[thrm]Exercice

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Université Abderrahmane Mira de Béjaia
Faculté De Sciences Exactes

Département d’Informatique

Cours d’Algèbre II
Par : Larbi ASLI.

Université de Béjaia, le May 25, 2021

 TABLE DES MATIÉRES

1 Espace Vectoriel 6
1.1 Définition d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.1 Corps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.2 Espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.3 Exemples d’espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2 Sous-espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.1 Famille génératrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.2 Somme directe et Sous-espace supplémentaires . . . . . . . . . . . . . . . . 10
1.2.3 Sous-espace engendré . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3 Indépendance linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4 Base et dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.1 Théorème d’existence d’une base . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.2 Théorème de la base incomplète . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.3 Théorème de la base extraire . . . . . . . . . . . . . . . . . . . . . . . . . 16

2 Applications Linéaires 17
2.1 Définition et propriétés des applications linéaires en dimension finie . . . . . . . . . 17
2.2 Image, Noyau, d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.1 Image d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.2 Noyau d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 Relation entre les dimensions du noyau et de l’image . . . . . . . . . . . . . . . . . 21
2.3.1 Rang d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4 Isomorphismes entre espaces vectoriels de dimension finie . . . . . . . . . . . . . . 23

3 Matrices 25
3.1 Défintions et généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.1.1 Egalité de deux matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2 Opérations sur les matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2.1 Addition : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2.2 Multiplication de deux matrices : . . . . . . . . . . . . . . . . . . . . . . . 27
3.3 Matrices associées à une application linéaire et propriétés . . . . . . . . . . . . . . 28
3.3.1 Matrice associé à f + g . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.3.2 Matrice associé à λ f , λ ∈ K . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.3.3 Matrice associé à go f . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

L.Asli
 3.3.4 Transposée d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.4 Rang d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.5 Matrice invirsible matrices régulières et méthodes d’inversion . . . . . . . . . . . . . 33
3.6 Matrice de changement de base (matrice de passage) . . . . . . . . . . . . . . . . 34
 OBJECTIFS DE L’ENSEIGNEMENT

Le programme de module Algèbre 2, est organisé autour de deux objectifs :

• Etude des concepts fondamentaux relatifs aux espaces vectoriels de dimension finie telles que
base, dimension, rang, et apprendre à l’étudiant le procédé de l’échelonnement qui lui sera
très utile par la suite.

• Apprendre l’algèbre linéaire et assimiler les bases du calcul matriciel afin d’acquérir des con-
naissances suffisantes pour aborder l’UEF2 du semestre 3.

L’apprenant doit en avoir des Connaissances préalables recommandées : en algèbre 1.

L.Asli
 AVANT-PROPOS

L’algèbre 2 est une introduction à l’algèbre linéaire, elle est une continuation naturelle de l’algèbre 1.

L’objectif principal de module est l’introduction des concepts fondamentaux de l’algèbre linéaire
telque les les espaces vectoriels, les applications linéaires et les matrices.

Ainsi ça permetera à l’étudiant d’aquirir les outils mathématiques nécessaires pour l’assimilation
des conaissances dans son domaine de formation.

Remarque :

Ce manuscrit n’est soumis à aucun comité de de lecture ou correction, cependant d’éventuels

erreurs peuvent exister.

Le lecture doit faire attention à ne pas reproduir a partir ce document, une version corrigé sera
mise à la disposition des étudiants d’ici peu.

L.Asli
 CHAPTER 1
ESPACE VECTORIEL

1.1 Définition d’un espace vectoriel

1.1.1 Corps
Définition 1

Un corps est un ensemble K muni de deux opérations + et ·, tel que :

A1 : ∀x, y ∈ K, x + y ∈ K;

A2 : ∀x, y ∈ K, x + y = y + x; (+ est commutative)

A3 : ∀x, y, z ∈ K, (x + y) + z = x + (y + z); (+ est associative)

A4 : ∃0 ∈ K, 0 + x = x, ∀x; (0 est lélément neutre pour +)

A5 : ∀x ∈ K, ∃(−x) ∈ K, x + (−x) = 0;

M1 : ∀x, y ∈ K, x · y ∈ K;

M2 : ∀x, y ∈ K, x · y = y · x; (· est commutative)

M3 : ∀x, y, z ∈ K, (x · y) · z = x · (y · z); (· est associative)

M4 : ∃1¬0 ∈ K, 1 · x = x, ∀x; (1 est lélément neutre pour ·)

M5 : ∀x ∈ K, ∃(x−1 ) ∈ K, x + (x−1 ) = 1;

D: ∀x, y, z ∈ K, x · (y + z) = x · y + x · z); (la distributivité de · sur +).

Et on dit que (K, +, ·) est un corps.

D’une façon équivalente, (K, +, ·) est un coprs si et seulemnt si : (K, +, ·) est un anneau com-
mutatif et (K ∗ , ·) est un groupe; où K ∗ = K/{0}.

L.Asli
1.1. DÉFINITION D’UN ESPACE VECTORIEL 7

Exemple 1

Les structures suivantes fommeent des corps

Q: Ensemble des nombres rationnels;

R: Ensemble des nombres réels;

C: Ensemble des nombres complexes.

1.1.2 Espace vectoriel

Maintenent, on introduit le concept d’éspace vectoriel défini sur un corps donné K.

Définition 2

Soit K un corps :
Un (K-espace vectoriel est un ensemble V muni de deux opérations binaires :

+: V ×V → V ; · : K ×V → V

(v, w) 7→ v + w (α, v) 7→ α · v

Tel que:

1. ∀u, v, w ∈ V : (u + v) + w = u + (v + w) (Associativité);

2. ∀u, v ∈ V : u + v = v + u (Commutativité);

3. ∃ 0 ∈ V : v + 0 = v, ∀v ∈ V (0 élément neutre pour +);

4. ∀v ∈ V : ∃(−v) ∈ V, v + (−v) = 0

5. ∀α, β ∈ K, ∀v ∈ V : α · (u + v) = α · u + α · v

6. ∀v ∈ V : 1 · v = v

7. ∀α ∈ K, ∀u, v ∈ V : α · (u + v) = α · u + α · v

8. ∀α, β ∈ K, ∀v ∈ V : (α + β ) · v = α · v + β · v

+ est appelée loi de composition interne (somme vectorielle);

· est appelée loi de composition externe (multiplication par un scalaire);

0 est appelée vecteur nul;

Les élémemnts de K sont appelée des scalaires;

L.Asli
1.1. DÉFINITION D’UN ESPACE VECTORIEL 8

Les élémemnts de V sont appelée des vecteurs.

On dit que (V, +, ·) est un K−espace vectoreil.

Conséquence 1

1. V est non vide car 0 ∈ V ;

a + v = b + v ⇒ a = b;

2. 0 · v = 0;
−v = (−1) · v;
α · 0 = 0, α ∈ K;

3. Si α · v = 0, alors α = 0 où v = 0.

Considérons:

(0 + 0) · v = 0 · v + 0 · v (par ax 8) ⇒ 0·v = 0·v+0·v

⇒ 0 · v + (−0 · v) = 0 + 0 · v
⇒ 0 = 0+0·v
⇒ 0·v = 0

(1 + (−1)) · v = 1 · v + (−1) · v (par ax 8), ⇒ 0 · v = v + (−1 · v)(par ax 6)

⇒ 0 = v + (−1 · v)(par ce qui précède)
⇒ (−v) = (−1 · v)
⇒ α(0 + 0) = α · 0 + α · 0
⇒ α ·0 = α ·0+α ·0
⇒ α ·0 = 0

1 1
Si α 6= 0, alors (α · v) = 1/α · α) · v, (par ax 5); ⇒ 1·v = · (α · v)
α α
1
⇒v= · 0 car α · v = 0
α
⇒ v = 0 car β · 0 = 0, ∀β ∈ K;

1.1.3 Exemples d’espaces vectoriels

1. Soit K = R et V = Rn .
où Rn = {(x1 , x2 , . . . , xn ), xi ∈ R, i = 1 : n}.
On définit + et · comme suit:

L.Asli
1.2. SOUS-ESPACE VECTORIEL 9

+: Rn × Rn → Rn .;
x = (x1 , x2 , . . . , xn ).
y = (y1 , y2 , . . . , yn ).
x + y = (x1 + y1 , x2 + y2 , . . . , xn + yn ).

Et

· : R × Rn → Rn .
α · x) = α · x = (x1 , x2 , . . . , xn ).
x = (α · x1 , α · x2 , . . . , α · xn ).
le vecteur nul est 0 = (0, 0, . . . , 0).
−x = (−x1 , −x2 , . . . , −xn ).
Alors (Rn , +, ·) est un R−espace vectoriel.

2. Soit X un ensemble non vide

Soit F(X, R) l’ensemble des applications de X dans R
F(X, R) = { f : X → R, x 7→ f (x)}

Si f , g ∈ F(X, R), on défint :

f + g par ( f + g)(x) = f (x) + g(x), ∀x ∈ X et α · g par (α · g)(x) = α · g(x)∀x ∈ X, α ∈ R
Alors (F(X, R, +, ·) est un R−espace vectoriel.

3. S = {u : u = (un )n ≥ 0, un ∈ R, ∀n ∈ N} est l’ensemble des suites numériques dans R.

Soit u = (un )n ≥ 0 , v = (vn )n ≥ 0 ∈ S Alors on définit u + v et αu où α ∈ R, par u + v =
(un + vn )n≥0 et (αun )n ≥ 0.
Alors (S, +, ·) est un R−espace vectoriel.

4. (C, +, ·) est un R−espace vectoriel.

5. Soit R[X] l’ensembe des polynômes.

P(X) = ∑ni=0 ai X i , n ≥ 0;
Où + est l’addition des polynômes et · est la multiplication par un scalaire.
(R[X], +, ·) est un R−espace vectoriel.

6. C[0, 1] : l’ensemble des fonctions continues sur [0, 1].

(C[0, 1], +, ·) est un R−espace vectoriel.

1.2 Sous-espace vectoriel

Définition 3

Soit (V, +, ·) un K−espace vectoriel.

L.Asli
1.2. SOUS-ESPACE VECTORIEL 10

Une partie W ⊆ V est un sous-espace vectoriel de V si et seulemnt si :


0 ∈ W,
∀α, β ∈ K, ∀a, b ∈ V, α · a + β · b ∈ W,

Exemple 2

1. Soit (V, +, ·) : un K−espace vectoriel.

Alors W = {0} est un espace vectoriel de V .

2. Soit (F(R, R) le R−espace vectoriel des fonctions définit de R dans R.

Alors (C(R, R) l’ensemble des fonctions continues est un sous-espace vectoriel de (F(R, R)
.

3. Soit le K−espace vectoriel (R2 , +, ·).

Alors F = {(x, y) ∈ R2 : x + 3y = 0} est un sous-espace vectoriel de R2 .

Proposition 1

Un sous-espace vectoriel W d’un K−espace vectoriel est un K−espace vectoriel pour les lois
induites par V .

Proposition 2

Soient F et G deux sous-espaces vectoriels de V .

Alors F ∩ G est un sous-espaces vectoriels.

1.2.1 Famille génératrice

Soit (V, +, ·) un R−espace vectoriel.
On dit qu’un vecteur v ∈ V est une combinaison liéaire des vecteurs v1 , v2 , . . . , vn si et seulement si :
n
v = ∑ αi vi
i=1

Pour des scalaires α1 , α2 , . . . , αn ∈ K.

1.2.2 Somme directe et Sous-espace supplémentaires

Soient F et G deux sous-espaces vectoriels de V .
La somme de F et G notée par F + G est définit par :

F + G = {a + b, a ∈ F, b ∈ G}

L.Asli
1.2. SOUS-ESPACE VECTORIEL 11

Proposition 3

F + G est un sous-espace vectoriel de V .

Demonstration :
F et G sont des sous-espaces vectoriels, alors 0 ∈ F et 0 ∈ G.
Donc 0 + 0 ∈ F + G i.e 0 ∈ F + G . . . (*)

Soient v, w ∈ F + G, donc ∃v1 ∈ F, v2 ∈ G, w1 ∈ F, w2 ∈ G

Pour α, β ∈ K, αv + β w = αv1 + αv2 + β w1 + β w2 = (αv1 + β w1 ) + (αv2 + β w2 )

Comme Fest un sous-espace vectoriel, alors αv1 + β w1 ∈ F. . . (1)

Comme Gest un sous-espace vectoriel, alors αv2 + β w2 ∈ G. . . (2)

De (1) et (2) on conclut que αv + β w ∈ F + G, . . . (**).

(*) et (**), F + G est un sous espace-vectoriel de V .

F,G des sous-espaces vectoriels de V , on dit que F et G sont en somme directe dans V si et
seulemnt Si: 
F ∩ G = {0},
F + G = V,
Et on écrit V = F ⊕ G

Dans ce cas on dit que F et G sont supplémentaires dans V .

1.2.3 Sous-espace engendré

Soit (V, +, ·) : un K−espace vectoriel, et soit {v1 , v2 , . . . , vn } un ensemble fini de vecteurs de V.

Le sous-espace vectoriel engendré par {v1 , v2 , . . . , vn }, noté Vect{v1 , v2 , . . . , vn }, est défini par ::
n
Vect{v1 , v2 , . . . , vn } = { ∑ αi vi , αi ∈ K}
i=1

On dit aussi : Vect{v1 , v2 , . . . , vn } est l’ensemble des combinaisons linéaires des vecteurs
v1 , v2 , . . . , vn .

Ce n’est pas difficile de voir que Vect{v1 , v2 , . . . , vn } est un sous-espace- vectoriel.

On dit que la famille {v1 , v2 , . . . , vn } est une famille génératrice d’un sous-espace W de V si et
seulement si W = Vect{v1 , v2 , . . . , vn }.
Où {v1 , v2 , . . . , vn } engendre W si et seulement si W = Vect{v1 , v2 , . . . , vn }.

L.Asli
1.3. INDÉPENDANCE LINÉAIRE 12

L’union de deux sous-espaces vectoriels n’est pas forcement un espace vectoriel.

Soit le R−sous-espace vectoriel (R2 , +, ·).

Alors F = {(x, 0) ∈ R2 : x ∈ R} et G = {(0, y) ∈ R2 : y ∈ R} sont suplémentaires F G = R2 .
L

F(R, R) = P I car P ∩ I = {0} et P + I = F(R, R).

L

Si f ∈ F(R, R), alors g(x) = f (x)+2f (−x) et h(x) = f (x)−2f (−x) .

g ∈ P, h ∈ I: f = g + h.
∀ f ∈ F(R, R), ∃g ∈ P, ∃h ∈ I tel que f = g + h.

Soit F = {(x, y, z) ∈ R3 : x = y + z}
alors

(x, y, z) = (y + z, y, z)
= (y, y, 0) + (z, 0, z)
= y(1, 1, 0) + z(1, 0, 1)
= {x ∈ R3 : x = ya + zb, y, z ∈ R}

{a, b} est une famille génératrice de F.

Proposition 4

Soit (V, +, ·) : un K−espace vectoriel.

Soit {v1 , v2 , . . . , vn } une famille de vecteurs de V .
Si {v1 , v2 , . . . , vn } ⊆ F où F est sous-epace vectoriel, alors Vect{v1 , v2 , . . . , vn } ⊆ F.
C-à-d Vect{v1 , v2 , . . . , vn } est le plus petit sous-espace vectoriel qui contient les vecteurs v1 , v2 , . . . , vn .

Démonstration. :
Comme v1 , v2 , . . . , vn ⊆ F, alors ∀α1 , α2 , . . . , αn ∈ K, α1 v1 + α2 v2 + . . . + αn vn ∈ F (par la définition
de sous-espace vectoriel).
Donc ∀v ∈ Vect{v1 , v2 , . . . , vn }, alors v ∈ F
ie. Vect{v1 , v2 , . . . , vn } ⊆ F.

1.3 Indépendance linéaire

Définition 4

Soit (V, +, ·) : un K−espace vectoriel.

Une famille {v1 , v2 , . . . , vn } est dite libre (où linéairement indépendante) si et seulemnt si :
n
∑ αivi = 0, alors α1 = α2 = . . . = αn = 0
i=1

L.Asli
1.4. BASE ET DIMENSION 13

Sinon on dit que la famille {v1 , v2 , . . . , vn } est liée (où linéairement dépendante).

Exemple 3

Considérons {(1, 0), (1, 1)} dans R2 .

αa + β b = 0 ⇔ (α, 0) + (β , β ) = 0
⇔ (α + β , β ) = (0, 0)

β =0
Le f trightarrow
α +β = 0

β =0
⇔
α =0
Donc a et b sont linéairement indépendants, mais (1, 2) et (2, 4) sont liés.

Proposition 5

Soit F = {v1 , v2 , . . . , vn }, n ≥ 2.
F est liée si et seuelment si ∃v ∈ F qui est combinaison linéaire des autres.

1.4 Base et dimension

Définition 5

Soit (V, +, ·) : un K−espace vectoriel.

On dit que une famille B = {v1 , v2 , . . . , vn } de vecteurs de V est une base de V si et seuelemnt
si : B est linéairement indépendante et V = Vect(v1 , v2 , . . . , vn ).

Exemple 4

:
Rn = {(x1 , x2 , . . . , xn ) : x1 , x2 , . . . , xn ∈ R}, ei = (0, 0, . . . , 1, . . . , 0).
Alors {e1 , e2 , . . . , en } est une base de (Rn , +, ·).
{a, b} est une base de R2 où a = (1, 2) et b = (0, 2).
(e1 , e2 , . . . , en ) est appelée base canonique de Rn .

L.Asli
1.4. BASE ET DIMENSION 14

Proposition 6

(V, +, ·) : un K−espace vectoriel.

Si A ⊆ B où A , B sont deux familles de vecteurs de V , alors Vect(A ) ⊆ Vect(B).

Définition 6

Un K−espace vectoriel V qui adment une base finie est dit de dimension finie.

Théorème 1

Soit V un K−espace vectoriel de dimension finie.

Alors toutes les bases de V ont le même nombre d’éléments. Ce nombre est appélé dimension
de l’espace vectoriel V .
dim{0} = 0 (par convention).

Proposition 7

Soit B = {v1 , v2 , . . . , vn } une base d’un K−espace vectoriel V , alors il existe des scalaires
α1 , α2 , . . . , αn , qui sont uniques tel que : pour tout vecteur v ∈ V : v = α1 v1 + α2 v2 + . . . + αn vn .
(α1 , α2 , . . . , αn ) sont appelés les coordonnées de v dans la base B.

Démonstration. Supposons que α1 v1 + α2 v2 + . . . + αn vn = λ1 v1 + λ2 v2 + . . . + λn vn .

Alors (α1 + λ1 )v1 + (α2 + λ2 )v2 + . . . + (αn + λn )vn = 0.
Comme v1 , v2 , . . . , vn sont linéairement indépendants, alors (α1 − λ1 ) = (α2 − λ2 ) = . . . + (αn − λn ) =
0.
Donc (α1 = λ1 ), (α2 = λ2 ), . . . + (αn = λn ) = 0 (Unicité).

Exemple 5

Rn , Rn [X]
R[X], F (R, R) sont de dimension infinie.

Exemple 6

Considérons dans le R−espace vecrtoriel R3 les vecteurs:

v1 = (1, 1, 0)

v2 = (0, 1, 1)

L.Asli
1.4. BASE ET DIMENSION 15

v3 = (1, 0, 1)
Les vecteur v1 , v2 , v3 sont linéairement inbdépendants.
Nous avons :

αv1 + β v2 + γv3 = 0
⇒ α + 0β + γ = 0
α + β + 0γ = 0
0α + β + γ = 0

1 0 1 | 0
 
 1 1 0 | 0 
0 1 1 | 0
1 0 1 | 0
 
 0 1 −1 | 0 
0 1 1 | 0
1 0 1 | 0
 
L1
 0 1 −1 | 0  L2
0 0 2 | 0 L3
De L3 : nous avons 2γ = 0 ⇒ γ = 0.
De L2 : nous avons β = 0.
De L1 : nous avons α = 0.
Donc α = β = γ = 0, v1 , v2 , v3 sont linéairement indépendants.

Exemple 7

v1 = (1, 1, 0)
v2 = (2, 2, 0)
v3 = (1, 0, 1)
v1 , v2 , v3 sont linéairement liés car 2v1 − v2 + 0v3 = 0.

1.4.1 Théorème d’existence d’une base

Théorème 2

Si un K−espace vectoriel V a une famille génératrice finie, alors il existe une base B =
{v1 , v2 , . . . , vn } de V

1.4.2 Théorème de la base incomplète

:

L.Asli
1.4. BASE ET DIMENSION 16

Théorème 3

Si F = {v1 , v2 , . . . , vn } est une famille libre,

alors F peut être complétée pour obtenir une base de V .

1.4.3 Théorème de la base extraire

Théorème 4

Si F = {v1 , v2 , . . . , vn } est une famille génératrice de V , alors on en peut extraire une base.

L.Asli
 CHAPTER 2
APPLICATIONS LINÉAIRES

2.1 Définition et propriétés des applications linéaires en di-

mension finie
Définition 7

Soient E et F deux ensembles muni chaun d’une loi de composition interne.

Un morphisme est une application de E dans F, noté E → F

Définition 8

Soient E et F deux sous-espaces vectoriels sur le même corps K.

Une application f : E → F est dite linéaire, si les conditions suivantes sont vérifiers:

a) ∀x, y ∈ E f (x + y) = f (x) + f (y);

b) ∀λ ∈ K, ∀x ∈ E, f (λ x) = λ f (x).

On dit que f est homomorphisme.

Exemple 8

f : R2 → R2
   
x 2x
→ est linéaire.
y −y
En effet : soit    
x1 x2
X= ,Y = ∈ R2
y1 y2
       
x1 + x2 2(x1 + x2 ) 2x1 2x2
f (x + y) = f = = + = f (X) + f (Y ).
y1 + y2 −y1 − y2 −y1 −y2

L.Asli
2.2. IMAGE, NOYAU, D’UNE APPLICATION LINÉAIRE 18

Soit λ ∈ R :
     
λ x1 2λ x1 2x1
λX = ⇒ f (λ X) = =λ
λ y1 −λ y1 −y1

Remarque 1

Si E = F, f : E → E et f est linéaire, on dit que f est endomorphisme.

Si f : E → F est linéaire, bijective, on dit que f est isomorphisme.

Si f : E → E est linéaire, bijective, on dit que f est automorphisme.

Théorème 5

Soit f : E → F.
Pour que f soit linéaire, il faut et il sufit que :

∀x, y ∈ E, ∀α, β ∈ K : f (αx + β y) = α f (x) + β f (y).

Démonstration. :
⇒) : On suppose que f est linéaire.
Soit x, y ∈ E, α, β ∈ K : f (αx + β y) = f (αx) + f (β y) = α f (x) + β f (y).

⇐) On suppose que ∀x, y ∈ E : f (αx + β y) = α f (x) + β f (y).

Pour α = β = 1 ⇒ f (x + y) = f (x) + f (y).
Pour β = 0 ⇒ f (αx) = α f (x).
D’où f est linéaire. ie, f est linéaire ⇔ ∀x, y ∈ E, ∀α, β ∈ K : f (αx + β y) = α f (x) + β f (y).

Remarque 2

Si f est linéaire alors f (0E ) = 0E .

en effet : ∀α ∈ K, ∀x ∈ E, f (αx) = α f (x).
Pour α = 0 : f (0x) = 0 f (x) = 0.

2.2 Image, Noyau, d’une application linéaire

2.2.1 Image d’une application linéaire
Soit f : E → F linéaire, l’image de E par f notée :

Im f = f (E) = {y ∈ F/∃x ∈ E/y = f (x)}

L.Asli
2.2. IMAGE, NOYAU, D’UNE APPLICATION LINÉAIRE 19

Théorème 6

Soit f : E → F linéaire, alors l’image par f d’un sous-espace vectoriel de E est sous-espace
vectoriel de F.

Démonstration. :
Soit H sous-espace vectoriel de E.
Montrons que f (H) est un sous-espace vectoriel de F.
Soit y1 , y2 ∈ f (H), α, β ∈ K.
Montrons que αy1 + β y2 ∈ f (H).
y1 ∈ f (H) ⇒ ∃x1 ∈ H tel que f (x1 ) = y1 .
y2 ∈ f (H) ⇒ ∃x2 ∈ H tel que f (x2 ) = y2 .
αy1 + β y2 = α f (x1 ) + β f (x2 ) = f (αx1 + β x2 ) ∈ f (H)
L’image d’un espace vectoriel de dimension finie est est un espace vectoriel de dimension finie.

2.2.2 Noyau d’une application linéaire

Définition 9

f : E → F linéaire.
L’ensemble des vecteurs de E qui ont pour image le vecteur 0 de F est appelé noyau de f et
on note Ker f .

Ker f = {x ∈ E/ f (x) = 0F }

Remarque 3

Cet ensemble n’est jamais vide car ∀ f linéaire f (0E ) = 0F ∈ Ker f .

Exemple 9

f : R3 → R3 linéaire.
   
x y+z
 y  7→  x + z 
z x+y

1. Déterminer Ker f .

2. Déterminer Im f , puis donner une base de Im f .

Solution :

1. Ker f = {x ∈ R3 / f (x) = 0R3 }

L.Asli
2.2. IMAGE, NOYAU, D’UNE APPLICATION LINÉAIRE 20

     
y+z 0 y+z = 0
f (x) =  x + z  =  0  ⇒  x + z = 0  ⇒ x = y = z = 0.
x+y 0 x+y = 0
   
0 0
D’où x =  0  et Ker f = { 0 }

0 0

2. Im f = {y ∈ R3 /∃x ∈ R3 / f (x) = y}.

Soit

 
y+z
Y ∈ Im f : Y =  x + z 
x+y
           
0 y z 0 1 1
=  x + 0 + z  = x 1 +y 0 +z 1 .
x y 0 1 1 0

Donc Im f est engendré par :

     
0 1 1
v1 =  1 , v2 =
  0 , v3 =
  1 .
1 1 0

On écrit Im f =< v1 , v2 , v3 >.

Vérifions que ces vecteurs sont linéairement indépendants :
Soient: 
 β +γ = 0
α, β , γ ∈ R : αv1 + β v2 + γv3 = 0 ⇒ α +γ = 0

α +β = 0

  α =0
β −α = 0
⇔ ⇒ β =0
α +β = 0 
γ =0

D’où v1 , v2 , v3 sont linéairement indépendants.

     
0 1 1
Donc {v1 =  1  , v2 =  0  , v3 =  1 } est une base de Im f .
1 1 0

Théorème 7

Pour toute application linéaire f : E → F, Ker f est sous-espace vectoriel de E.

Démonstration. :
Soit x, y ∈ Ker f , α, β ∈ K.
αx + β y ∈ Ker f ?

L.Asli
2.3. RELATION ENTRE LES DIMENSIONS DU NOYAU ET DE L’IMAGE 21

f (αx + β y) = α f (x) + β f (y)

= α ·0+β ·0 = 0

D’où αx + β y ∈ Ker f .

Théorème 8

Pour que une application linéaire soit injective, il faut et il suffit que:

ker f = {0E } ⇔ Dim Ker f = 0

Démonstration. :
⇒) On suppose que f est injective, montrons que Ker f = {0E }.
Soit x ∈ Ker f ⇒ f (x) = 0E ⇒ x = 0E ( f est injective).

⇐) Supposons que ker f = {0E }, montrons que f est injective.

Soit x1 , x2 ∈ E

f (x1 ) = f (x2 ) ⇒ f (x1 ) − f (x2 ) = 0E

⇒ f (x1 − x2 ) = 0E (car f lineaire)
⇒ x1 − x2 = 0E
⇒ x1 = x2
⇒ f in jective.

Théorème 9

Soit f : E → F linéaire :

a) L’image d’une famille génératrice de E1 (E1 étant un sous-espace vectoriel) est une famille
génératrice de f (E1 ).

b) Si f est injective, l’image d’une famille libre est famille libre.

2.3 Relation entre les dimensions du noyau et de l’image

Théorème 10

Soit E, F deux esspaces vectoriels sur K. Pour toute application linéaire: f : E → E ona :

dimE = dimKer f + dimIm f

2.3.1 Rang d’une application linéaire

Soient E et F deux K-espaces vectoriels et soit f : E → F une application linéaire.
On rappelle que l’on note f (E) par Im f , c’est-à-dire Im f = { f (x), x ∈ E}. Im f est un sous-espace

L.Asli
2.3. RELATION ENTRE LES DIMENSIONS DU NOYAU ET DE L’IMAGE 22

vectoriel de F.

Proposition 8

Si E est de dimension finie, alors :

• Im f = f (E) est un espace vectoriel de dimension finie.

• Si (e1 , . . . , en ) est une base de E, alors Im f = Vect( f (e1 ), . . . , f (e1 )).

La dimension de cet espace vectoriel Im f est appelée rang de f , Rang( f ) = dimIm f =

dimVect( f (e1 ), . . . , f (en ))

Démonstration. :
Il suffit de démontrer que tout élément de Im f est combinaison linéaire des vecteurs f (e1 ), . . . , f (en ).
Soit y un élément quelconque de Im f . Il existe donc un élément x de E tel que y = f (x).
Comme (e1 , . . . , en ) est une base de E, il existe des scalaires (x1 , . . . , xn ) tels que x = ∑ni=1 xi ei .
En utilisant la linéarité de f , on en déduit que y = f (x) = ∑ni=1 xi f (ei ), ce qui achève la démonstration.

Exemple 10

Soit f : R3 → R2 .
l’application linéaire défnie par f (x, y, z) = (3x − 4y + 2z, 2x − 3y − z).
Quel est le rang de f ?
     
1 0 0
Si on note e1 =  0 , e2 =
  1 , e3 =
  0  , alors (e1 , e2 , e3 ) est la base canonique de
0 0 1
3
R .
Il s’agit de trouver le rang de la famille {v1 , v2 , v3 } :
     
1 0 0
3
−4
2

v1 = f (e1 ) = f  0  = 2 , v2 = f (e2 ) = f  1  = −3 , v3 = f (e3 ) = f  0  = −1
0 0 1
où, ce qui revient au même, trouver le rang de la matrice

3 −4 2
A=
2 −3 −1

Commençons par estimer le rang sans faire de calculs.

• Nous avons une famille de 3 vecteurs donc rang f ≤ 3.

• Mais en fait les vecteurs v1 , v2 , v3 vivent dans un espace de dimension 2 donc rang f ≤ 2.

• f n’est pas l’application linéaire nulle (autrement dit v1 , v2 , v3 ne sont pas tous nuls) donc
rang f > 1.

Donc le rang de f vaut 1 ou 2. Il est facile de voir que v1 et v2 sont linéairement indépendants,
donc le rang est 2 :

L.Asli
2.4. ISOMORPHISMES ENTRE ESPACES VECTORIELS DE DIMENSION FINIE 23

Rang f = Rang f (e1 ), f (e2 ), f (e3 ) = dimVect(v1 , v2 , v3 ) = 2.

2.4 Isomorphismes entre espaces vectoriels de dimension finie

Pour qu’un espace vectoriel E soit de dimension n sur K : il faut et il suffit qu’il soit isomorphe à
K n (∃ une application linéaire bijective f : K n → E).
L’isomorphisme est déterminé d’une façon unique dés qu’on fixe une base de E comme image de la
base canonique de K n .

Proposition 9

Soient E et F deux K − e.v. de dimension finie, (e1 , e2 , . . . , en )

Une base de E, et f ∈ L (E, F). Alors :

1. f est injective si et seulement si ( f (e1 ), f (e2 ), . . . , f (en )) est une famille libre de F.

2. f est surjective si et seulement si ( f (e1 ), f (e2 ), . . . , f (en )) est une famille génératrice de
F.

3. f est bijective si et seulement si ( f (e1 ), f (e2 ), . . . , f (en )) est une base de F.

Théorème 11

Soient E et F deux K − e.v. de dimension finie. Alors E et F sont isomorphes si et seulement

si dimE = dimF.

Démonstration. Montrons les implications réciproques.

(⇒) : On suppose que dimE = dimF. Les bases de ces deux espaces ont donc le même nombre
d’éléments. Soit (e1 , e2 , . . . , en ) et ( f1 , f2 , . . . , fn ) des bases respectives de E et F . On sait d’après
le théorème fondamental qu’il existe une application linéaire φ : E → F vérifiant :

∀i ∈ [1, n]; φ (ei ) = fi

Comme de plus (φ (e1 ), φ (e2 ), . . . , φ (en )) = ( f1 , f2 , . . . , fn ) est une base de F alors, d’après la propo-
sition 2.4, l’application φ est bijective, donc c’est un isomorphisme.
(⇐) : On suppose qu’il existe un isomorphisme φ : E → F. D’après la proposition 2.4, si (e1 , e2 , . . . , en )
est une base de E, alors ( f (e1 ), f (e2 ), . . . , f (en )) est une base de F. Ces bases respectives de E et
F comptent le même nombre d’éléments, donc dimE = dimF.
Deux e.v. de dimensions différentes ne sont pas isomorphes.
Par exemple, R2 et R2 [X] ne sont pas isomorphes. En revanche on a R3 ∼ R2 [X], car ces deux
espaces ont même dimension (et l’isomorphisme canonique est (a, b, c) 7→ aX 2 + bX + c).

Exercice 1. Soit :
f : R3 → R3
x 7→ f (x) = 3x − 2y + z

L.Asli
2.4. ISOMORPHISMES ENTRE ESPACES VECTORIELS DE DIMENSION FINIE 24

g : R2 → R2

x
3x−y

y 7→ 4x+2y
et
Determiner Ker f , Ker g.

Solution:
Ker f = {X ∈ R3 / f (x) = 0}
f (x) = 0 ⇒ 3x − 2y + z = 0
Donc
   
x x
3
Ker{X =  y  ∈ R /3x − 2y + z = 0} = {X =  y  ∈ R3 /z = −3x + 2y}
z z
 
x
= {X =  y  ∈ R3 }
−3x + 2y
   
1 0
= {X =  0  + 1  /x, y ∈ R}

−3 2

   
1 0
Donc Ker < V1  0  ,V2  1  >
−3 2
Vérifions que V1 et V2 sont linéairement
 indépendant.
   
1 0  α + 0β =0
α  0 +β  1  = 0 ⇒ β =0 ⇒α =β =0
−3 −3α + 2β = 0

2
   
1 0
Donc {V1  0  ,V2  1 } est une base de ker f , et dim ker f = 2.
−3 2

L.Asli
 CHAPTER 3
MATRICES

3.1 Défintions et généralités

Définition 10

Soit K un corps commutatif.

On appelle matrice A sur K, un tableau rectangulaire d’éléments de K de la forme :
 
a11 a12 . . . a1n
 21 a22 . . . a2n 
 a 
 .. 
 . 
am1 am2 . . . amn

ai j : i = 1, m, j = 1, n sont des scalaires de K.

Cette matrice a m lignes et n colonnes.
On note : A(m,n) = (ai j ) : i = 1, m, j = 1, n, et on dit qu’elle est de type (m, n).
L’élément ai j est situé sur la ligne i et la colonne j.

Remarque 4

Ona :

a) Si k = R ou (C) la matrice est dite réelle ou (complexe).

b) Si n = m la matrice est dite carrée, et les éléments aii i = 1, n forment la diagonale de la

matrice.

Exemple 11

 
1 2 3
A(3,3) =  7 3 0 
6 9 8

L.Asli
3.1. DÉFINTIONS ET GÉNÉRALITÉS 26

c) Une matrice carrée est dite diagonale si tous les éléments sont tous nuls sauf ceux de la
diagonale, i.e
 
1 0 0
ai j = 0 si i¬ j, A(3,3) =  0 3 0 
0 0 8
.

d) Une matrice est dite matrice ligne (ou colonne) si elle est constituée d’une seule ligne (ou
une seule colonne).

Exemple 12

Matrice ligne (5, 6, 9)

 
2
Matrice colonne  5 
7

e) Une matrice carrée est dite triangulaire supérieure (respectivement inférieure), si les éléments
situées au dessous de la diagonale (respectivement dessus) sont nuls: ai j = 0 pour i > j
(respectivement i < j).

Exemple 13

 
1 2 3
Triangulaire supérieure :  0 3 7 
0 0 8
 
1 0 0
Triangulaire inférieure  7 3 0 
6 9 8

f) Une matrice carrée est symetrique si ai j = a ji pour tout i = 1, n et j = 1, m

 
1 3 6
 3 3 9 
6 9 8

3.1.1 Egalité de deux matrices

Soient deux matrices A(ai j ), B(bi j ), ces deux matrices sont égales si elles sont de même type et

ai j = bi j , ∀i = 1, m, ∀ j = 1, n

L.Asli
3.2. OPÉRATIONS SUR LES MATRICES 27

3.2 Opérations sur les matrices

3.2.1 Addition :
Soit A et B deux matrices de même type (m, n)

A(ai j ) i = 1, m, j = 1, n
B(bi j ) i = 1, m, j = 1, n
La somme A + B est la matrice C(ci j ) de type (m, n) avec :

ci j = ai j + bi j

Exemple 14

     
1 0 3 0 0 2 1 0 5
A =  5 6 7  B =  1 2 3  ⇒ A + B = C =  6 8 10 
2 3 4 5 7 9 7 10 13

3.2.2 Multiplication de deux matrices :

Soient deux matrice A et B, A de type (m, n), B de type (n, p).
A(aik )i=1,m,k=1,n .
B(bk j )k=1,n, j=1,p .
Le produit A · B est la matrice C(ci j ) de type (m, p) avec :
n
ci j = ∑ aik + bk j
k=1

L’élément ci j s’obtient en multipliant les éléments de la ligne i de A par les éléments de la colonne
i de B.

Exemple 15

 
 1 5 
2 0 1
A= ,B =  2 0 
1 −1 0
3 1
 
5 11
C = A·B =
−1 5

Cas des matrices carrées

Théorème 12

L’ensemble Mn (k) des matrices carrées d’ordre n est un anneau non commutatif unitaire.

L.Asli
3.3. MATRICES ASSOCIÉES À UNE APPLICATION LINÉAIRE ET PROPRIÉTÉS 28

L’élémenet unité, noté In est :  

1 0 ... 0
 0 1 ... 0 
In = 
 
.. 
 . 
0 0 ... 1

3.3 Matrices associées à une application linéaire et propriétés

Soient E et F deux K-espaces vectoriels sur K avec dimE = p et dimF = q.
B = {e1 , e2 , . . . , en } base de E.
C = {u1 , u2 , . . . , un } base de F.

Tout x ∈ E s’écrit de manière unique : x = x1 e1 + x2 e2 + . . . + xn en .

Tout y ∈ F s’écrit de manière unique : y = y1 u1 + y2 u2 + . . . + yn un .

Considérons une application linéaire f : E → F.

On sait que f est determinée (de manière unique) dés qu’on fixe : f (e1 ), f (e2 ), . . . f (e p )

f (e1 ) = a11 u1 + a21 u2 + . . . + aq1 uq

f (e p ) = a1p u1 + a2p u2 + . . . + aqp uq , j = 1, p
f (e j ) = a1 j u1 + ai j u2i , 1 ≤ j ≤ p.

q
f (ei ) = ∑ ai j ui
i=
Soit x = ∑ pj=1 x j e j , cherchons f (x) = y/ y ∈ F
q p
y = ∑ yi ui = f (x) = ∑ x j f (e j )
i=1 j=1
p q q p
y= ∑ x j (∑ ai j ui) = ∑ ( ∑ ai j xi)ui
j=1 i= i=1 j=1
(En utilisant l’associativité et la commutativité dans M p,q (K)).
On aura donc :
p
yi = ∑ ai j x j
j=1
y1 = a11 x1 + a21 x2 + . . . + a p1 x p
y2 = a21 x1 + a22 x2 + . . . + a2p x p
yq = aq1 x1 + aq2 x2 + . . . + aqp x p
Ces q équation à p inconnus (variables) sont appelées équation de f par rapport aux bases B de E
et C de F.
Si    
a11 a12 . . . a1p x1
 21 a22 . . . a2p 
 a   x2 
A= . , x=
 
..
 ..
 
  . 
aq1 aq2 . . . aqp xp

L.Asli
3.3. MATRICES ASSOCIÉES À UNE APPLICATION LINÉAIRE ET PROPRIÉTÉS 29

 
y1
 y2 
On peut écrire Y =   = Ax = f (x) (écriture matricielle de f ).
 
..
 . 
yp
On dit que A est la matrice associée à f par rapport aux bases B de E et C de F.
On note A = M ( f ) = M ( f , e j , ui ).

Définition 11

La matrice de l’application linéaire de E dans F par rapport aux bases B = (e1 , . . . , e p ) de E

et C = (c1 , . . . , cq ) de F, est la matrice dont les colonnes sont les images de (e1 , . . . , e p ) par f
(écriture dans la base C ).
 
f (e1 ) f (e2 ) . . . f (e p )
u1
 a11 a12 . . . a1p 
  u2
A=
 a21 a22 . . . a2p 
 ..
 ..  .
 . 
uq
aq1 aq2 ... aqp

Remarque 5

• La matrice M ( f ) possède q lignes et p colonnes.

• Si on change la base, la matrice change.

Exemple 16

f : R3 → R2
 
x
 y  7→ (x + y, y + z)
z
     
1 0 0
muni de leurs base canoniques B = {e1 , e2 , e3 } = { 0 , 1 , 0 } et
    
0 0 1
   
1 0
C = {u1 , u2 } = { , }
0 1
     
1 1 0
f (e1 ) = , f (e2 ) = , f (e3 ) =
0 1 1

d’où  
1 1 0
M(f) =
0 1 1

L.Asli
3.3. MATRICES ASSOCIÉES À UNE APPLICATION LINÉAIRE ET PROPRIÉTÉS 30

Théorème 13

Soit E, F deux K- espaces vectoriels sur K de dimension finis

B = (e j ) j=1,p une base de E, et C = (ui )i=1,q une base de F.
L’application linéaire :
L (E, F) → M(q,p) (K)
f 7→ M ( f )
est linéaire et bijective(isomorphisme).

Remarque 6

A une application linéaire, on associé une et une seule matrice et inversement.

3.3.1 Matrice associé à f + g

B = {e1 , e2 , . . . , e p } base de E, C = {u1 , u2 , . . . , uq } base de F

M ( f ) = (ai j )i=1,q; j=1,p et M (g) = (bi j )i=1,q; j=1,p

q q q
( f + g)(e j ) = f (e j ) + g(e j ) = ∑ ai j ui + ∑ bi j ui ∑ (ai j + bi j )ui
i=1 i=1 i=1
Donc M ( f + g) = M ( f ) + M (g).

3.3.2 Matrice associé à λ f , λ ∈ K

Avec les hypothèses ci-dessus on aura :
q
(λ f )(e j ) = λ f (e j ) = λ ∑ ai j u j
i=1

⇒ M (λ f ) = λ M ( f )
On a donc le théorème suivant :

Théorème 14

La bijection de L (E, F) → Mq,p (K) est linéaire, donc est un isomorphisme d’espaces vectoriels
sur le même corps K.

3.3.3 Matrice associé à go f

Soit E, F, G trois K- espaces vectoriels sur K de dimension p, q et n repesctivement.
B = {e1 , e2 , . . . , e p } base de E
C = {u1 , u2 , . . . , uq } base de F
D = {w1 , w2 , . . . , wn } base de G

M ( f )(e j ) = ai j , M (g) = (e j )bki , M (go f )(e j ) = ck j

L.Asli
3.3. MATRICES ASSOCIÉES À UNE APPLICATION LINÉAIRE ET PROPRIÉTÉS 31

. Cherchons M (go f )(e j ).

n q n
M (go f )(e j ) = ∑ ( ∑ bkiai j )wk = ∑ ck j wk
k=1 i=1 k=1
Avec:
q
ck j = ∑ bki ai j
i=1
Donc
M (go f ) = M (g) × M ( f )

Exemple 17

:
Soit E = F = G = R3 muni de sa base canonique (e1 , e2 , e3 )

f : R3 → R3
   
x x+y
 y  7→  y + z 
z z+x
g : R3 → R3
   
x 2x + y
 y  7→  x − y 
z y−z
Déterminons M (go f )
     
1 1 0
f (e1 ) =  0 , f (e2 ) =
  1 , f (e3 ) =
  1 
1 0 1
         
1 1 0 2 1 0 2 1 0
M ( f )  0 1 1  g(e1 ) =  1 , g(e2 ) =  −1 , g(e3 ) =  0  M (g)  1 −1 0 
1 0 1 0 1 −1 0 1 −1
    
1 1 0 2 1 0 2 3 1
M (go f ) = M (g) × M ( f ) =  0 1 1   1 −1 0  =  1 0 −1 
1 0 1 0 1 −1 −1 1 0

3.3.4 Transposée d’une matrice

Définition 12

Soit A = (ai j )i=1,p; j=1,q .

La matrice transposée de A, notée t A est la matrice du type (q, p) obtenue en écrivant les
colonnes de A en lignes.

L.Asli
3.4. RANG D’UNE MATRICE 32

Autrement dit. Si A = (ai j ) et t A = b ji alors ai j = b ji

   
a11 a12 . . . a1q a11 a12 . . . a p1
 a21 a22 . . . a2q 
 t
 a21 a22 . . . a p2 
A= ⇒ A=
  
.. .. 
 .   . 
a p1 aq2 . . . a pq a1q a2q . . . a pq

Exemple 18

 
  1 0
1 5 6
a) A = ⇒ 5 2 
0 2 3
6 3
 
1
 2 
 
b) v = (1, 2, 0, 8) ⇒t v  
 0 
8
 
1
c) v =  2  ⇒t v = (1, 2, 5)
5

Proposition 10

Soit A ∈ M(p,q) (K), B ∈ M(p,q) (K), C ∈ M(q,n) (K)

a) t (A + B) =t A +t B

b) t (t A) = A

c) t (A × B) =t A ×t B

3.4 Rang d’une matrice

Définition 13

Soit f ∈ L (E, F), E, F étant deux K-espaces vectoriels sur K.

Rang f = dimIm f = dim f (E)

Définition 14

L.Asli
3.5. MATRICE INVIRSIBLE MATRICES RÉGULIÈRES ET MÉTHODES
D’INVERSION 33

On appelle rang d’une matrice A le rang de l’application linéaire associé.

rang(A) = rang( f )

3.5 Matrice invirsible matrices régulières et méthodes d’inversion

Définition 15

Un élément A ∈ M p (K) est dit inversible (où régulière), s’il existe B ∈ M p (K) tel que:

AB = BA = I p

on dit que B est l’inverse de A notée A−1 = B

Théorème 15

Soit A ∈ M p (K), les conditions suivantes sont équivalentes:

1. A est inversible (∃B ∈ M p (K) : AB = BA = I p ).

2. l’application linéaire fA : K p → K p définie par : x → Ax est un automorphisme.

3. Les vecteurs colonnes de A forment une base K p .

Exemple 19

:  
−1 1
Soit A
3 2
Cherchons l’inverse de A.
   
−1 a b −1 1 0
A , AA = I2 =
c d 0 1
   
−1 −a + c −b + d 1 0
A =
3a + 2c 3b + 2d 0 1
 

 −a + c = 1 
 a = −25
b = 15
 
−b + d = 0
 
⇒ ⇒

 3a + 2c = 0 
 c = 35

 3b + 2d = 1  d=1

5
 −2 1 
Donc : A−1 5
3
5
1
5 5

Ona aussi : f : R2 → R2 (x, y) 7→ f (x, y) = Ax = (−x + y, 3x + 2y) est un automorphisme de

R2 .

L.Asli
3.6. MATRICE DE CHANGEMENT DE BASE (MATRICE DE PASSAGE) 34

Et de même (−1, 3) et (1, 2) forment une base de R2 .

Car (−1, 3) et (1, 2) sont libre, en effet : α(−1, 3) + β (1, 2) = (0, 0) ⇒ α = β = 0.

3.6 Matrice de changement de base (matrice de passage)

0 0 0 0
Soient B = {e1 , e2 , . . . , e p }, et B = {e1 , e2 , . . . , e p } deux bases d’un même espaces vectoriels E de
dimension p, on a :
0
e1 = a11 e1 + a12 e2 + . . . + A1p e p
..
.
0
e j = a j1 e1 + a j2 e2 + . . . + A jp e p
..
.
0
e1 = a p1 e1 + a p2 e2 + . . . + A pp e p

Définition 16

0
On appelle matrice de changement de base (ou matrice de passage) de la base B à la base B ,
0
la matrice P dont la j-ème colonne ( j = 1, . . . , p) est constituée par les coordonnées de e j par
rapport à la base B = {e1 , e2 , . . . , e p }.
0 0 0
Soit x ∈ E, x1 , x2 , . . . , x p , ses coordonnées par rapport à la base B et x1 , x2 , . . . , x p , ses coor-
0 0
données par rapport à la base B alors ona : x = Px .

Remarque 7

0
La matrice de passage est inversible et P−1 est une matrice de passage de la base B à la base
B.

Théorème 16

0 0
Soit f une application linéaire de E dans F, (ei ) et (ei ) deux bases de E et (w j ) et (w j ) deux
bases de F.
A = M ( f )(ei ),(w j ) ; B = M ( f )(e0 ),(w0 ) .
i j
0
P: la matrice de passage de (ei ) à (ei ).
0
Q: la matrice de passage de (w j ) à (w j ).
On a alors
B = Q−1 AP

Exercice 2. :
Seoint E et F deux K−espaces vectoriels de dimension 2 et 3 respectivement.
BE = (e1 , e2 ) une base de E, BF = (u1 , u2 , u3 ) une base de F.
f : E → F une application linéaire défine par :

f (e1 ) = u2 − u1
3.6. MATRICE DE CHANGEMENT DE BASE (MATRICE DE PASSAGE) 35

f (e2 ) = u3 − u2

a) Déterminer la matrice M associée à f relativement aux bases BE , BF .

0 0 0 0 0 0 0
b) Soient BE = (e1 , e2 ) et BF = (u1 , u2 , u3 ).
0
e1 = e1 + e2 ,
0
e2 = 2e1 − 3e2 et
0
u1 = u1 − u3 ,
0
u2 = u3 − u2 ,
0
u3 = −u1 .
0 0
Montrer que BE et BF sont des bases de E et F respectivement.
0 0
c) Déterminer les matrices de passage P de BE à BE et Q−1 de BF à BF
0 0
d) En deduire la matrice M associé à f relativement à BE et BF .

Exercice 3. :
Soit f ∈ L (E, F), dimE = p, dimF = q.

a) Montrer que:Rang( f ) ≤ Im f (p, q)

b) Montrer que:Rang( f ) = p ⇔ f est injective.

c) Montrer que:Rang( f ) = q ⇔ f est surjective.

d) Montrer que:Rang( f ) = p = q ⇔ f est bijective.

 BIBLIOGRAPHY

[1] E.Azoulay , G.Auliac : Les mathématiques en licence (Tomes 1 à 4) Edi Science.

[2] J.Dixmier : Cours de mathématiques. Cycle préparatoire (en deux volumes) Dunod.

[3] J.Monier : Cours de mathématiques (Algèbre 1 et2) Dunod.

[4] J.lelong-ferand, J.M.Arnaudies: Cours de mathématiques. Cycle préparatoire (Tome1 Algèbre).

Dunod

[5] M. Queysanne : Algèbre. 1er Cycle et Classes préparatoires. Armand Colin, Collect