MATHÉMATIQUES 2021 – 2022 1

Résumé 1 – Matrices, espaces vectoriels et applications linéaires

Matrices Théorème
Deux matrices de Mn ,p (K) sont équivalentes si, et
! Puissances de matrices
seulement si, elles ont le même rang.
Le calcul des puissances successives d’une matrice peut
s’effectuer, par exemple, Deux matrices sont équivalentes si et seulement si on
• en réduisant la matrice ; peut passer de l’une à l’autre par une série d’opérations
élémentaires sur les lignes.
• en utilisant la formule du binôme de Newton ; si A et
B commutent alors, pour p 2 N quelconque, Proposition

p ✓
X
◆ Ir 0
p p k p k Si rg(A) = r , A est équivalente à Jr = .
(A + B ) = A B 0 0
k =0
k

• en ayant recours à un polynôme annulateur.

! Matrices semblables

! Inversion de matrices Soient A, B 2 Mn (K).

Définition Définition
Une matrice A 2 Mn (K) est inversible si et seulement A et B sont semblables s’il existe P 2 GL n (K) telle
s’il existe une matrice B 2 Mn (K) telle que : que :
B = P 1 AP
AB = B A = In
A et B représentent alors le même endomorphisme dans
Il suffit en fait que AB = In pour que B A = In . deux bases différentes.
Deux matrices semblables ont même rang, même trace,
A 2 Mn (K) est inversible () det(A) 6= 0 () rg(A) = n même déterminant, même polynôme caractéristique
donc même valeurs propres.
Pour inverser une matrice, on peut :
• résoudre le système linéaire associé à l’aide du pivot Systèmes d’équations linéaires
de Gauss ;
On considère le système d’équations linéaires :
• appliquer les opérations élémentaires sur la matrice
8
jusqu’à obtenir l’identité ; > a 11 x1 + a 12 x2 + . . . + a 1p xp = b1
>
>
• utiliser un polynôme annulateur ; >
<a 21 x1 + a 22 x2 + . . . + a 2p xp = b2
• calculer la comatrice. > ..
>
> .
>
:
! Trace a n 1 x1 + a n 2 x2 + . . . + a np xp = bn
X
n 2 3
a 11 a 12 ... a 1p
Si A 2 Mn (K), Tr(A) = ak k . . .. .. 5
k =1 On lui associe A = 4 .. . . 2 Mn ,p (K).
La trace est une forme linéaire sur K et Tr(AB ) = Tr(B A). an 1 a n2 ... a np
La trace est la somme des valeurs propres complexes de A. 3 2 3 2
x1 b1
4 .. 5 4 .. 5
! Transposée Le système se réécrit sous la forme : A . = . .
xp bn
Si A 2 Mn ,p (K), A T = (a j ,i ) 1∂i ∂n .
1∂ j ∂p L’ensemble des solutions est un sous-espace affine. Un
A et A T ont même rang et même déterminant (si n = p ). tel système admet donc 0, 1 ou une infinité de solutions.
Lorsqu’il n’admet pas de solution, on dit qu’il est incom-
! Matrices équivalentes patible. On dit qu’il est de Cramer lorsque n = p et qu’il
admet une unique solution (x1 , . . . , xp ) 2 Kp .
Soient A, B 2 Mn ,p (K).
Pour un système de Cramer avec n = p = 2,
Définition : Matrices équivalentes
b1 a 12 a 11 b1
A et B sont dites équivalentes s’il existe P 2 GL p (K) b2 a 22 a 21 b2
et Q 2 GL n (K) telles que : x1 = et x2 =
a 11 a 12 a 11 a 12
B =Q 1
AP a 21 a 22 a 21 a 22

Ce sont les formules de Cramer (en dimension 2).

Année 2021/2022 Lycée Jacques-Decour – MP

 2 Fiche 1 – Matrices, espaces vect. et applications linéaires

Espaces vectoriels Théorème : Théorème de la base incomplète

E désigne désormais un K-espace vectoriel et F ⇢ E . Si F est une famille libre de E ,
• on peut compléter F en une base de E .
Définition
• Card(F ) ∂ n ; si Card(F ) = n , c’est une base de E .
F est un sous-espace vectoriel de E ssi
⇢
0E 2 F Par définition, rg F = dim Vect(u 1 , . . . , u p ).
8x , y 2 F, 8 2 K, x +y 2F
Théorème
• rg F ∂ n et rg F ∂ p .
Quelques exemples classiques d’espaces vectoriels : R, C,
Kn , K[X ], Mn ,p (K), F (R, R), C 1 (R), etc. munis des lois • rg F = n ssi la famille est génératrice.
usuelles. L’intersection de deux sous-espaces vectoriels • rg F = p ssi la famille est libre.
est un sous-espace vectoriel.

! Famille de vecteurs (u 1 , . . . , u n ) base de E () rg(u 1 , . . . , u n ) = n

Soient u 1 , . . . , u n 2 E . () det(u 1 , . . . , u n ) 6= 0
® ´
X
n
Vect(u 1 , . . . , u n ) = ↵i u i | (↵1 , . . . , ↵n ) 2 K n ! Espaces supplémentaires et sommes directes
i =1 F et G désignent deux sous-espaces vectoriels de E .
C’est le plus petit sous-espace vectoriel de E contenant
les vecteurs u 1 , . . . , u n . Définition
On dit que F et G sont supplémentaires dans E si
Définition E = F + G et F \ G = {0E }. On note alors E = F G .
La famille (u 1 , . . . , u n ) est dite génératrice de F si
F = Vect(u 1 , . . . , u n ). Autrement dit, Un supplémentaire n’est pas unique. Rappel : dans un
X
n espace euclidien E , E = F F ? .
8x 2 F, 9(↵1 , . . . , ↵n ) 2 Kn , x= ↵i u i dim(F + G ) = dim(F ) + dim(G ) dim(F \ G ) lorsque F et
i =1
G sont de dimension finie.
,! Existence de la décomposition.
Théorème : Caractérisation en dim. finie
Si E est un espace de dimension finie, F et G sont
Définition supplémentaires dans E si et seulement si deux des
La famille (u 1 , . . . , u n ) est dite libre dans F si : trois assertions suivantes sont vérifiées :
X
n
(i) E = F + G (ii) F \ G = {0E }
8(↵1 , . . . , ↵n ) 2 Kn ↵i u i = 0 =) ↵1 = · · · = ↵n = 0
i =1
(iii) dim(E ) = dim(F ) + dim(G )
,! Unicité de la décomposition.
E = F G si et seulement si l’on obtient une base de E
Une famille de deux vecteurs est libre lorsqu’ils ne sont en concaténant une base de F et une base de G . On parle
pas colinéaires. Cette propriété est fausse dès qu’il y a plus alors de base adaptée à la somme directe.
de deux vecteurs.
Définition : Somme directe
Une famille infinie de vecteurs de E est libre ssi toute
sous-famille est libre. Les espaces F1 , . . . , Fp sont en somme directe lorsque
la décomposition de tout vecteur de F1 + · · · + Fp est
Définition M p

• Une base de E est une famille libre et génératrice. unique. On la note alors Fi ou bien F1 · · · Fp .
i =1
• Un espace de dimension finie est un espace qui
admet une famille génératrice finie. Ç å
X
p X
p
• Toutes les bases d’un espace E de dimension finie On a dim Fi ∂ dim(Fi ). Il y a égalité si et seule-
ont même cardinal. On l’appelle dimension de E . i =1 i =1
ment si les sous-espaces sont en somme directe.
Soient désormais E un espace vectoriel de dimension
Théorème : Caractérisation de la somme directe
n 6= 0 et F = (u 1 , . . . , u p ) une une famille de vecteurs de E .
Les sous-espaces F1 , . . . , Fp sont en somme directe si
Théorème : Théorème de la base extraite et seulement si la décomposition du vecteur nul est
Si F est une famille génératrice de E , unique.

• on peut extraire de F une base de E .

E = F1 · · · Fp si et seulement si la famille obtenue par
• Card(F ) æ n ; si Card(F ) = n , c’est une base de E . concaténation de bases des espaces F1 , . . . , Fp est une base
de E , appelée base adaptée à la somme directe.

© Mickaël PROST Année 2021/2022

 Fiche 1 – Matrices, espaces vect. et applications linéaires 3

! Hyperplans On dispose d’une forme version plus forte de ce résultat,

sans hypothèse sur les dimensions :
Définition : Hyperplan
Théorème : Forme géométrique
Un hyperplan de E est un sous-espace vectoriel de E
admettant une droite comme supplémentaire. Soient E et F deux espaces vectoriels et f 2 L (E , F ).
Si Ker( f ) possède un supplémentaire I dans E , alors
f|I est un isomorphisme de I sur Im( f ).
Autrement dit, si H est un hyperplan de E , il existe u 2 E
non nul tel que E = H Vect(u ).
De plus, H est un hyperplan si et seulement si, Théorème
• dim(H ) = n 1 si E est de dimension n ; Soit f un endomorphisme de E de dimension finie.

• H = Ker(') où ' 2 L (E , K) est non nulle. f injective () f sujective () f bijective

Proposition : Intersection de p hyperplans

Si E est de dimension finie n et p ∂ n ,
(i) L’intersection de p hyperplans de E est un sous-
espace de dimension au moins n p .
(ii) Tout sous-espace de dimension n
tersection de p hyperplans de E .
Applications linéaires
! Généralités
E et F désignent des espaces vectoriels sur K.
Définition
On dit que f : E ! F est une application linéaire si :
Théorème
Soit f 2 L (E , F ). f est un isomorphisme si et seule-
ment si l’image d’une base (de toute base) de E est
une base de F .
p est l’in-
! Formules de passage et changement de base(s)
On suppose E de dimension finie. Soient B et B 0 deux
bases de E . On note P 2 GL n (K) la matrice de passage de
B à B 0 (ses colonnes représentent les coordonnées des
vecteurs de B 0 dans la base B ).
Théorème : Formules de passage
• Soit x 2 E . On note X (resp. X 0 ) le vecteur coor-
données de x dans la base B (resp. B 0 ).

8x , y 2 E , 8 2 K, f ( x + y ) = f (x ) + f (y ). X =PX0 c-à-d X0=P 1

X

• Soit f 2 L (E ). On note M (resp. M 0 ) la matrice de

L (E , F ) désigne le K-e.v. des applications linéaires de E
f dans la base B (resp. B 0 ).
dans F . Si E et F sont de dimension finie,
M0 =P 1
MP
dim(L (E , F )) = dim(E ) ⇥ dim(F )
Ne pas oublier que pour déterminer X 0 en fonction de X ,
• Un endomorphisme de E est une application linéaire
on doit inverser un système. D’où la présence de P 1 dans
de E dans lui-même.
la formule X 0 = P 1 X .
• Un isomorphisme est une application linéaire bijective.
Plus généralement, soit f 2 L (E , F ). On considère deux
• Un automorphisme est un endomorphisme bijectif. bases B et B 0 de E et deux bases C et C 0 de F . On
• Une forme linéaire est une application linéaire à valeurs pose P = PB !B 0 , Q = PC !C 0 ainsi que M = MatB ,C ( f )
dans K. et M 0 = MatB 0 ,C 0 ( f ). On a alors :
f désigne désormais un élément de L (E , F ). M0 =Q 1
MP

Définition
! Endomorphismes induits
1
• Ker( f ) = {x 2 E | f (x ) = 0F } = f ({0F }).
• Im( f ) = f (E ) = { f (x ) | x 2 E }. Définition
Soit F un sous-espace vectoriel de E stable par
f 2 L (E ), c-à-d f (F ) ⇢ F . f|F est alors un endomor-
• Ker( f ) est un s.e.v. de E et Im( f ) un s.e.v. de F . phisme de F appelé endomorphisme induit.
• Si (ei )i 2I est une base de E , Im( f ) = Vect( f (ei )).
i 2I
Si (e1 , . . . , ep ) est une base de F que l’on complète en une
• f est injective ssi Ker f = {0E }. base (e1 , . . . , en ) de E , on a alors :
• f est sujective ssi Im f = F . 
Mat f|F ⇥
Mat( f ) = .
Par définition, rg f = dim Im f . 0 ⇥

Théorème : Théorème du rang Si E = F G et si F et G sont stables par f , on aura dans

Si E est de dimension finie et f 2 L (E , F ), une base adaptée :

Mat f|F 0
dim E = dim Ker f + rg f Mat( f ) = .
0 Mat f|G

Année 2021/2022 Lycée Jacques-Decour – MP

4 Fiche 1 – Matrices, espaces vect. et applications linéaires

! Projections et symétries vectorielles

Définition
Soit E = F G . Si x 2 E , il existe un unique couple
(x1 , x2 ) 2 F ⇥ G tel que x = x1 + x2 .
• On appelle projection sur F parallèlement à G l’ap-
plication linéaire p vérifiant :

8x 2 E , p (x ) = x1 .

• On appelle symétrie par rapport à F parallèlement

à G l’application linéaire s vérifiant :

8x 2 E , s (x ) = x1 x2 .

G G

x x
)
p (x

x2

F
x1
x
x2 =

x2

F
x1 = p (x ) s (x )

Théorème : Caractérisation
Soient p , s 2 L (E ).
• p est une projection vectorielle sur Im p parallèle-
ment à Ker p si et seulement si p p = p .
On a alors E = Im(p ) Ker(p ) et Im p = Ker(p idE ).
• s est une symétrie vectorielle par rapport Ker(s
idE ) parallèlement à Ker(s + idE ) si et seulement si
s s = idE . On a alors E = Ker(s idE ) Ker(s +idE ).

Dans une base adaptée, les matrices de p et s sont :

 
Ir 0 I 0
MatB (p ) = et MatB (s ) = r
0 0 0 In r

p est diagonalisable et
• dim Im p = Tr(p ) = r , dim Ker p = n r;
• p = (X 1)r X n r
et ⇡p = X (X 1) si p 2
/ {0L (E ) , idE }.
s est diagonalisable et
• dim Ker(s idE ) = r , dim Ker(s + idE ) = n r;
• s = (X 1)r (X +1)n r
et ⇡s = (X +1)(X 1) si s 6= ±idE .

Si E = E1 · · · En , tout vecteur x de E se décompose de

façon unique sous la forme x = x1 + · · · + xn où xi 2 Ei .
Notons alors, pour i 2 π1, n ∫, pi l’application définie sur
E par pi (x ) = xi .

Théorème
Pour tout i 2 π1, n ∫, pi est la projection vectorielle
Mn
sur Ei parallèlement à Ek . De plus,
k =1
k 6=i

p1 + · · · + pn = idE et 8i 6= j pi p j = 0L (E )

© Mickaël PROST Année 2021/2022