  n’est pas une matrice antisymétrique.
5 6 15 


III. Opérations sur les matrices

1. Addition de matrices et multiplication d’une matrice par un scalaire

Définition 1 :

Soient A   ai j  et B   bi j  deux matrices de M  n,p  .

La somme de ces deux matrices  A  B  est la matrice C   ci j  où ci j  ai j  bi j  i et j .

Remarque :
On ne peut pas additionner des matrices qui ne sont pas du même format.
Propriétés :
Soient A , B et C des matrices de M  n,p  .
- A B  B  A
-  A  B  C  A   B  C 
- A  0n , p  A

10
- A    A    A  A  0n , p
- A  B  A    B  , ou  B est la matrice opposée de B .
 A  B  At  Bt
t
-

Exemple :
Soient les matrices suivantes :

 3 4 2   2 1 1  0 0 0
     1 2   
A   1 3 6  ; B   8 5 3  ; C    et O3   0 0 0 
 0 7 1   4 0 2   0 3 0 0 0
     
Calculons les sommes suivantes :

 3  0 4  0 2  0   3 4 2 
   
. A  O   1  0 3  0 6  0    1 3 6   A
 0  0 7  0 1  0   0 7 1 
   

 3  2 4  1 2  1   5 5 3 
   
A  B   1  8 3  5 6  3    9 2 3 
 0  4 7  0 1  2   4 7 1 
   

 3  2 4  1 2  1   1 3 1 
   
A  B   1  8 3  5 6  3    7 8 9 
 0  4 7  0 1  2   4 7 3 
   
On ne peut pas calculer A  C ou B  C , car elles n’ont pas le même format.
Définition 2 :

Soit A   ai j  une matrices de M  n,p   et  un scalaire.

Le produit  A de la matrice A par le scalaire  est la matrice C   ci j  où

ci j   ai j  i et j .

Propriétés :
Soient A et B deux matrices de M  n,p   et  ,  

-   A  B   A  B
-     A   A   A
-    A     A
  A   At
t
-

11
Exemple :
Soient les matrices suivantes :

 2 3 1  1 0 0
3 4    
A  ; B   6 4 0  ; I   0 1 0 
 1 2   8 1 5  0 0 1
   
Calculons les produits suivants :
 23 2 4  6 8
2A   = 
 2 1 2  2   2 4 

 3  2 3   3 3 1   6 9 3 
   
3B   3  6 3   4  3  0  =  18 12 0 
 3  8 3   1 3  5   24 3 15 
   

  1   0   0    0 0 
 I     0  1   0  =  0  0 
   0   0  1   0 0  
   

2. Produit de deux matrices

Définition :

Soient A   ai k  une matrice de M  n,p   et B   ak j  une matrice de M  p ,m  .

Le produit AB des deux matrices A et B est la matrice C   ci j  tel que :
p
Pour tout i de 1,..., n , pour tout j de 1,..., m , ci j   ai k bk j .
k 1

Remarque :
On ne peut effectuer la multiplication des deux matrices A et B que si le nombre des colonnes
de A est égal à celui des lignes de B .
Propriétés :
Soient A , B et C des matrices de dimensions compatibles, nous avons alors les propriétés
suivantes :

- A  B  C    A B  C
- A   B  C   AB  AC
- A    B     A  B  .  AB  où  

12
Exemple :

1 2
   1 2 
Soit A   0 1 et B   
5 3  1 0 
 

La multiplication de la matrice A par la matrice B est possible, car A  M 3,2   et

B  M  2,2  .
1 2 
   1 2 
AB   0 1   
 5 3   1 0 
 
 11   2  (1)  1 (2)    2  0    1 2
 
   0 1   1 (1)   0  (2)    1 0     1 0

 5 1  3  (1)
      5  (2)    3  0    2 10 

- La multiplication de la matrice B par la matrice A est impossible, car B  M  2,2   et

A  M 3,2  .

0 1 0  1 1 2 
   
- Soit C   2 3 0  et D   0 2 0 
 1 4 1  1 3 5 
   

La multiplication de la matrice C par la matrice D est possible, car C  M 3,3   et

D  M 3,3  .
 0 1 0   1 1 2 
   
CD   2 3 0    0 2 0 
 1 4 1  1 3 5 
   
  0 1  1 0    0 1  0  1  1 2    0  3   0  2   1 0    0  5  

   2 1   3  0    0 1  2  1   3  2    0  3   2  2   3  0    0  5  
 11   4  0    11 1 1   4  2    1 3 1 2    4  0    1 5  

 0 2 0 
 
  2 8 4 
 0 6 3 
 

13
3. Produit de deux matrices carrées

Propriétés :
Soient A , B et C des matrices carrées .

- AB  M  n    et BA  M  n   
- I n A  AI n  A
- En général, AB  BA
- AB  AC n’implique pas B  C , même si A  0n .

Exemple :
Soient les matrices suivantes :

 0 0  4 3 4 3
A ; B    et C =  
1 0  5 2  2 1
On a :

 0 0  4 3    0  4    0  5  0  3   0  2    0 0
AB    =  1 4  0  5 
 1 0

 5 2      1 3   0  2    4 
3

 0 0  4 3    0  4    0  2   0  3   0  1   0 0
AC   = 
 
 1 0  2 1  1 4    0  2  1 3   0  1   4 
3

Alors, même si B  C , on constate que AB  AC .

4. Puissance d’une matrice carrée

Définition:
Soit A une matrice carrée d’ordre n . Les puissances de la matrice A sont définies comme
suit : A p  A  A  .... A = A p 1  A p  *
p fois

Propriétés :
Soit A une matrice carrée d’ordre n et soient p, k  .

- A 0  In
- A p  Ak  A pk
- A  p k
 A pk

14
Exemple :
Soit A une matrice carrée d’ordre 3.

1 1 1
 
A  0 1 0
0 0 1
 

Calculons A 2 et A 3 .
1 1 1 1 1 1 1 2 2
     
A  A A   0 1 0    0 1 0    0 1 0 
2

0 0 1 0 0 1 0 0 1
     

1 2 2 1 1 1 1 3 3
     
A  A  A  0 1 00 1 0  0 1 0
3 2

0 0 1 0 0 1 0 0 1
     

5. Formule du Binôme de Newton

Théorème:
Soient A et B deux matrices carrées d’ordre n .
Si les matrices A et B commutent pour le produit matriciel, c’est-à-dire AB  BA . Alors
n
pour tout p   A  B    C np An p B p
* n
:
p 0

Remarque :
Si AB  BA , alors :

 A  B   A2  2 AB  B 2
2

 A  B   A2  2 AB  B 2
2

A2  B 2   A  B  A  B 

Exemple :

2 0  1 0
Soient A et B deux matrices carrées d’ordre 2 : A    et B   .
4 2  1 1 
Les matrices A et B commutent pour le produit matriciel car :

 2 0
AB  BA   
 2 2
Ainsi,

 A  B   A2  2AB  B2
2

15
  2 0  2 0  4 0
A 2  A. A    .  
 4 2   4 2  16 4 

 2 0  4 0
2 AB  2   
 2 2  4 4

1 0  1 0  1 0
B 2  B.B     
 1 1  1 1   2 1 

 4 0  4 0  1 0  9 0
 A  B     
2

16 4   4 4   2 1  18 9 

6. Matrice idempotente
Définition:
Une matrice carrée A est dite idempotente lorsque A2  A .
Exemple :

 2 3 5 
 
La matrice A   1 4 5  est idempotente car :
 1 3 4 
 

 2 3 5   2 3 5   2 3 5 
     
A   1 4 5    1 4 5    1 4 5 
2

 1 3 4   1 3 4   1 3 4 
     

7. Matrice nilpotente

Définition :

Une matrice carrée A est dite nilpotente lorsqu’il existe un entier positif n  n  2 tel que
A n  0n . n est appelé indice de nilpotence.

Exemple :

1 1 3
 
La matrice A   5 2 6  est nilpotente car :
 2 1 3 
 

16
 1 1 3  1 1 3 0 0 0
    
A  5 2
2
6  5 2 6  3 3 9 
 2 1 3  3   1 1 3 
  2 1
0 0 0  1 1 3  0 0 0
    
A  3 3
3
9  5 2 6   0 0 0
 1 1 3  3   0 0 0 
  2 1

IV. Déterminant d’une matrice d’ordre n

1. Déterminant d’une matrice d’ordre 1.

Définition :

Soit A   a1 1  une matrice carrée d’ordre 1.

Le déterminant de la matrice A est défini par : det  A  a11

Exemple :

Calculons le déterminant des matrices suivantes : A   2  et B   7  .

det  A  2 et det  B   7

2. Déterminant d’une matrice d’ordre 2.

Définition :

a a1 2 
Soit A   1 1  une matrice carrée d’ordre 2.
 a2 1 a2 2 

Le déterminant de la matrice A est défini par : det  A  = a1 1a2 2  a1 2 a2 1 .

a1 1 a1 2
On note également : det  A  =  a1 1a2 2  a1 2a2 1
a2 1 a2 2

Exemple :
Calculons le déterminant des matrices suivantes :

 4 3  1 5   7 4 
A , B   et C   
1 2  2 4   2 4 
Ainsi,

17
 4 3
det  A  =   2  4   1 3  8  3  5
1 2
1 5
det  B =   4  1   2  5  4  10  14
2 4

7 4
det  C  =   4  7    2  4   28  8  20
2 4

3. Déterminant d’une matrice d’ordre 3 (formule de Sarrus).

Définition :

 a1 1 a1 2 a1 3 
 
Soit A   a2 1 a2 2 a2 3  une matrice carrée d’ordre 3.
a 
 3 1 a3 2 a3 3 
Le déterminant de la matrice A est défini par :

det  A  = a11a22 a33  a12 a23a31  a13a21a32  a12a21a33  a11a23a32  a13a22a31

Exemple :
Calculons le déterminant des matrices suivantes :

2 3 2   1 0 5 
   
A   1 4 3  et B   2 4 3 
 1 1 1  1 2 7 
   
Ainsi,

2 3 2 2 3 2 2 3
det  A  1 4 3 1 4 3 1 4
1 1 1 1 1 1 1 1
=  2  4  1   3  3 1   2 1 1   3 1 1   2  3  1   2  4 1
=  8  9  2    3  6  8 
= 1 1  0

18
 1 0 5
det  B   2 4 3
1 2 7
1 0 5
  1 4  7    2  2  5   1 0  3    5  4  1   3  2  1   7  0  2  
2 4 3
  28  20  0    20  6  0 
 8  26  18

4. Déterminant d’une matrice d’ordre n

Définition 1 :

Soit A   ai j  une matrice carrée A d’ordre n . Soit M i j la sous matrice obtenue en


1i , j  n 
supprimant de la matrice A la i - ème ligne et la j - ème colonne. Le déterminant de la sous
matrice M i j d’ordre n  1 est appelé mineur de l’élément ai j de la matrice A . Il est noté
det  M i j  .

Exemple :

 1 2 4 
 
Calculons det  M11  , det  M12  , det  M13  et det  M 23  de la matrice A   0 1 3 
5 0 8 
 
1 3
det  M 11     8  1   0  3  8
0 8
0 3
det  M 12     8  0    5  3  15
5 8
0 1
det  M 13     0  0    5  1  5
5 0
1 2
det  M 23     0 1   5  2   10
5 0

Définition 2 :
Le cofacteur d’un élément ai j d’une matrice carrée A d’ordre n où n  2 , est égal au produit
 1
i j
par le mineur de cet élément.

19
Le cofacteur de l’élément ai j est noté Ai j . Ainsi, Ai j   1 det  M ij  .
i j

Exemple :

 1 2 4 
 
Calculons A11 , A12 , A13 et A23 de la matrice A   0 1 3 
5 0 8 
 

A11   1 det  M 11    1  8  8

11 2

A12   1 det  M 12    1  15  15

1 2 3

A13   1 det  M 13    1  5

1 3
5
4

A23   1 det  M 23    1  10  10

23 5

Définition 3 :

Soit A   ai j  une matrice carrée A d’ordre n . Le déterminant de la matrice A est égal


1i , j  n 
à la somme des produits obtenus en multipliant les éléments d’une ligne ou d’une colonne
quelconque par les cofacteurs respectifs.
Si nous développons le déterminant de la matrice A par rapport à la ligne i , avec 1  i  n ,
n
alors : det  A   ai j Ai j .
j 1

Si nous développons le déterminant de la matrice A par rapport à la colonne j , avec 1  j  n ,

n
alors : det  A   ai j Ai j .
i 1

Exemple :
 1 2 4 
 
Calculons le déterminant de la matrice A   0 1 3 
5 0 8 
 
Si nous développons le déterminant par rapport à la première ligne, nous obtenons :
n
det  A    ai j Ai j  1 A1 1  2  A1 2  4  A1 3
j 1

= 1  8    2 15    4  5 
=  8  30  20  2
Si nous développons le déterminant par rapport à la première colonne, nous obtenons :

20
 n 1 3 2 4 2 4
det  A    ai j Ai j  1  1  0   1  5   1
11 2 1 31

i 1 0 8 0 8 1 3
1 3 2 4
=  5
0 8 1 3
= (  8  0)  5  (6  4)
  8  10
2

Remarque :

Dans les matrices carrées d’ordre 3 ou d’ordre 4, les termes  1

i j
dans la définition des
   
    
 
cofacteurs Ai j peuvent être présentés comme suit :      et      .
      
   
   

Propriétés :

1. Le déterminant d’une matrice A  M n   est nul si :

- L’une des lignes ou des colonnes est nulle.
- Deux lignes ou deux colonnes sont égales ou proportionnelles.
- Une ligne ou une colonne est une combinaison linéaire des autres lignes ou colonnes.
2. Si nous permutons deux lignes (ou deux colonnes) de la matrice A  M n   , nous obtenons
une nouvelle matrice dont le déterminant est  det( A) .
3. Les déterminants d’une matrice A  M n   et de sa transposée At sont égaux.
4. Si la matrice A  M n   est triangulaire inférieure ou supérieure, alors det  A est égal au
produit des éléments de sa diagonale.
5. Soit B la matrice obtenue à partir de la multiplication de la matrice A par un scalaire  
, alors det  B    det  A .
6. Le déterminant du produit de deux matrices est égal au produit des déterminants des deux
matrices.
Exemple :

1 0 2
 
1. Soit A   3 4 0  .
4 0 8
 
det  A  0 car les lignes 1 et 3 sont proportionnelles  L3  4L1  .
 7 10 0 
 
2. Soit A   25 5 0  .
 12 3 0 
 

21
 det  A  0 car la colonne 3 est nulle.
 7 8 12 
 
3. Soit A   9 0 2  .
 1 4 5 
 
det  A  0 car L1  L2  2L3 .
2 4 0 0 4 2
   
4. Soient A   1 8 3  et B   3 8 1  .
0 5 7  7 5 0
  
det  B    det  A car C1  B   C3  A , C3  B   C1  A

 5 7 10 
 
5. Soit A   0 6 8  .
 0 0 2 
 
det  A  5  6  2  60
 2 3  2 1 
6. Soient A    et B   .
 1 5  4 4 
det  AB   det  A  det  B   7   4   28

V. Matrice inversible

1. Définition

Une matrice A  M n   est dite inversible ou régulière s’il existe une matrice unique
B  Mn   telle que : AB  BA  I n .
B sera noté A1  M n   . Ainsi la matrice A1 est la matrice inverse de la matrice A .

Si la matrice B n’existe pas alors la matrice A est dite singulière ou non inversible.
2. Propriétés

Si la matrice A  M n   est inversible, alors :

A1 est inversible et  A1   A
1
-
At est inversible et  At    A1 
1 t
-
-   *
,   A est inversible et   A1  1 A1

Si les matrices A et B sont inversibles, alors AB est inversible et on a :  AB   B 1 A1
1
-

22
Exemple :

1 2  7 2 
1- Soient : A    et B   
3 7  3 1 

1 0
On a : AB  BA   1
 , alors la matrice A est inversible et A  B
0 1

2- La matrice identité I n est inversible et I n 1  I n

1 0 a b
3- La matrice A    n’est pas inversible, car pour toute matrice B    , on a :
0 0 c d
a b 1 0
AB    
 0 0 0 1

3. Calcul de l’inverse d’une matrice carré

Il existe de nombreuses méthodes qui permettent de calculer l’inverse d’une matrice à savoir :
la méthode de Gauss-Jordan, la méthode des cofacteurs ainsi que d’autres.

3.1 Méthode de Gauss-Jordan

Définition :
Soit A une matrice carrée d’ordre n .
La méthode de Gauss-Jordan consiste à appliquer une suite d’opérations élémentaires en lignes
sur la matrice augmentée  A I n   M  n,2n   afin d’obtenir, si c’est possible, une matrice

 
équivalente en lignes de la forme I n A1  M  n,2 n  .
Si au bout d’un certain nombre d’opérations élémentaires, on voit apparaître à la place de la
matrice𝐴, une matrice avec une ligne nulle, alors la matrice A est non inversible.
Opérations élémentaires :
On appelle opérations élémentaires sur les lignes d’une matrice les opérations :

- Echange de deux lignes.

- Multiplication d’une ligne par un scalaire non nul.
- Addition de la j ème ligne multipliée par un scalaire à la i ème ligne.

23
Exemple :

 1 0 2 
 
1. Pour déterminer l’inverse de la matrice A   4 2 1   M 3   effectuons sur la
 1 2 10 
 
1 0 2 1 0 0 
 
matrice  4 2 1 0 1 0   M 3,6   une suite d’opérations élémentaires en lignes :
1 2 10 0 0 1 


 1 0 2 1 0 0  L1  1 0 2 1 0 0 
   
 4 2 1 0 1 0  L2  L2  4 L1  0 2 9 4 1 0 
 1 2 10 0 0 1  L3  L3  L1  0 2 8 1 0 1 
   

L1 1 0 2 1 00
 1 0 2 1 0 0   
  1 0 1 9 1
 0 2 9 4 1 0  L2  L2 2 0
2  2 2 
 0 2 8 1 0 1  0 0
  L3  L3  L2  1 5 1 1 

1 0 2 1 0 0 L1  L1  2 L3  9 2 2
  1 0 0 
0 1 9 1 9  0 1 0 41 4 9
2 0 L2  L2  L3
 2 2  2  2 2
0 0 1 5 1 1  L3  L3  0 0 1 5 1 1 
 

 9 2 2 
 
 41 9 1 1
et on vérifie facilement que A A  AA  I3 .
1
Ainsi, la matrice A  4
 2 2
 5 1 1 
 

 1 2 1 
 
2. Pour déterminer l’inverse de la matrice B   2 1 5   M 3   effectuons sur la
1 1 4
 
 1 2 1 1 0 0 
 
matrice  2 1 5 0 1 0   M 3,6   une suite d’opérations élémentaires en lignes :
1 1 4 0 0 1
 

24
 1 2 1 1 0 0  L1  1 2 1 1 0 0 
   
 2 1 5 0 1 0  L2  L2  2 L1  0 3 3 2 1 0 
1 1 4 0 0 1 L3  L3  L1  0 3 3 1 0 1 
   
L1  L1  2 L2  1 2 3 0 
 1 2 1 1 0 0  3 1 0 3 3 
  L  0 1 1 2 1 0
 0 3 3 2 1 0  L2  2
3  3 3 
 0 3 3 1 0 1  0 0 0 1
  L3  L3  L2  1 1 
 
On constate qu’à la place de la matrice B , on a une matrice avec une ligne identiquement nulle
 L3  . Alors, la matrice B est non inversible.
3.2 Méthode des cofacteurs
Définition :

Soit A  M n   et C  A la comatrice de A , c’est-à-dire la matrice obtenue de A en

remplaçant chaque élément par son cofacteur. Si la matrice A est inversible (c’est-à-dire
1 t
1
det( A)  0 ), alors : A  C  A
det  A

Exemple 1 :
 4 1
Soit A   
 2 3
 Calcul du déterminant de la matrice A :

4 1
det  A    3  4    2 1  12  2  10  0 .
2 3

det  A  0 , alors A est inversible.

 La comatrice de la matrice A :

 3 2   3 2 
C  A    
 1 4   1 4 
 La transposée de la comatrice de la matrice A :

 3 1
t
C  A   
 2 4 
 L’inverse de la matrice A :

1 t 1  3 1
A 1  C  A   
det  A 10  2 4 

25
Exemple 2 :

 1 2 1 
 
Soit A   3 0 4 
0 4 1
 
 Calcul du déterminant de la matrice A :

1 2 1
2 1 1 1 1 2
det  A   3 0 4  0  4  1
0 4 3 4 3 0
0 4 1
 4  4  3    0  6 
46  2

det  A  0 , alors A est inversible.

 La comatrice de la matrice A :

 0 4 3 4 3 0 
   
 4 1 0 1 0 4 
 2   0  16    3  0  12  0    16 3 12 
1 2  
     2  4  1  0    4  0     6 
1 1 1
C  A       1 4 
 4 1 0 1 0 4     
    8  0    4  3  0  6    8 1 6 
  2 1

1 1

1 2 
 0 3 0 
 4 3 4

 La transposée de la comatrice de la matrice A :

 16 6 8 
 
t
C  A   3 1 1 
 12 4 6 
 
 L’inverse de la matrice A :

 8 3 4 
 16 6 8   
1 t 1   3 1 1 
1
A  C  A   3 1 1  
det  A 2   2 2 2 
 12 4 6   6 2 3 
 
VI. Rang d’une matrice
Définition :
Soit A  M ( n, p )   . Le rang de la matrice A , noté rg  A , est égal au nombre de colonnes de
A linéairement indépendantes.

26
Proposition :

Le rang de la matrice A  M ( n, p )   est l’ordre du plus grand mineur non nul de A . Autrement
dit, le rang de la matrice A est l’ordre de la plus grande sous-matrice carrée inversible extraite
de la matrice A .

Le rg  A  Min n, p .

Propriétés :
- Le rang d’une matrice nulle est égal à 0.
- rg  A  rg ( At )
- Une matrice carrée est inversible si et seulement si son rang est égal à son ordre.
- Le rang d’une matrice ne se modifie pas lorsque :
- Des lignes (ou des colonnes) sont permutées ;
- Une ligne (ou une colonne) est multipliée par un réel non nul ;
- On remplace une ligne (ou une colonne) par une combinaison linéaire de cette ligne
(colonne) ou les autres lignes (colonnes).
- Le rang d’une matrice diagonale est égal au nombre de ses éléments diagonaux non nuls.
Exemple :
Soient les matrices suivantes :

 1 4 5  4 6
 3 4    
A =  ; B =  2 2 1 ; C   2 3 
 2 3  1 6 4   2 3
   
 Le rang de la matrice A :

On a Min(2, 2)  2

Alors, 1  rg(A)  2

A est une matrice carrée d’ordre 2.

3 4
Ainsi, det  A  =   3  3   2  4   9  8  1
2 3

Le det( A)  0 , alors le rg ( A)  2

 Le rang de la matrice B :

On a Min(3,3)  3

Alors, 1  rg(B)  3

B est une matrice carrée d’ordre 3.

27
 1 4 5
2 1 2 1 2 2
det( B)  2 2 1  1  4  5
6 4 1 4 1 6
1 6 4
Ainsi,   8  6   4  8  1  5  12  2 
14  36  50  0

Le det( B)  0 , alors rg ( B)  3

Donc, 1  rg(B) 3

 1 4
Soit B1    la matrice carrée d’ordre 2 extraite de B .
 2 2 
1 4
Ainsi, det  B1  =  1 2    2  4   10 .
2 2

Le det B1  0 , alors rg  B   2 .

 Le rang de la matrice C :

On a Min(3, 2)  2

Alors, 1  rg(C)  2

Toutes les matrices carrées extraites de C ont un déterminant nul.

4 6 4 6 2 3
0 ; 0 ; 0
2 3 2 3 2 3

Par conséquent, le rg  C   1 .

VII. Systèmes linéaires

1. Généralité

1.1 Définition d’un système linéaire

Définition:
On appelle système linéaire à n équations et p inconnues tout système d’équations qui s’écrit
a11 x1  a12 x2   a1 p x p  b1

sous la forme suivante :  S  
a x  a x   anp x p  bn
 n1 1 n2 2

- Les nombres aij  sont les coefficients du système.

- Les seconds membres bi sont des éléments de .

28
- Résoudre le système  S  , c’est déterminer l’ensemble de p -uplet  x1 ,...., x p  qui vérifient
les n équations.
- Le système est dit compatible s’il admet au moins une solution.
- Le système est dit impossible ou incompatible s’il n’admet pas de solution.
- Le système  S  est dit homogène si b1   bn  0 .
- Deux systèmes sont équivalents s’ils ont le même ensemble de solutions.

Exemple :
Soit le système linéaire suivant :

 x1  2 x2  4 x3  5 x4  10
S  : 
 x1  3 x2  2 x3  4 x4  12
  x  4 x  x  x  20
 1 2 3 4

 S  est un système linéaire de 3 équations et 4 inconnues.

1.2 Ecriture matricielle du système linéaire

Définition:

Le système linéaire  S  peut s’écrire sous la forme matricielle suivante : AX  B

 a11 a12 a1 p   x1   b1 
     
Où A    , X    et B   
 an1 anp  x  b 
 an 2  p  n

 a11 a12 a1 p   x1   b1 
    
Ainsi,     = 
 an1 an 2
 anp   x p   bn 

Exemple :
Soit le système linéaire suivant :

 x1  x2  x3  4 x4  2
S  : 
 4 x2  x3  5 x4  3
 3x  2 x  7 x  6
 1 3 4

L’écriture matricielle du système est :

 x1 
1 1 1 4     2 
   x2   
 0 4 1 5  x    3
3 0 2 7   3   6 

 x4 

29
1.3 Rang d’un système linéaire

Définition:
Le rang d’un système est égal au rang de sa matrice A .
Exemple :
Soit le système linéaire suivant :

 x1  x2 +x3  3
 S  :  2 x2  x3  1
 2x  3x  4
 1 3

La matrice A du système est :

 1 1 1 
 
A   0 2 1
2 0 3 
 
Le déterminant de la matrice A :
1 1 1
2 1 1 1 1 1
det  A   0 2 1  1  0  2
0 3 0 3 2 1
2 0 3
=  6  0  +2 1  2 
= 40

Le det  A  0 , alors le rg  A  3 .

Par conséquent, le rg  S   3 .

1.4 Système de Cramer

Définition :
On appelle système de Cramer tout système linéaire dont la matrice A est carrée et inversible.
Théorème :
Un système carré à n équations linéaires et à n inconnues est de Cramer si et seulement si son
rang est égal à n .
Un système de Cramer admet une et une seule solution.
Un système de Cramer homogène admet une et une seule solution à savoir la solution nulle.
Exemple :
Soit le système linéaire suivant :

30
  x1  x2  2 x3  5
S  : 
 2 x2  x3  2
 2x  3 x  3
 1 2

On a : n  p  3

Calculons le rang de  S  :

1 1 2
2 1 1 2 1 2
det  A  0 2 1  1  0  2
3 0 3 0 2 1
2 3 0
  0  3  2 1  4   13

Le det  A  0 , alors le rang  S   3 .

Puisque n  p  rang  S   3 , le système est de Cramer.

2. Résolution d’un système linéaire

2.1 Résolution par l’inversion de la matrice du système

Définition :

Soit  S  un système linéaire de n équations à n inconnues.

a11 x1  a12 x2   a1n xn  b1

 S  
a x  a x   ann xn  bn
 n1 1 n 2 2

Le système  S  peut s’écrire sous la forme matricielle : AX  B

Le système  S  admet une unique solution si et seulement si det A  0 .

L’unique solution est donnée par : X  A1B

Proposition :

Soit  S  un système linéaire homogène de n équations à n inconnues.

- Si le det A  0 , alors le système admet une et une seule solution à savoir la solution nulle
 0,0.....,0 .
- Si le det A  0 , alors le système admet une infinité de solutions.

Exemple :
1. Résolvons le système linéaire suivant :

31
  x  2 y  3 z  3
S  : 
x  y  z 1
  yz 5


Le système  S  peut s’écrire sous la forme matricielle suivante : AX  B

1 2 3   x  3 
     
Où A   1 1 1  X=  y  B = 1 
 0 1 1 z 5
     
Vérifions d’abord si la matrice A est inversible ou non.

1 2 3
1 1 2 3 2 3
det A  1 1 1 1 1 0
1 1 1 1 1 1
0 1 1
  1  1   2  3  1  0

Puisque le det A  0 , A est inversible.

Par conséquent, X  A1B
Calculons par la suite A1 :
1 t
A1  C  A
det( A)

 1 1 1 1 1 1 
   
 1 1 0 1 0 1 
 2  0 1 1
2  
  1 1 1 
3 1 3 1
C  A     
 1 1 0 1 0 1   

   1 2 1 
 2 3

1 3

1 2 
 1 1 
 1 1 1 1

 0 1 1  0 1 1 
1 t    
1
A  C  A  1  1 1 2    1 1 2 
det( A)  1 1 1  1 1 1 
   
Enfin, calculons X  A1B :

 x   0 1 1  3   0  1  5   6 
        
 y    1 1 2  1    3  1  10    6 
 z   1 1 1  5   3  1  5   1 
        
Ainsi, x  6, y  6 et z  1 .

32
D’où, l’ensemble des solutions est l’ensemble : S   6, 6,1 .

2. Résolvons le système linéaire suivant :

 x  2 y  3z  0
S  : 
2 x  3 y  z  0
3 x  y  2 z  0


Le système  S  peut s’écrire sous la forme matricielle suivante : AX  B

1 2 3  x  0
     
Où A   2 3 1  X=  y  B = 0
 3 1 2 z  0
     
Vérifions d’abord si la matrice A est inversible ou non.

1 2 3
3 1 2 1 2 3
det A  2 3 1  1 2 3
1 2 3 2 3 1
3 1 2
  6  1  2  4  3  3  2  9 
 5  2  21  18

Puisque le det A  0 , A est inversible.

Par conséquent, X  A1B

0 0
   
X  A1  0    0 
0 0
   
Ainsi, x  0, y  0 et z  0 .

D’où, l’ensemble des solution est l’ensemble : S   0,0,0  .

2.2 Résolution par la règle de Cramer

Définition :
Soit S un système linéaire de n équations à n inconnues.

a11 x1  a12 x2   a1n xn  b1

S 

a x  a x   ann xn  bn
 n1 1 n2 2

Le système  S  peut s’écrire sous la forme matricielle : AX  B

Le système  S  admet une unique solution si et seulement si det A  0 .

33
L’unique solution est donnée par :
b1 a12 a1n a11 b1 a1n a11 a12 b1

bn an 2 ann an1 bn ann an1 an 2 bn

x1  , x2  et xn 
det  A  det  A  det  A 

Exemple :
1. Résolvons le système linéaire suivant :

 x  4 y  5z  1

 S  : x  3 y  4z  2
3 x  7 y  9 z  4

Calculons d’abord le déterminant de la matrice A :

1 4 5
3 4 1 4 1 3
det A  1 3 4  1 4 5
7 9 3 9 3 7
3 7 9
  27  28   4  9  12   5  7  9 
  1  12  10  1

Puisque le det A  0 , le système  S  admet une solution unique donnée par :

1 4 5
2 3 4 3 4 2 4 2 3
1 4 5
4 7 9 7 9 4 9 4 7
x   1  136  130  5
det  A 1

1 1 5
1 2 4 2 4 1 4 1 2
1 1 5
3 4 9 4 9 3 9 3 4
y   34  3  50  19
det  A 1

1 4 1
1 3 2 3 2 1 2 1 3
1 4 1
3 7 4 7 4 3 4 3 7
z   26  40  2  16
det  A 1

D’où, l’ensemble des solution est l’ensemble : S   5, 19,16  .  

34
2. Résolvons le système linéaire suivant :

 x  3 y 0

 S  : 2 x  4 y  z  0
 3 y +z  0

Calculons d’abord le déterminant de la matrice A :

1 3 0
4 1 2 1 2 4
det A  2 4 1  1 3 0
3 1 0 1 0 3
0 3 1
 1  6  5

Puisque le det A  0 , le système  S  admet une solution unique donnée par :

0 3 0 1 0 0 1 3 0
0 4 1 2 0 1 2 4 0
0 3 1 0 0 0 1 0 0 3 0 0
x  0 ; y  0 : z  0
det  A 5 det A  5 det  A 5


D’où, l’ensemble des solution est l’ensemble : S   0,0,0  . 

2.3 Résolution par la méthode du pivot de Gauss

Définition :
La méthode du pivot de Gauss consiste à effectuer des opérations élémentaires sur les lignes
d’un système quelconque afin de le transformer à un système échelonné équivalent.
Les opérations élémentaires utilisées sont :
- Echange de deux lignes.
- Multiplication d’une ligne par un scalaire non nul.
- Addition de la j ème ligne multipliée par un scalaire à la i ème ligne.

Exemple :
1. Soit le système linéaire suivant :

 4 x  y  2 z  3
 S : 
3 x  y  4 z  2
 x  y  z  5


Pour résoudre le système  S  , on applique la méthode du pivot de Gauss :

35
 4 x  y  2 z  3
 S  : 3x  y  4 z  2
 x  y  z  5

4 x  y  2 z  3 L1

  7 y  22 z  1 L2  3L1  4 L2
 5y  2 z  17 L3  L1  4 L3


4 x  y  2 z  3 L1

  7 y  22 z  1 L2
  124 z  124 L3  5 L2  7 L3

4 x  y  2 z  3

  7 y  22 z  1
 z 1


 4 x  y  1

  y 3
 z 1

 x  1

 y  3
z  1


D’où, l’ensemble des solution est l’ensemble: S   1,3,1 .

2. Soit le système linéaire suivant :

 x  3 y  2 z  1
 S  : 2 x  4 y  5 z  4
 x  7 y  3z  2


Pour résoudre le système  S  , on applique la méthode du pivot de Gauss :

 x  3 y  2 z 1
 S : 
2 x  4 y  5 z 4
 x  7 y  3z  2

 x  3 y  2 z 1 L1

 10 y  z 6 L2  L2  2 L1
 10 y  z  1 L3  L3  L1

 x  3 y  2 z 1

 10 y  z 6
 7
 0z

36
D’où, l’ensemble des solution est l’ensemble vide : S   .
3. Soit le système linéaire suivant :

2 x  y  z  4
 S : 
 x  2 y  z  1
 x  8 y  5 z  11


Pour résoudre le système  S  , on applique la méthode du pivot de Gauss :

2 x  y  z  4
 S  :  x  2 y  z  1
 x  8 y  5 z  11

2 x  y  z  4 L1

   5 y  3z  6 L2  L1  2 L2
 15y  9 z  18 L3  L1  2 L3


2 x  y  z  4

   5 y  3z  6
 0z  0


D’où, le système  S  admet une infinité de solutions

Ainsi, l’ensemble des solutions est S  3

.

37
 Chapitre II: Espaces vectoriels réels

I. Espace vectoriel

1. Définition d’un espace vectoriel

Soit E un ensemble muni d’une loi de composition interne noté  et d’une loi de composition
externe à opérateur dans . On dit que E est un espace vectoriel sur s’il vérifie les
propriétés suivantes :

 Addition :
-  x  y  z  x   y  z ,  x, y, z  E
- x y  yx ,  x, y  E
- Il existe un élément de E noté 0 E , ou plus simplement 0, dit neutre, tel que
 x  E : x  0E  x
- Pour tout x  E , il existe un élément de E noté   x  , dit opposé de x , tel que : x    x   0E
Ces propriétés font de  E ,   un groupe commutatif.

 Multiplication externe :
-    x  =    x
-      x = x   x
-   x  y  = x   y
- 1.x  x
,  ,   , x  E
,  ,   , x  E
,    , x, y  E
, x  E

Remarque :

- Les éléments de E sont appelés vecteurs et ceux de des scalaires.

- Tout espace vectoriel contient au moins le vecteur nul et n’est donc pas vide.

2. Propriétés

Pour tout  ,   et pour tout x, y  E , on a :

-  x  0E   = 0 ou x  0E
-   x  y  x   y
-     x   x   x
-     x    x
Exemple 1:

L’ensemble 2
muni des lois suivantes est un espace vectoriel sur :

38
- Définition de la loi interne : Si  x, y  et  x ', y ' sont deux éléments de 2
, alors
 x, y    x ', y '   x  x ', y  y '
- Définition de la loi externe : Si  x, y  et  x ', y ' sont deux éléments de 2
et   , alors
  x, y     x,  y  .

Exemple 2:

L’ensemble Pn  X  des polynômes de degré inférieur ou égal à n additionné du polynôme nul

est un espace vectoriel sur pour les lois :

- Définition de la loi interne : Si  a0  a1 x   an x n  et  b0  b1 x   bn x n  sont deux

éléments de Pn  X  , alors :

a 0  a1 x   an x n    b0  b1 x   bn x n    a0  b0    a1  b1  x    an  bn  x n
- Définition de la loi externe : Si  a0  a1 x   an x n  et  b0  b1 x   bn x n  sont deux

éléments de Pn  X  et   , alors :   a0  a1 x   an x n     a0   a1 x    an x n 

II. Sous-espaces vectoriels

1. Définition d’un sous-espace vectoriel

Définition 1:
Soit E un espace vectoriel et F une partie non vide de E . On dit que F est un sous-espace
vectoriel de E si et seulement si les conditions suivantes sont satisfaites :

1. 0E  F . Autrement dit, F est non vide.

2. Pour tout x, y  F , on a x  y  F . Autrement dit, F est stable par addition.
3. Pour tout   et x  F , on a  x  F . Autrement dit, F est stable par multiplication
par scalaire.

Définition 2:

Soit F une partie d’un espace vectoriel  E , ,. . L’ensemble F est un sous-espace vectoriel
de E si et seulement si les deux conditions suivantes sont satisfaites :

1. 0E  F . Autrement dit, F est non vide.

2. Pour tout   et x, y  F , on a  x  y  F . Autrement dit, F est stable par combinaison
linéaire.

Exemple :

1. L’ensemble F1   x, y   2
/ x  2 y  0 est un sous-espace vectoriel de 2
. En effet,

39
- Le vecteur nul  0,0   F1 , car 0  2  0  0 .
- Soient  x, y  et  x ', y ' deux éléments de l’ensemble F1 .
On a alors x  2 y  0 et x ' 2 y '  0 .
Donc  x  x '  2  y  y '  0 .
Ainsi  x  x ', y  y '  F1 .
- Soit  x, y   F et   .
On a alors x  2 y  0 .
Donc  x  2 y  0 .
Ainsi   x,  y   F1 .
2. L’ensemble F2   x, y, z   3
/ x  3 y  z  2 n’est pas un sous-espace vectoriel de 3

car le vecteur nul  0,0,0  n’appartient pas à F2 .

3. L’ensemble F3   x, y, z   3
/ xy  0 n’est pas un sous-espace vectoriel de 3
car les
deux vecteurs 1,0,0  et  0,1,0  appartiennent à F3 , mais leur somme
1,0,0   0,1,0  1,1,0  ne lui appartient pas .

2. L’intersection de sous-espaces vectoriels

Théorème :

L’intersection de deux sous-espaces vectoriels d’un espace vectoriel E est un sous espace
vectoriel de E .

Exemple :
3
Soit dans les sous-espaces F et G définis par :

F   x, y, z   3
/ x  y  z  0 et G   x, y, z   3
/ 3x  z  0

L’ensemble F  G   x, y, z   3
/ x  y  z  0 et 3x  z  0 est un sous-espace vectoriel de
3
.

Remarque :
La réunion de deux sous-espaces vectoriels n’est pas en général un sous-espace vectoriel.

Exemple :
3
Soit dans les sous-espaces vectoriels F et G définis par :

F   x, y, z   3
/ x  0 et G   x, y, z   3
/ z  0

40
L’ensemble F  G   x, y, z   3
/ x  0 ou z  0 n’est pas un sous-vectoriel car les deux
vecteurs  0, 2,1 et  3, 4,0  appartiennent à F  G , mais leur somme

 0, 2,1  3, 4,0  3,6,1 ne lui appartient pas.

3. La somme de sous-espaces vectoriels

Définition 1 :

Soient E1 et E2 deux sous-espaces vectoriels de E . On appelle somme de E1 et de E2 , et on

note E1  E2 , l’ensemble des vecteurs du type x1  x2 où x1  E1 et x2  E2 .

Ainsi, x  E1  E2 si et seulement s’il existe au moins x1  E1 et x2  E2 tel que : x  x1  x2

La décomposition de x n’est pas unique.

Exemple :
3
Soient F et G deux espaces vectoriels de donnés par :

F   x, y, z   3
/ x  0 et G   x, y, z   3
/ y  0

On remarque que  x, y, z   F  G . En effet,

F G

 x, y, z    0, y, z    x, 0, 0 
On peut écrire également :
F G

 x, y, z    0, y, 0    x, 0, z 
On constate alors, qu’un élément de 3 ne peut pas s’écrire d’une façon unique comme la
somme d’un élément de F et d’un élément de G .

Définition 2:

Soient E1 et E2 deux sous-espaces vectoriels de E . Quand tout vecteur x de E s’écrit de façon

unique, sous la forme x  x1  x2 avec x1  E1 et x2  E2 , on dit que E est la somme directe de
E1 et de E2 , et on note E  E1  E2

Théorème :

On dit que E1 et E2 sont supplémentaires dans E ou encore que E est la somme directe de
E1 et de E2 si les deux conditions suivantes sont vérifiées :

1. E  E1  E2

41
2. E1  E2  0E 

Exemple :

Soit E  C ( ) l’espace vectoriel des fonctions continues de dans .

Soient E1 le sous-espace vectoriel de E des fonctions paires et E2 le sous-espace vectoriel de

E des fonctions impaires.

Pour montre que E1 et E2 sont en somme directe ( E  E1  E2 ), il suffit en effet de vérifier

que E1  E2  0E  et que E  E1  E2 .

1. Montrons d’abord que E1  E2  0E  :

Si une fonction appartient à E1  E2 , alors elle est à la fois paire et impaire, c’est-à-dire
f   x   f ( x) et f   x    f ( x) .

La seule fonction à la fois paire et impaire est la fonction nulle. Donc E1  E2  0E  .

2. Montrons ensuite que E  E1  E2 :

Il s’agit de vérifier que toute fonction qui appartient à E peut s’écrire comme la somme d’une
fonction paire et d’une fonction impaire.

Si f  f1  f 2 avec f1  E1 et f 2  E2 , alors pour tout x  , on a :

f ( x)  f1 ( x)  f 2 ( x) (1)

f ( x)  f1 ( x)  f 2 ( x)
Et
f ( x)  f1 ( x)  f 2 ( x) (2)

Par somme et différence de (1) et (2) on obtient :

f ( x)  f (  x) f ( x)  f (  x)
f1 ( x)  et f 2 ( x) 
2 2

f ( x)  f (  x) f ( x)  f (  x)
Alors pout tout x  , f ( x)    f1 ( x)  f 2 ( x) avec f1  E1 et
2 2
f 2  E2 .

Ainsi, E  E1  E2 .

En résumé, E1 et E2 sont en somme direct dans E : E  E1  E2

42
III. Combinaison linéaire et famille génératrice

1. Combinaison linéaire

Définition :

Soient u1 , u2 , u3 ,....., un des vecteurs de l’espace vectoriel E . On appelle combinaison linéaire

de ces vecteurs, tout vecteur u de E qui peut s’écrire sous la forme :
u  1u1  2u2  3u3  .....  nun avec 1 , 2 , 3 ,....., n des scalaires.

Exemple :

1. Soient u  (1,1), v  (0, 2) et w  (1,5) des vecteurs de 2

.

Le vecteur w est une combinaison linéaire de u et v car on a w  u  2v .

2. Soient u  (1,1, 2), v  (0,3, 2) et w  (3, 3, 2) des vecteurs de 3

.

Le vecteur w est une combinaison linéaire de u et v car on a w  3u  2v .

2. Système générateur

Définition 1 :
Soit E un espace vectoriel.

- On dit qu’un système de vecteurs u1 , u2 ,..., un  est un système générateur de E si tout
vecteur u de E est une combinaison linéaire des vecteurs u1 , u2 ,..., un . On a ainsi
n
u   i ui .
i 1

- On dit aussi que le système u1 , u2 ,..., un  engendre E ou que E est engendré par le
système u1 , u2 ,..., un  .
- Le système u1 , u2 ,..., un  s’appelle également une famille génératrice de E .
- On note E  Vect (u1 , u2, ....., un ) ou E  u1 , u2, ....., un .

Remarque :
Pour montrer qu’un ensemble E est un espace vectoriel, il suffit de montrer qu’il est défini
comme étant un sous-espace vectoriel engendré par une partie de vecteurs.
Exemple :

43
1. 2
est engendré par le système  3,1 , 1, 1 , car tout vecteur  x, y  de 2
s’écrit comme
une combinaison linéaire de  3,1 et 1, 1 . En effet,
 x, y   1  3,1  2 1, 1   x, y    31 , 1    2 , 2 
3  2  x
  1
1  2  y
31  2  x
 
 41  x  y
31  2  x

  x y
 1 
4
 x  3y
2  4
 
  x  y
 1 4
 x y  x  3y 
Ainsi,  x, y      3,1    1, 1 .
 4   4 
2. L’ensemble E   x, y   2
/ x  2 y  0 est un sous-espace vectoriel de 2
engendré par
le système  2,1 car tout vecteur de E s’écrit comme une combinaison linéaire du vecteur
 2,1 . En effet,
E   x, y   2 / x  2 y  0
E   x, y   2 / x  2 y
E   2 y, y  : y  
E   y  2,1 : y  
E  Vect   2,1 
3. L’ensemble F   x, y, z   3 / x  2 z  0 est un sous-espace vectoriel de 3 engendré
par le système  0,1,0  ,  2,0,1 car tout vecteur de F s’écrit comme une combinaison
linéaire des vecteurs  0,1,0  et  2,0,1 . En effet,
F   x, y, z   3 / x  2 z  0
F   x, y, z   3 / x  2 z
F   2 z , y, z  : y, z  
F   y  0,1, 0   z  2, 0,1 : y, z  
F  Vect  0,1, 0  ,  2, 0,1

44
3. Système libre-Système lié

Définition :

- On dit que les vecteurs u1 , u2 , u3 ,..., un d’un espace vectoriel E sont linéairement
indépendants ou le système u1 , u2 , u3 ,..., un  est un système libre si et seulement si
1u1  2u2   nun  0E  1  2   n  0 .
- On dit que les vecteurs u1 , u2 , u3 ,..., un d’un espace vectoriel E sont linéairement
dépendants ou le système u1 , u2 , u3 ,..., un  est un système lié si et seulement s’il existe n
réels non tous nuls 1 , 2 ,..., n tels que 1u1  2u2   nun  0E .

Proposition :

- u est un système libre  u  0E

- Le vecteur 0 E n’appartient à aucun système libre.
- Tout sous-système d’un système libre est libre.
- Tout système contenant un système lié est lié.
- Tout système u1 , u2 ,..., un  dont l’un des vecteurs ui est nul est lié.

Remarque :

Pour montrer qu’un système S  u1 , u2 ,..., un  est libre ou lié, on considère d’abord que
1u1  2u2   nun  0E , ensuite, on résout le système dont les inconnus sont 1 , 2 ,...., n .

- Si le système admet une solution unique  1  2  ....  n  0 alors le système est libre.
- Si le système admet une infinité de solutions, alors le système est lié.

Exemple :
1. Dans 3
, les vecteurs (2, 1, 4),(4,1,8),(3, 4,8) sont libres (ou linéairement indépendants).
en effet :
On a 1 (2, 1, 4)  2 (4,1,8)  3 (3, 4,8)  (0,0,0)
 (21 , 1 , 41 )  (42 , 2 ,82 )  (33 , 43 ,83 )  (0, 0, 0)
21  42  33  0 L1

 1  2  43  0 L2
4  8  8  0
 1 2 3 L3
21  42  33  0 L1

 62  113  0 L2  L1  2 L2
 23  0 L3  L3  2 L1


45
 21  42  33  0 21  42  0 1  0
  
 62  113  0  62  0   2  0
 3  0  3  0  0
   3
Donc, 1  2  3  0

3
2. Dans , les vecteurs (1, 2,3),(2,1,3),(1,0,1) sont liés (ou linéairement dépendants). En
effet :
On a 1 (1, 2,3)  2 (2,1,3)  3 (1,0,1)  (0,0,0)

 (1 , 21 ,31 )  (22 , 2 ,32 )  (3 , 0, 3 )  (0, 0, 0)

1  22  3 0 L1

 21  2 0 L2
3  3   0
 1 2 3 L3
1  22  3 0 L1

 21  2 0 L2
2   0 L3  L3  L1
 1 2
1  22  3 0 L1

 21  2 0 L2
 02 0 L3  L2  L3

Alors le système admet une infinité de solution.

IV. Rang et ordre d’un système de vecteurs

Définition :

- L’ordre d’un système est le nombre de vecteurs de ce système. On le note Ordre  S  .

- Le rang d’un système est égal au plus grand nombre de vecteurs linéairement indépendants
que l’on peut extraire de ce système. On le note rang  S  ou rg  S  .

Exemple :

Soit le système de vecteurs suivant : S  u1 , u2 , u3 , u4 

u1  (1, 2,3), u2  (2,0, 2), u3  (1,1,1) et u4  (5,3,7)

L’ordre de S est égal à 4 et 1  rang  S   4 .

Les vecteurs u1 , u2 , u3 et u4 sont liés (linéairement dépendants) car u4  2u1  u2  u3

46
Donc, 1  rang  S   3 .

Les vecteurs u1 , u2 et u3 sont libres (linéairement indépendants). En effet,

On a 1 (1, 2,3)  2 (2,0, 2)  3 (1,1,1)  (0,0,0)

 (1 , 21 ,31 )  (22 , 0, 22 )  ( 3 , 3 , 3 )  (0, 0, 0)

1  22  3  0 L1

 21  3 0 L2
3  2    0
 1 2 3 L3
1  22  3  0 L1

 21  3 0 L2
2  2 0 L3  L3  L1
 1 3

1  22  3  0 L1

 21  3 0 L2
 3 0 L3  L3  L2

2  0

 1  0
 0
 3

Donc, 1  2  3  0 .
Alors, rang  S   3

V. Base et dimension d’un espace vectoriel

1. Base d’un espace vectoriel

Définition :

On dit qu’un système B   u1 , u2, ....., un  est une base de E si et seulement si il est libre et
générateur de E .
Proposition :

Un système B   u1 , u2, ....., un  est une base de E si pour tout vecteur u de E s’écrit d’une
façon unique comme combinaison linéaire de u1 , u2, ....., un :

u  1u1  2u2  3u3  .....  nun

Les scalaires 1 , 2, ....., n sont appelés les coordonnées du vecteur u dans la base
 u1 , u2 ,....., un  .
Exemple 1 :

47
1- Soient e1  1, 0, 0  , e2   0,1, 0  , e3   0, 0,1 des vecteurs de 3
.

Le système B   e1 , e2 , e3  est une base 3

qu’on appelle base canonique de 3
.

2- Soient e1  1, 0, 0,..., 0  , e2   0,1, 0,..., 0  , e3   0, 0,1,..., 0  ,......, en   0, 0, 0,...,1 des

vecteurs de n .
Le système B   e1 , e2 , e3 ....., en  est une base n
qu’on appelle base canonique de n
.
3- Soient les monômes suivants : 1, x, x 2 ,...., x n
Le système B  1, x, x 2 ,...., x n  est une base des polynômes de degré inférieur ou égale à
n qu’on appelle base canonique ou base des monômes de Rn  X  .

Exemple 2 :

Soit F   x, y, z   3
/ x  2 y  z  0 un sous-espace vectoriel de 3
.

Déterminons la base de F .

On a : F   x, y, z   3
/ x  2 y  z  0

F   x, y, z   3
/ z  x  2 y
F   x, y, x  2 y  : x, y  
F   x 1, 0,1  y (0,1, 2) : x, y  
F  Vect  1, 0,1 , (0,1, 2) 

Ainsi, les vecteurs u1  1, 0,1 et u2   0,1, 2  forment un système générateur de F .

Montrons que ce système est libre.

On résout alors l’équation suivante : 1u1  2u2   0, 0, 0 

1u1  2u2  0  1 1, 0,1  2  0,1, 2    0, 0, 0 

  1, 0, 1   0, 2 , 22   0, 0, 0 

 1  0

  2  0
  2  0
 1 2

On trouve que ce système linéaire admet une seule solution : 1  2  0

Donc le système u1 , u2  est libre.

Puisque le système u1 , u2  est générateur de F et libre, il est une base de F .

2. Dimension d’un espace vectoriel

48
Définition 1 :
Soit E un espace vectoriel.
- On dit que E est un espace vectoriel est de dimension finie s’il possède un système
générateur fini.
- Dans le cas contraire, on dit que E est de dimension infinie.

Définition 2 :
La dimension d’un espace vectoriel de dimension finie est le nombre d’éléments d’une base de
E . On la note dim  E  .

Exemple :

- 2
est de dimension 2. On écrit dim 
  2. 2

- 3
est de dimension 3. On écrit dim    3 . 3

- Plus généralement, n
est de dimension n . On écrit dim  n
n.
- n  X  est de dimension n  1 . On écrit dim n  X   n 1 .
Théorème de la base incomplète :
Soit E un espace vectoriel sur , que l’on suppose de dimension finie. Soient F une partie
génératrice finie de E et G une partie libre de E , G  F . Il existe alors une base B de E
telle que : G  B  F .
Exemple :

Soit 4
muni de sa base canonique B  e1 , e2 , e3 , e4  et soit S une famille libre donnée par
S  v1 , v2  de où v1  1, 2, 0, 0  et v2   1,1, 0, 0  .
4

La famille complétée v1 , v2 , e3 , e4  est une base de 4

.

Théorème :
Soit F un sous-espace vectoriel de E de dimension finie.
- Alors, F est de dimension finie.
- dim  F   dim  E  .
- F  E  dim  F   dim  E  .

Théorème :
Soit E un espace vectoriel et soient F et G deux sous-espaces vectoriels de E . On a :

dim  F  G   dim  F   dim  G   dim  F  G 

En particulier, si F et G sont en somme directe, alors :

49
dim  F  G   dim  F   dim  G 

Exemple :
3
On considère les deux sous-espaces vectoriels de donnés par :

F   x, y, z   3
/ x  y  z  0 et G   2 y, y,  y  / y  
Montrons que les deux sous espaces vectoriels F et G sont en somme directe
(supplémentaires) dans 3 . C’est-à-dire 3  F  G .
Montrons alors que :

dim  F   dim  G   dim  3




 F  G  0 3 


On a :

F   x, y, z   3
/ x  y  z  0
F   x, y, z   3
/ x   y  z
F    y  z , y, z  : y, z  
F   y  1,1, 0   z  1, 0,1 : y, z  
F  Vect   1,1, 0  ,  1, 0,1 

Donc, F est un sous-espace vectoriel de 3

engendré par le système S1   1,1, 0  ,  1, 0,1
.

Montrons que S1 est libre.

Soient 1 , 2 

On résout alors l’équation suivante : 1u1  2u2   0, 0, 0 .

1u1  2u2  0  1  1,1, 0   2  1, 0,1   0, 0, 0 

  1, 1, 0    2 , 0, 2    0, 0, 0 
1  2  0

  1  0
 2  0


On trouve que ce système linéaire admet une seule solution : 1  2  0

Donc le système S1   1,1,0  ,  1,0,1 est libre.

Puisque S1   1,1,0  ,  1,0,1 est générateur de F et libre, il est une base de F .

50
Donc dim F  2 .
On a également :

G   2 y, y,  y  / z  
G   y  2,1, 1 / z  
G  Vect   2,1, 1 

G est alors un sous espace vectoriel de 3

engendré par le système S2   2,1, 1 .

S 2 est un système d’un seul vecteur non nul. D’où S 2 est libre.

Donc, S 2 est une base de G et alors, dim G  1 .

On a dim F  2 et dim G  1

Alors, dim F  dim G  3  dim 3

Montrons que F  G  0   . En effet,

3

 x  y  z  0 2 y  y  y  0 2 y  0  y  0
 x, y, z   F  G   x  2 y 
 x  2 y
 
 x  2 y  x  0
z   y z   y z   y z  0
   

D’où F  G  0   3

Par conséquent, les deux sous espaces vectoriels F et G sont en somme directe
(supplémentaires) dans 3 .

Alors, F  G  3
.

51
 Chapitre III : Applications linéaires

I. Applications linéaires
1. Définitions

Définition 1 :
Soient E et F deux espaces vectoriels et f une application de E dans F . On dit que f
est une application linéaire si :
1- f (u  v)  f (u)  f (v) u, v  E
2- f (.u)  . f (u) u  E,  

On note L( E, F ) l’ensemble des applications linéaires de E dans F .

Proposition :
Soient E et F deux espaces vectoriels et f une application de E dans F . On dit que f
est une application linéaire si :
u, v  E ,  f (u  v)   f (u)   f (v)

Définition 2 :
Soit f une application de E dans F .

- Si f est bijective, on dit que f est un isomorphisme de E sur F .

- Si f est une application linéaire de E dans E , on dit que f est un endomorphisme de
E.
- Si f est un endomorphisme de E bijectif, on dit que f est un automorphisme de E .
- Si f est une application linéaire de E dans , on dit que f est une forme linéaire sur
E.
Exemples :
f: E  F
1- est une application linéaire dite application nulle.
u  0F
2- id E : E  E est un endomorphisme de E dit identité sur E .
u  u
f: 3
 2
3- est une application linéaire.
 x, y, z    3 x  y, y  z 

52
En effet, soient u   x, y, z  et v   x ', y ', z ' deux vecteurs de 3
, on a :

f  u  v   f  x  x ', y  y ', z  z '

  3  x  x '   y  y ' ,  y  y '   z  z ' 
=  3x  3x '   y  y ' ,  y  y '   z  z ' 
   3 x  y    3 x '  y '  ,  y  z    y ' z '  
  3 x  y, y  z    3 x ' y ', y ' z ' 
 f u   f v 
Soit de plus  
f   u   f   x,  y ,  z 
  3 x   y,  y   z 
   3x  y , y  z 
  f u 
f: 2
 4
4- n’est pas une application linéaire.
 x, y    x, y, x  y, 2 

En effet, si 1,1 et   2 , on a :

f 1,1  1,1,2,2  et f  2,2   2,2,4,2 


Alors : f 2 1,1  2  f 1,1
2. Propriétés

Soit f une application de E dans F :

- f  0E   0F
- u  E, f  u    f  u 
 p  p
-  u1 , u2 ,....u p  E , f   iui    i f  ui 
 i 1  i 1

L’image par f d’une combinaison linéaire est la combinaison linéaire des images.

3. Opérations sur les applications linéaires

Théorème :

L’ensemble L  E, F  des applications linéaires de E dans F , muni de l’addition et de la

multiplication par un scalaire est un espace vectoriel.

53
Proposition 1 :
Si f et g sont deux applications linéaires de E dans F . Alors :

- L’application f  g est une application linéaire.

- L’application . f  avec    est également une application linéaire.

Proposition 2:
Si f est une application linéaire de E dans F et g une applications linéaire de F dans
G , alors g f est une application linéaire de E dans G .

Proposition 3:
1
Si f est un isomorphisme, alors f est aussi un isomorphisme.

Proposition 4:

Si E et F sont de dimension finie , L  E, F  est un -espace vectoriel de dimension finie,

alors : dim  L  E, F    dim E  dim F

II. Noyau et image d’une application linéaire

1. Définitions

Définition 1 :

Soient E et F deux espaces vectoriels de dimension finie et f une application linéaire de

E dans F .

Si E ' est un sous-espace vectoriel de E alors f  E ' est un sous-espace vectoriel de F .

Si F ' est un sous-espace vectoriel de F alors f  F ' est un sous-espace vectoriel de E .

1

Définition 2 :

Soient E et F deux espaces vectoriels de dimension finie et f une application linéaire de

E dans F . On appelle noyau de l’application linéaire f et on note K er  f  , l’ensemble des

vecteurs de E dont l’image est le vecteur nul de F . On a alors :

K er  f   f 1  0F   u  E ; f  u   0F 

54
Proposition :

Soit f une application linéaire de E dans F . Le noyau de f est un sous espace vectoriel
de E .

Exemple 1:
3 3
Soit f une application linéaire de dans définie par :

f  x, y, z    2x  y  4z, x  y  2z, x  y  3z 
Déterminons le noyau de f :

2 x  y  4 z  0

u   x, y, z   K er  f    x  y  2z  0
 x  y  3z  0

2 x  y  4 z  0 L1

  y0 L2  L1  2 L2
  y  2z  0 L3  L1  2 L3

2 x  y  4 z  0

  y0
  2z  0

x  0

 y  0
z0


Donc : u   0,0,0

Alors, K er  f    0,0,0 

Exemple 2:
3 3
Soit f une application linéaire de dans définie par :

f  x, y, z    x  z, y, x  y  z 
Déterminons le noyau de f :

55
 x  z 0

u   x, y, z   K er  f   y 0
x  y  z  0

x  z  0

 y 0
x  z  0

x  z

 y  0
x  z


Donc : u    z,0, z   z  1,0,1

Alors, K er  f   Vect   1,0,1 

Ainsi, K er  f  est le sous-espace vectoriel de 3

engendré par la famille  1,0,1 .

Définition 3 :

Soient E et F deux espaces vectoriels de dimension finie et f une application linéaire de

E dans F . On appelle image de l’application linéaire f et on note Im  f  , l’ensemble des

vecteurs de F qui ont un antécédent dans E . On a alors :

Im  f   v  F ; u  E tel que f  u   v

Proposition :

Soit f une application linéaire de E dans F . L’image de f est un sous espace vectoriel de
F.

Exemple :
2 3
Soit f une application linéaire de dans définie par :

f  x, y    2x  y  z, x  y, x  z 
Déterminons l’image de f :

56
 2 x  y  z  a

u   a, b, c   Im  f   x y b
 xz c

2 x  y  z  a L1

 x y b L2
 x y  ac L3  L1  L3

2 x  y  z  a L1

 x y b L2
 abc  0 L3  L2  L3


Ainsi, le système est compatible si et seulement si a  b  c  0 .

Donc : u   a, b, a  b   a 1,0, 1  b  0,1, 1

Alors, Im  f   Vect  1,0, 1 ,  0,1, 1 

Ainsi, Im  f  est le sous-espace vectoriel de 3

engendré par la famille 1,0, 1 ,  0,1, 1
2. Image d’une famille de vecteurs
Proposition:
Soient E et F deux espaces vectoriels de dimension finie et f une application linéaire de
E dans F . Si S  u1 , u2 ,..., un  est une famille génératrice de E (notamment une base) alors
f  S    f  u1  , f  u2  ,..., f  un  est une famille génératrice de Im  f  .

Proposition:

Soient E et F deux espaces vectoriels de dimension finie, f une application linéaire de E

dans F et S  u1 , u2 ,..., un  est une partie de E .

- Si S est une partie liée de E alors f  S  est une partie liée de F . La réciproque est fausse.
- Si f  S  est une partie libre de F alors S est une partie libre de E . La réciproque est
fausse.

Exemple :
3 3
Soit f une application linéaire de dans définie par :

f  x, y, z    x  2 y  z, x  4 y, z 

57
La base canonique de 3
est constituée des trois vecteurs e1  1,0,0  , e2   0,1,0  et
e3   0,0,1 .

Donc, Im  f  est un sous-espace vectoriel de 3

engendré par f  e1  , f  e2  et f  e3  . En
effet,

f  e1   f  1,0,0    1,1,0 
f  e2   f  0,1,0     2, 4,0 
f  e   f   0,0,1   1,0,1
3

Alors, Im  f   Vect  1,1,0  ,  2, 4,0  , 1,0,1 

Ainsi, Im  f  est le sous-espace vectoriel de 3

engendré par la famille
1,1,0 ,  2, 4,0 , 1,0,1 .

III. Applications linéaires injectives et surjectives.

Définition 1 :

Soient E et F deux espaces vectoriels de dimension finie et f une application linéaire de

E dans F . On dit que f est injective si tout élément de F possède au plus un antécédent
dans E par f . Autrement dit : u, v  E, f  u   f  v   u  v .

Théorème 1 :

Soient E et F deux espaces vectoriels de dimension finie et f une application linéaire de

E dans F . On dit que f est injective si et seulement si K er  f   0E  .

Exemple :
3 3
Soit f une application linéaire de dans définie par :

f  x, y, z    x  y  z, x  z, x  3 y 
Déterminons le noyau de f :

58
 x  y  z  0

u   x, y, z   K er  f    xz 0
 x  3y  0

x  y  z  0 L1

  xz 0 L2
2 x  3z  0 L3  L3  3L1

x  y  z  0 L1

  xz 0 L2
 5z  0 L3  L3  2 L2

y  0

 x0
 z0


Donc, u   0,0,0 

Ainsi, K er  f    0,0,0 

Puisque le K er  f    0,0,0  , f est injective.

Définition 2 :
Soient E et F deux espaces vectoriels de dimension finie et f une application linéaire de
E dans F . On dit que f est surjective si tout élément de F possède au moins un antécédent
dans E par f . Autrement dit : v  F , u  E tel que f  u   v .

Théorème 2 :

Soient E et F deux espaces vectoriels de dimension finie et f une application linéaire de

E dans F . On dit que f est surjective si et seulement si Im  f   F .

Théorème 3 :
On dit que f est bijective si et seulement si elle est à la fois injective et surjective. Autrement
dit, si K er  f   0E  et Im  f   F .

Exemple :

Soit f une application linéaire de 2

dans 2
définie par : f  x, y    x  y, x  2 y 
Déterminons l’image de f :

59
 x  y  a
u   a, b   Im  f   
x  2 y = b
x  y  a
 
 y  a b
x  y  a
 
 y  a  b
x  a  b  a
 
 y  a  b
 x  2a  b
 
 y  a  b
  x , y    2 a  b,  a  b 

Ainsi, pour tout u   a, b   2

, on trouve un antécédent  x, y    2a  b, a  b  qui
vérifie f  x, y     a, b  .
Donc, Im f 
2
.

Alors, f est surjective.

Ainsi, f est à la fois injective et surjective, alors elle est bijective.

Proposition :

Soient E et F deux espaces vectoriels de dimension finie et f une application linéaire de

E dans F . Soit  u1 , u2 ,...un  une famille de vecteurs de E .

- Si f est injective et la famille de E  u1, u2 ,...un  est libre, alors la famille

 f  u  , f u  ,... f u  de F
1 2 n
est libre.

- Si f est surjective et la famille  u1 , u2 ,...un  est génératrice de E , alors la famille

 f  u  , f u  ,... f u  est génératrice de F .

1 2 n

- Si f est bijective et la famille  u1, u2 ,...un  est une base de E , alors la famille

 f  u  , f u  ,... f u  est une base de F .

1 2 n

Proposition :

Soit f une application linéaire de E dans F .

- Si l’application f est injective alors dim E  dim F .

60
- Si l’application f est surjective alors dim E  dim F .
- Si l’application f est bijective alors dim E  dim F .

IV. Le rang d’une application linéaire

Définition :

Soient E et F deux espaces vectoriels de dimension finie et f une application linéaire de

E dans F . Le rang de f , noté rg  f  est égal à la dimension de Im  f  :

rg  f   dim  Im  f  

Exemple :

3 3
Soit f une application linéaire de dans définie par :

f  x, y, z    2x  z, x  z, x  y  2z 
Déterminons l’image de f :

La famille e1 , e2 , e3 est une base canonique de 3

:

e1  1,0,0 , e2   0,1,0  et e3   0,0,1

Donc, la famille  f  e  , f  e  , f  e  engendre Im  f  . En effet :

1 2 3

 f  e1   f  1,0,0     2,1,1

 f  e2   f   0,1,0     0,0,1

 f  e3   f   0,0,1   1, 1, 2 

Alors, Im  f   Vect   2,1,1 ,  0,0,1 , 1, 1,2  

Ainsi, Im  f  est le sous-espace vectoriel de 3

engendré par la famille
 2,1,1 ,  0,0,1 , 1, 1, 2 .
Vérifions si la famille  2,1,1 ,  0,0,1 , 1, 1, 2 est libre.
Soient 1 , 2 et 3 deux réels tels que :

61
1  2,1,1  2  0,0,1  3 1, 1, 2    0,0,0 
 21 , 1 , 1    0,0, 2    3 , 3 , 23    0,0,0 
21  3 0

  1  3 0
    2  0
 1 2 3

1  2  23  0 L3  L1

  1  3  0 L2
2    0 L1  L3
 1 3

1  2  23  0 L1

  1  3  0 L2
 31  0 L3  L2  L3

2  0

  3  0
 0
 1

Alors, la famille  2,1,1 ,  0,0,1 , 1, 1, 2 est libre.

D’où, la famille  2,1,1 ,  0,0,1 , 1, 1, 2 est une base Im  f  .

Ainsi, rg  f   dim  Im  f    3

Théorème du rang

Soient E et F deux espaces vectoriels de dimension finie et f une application linéaire de

E dans F . On a alors :

dim E  rg  f   dim  Ker  f  

Proposition :

Soient E et F deux espaces vectoriels de dimension finie et f une application linéaire de

E dans F .

- L’application f est injective si et seulement si rg  f   dim E

- L’application f est surjective si et seulement si rg  f   dim F

- L’application f est bijective si et seulement si rg  f   dim E  dim F

62
Exemple :

Soit f une application linéaire de 3

dans 2
définie par : f  x, y, z    2x  y,3 y  2z 
L’application f est-elle injective ? surjective ? bijective ?

Déterminons le noyau de f :

2 x  y  0
u   x, y, z   K er  f   
3 y  2 z  0
 y  2 x
 
6 x  2 z  0
 y  2 x
 
 z  3x

Donc : u   x, 2 x, 3x   x 1, 2, 3

Alors, K er  f   Vect  1, 2, 3 

Le K er  f  est un sous espace vectoriel de 3

engendré par la famille 1, 2, 3
La famille 1, 2, 3 est libre car le vecteur 1, 2, 3 est non nul.
Alors, La famille 1, 2, 3 est une base de K er  f  .
Par conséquent, dim  K er  f    1.

Ainsi,

rg  f   dim 3
 dim  Ker  f 
rg  f   3  1
rg  f   2

rg  f   dim 3
 l’application f n’est pas injective.

rg  f   dim 2
 l’application f est surjective.

63