Algèbres Linéaires

Algèbres linéaires
Auteur : ET-TAHRI Fouad

Professeur agrégé de Mathématiques à l'école Royale de l'Air
ettahrifouad1@gmail.com
https://www.youtube.com/channel/UCWrHPjpNXZiGHqSw6hseiLw?view_as=subscriber
https://ettahrifouad1.wixsite.com/prepasmarrakech
22 octobre 2021
1
Algèbres linéaires
Sommaire
I) Espaces vectoriels 3
1) Sous espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2) Intersection de sous espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3) Espace vectoriel engendré par une partie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
4) Somme nie de sous espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
5) Famille libre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
6) Famille génératrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
7) Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
8) Propriétés de la dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
9) Rang d'une famille de vecteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
II) Applications linéaires 13
1) Dénitions et notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2) Images d'un sous-espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3) Détermination d'une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
4) Théorème du rang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
5) Propriétés des formes linéaires et hyperplans . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
6) Projecteurs et symétries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
a) Projecteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
b) Symétries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
III)Matrices 21
1) Quelques formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2) Quelques types de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3) Matrices carrées inversibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4) Transposée d'une matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
5) Trace d'une matrice carrée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
6) Matrice d'une famille de vecteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
7) Matrice d'une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
8) Changement de bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
9) Matrices équivalentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
10) Matrices semblables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
IV)Déterminants 36
1) Déterminant d'une matrice carrée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
a) Dénition et propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
b) Calcul du déterminant par la méthode de pivot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
c) Développement par rapport à une ligne ou colonne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
d) Déterminant d'une matrice triangulaire par blocs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
e) Formule d'inversion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2) Déterminant d'un endomorphisme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3) Déterminant d'une famille de vecteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
https://ettahrifouad1.wixsite.com/prepasmarrakech 2/45 ettahrifouad1@gmail.com

Dans tout ce chapitre, K désigne R ou C.
I) Espaces vectoriels
1) Sous espaces vectoriels
Dénition 1 (d'un sous espace vectoriel).
Soit E un K espace vectoriel et F une partie de E , on dit que F est un sous espace vectoriel de E si :
① F est non vide ;
② ∀α ∈ K, ∀x, y ∈ F, α.x + y ∈ F .
Exemples
1) {0} et E sont des sous espaces vectoriels (triviaux) de E .
2) Soit n ∈ N, Kn [X] est un sous espace vectoriel de K[X].

Exercice 1
On considère E l'espace vectoriel des fonctions dénies sur R à valeurs dans R
On pose F = {f ∈ E, ∃T ∈ Q∗+ , f est T périodique}
Montrer que F est un R espace vectoriel.
Solution
Il sut de montrer que F est un ss-ev de E ,
• F ̸= ∅, car la fonction nulle est 1-périodique.
• Soit λ ∈ R et f, g ∈ F , alors il existe Tf = ab ∈ Q∗+ et Tg = dc ∈ Q∗+ où (a, b), (c, d) ∈ N∗ × N∗ tels que f est Tf -périodique et g
est Tg -périodique
Alors f est bcTf = ac-périodique et g est adTg = ac-périodique
Donc f + λ.g est ac-périodique, or ac ∈ N∗ ⊂ Q∗+ ,
Alors f + λ.g ∈ F ⊠
2) Intersection de sous espaces vectoriels

Proposition 1 (Intersection des sous groupes).
Soit E un K espace vectoriel et (Fi )i∈I une famille de sous espaces vectoriels de E , alors Fi est un sous espace vectoriel
\
i∈I
de E .
Exemple Soit I un intervalle non vide de R, ∀n ∈ N, Fn = C n (I, K) est un sous espace vectoriel de C(I, K) et Fn = C ∞ (I, K).
\
n∈N
⊠
Remarque 1.
En général, la réunion de deux sous espace vectoriel n'est pas un sous sous espace vectoriel comme le montre l'exemple
suivant :
F1 = {(x, 0) ∈ R2 , x ∈ R}, F2 = {(0, x) ∈ R2 , x ∈ R} sont deux sous espaces vectoriels de R2 , mais F1 ∪ F2 ne l'est pas
(car (1, 0) ∈ F1 ⊂ F1 ∪ F2 , (0, 1) ∈ F2 ⊂ F1 ∪ F2 , (1, 1) = (1, 0) + (0, 1) ∈/ F1 ∪ F2 )
Exercice 2
Soit F et G deux sous espaces vectoriels d'un K espace vectoriel E . Montrer que
F ∪ G est un sous espace vectoriel de E ⇐⇒ F ⊂ G ou G ⊂ F
Solution
L'implication indirecte est évidente, montrons l'autre implication.
Supposons que F ⊈ G et G ⊈ F , alors ∃x ∈ F tel que x ∈/ G et ∃y ∈ G tel que y ∈/ F
Comme x ∈ F ⊂ F ∪ G, y ∈ G ⊂ F ∪ G et F ∪ G est un ss-ev de E , alors x + y ∈ F ∪ G.
Si x + y ∈ F , alors y = (x + y) − x ∈ F , car x, x + y ∈ F et F est un ss-ev de E , ce qui est absurde
Si x + y ∈ G, alors x = (x + y) − y ∈ F , car y, x + y ∈ G et G est un ss-ev de E , ce qui est absurde
Ainsi F ⊂ G ou G ⊂ F ⊠

3) Espace vectoriel engendré par une partie
Dénition 2 (Espace vectoriel engendré par une partie).
Soit A une partie d'un K-espace vectoriel E . On appelle sous espace vectoriel de E engendré par A, noté vect(A) le plus
petit sous espace vectoriel de E contenant A.
c'est l'intersection de tous les sous espaces vectoriels de E contenant A.
Exemple vect(∅) = {0} et vect(A) = A ⇐⇒ A est un ss-ev de E . ⊠
Théorème 1.
Soit A une partie d'un K-espace vectoriel E , alors
p
( )
vect(A) =
X
∗
αk ak , p ∈ N , ∀k ∈ [[1, p]], αk ∈ K, ak ∈ A
k=1
Remarque 2.
Si A = (a1 , ..., an ), alors ( )
n
vect(A) =
X
αk ak , ∀k ∈ [[1, n]], αk ∈ K, ak ∈ A
k=1
En particulier, ∀x, y ∈ E, vect(x) = {λ.x λ ∈ K} et vect(x, y) = {α.x + β.y α, β ∈ K}
Exemple Soit p, q ∈ R, on considère l'équation diérentiel : y + py + qy = 0 et S l'ensemble des solutions réelles, alors S est
′′ ′
un ss-ev de C 2 (R, R) et on a :
Si p2 − 4q > 0, alors l'équation caractéristique (C) : r2 + pr + q = 0 admet deux solutions réelles distincts r1 et r2 ,
Dans ce cas S = vect(x 7−→ er1 x , x 7−→ er2 x ).
Si p2 − 4q = 0, alors l'équation caractéristique (C) : r2 + pr + q = 0 admet une solution double r1 = r2 = r,
Dans ce cas S = vect(x 7−→ erx , x 7−→ xex ).
Si p2 − 4q < 0, alors l'équation caractéristique (C) : r2 + pr + q = 0 admet deux solutions complexes conjuguées distincts
r1 = a + ib et r2 = a − ib,
Dans ce cas S = vect(x 7−→ eax cos(bx), x 7−→ eax sin(bx)).
⊠
4) Somme nie de sous espaces vectoriels

Proposition 2 (Somme nie).
Soit F1 , ..., Fp des sous espace vectoriels d'un K espace vectoriel E , alors
F1 + ... + Fp = {x1 + ... + xp , (x1 , ..., xp ) ∈ F1 × ... × Fp }
est un sous espace vectoriel de E engendré par F1 ∪ ... ∪ Fp .
Dénition 3 (Somme directe).

Soit F1 , ..., Fp des sous espace vectoriels d'un K espace vectoriel E .
On dit que F1 , ..., Fp sont en somme directe si :
∀x ∈ F1 + ... + Fp , ∃!(x1 , ..., xp ) ∈ F1 × ... × Fp , x = x1 + ... + xp
p
Dans ce cas on note F1 ⊕ ... ⊕ Fp = Fk .
M
k=1

Proposition 3 (Caractérisation de la somme directe).
Les propositions suivantes sont équivalentes :
① F1 , ..., Fp sont en somme directe
p
X
② ∀(x1 , ..., xp ) ∈ F1 × ... × Fp , xk = 0 ⇒ x1 = ... = xp = 0
k=1
Proposition 4 (Somme directe de 2 ss-ev).

Soit F, G deux sous espaces vectoriels d'un K espace vectoriel E .
Les propositions suivantes sont équivalentes :
① F, G sont en somme directe
② F ∩ G = {0}
Attention : pour p ≥ 3
∀i, j ∈ [[1, p]], i ̸= j, Fi ∩ Fj = {0} ⇏ la somme F1 + ... + Fp est directe
et
F1 ∩ ... ∩ Fp = {0} ⇏ la somme F1 + ... + Fp est directe
Comme le montre l'exemple suivant : E = R2 ,
F1 = vect(1, 0), F2 = vect(0, 1) et F3 = vect(1, 1) La somme n'est pas directe, car (1, 0) + (0, 1) + (−1, −1) = (0, 0) et
F1 ∩ F2 = {(0, 0)}, F1 ∩ F3 = {(0, 0)}, F2 ∩ F3 = {(0, 0)} et F1 ∩ F2 ∩ F3 = {(0, 0)}.
Dénition 4 (ss-ev supplémentaires).
On dit que F1 , ..., Fp sont supplémentaires dans E si :
E = F1 + ... + Fp et la somme F1 + ... + Fp est directe.
Autrement dit :
∀x ∈ E, ∃!(x1 , ..., xp ) ∈ F1 × ... × Fp , x = x1 + ... + xp
p
Dans ce cas on note E = F1 ⊕ ... ⊕ Fp = Fk .
M
k=1
Remarque 3 (cas de deux ss-ev).

(
E =F +G
E = F ⊕ G ⇐⇒
F ∩ G = {0}
Exemple ∀n ∈ N∗ , Mn (R) = Sn (R) ⊕ An (R) ⊠
Solution
• Soit A ∈ Sn (R) ∩ An (R), donc t A = A et t A = −A, d'où A = −A, soit A = 0, ainsi Sn (R) ∩ An (R) = {0}.
1 1
• Comme ∀A ∈ Mn (R), A = (A + t A) + (A − t A),
|2 {z } |2 {z }
∈Sn (R) ∈An (R)
Alors Mn (R) = Sn (R) + An (R).
On conclut alors que Mn (R) = Sn (R) ⊕ An (R) ⊠
Exercice 3
Soit E = R[X] et F = {P ∈ E, 1 est racine multiple}.
Montrer que E = F ⊕ R1 [X].
Solution
• Montrons que F ∩ R1 [X] = {0}.
Soit P ∈ F ∩ G, alors P (1) = P (1) = 0 et ∃α, β ∈ R tels que P = α.X + β
′
Donc α + β = 0 et α = 0, ainsi α = β = 0, d'où P = 0.

• Montrons que E = F + R1 [X].
Soit P ∈ E , par la division euclidienne de P par (X − 1)2 , il existe (Q, R) ∈ R[X] × R[X] tel que P = (X − 1)2 Q + R et
deg(R) ≤ 1
Or (X − 1)2 Q ∈ F et R ∈ R1 [X], alors E = F + R1 [X] ⊠

5) Famille libre
Soit E un K-espace vectoriel.
Dénition 5 (Famille libre).
① Une famille (x1 , ..., xp ) de vecteurs de E est dite libre si :
p
X
∀(α1 , ..., αp ) ∈ Kp , αk xk = 0 =⇒ ∀k ∈ [[1, p]], αk = 0
k=1
② Une famille innie (xi )i∈I de vecteurs de E est dite libre si toute sous famille nie de (xi )i∈I est libre
Autrement dit : pour tout i1 , ..., ip ∈ I deux à deux distincts, la famille (xi1 , ..., xip ) est libre.
③ Si la famille n'est pas libre, on dit qu'elle est liée.
Remarque 4.
① ∀x ∈ E, (x) est libre ⇐⇒ x ̸= 0
∃α ∈ K, x = α.y

② ∀x, y ∈ E, (x, y) est libre ⇐⇒ ou

∃β ∈ K, y = β.x

③ Les propositions suivantes sont équivalentes :
i) Une famille (x1 , ..., xp ) de vecteurs de E est liée
p
ii) ∃(α1 , ..., αp ) ∈ Kp \ {(0, ..., 0)},
X
αk xk = 0
k=1 X
iii) ∃i ∈ [[1, p]] et (λk )k̸=i ∈ Kp−1 , xi = λk xk
k̸=i
Exercice 4
Pour n ∈ N∗ , on considère la fonction fn dénie par
∀x ∈ R, fn (x) = sin(nx).
Z 2π
① Calculer fn (x)fm (x)dx
0
② En déduire que la famille (fn )n∈N∗ est libre.
Solution
1
① On sait que ∀a, b ∈ R, sin(a) sin(b) = (cos(a − b) − cos(a + b))
2
Si n ̸= m, alors
Z 2π Z 2π
1
fn (x)fm (x)dx = (cos((n − m)x) − cos((n + m)x))dx
0 2 0
2π
1 sin((n − m)x) sin((n + m)x)
= −
2 n−m n+m 0
= 0
car ∀k ∈ Z, sin(kπ) = 0
Si n = m, alors
Z 2π Z 2π
1
fn (x)fn (x)dx = (1 − cos((n + m)x))dx
0 2 0
2π
1 sin((n + m)x)
= x−
2 n+m 0
= π
Z 2π
On conclut que fn (x)fm (x)dx = πδn,m
0
② Déduisons que la famille (fn )n∈N∗ est libre.
Soit n1 , ..., np ∈ N∗ deux à deux distincts, montrons que la famille (fn1 , ..., fnp ) est libre.

p
Soit α1 , ..., αp ∈ R tel que
X
αk fnk (∗)
k=1
Soit j ∈ [[1, p]],
p
X
(∗) =⇒ ∀x ∈ [0, 2π], αk fnk (x) = 0
k=1
Xp
=⇒ ∀x ∈ [0, 2π], αk fnk (x)fnj (x) = 0
k=1
p
!
Z 2π X
=⇒ αk fnk (x)fnj (x) dx = 0
0 k=1
p
X Z 2π
=⇒ αk fnk (x)fnj (x)dx = 0
k=1 0
Xp
=⇒ αk δnk ,nj = 0
k=1
Xp
=⇒ αk δnk ,nj + αj δnj ,nj = 0
k=1
k̸=j
| {z }
=0
=⇒ αj = 0
Donc ∀j ∈ [[1, p]], αj = 0, ainsi la famille (fn )n∈N∗ est libre.

Exercice 5
Pour n ∈ N, on considère la fonction fn dénie par
∀x ∈ R, fn (x) = cosn (x).
Montrer que la famille (fn )n∈N est libre.
Solution
Montrons que la famille (fn )n∈N est libre.
Soit n1 , ..., np ∈ N deux à deux distincts, montrons que la famille (fn1 , ..., fnp ) est libre.
p
Soit α1 , ..., αp ∈ R tel que
X
αk fnk (∗)
k=1
Soit j ∈ [[1, p]],
p
X
(∗) =⇒ ∀x ∈ R, αk fnk (x) = 0
k=1
=⇒ ∀x ∈ R, P (cos(x)) = 0
p
avec P =
X
αk X nk
k=1
=⇒ ∀y ∈ [−1, 1], P (y) = 0
=⇒ P = 0
car P admet une innité de racines
Donc ∀j ∈ [[1, p]], αj = 0, ainsi la famille (fn )n∈N∗ est libre ⊠
6) Famille génératrice

Dénition 6 (Famille génératrice).
① Une famille (x1 , ..., xp ) de vecteurs de E est dite génératrice de E si :
p
X
∀x ∈ E, ∃(α1 , ..., αp ) ∈ Kp , x = αk xk
k=1
② Une famille innie (xi )i∈I de vecteurs de E est dite génératrice de E si :

X
∀x ∈ E, ∃J ⊂ I, f ini, ∃(αi ) ∈ Kcard(J) , x = α i xi
i∈J
Exemple (X k )k∈N est une famille génératrice de K[X]. ⊠
Remarque 5.
(xi )i∈I est génératrice de E ⇐⇒ E = vect((xi )i∈I )
Dénition 7 (Espace de dimension nie).

On dit que E est de dimension nie s'il admet une famille génératrice nie
Sinon, on dit que E est de dimension innie.
7) Bases
Dénition 8 (Base).
Une famille de vecteurs de E est dite base de E s'elle est à la fois libre et génératrice de E .
Théorème 2.
Soit E un K espace vectoriel de dimension nie, alors
① E admet des bases nies (de cardinal ni).
② Toutes les bases ont le même cardinal, appelé la dimension de E et notée dim(E) (ou dimK (E)).
Exemples
① La dimension de E dépend de K :
dimR (C) = 2 et (1, i) est une base du R-espace vectoriel C,
dimC (C) = 2 et (ω) est une base du C-espace vectoriel C (ω ̸= 0)
② ∀n ∈ N, dim(Kn ) = n et (e1 , e2 , ..., en ) sa base canonique où ei = (0, .., 1, 0, .., 0) le 1 situé à la i-ème position.
③ ∀n ∈ N, dim(Kn [X]) = n + 1 et (1, X, ..., X n ) sa base canonique.
④ ∀n, p ∈ N, dim(Mn,p (K)) = n × p et (Ei,j )1≤i≤n, 1≤j≤p sa base canonique où Ei,j est la matrice élémentaire d'indice (i, j).
Proposition 5.
Soit E un K espace vectoriel de dimension n, alors
① Une famille libre de vecteurs de E est de cardinal ≤ n.
② Une famille génératrice de E est de cardinal ≥ n.
Corollaire 1.
Soit E un K espace vectoriel de dimension n, alors
Toute famille de cardinal ≥ n + 1 est liée.
Exemple ∀A ∈ Mn (K), la famille (In , A, ..., An ) est liée. ⊠

2

Théorème 3 (Théorème de la base incomplète).
Soit E un K espace vectoriel de dimension n,
Toute famille libre de E peut être complétée en une base de E
Autrement dit : Si (x1 , ..., xp ) est une famille libre de vecteurs de E , alors ∃xp+1 , ..., xn ∈ E tel que (x1 , ..., xp , xp+1 , ..., xn )
soit une base de E .
Théorème 4 (Théorème de la base extraite).

De toute famille génératrice de E , on peut extraire une base de E
Autrement dit : Si (xi )i∈I est génératrice de E , alors ∃J ⊂ I tel que (xi )i∈J soit une base de E .
Théorème 5 (pratique!!).
et B une famille de vecteurs de E de cardinal= n = dim(E), alors
B est un base de E ⇐⇒ B est libre
⇐⇒ B est génératrice de E
Exercice 6 (Polynômes de Lagrange)

Soit n ∈ N et x1 , ..., xn+1 des réels deux à deux distincts, pour tout i ∈ [[1, n + 1]], on dénit le i-ème polynôme de Lagrange
associé à x1 , ..., xn+1 par :
n+1
Y X − xk
Li =
xi − xk
k=1
k̸=i
① Soit i, j ∈ [[1, n + 1]], calculer Li (xj ).

② En déduire que L = (L1 , ..., Ln+1 ) est une base de Rn [X].
③ Soit P ∈ Rn [X], déterminer les composantes de P dans la base L.
Solution
① Soit i, j ∈ [[1, n + 1]],
Si j ̸= i, alors xj est une racine de Li , donc Li (xj ) = 0.
n+1
Y xi − xk n+1
Si j = i, alors Li (xi ) = 1 = 1.
Y
=
xi − xk
k=1 k=1
k̸=i k̸=i
Ainsi Li (xj ) = δi,j .
② Comme L est de cardinal= n + 1 = dim(Rn [X]), il sut de montrer qu'elle est libre.
n+1
Soit α1 , ..., αn+1 ∈ R tel que
X
αi Li = 0 (∗)
i=1
Soit j ∈ [[1, n + 1]], alors
n+1
X
(∗) =⇒ αi Li (xj ) = 0
i=1
n+1
X
=⇒ αi δi,j = 0
i=1
n+1
X
=⇒ αi δi,j + αj δj,j = 0
i=1
i̸=j
| {z }
=0
=⇒ αj = 0
D'où ∀j ∈ [[1, n + 1]], αj = 0.

n+1
③ Soit P ∈ Rn [X], comme L est une base de Rn [X], alors ∃!(λ1 , ..., λn+1 ) ∈ Rn+1 tel que P =
X
λi Li (∗∗)
i=1

Soit j ∈ [[1, n + 1]], alors
n+1
X
(∗∗) =⇒ P (xj ) = λi Li (xj )
i=1
n+1
X
=⇒ P (xj ) = λi δi,j
i=1
n+1
X
=⇒ P (xj ) = λi δi,j + λj δj,j
i=1
i̸=j
| {z }
=0
=⇒ P (xj ) = λj
D'où ∀j ∈ [[1, n + 1]], λj = P (xj ) ⊠
8) Propriétés de la dimension
Soit E un K-espace vectoriel de dimension nie.
Proposition 6 (ss-ev).
Soit F un ss-ev de E , alors
① dim(F ) ≤ dim(E)
② dim(F ) = dim(E) ⇐⇒ F = E .
Exemples
Si dim(F ) = 1, on dit que F est une droite vectorielle de E .
Si dim(F ) = 2, on dit que F est un plan vectoriel de E .
Si dim(F ) = dim(E) − 1, on dit que F est un hyperplan de E .
Proposition 7 (produit nie d'espaces vectoriels).

p
Soit E1 , ..., Ep des K espaces vectoriels de dimension nie , alors Ek est un K espace vectoriel de dimension nie et on
Y
k=1
a: p
! p
Y X
dim Ek = dim(Ek )
k=1 k=1
Exemple ∀n ∈ N∗ , dim(E n ) = n dim(E). ⊠
Proposition 8 (somme nie).

Soit F1 , ..., Fp des
! sous espaces vectoriels de E , alors
p p
dim(Fk ),
X X
① dim Fk ≤
k=1 k=1
②
p p
!
dim(Fk ) ⇐⇒ F1 , ..., Fp sont en somme directe
X X
dim Fk =
k=1 k=1
Corollaire 2.
p

 X
p



 E = Fk
M
k=1
E= Fk ⇐⇒ p
X p
X

k=1  dim( F ) = dim(Fk )


 k
k=1 k=1

Proposition 9 (Formule de Grassmann).
Soit F et G deux sous espaces vectoriels de E , alors
dim(F + G) = dim(F ) + dim(G) − dim(F ∩ G)
Corollaire 3.
(
dim(E) = dim(F ) + dim(G)
E = F ⊕ G ⇐⇒
F ∩ G = {0}
(
dim(E) = dim(F ) + dim(G)
⇐⇒
E =F +G
Exercice 7
Soit E un K espace vectoriel de dimension nie n et H un hyperplan de E , montrer que pour tout x ∈ E \ H, E = H ⊕ vect(x)
Solution
Comme H est un hyperplan de E , alors dim(H) = n − 1, or x est non nul, alors dim(vect(x)) = 1,
donc dim(H) + dim(vect(x)) = n = dim(E)
Il reste à démontrer que H ∩ vect(x) = {0}
Soit y ∈ H ∩ vect(x), alors y ∈ H et ∃α ∈ K tel que y = α.x
Si α ̸= 0, alors x = α1 .y ∈ H , car y ∈ H et H est ss-ev de E , ce qui est absurde
Donc α = 0, soit y = 0, ainsi H ∩ vect(x) = {0} ⊠
9) Rang d'une famille de vecteurs

Soit (x1 , ..., xp ) une famille de vecteurs d'un K-espace vectoriel E .
Dénition 9.
On appelle rang de la famille (x1 , ..., xp ), noté rg(x1 , ..., xp ), la dimension de l'espace vectoriel engendré par cette famille.
rg(x1 , ..., xp ) = dim(vect(x1 , ..., xp ))
Proposition 10 (Propriétés).
① ∀x ∈ vect(x1 , ..., xp )), rg(x1 , ..., xp ) = rg(x1 , ..., xp , x)
② ∀i, j ∈ [[1, p]]
rg(x1 , .., xi , .., xj , .., xp ) = rg(x1 , .., xj , .., xi , .., xp )
③ ∀λ ∈ K∗ , ∀i ∈ [[1, p]],
rg(x1 , .., xi , , .., xp) = rg(x1 , .., λ.xi , .., xp )
④ ∀λ ∈ K, ∀i, j ∈ [[1, p]],
i ̸= j =⇒ rg(x1 , .., xi , , .., xp ) = rg(x1 , .., xi + λ.xj , .., xp )
Proposition 11.
① rg(x1 , ..., xp ) ≤ p, avec égalité si, et seulement si, la famille est libre.
② Si dim(E) = n, alors rg(x1 , ..., xp ) ≤ n, avec égalité si, et seulement si, la famille est génératrice de E .

Application 1 (Rang d'une matrice).
Soit A ∈ Mn,p (K), on rappelle que le rang de A, noté rg(A) est déni par
rg(A) = rg(C1 , ..., Cp )
où C1 , ..., Cp ) sont les colonnes de A.

On a alors
① 0 ≤ rg(A) ≤ min(n, p)
② Le rang de A est invariant par les opérations élémentaires (Li ←→ Lj ), (Li ←− λ.Li ) où λ ̸= 0 et (Lj ←− Lj + λ.Li )
où i ̸= j .
En particulier :
rg(A) = rg(B)
avec B est la matrice échelonnée déduite de A
= le nombre de lignes non nulles de B
③ ∀(P, Q) ∈ GLn (K) × GLp (K), rg(A) = rg(P A) = rg(AQ)
Exemple Soit r ∈ [[0, min(n, p)]], et Jr ∈ Mn,p (K) dénie par

Ir 0r,p−r
Jr = si r ̸= 0 et J0 = 0
0n−r,r 0n−r,p−r
Alors rg(Jr ) = r ⊠
Remarque 6 (Quelques remarques utiles).

Soit A ∈ Mn,p (K), alors
① Si une colonne de A s'écrit comme combinaison linéaire des autres colonnes, alors rg(A) ≤ p − 1
En particulier si une colonne nulle (ou deux colonnes identiques), alors rg(A) ≤ p − 1.
② Si A contient une famille de r colonnes libre, alors rg(A) ≥ r.
Exercice 8 (Matrice Compagnon)

Soit n ∈ N∗ , a0 , ..., an−1 des réels et  
0 0 ... 0 −a0
1
 0 ... 0 −a1 

A = 0
 1 ... 0 −a2  ∈ Mn (R)

 .. .. .. .. ..
. . . . .


0 0 ... 1 −an−1
Calculer le rang de A.
Solution
Tout d'abord remarquons que (C1 , ..., Cn−1 ) est libre, donc rg(A) ≥ n − 1
Si a0 = 0, alors Cn ∈ vect(C1 , ..., Cn−1 ), donc
rg(A) = rg(C1 , ..., Cn ) = rg(C1 , ..., Cn−1 ) = n − 1
Si a0 ̸= 0, alors (C1 , ..., Cn ) est libre, donc

rg(A) = rg(C1 , ..., Cn ) = n ⊠
Remarque 7 (Méthode pratique ).

Soit B une base de E et A la matrice de la famille (x1 , ..., xp ) dans la base B, alors
rg(x1 , ..., xp ) = rg(A)
Exemple Soit B = (e1 , e2 , e3 ) la base canonique de R3 .

Déterminer le rang de la famille F = (e2 + e3 , e3 , α.e1 + β.e2 + γ.e3 ) où α, β, γ ∈ R ⊠

Solution
 
0 0 α
La matrice de F dans la base B est A = 1 0 β
1 1 γ
 
1 0 β
En permettant L1 et L2 , A −→ 0 0 α
1 1 γ


1 0 β
Par l'opération L3 ←− L3 − L1 , on obtient A −→ 0 0 α 
 0 1 γ −β
1 0 β
En permettant L2 et L3 , on trouve A −→ B = 0 1 γ − β 
0 0 α
Or B est échelonnée, alors (
3 si α ̸= 0
rg(B) = le nombre de lignes non nulles de B =
2 si α = 0
(
3 si α ̸= 0
Ainsi rg(F) = rg(A) = rg(B) = ⊠
2 si α = 0
II) Applications linéaires

1) Dénitions et notations
Dénition 10 (d'une application linéaire).
Soit E et F deux K espaces vectoriels et f : E −→ F une application, on dit que f est linéaire si :
∀x, y ∈ E, ∀α ∈ K, f (α.x + y) = α.f (x) + f (y)

Si, de plus :
• f est bijective, on dit que f est un isomorphisme (E et F sont dits isomorphes),
• E = F, on dit que f est un endomorphisme de E ,
• E = F et f bijective, on dit que u est un automorphisme de E ,
• F = K, on dit que f est une forme linéaire sur E .
Notations : on désigne par

• L(E, F ) l'ensemble des applications linéaires de E dans F ,
• L(E) l'ensemble des endomorphismes de E
• E ∗ l'ensemble des formes linéaires sur E, appelé dual de E (ne pas confondre E ∗ et E\{0}! ).
• GL(E) l'ensemble des automorphismes de E .
Remarque 8.
(
∀x, y ∈ E, f (x + y) = f (x) + f (y)
① f est linéaire ⇐⇒
∀x ∈ E, ∀α ∈ K, f (α.x) = α.f (x)
② Soit f : E −→ F une application linéaire, alors
• f (0E ) = 0F ,
• ∀(x1 , ..., xp ) ∈ E p , ∀(α1 , ..., αp ) ∈ Kp ,
p p
!
X X
f αk xk = αk f (xk )
k=1 k=1
Exemples
① Soit k ∈ N et f : K[X] −→ K[X], dénie par f (P ) = P (k) est un endomorphisme de K[X].
② Soit E = C([a, b], K) et f : E −→ K dénie par

Z b
f (φ) = φ(x)dx est une forme linéaire de E .
a
Exercice 9
① Montrer que les endomorphismes de K sont de la forme x 7−→ a.x où a ∈ K.
② Montrer que les endomorphismes du R-espace vectoriel C sont de la forme z 7−→ a.z + b.z̄ où a, b ∈ C.

Solution
① Il est clair que x 7−→ a.x où a ∈ K est un endomorphisme de K
Réciproquement, si f est un endomorphisme de K, alors pour tout x ∈ K, f (x) = f (x.1) = x.f (1) = a.x où a = f (1).
② Il est clair que z 7−→ a.z + b.z̄ où a, b ∈ C est un endomorphisme du R-espace vectoriel C
Réciproquement, si f est un endomorphisme du R-espace vectoriel C, alors pour tout z = a + ib ∈ C,
f (z) = f (a.1 + b.i) = a.f (1) + b.f (i)

z + z̄ z − z̄
= .f (1) + .f (i)
2 2i

f (1) − if (i) f (1) + if (i)
= .z + .z̄
2 2
= a.z + b.z̄
où a = f (1)−if (i)
2 et b = f (1)+if (i)
2 ⊠
Proposition 12 (Opérations).
Soient E, F, G des K-espaces vectoriels.
① ∀f, g ∈ L(E, F ), ∀λ ∈ K, λ.f + g ∈ L(E, F ).
② ∀f ∈ L(E, F ), ∀g ∈ L(F, G), g ◦ f ∈ L(E, G).
③ Si f est un isomorphisme de E sur F et g un isomorphisme de F sur G, alors g ◦ f est un isomorphisme de E sur G.
④ Si f est un isomorphisme de E sur F , alors f −1 est un isomorphisme de F sur E .
Proposition 13 (Structure).
Soient E, F des K-espaces vectoriels de dimension nie.
① L(E, F ) est un K-espace vectoriel de dimension dim(E) × dim(F ).
② L(E) est un K-espace vectoriel de dimension dim(E)2 et (L(E), +, ◦) est un anneau.
③ E ∗ est un K-espace vectoriel de dimension dim(E).
③ (GL(E), ◦) est un groupe.
Remarque 9 (Quelques formules).

Soient f, g ∈ L(E) et n ∈ N.
On suppose que f et g commutent : f ◦ g = g ◦ f , alors
① Formule de Binôme :
n
X n
(f + g)n = f k g n−k
k
k=0
n−1
!
X
② f n − g n = (f − g) ◦ f k g n−1−k
k=0
Exercice 10 (Endomorphisme nilpotent)

Soit f ∈ L(E) nilpotent
(c'est à dire ∃k ∈ N∗ tel que f k = 0)
On appelle indice de nilpotence de f le plus petit k ∈ N∗ tel que f k = 0
① Montrer que IdE − f est un automorphisme de E .
② Soit p l'indice de nilpotence de f .
(a) Montrer qu'il existe x ∈ E tel que (x, f (x), ..., f p−1 (x)) est libre.
(b) En déduire que p ≤ n.
Solution
① Comme IdE , f ∈ L(E), alors IdE − f ∈ L(E).
Montrons que IdE − f est bijective.
Comme f est nilpotent, alors il existe n ∈ N∗ tel que f n = 0.
IdE = IdE − f n = IdnE − f n
n−1
!
X
n−1−k
= (f − IdE ) ◦ f
k=0
 
n−1
X
= (f − IdE ) ◦  fj
j=0

n−1
Donc f − IdE est bijective et (f − IdE ) −1
X
= fj
j=0
Exercice 11 (Caractérisation d'une homothétie)

Soit f ∈ L(E) tel que ∀x ∈ E la famille (x, f (x)) est liée.
① Soit x ∈ E non nul, montrer qu'il existe un unique λx ∈ K tel que f (x) = λx .x
② Soit x, y ∈ E \ {0}, montrer que λx = λy
On pourra discuter deux cas (x, y) liée et (x, y) libre.
③ En déduire que f est une homothétie de E .
Solution
① Soit x ∈ E non nul.
Existence : comme (x, f (x)) est liée, alors ∃αx ∈ K, f (x) = αx .x ou ∃βx ∈ K, x = βx .f (x)
Si f (x) = αx .x, on prend λx = αx
Si x = βx .f (x), alors βx ̸= 0 (sinon, x = 0 ce qui est absurde)
Donc f (x) = β1x .x, on prend λx = β1x .
Unicité : soient λx , λx ∈ K tel que f (x) = λx .x et f (x) = λx .x
′ ′
donc (λx − λx ).x = 0, comme x ̸= 0, alors λx = λx .

′ ′
② Soit x, y ∈ E \ {0},
Si (x, y) est liée, alors y = α.x ou x = β.y où α, β ∈ K.
Si par exemple, y = α.x, alors f (y) = α.f (x)
Donc λy .y = α.λx .x = λx .y , donc (λy − λx ).y = 0, or y ̸= 0, alors λx = λy .
Si (x, y) est libre.
On a f (x + y) = f (x) + f (y), donc λx+y .(x + y) = λx .x + λy .y
Alors (λx+y − λx ).x + (λx+y − λy ).y = 0
Comme (x, y) est libre, alors λx+y − λx = 0 et λx+y − λy = 0
Ainsi λx = λy = λx+y .
③ Comme ∀x, y ∈ E \ {0}, λx = λy
Alors λx ne dépend pas de x, posons λx = λ = constante
Alors ∀x ∈ E \ {0}, f (x) = λx .x = λ.x
Donc ∀x ∈ E, f (x) = λ.x
Ainsi f = λ.IdE , donc f est une homothétie de rapport λ ⊠
2) Images d'un sous-espace vectoriel

Proposition 14.
Soit ′f ∈ L(E, F ), alors
① E est un ss-ev de E =⇒ f (E ) est un ss-ev de F .
′
En particule l'image de f , notée Im(f ) et dénie par Im(f ) = f (E) = {f (x), x ∈ E} est un ss-ev de F .
② F est un ss-ev de F =⇒ f −1 (F ) est un ss-ev de E .
′ ′
En particule le noyau de f , noté Ker(f ) et déni par Ker(f ) = f −1 ({0}) = {x ∈ E, f (x) = 0} est un ss-ev de E .
Remarque 10.
Si E = vect(ei )i∈I , alors f (E ) = vect(f (ei ))i∈I
′ ′
En particulier si, (ei )i∈I est génératrice de E , alors Im(f ) = vect(ei )i∈I .
Exemple Soit n ≥ 1.
• Si fn : Kn [X] −→ Kn [X] dénie par fn (P ) = P , alors Ker(fn ) = K0 [X] et Im(fn ) = Kn−1 [X].
′
• Si f : K[X] −→ K[X] dénie par f (P ) = P , alors

′
Ker(f ) = K0 [X] et Im(f ) = K[X]. ⊠
Exercice 12
Soit n ∈ N et f : Kn [X] −→ Kn [X] dénie par
f (P ) = P (X + 1) − P (X)
déterminer Ker(f ) et Im(f )

Solution
• Soit P ∈ Ker(f ), alors P (X + 1) = P (X).
Posons Q(X) = P (X) − P (0), alors ∀n ∈ N, Q(n) = 0 (par récurrence simple).
Donc Q admet une innité de racines, d'ou Q = 0, ainsi P (X) = P (0), par suite P est constant
Réciproquement, si P est constant, alors P ∈ Ker(f )
Ainsi Ker(f ) = K0 [X].
• Comme (X k )0≤k≤n est une famille génératrice de Kn [X], alors Im(f ) = vect(f (X k ))0≤k≤n = vect(f (X k ))1≤k≤n , car f (1) = 0
Comme ∀k ∈ [[1, n]] deg(f (X k )) = k − 1 ≤ n − 1, alors (f (X k ))1≤k≤n est une famille de polynômes de Kn−1 [X] non nuls
échelonnée en degré (donc libre) à n vecteurs, donc c'est une base de Kn−1 [X], ainsi Im(f ) = Kn−1 [X] ⊠
Proposition 15 (Injectivité et surjectivité vs image et noyau).

Soit f ∈ L(E, F ), alors
① f est injective ⇐⇒ Ker(f ) = {0}.
② f est surjective ⇐⇒ Im(f ) = F .
Proposition 16 (Injectivité, surjectivité et famille libre...).

Soit f ∈ L(E, F ), alors
① f est injective si, et seulement si, f transforme toute famille libre de E en une famille libre de F si, et seulement si, f
transforme une base de E en une famille libre de F ,
② f est surjective si, et seulement si, f transforme toute famille génératrice de E en une famille génératrice de F si, et
seulement si, f transforme une base de E en une famille génératrice de F ,
③ f est bijective si, et seulement si, f transforme toute base de E en une base de F , si, et seulement si, f transforme une
base de E en une base de F ,
Exemple Soit n ∈ N et a1 , a1 , ..., an+1 des réels deux à deux distincts, l'application f : Rn [X] −→ Rn+1 dénie par
f (P ) = (P (a1 ), ..., P (an+1 )) est bijective.
⊠
Solution
Il est clair que f est linéaire,
Pour i ∈ [[1, n + 1]], on note Li le i-ème polynôme de Lagrange associé à a1 , a1 , ..., an+1
Comme (Li )1≤i≤n+1 est une base Rn [X] et
(f (Li ))1≤i≤n+1 = (ei )1≤i≤n+1 est une base de Rn+1 .
Donc f est bijective ⊠
3) Détermination d'une application linéaire

Proposition 17 (Détermination d'une application linéaire).
Soit (ei )i∈I une base de E et (fi )i∈I une famille de vecteurs de E , alors il existe une unique application linéaire de E dans
F telle que ∀i ∈ I, f (ei ) = fi .
Corollaire 4 (Égalité de deux applications linéaires).

Soit (ei )i∈I une base de E et f ∈ L(E, F ), alors
① f = g ⇐⇒ ∀i ∈ I, f (ei ) = g(ei ).
② f = 0 ⇐⇒ ∀i ∈ I, f (ei ) = 0.
Proposition 18 (caractérisation de l'injectivité..).

Soit (ei )i∈I une base de E et f ∈ L(E, F ), alors
① f est injective si, et seulement si, (f (ei )i∈I est une famille libre de F .
② f est surjective si, et seulement si, (f (ei )i∈I est une famille génératrice de F .
③ f est bijective si, et seulement si, (f (ei )i∈I est une base de F .

4) Théorème du rang
Dénition 11.
Soit f ∈ L(E, F ), on appelle rang de f , noté rg(f ) la dimension de Im(f )
rg(f ) = dim(Im(f ))
Théorème 6 (Théorème du rang).

Soit f ∈ L(E, F ). On suppose que E est de dimension nie, alors
dim(E) = dim(Ker(f )) + rg(f )
Proposition 19 (Injectivité, surjectivité et rang).

Soient E et F deux K-espaces vectoriels de dimension nie et f ∈ L(E, F ), alors
① f est surjective ⇐⇒ rg(f ) = dim(F ).
② f est injective ⇐⇒ rg(f ) = dim(E).
Théorème 7.
Soient E et F deux K-espaces vectoriels de même dimension nie et f ∈ L(E, F ).
Les propriétés suivantes sont équivalentes :
① f est injective
② f est surjective
③ f est bijective.
Exercice 13
Soit n ∈ N et a0 , a1 , ..., an des réels deux à deux distincts, et f : Rn [X] −→ Rn+1 dénie par f (P ) = (P (a0 ), ..., P (an ))
Montrer que f est un isomorphisme d'espaces vectoriels.
Solution
• Montrons que f est linéaire.
Soient P, Q ∈ Rn [X] et α ∈ R.
f (αP + Q) = ((αP + Q)(a0 ), ..., (αP + Q)(an ))
= (αP (a0 ) + Q(a0 ), ..., αP (an ) + Q(an ))
= α(P (a0 ), ..., P (an )) + (Q(a0 ), ..., Q(an ))
= αf (P ) + f (Q)
• Montrons que f est bijective.

Comme dim(Rn [X]) = n + 1 = dim(Rn+1 ), il sut de montrer que f est injective.
Soit P ∈ Ker(f ), alors f (P ) = (0, ..., 0),
Donc (P (a0 ), ..., P (an )) = (0, ..., 0)
D'ou P (a0 ) = ... = P (an ) = 0, donc P admet (n + 1) racines distincts
Or P est de degré ≤ n et admet (n + 1) racines distincts, alors P = 0
Par suite f est injective
Ainsi f est un isomorphisme d'espaces vectoriels ⊠
Exercice 14
Soient E un K-espace vectoriel de dimension nie et f ∈ L(E).
Montrer que
E = Ker(f ) ⊕ Im(f ) ⇐⇒ Ker(f ) = Ker(f 2 )
⇐⇒ Im(f ) = Im(f 2 )
Solution
• Montrons que E = Ker(f ) ⊕ Im(f ) =⇒ Ker(f ) = Ker(f 2 )
On a toujours Ker(f ) ⊂ Ker(f 2 )
Soit x ∈ Ker(f 2 ), alors f 2 (x) = 0, donc f (f (x)) = 0

Par suite f (x) ∈ Ker(f ) ∩ Im(f ) = {0}, d'ou f (x) = 0, par suite x ∈ Ker(f ), ainsi Ker(f 2 ) ⊂ Ker(f ).
• Montrons que Ker(f ) = Ker(f 2 ) ⇐⇒ Im(f ) = Im(f 2 )
Comme E est de dimension nie, d'après le théorème du rang
(
dim(E) = dim(Ker(f )) + dim(Im(f ))
dim(E) = dim(Ker(f 2 )) + dim(Im(f 2 ))
Donc
(∗) dim(Ker(f )) − dim(Ker(f 2 )) = dim(Im(f 2 )) − dim(Im(f ))
Comme Ker(f ) ⊂ Ker(f 2 ) et Im(f 2 ) ⊂ Im(f ), alors
Ker(f ) = Ker(f 2 ) ⇐⇒ dim(Ker(f )) = dim(Ker(f 2 ))
⇐⇒ dim(Im(f 2 )) = dim(Im(f ) d'après (∗)
⇐⇒ Im(f ) = Im(f 2 )
• Montrons que Im(f ) = Im(f 2 ) =⇒ E = Ker(f ) ⊕ Im(f ).

Comme E est de dimension nie, d'après le théorème du rang
Il sut de montrer que Ker(f ) ∩ Im(f ) = {0}

Soit y ∈ Ker(f ) ∩ Im(f ), alors f (y) = 0 et ∃x ∈ E, y = f (x)
Alors f 2 (x) = f (y) = 0, donc x ∈ Ker(f 2 ) = Ker(f ), car Im(f ) = Im(f 2 ), d'où y = f (x) = 0 ⊠
Exercice 15 (Noyaux et images itérés )
Soient E un K-espace vectoriel de dimension nie et f ∈ L(E).
① Montrer que ∀k ∈ N, Ker(f k ) ⊂ Ker(f k+1 ) et
Im(f k+1 ) ⊂ Im(f k ).
② Montrer qu'il existe un unique p ∈ N tel que
∀k ≥ p, Ker(f k ) = Ker(f k+1 ) et Im(f k+1 ) = Im(f k ) et
∀k < p, Ker(f k ) ⊊ Ker(f k+1 ) et Im(f k+1 ) ⊊ Im(f k ).
Exercice 16 (Rang de g◦f )

Soient E , F deux K-espaces vectoriels de dimension nie et G un K-espace vectoriel.
Soit f ∈ L(E, F ) et g ∈ L(F, G).
① Montrer que rg(g ◦ f ) ≤ min(rg(f ), rg(g)).
② Montrer que si g est injective, alors rg(g ◦ f ) = rg(f ).
③ Montrer que si f est surjective, alors rg(g ◦ f ) = rg(g).
5) Propriétés des formes linéaires et hyperplans

Soit E un K-espace vectoriel. On rappelle que :
• Une forme linéaire sur E est une application linéaire de E dans K.
• E ∗ désigne le K-espace vectoriel des formes linéaires sur E et dim(E ∗ ) = dim(E).
Proposition 20.
Soit f une forme linéaire sur E non nulle, alors rg(f ) = 1.
Dénition 12 (Hyperplan).
On appelle hyperplan de E le noyau d'une forme linéaire sur E .
n
Exemple xk = 0} est un hyperplan de Rn . ⊠
X
H = {(x1 , ..., xn ) ∈ Rn ,
k=1
Proposition 21.
Soit H un sous-espace vectoriel E . Les assertions suivantes sont équivalentes :
① H est un hyperplan de E
② ∀a ∈ E \ H, E = H ⊕ vect(a).

Proposition 22.
Les hyperplans d'un espace vectoriel E de dimension n ≥ 1 sont exactement les sous-espaces vectoriels de dimension n − 1
Proposition 23.
Les hyperplans de E sont les ensembles H constitués des vecteurs x ∈ E dont les composantes x1 , ..., xn sont solutions
d'une équation de la forme a1 x1 + ... + an xn = 0 (équation de l'hyperplan H ) avec a1 , .., an des scalaires non tous nuls.
Exercice 17 (Caractérisation des formes linéaires de Mn (K))

On considère E = Mn (K) et f : E −→ E ∗ dénie par f (A) = fA où ∀M ∈ E, fA (M ) = T r(AM ).
① Montrer que f est un isomorphisme d'espaces vectoriels.
② En déduire que pour toute forme linéaire φ sur E , il existe un unique matrice A ∈ E telle que ∀M ∈ E, φ(M ) = T r(AM ).
Solution
① Montrons que f est linéaire.
Soient A, B ∈ E et λ ∈ K.
Soit M ∈ E ,
f (A + λ.B)(M ) = fA+λ.B (M ) = T r((A + λ.B)M )
= T r(AM + λ.BM ) = T r(AM ) + λ.T r(BM )
= fA (M ) + λ.fB (M ) = (fA + λ.fB )(M )
= (f (A) + λ.f (B))(M )
Donc f (A + λ.B) = f (A) + λ.f (B).

Montrons que f est bijective.
Comme dim(E) = dim(E ∗ ) = n2 , il sut de montrer que f est injective.
Soit A = (ai,j )1≤i,j≤n ∈ Ker(f ), alors fA = 0,
Donc ∀M ∈ E, fA (M ) = T r(AM ) = 0.
Soit k, l ∈ [[1, n]]X
, alors T r(AEk,l ) = 0.
Comme A = ai,j Ei,j ,
1≤i,j≤n
alors AEk,l =
X X
ai,j δj,k Ei,l = ai,k Ei,l
1≤i,j≤n 1≤i≤n
X
T r(AEk,l ) = 0 =⇒ ai,k T r(Ei,l ) = 0
1≤i≤n
X
=⇒ ai,k δi,l = 0
1≤i≤n
=⇒ al,k = 0
Donc ∀k, l ∈ [[1, n]], al,k = 0, ainsi A = 0.

Ainsi Ker(f ) = {0}, donc f est injective.
② Soit φ une forme linéaire sur E , alors φ ∈ E ∗
Comme f est bijective, alors il existe une unique matrice A ∈ E telle que fA = f (A) = φ
Donc ∀M ∈ E , φ(M ) = fA (M ) = T r(AM ) ⊠
Exercice 18 (Une forme linéaire particulière sur Mn (K))
Soit f une forme linéaire sur E = Mn (K) vériant
∀A, B ∈ E, f (AB) = f (BA)
① Montrer que ∀i, j ∈ [[1, n]], f (Ei,i ) = f (Ej,j ) et f (Ei,j ) = 0 si ß ̸= j .

② En déduire qu'il existe λ ∈ K tel que ∀A ∈ E, f (A) = λ.T r(A)
Solution
① Soient i, j, k, l ∈ [[1, n]], on a Ei,j Ek,l = δj,k Ei,l et Ek,l Ei,j = δl,i Ek,j
Comme ∀A, B ∈ E, f (AB) = f (BA), alors f (Ei,j Ek,l ) = f (Ek,l Ei,j )
Donc δj,k f (Ei,l ) = δl,i f (Ek,j )
Pour k = j et l = i, on obtient f (Ei,i ) = f (Ej,j ).
Pour k = j et l = j , on obtient f (Ei,j ) = δj,i f (Ej,j ) = 0 si j ̸= i.

② Comme ∀i, j ∈ [[1, n]], f (Ei,i ) = f (Ej,j )
Posons ∀i ∈ [[1, n]], f (Ei,i = f (E1,1 ) = λ.X
Soit A = (ai,j )1≤i,j≤n ∈ E , alors A = ai,j Ei,j
1≤i,j≤n
n
Donc A =
X X
ai,i Ei,i + ai,j Ei,j
i=1 1≤i,j≤n
i̸=j
n
D'où f (A) =
X X
ai,i f (Ei,i ) + ai,j f (Ei,j )
i=1 1≤i,j≤n
i̸=j
Or f (Ei,j ) == 0 si j ̸= i,
n n
alors f (A) =
X X
ai,i f (Ei,i ) = λ ai,i = λ.T r(A) ⊠
i=1 i=1
6) Projecteurs et symétries
a) Projecteurs
Dénition 13 (Projection sur F parallèlement à G).
On suppose que E = F ⊕ G.
On appelle projection sur F parallèlement à G l'endomorphisme f de E déni par ∀x = xF + xG avec (xF , xG ) ∈ F × G,
f (x) = xF
Exemple A 7−→ 21 (A + t A) est la projection sur Sn (R) parallèlement à An (R). ⊠
Proposition 24 (propriétés).
f ◦ f = f , Ker(f ) = G et Im(f ) = F
Dénition 14 (Projecteur).
On appelle projecteur de E tout endomorphisme de E vériant f ◦ f = f .
Remarque 11.
Soit f un projecteur de E , alors
f est un automorphisme de E ⇐⇒ f = IdE
Soit f un projecteur de E , alors
① E = Ker(f ) ⊕ Im(f ).
② f est la projection sur Im(f ) parallèlement à Ker(f ).
Exercice 19 (Somme de deux projecteurs)

Soient f, g deux projecteurs de E .
① Montrer que f + g est un projecteur si, et seulement si, f ◦ g = g ◦ f = 0.
② Montrer que, dans ce cas Ker(f + g) = Ker(f ) ∩ Ker(g) et Im(f + g) = Im(f ) ⊕ Im(g).
b) Symétries
Dénition 15 (Symétrie par rapport à F parallèlement à G).
On suppose que E = F ⊕ G.
On appelle symétrie par rapport à F parallèlement à G l'endomorphisme f de E déni par ∀x = xF + xG avec (xF , xG ) ∈
F × G, f (x) = xF − xG

Exemple A 7−→ t A est la symétrie par rapport à Sn (R) parallèlement à An (R). ⊠
f ◦ f = IdE , Ker(f − IdE ) = F et Ker(f + IdE ) = G
Dénition 16 (Symétrie vectorielle).

On appelle symétrie de E tout endomorphisme de E vériant f ◦ f = IdE .
Remarque 12.
Si f est une symétrie vectorielle de E , alors 12 (IdE + f ) est un projecteur de E .
Soit f un symétrie de E , alors
① E = Ker(f − IdE ) ⊕ Ker(f + IdE ).
② f est la symétrie par rapport à Ker(f − IdE ) parallèlement à Ker(f + IdE ).
III) Matrices
On rappelle que Mn,p (K) est l'espace vectoriel des matrices à coecients dans K à n lignes et p colonnes.
dim(Mn,p (K)) = n × p et (Ei,j )1≤i≤n est la base canonique de Mn,p (K)
1≤j≤p
p
n X
X
∀A = (ai,j )1≤i≤n ∈ Mn,p (K), A = ai,j Ei,j
1≤j≤p i=1 j=1
1) Quelques formules
• Soient A = (ai,j )1≤i≤n ∈ Mn,p (K), B = (bi,j ) 1≤i≤p ∈ Mp,q (K), alors C = (ci,j )1≤i≤n = A × B ∈ Mn,q (K) et
1≤j≤p 1≤j≤q 1≤j≤q
p
X
∀(i, j) ∈ [[1, n]] × [[1, q]], ci,j = ai,k bk,j
k=1
• Soient (i, j) ∈ [[1, n]] × [[1, p]], (k, l) ∈ [[1, p]] × [[1, q]]
Ei,j Ek,l = δj,k Ei,l
• Soient A, B ∈ Mp (K) qui commutent : AB = BA, alors
n
n
Ak B n−k Formule du Binome
X
n
(A + B) =
k
k=0
• Soient A, B ∈ Mp (K) qui commutent : AB = BA, alors
n−1
X n−1
X
An − B n = (A − B) Ak B n−1−k = (A − B) B k An−1−k
k=0 k=0

 
x1
Exemple Soit A = (ai,j )1≤i,j≤n ∈ Mn (K), X =  .
 ..  ∈ Mn,1 (K) et Y = y1

··· yn ∈ M1,n (K), alors

xn
 n
X

 a1,j xj 
 j=1 
 n 
X 
 a2,j xj 
,
 
AX = 
 j=1
.


 .. 

 n 
X 
 a x  n,j j
j=1
 
x1 y1 x1 y2 ··· x1 yn
 x2 y1 x2 y2 ··· x2 yn 
XY =  . .. ..  = (xi yj )1≤i,j≤n ,
 
 .. . ··· . 
xn y1 xn y2 ··· xn yn
n
xk yk . ⊠
X
YX =
k=1
Exercice 20
Soit A ∈ Mn (K) qui vérier
∀B ∈ Mn (K), AB = BA
Montrer qu'il existe λ ∈ K, tel que A = λIn .
Solution
Soit A = (ai,j )1≤i,j≤n ∈ Mn (K) une telle matrice.
Comme ∀B ∈ Mn (K), AB = BA
Alors ∀k, l ∈ [[1, n]] AEk,l = Ek,l A
X n
n X n X
X n
AEk,l = Ek,l A =⇒ ai,j Ei,j Ek,l = ai,j Ek,l Ei,j
i=1 j=1 i=1 j=1
Xn X n n X
X n
=⇒ ai,j δj,k Ei,l = ai,j δl,i Ek,j
i=1 j=1 i=1 j=1
Xn n
X
=⇒ ai,k Ei,l = al,j Ek,j
i=1 j=1
n
X n
X
=⇒ ak,k Ek,l + ai,k Ei,l = al,l Ek,l + al,j Ek,j
i=1 j=1
i̸=k j̸=l
n
X n
X
=⇒ (ak,k − al,l )Ek,l + ai,k Ei,l − al,j Ek,j = 0
i=1 j=1
i̸=k j̸=l
Comme (Ei,j )1≤i,j≤n

est une base de Mn (K), donc
elle est libre
Alors la famille Ek,l , (Ei,l )1≤i≤n ), (Ek,j )1≤j≤n ) est libre
i̸=k j̸=l
Donc ak,k − al,l = 0, ai,k = 0, si i ̸= k et al,j = 0 si j ̸= l
Ainsi a1,1 = ... = an,n = λ ∈ K et ai,j = 0 si i ̸= j
Par suite A = λ.In ⊠
Exercice 21 (Matrices stochastiques)
Soit A = (ai,j )1≤i,j≤n ∈ Mn (R).
On dit que A est stochastique si 
∀i, j ∈ [[1, n]]nai,j ≥ 0

X
∀i ∈ [[1, n]]
 ai,j = 1
j=1

On note Sn l'ensemble
 des matrices stochastiques de Mn (R).
1
1
 ..  ∈ Mn,1 (R).
Soit J =  
.
1
① Soit A ∈ Mn (R) à coecients positifs. Montrer que
A ∈ Sn ⇐⇒ AJ = J
② Montrer que Sn est stable par produit matriciel.

Solution
① Soit A = (ai,j )1≤i,j≤n ∈ Mn (R) à coecients positifs
Donc ∀i, j ∈[[1, n]] ai,j≥ 0
Xn
 a1,j 
 j=1 
 n 
X 
 a2,j 
On a AJ = 
 
 j=1

.


 ..  
 n 
X 
 a 
n,j
j=1
Alors
 n
X

 a1,j 
 j=1   
1
 n 
X 
 a2,j 
 1
.. 

AJ = J ⇐⇒ =
 j=1 

.. 
 
 .
.

1
 
 n 
X 
 a n,j

j=1
n
X
⇐⇒ ∀i ∈ [[1, n]], ai,j = 1
j=1
⇐⇒ A ∈ Sn
② Soient A = (ai,j )1≤i,j≤n , B = (bi,j )1≤i,j≤n ∈ Mn (R) deux matrices stochastiques. Montrons que C = (ci,j )1≤i,j≤n = AB est
stochastique.
n
On a ∀i, j ∈ [[1, n]], ci,j =
X
ai,k bk,j ≥ 0
k=1
car ∀k ∈ [[1, n]], ai,k , bk,j ≥ 0.
Soit i ∈ [[1, n]]
n n n
!
X X X
ci,j = ai,k bk,j
j=1 j=1 k=1
  
n
X Xn
= ai,k  bk,j 
k=1 j=1
n
X
= ai,k
k=1
= 1
Donc AB ∈ Sn ⊠
Exercice 22 (Matrices de permutation)
Soit n ∈ Nn et σ ∈ Sn une permutation. On dénit Pσ la matrice de permutation associée à σ par
Pσ = (δi,σ(j) )1≤i,j≤n ∈ Mn (R)

① Soient σ, τ ∈ Sn , montrer que Pσ × Pτ = Pσ◦τ .
② Soit σ ∈ Sn , montrer que Pσ est inversible et déterminer (Pσ ) .
−1
③ Montrer que pour tout σ ∈ Sn , Pσ est une matrice stochastique.

Solution
① Soient i, j ∈ [[1, n]]
n
X
(Pσ × Pτ )i,j = (Pσ )i,k (Pτ )k,j
k=1
Xn
= δi,σ(k) δk,τ (j)
k=1
= δi,σ(τ (j)) = δi,σ◦τ (j)
= (Pσ◦τ )i,j
Donc Pσ × Pτ = Pσ◦τ .
② Soit σ ∈ Sn , Pσ × Pσ−1 = Pσ◦σ−1 = PId[[1,n]] = In .
Donc Pσ est inversible et (Pσ )−1 = Pσ−1 .
③ On a ∀i, j ∈ [[1, n]], δi,σ(j) ≥ 0
Soit i ∈ [[1, n]]
n
X n
X
δi,σ(j) = δi,σ(σ−1 (i)) + δi,σ(j)
j=1 j=1
j̸=σ −1 (i)
| {z }
=0
= δi,σ(σ−1 (i)) = δi,i = 1
Donc Pσ est une matrice stochastique ⊠
2) Quelques types de matrices

• Une matrice A ∈ Mn (K) est dite scalaire s'il existe λ ∈ K, tel que A = λ.In
• Une matrice A = (ai,j )1≤i,j≤n ∈ Mn (K) est dite diagonale si
i ̸= j =⇒ ai,j = 0
Soient (λ1 , ..., λn ), (µ1 , ..., µn ) ∈ Kn et α ∈ K On note diag(λ1 , ..., λn ) la matrice diagonale dont les éléments diagonaux λ1 , ..., λn .
α.diag(λ1 , ..., λn ) + diag(µ1 , ..., µn ) = diag(αλ1 + µ1 , ..., αλn + µn )
diag(λ1 , ..., λn ) × diag(µ1 , ..., µn ) = diag(λ1 µ1 , ..., λn µn )
∀p ∈ N, (diag(λ1 , ..., λn ))p = diag(λp1 , ..., λpn )
On note Dn (K) la K-algèbre des matrices diagonales de Mn (K).

dim(Dn (K)) = n et (Ei,i )1≤i≤n une base de Dn (K).
• Une matrice A = (ai,j )1≤i,j≤n ∈ Mn (K) est dite triangulaire supérieure (resp. inférieure) si
i > j (resp. i < j) =⇒ ai,j = 0

   
a1,1 a1,2 ··· a1,n b1,1 b1,2 · · · b1,n
 0 a2,2 ··· a2,n   0 b2,2 · · · b2,n 
Soient A =  .. .. .. .. 

,B =  .

. .. .. .. 

deux matrices triangulaires supérieurs, alors
. . . . . . . . 

  
0 ··· 0 an,n 0 ··· 0 bn,n
 
a1,1 b1,1 ∗ ··· ∗
.. ..
. .
 
 0 a2,2 b2,2 
AB =  .. .. ..

. . .
 
 ∗ 
0 ··· 0 an,n bn,n

 p
∗ ··· ∗

a1,1
.. .. 
ap2,2 . . 

 0
∀p ∈ N, Ap = 
 . .. ..

 .. . .

∗ 
0 ··· 0 apn,n
Sont des matrices triangulaires supérieurs.
On note Tn,s (K) (resp. Tn,i (K)) la K-algèbre des matrices triangulaires supérieurs (resp. inférieurs) de Mn (K).
dim(Tn,s (K)) = dim(Tn,s (K)) = n(n+1)
2 et (Ei,i )1≤i≤j≤n (resp. (Ei,i )1≤j≤i≤n ) une base de dim(Tn,s (K)) (resp. dim(Tn,i (K))).
3) Matrices carrées inversibles

Dénition 17 (Matrice inversible).
Soit A ∈ Mn (K)
• On dit que A est inversible s'il existe B ∈ Mn (K) telle que
AB = In
Dans ce cas A−1 = B .

On note GLn (K) l'ensemble des matrices carrées inversibles de Mn (K).
Exemple • Une matrice diagonale diag(λ1 , ..., λn ) est inversible si, et seulement si, ∀i ∈ [[1, n]], λi ̸= 0

Dans ce cas (diag(λ1 , ..., λn ))−1 = diag λ11 , ..., λ1n .
• Une matrice triangulaire supérieure A = (ai,j )1≤i,j≤n est inversible si, et seulement si, ∀i ∈ [[1, n]], ai,i ̸= 0
Dans ce cas  1 
a1,1 ∗ ··· ∗
.. .. 
. . 

 0 1
−1 a2,2
A =
 
 .. .. ..

 . . . ∗ 

1
0 ··· 0 an,n
Exercice 23 (Matrices nilpotentes et inversibilité)

Soit A ∈ Mn (K) une matrice nilpotente et α ∈ K non nul.
① Montrer que
 α.In − A est
 inversible et déterminer (α.In − A) .
−1
2 −1 0
② Soit B = 0 2 −1 ∈ M3 (R), Montrer que B est inversible et déterminer B −1 .
0 0 2
Solution
① On a α.In − A = α(In − α1 A)
Comme A est nilpotente, alors il existe p ∈ N∗ , tel que Ap = 0, donc ( α1 A)p = α1p Ap = 0, d'où 1
αA est nilpotente.
Comme In et α1 A commutent, alors
p
p 1
In = In − A
α
p−1
X p−1−k
1 k 1
= In − A In A
α α
k=0
p−1
X p−1−k
1 1
= In − A A
α α
k=0
p−1
X j
1 1
= In − A A
α j=0
α
Donc In − α1 A est inversible et

−1 Xp−1 p−1
j X
1 1 1 j
In − A = A = A
α j=0
α j=0
αj

Donc α.In − A est inversible et
−1 p−1
−1 1 1 X 1
(α.In − A) = In − A = Aj
α α j=0
αj+1
 
0 1 0
② On a B = 2.I3 − A où A = 0 0 1
  0 
0 0 
0 0 1 0 0 0
Comme A2 = 0 0 0 et A3 = 0 0 0
0 0 0 0 0 0
Alors B est nilpotente d'indice 3
D'après 1, B est inversible et
2
X 1
B −1 = Aj
j=0
2j+1
1 1 1
= I3 + A + A2
2 4
1 1 1 8
2 4 8
1 1
= 0 2 4 ⊠
1
0 0 2
Dénition 18 (Noyau et image d'une matrice de Mn,p (K)).

Soit A ∈ Mn,p (K), On dénit :
• Le noyau de A par :
Ker(A) = {X ∈ Mp,1 (K), AX = 0}
Ker(A) est un ss-ev de Mp,1 (K).
• L'image de A par :
Im(A) = {AX, X ∈ Mp,1 (K)}
Im(A) est un ss-ev de Mn,1 (K).
Proposition 28 (Théorème du rang matricielle).

p = dim(Ker(A)) + dim(Im(A))
Théorème 8 (Caractérisation des matrices inversibles).

Soit A ∈ Mn (K), alors
A ∈ GLn (K) ⇐⇒ ∃B ∈ Mn (K), AB = In
⇐⇒ ∃C ∈ Mn (K), CA = In
⇐⇒ det(A) ̸= 0
⇐⇒ rg(A) = n
⇐⇒ Im(A) = Mn,1 (K)
⇐⇒ Ker(A) = {0}
Exercice 24 (Matrices à diagonale strictement dominante)

Soit A ∈ Mn (K) telle que
n
X
∀i ∈ [[1, n]], |ai,i | > |ai,j |
j=1
j̸=i
On dit que A est à diagonale strictement dominante.

Montrer que A est inversible.

Solution
  
 0 
.
 
Montrons que Ker(A) =   .. 
 
0
 
 
x1
 .. 
Soit X =  .  ∈ Mn,1 (R) tel que X ∈ Ker(A)
xn
 n
X

 a1,j xj   
 j=1  0
.   .. 
 
Alors AX = 
 ..  = .
 n 
X  0
 an,j xj 
j=1
n
Donc ∀i ∈ [[1, n]],
X
ai,j xj = 0
j=1
n
D'où ∀i ∈ [[1, n]], ai,i xi +
X
ai,j xj = 0
j=1
j̸=i
n
Alors ∀i ∈ [[1, n]], ai,i xi = −
X
ai,j xj
j=1
j̸=i
n n
Ainsi ∀i ∈ [[1, n]], |ai,i ||xi | = −
X X
ai,j xj ≤ |ai,j ||xj |
j=1 j=1
j̸=i j̸=i
Posons s = max |xk |, alors il existe i ∈ [[1, n]] tel que s = |ai,i |
1≤k≤n
 
n n
Alors |ai,i |s ≤
X  X 
|ai,j ||xj | ≤ 
 |ai,j |
s
j=1 j=1
j̸=i j̸=i
n
Si s ̸= 0, alors |ai,i | ≤ |ai,j | ce qui est absurde.
X
j=1
j̸=i
Donc s = max |xk | = 0, par suite ∀k ∈ [[1, n]], xk = 0, ainsi X = 0
1≤k≤n
D'où A est inversible ⊠
Proposition 29 (Groupe des matrice inversibles).
(GLn (K), ×) est un groupe.
Remarque 13.
∀n ≥ 2, GLn (K) n'est pas abélien.
En eet,
soit A = In + E1,n ∈ GLn (K) et B = In + En,1 ∈ GLn (K), car sont des matrices triangulaires avec les éléments diagonaux
non tous nuls,
AB = In + En,1 + E1,n + E1,1 ̸= In + En,1 + E1,n + En,n = BA
Exercice 25 (Centre du groupe GLn (K))

Soit A ∈ GLn (K) qui vérier
∀B ∈ GLn (K), AB = BA
Montrer qu'il existe λ ∈ K \ {0}, tel que A = λIn .
Solution
Soit A une telle matrice, comme ∀i, j ∈ [[1, n]], In + Ei,j ∈ GLn (K)
Alors A(In + Ei,j ) = (In + Ei,j )A, d'où AEi,j = Ei,j A
n X
n
Soit M = (mi,j )1≤i,j≤n ∈ Mn (K), alors M =
X
mi,j Ei,j
i=1 j=1

Donc
 
Xn X
n
AM = A mi,j Ei,j 
i=1 j=1
n X
X n
= mi,j AEi,j
i=1 j=1
Xn X n
= mi,j Ei,j A
i=1 j=1
 
n X
X n
=  mi,j Ei,j  A
i=1 j=1
= MA
Donc A commute avec toutes les matrices de Mn (K)

D'après l'exercice 1, il existe λ ∈ K tel que A = λ.In
Or A est inversible, alors λ est non nul ⊠
Exercice 26 (Matrices stochastiques inversibles)
Soit A = (ai,j )1≤i,j≤n ∈ Mn (R).
On dit que A est stochastique si 
∀i, j ∈ [[1, n]]nai,j ≥ 0

X
∀i ∈ [[1, n]]
 ai,j = 1
j=1
On note Sn l'ensemble des matrices stochastiques.

Déterminer les matrices stochastiques A qui sont inversibles et telles que A−1 est stochastique.
Solution
Supposons que A ∈ Sn est inversible d'inverse B ∈ Sn .
Alors AB = In . Soient i, j ∈ [[1, n]] tel que i ̸= j Alors
n
X
ai,k bk,j = 0
k=1
n
Comme ∀k ∈∈ [[1, n]], ai,k , bk,j ≥ 0 et ai,k bk,j = 0 Alors ∀k ∈∈ [[1, n]], ai,k bk,j = 0 Soit i ∈ [[1, n]] tel que bi,1 ̸= 0. Alors
X
k=1
a1,j = 0 pour tout j ̸= i. Donc, la matrice A a au plus un coecient non nul dans chaque ligne. Mais la somme des éléments de
chaque ligne de A valant 1, ce coecient vaut forcément 1. Ainsi, A est une matrice n'ayant qu'un seul 1 sur chaque ligne. La
matrice A étant inversible, ces 1 sont sur chaque ligne dans une colonne diérente.
On conclut alors que A est une matrice de permutation. Réciproquement, d'après l'exercice 3, une telle matrice est élément de
Sn , est inversible et que son inverse est élément de Sn ⊠
4) Transposée d'une matrices

Dénition 19 (Transposée).
Soit A = (ai,j )1≤i≤n ∈ Mn,p (K). On appelle transposée de A, notée t A la matrice de Mn,p (K) dénie par
1≤j≤p
t
A = (aj,i ) 1≤i≤p ∈ Mp,n (K)
1≤j≤n
Remarque 14.
• Soit A ∈ Mn (K), alors
A ∈ Dn (K) ⇐⇒ t A ∈ Dn (K)
• Soit A ∈ Mn,p (K), alors
A ∈ Tn,s (K) ⇐⇒ t A ∈ Tn,s (K)

Proposition 30.
• Soit A ∈ Mn,p (K), alors
t t

A =A
• Soit A, B ∈ Mn,p (K) et α ∈ K, alors

t
(α.A + B) = α. t A + t B
• Soit (A, B) ∈ Mn,p (K) × Mp,q (K), alors

t
(AB) = t A t B

A ∈ GLn (K) ⇐⇒ t A ∈ GLn (K)
−1
Dans ce cas t t
A−1

A =
Corollaire 5.
• f : Mn,p (K) −→ Mp,n (K) dénie par f (A) = t A est un isomorphisme d'espaces vectoriels.
• f : Mn (K) −→ Mn (K) dénie par f (A) = t A est une symétrie.
Exercice 27 (Une base formée de matrices de rang=1)

Soient (X1 , ..., Xn ), (Y1 , ..., Yn ) deux bases de Mn,1 (R).
Montrer que (Xi t Yj )1≤i,j≤n est une base Mn (R).
Solution
Comme la famille (Xi t Yj )1≤i,j≤n est à n2 = dim(Mn (R)) vecteurs, il sut de montrer
 qu'elle est 
libre.
n X
n n n
Soit (αi,j )1≤i,j≤n une famille de scalaire telle que αi,j Xi t Yj = 0, donc
X X X
Xi  αi,j t Yj  = 0
i=1 j=1 i=1 j=1
n
Pour tout i ∈ [[1, n]], on pose Zi =
X
αi,j Yj
j=1
n
Alors Xi t Zi = 0.
X
i=1
n
Soit k ∈ [[1, n]], alors Xi t Zi Zk = 0.
X
i=1
n
Comme ∀i ∈ [[1, n]] t Zi Zk est un scalaire, alors Zi Zk Xi = 0.
X
t

i=1
Or la famille (Xi )1≤i≤n est une base de Mn,1 (R), alors elle est libre, ainsi ∀i ∈ [[1, n]], t Zi Zk = 0
En particulier t Zk Zk = 0, donc Zk = 0
n
Alors
X
αk,j Yj
j=1
Or la famille (Yj )1≤j≤n est une base de Mn,1 (R), alors elle est libre, ainsi ∀i ∈ [[1, n]], αk,j = 0
D'où ∀i, k ∈ [[1, n]], αk,j = 0 ⊠
5) Trace d'une matrice carrée

Dénition 20 (Trace).
Soit A = (ai,j )1≤i,j≤n ∈ Mn (K). On dénit la trace de A notée T r(A) par
n
X
T r(A) = ai,i
i=1

Proposition 31.
T r( t A) = T r(A)
• Soit A, B ∈ Mn (K) et α ∈ K, alors

T r(α.A + B) = α.T r(A) + T r(B)
• Soit A, B ∈ Mn (K), alors

T r (AB) = T r(BA)
Corollaire 6.
• f : Mn (K) −→ K dénie par f (A) = T r(A) est une forme linéaire sur Mn (K) non nulle (f (E1,1 ) = 1).
• En particulier H = Ker(T r) = {A ∈ Mn (K), T r(A) = 0} est un hyperplan de Mn (K), d'où dim(H) = n2 − 1.
Exercice 28 (Trace du produit tensoriel de deux matrices)

Soient (A, B) ∈ Mn (K) × Mn (K). On dénit le produit tensoriel de A par B , noté A ⊗ B par
 
a1,1 B a1,2 B ··· a1,n B
 a2,1 B a2,2 B ··· a2,n B 
A⊗B = . .. ..  ∈ Mnp (K)
 
 .. . ··· . 
an,1 B an,2 B ··· an,n B
Montrer que T r(A ⊗ B) = T r(A)T r(B).

Solution
Les coecients diagonaux de A ⊗ B sont ai,i bj,j où 1 ≤ i ≤ n et 1 ≤ j ≤ p
Alors
p
n X
X
T r(A ⊗ B) = ai,i bj,j
i=1 j=1
  
n
X Xp
= ai,i  bj,j 
i=1 j=1
n
X
= ai,i T r(B) = T r(A)T r(B) ⊠
i=1
Exercice 29 (Caractérisation des formes linéaires de Mn (K))

On considère E = Mn (K) et f : E −→ E ∗ dénie par f (A) = fA où ∀M ∈ E, fA (M ) = T r(AM ).
① Montrer que f est un isomorphisme d'espaces vectoriels.
② En déduire que pour toute forme linéaire φ sur E , il existe un unique matrice A ∈ E telle que ∀M ∈ E, φ(M ) = T r(AM ).
Solution
① Montrons que f est linéaire.
Soient A, B ∈ E et λ ∈ K.
Soit M ∈ E ,
f (A + λ.B)(M ) = fA+λ.B (M ) = T r((A + λ.B)M )
= T r(AM + λ.BM ) = T r(AM ) + λ.T r(BM )
= fA (M ) + λ.fB (M ) = (fA + λ.fB )(M )
= (f (A) + λ.f (B))(M )
Donc f (A + λ.B) = f (A) + λ.f (B).

Montrons que f est bijective.
Comme dim(E) = dim(E ∗ ) = n2 , il sut de montrer que f est injective.
Soit A = (ai,j )1≤i,j≤n ∈ Ker(f ), alors fA = 0,
Donc ∀M ∈ E, fA (M ) = T r(AM ) = 0.
Soit k, l ∈ [[1, n]]X
, alors T r(AEk,l ) = 0.
Comme A = ai,j Ei,j ,
1≤i,j≤n

alors AEk,l =
X X
ai,j δj,k Ei,l = ai,k Ei,l
1≤i,j≤n 1≤i≤n
X
T r(AEk,l ) = 0 =⇒ ai,k T r(Ei,l ) = 0
1≤i≤n
X
=⇒ ai,k δi,l = 0
1≤i≤n
=⇒ al,k = 0
Donc ∀k, l ∈ [[1, n]], al,k = 0, ainsi A = 0.

Ainsi Ker(f ) = {0}, donc f est injective.
② Soit φ une forme linéaire sur E , alors φ ∈ E ∗
Comme f est bijective, alors il existe une unique matrice A ∈ E telle que fA = f (A) = φ
Donc ∀M ∈ E , φ(M ) = fA (M ) = T r(AM ) ⊠
6) Matrice d'une famille de vecteurs

Soit E un K-espace vectoriel de dimension n et B = (e1 , ..., en ) une base de E .
Dénition 21 (Matrice d'un vecteur).

n
Soit x ∈ E tel que x = xi ei . On appelle matrice de x dans la base B , notée M atB (x) la matrice colonne
X
i=1
 
x1
 x2 
M atB (x) =  . 
 
 .. 
xn
Exemple La matrice du vecteur P = (X + 1)m m ≤ n dans la base canonique B = (1, ..., X n ) de E = Rn [X] est M atB (x) la
matrice colonne  m 

0
 m 
1 
.. 

. 


m
 
M atB (P ) =   ∈ Mn+1,1 (R)
 m 
 0 
..
 
.
 
 
0
⊠
Proposition 32.
Soient x, y ∈ E et α ∈ K, alors
M atB (α.x + y) = α.M atB (x) + M atB (y)
Corollaire 7.
L'application f : E −→ Mn,1 (K) dénie par f (x) = M atB (x) est un isomorphisme d'espaces vectoriels.
Dénition 22 (Matrice d'une famille de vecteurs).

n
Soit V = (v1 , ..., vp ) ∈ E p une famille de vecteurs tel que ∀j ∈ [[1, p]], vj = ai,j ei . On appelle matrice de x dans la base
X
i=1
B , notée M atB (B) la matrice de Mn,p (K) dont la j-éme colonne est formée par les composantes de vj dans la base B
M atB (V) = (ai,j )1≤i≤n

1≤j≤p

Exemple La matrice de la famille P = (P0 , ..., Pn ) où Pm = (X + 1)m dans la base canonique B = (1, ..., X n ) de E = Rn [X]
est donnée par  0 1 2 n 

0 0 0 ··· 0
1 2 n 
 0 1 1 ··· 1 
M atB (P) =  .. .. .. ..  ∈ Mn+1 (R)

 . . . . 
n
0 ··· 0 n
⊠
Proposition 33 (Caractérisation des bases).

Soit V = (v1 , ..., vn ) ∈ E p une famille à n = dim(E) vecteurs. Alors
V est une base de E ⇐⇒ M atB (V) est inversible
Exemple La famille P = (P0 , ..., Pn ) où Pm = (X + 1)m est une base de E = Rn [X], car sa matrice dans la base canonique
 0 1
2
n 

0 0 0 ··· 0
1 2 n 
 0 1 1 ··· 1 
M atB (P) =  .. .. .. ..  ∈ Mn+1 (R)

 . . . . 
n
0 ··· 0 n
est inversible. ⊠
7) Matrice d'une application linéaire

Soient E et F deux K-espaces vectoriels de dimension respectivement n, p.
BE = (e1 , ..., en ) une base de E .
BF = (v1 , ..., vp ) une base de F .
Dénition 23 (Matrice d'une application linéaire).

Soit f ∈ L(E, F ). On appelle matrice de f relativement aux bases BE , BF , notée M atBE ,BF (f ), la matrice de la famille
f (BE ) = (f (e1 ), ..., f (en )) dans la base BF .
M atBE ,BF (f ) = M atBF ((f (e1 ), ..., f (en )))
Un cas particulier important est celui d'un endomorphisme

Dénition 24 (Matrice d'un endomorphisme).
Soit f ∈ L(E). On appelle matrice de f dans la base BE , notée M atBE (f ), la matrice de la famille f (BE ) = (f (e1 ), ..., f (en ))
dans la base BE .
M atBE (f ) = M atBE ((f (e1 ), ..., f (en )))
Exemple Soit f l'endomorphisme de R2 [X] dénie par

f (P ) = P (X + 1) − P (X)
La matrice de f dans la base canonique B = (1, X, X 2 ) de R2 [X] est
 
0 1 1
M atB (f ) = 0 0 2
0 0 0
⊠
Proposition 34 (Écriture matricielle ).

Soit ∈ L(E, F ) et (x, y) ∈ E × F
Si X = M atBE (x), A = M atBE ,BF (f ) et Y = M atBF (y)
Alors
y = f (x) ⇐⇒ Y = AX

Proposition 35.
• Soient f, g ∈ L(E, F ) et α ∈ K, alors
M atBE ,BF (α.f + g) = α.M atBE ,BF (f ) + M atBE ,BF (g)
• Soit (f, g) ∈ L(E, F ) × L(F, G), alors
M atBE ,BF (g ◦ f ) = M atBF ,BG (g) × M atBE ,BF (f )
• On suppose que dim(E) = dim(F ), soit f ∈ L(E, F ), alors
f est un isomorphisme ⇐⇒ M atBE ,BF (f ) est inversible
Dans ce cas
−1
M atBF ,BE (f −1 ) = (M atBE ,BF (f ))
Corollaire 8.
L'application φ : L(E, F ) −→ Mp,n (K) dénie par
φ(f ) = M atBE ,BF (f )
est un isomorphisme d'espaces vectoriels.
Exercice 30
On considère l'endomorphisme f de Rn [X] déni par
f (P ) = P (X + 1)
① Déterminer la matrice A de f dans la base canonique de Rn [X].
② Justier que A est inversible et déterminer A−1 .
Solution
① Soit B = (X j )0≤j≤n la base canonique de Rn [X].
j
j
On a ∀j ∈ [[0, n]], f (X ) = (X + 1) =
X
j j
Xi
i=0
i
Donc la matrice de f dans la base canonique est donnée par
 0 1 2
n 

0 0 0 ··· 0
1 2 n 
 0
1 1 ··· 1 
A = M atB (f ) =  . .. .. ..  ∈ Mn+1 (R)

 .. . . . 
n
0 ··· 0 n
② Il est clair que f est bijective et ∀P ∈ Rn [X], f −1 (P ) = P (X − 1)

Alors A est inversible et A−1 = M atB (f −1 )
j
j
On a ∀j ∈ [[0, n]], f −1 (X j ) = (X − 1)j = (−1)j−i
X
Xi
i=0
i
Donc  0
− 10 2
(−1)n n0

0 0 ···
1
 0 1 − 21 ··· (−1)n−1 n1 
A−1 =  .. .. .. ..  ⊠
 
 . . . . 
n−n n

0 ··· 0 (−1) n
8) Changement de bases
Dénition 25 (Matrice de passage).
′
Soit B et B deux bases de E , on appelle matrice de passage de la base B à la base B , notée PBB la matrice da la famille
′ ′
B dans la base B
′
′ ′
PBB = M atB (B )

Exemple Soient a1 , ..., an+1 des réels deux à deux distincts, on dénit le ième polynôme de Lagrange Li par
n+1
Y X − ak
Li =
ai − ak
k=1
k̸=i
On rappelle que L = (L1 , ..., Ln+1 ) est une base de Rn [X] et

n+1
X
∀P ∈ Rn [X], P = P (ai )Li
i=1
La matrice de passage de la base L à la base canonique B est donnée par
a21 an1
 
1 a1 ···
1 a2 a22 ··· an2 
PLB = . .. .. ..  = (aj−1 )1≤i,j≤n+1
 
 .. . . ··· .  i
1 an+1 a2n+1 ··· ann+1
C'est une matrice de Vandermonde. ⊠
Proposition 36.
Soient′ B, B , B des bases de E , alors
′ ′′
• PBB = M atB′ ,B (IdE )

′ ′′ ′′
• PBB × PBB′ = PBB
′ ′ −1
• PBB est inversible et PBB = PBB′
Proposition 37 (Changement de bases pour un vecteur).

Soit B et B deux bases de E et x ∈ E
′
′
Si X = M atB (x), X = M atB′ (x) et P = PBB
′
Alors
′
X = PX
Proposition 38 (Changement de bases pour une app linéaire).

Soit BE et BE deux bases de E et BF et BF deux bases de F
′ ′
′ ′
Soit f ∈ L(E, F ), A = M atBE ,BF (f ), A = M atBE′ ,BF′ (f ), P = PBBEE et Q = PBBFF

′
Alors
′
A = Q−1 AP
Un cas particulier important est celui d'un endomorphisme

Proposition 39 (Changement de bases pour une app linéaire).
Soit BE et BE deux bases de E
′
Soit f ∈ L(E), A = M atBE (f ), A = M atBE′ (f ) et P = PBBEE

′
Alors
′
A = P −1 AP
9) Matrices équivalentes
Dénition 26 (Matrices équivalentes).
Soient A, B ∈ Mn,p (K). On dit que B est équivalente à A s'il existe deux matrices inversibles (P, Q) ∈ GLp (K) × GLn (K)
telles que
B = QAP
On écrit B ∼ A.

Remarque 15.
• La relation ∼ est une relation d'équivalence sur Mn,p (K).
• Deux matrices sont équivalentes si, et seulement s'ils représentent le même application linéaire.
Théorème 9 (Caractérisation des matrices équivalentes).

Soient A, B ∈ Mn,p (K) et r ∈ [[0, min(n, p)]]. Alors
• rg(A) = r ⇐⇒ A ∼ Jr
où
Ir | 0r,p−r
Jr = si r ̸= 0 J0 = 0n,p
0n−r,r | 0n−r,p−r
• rg(A) = rg(B) ⇐⇒ A ∼ B .
Corollaire 9.
rg(A) = rg( t A)
10) Matrices semblables

Dénition 27 (Matrices semblables).
Soient A, B ∈ Mn (K). On dit que B est semblable à A s'il existe une matrice inversible P ∈ GLn (K) telle que
B = P −1 AP
Remarque 16.
• La relation de similitude est une relation d'équivalence sur Mn,p (K).
• Deux matrices sont semblables si, et seulement s'ils représentent le même endomorphisme.
Proposition 40.
Deux matrices A, B ∈ Mn (K) sont semblables ont le même trace.
Dénition 28 (Trace d'un endomorphisme).

Soit E un K-espace vectoriel de dimension n et f ∈ L(E), on appelle trace de l'endomorphisme f notée T r(f ), la trace
d'une matrice de f dans une base de E .
Remarque 17.
Soit f ∈ L(E) et (e1 , ..., en ) une base de E , alors
n
La composante de f (ei ) suivant ei
X
T r(f ) =
i=1
Exercice 31
Soit A ∈ Mn (R), on considère l'endomorphisme
f : Mn (R) −→ Mn (R) déni par f (M ) = AM .
Montrer que T r(f ) = nT r(A).
Solution
Soit (Ei,j )1≤i,j≤n la base canonique de Mn (R) et
n X
n
ak,l Ek,l .
X
A = (ak,l )1≤k,l≤n =
k=1 l=1

Alors
f (Ei,j ) = AEi,j
Xn Xn
= ak,l Ek,l Ei,j
k=1 l=1
Xn X n
= ak,l δl,i Ek,j
k=1 l=1
Xn
= ak,i Ek,j
k=1
Donc
n X
n
La composante de f (Ei,j ) suivant Ei,j
X
T r(f ) =
i=1 j=1
Xn X n
= ai,i
i=1 j=1
Xn
= nai,i
i=1
= nT r(A) ⊠
Exercice 32 (Trace d'un projecteur=rang)
Soit E un K-espace vectoriel de dimension nie n et f ∈ L(E) un projecteur.
① Montrer que E = Im(f ) ⊕ Ker(f ).
② Déterminer la matrice de f dans une base de E adaptée à la somme directe E = Im(f )⊕Ker(f ). En déduire que T r(f ) = rg(f ).
Solution
① Comme E est de dimension nie, d'après le théorème du rang
Il sut de montrer que Ker(f ) ∩ Im(f ) = {0}
Soit y ∈ Ker(f ) ∩ Im(f ), alors f (y) = 0 et ∃x ∈ E, y = f (x)
Donc f (y) = f (f (x)) = (f ◦ f )(x) = f (x) = y , ainsi y = f (y) = 0.
② Notons r = dim(Im(f )) = rg(f ), alors dim(Ker(f )) = n − r (théorème du rang).
Soit (e1 , ..., er ) une base de Im(f ) et (er+1 , ..., en ) une base de Ker(f ), alors B = (e1 , ..., er , er+1 , ..., en ) est une base de E
adaptée à la somme directe E = Im(f ) ⊕ Ker(f )
Comme ∀x ∈ Im(f ), f (x) = x, alors ∀i ∈ [[1, r]], f (ei ) = ei et ∀i ∈ [[r + 1, n]], f (ei ) = 0
Ainsi
Ir | 0r,n−r
M atB (f ) =
0n−r,r | 0n−r,n−r
Donc T r(f ) = T r(M atB (f )) = T r(Ir ) = r = rg(f ) ⊠
IV) Déterminants
1) Déterminant d'une matrice carrée
a) Dénition et propriétés
Dénition 29 (Déterminant d'une matrice carrée).
Soit A ∈ Mn (K). On appelle déterminant de A, noté det(A) la quantité
X n
Y
det(A) = ε(σ) ai,σ(i)
σ∈Sn i=1
Exemple Soit A = (ai,j )1≤i,j≤n ∈ Mn (K).

• Si A est triangulaire supérieure (ou inférieure), alors
n
Y
det(A) = ai,i
i=1

• Si A est diagonale, alors
n
Y
det(A) = ai,i
i=1
En particulier ∀λ ∈ K, det(λ.In ) = λn . ⊠
Exercice 33 (déterminant d'une matrice de permutation)

Soit Pτ = (δi,τ (j) )1≤i,j≤n la matrice de permutation associée à la permutation τ ∈ Sn
Montrer que det(Pτ ) = ε(τ ) = la signature de τ .
Solution
Par dénition du déterminant
X n
Y
det(Pτ ) = ε(σ) (Pτ )i,σ(i)
σ∈Sn i=1
X Yn
= ε(σ) δi,τ (σ(i))
σ∈Sn i=1
X Yn
= ε(σ) δi,(τ ◦σ)(i))
σ∈Sn i=1
Si σ ̸= τ −1 , alors τ ◦ σ ̸= Id[[1,n]] , donc il existe i0 ∈ [[1, n]] tel que

(τ ◦ σ)(i0 ) ̸= i0 , ainsi δi0 ,(τ ◦σ)(i0 ) = 0,
n
par suite ε(σ)
Y
δi,(τ ◦σ)(i)) = 0
i=1
Donc
X n
Y n
Y
det(Pτ ) = ε(σ) δi,(τ ◦σ)(i)) + ε(τ −1 ) δi,(τ ◦τ −1 )(i)
σ∈Sn i=1 i=1
σ̸=τ −1
| {z }
=0
n
Y
−1
= ε(τ ) δi,Id[[1,n]](i))
i=1
Yn
= ε(τ −1 ) δi,i
i=1
|{z}
=1
= ε(τ −1 )
= ε(τ ) ⊠
Proposition 41 (propriétés des déterminants).
• Multilinéairité par rapport aux colonnes :
L'application A 7−→ det(A) sur Mn (K) est n-linéaire par rapport aux colonnes de A.
• Pour tout λ ∈ K :
det(λA) = λn det(A)
• Déterminant d'un produit :
det(AB) = det(A) det(B)
• Caractérisation de l'inversibilité :
A est inversible si, et seulement si, det(A) ̸= 0

Dans ce cas :
1
det A−1 =

det(A)
• Invariance par similitude : Deux matrices semblables de Mn (K) ont même déterminant.
• Invariance par transposition :
det t A = det(A)

Ainsi, l'application A 7−→ det(A) sur Mn (K) est également n -linéaire par rapport aux lignes de A.

Exemple Soient (a1 , a2 ), (b1 , b2 ), (c1 , c2 ) ∈ K2 et α ∈ K
a1 b1 + α.c1 a b1 a c1
= 1 + α. 1
a2 b2 + α.c2 a2 b2 a2 c2
Corollaire 10.
Pour toute matrice A de Mn (K)
p
∀p ∈ N, det(Ap ) = (det(A))
Si de plus A est inversible, alors
p
∀p ∈ Z, det(Ap ) = (det(A))
Corollaire 11.
A 7→ det(A) est un morphisme de groupe (GLn (K), ×) dans (K∗ , ×) surjectif.
En eet
• ∀A, B ∈ GLn (K), det(AB) = det(A) × det(B)
• ∀λ ∈ K, Aλ = diag(λ, 1, 1, ..., 1) ∈ Gln (K) et det(Aλ ) = λ, donc A 7→ det(A) de GLn (K) dans K∗ est surjectif.
b) Calcul du déterminant par la méthode de pivot

Soit A ∈ Mn (K) de lignes L1 , ..., Ln et de colonnes C1 , ..., Cn
Proposition 42 (Opérations élémentaires).

Soit i, j ∈ [[1, n]] tel que i ̸= j et λ un scalaire non nul.
• Les opérations élémentaires : Li ← Li + λLj et Cj ← Cj + λCi ne modient pas les déterminants.
• Les opérations élémentaires : Li ↔ Lj et Ci ↔ Cj multiplient les déterminants par −1.
• Les opérations élémentaires : Li ← λLi et Cj ← λCj multiplient les déterminants par λ.
Exemples
①
1 2 1 0 1 2 1 0
1 1 1 −1 0 −1 0 −1 L2 − L1
=
2 4 0 1 0 0 −2 1 L3 − 2L1
1 3 1 3 0 1 0 3 L4 − L1
1 2 1 0
0 −1 0 −1
=
0 0 −2 1
0 0 0 2 L4 + L2
Triangulaire supérieure
| {z }
= 1 × (−1) × (−2) × 2 = 4

② Soient a, b ∈ C,
a b b a b b
b a b = b−a a−b 0 L2 − L1
b b a b−a 0 a − b L3 − L1
par linéarité par rapport à la ligne 2, ona
a b b
= (b − a) 1 −1 0
b−a 0 a−b
par linéarité par rapport à la ligne 3, ona
a b b
= (b − a)(b − a) 1 −1 0
1 0 −1
a b b
L1 + bL2 + bL3
= (b − a)(b − a) 1 −1 0
1 0 −1
a + 2b 0 0
= (b − a) 1 −1 0 = (b − a)2 (a + 2b)
1 0 −1
Triangulaire inférieure
| {z }
Exercice 34
Soit n ≥ 1 et An = (min(i, j))1≤i,j≤n
Déterminer det(An ).
Solution
1 1 1 ··· 1 1
1 2 2 ··· 2 2
.. .. .. .. ..
det(An ) = . . . ··· . .
1 2 ··· n−1 n−1
1 2 ··· ··· n−1 n
Pour tout i ∈ [[1, n]], Li = 1 2 · · · i − 1 i i · · · i

Alors ∀i ∈ [[2, n]], Li − Li−1 = 0 · · · 0 1 · · · 1

En appliquant les les opérations Ln ←− Ln − Ln−1 ,
Ln−1 ←− Ln−1 − Ln−2 ,..., L2 ←− L2 − L1 l'une après l'autre,on en déduit
1 1 ··· ··· 1
0 1 ··· ··· 1
.. .. .. .
det(An ) = . . . · · · .. = 1 ⊠
.. .. ..
. . . 1
0 ··· ··· 0 1

c) Développement par rapport à une ligne ou colonne
Théorème 10.
Soit A = (ai,j )1≤i,j≤n ∈ Mn (K). Alors
• Développement par rapport à j ème colonne :
n
X
det(A) = (−1)i+j ai,j det(Ai,j )
i=1
où Ai,j est la matrice obtenue de A en supprimant la ième ligne et la j ème colonne.

• Développement par rapport à ième colonne :
n
X
det(A) = (−1)i+j ai,j det(Ai,j )
j=1
où Ai,j est la matrice obtenue de A en supprimant la ième ème ligne et la j ème colonne.
Ces formules se comprennent sur des exemples simples.

Voici un, où l'on développe par rapport à la première colonne : Exemple Par développement par rapport à la première ligne,
1 1 −2
7 1 1 −2 1 −2
2 7 1 = +1 −2 +1
2 3 2 3 7 1
1 2 3
= (7 × 3 − 2 × 1) − 2(1 × 3 − 2 × (−2))
+ (1 × 1 − 7 × (−2)) = 20 ⊠
Le développement par rapport à une ligne ou colonne est souvent utile, mais dans la mesure du possible, il faut choisir de
développer par rapport à une ligne ou colonne contenant beaucoup de zéros. En règle générale, je vous conseille de privilégier la
méthode du pivot, qui fournit davantage des résultats sous forme factorisée.
Exercice 35 (Une suite récurrente linéaire d'ordre 2)
Pour tout n ∈ N∗ , calculer
3 2 0 ··· 0
.. ..
1 3 2 . .
..
Dn = 0 1 3 . 0
.. .. .. ..
. . . . 2
0 ··· 0 1 3 [n]
Solution
Un développement par rapport à la première colonne fournit la relation de récurrence suivante, vraie pour n ⩾ 1 : Dn+2 =
3Dn+1 − 2Dn .
La suite (Dn )n∈N∗ est donc récurrente linéaire d'ordre 2 de polynôme caractéristique : X 2 −3X +2 = (X −1)(X −2), polynôme
dont les racines sont 1 et 2, distinctes. Il existe ainsi deux réels λ et µ pour lesquels pour tout n ∈ N∗ : Dn = λ2n + µ1n .
Comme D1 = 3 et D2 = 7, alors λ = 2 et µ = −1, et nalement Dn = 2n+1 − 1 ⊠
Exercice 36 (Matrice Compagnon )
Soit P = X n + an−1 X n−1 + an−2 X n−2 + ... + a1 X + a0 ∈ K[X], on lui associe C(P ) = (ci,j )1≤i,j≤n ∈ Mn (K) la matrice
compagnon dénie par : ci+1,i = 1, 1 ≤ i ≤ n − 1, ci,n = −ai−1 , 1 ≤ i ≤ n et ci,j = 0 dans les autres cas :
 
0 0 ... 0 −a0
1
 0 ... 0 −a1 

C(P ) = 0
 1 ... 0 −a2 
 .. .. .. .. ..

. . . . .


0 0 ... 1 −an−1
① Montrer que det(xIn − C(P )) = P (x).
( On pourra eectuer l'opération L1 ← L1 + XL2 + X 2 L3 + · · · + X n−2 Ln−1 + X n−1 Ln . )

② En déduire que C(P ) est inversible si et seulement si a0 ̸= 0.
③ Justier que le rang de C(P ) est supérieur ou égal à n − 1 et que rg(C(P )) = n − 1 si et seulement si a0 = 0.
Solution
① Montrons que det(xIn − C(P )) = P .
x 0 ... 0 a0
−1 x . . . 0 a1
.. ..
On a det(xIn − C(P )) = 0 −1 . . a2
.. .. .. .. ..
. . . . .
0 0 . . . −1 x + an−1
En eectuant l'opération L1 ← L1 + XL2 + X 2 L3 + · · · + X n−2 Ln−1 + X n−1 Ln .
0 0 ... 0 P (x)
−1 x . . . 0 a1
.. ..
On déduit que det(xIn − C(P )) = 0 −1 . . a2
.. .. .. .. ..
. . . . .
0 0 ... −1 x + an−1
En développant ce dernier par rapport à la première ligne, on trouve
−1 x ... 0
.. ..
n+1 0 −1 . .
det(xIn − C(P )) = P (x) × (−1) .. .. ..
..
. . . .
0 0 ... −1
n+1 n−1
= P (x) × (−1) × (−1) = P (x)
C(P ) est inversible ⇐⇒ det(C(P )) ̸= 0

⇐⇒ P (0) = (−1)n det(C(P )) ̸= 0
⇐⇒ a0 ̸= 0
③ Justions que le rang de C(P ) est supérieur ou égal à n − 1.

Puisque les (n − 1) premières colonnes de C(P ) forment une famille libre, alors rg(C(P )) ≥ n − 1.
rg(C(P )) = n − 1 ⇐⇒ rg(C(P )) ̸= n
car n − 1 ≤ rg(C(P )) ≤ n
⇐⇒ C(P ) n'est pas inversible
⇐⇒ a0 ̸= 0 ⊠
Exercice 37 (Déterminant de Vandermonde)

Pour tout entier n ≥ 2 et tout n-uplet (x1 , x2 , ..., xn ) ∈ Kn , on note Vn (x1 , x2 , ..., xn ) la matrice, dite de Vandermonde, dénie
par
xn−1
 
1 x1 ··· 1
1 x2 ··· xn−1
2

n−1 
 
Vn (x1 , x2 , ..., xn ) = 1
 x3 ··· x3 
. .. .. 
 .. . ··· . 
n−1
1 xn ··· xn
On note Dn (x1 , x2 , ..., xn ) le déterminant de la matrice Vn (x1 , x2 , ..., xn ), on l'appelle le déterminant de Vandermonde du n-uplet
(x1 , x2 , ..., xn ).
① Déterminer D2 (x1 , x2 ) et D3 (x1 , x2 , x3 ) sous forme factorisé.
② On suppose que x1 , x2 , ..., xn ne sont pas distincts, justier que Dn (x1 , x2 , ..., xn ) = 0.
③ Dans cette question, on suppose que les scalaires x1 , x2 , ..., xn sont deux à deux distincts.

On note F la fonction dénie sur K par
F (x) = Dn (x1 , x2 , ..., xn−1 , x)
(a) Montrer que la fonction F est polynomiale de degré ≤ n − 1, préciser le coecient de son terme de plus haut degré. (on
pourra développer F (x) par rapport à la dernière ligne).
(b) Montrer que x1 , x2 , ..., xn−1 sont des racines de F .

n−1
(c) En déduire que F (x) = Dn−1 (x1 , x2 , ..., xn−1 ) (x − xk ).
Y
k=1
④ Montrer alors que Y
Dn (x1 , x2 , ..., xn ) = (xj − xi )
1≤i<j≤n
⑤ En déduire que Vn (x1 , x2 , ..., xn ) est inversible si, et seulement si, x1 , x2 , ..., xn sont deux à deux distincts.
Solution
1 x1
① On a D2 (x1 , x2 ) = = (x2 − x1 )
1 x2
1 x1 x21
On a D3 (x1 , x2 , x3 ) = 1 x2 x22 ,
1 x3 x23
par les opérations L2 ← L2 − L1 et L3 ← L3 − L1 , on en déduit
1 x1 x21
D3 (x1 , x2 , x3 ) = 0 x2 − x1 x22 − x21
0 x3 − x1 x23 − x21
En développant ce dernier par rapport à la première ligne, on a
x2 − x1 x22 − x21
D3 (x1 , x2 , x3 ) =
x3 − x1 x23 − x21
= (x2 − x1 )(x23 − x21 ) − (x3 − x1 )(x22 − x21 )
= (x2 − x1 )(x3 − x1 )(x3 − x2 )
② On suppose que x1 , x2 , ..., xn ne sont pas distincts, alors il existe i, j ∈ J1, nK tel que i ̸= j et xi = xj
Donc les deux lignes Li et Lj de Vn (x1 , x2 , ..., xn ) coïncident, par suite Dn (x1 , x2 , ..., xn ) = 0.
③ Dans cette question, on suppose que les scalaires x1 , x2 , ..., xn sont deux à deux distincts.
1 x1 · · · xn−1
1
1 x2 · · · xn−1
2
On a F (x) = Dn (x1 , x2 , ..., xn−1 , x) = 1 x3 · · · xn−1
3
.. .. ..
. . ··· .
1 x ··· xn−1
(a) En développant F (x) par rapport à la dernière ligne, on voit que F est polynomiale de degré ≤ n − 1, et le coecient de son
terme de plus haut degré est celui de X n−1 , qui vaut
1 x1 ··· xn−2
1
1 x2 ··· xn−2
2
1 x3 ··· xn−2
3 = Dn−1 (x1 , x2 , ..., xn−1 )
.. .. ..
. . ··· .
1 xn−1 ··· xn−2
n−1
(b) Soit i ∈ J1, n − 1K, alors F (xi ) = Dn (x1 , x2 , ..., xn−1 , xi ) = 0, car Ln = Li
(c) Comme F est polynomiale de degré ≤ n − 1, x1 , x2 , · · · , xn−1 sont des racines de F et le coecient de son terme de plus
haut degré vaut Dn−1 (x1 , x2 , ..., xn−1 ), alors
n−1
Y
F (x) = Dn−1 (x1 , x2 , ..., xn−1 ) (x − xk )
k=1
④ Par récurrence sur n ≥ 2, en utilisant la question précédent, on montre le résultat souhaité Y facilement.
⑤ La matrice Vn (x1 , x2 , ..., xn ) est inversible si, et seulement si, Vn (x1 , x2 , ..., xn ) = (xj − xi ) ̸= 0 si, et seulement si,
1≤i<j≤n
x1 , x2 , ..., xn sont deux à deux distincts ⊠

d) Déterminant d'une matrice triangulaire par blocs
Proposition 43 (Matrice triangulaire par blocs).
Soient A1 ∈ Mp1 (K), ..., Ar ∈ Mpr (K), alors
A1 ∗ ∗ A1 (0)
.. ..
. ∗ = ∗ . = det(A1 )... det(Ar )
(0) Ar ∗ ∗ Ar
Exemple
1 1 2 1
3 2 1 −1 1 1 2 1
= = (−1) × 3 = −3
0 0 2 1 3 2 −1 1
0 0 −1 1
⊠
e) Formule d'inversion
Dénition 30 (Cofacteur, comatrice).
Soit A ∈ Mn (K) et i, j ∈ [[1, n]]
• On appelle cofacteur de A de position (i, j) le scalaire : (−1)i+j det(Ai,j )
où Ai,j est la matrice obtenue de A en supprimant la ième ligne et la j ème colonne.
• On appelle comatrice de A, notée com(A) la matrice des cofacteurs de A :
com(A) = ((−1)i+j det(Ai,j ))1≤i,j≤n ∈ Mn (K)

a b
Exemple Soit A =
c d
∈ M2 (K), alors

d −c
com(A) =
−b a
⊠
Proposition 44 (Formule d'inversion).

Soit A ∈ Mn (K). Alors
• A t com(A) = t com(A)A = det(A)In
• Si A est inversible, alors

1
A−1 = t
com(A)
det(A)

a b
Exemple Soit A = c d
∈ M2 (K), alors
A est inversible ⇐⇒ ad − bc ̸= 0
Dans ce cas
1 d −b
A−1 =
ad − bc −c a
⊠
2) Déterminant d'un endomorphisme

Soit E un K-espace vectoriel de dimension nie n.

Dénition 31 (déterminant d'un endomorphisme).
Soit f ∈ L(E). On appelle déterminant de f le scalaire
det(f ) = det(M atB (f ))
où B est une base de E .
Remarque 18.
det(f ) ne dépend pas de la base choisie, car deux matrices qui représentent f sont semblables.
• Soit f ∈ L(E) et λ ∈ K, alors
det(λf ) = λdim(E) det(f )
• Soit f, g ∈ L(E), alors

det(g ◦ f ) = det(g) × det(f )
• Soit f ∈ L(E), alors

f ∈ GL(E) ⇐⇒ det(f ) ̸= 0
Dans ce cas
1
det(f −1 ) =
det(f )
Exemple Soit E un R-espace vectoriel de dimension nie et f ∈ L(E) tel que f 2 = −IdE , alors dim(E) est paire ⊠
Solution
f 2 = −IdE =⇒ det(f 2 ) = det(−IdE )

2
=⇒ (det(f )) = (−1)dim(E) det(IdE )
2
=⇒ (det(f )) = (−1)dim(E)
=⇒ dim(E) est paire, car det(f ) ∈ R ⊠
Exercice 38 (déterminant d'une symétrie)

Soit E un K-espace vectoriel de dimension nie et f une symétrie de E .
① Montrer que E = Ker(f − IdE ) ⊕ Ker(f + IdE ).
① Montrer que det(f ) = (−1)q où q = dim(Ker(f + IdE )).
Solution
① • Soit x ∈ E ,
1 1
x= (x + f (x)) + (x − f (x))
2
| {z } |2 {z }
∈Ker(f −IdE ) ∈Ker(f +IdE )
Alors E = Ker(f − IdE ) + Ker(f + IdE )

• Soit x ∈ Ker(f − IdE ) ∩ Ker(f + IdE ), alors f (x) = x et f (x) = −x, donc x = 0
Alors Ker(f − IdE ) ∩ Ker(f + IdE ) = {0}
On en déduit que E = Ker(f − IdE ) ⊕ Ker(f + IdE ).
② Notons p = dim(Ker(f − IdE )) et q = Ker(f + IdE ) où p + q = dim(E)
Soient (e1 , ..., ep ) une base de Ker(f − IdE ) et (v1 , ..., vq ) une base de Ker(f + IdE )
Comme E = Ker(f − IdE ) ⊕ Ker(f + IdE ), alors
B = (e1 , ..., ep , v1 , ..., vq ) est une base de E adaptée à la somme directe.
On a ∀i ∈ [[1, p]], f (ei ) = ei et ∀i ∈ [[1, q]], f (vi ) = −vi
Alors M atB (f ) = diag(1| 1{z...1}, |−1 − {z 1 ... − 1)
fois fois
}
p q

Par suite
det(f ) = det(M atB (f ))
= det(diag(1
| 1{z...1}, −1 − 1 ... − 1)) = (−1)q ⊠
fois fois
| {z }
p q
3) Déterminant d'une famille de vecteurs

Soit E un K-espace vectoriel de dimension nie n.
Dénition 32 (déterminant d'une famille de vecteurs).

Soit F une famille à n = dim(E) vecteurs de E et B une base de E . On appelle déterminant de F dans la base B le scalaire
det(F) = det(M atB (F))

B
Proposition 46.
Soit F une famille à n = dim(E) vecteurs de E et B une base de E . Alors
•
F est une base de E ⇐⇒ det(F) ̸= 0
B
• Soit f ∈ L(E), alors

det(f (F)) = det(f ) det(F)
B B
Exemple Soit la famille P = (P0 , ..., Pn ) où Pm = (X + 1)m et B = (1, ..., X n ) la base canonique de E = Rn [X], alors
0 1 2 n

0 0 0 ··· 0
1 2 n
0 ···

1 1 1 0 1 n
det(P) = .. .. .. .. = . ... =1
B . . . . 0 1 n
n
0 ··· 0 n
Alors P est une base de E ⊠

Algèbres Linéaires

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

Algèbres Linéaires

Transféré par

Droits d'auteur :

Formats disponibles

Algèbres linéaires

Auteur : ET-TAHRI Fouad

https://ettahrifouad1.wixsite.com/prepasmarrakech 2/45 ettahrifouad1@gmail.com

2) Soit n ∈ N, Kn [X] est un sous espace vectoriel de K[X].

2) Intersection de sous espaces vectoriels

https://ettahrifouad1.wixsite.com/prepasmarrakech 3/45 ettahrifouad1@gmail.com

Exemple vect(∅) = {0} et vect(A) = A ⇐⇒ A est un ss-ev de E . ⊠

En particulier, ∀x, y ∈ E, vect(x) = {λ.x λ ∈ K} et vect(x, y) = {α.x + β.y α, β ∈ K}

4) Somme nie de sous espaces vectoriels

est un sous espace vectoriel de E engendré par F1 ∪ ... ∪ Fp .

Dénition 3 (Somme directe).

https://ettahrifouad1.wixsite.com/prepasmarrakech 4/45 ettahrifouad1@gmail.com

Proposition 4 (Somme directe de 2 ss-ev).

Remarque 3 (cas de deux ss-ev).

Exemple ∀n ∈ N∗ , Mn (R) = Sn (R) ⊕ An (R) ⊠

Donc α + β = 0 et α = 0, ainsi α = β = 0, d'où P = 0.

https://ettahrifouad1.wixsite.com/prepasmarrakech 5/45 ettahrifouad1@gmail.com

https://ettahrifouad1.wixsite.com/prepasmarrakech 6/45 ettahrifouad1@gmail.com

Donc ∀j ∈ [[1, p]], αj = 0, ainsi la famille (fn )n∈N∗ est libre.

https://ettahrifouad1.wixsite.com/prepasmarrakech 7/45 ettahrifouad1@gmail.com

② Une famille innie (xi )i∈I de vecteurs de E est dite génératrice de E si :

Exemple (X k )k∈N est une famille génératrice de K[X]. ⊠

Dénition 7 (Espace de dimension nie).

Exemple ∀A ∈ Mn (K), la famille (In , A, ..., An ) est liée. ⊠

https://ettahrifouad1.wixsite.com/prepasmarrakech 8/45 ettahrifouad1@gmail.com

Théorème 4 (Théorème de la base extraite).

Exercice 6 (Polynômes de Lagrange)

① Soit i, j ∈ [[1, n + 1]], calculer Li (xj ).

D'où ∀j ∈ [[1, n + 1]], αj = 0.

https://ettahrifouad1.wixsite.com/prepasmarrakech 9/45 ettahrifouad1@gmail.com

D'où ∀j ∈ [[1, n + 1]], λj = P (xj ) ⊠

Proposition 7 (produit nie d'espaces vectoriels).

Exemple ∀n ∈ N∗ , dim(E n ) = n dim(E). ⊠

Proposition 8 (somme nie).

https://ettahrifouad1.wixsite.com/prepasmarrakech 10/45 ettahrifouad1@gmail.com

9) Rang d'une famille de vecteurs

rg(x1 , ..., xp ) = dim(vect(x1 , ..., xp ))

https://ettahrifouad1.wixsite.com/prepasmarrakech 11/45 ettahrifouad1@gmail.com

rg(A) = rg(C1 , ..., Cp )

où C1 , ..., Cp ) sont les colonnes de A.

③ ∀(P, Q) ∈ GLn (K) × GLp (K), rg(A) = rg(P A) = rg(AQ)

Exemple Soit r ∈ [[0, min(n, p)]], et Jr ∈ Mn,p (K) dénie par

Remarque 6 (Quelques remarques utiles).

Exercice 8 (Matrice Compagnon)

Si a0 ̸= 0, alors (C1 , ..., Cn ) est libre, donc

Remarque 7 (Méthode pratique ).

Exemple Soit B = (e1 , e2 , e3 ) la base canonique de R3 .

https://ettahrifouad1.wixsite.com/prepasmarrakech 12/45 ettahrifouad1@gmail.com

II) Applications linéaires

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

Notations : on désigne par

② Soit E = C([a, b], K) et f : E −→ K dénie par

https://ettahrifouad1.wixsite.com/prepasmarrakech 13/45 ettahrifouad1@gmail.com

Remarque 9 (Quelques formules).

Exercice 10 (Endomorphisme nilpotent)

https://ettahrifouad1.wixsite.com/prepasmarrakech 14/45 ettahrifouad1@gmail.com

Exercice 11 (Caractérisation d'une homothétie)

donc (λx − λx ).x = 0, comme x ̸= 0, alors λx = λx .

2) Images d'un sous-espace vectoriel

• Si f : K[X] −→ K[X] dénie par f (P ) = P , alors

Ker(f ) = K0 [X] et Im(f ) = K[X]. ⊠

déterminer Ker(f ) et Im(f )

https://ettahrifouad1.wixsite.com/prepasmarrakech 15/45 ettahrifouad1@gmail.com

4) Somme nie de sous espaces vectoriels

Dénition 3 (Somme directe).

② Une famille innie (xi )i∈I de vecteurs de E est dite génératrice de E si :

Dénition 7 (Espace de dimension nie).

Proposition 7 (produit nie d'espaces vectoriels).

Proposition 8 (somme nie).

Exemple Soit r ∈ [[0, min(n, p)]], et Jr ∈ Mn,p (K) dénie par

② Soit E = C([a, b], K) et f : E −→ K dénie par

• Si f : K[X] −→ K[X] dénie par f (P ) = P , alors

Il sut de montrer que Ker(f ) ∩ Im(f ) = {0}

Dénition 16 (Symétrie vectorielle).

Dénition 18 (Noyau et image d'une matrice de Mn,p (K)).