Académique Documents
Professionnel Documents
Culture Documents
Département d’Informatique
Cours d’Algèbre II
Par : Larbi ASLI.
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
• 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.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 :
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
A1 : ∀x, y ∈ K, x + y ∈ K;
A5 : ∀x ∈ K, ∃(−x) ∈ K, x + (−x) = 0;
M1 : ∀x, y ∈ K, x · y ∈ K;
M5 : ∀x ∈ K, ∃(x−1 ) ∈ K, x + (x−1 ) = 1;
L.Asli
1.1. DÉFINITION D’UN ESPACE VECTORIEL 7
Exemple 1
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);
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
L.Asli
1.1. DÉFINITION D’UN ESPACE VECTORIEL 8
Conséquence 1
2. 0 · v = 0;
−v = (−1) · v;
α · 0 = 0, α ∈ K;
3. Si α · v = 0, alors α = 0 où v = 0.
Considérons:
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;
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.
L.Asli
1.2. SOUS-ESPACE VECTORIEL 10
Exemple 2
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
F + G = {a + b, a ∈ F, b ∈ G}
L.Asli
1.2. SOUS-ESPACE VECTORIEL 11
Proposition 3
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 . . . (*)
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
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 .
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
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}
Proposition 4
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.
L.Asli
1.4. BASE ET DIMENSION 13
Sinon on dit que la famille {v1 , v2 , . . . , vn } est liée (où linéairement dépendante).
Exemple 3
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.
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
Définition 6
Un K−espace vectoriel V qui adment une base finie est dit de dimension finie.
Théorème 1
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.
Exemple 5
Rn , Rn [X]
R[X], F (R, R) sont de dimension infinie.
Exemple 6
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.
Si un K−espace vectoriel V a une famille génératrice finie, alors il existe une base B =
{v1 , v2 , . . . , vn } de V
L.Asli
1.4. BASE ET DIMENSION 16
Théorème 3
Si F = {v1 , v2 , . . . , vn } est une famille génératrice de V , alors on en peut extraire une base.
L.Asli
CHAPTER 2
APPLICATIONS LINÉAIRES
Définition 8
b) ∀λ ∈ K, ∀x ∈ E, f (λ x) = λ f (x).
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
Théorème 5
Soit f : E → F.
Pour que f soit linéaire, il faut et il sufit que :
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).
Remarque 2
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.
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
Exemple 9
f : R3 → R3 linéaire.
x y+z
y 7→ x + z
z x+y
1. Déterminer Ker f .
Solution :
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
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
Théorème 7
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
D’où αx + β y ∈ Ker f .
Théorème 8
Pour que une application linéaire soit injective, il faut et il suffit que:
Démonstration. :
⇒) On suppose que f est injective, montrons que Ker f = {0E }.
Soit x ∈ Ker f ⇒ f (x) = 0E ⇒ x = 0E ( f est injective).
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 ).
Soit E, F deux esspaces vectoriels sur K. Pour toute application linéaire: f : E → E ona :
L.Asli
2.3. RELATION ENTRE LES DIMENSIONS DU NOYAU ET DE L’IMAGE 22
vectoriel de F.
Proposition 8
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
• 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
Proposition 9
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.
Théorème 11
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
Remarque 4
Ona :
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
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
ai j = bi j , ∀i = 1, m, ∀ j = 1, n
L.Asli
3.2. OPÉRATIONS SUR LES MATRICES 27
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
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
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
On sait que f est determinée (de manière unique) dés qu’on fixe : f (e1 ), f (e2 ), . . . f (e 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
Remarque 5
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
Remarque 6
⇒ 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.
L.Asli
3.3. MATRICES ASSOCIÉES À UNE APPLICATION LINÉAIRE ET PROPRIÉTÉS 31
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
L.Asli
3.4. RANG D’UNE MATRICE 32
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
a) t (A + B) =t A +t B
b) t (t A) = A
c) t (A × B) =t A ×t B
Définition 14
L.Asli
3.5. MATRICE INVIRSIBLE MATRICES RÉGULIÈRES ET MÉTHODES
D’INVERSION 33
rang(A) = rang( f )
Un élément A ∈ M p (K) est dit inversible (où régulière), s’il existe B ∈ M p (K) tel que:
AB = BA = I p
Théorème 15
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
L.Asli
3.6. MATRICE DE CHANGEMENT DE BASE (MATRICE DE PASSAGE) 34
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
Exercice 3. :
Soit f ∈ L (E, F), dimE = p, dimF = q.
[2] J.Dixmier : Cours de mathématiques. Cycle préparatoire (en deux volumes) Dunod.
[5] M. Queysanne : Algèbre. 1er Cycle et Classes préparatoires. Armand Colin, Collect