Le Simplifié Dalgèbre Linéaire PDF

Table des matières
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
2 CALCUL DES DÉTERMINANTS 11

2.1 Développement par rapport à une ligne . . . . . . . . . . . . . . . . . . . . 11
2.2 Propriétés des déterminants . . . . . . . . . . . . . . . . . . . . . . . 13
2.3 Développement par rapport à une colonne . . . . . . . . . . . . . . . . . . 15
2.4 Inversion des matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3 ESPACES ET SOUS-ESPACES VECTORIELS 23

3.1 Espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.1.1 Dé…nitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.1.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2 Régles de calcul dans un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . 24
3.3 Sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3.1 Dé…nition, exemples et caractérisation . . . . . . . . . . . . . . . . . . . . 24
3.3.2 Intersection et union de sous-espaces vectoriels. . . . . . . . . . . . . . . . 26
3.4 Somme et somme directe de sous-espaces vectoriels . . . . . . . . . . . . . . . . . 28
3.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
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
6 MATRICE ASSOCIÉE À UNE APPLICATION LINÉAIRE 65

6.1 Dé…nition, exemples et propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
6.2 Comment retrouver une application linéaire à partir de sa matrice . . . . . . . . 69
6.3 Matrice d’application linéaire et changement de base . . . . . . . . . . . . . . . . 70
6.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
7 SYSTEMES D’ÉQUATIONS LINEAIRES 77

7.1 Dé…nitions générales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
7.2 Écriture matricielle d’un système d’équations linéaires . . . . . . . . . . . . . . . 78
7.3 Résolution des systèmes de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . 79
7.4 Résolution des systèmes surjectifs. . . . . . . . . . . . . . . . . . . . . . . . . . . 82
7.5 Résolution des systèmes injectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
7.6 Résolution par la méthode du pivot de Gauss . . . . . . . . . . . . . . . . . . . . 86
7.7 Justi…cation des appelations utilisées . . . . . . . . . . . . . . . . . . . . . . . . . 86
8 TRANSPOSEE D’UNE APPLICATION LINEAIRE 87

8.1 Etude de l’espace dual E . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
8.2 Transposée d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . . 88
8.3 Matrice associée à la transposée d’une application linéaire. . . . . . . . . . . . . . 89
8.3.1 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
9 EXERCICES ET PROBLEMES TYPES DE REVISION 91

LE SIMPLIFIE D’ALGEBRE LINEAIRE
BERRABAH BENDOUKHA
Professeur de mathématiques à l’université Abdelhamid Ibn Badis de Mostaganem
2012
2 TABLE DES MATIÈRES
Chapitre 1
-+CALCUL MATRICIEL
1.1 Dé…nitions générales

Dé…nition 1.1.1 Soit K = (K; +; ) un corps commutatif. On désignera par 0K l’élément
neutre pour la loi + et 1K l’élément neutre pour la loi . Une matrice (n; m) à coe¢ cients
dans le corps K est un tableau à n lignes et m colonnes de la forme
0 1
a11 a12 : : : a1m
B a21 a22 : : : a2m C
B C
B : : : : : : C
B C
A=B B : : : : : : C C; aij 2 K (i; j) 2 f1; :::; ng f1; :::; mg (1.1)
B : : : : : : C
B C
@ an1 an2 : : : anm A
1. L’élément aij 2 K est situé à l’intersection de la ligne i avec la colonne j.

2. Les éléments aij 2 K sont appelés coe¢ cients de la matrice A.
3. L’ensemble des matrices (n; m) à coe¢ cients dans le corps K est noté Mn;m (K).
4. Si A 2 Mn;m (K), on écrira dans certains cas, A = [aij ]n;m
i;j=1 .
5. On utilisera le symbole Mn (K) pour désigner l’ensemble des matrices carrées (n; n).
6. Les éléments diagonaux d’une matrice carrée (n; n) sont les éléments aii i 2 f1; :::; ng.
Dé…nition 1.1.2 La matrice nulle de Mn;m (K) est la matrice dont tous les coe¢ cients sont
égaux à 0K . On la note OMn;m (K) ou tout simplement O quand il n’y a pas de risque de confusion.
Dé…nition 1.1.3 Une matrice carrée A 2 Mn (K) est dite triangulaire inférieure (respective-
ment triangulaire supérieure) si : aij = 0K pour i > j (respectivement aij = 0K pour
i < j).
0 1
0 1 2 1 3 0 7
1 0 0 0 B 0 4 2 8 15 C
B 1 2 0 0 C B C
B C et B = B C
Exemple 1.1.4 Les matrices A = @
2 1 4 0 A B 0 0 0 1 11 C sont
@ 0 0 0 5 2 A
1 4 2 3
0 0 0 0 3
respectivement triangulaire inférieure et triangulaire supérieure .
Dé…nition 1.1.5 Une matrice carrée est dite diagonale si elle est à fois triangulaire inférieure
et triangulaire supérieure. En d’autres termes, si tous les éléments non diagonaux sont égaux à
0K :
A 2 Mn (K) est diagonale () 8i 6= j : aij = 0K :
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.
1.2 Opérations sur les matrices

1.2.1 Somme de matrices
Dé…nition 1.2.1 Soient A = [aij ]n;m n;m
i;j=1 et B = [bij ]i;j=1 deux éléments de Mn;m (K). La somme
n;m
A + B est la matrice C = [cij ]i;j=1 de Mn;m (K) dont les éléments sont dé…nis par la formule :
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
Proposition 1.2.3 On a les propriétés suivantes

1. La somme des matrices est une opération interne dans Mn;m (K).
2. La somme des matrices est commutative dans Mn;m (K).
8(A; B) 2 (Mn;m (K))2 : A + B = B + A: (1.3)
3. La somme des matrices est associative dans Mn;m (K).
8(A; B; C) 2 (Mn;m (K))3 : (A + B) + C = A + (B + C): (1.4)
4. La matrice nulle est l’élément neutre pour l’addition dans Mn;m (K) :
8A 2 Mn;m (K) : A + OMn;m (K) = OMn;m (K) + A = A: (1.5)
5. Tout élément A = [aij ]n;m

i;j=1 de Mn;m (K) admet un symétrique pour la somme des ma-
trices. Ce symétrique est l’élément A de Mn;m (K), dé…ni par : A = [ aij ]n;m
i;j=1 , où
aij est le symétrique pour l’addition dans le corps K de l’élément aij .
Il découle immédiatement de la proposition précédente le résultat important suivant
Proposition 1.2.4 L’ensemble (Mn;m (K) ; +) est un groupe commutatif.
1. La somme de deux matrices triangulaires inférieures (respectivement supérieures) est une

matrice triangulaire inférieure (respectivement supérieure).
2. La somme de deux matrices diagonales est une matrice diagonale.
1.2. OPÉRATIONS SUR LES MATRICES 5
1.2.2 Produit d’une matrice par un scalaire

Soient A = [aij ]n;m
i;j=1 2 Mn;m (K) et 2 K: Le produit A est la matrice A=
[ :aij ]n;m
i;j=1 .
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. 0K A = A 0K = OMn;m (K) ; 8A 2 Mn;m (K):

b. (A + B) = A+ B; 8 2 K; 8A; B 2 Mn;m (K):
c. ( + ) A = A+ A; 8 ; 2 K; 8A 2 Mn;m (K):
d. ( A) = ( ) A; 8 ; 2 K; 8A 2 Mn;m (K):
1.2.3 Produit de matrices

Dé…nition 1.2.7 Soient deux matrices A = [aij ]n;p i;j=1 2 Mn;p (K) et B = [bij ]p;m
i;j=1 2
n;m
Mp;m (K): Le produit AB est la matrice C = [cij ]i;j=1 , véri…ant la condition
p
X
cij = aip bpj ; 8 (i; j) 2 f1; :::; ng f1; :::; mg (1.6)
k=1
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:
Exemple 1.2.8 Soient

1 0 2 1 1
A= ; B=
0 1 5 1 1
a. Le produit AB n’existe pas n’existe pas car le nombre de colonnes de A n’est pas égal au
nombre de lignes de B.
b. Le produit BA existe et on a :
1 1 3
BA =
1 1 7
Remarque. Même si les deux produits AB et BA existent, ils ne sont pas forcément égaux.
En e¤et, considérons les matrices
1 1 1 1
A= ; B=
1 1 0 1
Un calcul direct, montre que
1 0 2 0
AB = 6= = BA:
1 2 1 1
Proposition 1.2.9 Le produit des matrices est associatif :
8 (A; B; C) 2 Mn;p (K) Mp;q (K) Mq;m (K) : A (BC) = (AB) C: (1.7)
Preuve. Considérons les trois matrices
A = [aij ]n;p p;q

i;j=1 Mn;p (K) ; B = [bij ]i;j=1 Mp;q (K) ; C = [cij ]q;m
i;j=1 Mq;m (K)
et posons
A (BC) = [xij ]n;p

i;j=1 Mn;m (K) ; (AB) C = [yij ]n;p
i;j=1 Mn;m (K);
BC = [vij ]p;m
i;j=1 Mp;m (K); AB = [wij ]n;q
i;j=1 Mn;q (K)
Il faut montrer que

xij = yij ; 8(i; j) 2 f1; :::; ng f1; :::; mg:
On a,
p
X p
X q
X p X
X q
xij = aik vkj = aik bks csj = aik bks csj
k=1 k=1 s=1 k=1 s=1
q X
p q p
!
X X X
= aik bks csj = aik bks csj
s=1 k=1 s=1 k=1
q
X
= wis csj = yij :
s=1
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
A = [aij ]n;p p;m

i;j=1 Mn;p (K) ; B = [bij ]i;j=1 Mp;m (K) ; C = [cij ]p;m
i;j=1 Mp;m (K):
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
2. La deuxième égalité se montre de manière tout à fait similaire.

1.2. OPÉRATIONS SUR LES MATRICES 7
1.2.4 Transposition et symétrie

Dé…nition 1.2.11 Soit A = [aij ]n;m i;j=1 Mn;m (K). On appelle transposée de A, la matrice
AT = [bij = aji ]m;n
i;j=1 Mm;n (K): Autrement dit la ligne i de AT est la colonne i de A .
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

T
1. 8 (A; B) 2 Mn;m (K) Mn;m (K) : (A + B) = AT + B T :
T
2. 8 (A; B) 2 Mn;p (K) Mp;m (K) : (AB) = B T AT :
3. La transposée d’une matrice triangulaire inférieure est une matrice triangulaire supérieure.
Preuve. La première et la deuxième assertion sont directement véri…ables. Montrons donc la
deuxième. Pour cela, posons :
A = [aij ]n;p p;m

i;j=1 ; B = [bij ]i;j=1 ; t
A = [cij = aji ]p;n
i;j=1 ; t
B = [dij = bji ]m;p
i;j=1
On a donc, " #n;m " #m;n

p
X p
X
T
AB = aik bkj ) (AB) = ajk bki
k=1 i;j=1 k=1 i;j=1
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
1.2.5 Inversion des matrices

Dé…nition 1.2.16 Une matrice carrée A = [aij ]ni;j=1 2 Mn (K) est dite inversible (on dit aussi
admet un inverse), s’il existe une matrice carrée notée A 1 2 Mn (K) telle que :
1 1
AA =A A = In (1.9)
1
1. La matrice A quand elle existe est appellée inverse de A.
2. La matrice In est inversible et son inverse c’est elle même.
3. Nous donnerons dans le chapitre des déterminants une méthode de calcul de l’inverse
d’une matrice.
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 1.2.18 Soient A 2 Mn (K) et B 2 Mn (K) deux matrices inversibles. Alors,

le produit AB est inversible et on a :
1 1 1
(AB) =B A (1.10)
Preuve. On a,
8 1 1 1 1 1 1
< (AB) B A = A BB A = (AIn ) A = AA = In
: 1 1 1 1 1 1
B A (AB) = B A A B= B In B = B B = In
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 :
1. Si le produit AB existe alors, le produit BA existe aussi.

2. Si la somme A + B existe, alors le produit AB existe aussi.
3. Si les produits AB et BA existent, alors la somme A + B existe aussi.
Solution.
1. Faux : Point 3 de l’exercice précédent.
2. Faux : Point 2 de l’exercice précédent.
3. Faux : Point 5 de l’exercice précédent : EF et F E existent, mais E + F n’existe pas.
Exercice 1.3.3 Soient A; B deux matrices. Montrer que :
1. Si le produit AB existe alors, le produit B T AT existe aussi.

2. Si la somme A + B existe alors, le produit AT B existe aussi.
3. Si les produits AB et BA existent alors, la somme A + B T existe aussi.
Solution.
1. On a,
AB existe =) le nombre de colonnes de A est égal au nombre de lignes de B.

=) le nombre de colonnes de B T est égal au nombre de lignes de AT
=) le produit B T AT existe.
2. On a,
A + B existe =) A et B ont le même nombre de lignes

=) le nombre de colonnes de AT est égal au nombre de lignes de B
=) le produit AT B existe.
3. On a,
le nombre de colonnes de A est égal au nombre de lignes de B

AB et BA existent =)
le nombre de colonnes de B est égal au nombre de lignes de A:
le nombre de colonnes de A est égal au nombre de colonnes de B T
=)
le nombre de lignes de B T est égal au nombre de lignes de A:
=) la somme A + B T existe.
Exercice 1.3.4 Soit la matrice

2 2
A=
2 1
Calculer A2 puis A2 A: En déduire que A est inversible et écrire son inverse A 1

.
Solution. On a :
2 2 2 2 8 2
A2 = = :
2 1 2 1 2 5
D’où,
8 2 2 2 6 0 1 0
A2 A= = =6 :
2 5 2 1 0 6 0 1
Ainsi donc,
A2 A = 6I2 = A (A I2 ) = (A I2 ) A:
Finalement,
1 1 1 1 2
A = (A I2 ) = :
6 6 2 2
Exercice 1.3.5 On considère les matrices :

2 3 2 3
2 0 1 1 0 0
A=4 1 1 0 5; et I3 = 4 0 1 0 5
2 0 1 0 0 1
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
On obtient donc le système : 8

>
> 2 + 2a + 2b + c = 0
>
>
>
> 5 + 3a + b = 0
<
1+a+b+c=0
>
> 4 a=0
>
>
>
> 10 + 6a + 2b = 0
:
7 a+b+c
Dont les solutions sont : 8
< a= 4
b=7 :
:
c= 4
Par conséquent,
A3 4A2 + 7A 4I3 = 0 =) A3 4A2 + 7A = 4I3

=) A (A 4A + 7I3 ) = (A 4A + 7I3 ) A = 4I3
1
=) A 1 = (A 4A + 7I3 ) :
4
Chapitre 2
CALCUL DES
DÉTERMINANTS
2.1 Développement par rapport à une ligne

n
Soit A = [aij ]i;j=1 2 Mn (K) une matrice carrée. Pour calculer le déterminant de A (noté
jAj), on procédera par étape suivant la croissance de n :
1. A = [a] ) jAj = a;
a11 a12
2. A = ) jAj = a11 a22 a12 a21 ;
a21 a22
2 3
a11 a12 a13
3. Si A = 4 a21 a22 a23 5, on choisit une ligne quelconque i et on développe de la
a31 a32 a33
manière suivante :
3
X i+j
jAj = ( 1) aij jAij j ; (2.1)
j=1
où Aij est la matrice obtenue en éliminant la ligne i et la colonne j.
2 3
1 1 2
Exemple 2.1.1 Supposons que A = 4 0 1 1 5.
2 3 1
- Si on développe par rapport à la première ligne, on obtient
3
X 1+j 1 1 0 1 0 1
jAj = ( 1) a1j jA1j j = 1: ( 1) +2
3 1 2 1 2 3
j=1
= 1: ( 4) + 1: ( 2) + 2 (2) = 2
- Si on développe par rapport à la deuxième ligne, on obtient
3
X 2+j 1 2 1 2 1 1
jAj = ( 1) a2j jAij j = 0: + ( 1) 1:
3 1 2 1 2 3
j=1
= 0: ( 7) 1: ( 3) 1: (5) = 2
Si on développe par rapport à la troisième ligne, on obtient
3
X 3+j 1 2 1 2 1 1
jAj = ( 1) a3j jAij j = 2: 3 + 1:
1 1 0 1 0 1
j=1
= 2: (1) 3: (1) + 1: ( 1) = 2
11
12 CHAPITRE 2. CALCUL DES DÉTERMINANTS
D’une manière générale si n 3 alors le déteminant se calcule par la formule

n
X i+j
jAj = ( 1) aij jAij j ; (2.2)
j=1

Remarque. (Importante)
Pour développer le déterminant, Il est préférable de développer par rapport à la ligne qui
contient le plus grand nombre de zéros.
Exemple 2.1.2 Calculons le déteminant de la matrice

2 3
0 1 2 3
6 0 1 0 2 7
A=6 4 1
7
5
1 1 1
1 1 1 1
En développant par rapport à la deuxième ligne, on obtient
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
= 1: f 2: (0) + 3: (2)g + 2: f1: (2) + 2: (2)g = 6 + 12 = 18
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
a. Une matrice diagonale est une matrice triangulaire

2 3
1 0 0
1 2
b. A = et B = 4 1 2 0 5 sont des matrices triangulaires.
0 1
0 1 3
n
Proposition 2.1.4 Si A = [aij ]i;j=1 2 Mn (K) une matrice triangulaire alors,
jAj = a11 a22 :::ann (2.3)

2.2. PROPRIÉTÉS DES DÉTERMINANTS 13
2.2 Propriétés des déterminants

2 3
a11 a12 : : : : a1n
6 a21 a22 : : : : a2n 7
6 7
6 : : : : : : : 7
6 7
Soit A = 6
6 : : : : : : : 7 une matrice carrée.
7
6 : : : : : : : 7
6 7
4 an 11 an 12 : : : : an 1m 5
an1 an2 : : : : ann
Posons
8
>
> L1 = a11 a12 : : : : a1n
>
>
>
> L2 = a21 a22 : : : : a2n
<
:
> Li = ai1
> ai2 : : : : ain
>
>
>
> :
:
Ln = an1 an2 : : : : ann
On peut donc écrire

2 3
L1 L1
6 L2 7 L2
6 7
6 : 7 :
A=6
6
7
7 et jAj =
6 Li 7 Li
4 : 5 :
Ln Ln
Theorème 2.2.1 Régles fondamentales de calcul des déterminants
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
3. Si deux lignes sont proportionnelles alors, le déterminant est égal à 0 :
L1
L2
:
Li
Li = :Lj ) =0 (2.6)
:
Lj
:
Ln
4. Si on permute deux lignes entre elles alors, le déterminant change de signe :
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.
Exemple 2.2.2 Considérons la matrice

2 3
1 2 1 1
6 1 1 1 1 7
A=6
4 1
7
1 1 1 5
1 2 1 2
En remplaçant L2 par L2 + L3 , on obtient
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
En remplaçant de nouveau L2 par L2 + 21 L1 et L3 par L3 L1 , on obtient
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
2.3 Développement par rapport à une colonne

On peut aussi développer un déterminant suivant une colonne conformément à la formule
suivante :
n
X i+j
jAj = jAj = ( 1) aij jAij j ; (2.9)
i=1

Remarque. Les formules 2.2 et 2.9 bien que semblables, sont très di¤érentes sur le point de
l’utilisation. En e¤et dans la première, on …xe une ligne et on fait varier les colonnes tandis
que dans la seconde, on …xe une colonne et on fait varier les lignes.
2 3
1 1 2
Exemple 2.3.1 Reprenons la matrice A = 4 0 1 1 5 utilisée lors des développements
2 3 1
par rapport aux lignes.
1. Si on développe par rapport à la première colonne, on obtient

3
X i+1 1 1 1 2
jAj = ( 1) aij jAij j = + 2: = 4 + 2: (1) = 2
3 1 1 1
i=1
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 :
Ci = :Cj ) jAj = 0 (2.11)
4. Si on permute deux colonnes alors, le déterminant change de signe :
jC1 ; :::; Ci ; :::; Cj ; :::; Cn j = jC1 ; :::; Cj ; :::; Ci ; :::; Cn j (2.12)
5. Le déterminant ne change pas si on ajoute à la colonne i une combinaison linéaire des

autres colonnes :
X
jC1 ; :::; Ci ; :::; Cn j = C1 ; :::; Ci + j Cj ; :::; Cn (2.13)
j6=i
Exemple 2.3.3 Considérons la matrice

2 3
1 2 1 1
6 1 1 1 1 7
A=6
4 1
7
1 1 1 5
1 2 1 2
En remplaçant C2 par C2 C4 , on obtient :
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
En remplaçant C3 par C3 C2 , on obtient :
1 1 0
1 1
jAj = 3: 1 1 0 = 3 1: =6
1 1
1 1 1
2.4 Inversion des matrices

n;m
Dé…nition 2.4.1 Soit A = [aij ]i;j=1 2 Mn;m (K). On appelle transposée de A, la matrice AT
dont les lignes sont les colonnes de A. Autrement dit :
m;n
AT = [bij ]i;j=1 2 Mm;n (K) avec bij = aji (2.14)
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
Les deux théorèmes suivants sont fondamentaux la théorie des déterminants
Theorème 2.4.3 Le déterminant d’une matrice carrée et celui de de sa transposée sont égaux.
Theorème 2.4.4 Si A; B 2 Mn (K) sont deux matrices carrées alors,
jABj = jAj : jBj :

n
Dé…nition 2.4.5 Soit A = [aij ]i;j=1 2 Mn (K) une matrice carrée. On appelle :
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:
Dans ce cas, la matrice inverse est donnée par la formule
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).
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
Solution. 1. En remplaçant dans D1 , L2 par L2 L1 , L3 par L3 L2 et L4 par L4 L3 et en

développant après par rapport à la première colonne, on obtient que :
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
En remplaçant dans le nouveau déterminant, L2 par L2 L1 , L3 par L3 L2 et en développant

à nouveau par rapport :
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) :
2.En remplaçant la colonne C2 par C2 C1 et la colonne C3 par C3 C2 , puis en développant

par rapport à la première ligne, on obtient :
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
3. En remplaçant dans le nouveau déterminant, L2 par L2 L1 ,
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
En remplaçant maintenat C2 par C2 C1 et C3 par C3 C2 , on obtient :
x+2 x+1 x+1

x+1 x+1
D3 = (x + 1) 1 0 0 = (x + 1)
2x + 3 5x + 6
3x + 5 2x + 3 5x + 6
2 1 1 3
= (x + 1) = 3 (x + 1) :
2x + 3 5x + 6
4. En remplaçant maintenat L1 par L1 + L2 + L3 „on obtient :
a b c 2a 2a a+b+c a+b+c a+b+c

D4 = 2b b a c 2b = 2b b a c 2b
2c 2c c a b 2c 2c c a b
1 1 1
= (a + b + c) 2b b a c 2b :
2c 2c c a b
En remplaçant maintenat C2 par C2 C1 et C3 par C3 C1 , on obtient :
1 0 0
3
D4 = (a + b + c) 2b b a c 0 = (a + b + c) :
2c 0 c a b
Exercice 2.5.3 On considère le déterminant
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
2. En développant par rapport à la première colonne, on obtient pour tout n 2:
2 1 0 ::: 0 1 0 ::: ::: 0

.. .. .. .. .. .. ..
. . . . . 1 2 1 . .
Dn = 2: .. .. .. .. .. ..
. . . . 0 0 1 . . 0
.. .. .. .. .. .. .. ..
. . . . 1 . . . . 1
0 1 2 0 1 2
.. ..
2 1 . .
.. ..
= 2Dn 1 . . 0 = 2Dn Dn
1 1 2:
.. .. ..
. . . 1
0 1 2
3. On remarque d’après la première question que :
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:
Ce qui termine la démonstration.
Exercice 2.5.4 Calculer suivant le paramètre réel m l’inverse de la matrice

2 3
m 1 0 1
6 1 m 1 0 7
Am = 6 4 0
7:
1 m 1 5
1 0 1 m
Solution. 1. En utilisant les propriétés du déterminant, on a :
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) :
Donc, si m 2 f 2; 0; 2g, le déterminant et la matrice Am n’est donc pas inversible.

Chapitre 3
ESPACES ET SOUS-ESPACES
VECTORIELS
3.1 Espaces vectoriels

3.1.1 Dé…nitions
Dé…nition 3.1.1 Soit K un corps commutatif. Un espace vectoriel sur K (on dit aussi K-
espace vectoriel) est un ensemble non vide E muni d’une loi interne notée + et d’une loi
externe : K E ! E, tellers que :
1. (E; +) est un groupe commutatif ;
2. La loi externe véri…e les conditions :
(a) 8 (x; y) 2 E E; 8 2 K : (x + y) = x+ y;
(b) 8x 2 E; 8 ( ; ) 2 K K : ( + ) x= x+ x;
(c) 8x 2 E; 8 ( ; ) 2 K K : ( x) = ( : ) x ;
(d) 8x 2 E : 1K x = x.
Remarque.
1. Les éléments de E sont appelés vecteurs, les éléments de K sont appelés scalaires. L’élélément
neutre du groupe (E; +) est appelé vecteur nul de E et sera noté 0E ou tout simplement 0.
2. Dans la relation 2b, on utilise le même signe + pour deux opérations di¤érentes. En e¤et
d’un côté une somme de scalaires et de l’autre, on a une somme de vecteurs. Il appartient au
lecteur de pouvoir distinguer les deux situations.
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)
8 2K: (x1 ; :::; xn ) = ( :x1 ; :::; :xn ) (3.2)
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.
3.2 Régles de calcul dans un espace vectoriel

Soit E un K-espace vectoriel. On a alors les assertions suivantes :
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
Les deux propositions précédentes admettent la réciproque suivante :
Proposition 3.2.3 Si 2 K et x 2 E alors, x = 0E ) = 0K ou 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)
3.3 Sous-espaces vectoriels

3.3.1 Dé…nition, exemples et caractérisation
Dé…nition 3.3.1 Soient E un K-espace vectoriel et F un sous-ensemble non vide de E.
On dira que F est un sous-espace vectoriel (s.e.v) de E si :
1. 8 (x; y) 2 F F : x+y 2F (stabilité par rapport à la loi interne) ;

2. 8x 2 F; 8 2 K : x 2 F (stabilité par rapport à la loi externe).
Remarque. Un sous-espace est lui même un espace vectoriel, muni des opérations induite par
l’espace vectoriel d’origine.

1. Si F est un s.e.v de E alors, 0E 2 F . L’inverse n’est pas vrai.
2. Si F est un s.e.v de E alors, 8x 2 F; x 2 F . L’inverse n’est pas vrai.
Preuve. 1. Supposons que F est un s.e.v de E. D’après la stabilité par rapport à la loi externe,
on a
8x 2 E; 8 2 K : x2F
3.3. SOUS-ESPACES VECTORIELS 25
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,
pour tout autre s.e.v F de E , on a :

f0E g F E:
Exemple 3.3.2 L’ensemble F = (x; y) 2 R2 : x + y = 0 est un s.e.v du R-espace vec-

toriel R2 . En e¤ et,
a. (x; y) 2 F ) F 6= ;
b. (x; y) 2 F; (x0 ; y 0 ) 2 F ) (x; y) + (x0 ; y 0 ) = (x + x0 ; y + y 0 ). D’autre part,
(x + x0 ) + (y + y 0 ) = (x + y) + (x0 + y 0 ) = 0 + 0 = 0:
Donc, (x; y) + (x0 ; y 0 ) 2 F:
c. (x; y) 2 F; 2R) (x; y) = ( :x; :y). Par ailleurs,
:x + :y = : (x + y) = :0 = 0:
Donc, (x; y) 2 F:
Exemple 3.3.3 L’ensemble F = f(x + y; x + 2y) : x; y 2 Rg est un s.e.v du R-espace

vectoriel R2 . En e¤ et,
a. (0; 0) = (0 + 0; 0 + 2:0) 2 F ) F 6= ;
b. Si (x + y; x + 2y) 2 F; (x0 + y 0 ; x0 + 2y 0 ) 2 F , alors,
(x + y; x + 2y) + (x0 + y 0 ; x0 + 2y 0 ) = ((x + y) + (x0 + y 0 ) ; (x + 2y) + (x0 + 2y 0 ))
= ((x + x0 ) + (y + y 0 ) ; (x + x0 ) + 2 (y + y 0 )) 2 F:
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).
Theorème 3.3.5 (de caractérisation) Soient E un K-espace vectoriel et F un sous-ensemble
non vide de E. Alors,
F est un s.e.v de E , 8 (x; y) 2 F F; 8 ( ; ) 2 K K: x+ y2F
Exercice 3.3.6 Montrer en utlisant le théorème précédent que l’ensemble
F = (x; y; z) 2 R3 : x = y ^ x + 2z = 0
est un s.e.v du R-espace vectoriel R3 .
Solution. Soient ( ; ) 2 K K et (u; v) 2 F F . On a : u+ v = ( u1 + v1 ; u2 + v2 ; u3 + v3 ).

Par ailleurs
u2F u = (u1 ; u2 ; u3 ) avec u1 = u2 ^ u1 + 2u3 = 0
=) :
v2F v = (v1 ; v2 ; v3 ) avec v1 = v2 ^ v1 + 2v3 = 0
D’où,
u 1 + v1 = u 2 + v2
:
( u1 + v1 ) + 2 ( u3 + v3 ) = (u1 + 2u3 ) + (v1 + 2v3 ) = :0 + :0 = 0
Donc u+ v 2 F , car ses composantes véri…ent les équations de F .
3.3.2 Intersection et union de sous-espaces vectoriels.

Proposition 3.3.7 Si F1 ; :::; Fn une famile …nie de sous-espaces vectoriels de l’espace vectoriel
E, alors l’ensemble :
\n
F = F1 \ ::: \ Fn = Fk
k=1
est aussi un sous-espace vectoriel de E.

n
\
Preuve. Remarquons tout d’abord que 0E 2 Fk car 0E 2 Fk 8k = 1; :::; n. Par ailleurs,
k=1
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
Proposition 3.3.8 La réunion de deux s.e.v n’est pas forcément un s.e.v.

3.3. SOUS-ESPACES VECTORIELS 27
Preuve. Les sous-ensembles
F1 = f(x; 0) : x 2 Rg et F2 = f(0; y) : x 2 Rg
sont deux s.e.v de R2 . D’autre part,
(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.
Proposition 3.3.9 Soient F1 ; F2 deux s.e.v du K-espace vectoriel E. Alors,
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 )
Donc on a …nalement a + x 2 F1 . Par conséquent,
x = x + 0E = x + (a + ( a)) = (x + a) + ( a) 2 F1 ) F2 F1 :
3.4 Somme et somme directe de sous-espaces vectoriels

Proposition 3.4.1 Soient F1 et F2 deux s.e.v d’un espace vectoriel E . Posons
F = fu = u1 + u2 : u1 2 F1 ; u2 2 F2 g
L’ensemble F est un s.e.v de E .
Preuve. Soient u et v deux vecteurs de F et soit ( ; ) 2 K K. Il faut montrer que le vecteur
w = u + v, peut s’écrire sous la forme w = w1 + w2 avec w1 2 F1 et w1 2 F2 . On a :
u = u 1 + u 2 : u 1 2 F1 ; u 2 2 F2
(u; v) 2 F1 F2 =) :
v = v1 + v2 : v1 2 F1 ; v2 2 F2
Donc,
w = u + v = (u1 + u2 ) + (v1 + v2 ) = (u1 + v1 ) + (u2 + v2 )
= w1 + w2 ; avec w1 = u1 + u2 2 F1 et w2 = u2 + v2 2 F2 :3
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
+ : E E ! E; (xn )n 0 + (yn )n 0 = (xn + yn )n 0

: R E ! E; (xn )n 0 = ( :xn )n 0
Montrer que (E; +; ) est un R-espace vectoriel.
Solution. Laissée au lecteur à titre d’entrainement.
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,
P 2 K [X] () 9 (a0 ; a1 ; :::; an 1 ; an ) 2 Kn+1 : P = an X n + an 1X

n 1
+ ::: + a1 X + a0 :
Montrer que K [X] muni des opérations usuelle d’addition des polynômes et de multiplication
par un scalaire est un K-espace vectoriel.
Solution. Laissée au lecteur à titre d’entrainement.
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) :
Ce qui signi…e que la + est associative dans F .

A.4. 8x 2 F : x + f (0E ) = f f 1 (x) + f 1 (f (0E )) = f f 1 (x) + 0E = f f 1
(x) = x.
Donc f (0E ) est l’élément neutre pour la loi + dans F .
A.5. 8x 2 F , désignons par f 1 (x) , le symétrique de f 1 (x) dans E. Alors :
1 1 1 1 1
x+f f (x) = f f (x) + f f (x) = f f (x) + f (x) = f (0E ) :
Donc, f f 1 (x) est le symétrique de x pour la loi + dans F .

B. Montrons que la loi , véri…e les conditions de la loi externe. On a,
B.1. 8 2 K; 8x; y 2 F :
1 1 1 1 1
(x + y) = f f (x + y) = f f (x) + f (y) =f f (x) + f (y)
1 1
= f f ( x) + f ( y) = x+ y:
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:
2. La bijectivité de f est évidente à véri…er et on a : f 1 : C ! R2 ; z = x + iy 7 ! f 1 (z) =

x y
a ; b . D’après la première question, on obtient une structure de de R-espace vectoriel sur C
en posant :
1.(x1 + iy1 ) + (x2 + iy2 ) = f f 1 (x1 + iy1 ) + f 1 (x2 + iy2 ) = f xa1 ; yb1 + xa2 ; yb2 =
x1 +x2 y1 +y2
f a ; b = (x1 + x2 ) + i (y1 + y2 ) :
1 x y x y
2. (x + iy) = f f (x + iy) = f a; b =f a ; b = x+i y = (x + iy) :
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).
Chapitre 4
BASES ET DIMENSIONS
4.1 Parties libres, parties liées

Dé…nition 4.1.1 Soient E un K-e.v. et A = fv1 ; :::; vn g une famille de vecteurs dans E.
On dira que la famille A est libre si :
1 v1 + :::: + n vn = 0E ) 1 = :::: = n = 0K (4.1)
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.
On dira que les vecteurs v1 ; :::; vn , sont :
1. linéairement indépendants si A est libre,

2. linéairement dépendants si A est liée.
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 .
Proposition 4.1.4 Soient E un K-e.v. Alors,
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
4.2 Parties génératrices
On dira qu’un vecteur v 2 E est une combinaison linéaire des vecteurs v1 ; :::; vn si :
9( 1 ; :::; n) 2 Kn : v= 1 v1 + ::: + n vn (4.2)
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).
Exemple 4.2.4 La famille A = fv1 = (1; 1) ; v2 = (1; 1)g engendre R2 . En e¤ et, si v =

(x; y) 2 R2 , alors,
x+y x y
v = (x; y) = v1 + v2
2 2
Exemple 4.2.5 Montrer que R3 = vect (A) avec A = fv1 = (1; 0; 0) ; v2 = (1; 1; 0) ; v3 = (1; 1; 1)g.
En e¤ et, si v = (x; y; z) 2 R3 alors,
v = (x; y; z) = (x y) v1 + (y z) v2 + z v3
Proposition 4.2.6 Soient F un s.e.v de E , A et B deux familles non vides de vecteurs

dans F . Alors,
1.
A B ) vect (A) vect (B) :
2.
A B et F = vect (A) ) F = vect (B)
Proposition 4.2.7 Soient F un s.e.v de E , A et B deux familles non vides de vecteurs

dans F . Alors,
A libre et F = vect (B) ) Card (A) Card (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 4.3.4 Si K est un corps alors, l’ensemble
Bc = fe1 = (1K ; 0; :::; 0) ; e2 = (0; 1K ; 0:::; 0) ; ::::; e1 = (0; :::; 0; 1K )g
est une base de Kn . On l’appelle la base canonique de Kn .
Preuve. laissée au lecteur.
Proposition 4.3.5 Soient F un s.e.v de E et A = fv1 ; :::; vn g une famille de vecteurs dans
F . Alors,
B est une base de F , 8v 2 F; 9! ( 1 ; :::; n) 2 Kn : v= 1 v1 + ::: + n vn
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 :
1 v1 + ::: + n vn = 0 =) 1 v1 + ::: + n vn = 0 v1 + ::: + 0 vn :
D’après l’unicité de la décomposition, 1 = = n = 0.
Proposition 4.3.6 Soient F un s.e.v de E. Si A et B sont deux bases de F . Alors,
Card (A) = Card (B)
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 4.3.7 Soient E un K-e.v., F un s.e.v. de E et B une base de F . Le nombre

naturel Card (B) est appelé dimension de F . On le note dim F .
Exemple 4.3.8 On a dim R2 = 2 , dim R3 = 3.
Remarque. On a toujours par convention dim f0E g = 0.

Remarque. En réalité, la dimension dépend du corps de base K . Par exemple, le corps C est
un C-e.v.-e.v. et c’est aussi un R-e.v. dans le premier cas sa dimension est égale à 1. Dans le
second cas, sa dimension est égale à 2 (le démontrer).
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 .
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 :
v = (x1 ; ::::; xn ) ) v = (x1 ; ::::; xn )Bc :
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 .
Exemple 4.3.13 On considère dans le R-espace vectoriel R2 le sous espace vectoriel F =

(x; y) 2 R2 : x + y = 0 . Trouver une base de F et donner les coordonnées d’un vecteur dans
cette base.
Solution. On a
v 2 F ) v = (x; x) = x (1; 1) = x v1 avec v1 = (1; 1) :
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.
Exemple 4.3.14 On considère dans R3 le sous espace vectoriel F = (x; y; z) 2 R3 : x y + 2z = 0 .

Trouver une base de F et donner les coordonnées d’un vecteur dans cette base.
Solution. Soit v = (x; y; z) 2 F . Alors,
v = (x; y; z) = (y 2z; y; 2z) = (y; y; 0) + ( 2z; 0; 2z) = y (1; 1; 0) + 2z ( 1; 0; 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,
v = (x; y; z) 2 F ) v = (y; 2z)B .
Proposition 4.3.15 Soit F un s.e.v de E. Alors,
a. Si B est une partie libre de F alors Card (B) dim F ,

b. Si B engendre F alors card (B) dim F .
Preuve. C’est une application directe de la proposition 4.2.7.
Corollaire 4.3.16 Soit B une partie non vide du K-espace vectoriel Kn . Alors,
a. B libre ) Card (B) n,

n
b. B engendre K ) Card (B) n.
Preuve. Découle du fait que dim Kn = n.
4.3. BASES 37
Corollaire 4.3.17 Soient F1 et F2 deux s.e.v de E. Alors,

F1 = F2 , F1 F2 et dim F1 = dim F2 :
Preuve. L’implication directe est évidente. Montrons l’implication inverse. Pour cela, il su¢ t
de montrer que F2 F1 . Supposons que cela n’est pas vrai. Il existe donc un vecteur non nul
v tel que v 2 F2 et v 2 = F1 . Soit B1 une base de F1 . On peut donc assurer que B 0 = B1 [ fvg
est une partie libre de F2 . Par conséquent,
Card (B1 ) + 1 = Card (B 0 ) dim F2 = dim F1 = Card (B1 ) .
D’où contradiction. Par conséquent, F2 F1 .
Proposition 4.3.18 (Première règle très importante et très pratique) Soit E un K-espace vec-
toriel de dimension n et soit B une base de E. Etant donné une famille v1 ; v2 ; :::; vp (p n)
de vecteurs de E, on a :
v1 = (a11 ; a12 ; :::; a1n )B ; v2 = (a21 ; a22 ; :::; a2n )B ; ::::; vp = (ap1 ; ap2 ; :::; apn )B :
Considérons la matrice :
2 3
a11 a12 : : : : a1n
6 a21 a22 : : : : a2n 7
6 7
A (v1 ; v2 ; :::; vp ) = 6
6 : : : : : : : 7 7 2 Mpn (K) :
4 : : : : : : : 5
ap1 ap2 : : : : apn
Alors,
1. les vecteurs v1 ; v2 ; :::; vp sont linéairement indépendants si et seulement si, on peut extraire
de A (v1 ; v2 ; :::; vp ) au moins une matrice carrée "p -lignes, p -colonnes" dont le déterminant
n’est pas nul.
2. les vecteurs v1 ; v2 ; :::; vp sont linéairement dépendants si et seulement si, toutes les matrices
carrées "p -lignes, p -colonnes", extraites de A (v1 ; v2 ; :::; vp ) ont un déterminant nul.
Preuve. On reviendra à la preuve de cette proposition quand on étudiera les systèmes linéaires
d’équations.
Remarque. La proposition 4.3.18 reste vraie si au lieu de la matrice A (v1 ; v2 ; :::; vp ), on consi-
dère sa transposée :
2 3
a11 a21 : : : : an1
6 a12 a22 : : : : an2 7
6 7
(A (v1 ; v2 ; :::; vp )) = 6 : 7
T
6 : : : : : : 7 2 Mnp (K) :
4 : : : : : : : 5
a1p a2p : : : : anp
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.
Exemple 4.3.20 Soit v = (3; 2) 2 R2 : Compléter la partie B = fug en une base de R2 .
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
On peut donc prendre v1 = (1; 0) ou v1 = (0; 1) ou v1 = (1; 1) ; :::.
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 .
Solution. 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 = fu; v1 ; v2 g est une partie libre de R3 . D’après la remarque
4.3.18, on doit avoir :
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 ;....
Exemple 4.3.22 Considèrons dans R3 le sous espace vectoriel F = (x; y; z) 2 R3 : x y + 2z = 0 .

Soit v = (1; 1; 0) 2 F . Compléter B = fvg en une base de F .
Solution. On a déjà vu que dim F = 2. Il faut donc trouver un vecteur v1 = (x1 ; y1 ; z1 ) 2 R3 ,

véri…ant les deux conditions :
v1 2 F et B1 = fv; v1 g est une partie libre.
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 .
Theorème 4.3.24 Soit F un s.e.v de E. On suppose que dim F = n. Si B engendre F et

si p = card (B) n , alors on peut toujours retrancher (p n) vecteurs de B pour obtenir une
base de F .
4.3. BASES 39
Preuve. L’idée de la démonstration, consiste à extraire de la famille B, une sous-famille B 0 de

cardinal n. Pour cela, on procède comme suit :
1. On choisit dans B un vecteur non nul v1 . B1 = fv1 g est donc une partie libre de F .
2. En utilisant la proposition 4.3.18, on choisit dans B un second vecteur non nul v2 tel que
B2 = fv1 ; v2 g soit une partie libre de F .
3. En continuant ce processus n -fois, on obtient une sous-famille Bn = fv1 ; v2 ; :::; vn g qui soit
une partie libre de F .
4. On a Card (Bn ) = n. Donc c’est une base de F , car dans le cas contraire, on obtiendrait
d’après le théorème de la base incomplète dim F n + 1, ce qui est impossible par hypothèse.
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 .
Corollaire 4.3.26 Soit F un s.e.v de E. On suppose que dim F = n. Si B engendre F et si

card (B) = n , , alors B est une base de F .
Theorème 4.3.27 Soient F1 et F2 deux s.e.v d’un espace vectoriel E . Alors,
dim (F1 + F2 ) = dim F1 + dim F2 dim (F1 \ F2 ) (4.3)
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 :
Card (B) = n1 + n2 p = dim F1 + dim F2 dim (F1 \ F2 ) :
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,
u=( 1 + 1 ) :v1 + + p + p :vp + 1 :u1 + + n1 p :un1 p + 1 :w1 + + n2 p :wn2 p :
La famille B engendre donc F1 + F2 : Il reste à prouver qu’elle est libre. Supposons que :
1 :v1 + + p :vp + 1 :u1 + + n1 p :un1 p + 1 :w1 + + n2 p :wn2 p = 0: (4.4)

Il découle de cette dernière relation que le vecteur 1 :w1 + + n2 p :wn2 p 2 F1 \ F2 et s’écrit

donc sous la forme
1 :w1 + + n2 p :wn2 p = 1 :v1 + + p :vp :
En remplaçant dans 4.4, on obtient :

( 1 + 1 ) 1 :v1 + + p + p :vp + 1 :u1 + + n1 p :un1 p = 0: (4.5)
Comme B1 = fv1 ; v2 ; :::; vp ; u1 ; :::; un1 p g est une base de F1 , la relation 4.5 n’est possible que
si :
1+ 1 = = p+ p= 1= = n1 p = 0: (4.6)
En reportant les valeurs des i dans 4.4, on obtient :
1 :v1 + + p :vp + 1 :w1 + + n2 p :wn2 p = 0: (4.7)

Comme B2 = fv1 ; v2 ; :::; vp ; w1 ; :::; wn2 p g est une base de F2 , la relation 4.7 n’est possible que
si :
1 = = p= 1= = n2 p = 0: (4.8)
Les formules 4.6 et 4.8, montrent que B est une partie libre de F1 + F2 .
Corollaire 4.3.28 Soient F1 et F2 deux s.e.v d’un espace vectoriel E . Alors,
dim E = dim F1 + dim F2
E = F1 F2 ,
F1 \ F2 = f0E g
Preuve. L’implication directe est évidente. Montrons donc l’implication inverse. Supposons
pour cela que
dim E = dim F1 + dim F2 et F1 \ F2 = f0E g :
Dans ce cas,
dim (F1 + F2 ) = dim F1 + dim F2 dim (F1 \ F2 ) = dim F1 + dim F2 = dim E
Comme, F1 + F2 E, on obtient …nalement que
E = F1 + F2
F1 \ F2 = f0E g
Ce qui signi…e, E = F1 F2 .
La proposition suivante, constitue aussi un autre critère très pratique de somme directe.
Proposition 4.3.29 Soient F1 et F2 deux s.e.v d’un espace vectoriel E . On suppose que
B1 est une base de F1 et B2 est une base de F2 . Alors,
B1 [ B2 est une base de E
E = F1 F2 , .
B1 \ B2 = ?:
Preuve. L’implication directe découle de la preuve du théorème 4.3.27. Supposons donc inver-
sement que B1 [B2 est une base de E. Il est clair que dans ce cas, on a trivialement, E = F1 +F2 .
D’autre part, on a :
B1 \ B2 = ? =) Card (B1 [ B2 ) = Card (B1 ) + Card (B2 )
=) dim E = Card (B1 [ B2 ) = Card (B1 ) + Card (B2 ) = dim F1 + dim F2
De plus,
E = F1 + F2 =) dim E = dim (F1 + F2 ) =) dim F1 + dim F2 dim (F1 \ F2 ) :
En comparant les deux derniers résultats, on obtient que dim (F1 \ F2 ) = 0. C’est à dire :
F1 \ F2 = f0g. D’où le résultat.
4.4. QUELQUES RECETTES PRATIQUES 41
4.4 Quelques recettes pratiques
4.5 Matrice de passage et changement de base

4.5.1 Position du problème
Soient E un K-e.v , B = fv1 ; :::; vn g et B 0 = fv10 ; :::; vn0 g deux bases de E. Si v est un
vecteur de E alors,
v = ( 1 ; ::::; n )B et v = ( 01 ; ::::; 0n )B 0 :
La question qui se pose est : Quelle est la relation entre les coordonées 1 ; ::::; n et les
coordonnées 01 ; ::::; 0n ?
Comme B 0 est une base de E, on a

8 0
>
> v1 = a11 v1 + a21 v2 + ::: + an1 vn = (a11 ; a21 ; :::; an1 )B
>
>
>
> v 0 = a12 v1 + a22 v2 + ::: + an2 vn = (a12 ; a22 ; :::; an2 )B
< 2
::::::
>
> ::::::
>
>
>
> ::::::
: 0
vn = a1n v1 + a2n v2 + ::: + ann vn = (a1n ; a2n ; :::; ann )B
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
Exemple 4.5.3 Si E = R3 , B = Bc = fe1 = (1; 0; 0) ; e2 = (0; 1; 0) ; e3 = (0; 0; 1)g ,

B 0 = fv1 = (1; 0; 0) ; v2 = (1; 1; 0) ; v3 = (1; 1; 1)g alors,
2 3 2 3
1 1 1 1 1 0
P(B 0 ; B) =4 0 1 1 5 ; P(B; B0 ) =4 0 1 1 5
0 0 1 0 0 1
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)
4.5.2 Formule de changement de base

Proposition 4.5.5 Soient E un K-e.v , B = fv1 ; :::; vn g et B 0 = fv10 ; :::; vn0 g deux bases de
E. Soit v est un vecteur de E. Si,
0 0
v=( 1 ; ::::; n )B et v=( 1 ; ::::; n )B 0 :
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
Exemple 4.5.6 Soit E = R2 , B = Bc = fe1 = (1; 0) ; e2 = (0; 1)g , B0 =

fv1 = (1; 1) ; v2 = (1; 1)g. On a dans ce cas,
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
Un calcul direct montre que

x+y x+y
2 1 1 2 x
P(B 0 ; B) x y = x y =
2
1 1 2
y
et
1 1 x+y
x 2 2 x 2
P(B; B0 ) = 1 1 = x y
y 2 2 y 2
Exemple 4.5.7 Soit E = R3 , B = Bc = fe1 = (1; 0; 0) ; e2 = (0; 1; 0) ; e3 = (0; 0; 1)g

, B 0 = fv1 = (1; 0; 0) ; v2 = (1; 1; 0) ; v3 = (1; 1; 1)g. On a dans ce cas,
v = (x; y; z) 2 R3 ) v = x e1 + y e2 + z e3 ) v = (x; y; z)Bc
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 :
B = fv1 = ( 1; 1; 1; 1) ; v2 = (1; 1; 1; 1) ; v3 = (1; 1; 1; 1) ; v4 = (1; 1; 1; 1)g ;

B0 = fv1 = (0; 1; 1; 1) ; v2 = (1; 0; 1; 1) ; v3 = (1; 1; 0; 1) ; v4 = (1; 1; 1; 0)g :
1. Montrer que B et B 0 sont deux bases de R4 ,

2. Trouver les coordonnées d’un vecteur v 2 R4 dans la base B,
3. Trouver en utilisant la formule de changement de base, les coordonnées d’un vecteur
v 2 R4 dans la base B 0 .
4.5. MATRICE DE PASSAGE ET CHANGEMENT DE BASE 43
Solution. 1. On a dim R4 = 4. Or Card (B) = Card (B 0 ) = 4. Donc, pour Montrer que B

et B 0 sont deux bases de R4 , il su¢ t de montrer qu’elles sont libres. D’après la proposition
4.3.18, il faut démontrer que les deux déterminants
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
ne sont pas nuls.On a,
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
x+y+z+t x y+z+t x+y z+t x+y+z t

) v= ; ; ;
4 4 4 4 B
3. Posons v = (x0 ; y 0 ; z 0 ; t0 )B 0 . On a d’après la formule de changement de base :

0 1 0 x+y+z+t 1
x0 4
B y0 C B x y+z+t C
B 0 C = P(B;B 0 ) B 4 C: (4.12)
@ z A @ x+y z+t A
4
0 x+y+z t
t 4
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
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
4.6 L’espace quotient

Soient E un K-espace.vectoriel et F un sous-espace de E. On dé…nit dans E la relation
binaire R :
8x; y 2 E : xRy () x y 2 F .
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 :
Preuve. 1. Montrons que R est une relation d’équivalence.

a. 8x 2 E, x x = 0 2 F . Donc, R est re‡exive.
b. 8x; y 2 E : xRy () x y 2 F () y x 2 F () yRx: Donc la relation R est symétrique.
c. 8x; y; z 2 E : xRy et yRz () x y 2 F et y z 2 F =) x z = (x y) + ( y z) 2
F =) xRz. Donc la relation R est transitive et par conséquent, c’est une relation d’équivalence.
2. Par ailleurs, y 2 x () xRy () x y 2 F () y x 2 F () y = x + (y x) 2 x + F:
Proposition 4.6.2 La relation R est une congruence, c’est à dire :
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,
a2x xRa x a2F

=) =) (x + y) (a + b) = (x a) + (y b) 2 F
b2y yRb y b2F
=) (x + y) R (a + b) =) x + y = a + b:
De la même manière,
x a= (x a) 2 F =) ( x) R ( a) =) :x = :a:
1. Montrons maintenant que (E=F; ) est un groupe commutatif. On a :

1.1. La loi est interne par dé…nition.
1.2. 8x; y 2 E=F : x y = x + y = y + x = y x. Donc la loi est commutative.
1.3. 8x; y; z 2 E=F : (x y) z = (x + y) z = (x + y) + z = x + (y + z) = x (y + z) =
x (y z) : Donc la loi est associative.
1.4. 8x 2 E=F : x F = x 0 = x + 0 = x: Donc le sous espace F est le vecteur nul dans
E=F:
Ainsi donc, (E=F; ) est un groupe commutatif.
2. Montrons que la loi , satisfait aux conditions de la loi externe. On a :

2.1. 8x; y 2 E=F et 8 2 K : (x y) = (x + y) = : (x + y) = :x + :y = :x :y =
x y:
2.2. 8x 2 E=F et 8 ; 2 K : ( + ) x = ( + ) :x = :x + :x = :x + :x = x x:
2.3. 8x 2 E=F et 8 ; 2 K : ( x) = ( :x) = : ( :x) = ( : ) :x = ( : ) x:
2.4. 8x 2 E=F : 1 x = 1:x = x:
Proposition 4.6.5 Si dim E +1 alors, dim (E=F ) = dim E dim F .
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 :
p+1 :up+1 ::: n :un = 0 = F =) ( p+1 :up+1 + ::: + n :un ) = F

=) p+1 :up+1 + ::: + n :un 2 F
=) p+1 :up+1 + ::: + n :un = 0; (car fu1 ; :::; up ; up+1 ; :::; un g est une base de E)
=) p+1 = ::: = n = 0:
Remarque. E=E = 0 = E ; E= f0g = ffxg : x 2 Eg :

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. E = R3 , B1 = fv1 = (1; 0; 1) ; v2 = (0; 2; 2) ; v3 = (3; 7; 1)g ;

2. E = R4 , B2 = fv1 = (1; 2; 1; 2) ; v2 = (2; 1; 2; 1) ; v3 = (1; 0; 1; 1) ; v4 = (0; 1; 0; 0)g ;
3. E = R5 , B3 = fv1 = (1; 2; 1; 2; 1) ; v2 = (2; 1; 2; 1; 2) ; v3 = (1; 0; 1; 1; 0) ; v4 = (0; 1; 0; 0; 1)g ;
Solution. 1. On a :
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
Donc, B3 n’est pas une partie libre de E = R5 . Par contre, la famille
B30 = fv2 = (2; 1; 2; 1; 2) ; v3 = (1; 0; 1; 1; 0) ; v4 = (0; 1; 0; 0; 1)g

4.7. EXERCICES 47
est une partie libre de E = R5 . En e¤et, de la matrice :

2 3
2 1 2 1 2
A (v2 ; v3 ; v4 ) = 4 1 0 1 1 0 5;
0 1 0 0 1
on peut extraire au moins une matrice carrée d’ordre 3 de déterinant non nul. Par exemple :
2 1 1
1 0 1 = 1 6= 0:
0 1 0
Finalement, dim (vect (B3 )) = 3.
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 x+z =0

() () :
x y+z =0 2y = 0 y=0
Donc, u = (x; y; z) 2 F1 () u = (x; 0; x) = x: (1; 0; 1) :Par conséquent, B1 = fu1 = (1; 0; 1)g

est une base de F1 et dim F1 = 1.
2. E = R3 , F2 = (x; y; z) 2 R3 : x + y z = 0 . On laisse au lecteur le soin de véri…er que
F2 est un sous-espace vectoriel de E = R3 . On a,
u = (x; y; z) 2 F2 () u = (x; y; x + y) = (x; 0; x) + (0; y; y) = x: (1; 0; 1) + y: (0; 1; 1) :
Posons u1 = (1; 0; 1) 2 F2 ; u2 = (0; 1; 1) 2 F2 . On a B2 = fu1 ; u2 g engendre F2 : De plus, B2

est une partie libre. Donc B2 est une base de F2 et on ,dim F2 = 2.
3. E = R4 , F1 = (x; y; z; t) 2 R4 : x + y z = 0 . On laisse au lecteur le soin de véri…er que
F1 est un sous-espace vectoriel de E = R4 . Soit d, u = (x; y; z; t) 2 F1 : Alors,
u = (x; y; z; t) 2 F1 () u = (x; y; x + y; t) = (x; 0; x; 0) + (0; y; y; 0) + (0; 0; 0; t)

= x: (1; 0; 1; 0) + y: (0; 1; 1; 0) + t: (0; 0; 0; 1) :
Posons : u1 = (1; 0; 1; 0) ; u2 = (0; 1; 1; 0) ; u3 = (0; 0; 0; 1). La famille B1 = fu1 ; u2 ; u3 g, en-

gendre F1 . De plus, c’est une famille libre. Donc, B1 est une base de F1 et dim F1 = 3.
4. E = R4 , F2 = (x; y; z; t) 2 R4 : x y + z = 0 ; x + z + t = 0 . Comme dans les cas pré-
cédents, on laisse au lecteur le soin de véri…er que F2 est un sous-espace vectoriel. Soit donc
Soit d, u = (x; y; z; t) 2 F2 . Alors,
x y+z =0 x y+z =0
u = (x; y; z; t) 2 F2 () () :
x+z+t=0 y+t=0
Donc,
u = (x; y; z; t) 2 F2 () u = (x; y; x + y; y) = (x; 0; x; 0)+(0; y; y; y) = x: (1; 0; 1; 0)+y: (0; 1; 1; 1) :

Posons : u1 = (1; 0; 1; 0) ; u2 = (0; 1; 1; 1). La famille B2 = fu1 ; u2 g, engendre F2 . De plus,

c’est une famille libre. Donc, B2 est une base de F2 et dim F1 = 2.
Remarque. Comme a pu le constater le lecteur, si dans Kn , un sous-espace est dé…ni par p
équations indépendantes, la dimension de ce sous espace est n p. Pour trouver une base de ce
sous-espace, il faut écrire p composante d’un vecteur de ce sous-espace en fonction des (n p)
autres.
Exercice 4.7.3 On considère dans l’espace R3 , les sous espaces vectoriels F1 et F2 de

l’exercice 2.
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,
dim (F1 + F2 ) = dim F1 + dim F2 dim (F1 \ F2 ) = 1 + 2 0 = 3 = dim R3 :
D’où R3 = F1 F2 :
Exercice 4.7.4 On considère dans l’espace R4 , les sous espaces vectoriels F1 et F2 de

l’exercice 2.
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
dim (F1 + F2 ) = dim F1 + dim F2 dim (F1 \ F2 ) = 3 + 3 2 = 4 = dim R4 :
Comme de plus, F1 + F2 est un sous espace de R4 alors, R4 = F1 + F2 .

3. Cette somme n’est pas directe car, F1 \ F2 6= f0g.
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,
B vect (B 0 ) =) vect (B) vect (B 0 )

4.7. EXERCICES 49
2. En déduire que dans R4 , les familles
B = fv1 = (1; 0; 0; 0) ; v2 = (1; 1; 0; 0) ; v3 = (1; 1; 1; 0)g
B0 = fv10 = (2; 1; 0; 0) ; v20 = (2; 2; 1; 0) ; v30 = (2; 1; 1; 0)g
engendrent le même sous espace vectoriel.

Solution. 1. Désignons par FB l’ensemble de tous les sous-espaces de E, contenant B. Il est
facile de véri…er que l’ensemble :
\
EB = F (intersection de tous les sous-espaces contenant B) ;
F 2FB
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,
v 2 vect (B) =) v = 1 v1 + ::: + n vn ( i 2 K; vi 2 B)

=) v 2 F; 8F 2 FB =) v 2 EB :
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 :
On laisse au lecteur le soin d’e¤ectuer tous les calculs nécessaires.
Exercice 4.7.6 On considère dans R4 , le sous espace vectoriel F = (x; y; z; t) 2 R4 : x + y z=0 .
1. Montrer que F = vect fv1 = (1; 1; 2; 1) ; v2 = (1; 0; 1; 2) ; v3 = (0; 1; 1; 1)g :

Solution. Nous allons proposer deux méthodes pour répondre à cette question.
Première méthode : Remarquons tout d’abord que fv1 ; v2 ; v3 g F . Donc, vect fv1 ; v2 ; v3 g
F (voir exercice précédent). Par ailleurs, nous avons déjà vu que dim F = 3. Or de la matrice :
2 3
1 1 2 1
A (v1 ; v2 ; v3 ) = 4 1 0 1 2 5
0 1 1 1
contient au moins un déterminant d’ordre 3 non nul. Par exemple,
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,
[vect fv1 ; v2 ; v3 g F et dim (vect fv1 ; v2 ; v3 g) = dim F ] =) F = vect fv1 ; v2 ; v3 g :
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.
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
Ceci termine la démonstration.

Remarquons en…n que les ensembles B = fu1 ; u2 ; u3 g et B 0 = fv1 ; v2 ; v3 g, forment deux
bases di¤érentes de F . La matrice de passage de B 0 à B est la matrice :
2 1 1
3
1 2 2
P(B 0 ;B) = 4 0 1
2
1 5
2 :
1 1
1 2 2
Exercice 4.7.7 On considère dans l’espace vectoriel R3 , les vecteurs
v1 = (1; 1; 0) ; v2 = (0; 1; 1) ; v3 = (1; 2; 1)
1. Donner une base du sous-espace vectoriel F = vect fv1 ; v2 ; v3 g ;

2. Montrer que F = v = (x; y; z) 2 R3 : x y+z =0 ;
3. Trouver une base du sous espace vectoriel G = v = (x; y; z) 2 R3 : x + y + z = 0 ;
4. A-t-on R3 = F G?;
5. Donner une base de F \ G;
6. Compléter la base de G en une base de R3 .
7. Compléter la base de F \ G en une base de R3 .
8. Caractérise R3 =G et en donner une base.
9. Caractérise R3 =F \ G et en donner une base.
Solution. 1. Remarquons tout d’abord que v3 = v1 + v2 . Donc, F = vect fv1 ; v2 ; v3 g =
vect fv1 ; v2 g. Comme les vecteurs v1 ; v2 sont linéairement indépendants alors, BF = fv1 ; v2 g
est une base de F et dim F = 2.
2. Remarquons tout d’abord que fv1 ; v2 g F . Donc, vect fv1 ; v2 ; v3 g = vect fv1 ; v2 g F .
Par ailleurs,
v = (x; y; z) 2 F () v = (x; x + z; z) = x: (1; 1; 0)+z: (0; 1; 1) 2 vect fv1 ; v2 g =) F vect fv1 ; v2 g :
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,
R3 = F G =) 3 = dim (F + G) = dim F + dim G dim (F \ G) = 2 + 2 0 = 4:
On obtient donc une contradiction. Par conséquent, on n’a pas R3 = F G.

5. On a,
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
On en déduit que BF \G = fu = (1; 0; 1)g est une base de F \ G.

6. Pour compléter la base de G en une base de R3 , il faut trouver un vecteur u3 = (a; b; c) 2 R3
tel que B = fu1 = (1; 1; 0) ; u2 = (0; 1; 1) ; u3 = (a; b; c)g est une base de R3 . Pour cela, il
su¢ t que :
1 0 a
1 1 b = a + b + c 6= 0:
0 1 c
On peut par exemple prendre, u3 = (1; 0; 0).
Notons que ce résultat était prévisible car puisque dim G = 2, il faut choisir u3 2 = G.
7. Pour compléter la base de F \G en une base de R3 , il faut trouver un vecteur v1 = (a1 ; b1 ; c1 ) 2
R3 , v2 = (a2 ; b2 ; c2 ) 2 R3 tels que B = fv = (1; 0; 1) ; v1 = (a1 ; b1 ; c1 ) ; v2 = (a2 ; b2 ; c2 )g est
une base de R3 . Pour cela, il su¢ t que :
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
On peut par exemple prendre v1 = (1; 1; 0), v2 = (1; 0; 0) :

8. On sait déjà que BG = fu1 = (1; 1; 0) ; u2 = (0; 1; 1)g est une base de G. Donc, si u 2 R3
alors,
u 2 R3 =G () u = u + G = fu + 1 u1 + 2 :u1 : 1 ; 2 2 Rg :
Par ailleurs, on a déjà vu que B = fu1 = (1; 1; 0) ; u2 = (0; 1; 1) ; u3 = (1; 0; 0)g est une base
de R3 . D’après les propriétés du quotient B G = fu3 g est une base de R3 =G. De plus,
u3 = u3 + G = fu3 + 1 u1 + 2 :u1 : 1; 2 2 Rg :
Finalement,
u 2 R3 =G () u = :u3 ; 2 R:
9. BF \G = fv = (1; 0; 1)g est une base de F \ G. Donc, si w 2 R3 alors,
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 ?
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;
( :P + :Q) (X) = (an + bn ) X n + (an 1 + bn 1) X

n 1
+ ::: + (a1 + b1 ) X + (a0 + b0 ) :
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;
découle que l’ensemble B = X n ; X n 1 ; :::; X; 1 engendre Rn [X]. Comme, an X n +an 1 X n 1 +

::: + a1 X + a0 coïncide avec le polynôme nul si et seulement si tous les coé¢ cients a i sont
nuls, il s’ensuit que B est libre et constitue donc une base de Rn [X]. Finalement, on a :
dim Rn [X] = CardB = n + 1.
2. Soient P; Q 2 F et ; 2 R. En utilisant les propriétés de la dérivée, on obtient que :
( :P + :Q) " (0) = :P " (0) + :Q" (0) = 0 + 0 = 0:
Donc :P + :Q 2 F . En d’autres termes, F est un s.e.v de R3 [X] : Par ailleurs,
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.
4. Soit P 2 R3 [X]. Alors,

a 3 a 3
P (X) = aX 3 + bX 2 + cX + d = X + cX + d + X + bX 2 2 F + G:
2 2
Donc, R3 [X] = F + G. Cette somme n’est pas directe car,
4 = dim R3 [X] 6= dim F + dim G = 3 + 2 = 5:

Chapitre 5
APPLICATIONS LINÉAIRES
5.1 Dé…nition, exemples et propriétés

Dé…nition 5.1.1 Soient E et F deux K-espaces vectoriels. Une application
f : E ! F est dite linéaire si :
1. 8 (x; y) 2 E 2 : f (x + y) = f (x) + f (y) ;
2. 8 2 K; 8x 2 E : f ( x) = f (x) :
Remarque. 1. 8 (x1 ; :::; xn ) 2 E 2 : f (x1 + ::: + xn ) = f (x1 ) + ::: + f (xn ) :
2. Si F = K alors f est applelée forme linéaire.
Exemple 5.1.2 IdE : E ! E ; IdE (x) = x . On l’appelle l’identité dans E.
Exemple 5.1.3 O : E ! F ; O (x) = 0F . On l’appelle l’application nulle.
Exemple 5.1.4 H : E ! E ; H (x) = x . On l’appelle l”homothétie de rapport 2 K.
2 2
Exemple 5.1.5 f : R ! R ; f (x; y) = (a:x + b:y ; c:x + d:y) .
Exemple 5.1.6 R : R2 ! R2 ; R (x; y) = (x: cos y: sin ; x: sin + y: cos ). On l’ap-
pelle la rotation vectorielle plane d’angle 0 2 .
Exemple 5.1.7 f : R3 ! R2 ; f (x; y; z) = (x + y ; y z).
Theorème 5.1.8 (de caractérisation) Soient E et F deux K-espaces vectoriels et f : E ! F
une application. Alors
f est linéaire , 8 ( ; ) 2 K2 ; 8 (x; y) 2 E 2 : f ( x+ y) = f (x) + f (y) :
Proposition 5.1.9 Si f : E ! F est une application linéaire alors,
1. f (0E ) = 0F (l’image du vecteur nul de E est égale au vecteur nul de F );
2. f ( x) = f (x) 8x 2 E (l’image du symétrique dans E est égale au symétrique dans F
de l’image):
Preuve. 1. On a,
f (0E ) = f (0E + 0E ) = f (0E ) + f (0E )
=) 0F = f (0E ) + ( f (0E )) = (f (0E ) + f (0E )) + ( f (0E ))
= f (0E ) + (f (0E ) + ( f (0E ))) = f (0E ) + 0F = f (0E ) :
2. 8x 2 E,
0F = f (0E ) = f (x + ( x)) = f (x) + f ( x) =) f ( x) = f (x) :
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.
Preuve. Soit Soit A = fv1 ; :::; vn g une partie génératrice de E. On a alors,
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.
Corollaire 5.1.12 Soient f; g : E ! F deux applications linéaires et A = fv1 ; :::; vn g une

partie génératrice de E. Alors,
f = g () 8i = 1; 2; :::; n : f (vi ) = g (vi ) :
Proposition 5.1.13 Soit f : E ! E une application linéaire. On suppose que dim E = 1. Il

existe alors 2 K tel que :
f (x) = x; 8x 2 E:
Autrement dit, f est une homothétie dans E.
Preuve. Puisque dim E = 1 alors, il existe un vecteur u 6= OE tel que :
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,
u 2 E et u = ( 1 ; :::; n )BE =) f (u) = ( 1 ; :::; m )BF ;
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,
u 2 E et u = ( 1 ; :::; n )BE =) u = 1 u1 + ::: + n un

=) f (u) = f ( 1 u1 + ::: + n un ) = 1 f (u1 ) + ::: + n f (un )
= 1 (a11 v1 + ::: + am1 vm ) + :::::: + n (a1n v1 + ::: + amn vm )
= ( 1 :a11 + ::: + n :a1n ) v1 + :::::: + ( 1 :am1 + ::: + n :amn ) vm
= ((a11 : 1 + ::: + a1n : n ) ; :::::::; (am1 : 1 + ::: + amn : n ))BF :
5.1. DÉFINITION, EXEMPLES ET PROPRIÉTÉS 55
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 .
Preuve. 1. Montrons que (L (E; F ) ; +), est un groupe abélien.

1.1. Soient f; g deux éléments de L (E; F ) : Alors, 8 ( ; ) 2 K2 ; 8 (x; y) 2 E 2 :
(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 :
(f + g) (x) = f (x) + g (x) = g (x) + f (x) = (g + f ) (x) :
D’où, f + g = g + f (commutativité de la loi + dans L (E; F )).
1.3. 8f; g; h 2 L (E; F ), 8x 2 E :
((f + g) + h) (x) = (f + g) (x) + h (x) = (f (x) + g (x)) + h (x)

= f (x) + (g (x) + h (x)) = f (x) + (g + h) (x)
= (f + (g + h)) (x) :
D’où, (f + g) + h = f + (g + h) (associativité de la loi + dans L (E; F )).

1.4. Soit O : E ! F ; O (x) = 0F , l’application nulle. Alors, 8f 2 L (E; F ), 8x 2 E :
(f + O) (x) = f (x) + O (x) = f (x) + 0F :
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 )).
1.5. Pour tout f 2 L (E; F ), considérons l’application :
f : E ! F; ( f ) (x) = f (x) :
On véri…e facilement que f 2 L (E; F ). Par ailleurs, 8x 2 E :
(f + ( f )) (x) = f (x) + ( f ) (x) = f (x) f (x) = OF = O (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 :
( (f + g)) (x) = ((f + g) (x)) = (f (x) + g (x)) = f (x) + g (x)

= ( f ) (x) + ( g) (x) = ( f+ g) (x) :
Donc, (f + g) = f+ g.
2.2. 8f 2 L (E; F ), 8 ; 2 K; 8x 2 E :
(( + ) f ) (x) = ( + ) f (x) = f (x) + f (x) = ( f+ f ) (x) :

D’où, ( + ) f = f+ f.
2.3. 8f 2 L (E; F ), 8 ; 2 K; 8x 2 E :
( ( f )) (x) = (( f ) (x)) = ( f (x)) = ( ) f (x) :
Donc, ( f) = ( ) f.
2.4. 8f 2 L (E; F ), 8x 2 E :
(1K f ) (x) = 1K f (x) = f (x) :
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. Soient ( ; ) 2 K2 et (y1 ; y2 ) 2 F 2 . Il existe donc (x1 ; x2 ) 2 E 2 tels que, y1 = f (x1 )

et y2 = f (x2 ). Par conséquent,
1 1
f ( y1 + y2 ) = f ( f (x1 ) + f (x2 ))
1
= f (f ( x1 + x2 )) = x1 + x2
1
= f (y1 ) + f 1 (y2 )
1
Donc, f est linéaire.
Proposition 5.1.17 Soient f 2 L (E; F ) et g 2 L (F; G). Alors g f 2 L (E; G).
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,
gof ( u+ v) = g (f ( u+ v)) = g ( f (u) + f (v))

= g (f (u)) + g (f (v)) = gof (u) + gof (v) :
5.2 Noyau d’une application linéaire

Dé…nition 5.2.1 Soit f : E ! F une application linéaire. L’e noyau de f est l’ensemble :
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 est un sous espace vectoriel de E.
Proposition 5.2.3 Soit f : E ! F une application linéaire. Alors,
f injective , ker f = f0E g

5.2. NOYAU D’UNE APPLICATION LINÉAIRE 57
Preuve. Supposons que f est injective. On a alors,
x 2 ker f ) f (x) = 0F = f (0E ) ) x = 0E
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
f (x) = f (y) ) f (x) f (y) = 0F ) f (x y) = 0F

) x y 2 ker f = f0E g ) x y = 0F ) x = y:
D’où l’injectivité de f .
Proposition 5.2.4 Soit f : E ! F une application linéaire. Alors,
f injective , l’image de toute partie libre de E est une partie libre 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,
1 f (v1 ) + :::: + n f (vn ) = 0F ) f ( 1 v1 + :::: + n vn ) = 0F

) 1 v1 + :::: + n vn 2 ker f = f0E g
) 1 v1 + :::: + n vn = 0E
) 1 = :::: = n = 0K :
Donc f (A) = ff (v1 ) ; :::; f (vn )g est une partie libre de F .

Inversement, supposons que l’image de toute partie libre de E est une partie libre de F . Pour
montrer que f est injective, il su¢ t de montrer que ker f = f0E g. Ceci revient à montrer que
si v est un vecteur non nul de E alors, f (v) est un vecteur non nul de F: On a
v 6 = 0E ) A = fvg est une partie libre de E

) f (A) = ff (v)g est une partie libre de F
) f (v) 6= 0F .
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 ?
Solution. On a,
(x; y) 2 ker R () (x: cos y: sin ; x: sin + y: cos ) = (0; 0)

x: cos y: sin = 0
() :
x: sin + y: cos = 0
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.
Exercice 5.2.7 Même question pour l’application linéaire f : R3 ! R2 ; f (x; y; z) =

(x + y ; y z).
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 :
Donc, l’application f n’est pas injective.
5.3 Image d’une application linéaire

Dé…nition 5.3.1 Soit f : E ! F une application linéaire. L’image de f est l’ensemble :
Im f = fy = f (x) : x 2 Eg = f (E) :
En d’autres termes, Im f est l’ensemble des images par f .
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
Donc Im f est un sous espace vectoriel de F .

Remarque. Si f : E ! F est une application linéaire alors, f est surjective si et seulement
si, Im f = F .
Proposition 5.3.3 Soient f : E ! F une application linéaire. Alors,
f surjective () l’image de toute partie génératrice de E est une partie génératrice de F .
Preuve. (=)) Soit A = fv1 ; :::; vn g une partie génératrice de E. On a alors,
y 2 Im f ) y = f (x) (x 2 E)
Par ailleurs
A = fv1 ; :::; vn g partie génératrice de E ) x = 1 v1 + :::: + n vn ( 1 ; :::; n 2 K)

) y = f (x) = f ( 1 v1 + :::: + n vn ) = 1 f (v1 ) + ::: + n f (vn ) :
Ce qui signi…e que f (A) est une partie génératrice de Im f .

5.4. LE THÉORÈME DES DIMENSIONS ET SES COROLLAIRES 59
((=) 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,
y 2 F =) y = 1 f (v1 ) + ::: + n f (vn ) ; 1 ; :::; n 2 K;

=) y = f ( 1 v1 + :::: + n vn ) ; 1 ; :::; n 2 K;
=) y = f (x) ; x = 1 v1 + :::: + n vn 2 E.
Donc, f est surjective.
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:
Donc, f est surjective.

Remarque. Il découle de la démonstration (implication directe) que l’image de toute partie
génératrice de E est une partie génératrice de Im f .
Exercice 5.3.5 Trouver une base de l’image de l’application linéaire f : R3 ! R2 ; f (x; y; z) =

(x + y ; y z). f est-elle surjective ?
Solution. Soit B = fe1 = (1; 0; 0) ; e2 = (0; 1; 0) ; e3 = (0; 0; 1)g la base canonique de R3 . On a :
f (B) = ff (e1 ) = (1; 0) ; f (e2 ) = (1; 1) ; f (e3 ) = (0; 1)g :
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 :
D’où la surjectivité de l’application f .

La proposition 5.3.3, admet le corollaire évident suivant.
Exercice 5.3.6 Corollaire 5.3.7 f : E ! F une application linéaire. Alors,
f bijective , l’image de toute base de E est une base de F .
5.4 Le théorème des dimensions et ses corollaires

Theorème 5.4.1 (des dimensions) Soit f : E ! F une application linéaire. Alors,
dim E = dim (ker f ) + dim (Im f )
Preuve. Considérons les applications :
s : E ! E= ker f ; x 7 ! s (x) = x
:
g : E= ker f ! F ; g (x) = f (x)
1. L’application est (trivialement) surjective. On l’appelle la surjection canonique.

2. L’application g est bien dé…nie (ne dépend pas du choix du représentant de x). De plus, elle
est injective. En e¤et,
y 2 x =) y = x + v (v 2 ker f ) =) f (y) = f (x + v) = f (x) + f (v) = f (x) :
Par ailleurs,
g (a) = g b =) f (a) = f (b) =) f (a b) = 0 =) a b 2 ker f =) a = b:
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,
g B = fg (v 1 ) = f (v1 ) ; :::; g (v p ) = f (vp )g
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 ) :
Corollaire 5.4.2 Soit f : E ! F une application linéaire. Alors,
1. f injective ) dim E dim F . L’inverse n’est pas vrai.

2. f surjective ) dim E dim F . L’inverse n’est pas vrai.
3. f bijective ) dim E = dim F . L’inverse n’est pas vrai.
Preuve. 1. On a,
Im f F =) dim (Im f ) dim F:
Par conséquent, en utilisant le théorème des dimensions, on obtient que
f injective ) ker f = f0g =) dim (ker f ) = 0 =) dim E = dim (Im f ) dim 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,
f surjective ) Im f = F =) dim E = dim (ker f ) + dim (Im f ) = dim (ker f ) + dim F

=) dim E dim F:
Par ailleurs, l’application linéaire f : R3 ! R2 ; f (x; y; z) = (x + y + z ; 0), n’est pas

surjective car, u = (1; 1) 2
= Im f .
3. On a,
f injective dim E dim F

f bijective ) ) =) dim E = dim F:
f surjective dim E dim F
Par ailleurs, l’application linéaire f : R2 ! R2 ; f (x; y) = (x + y ; x y), n’est pas

injective car, u = (1; 1) 2 ker f . Elle n’est donc pas bijective.
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
= ( :y + :y 0 ; :x + :x0 ; ( :x + :y) + ( :x0 + :y 0 ))

= ( :y; :x; :x + :y) + ( :y 0 ; :x0 ; + :x0 + :y 0 )
= : (y; x; x + y) + : (y 0 ; x0 ; x0 + y 0 ) = :f (x; y) + :f (x0 ; y 0 ) :
Donc, l’application f est linéaire.
De la même manière, soient (x; y; z) ; (x0 ; y 0 ; z 0 ) 2 R3 et ; 2 R. Alors,
g ( : (x; y; z) + : (x0 ; y 0 ; z 0 )) = g ( :x + :x0 ; :y + :y 0 ; :z + :z 0 )
( ( :x + :x0 ) + ( :y + :y 0 ) + ( :z + :z 0 ) ;
=
( :x + :x0 ) ( :y + :y 0 ) + ( :z + :z 0 ))
= ( :x + :y + :z; :x :y + :z) + ( :x0 + :y 0 + :z 0 ; :x0 :y 0 + :z 0 )
= : ( x + y + z; x y + z) + : ( x0 + y 0 + z 0 ; x0 y 0 + z 0 )
= :g (x; y; z) + :g (x0 ; y 0 ; z 0 ) :
Donc, l’application g est aussi linéaire.
2. On a,
(x; y) 2 ker f () f (x; y) = (0; 0; 0) () (y; x; x + y) = (0; 0; 0) () x = y = 0:
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,
Im f = vect ff (BR2 )g = vect fu1 = (0; 1; 1) ; u2 = (1; 0; 1)g

= fu = 1 :u1 + 2 :u2 ; 1; 2 2 Rg :
3. On a, g f : R2 ! R2 et f g : R3 ! R3
g f (x; y) = g (y; x; x + y) = ( y + x + x + y; y x + x + y) = (2x; 2y) = 2 (x; y)
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)).
1. Montrer que g est linéaire

2. Trouver son noyau.
3. Montrer que g est bijective et trouver son inverse.
Solution. Remarquons tout d’abord qu’il existe un réel 6= 0 tel que f (x) = :x pour tout
x 2 R:
1. Soient maintenant (x; y) ; (x0 ; y 0 ) 2 R2 et ; 2 R. Alors,
g ( : (x; y) + : (x0 ; y 0 )) = g ( :x + :x0 ; :y + :y 0 ) = (( :x + :x0 ) ( :y + :y 0 ) ; f ( :x + :x0 ))

= ( :x + :x0 :y :y 0 ; : ( :x + :x0 )) = ( :x :y; : :x) + ( :x0 :y 0 ; : :x0 )
= : (x y; :x) + : (x0 y 0 ; :x0 ) = :g (x; y) + :g (x0 ; y 0 ) :
D’où la linéarité de l’application g.

2. On a,
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
Donc, ker g = f(0; 0)g.

3. L’application g est injective. et par conséquent, elle est bijective d’après le corollaire 5.4.3
Pour trouver l’application inverse. On a alors,
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 :
Exercice 5.5.3 Soit B = fe1 ; e2 ; e3 g la base canonique de R3 .

5.5. EXERCICES 63
1. Trouver les formes générales des applications linéaires f et g, dé…nies par :

f (e1 ) = (1; 1; 2) ; f (e2 ) = ( 2; 5; 3) ; f (e3 ) = ( 16; 7; 3) ;
g (e1 ) = (0; 0; 0) ; g (e2 ) = (1; 0; 1) ; g (e3 ) = (1; 3; 2) :
2. Dire si ces applications sont injectives, surjectives, bijectives.

Solution. 1. On a,
(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
Exercice 5.5.4 Soit l’application f : R3 ! R3 , dé…nie par : f (x; y; z) = (x y; y z; z x).
1. Montrer que f est linéaire.

2. Trouver dim (ker f ), dim (Im f ) :
3. Montrer que Im f = (x; y; z) 2 R3 : x + y + z = 0 :
4. Montrer que R3 = ker f Im f .
5. Calculer f 2 = f f .
Solution. 1.soient (x; y; z) ; (x0 ; y 0 ; z 0 ) 2 R3 et ; 2 R. Alors,
f ( : (x; y; z) + : (x0 ; y 0 ; z 0 )) = f ( :x + :x0 ; :y + :y 0 ; :z + :z 0 )

(( :x + :x0 ) ( :y + :y 0 ) ; ( :y + :y 0 )
=
( :z + :z 0 ) ; ( :z + :z 0 ) ( :x + :x0 ))
= ( : (x y) ; : (y z) ; : (z x)) + ( : (x0 y 0 ) ; : (y 0 z 0 ) ; : (z 0 x0 ))
= : (x y; y z; z x) + : (x0 y 0 ; y 0 z 0 ; z 0 x0 )
= :f (x; y; z) + :f (x0 ; y 0 ; z 0 ) :
Donc, l’application f est linéaire.

2.
u = (x; y; z) 2 ker f () f (x; y; z) = (x y; y z; z x) = (0; 0; 0)

8
< x y=0
() y z = 0 () x = y = z () u = x: (1; 1; 1) :
:
z x=0
Donc, ker f = vect fu0 = (1; 1; 1)g et .dim (ker f ) = 1:

Soit B = fe1 ; e2 ; e3 g la base canonique de R3 . Alors,
f (B) = fv1 = (1; 0; 1) ; v2 = ( 1; 1; 0) ; v3 = (0; 1; 1)g :

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) :
Or, les vecteurs u0 = (1; 1; 1) ; v1 = (1; 0; 1) ; v2 = ( 1; 1; 0) sont linéairement indépendants

car,
1 1 1
1 0 1 6= 0:
1 1 0
On a donc forcément, = = = 0. Par conséquent, ker f \ Im f = f(0; 0; 0)g.
5. Pour tout (x; y; z) 2 R3 ;
f f (x; y; z) = f (x y; y z; z x) = (x 2y + z; x + y 2z; 2x + y + z) :
Exercice 5.5.5 Soit : R3 [X] ! R3 [X], dé…nie par : (P ) = P " .
1. Montrer que est linéaire.

2. Déterminer ker et en donner une base.
3. Déterminer Im et en donner une base.
2
4. Calculer :
Solution. 1. soient P; Q 2 R3 [X] et ; 2 R. Alors, d’après les propriétés de la dérivation,
" " "
( P+ Q) = ( P+ Q) = ( P ) +( Q) = P "+ Q" = (P )+ (Q) :
Donc, est linéaire.

2.
P 2 R3 [X] P (X) = aX 3 + bX 2 + cX + d
P 2 ker () () () a = b = 0 () P (X) = cX+d:
(P ) = 0 (P ) = 6aX + 2b = 0
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
MATRICE ASSOCIÉE À UNE

APPLICATION LINÉAIRE
6.1 Dé…nition, exemples et propriétés

Soient E un K -espace vectoriel et B une base …xée de E. Dans tout ce qui suit, on
écrira (E; B) au lieu de E.
Dé…nition 6.1.1 Soit f : (E; B1 ) ! (F; B2 ) une application linéaire. On suppose que
B1 = fu1 ; :::; up g ; B2 = fv1 ; :::; vq g :
On appelle matrice de f par rapport aux bases B et B 0 , la matrice

2 3
a11 a12 : : : a1p
6 a21 a22 : : : a2p 7
6 7
6 : : : : : : 7
M (f; B1 ; B2 ) = 6
6 :
7 (6.1)
6 : : : : : 77
4 : : : : : : 5
aq1 aq2 : : : aqp
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 ).
Exemple 6.1.2 soit f : R2 ; B1 ! R3 ; B2 l’application linéaire dé…nie par f (x; y) =

(x; x y; y). Trouver M (f; B1 ; B2 ) dans chacun des cas suivants :
a. B1 est la base canonique de E et B2 est la base canonique de F .

b. B1 = fu1 = (1; 0) ; u2 = (1; 1)g ; B2 = fv1 = (1; 0; 0) ; v2 = (1; 1; 0) ; v3 = (1; 1; 1)g.
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
Remarque. Si E = F et f = IdE alors,
Ip si B1 = B2
M (f; B1 ; B2 ) = ;
P(B1 ; B2 ) si B1 6= B2
où Ip est la matrice unité d’ordre p et P(B1 ; B2 ) est la matrice de passage de B2 vers B1 .
Proposition 6.1.3 Soient f; g : (E; B1 ) ! (F; B2 ) deux applications linéaires. Alors,
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 (g; B1 ; B2 ) =) f (uk ) = g (uk ) ; k = 1; 2; :::; n:
Soit maintenant u = 1 u1 + ::: + p up . On a,
f (u) = f( 1 u1 + ::: + n up ) = 1 f (u1 ) + ::: + n f (up ) = 1 g (u1 ) + ::: + p g (up )

= :g ( 1 u1 + ::: + p up ) = g (u) :
Proposition 6.1.4 Soient f; g : (E; B1 ) ! (F; B2 ) deux applications linéaires. Alors, 8 ; 2

K,
M( f+ g; B1 ; B2 ) = M (f; B1 ; B2 ) + M (g; B1 ; B2 ) :
Preuve. (c’est un calcul direct).
Corollaire 6.1.5 Soient f : (E; B1 ) ! (F; B2 ) une application linéaire et 2 K. Alors,
M( f; B1 ; B2 ) = M (f; B1 ; B2 ) :
Preuve. Il su¢ t de poser = 0 dans la propostion précédente.
Corollaire 6.1.6 Si f est l’application nulle ( f (x) = 0F 8x 2 E) alors, M (f; B1 ; B2 ) est

la matrice nulle de Mdim F ; dim E (K).
Preuve. Il su¢ t de poser = = 0 dans la propostion précédente.
Proposition 6.1.7 Soient f : (E; B1 ) ! (F; B2 ) et g : (F; B2 ) ! (G; B3 ) deux applications

linéaires. Alors,
M (g f; B1 ; B3 ) = M (g; B2 ; B3 ) M (f; B1 ; B2 ) :
6.1. DÉFINITION, EXEMPLES ET PROPRIÉTÉS 67
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 ) :
Exemple 6.1.9 f : R2 ; B1 ! R3 ; B2 l’application linéaire dé…nie par f (x; y) = (x; x y; y).

Nous avons déjà vu que si on prend pour B1 et B2 les bases canoniques respectives alors,
2 3
1 0
M (f; B1 ; B2 ) = 4 1 1 5:
0 1
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
6.2 Comment retrouver une application linéaire à partir

de sa matrice
Position du problème. Soit f : (E; B1 ) ! (F; B2 ) une application linéaire. On suppose
qu’on connait la matrice M (f; B1 ; B2 ). La question est de savoir comment à partir de là,
retrouver l’expression de f (u) pour tout u 2 E. La réponse à cette question est donnée par
la proposition suivante :
Proposition 6.2.1 Soit f : (E; B1 ) ! (F; B2 ) une application linéaire. Pour tout u 2 E, on
pose
u = ( 1 ; :::; p )B1 ; f (u) = 1 ; :::; q B
2
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
Exemple 6.2.2 soit f : R2 ; B1 ! R3 ; B2 l’application linéaire dont la matrice est

2 3
0 1
M (f; B1 ; B2 ) = 4 1 1 5
0 1
où,
B1 = fu1 = (1; 0) ; u2 = (1; 1)g ; B2 = fv1 = (1; 0; 0) ; v2 = (1; 1; 0) ; v3 = (1; 1; 1)g :
Calculer f (u) pour tout u 2 E.
Solution. On a
u = (x; y) 2 R2 ) u = (x y) u1 + y u2 ) u = (x y; y)B1
Posons f (u) = ( 1; 2; 3 )B2 .

D’après la formule 6.3,
0 1 2 3 0 1
1 0 1 y
@ A = M (f; B1 ; B2 ) x y x y
2 =4 1 1 5 =@ x 2y A
y y:
3 0 1 y
Donc,
f (u) = y v1 + (x 2y) v2 + y v3 = (x y; x 2y; y)

= (x; x y; y)
Exemple 6.2.3 soit f : R3 ; B ! R3 ; B l’application linéaire dont la matrice est

2 3
1 0 2
M (f; B) = 4 3 1 1 5
1 1 0
où, B est la base canonique de R3 .
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,
f (u) = (x 2z) (1; 0; 0) + (3x y + z) (0; 1; 0) + (x + y) (0; 0; 1)

= (x 2z; 3x y + z; x + y)
6.3 Matrice d’application linéaire et changement de base

Position du problème. Soit f : (E; B1 ) ! (F; B2 ) une application linéaire. On suppose
0 0
qu’on connait la matrice M (f; B1 ; B2 ). Soient maintenant B1 une autre base de E et B2
0 0
une autre base de F . La question est de savoir comment obtenir M f; B1 ; B2 à partir de
M (f; B1 ; B2 ). Conformémément au diagramme :
(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 .
Exemple 6.3.2 Considérons l’application linéaire f : R2 ! R3 , dé…nie par f (x; y) = (x

y; x+y; x). Soient B1 = f(1; 0) ; (0; 1)g la base canonique de R2 et B2 = f(1; 0; 0) ; (0; 1; 0) ; (0; 0; 1)g
la base canonique de R3 . Un calcul direct nous donne,
2 3
1 1
M (f; B1 ; B2 ) = 4 1 1 5 :
1 0
0 0
Choisissons deux nouvelles bases B1 = f(1; 1) ; (1; 1)g et B2 = f(1; 0; 0) ; (1; 1; 0) ; (1; 1; 1)g
dans R2 et R3 respectivement. La méthode directe, nous donne :
f (1; 1) = (0; 2; 1) = 2 (1; 0; 0) + (1; 1; 0) + (1; 1; 1)

:
f (1; 1) = (0; 0; 1) = (1; 1; 0) + (1; 1; 1)
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
D’où, en application la formule de passage,

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
1 1
0 0 1 1 0
2 3 2 3 2 3
1 1 0 0 2 2 2
= 4 0 1 1 5 4 2 0 5=4 1 1 5:
0 0 1 1 1 1 1
0
Corollaire 6.3.3 Si B1 = B1 alors,
0
M f; B1 ; B2 = P B10 ;B M (f; B1 ; B2 ) : (6.5)
( 2 2)
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
La formule de passage 6.5, donne :

0
M f; B1 ; B2 = P B10 ;B M (f; B1 ; B2 )
( 2 2)
2 3 2 3 2 3
1 1 0 1 1 0 2
= 4 0 1 1 5 4 1 1 5=4 0 1 5:
0 0 1 1 0 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
La formule de passage 6.6, donne :

0
M f; B1 ; B2 = M (f; B1 ; B2 ) P(B 0 ; B1 )
1
2 3 2 3
1 1 0 2
1 1
= 4 1 1 5 =4 2 0 5:
1 1
1 0 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)
( )
Exemple 6.3.8 Considérons l’application linéaire f : R3 ! R3 , dé…nie par : f (x; y; z) =

(x y; y z; z x). Soient B = fe1 = (1; 0; 0) ; e2 = (0; 1; 0) ; e3 = (0; 0; 1)g la base canonique
de R3 . Un calcul direct nous donne (déjà vu dans un exemple précédent),
2 3
1 1 0
M (f; B) = 4 0 1 1 5:
1 0 1
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
En appliquant la formule de passage 6.7, on obtient :

00
M f; B = P B10 ;B M (f; B) P(B 0 ;B )
( )
2 3 2 3 2 3
1 1 0 1 1 0 1 1 1
= 4 0 1 1 5 4 0 1 1 5 4 0 1 1 5
0 0 1 1 0 1 0 0 1
2 3 2 3 2 3
1 1 0 1 0 0 1 1 0
= 4 0 1 1 5 4 0 1 0 5=4 1 2 0 5:
0 0 1 1 1 0 1 1 0
6.4 Exercices
Exercice 6.4.1 On considère l’application linéaire
f : R2 ! R3 ; f (x; y) = (x y; x + y; 2x 3y)
1. Trouver la matrice M (f; B1 ; B2 ), où B1 est la base canonique de R2 et B2 est la base

canonique de R3 .
2. Trouver par la méthode directe la matrice M (f; B10 ; B20 ), où B10 = fu01 = (1; 0) ; u02 = (1; 1) g
et
B20 = fv10 = (1; 0; 0) ; v20 = (1; 1; 0) ; v30 = (1; 1; 1) g.
3. Retrouver le même résultat, en utilisant la méthode de matrice de passage.
4. Soit maintenant l’application linéaire g : R3 ! R2 , véri…ant la condition :
1 1 1
M (g; B2 ; B1 ) =
1 2 0
5. Trouver l’expression g (x; y; z) pour tout (x; y; z) 2 R3 .
6. Trouver M (g f; B1 ; B1 ). L’application linéaire g f est-elle bijective ?
7. Trouver l’expression (g f ) (x; y) pour tout (x; y) 2 R2 .
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 :
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
4. On a pour tout (x; y; z) 2 R3 :
g (x; y; z) = g (x (1; 0; 0) + y (0; 1; 0) + z (0; 0; 1))

= x g (1; 0; 0) + y g (0; 1; 0) + z g (0; 0; 1)
= x ((1; 0) + (0; 1)) + y ( (1; 0) + 2: (0; 1)) + z (1; 0)
= x (1; 1) + y ( 1; 2) + z (1; 0) = (x y + z; x + 2y) :
5. D’après la formule de multiplication pour les applications composées,
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
On remarque que la matrice M (g f; B1 ; B1 ) a un déterminant non nul. Par consé-

quent, elle est inversible et donc, l’application linéaire g f est bijective.
6. Pour tout (x; y) 2 R2 ,
(g f ) (x; y) = (g f ) (x (1; 0) + y (0; 1)) = x (g f ) (1; 0) + y (g f ) (0; 1)

= x (2: (1; 0) + 3: (0; 1)) + y ( 5: (1; 0) + (0; 1))
= x (2; 3) + y ( 5; 1) = (2x 5y; 3x + y) :
Exercice 6.4.2 On considère l’espace vectoriel réel R3 muni de sa base canonique B =

fe1 ; e2 ; e3 g. Soit f : R3 ! R3 l’application linéaire véri…ant : f (e1 ) = e2 ; f (e2 ) =
e3 ; f (e3 ) = e1 .
1. Trouver M (f; B).

2. Trouver l’expression f (x; y; z) pour tout (x; y; z) 2 R3 .
1
3. Montrer que f est bijective et trouver M f ;B
1
4. Trouver l’expression f (x; y; z) pour tout (x; y; z) 2 R3 .
5. En utilisant la matrice de passage, trouver M f 1 ; B1 où,
B1 = fv1 = (1; 0; 0) ; v2 = (1; 1; 0) ; v3 = (1; 1; 1) g.
Solution.
1. On a, 2 3
0 0 1
M (f; B) = 4 1 0 0 5:
0 1 0
6.4. EXERCICES 75
2. Pour tout (x; y; z) 2 R3 ,
f (x; y; z) = f (x e1 + y e2 + z e3 ) = x f (e1 ) + y f (e2 ) + z f (e3 )

= x e2 + y e3 + z e1 = (z; x; y) :
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
4. Pour tout (x; y; z) 2 R3 ,

1
f (x; y; z) = f 1 (x e1 + y e2 + z e3 ) = x f 1
(e1 ) + y f 1
(e2 ) + z f 1
(e3 )
= x e3 + y e1 + z e2 = (y; z; x) :
5. Par application de la formule de passage,
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
Chapitre 7
SYSTEMES D’ÉQUATIONS
LINEAIRES
7.1 Dé…nitions générales

Dé…nition 7.1.1 Un système linéaire de n -équations et p -inconnues est de la forme :
8
>
> a11 x1 + a12 x2 + ::: + a1p xp = b1
>
>
>
> a21 x1 + a22 x2 + ::: + a2p xp = b2
<
::::: 1 i n
(S) : ; aij 2 K; : (7.1)
>
> ::::: 1 j p
>
>
>
> :::::
:
an1 x1 + an2 x2 + ::: + anp xp = bn
Les aij 2 K, sont appelés les coé¢ cients du système et les xi (1 i n), sont appelés les
inconnues du système.
Remarque. Résudre le système c’est trouver trouver tous les p -uplets (x1 ; x2 ; :::; xp ) les n
-équations en même temps. L’ensemble de ces p -uplets est alors appelé ensemble solution de
(S) et est noté Sol (S).
Exemple 7.1.2 Le système :
8
< x + 2y = 3
(S1 ) : x 2y = 1 ;
:
x + 3y = 4
admet une solution unique : Sol (S1 ) = f(1; 1)g : En e¤ et, des deux premières équations, on
obtient que x = y = 1. De plus ces valeurs véri…ent la troisième équation.
8
< x + 2y = 3
(S2 ) : x 2y = 1 ;
:
x + 3y = 5
n’admet aucune solution : Sol (S2 ) = : En e¤ et, des deux premières équations, on obtient que
x = y = 1. Mais ces valeurs ne véri…ent pas la troisième équation.
Exemple 7.1.4 Le système : 8
< x + 2y = 3
(S3 ) : 2x + 4y = 6 ;
:
3x + 6y = 9
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,
Sol (S3 ) = (x; y) 2 R2 : x + 2y = 3 .
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 ).
Exemple 7.1.9 Le système (S1 ) est équivalent au système :

8
< x + 2y = 3
(S4 ) : x 2y = 1 :
:
x + 3y = 4
Les systèmes (S1 ) et (S2 ) ne sont pas équivalents. Même chose pour les systèmes (S1 ) et (S3 ).
7.2 Écriture matricielle d’un système d’équations linéaires

Le système (S) (7.1), admet l’écriture matricielle suivante :
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
Exemple 7.2.1 Le système (S4 ), admet l’écriture matricielle suivante :

2 3 2 3
1 2 3
4 1 x
2 5 = 4 1 5: (7.4)
y
1 3 4
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.
Exemple 7.2.6 Le système

x + 2y = 3
(S5 ) :
x 2y = 1
est de Cramer car dans ce cas,
1 2
A= et jAj = 4 6= 0:
1 2
Exemple 7.2.7 Le système (S4 ) est injectif car dans ce cas,

2 3
1 2
1 2
A=4 1 2 5 et A0 = = 4 6= 0:
1 2
1 3

2x 3y + z = 0
x + y 3z = 1
est surjectif car dans ce cas,
2 3 1 2 3
A= et A0 = = 5 6= 0:
1 1 3 1 1
Remarque. Nous donnerons à la …n de ce chapitre une justi…cation des di¤érentes appelations

utilisées pour les systèmes d’équations linéaires.
7.3 Résolution des systèmes de Cramer

1
Theorème 7.3.1 Tout système de Cramer AX = B, admet une solution unique : X = A B.
Preuve. évidente.
Exemple 7.3.2 La solution du système (S5 ) est :

1
x 1 3 1 2 3 1 2 2 3 1 4 1
=A = = = = :
y 1 1 2 1 4 1 1 1 4 4 1

8
< x y + 2z = 1
(S) : y+z =2
:
2x + 3y + z = 1
est un système de Cramer. En e¤ et, en écriture matricielle, on a

2 32 3 2 3
1 1 2 x 1
(S) : 4 0 1 1 54 y 5 = 4 2 5:
2 3 1 z 1
On véri…e aisément (example déjà vu d’inversion d’une matrice) que la matrice

2 3
1 1 2
A=4 0 1 1 5
2 3 1
est inversible et que son inverse est la matrice

2 3
4 7 1
14
A 1
= 2 3 1 5:
2
2 5 1
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.
Theorème 7.3.4 Soit (S) un système de Cramer d’écriture matricielle AX = B, où

2 3 2 3 2 3
a11 a12 : : a1n x1 b1
6 a21 a22 : : a2n 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
4 : : : : : 5 4 : 5 4 : 5
an1 an2 : : ann xn bn
Alors,
b1 a12 : : a1n a11 b1 : : a1n a11 a12 : : b1

b2 a22 : : a2n a21 b2 : : a2n a21 a22 : : b2
: : : : : : : : : : : : : : :
: : : : : : : : : : : : : : :
bn an2 : : ann an1 bn : : ann an1 an2 : : bn
x1 = ; x2 = ; ::::::; xn = :
jAj jAj jAj
Preuve. En utilisant les propriétés de linéarité et d’homogeneité des déterminants par rapport
aux colonnes, on a d’une part,
a11 x1 a12 : : a1n a11 a12 : : a1n

a21 x1 a22 : : a2n a21 a22 : : a2n
: : : : : = x1 : : : : : = x1 jAj ; (7.5)
: : : : : : : : : :
an1 x1 an2 : : ann an1 an2 : : ann
7.3. RÉSOLUTION DES SYSTÈMES DE CRAMER 81
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,
a11 x1 a12 : : a1n b1 a12 : : a1n

a21 x1 a22 : : a2n b2 a22 : : a2n
: : : : : = : : : : : : (7.6)
: : : : : : : : : :
an1 x1 an2 : : ann bn an2 : : ann
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 a12 : : a1n

a21 a22 x2 : : a2n a21 a22 : : a2n
: : : : : = x2 : : : : : = x2 jAj ;
: : : : : : : : : :
an1 an2 x2 : : ann an1 an2 : : ann
et que d’autre 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
Ce qui après comparaison, donne l’expression de x2 . En continuant de la sorte, on obtient tous

les xi comme exprimés dans l’énoncé du théorème.
Exemple 7.3.5 Reprenons le même example précédent. En utilisant le théorème, on obtient
que :
1 1 2 1 1 2 1 1 1
2 1 1 0 2 1 0 1 2
1 3 1 9 2 1 1 3 2 3 1 7
x= = ; y= = ; z= = :
2 2 2 2 2 2
On retrouve ainsi le même résultat que par la méthode d’inversion.
7.4 Résolution des systèmes surjectifs.

Soit le système surjectif :
8
>
> a11 x1 + a12 x2 + ::: + a1n xn + a1(n+1) xn+1 + ::: + a1p xp = b1
>
>
>
> a21 x1 + a22 x2 + ::: + a2n xn + a2(n+1) xn+1 + ::: + a2p xp = b2
<
:::::
(S) : : (7.7)
>
> :::::
>
>
>
> :::::
:
an1 x1 + an2 x2 + ::: + ann xn + an(n+1) xn+1 + ::: + anp xp = bn
Quite à changer l’ordre des colonnes, on peut supposer que la matrice :
2 3
a12 a12 : : a1n
6 a22 a22 : : a2n 7
6 7
6 : : : : : 7 (7.8)
6 7
4 : : : : : 5
an2 an2 : : ann
est inversible. Considérons donc le nouveau système :
8
>
> a11 x1 + a12 x2 + :::a1n xn = b1 a1(n+1) xn+1 + ::: + a1p xp
>
>
>
> a21 x1 + a22 x2 + +a2n xn = b2 a2(n+1) xn+1 + ::: + a2p xp
<
0 :::::
(S ) : (7.9)
>
> :::::
>
>
>
> :::::
:
an1 x1 + an2 x2 + ann xn = bn an(n+1) xn+1 + ::: + anp xp
Ce système est de Cramer et son écriture matricielle est :
2 3
x1
6 x2 7
6 7
0
(S ) : A X =B; X =6
0 0 0 0
6 : 7;
7 (7.10)
4 : 5
xn
2 3 2 3
a11 a12 : : a1n b1 a1(n+1) xn+1 + ::: + a1p xp
6 a21 a22 : : a2n 7 6 b2 a2(n+1) xn+1 + ::: + a2p xp 7
6 7 6 7
A0 = 6 6 : : : : : 7
7; B0 = 6 6 : 7:
7
4 : : : : : 5 4 : 5
an1 an2 : : ann bn an(n+1) xn+1 + ::: + anp xp
En d’autres termes, dans le nouveau système (S 0 ), on va exprimer les inconnues x1 ; x2 ; ::::; xn
en fonction de xn+1 ; xn+2; :::; xp , considérées comme des paramétres variables. Le raisonnement
précédent, permet d’énoncer le théorème suivant.
7.4. RÉSOLUTION DES SYSTÈMES SURJECTIFS. 83
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
Remarque. Dans le cas, où p = n, on est ramené à un système de Cramer.
Exemple 7.4.2 Comme déjà vu, le système :
2x 3y + z = 0
(S) :
x + y 3z = 1
est surjectif car dans ce cas,
2 3 1 2 3
A= et A0 = = 5 6= 0:
1 1 3 1 1
Donc, il admet une in…nité de solutions de la forme :

1
x 2 3 z 1 1 3 z 1 8z 3
= = = :
y 1 1 1 + 3z 5 1 2 1 + 3z 5 7z 2
Donc, l’ensemble des solutions est :
8z 3 7z 2
Sol (S) = ; ;z =z2R :
5 5
Exemple 7.4.3 Considérons le système :

8
< x y + z + 2t = 1
(S) : y+t= 1 :
:
2x + 3y + 2z + t = 1
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
On a donc un système surjectif et on va exprimer x; y et t en fonction de z. Par application

du théorème 7.4.1 :
2 3 2 3 1 2 3 2 32 3 2 3
x 1 1 2 1 z 4 7 1 1 z 5 z
4 y 5=4 0 14 14
1 1 5 4 1 5= 2 3 1 54 1 5= 2 5:
2 2
t 2 3 1 1 2z 2 5 1 1 2z 3
Donc, l’ensemble des solutions est :
Sol (S) = f(5 z; 2; z; 3) = z 2 Rg :

7.5 Résolution des systèmes injectifs

Soit le système injectif :
8
>
> a11 x1 + a12 x2 + ::: + a1p xp = b1
>
>
>
> a21 x1 + a22 x2 + ::: + a2p xp = b2
>
>
>
> :::::
>
>
< :::::
(S) : ap1 x1 + ap2 x2 + ::: + app xp = bp : (7.12)
>
>
>
> a(p+1)1 x1 + a(p+1)2 x2 + ::: + a(p+1)p xp = b p+1
>
>
>
> :::
>
>
>
> :::
:
an1 x1 + an2 x2 + ::: + anp xp = bn
Quite à changer l’ordre des lignes, on peut supposer que la matrice,
2 3
a11 a12 : : a1p
6 a21 a22 : : a2p 7
6 7
A1 = 66 : : : : : 77 (7.13)
4 : : : : : 5
ap1 an2 : : app
est inversible. Le système (S), admet l’écriture matricielle suivante :
2 3 2 3 2 3
x1 b1 bp+1
6 x2 7 6 b2 7 6 bp+2 7
A1 B1 6 7 6 7 6 7
(S) : [X] = ; X=6 7 6 7
6 : 7 ; B1 = 6 : 7 ; B2 = 6 :
6 7 ; (7.14)
7
A2 B2 4 : 5 4 : 5 4 : 5
xp bp bn
2 3 2 3
a11 a12 : : a1p a(p+1)1 a(p+1)2 : : a(p+1)p
6 a21 a22 : : a2p 7 6 a(p+2)1 a(p+2)2 : : a(p+2)p 7
6 7 6 7
A1 = 6 6 : : : : : 7 6
7 ; A2 = 6 : : : : : 7 : (7.15)
7
4 : : : : : 5 4 : : : : : 5
ap1 an2 : : app an1 an2 : : anp
En d’autres termes, le système (S), se décompose en deux sous systèmes (S1 ) et (S2 ), dé…nis
par :
(S1 ) : A1 X = B1
(S) : : (7.16)
(S2 ) : A2 X = B2
De plus, le système (S1 ) est de Cramer. Il est clair que X est solution de (S) si et seulement
si, c’est une solution de (S1 ) et (S2 ) en même temps. Ainsi donc, on a le résultat suivant.
Theorème 7.5.1 Un système injectif d’équations linéaires, véri…ant p n, se décompose tou-
jours sous la forme 7.16, 7.14, 7.15, où (S1 ) est un système de Cramer. De plus, l’unique
solution de (S), est la solution X de (S1 ) qui véri…e aussi (S2 ). Dans le cas contraire, le sys-
tème n’a pas de solutions.
8
< x y=0
(S) : x+y =2 :
:
2x + 3y = 5
On a dans ce cas, 2 3
1 1
A=4 1 1 5
2 3
7.5. RÉSOLUTION DES SYSTÈMES INJECTIFS 85
et on remarque que la matrice

1 1
A1 =
1 1
est inversible. Donc on a un système injectif. En application du théorème 7.5.1, (S) se décompose
sous la forme :
(S1 ) : A1 X = B1
(S) : ;
(S2 ) : A2 X = B2
où,
x 0 x
(S1 ) : A1 = ; (S2 ) : [2; 3] = 5:
y 2 y
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

8
< x y=0
(S) : x+y =2 :
:
2x + 3y = 3
Un raisonnement analogue à l’exemple précédent, permet d’écrire :
(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.

8
>
> 2x y = 1
>
>
< x + 2y z = 1
(S) : x y+z =0 :
>
>
>
> y + 2z = 0
:
x y z=2
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
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
On remarque que la matrice 2 3

2 1 0
A1 = 4 1 2 1 5
0 1 2
est inversible. Le système donc est injectif et se décompose sous la forme :
(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.
7.6 Résolution par la méthode du pivot de Gauss

7.7 Justi…cation des appelations utilisées
Chapitre 8
TRANSPOSEE D’UNE
APPLICATION LINEAIRE
8.1 Etude de l’espace dual E

Rappellons tout d’abord que l’espace dual E est l’espace de toutes les formes linéaires sur
E,c’est à dire l’espace de toutes les applications linéaires de E vers le corps commutatif de base
K:
E = L (E; K) = ff : E ! K : f linéaireg : (8.1)
Notre but immédiat est de donner une base de cet espace. Supposons pour cela, que dim E =
n et soit B = fu1 ; :::; un g une base de E. Si f 2 E alors,
8u = 1 u1 + ::: + n un 2 E; f (u) = 1 f (u1 ) + ::: + n f (un ) : (8.2)
Pour tout i 2 f1; 2; :::; ng, désignons par ui la forme linéaire dé…nie par :
1 (i = j)
ui (uj ) = ij (symbole de Kronecker) = : (8.3)
0 (i 6= j)
Il est très facile de voir que 8i 2 f1; 2; :::; ng :
ui (u) = 1 ui (u1 ) + ::: + i ui (ui ) + ::: + n ui (un ) = i: (8.4)
En reportant dans la formule 8.2, on obtient que,
f (u) = 1 f (u1 ) + ::: + n f (un ) = f (u1 ) 1 + ::: + f (un ) n
= f (u1 ) u1 (u) + ::: + f (un ) un (u) = (f (u1 ) u1 + ::: + f (un ) un ) (u) :
On a donc,
f = f (u1 ) u1 + ::: + f (un ) un : (8.5)
Cette dernière formule, signi…e que,
E = vect fu1 ; :::; un g : (8.6)
Proposition 8.1.1 La famille B = fu1 ; :::; u1 g forme une base de E . On l’appelle la base
duale de la base B = fu1 ; :::; un g. On a en particulier, dim E = n = dim E .
Preuve. En vertu de la formule 8.6, il su¢ t de montrer que c’est une famille libre. On a,
1 u1 + ::: + 1n un = 0 =) ( 1 u1 + ::: + 1n un ) (u) = 0 8u 2 E
=) ( 1 u1 + ::: + 1n un ) (ui ) = 0 8i 2 f1; 2; :::; ng
=) i = 0 8i 2 f1; 2; :::; ng :
87
88 CHAPITRE 8. TRANSPOSEE D’UNE APPLICATION LINEAIRE
Exemple 8.1.2 Soit B = fe1 ; e2 ; e3 g la base canonique de R3 . Trouver la base duale B =

fe1 ; e2 ; e3 g de R3 .
Solution. La forme générale d’une forme linéaire sur R3 est :
f (x; y; z) = :x + :y + :z; ; ; 2 R: (8.7)
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.
Solution. En utilisant la relation 8.7, on obtient que :

8 8 8
< u1 (u1 ) = 1 < =1 < =1
u1 (u2 ) = 0 =) + =0 =) = 1 =) u1 (x; y; z) = x y:
: : :
u1 (u3 ) = 0 + + =0 =0
Un raisonnement analogue nous donne,
u2 (x; y; z) = y z; u3 (x; y; z) = z:
8.2 Transposée d’une application linéaire

Dé…nition 8.2.1 Soit f : E ! F une application linéaire. On appelle transposée de f , f T :
F ! E , dé…nie par : f T (g) = g f .
Proposition 8.2.2 La transposée f T est linéaire.

2
Preuve. 8 (g1 ; g2 ) 2 (F ) ; 8 ( ; ) 2 K,
fT ( g1 + g2 ) = ( g1 + g2 ) f = ( g1 ) f + ( g2 ) f
T
= (g1 f ) + (g2 f ) = f (g1 ) + f T (g2 ) :
Exemple 8.2.3 Trouver la transposée f T de l’application linéaire f : R3 ! R3 : f (x; y; z) =

(x y; y z; z x).
Solution. g 2 R3 =) g (x; y; z) = a:x + b:y + c:z: D’où :
f T (g) = g f : R3 ! R3 ; g f (x; y; z) = a: (x y) + b: (y z) + c: (z x) :

T
1. (IdE ) = IdE .
T
2. ( f1 + f2 ) = f1T + f2T , 8 ; 2 K.
T
3. (f2 f1 ) = f1T f2T :
1 1 T
4. Si f est inversible alors, f T = f .
Preuve. Laissée au lecteur.
8.3. MATRICE ASSOCIÉE À LA TRANSPOSÉE D’UNE APPLICATION LINÉAIRE. 89
8.3 Matrice associée à la transposée d’une application li-

néaire.
Soit f : E ! F une application linéaire. Choisissons dans l’espace E une base BE =
fu1 ; :::; un g et dans l’espace F une base BF = fv1 ; :::; vm g : Le but de ce paragraphe est de
trouver le lien entre les matrices M (f; BE ; BF ) et M f T ; BF ; BE . Posons,
2 3 2 3
a11 a12 : : : a1n b11 b12 : : : b1m
6 a21 a22 : : : a2n 7 6 b21 b22 : : : b2m 7
6 7 6 7
6 : : : : : : 7 6 7
M (f; BE ; BF ) = 6 7 ; M f T ; BF ; BE = 6 : : : : : : 7:
6 : : : : : : 7 7 6 : : : : : : 7
6 6 7
4 : : : : : : 5 4 : : : : : : 5
am1 am2 : : : amn bn1 bn2 : : : bnm
Pour tout j 2 f1; 2; :::; mg et tout i 2 f1; 2; :::; ng,
f T vj (ui ) = (b1j u1 + b2j u2 + ::: + bnj un ) (ui ) = bij : (8.8)
D’autre part,
f T vj (ui ) = vj f (ui ) = vj (f (ui )) = vj (a1i v1 + a2i v2 + ::: + ami vm ) = aji :

(8.9)
En comparant les formules 8.8 et 8.9, on obtient que bij = aji pour tout j 2 f1; 2; :::; mg et tout
i 2 f1; 2; :::; ng. Ainsi nous avons le résultat suivant.
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

Le Simplifié Dalgèbre Linéaire PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Le Simplifié Dalgèbre Linéaire PDF

Transféré par

Droits d'auteur :

Formats disponibles

Table des matières

2 CALCUL DES DÉTERMINANTS 11

3 ESPACES ET SOUS-ESPACES VECTORIELS 23

6 MATRICE ASSOCIÉE À UNE APPLICATION LINÉAIRE 65

7 SYSTEMES D’ÉQUATIONS LINEAIRES 77

8 TRANSPOSEE D’UNE APPLICATION LINEAIRE 87

9 EXERCICES ET PROBLEMES TYPES DE REVISION 91

1.1 Dé…nitions générales

1. L’élément aij 2 K est situé à l’intersection de la ligne i avec la colonne j.

1.2 Opérations sur les matrices

Proposition 1.2.3 On a les propriétés suivantes

8(A; B) 2 (Mn;m (K))2 : A + B = B + A: (1.3)

3. La somme des matrices est associative dans Mn;m (K).

8(A; B; C) 2 (Mn;m (K))3 : (A + B) + C = A + (B + C): (1.4)

8A 2 Mn;m (K) : A + OMn;m (K) = OMn;m (K) + A = A: (1.5)

5. Tout élément A = [aij ]n;m

Il découle immédiatement de la proposition précédente le résultat important suivant

Proposition 1.2.4 L’ensemble (Mn;m (K) ; +) est un groupe commutatif.

1. La somme de deux matrices triangulaires inférieures (respectivement supérieures) est une

1.2.2 Produit d’une matrice par un scalaire

a. 0K A = A 0K = OMn;m (K) ; 8A 2 Mn;m (K):

1.2.3 Produit de matrices

Exemple 1.2.8 Soient

Proposition 1.2.9 Le produit des matrices est associatif :

Preuve. Considérons les trois matrices

A = [aij ]n;p p;q

A (BC) = [xij ]n;p

Il faut montrer que

A = [aij ]n;p p;m

2. La deuxième égalité se montre de manière tout à fait similaire.

1.2.4 Transposition et symétrie

Proposition 1.2.15 On a les propriétés suivantes :

A = [aij ]n;p p;m

On a donc, " #n;m " #m;n

1.2.5 Inversion des matrices

Proposition 1.2.18 Soient A 2 Mn (K) et B 2 Mn (K) deux matrices inversibles. Alors,

1. Si le produit AB existe alors, le produit BA existe aussi.

Exercice 1.3.3 Soient A; B deux matrices. Montrer que :

1. Si le produit AB existe alors, le produit B T AT existe aussi.

AB existe =) le nombre de colonnes de A est égal au nombre de lignes de B.

A + B existe =) A et B ont le même nombre de lignes

le nombre de colonnes de A est égal au nombre de lignes de B

Exercice 1.3.4 Soit la matrice

Calculer A2 puis A2 A: En déduire que A est inversible et écrire son inverse A 1

Exercice 1.3.5 On considère les matrices :

On obtient donc le système : 8

A3 4A2 + 7A 4I3 = 0 =) A3 4A2 + 7A = 4I3

2.1 Développement par rapport à une ligne

D’une manière générale si n 3 alors le déteminant se calcule par la formule

où Aij est la matrice obtenue en éliminant la ligne i et la colonne j.

Exemple 2.1.2 Calculons le déteminant de la matrice

En développant par rapport à la deuxième ligne, on obtient

= 1: f 2: (0) + 3: (2)g + 2: f1: (2) + 2: (2)g = 6 + 12 = 18

a. Une matrice diagonale est une matrice triangulaire

jAj = a11 a22 :::ann (2.3)

2.2 Propriétés des déterminants

On peut donc écrire

Theorème 2.2.1 Régles fondamentales de calcul des déterminants

3. Si deux lignes sont proportionnelles alors, le déterminant est égal à 0 :

4. Si on permute deux lignes entre elles alors, le déterminant change de signe :

Exemple 2.2.2 Considérons la matrice

En remplaçant L2 par L2 + L3 , on obtient

En remplaçant de nouveau L2 par L2 + 21 L1 et L3 par L3 L1 , on obtient