Espaces vectoriels, dualité

est une famille libre de E .

Table des matières Exercice 2
1 Rappels 1 On considère une suite (Pk )k ∈N de polynômes de K[X ] telle que pour
2 Applications linéaires : compléments 2 tout k dans N on a deg Pk = k .
3 Dualité 3 1. Montrer que pour tout n dans N la famille (Pk )0≤k ≤n est une
4 Dualité en dimension finie 4 base de Kn [X ].
5 Application aux systèmes d’équations 5
2. Montrer que (Pk )k ∈N est une base de K[X ].
6 Représentaion matricielle d’une forme ou appli-
cation linéaire 6
7 Rang de matrices et matrices équivalentes : Définition 1.3
Rappels 6 (E k )k =1..p une famille de sous espaces vectoriels de E ,
p p
Ek = {
P P
x k , x k ∈ E k } est un sous espace vectoriel appelé la
k =1 k =1
somme des sous espaces vectoriels (E k )k =1..p , et on dit que la somme
p
1 Rappels
P
E k est directe s’il y-a unicité de l’écriture de tout vecteur x de
k =1
p p
E un K-espace vectoriel. E k sous la forme x =
P P
xk .
k =1 k =1
Définition 1.1
I un ensemble quelconque non vide. (e i )i ∈I une famille de vecteurs
de E . Théorème 1.3
– Soit (λi )i ∈I une famille à support fini de scalaires (ie les λi sont (E k )k =1..p une famille de sous espaces vectoriels de E , les psse
P
nuls en dehorsP d’un ensemble fini J ⊂ I ). 1. E k est directe.
La somme i ∈I λi e i (qui est en fait une somme finie) s’appelle Qp p
2. ∀(x k )k =1..p ∈ x k = 0 =⇒ x k = 0, ∀k ∈ |[1, p ]|.
P
une combinaison linéaire des (e i )i ∈I k =1 E k ,
k =1
– La famille (e i )i ∈I est dite génératrice de E si tout vecteur de E est
3. ∀k ∈ |[1, p ]|, E k ∩ ( i 6=k E i ) = {0}.
P
combinaison linéaire des (e i )i ∈I .
– La famille (e i )i ∈I est dite libre si toute sous famille finie de cette
famille est libre.
Preuve

– La famille (e i )i ∈I est dite liée si elle est non libre ou s’il en existe Qp p
1) =⇒ 2) Soit (x k )k =1..p ∈ x k = 0, par unicité de la décomposi-
P
E k , tel que
une sous famille liée. k =1
k =1
– La famille (e i )i ∈I est dite base de E si elle est libre et génératrice. tion du vecteur nul , x k = 0, ∀k .
2) =⇒ 3) Soit k ∈ |[1, p ]| et soit x k ∈ E k ∩ ( i 6=k E i ), il existe pour chaque
P

i 6= k , x i ∈ E i tel que x k = i 6=k x i , et à ce moment :

P

x − x k + i >k x i = 0, et par conséquent ∀i , x i = 0, en particulier x k = 0.

P P
i <k i
p p p
Exemples 1 3) =⇒ 1) Soit x ∈
P
E k qui s’écrit x = x k = x k0 , pour k ∈ |[1, p ]|, on aura
P P
k =1 k =1 k =1
x k − x k0 = i 6=k (x i0 − x i ) ∈ E k ∩ ( i 6=k E i ), d’où x k − x k0 = 0.
P P
1. E = K[X ], la famille (X k )k ∈N est une base de E , appelée base
canonique de K[X ].
Proposition 1.1
2. A une algèbre, a ∈ A . (E k )k =1,..p une famille de sous espaces vectoriels de E , soit pour
– Si a n’admet pas de pomi, alors (a k )k ∈N est une base de chaque k , βk une base de E k .
K[a ]. p p
p
E k est directe ssi ∪k =1 βk est une base de
P P
– Si a admet un pomi de degré n, alors la famille (a k )0≤k ≤n−1 Ek .
k =1 k =1
est une base de K[a ].

Preuve
Théorème 1.1
p
La famille (e i )i ∈I est liée s’il en existe un vecteur combinaison linéaire p
=⇒) Il est clair d’abord que ∪k =1 βk est une famille génératrice de
P
E k . No-
k =1
des autres vecteurs. tons βk = (e ik )i ∈I k , soit pour chaque k ∈ |[1, p ]| (λki )i ∈I k une famille à support
p P
λk e k = 0, la somme est directe et i ∈I k λki e ik ∈ E k , donc
P P
fini tel que i ∈I k i i
k =1
Théorème 1.2 P
λk e k = 0, la famille βk est libre donc ∀i ∈ I k , λki = 0.
i ∈I k i i
La famille (e i )i ∈I est une base ssi tout vecteur de E se décompose de Qp p
⇐=) Soit (x k )1¶k ¶p ∈ x k = 0, x k ∈ E k , donc il existe
P
E tels que
façon unique sous forme de combinaison linéaire des (e i )i ∈I . k =1 k
k =1
(λki )i ∈I k à support fini tel que x k = i ∈I k λki e ik , et en utilisant finalement le fait
P
p
que ∪k =1 βk est une base,
p P
Définition 1.2 λk e k = 0 =⇒ λki = 0 et par suite x k = 0
P
i ∈I k i i
β = (e i )i ∈q une base de E , un vecteur x de E s’écrit de façon unique k =1

sousPforme de combinaison linéaire

x = i ∈I λi e i des vecteurs de la base, λi , i ∈ I s’appellent les coordon- Corollaire 1.1
nées de x dans β . Si on suppose que ∀k , dim E k est finie, alors :
p
‚ p Œ p
Ek =
P P P
E k est directe ssi dim dim E k
Exercice 1 k =1 k =1 k =1

Soit E = F (R, R) et soit a dans R. On considère la fonction f a définie

pour tout x ∈ R par f a (x ) = e a x . Montrer que la famille L = (f a )a ∈R

[Link]@[Link]
 Espaces vectoriels, dualité

Preuve
Remarque 3
Soit pour chaque k , βk une base de E k .
p
p
p Si F est un sous espace vectoriel de E , alors il existe une base β de
=⇒) Si E k est directe alors ∪k =1 βk est une base de
P P
E k , de cardinal :
k =1 k =1
E adaptée à F , pour cela il suffit de prendre une base β1 de F et de
p
P
cardβk (il n’y-a pas de vecteurs rédondants dans une famille libre), d’où le la compléter en une base de E .
k =1
résultat. Exercice 3
p
p
⇐=) On montre que β = ∪k =1 βk est une base de
P
Ek .
k =1 Soit E un K-espace vectoriel.
p
1. Soient E 1 et E 2 deux sous-espaces de E tels que E = E 1 + E 2 .
X
p
card(∪k=1 βk ) ¶ card(βk )
k=1
Soit F2 un supplémentaire de E 1 ∩ E 2 dans E 2 . Montrer que
et
p
X p
X Xp E = E 1 ⊕ F2 .
card(βk ) = dim(Ek ) = dim( Ek )
2. Soient E 1 , E 2 , ..., E n des sous-espaces de E tels que
k =1 k=1 k=1

p
β est donc une famille génératrice de
P
E k dont le cardinal est plus petit que E = E 1 + E 2 + ... + E n
k =1
la dimension, c’est donc une base, et finalement la somme est directe.
Montrer qu’il existe des sous-espaces F1 , F2 , ..., Fn de E tels que
pour tout indice j on ait l’inclusion Fj ⊂ E j et tels que
Définition 1.4 p
On dit que (E k )k =1..p sont supplémentaires si E = E = F1 ⊕ F2 ... ⊕ Fn
P P
E k et E k est
k =1
p
directe et on écrit E = ⊕ E k .
k =1
2 Applications linéaires : compléments
Remarque 1
Théorème 2.1
Si dim E est finie, alors : E et E 0 deux K-ev. β = (e k )k ∈I une base de E , β 0 = (v k )k ∈J (I ⊂ J ) une
famille de E 0 , il existe une unique application linéaire u qui envoi β
p

sur β 0 càd tel que ∀k ∈ I : u (e k ) = v k
E =
P
 Ek
p
k =1
E = ⊕ E k ssi p
k =1  et dim E = P dim E

k Preuve
k =1

. Existence :
Il suffit de considérer l’application u : x = k ∈I k λk e k → k ∈I k λk v k .
P P

Unicité :
Définition 1.5 p Si u 1 et u 2 de telles
P applications linéaires,P alors pour P
i ∈ {1, 2} et x = k ∈I λk e k ∈ E , u i (x ) = u i ( i ∈I λk e k ) = i ∈I λk u i (e k ) = i ∈I k v k ,
P
On suppose E = ⊕ E k .
k =1 d’où l’égalité u 1 = u 2 .
p
Une base β de E qui s’écrit sous la forme β = ∪k =1 βk . βk base de E k
p Projecteurs assiciés à une décomposition
:
s’appelle une base adaptée à la décomposition E = ⊕ E k . E −→ E
k =1 p  p
E = ⊕ E k , soit pour chaque i ∈ |[1, p ]|, Pi : X , la
k =1  x= xk → xi
Remarque 2 k =1
suite (Pi )i =1..p vérifie :
p
Si E = ⊕ E k , alors il existe une base adaptée à cette décomposition,
Pi = Pi (puisqu’il s’agit de la projection sur E i parallélement à
2
1. P
k =1
pour cela il suffit de prendre de chaque E k une base βk , la réunion k 6=i E k ).
de ces bases forme une base adaptée, l’existence de βk est justifiée 2. Pour i 6= j , Pi ◦ Pj = 0.
par le théorème fondamental suivant. p
Pi = I E
P
3.
i =1
Théorème 1.4 - admis (Pi )i =1..p s’appelle le système de projecteurs associé à la décomposition
p
E = ⊕ Ek .
k =1
1. Tout K-ev admet au moins une base.
Exercice 4
2. Tout sous espace vectoriel de E admet au moins un supplémen-
taire. Soit n dans N ∗ et E = Rn muni d’une base (e 1 , ..., e n ). On note H le
sous- espace vectoriel de E d’équation cartésienne x 1 + ... + x n = 0.
On note u le vecteur défini par u = e 1 + ... + e n .
Corollaire 1.2 - Théorème de la base incomplète
1. Montrer que E = H ⊕ D.
Toute famille libre d’un K-ev peut être complétée en une base de E .
2. Soit x dans E . Donner la décomposition de x dans H ⊕ D.
3. Donner la projection p sur H parallèlement à D et la projection
Preuve q sur D parallèlement à H .
β1 une famille libre, on pose F = vect(β1 ), F admet un supplémentaire G , une
base β2 de G est une completée de β1 en une base de E . Exercice 5

On considère k projecteurs p 1 , p 2 , ..., p k de E un K espace vectoriel

Définition 1.6 de dimension finie et on note leur somme
F un sous espace vectoriel de E , une base β de E est dite adaptée à F k
s’il existe une sous famille β1 de β qui soit une base de F .
X
p= pi
i =1

[Link]@[Link]
 Espaces vectoriels, dualité

1. Montrer que si p est un projecteur alors : Si E est de dimension finie, alors

k
Imp = ⊕ Impi codimF = dim E − dim F
i=1

Théorème 2.4
2. Montrer que f est un projecteur si, et seulement si, p i ◦ p j = 0
u ∈ L (E , E 0 ).
pour tout couple (i , j ) tel que i 6= j , 1 ≤ i , j ≤ k .
Si dim E 0 est finie, alors ker u est un sous espace vectoriel de codi-
mension finie égale au rgu.
Théorème 2.2
E , E 0 deux espaces vectoriels, on suppose
p
Preuve
E = ⊕ Ek .
k =1
Une application linéaire de E dans E 0 est parfaitement détermi- Si G est un supplémentraire de ker u , alors il sera isomorphe à I m (u ), qui est un
sous espace vectoriel de E 0 , donc G est de dimension finie.
née par ses restrictions aux sev E k , autrement dit si pour tout
k ∈ |[1, p ]|, u k ∈ L (E k , E 0 ) alors il existe une unique application Exemple : A une algèbre, si a est un élément de A admettant un
linéaire E → E 0 tel que ∀k ∈ |[1, p ]|, u /E k = u k pomi alors I ensemble des polynômes annulateurs de a est un K-ev de
codimension finie égale au degré n de Πa .
Remarque 4 Exercice 6

Pour chaque k ∈ |[1, p ]|, u k ∈ L (E k , E 0 ), l’unique application Soit E un espace vectoriel et F,G deux sous-espaces vectoriels de E
p
tels que F ⊂ G . Montrer que F est de codimension finie dans E ssi F
u ∈ L (E , E 0 ) tel que u /E k = u k est définie par u =
P
u k ◦ Pk ,
k =1 est de codimension finie dans G et que G est de codimension finie
avec (Pk )k =1..p la suite des projecteurs associée à la décomposition dans E . Observer qu’alors cod i m G F + cod i m E G = cod i m E F .
p
E = ⊕ Ek .
k =1

3 Dualité
Théorème 2.3
Si u ∈ L (E , E 0 ), alors tout supplémentraire G de ker u est isomorphe E un K espace vectoriel.
à I m u , et en fait la restriction de u à G est isomorphe de G dans
Im u. Définition 3.1
On appelle forme linéaire sur E toute application linéaire de E dans K,
l’espace L (E , K) de toutes les formes linéaires sur E s’appelle l’espace
Preuve dual de E et se note E ∗ .
Posons v = u /G , v est bien une application linéaire de G sur I m u , d’autre part :
ker v = ker u ∩ G = {0}, doù l’injectivité de v .
Soit y ∈ I m u , il existe x ∈ E tel que y = u (x ), x s’écrit x = x G + x 0 , avec x G ∈ G Propriété 3.1
et x 0 ∈ ker u , et dans ce cas : L’application :
y = u (x ) = u (x G ) + u (x 0 ) = u (x G ) = v (x G ), d’où la surjectivité de v . (
E ∗ × E −→ K
φ: est une forme linéaire.
(ϕ, x ) → ϕ(x )noté〈x , ϕ〉
Corollaire 2.1 - formule du rang =

Si E est de dimension finie, et u ∈ L (E , E 0 ) alors rgu est fini et on a

dim E = dim ker u + rgu Proposition 3.1
Toute forme linéaire non nulle sur E est surjective.

Preuve

I m u est de dimension fini car il est isomorphe à au moins un supplémentaire Preuve

G de ker u , d’ailleurs r g (u ) = dimG = dim E − dim ker u .
ϕ ∈ E ∗ \{0}, I m (ϕ) est un sous espace vectoriel non nul de K, sa dimension ne
peut prendre que la valeur 1 qui est la même dimension de K, donc Im(ϕ) = K
et la surjectivité de ϕ.
Corollaire 2.2
Deux supplémentaires d’un même sous espace vectoriel sont iso-
morphes. Définition 3.2
Un hyperplan d’un K-ev E est un sous espace vectoriel de E de codi-
mension égale à 1.
Preuve

Soit G et H deux supplémentaire du même sous espace vectoriel F . soit p la

projection sur H parallélement à F on a : ker p = F et I m (p ) = H , G est un
Théorème 3.1
supplémentaire de ker p , il sera donc isomorphe a I m p = H . H un sous espace vectoriel de E , les psse :
1. H un hyperplan de E .
Définition 2.1 2. ∀a ∈ E \H , E = H ⊕ Ka
On dit qu’un sous espace vectoriel de E est de comdimension finie
3. ∃ϕ une forme linéaire non nulle définie sur E telle que
s’il admet un supplémentaire de dimension finie et dans ce cas la
dimension commune à ses supplémentaires s’appelle la codimension H = ker ϕ
de F et se note codimF.
Preuve
Remarque 5
1) =⇒ 2) Soit a ∈ E \H , pour cette raison il est clair que H ∩ Ka = {0}.
H est un hyperplan, donc il existe b ∈ E tel que : H + Kb = E , a se décompose
alors sous forme a = a H + λb et du fait que a ∈ / H , alors λ =
6 0, et par suite
b = λ1 a − λ1 a H .
Soit x ∈ E , suivant E = H + Kb , x se décompose x = x H + αb = x H − α λ1 a H +

[Link]@[Link]
 Espaces vectoriels, dualité

α λ1 a ∈ H + Ka , d’où le résultat.
Proposition 4.1
Si e ∈ E \{0}, alors il existe ϕ ∈ E ∗ tel que :
Proposition 3.2 ϕ(e ) = 1 (ou tout simplement ϕ(e ) 6= 0) autrement dit :
H = ker ϕ un hyperplan, si φ est une forme linéaire qui s’annulle sur
∩ ker ϕ = {0}
H , alors elle est proportionnelle à ϕ, autrement dit : ϕ∈E ∗
ker ϕ ⊂ ker φ =⇒ il existe α ∈ K tel que φ = αϕ.

Preuve
Preuve
il suffit de poser e 1 = e , compléter en une base β = (e 1 , .., e p ), puis de considérer
Suivant E = H ⊕ Ka , un vecteur x se décompose : ϕ = e 1∗ qui est le premier vecteur de la base duale, on a bien ϕ(e ) = 1.

ϕ(x ) ϕ(x ) ϕ(x )

x = (x − a)+ a = xH + a
ϕ(a ) ϕ(a ) ϕ(a ) Théorème 4.1
Toute base β 0 de E ∗ est le système de coordonnées associé à une
on applique φ
unique base β de E (β ∗ = β 0 ). β s’appelle la base antéduale de β 0 .
ϕ(x ) φ(a )
φ(x ) = φ(x h ) + φ(a ) = ϕ(x ) = αϕ(x )
ϕ(a ) ϕ(a )
Exercice 9
Exercice 7
Dans K3 on considère les formes linéaires :
Soit E un espace vectoriel de dimension finie. f 1 (~
x ) = x + y − z , f 2 (~
x ) = x − y + z , f 3 (~
x) = x +y +z.
1. Soit H et H 0 deux hyperplans de E . Montrer que ceux-ci pos- 1. Montrer que (f 1 , f 2 , f 3 ) est une base de (K3 )∗ .
sèdent un supplémentaire commun. 2. Trouver la base antéduale.
2. Soit F et G deux sev de E tels que dim F = dimG . Montrer que
F et G ont un supplémentaire commun. Théorème 4.2
(ϕ1 , .., ϕp ) une famille libre de formes linéaires et H i = ker ϕi , i = 1..p
p
les hyperplans associés, alors dim ∩ H i = n − p , et toute forme
4 Dualité en dimension finie p
i =1

linéaire nulle sur F = ∩ H i est combinaison linéaire de (ϕ1 , .., ϕp )

i =1
Soit E un K-ev de dimension finie égale à n.

Théorème définition 4.1 Remarque 7

β = (e 1 , .., e n ) etant une base de E , tout vecteur x de E se décompose
n Si (ϕ1 , .., ϕp ) est liée, et soit r = rang(ϕ1 , ..., ϕp ), et quitte
de manière unique sous la forme x = e k∗ (x )e k , alors le système
P
à réindexer on peut supposer que (ϕ1 , ..., ϕr ) est libre et
k =1 p r
de coordonnées associé (e k∗ )0≤k ≤n est une base de E ∗ appelée base ∀k ≥ r + 1, ϕk ∈ vect(ϕ1 , .., ϕr ), alors ∩ ker(ϕk ) = ∩ ker(ϕk ), on
k =1 k=1
duale de β , c’est l’unique système de formes linéaires vérifiant : obtient donc la formule dans le cas général :
∀i , j : ϕi (e j ) = δi ,j p
dim( ∩ ker(ϕi )) = n − rang(ϕ1 , .., ϕp )
Et par conséquent E ∗ est Kev de dimension finie égale à n = dim E . i =1

Théorème 4.3
Preuve
Si F est un sous espace de E , de dimension égale à p , alors l’ensemble
n
des formes linéaires s’annulant sur F est un sous espace vectoriel de
α j e j∗ = 0 et d’appliquer à e i , on obtient αi = 0.
P
Pour sa liberté il suffit d’écrire
j =1 E ∗ de dimension n − p .
p
C’est une famille génératrice car, pour ϕ ∈ E ∗ et x =
P
xj ej ∈ E,
j =1
p Exercice 10
on a ϕ(x ) = x j ϕ(e j ), ceci d’une part et d’autre part :
P
j =1
p p p Soit E un espace vectoriel de dimension finie. Soit (f 1 , ..., f n ) une
x= x i e i =⇒ ϕ j (x ) = x i e j∗ (e i ) = x j , ce qui fait finalement que ϕ = ϕ(e j )e j∗ .
P P P
i =1 i =1 j =1
famille d’éléments de E ∗ . Notons ϕ : E → Kn l’application x →
(f 1 (x ), ..., f n (x )).
Remarque 6 1. On suppose que la famille (f 1 , ..., f n ) est une base de E ∗ . Dé-
montrer que ϕ est bijective. et en fonction de la base et de la
p p
1. x ∈ E , x =
P
e k∗ (x )e k =
P
〈x , e k∗ 〉e k . base duale donner l’expression de ϕ −1
k =1 k =1 2. Interpolation de Lagrange
p
E = Kn [X ], x 0 , ..., x n n + 1 scalaires distincts.
2. ϕ ϕ= 〈e k , ϕ〉e k∗
P
∈ E ∗,
k =1 Soit pour tout i ∈ |[0, n]|, f i : P → P(x i )
a) Vérifier que (f 0 , ..., f n ) est une base de E ∗ , et donner sa
Exemple E = R2 ,
e 1 = (1, 1), e 2 = (1, 2).
base antéduale (L 0 , ..., L n ).
Ecrire relativement à la base canonique l’expression de (e 1∗ , e 2∗ ).
b) En déduire que pour tout (b 0 , ...,b n ) ∈ Kn +1 il existe un
Exercice 8
unique polynôme P ∈ Kn [X ] tel que P(x i ) = b i , i = 0, .., n,
β0 β 0∗ et donner l’expression de P en fonction des b i et des L i .
β , β 0 deux bases de E , On pose P = Pβ , montrer que Pβ ∗ =t P −1
3. Démontrer que l’on a les équivalences suivantes :
– ϕ est injective si et seulement si la famille (f 1 , ..., f n ) est gé-
nératrice de E ∗ .
– ϕ est surjective si et seulement si la famille (f 1 , ..., f n ) est
libre.

[Link]@[Link]
 Espaces vectoriels, dualité

5 (n, n), on utilisera la matrice augmentée suivante :

Application aux systèmes d’équations 
a 1,1 · · · a 1,n 1 · · · 0
.. .. .. . . . 
  
A In =  ..
1. Soit S l’ensemble des solutions dans Kn du système :  . . . . . .. 
 La transforma-
n
P a n ,1 · · · a n ,n 0 · · · 1
 aij xj = 0 tion de Gauss-Jordan consiste à transformer ce système en
 j =1 un système équivalent dont le bloc gauche est l’identité,


S : ... c’est-à-dire qu’il faut modifier la matrice (A|I ) pour qu’elle
n

devienne de la forme (I |A −1 ) en utilisant les propriétés de

P a x =0

pj j
j =1 l’algorithme. On notera :
l ik la ligne i de la matrice A à l’itération k
Notons M = (a i j )i ,j ∈ M p n (K), et (c 1 , .., c n ) la base canonique de a ikj le scalaire a i j de la matrice A à l’itération k
Kn L’algorithme de Gauss-Jordan est le suivant : Pour k allant de
Alors S peut être interprété comme étant l’intersection des hyper- 1àn
plans : ker ϕi , i = 1..p Si il existe une ligne i ≥ k telle que a ikk−1 6= 0
n
X n
X échanger cette ligne i et la ligne k : l i ↔ l k
ϕi : x → aij xj ; ϕi = a i j c j∗ l kk ← k1−1 l kk −1
akk
j =1 j =1 Pour i allant de 1 à n et i 6= k
l ik ← l ik −1 − a ikk−1 × l kk
Par conséquent :
Sinon A n’est pas inversible, abandonner (on sait ici que le
– Si (ϕ1 , .., ϕp ) est libre ( et donc p ≤ n ) , c’est à dire que les
rang de la matrice est k − 1).
vecteurs lignes de M forment une famille libre, ou les équations
Après l’étape k de l’algorithme, la colonne k a tous ces coef-
du système sont linéairement indépendantes alors :
ficients nuls sauf un : celui de la diagonale, qui vaut 1.
S est un espace vectoriel de dimension n − p , son expression
Variante : on peut aussi chercher le coefficient a ikk−1 , i ≥ k le
est :
plus grand (en valeur absolue) avant d’échanger les lignes.
S = vect(ep+1 , .., en )
Cela améliore la stabilité de l’algorithme. De même on peut
avec (e 1 , .., e n ) la base antéduale d’une complétée de la famille aussi faire des échanges sur les colonnes pour trouver un
(ϕ1 , .., ϕp ). coefficient plus grand, mais il faut garder la trace de ces per-
– Si (ϕ1 , .., ϕp ) est liée, on note r = rg(ϕ1 , .., ϕp ), par exemple mutations.
(ϕ1 , ..., ϕr ) est libre et ∀k ≥ r + 1, ϕk ∈ vect(ϕ1 , .., ϕr ), alors les
b) Résolution d’un système d’équations linéaires par l’algo-
p − r dernières équations sont redondantes, et tout le système
rithme de Gauss-Jordan
est réduit aux r premières équations, dans ce cas alors :
On veut résoudre un système d’équations A.X = B , où B est
S est un espace vectoriel de dimension n − r , son expression
un vecteur fixé, et X le vecteur inconnu. On crée un tableau
est :
à n lignes et n + 1 colonnes en bordant la matrice A par
S = vect(er+1 , .., en )
le vecteur B . On utilise le même algorithme que ci-dessus.
avec (e 1 , .., e n ) la base antéduale d’une complétée de la famille On obtient à la fin une matrice identité, et dans la dernière
(ϕ1 , .., ϕr ). colonne le vecteur X recherché.
2. considérons maintenant : S 0 l’ensemble des solutions dans Kn Variante : dans l’algorithme précédent, si on n’exécute la
du système : boucle interne que pour i allant de k + 1 à n, on obtient
P n une matrice triangulaire supérieure. Il ne reste plus qu’à «
a i j x j = b1

 j =1
 remonter » pour retrouver les valeurs des coefficients de X .

S 0 : ...
n


P a x =b

pj j p Exemple 1
j =1
p
Alors S 0 peut être interprété comme étant : ∩1 ψ−1i {0}, ψi = ϕi − Soit le système d’équations suivant :
bi . 
ψi s’appelle dans ce cas une fonction affine et S 0 la variété af-  x − y + 2z = 5
3x + 2y + z = 10 On établit la matrice
fine de direction l’espace vectoriel S , et si X 0 est une solution
2x − 3y − 2z = −10

particulière de S 0 alors
correspondante et on applique la première étape de
S 0 = X0 + S Gauss-Jordan, le pivot est 1 :
(1) −1 2
 
5
3. Réduction de Gauss  3

2 1 10  On ajoute un multiple de la

En mathématiques, l’élimination de Gauss-Jordan, aussi appelée 2 −3 −2 −10
pivot de Gauss, nommée en hommage à Carl Friedrich Gauss première ligne aux deux autres lignes pour obtenir des
et Wilhelm Jordan, est un algorithme de l’algèbre linéaire pour zéros (respectivement −3 × l 1 et −2 × l 1 ) ; le nouveau
déterminer les solutions d’un système d’équations linéaires, pour pivot est ensuite 5 :
déterminer le rang d’une matrice ou pour calculer l’inverse d’une
 
1 −1 2 5
matrice carrée inversible. Lorsqu’on applique l’élimination de  0 (5) −5 −5  La deuxième ligne est multi-
 
Gauss sur une matrice, on obtient sa forme échelonnée réduite. 0 −1 −6 −20
a) Calcul de l’inverse d’une matrice carrée par l’algorithme pliée par 1/5 :
 
de Gauss-Jordan : 1 −1 2 5
 0 (1) −1 −1  On ajoute cette deuxième ligne
 
Inverser une matrice A carrée inversible d’ordre n, revient
à créer un tableau à n lignes et 2n colonnes en bordant la 0 −1 −6 −20
matrice A par la matrice identité I n . à la troisième et à la première, le nouveau pivot est −7 :
Ainsi, pour inverser la matrice A = (a i j ) de format

[Link]@[Link]
 Espaces vectoriels, dualité

la fonction tr est une forme linéaire sur L (()E ), vérifiant :

 
1 0 1 4
 0 1 −1

−1  On divise la 3e ligne par −7 :
 pour tout f , g ∈ L (()E ), tr(g ◦ f) = tr(f ◦ g).
0 0 (−7) −21

1 0 1 4
 Proposition 7.1
 0 1 −1 −1  On utilise la 3e ligne pour élimi-
  Si p est un projecteur d’un espace vectoriel de dimension finie, alors :
0 0 (1) 3 rg(p) = tr(p)
ner des coefficients dans la première et deuxième ligne.
Nous sommes alors en présence d’une forme échelon-
née réduite avec la matrice identité d’un côté et la valeur Preuve

des
 variables dans l’autre : Il suffit de considérer une base adaptée à Imp ⊕ ker p = E.
1 0 0 1
 0 1 0 2  La solution du système est ainsi :
 
Définition 7.2
0 0 1 3
  Deux matrices M , N ∈ M(,K ()) sont dites équivalentes, s’il existe
 x = 1  P ∈ G L p (K), Q ∈ G L n (K) tel que N = QM P.
y = 2 .
z = 3
 
Théorème 7.1
Deux matrices sont équivalentes ssi elles représentent la même ap-
plication f ∈ L (()Kp , Kn ) dans deux bases différentes.

6 Représentaion matricielle d’une forme Preuve

ou application linéaire =⇒) M , N ∈ M(,K ()), soit Cp resp Cn base canonique de Kp resp Kn , et soit f ∈
L (()Kp , Kn ) l’application linéaire dont M soit la matrice associée relativement
1. Soit E une espace vectoriel de dimension n. aux bases Cp et Cn , considérons Cp0 et Cn0 les bases respectives de Kp et de Kn
β = (e 1 , ..., e p ) une base de E , β ∗ sa base duale. C0 Cp0
telles que Q −1 = PCnn et P = PCp , on sait que M a t Cp0 ,Cn0 (f ) = (Q (−1) )−1 M P = N .
(ϕ1 , .., ϕn ) un système de formes linéaires sur E , donc : CQFD
⇐=) Si M et N deux matrices représentant la même application linéaire dans
p deux bases différentes, alors il existe Q et P deux matrices inversibles telles que
N = Q −1 M P, ce qui fait que M et N sont équvalentes.
X
∀i ∈ |[1, n]| : ϕi = a i j e j∗
j =1
Remarque 9
(a i 1 , ..., a i n ) s’appelle la représentation matricielle de ϕi dans la 1. L’équivalence de matrices est une relation d’équivalence.
base β , et
2. Deux matrices équivalentes ont le même rang.
M = (a i j )1≤i ≤n ,1≤j ≤p ∈ M(,K ()) s’appelle la représentation matri-
cielle du système : (ϕ1 , .., ϕn ) dans β .
Théorème 7.2
2. F et E deux espace vectoriels de dimension respectivement p, n,
Si M ∈ M(,K ()) est une matrice de rang r alors il existe P ∈ G L p (K) et
f ∈ L (F, E )
Q ∈ G L n (K) tel
‚ que :Œ
β 0 = (v 1 , .., v p ) une base de F , β = (e 1 , .., e n ) une base de E .
Ir 0
n
QM P = J r =
Dans la base β , f se décompose f = f i e i , où f i ∈ F ∗ , et dans β 0 ,
P
0 0
i =1
p
matriciellement f i s’écrit : f i = a i j v j∗ .
P
j =1 Preuve
M = (a i j ) ∈ M(,K ()) constitue une représentation de f , dans la-
f l’application linéaire canoniquement associée à M , soit (e r +1 , ..., e p ) une base
quelle les lignes correspondent à la représentation matricielle de de ker f , qu’on complète en une base (e 1 , .., e r , e r +1 , .., e p ) de Kp , posons
chaque f i dans β 0 . pour k = 1..r, e k0 = f (e k ), la restriction de f à G = vect(e1 , .., ep ) est un isomor-
n phisme vers I m (f ), donc (e 10 , ..., e r0 ) est une famille libre qu’on complète en une
Avec ces notations nous avons, pour tout j , f (v j ) =
P
a i j e i , et base (e 0 1, .., e n0 ) de Kn , et si on pose β = (e 1 , .., p ) et β 0 = (e 10 , ..., e n0 ), on bien
i =1 M a t β ,β 0 (f ) = J r , on conclue que M est équivalente à J r .
donc cette représentation donne une nouvelle défintion de la ma-
trice standard qu’on connait d’une application linéaire.
Corollaire 7.1
Deux matrices sont équivalentes ssi elles ont le même rang.
7 Rang de matrices et matrices équiva-
lentes : Rappels Définition 7.3
n
1. A ∈ MK (, ) A = (a i j ) la trace de A est le scalaire tr(A) = 1. E i j ∈ M( (K)) dont tous les coéfficients sont nuls sauf celui se
P
aii .
i=1 trouvant a l’intersection de la i-ième ligne et la j-ième colonne et
2. tr est une forme linéaire sur M( (K)), vérifiant : qui vaut 1, s’appelle une matrice élémentaire.
∀A, B ∈ M( (K)) : tr(AB) = tr(BA). (E i j )1¶i ,j ¶n la base canonique de M( (K)).
2. i , j ∈ |[1, n]|, i 6= j , λ ∈ K.
Définition 7.1
Ti j (λ) = I n + λE i j , s’appelle une matrice de transvection.
E un espace vectoriel de dimension finie, β une base de E , f ∈ L (()E ),  
1 0
tr(Matβ f) qui ne dépend pas de la base β choisie s’appelle la trace de
..
 
f et se note tr(f). 
 . 

1
 
 
3. α ∈ K, i ∈ |[1, n]|, D i (α) =  0 α  s’appelle
 
Remarque 8
1 0
 

..
 

 . 

0 1

[Link]@[Link]
 Espaces vectoriels, dualité

une matrice de dilatation.

 
1 0
1
 
 
1
 
 
4. i , j ∈ |[1, n]|, Pi j =  0 0 1  qui s’obtient à partir
 
1 0
 

0 1 0
 

0 1
de I n en permutant la i-ième et la j-ième ligne s’appelle une
matrice de permutation.

Remarque 10

det(Ti j (λ) = 1, det(Pi j ) = −1, Ti j (λ), Pi j sont inversibles et on a :

(Ti j (λ))−1 = Ti j (−λ), (Pi j )−1 = Pi j .

Propriétés 7.1

1. E i j E k l = δ j k E i l
2. E i j M est la matrice obtenue à partir de M en remplaçant la
i-ième ligne de M par le j-ième ligne, et en annullant les autres.
3. M E i j est la matrice obtenue à partir de M en remplaçant la j-
ième colonne de M par la i-ième colonne, et en annullant les
autres.
4. Ti j (λ)M est la matrice obtenue à partir de M en ajoutant à la i-
ième ligne de M (λ× la j-ième ligne ) et en conservant les autres
lignes.
5. M Ti j (λ) est la matrice obtenue à partir de M en ajoutant à la
j-ième colonne de M (λ× la i-ième colonne ) et en conservant
les autres colonnes.
6. D i (α)M est la matrice obtenue à partir de M en multipliant la
i-ième ligne de M par α et en conservant les autres lignes.
7. M D i (α) est la matrice obtenue à partir de M en multipliant la
i-ième colonne de M par α et en conservant les autres colonnes.
8. Pi j (α)M est la matrice obtenue à partir de M en echangeant la
i-ième ligne et la j-ième ligne et en conservant les autres lignes.
9. M Pi j (α) est la matrice obtenue à partir de M en echangeant la
i-ième colonne et la j-ième colonne et en conservant les autres

Remarque 11

Le rang d’une matrice ne change pas si on la multiplie par une ma-

trice de transvection de permutation ou de dilatation de rapport
α non nul, et les opérations élémentaires permettent de détermi-
ner des matrices P et Q inversibles tels que QM P soit égale à J r .

[Link]@[Link]