PHY 142 : Algèbre linéaire et calcul

diérentiel

Enseignant : Pr Dafounansou Ousmanou

Année académique :

May 23, 2023

Plan du cours 0.1 Tout au long de ce cours, nous repartirons les enseigne-
ments comme suit :
1- Chapitre 1
a- Séance 1
∗ Espace vectoriel
b- Séance 2
∗ Famille de vecteurs
∗ Bases

2- Chapitre 2
a- Séance 1
∗ Noyau d'une application linéaire
b- Séance 2
∗ Image d'une application linéaire

3- Chapitre 3
a- Séance 1
∗ Somme des matrices
∗ Produit des matrices
b- Séance 2
∗ Transposée d'une matrice
∗ Matrice carrée
∗ Rang d'une matrice

4- Chapitre 4
a- Séance 1
∗ Matrice d'une application linéaire
b- Séance 2
∗ Changement de base

1
Chapter 1

Espaces vectoriels

1.1 Espaces vectoriels et sous espaces vecto-

riels

Dénition 1.1 (dénition axiomatique) Soit un ensemble E, on dit que

E est un K-espace vectoriel si on peut le munir d'une opération interne "+"
et d'une opération externe "." telles que :
• ∀ x, y ∈ E , x + y = y + x c'est la commutativité.

• ∀ x, y, z ∈ E , (x + y) + z = x + (y + z) c'est l'associativité.

• ∃ θE ∈ E tel que ∀ x ∈ E , on a x + θE = θE + x = x, on dit que θE est

l'élément neutre de E.
• ∀ x ∈ E , ∃ x ∈ E tel que x + x = x + x = θE , on dit que x est le
0 0 0 0

symétrique de x.
* ∀ x, y ∈ E , ∀ λ ∈ K, on a λ.(x + y) = λ.x + λ.y;
* ∀ x ∈ E , ∀ λet µ ∈ K, on a (λ + µ).x = λ.x + µ.x;
* ∀ x ∈ E , ∀ λet µ ∈ K, on a λ.(µ.x) = (λ.µ).x;
* ∀ x ∈ E , 1K .x = x.
Les éléments de E sont appelés vecteurs et ceux de K sont appelés scalaires(nombres).
R2 , R3 , · · · , Rn sont des espaces vectoriels de dimension respective 2, 3 et n.
On peut citer d'autres exemples d'espaces vectoriels, K-ev:

2
 • K[X] c'est l'ensemble des polynômes en X à coecients dans le corps
K
Kn [X] est l'ensemble des polynômes en X à coecients dans le corps
K de dégré ≤ n

P (X) = 1 + X 2 + 3X 3 ∈ R3 [X]
H(X) = X + (1 + i)X 2 ∈ C2 [X]

• l'ensemble des matrices (Mn , K): ensemble des matrice n × n à coe-

cients dans le corps K.
• l'ensemble F (R, R) des fonctions dénies de R à valeurs dans R

• l'ensemble des suites à valeurs réelles ou complexes.

Dénition 1.2 SoitF une partie de E (E = Kev), on dit que F est un

sous-espace vectoriel de E si:
• F 6= φ;

• ∀ x, y ∈ F , x + y ∈ F ;

• ∀ x ∈ F , λ ∈ K, λ.x ∈ F .

Remarque 1.1 Les deux derniers points de la dénition peuvent simplement

se généraliser en:
∀ x, y ∈ F et ∀ α, β ∈ R, α.x + β.y ∈ F .

Théorème 1.1 (caractérisation) F est un sev de E ssi

• θE ∈ F , le vecteur nul de E est dans F;

• ∀ x, y ∈ F , x + y ∈ F ;

• ∀ x ∈ F , λ ∈ K, λ.x ∈ F .

Exemple 1.1 (trivial) {0E } est un sev de E, le vecteur nul à lui seul forme
un sev.
Exemple 1.2 Soit C n (R → R) l'ensemble des fonctions n fois dérivables
dénies de R → R, C n est bel et bien un ev en tant que sev de F (R, R) .

• la fonction nulle est évidemment de classe C n

3
 • Soient f et g deux fonctions de C n , (f + g) ∈ C n car la somme de deux
fonctions n fois dérivables est n fois dérivable.
• Soit f une fonction n fois dérivable et λ ∈ R, alors λ.f ∈ C n .

Exemple 1.3 Soit F = {(x, y, z) ∈ R/x + 2y − 3z = 0}.

On montre queF est un sev de E.
• 0 est un élément de E en eet
0 + 2(0) − 3(0) = 0, 0E ∈ F donc F 6= φ.

• Soit (x, y, z) et (x , y , z ) ∈ F
0 0 0

0 0 0 0 0 0
(x, y, z) + (x , y , z ) = (x + x , y + y , z + z ),
0 0 0 0 0 0
(x + x ) + 2(y + y ) − 3(z + z ) = x + 2y − 3z + x + 2y − 3z ,
= 0.

(x, y, z) + (x , y , z ) ∈ F .
0 0 0

• Soit (x, y, z) et λ ∈ R, λ.(x, y, z) = (λ.x, λ.y, λ.z)

λ.x + 2λ.y − 3λ.z = λ.(x + 2y − 3z),

= λ.0,
= 0.

λ.(x, y, z) ∈ F .

D'après ce qui précède, F est un sev de R3 .

Proposition 1.1 L'intersection de deux sev de E est un sev de E .
Preuve 1.1 • θE ∈ F , θE ∈ G car F et G sont deux s.e.v de E ⇒
θE ∈ F ∩ G;

• soient x, y ∈ F ∩ G, x + y ∈ F et x + y ∈ G car F et G sont des sev,

⇒ x + y ∈ F ∩ G;

• soit x ∈ F ∩ G, λ ∈ R on a λ.x ∈ F et λ.x ∈ G car F, G sev ⇒ ,

λ.x ∈ f ∩ G.

4
1.2 Famille de vecteurs

Dénition 1.3 Soit n ∈ N∗ , une famille de n vecteurs de E est un n uplets

d'éléments de E .
Soit (u1 , u2 , · · · , un ) ∈ E n une famille de E et (λ1 , λ2 , · · · , λn ) ∈ Kn .
On appelle combinaison linéaire des vecteurs ui aectée des coecients
λi , i ∈ (1, 2, · · · , n) le vecteur
n
X
u = λ1 u1 + λ2 u2 + · · · + λn un = λi u i .
i=1

Notation 1.1 Soit (u1 , u2 , · · · , un ) une famille de E . On note vect(u1 , u2 , · · · , un )

l'ensemble des combinaisons linéaires des vecteurs (u1 , u2 , · · · , un ).
Théorème 1.2 Soit (u1 , u2 , · · · , un ), vect(u1 , u2 , · · · , un ) est un espace vec-
toriel.
Preuve 1.2
Il s'agit de remarquer que
• On a vect(u1 , u2 , · · · , un ) ⊂ E , par dénition, (u1 , u2 , · · · , un ) est une
famille de E .
• 0E = 0u1 + 0u2 + · · · + 0un , 0E ∈ vect(u1 , u2 , · · · , un ).

• Soient u, v ∈ vect(u1 , u2 , · · · , un ), u + v ∈ vect(u1 , u2 , · · · , un ).

• Soit u ∈ vect(u1 , u2 , · · · , un ) et λ ∈ K λu ∈ vect(u1 , u2 , · · · , un ).

Conséquence 1.1 Tout ensemble qui s'écrit sous la forme vect(u1 , u2 , · · · , un )

est un espace vectoriel.
Dénition 1.4 (famille génératrice) Une famille (u1 , u2 , · · · , un ) de E
est dite génératrice si tout vecteur de E s'écrit comme combinaison linéaire
des vecteurs u1 , u2 , · · · , un .
∀x ∈ E ∃ (λ1 , λ2 , · · · , λn ) ∈ Kn
n
X
x = λ1 u1 + λ2 u2 + · · · + λn un = λi ui .
i=1

5
Ainsi, on dit que la famille (u1 , u2 , · · · , un ) engendre E et on note :
E = vect(u1 , u2 , · · · , un ).

Exemple 1.4 La famille

  ((1, 0, 0), (0, 1, 0), (0, 0, 1)) est génératrice de R .
3

a
En eet tout vecteur  b  de R3 peut s'écrire
c
       
a 1 0 0
 b  = a 0 + b 1 + c 0 .
c 0 0 1

Exemple 1.5 R2 [X] est l'ensemble des polynômes en X de degré ≤ 2, (1, X, X 2 )

est une famille génératrice de R2 [X], également (1, X, X + X 2 ) mais pas
(1, X 2 ).

Proposition 1.2 (propriétés de familles génératrices) Soit u1 , u2 , · · · , un ∈

E . On pose F = vect(u1 , u2 , · · · , un ). On ne change pas l'ev F si

• On permute plusieurs vecteurs dans la famille (u1 , u2 , · · · , un ). Autrement

dit l'ordre n'importe pas.
• On ajoute à la famille un vecteur qui est combinaison linéaire de u1 , u2 , · · · , un .

• Si on retranche à la famille un vecteur combinaison linéaire des autres.

• Si on multiplie l'un des vecteurs par un scalaire non nul.

Proposition 1.3 Toute famille de vecteur E qui contient une famille généra-
trice de E est génératrice de E .
Dénition 1.5 (famille libre) Une famille (u1 , u2 , · · · , un ) de E est dite
libre si on a:
λ1 u1 + λ2 u2 + · · · + λn un = 0E ⇒ λ1 = λ2 = · · · = λn = 0.

On dit alors que les vecteurs u1 , u2 , · · · , un sont linéairement indépen-

dants.
Proposition 1.4 • Une famille est liée dès qu'elle contient le vecteur
nul.
• Une famille composée d'un seul vecteur non nul est libre.

6
Preuve 1.3 à prouver!
Théorème 1.3 (caractérisation des familles liées) La famille u1 , u2 , · · · , un
est liée si et seulement si un des vecteurs est combinaison linéaire des n − 1
autres.
Preuve 1.4 ⇒ On suppose la famille liée. C'est-à-dire ∃ (λ1 , λ2 , · · · , λn ) ∈
Kn / λ1 u1 + λ2 u2 + P·n· · + λn un = 0E , soit j / λj 6= 0, on peut toujours
retrouver uj = − λj i=1,i6=j λi ui .
1

⇐ si on a uj = ni=1 λi ui alors uj − ni=1 λi ui = 0, on peut alors réécrire

P P
λ1 u1 +λ2 u2 +· · ·+(−uj )+· · ·+λn un = 0, les n uplets (λ1 , λ2 , · · · , −1, · · · , λn )
non tous nuls, donc la famille est liée. .
Théorème 1.4 (caractérisation de la famille libre) La famille (u1 , u2 , · · · , un )
est libre si et seulement si ∀ x ∈ vect(u1 , uP
2 , · · · , un ), ∃! (unique) (λ1 , λ2 , · · · , λn )
∈ Kn / x = λ1 u1 + λ2 u2 + · · · + λn un = ni=1 λi ui .
On a donc l'unicité de la décomposition.
Preuve 1.5 - ⇒ Supposons que la famille est libre
Soit x ∈ vect(u1 , u2 , · · · , un ), x = λ1 u1 + λ2 u2 + · · · + λn un = ni=1 λi ui
P
écrivons x d'une autre manière i.e x = λ01 u1 + λ02 u2 + · · · + λ0n un . En
faisant la diérence (λ1 − λ01 )u1 + (λ2 − λ02 )u2 + · · · + (λn − λ0n )un = 0,
d'après l'hypothèse on a: λi − λ0i = 0 donc ⇒ λi = λ0i ∀ i ∈ [1, ...n],
d'où l'unicité d'une décomposition.
- ⇐ Supposons l'unicité de la décomposition
Soit (λ1 , λ2 , · · · , λn ) ∈ Kn / λ1 u1 + λ2 u2 + · · · + λn un = 0E comme on
peut encore écrire avec 0E = 0u1 + 0u2 + · · · + 0un , d'après l'hypothèse
on a λ1 = λ2 = · · · = λn = 0. par conséquent la famille est libre.
Proposition 1.5 1- Toute sous famille d'une famille libre est libre.
2- Toute famille contenant une famille liée est liée.
3- Une famille de polynômes échelonnés en degré est libre.
(1, X, X 2 , X 3 ) et (1, X, X + X 3 , 1 + X 2 ) sont des familles libres de
R3 [X].
(1, X 2 , 1 + X 2 ) non échelonnée, par conséquent elle peut etre soit libre
ou liée. on verife bien que cette famille est liée.
Preuve 1.6 (par récurrence) P(0): un monôme quelconque (p) libre
P(n): supposons que (p1 , p2 , · · · , pn ) échelonnée libre
P(n + 1): λ1 pP 1 + λ2 p2 + · · · + λn pn + λn+1 pn+1 = 0

i=1 λi pi impossible
1 n
pn+1 = − λn+1
λn+1 = 0 ⇒ (p1 , p2 , · · · , pn , pn+1 ) libre.

7
1.3 Bases

Dénition 1.6 Une base d'un espace vectoriel E est une famille libre et
génératrice.
Théorème 1.5 La famille (u1 , u2 , · · · , un ) est une base de E si et seulement
si ∀ x ∈ E , ∃ un unique (λ1 , λ2 , · · · , λn ) ∈ Kn tel que x = λ1 u1 + λ2 u2 +
· · · + λn un .

Dénition 1.7 (espace vectoriel de dimension nie) Un espace vecto-

riel de dimension nie est un ev qui admet une famille génératrice nie.
Exemple 1.6 R3 , Rn , Mn .

Théorème 1.6 (théorème de base extraite) Soit E un ev admettant une

famille génératrice nie F , alors F contient une sous famille qui est une base
de E .
Dénition 1.8 Soit E un ev de dimension nie. Toutes les bases de E ont
le même cardinal dimE = cardinal.
Théorème 1.7 (théorème de base incomplète) Soient E un espace vec-
toriel de dimension n et F une famille libre de E . On peut compléter F en
une base de E .
Théorème 1.8 Soient E un espace vectoriel de dimension n et F une famille
libre de E . Alors Card(F) ≤ n, et si Card(F) = n, c'est une base de E.
Théorème 1.9 Soit F un sous-espace vectoriel de E , E de dimension nie.
Alors F est de dimension nie et dimF ≤ dimE . De plus, si dimF =
dimE alors F = E .

8
 Université de Douala Année académique

PHY 142 : Algèbre linéaire et calcul diérentiel

Travaux dirigés N◦1 : Espaces Vectoriels
Exercice 1.1 Montrer que
G = {(x + y, x − y, 2y) ∈ R3 /(x, y) ∈ R2 }

est un sous-espace vectoriel de R3 .

Exercice 1.2 Soit E l'espace vectoriel des fonctions réelles dénies sur R.
Parmi les sous-ensembles suivants, quels sont ceux qui possèdent une struc-
ture de sous-espace vectoriel (sev) ?
• le sous-ensemble EP des fonctions positives.

• le sous-ensemble E1 des fonctions qui s'annulent en 1.

• le sous-ensemble Einf des fonctions qui tendent vers +∞ lorsque x tend

vers +∞.
Exercice 1.3 Démontrer que:
• une famille (u1 , · · · , un ) est liée si et seulement si (au moins) un des
vecteurs est combinaison linéaire des n − 1 autres.
• Toute famille (u1 , · · · , un ) contenant une famille liée est liée.

Exercice 1.4 Les familles suivantes de R3 sont-elles libres ou liées ?

         
1 −1 −1 1 2
F1 =  −1 , 1 , −1
      , F2 =   −1 , −1 ,
 
−1 −1 1 1 1
             
1 1 3 1 −1 −1 1
F3 =  −1 , 1 , 1
      , F4 =   −1 , 1 , −1 , 1  .
     
−1 1 1 −1 −1 1 −3

Exercice 1.5 Soient les familles (1, X 2, 1 + X 2) et (1, X 2, 1 + X + X 2) dites

si elles ∈ R3 [X]; si elles sont génératrices de R3 [X]; et si elles sont libres.

9
Exercice 1.6 Montrer que les familles (1, X, X + X 2) et (1, X − 1, X 2, X −
X 2 ) sont génératrices de R2 [X].

Exercice 1.7 Montrer que la familles (1, X 2 + 2, X 2 − 3X) est une base de
R2 [X].

Exercice 1.8 Démontrer la proposition suivante :

Une famille de polynômes non nuls échelonnés en degré est libre.
Exercice 1.9 Soit F l'ev des fonctions réelles dénies sur R.
Soient les fonctions suivantes :
f1 : x → x2 + x − 1,
f2 : x → 2x,
f3 : x → cos x,
f4 : x → sin x.

1- Est-ce que {f1 , f2 } est libre ?

2- Est-ce que {f3 , f4 } est libre ?
Exercice 1.10 Soit F un sev de R3 tel que:
F = {(x, y, z) ∈ R3 / 2x + y + 3z = 0}.
Soit v1 = (1, −2, 0) et v2 = (0, −3, 1). Montrer que {v1 , v2 } forme une base
de F .
Université de Douala Année académique :

PHY 142 : Algèbre linéaire et calcul diérentiel

Travaux dirigés N◦2 : Espaces vectoriels (Suite)
Exercice 1.11 1- Montrer que l'équation 2x + y − z = 0 dénit un plan
vectoriel de R3 et en déterminer une base.
2- Montrer que le système d'équation :

x + y − z = 0,
x + 2z = 0,

dénit une droite vectorielle de R3 et en déterminer une base.

10
  
1
3- On considère la droite D = V ect(u) avec u = 1. Trouver un sys-

1
tème d'équations (comme dans la question précédente) permettant de
dénir D.
Exercice 1.12 Les ensembles suivants sont-ils des sous-espaces vectoriels
de R3 ? Si oui, en déterminer une base et préciser leur dimension.
1. A = {(x, y, z) ∈ R3 / x + 2y − 3z = 0},
2. B = {(x + y, x − y, 2y) ∈ R3 / (x, y) ∈ R2 },
3. C = {(x, y, z) ∈ R3 / x + 2y − z = 2},
4. D = {(2x − 3y, x + 1, −x + 3y) ∈ R3 / (x, y) ∈ R2 },
5. E = {(x, y, z) ∈ R3 / 2x = y et y = 3z}.

Montrer également que R3 = B ⊕ E

Exercice 1.13 On considère les deux ensembles suivants :
E = {(x, y, z, t) ∈ R4 / x − y + z − t = 0},
F = {(x, y, z, t) ∈ R4 / x = y}.

1. Montrer que E et F sont des sous-espaces vectoriels de R4 .

2. Déterminer une base de E et F puis de E ∩ F .
Exercice 1.14 On considère les deux espaces vectoriels :
  
x − y + t = 0,
F = (x, y, z, t) ∈ R /
4
2x + z = 0,

G = {λ(1, 1, 2, 0) + µ(2, 0, 1, 1) / (λ, µ) ∈ R2 }.

Déterminer une base de F et trouver un système d'équations vériées par les

éléments de G. F et G sont -ils supplémentaires dans R4 ?
Exercice 1.15 E = R4 [X] et F = {P ∈ E / P (0) = P (0) = P (1) = 0}.
0 0

Montrer que F est un espace vectoriel, déterminer une base de F et préciser

sa dimension.
Montrer que G = V ect(1, X, 1 + X + X 2 ) est un supplémentaire de F dans
E.

11
Exercice 1.16 On considère l'équation diérentielle y 0
+ x2 y = 0.

1- Montrer, sans la résoudre, que l'ensemble des solutions sur R est un

espace vectoriel.
2- Retrouver ce résultat en résolvant l'équation et déterminer une base de
cet espace.

12
Chapter 2

Applications linéaires

Dénition 2.1 f est une application linéaire de E vers F si:

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

• ∀ λ ∈ K, ∀ x ∈ E , f (λx) = λf (x).

Exercice 2.1 Vérier que

f : R2 → R3
(x, y) → (x + 2y, −x, 2y),

est une application linéaire.

L'ensemble des applications linéaires de E vers F est noté L(E, F ).
Proposition 2.1 Si f est une application linéaire de E vers F , alors
f (θE ) = θF .

Preuve 2.1 on a:
f (θE ) = f (θE + θE ),
= f (θE ) + f (θE ),
= 2f (θE )
⇒ f (θE ) = θF .

Exercice 2.2 Soit ρ : R2 → R2 / ρ(x, y) = (x + 2y + 1, x − y). Vériez que

cette application n'est pas linéaire.
Proposition 2.2 Soient f et g, deux applications linéaire de E vers F , α, β
∈K

13
 • αf + βg et gof sont des applications linéaires;
• si f est bijective alors f −1 est aussi une application linéaire;
• l'ensemble (L(E, F ), +, .) est un K ev.
• si E et F sont des ev de dimensions nies, L(E, F ) est un K-ev de
dimension nie et sa dimension est donnée par:
dimL(E, F ) = dimE × dimF.

Dénition 2.2 • un endomorphisme de E est une application linéaire

de E dans lui même. Il est noté L(E);
• un isomorphisme de E est une application linéaire bijective;
• un automorphisme de E est un endomorphisme bijectif. On le note
GL(E);
• une forme linéaire est une application linéaire à valeur dans K (Les
images sont dans K).

2.1 Noyau et image d'une application linéaire

Dénition 2.3 On appelle noyau de l'application linéaire f noté Ker(f )

l'ensemble déni par:
Ker(f ) = {x ∈ E /f (x) = 0F }.

Théorème 2.1 Ker(f ) est un sev de E .

Preuve 2.2 • θE ∈ ker(f );
• soient x, y ∈ ker(f ), x + y ∈ ker(f ) car f (x + y) = f (x) + f (y) = 0F ;
• si λ ∈ K et x ∈ ker(f ), f (λx) = λf (x) = 0F .
L'application linéaire f est injective si et seulement si Ker(f ) = θE .
Preuve 2.3 * Supposons que f est injective
f injective:

⇒ f (x) = f (y) ⇒ x = y,
f (x) = θF = f (θE ),

d'après l'hypothèse x = θE .

14
 * Supposons que Ker(f ) = θE
f (x) = f (y) ⇒ f (x − y) = 0F ,
or f (x − y) = f (x) − f (y) = 0F ,
d'après l'hypothèse x − y = θE ⇒ x = y.
Par conséquent f est injective.
Dénition 2.4 On appelle image de f notée Im(f ) l'ensemble déni par:
Im(f ) = {y ∈ F /∃x ∈ E, y = f (x)}.
Théorème 2.2 Im(f ) est un sev de F
Théorème 2.3 soient E et F deux ev, E étant supposé de dimension nie et
f ∈ L(E, F ), si (e1 , e2 , · · · , en ) est une base de E alors Im(f ) = vect(f (e1 ), f (e2 ), · · · , f (en ))
. Ainsi Im(f ) est engendré par les images des vecteurs de la base.
Dénition 2.5 Soit f : E → F , E de dimension nie alors Im(f ) est de
dimension nie et dimIm(f ) est notée rg(f ).
Théorème 2.4 L'application linéaire f est surjective si et seulement si
Im(f ) = F .
Corollaire 2.1 Si f ∈ L(E, F ) et E de dimension nie, alors f est surjec-
tive si et seulement si rg(f ) = dimF .
Théorème 2.5 (Théorème du rang) On suppose toujours E de dimen-
sion nie et f une application f : E → F alors dimE = dimKer(f ) +
dimIm(f ).
Théorème 2.6 f est un endomorphisme de E , alors f injective ⇐⇒ f
surjective ⇐⇒ f bijective.
Exemple 2.1 f endomorphisme de R3 déni par f (x, y, z) = (2x − y, y +
z, z − x).
• Etudions la surjectivité
il sut de chercher l'image de f Im(f )
Im(f ) = vect(f (e1 ), f (e2 ), · · · , f (en )),
f (e1 ) = (2, 0, −1),
f (e2 ) = (−1, 1, 0),
f (e3 ) = (0, 1, 1),
⇒ Im(f ) = vect((2, 0, −1), (−1, 1, 0), (0, 1, 1)).

15
 et on a det[vect((2, 0, −1), (−1, 1, 0), (0, 1, 1))] 6= 0 ⇒ dimIm(f ) = 3 ;
Im(f ) = R3 . Alors l'application f est surjective. Or en tant qu'endomorphisme,
f est injective d'où f est bijective.
Corollaire 2.2 Soient E et F deux ev de dimension nie, E et F sont
isomorphes si et seulement si dimE = dimF .
Théorème 2.7 Soit f ∈ L(E, F ), f est un isomorphisme si et seulement si
∃ une base B de E / f (B) = B soit une base de F .
0

Université de Douala Année académique :

PHY 142 : Algèbre linéaire et calcul diérentiel

Travaux dirigés N◦3 : Applications linéaires
Exercice 2.3 a- Soit f l'endomorphisme de R3 déni par f (x, y, z) =
(2x − y, y + z, z − x). Etudier l'injectivité de f (déterminer pour cela
son noyau).
b- Soit g l'endomorphisme de R3 déni par g(x, y, z) = (2x−y, y+z, z−x).
Etudier la surjectivité de g (déterminer pour cela son image).
Exercice 2.4 Soit l'application Φ : P → XP 0
− P de R2 [X]

a- Monter que Φ est un endomorphisme

b- Φ est elle injectivité ?
b- Φ est elle surjectivité ? (par déduction).
Exercice 2.5 Soit u : R3 → R2 dénie pour tout x = (x1 , x2 , x3 ) ∈ R3 par
: u(x) = (x1 + x2 + x3 , 2x1 + x2 − x3 ).
a- Montrer que u est linéaire.
b- Déterminer Ker(u).
Exercice 2.6 Soit f : R3 → R2 dénie pour tout vecteur u = (x, y, z) ∈ R3
par : f (u) = (−2x + y + z, x − 2y + z).
1- Montrer que f est une application linéaire.
2- Donner une base de Ker(f ), en déduire dim(Im(f )).

16
 3- Donner une base de Im(f )
Exercice 2.7 Soit u : Rn → R dénie pour tout x = (x1 , x2 , · · · , xn ) ∈ Rn
par u(x) = x1 + x2 + · · · + x3 .
1- Montrer que u est une application linéaire.
2- Déterminer les dimensions de Im(u) et de Ker(u).
Exercice 2.8 Soit l'application linéaire f : R3 → R3 dénie pour tout
vecteur u = (x, y, z) ∈ R3 par : f (u) = (x − z, 2x + y − 3z, −y + 2z).
Soit (e1 , e2 , e3 ) la base canonique de R3 .
1- Calculer f (e1 ), f (e2 ) et f (e3 ).
2- Déterminer les coordonnées de f (e1 ), f (e2 ) et f (e3 ) dans la base canon-
ique.
3- Calculer une base de Kerf et une base de Imf .
Exercice 2.9 Soit E = R4[X], E = R[X] et

E → F,
f : 0
p → XP ,

1- Montrer que f est une application linéaire.

2- Montrer que f dénit un endomorphisme de E .
3- Déterminer une base de Kerf et de Imf .
Exercice 2.10 Soit f un endomorphisme de R3 dont l'image de la base
canonique β = (e1 , e2 , e3 ) est :
f (e1 ) = −7e1 − 6e1 ; f (e2 ) = 8e1 + 7e2 ; f (e3 ) = 6e1 + 6e2 − e3 .

1- Pour tout vecteur x = x1 e1 + x2 e2 + x3 e3 , déterminer f ◦ f (x).

2- En déduire que f est inversible (c'est-à-dire bijective) et déterminer
f −1 .

17
Chapter 3

Matrices d'une Application

Linéaire.

3.1 Opérations sur les matrices

On considère Mn,p (K), l'ensemble des matrices n × p à coecients dans K.

3.1.1 Somme

Soit A, B ∈ Mn,p (K) deux matrices. A + B est la matrice suivante:

∀i ∈ [1, n], ∀j ∈ [1, p], (A + B)ij = Aij + Bij .

Les matrices ayant la même taille avec n le nombre de lignes et p le nombre

de colonnes. L'ensemble des matrices muni de l'addition est associative.
Rappel 3.1 (Espace vectoriel) • Ensemble

* groupe commutatif +;
* corps K = R ou C (+).
• Groupe (G, ∗)

1- ∀ a, b ∈ G, a ∗ b ∈ G (interne);
2- a ∗ (b ∗ c) = (a ∗ b) ∗ c (associativité);
3- ∃ un élément neutre e / a ∗ e = e ∗ a = a;
4- tout élément de G admet un symétrique
∀ a∃a−1 / a ∗ a−1 = a−1 ∗ a = e.
L'ensemble des matrices de taille n × p est un groupe commutatif.

18
3.1.2 Produit des matrices

Soient A ∈ Mn,p et B ∈ Mp,q . le produit A × B noté AB est donné par

∀i ∈ [1, n] et ∀j ∈ [1, q], on a :
p
X
(AB)ij = aik bkj .
k=1

Exemple 3.1
 
1 2 3  
 3 −1 1 2 1
A=
1
 ∈M4,3 (R), B = −2 2 ∈ M3,2 (R)
2 4
0 5
−1 0 1
 
−2 20
8 6
AB =   ∈ M4,2 (R)
−2 25
−2 4

Proposition 3.1 Soit A, B ∈ Mn,p, C, D ∈ Mp,q et E ∈ Mq,r

• (A + B)C = AC + BC : distributivité de la multiplication par rapport
à l'addition;
• (AC)E = A(CE) : associativité du produit matriciel.

Remarque 3.1 En général, AB 6= BA.

3.1.3 Transposée d'une matrice

Dénition 3.1 Soit A ∈ Mn,p, on dénit la matrice transposée de A et

on la note t A ou AT la matrice suivante
AT = aji ∈ Mp,n (K), avec i ∈ [1, n]et j ∈ [1, p].

Exemple 3.2
   
a b c a d g
A = d e f  ⇒ AT =  b e h .
g h i c f i

Remarque 3.2 (AB)T = AT B T .

19
3.1.4 Matrice carrée

A ∈ Mn,n (K) = Mn (K). C'est des matrices pour lesquelles le nombre de

lignes est égal au nombre de colonnes. On y réalise les opérations telles que:
• Le calcul du déterminant
 
a b
Soit A ∈ M2 (K), A = c d
et detA = ad − bc.

a b c
A ∈ M3 (K), A = d e
 f
g h i

e f b c b c
detA = a −d +g = aei + bf g + cdh − gec − hf a − idb.
h i h i e f

• Inverse d'une matrice

Dénition 3.2 Une matrice A ∈ Mn(K) est inversible si et seule-

ment si
∃B / AB = BA = I où I est la matrice identité. On note A−1 = B.

A et A−1 ∈ GL(n, K)1 . A ∈ GL(n) ⇒ detA 6= 0.

Théorème 3.1 Si deux matrices A et B ∈ Mn(K) vérient AB = In, alors

BA = In .

Remarque 3.3 Dans certains espaces, AB = In mais BA 6= In dans ce cas

on parlera d'inverse à gauche.
Proposition 3.2 Soit A ∈ Mn(K), A inversible alors
1
A−1 = (comA)T .
detA
Dénition 3.3 On appelle comatrice de A notée com(A) la matrice de ses
cofacteurs c'est-à-dire le terme de la ième ligne et de la j ème colonne de cette
matrice noté (−1)i+j Mij où Mij correspond à la recherche des mineurs (i, j).
1 ensemble des groupes linéaires.

20
3.1.5 Rang d'une matrice

Soit A ∈ Mn,p (K) (enparticulierMn (K) alors le rang de A est la taille de

la plus grande matrice carrée inversible extraite de A. Autrement dit la taille
du plus grand déterminant non nul extrait de A.
Dénition 3.4 Soit A ∈ Mn,p(K), on appelle matrice extraite de A toute
matrice obtenue à partir de A en supprimant des lignes ou des colonnes en
respectant l'ordre des éléments restant par rapport à celui qu'ils avaient dans
A.

Remarque 3.4 La matrice restante Mij est aussi appelée mineur de classe
(i, j).

Exemple 3.3
 
1 −4 3
A = 2 5 3  ,
3 6 3
rangA 6 3,
si detA 6= 0 ⇒ rangA = 3,
sinon
detA = 0 ⇒ rangA 6 2,
?? rangA = 2,
detM11 = −3,
⇒ rangA = 2.

Proposition 3.3 Si deux matrices A et B ∈ GLn(K) alors

• AB ∈ GLn (K) et (AB)−1 = B −1 A−1 ;

• AT ∈ GLn (K) et (AT )−1 = (A−1 )T .

Preuve 3.1
(AB)(B −1 A−1 ) = A(BB −1 )A−1 = AIn A−1 = AA−1 = In ,
AT (A−1 )T = (AA−1 )T = InT = In .

Théorème 3.2 A ∈ Mn (K) inversible ⇐⇒ detA 6= 0 et detA−1 = 1

detA
.

21
Preuve 3.2
det(AA−1 ) = det(In ),
⇒ det(AA−1 ) = det(A−1 )det(A) = 1,
1
detA−1 = .
detA
   
Proposition 3.4 a b
Soit A = c d , alors A = detA −c a .
−1 1 d −b

En général, pour les matrices de rang n > 3 on utilise des systèmes linéaires.
On résoud AX = Y ⇒ X = BY , B = A−1 .
 
Exemple 3.4 A=
1 1
1 2
   
x1 y
AX = Y, avec X = et Y = 1 ,
x2 y2

x1 + x2 = y 1 ,
x1 + 2x2 = y2 ,

x1 + x2 = y1 ,
x2 = y2 − y1 ,

x1 = 2y1 − y2 ,
x2 = y 2 − y 1 ,

    
x1 2 −1 y1
=
x2 −1 1 y2

On appelle matrice de plein rang une matrice dont le nombre de lignes

est égal au rang de la matrice.

3.2 Représentation matricielle d'une applica-

tion linéaire

On note f ∈ L(E, F )
B = (e1 , e2 , e3 , · · · , ep ) une base de E
B = (e1 , e2 , e3 , · · · , en ) une base de F.
0 0 0 0 0

22
Théorème 3.3 Un application linéaire est entièrement déterminée par l'image
d'une base de E (E ensemble de départ).
Explication 3.1 Soit u ∈ E , u = λi ei .
Pp
i=1

p
f supposée linéaire ⇒ f (u) = f ( λi ei ),
X

i=1
p
X
⇒ f (u) = λi f (ei ).
i=1

Conclusion 3.1 Connaître une application linéaire c'est connaître les im-
ages des vecteurs de la base.
Dénition 3.5 On appelle matrice de f relativement aux bases B et B , 0

la matrice (Mij ) avec i ∈ (1, 2, · · · , n) et j ∈ (1, 2, · · · , p). On la note

Mat (f, B, B ) ou MB,B0 (f ).
0

Nombre de colonne = dimension de l'espace de départ;

Nombre de ligne = dimension de l'espace d'arrivée.
Si E = F (B = B0 ) ou bien dimE = dimF , on a simplement une matrice
carrée. Pour E = F , MB,B (f ) sera notée MB (f ), et MB0 ,B0 (f ) = M0B (f )
Exemple 3.5 f endomorphisme de R3 dénie par:
f (x, y, z) = (2x − y, y + z, z − x),
B = (e1 , e2 , e3 ), B = (e1 , e2 , e3 ) / e1 = (1, 1, 0), e2 = (0, 0, 1), e3 = (0, 1, 1).
0 0 0 0 0 0 0

Déterminez les matrices MB,B (f ), MB,B0 (f ), MB0 ,B0 (f ).

• MB,B (f ) = MB (f )
Déterminons f (B)
f (e1 ) = (2, 0, −1) = 2e1 − e3 ,
f (e2 ) = (−1, 1, 0) = −e1 + e2 ,
f (e3 ) = (0, 1, 1) = e2 + e3 ,
 
2 −1 0
d'où MB (f ) =  0 1 1 .
−1 0 1

23
 • MB,B0 (f )
trouvons les images des vecteurs de la base B et écrivons les sous forme
de combinaison linéaire des vecteurs de B0 .
 0
 e1 = e1 + e2 ,
0
e = e3 ,
 20
e3 = e2 + e3 ,

d'où  0 0 0
 e1 = e1 + e2 − e3 ,
0 0
e = −e2 + e3 ,
 2 0
e3 = e2 ,
et donc
0 0 0
f (e1 ) = 2e1 + e2 − 2e3 = (2, 0, −3),
0 0 0
f (e2 ) = −e1 − 2e2 + 2e3 = (−1, 1, 0),
0
f (e3 ) = e3 = (0, 1, 1),
 
2 −1 0
d'où MB,B0 (f ) =  1 −2 0 ,
−2 2 1
 
1 0 −1
MB0 ,B (f ) =  1 1 2  ,
−1 1 1
MB0 ,B0 (f ) =???.

3.3 Changement de base

Soient B et B 0 deux bases d'un ev de dimension nie E . B = (e1 , e2 , e3 , · · · , en ),

B = (e1 , e2 , e3 , · · · , en ).
0 0 0 0 0

On appelle matrice de passage de la base B vers la base B 0 la matrice donc

les vecteurs colonnes représentent les vecteurs B 0 dans B .
Considérons un ev de dimension n de base B = (e1 , e2 , e3 , · · · , en ). Soit x un
vecteur de E alors ∃ un unique uplet (λ1 , λ2 , · · · , λn ) ∈ Rn tel que
n
X
x = λ1 e1 + λ2 e2 + · · · + λn en = λi ei .
i=1

24
Les scalaires λ1 , λ2 , · · · , λn sont appelés coordonnées du vecteur x dans
  la
λ1
 λ2 
base B . On peut alors écrire x sous la forme d'un vecteur colonne X =  .. 

.
λn
 0
λ1
 λ0 
dans B , dans B 0 = (e01 , e02 , e03 , · · · , e0n ) on a X 0 = 
 .. .
2
.
0
λn
x ≡ X B ≡ XB 0 .
0

Théorème 3.4 Soient B = (e1 , e2 , e3 , · · · , en ) et B = (e1 , e2 , e3 , · · · , en )

0 0 0 0 0

deux bases de l'espace vectoriel E . Soit x ∈ E , on a:

X = P X , P étant la matrice de passage de B à B .
0 0

Soient deux espaces vectoriels de dimension nie E et F de bases respectives

B et B , soit x ∈ E et f ∈ L(E, F ). Le vecteur f (X) = M X où M =
0

MB,B0 (f ).

Proposition 3.5 • On considère deux endomorphismes f et g de l'ev E

de base B .
• La matrice MB de l'application f + g est égale à la matrice de f plus
la matrice de g. MB (f + g) = MB (f ) + MB (g).
• La matrice de l'application (f ◦ g) est égale à la matrice de la base f
multipliée par la matrice de la base g. MB (f ◦ g) = MB (f ) × MB (g).
• f est bijective si et seulement si la matrice de f dans la base B est
inversible. MB (f ) inversible, detMB (f ) 6= 0.
Théorème 3.5 (formule de passage) Soit f ∈ L(E) (f endomorphisme
de E ). On note M (respectivement M ) la matrice de f dans la base B
0

(respectivement dans la base B 0 ). On a alors M 0 = P −1 M P , P étant la

matrice de passage de B vers B 0 .

25
Preuve 3.3
f (x) →M X dans B,
dans B ,
0 0 0
MX
or X = P X ⇒ X = P −1 X,
0 0

0 0
M X = P −1 M X,
0 0 0
M X = P −1 M P X ,
0
M = P −1 M P.

Dénition 3.6 Deux matrices M et M sont dites semblables s'il existe

0

une matrice P inversible telle que M 0 = P −1 M P

Exemple 3.6 ρ : P → XP − P de R2 [X]. Déterminez Imρ.
0

Soit B = (1, X, X 2 ) une base de ρ.

ρ(1) = −1, ρ(X) = 0, ρ(X 2 ) = X 2 .
X)}de manière rigoureuse.
2
Imρ = vect{(−1,
 0, 
−1 0 0
Imρ = vect{ 0  , 0 , 0}.
0 0 1
(−1, X 2 ) ou (1, X 2 ) est une base de Imρ.

26
 Université de Douala Année académique :

PHY 142 : Algèbre linéaire et calcul diérentiel

Travaux dirigés N◦4 : Applications linéaires et matrices
  
 a b c
Exercice 3.1

Soit E = 0 a b  , (a, b, c) ∈ R3 .
0 0 a
 

Montrer que E est un R-espace vectoriel et déterminer une base de E .

Exercice 3.2 Soit f l'endomorphisme de R3 déni par f (x, y, z) = (2x −
y, y + z, z − x).
On note B = (e1 , e2 , e3 ) la base canonique de R3 et B0 = (e01 , e02 , e03 ) avec,
e1 = (1, 1, 0), e2 = (0, 0, 1), e3 = (0, 1, 1).
0 0 0

Montrer que la famille B est une base de R3 et déterminer les matrices

0

M atB,B (f ), M atB,B0 (f ) et M atB0 ,B0 (f ).

Exercice 3.3 Reprendre l'endomorphisme f0 de l'exercice précédent, noter

M sa matrice dans la base canonique et M sa matrice dans la base B =
0

(e1 , e2 , e3 ) avec, e1 = (1, 1, 0), e2 = (0, 0, 1), e3 = (0, 1, 1)

0 0 0 0 0 0

Montrer que les matrices M et M 0 sont semblables ; pour cela déterminer la

matrice de passage P et vérier l'égalité : M 0 = P −1 M P .
Exercice 3.4 Soit β = (e1, e2, e3) la base canonique de R3.
Soit 
u l'endomorphisme
 de R dont la matrice dans la base canonique est :
3

1 4 4
A = −1 −3 −3.
0 2 3
Soient a = e1 − e2 + e3 , b = 2e1 − e2 + e3 et c = 2e1 − 2e2 + e3 trois vecteurs
de R3 .
1- Monter que β 0 = (a, b, c) est une base de R3 .
2- Déterminer la matrice de passage P de β à β 0 . Calculer P −1 .
3- Déterminer la matrice R de u dans la base β 0 .
4- a- Calculer P −1 AP en fonction de R.
b- Calculer R4 .
c- En déduire les valeurs de A4n .

27
Exercice 3.5 1- Montrer que si p est un projecteur, alors
Im(p) = Ker(p − IdE ).
2- Soit f l'endomorphisme
 de R dont la matrice dans la base canonique
3

1 2 1
est A = −1 −2 −1.

2 4 2
Montrer que f est un projecteur et préciser ses caractéristiques géométriques.
 
0 1 1
Exercice 3.6 Soit A la matrice dénie par : A = 1 0 1
1 1 0
1- Calculer A2 .
2- Trouver un polynôme P de dégré 2 tel que P (A) = 0.
3- En déduire A−1 .
4- Retrouver A−1 par une autre méthode.
 
1 0 0
Exercice 3.7 Soit A = 0 0 1
0 −1 0
1- Calculer A2 et A3 . Calculer A3 − A2 + A − I .
2- Exprimer A−1 en fonction de A2 , A et I .
3- Exprimer A4 en fonction de A2 , A et I .
 
Exercice 3.8 A tout nombre réel t on associe la matrice : M (t) = ch(t) sh(t)
sh(t) ch(t)
1- Calculer le produit des matrices M (t1 ) et M (t2 ), où t1 et t2 sont deux
réels quelconques.
2- Montrer que M (t) est inversible, et déterminer M −1 (t).
Exercice 3.9 Soit f : R2 → R2 dénie par f (x, y) = (x − y, x + y) et
β = (e1 , e2 ) la base canonique de R2 .
1- Montrer que f est un endomorphisme.
2- Déterminer la matrice A de f dans la base β .
3- a- Déterminer le noyau et l'image de f .
b- En déduire que f est inversible.
c- Déterminer f −1 dans la base β et en déduire A−1 .

28