Académique Documents
Professionnel Documents
Culture Documents
1 -+CALCUL MATRICIEL 3
1.1 Dé…nitions générales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Opérations sur les matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Somme de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Produit d’une matrice par un scalaire . . . . . . . . . . . . . . . . . . . . 5
1.2.3 Produit de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.4 Transposition et symétrie . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.5 Inversion des matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4 BASES ET DIMENSIONS 33
4.1 Parties libres, parties liées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2 Parties génératrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.3 Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.4 Quelques recettes pratiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.5 Matrice de passage et changement de base . . . . . . . . . . . . . . . . . . . . . . 41
4.5.1 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.5.2 Formule de changement de base . . . . . . . . . . . . . . . . . . . . . . . . 42
4.6 L’espace quotient . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.7 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
1
2 TABLE DES MATIÈRES
5 APPLICATIONS LINÉAIRES 53
5.1 Dé…nition, exemples et propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.2 Noyau d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.3 Image d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.4 Le théorème des dimensions et ses corollaires . . . . . . . . . . . . . . . . . . . . 59
5.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
BERRABAH BENDOUKHA
Professeur de mathématiques à l’université Abdelhamid Ibn Badis de Mostaganem
2012
2 TABLE DES MATIÈRES
Chapitre 1
-+CALCUL MATRICIEL
3
4 CHAPITRE 1. -+CALCUL MATRICIEL
0 1
1 0 0 0
B 0 2 0 0 C
B
Exemple 1.1.6 La matrice A = @ C est une matrice diagonale.
0 0 4 0 A
0 0 0 3
Dé…nition 1.1.7 La matrice unité d’ordre n est la matrice diagonale In 2 Mn (K) dont tous
les éléments diagonaux sont égaux à 1K .
0 1
1 0 0
1 0
Exemple 1.1.8 I1 = (1) ; I2 = ; I3 = @ 0 1 0 A sont les ma-
0 1
0 0 1
trices unités d’ordre 1; 2; 3 respectivement.
cij = aij + bij (i; j) 2 f1; :::; ng f1; :::; mg: (1.2)
1 0 2 2 3 1 3 3 1
Exemple 1.2.2 + =
0 1 5 4 1 1 4 0 6
4. La matrice nulle est l’élément neutre pour l’addition dans Mn;m (K) :
Exemple 1.2.5 0 1 0 1
1 0 0 0 2 0 0 0
B 1 2 0 0 C B 2 4 0 0 C
2 B
@ 2
C=B C
1 4 0 A @ 4 2 8 0 A
1 4 2 3 2 8 4 6
Proposition 1.2.6 On a les propriétés suivantes :
a. Le produit de deux matrices n’a de sens que si le nombre de colonne de la première est égal
au nombre de lignes de la seconde. Dans ce cas, le nombre de lignes du produit est égal
au nombre de lignes de la première matrice, le nombre de colonnes du produit est égal au
nombre de colonnes de la seconde.
b. L’élément cij , s’obtient en e¤ectuant la multiplication terme à terme des éléments de la
ligne i de A avec les éléments de la colonne j de B puis en sommant les produits obtenus.
c. 8A 2 Mn (K) : AIn = In A = A:
8 (A; B; C) 2 Mn;p (K) Mp;q (K) Mq;m (K) : A (BC) = (AB) C: (1.7)
et posons
BC = [vij ]p;m
i;j=1 Mp;m (K); AB = [wij ]n;q
i;j=1 Mn;q (K)
Proposition 1.2.10 Le produit matriciel est distributif par rapport à la somme des matrices :
1.
8 (A; B; C) 2 Mn;p (K) Mp;m (K) Mp;m (K) : A (B + C) = AB + AC: (1.8)
2.
8 (A; B; C) 2 Mn;p (K) Mn;p (K) Mp;m (K) : (A + B) C = AC + BC:
Preuve.
1. Posons
On a alors,
" p
#n;m " p
#n;m
X X
A (B + C) = aik (bkj + ckj ) = (aik bkj + aik ckj )
k=1 i;j=1 k=1 i;j=1
" p
#n;m " p
#n;m
X X
= aik bkj + aik ckj = AB + AC:
k=1 i;j=1 k=1 i;j=1
Exemple 1.2.12 2 3
1 1
1 1 3
A= ) AT = 4 1 1 5
1 1 7
3 7
1 1 1 1
B= ) BT =
1 1 1 1
Dé…nition 1.2.13 Une matrice carrée est dite symétrique si elle est égale à sa transposée.
Autrement dit : aij = aji 8 (i; j) 2 f1; :::; ng2 :
1 1
Exemple 1.2.14 La matrice A = n’est pas symétrique tandis que la matrice B =
2 3 1 1
1 1 2
4 1 0 3 5 l’est.
2 3 5
D’autre part,
" p
#m;n " p
#m;n
X X T
T T
B A = dik ckj = bki ajk = (AB) :
k=1 i;j=1 k=1 i;j=1
Proposition 1.2.17 Si une matrice A est inversible, alors son inverse est unique.
1
Preuve. Supposons qu’une admette deux inverses A et B. On a alors ,
1 1 1 1
B = BIn = B AA = (BA) A = In A =A
Proposition 1.2.19 Si une matrice A est inversible, alors sa transposée AT est aussi inver-
sible et on a :
1 T
AT = A 1 : (1.11)
Preuve. On a 8
> 1 T T
< AT A = A 1
A = InT = In
>
: 1 T 1 T
A AT = AA = InT = In
1.3 Exercices
Exercice 1.3.1 On considère les matrices
2 3 2 3
2 3 4 1 2 0
1 2 1 1 2 3
A = ; B= ; C=4 3 1 3 5; D = 4 2 1 0 5;
2 1 1 2 1 3
1 2 0 2 0 1
2 3
1
E = 1 1 1 ; F =4 0 5
1
Calculer : A + B; C + D; AB; AC; CA; CD; DC; EF; F E; EC; CF:
Solution. 3 2
3 1 4
0 4 2
1. A + B = ; C +D =4 5 2 3 5:
4 0 2
1 2 1
2. Le produit AB n’existe pas car le nombre de colonnes de A est di¤érent du nombre de lignes
de B.
3 7 2
3. AC = ; le produit CA n’existe pas car le nombre de colonnes de C est
6 3 11
di¤érent du nombre de lignes de A.
2 3 2 3
0 7 4 4 5 2
4. CD = 4 5 5 3 5 ; DC = 4 1 7 5 5:
5 4 20 3 5 7 2 8 3
1 1 1 6
5. EF = 0; F E = 4 0 0 0 5 ; CF = 4 6 5 :
1 1 1 1
1.3. EXERCICES 9
Exercice 1.3.2 Soient A; B deux matrices. Répondre par vrai ou faux en justi…ant vos
réponses :
2. On a,
3. On a,
Ainsi donc,
A2 A = 6I2 = A (A I2 ) = (A I2 ) A:
Finalement,
1 1 1 1 2
A = (A I2 ) = :
6 6 2 2
1. Calculer A2 et A3 .
2. Déterminer les trois nombres a; b; c tels que : A3 + aA2 + bA + cI3 = 0. En déduire A 1
.
Solution.
1. Un calcul direct nous donne :
2 3 2 3
2 0 3 2 0 5
A2 = 4 3 1 1 5; A3 = 4 5 1 4 5:
6 0 1 10 0 7
2. Par ailleurs,
2 3 2 3
2 + 2a + 2b + c 0 5 3a b 0 0 0
A3 +aA2 +bA+cI3 = 0 () 4 5 + 3a + b 1+a+b+c 4 a 5=4 0 0 0 5
10 + 6a + 2b 0 7 a+b+c 0 0 0
CALCUL DES
DÉTERMINANTS
11
12 CHAPITRE 2. CALCUL DES DÉTERMINANTS
0 2 3 0 1 2
jAj = 1: 1 1 1 + 2: 1 1 1
1 1 1 1 1 1
1 1 1 1 1 1 1 1
= 1: 2: + 3: + 2: 1: + 2:
1 1 1 1 1 1 1 1
Dé…nition 2.1.3 Une matrice carrée A est dite triangulaire si elle admet l’une des 2 formes
suivantes :
2 3
a11 a12 : : : a1n 1 a1n
6 0 a22 : : : a1n 1 a2n 7
6 7
6 0 :0 : : : : : 7
6 7
6
A=6 : : : : : : : 7 Triangulaire supérieure,
7
6 : : : : : : : 7
6 7
4 0 0 : : 0 an 1n 1 an 1n 5
0 0 : : : 0 ann
2 3
a11 0 0 : : 0 0
6 a21 a22 0 : : 0 0 7
6 7
6 : : : : : : : 7
6 7
A=6
6 : : : : : : : 7
7 Triangulaire inférieure,
6 : : : : : 0 : 7
6 7
4 an 11 an 12 : : : an 1n 1 0 5
an1 an2 : : : : ann
Posons
8
>
> L1 = a11 a12 : : : : a1n
>
>
>
> L2 = a21 a22 : : : : a2n
<
:
> Li = ai1
> ai2 : : : : ain
>
>
>
> :
:
Ln = an1 an2 : : : : ann
0 00
1. (Linéarité par rapport à la ligne i) : Si Li = Li + Li alors
L1 L1 L1
L2 L2 L2
: : :
jAj = = 0 + (2.4)
Li Li L"i
: : :
Ln Ln Ln
0
2. (Homogenéité par rapport à la ligne i) : Si Li = :Li alors,
L1 L1 L1
L2 L2 L2
: : :
jAj = = 0 = : 0 (2.5)
Li :Li Li
: : :
Ln Ln Ln
14 CHAPITRE 2. CALCUL DES DÉTERMINANTS
L1
L2
:
Li
Li = :Lj ) =0 (2.6)
:
Lj
:
Ln
L1 L1
L2 L2
: :
Li Lj
= (2.7)
: :
Lj Li
: :
Ln Ln
5. Le déterminant ne change pas si on ajoute à la ligne i une combinaison linéaire des autres
lignes :
L1
L1
L2
L2
X:
:
= Li + j Lj (2.8)
L i
j6=i
:
:
Ln
Ln
Cette dernière propriété est surtout utilisée pour faire apparaitre des zéros dans une ligne
donnée.
1 2 1 1
2 1 1
2 0 0 0
jAj = = 2: 1 1 1
1 1 1 1
2 1 2
1 2 1 2
2 1 1
1 3 1
jAj = 2: 0 2 2 = 2 2 3 =6
2
0 0 3
2.3. DÉVELOPPEMENT PAR RAPPORT À UNE COLONNE 15
n
Proposition 2.3.2 Soit A = [aij ]i;j=1 2 Mn (K) une matrice carrée. Désignons par Ci la
colonne i. 2 3 2 3 2 3
a11 a12 a1n
6 a21 7 6 a22 7 6 a2n 7
6 7 6 7 6 7
6
C1 = 6 : 7 ;7 6 7
C2 = 6 : 7 ; ::::; Cn = 6 7
6 : 7
4 : 5 4 : 5 4 : 5
an1 an2 ann
alors,
jAj = jC1 ; :::; Cn j :
Comme dans le cas du développement par rapport à une ligne, on a les propriétés suivantes :
0 00
1. (Linéarité par rapport à la colonne i) : Si Ci = Ci + Ci alors
00
jAj = jC1 ; C2 ; :::; Ci0 ; :::; Cn j + C1 ; C2 ; :::; Ci ; :::; Cn (2.10)
0
2. (Homogenéité par rapport à la colonne i) : Si Ci = :Ci alors,
3. Si deux colonnes sont proportionnelles alors, le déterminant est égal à 0 :
X
jC1 ; :::; Ci ; :::; Cn j = C1 ; :::; Ci + j Cj ; :::; Cn (2.13)
j6=i
16 CHAPITRE 2. CALCUL DES DÉTERMINANTS
1 3 1 1
1 1 1
1 0 1 1
jAj = = 3: 1 1 1
1 0 1 1
1 1 2
1 0 1 2
1 1 0
1 1
jAj = 3: 1 1 0 = 3 1: =6
1 1
1 1 1
Exemple 2.4.2
2 3 2 3
1 2 1 1 1 1 1 1
6 1 1 1 1 7 6 1 2 7
A=6 7 ) AT = 6 2 1 7
4 1 1 1 1 5 4 1 1 1 1 5
1 2 1 2 1 1 1 2
Theorème 2.4.3 Le déterminant d’une matrice carrée et celui de de sa transposée sont égaux.
1. mineur d’ordre (i; j) le scalaire : jAij j, où Aij est la matrice obtenue en éliminant la ligne
i et la colonne j.
i+j
2. cofacteur d’ordre (i; j) le scalaire : ( 1) jAij j.
3. la matrice des cofacteurs de A est appelée comatrice de A. On la note com (A).
2 3 2 3
1 1 2 4 2 2
Exemple 2.4.6 Si A = 4 0 1 1 5 alors com (A) = 4 7 3 5 5
2 3 1 1 1 1
2.4. INVERSION DES MATRICES 17
n
Theorème 2.4.7 Soit A = [aij ]i;j=1 2 Mn (K) une matrice carrée. Alors,
T T
A (com (A)) = (com (A)) A = jAj In (2.15)
n
Theorème 2.4.8 Soit A = [aij ]i;j=1 2 Mn (K) une matrice carrée. Alors,
A inversible , jAj =
6 0:
1 1 T
A = : (com (A)) (2.16)
jAj
2 3
1 1 2
Exemple 2.4.9 Soit A = 4 0 1 1 5. On a jAj = 2. Elle est donc inversible. On a :
2 3 1
1 1 0 1 0 1
jA11 j = = 4; jA12 j = = 2; jA13 j = =2
3 1 2 1 2 3
1 2 1 2 1 1
jA21 j = = 7; jA22 j = = 3; jA23 j = =5
3 1 2 1 2 3
1 2 1 2 1 1
jA31 j = = 1; jA32 j = = 1; jA33 j = = 1
1 1 0 1 0 1
Donc
2 3
4 2 2
com (A) = 4 7 3 5 5
1 1 1
Finalement
2 3
4 7 1
1 T 1 4 2
A 1
= (com (A)) = 3 1 5
2 2
2 5 1
2 3
1 2 1 1
6 1 1 1 1 7
Exemple 2.4.10 Soit A = 6 4 1
7. On a déjà vu que jAj = 6. Elle est donc
1 1 1 5
1 2 1 2
inversible. Trouvons com (A).
18 CHAPITRE 2. CALCUL DES DÉTERMINANTS
On a
1 1 1 1 1 1 1 1 1
jA11 j = 1 1 1 = 0; jA12 j = 1 1 1 = 2; jA13 j = 1 1 1 = 0;
2 1 2 1 1 2 1 2 2
1 1 1 2 1 1 1 1 1
jA14 j = 1 1 1 = 2; jA21 j = 1 1 1 = 3; jA22 j = 1 1 1 = 6
1 2 1 2 1 2 1 1 2
1 2 1 1 2 1 2 1 1
jA23 j = 1 1 1 = 9; jA24 j = 1 1 1 = 0; jA31 j = 1 1 1 =3
1 2 2 1 2 1 2 1 2
1 1 1 1 2 1 1 2 1
jA32 j = 1 1 1 = 0; jA33 j = 1 1 1 = 3; jA34 j = 1 1 1 =0
1 1 2 1 2 2 1 2 1
2 1 1 1 1 1 1 2 1
jA41 j = 1 1 1 = 0; jA42 j = 1 1 1 = 4; jA43 j = 1 1 1 =6
1 1 1 1 1 1 1 1 1
1 2 1
jA44 j = 1 1 1 = 2;
1 1 1
D’où
2 3
0 2 0 2
6 3 6 9 0 7
com (A) = 6
4 3
7
0 3 0 5
0 4 6 2
Finalement
2 3
0 3 3 0
1 6 2 6 0 4 7
A 1
= 6 7
6 4 0 9 3 6 5
2 0 0 2
2.5 Exercices
Exercice 2.5.1 Pour chacune des matrices suivantes, calculer le déterminant ainsi que la ma-
trice inverse quand elle existe :
2 3
2 3 3 1 1 1
0 1 1 6 1
5 4 6 3 1 1 7
7;
A1 = ; A2 = 4 1 0 1 5 ; A3 = 4
6 5 1 1 3 1 5
1 1 0
1 1 1 3
Solution.
2 3
2 3 20 4 4 4
1 1 1
5 4 14 1 6
6 4 20 4 4 7
7:
A1 1 = ; A2 1 = 1 1 1 5 ; A3 1 =
6 5 2 48 4 4 4 20 4 5
1 1 1
4 4 4 20
2.5. EXERCICES 19
Exercice 2.5.2 Trouver sans les calculer directement, les déterminants suivants :
1 a a2 a3
1 1 1
1 b b2 b3
D1 = ; D2 = a b c ;
1 c c2 c3
b+c a+c a+b
1 d d2 d3
x+2 2x + 3 3x + 4 a b c 2a 2a
D3 = 2x + 3 3x + 4 4x + 5 ; D4 = 2b b a c 2b
3x + 5 5x + 8 10x + 14 2c 2c c a b
1 a a2 a3
2 2 3 b a b2 a2 b3 a3
0 b a b a b a3
D1 = = c b c2 b2 c3 b3
0 c b c2 b2 c3 b3
d c d2 c2 d3 c3
0 d c d2 c2 d3 c3
b a (b a) (b + a) (b a) b2 + ab + a2
= c b (c b) (c + b) (c b) c2 + bc + b2
d c (d c) (d + c) (d c) d2 + cd + c2
1 b+a b2 + ab + a2
= (b a) (c b) (d c) 1 c + b c2 + cb + b2
1 d+c d2 + dc + c2
1 b+a b2 + ab + a2
D1 = (b a) (c b) (d c) 1 c + b c2 + cb + b2
1 d+c d2 + dc + c2
c a c2 + cb ab a2
= (b a) (c b) (d c)
d b d2 + dc cb b2
c a (c a) (c + a + b)
= (b a) (c b) (d c)
d b (d b) (d + b + c)
1 c+a+b
= (b a) (c b) (d c) (c a) (d b)
1 d+b+c
1 c+a+b
= (b a) (c b) (d c) (c a) (d b)
0 d a
= (b a) (c b) (d c) (c a) (d b) (d a) :
1 1 1
b a c b
D2 = a b c =
a b b c
b+c a+c a+b
1 1
= (b a) (c b) = 0:
1 1
20 CHAPITRE 2. CALCUL DES DÉTERMINANTS
x + 2 2x + 3 3x + 4 x + 2 2x + 3 3x + 4
D3 = 2x + 3 3x + 4 4x + 5 = x+1 x+1 x+1
3x + 5 5x + 8 10x + 14 3x + 5 5x + 8 10x + 14
x + 2 2x + 3 3x + 4
= (x + 1) 1 1 1 :
3x + 5 5x + 8 10x + 14
2 1 1 3
= (x + 1) = 3 (x + 1) :
2x + 3 5x + 6
1 0 0
3
D4 = (a + b + c) 2b b a c 0 = (a + b + c) :
2c 0 c a b
2 1 0 ::: ::: 0
1 2 1 0 ::: 0
.. .. .. .. ..
0 . . . . .
Dn = .. .. .. .. ..
. . . . . 0
.. .. .. .. ..
. . . . . 1
0 0 1 2
1. Ecrire D1 ; D2 ; D3 ; D4 :
2. En développant selon la première colonne, exprimer Dn en fonction Dn 1 et Dn 2.
3. En déduire Dn .
Solution. 1. Un calcul direct, montre que
D1 = 2; D2 = 3; D3 = 4; D4 = 5:
2.5. EXERCICES 21
D1 = 2 = 1 + 1; D2 = 3 = 2 + 1; D3 = 4 = 3 + 1; D4 = 5 = 4 + 1:
Donc la formule générale qui se dégage est Dn = n + 1; n 1: Cette formule est déjà vraie pour
n = 1. Montrons qu’elle est vraie pour toutes les valeurs inférieures ou égales à n et montrons
qu’elle l’est encore pour n + 1. On a :
Dn+1 = 2Dn Dn 1 = 2 (n + 1) n = n + 2:
m 1 0 1 m 1 0 0
1 m 1 0 1 m 1 m
jAm j = =
0 1 m 1 0 1 m 0
1 0 1 m 1 0 1 m
m 1 0 0
m 1 1 1 1 1
1 m 1 1
= m = m2 1 m 0 +m 0 m 0
0 1 m 0
0 1 1 1 1 1
1 0 1 1
m 0 1 1 1 1
= m2 m + + m2
1 1 1 1 1 1
= m2 m2 2 2m2 = m4 4m2
= m2 (m 2) (m + 2) :
ESPACES ET SOUS-ESPACES
VECTORIELS
3.1.2 Exemples
Exemple 3.1.2 Soient K un corps commutatif et un entier naturel. On dé…nit dans l’en-
semble
Kn = f(x1 ; :::; xn ) : x1 ; :::; xn 2 Kg
l’opération interne + et l’opération externe comme suit :
(x1 ; :::; xn ) + (y1 ; :::; yn ) = (x1 + y1 ; :::; xn + yn ) (3.1)
L’ensemble Kn muni de ces deux opérations est un K-espace vectoriel dont le vecteur nul est
le vecteur (0K ; :::; 0K ).
23
24 CHAPITRE 3. ESPACES ET SOUS-ESPACES VECTORIELS
Corollaire 3.1.3 Tout corps commutatif est un espace vectoriel sur lui même.
Exemple 3.1.4 Le corps C des complexes est un R-espace vectoriel. L’inverse n’est pas vrai.
Exemple 3.1.5 L’ensemble des solutions de l’équation di¤ érentielle f " + f = 0 muni de la
somme usuelle des fonctions et de la multiplication par un scalaire est un R-espace vectoriel.
Exemple 3.1.6 L’ensemble Mn;m (K) muni de la somme usuelle des matrices et de la multi-
plication par un scalaire est un K-espace vectoriel.
Proposition 3.2.1 La multiplication du vecteur nul par un scalaire est égal au vecteur nul :
8 2K: 0E = 0E
Proposition 3.2.2 Le produit d’un vecteur par le scalaire nul est égal au vecteur nul :
8x 2 E : 0K x = 0E
Proposition 3.2.4 Le produit d’un scalaire par le symétrique d’un vecteur est égal au produit
du symétrique de ce scalaire par le vecteur et c’est aussi égal au symétrique du produit du scalaire
par le vecteur :
8 2 K; 8x 2 E : ( x) = ( ) x = ( x)
Donc pour = 0K , x = 0K x = 0E 2 F .
Pour montrer que l’inverse n’est pas vrai, on considère le contre-exemple suivant. L’ensemble
F = [ 1; 1] est un sous-ensemble non vide du R-espace vectoriel R. Or,
12F ; 22R mais 2:1 = 2 2
= F:
2. De même d’après la stabilité par rapport à la loi externe, on a
8x 2 E; 8 2 K : x2F
Donc pour = 1K , x = ( 1K ) x = x 2 F.
Pour montrer que l’inverse n’est pas vrai, on considère le même contre-exemple. On a x 2
F ) x 2 F . Mais comme on l’a déjà vu F n’est pas un s.e.v de R.
Remarque. Si E un K-espace vectoriel alors, f0E g et E sont deux s.e.v. de E . De plus,
c. Si (x + y; x + 2y) 2 F; 2 R, alors,
(x + y; x + 2y) = ( (x + y) ; (x + 2y)) = ( x + ( y) ; x + 2 ( y)) 2 F:
Exemple 3.3.4 Dans l’ensemble M2 (R) des matrices carrées d’ordre 2, on considère l’en-
semble
a b
F = A= : a; b; c 2 R :
b c
est un s.e.v de M2 (R).
26 CHAPITRE 3. ESPACES ET SOUS-ESPACES VECTORIELS
F = (x; y; z) 2 R3 : x = y ^ x + 2z = 0
D’où,
u 1 + v1 = u 2 + v2
:
( u1 + v1 ) + 2 ( u3 + v3 ) = (u1 + 2u3 ) + (v1 + 2v3 ) = :0 + :0 = 0
n
!2
\
(x; y) 2 Fk ) ( x; y) 2 Fk2 8k = 1; :::; n
k=1
) x + y 2 Fk 8k = 1; :::; n
\n
) x+y 2 Fk :
k=1
De plus,
n
\
x 2 Fk et 2 K ) x 2 Fk 8k = 1; :::; n et 2K
k=1
n
\
) x 2 Fk 8k = 1; :::; n ) x2 Fk :
k=1
F1 = f(x; 0) : x 2 Rg et F2 = f(0; y) : x 2 Rg
(1; 0) 2 F1 (1; 0) 2 F1 [ F2
) :
(0; 1) 2 F2 (0; 1) 2 F1 [ F2
Or,
(1; 1) = (1; 0) + (0; 1) 2
= F1
) (1; 1) = (1; 0) + (0; 1) 2
= F1 [ F2
(1; 1) = (1; 0) + (0; 1) 2
= F2
On n’a pas donc stabilité de l’union par rapport à la loi interne. Donc l’union F1 [ F2 n’est
pas un s.e.v de R2 .
La proposition suivante donne les conditions nécessaires et su¢ santes sous lesquelles l’union
de s.e.v est un s.e.v.
F1 [ F2 s.e.v de E , F1 F2 ou F2 F1
Preuve. ()) Soient F1 ; F2 deux s.e.v du K-espace vectoriel E tels que F1 [ F2 est aussi
un s.e.v de E. Supposons que F1 " F2 et montrons que nécessairement, F2 F1 . On a
F1 " F2 ) 9a 2 F1 et a 2
= F2 :
Soit maintenant x 2 F2 : On a
a 2 F1 F1 [ F2
) a + x 2 F1 [ F2 (F1 [ F2 est un s.e.v de E)
x 2 F2 F1 [ F2
Par ailleurs a + x 2 F1 [ F2 ) a + x 2 F1 ou a + x 2 F2 . Or
8 8
< a + x 2 F1 < a + x 2 F1
ou ) ou
: :
a + x 2 F2 a + x 2 F2 et x 2 F2
8
< a + x 2 F1
) ou
:
(a + x) + ( x) 2 F2
8
< a + x 2 F1
) ou
:
a 2 F2 (impossible car a 2
= F2 )
x = x + 0E = x + (a + ( a)) = (x + a) + ( a) 2 F1 ) F2 F1 :
28 CHAPITRE 3. ESPACES ET SOUS-ESPACES VECTORIELS
Dé…nition 3.4.2 Le s.e.v F , dé…ni dans la proposition précédente est appelé somme des s.e.v
F1 et F2 . On le note F1 + F2 . Si de plus, F1 \ F2 = f0E g on dit alors que cette somme est
directe et on écrit F1 F2 .
Exemple 3.4.3 Montrer que R2 = F1 F2 où
F1 = fu = (x; 0) : x 2 Rg ; F2 = fu = (x; x) : x 2 Rg
Preuve. Il faut montrer que :
1. F1 \ F2 = f0E g
2. 8u 2 R2 ; 9 (u1 ; u2 ) 2 F1 F2 : u = u1 + u2
On a
u = (x1 ; x2 ) 2 F1 \ F2 ) u = (x1 ; 0) = (x1 ; x1 ) = (0; 0) ) F1 \ F2 = f0E g .
Par ailleurs, soit u = (a; b) 2 R2 . Alors
u = u1 + u2 : (u1 ; u2 ) 2 F1 F2 ) (a; b) = (x1 ; 0) + (x2 ; x2 ) = (x1 + x2 ; x2 )
x2 = b x2 = b u1 = (a b; 0) 2 F1
) ) ) ) R2 = F1 + F2 :
x1 + x2 = a x1 = a b u2 = (b; b) 2 F2
Donc, on a …nalement R2 = F1 F2 .
Exercice 3.4.4 Soient
F1 = fu = (x; y; 0) : x; y 2 Rg ; F2 = fu = (0; y; z) : y; z 22 Rg .
Montrer que R3 = F1 + F2 mais que cette somme n’est pas directe.
Solution. On a,
1 1
u = (x; y; z) 2 R3 =) u = x; y; 0 + 0; y; z :
2 2
Posons u1 = x; 12 y; 0 et u2 = 0; 12 y; z . Il est clair que : u1 2 F1 , u2 2 F2 et u = u1 + u2 : On
a bien donc R3 = F1 + F2 . Mais cette somme n’est pas directe car, u = (0; 1; 0) 2 F1 \ F2 .
Theorème 3.4.5 Soient F1 ; F2 deux s.e.v du K-espace vectoriel E. Alors,
E = F1 F2 , 8x 2 E; 9! (x1 ; x2 ) 2 F1 F2 = x = x1 + x2 :
3.5. EXERCICES 29
3.5 Exercices
Exercice 3.5.1 Soit E = F (N; R) l’ensemble des suites réelles. On dé…nit sur E les deux
opérations
Exercice 3.5.2 Soit K un corps commutatif. On note K [X] l’ensemble des polynômes à une
indéterminée X et à coe¢ cients dans K. Autrement dit,
Montrer que K [X] muni des opérations usuelle d’addition des polynômes et de multiplication
par un scalaire est un K-espace vectoriel.
Exercice 3.5.3 Soient (E; +; ) un K-espace vectoriel et F un ensemble non vide quelconque.
On suppose que f est une application bijective de E dans F . On dé…nit sur F les deux
opérations + et comme suit :
1 1
8x; y 2 F : x+y =f f (x) + f (y)
1
8 2 K; 8x 2 F : x= f f (x)
1. Montrer que (F; +; ) est un K-espace vectoriel. On dit dans ce cas, qu’on opéré un
transfert de structure d’espace vectoriel de E vers F .
2. Montrer que l’application f : R2 ! C; (x; y) 7 ! f (x; y) = ax + iby (ab 6= 0) est
bijective et en déduire en utilisant la question 1, la structure de R-espace vectoriel ainsi
obtenue sur C.
Solution. 1. A. Montrons que (F; +; ) est un groupe abélien. On a,
A.1 Il est clair que la loi +, ainsi dé…nie est interne dans F .
A.2. 8x; y 2 F : x + y = f f 1 (x) + f 1 (y) = f f 1 (y) + f 1 (x) = y + x. Donc la loi
+ est commutative dans dans F .
A.3.8x; y; z 2 F :
1 1 1 1 1 1 1
f ((x + y) + z) = f (x + y) + f (z) = f f f (x) + f (y) +f (z)
1 1 1 1 1 1
= f (x) + f (y) + f (z) = f (x) + f (y) + f (z)
1 1
= f (x) + f (y + z) :
D’où,
1 1
(x + y) + z = f f (x) + f (y + z) = x + (y + z) :
B.2. 8 ; 2 K , 8x 2 F :
1 1 1
( + ) x = f ( + ) f (x) = f f (x) + f (x)
1 1
= f f ( x) + f ( x) = x+ x:
B.3. 8 ; 2 K , 8x 2 F :
1 1
( x) = f f ( x) = f ( : ) f (x) = ( : ) x:
B.4. 8x 2 F :
1 1
1 x = f 1:f (x) = f f (x) = x:
Exercice 3.5.4 Dans chacun des cas suivants dire en justi…ant votre réponse si F est un s.e.v
de E .
1. E = R2 , F = (x; y) 2 R2 : x y :
2 2
2. E = R , F = (x; y) 2 R : 3xy = 0 :
2
3. E = R , F = (x; y) 2 R2 : x y=2 :
4. E = R3 , F = (x; y; z) 2 R3 : x = 1 :
5. E = F (N; R) , F = l’ensemble des suites bornées.
6. E = F (N; R) , F = l’ensemble des suites convergentes.
7. E = F (N; R) , F = l’ensemble des suites croissantes.
8. E = F (N; R) , F = l’ensemble des suites convergentes vers 0:
9. E = F (N; R) , F = l’ensemble des suites convergentes vers a (a 2 R; a 6= 0).
Solution. 1. Non car, (2; 1) 2 F mais (2; 1) 2 = F:
2. Non car, (1; 0) 2 F et (0; 1) 2 F mais (1; 0) + (0; 1) = (1; 1) 2
= F:
3. Non car, (2; 0) 2 F mais 2: (2; 0) 2= F:
4. Non car, (1; 0; 0) 2 F mais 2: (1; 0; 0) 2
= F:
5. Oui car, la somme de deux suites bornées est une suite bornée et la multiplication par un
réel d’une suite bornée est aussi une suite bornée (cours d’analyse 1).
6. Oui car, la somme de deux suites convergentes est une suite convergente et la multiplication
par un réel d’une suite convergente est aussi une suite convergente (cours d’analyse 1).
7. Non car, la suite (xn = n)n 0 est croissante mais la suite (xn )n 0 = ( n)n 0 est décrois-
sante.
3.5. EXERCICES 31
8. Oui car, toujours d’après le cours d’analyse 1, la limite de la somme de suites convergentes
est égales à la somme des limites et la somme du produit par un scalaire d’une suite convergente
est égale au produit par ce même scalaire de la limite de la suite considérée.
n
10. Non car, les suites xn = n+1 et yn = n+2
n+1 convergent toutes les deux vers 1 mais la suite
2n+2
xn + yn = n+1 ; converge ves 2.
Exercice 3.5.5 On considère dans l’espace vectoriel E = R3 , les ensembles :
F1 = (x; y; z) 2 R3 : x = 2y , F2 = (x; y; z) 2 R3 : x = y = z , F3 = (x; y; z) 2 R3 : x y + 4z = 0 :
1. Montrer que chacun de ces ensembles est sous-espace vectoriel de R3 .
2. Montrer que R3 = F1 F2 .
3. Montrer que R3 = F2 F3 .
4. Montrer que R3 = F1 + F3 mais que cette somme n’est pas directe.
Solution. 2. Pour montrer que R3 = F1 F2 , il faut montrer que pour tout u = (a; b; c) 2 R3 ,
9! (u1 ; u2 ) 2 F1 F2 tel que : u = u1 + u2 :On a :
u1 = (y1 ; 2y1 ; z1 ) = y1 ; z1 2 R
(u1 ; u2 ) 2 F1 F2 =) :
u2 = (x2 ; x2 ; x2 ) = x2 2 R
Par conséquent,
8 8
< y1 + x2 = a < x2 = a y1
u = u1 +u2 =) (a; b; c) = (y1 + x2 ; 2y1 + x2 ; z1 + x2 ) =) 2y1 + x2 = b =) y1 + a = b :
: :
z1 + x2 = c z1 + x2 = c
Ce système une solution unique : y1 = b a; x2 = 2a b; z1 = b + c 2a:
3. Comme dans la question précédente, pour montrer que R3 = F2 F3 , il faut montrer que
pour tout u = (a; b; c) 2 R3 , 9! (u2 ; u3 ) 2 F2 F3 tel que : u = u2 + u3 :On a :
u2 = (x2 ; x2 ; x2 ) = x2 2 R
(u2 ; u3 ) 2 F2 F3 =) :
u3 = (x3 ; x3 + 4z3 ; z3 ) = x3 ; z3 2 R
Par conséquent, 8
< x2 + x3 = a
u = u2 + u3 =) (a; b; c) = (x2 + x3 ; x2 + x3 + 4z3 ; x2 + z3 ) =) x2 + x3 + 4z3 = b =)
:
8 x2 + z3 = c
< x2 + x3 = a
a + 4z3 = b .
:
x2 + z3 = c
Ce système, admet une solution unique : x2 = a b+4c
4 ; x3 = 3a+b4 4c ; z3 = b 4 a :
4. Pour montrer que R3 = F1 + F3 , il faut montrer que pour tout u = (a; b; c) 2 R3 , 9 (u1 ; u3 ) 2
F1 F2 tel que : u = u1 + u3 :On a :
u1 = (y1 ; 2y1 ; z1 ) = y1 ; z1 2 R
(u1 ; u3 ) 2 F1 F3 =) :
u3 = (x3 ; x3 + 4z3 ; z3 ) = x3 ; z3 2 R
Par conséquent, 8 8
< y1 + x3 = a < x3 = 2a b
u = u1 +u3 =) (a; b; c) = (y1 + x3 ; 2y1 + x3 ; z1 + z3 ) =) 2y1 + x3 = b =) y1 = b a .
: :
z1 + z3 = c z3 = c z1
On remarque qu’on a une in…nité de solutions, dépendant du paramètre z1 . Donc la somme n’est
pas directe.
5. Remarquons qu’on peut aussi montrer que cette somme n’est pas directe en montrons qu’il
existe au moins un vecteur non nul u = (a; b; c) 2 F1 \ F3 . En e¤et, on a :
u 2 F1 a = 2b
u = (a; b; c) 2 F1 \ F3 () () :
u 2 F3 a + 4c = b
On peut par exemple prendre u = (8; 4; 1).
32 CHAPITRE 3. ESPACES ET SOUS-ESPACES VECTORIELS
Chapitre 4
BASES ET DIMENSIONS
Dans le cas contraire, la famille A est dite liée. En d’autres termes, la relation précédente n’est
posible que si tous les coe¢ cients sont nuls.
Dé…nition 4.1.2 Soient E un K-e.v. et A = fv1 ; :::; vn g une famille de vecteurs dans E.
On dira que les vecteurs v1 ; :::; vn , sont :
Exemple 4.1.3 Les vecteurs v1 = (1; 1) , v2 = (1; 1) sont linéairement indépendants dans
R2 . Par contre, les vecteurs v1 = (1; 1) , v2 = (1; 1) , v3 = (4; 2) sont linéairement
dépendants dans R2 .
En e¤ et,
+ =0
:v1 + :v2 = 0 () ( + ; ) = (0; 0) () () = = 0:
Donc, les vecteurs v1 = (1; 1) , v2 = (1; 1) sont linéairement indépendants dans R2 . Par
ailleurs, v3 = 3:v1 + v2 . Donc, les vecteurs v1 = (1; 1) , v2 = (1; 1) , v3 = (4; 2) sont
linéairement dépendants dans R2 .
a. Toute partie de E constituée d’un seul vecteur non nul est libre,
b. Toute partie de E contenant le vecteur nul est liée,
c. Si A est libre et B A alors B est aussi libre,
d. Si A est liée et A B alors B est aussi liée.
33
34 CHAPITRE 4. BASES ET DIMENSIONS
Dé…nition 4.2.1 Soient E un K-e.v. et A = fv1 ; :::; vn g une famille de vecteurs dans E.
On dira qu’un vecteur v 2 E est une combinaison linéaire des vecteurs v1 ; :::; vn si :
Exemple 4.2.2 Dans R2 , le vecteur v3 = (4; 2) est une combinaison des vecteurs v1 = (1; 1)
et v2 = (1; 1). En e¤ et, comme déjà vu, v3 = 3v1 + v2 .
Remarque. Il découle de ce qui précéde qu’une partie A de E est liée, si l’un de ses vecteurs,
s’écrit comme combinaison linéaire des autres.
Dé…nition 4.2.3 Soient F un s.e.v de E et A = fv1 ; :::; vn g une famille de vecteurs dans
F . On dira que A engendre F (on dit aussi que A est génératrice de F ) si, tout vecteur de F
est une combinaison linéaire d’éléments de A. Si A engendre F , on écrit alors : F = vect (A).
v = (x; y; z) = (x y) v1 + (y z) v2 + z v3
1.
A B ) vect (A) vect (B) :
2.
A B et F = vect (A) ) F = vect (B)
4.3 Bases
Dé…nition 4.3.1 Soient F un s.e.v de E et A = fv1 ; :::; vn g une famille de vecteurs dans
F . On dira que A est une base de A, si A libre et engendre F .
Remarque. Sauf indication contraire, tous les espaces considérés sont des espaces de dimension
…nie. De tels espaces, sont caractérisés par le fait qu’ils sont engendrés par des parties …nies.
Exemple 4.3.2 La famille A = fv1 = (1; 1) ; v2 = (1; 1)g est une base de R2 . En e¤ et, On
a déjà vu que A engendre R2 . Montrons que A libre. On a,
v1 + v2 = 0R2 )( + ; ) = (0; 0)
+ =0
) ) = = 0:
=0
4.3. BASES 35
Exemple 4.3.3 La famille A = fv1 = (1; 0; 0) ; v2 = (1; 1; 0) ; v3 = (1; 1; 1)g est une base de
R3 . En e¤ et, On a déjà vu que A engendre R3 . Montrons que A libre. On a,
8
< + + =0
v1 + v2 + v3 = 0R3 ) ( + + ; + ; ) = (0; 0; 0) =) + =0 =) = = = 0:
:
=0
Proposition 4.3.5 Soient F un s.e.v de E et A = fv1 ; :::; vn g une famille de vecteurs dans
F . Alors,
Preuve. 1. (=)) Il faut démontrer seulement l’uncité de la décompsition. Supposons donc que
pour un certain v 2 F; 9 ( 1 ; :::; n ) 2 Kn et 9 ( 1 ; :::; n ) 2 Kn tels que :
v= 1 v1 + ::: + n vn et v= 1 v1 + ::: + n vn :
On aura donc,
( 1 1) v1 + ::: + ( n n) vn = O:
Puisque A = fv1 ; :::; vn g est une partie libre, la dernière égalité n’est possible que si : 1 1 =
= n n = O. Ce qui signi…e que 1 = 1 ; = n = n : D’où unicité de la décomposition.
2. ((=) Il faut démontrer que la famille A = fv1 ; :::; vn g est une partie libre :
Preuve. On a :
A libre et F = vect (B) card (A) card (B)
A et B deux bases de F ) =) )
B libre et F = vect (A) card (B) card (A)
card (A) = card (B) :
Dé…nition 4.3.9 Soient F est un s.e.v de E et B = fv1 ; :::; vn g une base F: D’après ce qui
précéde, tout vecteur v de F , s’écrit de manière unique sous la forme : v = 1 v1 + ::: + n
vn ; ( 1 ; :::; n ) 2 Kn . Les scalaires 1 ; :::; n , sont appelés coordonnées du vecteur v dans la
base B et on écrit : v = ( 1 ; ::::; n )B .
36 CHAPITRE 4. BASES ET DIMENSIONS
Exemple 4.3.10 La famille Bc = fe1 = (1; 0; :::; 0) ; e2 = (0; 1; 0; :::; 0) ; ::::; en = (0; 0; :::; 0; 1)g
est une base du K-espace vectoriel Kn . On l’appelle la base canonique de Kn . De plus, les co-
ordonnées du vecteur v = (x1 ; ::::; xn ) sont les scalaires x1 ; ::::; xn . C’est à dire :
Exemple 4.3.11 La famille B = fv1 = (1; 1) ; v2 = (1; 1)g est une base du R-espace vec-
toriel R2 . De plus,
x+y x y
v = (x; y) 2 R2 ) v = ; :
2 2 B
Exemple 4.3.12 La famille B = fv1 = (1; 0; 0) ; v2 = (1; 1; 0) ; v3 = (1; 1; 1)g est une base
du R-espace vectoriel R3 . De plus,
v = (x; y; z) 2 R3 ) v = (x y) v1 + (y z) v2 + z v3 ) v = (x y; y z; z)B .
Solution. On a
Comme v1 6= 0 alors, la famille B = fv1 = (1; 1)g est une base de F . De plus v = (x; y) 2
F ) v = (x; x)B et dim F = 1.
Posons B = fv1 = (1; 1; 0) ; v2 = ( 1; 0; 1)g. Il est clair que F = vect (B). Montrons que B
est libre. On a
v1 + v2 = 0R3 ) ( ; ; ) = (0; 0; 0) ) = = 0:
Donc, B = fv1 = (1; 1; 0) ; v2 = ( 1; 0; 1)g est une base de F , dim F = 2. D’autre part,
Corollaire 4.3.16 Soit B une partie non vide du K-espace vectoriel Kn . Alors,
Theorème 4.3.19 (de la base incomplète) Soit F un s.e.v de E. On suppose que dim F = n.
Si B est une partie libre de vecteurs de F et si p = Card (B) n , alors on peut toujours
rajouter (n p) vecteurs à B pour obtenir une base de F .
Preuve. Posons B = fv1 ; :::; vp g. Comme B est libre et p = Card (B) n = dim F alors, B
n’engendre pas F . Il existe donc, un vecteur w1 2 F tel que la partie B1 = fv1 ; :::; vp ; w1 g est
une partie libre de F . Deux situations se présentent :
1. Card (B1 ) = p + 1 = n. Dans ce cas, B1 est une base de F .
2. Card (B1 ) = p + 1 n. En appliquant le même raisonnement que précédemment, on peut
donc trouver un vecteur w2 2 F tel que la partie B2 = fv1 ; :::; vp ; w1 ; w2 g est une partie libre
de F .
On compare à nouveau, Card (B2 ) = p + 2 avec n pour décider soit d’arréter le processus ou le
continuer jusqu’à obtention d’une base de F .
Remarque. Le processus décrit dans le théorème précédent doit être répété (n p) fois jusqu’à
obtention d’une base.
38 CHAPITRE 4. BASES ET DIMENSIONS
Solution. On sait que dim R2 = 2. Il faut donc trouver un vecteur v1 = (x1 ; y1 ) 2 R2 tel que
B1 = fv; v1 g est une partie libre. D’après la remarque 4.3.18, on doit avoir :
3 2
jA (v; v1 )j = = 3y1 + 2x1 6= 0:
x1 y1
Exemple 4.3.21 On considère dans R3 le vecteur v = (1; 2; 1). Compléter la partie B = fvg
en une base de R3 . Comme dim R3 = 3. Il faut donc trouver deux vecteurs v1 = (x1 ; y1 ; z1 ) 2 R3
v2 = (x2 ; y2 ; z2 ) 2 R3 tels que B2 = fv; v1 ; v2 g est une partie libre de R3 .
1 2 1
jA (v; v1 ; v2 )j = x1 y 1 z1 = (y1 z2 y2 z1 ) + 2 (x1 z2 x2 z1 ) + (y1 y2 x2 y1 ) 6= 0:
x2 y 2 z2
On peut par exemple prendre fv1 = (1; 2; 0) ; v2 = (1; 0; 1)g ou fv1 = (1; 0; 0) ; v2 = (0; 0; 1)g ;....
On aura donc
0 1
1 1 0
la matrice A (v; v1 ; v2 ) = ,
(x1 y1 + 2z1 ) = 0 et @ x1 y1 z1 A
contient au moins un déterminant non nul d’ordre 2.
Ce qui équivaut à :
1 1 1 0 1 0
(x1 y1 + 2z1 ) = 0 et 6= 0 ou 6= 0 ou 6= 0 :
x1 y1 x1 z1 y1 z1
Soit …nalement,
(x1 y1 + 2z1 ) = 0 et (x1 6= y1 ou z1 6= 0 ) :
On peut donc prendre : v1 = (1; 3; 1) ou v1 = (5; 1; 2),...
Corollaire 4.3.23 Soit F un s.e.v de E. On suppose que dim F = n. Si B est une partie
libre de vecteurs de F telle que Card (B) = n , alors B est une base de F .
Remarque. Quand n est assez petit, Il est préférable au lieu d’utiliser le processus décrit, de
repérer directement et d’éliminer de B tous les éléments de qui s’écrivent comme d’une manière
apparente comme combinaison linéaire des autres éléments (de B).
Exemple 4.3.25 On considère dans R2 , la famille B = fv1 = (1; 1) ; v2 = (1; 2) ; v3 = (2; 1) ; v4 = (1; 1)g :
Extraire de B une base de R2 .
Solution. Remarquons tout d’abord que le vecteur v4 , peut être éliminé car, v4 = v2 + v3 :
De même, v3 = 3v1 v2 . Il nous reste donc les deux vecteurs v1 et v2 . Ils sont linéairement
indépendants car :
1 1
jA (v1 ; v2 )j = = 1 6= 0:
1 2
Donc la famille B0 = fv1 = (1; 1) ; v2 = (1; 2)g est une base de R2 .
Preuve. Posons dim F1 = n1 , dim F2 = n2 , dim (F1 \ F2 ) = p. Soit B0 = fv1 ; v2 ; :::; vp g une
base de F1 \ F2 . On a F1 \ F2 F1 et F1 \ F2 F2 . Donc, B0 est en même temps une partie
libre de F1 et une partie libre de F2 . Donc,
1. Il existe d’après le théorème de la base incomplète dans F1 des vecteurs u1 ; :::; un1 p , tels
que B1 = fv1 ; v2 ; :::; vp ; u1 ; :::; un1 p g est une base de F1 .
2. Il existe d’après le théorème de la base incomplète dans F1 des vecteurs w1 ; :::; wn2 p , tels
que B2 = fv1 ; v2 ; :::; vp ; w1 ; :::; wn2 p g est une base de F2 .
Considérons maintenant la famille B = fw1 ; :::; wn2 p ; v1 ; v2 ; :::; vp ; u1 ; :::; un1 p g. Il est clair
que B F1 + F2 et que :
Donc si on démontre que est une base de F1 + F2 , on aura terminé la preuve du théorème. On
a:
u1 = 1 :v1
+ + p :vp
+ 1 :u1
+ + n1 p :un1 p ; i; j 2 K:
u 2 F1 +F2 =) u = u1 +u2 avec :
u2 = 1 1+
:v + p p+
:v 1 1+
:w + n2 p :wn2 p; i; j 2 K:
Donc,
La famille B engendre donc F1 + F2 : Il reste à prouver qu’elle est libre. Supposons que :
La question qui se pose est : Quelle est la relation entre les coordonées 1 ; ::::; n et les
coordonnées 01 ; ::::; 0n ?
Posons 2 3
a11 a12 : : : a1n
6 a21 a22 : : : a2n 7
6 7
6 : : : : : : 7
P(B 0 ; B) =6
6
7
7 (4.9)
6 : : : : : : 7
4 : : : : : : 5
an1 an2 : : : ann
Dé…nition 4.5.1 La matrice P(B 0 ; B) est appelée matrice de passage de la base B vers la
base B 0 . (Attention à l’ordre) ! ! !
Remarque. Les éléments de la colonne j sont les coordonnées du vecteur du vecteur vj0 de
B 0 dans la base B .
Exemple 4.5.2 Si E = R2 , B = Bc = fe1 = (1; 0) ; e2 = (0; 1)g , B 0 = fv1 = (1; 1) ; v2 = (1; 1)g
alors,
1 1
1 1
P(B 0 ; B) = ; P(B; B 0 ) = 12 2
1
1 1 2 2
Proposition 4.5.4 Soient B = fv1 ; :::; vn g et B 0 = fv10 ; :::; vn0 g deux bases du K-e.v E.
Alors P(B 0 ; B) et P(B; B 0 ) sont toutes les deux inversibles. De plus,
1
P(B 0 ; B) = P(B; B0 ) (4.10)
42 CHAPITRE 4. BASES ET DIMENSIONS
alors 0 1 0 1
0
1 1
B : C B : C
B C B C
B : C = P(B 0 ; B C
B) B : C (4.11)
B C
@ : A @ : A
0
n n
v = x e1 + y e2 v = (x; y)Bc
v = (x; y) 2 R2 ) )
v = x+y
2 v1 + x 2 y v2 v = x+y x y
2 ; 2 B0
D’autre part,
1 1
1 1 2 2
P(B 0 ; B) = ; P(B; B0 ) = 1 1
1 1 2 2
et
1 1 x+y
x 2 2 x 2
P(B; B0 ) = 1 1 = x y
y 2 2 y 2
Posons
v = x0 v1 + y 0 v2 + z 0 v3 ) v = (x0 ; y 0 ; z 0 )B 0
Alors, 0 1 0 1 2 30 1 0 1
x0 x 1 1 0 x x y
@ y 0 A = P(B; B0 )
@ y A=4 0 1 1 5@ y A = @ y z A:
z0 z 0 0 1 z z
Exemple 4.5.8 On considère dans le R-espace vectoriel R4 , les deux familles de vecteurs :
1 1 1 1 0 1 1 1
1 1 1 1 1 0 1 1
et
1 1 1 1 1 1 0 1
1 1 1 1 1 1 1 0
1 1 1 1 0 0 2 2
1 1 1 1 1 1
1 1 1 1 1 1 1 1
= = 2: 1 1 1 2: 1 1 1
1 1 1 1 1 1 1 1
1 1 1 1 1 1
1 1 1 1 1 1 1 1
1 0 0 1 0 0
= 2: 1 1 1 2: 1 1 1 = 2: ( 2) 2: (2) = 8:
1 1 1 1 1 1
De la même manière, on montre que le deuxième déterminant est aussi di¤érent de zéro.
2. Soit v = (x; y; z; t) 2 R4 . On a
v = v1 + v2 + 3 v3 + 4 v4
81 2
8
>
> 1+ 2+ 3+ 4 =x >
> 1 + 3+ 4 =x
2 +
< <
1 2+ 3+ 4 =y = x+y
32 + 4
) )
>
> 1+ 2 3+ 4 =z >
> 1+ 2 3+ 4 =z
: : z+t
1+ 2+ 3 4 =t 1+ 2 = 2
8 8 x y x+y+z+t
>
> + 2 = z+t
1 2 >
> 2 1 = z+t
2 2 = 2
< x+y x y < z+t x y x y+z+t
1+ 2 =x 2 = 2 2 2 = 2 + 2 = 2
) x+y ) x+y z t x+y z+t
>
> 3+ 4 = 2 >
> 2 3 = 2 2 =
: z+t z t : x+y z t
2
x+y+z t
3+ 4 =z 2 = 2 2 4 = 2 + 2 = 2
Il nous reste à trouver P(B;B 0 ) . Il faut donc exprimer les éléments de B en fonction des éléments
de B 0 . On a 8
>
> v1 = 53 v10 1 0
3 v2
1 0
3 v3
1 0
3 v4
<
v2 = 3 v1 + 3 v2 3 v3 13 v40
1 0 5 0 1 0
>
> v3 = 13 v10 1 0 5 0
3 v2 + 3 v3
1 0
3 v4
:
v4 = 3 v1 3 v2 3 v3 + 53 v40
1 0 1 0 1 0
D’où 2 3
5 1 1 1
3 3 3 3
6 1 5 1 1 7
P(B;B 0 ) = 6
4
3
1
3
1 5
3 3
1
7:
5
3 3 3 3
1 1 1 5
3 3 3 3
44 CHAPITRE 4. BASES ET DIMENSIONS
Finalement,
0 0 1 0 x+y+z+t 1 2 5 1 1 1
30 x+y+z+t 1
x 4 3 3 3 3 4
B y0 C B x y+z+t C 6 1 5 1 1 7B x y+z+t C
B 0 C = P(B;B 0 ) B x+y 4 z+t C=6 3 3 3 3 7B 4 C
@ z A @ A 4 1 1 5 1 5@ x+y z+t A
4 3 3 3 3 4
x+y+z t 1 1 1 5 x+y+z t
t0 4 3 3 3 3 4
0 2x+y+z+t 1
3
B x 2y+z+t C
= B
@
3
x+y 2z+t
C
A
3
x+y+z 2t
3
C’est à dire :
2x + y + z + t x 2y + z + t x + y 2z + t x + y + z 2t
v = (x; y; z; t) 2 R4 ) v = ; ; ; :
3 3 3 3 B0
Proposition 4.6.1 La relation R est une relation d’équivalence. De plus, pour tout x 2 E, la
classe d’équivalence de x (noté x) est l’ensemble :
x = x + F = fx + u : u 2 F g :
1. xRy et x0 Ry 0 =) (x + x0 ) R (y + y 0 ) :
2. 8 2 K; xRy =) ( :x) R ( :y) :
Preuve. 1. On a :
xRy x y2F
=) =) (x + x0 ) (y + y 0 ) = (x y) + (x0 y 0 ) 2 F:
x0 Ry 0 x0 y 0 2 F
2. xRy =) x y 2 F =) :x :y = : (x y) 2 F:
Proposition 4.6.3 8x 2 E : x = F () x 2 F:
Preuve. On a x = x + F = fx + u : u 2 F g :Donc,
x = F () 8u 2 F; x + u 2 F () 8u 2 F; x = (x + u) u2F
4.6. L’ESPACE QUOTIENT 45
Proposition 4.6.4 Soit E=F l’espace quotient (c.à.d. l’ensemble de toutes les classes d’équi-
valence). On dé…nit dans E=F les deux opérations :
1. 8x; y 2 E=F : x y = x + y:
2. 8 2 K; 8x 2 E=F : x = :x:
Alors, (E=F; ; ) est un K-espace.vectoriel.
Preuve. Remarquons tout d’abord que les deux opérations ainsi dé…nies, ne dépendent pas du
choix des représentants de x et de y. En e¤et, soient a 2 x et b 2 y. Alors,
De la même manière,
x a= (x a) 2 F =) ( x) R ( a) =) :x = :a:
Preuve. Puisque dim E +1 alors, dim F +1. Supposons que dim E = n et dim F = p:
Soit BF = fu1 ; :::; up g une base de F . D’après le théorème de la base incomplète, on peut
rajouter (n p) vecteurs up+1 ; :::; un pour obtenir une base de E tout entier. Montrons que les
vecteurs : up+1 ; :::; un forment une base de E=F .
b 2 E=F: On a :
Soit x
x = ( 1 :u1 + ::: + p :up + p+1 :up+1 + ::: + n :un ) = ( 1 :u1 + ::: + p :up ) p+1 :up+1 ::: n :un
= 0 p+1 :up+1 ::: n :un = p+1 :up+1 ::: n :un :
Donc, les vecteurs up+1 ; :::; un , engendrent E=F . Montrons que c’est une partie libre de E=F .
On a :
4.7 Exercices
Exercice 4.7.1 Dans chacun des cas suivants dire si la famille B est libre, engendre E, est
une base de E. Quand ce n’est pas une base de E, trouver dim (vect (B)).
1 0 1
2 2 0 2
jA (v1 ; v2 ; v3 )j = 0 2 2 = + = (2 14) + ( 6) = 18:
7 1 3 7
3 7 1
D’après la propsition 4.3.18, B1 est une partie libre de E = R3 . Puisque R3 = 3, alors c’est
aussi une base de R3 .
2. On a :
1 2 1 2
2 1 2 1
jA (v1 ; v2 ; v3 ; v4 )j = = 0:
1 0 1 1
0 1 0 0
D’après la propsition 4.3.18, B2 est une partie libre de E = R4 . Comme Card (B2 ) = 4 =
dim R4 . Alors ce n’est pas non plus une partie génératrice de R4 . Par ailleurs, de la matrice
(après élimination de v1 ,
2 3
2 1 2 1
A1 (v2 ; v3 ; v4 ) = 4 1 0 1 1 5 ;
0 1 0 0
on peut extraire une matrice carrée d’ordre 3 dont le déterminant n’est pas nul. En e¤et,
1 2 1
0 1 1 = 1 6= 0:
1 0 0
Donc B20 est une partie libre de E = R4 . Par conséquent, dim (vect (B2 )) = 3.
3. B3 ne peut pas engendrer R5 ;car Card (B3 ) = 4 dim R5 = 5. Par ailleurs, tous les
déterminants d’ordre 4, extraits de la matrice
2 3
1 2 1 2 1
6 2 1 2 1 2 7
6
A (v1 ; v2 ; v3 ; v4 ) = 4 7;
1 0 1 1 0 5
0 1 0 0 1
sont nuls :
1 2 1 2 1 2 1 1 1 2 2 1 1 1 2 1 2 1 2 1
2 1 2 1 2 1 2 2 2 1 1 2 2 2 1 2 1 2 1 2
= = = = = 0:
1 0 1 1 1 0 1 0 1 0 1 0 1 1 1 0 0 1 1 0
0 1 0 0 0 1 0 1 0 1 0 1 0 0 0 1 1 0 0 1
Exercice 4.7.2 Dans chacun des cas suivants, montrer que F est un s.e.v. de E et en donner
une base ainsi que la dimension.
1. E = R3 , F1 = (x; y; z) 2 R3 : x + y + z = 0 ; x y+z =0 ;
3 3
2. E = R , F2 = (x; y; z) 2 R : x + y z=0 ;
4 4
3. E = R , F1 = (x; y; z; t) 2 R : x + y z=0 ;
4 4
4. E = R , F2 = (x; y; z; t) 2 R : x y+z =0 ; x+z+t=0 :
3 3
Solution. 1. E = R , F1 = (x; y; z) 2 R : x + y + z = 0 ; x y + z = 0 . On laisse au lec-
teur le soin de véri…er que F1 est un sous-espace vectoriel de E = R3 . Soit maintenant,
u = (x; y; z) 2 F1 : Alors,
x y+z =0 x y+z =0
u = (x; y; z; t) 2 F2 () () :
x+z+t=0 y+t=0
Donc,
1. Montrer que R3 = F1 F2 :
Solution. On a,
8 8
< x+y+z =0 < x+y+z =0
u = (x; y; z) 2 F1 \ F2 () x y + z = 0 () x y+z =0
: :
x+y z =0 2x = 0
8
< y+z =0
() y + z = 0 () x = y = z = 0 () F1 \ F2 = f0g : (4.13)
:
2x = 0
Par conséquent,
D’où R3 = F1 F2 :
1. Calculer F1 \ F2 ;
2. En déduire en utilisant le théorème des dimensions que R4 = F1 + F2 .
3. Cette somme, est-elle directe ?
Solution. 1. On a :
u = (x; y; z; t) 2 F1 x+y z =0
u = (x; y; z; t) 2 F1 \ F2 () ()
u = (x; y; z; t) 2 F2 x+z+t=0
z =x+y z =x+y
() () () u = (x; y; x + y; 2x y)
2x + y + t = 0 t = 2x y
() u = x: (1; 0; 1; 2) + y: (0; 1; 1; 1) :
Donc, F1 \ F2 est engendré par les vecteurs u1 = (1; 0; 1; 2) et u2 = (0; 1; 1; 1) qui sont en
plus linéairement indépendants.
2. On a
Exercice 4.7.5 Soient B et B 0 deux parties non vides d’un espace vectoriel E.
1. Montrer que vect (B) est le plus petit sous-espace de E, contenant B. En déduire que,
est aussi un sous-espace de E et c’est le plus petit qui contient B. Par ailleurs, vect (B) 2 FB et
EB vect (B). Montrons que vect (B) = EB . Il su¢ t pour cela, de montrer que vect (B) EB .
On a,
D’où l’égalité. Par ailleurs l’assertion B vect (B 0 ), signi…e que vect (B 0 ) est un sous-espace
de E, contenant B. Comme vect (B) est le plus petit sous-espace de E, contenant B, on a
forcément vect (B) vect (B 0 ).
2. Pour montrer que B et B 0 , engendrent le même sous-espace, il faut montrer que : B
vect (B 0 ) et B 0 vect (B). En d’autres termes il faut montrer que pour tout i = 1; 2; 3, il existe
des réels i ; i ; i des réels 0i ; 0i ; 0i tels que :
0 0 0 0 0 0
vi = i :v1 + i :v2 + i :v3 et vi0 = i :v1 + i :v2 + i :v3 :
1 1 2
1 0 1 = 2 6= 0:
0 1 1
Donc les vecteurs v1 ; v2 ; v3 sont linéairement indépendants, ce qui signi…e que dim (vect fv1 ; v2 ; v3 g) =
3. Finalement,
Deuxième méthode : Nous savons déjà (voir 4.7.2) que F = vect fu1 = (1; 0; 1; 0) ; u2 = (0; 1; 1; 0) ; u3 = (0; 0; 0; 1)g.
50 CHAPITRE 4. BASES ET DIMENSIONS
Nous avons aussi vu que (première méthode) que vect fv1 ; v2 ; v3 g F . Il su¢ t donc de montrer
que fu1 = (1; 0; 1; 0) ; u2 = (0; 1; 1; 0) ; u3 = (0; 0; 0; 1)g vect fv1 ; v2 ; v3 g. Or,
8
< u1 = (1; 0; 1; 0) = v1 v3
u2 = (0; 1; 1; 0) = 21 :v1 12 :v2 + 12 :v3 :
:
u3 = (0; 0; 0; 1) = 21 :v1 + 12 :v2 + 12 :v3
3. v = (x; y; z) 2 G () v = (x; y; x y) = x: (1; 1; 0)+y: (0; 1; 1). Donc, G = vect fu1 = (1; 1; 0) ; u2 = (0; 1; 1)g
Comme les vecteurs u1 et u2 sont linéairement indépendants, l’ensemble BG = fu1 ; u2 g est
une base de G et dim G = 2.
4. On a,
R3 = F G =) F \ G = f0g =) dim (F \ G) = 0:
D’où,
v2F x y+z =0
v = (x; y; z) 2 F \ G () ()
v2G x+y+z =0
x y+z =0 x= z
() () () v = x: (1; 0; 1) :
x+z =0 y=0
4.7. EXERCICES 51
1 a1 a2
0 b1 b2 = b1 c2 b2 c1 a1 b2 + a2 b1 = b1 (a2 + c2 ) b2 (a1 + c1 ) 6= 0:
1 c1 c2
u3 = u3 + G = fu3 + 1 u1 + 2 :u1 : 1; 2 2 Rg :
Finalement,
u 2 R3 =G () u = :u3 ; 2 R:
w 2 R3 =F \ G () w = w + F \ G = fw + v : 2 Rg :
Par ailleurs, comme établi plus haut, B = fv = (1; 0; 1) ; v1 = (1; 1; 0) ; v2 = (1; 0; 0)g est une
base de R3 . Donc, B F \G = fv 1 ; v 2 g est une base de R3 =F \ G. De plus,
v 1 = v1 + F \ G = fv1 + :v : 2 Rg ; v 2 = v2 + F \ G = fv2 + :v : 2 Rg :
Ainsi donc,
w 2 R3 =F \ G () w = 1 :v 1 + 2 :v 2 ; 1; 2 2 R:
Exercice 4.7.8 Soit R [X] le R -espace vectoriel des polynomes à une indéterminée et à coef-
…cients dans R .
1. Pour tout naturel non nul n, on désigne par Rn [X] l’ensemble des éléments P 2 R [X]
et véri…ant la condition d° P n. Montrer que Rn [X] est un s.e.v de R [X] et que sa
dimension est (n + 1).
2. Soit F = fP 2 R3 [X] : P 00 (0) = 0g. Montrer que F est un s.e.v de R3 [X] et trouver
sa dimension.
3. Soit G = fP 2 R3 [X] : P (0) = P 0 (0) = 0g. Montrer que G est un s.e.v de R3 [X] et
trouver sa dimension.
4. Montrer que R3 [X] = F + G. Cette somme est-elle directe ?
52 CHAPITRE 4. BASES ET DIMENSIONS
Solution. 1. On a :
P (X) = an X n + an 1X
n 1
+ ::: + a1 X + a0 ; ai2R
P; Q 2 Rn [X] =) :
Q (X) = bn X n + bn 1X
n 1
+ ::: + b1 X + b0 ; bi2R
Donc, 8 ; 2 R;
D’où :P + :Q 2 Rn [X]. Donc, Rn [X] est un s.e.v de R [X]. D’autre part, de la relation :
P 2 Rn [X] =) P (X) = an X n + an 1X
n 1
+ ::: + a1 X + a0 ; a i 2 R;
P 2 R3 [X] P (X) = aX 3 + bX 2 + cX + d
P 2 F () ()
P 00 (0) = 0 P 00 (0) = 0
P (X) = aX 3 + bX 2 + cX + d
() () P (X) = aX 3 + cX + d:
b=0
Donc, F = vect X 3 ; X; 1 . Comme BF = X 3 ; X; 1 est une partie libre de F , c’est aussi une
base de F et .dim F = 3.
3. Un raisonnement analogue au cas du sous-espace F , permet de montrer que G est aussi un
sous-espace de R3 [X]. Par ailleurs,
8 8
< P 2 R3 [X] < P (X) = aX 3 + bX 2 + cX + d
P 2 G () P (0) = 0 () P (0) = 0
: :
P 0 (0) = 0 P 0 (0) = 0
8
< P (X) = aX 3 + bX 2 + cX + d
() d=0 () P (X) = aX 3 + bX 2 :
:
c=0
On en déduit que BG = X 3; X 2 est une partie libre de G, c’est aussi une base de G et
.dim G = 2.
APPLICATIONS LINÉAIRES
53
54 CHAPITRE 5. APPLICATIONS LINÉAIRES
Proposition 5.1.10 Une application linéaire f : E ! F est parfaitement dé…nie par la donnée
des images des éléments d’une partie génératrice quelconque de E.
x 2 E =) x = 1 v1 + :::: + n vn ( 1 ; :::; n 2 K)
=) f (x) = f ( 1 v1 + :::: + n vn ) = 1 f (v1 ) + ::: + n f (vn ) :
Corollaire 5.1.11 Pour connaitre , il su¢ t de connaitre les images des éléments d’une base
quelconque de E.
8v 2 E; v = u 2K et f (u) = u:
Par conséquent,
f (v) = f ( u) = f (u) = ( u) = ( : ) u = ( : ) u = ( u) = v:
Proposition 5.1.14 Soit f : E ! E une application linéaire. On suppose que, BE = fu1 ; :::; un g
est une base de E et que BF = fv1 ; :::; vm g est une base de F . Alors,
avec, 0 1 0 1
1 a11 1 + ::: + a1n n
B : C B : C
B C B C 1 i m
B : C=B : C; aij 2 K; :
B C B C 1 j n
@ : A @ : A
m am1 1 + ::: + amn n
Preuve. On a,
Proposition 5.1.15 L’ensemble des apllications linéaires de E dans F est noté L (E; F ) :
On peut montrer que c’est un K-espace vectoriel pour l’addition des applications et la multi-
plication par un scalaire. Si E = F , cet espace est noté L (E) et l’espace L (E; K) de toutes
les formes linéaires sur E est appelé espace dual de E et est noté E .
(f + g) ( x+ y) = f( x+ y) + g ( x+ y)
= ( f (x) + f (y)) + ( g (x) + g (y))
= (f (x) + g (x)) + (f (y) + g (y))
= (f + g) (x) + (f + g) (y) :
Donc, (f + g) L (E; F ), ce qui signi…e que la loi + est interne dans L (E; F ).
1.2. 8f; g 2 L (E; F ), 8x 2 E :
D’où, f +O = f (c’est à dire que l’appliocation linéaire O est l’élément neutre pour la loi + dans L (E; F )).
f : E ! F; ( f ) (x) = f (x) :
Donc, f + ( f ) = O (c’est à dire que ( f ) est le symétrique dans L (E; F ) de f pour la loi +).
2. Véri…ons maintenant les propriétés de la loi externe.
2.1. 8f; g 2 L (E; F ), 8 2 K; 8x 2 E :
Donc, (f + g) = f+ g.
2.2. 8f 2 L (E; F ), 8 ; 2 K; 8x 2 E :
D’où, ( + ) f = f+ f.
2.3. 8f 2 L (E; F ), 8 ; 2 K; 8x 2 E :
Donc, ( f) = ( ) f.
2.4. 8f 2 L (E; F ), 8x 2 E :
Donc, 1K f = f .
1
Proposition 5.1.16 Si f : E ! F est une application linéaire bijective alors, f :F !E
est aussi une application linéaire.
Preuve. Cette proposition, signi…e que la composée de deux applications linéaires est une
application linéaire. Remarquons tout d’abord que g f : E ! G. Soient donc, ; 2 K et
u; v 2 E. Alors,
ker f = fx 2 E : f (x) = 0F g
Proposition 5.2.2 Si f : E ! F est une application linéaire alors, ker f est un sous espace
vectoriel de E.
2
Preuve. Soient ( ; ) 2 K2 et (x; y) 2 (ker f ) . Alors,
f( x+ y) = f (x) + f (y) = 0F + 0F = 0F + 0F = 0F
Donc, ker f f0E g . Comme f0E g est inclus dans tout sous espace vectoriel, on a alors
ker f = f0E g.
Inversement supposons que ker f = f0E g et montrons que f est injective. Pour tous
x; y 2 E, on a
D’où l’injectivité de f .
Preuve. Supposons que f est injective et soit A = fv1 ; :::; vn g une partie libre de E. Il faut
montrer que f (A) = ff (v1 ) ; :::; f (vn )g est une partie libre de F . On a,
Corollaire 5.2.5 Soient f : E ! F une application linéaire et B = fu1 ; :::; un g une base de
E. Alors,
f injective , f (B) est une partie libre de F .
Preuve. En vertu de la propsition 5.2.4, il faut déontrer seulement l’implication inverse. Soit
x 2 ker f . On a,
x= 1 u1 + :::: + n un ; i 2K
x 2 ker f =) =) 1 f (u1 )+::::+ n f (un ) = 0F :
f (x) = 0F
Comme la famille f (B) = ff (u1 ) ; :::; f (un )g est une partie libre de F , il découle de la
relation précédente que tous les coe¢ cients i sont égaux à zéro.¨ Par conséquent, x = 0E et f
est donc injective.
Exercice 5.2.6 L’application linéaire R : R2 ! R2 ; R (x; y) = (x: cos y: sin ; x: sin + y: cos ) est-
elle injective ?
58 CHAPITRE 5. APPLICATIONS LINÉAIRES
Solution. On a,
On remarque que (x; y) = (0; 0) est une solution. Comme le déterminant de ce système est
cos2 + sin2 = 1 alors, c’est la seule solution. C’est à dire que ker R = f(0; 0)g et ker R est
donc injective.
Solution. On a,
x+y =0
v = (x; y; z) 2 ker f () (x + y ; y z) = (0; 0) ()
y z
() ker f = fv = ( z; z; z) =z 2 Rg =
6 f(0; 0; 0)g :
Im f = fy = f (x) : x 2 Eg = f (E) :
Proposition 5.3.2 Si f : E ! F est une application linéaire alors, Im f est un sous espace
vectoriel de F .
2
Preuve. Soient ( ; ) 2 K2 et (y1 ; y2 ) 2 (Im f ) . Il existe donc (x1 ; x2 ) 2 E 2 tels que,
y1 = f (x1 ) et y2 = f (x2 ). Par conséquent,
y1 + y2 = f (x1 ) + f (x2 ) = f ( 1 x1 + 2 x2 ) 2 Im f
y 2 Im f ) y = f (x) (x 2 E)
Par ailleurs
((=) Supposons maintenant que l’image de toute partie génératrice de E est une partie
génératrice de F et montrons que f est surjective. Soit donc A = fv1 ; :::; vn g une partie
génératrice de E. On a donc,
Corollaire 5.3.4 Soient f : E ! F une application linéaire et B = fu1 ; :::; un g une base de
E. Alors,
f surjective , f (B) est une partie génétratrice de F .
Preuve. En vertu de la proposition 5.3.3, il reste à démontrer l’implication inverse. Soit donc
y 2 F . On a,
f (B) = ff (u1 ) ; :::; f (un )g partie génétratrice de F =) y = 1 f (u1 ) + ::: + n f (un ) ; 1 ; :::; n 2 K;
=) y = f ( 1 u1 + ::: + n un ) = f (x) ; x = 1 u1 + ::: + n un 2 E:
Par ailleurs, on a déjà vu que ff (e1 ) = (1; 0) ; f (e2 ) = (1; 1)g est une base de R2 . En remae-
quant que f (e3 ) = f (e1 ) f (e2 ), on obtient donc,
vect (f (B)) = vect (f (e1 ) = (1; 0) ; f (e2 ) = (1; 1) ; f (e3 ) = (0; 1)) = vect (f (e1 ) = (1; 0) ; f (e2 ) = (1; 1)) = R2 :
s : E ! E= ker f ; x 7 ! s (x) = x
:
g : E= ker f ! F ; g (x) = f (x)
60 CHAPITRE 5. APPLICATIONS LINÉAIRES
Par ailleurs,
3. f = g s et Im f = Im g.
4. Soit B = fv 1 ; :::; v p g une base de E= ker f . On sait d’après ce qui précéde que p = dim E
dim (ker f ). D’après les propositions 5.2.4 et 5.3.3, l’ensemble,
constitue une base de Im g = Im f . Ainsi donc, dim (Im f ) = dim (Im g) = dim (E= ker f ). Par
conséquent,
dim E = dim (ker f ) + dim (E= ker f ) = dim (ker f ) + dim (Im g) = dim (ker f ) + dim (Im f ) :
Par ailleurs, l’application linéaire f : R2 ! R3 ; f (x; y) = (x ; 0), n’est pas injective car,
u = (0; 1) 2 ker f .
2. On a,
3. On a,
Corollaire 5.4.3 Soit f : E ! F une application linéaire. On suppose que dim E = dim F .
Dans ce cas,
f bijective , f injective , f surjective
5.5. EXERCICES 61
Corollaire 5.4.4 Soit f : E ! F une application linéaire. On suppose que dim E = dim F =
1. Dans ce cas, soit f est l’application nulle, soit f est une bijection.
Preuve. Soient u un vecteur non nul de E et v un vecteur non nul de F . Comme dim E =
dim F = 1 alors, BE = fug est une base de E et BF = fvg est une base de F . Deux possibilités
se présentent :
1. Possibilité 1. f (u) = 0F . Dans ce cas,
w 2 E =) w = u; 2 K =) f (u) = f ( u) = f (u) = 0F = 0F =) f est l’application nulle.
2. Possibilité 2. f (u) 6= 0F . Dans ce cas,
w= u; 2K
w 2 E et f (w) = 0F =) =) = 0K =) w = 0E =) ker f = f0E g :
f (w) = f (u) = 0F
Donc d’après le corollaire précédent, f est une bijection.
Exercice 5.4.5 On considère l’application linéaire
f : R3 ! R3 ; f (x; y; z) = (x y; y z; x + 2z)
Montrer que cette application est bijective.
Solution. Puisqu’on a la même dimension au départ et à l’arrivée, il su¢ t de montrer qu’elle
est injective. On a :
8
< x y=0
x=y=z
(x; y; z) 2 ker f =) y z = 0 =) =) (x; y; z) = (0; 0; 0) :
: 3z = 0
x + 2z = 0
5.5 Exercices
Exercice 5.5.1 On considére les deux applications :
f : R2 ! R3 ; f (x; y) = (y; x; x + y)
:
g : R ! R2 ;
3
g (x; y; z) = ( x + y + z; x y + z)
1. Montrer que ces deux applications sont linéaires.
2. Trouver ker f et Im f:
3. Trouver g f et f g.
Solution. 1. Soient (x; y) ; (x0 ; y 0 ) 2 R2 et ; 2 R. Alors,
0 0
f ( : (x; y) + : (x ; y )) = f ( :x + :x ; :y + :y 0 ) = ( :y + :y 0 ; :x + :x0 ; ( :x + :x0 ) + ( :y + :y 0 ))
0
2. On a,
Donc, ker f = f(0; 0)g et f est injective. D’autre part, BR2 = fe1 = (1; 0) ; e2 = (0; 1)g est la
base canonique de R2 . Donc,
3. On a, g f : R2 ! R2 et f g : R3 ! R3
f g (x; y; z) = f ( x + y + z; x y + z) = (x y + z; x + y + z; 2z) :
Exercice 5.5.2 Soit f : R ! R une application linéaire non nulle. On considére l’application
g : R2 ! R2 , dé…nie par : g (x; y) = (x y; f (x)).
x y=0
(x; y) 2 ker g () g (x; y) = (0; 0) () (x y; f (x)) = (0; 0) () () x = y = 0:
f (x) = :x = 0
x y = x0 x = 1 :y 0
g (x; y) = (x0 ; y 0 ) () (x y; f (x)) = (x0 ; y 0 ) () () :
f (x) = :x = y 0 y = x x0 = 1 :y 0 x0
Donc,
1 1 1
g : R2 ! R2 ; g 1
(x; y) = :y ; :y x :
(x; y; z) = x:e1 + y:e2 + z:e3 =) f (x; y; z) = f (x:e1 + y:e2 + z:e3 ) = x:f (e1 ) + y:f (e2 ) + z:f (e3 )
= x: (1; 1; 2) + y: ( 2; 5; 3) + z: ( 16; 7; 3) = (x 2y 16z; x + 5y + 7z; 2x + 3y + 3z) :
De la même manière,
g (x; y; z) = g (x:e1 + y:e2 + z:e3 ) = x:g (e1 ) + y:g (e2 ) + z:g (e3 )
= x: (0; 0; 0) + y: (1; 0; 1) + z: (1; 3; 2) = (y + z; 3z; y + 2z) :
2. On a e1 6= (0; 0; 0) et g (e1 ) = (0; 0; 0). Donc, g n’est pas injective et en vertu du corollaire
5.4.3, elle n’est aussi ni surjective ni bijective. Par ailleurs, on remarque que
1 2 16
1 5 7 6= 0
2 3 3
Donc, les vecteurs f (e1 ) ; f (e2 ) ; f (e3 ) sont linéairement indépendants.¨ Par conséquent, f
est injective. Elle est aussi surjective et donc bijective, en vertu du corollaire 5.4.3
D’après le théorème des dimensions, dim (Im f ) = 2. On sait d’après le cours que : Im f =
vect fv1 ; v2 ; v3 g. Or, v3 = v1 v2 . Donc, Im f = vect fv1 ; v2 g. Comme les vecteurs v1 ; v2
sontlinéairement indépendants, la famille fv1 ; v2 g est une base de Im f :
3. Soit F = (x; y; z) 2 R3 : x + y + z = 0 : On a déjà vu que F est un sous-espace de R3 et
que dim F = 2. D’autre part,
8 8
< dim F = 2 < dim F = 2
v1 ; v2 2 F =) Im f = vect fv1 ; v2 g F =) Im f = F:
: :
dim (Im f ) = 2 dim (Im f ) = 2
4. Pour montrer que R3 = ker f Im f , il su¢ t d’après le corollaire 4.3.28 de prouver que :
ker f \ Im f = f(0; 0; 0)g : On ,
v 2 ker f
v = (x; y; z) 2 ker f \ Im f ()
v 2 Im f
9 2 R : v = : (1; 1; 1)
()
9 ; 2R: v = : (1; 0; 1) + : ( 1; 1; 0) 9 ; 2R
=) 9 ; ; 2R: : (1; 1; 1) : (1; 0; 1) : ( 1; 1; 0) = (0; 0; 0) :
f f (x; y; z) = f (x y; y z; z x) = (x 2y + z; x + y 2z; 2x + y + z) :
Donc, ker = R1 [X] : De plus, l’ensemble B = f1; Xg est une base de ker .
3. Le raisonnement suivi dans la question précédente, montre que Im = R1 [X] = ker :
4. Un calcul direct montre que 2 est l’application nulle : 8P 2 R3 [X] ; 2 = 0:
Chapitre 6
Dé…nition 6.1.1 Soit f : (E; B1 ) ! (F; B2 ) une application linéaire. On suppose que
où, 8
>
> f (u1 ) = a11 v1 + a21 v2 + ::: + aq1 vq
>
>
>
> f (u2 ) = a12 v1 + a22 v2 + ::: + aq2 vq
<
:
: (6.2)
>
> :
>
>
>
> :
:
f (up ) = a1p v1 + a2p v2 + ::: + aqp vq
1. Les éléments de la colonne j sont les composantes du vecteur f (uj ) dans la base B2 .
2. Le nombre de lignes de M (f; B1 ; B2 ) est égal à la dimension de F .
3. Le nombre de colonnes de M (f; B1 ; B2 ) est égal à la dimension de E.
4. Si E = F et B1 = B2 = B, on écrit alors M (f; B) au lieu de M (f; B1 ; B1 ).
65
66 CHAPITRE 6. MATRICE ASSOCIÉE À UNE APPLICATION LINÉAIRE
Solution. a.
2 3
1 0
f (u1 ) = f (1; 0) = (1; 1; 0) = (1; 0; 0) + (0; 1; 0)
) M (f; B1 ; B2 ) = 4 1 1 5:
f (u2 ) = f (0; 1) = (0; 1; 1) = (0; 1; 0) + (0; 0; 1)
0 1
b. 2 3
0 1
f (u1 ) = f (1; 0) = (1; 1; 0) = v2
) M (f; B1 ; B2 ) = 4 1 1 5:
f (u2 ) = f (1; 1) = (1; 0; 1) = v1 v2 + v3
0 1
Ip si B1 = B2
M (f; B1 ; B2 ) = ;
P(B1 ; B2 ) si B1 6= B2
f = g () M (f; B1 ; B2 ) = M (g; B1 ; B2 ) :
Preuve. Posons, B1 = fu1 ; :::; up g et B2 = fv1 ; :::; vq g. L’implication directe est évidente.
Pour démontrer l’implication inverse, remarquons tout d’abord que,
M( f; B1 ; B2 ) = M (f; B1 ; B2 ) :
Preuve. Posons :
B1 = fu1 ; :::; up g ; B2 = fv1 ; :::; vq g ; B3 = fw1 ; :::; wr g ;
2 3 2 3
a11 a12 : : : a1p 11 12 : : : 1q
6 a21 a22 : : : a2p 7 6 : : : 7
6 7 6 21 22 2q 7
6 : : : : : : 7 6 : : : : : : 7
M (f; B1 ; B2 ) = 6
6
7;
7 M (g; B2 ; B3 ) = 6
6
7:
7
6 : : : : : : 7 6 : : : : : : 7
4 : : : : : : 5 4 : : : : : : 5
aq1 aq2 : : : aqp r1 r2 : : : rq
On a alors, pour tout k = 1; 2; :::; n;
gof (uk ) = g (f (uk )) = g (a1k v1 + ::::: + aqk vq ) = a1k g (v1 ) + ::: + aqk g (vq )
= a1k ( 11 w1 + ::: + r1 wr ) + ::::: + aqk 1q w1 + ::: + rq wr
= a1k 11 + ::::: + aqk 1q w1 + ::::: + a1k r1 + ::::: + aqk rq wr
= 11 a1k + ::::: + 1q aqk w1 + ::::: + r1 a1k + ::::: + rq aqk wr :
Donc, gof (uk ) = ( 1 ; :::; r )B3 , avec :
0 1 0 1 0 1
1 11 a1k + ::::: + 1q aqk a1k
B : C B : C B : C
B C B C B C
B : C=B : C = M (g; B2 ; B3 ) B : C:
B C B C B C
@ : A @ : A @ : A
r r1 a1k + ::::: + rq aqk aqk
Et c’est exactement ce qu’il fallait démontrer.
Proposition 6.1.8 Soit f : (E; B1 ) ! (F; B2 ) une application linéaire. On suppose que dim E =
p q = dim F . Alors, l’application f est injective si et seulement si, de la matrice M (f; B1 ; B2 ),
on peut extraire au moins un déterminant non nul d’ordre p (une matrice carrée p -lignes, p
-colonnes, dont le déterminant n’est pas nul).
Preuve. Posons :
2 3
a11 a12 : : : a1p
6 a21 a22 : : : a2p 7
6 7
6 : : : : : : 7
B1 = fu1 ; :::; up g ; B2 = fv1 ; :::; vq g ; M (f; B1 ; B2 ) = 6
6
7:
7
6 : : : : : : 7
4 : : : : : : 5
aq1 aq2 : : : aqp
Pour tout j = 1; 2; :::; p, f (uj ) = (a1j ; :::; aqj )B2 . En vertu du corollaire 5.2.5,
f injective () f (B1 ) = ff (u1 ) ; :::; f (up )g est une partie libre de F .
Pour achever la démonstration, il su¢ t en vertu de la remarque 4.3 d’appliquer la proposition
4.3.18 à la matrice :
T
(A (v1 ; v2 ; :::; vp )) = M (f; B1 ; B2 ) :
On remarque que,
1 0
= 1 6= 0:
1 1
Donc, f est injective.
Exemple 6.1.10 Considérons l’application f : R3 ; B ! R3 ; B : f (x; y; z) = (x y; y z; z x)
avec B la base canonique de R3 . Dans ce cas, p = 3 et
2 3
1 1 0
M (f; B) = 4 0 1 1 5:
1 0 1
Le seul déterminant d’ordre 3 est :
1 1 0
0 1 1 = 0:
1 0 1
Donc, f n’est injective. Notons que ce résultat, nous l’avons déjà obtenu par la méthode directe
dans l’un des exercices du chapitre sur les applications linéaires.
Considérons l’application f : R2 ! R3 : f (x; y; z) = (x 2y; x + 2y; x 2y) : On voit
aisément que f n’est pas injective (f (2; 1) = 0) . Véri…ant ce résultat par application de la
proposition. Si on prend pour B1 et B2 les bases respectives dans R2 et R3 , on obtient :
2 3
1 2
M (f; B1 ; B2 ) = 4 1 2 5 :
1 2
Comme dans ce cas p = 2, il faut prouver que tous les déterminants d’ordre 2 possibles sont
nuls. On a :
1 2 1 2 1 2
= = = 0:
1 2 1 2 1 2
Donc, f n’est pas injective.
La proposition 6.1.8 précédente, permet d’établir le résultat important suivant.
Proposition 6.1.11 Soit f : (E; B1 ) ! (F; B2 ) une application linéaire. On suppose que
dim E = dim F . Alors,
f bijective , M (f; B1 ; B2 ) inversible , det M (f; B1 ; B2 ) 6= 0:
Dans ce cas,
1 1
M (f; B1 ; B2 ) =M f ; B2 ; B1 :
Preuve. D’après le corollaire 5.4.3, f est bijective si et seulement si, f est injective. En
raison de la proposition 6.1.8, cela signi…e que de la matrice M (f; B1 ; B2 ), on peut extraire
au moins un déterminant d’ordre p = dim E = dim F , non nul. Or, la seule matrice carrée
d’ordre p = dim E = dim F qu’on peut extraire de M (f; B1 ; B2 ), est la matrice M (f; B1 ; B2 )
elle même. Donc,
f bijective , f injective () det M (f; B1 ; B2 ) 6= 0 () M (f; B1 ; B2 ) inversible.
Par ailleurs, des relations :
8 1 1
< Ip = M f f; B1 ; B1 = M f ; B2 ; B1 M (f; B1 ; B2 )
;
: 1 1
Ip = M f f ; B2 ; B2 = M (f; B1 ; B2 ) M f ; B2 ; B1
1 1
découle que, M (f; B1 ; B2 ) =M f ; B2 ; B1 .
6.2. COMMENT RETROUVER UNE APPLICATION LINÉAIRE À PARTIR DE SA MATRICE69
Alors, 0 1 0 1
1 1
B : C B : C
B C B C
B : C = M (f; B1 ; B2 ) B : C (6.3)
B C B C
@ : A @ : A
q p
Preuve. Posons,
2 3
a11 a12 : : : a1p
6 a21 a22 : : : a2p 7
6 7
6 : : : : : : 7
B1 = fu1 ; :::; up g ; B2 = fv1 ; :::; vq g ; M (f; B1 ; B2 ) = 6
6
7
7
6 : : : : : : 7
4 : : : : : : 5
aq1 aq2 : : : aqp
On a alors,
u=( 1 ; :::; p )B1 u = 1 u1 + ::: + p up
=) :
f (u) = 1 ; :::; q B2 f (u) = 1 v1 + ::: + q vq
D’autre part,
f (u) = f ( 1 u1 + ::: + p up ) = 1 f (u1 ) + ::: + p f (up )
= 1 (a11 v1 + :::: + aq1 vq ) + :::: + p (a1p v1 + :::: + aqp vq )
= (a11 1 + :::: + a1p p ) v1 + :::: + (aq1 1 + :::: + aqp p ) vq
= ((a11 1 + :::: + a1p p ) ; ::::; (aq1 1 + :::: + aqp p ))B2 :
D’où, 0 1 0 1 0 1
1 a11 1 + :::: + a1p p 1
B : C B : C B : C
B C B C B C
B : C=B : C = M (f; B1 ; B2 ) B : C :
B C B C B C
@ : A @ : A @ : A
q aq1 1 + :::: + aqp p p
Solution. On a
u = (x; y) 2 R2 ) u = (x y) u1 + y u2 ) u = (x y; y)B1
Solution. Posons
u = (x; y; z) = x (1; 0; 0)+y (0; 1; 0)+z (0; 0; 1) et f (u) = (a; b; c) = a (1; 0; 0)+b (0; 1; 0)+c (0; 0; 1)
On a alors,
0 1 0 1 2 30 1 0 1
a x 1 0 2 x x 2z
@ b A = M (f; B) @ y A = 4 3 1 1 5 @ y A = @ 3x y + z A
c z 1 1 0 z x+y
Donc,
(E; B1 ) f (F; B2 )
!
IdE " # IdF ;
0 0
E; B1 f F; B2
!
on a,(1; 1)
0 0 0 0
f = IdF f IdE =) M f; B1 ; B2 = M IdF ; B2 ; B2 M (f; B1 ; B2 ) M IdE ; B1 ; B1 :
6.3. MATRICE D’APPLICATION LINÉAIRE ET CHANGEMENT DE BASE 71
0 0
Sachant que M IdE ; B1 ; B1 = P(B 0 ; B1 ) est la matrice de passage de B1 vers B1 et que
1
0 0
M IdF ; B2 ; B2 = P(B2 ; 0
B2 ) est la matrice de passage de B2 vers B2 , on obtient …nalement le
résultat suivant.
0 0
Proposition 6.3.1 Les matrices M (f; B1 ; B2 ) et M f; B1 ; B2 sont liées par la relation
0 0
M f; B1 ; B2 = P B10 ;B M (f; B1 ; B2 ) P(B 0 ; B1 ) : (6.4)
( 2 2) 1
0
où P(B 0 ; B1 ) est la matrice de passage de la base B1 vers la base B1 , P B10 ;B = P(B2 ;B 0 )
1 ( 2 2) 2
0
est la matrice de passage de la base B2 vers la base B2 .
Donc, 2 3
0 0
2 2
M f; B1 ; B2 =4 1 1 5:
1 1
Retrouvons maintenant ce même résultat par la formule 6.4. On a déjà vu dans le chapitre
"Bases et dimensions", section "matrice de passage" que :
2 3
1 1 0
1 1
P(B 0 ; B1 ) = et P B10 ;B = P(B2 ;B 0 ) = 4 0 1 1 5:
1 1 1 ( 2 2) 2
0 0 1
Exemple 6.3.4 Dans le même exemple précédent, un calcul direct nous donne,
2 3
0
0 2
M f; B1 ; B2 =4 0 1 5:
1 0
0
Corollaire 6.3.5 Si B2 = B2 alors,
0
M f; B1 ; B2 = M (f; B1 ; B2 ) P(B 0 ; B1 ) : (6.6)
1
Exemple 6.3.6 Dans le même exemple précédent, un calcul direct nous donne,
2 3
0
0 2
M f; B1 ; B2 =4 2 0 5:
1 1
0 0 0
Corollaire 6.3.7 Si E = F; B1 = B2 = B et B1 = B2 = B alors,
00
M f; B = P B10 ;B M (f; B1 ; B2 ) P(B 0 ;B ) : (6.7)
( )
0
n 0 0 0
o
Considérons maintenant dans R3 , la base B = e1 = (1; 0; 0) ; e2 = (1; 1; 0) ; e3 = (1; 1; 1) :
On a,
8
>
>
0
f e1 = (1; 0; 1) = e1 + e2
0 0
e3
0
2 3
>
< 1 1 0
0 0 0 0 0
f e2 = (0; 1; 1) = e1 + 2e2 e3 =) M f; B =4 1 2 0 5:
>
>
>
: 0 1 1 0
f e3 = (0; 0; 0)
6.4. EXERCICES 73
6.4 Exercices
Exercice 6.4.1 On considère l’application linéaire
f : R2 ! R3 ; f (x; y) = (x y; x + y; 2x 3y)
Solution.
1. On a :
f (1; 0) = (1; 1; 2) = (1; 0; 0) + (0; 1; 0) + 2 (0; 0; 1)
:
f (0; 1) = ( 1; 1; 3) = 1 (1; 0; 0) + (0; 1; 0) 3 (0; 0; 1)
Donc,
2 3
1 1
M (f; B1 ; B2 ) = 4 1 1 5:
2 3
2. On a :
f (u01 ) = f (1; 0) = (1; 1; 2) = v20 + 2 v30
:
f (u02 ) = f (1; 1) = (0; 2; 1) = 2 v10 + 3 v20 v30
Donc,
2 3
0 2
M (f; B10 ; B20 ) == 4 1 3 5:
2 1
3. D’après la formule de passage 6.4, et en tenant compte des calculs déjà e¤ectués dans
exemples précédents, on a :
74 CHAPITRE 6. MATRICE ASSOCIÉE À UNE APPLICATION LINÉAIRE
0 0
M f; B1 ; B2 = P B10 ;B M (f; B1 ; B2 ) P(B 0 ; B1 )
( 2 2) 1
2 3 2 3
1 1 0 1 1
1 1
= 4 0 1 1 5 4 1 1 5
0 1
0 0 1 2 3
2 3 2 3 2 3
1 1 0 1 0 0 2
= 4 0 1 1 5 4 1 2 5 = 4 1 3 5:
0 0 1 2 1 2 1
M (g f; B1 ; B1 ) = M (g; B2 ; B1 ) M (f; B1 ; B2 )
2 3
1 1
1 1 1 4 1 1 5= 2 5
= :
1 2 0 3 1
2 3
3. On remarque que jM (f; B)j = 1 6= 0. Donc M (f; B) est inversible et par conséquent f
est bijective. De plus,
8 8
< f (e1 ) = e2 < f 1 (e1 ) = e3
f (e2 ) = e3 () f 1 (e2 ) = e1 :
: :
f (e3 ) = e1 f 1 (e3 ) = e2
D’où, 2 3
0 1 0
M f 1; B = 4 0 0 1 5:
1 0 0
M f 1
; B1 = P(B11 ;B) M f 1 ; B P(B1 ;B)
2 3 2 3 2 3
1 1 0 0 1 0 1 1 1
= 4 0 1 1 5 4 0 0 1 5 4 0 1 1 5
0 0 1 1 0 0 0 0 1
2 3 2 3 2 3
1 1 0 0 1 1 0 1 0
= 4 0 1 1 5 4 0 0 1 5=4 1 1 0 5:
0 0 1 1 1 1 1 1 1
76 CHAPITRE 6. MATRICE ASSOCIÉE À UNE APPLICATION LINÉAIRE
Chapitre 7
SYSTEMES D’ÉQUATIONS
LINEAIRES
77
78 CHAPITRE 7. SYSTEMES D’ÉQUATIONS LINEAIRES
admet une in…nité de solutions. En e¤ et, les trois équations sont équivalentes à une seule équa-
tion : x + 2y = 3. Donc,
Dé…nition 7.1.5 Le système (S) est dit homogène si : b1 = b2 = ::: = bn = 0: Dans le cas
contraire, il est dit non homgène.
Remarque. L’ensemble des solutions d’un système homogène n’est jamais vide. En e¤et, le p
-uplet (x1 ; x2 ; :::; xp ) = (0; 0; :::; 0) est une solution d’un tel système. Cependant, cette solution
nulle, peut ne pas être unique.
Dé…nition 7.1.6 Un système d’équations linéaires (S) est dit irréductible si aucune de ses
équations, ne peut s’écrire comme combinaison linéaire des autres équations. Il est dit réductible
dans le cas contraire.
Exemple 7.1.7 Le système (S3 ) est réductible à la seule équation : x + 2y = 3. Par contre, le
système (S1 ) n’est pas réductible.
Dé…nition 7.1.8 Deux systèmes d’équations linéaires (S1 ) et (S2 ) sont dits équivalents s’ils
ont les mêmes solutions : Sol (S1 ) = Sol (S2 ).
Les systèmes (S1 ) et (S2 ) ne sont pas équivalents. Même chose pour les systèmes (S1 ) et (S3 ).
AX = B (7.2)
où 2 3 2 3 2 3
a11 a12 : : a1p x1 b1
6 a21 a22 : : a2p 7 6 x2 7 6 b2 7
6 7 6 7 6 7
A=6
6 : : : : : 7;
7 X=6
6 : 7;
7 B=6
6 : 7:
7 (7.3)
4 : : : : : 5 4 : 5 4 : 5
an1 an2 : : anp xp bn
Dé…nition 7.2.2 Le système 7.2 est dit de Cramer si, A est une matrice carrée inversible. En
d’autres termes, le système 7.2 est un système de cramer si, n = p et jAj =
6 0.
Dé…nition 7.2.3 Le système 7.2 est dit surjectif si, n p (nombre d’équations inférieur ou
égal au nombre d’inconnues) et si on peut extraire de la matrice A, une matrice carrée inversible
à n -lignes et n -colonnes.
7.3. RÉSOLUTION DES SYSTÈMES DE CRAMER 79
Dé…nition 7.2.4 Le système 7.2 est dit injectif si, n p (nombre d’équations supérieur ou
égal au nombre d’inconnues) et si on peut extraire de la matrice A, une matrice carrée inversible
à p -lignes et p -colonnes.
Remarque. Le système 7.2 est dit de Cramer si et seulement si, il est à la fois surjectif et
injectif.
Exemple 7.2.5 Le système n’est pas de Cramer car la matrice A n’est même pas carrée.
1 2
A= et jAj = 4 6= 0:
1 2
2 3 1 2 3
A= et A0 = = 5 6= 0:
1 1 3 1 1
Preuve. évidente.
Par conséquent,
2 3 2 32 3 2 3
x 4 7 1 1 9
4 y 5= 14 14
2 3 1 54 2 5 = 3 5:
2 2
z 2 5 1 1 7
Remarque. La méthode d’inversion des matrices pour la résolution des systèmes de Cramer,
peut s’avérer dans le cas de grosses matrices (nombre de lignes élevé) peut pratique (voir
déconseillée) à utiliser. Le résultat suivant (déjà connu en classes élémentaires pour les systèmes
à deux équations, deux inconnues), fournit un puissant outil de calcul direct des solutions d’un
système de Cramer quelque soit sa taille.
Alors,
Preuve. En utilisant les propriétés de linéarité et d’homogeneité des déterminants par rapport
aux colonnes, on a d’une part,
et d’autre part,
a11 x1 a12 : : a1n b1 (a12 x2 + a13 x3+ ::: + a1n xn ) a12 : : a1n
a21 x1 a22 : : a2n b2 (a22 x2 + a23 x3+ ::: + a2n xn ) a22 : : a2n
: : : : : = : : : : :
: : : : : : : : : :
an1 x1 an2 : : ann bn (an2 x2 + an3 x3+ ::: + ann xn ) an2 : : ann
b1 a12 : : a1n a12 a12 : : a1n
b2 a22 : : a2n a22 a22 : : a2n
= : : : : : x2 : : : : :
: : : : : : : : : :
bn an2 : : ann an2 an2 : : ann
a1n a12 : : a1n
a2n a22 : : a2n
:::: xn : : : : : :
: : : : :
ann an2 : : ann
Or,
a12 a12 : : a1n a1n a12 : : a1n
a22 a22 : : a2n a2n a22 : : a2n
: : : : : = :::: = : : : : : = 0;
: : : : : : : : : :
an2 an2 : : ann ann an2 : : ann
car dans chacun de ces déterminants, au moins deux colonnes coïncident. D’où …nalement,
En comparant les formules 7.5 et 7.6, on obtient le résultat recherché pour l’inconnue x1 . Pour
trouver x2 , on procède de la même manière et on montre que d’une part,
a11 a12 x2 : : a1n a11 b1 (a11 x1 + a13 x3+ ::: + a1n xn ) : : a1n
a21 a22 x2 : : a2n a21 b2 (a21 x1 + a23 x3+ ::: + a2n xn ) : : a2n
: : : : : = : : : : :
: : : : : : : : : :
an1 an2 x2 : : ann an1 bn (an1 x1 + an3 x3+ ::: + ann xn ) : : ann
a11 b1 : : a1n
a21 b2 : : a2n
= : : : : : :
: : : : :
an1 bn : : ann
82 CHAPITRE 7. SYSTEMES D’ÉQUATIONS LINEAIRES
Theorème 7.4.1 Le système linéaire surjectif (S) 7.7 admet pour p n une in…nité de solu-
tions liées par la relation :
2 3 2 3
x1 b1 a1(n+1) xn+1 + ::: + a1p xp
6 x2 7 6 b2 a2(n+1) xn+1 + ::: + a2p xp 7
6 7 6 7
6 : 7 = (A0 ) 1 6 : 7: (7.11)
6 7 6 7
4 : 5 4 : 5
xn bn an(n+1) xn+1 + ::: + anp xp
2x 3y + z = 0
(S) :
x + y 3z = 1
2 3 1 2 3
A= et A0 = = 5 6= 0:
1 1 3 1 1
8z 3 7z 2
Sol (S) = ; ;z =z2R :
5 5
Dans ce cas, on a :
2 3
1 1 1 2 1 1 2
A=4 0 1 0 1 5 et 0 1 1 = 2:
2 3 2 1 2 3 1
x 1
Le système (S1 ) est de Cramer et admet pour solution : X = = . On remarque
y 1
x 1
par ailleurs que X = = est aussi solution du système (S2 ). Donc, le système (S)
y 1
x 1
admet une solution unique X = = .
y 1
(S1 ) : A1 X = B1
(S) : ;
(S2 ) : A2 X = B2
où,
x 0 x
(S1 ) : A1 = ; (S2 ) : [2; 3] = 3:
y 2 y
x 1
Le système (S1 ) est de Cramer et admet pour solution : X = = . Par contre,
y 1
x 1
X= = n’est pas solution du système (S2 ). Donc, le système (S) n’admet pas de
y 1
solution.
On peut voir directement, en utilisant la méthode de substitution que ce système est équivalent
au système, 8
>
> y = 2z
>
>
< x= z
(S 0 ) : 4z = 1 ;
>
>
>
> 4z =1
:
4z = 2
86 CHAPITRE 7. SYSTEMES D’ÉQUATIONS LINEAIRES
qui est impossible en vertu des équations (3) et (4). Nous allons véri…er ce résultat en utilisant
la théorie exposée. Sous forme matricielle, ce système s’écrit :
2 3 2 3
2 1 0 2 3 1
6 1 2 1 7 x 6 1 7
6 7 6 7
(S) : 66 1 1 1 7 7 y
4 5 = 6 0 7:
6 7
4 0 1 2 5 z 4 0 5
1 1 1 2
(S1 ) : A1 X = B1
(S) : ;
(S2 ) : A2 X = B2
où, 2 3 2 3
x 1
x y+z =0
(S1 ) : A1 4 y 5 = 4 1 5 ; (S2 ) : :
x y+z =2
z 0
La résolution du système de Cramer (S1 ), nous donne :
2 3 2 3 2 5
3
x 1 4
4 y 5 = A1 1 4 1 5=4 3 5:
2
3
z 0 4
5 3 3
Cependant, le triplet (x; y; z) = 4; 2; 4 n’est pas solution du système (S2 ). Donc, le système
initial (S) n’a pas de solution.
TRANSPOSEE D’UNE
APPLICATION LINEAIRE
87
88 CHAPITRE 8. TRANSPOSEE D’UNE APPLICATION LINEAIRE
On a donc : 8
< e1 (x; y; z) = x
ei (ej ) = ij =) e (x; y; z) = y :
: 2
e3 (x; y; z) = z
Exemple 8.1.3 Même question pour B = fu1 = (1; 0; 0) ; u2 = (1; 1; 0) ; u3 = (1; 1; 1)g.
u2 (x; y; z) = y z; u3 (x; y; z) = z:
fT ( g1 + g2 ) = ( g1 + g2 ) f = ( g1 ) f + ( g2 ) f
T
= (g1 f ) + (g2 f ) = f (g1 ) + f T (g2 ) :
f T (g) = g f : R3 ! R3 ; g f (x; y; z) = a: (x y) + b: (y z) + c: (z x) :
D’autre part,
Proposition 8.3.1 Soient f : E ! F une application linéaire, BE = fu1 ; :::; un g une base de
E et BF = fv1 ; :::; vm g une base de F . Alors,
T
M f T ; BF ; BE = (M (f; BE ; BF )) ;
T
où la matrice (M (f; BE ; BF )) est la transposée de la matrice (M (f; BE ; BF )).
8.3.1 Exercices
90 CHAPITRE 8. TRANSPOSEE D’UNE APPLICATION LINEAIRE
Chapitre 9
EXERCICES ET PROBLEMES
TYPES DE REVISION
91
92 CHAPITRE 9. EXERCICES ET PROBLEMES TYPES DE REVISION
Bibliographie
[1] Amédée Le Go¤. Cours d’agèbre, premier cycle universitaire et classes préparatoires aux
grandes écoles, Edition Ellipses 1987.
[2] Arnaud Bodin. Bibliothèque d’exercices, version 4, octobre 200.
[3] Roger Godement.
93