1.

2 Matrice associée à une application linéaire

1.2.1 Applications linéaires

On dit que l’application f : Rn ! Rm est une application linéaire ( f 2 L (Rn ; Rm ) ) ;

si 8 (X; Y ) 2 (Rn )2 ; 8 ; 2 R on a :

f ( X + Y ) = f (X) + f (Y ) :

Dé…nition 1.6 Une application linéaire f : Rn ! Rm est une expression qui trans-
forme un vecteur X = (x1 ; x2 ; :::; xn ) de Rn en un vecteur Z = (z1 ; z2 ; :::; zn ) de Rm ;
où chaque composante zi est donnée par une combinaison linéaire des coordonnées xi :
C’est-à-dire qu’il existe des constantes aij telles que :

0 1
z = a11 x1 + a12 x2 + ::: + a1n xn
0 1 B 1 C
B C
x B z2 = a21 x1 + a22 x2 + ::: + a2n xn C
B 1 C B C
B C B .. C
B x2 C B . C
B
f :X=B C7 B
!Z=B C:
C C
B ::: C B zi = ai1 x1 + ai2 x2 + ::: + ain xn C
@ A B C
B .. C
xn B . C
@ A
zn = am1 x1 + am2 x2 + ::: + amn xn

21
1.2.2 Matrice associée

Une application linéaire f de Rn dans Rm est uniquement déterminée par un tableau

A à m lignes et colonnes de coe¢ cients
0 1
a11 ::: ::: ::: a1n
B C
B C
B ::: ::: ::: ::: ::: C
B C
B C
A = B ai1 ::: aij ::: ain C ;
B C
B C
B ::: ::: ::: ::: ::: C
@ A
am1 ::: ::: ::: amn

où aij est l’élément de A situé sur la i eme ligne et la j eme coonne de A:

Dé…nition 1.7 A s’appelle la matrice de l’application linéaire f , et on écrit A = Mf :

(La matrice associée a l’application f:)

On remarque que
0 1
0 1 a11 ::: ::: ::: a1n 0 1
x B C x1
B 1 C B C
B C B ::: ::: ::: ::: ::: C B C
B x2 C B CB C
B C B CB x2 C
f B . C = B ai1 ::: aij ::: ain C B C;
B .. C B CB .. C
@ A B CB . C
B ::: ::: ::: ::: ::: C @ A
xn @ A xn
am1 ::: ::: ::: amn

= AX; X 2 Rn :

Exemple 1.14 f : R3 ! R3
0 1 0 1
x 2x + 3y + z
B C B C
B C B C
f B y C = B x y + 4z C:
@ A @ A
z 7x y + z

22
 La matrice associée a l’application f est
0 1
2 3 1
B C
B C
Mf = B 1 1 4 C:
@ A
7 1 1

1.3 Application linéaire associée à une matrice

0 1
a ::: ::: ::: a1n
B 11 C
B C
B ::: ::: ::: ::: ::: C
B C
B C
Soit A = B ai1 ::: aij ::: ain C une matrice donnée.
B C
B C
B ::: ::: ::: ::: ::: C
@ A
am1 ::: ::: ::: amn

L’application linéaire associée à la matrice A est dé…nie par

0 1
0 1 a ::: ::: ::: a1n 0 1
x1 B 11 C x1
B B
C B ::: C
B C B ::: ::: ::: ::: C B C
B C B CB C
x2 CB x2 C
fB
B
C=B a
C B i1 ::: aij ::: ain C B C
B
..
C B CB .. C
@
.
A B ::: CB . C
::: ::: ::: ::: C @ A
xn @ A xn
am1 ::: ::: ::: amn

0 1
2 3 1
B C
B C
Exemple 1.15 Soit A = B 1 1 4 C:
@ A
7 0 1

L’application linéaire associée à la matrice A est

0 1 0 10 1
x 2 3 1 x
B C B CB C
B C B CB C
fB y C=B 1 1 4 CB y C
@ A @ A@ A
z 7 0 1 z

23
 0 1
2x + 3y + z
B C
B C
=B x y + 4z C :
@ A
7x z

C-à-d :
f (x; y; z) = (2x + 3y + z; x y + 4z; 7x z) :

1.4 Changement de base, matrice de passage

1.4.1 Espaces vectoriels

Dé…nition 1.8 On dit que l’ensemble non vide E; est un espace vectoriel sur | (| = R ou C)
ou | espace vectoriel si E est muni des deux lois de composition :
Loi de composition interne "addition", véri…ant :
8 (x; y; z) 2 E 3 , on a : (x + y) + z = x + (y + z) :
8 (x; y) 2 E 2 , on a : x + y = y + x:
90E 2 E tel que 8x 2 E; x + 0E = x: (avec 0E élément neutre) :
8x 2 E; 9 x 2 E n x + ( x) = 0E : ( x élément symétrique) :
Loi de composition externe "multiplication par un scalaire", véri…ant :
1) 8 (x; y) 2 E 2 , 8 ; 2 |; on a :
(x + y) = x + y:
( + )x = x + x:
( x) = ( ) x:
2) 91E 2 E tel que 8x 2 E, on a : 1E x = x:

Les éléments de E sont appelés "vecteurs", les éléments de | sont appelés "scalaires".

24
1.4.2 Base d’un espace vectoriel

Une famille (x1 ; x2 ; :::; xn ) de E est dite libre ou les vecteurs (x1 ; x2 ; :::; xn ) sont dits
linéairement indépendants si et seulement si : 8 1; 2; :::; n 2 |;

1 x1 + 2 x2 + ::: + n xn = 0 =) 1 = 2 = ::: = n = 0:

Une famille (x1 ; x2 ; :::; xn ) de E est dite génératrice de E si pour tout vecteur X 2 E
on peut trouver 1; 2; :::; n 2 | tels que

X= 1 x1 + 2 x2 + ::: + n xn :

Dé…nition 1.9 On appelle base d’un espace vectoriel , toute famille (x1 ; x2 ; :::; xn ) libre
et génératrice de E:

Dé…nition 1.10 Soit E un | espace vectoriel; la dimension de E est le cardinal

commun à toutes ses bases. Ce nombre est noté : dim E (lire : dimension de E).

Exemple 1.16 Soit B = f(1; 0; 0) ; (0; 1; 0) ; (0; 0; 1)g ; B est une base de R3 :
En e¤et :

1) B est libre
8 ; ; 2 |;
(1; 0; 0) + (0; 1; 0) + (0; 0; 1) = (0; 0; 0)
=) ( ; ; ) = (0; 0; 0) =) = = = 0:

2) B est une génératrice de R3

8 (x; y; z) 2 R3 ;
(x; y; z) = (1; 0; 0) + (0; 1; 0) + (0; 0; 1) = ( ; ; ) ; donc
9 ( ; ; ) = (x; y; z) :

25
 Ainsi, dim B = 3:

1.4.3 Matrice de passage

Soit E un espace vectoriel et B1 = (u1 ; u2 ; :::; un ) ; B2 = (v1 ; v2 ; :::; vn ) deux bases de

E:
On écrit les vecteurs de la base B2 dans la base B1 :

X
n
vj = pij ui ; j = 1; n
i=1

ou, la matrice de passage P de B1 à B2 est la matrice carée (n; n) :

P = (pij )n;n

Exemple 1.17 Soit B1 = f(1; 0; 0) ; (0; 1; 0) ; (0; 0; 1)g et B1 = f(1; 4; 2) ; (4; 1; 0) ; (6; 0; 0)g
deux bases de R3 :
(1; 4; 2) = (1; 0; 0) + 4 (0; 1; 0) + 2 (0; 0; 1) ;
(4; 1; 0) = 4 (1; 0; 0) + 1 (0; 1; 0) + 0 (0; 0; 1) ;
(6; 0; 0) = 6 (1; 0; 0) + 0 (0; 1; 0) + 0 (0; 0; 1) :

La matrice de passage P de B1 à B2 est la matrice carée (3; 3) :

0 1
1 4 6
B C
B C
P =B 4 1 0 C
@ A
2 0 0

Exemple 1.18 Soit f l’application linéaire de R3 dans R2 dé…nie par :

f (x; y; z) = (x + y z; x 2y + 3z) :

Soit, B = fe1 ; e2 ; e3 g = f(1; 0; 0) ; (0; 1; 0) ; (0; 0; 1)g la base canonique de R3 ;

26
 B 0 = (w1 ; w2 ) = f(1; 0) ; (0; 1)g la base canonique de R2 :

1) La matrice de f dans les bases B et B 0 ; M (f; B; B 0 ):

On a :

f (e1 ) = f (1; 0; 0) = (1; 1) = (1; 0) + (0; 1) = w1 + w2 :

0 1
1
La première colonne de la matrice M (f; B; B 0 ) est donc, @ A :
1

De même
f (e2 ) = f (0; 1; 0) = (1; 2) = w1
2w2 :
0 1
1
La deuxième colonne de la matrice M (f; B; B 0 ) est donc, @ A:
2
En…n
f (e3 ) = f (0; 0; 1) = ( 1; 3) = w1 + 3w2 :
0 1
1
La troisième colonne de la matrice M (f; B; B 0 ) est donc, @ A:
3
Ainsi,
0f (e1 ) f (e2 ) f (e3 )1
1 1 1
M (f; B; B 0 ) = @ A:
1 2 3

2) On va maintenant changer la base de l’espace de départ et celle de l’espace d’arrivée.

Quelle est la matrice de f dans les nouvelles bases M (f; B0 ; B00 ) ?
Soient les vecteurs :

1 = (1; 1; 0) ; 2 = (1; 0; 1) ; 3 = (0; 1; 1)

'1 = (1; 0) ; '2 = (1; 1) :

27
 On montre facilement que :
B0 = f 1 ; 2 ; 3 g est une base de R3 ;
et B00 = f'1 ; '2 g est une base de R2 :

- Quelle est la matrice de f dans les bases B0 et B00 ?

On a :
f ( 1 ) = f (1; 1; 0) = (2; 1) = 3'1 '2 :

f ( 2 ) = f (1; 0; 1) = (0; 4) = 4'1 + 4'2 :

f ( 3 ) = f (0; 1; 1) = (0; 1) = '1 + '2 :

Donc, 0 1
3 4 1
M (f; B0 ; B00 ) = @ A:
1 4 1

* Cet exemple illustre bien le fait que la matrice dépend du choix des bases.

1.4.4 Rang d’une famille de vecteurs

Le rang d’une famille de vecteurs est la dimension du plus petit sous-espace vectoriel
contenant tous ces vecteurs.

Dé…nition 1.11 Soit E un | espace vectoriel et soit fv1 ; :::; vp g une famille …nie de
vecteurs de E. Le rang de la famille fv1 ; :::; vp g ; "noté rg" est la dimension du sous-
espace vectoriel V ect (v1 ; :::; vp ) engendré par les vecteurs v1 ; :::; vp : Autrement dit :

rg (v1 ; :::; vp ) = dim V ect (v1 ; :::; vp ) :

Si E est de dimension …nie alors, rg (v1 ; :::; vp ) dim E

Le rang d’une famille vaut 0 si et seulement si tous les vecteurs sont nuls.

Exemple 1.19 Soient v1 = (1; 0; 1; 0) ; v2 = (0; 1; 1; 1) ; v3 = ( 1; 1; 0; 1) :

28
 Quel est le rang de la famille fv1 ; v2 ; v3 g dans l’espace vectoriel R4 ?

v1 ; v2 ; v3 sont des vecteurs de R4 donc

rg (v1 ; v2 ; v3 ) 4:

Mais comme il n’y a que 3 vecteurs alors,

rg (v1 ; v2 ; v3 ) 3:

Il reste donc à déterminer si le rang vaut 1; 2 ou 3. On cherche si la famille

fv1 ; v2 ; v3 g est libre ou liée en résolvant le système linéaire :
v1 + v2 + v3 = (0; 0; 0) ; 8 ; ; 2 |:
On trouve : que la famille est donc liée.
Ainsi V ect (v1 ; v2 ; v3 ) = V ect (v1 ; v2 ) :

Il est clair que v1 et v2 sont linéairement indépendants, donc :

rg (v1 ; v2 ; v3 ) = dim V ect (v1 ; v2 ; v3 ) = dim V ect (v1 ; v2 ) = 2:

1.4.5 Rang d’une application linéaire, rang d’une matrice asso-

ciée

Dé…nition 1.12 Soit A 2 Mnm (R) ; on appelle rang de la matrice A, on note rg(A) le
nombre de vecteurs colonnes de A linéairement indépendantes.
0 1
1 2 1
B C
B C
Exemple 1.20 Soit A = B 4 0 2 C ; Calculer le rang de la matrice A:
@ A
0 2 6
Comme,
det A = 44 6= 0;

29
alors : les vecteurs colonnes de A sont linéairement indépendantes et

rg(A) = 3:

Si det A = 0; alors : rg(A) 2:

Théorème 1.2 Soient E et F deux | espaces vectoriels de dimenssion …nie, B une

base de E; B 0 une base de F et f 2 L (E; F ) : Alors

rg (f ) = rg (M (f; B; B 0 )) :

Exemple 1.21 Soit f : R3 ! R2 l’application linéaire dé…nie par :

f (x; y; z) = (3x 4y + 2z; 2x 3y z) :

Quel est le rang de f ?

0 1 0 1 0 1
1 0 0
B C B C B C
B C B C B C
Si on note, e1 = B 0 C ; e2 = B 1 C ; e3 = B 0 C ;
@ A @ A @ A
0 0 1
3
alors (e1 ; e2 ; e3 ) est la base canonique de R :
Il s’agit de trouver le rang de la famille fv1 ; v2 ; v3 g ; où
0 1
1 0 1
B C 3
B C
v1 = f (e1 ) = f B 0 C = @ A;
@ A 2
0
0 1
0 0 1
B C 4
B C
v2 = f (e2 ) = f B 1 C = @ A;
@ A 3
0

30
 0 1
0 0 1
B C 2
B C
v3 = f (e3 ) = f B 0 C = @ A:
@ A 1
1
0 1
3 4 2
Ce qui revient au même, trouver le rang de la matrice :@ A:
2 3 1

La famille fv1 ; v2 ; v3 g est donc liée. (la véri…cation est laissée au lecteur)
Ainsi,
rg (v1 ; v2 ; v3 ) = dim V ect (v1 ; v2 ; v3 ) = dim V ect (v1 ; v2 ) 2;

les vecteurs v1 ; v2 ; v3 ne sont pas tous nuls, donc : rg (v1 ; v2 ; v3 ) 1:

Il est facile de voir que les vecteurs v1 ; v2 sont linéairement indépendants, donc le rang
est 2:

rgf = rg (f (e1 ) ; f (e2 ) ; f (e2 )) = dim V ect (v1 ; v2 ; v3 ) = dim ect (v1 ; v2 ) = 2 = rg(A):

Remarque : il est encore plus facile de voir que le rang de la matrice A est 2; en
remarquant que ses deux seules lignes ne sont pas colinéaires
(autrement dit que ses deux vecteurs lignes sont linéairement indépendants)

Théorème du rang

Le théorème du rang est un résultat fondamental dans la théorie des applications

linéaires en dimension …nie. On se place toujours dans la même situation :
f : E ! F; est une application linéaire entre deux | espaces vectoriels.
E est un espace vectoriel de dimension …nie.
Le noyau de f est

ker f = fx 2 E n f (x) = 0F g ;

31
c’est un sous-espace vectoriel de E, donc ker f est de dimension …nie.
L’image de f est

Im f = f (E) = ff (x) n x 2 Eg ;

c’est un sous-espace vectoriel de F et est de dimension …nie.

rg (f ) = dim Im f:

Théorème 1.3 (Théorème du rang)

Soit f : E ! F une application linéaire entre deux | espaces vectoriels, E étant de
dimension …nie. Alors
dim E = dim ker f + dim Im f:

Dans la pratique, cette formule sert a déterminer la dimension du noyau connaissant

le rang, ou bien le rang connaissant la dimension du noyau.

Exemple 1.22 Soit l’application linéaire

f : R 4 ! R3

(x; y; z; t) 7 ! (x y + z; 2x + 2y + 6z + 4t; x 2z t) :

Calculons le rang de f et la dimension du noyau de f:

Première méthode.
On calcule d’abord le noyau.

(x; y; z; t) 2 ker f () f (x; y; z; t) = (0; 0; 0) ;

() (x y + z; 2x + 2y + 6z + 4t; x 2z t) = (0; 0; 0) ;

32
 8
>
> x y+z =0
>
<
() 2x + 2y + 6z + 4t = 0 :
>
>
>
: x 2z t=0

On résout ce système, on choisit z et, t comme paramètres on trouve :

8
< x = 2z t
;
: y= z t

alors

ker f = f( 2z t; z t; z; t) = z; t 2 Rg ;

= fz ( 2; 1; 1; 0) + t ( 1; 1; 0; 1)g ;

= V ect f( 2; 1; 1; 0) ; ( 1; 1; 0; 1)g :

ker f est engendré par deus vecteurs : ( 2; 1; 1; 0) et ( 1; 1; 0; 1) :

Les deux vecteurs qui engendre le noyau sont linéairement indépendants.
Donc,
dim ker f = 2:

On applique maintenant le théorème du rang pour en déduire sans calculs la dimension

de l’image :

dim Im f = dim R4 dim ker f = 4 2 = 2 = rgf:

Deuxième méthode.
On calcule d’abord l’image.

Im f = f (x; y; z; t) = (x; y; z; t) 2 R4 ;

= (x y + z; 2x + 2y + 6z + 4t; x 2z t) = (x; y; z; t) 2 R4 ;

33
 = x (1; 2; 1) + y ( 1; 2; 0) + z (1; 6; 2) + t (0; 4; 1) = (x; y; z; t) 2 R4 ;

= V ect f(1; 2; 1) ; ( 1; 2; 0) ; (1; 6; 2) ; (0; 4; 1)g

= V ect ff (e1 ) ; f (e2 ) ; f (e3 ) ; f (e4 )g ;

où (e1 ; e2 ; e3 ; e4 ) est la base canonique de R4 :

On réduit la matrice A, formée des vecteurs colonnes, sous une forme échelonnée
0 1 0 1
1 1 1 0 1 0 0 0
B C B C
B C B C
A=B 2 2 6 4 C B 2 4 0 0 C:
@ A @ A
1 0 2 1 1 1 0 0

Donc le rang de A est 2; ( c’est-à-dire : la famille de vecteurs ff (e1 ) ; f (e2 ) ; f (e3 ) ; f (e4 )g
est liée )
Ainsi,

rgf = dim Im f = dim V ect ff (e1 ) ; f (e2 ) ; f (e3 ) ; f (e4 )g = 2:

Maintenant, par le théorème du rang :

dim ker f = dim R4 rgf = 4 2 = 2:

On trouve bien sûr le même résultat par les deux méthodes.

1.5 Exercices résolus

Exercice
0 1.1 1ɤectuer les produits suivants 0
lorsque c’
1est possible. Si non, dire pourquoi.
2 5 0 1 0 1 2 5
B C 2 5 2 5 B C
B C AB C
a) B 3 6 C @ A ; b) @ B 3 6 C;
@ A 4 6 4 6 @ A
4 7 4 7

34