Algèbre linéaire

Jean-Philippe NICOLAS
Département de Mathématiques,
Université de Brest, 6 avenue Victor Le Gorgeu,
29200 Brest.
Bureau H109, Tel. 02 98 01 67 61,
email : [Link]@[Link]
2
Table des matières

1 Espaces vectoriels 5
1.1 Espaces vectoriels sur R ou C . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Opérations sur les espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . 8
1.3.1 Intersection de sous-espaces . . . . . . . . . . . . . . . . . . . . . . 8
1.3.2 Somme de sous-espaces . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.3 Produit d’espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Sous-espaces vectoriels supplémentaires . . . . . . . . . . . . . . . . . . . . 9
1.5 familles libres, familles génératrices, bases . . . . . . . . . . . . . . . . . . 11
1.5.1 Familles génératrices finies . . . . . . . . . . . . . . . . . . . . . . . 11
1.5.2 Familles libres finies . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5.3 Bases et dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

2 Résolution de systèmes linéaires 23

2.1 La méthode de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

3 Applications linéaires 25
3.1 Definitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.3 Bases, dimension et isomorphismes . . . . . . . . . . . . . . . . . . . . . . 27
3.4 Projections et symétries . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

4 Matrices 37
4.1 Matrice d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . 37
4.2 Matrices, produit de matrices . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.3 Lien avec les applications linéaires . . . . . . . . . . . . . . . . . . . . . . . 39
4.4 Changement de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

3
4 TABLE DES MATIÈRES

5 Déterminant et valeurs propres 49

5.1 Valeurs propres, vecteurs propres . . . . . . . . . . . . . . . . . . . . . . . 49
5.2 Déterminant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.2.1 Calcul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.2.2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.3 Déterminant et valeurs propres . . . . . . . . . . . . . . . . . . . . . . . . 52
5.4 Inversion de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Chapitre 1

Espaces vectoriels

1.1 Espaces vectoriels sur R ou C

Durant tout le cours, plutôt que d’énoncer des résultats analogues pour R et pour C,
on les énoncera pour K qui représentera indifféremment R ou C. Lorsque des propriétés
seront spécifiques à R ou à C, on utilisera alors explicitement les lettres R ou C.
Définition 1.1. Un espace vectoriel sur K (ou K-espace vectoriel) est un ensemble E qui
est muni de deux lois de composition :
• une loi de composition interne notée “+” et appelée addition, qui à deux éléments x
et y de E associe un élément de E noté x + y ;

• une loi de composition externe, notée “.” et appelée multiplication par un scalaire
(on appelle vecteurs les éléments de E et scalaires les éléments de K), qui à un
élément λ de K et un élément x de E associe un élément de E noté λ.x ;
et qui vérifie les propriétés suivantes :
• (E, +) est un groupe commutatif, i.e. la loi + vérifie :

– + est commutative : ∀x, y ∈ E, x + y = y + x ;

– + est associative : ∀x, y, z ∈ E, x + (y + z) = (x + y)y + z ;
– + admet dans E un élément neutre : il existe un élément de E, noté 0 (ou
encore 0E s’il y a risque de confusion avec le zéro de K que l’on notera alors
0K ), tel que pour tout x ∈ E on ait 0 + x = x + 0 = x ;
– tout élément de E admet un unique opposé : pour tout x ∈ E, il existe un
unique élément de E noté −x tel que x + (−x) = −x + x = 0 ;

la loi . vérifie : pour tout x, y ∈ E et tout λ, µ ∈ K,

– λ.(µ.x) = (λµ).x ;
– (λ + µ).x = λ.x + µ.x ;

5
6 CHAPITRE 1. ESPACES VECTORIELS

– 1.x = x ;
– λ.(x + y) = λ.x + λ.y.
Remarque 1.1. Souvent, on notera λx au lieu de λ.x.
Exemples.
• R2 et C (munis de l’addition et de la multiplication par un nombre réel) sont des
R-espaces vectoriels.
• Rn est un R-espace vectoriel pour tout n ∈ N, en particulier R est un R-espace
vectoriel, ainsi que {0R }.
• Cn est un C-espace vectoriel pour tout n ∈ N, en particulier C est un R-espace
vectoriel, ainsi que {0C }.
• L’ensemble K[X] des polynômes à coefficients dans K est un K-espace vectoriel. De
même l’ensemble Kn [X] des polynômes de degré inférieur ou égal à n à coefficients
dans K est un K-espace vectoriel. Par contre l’ensemble des polynômes de degré
égal à n à coefficients dans K n’est pas un K-espace vectoriel.
• Soit X un ensemble, l’ensemble F(X, K) des fonctions de X dans K muni des deux
lois + et . définies par :
f +g : X → K et λ.f : X → K
t 7→ f (t) + g(t) t 7→ λ.f (t) ,
est un K espace vectoriel.
Proposition 1.1. Si E est un K-espace vectoriel, alors pour λ ∈ K et x ∈ E, on a :
1. 0K .x = 0E et λ.0E = 0E ;
2. −(λ.x) = (−λ).x = λ.(−x).
De plus
λ.x = 0E =⇒ {x = 0E ou λ = 0K } .
Preuve.
1. On utilise le fait que 0K + 0K = 0K , on a alors
(0K + 0K ).x = 0K .x + 0K .x = 0K .x
et en ajoutant aux deux membres de l’égalité l’opposé de 0K .x, on trouve la première
égalité voulue.
Pour la deuxième, on procède de façon analogue avec 0E = 0E + 0E , d’où
λ.(0E + 0E ) = λ.0E + λ.0E = λ.0E
et on conclut de la même manière.
1.2. SOUS-ESPACES VECTORIELS 7

2. On a
λ.x + (−λ).x = (λ − λ).x = 0K .x = 0E
par la propriété 1. Et de manière similaire

λ.x + λ.(−x) = λ.(x − x) = λ.0E = 0E

par la propriété 1.

Montrons maintenant la dernière propriété. On suppose que λ.x = 0E et que λ 6= 0K , on

a alors
1 1
.(λ.x) = x = .0E = 0E .
λ λ
D’où le résultat.

1.2 Sous-espaces vectoriels

Définition 1.2. Soit E un K-espace vectoriel. Un sous-espace vectoriel de E est une
partie F de E qui vérifie les propriétés suivantes :

1. F est stable par la loi +, i.e. pour tout x, y ∈ F , x + y ∈ F ;

2. F est stable par multiplication par un scalaire, i.e. pour tout x ∈ F et pour tout
λ ∈ K, λ.x ∈ F ;

3. F muni des lois + et . (on notera (F, +, .)) est un espace vectoriel.

Cette définition n’est absolument pas pratique pour vérifier effectivement qu’une partie
donnée d’un espace-vectoriel est un sous-espace vectoriel, il y a tout simplement trop de
choses à vérifier. En fait, elle peut être considérablement simplifiée. Commençons par la
remarque suivante :
Remarque 1.2. Les propriétés 1. et 2. sont équivalentes à la propriété :

1’. F est stable par combinaison linéaire, c’est-à-dire

∀λ, µ ∈ K , ∀x, y ∈ F , λ.x + µ.y ∈ F .

Voici maintenant un critère très simple pour montrer qu’une partie d’un K-espace
vectoriel en est un sous-espace vectoriel.

Théorème 1.1. Soit E un K-espace vectoriel et F une partie de E. Les propriétés

suivantes sont équivalentes :

(i) F est un sous-espace vectoriel de E ;

(ii) 0E ∈ F et F est stable par combinaison linéaire.

8 CHAPITRE 1. ESPACES VECTORIELS

Preuve. Le fait que (i) ⇒ (ii) est évident. Montrons la réciproque. La stabilité de
F par combinaison linéaire est équivalente aux propriétés 1. et 2. de la définition 1.2
d’après la remarque ci-dessus. Montrons tout d’abord que F est un sous-groupe additif
de E. On a bien la stabilité de F par +, 0E ∈ F et de plus pour tout x ∈ F , son opposé
−x = (−1).x ∈ F par stabilité par multiplication par un scalaire. Donc F est bien un
sous-groupe de E et donc un groupe. On a ensuite la stabilté par multiplication par un
scalaire, les propriétés des opérations + et . restent bien sûr vraies sur F . Donc il suit
que (F, +, .) est un espace vectoriel.
Remarque 1.3. Attention!!! Il ne faut surtout pas oublier de montrer que 0E ∈ F , sinon
on peut démontrer que l’ensemble vide est un sous-espace vectoriel de E ce qui est faux.
Remarque 1.4. Dans le théorème précédent, on peut remplacer l’hypothèse (i) par l’hypo-
thèse “F est non vide”, du fait que si x ∈ F , on a nécessairement 0E = 0K .x ∈ F par
stabilité par multiplication par un scalaire. Un énoncé équivalent du théorème est donc
“un sous-espace vectoriel de E est une partie de E non vide et stable par combinaison
linéaire.”
Exemples.

• La droite de R2
∆ = {(x, y) ; x + 4y = 0}
est un sous-espace vectoriel de R2 .

• La droite de R2
∆ = {(x, y) ; x + 4y = 1}
n’est pas un sous-espace vectoriel de R2 .

1.3 Opérations sur les espaces vectoriels

1.3.1 Intersection de sous-espaces
Proposition 1.2. Soit E un K-espace vectoriel et F et G deux sous espaces vectoriels de
E, F ∩ G est un sous-espace vectoriel de E.

Preuve. On vérifie la caractérisation d’un sous-espace vectoriel. C’est immédiat.

1.3.2 Somme de sous-espaces

Définition 1.3. Soit E un K-espace vectoriel et F et G deux sous-espaces vectoriels de
E. On appelle somme de F et G et on note F + G l’ensemble suivant :

F + G := {x + y ; x ∈ F , g ∈ G} .
1.4. SOUS-ESPACES VECTORIELS SUPPLÉMENTAIRES 9

Proposition 1.3. La somme de deux sous-espaces vectoriels F et G de E est un sous-

espace vectoriel de E. C’est le plus petit sous-espace vectoriel de E contenant F et G, ce
qui signifie que si H est un sous-espace vectoriel de E contenant F et G, alors F +G ⊂ H,
ou de façon équivalente que F + G est l’intersection de tous les sous-espaces vectoriels de
E contenant F et G.

Preuve. Comme F et G contiennent 0E et 0E + 0E = 0E , F + G contient 0E . De

plus si u, v ∈ F + G et λ, µ ∈ K, il existe x1 , x2 ∈ F et y1 , y2 ∈ G tels que u = x1 + y1 et
v = x2 + y2 . Alors
λ.u + µ.v = λ.x1 + µ.x2 + λ.y1 + µ.y2 .
Comme F est un sous-espace vectoriel de E, il est stable par combinaison linéaire et donc
λ.x1 + µ.x2 ∈ F , de même on a λ.y1 + µ.y2 . D’où λ.u + µ.v ∈ F + G. F + G est donc stable
par combinaison linéaire, c’est donc un sous-espace vectoriel de E. Soit maintenant H un
sous-espace vectoriel de E contenant F et G, alors H est stable par addition et contient
donc tous les x + y avec x ∈ F et y ∈ G, i.e. F + G ⊂ H. Ceci conclut la preuve.

1.3.3 Produit d’espaces vectoriels

Définition 1.4. Soit E et F deux K-espaces vectoriels. On appelle produit de E et F et
on note E × F l’ensemble suivant

E × F := {(x, y) ; x ∈ E , y ∈ F }

muni de la loi interne

(x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 )

et de la loi externe
λ.(x, y) = (λ.x, λ.y) .

Proposition 1.4. E × F est un K-espace vectoriel.

Preuve. On vérifie les propriétés de la définition. Immédiat.

Exemple. R2 = R × R et on engendre ainsi par récurrence Rn = Rn−1 × R.

1.4 Sous-espaces vectoriels supplémentaires

Définition 1.5 (Somme directe). Soit E un K-espace vectoriel et F et G deux sous-
espaces vectoriels de E. En général, pour un élément z ∈ F + G, la décomposition

z = x + y, x ∈ F , y ∈ G,

n’est pas unique. Dans le cas où cette décomposition est unique pour tous les éléments de
F + G, on dira que F et G sont en somme directe et on écrira F + G = F ⊕ G.
10 CHAPITRE 1. ESPACES VECTORIELS

Proposition 1.5. Soit E un K-espace vectoriel et F et G deux sous-espaces vectoriels de

E, les propriétés suivantes sont équivalentes :

(i) F et G sont en somme directe ;

(ii) F ∩ G = {0E }.

Preuve.

(i) ⇔ (ii) On suppose F et G en somme directe. Soit z ∈ F ∩ G, alors z s’écrit

z = 0E + z , 0E ∈ F , z ∈ G ,
= z + 0E , z ∈ F , 0E ∈ G .

Mais comme la décomposition est unique, on doit avoir z = 0E . Donc F ∩G = {0E }.

(ii) ⇔ (i) On suppose que F ∩ G = {0E }. Soit z ∈ F + G, on suppose que z admet

deux décompositions distinctes

z = x1 + y1 = x2 + y2 , x1 , x2 ∈ F , y1 , y2 ∈ G

(dire que les décompositions sont distinctes signifie que x1 6= x2 ou y1 6= y2 ). Alors

0E = x2 − x1 + y2 − y1 , i.e. y2 − y1 = −(x2 − x1 ) Il suit que y2 − y1 qui est un élément
de G appartient aussi à F . Donc y2 − y1 ∈ F ∩ G et est donc nul. D’où y2 = y1 et
x2 = x1 ce qui contredit l’hypothèse.

Définition 1.6 (Sous-espaces supplémentaires). Soit E un K-espace vectoriel et F et G

deux sous-espaces vectoriels de E. On dira que F et G sont supplémentaires si F + G = E
et si de plus F et G sont en somme directe. On résume en écrivant E = F ⊕ G.

On a une caractérisation simple des sous-espaces supplémentaires qui suit directement de

la proposition précédente :

Proposition 1.6. Soit E un K-espace vectoriel et F et G deux sous-espaces vectoriels de

E, les propriétés suivantes sont équivalentes :

(i) F et G sont supplémentaires ;

(ii) F + G = E et F ∩ G = {0E }.

Exemples.
1.5. FAMILLES LIBRES, FAMILLES GÉNÉRATRICES, BASES 11

1.5 familles libres, familles génératrices, bases

On va considérer simplement le cas de familles finies de vecteurs. Commençons par définir
la notion de famille de n vecteurs et celle de combinaison linéaire. Ceci va nous amener
à définir la notion de sous-espace vectoriel engendré par une famille de vecteurs.

Définition 1.7. Soit E un K-espace vectoriel. Une famille de n vecteurs de E (où n est
un entier naturel donné) est un ensemble constitué de n éléments de E

F = {v1 , v2 , ..., vn } .

On dit que la famille est finie du fait qu’elle contient un nombre fini d’éléments, en
l’occurence n.

Définition 1.8 (Sur et sous-famille). Soit E un K-espace vectoriel et F et G deux familles

finies de vecteurs de E. On dit que :

• F est une sous-famille de G si F ⊂ G.

• F est une sur-famille de G si G ⊂ F.

1.5.1 Familles génératrices finies

Une combinaison linéaire des éléments de F est un vecteur de la forme

x = λ1 v1 + λ2 v2 + ... + λn vn ,

où λ1 , λ2 , ..., λn sont des éléments de K.

Définition 1.9 (Sous-espace engendré par une famille). Soit E un K-espace vectoriel et
F = {v1 , v2 , ..., vn } une famille de n vecteurs de E. On appelle sous-espace vectoriel de E
engendré par F l’ensemble des combinaisons linéaires des éléments de F, noté Vect(F).

Proposition 1.7. Soit E un K-espace vectoriel et F = {v1 , v2 , ..., vn } une famille de n

vecteurs de E, l’ensemble Vect(F) est un sous-espace vectoriel de E. C’est le plus petit
sous-espace vectoriel de E contenant F.

Preuve. Tout d’abord, F contient 0E car

0E = 0K .v1 + 0K v2 + ... + 0K vn .

De plus, par définition, F est stable par combinaison linéaire. Soit maintenant H un
sous-espace vectoriel de E contenant F. Comme H est stable par combinaison linéaire,
il contient Vect(F).
Exemples.
12 CHAPITRE 1. ESPACES VECTORIELS

Définition 1.10. Soit E un K-espace vectoriel et F = {v1 , v2 , ..., vn } une famille de n

vecteurs de E. On dit que la famille F est une famille génératrice de E si E = Vect(F),
c’est-à-dire si tout élément de E peut s’écrire comme combinaison linéaire d’éléments de
F.
Exemples.
Proposition 1.8. Toute sur-famille d’une famille génératrice est génératrice.
Preuve. Il suffit de bien noter les vecteurs en mettant d’abord ceux de la plus petite
famille génératrice et les autres ensuite.

1.5.2 Familles libres finies

Définition 1.11. Soit E un K-espace vectoriel. On dit qu’une famille F = {v1 , v2 , ..., vn }
de n éléments de E est une famille libre de E si

λ1 v1 + λ2 v2 + ... + λn vn = 0 ⇔ λ1 = λ2 = ... = λn = 0 ,

c’est-à-dire que la seule combinaison linéaire nulle des vi , i = 1, 2, ..., n est celle dont tous
les coefficients sont nuls.
Définition 1.12. Une famille qui n’est pas libre est dite liée.
Exemples.
On a les propriétés importantes suivantes :
Proposition 1.9. Soit E un K-espace vectoriel et F une famille finie de vecteurs de E.
1. Si F contient exactement deux vecteurs, alors F est libre si et seulement si ses deux
vecteurs ne sont pas colinéaires (autrement dit parallèles, ou encore proportionnels).

2. Si 0E ∈ F alors F est liée.

Preuve.
1. On suppose que F contient exactement deux vecteurs, i.e. F = {u, v}, u, v ∈ E.
On va montrer que F est liée si et seulement si u et v sont parallèles.
Supposons que F est liée, c’est-à-dire qu’il existe λ, µ ∈ K non tous les deux nuls
tels que
λu + µv = 0E .
Si λ 6= 0 alors on a
µ
u=− v
λ
et donc u k v. Si λ = 0 alors µ 6= 0 et
λ
v = − u,
µ
1.5. FAMILLES LIBRES, FAMILLES GÉNÉRATRICES, BASES 13

d’où u k v.
Réciproquement, supposons que u et v sont colinéaires. Si u 6= 0, il suit qu’il existe
λ ∈ K tel que v = λu, autrement dit λu − v = 0E , la famille F est donc liée. Si
u = 0E alors 1.u + 0.v = 0E et donc la famille F est liée.

2. Si 0E ∈ F, on considère la combinaison linéaire des éléments de F avec le coefficient

0K pour tous les vecteurs sauf pour le vecteur nul pour lequel on prend par exemple
1. La combinaison linéaire est nulle mais tous ses coefficients ne le sont pas, donc
la famille F est liée.

Proposition 1.10. Toute sous-famille d’une famille libre est libre. Toute sur-famille
d’une famille liée est liée.

Preuve. Encore une histoire de numérotation de vecteurs.

Proposition 1.11. Soit E un K-espace vectoriel et F = {v1 , v2 , ..., vn } une famille de E.

Alors F est libre si et seulement si, pour {λ1 , λ2 , ... , λn } et {µ1 , µ2 , ... , µn } dans K,

λ1 v1 + λ2 v2 + ... + λn vn = µ1 v1 + µ2 v2 + ... + µn vn ,

implique λ1 = µ1 , λ2 = µ2 , ..., λn = µn .

Preuve. C’est une application de la définition. L’égalité des deux combinaisons

linéaires s’écrit n
X
(λi − µi )vi = 0 (1.1)
i=1

et la famille est libre si et seulement si (1.1) implique que tous les coefficients λi − µi sont
nuls.

1.5.3 Bases et dimension

Définition 1.13. Soit E un K-espace vectoriel. On dit qu’une famille F = {e1 , e2 , ..., en }
de n éléments de E est une base de E si F est une famille libre et génératrice de E.

Exemples.

1. Dans R :

(a) F1 = {1} est une base de R ;

(b) F2 = {0} n’est ni libre ni génératrice, ce n’est pas une base de R ;
(c) F3 = {x0 } pour x0 ∈ R donné, x0 6= 0, est une base de R.

2. Dans R3 :

(a) F4 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} est une base de R3 ;
14 CHAPITRE 1. ESPACES VECTORIELS

(b) F5 = {(1, 0, 1), (0, 1, 1), (1, 1, 0)} également.

3. Dans Rn [X] :

(a) F6 = {1, X, ..., X n } est une base de Rn [X] ;

(b) F7 = {1, (X − 1), ..., (X − 1)n } également.

Proposition 1.12. Soit E un K-espace vectoriel et F = {e1 , e2 , ..., en } une base de E.

Soit x ∈ E, alors x s’écrit de manière unique sous la forme

x = λ1 e1 + λ2 e2 + ... + λn en ,

c’est-à-dire que les scalaires λ1 , λ2 , ..., λn existent et sont uniques.

Preuve. C’est une conséquence immédiate de la proposition 1.11.

Mais en fait on a équivalence.

Théorème 1.2. Soit E un K-espace vectoriel et F = {e1 , e2 , ..., en } une famille de n

vecteurs de E, alors les propriétés suivantes sont équivalentes :

(i) F est une base de E ;

(ii) pour tout x ∈ E, il existe d’uniques scalaires λ1 , λ2 , ..., λn dans K tels que

x = λ1 e1 + λ2 e2 + ... + λn en .

Preuve.

(i) ⇒ (ii) C’est la proposition précédente.

(ii) ⇒ (i) L’existence des scalaires montre que F est génératrice. L’unicité est équiva-
lente au fait que F est libre.

Théorème 1.3. Soit E un K-espace vectoriel admettant une base B = {e1 , ..., en } ayant
n éléments. Alors :

• une famille libre dans E contient au plus n éléments ;

• une famille génératrice de E contient au moins n éléments.

• Il suit que toutes les bases de E admettent exactement n éléments.

Preuve. Nous allons établir un résultat intermédiaire dont le théorème sera une con-
séquence immédiate.

Lemme 1.1. Soit E un K-espace vectoriel, soit F une famille libre finie et soit G une
famille génératrice finie. Alors ](G) ≥ ](F).
1.5. FAMILLES LIBRES, FAMILLES GÉNÉRATRICES, BASES 15

Preuve du lemme. On note F = {v1 , ..., vn } et G = {w1 , ..., wp }. On suppose que

n > p. Comme la famille G est génératrice, il suit que v1 , ..., vn peuvent tous s’écrire
comme combinaisons linéaires de e1 , ..., en , i.e. sous la forme

v1 = λ1,1 w1 + λ1,2 w2 + ... + λ1,p wn ,

v2 = λ2,1 w1 + λ2,2 w2 + ... + λ2,n wn ,
...
vn = λn,1 w1 + λn,2 w2 + ... + λn,p wp .

On veut montrer que la famille F est nécessairement liée. Pour cela, on cherche µ1 , µ2 ,
..., µn non tous nuls tels que

µ1 v1 + µ2 v2 + ... + µk vk = 0 , (1.2)

ce qui contredira le fait que la famille des vi est libre. L’équation (1.2) s’écrit

(λ1,1 µ1 + λ2,1 µ2 + ... + λn,1 µn )w1

+(λ1,2 µ1 + λ2,2 µ2 + ... + λn,2 µn )w2
...................................................
+(λ1,p µ1 + λ2,p µ2 + ... + λn,p µn )wp = 0E .

On cherche une solution telle que tous les coefficients devant les wi soient nuls. On obtient
un système de n équations linéaires à k inconnues,

λ1,1 µ1 + λ2,1 µ2 + ... + λn,1 µn = 0K

λ1,2 µ1 + λ2,2 µ2 + ... + λn,2 µn = 0K
............................................. ... ...
λ1,p µ1 + λ2,p µ2 + ... + λn,p µn = 0K .

qui admet nécessairement une infinité de solutions non nulles du fait que k > n. On en
déduit donc que F est liée, ce qui est contraire à l’hypothèse.
Revenons à la preuve du théorème.
• Soit F une famille libre, alors ](F) ≤ ](B) car B est génératrice.

• Soit G une famille génératrice, alors ](F) ≥ ](B) car B est libre.
Nous pouvons maintenant définir la notion de dimension.
Définition 1.14 (Espace vectoriel de dimension finie, infinie). Soit E un K-espace vec-
toriel.
• On dit que E est de dimension finie s’il existe une famille finie B de vecteurs de E
qui est une base de E.
16 CHAPITRE 1. ESPACES VECTORIELS

• Si ce n’est pas le cas, on dit que E est de dimension infinie.

Définition 1.15 (Dimension). Soit E un K-espace vectoriel.

• Si E est de dimension finie, soit B une base de E, alors on appelle dimension de

E, et on note dim E, le nombre d’éléments de B, i.e.

dim E = ](B) .

Autrement dit, pour n ∈ N donné, on a dim E = n si E admet une base ayant n

éléments.

• Si E est de dimension infinie, on pose dim E = +∞.

Exemples.

• {0K } est un K-espace vectoriel de dimension 0.

• R est un R-espace vectoriel de dimension 1, C est un C-espace vectoriel de dimension

1.

• R2 et C sont des R-espaces vectoriels de dimension 2.

• Pour n ∈ N∗ , Rn est un R-espace vectoriel de dimension n ; Cn est un C-espace

vectoriel de dimension n et est aussi un R-espace vectoriel de dimension 2n.

• L’ensemble
P = {(x, y, z) ∈ R3 ; x + y + 2z = 0}
est un sous-espace vectoriel de R3 de dimension 2.

• L’ensemble
D = {(x, y, z) ∈ R3 ; x + y + 2z = 0 et x + 3y = z}
est un sous-espace vectoriel de R3 de dimension 1.

• Rn [X] est un R-espace vectoriel de dimension n + 1.

• R[X] est un R-espace vectoriel de dimension infinie.

• L’ensemble des fonctions continues sur R à valeurs réelles est un R-espace vectoriel
de dimension infinie.

• Résultats analogues sur C.

Théorème 1.4. Soit E un K-espace vectoriel, on suppose que E admet une famille
génératrice finie, alors on peut en extraire une base.
1.5. FAMILLES LIBRES, FAMILLES GÉNÉRATRICES, BASES 17

Preuve. D’une famille génératrice non libre, on peut enlever un vecteur pour obtenir
une autre famille génératrice. On répète le processus jusqu’à obtenir une famille qui est
toujours génératrice mais qui est aussi libre (i.e. une base). C’est forcément le cas à
un moment, sinon on descend jusqu’à l’ensemble vide qui ne peut pas être une famille
génératrice.

Corollaire 1.1. Un K-espace vectoriel E est de dimension finie si et seulement si il admet

une famille génératrice finie.

Preuve. L’implication E de dimension finie ⇒ il existe une famille génératrice finie

est claire. La réciproque est une conséquence directe du théorème 1.4.

Théorème 1.5 (de la base incomplète). Soit E un K-espace vectoriel de dimension finie,
toute famille libre de E peut-être complétée en une base de E.

Preuve. On considère une famille génératrice de E contenant F, on en extrait une

base en enlevant des vecteurs et en prenant soin à chaque étape de n’enlever aucun vecteur
de F.
Ce théorème permet de démontrer une caractérisation utile d’un espace de dimension
infinie.

Théorème 1.6. Soit E un K-espace vectoriel, il est de dimension infinie si et seulement

si pour tout n ∈ N∗ , E admet une famille libre ayant n éléments.

Preuve. Supposons que E soit de dimension infinie. Soit n0 dans N∗ tel que E
admette une famille libre ayant n0 éléments. Pour n0 = 1 on sait que c’est vrai, il suffit
de prendre une famille contenant un vecteur non nul de E. Soit

F = {e1 , ..., en0 }

une telle famille. Elle ne peut pas être génératrice, sinon ce serait une base et E serait de
dimension finie. Alors il existe x ∈ E qui n’est pas combinaison linéaire des éléments de
F. En conséquence, F ∪ {x} est une famille libre de n0 + 1 éléments dans E. Il suit par
récurrence que E admet pour tout n ∈ N∗ une famille libre ayant n éléments.
Réciproquement, supposons que E admette pour tout n ∈ N∗ une famille libre ayant
n éléments. Si E était de dimension finie k ∈ N, toute famille libre de E aurait au plus k
éléments, ce qui est contraire à l’hypothèse. D’où E est de dimension infinie.

Théorème 1.7. Soit E un K-espace vectoriel de dimension n, les propriétés suivantes

sont équivalentes :

1. F est une base de E ;

2. F est une famille libre de n éléments ;

3. F est une famille génératrice de n éléments.

18 CHAPITRE 1. ESPACES VECTORIELS

Preuve. Par définition d’une base, on a 1. ⇒ 2. et 1. ⇒ 3. Supposons 2., si la famille

n’est pas génératrice, il existe x ∈ E qui n’est pas combinaison linéaire des éléments de
F, alors F ∪ {x} est une famille libre de n + 1 éléments dans E ce qui est absurde. Donc
2. ⇒ 3. et il suit donc aussi 2. ⇒ 1. Supposons maintenant 3., si la famille n’est pas
libre on peut en enlever un vecteur et conserver une famille génératrice, on obtient ainsi
une famille génératrice de n − 1 éléments dont on peut extraire une base. On trouve donc
une base ayant strictement moins de n éléments ce qui est absurde. Donc 3. ⇒ 2. et il
suit donc aussi 3. ⇒ 1.
On remarque que les sous-espaces vectoriels d’un espace-vectoriel de dimension finie
sont nécessairement eux-mêmes de dimension finie. On peut être plus précis :

Proposition 1.13. Soit E un K-espace vectoriel de dimension n et soit F un sous-espace-

vectoriel de E. Alors :

1. F est de dimension finie m ≤ n ;

2. dim F = n si et seulement si F = E.

Preuve.

1. Supposons que F soit de dimension infinie, alors F admet pour tout k une famille
libre de k éléments. En particulier, pour k = n + 1, soit F une telle famille. Elle
peut être complétée en une base de E qui contient strictement plus de n vecteurs.
C’est absurde. F est donc de dimension finie. Soit B une base de F , c’est une
famille libre de E, elle admet donc au plus n éléments, d’où le résultat.

2. Supposons dim F = n et F 6= E. Soit x ∈ E \ F alors x n’est pas combinaison

linéaire des éléments d’une base B quelconque de F , donc B ∪ {x} est un système
libre de n + 1 éléments, ce qui est impossible car dim E = n. Il suit que F = E. Et
bien sûr si F = E, on a bien dim F = n.

Proposition 1.14. Soit E un K-espace vectoriel de dimension finie et F et G deux sous-

espaces vectoriels de E, alors

dim(F + G) ≤ dim F + dim G .

Preuve. On prend la réunion d’une base de F et d’une base de G. On a au plus

dim F + dim G éléments et c’est une famille génératrice. D’où le résultat.
Plus précisément, on a

Théorème 1.8. Soit E un K-espace vectoriel de dimension finie et F et G deux sous-

espaces vectoriels de E, alors

dim(F + G) = dim F + dim G − dim(F ∩ G) .

1.6. EXERCICES 19

Preuve. On prend une base B de F ∩ G, on la complète en une base B1 de F en

rajoutant dim F − dim(F ∩ G) éléments et on la complète également en une base B2 de G
en rajoutant dim G − dim(F ∩ G) éléments. Alors B1 ∪ B2 est une famille génératrice de
F + G est c’est aussi une famille libre par construction. C’est donc une base de F + G.
Le nombre d’éléments qu’elle contient est

dim(F ∩ G) + dim F − dim(F ∩ G) + dim G − dim(F ∩ G) = dim F − dim G − dim(F ∩ G) .

Ceci démontre le résultat.

Corollaire 1.2. Soit E un K-espace vectoriel de dimension finie et F et G deux sous-

espaces vectoriels de E, alors dim(F + G) = dim F + dim G si et seulement si F + G =
F ⊕ G.

On peut aussi caractériser aisément la dimension d’un produit d’espaces vectoriels de

dimension finie.

Proposition 1.15. Soit E et F deux K-espaces vectoriels de dimension finie, alors E ×F

est de dimension finie et

dim(E × F ) = dim E × dim F .

Preuve. On en donne simplement l’idée principale. Si BE = {e1 , ..., en } est une base
de E et BF = {f1 , ..., fp } est une base de F , alors

{(ei , fj )}1≤i≤n , 1≤j≤p

est une base de E × F et elle contient n × p éléments.

On termine ce paragraphe avec une notion importante qui sera utilisée dans les
chapitres suivants : celle du rang d’une famille finie.

Définition 1.16. Soit E un K-espace vectoriel et F une famille finie de vecteurs dans
E. On appelle rang de F la dimension du sous-espace vectoriel Vect(F).

Remarque 1.5. Bien sûr, le rang d’une famille de n vecteurs est inférieur ou égal à n.

1.6 Exercices
Exercice 1.1. On considère dans R3 les trois sous-espaces vectoriels suivants :

F1 = {(x, y, z) ∈ R3 ; x + y = 0} ,
F2 = {(x, y, z) ∈ R3 ; x + y + z = 0 , x + y − z = 0} ,
F3 = {(x, y, z) ∈ R3 ; x + y + z = 0 , x − y = 0} .

1. F1 et F2 sont-ils supplémentaires?
20 CHAPITRE 1. ESPACES VECTORIELS

2. F1 et F3 sont-ils supplémentaires?

Exercice 1.2. Les familles de vecteurs de R3 suivantes sont-elles libres? Sont-elles généra-
trices? :

1. F1 = {(1, 0, 2), (0, 3, 0), (2, 0, 1), (2, 2, 1)},

2. F2 = {(1, 0, 2), (2, 1, 4)},

3. F3 = {(1, 1, 0), (1, 0, 1), (0, 1, 1)}.

Exercice 1.3. Dans R[X] on considère les sous-ensembles suivants :

F1 = {p ∈ R[X] ; p(0) = 0 , p0 (0) = 0 , do (p) ≤ 2} ,

F2 = {p ∈ R[X] ; p(0) = 1 , p0 (0) = 1 , do (p) ≤ 2} ,
F3 = {p ∈ R[X] ; p(1) = 0 , p0 (1) = 0 , do (p) ≤ 2} ,
F4 = {p ∈ R[X] ; (p00 (2))2 = 0 , , do (p) ≤ 2} ,
F5 = {p ∈ R[X] ; p(0) = p0 (0) = p00 (0) = 0 , do (p) ≤ 3} .

1. Parmi ces sous-ensembles de R[X], lesquels sont des sous-espaces vectoriels de R[X]?

2. Parmi ceux qui sont des sous-espaces de R[X], lesquels sont en somme directe?

3. Déterminer F1 + F4 , F3 + F4 , F1 + F4 + F5 .

Exercice 1.4. Dans un espace vectoriel de dimension 4, on considère une famille F de 5

vecteurs. La famille F peut-elle être libre? Peut-elle être génératrice?
Exercice 1.5. On considère les sous ensembles de R3 suivants :

F1 = {(x, y, z) ∈ R3 ; x = y = z} ,
F2 = {(x, y, z) ∈ R3 ; x + z = 0} ,
F3 = {(x, y, z) ∈ R3 ; x2 = y 2 } .

1. F1 , F2 , F3 sont-ils des sous-espaces vectoriels de R3 ?

2. Trouver une base de ceux qui sont des sous-espaces vectoriels de R3 .

Exercice 1.6. Soit les sous-ensembles de R3 suivants :

F1 = {(x, y, z) ∈ R3 ; x + y + z = 0} ,
F2 = {(x, y, z) ∈ R3 ; y = |x|} ,
F3 = {(x, y, z) ∈ R3 ; x = y , z = 1} ,
F4 = {(x, y, z) ∈ R3 ; x = y , z = −x} .

1. F1 est-il un sous-espace vectoriel de R3 ? Si oui donner une base de F1 .

1.6. EXERCICES 21

2. F2 est-il un sous-espace vectoriel de R3 ? Si oui donner une base de F2 .

3. F3 est-il un sous-espace vectoriel de R3 ? Si oui donner une base de F3 .

4. F4 est-il un sous-espace vectoriel de R3 ? Si oui donner une base de F4 .

Exercice 1.7. Dans R3 on considère les sous-espaces vectoriels suivants :

F1 = {(x, y, z) ∈ R3 ; x + y = 0} ,
F2 = {(x, y, z) ∈ R3 ; x − y = 0 , z = 0} ,
F3 = {(x, y, z) ∈ R3 ; x + y = 0 , z = 0} .

Déterminer les sous-espaces F1 + F2 , F1 + F3 et F2 + F3 et en donner des bases.

22 CHAPITRE 1. ESPACES VECTORIELS
Chapitre 2

Résolution de systèmes linéaires

On présente dans ce bref chapitre la méthode de Gauss qui est utile dans de nombreux
exercices dès la fin du chapitre 1.

2.1 La méthode de Gauss

Un système linéaire général de n équations à k inconnues s’écrit sous la forme suivante :


 a11 x1 + a12 x2 + ... + a1n xn = y1 ,
a21 x1 + a22 x2 + ... + a2n xn = y2 ,

(S)

 ........................................ ... ...
ak1 x1 + ak2 x2 + ... + akn xn = yk ,


où les aij et les yi sont des coefficients fixés dans K et les xi sont les inconnues que l’on
cherche dans K. La méthode de Gauss est une méthode systématique pour résoudre un
tel système. L’idée est de se ramener à un système dit triangulaire supérieur qui sera très
facile à résoudre. La méthode est décrite par l’algorithme suivant.
L’algorithme de Gauss On note L1 , L2 , ..., Lk les lignes du système.

Première étape : variable x1 . On cherche une ligne dans laquelle le coefficient de x1

est non nul, c’est-à-dire qu’on cherche i0 tel que ai0 1 6= 0.

• Si on n’en trouve pas, c’est que la variable x1 n’apparaît pas dans le système,
on passe alors à l’étape 2.
• Si on trouve un tel i0 , on garde la ligne Li0 du système et on l’utilise pour
éliminer la variable x1 des autres lignes de la façon suivante : pour j 6= i, on
remplace la ligne Lj par
aj1
Lj − Li .
ai 0 1 0
On se retrouve avec un système équivalent au premier, constitué de la ligne Li0 et
d’un sous-système de k − 1 équations avec n − 1 inconnues.

23
24 CHAPITRE 2. RÉSOLUTION DE SYSTÈMES LINÉAIRES

Deuxième étape : deuxième variable. C’est la même que l’étape 1 mais appliquée
à la variable x2 et au sous-système de k − 1 équations avec n − 1 inconnues.

Ainsi de suite avec les variables x3 , ..., xn .

Résolution. Le système est alors dans une forme où, s’il y a des solutions, on peut les
trouver en remontant de la dernière à la première équation.

Nous énonçons maintenant des propriétés sans les démontrer. Nous verrons la preuve de
ces résultats au chapitre suivant.

Proposition 2.1 (Conditions d’existence et d’unicité des solutions). On note F =

{v1 , v2 , ..., vn } la famille des vecteurs de Kn des coefficients des équations, i.e.

vi = (ai1 , ai2 , ..., ain ) .

1. Si n > k et la famille F est libre, alors le système admet une infinité de solutions.

2. Si n = k et la famille F est libre, alors le système admet exactement une solution.

3. Si la famille F n’est pas libre (par exemple si n < k), alors en général le système
n’admet pas de solution, mais cela dépend des cas.

2.2 Exercices
Exercice 2.1. Résoudre le système suivant :

 2x + y
 = 1
x + 2y + z = −1


 y + 2z + t = 1
z + 2t = −1

Chapitre 3

Applications linéaires

3.1 Definitions
Définition 3.1. Soit E et F deux K-espaces vectoriels. Une application f : E → F est
dite linéaire si pour tout x, y ∈ E et λ, µ ∈ K, on a

f (λx + µy) = λf (x) + µf (y) .

On dira aussi que f est un homomorphisme. De même, on dira que f est un :

• endomorphisme si E = F et f est linéaire ;
• isomorphisme si f est linéaire et bijective ;
• automorphisme si E = F et f est linéaire et bijective.
Remarque 3.1. On voit en particulier que si f est linéaire, alors f (0) = 0.
Exemples. Applications linéaires de R dans R, de R2 dans R2 , homotéties, rotations.
Définition 3.2. Une application linéaire d’un K-espace vectoriel E dans K est appelée
forme linéaire sur E.
Définition 3.3. Soit E et F deux K-espaces vectoriels et f : E → F une application
linéaire. On appelle :
• noyau de f et on note Kerf , le sous-ensemble de E

Kerf := {x ∈ E ; f (x) = 0} ;

• image de f et on note Imf , le sous-ensemble de F

Imf := {f (x) ; x ∈ E} .

Notations. On notera L(E, F ) l’ensemble des applications linéaires de E dans F et

L(E) l’ensemble des applications linéaires de E dans lui-même.

25
26 CHAPITRE 3. APPLICATIONS LINÉAIRES

3.2 Propriétés
Proposition 3.1. Soit E et F deux K-espaces vectoriels et f : E → F une application
linéaire, alors :
1. Kerf est un sous-espace vectoriel de E ;
2. Imf est un sous-espace vectoriel de F ;
3. si G est un sous-espace vectoriel de E, alors
f (G) = {f (x) ; x ∈ G} ,
est un sous-espace vectoriel de F .
Preuve. On montre 1. et 3. en appliquant la caractérisation des sous-espaces vecto-
riels. 2. est bien sûr une conséquence de 3.
Théorème 3.1. Soit E et F deux K-espaces vectoriels et f : E → F une application
linéaire, alors f est injective si et seulement si Kerf = {0}.
Preuve. On suppose que f est injective, c’est-à-dire que x 6= y entraine f (x) 6= f (y),
ce qui revient à dire que f (x) = f (y) entraine x = y. En particulier, il suit que si f (x) = 0
alors x = 0 car f (0) = 0.
Réciproquement, supposons que Kerf = {0} et considérons x et y tels que f (x) = f (y).
Alors par linéarité de f , f (x − y) = 0, c’est-à-dire que x − y appartient au noyau de f .
Donc, x = y, et il suit que f est injective.
Proposition 3.2. Soit E et F deux K-espaces vectoriels, L(E, F ) est un K-espace vec-
toriel.
Preuve. On vérifie une à une toutes les propriétés, il n’y a pas de difficulté mais c’est
un peu long.
Proposition 3.3. Soit E, F et G des K-espaces vectoriels.
1. Soit f ∈ L(E, F ) et g ∈ L(F, G), alors g ◦ f ∈ L(E, G).
2. Soit f ∈ L(E, F ) un isomorphisme, alors f −1 ∈ L(F, E).
Preuve.
1. On utilise successivement la linéarité de f et de g :
g ◦ f (λx + µy) = g (f (λx + µy))
= g (λf (x) + µg(y)) par linéarité de f
= λ.g(f (x)) + µ.g(f (x)) par linéarité de g
= λg ◦ f (x) + µg ◦ f (y)
d’où le résultat.
3.3. BASES, DIMENSION ET ISOMORPHISMES 27

2. Soit u, v ∈ F et λ, µ ∈ K. Comme f est un isomorphisme, f admet une application

réciproque ; on pose x := f −1 (u) et y := f −1 (v). On calcule alors

f −1 (λu + µv) = f −1 (λf (x) + µf (y))

= f −1 (f (λx + µy))
= λx + µy
= λf −1 (u) + µf −1 (v) .

3.3 Bases, dimension et isomorphismes

On commence par remarquer qu’une application linéaire est entièrement caractérisée par
les images des vecteurs de base.

Théorème 3.2. Soit E et F deux K-espaces vectoriels, on suppose que E est de dimension
finie. Soit B = {e1 , e2 , ..., en } une base de E et {f1 , f2 , ..., fn } une famille de vecteurs de F ,
alors il existe une unique application linéaire L de E dans F telle que, pour i = 1, 2, ..., n
on ait L(ei ) = fi .

Preuve. Commençons par supposer qu’une telle application existe. Soit x ∈ E,

on le décompose sur la base B : il existe d’uniques λ1 , λ2 , ...,λn dans K tels que x =
λ1 e1 + λ2 e2 + ... + λn en . Alors on a par linéarité

L(x) = λ1 L(e1 ) + λ2 L(e2 ) + ... + λn L(en ) = λ1 f1 + λ2 f2 + ... + λn fn . (3.1)

Ceci montre l’unicité de l’application L. Maintenant, si on définit L par la partie droite

de la formule (3.1), c’est-à-dire

L(x) = λ1 f1 + λ2 f2 + ... + λn fn (3.2)

pour x = λ1 e1 + λ2 e2 + ... + λn en , alors la formule (3.2) définit une application linéaire

L qui vérifie L(ei ) = fi pour i = 1, ..., n (la vérification de la linéarité est laissée en
exercice).
Ce théorème a des conséquences importantes pour la vérification de propriétés d’une
application linéaire comme l’injectivité et la surjectivité.

Corollaire 3.1. Soit E et F deux K-espaces vectoriels, E étant supposé de dimension

finie n, B = {e1 , e2 , ..., en } une base de E et L ∈ L(E, F ). On considère la famille des
vecteurs de F images des éléments de B :

F := {L(e1 ), L(e2 ), ..., L(en )} .

Alors :

1. F est une famille génératrice de Im L ;

28 CHAPITRE 3. APPLICATIONS LINÉAIRES

2. conséquemment, Im L est un sous-espace vectoriel de F de dimension finie et de

plus dim (Im L) ≤ n ;

3. L est injective si et seulement si F est une famille libre de F ;

4. L est surjective si et seulement si F est une famille génératrice de F ;

5. L est bijective si et seulement si F est une base de F .

Preuve.

1. Soit x ∈ E, il se décompose de manière unique sur la base :

x = λ1 e1 + ... + λn en ,

d’où il suit que

f (x) = λ1 f (e1 ) + ... + λn f (en ) .
Donc tout élément de Im f est combinaison linéaire des éléments de F. Ceci dé-
montre 1.

2. suit directement de 1.

3. Supposons que F soit une famille liée. Alors il existe λ1 , ..., λn non tous nuls tels
que
λ1 f (e1 ) + ... + λn f (en ) = 0 ,
c’est-à-dire
f (λ1 e1 + ... + λn en ) = 0 .
De plus, comme les λi , i = 1, 2, ..., n ne sont pas tous nuls et comme B est une base,
le vecteur λ1 e1 + ... + λn en est non nul. Il suit donc que f n’est pas injective.
Réciproquement, supposons que f n’est pas injective, alors il existe un x ∈ E non
nul tel que f (x) = 0. On décompose x sur la base B :

x = λ1 e1 + ... + λn en

avec λ1 , ..., λn non tous nuls. Il suit que

λ1 f (e1 ) + ... + λn f (en ) = 0

et la famille F est donc liée. Ceci démontre 3.

4. On a vu que F est une famille génératrice de Im f . Et de plus f est surjective si et

seulement si Im f = F . D’où le point 4.

5. est une conséquence des deux points précédents.

Ceci implique un résultat fondamental.

3.3. BASES, DIMENSION ET ISOMORPHISMES 29

Théorème 3.3. Soit E et F deux K-espaces vectoriels. On suppose que E est de dimen-
sion finie et qu’il existe un isomorphisme de E dans F . Alors F est de dimension finie
et dim E = dim F .

Preuve. C’est une conséquence directe du point 5 du corollaire précédent.

On a aussi une autre conséquence simple mais utile :

Corollaire 3.2. Soit E et F deux K-espaces vectoriels de dimension finie, on note n =

dim E et p = dim F . Soit L ∈ L(E, F ).

1. Si n < p alors L n’est pas surjective.

2. Si n > p alors L n’est pas injective.

De plus, à l’aide de la caractérisation des bases donnée dans le théorème 1.7, on peut
donner une caractérisation des isomorphismes.

Théorème 3.4. Soit E et F deux K-espaces vectoriels de dimension finie ayant même
dimension et soit L ∈ L(E, F ). Les propriétés suivantes sont équivalentes :

(i) L est un isomorphisme de E sur F ;

(ii) L est injective ;

(iii) L est surjective.

Preuve. C’est une conséquence immédiate du théorème 1.7 et du corollaire 3.1.

Remarque 3.2. En particulier, ce théorème s’applique aux endomorphismes sur un espace
vectoriel de dimension finie. Attention toutefois, si la dimension est infinie, ce n’est plus
vrai et on peut trouver des contre-exemples!
On a un théorème essentiel relatif aux dimensions et aux applications linéaires, c’est
le théorème du rang.

Théorème 3.5 (du rang). Soit E et F deux K-espaces vectoriels. On suppose que E est
de dimension finie. Soit L ∈ L(E, F ), alors

dim E = dim (Im L) + dim (Ker L) .

Preuve. Le cas où L = 0 est immédiat et le résultat du théorème est clairement

vérifié du fait que Ker L = E et Im L = {0}. Lorsque L 6= 0, son noyau est différent de E
et il existe alors un sous-espace supplémentaire de Ker L dans E. Nous allons énoncer un
résultat tout aussi important que le théorème du rang et dont celui-ci sera une conséquence
simple.

Lemme 3.1. Sous les hypothèses du théorème, en supposant de plus que L 6= 0, on

considère G un sous-espace vectoriel supplémentaire de Ker L. Alors la restriction de L
à G est un isomorphisme de G sur Im L.
30 CHAPITRE 3. APPLICATIONS LINÉAIRES

Preuve du lemme. L est injective sur G. En effet, soit x ∈ G tel que L(x) = 0 alors
x ∈ G ∩ Ker L = {0} et donc x = 0. De plus, pour tout x ∈ E, on a la décomposition
unique
x = y + z , y ∈ Ker L , z ∈ G
et
L(y + z) = L(y) + L(z) = 0 + L(z) = L(z) .
Donc tout élément de Im L est l’image par L d’un élément de G. L est donc bijective de
G sur Im L.
On déduit du lemme précédent que dim G = dim Im L et de plus, comme G et Ker L
sont supplémentaires, on a dim G + dim Ker L = dim E. D’où le Théorème du rang.

3.4 Projections et symétries

On considère un K-espace vectoriel E et deux sous-espaces vectoriels supplémentaires F
et G. Dans cette situation, tout élément x de E s’écrit de manière unique sous la forme

x = xF + xG , xF ∈ F et xG ∈ G .

Dire que cette décomposition est unique signifie qu’à un x donné est associé un unique
xF et un unique xG , que l’on peut considérer comme les “composantes” de x sur F et sur
G. L’exemple typique de ce genre de décomposition est le suivant : E = R2 , F est l’axe
des abscisses et G l’axe des ordonnées, c’est-à-dire

F = {(x, 0) ; x ∈ R} , G = {(0, y) ; y ∈ R} .

Tout vecteur (x, y) de R2 se décompose de manière unique en la somme d’un élément de

F et d’un élément de G et cette décomposition s’écrit

(x, y) = (x, 0) + (0, y) .

L’unicité de la décomposition permet de définir les applications suivantes.

Définition 3.4. On se place dans la situation générale décrite ci-dessus, avec E, F et G

tels que E = F ⊕ G et pour x ∈ E quelconque, on note xF et xG ses composantes sur F
et G.

1. On appelle projection sur F parallèlement à G l’application qui à x ∈ E associe xF .

On note cette application PF .

2. De même, on appelle projection sur G parallèlement à F l’application qui à x ∈ E

associe xG . On note cette application PG .

3. On appelle symétrie par rapport à F parallèlement à G l’application qui à x ∈ E

associe xF − xG . On note cette application SF .
3.4. PROJECTIONS ET SYMÉTRIES 31

4. De même, on appelle symétrie par rapport à G parallèlement à F l’application qui

à x ∈ E associe −xF + xG . On note cette application SG .

Proposition 3.4. Dans la situation de la définition précédente, les applications PF , PG ,

SF et SG sont linéaires. De plus elles ont les propriétés suivantes :

1. Ker PF = G, Im PF = F = {x ∈ E ; PF x = x} ;

2. Ker PG = F , Im PG = G = {x ∈ E ; PG x = x} ;

3. Ker SF = {0}, Im SF = E ;

4. Ker SG = {0}, Im SG = E ;

5. F = {x ∈ E ; SF x = x}, G = {x ∈ E ; SF x = −x} ;

6. F = {x ∈ E ; SG x = −x}, G = {x ∈ E ; SG x = x} ;

7. PF + PG = Id ;

8. PF − PG = SF , PG − PF = SG ;

9. PF ◦ PG = PG ◦ PF = 0 ;

10. SF ◦ SG = SG ◦ SF = −Id.

Preuve. C’est un ensemble d’exercices qui sont des applications de la définition des
sous-espaces vectoriels supplémentaires. Quelques uns seront traités en cours et en TD si
on le souhaite.
Les projections et symétries ont d’autres propriétés importantes dont on va voir qu’elles
les caractérisent.

Proposition 3.5. Dans la situation de la définition précédente, on a

1. PF ◦ PF = PF , PG ◦ PG = PG ;

2. SF ◦ SF = Id, on dit que SF est une involution, de même bien sûr SG ◦ SG = Id.

Preuve. La preuve est encore un exercice d’application des définitions.

On a en fait un résultat beaucoup plus fort :

Théorème 3.6. Soit E un K-espace vectoriel.

1. Soit P un endomorphisme de E, les propriétés suivantes sont équivalentes :

(i) P ◦ P = P ;
(ii) P est une projection, c’est la projection sur Im P et parallèlement à Ker P .

2. Soit S un endomorphisme de E, les propriétés suivantes sont équivalentes :

32 CHAPITRE 3. APPLICATIONS LINÉAIRES

(i) S ◦ S = Id ;
(ii) S est une symétrie, si on note

F = {x ∈ E ; Sx = x} , G = {x ∈ E ; Sx = −x} ,

S est la symétrie par rapport à F parallèlement à G.

Preuve. Dans les deux cas, on a déjà vu que (ii) ⇒ (i). On ne démontre donc que
les implications réciproques.
1. Considérons une application linéaire P de E dans lui-même telle que P ◦ P = P .
Montrons que E = Im P ⊕ Ker P . Soit x ∈ E, on a

x = Px + x − Px, (3.3)

et on a clairement que P x ∈ Im P et x − P x ∈ Ker P . Reste à voir que Im P ∩ Ker P

est réduit à {0}. Soit x ∈ Im P ∩ Ker P , il existe y ∈ E tel que x = P y. Il suit que

0 = P x = P (P y) = P y = x .

D’où E = Im P ⊕ Ker P . La décomposition (3.3) est donc unique et P est bien la

projection sur Im P parallèlement à Ker P .

2. On considère maintenant une application linéaire S de E dans lui-même telle que

S ◦ S = Id. On pose

F := {x ∈ E ; Sx = x} , G := {x ∈ E ; Sx = −x} .

Montrons que E = F ⊕ G. Pour x ∈ E, on a

1 1
x= (x + Sx) + (x − Sx) , (3.4)
2 2
et 21 (x + Sx) ∈ F et 12 (x − Sx) ∈ G. De plus, par définition, F ∩ G = {0}. La
décomposition (3.4) est donc unique, il suit que
1 1
(x + Sx) = PF x et (x − Sx) = PG x .
2 2
Donc, on en déduit que S = PF − PG et c’est bien la symétrie par rapport à F
parallèlement à G.

3.5 Exercices
Exercice 3.1. Parmi les applications de R2 dans R suivantes, dire lesquelles sont linéaires
et lesquelles ne le sont pas :

L1 (x, y) = xy , L2 (x, y) = x + y , L3 (x, y) = 1 + x , L4 (x, y) = 3x .

3.5. EXERCICES 33

Exercice 3.2. On considère l’application linéaire L de R3 dans R3 telle que :

L(1, 0, 0) = (2, 3, 2) , L(0, 1, 0) = (1, 0, 1) , L(0, 0, 1) = (0, 1, 0) .

1. Déterminer l’image de L.

2. Déterminer L(x, y, z) pour (x, y, z) ∈ R3 .

3. Déterminer le noyau de L.

Exercice 3.3. Soit L l’application de R2 dans R3 définie par

L(x, y) = (x + y, −x − y, x) .

1. Montrer que L est linéaire.

2. Montrer que L est injective.

3. L est-elle surjective?

Exercice 3.4. Soit L l’application linéaire de R3 dans R3 définie par

L(x, y, z) = (x + z, −x + y, y + z) .

1. Déterminer les vecteurs V1 = L(1, 0, 0), V2 = L(0, 1, 0) et V3 = L(0, 0, 1).

2. La famille {V1 , V2 , V3 } est-elle libre?

3. L est-elle surjective?

4. Trouver une base de Im(L).

Exercice 3.5. Soit l’application L : R3 → R3 définie par

L(x, y, z) = (x + y, x + z, y + z) .

1. Montrer que L est linéaire.

2. L’application L est-elle un isomorphisme de R3 ?

Exercice 3.6. Les applications linéaires suivante sont-elles surjectives? Sont-elles injec-
tives?

• L1 : R2 → R3 , L1 (x, y) = (x + y, 2x − y, x + 3y),

• L2 : R3 → R2 , L2 (x, y, z) = (x + y, x + y + z),

• L3 : R3 → R2 , L3 (x, y, z) = (2x + 2y + 2z, x + y + z).

34 CHAPITRE 3. APPLICATIONS LINÉAIRES

Exercice 3.7. Soit L l’application linéaire de R3 dans R3 définie par

L(x, y, z) = (x + y + 2z, x + z, x − y) .

1. Déterminer les vecteurs V1 = L(1, 0, 0), V2 = L(0, 1, 0) et V3 = L(0, 0, 1).

2. La famille {V1 , V2 , V3 } est-elle libre?

3. L est-elle surjective?

4. Trouver une base de Im(L)

Exercice 3.8. Soit l’application de R3 dans lui-même définie par

L(x, y, z) = (2x + y + z, 2x + y − z, x + y) .

1. Montrer que L est linéaire.

2. Déterminer le noyau de L et en déduire la dimension de l’image de L.

3. Trouver une base de Im L.

Exercice 3.9. On considère l’application linéaire L de R3 dans lui-même définie par

L(x, y, z) = (x + y, y + 2z, x + 2y + 2z) .

1. Déterminer le noyau de L.

2. En déduire la dimension de Im (L).

3. Trouver une base de Im (L).

Exercice 3.10. Soit l’application de R2 dans lui-même définie par

L(x, y) = (0, y − x) .

1. Montrer que L est linéaire.

2. Déterminer L ◦ L.

3. En déduire que L est une projection sur une droite que l’on déterminera, parallèle-
ment à une autre droite que l’on déterminera.

Exercice 3.11. Soit l’application de R2 dans lui-même définie par

L(x, y) = (2x − 3y, x − 2y) .

1. Montrer que L est linéaire.

2. Déterminer L ◦ L.
3.5. EXERCICES 35

3. En déduire que L est une symétrie sur une droite que l’on déterminera, parallèlement
à une autre droite que l’on déterminera.

Exercice 3.12. Soit E un R-espace vectoriel de dimension 4 muni d’une base B = {e1 , e2 , e3 , e4 }.
Soit f une application linéaire de E dans lui-même telle que

f (e1 ) = e1 + e2 + e3 + e4 , f (e2 ) = e1 − e2 + e3 − e4 ,
f (e3 ) = −e1 + e2 + e3 − e4 , f (e4 ) = e1 − e2 − e3 + e4 .

L’application f est-elle un isomorphisme de E?

Exercice 3.13. Soit E = Pn [R] le R-espace vectoriel des polynômes à coefficients réels
et de degré inférieur ou égal à n. On considère l’application L qui à p ∈ E associe le
polynôme L(p) défini par L(p)(x) = xp0 (x).

1. Montrer que L est une application linéaire de E dans lui-même.

2. Déterminer le noyau de L.

3. En déduire la dimension de l’image de L.

4. Déterminer l’image de L.

Exercice 3.14. Soit E = P [R] le R-espace vectoriel des polynômes à coefficients réels. On
considère l’application Φ qui à p ∈ E associe le polynôme Φ(p) = p0 . On admettra que Φ
est linéaire de E dans lui-même.

1. Φ est-elle injective?

2. Φ est-elle surjective?
36 CHAPITRE 3. APPLICATIONS LINÉAIRES
Chapitre 4

Matrices

4.1 Matrice d’une application linéaire

On considère E et F deux espaces vectoriels de dimension finie, dim E = n, dim F = p.
On considère une base de E
BE = {e1 , e2 , ..., en }
et une base de F
BF = {f1 , f2 , ..., fp } .
On considère L ∈ L(E, F ). L’image par L du i-éme vecteur de base ej est un élément
de F et peut donc se décomposer sur la base BF . On écrit la décomposition de la façon
suivante :
L(ej ) = a1j f1 + a2j f2 + ... + apj fp .
On remarque que l’application L est entièrement déterminée par la collection des coeffi-
cients {aij }1≤i≤p , 1≤j≤n . En effet, si x ∈ E, il se décompose de manière unique sur la base
B sous la forme
x = λ1 e1 + λ2 e2 + ... + λn en
et L(x) s’écrit alors sous la forme
p p
n n X n
!
X X X X
L(x) = λj L(ej ) = aij λj fi = aij λj fi . (4.1)
j=1 i=1 i=1 i=1 i=1

Définition 4.1. On appelle matrice de L dans les bases BE et BF , le tableau A de p

lignes et n colonnes dans lequel la collection des coefficients aij est organisée de la façon
suivante :  
a11 a12 . . . a1n
 a21 a22 . . . a2n 
 
 . . . 
A=  .
 . . . 

 . . . 
ap1 ap2 . . . apn

37
38 CHAPITRE 4. MATRICES

On a rangé les coefficients de telle sorte que la j-ème colonne représente les composantes
de L(ej ) dans la base BF .
Exemples. On prendra notamment les exemples les plus simples de projections et de
symétries dans R2 avec les bases canoniques.

4.2 Matrices, produit de matrices

Définition 4.2. Une matrice A à n lignes et k colonnes (on parlera de matrice n × k) à
coefficients dans K est un tableau de la forme suivante :
 
a11 a12 . . . a1k
 a21 a22 . . . a2k 
 
 . . . 
A=  .
,
 . . 

 . . . 
an1 an2 . . . ank
où les coefficients {aij } sont dans K.
Définition 4.3. Soit n ∈ N∗ et k ∈ N∗ , on notera Mnk (K) l’ensemble des matrices à
n × k à coefficients dans K. Cet ensemble est muni d’une addition et d’une multiplication
par un scalaire définies comme suit : soit
   
a11 a12 . . . a1k b11 b12 . . . b1k
 a21 a22 . . . a2k   b21 b22 . . . b2k 
   
 . . .   . . . 
A= 
 et B =  .
 
 . . .   . . 

 . . .   . . . 
an1 an2 . . . ank bn1 bn2 . . . bnk
deux éléments de Mnk (K), soit λ ∈ K
 
a11 + b11 a12 + b12 . . . a1k + b1k
 a21 + b21 a22 + b22 . . . a2k + b2k 
 
 . . . 
A+B = ,

 . . . 

 . . . 
an1 + bn1 an2 + bn2 . . . ank + bnk
c’est-à-dire qu’on fait la somme coefficients par coefficient, et
 
λa11 λa12 . . . λa1k
 λa21 λa22 . . . λa2k 
 
 . . . 
λ.A = 
 ,
 . . . 

 . . . 
λan1 λan2 . . . λank
4.3. LIEN AVEC LES APPLICATIONS LINÉAIRES 39

c’est-à-dire qu’on multiplie tous les coefficients par λ.

Proposition 4.1. L’ensemble Mnk (K) muni des deux lois ci-dessus est un K-espace
vectoriel de dimension n × k.
Preuve. Elle est immédiate. On l’admettra.
On peut définir une autre opération entre matrices : le produit.
Définition 4.4. On considère n, k, p ∈ N∗ et deux matrices
   
a11 a12 . . . a1k b11 b12 . . . b1p
 a21 a22 . . . a2k   b21 b22 . . . b2p 
   
 . . .   . . . 
A=  . ∈ Mnk (K) , B =    ∈ Mkp (K) .
 . .   . . . 

 . . .   . . . 
an1 an2 . . . ank bk1 bk2 . . . bkp

On définit le produit de A et de B comme la matrice C ∈ Mnp (K)

 
c11 c12 . . . c1p
 c21 c22 . . . c2p 
 
 . . . 
C=  .
,
 . . 

 . . . 
cn1 cn2 . . . cnp
où les coefficients de C sont donnés par
k
X
cij = aik bkj ,
m=1

c’est-à-dire que cij est donné par le “produit scalaire” de la i-ème ligne de A et de la j-ème
colonne de B.

4.3 Lien avec les applications linéaires

Tout d’abord, à toute matrice n×k à coefficients dans K, on peut associer une application
linéaire dont elle est la matrice.
Proposition 4.2. Soit A ∈ Mkn (K), E un K-espace vectoriel de dimension n, on con-
sidère BE = {e1 , e2 , ..., en } une base de E, soit F un K-espace vectoriel de dimension k,
BF = {f1 , f2 , ..., fk } une base de F . Il existe une unique application linéaire L ∈ L(E, F )
ayant A pour matrice relativement aux bases BE et BF . Elle est définie par
k
X
Lej = aij fi .
i=1
40 CHAPITRE 4. MATRICES

Preuve. La démonstration est évidente, elle suit de la définition de la matrice d’une

application linéaire relativement à un choix de base et du théorème 3.2.
On effectue maintenant le lien entre une combinaison linéaire d’applications linéaires
et la combinaison linéaire des matrices associées.

Proposition 4.3. Soit E un K-espace vectoriel de dimension n, BE une base de E, soit

F un K-espace vectoriel de dimension k, BF une base de F , soit L1 , L2 deux applications
linéaires de E dans F , soit λ, µ ∈ K, soit A1 , A2 ∈ Mkn (K) les matrices de L1 et L2
relativement aux bases BE et BF . Alors la matrice de λL1 + µL2 relativement aux bases
BE et BF est λA1 + µA2 .

Preuve. Evidente.
On va voir que dans le cadre des applications linéaires entre espaces vectoriels de di-
mension finie, lorsqu’on choisit des bases dans l’espace de départ et dans l’espace d’arrivée,
le produit matriciel intervient naturellement pour exprimer l’image d’un vecteur quel-
conque. De même la matrice de la composée d’applications linéaires sera obtenue en
effectuant le produit des matrices de chaque application linéaire.

Proposition 4.4. Soit E et F deux K-espaces vectoriels de dimension finie, on note n

la dimension de E et p la dimension de F . On considère BE = {e1 , ..., en } une base de E
et BF = {f1 , ..., fp } une base de F . Soit L ∈ L(E, F ) et v ∈ E. On peut écrire le vecteur
v dans la base BF comme le vecteur colonne
 
v1
 v2 
 
 . 
V =  ,
 . 

 . 
vn

ce qui signifie que V s’écrit

v = v1 e1 + v2 e2 + ... + vn en .

On note A la matrice de L dans les bases BE et BF :

 
a11 a12 . . . a1n
 a21 a22 . . . a2n 
 
 . . . 
A=  .
.
 . . 

 . . . 
ap1 ap2 . . . apn

On appelle w = L(v) l’image par L de v. Son expression dans la base BF sera notée

w = w1 e1 + w2 e2 + ... + wn en
4.3. LIEN AVEC LES APPLICATIONS LINÉAIRES 41

et représentée par le vecteur colonne

 
w1

 w2 

 . 
W = .

 . 

 . 
wn

Alors W est donné par le produit matriciel de A par V , c’est-à-dire W = AV .

Preuve. On rappelle la signification de la matrice de L : la j-ème colonne de A est

le vecteur des composantes de L(ej ) dans la base BF , c’est-à-dire

p
X
L(ej ) = aij fi .
i=1

On écrit maintenant L(v) :

n
X
L(v) = vj L(ej )
j=1
n p
X X
= vj aij fi
j=1 i=1
pn
!
X X
= aij vj fi
i=1 j=1

et on vérifie que AV est une matrice p×1,

Pn c’est-à-dire un vecteur colonne à p composantes,
et que la i-ème composante est bien j=1 aij vj .

Proposition 4.5. On considère E, F et G trois K-espaces vectoriels de dimension finie,

n = dim E, k = dim F , p = dim G, BE une base de E, BF une base de F , BG une base
de G. Soit L1 ∈ L(E, F ), L2 ∈ L(F, G), on note A ∈ Mkn (K) la matrice de L1 dans
les bases BE et BF et B ∈ Mpk (K) la matrice de L2 dans les bases BF et BG . Alors
la matrice C ∈ Mpn (K) de L2 ◦ L1 dans les bases BE et BG est donnée par le produit
matriciel C = BA.

Preuve. On note {e1 , ..., en } les vecteurs de la base BE , {f1 , ..., fk } les vecteurs de la
base BF et {g1 , ..., gp } les vecteurs de la base BG . Si on note C la matrice de L2 ◦ L1 dans
les bases BE et BG , le coefficient Cij est le coefficient selon gi de la décomposition sur la
42 CHAPITRE 4. MATRICES

base Bg du vecteur L2 ◦ L1 (ej ). Ecrivons ce vecteur en détails :

L2 ◦ L1 (ej ) = L2 (L1 (ej ))

k
!
X
= L2 alj fl
l=1
k
X
= alj L2 (fl )
l=1
k p
X X
= alj bil gi
l=1 i=1
pk
!
X X
= bil alj gi
i=1 l=1

et on voit que le coefficient devant gi est bien le coefficient de la i-ème ligne et de la j-ème
colonne de la matrice BA.

4.4 Changement de base

On considère E un K-espace vectoriel de dimension n et deux bases de E

B1 = {e1 , e2 , ..., en } , B2 = {f1 , f2 , ..., fn } .

On peut décomposer les vecteurs de la base B2 sur la base B1 : on note

f1 = p11 e1 + p21 e2 + ... + pn1 en ,

f2 = p12 e1 + p22 e2 + ... + pn2 en ,
... (4.2)
fn = p1n e1 + p2n e2 + ... + pnn en . (4.3)

Considérons maintenant un vecteur v ∈ E et sa décomposition dans la base B2 :

v = λ1 f1 + λ2 f2 + ... + λn fn .

En utilisant (4.3), on peut en déduire la décomposition de v sur la base B1 :

v = λ1 (p11 e1 + p21 e2 + ... + pn1 en )

+λ2 (p12 e1 + p22 e2 + ... + pn2 en )
+... + λn (p1n e1 + p2n e2 + ... + pnn en )
= (p11 λ1 + p12 λ2 + ... + p1n λn ) e1
+ (p21 λ1 + p22 λ2 + ... + p2n λn ) e2
+... + (pn1 λ1 + pn2 λ2 + ... + pnn λn ) en . (4.4)
4.4. CHANGEMENT DE BASE 43

Si maintenant on définit la matrice

 
p11 p12 . . . p1n

 p21 p22 . . . p2n 

 . . . . . . 
P = 

 . . . . . .  
 . . . . . . 
pn1 pn2 . . . pnn

et les vecteurs colonne  

λ1

 λ2 

 . 
W = 

 . 

 . 
λn
et  
µ1

 µ2 

 . 
V = 

 . 

 . 
µn
où
v = µ1 e1 + µ2 e2 + ... + µn en ,
alors (4.4) peut s’exprimer sous forme de produit de matrice de la façon suivante :

V = PW .

On énonce ce résultat sous forme d’un théorème avec des notations plus explicites :

Théorème 4.1. Soit E un K-espace vectoriel de dimension n sur lequel on considère

deux bases
B1 = {e1 , e2 , ..., en } et B2 = {f1 , f2 , ..., fn } .
On définit la matrice PB1 ,B2 contenant les composantes des vecteurs de la base B2 dans la
base B1 rangées en colonne :
 
p11 p12 . . . p1n
 p21 p22 . . . p2n 
 
 . . . . . . 
PB1 ,B2 = 
 .

 . . . . .  
 . . . . . . 
pn1 pn2 . . . pnn
44 CHAPITRE 4. MATRICES

où

f1 = p11 e1 + p21 e2 + ... + pn1 en ,

f2 = p12 e1 + p22 e2 + ... + pn2 en ,
...
fn = p1n e1 + p2n e2 + ... + pnn en .

Soit v ∈ E, le vecteur colonne VB1 de ses composantes dans la base B1 s’obtient en fonction
du vecteur colonne VB2 de ses composantes dans la base B2 par le produit matriciel :

VB1 = PB1 ,B2 VB2 .

Définition 4.5. La matrice PB1 ,B2 ci-dessus s’appelle la matrice de passage de la base B2
à la base B1 .

Remarque 4.1. Noter que l’ordre des bases dans la notation est naturel.
La proposition suivante est une conséquence de la définition d’une matrice de passage.

Proposition 4.6. Si on dispose de trois bases B1 , B2 et B3 sur E, on a les identités

PB1 ,B2 PB2 ,B3 = PB1 ,B3 .

En particulier, il suit que

PB1 ,B2 PB2 ,B1 = In et PB2 ,B1 PB1 ,B2 = In

où In est la “matrice identité” d’ordre n

 
1 0 . . . 0
 0 1 . . . 0 
 
 . . . . . . 
I=  .
.
 . . . . . 

 . . . . . . 
0 0 . . . 1

Lorsqu’on applique la matrice identité à un vecteur (par produit matriciel avec le vecteur
colonne) le vecteur reste inchangé.

Ce qui précède a une application directe au calcul de la matrice d’une application

linéaire lorsqu’on change les bases dans les espaces de départ et d’arrivée.

Théorème 4.2. Soit E un K-espace vectoriel de dimension n et F un K-espace vectoriel

de dimension k. On considère deux bases de E

BE1 = {e1 , e2 , ..., en } , BE2 = {v1 , v2 , ..., vn }

4.5. EXERCICES 45

et deux bases de F

BF1 = {f1 , f2 , ..., fk } , BF2 = {w1 , w2 , ..., wk } .

Soit L ∈ L(E, F ), on considère A ∈ Mkn (K) la matrice de L relativement aux bases BE1
et BF 1 et B ∈ Mkn (K) la matrice de L relativement aux bases BE2 et BF 2 . Alors on a la
relation suivante
B = PBF2 ,BF1 APBE1 ,BE2 .

Remarque 4.2. Une façon plus lourde d’écrire cette relation mais qui a un avantage du
point de vue mnémotechnique est la suivante : on écrit

A = MatBF1 ,BE1 (L) , B = MatBF2 ,BE2 (L) ,

pour “matrice de L relativement aux bases etc...”. On a alors

 
MatBF2 ,BE2 (L) = PBF2 ,BF1 MatBF1 ,BE1 (L) PBE1 ,BE2

et on voit que les bases se suivent dans l’écriture dans un ordre logique.
On a un résultat évident mais important.

Proposition 4.7. Soit E un K-espace vectoriel de dimension n, n ∈ N∗ et L ∈ L(E) un

endomorphisme de E. Soit B une base de E et A la matrice de L dans la base B, i.e.
A = MatB,B (L). Alors A = In si et seulement si L = IdE .

4.5 Exercices
Exercice 4.1. On considère les applications suivantes :

L1 : R2 → R2 , L1 (x, y) = (0, y − x) ;
L2 : R2 → R2 , L2 (x, y) = (2x − 3y, x − 2y) ;
L3 : Rn → Rn , L3 = IdRn ;
L4 : R2 → R3 , L4 (x, y) = (x − y, y − x, 2x − 4y) .

Déterminer leurs matrices dans les bases canoniques des espaces de départ et d’arrivée.
Exercice 4.2. Soit A ∈ M23 (R) et B ∈ M32 (R) données par
 
  1 1
1 2 1
A= , B =  0 −1  .
0 1 −1
2 0

Calculer AB et BA.
46 CHAPITRE 4. MATRICES

Exercice 4.3. On considère l’application linéaire L1 de R3 dans R3 et l’application linéaire

L2 de R3 dans R3 définies par :

L1 (x, y, z) = (x − 2y + z, −x + 2y − z, x − 2y + z) , L2 (x, y, z) = (x + y, x − z, y + z) .

On munit R2 et R3 de leurs bases canoniques.

1. Déterminer la matrice de L1 .

2. Déterminer la matrice de L2 .

3. Déterminer la matrice de L2 ◦ L1 .

4. Déterminer la matrice de L1 ◦ L2 .

Exercice 4.4. On considère B1 = {e1 , e2 , e3 } la base canonique de R3 (c’est-à-dire que

e1 = (1, 0, 0), e2 = (0, 1, 0) et e3 = (0, 0, 1)) et B̃1 = {f1 , f2 , f3 } la base de R3 définie par
f1 = (1, 2, 1), f2 = (1, −1, 0), f3 = (1, 0, 0).

1. Ecrire la matrice de passage PB1 ,B̃1 .

2. Exprimer e1 en fonction de f3 , puis exprimer e2 en fonction de f3 et f2 . Enfin,

exprimer e1 en fonction de f1 , f2 et f3 .

3. En déduire la matrices de passage PB̃1 ,B1 .

4. Soit le vecteur V = (1, 2, 3). Déterminer ses composantes dans la base B̃1 .

5. Soit l’application linéaire L de R3 dans R2 définie par

L(x, y, z) = (x − y, x + y + z) .

On note B2 = {g1 , g2 } la base canonique de R2 , c’est-à-dire g1 = (1, 0), g2 = (0, 1).

(a) Déterminer la matrice de L de la base B1 dans la base B2 .

(b) Déterminer la matrice de L de la base B̃1 dans la base B2 .

Exercice 4.5. On considère l’application linéaire L1 de R3 dans R2 et l’application linéaire

L2 de R2 dans R3 définies par :

L1 (x, y, z) = (x − 2y, 3x − y + z) , L2 (x, y) = (x + y, x + 2y, 3y) .

1. Déterminer la matrice de L1 dans les bases canoniques de R3 et de R2 .

2. Déterminer la matrice de L2 dans les bases canoniques de R2 et de R3 .

3. Déterminer la matrice de L2 ◦ L1 dans la base canonique de R3 .

4. Calculer L2 ◦ L1 (x, y, z).

4.5. EXERCICES 47

Exercice 4.6. On considère B1 = {e1 , e2 } la base canonique de R2 (c’est-à-dire e1 = (1, 0)

et e2 = (0, 1)) et B2 = {f1 , f2 } la base de R2 définie par f1 = (1, 2), f2 = (1, −1).

1. Déterminer les matrices de passage PB1 ,B2 et PB2 ,B1 .

2. Soit le vecteur V = (2, 3). Déterminer ses composantes dans la base B2 .

3. Soit l’application linéaire L de R2 dans lui-même définie par

L(x, y) = (x + y, x − y) .

(a) Déterminer la matrice de L dans la base B1 .

(b) Déterminer la matrice de L dans la base B2 .

Exercice 4.7. Soit l’application L : R3 → R3 définie par

L(x, y, z) = (x + 3z, 2x + 2y + z, 4x + y + 2z) .

On admettra que L est linéaire.

1. Déterminer la matrice MatB,B (L) où B est la base canonique de R3 .

2. L’application L est-elle un isomorphisme de R3 .

3. On considère la famille de vecteurs de R3

F = {(1, 2, 4), (0, 2, 1), (3, 1, 2)} .

En utilisant la question précédente, déterminer si F est une base de R3 .

Exercice 4.8. Soit E un R-espace vectoriel de dimension 3 et B = {e1 , e2 , e3 } une base

de E. Soit F un R-espace vectoriel de dimension 2 et B 0 = {f1 , f2 } une base de F .
Soit L1 ∈ L(E, F ) définie par L1 (xe1 + ye2 + ze3 ) = (x + y + z)f1 + (x + z)f2 et soit
L2 ∈ L(F, E) définie par L2 (af1 + bf2 ) = (a + 2b)e1 + (a − b)e2 + be3 .

1. Déterminer MatB0 ,B (L1 ).

2. Déterminer MatB,B0 (L2 ).

3. Déterminer MatB,B (L2 ◦ L1 ).

48 CHAPITRE 4. MATRICES
Chapitre 5

Déterminant et valeurs propres

Dans tout ce dernier chapitre, on se place dans un K-espace vectoriel E de dimension n,

muni d’une base B = {e1 , e2 , ..., en } et on va étudier certaines propriétés des applications
linéaires de E dans lui-même (les endomorphismes de E).

5.1 Valeurs propres, vecteurs propres

Définition 5.1. Soit L ∈ L(E). On dira que λ ∈ K est valeur propre de L s’il existe
v ∈ E, v 6= 0 tel que L(v) = λv. Un tel vecteur v est appelé vecteur propre de L associé
à λ.

Proposition 5.1. Soit L ∈ L(E) et λ ∈ K. L’ensemble des vecteurs propres de L associés

à λ (union avec {0}) est Ker (λ Id − L), c’est donc un sous-espace vectoriel de E.

Preuve. Il suffit de voir qu’effectivement l’ensemble des vecteurs propres de L associés

à λ est Ker (λ Id − L) : c’est évident car

L(v) = λv ⇔ L(v) = λId(v) ⇔ (λId − L)(v) = 0.

On en déduit une autre formulation de la définition de valeur propre :

Corollaire 5.1. Soit L ∈ L(E) et λ ∈ K, alors λ est valeur propre de L si et seulement

si Ker (λ Id − L) 6= {0}.

Définition 5.2. Ker (λ Id − L) est appelé le sous-espace propre associé à λ. L’ensemble

des valeurs propres de L s’appelle le spectre de L.

Remarque 5.1. Lorsqu’on considère la notion de valeur propre, alors il vaut bien mieux
avoir K = C. Lorsque K = R, on peut avoir des endomorphismes n’admettant pas de
valeur propre réelle, comme par exemple l’application de R2 dans R2 définie par L(x, y) =
(y, −x). Si on cherche à résoudre L(x, y) = λ(x, y), on peut faire le petit calcul suivant :

L(L(x, y)) = L(λ(x, y)) = λL(x, y) = λ2 L(x, y)

49
50 CHAPITRE 5. DÉTERMINANT ET VALEURS PROPRES

mais d’autre part

L(L(x, y)) = L(y, −x) = (−x, −y) .
On se retrouve donc avec λ2 = −1 (si (x, y) est un vecteur propre associé à λ, on rappelle
que (x, y) 6= (0, 0)). Donc L n’a pas de valeurs propres réelles, en revanche i et −i sont
bien valeurs propres. On aura donc toujours intérêt à considérer que K = C.
La valeur propre λ = 0 joue un rôle particulier.
Proposition 5.2. Soit L ∈ L(E), alors L est un isomorphisme de E si et seulement si
0 n’est pas valeur propre de L.
Preuve. On a vu dans le chapitre précédent que L est un isomorphisme si et seulement
si L est injective, mais aussi que L est injective si et seulement si Ker L = {0} ce qui est
bien équivalent à dire que 0 n’est pas valeur propre de L.

5.2 Déterminant
5.2.1 Calcul
Le déterminant est une opération qui s’applique aux matrices n × n. On commence par
le définir pour les matrices 2 × 2, puis on l’étend de proche en proche aux matrices n × n.
Définition 5.3 (Déterminant 2 × 2). Soit
 
a11 a12
A= ∈ M22 (K) .
a21 a22
Le déterminant de A, noté det A ou encore
a11 a12
a21 a22
est le nombre
a11 a12
det A = := a11 a22 − a12 a21 .
a21 a22
Le déterminant d’une matrice n × n est maintenant défini en se ramenant à des calculs
de déterminants de matrices (n − 1) × (n − 1). On descend ainsi dans la taille des matrices
jusqu’à ne plus avoir que des déterminants de matrices 2 × 2 qu’on sait calculer par la
définition ci-dessus.
Définition 5.4. Soit
 
a11 a12 . . . a1n

 a21 a22 . . . a2n 

 . . . . . .   ∈ Mnn (K) .
A=

 . . . . . .  
 . . . . . . 
an1 an2 . . . ann
5.2. DÉTERMINANT 51

Pour i, j ∈ {1, 2, ..., n}, on notera Aij la matrice (n − 1) × (n − 1) obtenue en enlevant de

A la i-ème ligne et la j-ème colonne. On a alors les deux formules suivantes pour définir
det A :
n
X
det A = (−1)i+j aij det Aij (développement par rapport à la j-ème colonne) ,
i=1
n
X
det A = (−1)i+j aij det Aij (développement par rapport à la i-ème ligne) .
j=1

A noter que pour les matrices 3 × 3, on a encore une formule simple similaire aux
matrices 2 × 2, ce n’est plus le cas pour n ≥ 4.

Proposition 5.3 (Règle de Sarrus). Soit

 
a11 a12 a13
A =  a21 a22 a23  ∈ M33 (K) .
a31 a32 a33

Alors le déterminant de A s’obtient en écrivant le tableau suivant, obtenu en ajoutant

sous A ses deux premières lignes

a11 a12 a13

a21 a22 a23
a31 a32 a33
a11 a12 a13
a21 a22 a23

et en faisant la somme des produits des termes sur les diagonales descendantes moins la
somme des produits des termes sur les diagonales montantes :

det A = a11 a22 a33 + a21 a32 a13 + a31 a12 a23
−a31 a22 a13 − a11 a32 a23 − a21 a12 a33 .

5.2.2 Propriétés
Un première propriété évidente :

Proposition 5.4. det In = 1 (on rappelle que In est la matrice identité d’ordre n).

On constate facilement les propriétés importantes suivantes :

Proposition 5.5. Soit A ∈ Mnn (K) :

1. On change le déterminant de A en son opposé si on échange deux lignes de A ou si

on échange deux colonnes de A.
52 CHAPITRE 5. DÉTERMINANT ET VALEURS PROPRES

2. En conséquence, si deux vecteurs colonne de A sont colinéaires, ou si deux vecteurs

ligne de A sont colinéaires, le déterminant de A est nul.

3. Le déterminant est linéaire par rapport à chaque vecteur colonne de A et par rapport
à chaque vecteur ligne de A.

4. Une conséquence importante des points 1. et 3. : si on ajoute à une colonne une

combinaison linéaire des autres colonnes, on ne change pas le déterminant. Même
chose si on ajoute à une ligne une combinaison linéaire des autres lignes.

Le résultat suivant se déduit de la proposition précédente et de la définition du déter-

minant :

Théorème 5.1. Soit A ∈ Mnn (K), les propriétés suivantes sont équivalentes :

(i) det A 6= 0 ;

(ii) les vecteurs colonne de A forment une base de Kn ;

(iii) les vecteurs ligne de A forment une base de Kn .

Ceci a une conséquence immédiate pour les matrices d’applications linéaires :

Théorème 5.2. Soit E un K-espace vectoriel de dimension n ∈ N∗ , soit L ∈ L(E). Soit

B une base de E et A la matrice de L dans la base B. Les propriétés suivantes sont
équivalentes :

(i) L est un isomorphisme ;

(ii) les vecteurs colonne de A sont les composantes dans la base B des vecteurs d’une
base de E ;

(ii) les vecteurs ligne de A sont les composantes dans la base B des vecteurs d’une base
de E ;

(ii) det A 6= 0.

5.3 Déterminant et valeurs propres

Définition 5.5 (Polynôme caractéristique). Soit A ∈ Mnn (K), on appelle polynôme
caractéristique de A le polynôme de degré n suivant :

χA (λ) = det (λ In − A) .
5.4. INVERSION DE MATRICES 53

Si la matrice A s’écrit :
 
a11 a12 . . . a1n

 a21 a22 . . . a2n 

 . . . . . . 
A= ,

 . . . . . .  
 . . . . . . 
an1 an2 . . . ann
la matrice λ In − A s’écrit
 
λ − a11 −a12 . . . −a1n

 −a21 λ − a22 . . . −a2n 

 . . . . . . 
λ In − A =  .

 . . . . . . 

 . . . . . . 
−an1 −an2 . . . λ − ann
Le résultat suivant est une conséquence des propriétés du déterminant :
Théorème 5.3. Soit E un K-espace vectoriel de dimension n, soit L ∈ L(E). Soit B
une base de E et A la matrice de L dans la base B. Soit également λ ∈ K. Les propriétés
suivantes sont équivalentes :
(i) λ est une valeur propre de L ;
(ii) χA (λ) = 0.

5.4 Inversion de matrices

Définition 5.6. Soit A ∈ Mnn (K), n ∈ N∗ . On dit que A est inversible si il existe
B ∈ Mnn (K) telle que
AB = BA = In
où In est la matrice identité d’ordre n. La matrice B est alors appelée l’inverse de A et
notée A−1 .
Proposition 5.6. Si A ∈ Mnn (K) est inversible, alors son inverse est unique.
Preuve. C’est un résultat qui a été vu au premier semestre dans un cadre très général
et qui nécessite simplement que le produit soit associatif.
Proposition 5.7. Soit E un K-espace vectoriel de dimension n, soit L ∈ L(E). Soit B
une base de E et A la matrice de L dans la base B.
1. Supposons que A soit inversible. On note L1 l’application linéaire de E dans lui-
même dont la matrice dans la base B est A−1 . Alors L1 ◦ L = L ◦ L1 = Id et L est
donc bijective.
54 CHAPITRE 5. DÉTERMINANT ET VALEURS PROPRES

2. Réciproquement, si L est bijective, alors A est inversible.

Preuve. La matrice dans la base B de L1 ◦ L est A−1 A = In et la matrice dans la

base B de L ◦ L1 est AA−1 = In . La proposition suit alors de la Proposition 4.7.
Ceci a deux conséquences importantes.

Théorème 5.4. Soit A ∈ Mnn (K), n ∈ N∗ . Alors A est inversible si et seulement si

det A 6= 0.

Pour la deuxième conséquence, on commence par définir le rang d’une matrice.

Définition 5.7. Soit A ∈ Mnn (K), on appelle rang de A et on note rg (A), la dimension
du sous-espace vectoriel de Kn engendré par les vecteurs colonne de A (ou par les vecteurs
ligne, c’est la même dimension).

Théorème 5.5. Soit E un K-espace vectoriel de dimension n, soit L ∈ L(E). Soit B

une base de E et A la matrice de L dans la base B. Alors :

1. rg (A) = dim(Im(L)) ;

2. L est bijective si et seulement si rg (A) = n.

Remarque 5.2. On a des résultats analogues pour une application linéaire entre deux
espaces vectoriels ayant même dimension finie. Soit E et F deux K-espaces vectoriels de
dimension finie tels que dim E = dim F = n ∈ N∗ . Soit BE une base de E et BF une base
de F . Soit L ∈ L(E ; F ). On considère

A = MatBF ,BE (L)

la matrice de L dans les bases ci-dessus. Alors les propriétés suivantes sont équivalentes :

1. L est bijective ;

2. A est inversible ;

3. det A 6= 0 ;

4. rg (A) = n.

Dans ce cas,
A−1 = MatBE ,BF (L−1 )
et
L ◦ L−1 = IdF , L−1 ◦ L = IdE .
5.5. EXERCICES 55

Calcul de l’inverse d’une matrice inversible.

• L’inverse d’une matrice inversible peut se calculer à l’aide des déterminants par la
méthode dite de Cramer.
Soit A ∈ Mnn (K) une matrice inversible. On note C la comatrice de A définie par
cij = (−1)i+j det(Aij )
où la matrice Aij est la matrice (n − 1) × (n − 1) obtenue en enlevant de A sa i-ème
ligne et sa j-ème colonne. Alors
1 t
A−1 = C.
det A
Cette méthode est longue et le nombre de calculs augmente très rapidement quand
la dimension de la matrice augmente.
Cette méthode appliquée à une matrice de taille 2×2 donne la méthode bien connue
pour calculer son inverse : soit
 
a11 a12
A= ∈ M22 (K)
a21 a22
une matrice inversible, alors son inverse est donné par
 
−1 1 a22 −a12
A = .
det A −a21 a11
• Une méthode beaucoup plus légère est donnée par l’algorithme de Gauss. On com-
mence par mettre côte à côte dans un tableau la matrice A et la matrice identité
d’ordre n :  
a11 a12 . . . a1n | 1 0 . . . 0
 a21 a22 . . . a2n | 0 1 . . . 0 
 
 .
 . . . . . | . . . . . . 

 .
 . . . . . | . . . . . .  
 . . . . . . | . . . . . . 
an1 an2 . . . ann | 0 0 . . . 1
puis on utilise l’algorithme de Gauss pour transformer la matrice A qui est à gauche
du tableau, en la matrice identité d’ordre n, en manipulant les lignes en entier. La
matrice qu’on obtient dans la partie droite du tableau est alors A−1 . On traitera la
méthode sur un exemple en cours.

5.5 Exercices
Exercice 5.1. Soit les matrices
   
1 2 0 −1 1 −2 2 −1
 1 1 0 1 
  −2 2 −1 1 
A=  1 −1 , B= .
1 −1   2 −1 1 −2 
2 1 0 0 −1 1 −2 2
56 CHAPITRE 5. DÉTERMINANT ET VALEURS PROPRES

Calculer leurs déterminants.

Exercice 5.2. Soit l’application linéaire de R3 dans lui-même définie par
f (x, y, z) = (3x + z, 3y, x + 3z) .
1. Déterminer les valeurs propres de f et les sous-espaces propres associés.
2. L’application f est-elle bijective?
3. Trouver une base de R3 dans laquelle la matrice de f est diagonale.
Exercice 5.3. Diagonaliser la matrice
 
3 2 1
A= 1 2 −1  .
−1 −2 1
Exercice 5.4. Soit E un K-espace vectoriel normé (K = R ou C) de dimension finie et f
un endomorphisme de E. On suppose que f n’admet aucun vecteur propre. Montrer que
f est bijective. La réciproque est-elle vraie?
Exercice 5.5. Trouver un endomorphisme de R2 n’admettant aucun vecteur propre.
Exercice 5.6. Peut-on trouver un endomorphisme de C2 n’admettant aucun vecteur pro-
pre?
Exercice 5.7. Peut-on trouver un endomorphisme de R3 n’admettant aucun vecteur pro-
pre?
Exercice 5.8. Soit E un K-espace vectoriel (K = R ou C) et f et g des endomorphismes
de E.
1. On suppose que E est de dimension finie et que g ◦ f = IdE . Montrer que f et g
sont bijectives.
2. Cette propriété reste-t-elle vraie si E est de dimension infinie?
Exercice 5.9. Soit f une application linéaire de R2 dans lui-même admettant pour valeurs
propres 1 et −1. Déterminer f ◦ f .
Exercice 5.10. Déterminer les valeurs propres et les vecteurs propres des matrices suiv-
antes :
     
1 0 0 1 0 4 1 −1 −1
A= 0 1 1 , B= 0 7 −2  , C =  −1 a2 0  , a 6= 0 ,
0 1 −1 4 −2 0 −1 0 a2
 
2 1 1
D=  1 2 1 .
1 1 2
Exercice 5.11. Inverser la matrice suivante par la méthode de Gauss :
 
2 1 1
A=  1 1 2 .
1 1 2