Cours Algebre

Cours dalgbre linaire
Khaoula Ben Abdeljelil

2
Table des matires
Table des matires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i
1 POLYNOMES 1
1.1 Algbre des polynmes . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Dnition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2 Oprations sur K[X] . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Division des polynmes . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.1 Divisions suivant les puissances dcroissantes . . . . . . . . . . 2
1.2.2 Algorithme dEuclide, PGCD . . . . . . . . . . . . . . . . . . 3
1.2.3 Divisions suivant les puissances croissantes . . . . . . . . . . . 4
1.3 Racines dun polynme . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Factorisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.1 Factorisation dans K = C . . . . . . . . . . . . . . . . . . . . 5
1.4.2 Factorisation dans K = R . . . . . . . . . . . . . . . . . . . . 5
1.4.3 Ordre de multiplicit . . . . . . . . . . . . . . . . . . . . . . . 5
1.5 Feuille dexercices- Polynomes . . . . . . . . . . . . . . . . . . . . . . 7
2 Espace vectoriel 9
2.1 Introduction au groupe . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3 Sous-espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.1 Dnition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.2 Combinaisons linaires . . . . . . . . . . . . . . . . . . . . . . 13
2.3.3 Sous-espace vectoriel engendr par une partie dun espace vec-
toriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4 Feuille dexercices-Espaces vectoriels et sous-espaces vectoriels . . . . 15
2.5 Applications linaires . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.5.1 Dnitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.5.2 Applications linaires particulires . . . . . . . . . . . . . . . . 16
2.5.3 Noyau et image dune application linaire . . . . . . . . . . . . 17
2.6 Famille de vecteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.6.1 Sous-espace vectoriel engendr par une famille nie de vecteurs 18
2.6.2 Famille gnratrice . . . . . . . . . . . . . . . . . . . . . . . . 19
2.6.3 Famille libre, famille lie . . . . . . . . . . . . . . . . . . . . . 19
2.6.4 Base dun espace vectoriel . . . . . . . . . . . . . . . . . . . . 21
2.6.5 Composante dans une base . . . . . . . . . . . . . . . . . . . . 21
2.7 Feuille dexercices sur les applications linaires, Famille libre, lie et
base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
i
TABLE DES MATIRES
2.7.1 Applications linaires . . . . . . . . . . . . . . . . . . . . . . . 22
2.7.2 Image et noyau dun endomorphisme . . . . . . . . . . . . . . 22
2.7.3 Sous-espace engendr par une famille nie . . . . . . . . . . . 23
2.7.4 Famille libre . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.7.5 Obtention de base . . . . . . . . . . . . . . . . . . . . . . . . . 23
3 Matrices 25
3.1 Oprations sur les matrices . . . . . . . . . . . . . . . . . . . . . . . . 25
3.1.1 Dnition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.1.2 (M
n,p
(K), +, .) est un K-espace vectoriel . . . . . . . . . . . . 27
3.1.3 Sous-espaces des matrices diagonales et triangulaires . . . . . 29
3.1.4 Proprits du produit matriciel . . . . . . . . . . . . . . . . . 30
3.2 Reprsentations matricielles . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.1 Matrice colonne des composantes dun vecteur . . . . . . . . . 32
3.2.2 Matrice des composantes dune famille de vecteurs . . . . . . . 33
3.2.3 Matrice dune application linaire . . . . . . . . . . . . . . . . 34
3.2.4 Matrice dun endomorphisme . . . . . . . . . . . . . . . . . . 35
3.2.5 Image dun vecteur . . . . . . . . . . . . . . . . . . . . . . . . 36
3.2.6 Isomorphisme de reprsentation matricielle . . . . . . . . . . . 37
3.2.7 Composition dune application linaire . . . . . . . . . . . . . 37
3.2.8 Isomorphisme et matrice inversible . . . . . . . . . . . . . . . 37
3.3 Formule de changement de base . . . . . . . . . . . . . . . . . . . . . 37
3.3.1 Matrice de passage . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3.2 Nouvelle composante de vecteur . . . . . . . . . . . . . . . . . 38
3.3.3 Nouvelle reprsenatation dune application linaire . . . . . . 38
3.4 Rang dune matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.4.1 Denition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.4.2 Proprits du rang dune matrice . . . . . . . . . . . . . . . . 39
3.5 Srie dexercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4 Systmes Linaires, Mthode du Pivot de Gauss 47
4.1 Transformations des matrices . . . . . . . . . . . . . . . . . . . . . . 47
4.2 Rduction des matrices ; Mthode du Pivot Gauss . . . . . . . . . . . 47
4.3 Recherche de linverse dune matrice carre . . . . . . . . . . . . . . . 47
4.4 Systmes linaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5 Rduction des Matrices Carres 49
5.1 Valeurs propres, Vecteurs propres . . . . . . . . . . . . . . . . . . . . 49
5.2 Diagonalisation dun endomorphisme . . . . . . . . . . . . . . . . . . 50
5.3 Diagonalisation dune matrice carre . . . . . . . . . . . . . . . . . . 50
5.4 Sries dexercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
ii
Chapitre 1
POLYNOMES
1.1 Algbre des polynmes
1.1.1 Dnition
Soit K = R ou C.
Dnition 1.1. Un polynme coecient dans K est un lment de la forme
P(X) = a
0
+ a
1
X + + a
n
X
n
=
n
i=1
a
i
X
i
,
o n N et les coecients a
0
, a
1
, . . . , a
n
sont des lements de K. Le symbole X est
appel lindtermine (on pose X
0
= 1). On note
K[X] = { polynmes coecients dans K}.
On identie K un sous ensemble de K[X].
Exemple 1.2. (1) P
1
(X) = X
3
+ 4X 8 et P
2
(X) = 5 sont deux polynmes.
(2) F(X) = X
4
+
7X + 11 et G(X) =
X
3
X+1
X+13
ne sont pas de polynmes.
1.1.2 Oprations sur K[X]
Sur K[X] on dnit les lois suivantes, si P(X) = a
0
+ a
1
X + + a
n
X
n
et
Q(X) = b
0
+ b
1
X + + b
m
X
m
, on pose alors :
(P + Q)(X) =
max(n,m)
k=0
(a
k
+ b
k
)X
k
P(X) =
n
k=0
a
k
X
k
(PQ)(X) =
n+m
k=0
c
k
X
k
tel que c
k
=
k
i=0
a
i
b
ki
Avec la gnralisation a
k
= 0 k n + 1, b
k
= 0 k m+ 1.
K[X] est stable pour ces lois, on dit que cest une algbre (et on peut vrier aussi
quelle est commutative).
1
1 . POLYNOMES
Degr dun polynme
Dnition 1.3. Soit P un polynme non nul, on appelle degr de P, le plus grand
indice de ses coecients non nuls, et on le note deg P. Ainsi deg P = n P(X) =
a
0
+ a
1
X + + a
n
X
n
avec a
n
= 0, a
n
sappelle coecient dominant de P. Par
convention deg 0 = .
Remarque 1.4.
P(X) = a
0
+ a
1
X + + a
n
X
n
deg P n
Thorme 1.5.
deg(P + Q) max(deg P, deg Q).
Avec lgalit dans le cas o deg P = deg Q ou bien deg P = deg Q et a
deg P
=
b
deg Q
.
Thorme 1.6.
deg(PQ) = deg P + deg Q.
En particulier si , constante non nulle alors :
deg P = deg P.
Exemple 1.7. deg P
1
= 3, deg P
2
= 0, deg P
1
.P
1
= 9.
Proposition 1.8. K[X] est intgre :
(P, Q) K[X] K[X], P.Q = 0 P = 0ouQ = 0.
Preuve:
Si P.Q = 0, alors = deg(P + Q) = deg(P) + deg(Q). Donc deg(P) = ou
deg(Q) = .
Proposition 1.9. Un polynme P est inversible (cest dire quil existe un po-
lynme Q tel que P.Q = 0) si et seulement si P est un polynme constant non
nul.
1.2 Division des polynmes
1.2.1 Divisions suivant les puissances dcroissantes
Dnition 1.10. Soit A, B deux polynmes non nuls, on dit que B divise A dans
K[X], ou que A est un multiple de B, si et seulement si Q K[X] tel que B = AQ.
On note B/A. On dit quun diviseur de P est trivial sil est de la forme P ou bien
avec un scalaire non nul.
Dnition 1.11. On dit quun polynme P est irrductible si deg P 1 et tous
les diviseurs de P sont triviaux. Autrement dit, si un polynme A divise P, alors
A = K, soit A = P, K.
2
1.2 Division des polynmes
Thorme 1.12. (A, B) K[X] tel que B = 0, !(Q, R) K[X] tel que A =
BQ+R avec deg R < degB. Q sappelle le quotient de la division euclidienne de A
par B et R son reste.
Preuve:
Existence : Fixons B = b
0
+b
1
X+ +b
p
X
p
K[X]. Le raisonnement se fait
alors par rcurrence sur le degr du polynme A. Lhypothse de rcurrence
au rang n, P(n) est :
A K[X] | deg(A) n, (Q, R) K[X] | A = BQ+ R et deg(R) < deg(B).
On remarque si n < p, alors P(n) est vraie : A = B.0 + A.
Soit n p et supposons lhypothse de rcurrence vraie pour tout k infrieur
ou gal n 1 et montrons qualors P(n) est vraie. Le polynme A scrit
a
0
+ a
1
X + + a
n
X
n
, o a
n
= 0
Considrons alors le polynme C = A
an
bp
X
np
B. Le degr de C est infrieur
ou gal n 1. Par hypothse de rcurrence on sait alors quil existe un
couple de polynmes (Q, R) tel que : C = BQ + R et deg(R) < deg(B).
Il sen suit que A = B(Q +
an
bp
X
np
) + R, avec deg(R) < deg(B).
Unicit (Exercice)
Exemple 1.13. (1) 2X

3
+ 5X
2
+ 7X + 8 = (X
2
+ X + 2)(2X + 3) + 2.
(2) 4X
4
+ 3X
2
+ 1 = (X
2
+ X + 1)(4X
2
4X + 3) + (X 2)
Remarque 1.14. B divise A si et seulement si le reste de la division euclidienne
de A par B est nul.
1.2.2 Algorithme dEuclide, PGCD
Soit A, B deux polynmes non nuls, on eectue les divisions euclidiennes succes-
sives des quotients par leurs restes, jusqua arriver un reste nul, alors le dernier
reste non nul est un diviseur commun de A et B de degr minimal, ce reste une fois
normalis (lorsque le coecient du degr de polynme vaut 1
1
), sappelle le PGCD
de A et B et se note A B.
Exemple 1.15. PGCD (X
3
+ 3X
2
+ 3X + 1, X
3
+ 2X
2
+ 2X + 1) = X + 1
Dnition 1.16. Deux polynmes sont dits premiers entre eux si leur PGCD vaut
1.
Remarque 1.17. le PGCD ne change pas si on multiple lun des polynmes
par une constante.
1. On peut toujours normaliser un polynme. Si P = a
0
+a
1
X + +a
n
X
n
, a
n
= 0 le norma-
lisateur de P est
1
an
P
3
1 . POLYNOMES
Si P est un polynme irrductible et Q est un polynme quelconque, alors
P Q = 1 ou P, en particulier deux polynmes irrductibles distincts sont
toujours premiers entre eux.
Thorme 1.18. (Bizout). Soient A et B deux polynmes non nuls et C = AB.
Alors il existe deux polynmes U et V tel que C = UA + V B.
Corollaire 1.19. Deux polynmes A et B sont premiers entre eux, si et seulement
si, il existe qeux polynmes U et V tel que AU + BV = 1.
1.2.3 Divisions suivant les puissances croissantes
Thorme 1.20. (Division suivant les puissances croissantes lordre
k) Soient A et B deux polynmes avec b
0
(le terme de degr 0 de B) non nul et
k N. Alors il existe deux polynmes R et Q uniques tels que A = QB +X
k+1
R et
deg(Q) k.
Par exemple : 52X+3X
2
X
3
= (1+2XX
3
)(2XX
2
+3X
2
+X
4
)+X
5
(4X).
1.3 Racines dun polynme
Dnition 1.21. A chaque polynme P(X) = a
0
+ a
1
X + + a
n
X
n
K[X], on
associe la fonction
P : K K
x a
0
+ a
1
x + . . . a
n
x
n
appelle fonction polynomiale de P et on dit que a K est une racine de P si et
seulement si

P(a) = 0, dans la suite on notera P(a) au lieu de

P(a).
Proposition 1.22. Soient P K[X] et a K : a est une racine de P si et
seulement X a divise P.
Preuve:
Eectuons la division euclidienne de P par X a : P = (X a)Q + R o le
deg R < deg(Xa). Le polynme R est donc soit le polynme nul soit le polynme
constant. Lvaluation en a indique que : R = R(a) = P(a) = 0. On dduit la
proposition.
Consquences
Un polynme, non nul de degr n N admet au maximum n racines.
Tout polynmes qui admet un nombre de racines suprieur strictement son
degr est nul, en particulier tout polynme qui admet une innit de racines
est nul.
4
1.4 Factorisation
1.4 Factorisation
1.4.1 Factorisation dans K = C
Thorme 1.23. (de dAlembert-Gauss) Tout polynme non constant de C[X]
admet une racine.
Corollaire 1.24. Les polynmes irrductibles de C[X] sont exactement de degr 1.
En particulier, dans C[X] tout polynme P de degr n 1 se factorise sous la forme
suivante :
P(X) =
n
k=1
(X a
i
),
avec C et k {1, . . . , n}, a
k
C.
Par exemple, X
2
+ 1 = (X + i)(X i) et X
2
+ X + 1 = (X j)(X
j).
1.4.2 Factorisation dans K = R
Proposition 1.25. Soit a une racine dun polynme P R[X]. Alors a est aussi
une racine de P.
Preuve:
Si P R[X] et si a C, alors P( a) =

P(a) et par consquent si a C est un racine
de P alors a est une racine de P.
Thorme 1.26. Dans R[X], tout polynmes de degr n 1 se factorise sous la
forme :
P(X) =
m
k=1
(X a
k
)
p
l=1
(X
2
+
l
X +
l
),
avec R, k {1, . . . , m} a
k
R et l {1, . . . , p}
2
l
4
l
< 0, m+2p = n.
Preuve:
Le rsultat est evident pour un polynme de degr 0 ou 1. Si deg P 2, on applique
lalgorithme suivant :
Si P admet une racine relle a, alors il existe un polynme Q R[X] tel que
P = (X a)Q
Sinon (thorme de dAlembert-Gauss) P admet une racine complexe a C. Par
consquent a est aussi une racine de P. Donc P = (X
2
2(a)X + |a|
2
)Q, o
Q R[X] et = 4 Im(a)
2
< 0.
On remarquera que X
2
+1 et X
2
+X +1 sont irrductible dans R[X] mais pas
dans C[X] et sur R[X] le polynme P = (X
2
+1)(X
2
+X+1) nest pas irrductible
et quil ne possde pas de racines.
1.4.3 Ordre de multiplicit
Dnition 1.27. Si a K est une racine du polynme P K[X], le plus grand
entier m 1 tel que (Xa)
m
divise P est appel ordre de multiplicit de la racine
a.
5
1 . POLYNOMES
Proposition 1.28. Soit P K[X] un polynme de degr n 1. Si P admet r
racines 2 2 distinctes a
1
, a
2
, . . . , a
r
dans K, dordre de multiplicit m
1
, m
2
, . . . , m
r
alors m
1
+ m
2
+ + m
r
n.
Par exemple, dans R[X], le polynme P = (X
2
+3)(X1)
2
(X+2) est de degr
5 et possde une racine simple et une racine double (1 + 2 = 3 5). Dans C[X] le
polynme P possde 4 racines trois simples et un double et P = (X + i
3)(X
i
3)(X 1)
2
(X + 2).
Dnition 1.29. Un polynme non constant est dit sind si la somme des ordres
de multiplicit de ses racines est gale au degr de ce polynme.
6
1.5 Feuille dexercices- Polynomes
1.5 Feuille dexercices- Polynomes
Questions de cours
(1) Soient A et B deux polynmes de K[X], abec B = 0. Ecrire la division eucli-
dienne de A par B.
(2) Que veut dire lexpression a est une racine dordre 3 de P ?
(3) Donner lensemble des polynmes irrductibles de C[X] et R[X].
(4) Le polynme X
4
+ X
2
+ 1 est-il irrductible ?
Arithmtique des polynmes
Exercice 1 : Dans les cas suivants, eectuer la division euclidienne de A par B :
1. A(X) = X
3
+ 4X
2
+ 6X + 4 et B(X) = X
2
+ 1
2. A(X) = X
5
+ X
4
+ 5X
3
+ 6X
2
+ 7X + 2 et B(X) = X
4
+ 2X
3
+ X + 2
Exercice 2. Dterminer le quotient et le reste de la division euclidinne de A par B
dans les cas suivants :
1. A = X
2
4X + 3 et B = X
3
+ X
2
2.
2. A = X
5
+ 1 et B = X + 1.
3. A = 3X
7
2X
5
+ X
3
4 et B = 2X
2
X + 3.
Exercice 3. Montrer les divisibilits suivantes et dterminer les quotients corres-
pondant :
(1) X 1 | X
3
2X
2
+ 3X 2
(2) X 2 | X
3
3X
2
+ 3X 2
(3) X + 1 | X
3
+ 3X
2
2.
Exercice 4. En ralisant une division euclidienne, former une condition ncessaire
et susante sur (, ) K
2
pour que X
2
+ 2 divise X
4
+ X
3
+ X
2
+ X + 2.
Exercice 5. Soit (a, b) K
2
tel que a = b et P K[X]. Exprimer le reste de la
division euclidienne de P par (X a)(X b) en fonction de P(a) et P(b).
Exercice 6. Eectuer la division suivant les puissances croissantes lordre n de
A et B, avec
(1) n = 2 et A = X
4
+ X
3
2X + 1, B = X
2
+ X + 1.
(2) n = 3 et A = 4(X + 1), B = (X + 1)
2
+ 1.
(3) n = 4, A = 2 + 2X X
2
+ X
4
, B = 1 + X + X
2
.
Exercice 7. Eectuer la division de A = X
6
2X
4
+X
3
+1 par B = X
3
+X
2
+1 :
(1) Suivant les puissances dcroissantes.
(2) A lordre 4 (cest dire tel que le reste soit divisible par X
5
) suivant les
puissances croissantes.
Exercice 8. Trouver le pgcd de P et Q dans les cas suivants :
7
1 . POLYNOMES
(1) P = X
4
+ X
3
3X
2
4X 1 et Q = X
3
+ X
2
X 1.
(2) P = X
4
10X
2
+ 1 et Q = X
4
4X
3
+ 6X
2
4X + 1.
(3) P = X
5
+ 3X
4
+ X
3
+ X
2
+ 3X + 1 et Q = X
4
+ 2X
3
+ X + 2
Exercice 9. Montrer que les polynmes P et Q suivants sont premiers entre eux.
Trouver U et V K[X] tel que UP + V Q = 1.
(1) P = X
4
+ X
3
2X + 1 et Q = X
2
+ X + 1.
(2) P = X
3
+ X
2
+ 1 et Q = X
3
+ X + 1.
Racines dun polynme
Exercice 10. Soit p et q deux entiers naturels non nuls premiers entre eux.
Dterminer les racines et les ples de F =
X
p
1
X
q
1
en prcisant les multiplicits res-
pectives.
Factorisation de polynmes
Exercice 11. Factoriser dans C[X] puis dans R[X] les polynmes suivants :
(1) X
4
1
(2) X
5
1
(3) (X
2
X + 1)
2
+ 1.
Exercice 12. Factoriser dans R[X] les polynmes suivants :
(1) X
4
+ X
2
+ 1
(2) X
4
+ X
2
6
(3) X
8
+ X
4
+ 1.
Exercice 13. Former la dcomposition primaire dans R[X] de P = X
2n+1
1 (avec
n N).
sectionAlgbre des polynmes
8
Chapitre 2
Espace vectoriel
2.1 Introduction au groupe
Dnition 2.1. Une loi de composition interne sur un ensemble E est une appli-
cation de E E dans E.
Exemple 2.2. (1) Laddition ou la multiplication sont des lois de composition
internes sur N, Z, Q, R ou C.
(2) la soustraction dnit une loi de composition interne sur Z, Q, R, ou C mais
sur N.
(3) Le produit scalaire de deux vecteurs de R
d
nest pas une loi de composition
interne si d 2.
(4) On note F(E, E) lensemble des applications de E dans E, lapplication
F(E, E) F(E, E) F(E, E)
(f, g) f g
(f g est dni par x E, f g(x) = f(g(x))) est une loi de composition
interne.
Dnition 2.3. Un groupe est la donne dun ensemble G et dune loi de composi-
tion interne note suivante :
G G G
(x, y) x y
telle que (G, ) vrie les trois proprits suivantes :
(1) (Elment neutre) Il existe e G tel que x G, e x = x e = x.
(2) (Associativit) Pour tout x, , y, z G, (x y) z = x (y z).
(3) (Elment inverse) Pour tout x G, il existe x
G tel que x x
= x
x = e.
Si de plus, x, y G, on a x y = y x,on dit que est commutative et (G, ) est
un groupe commutatif ou ablien.
Remarque 2.4. On emploie aussi parfois le terme de symtrique au lieu de lin-
verse.
9
2 . Espace vectoriel
Exemple 2.5. (1) Z, Q, R et C sont des groupes abliens : 0 est llment neutre,
linverse de x est x. Notons que (N, +) nest pas un groupe car la condition
(3) de la dnition 2.3 nest pas vri.
(2) Q
, R
, C
munis de la multiplication sont des groupes : 1 est llment neutre.

Il en est de mme pour T, lensemble des nombres complexe de module 1. Si
x est rel, alors linverse de x est
1
x
. Tout lment de C
possde un inverse
pour la loi :
z C
, z
| z z
= z
z = 1
(Si z = x + iy alors z
=
xiy
x
2
+y
2
=
1
z
= z
1
).
(3) Soit E un ensemble et soit S(E) lensemble des bijections de E sur E, soit
la loi de composition interne dnie par la composition de deux bijections.
Montrer titre dexercice que (S(E), ) est un groupe et quil est non ablien
et E a au moins trois lments.
En particulier, pour n N, soit E = {1, . . . , n}. Alors S(E) est not S
n
. S
n
est un groupe de cardinal n!. On lappelle le groupe des permutations sur n
lments.
Proposition 2.6. (1) Llment neutre est unique.
(2) Linverse x
dun lment x G est unique.

(3) Linverse de linverese de x G est x, i.e (x
= x.
(4) Pour tout x, y G, (x y)
= y
.
(5) Pour tout x, y, z G, si x y = x z alors y = z.
Preuve:
(1) Soient e
, e G deux lments neutres de G. En appliquant la proprit dun

lment neutre e et e
, on obtient :
_
_
_
e
e = e e
= e,
e e
= e
e = e
.
Par consquant e = e
.
(2) Soit x
G tel que x
x = x x
= e. on a alors x x x
= x
ce qui
implique que x
= x
(puisque x x
= e).
(3) Soit (x
linverse de linverse de x
, on a (x
= e. Puisque x x
= e et
daprs la deuxime proprit de cette proposition, on a x = (x
.
(4) On a
(x y) (y
) = x y y
= x x
= e
donc (x y)
= y
.
(5) On a
x
(x y) = x
(x z) = (x x
) y = (x x
) z =y = z.
Notation : Soit (G, ) un groupe, on note souvent xy au lieu de x y, 1 au lieu

de e et x
1
linverse de x, pour tout x G.
10
2.2 Espace vectoriel
2.2 Espace vectoriel
Lensemble K dsigne toujours R ou C.
Dnition 2.7. On appelle K-espace vectoriel (ou espace vectoriel seu K) tout
ensemble non vide E muni dune loi de comoposition interne note +
KE E
(, x) x
telles que :
(1) (E, +) est un groupe ablien.
(2) , K, x E, on a ( + )x = x + x.
(3) K, x, y E, on a (x + y) = x + y.
(4) , K, x E, on a (x) = ()x.
(5) x E, on a 1x = x.
Les lments dun espace vectoriel sont appels vecteurs ; et les lments de K sont
appels scalaires.
Lorsquil ny a pas de confusion, on dira espace vectoriel au lieu de K espace
vectoriel.
Exemple 2.8. (1) Lensemble des vecteurs du plan est un espace vectoriel.
(2) K est un K espace vectoriel.
(3) Soient E un K espace vectoriel et X un ensemble non vide quelconque. Consi-
drons F(X, E) lensemble des applications de X dans E. Pour f, g F(X, E)
et K, on dnit f + g, f F(X, E) par :
x X, (f + g)(x) := f(x) + g(x) et (f)(x) := (f(x))
alors F(X, E) muni de ces lois est un K espace vectoriel.
(4) Sur R
2
, on dnit les deux lois suivantes : pour (x, y), (x
, y
) R
2
et R,
(x, y) + (x
, y
) := (x + x
, y + y
) et (x, y) := (x, y)
alors R
2
est un R-espace vectoriel.
(5) Plus gnralement : Si E
1
, E
2
, . . . , E
n
sont n espaces vectoriels, alors lespace
produit E := E
1
E
2
E
n
est un espace vectoriel pour les lois suivantes :
Pour tous (x
1
, x
2
, . . . , x
n
), (y
1
, y
2
, . . . , y
n
) E et K, on dnit
(x
1
, x
2
, . . . , x
n
) + (y
1
, y
2
, . . . , y
n
) = (x
1
+ y
1
, x
2
+ y
2
, . . . , x
n
+ y
n
)
(x
1
, x
2
, . . . , x
n
) = (x
1
, x
2
, . . . , x
n
).
(6) Lensemble P
n
[X] des polynmes de degr infrieur ou gal n additionn du
polynme nul est un espace vectoriel.
Proposition 2.9. Pour tout , K et pour tout x, y E, on a :
(1) x = 0 = 0 ou x = 0.
(2) (x y) = x y.
(3) ( )x = x x.
(4) ()(x) = x.
11
2.3 Sous-espace vectoriel
Dans toute la suite lensemble E dsignera un espace vectoriel sur K.
2.3.1 Dnition
Dnition 2.10. Soit F un sous-ensemble de E. On dit que F est un sous-espace
vectoriel de E si F possde les proprits suivantes :
(1) 0 F ;
(2) x, y F, x + y F. Autrement dit F est stable par laddition ;
(3) x F et K, x F. Autrement dit, F est stable par la multiplication
par scalaire.
Remarque 2.11. Tout sous-espace vectoriel de E, est un espace vectoriel pour les
lois induites par E.
Exemple 2.12. (1) Si E est un espace vectoriel, alors {0} et E sont des sous-
espaces vectoriel de E.
(2) Si E = R
2
, alors F = {(x, 0); x R} est un sous-espace vectoriel de E. De
mme, si (x
0
, y
0
) R
2
, alors F{(x
0
, y
0
); R} est un sous-espace vectoriel
de E.
(3) Lensemble F = {(x, y, z) R
3
| z = 0} est un sous-esapce vectoriel de R
3
.
(4) H = {(x
1
, . . . , x
n
) R
n
| x
1
+ + x
n
= 0} est un sous-espace vectoriel
de R
n
. En eet R
n
est un R-espace vectoriel de vecteur nul 0 = (0, . . . , 0).
H R
n
et 0 = (0, . . . , 0) H car 0 + + 0 = 0. Soient , R et x =
(x
1
, . . . , x
n
), y = (y
1
, . . . , y
n
) H. On a x+y = (x
1
+y
1
, . . . , x
n
+y
n
).
Or (x
1
+ y
1
) + + (x
n
+ y
n
) = (x
1
+ + x
n
) + (y
1
+ + y
n
) = 0
car x
1
+ + x
n
= y
1
+ + y
n
= 0 puisque x, y H donc x + y H.
Corollaire 2.13. Soit E un espace vectoriel et F un sous-ensemble de E (F E).
Si F vrie les proprits (1) et (2) suivantes alors F est un sous-espace vectoriel
de E :
(1) F est non vide (F contient llment neutre de E).
(2) (x, y) F F, (, ) KK, alors x + y F.
Exemple 2.14. Les parties suivantes ne sont pas des sous-espaces vectoriels de R
2
:
{(x, y) R
2
| x + y = 1} car ne contient par le vecteur nul ;
{(x, y) R
2
| xy = 0} car non stable par addition ;
{(x, y) R
2
| x + y Z} car non stable par produit extrieur.
Proposition 2.15. Soient E un espace vectoriel et E
1
, . . . , E
n
des sous-espaces
vectoriels de E, alors lintersection F =
n
k=1
E
i
est un sous-espace vectoriel de E.
Preuve:
Pour tout i, on a 0 E
i
, donc 0 F. Soient x, y F et K alors pour tout i,
on a x + y E
i
donc x + y est dans lintersection de tout les E
i
.
12
2.3 Sous-espace vectoriel
Remarque 2.16. La runion de deux sous-espace vectoriels nest pas en gnral un
sous-espace vectoriel. En eet, si E = R
2
, les sous-ensembles E
1
= {(x, y) R
2
|
x + y = 0} et E
2
= {(x, y) R
2
| x y = 0} sont deux sous-espaces vectoriels de
R
2
mais E
1
E
2
nest pas un sous-espace vectoriel (par exemple, soient x, y R
,
on a (x, x) E
1
et (y, y) E
2
mais (x, x) +(y, y) nappartient ni E
1
ni E
2
).
2.3.2 Combinaisons linaires
Soit {x
1
, . . . , x
p
} une famille de vecteurs dun espace vectoriel E. Tout vecteur
de E de la forme a
1
x
1
+. . . a
p
x
p
=
p
k=1
a
k
x
k
, o les a
k
R est appel combinaison
linaire des vecteurs x
k
, k = 1 . . . , p.
Remarque 2.17. On peut gnraliser cette notion une famille innie de vecteurs,
mais dans ce cas il faut que la suite des scalaires soit support ni.
2.3.3 Sous-espace vectoriel engendr par une partie dun es-
pace vectoriel
Soit A un sous-ensemble non-vide de lespace vectoriel E. On note vect(A), len-
semble des combinaisons linaires dlments de A. On a donc
vect(A) = {
aA
a
a | (a) est une famille de scalaires support ni}.
Donc un lment x de E appartient vect(A), si et seulement si, il existe x
1
, . . . , x
n

A et des scalaires
1
, . . . ,
n
, tels que : x =
1
x
1
+ +
n
x
n
.
Thorme 2.18. Soit A une partie dun espace vectoriel E. vect(A) est lunique
sous-espace vectoriel de E vriant :
(1) A vect(A),
(2) vect(A) est inclus dans tout sous-espaces vectoriels contenant A.
Le sous-espace vectoriel vect(A) se comprend comme tant le plus petit sous-espace
vectoriel contenant A, on lappelle espace vectoriel engendr par A.
Corollaire 2.19. vect(A) est lintersection de tous les sous-espaces vectoriel de E
contenant A.
Corollaire 2.20. A est un sous-espace vectoriel, si et seulement si, vect(A) = A.
Exemple 2.21. (1) vect{ensemble vide} = {0} car lespace nul est le plus petit
sous-espace vectoriel de E.
(2) vect(E) = E car vectE est le plus petit sous-espace vectoriel contenant E.
(3) Soit A = {u}. Montrons que vect{u} = {u | K} = Ku.
Puisque u A vect(A) et puisque vect(A) est un sous-espace vectoriel on a
u vect(A), pour tout K. Ainsi Ku vect{u}. Par double inclusion on
obtient Ku = vect{u}.
(4) Soit A = {u, v}. Par double inclusion, on montre comme ci-desus que vect{u, v} =
{u + v | , K} = Ku +Kv.
13
Proposition 2.22. Si A et B deux parties de E alors A B = vect(B)
vect(A).
Preuve:
Supposons que A B. On a alors A vect(B) or vect(B) est un sous-espace
vectoriel donc vect(A) vect(B).
Proposition 2.23. Si A et B sont deux parties de E alors vect(AB) = vect(A)+
vect(B).
Exemple 2.24. Pour F et G deux sous-espaces vectoriels de E. vect(FG) = F+G.
Ainsi F +G apparait comme tant le plus patit sous-espace vectoriel contenant F et
G.
14
2.4 Feuille dexercices-Espaces vectoriels et sous-espaces vectoriels
2.4 Feuille dexercices-Espaces vectoriels et sous-espaces
vectoriels
Exercice 1. Soit E un R-espace vectoriel.
On munit le produit cartsien EE de laddition usuelle : (x, y)+(x
, y
) = (x+x
, y+
y
) et de la multiplication externe par les complexes dnie par : (a+i.b) (x, y) =

(a.x b.y, a.y + b.x).
Montrer que E E est alors un C-espace vectoriel.
Celui-ci est appel complexi de E.
Exercice 2. Soit R
+
muni de la loi interne dnie par a b = a.b, a, b R
+
et de
la loi externe telle que : a = a
, a R
+
, R.
Montrer que (R
+
, , ) est un R-espace vectoriel.
Exercice 3. Sur R
2
, on dnit les deux lois suivantes : pour tous (x, y), (x
, y
) R
2
et R, on pose
(x, y) + (x
, y
) = (x + x
, y + y
) et (x, y) = (x, 0).

Le triplet (R
2
, +, ) est-il un espace vectorielsur R?
Exercice 4. Les parties suivantes sont-elles des sous-espaces vectoriels de R
2
?
(a) {(x, y) R
2
| x y} ;
(b) {(x, y) R
2
| xy = 0} ;
(c) {(x, y) R
2
| x = y} ;
(d) {(x, y) R
2
| x + y = 1}.
Exercice 5. Soient F = {(x, y, z) R
3
| x+yz = 0} et G = {(ab, a+b, a3b) |
a, b R}.
(a) Montrer que F et G sont des sous-espaces vectoriels de R
3
.
(b) Dterminer F G.
Exercice 6. Les parties suivantes sont-elles des sous-espaces vectoriels de R
N
?
(a) {(u
n
) R
N
| (u
n
) borne} ;
(b) {(u
n
) R
N
| (u
n
) monotone} ;
(c) {(u
n
) R
N
| (u
n
) convergente} ;
(d) {(u
n
) R
N
| (u
n
) arithmtique}.
Exercice 7. Soient u
1
, . . . , u
n
des vecteurs dun K-espace vectoriel E.
Montrer que lensemble F = {
1
u
1
+ +
n
u
n
|
1
, . . . ,
n
K} est un sous-espace
vectoriel de E = vect(u
1
, . . . , u
n
).
Exercice 8. Soient F et G des sous-espaces vectoriels de E.
Montrer que F G = F + G F = G.
Exercice 9. Soient F et G deux sous-espaces vectoriels dun K-espace vectoriel E.
Montrer que F G est un sous-espace vectoriel de E, si et seulement si, F G ou
G F.
Exercice 10. Comparer vect(A B) et vect(A) vect(B).
Exercice 11. Soient A et B deux parties dun K-espace vectoriel E.
Montrer que vect(A B) = vect(A) + vect(B).
15
2.5 Applications linaires
2.5.1 Dnitions
Dnition 2.25. Soient (E, +, .) et (F, .+) deux K-espaces vectoriels. On dit que
f : E F est linaire (ou est un morphisme despace vectoriel) si :
(1) x, y E, on a f(x + y) = f(x) + f(y) ;
(2) K, x E, on a f(x) = f(x).
On note L(E, F) lensemble des applications de E dans F.
Proposition 2.26. [Caractrisation usuelle des applications linaires] : Soit
f : E F. Lapplication f est linaire, si et seulement si , , K, x, y E,
f(x + y) = f(x) + f(y).
Exemple 2.27. Soit f : E F dnie par f : x 0
F
. Lapplication f est linaire.
Proposition 2.28. Soient E, E
1
, . . . E
n
, (n N
) des espaces vectoriels. Lappli-

cation
f : E E
1
E
n
x (f
1
(x), . . . , f
n
(x)).
f est linaire de E dans E
1
E
n
, si et seulement si, f
1
, . . . , f
n
sont des appli-
cations linaires de respectivement de E dans E
1
, . . . , de E dans E
n
.
Exemple 2.29. Montrons que f : R
2
R
3
dnie par f(x, y) = (x + y, x y, 2y)
est une application linaire. Soient , R, et a = (x, y), b = (x
, y
) R
2
,
f(a + b) = f(x + x
, y + y
)
= (x + x
+ y + y
, x + x
y + y
, 2y + 2y
)
= (x + y, x y, 2y) + (x
+ y
, x
, 2y
)
= f(a) + f(b).
Proposition 2.30. Soient (E, +, .), (F, +, .), (G, +, .) des K- espaces vectoriels.
(1) Si lapplication f : E F est linaire alors f(0
E
) = 0
F
;
(2) Si f : E F et g : F G sont linaires alors g f : E G est linaire.
(3) Si e
1
, . . . e
n
sont des vecteurs de E alors
1
, . . . ,
n
K, f(
n
k=1
a
k
e
k
) =
n
k=1
a
k
f(e
k
).
2.5.2 Applications linaires particulires
Formes linaires
Dnition 2.31. On appelle forme linaire sur un K-espace vectoriel E, toute ap-
plication linaire de E dans K. On note E
, au lieu de L(E, K), lensemble des

formes linaires sur E.
Exemple 2.32. Pour a
1
, . . . , a
n
K x, lapplication f : K
n
K dnie par
f : (x
1
, . . . , x
n
) a
1
x
1
+ + a
n
x
n
est une forme linaire sur K
n
. En eet, cest
une application de K
n
vers K et cest aussi une application linaire car on vrie
aisement que , K, x, y K
n
, on a f(x + y) = f(x) + f(y).
16
2.5 Applications linaires
Endomorphisme
Dnition 2.33. On appelle endomorphisme de E, toute applicatin linaire de E
dans lui mme. On note L(E), au lieu de L(E, E), lensemble des endomorphismes
de E.
Exemple 2.34. Lapplication identit Id
E
: E E est un endomorphisme de E.
Proposition 2.35. Si f et g deux endomorphismes de E, alors f g est aussi un
endomorphisme de E.
Isomorphisme
Dnition 2.36. On appelle isomorphisme dun K espace vectoriel E vers un K-
espace vectoriel F toute application linaire bijective de E vers F. On note Iso(E, F)
lensemble des isomorphismes de E dans F.
Exemple 2.37. Lapplication f : R
2
C dnie par f(a, b) = a + ib est un
isomorphisme de R-espace vectoriel. En eet, cette application est R-linaire et
bijective.
Proposition 2.38. Si f : E F et g : F G sont des isomorphismes alors la
compose g f : f G est un isomorphisme.
Proposition 2.39. Si f : E F est un isomorphisme alors son application rci-
proque f
1
: F E est un isomorphisme.
Exemple 2.40. Lapplication g : C R
2
dnie par g : z ((z), Im(z)) est
lisomorphisme rciproque de lapplication f : (a, b) R
2
a + ib C.
Automorphisme
Dnition 2.41. On appelle automorphisme de E, toute application linaire bijec-
tive de E. On note Gl(E) lensemble dautomorphisme de E.
Proposition 2.42. Si f : E F et g : F G sont des automorphismes alors la
compose g f : f G est un automorphisme.
Proposition 2.43. Si f : E F est un automorphisme alors son application
rciproque f
1
: F E est un automorphisme.
2.5.3 Noyau et image dune application linaire
Thorme 2.44. Soit f : E F une application linaire. Si V est une sous-espace
vectoriel de E alors f(V ) est un sous-espace vectoriel de F.
Si W est un sous-espace vectoriel de F alors f
1
(W) est un sous-espace vectoriel de
E.
Dnition 2.45. Soit f : E F une application linaire.
(1) On appelle image de f lespace Imf = f(E).
(2) On appelle noyau de f lespace ker f = f
1
({0}).
17
Proposition 2.46. (1) Imf est un sous-espace vectoriel de F.
(2) ker f est un sous-espace vectoriel de E.
Remarque 2.47. (1) Pour dterminer limage dune application linaire f, on
dtermine les valeurs prises par f, i.e., les y F tels quil existe x E pour
lequel y = f(x).
(2) Pour dterminer le noyau dune application linaire f, on rsout lequation
f(x) = 0
F
dinconnue x E.
Exemple 2.48. Dterminons le noyau et limage de laaplication linaire f : R
2
R
2
dnie par f : (x, y) (x y, x + y). Soit a = (x, y) R
2
. ..... ker f = {x, x) |
x R}
Imf = {(x, x) | x R}.
Thorme 2.49. Si f : E F est une application linaire alors
(1) f est surjective, si et seulement si, Imf = F
(2) f est injective, si et seulement si, ker f = {0
E
}.
Preuve:
2.6 Famille de vecteurs

2.6.1 Sous-espace vectoriel engendr par une famille nie de
vecteurs
Soient E un K-espace vectoriel et F = (e
i
)
1in
une famille nie de vecteurs de
E.
Dnition 2.50. On appelle combinaison linaire des vecteurs de la famille F =
(e
i
)
1in
tout vecteurs x de E pouvant scrire x =
n
i=1
i
e
i
avec
1
, . . . ,
n
des
scalaires de K bien choisis.
Dnition 2.51. On appelle espace vectoriel engendr par la famille F = (e
i
)
1in
,
le sous-espace vectoriel engendr par la partie {e
1
, . . . , e
n
}. On le note vect F, vect(e
i
)
1in
ou vect(e
1
, . . . , e
n
).
Exemple 2.52. Le sous-espace vectoriel engendr par la famille vide est lespace
nul {0}.
Thorme 2.53. Si (e
1
, . . . , e
n
) est une famille de vecteurs de E alors vect(e
1
, . . . , e
n
)
est lensemble des combinaisons linaires des vecteurs e
1
, . . . , e
n
, cest--dire :
vect(e
1
, . . . , e
n
) = {
n
i=1
i
e
i
|
1
, . . . ,
n
K}.
Exemple 2.54. (1) Cas n = 1, X(u) = {u | K} = Ku.
(2) Cas n = 2, X(u, v) = {u + v | , K} = Ku +Kv.
(3) Dans R
3
, considrons u = (1, 1, 1), v = (0, 1, 2).
vect(u, v) = {(, + , 2) | , K}.
18
Remarque 2.55. Il est ecace dtablir quune partie est un sous-espace vectoriel
en observant que celle-ci est engendrs par une famille de vecteurs.
Exemple 2.56. (1) Dans R
3
, considrons P = {(a + b, a b, 2b) | a, b R}.
Puisque P = vect(u, v), avec u = (1, 1, 0) et v = (1, 1, 2), P est un sous-
espace vectoriel de R
3
.
(2) Dans R
3
, considrons P = {(x, y, z) | x + y z = 0}.
Puisque x + y z = 0 z = x + y, on a P = vect((1, 0, 1), (0, 1, 1)). ainsi P
est un sous-espace vectoriel de R
3
.
2.6.2 Famille gnratrice
Dnition 2.57. On dit quune famille F = (e
i
)
1in
de vecteurs de E est gnra-
trice de E, si tout vecteur x de E scrit comme combinaison linaire des vecteurs
de la famille F, cest--dire :
x E, (
1
, . . . ,
n
) K
n
| x =
1
e
1
+ +
n
e
n
=
n
i=1
i
e
i
.
Remarque 2.58. La famille F est gnratrice de E, si et seulement si, vect(F) =
E.
Exemple 2.59. (1) Dans E = R
n
, on pose e
i
= (0, . . . , 1, 0 . . . , 0) R
n
o 1
se situe en ime position. La famille B = (e
i
)
1in
est gnratrice de R
n
. En
eet x = (x
1
, . . . , x
n
) R
n
, on peut crire x = x
1
e
1
+ + x
n
e
n
.
(2) Dans E = R, la famille (1) est gnratrice. En eet, x R, x = x.1.
(3) Dans E = C vu comme R-espace vectoriel, la famille F = (1, i) est gnra-
trice. En eet, pour tout z C, on peut crire z = a.1 +b.i, avec a = (z) et
b = Im(z).
Proposition 2.60. Si (e
1
, . . . , e
n
, e
n+1
) est une famille gnratrice et si e
n+1

X(e
1
, . . . , e
n
) alors la sous-famille (e
1
, . . . , e
n
) est gnratrice.
2.6.3 Famille libre, famille lie
Dnition 2.61. Un vecteur u est dit colinaire un vecteur v de E sil existe
K tel que u = v. Deux vecteurs u et v sont dits colinaires si lun des deux est
colinaire lautre.
Attension
u est colinaire v nquivaut pas v est colinaire v. En eet, le vecteur nul est
colinaire tout vecteurs mais tout veceturs nest pas colinaire au vecetur nul.
Dnition 2.62. (1) On dit que la famille (e
1
, . . . , e
n
) de vecteurs de E est libre
si elle vrie
1
, . . . ,
n
K,
1
e
1
+ +
n
e = 0
1
= . . .
n
= 0. On dit
que les veceturs e
1
, . . . , e
n
sont linairement indpendants
(2) On dit que la famille (e
1
, . . . , e
n
) est lie si elle nest pas libre ce qui signie
1
,
n
K,
1
e
1
+ . . .
n
e
n
= 0 et (
1
, . . . ,
n
) = (0, . . . , 0). Une galit
1
e
1
+ +
n
e
n
= 0 avec
1
, . . . ,
n
non tous nuls est appele relation linaire
sur les vecteurs e
1
, . . . , e
n
.
19
Exemple 2.63. Soit u E, tudions la libert de la famille (u). Si u = 0 alors
K, u = 0 = 0. Par suite, la famille (u) est libre.
Si u = 0 alors on peut crire u = 0 avec = 1 = 0. Par suite, la famillle (0) est
lie.
Proposition 2.64. Soient n 2 et (e
1
, . . . , e
n
) une famille de vecteurs de E. On a
quivalence entre :
(i) (e
1
, . . . , e
n
) est lie ;
(ii) Lun des vecteurs e
1
, . . . , e
n
est combinaison linaire des autres.
Exemple 2.65. (1) Soient u, u E.
(u, v) est lie, si et seulement si, ( K, u = v) ou ( K, v = u).
Ansi, la famille (u, v) est lie, si et seulement si, u et v sont colinaires.
(2) Dans E = R
3
, considrons les vecteurs u = (1, 2, 1), v = (1, 1, 1), w =
(1, 1, 0) et la famille F = (u, v, w). Etudions la libert de la famille F. Soient
, , R.
u + v + w = 0
_
_
+ + = 0
2 + = 0
+ = 0.
Aprs rsolution du systme, on obtient u +v + w = 0 = = = 0,
la famille F est donc libre.
(3) Dans E = R
3
, considrons les vecteurs u = (1, 1, 0), v = (2, 1, 1), w =
(0, 1, 1) et la famille F = (u, v, w). Etudions la libert de la famille F.
Soient , , R.
u + v + w = 0
_
_
+ 2 = 0
= 0
+ = 0.
Aprs rsolution du systme, on obtient u + v + w = 0
_
= 2
= .
On en dduit que la famille F est lie car on a notament la relation linaire
2u + v w = 0.
(4) Dans E = F(R, R), considrons les fonctions f : x 1, g : x cosx, h :
x sinx et montrons que la famille (f, g, h) est libre. Soient , , R
Supposons f +g +h = 0. Pour tout x R, on a +cosx +sinx = 0.
Pour x = 0, on obtient lquation + = 0(1). Pour x = /2, on obtient
lquation + = 0(2). Pour x = , on obtient lquation
= 0(3). On a (1)
et (3) donnent = = 0 et par (2) on obtient = 0. Finalement la famille
(f, g, h) est libre.
Remarque 2.66. (1) Toute sous-famille dune famille libre est libre.
(2) Toute sur-famille dune famille lie, en particulier toute famille contenant le
vecteur nul est lie.
20
(3) Une sur-famille dune famille libre nest pas ncessairement libre.
Proposition 2.67. Si (e
1
, . . . , e
n
) est une famille libre et si e
n+1
/ vect(e
1
, . . . , e
n
)
alors la sur-famille (e
1
, . . . , e
n
, e
n+1
) est libre.
2.6.4 Base dun espace vectoriel
Dnition 2.68. On dit quune famille B = (e
i
)
1in
= (e
1
, . . . , e
n
) de vecteurs de
E est une base de E si celle-ci est libre et gnratrice.
Exemple 2.69. (1) Dans E = K
n
, on pose e
i
= (1, . . . , 0, 1, 0, . . . , 0) K
n
o 1
se situe en ime position. On a dja vu que B = (e
1
, . . . , e
n
) est gnratrice de
K
n
; montrons quelle est libre. Soient
1
, . . . ,
n
K. Supposons que
1
e
1
+
+
n
e
n
= 0. On a (
1
, . . . ,
n
) = (0, . . . , 0) et donc
1
= =
n
= 0.
Finalement , la famille B est libre et gnratrice de K
n
, cest une base de K
n
.
(2) Considrons la famille (1, i) dlments du R-espace vectoriel C. On a dja vu
que cette famille est gnratrice ; montrons quelle est libre. Soient , R.
Supposons que .1 + .i = 0. En identiant parties relles et imaginaires, on
obtient = = 0. Finalement, la base B est libre est gnratrice du R-espace
vectoriel C, cest une base de C.
Remarque 2.70. La famille (1, i) est lie dans le C-espace vectoriel C. Elle nest
pas donc une base du C-espace vectoriel C.
2.6.5 Composante dans une base
Thorme 2.71. Si B = (e
i
)
1in
est une base dun K-espace vectoriel de E alors
x E, !(
1
, . . . ,
n
) K
n
, x =
1
e
1
+ . . .
n
e
n
.
Dnition 2.72. Avec les notations ci-dessous, les scalaires
1
, . . . ,
n
sont appels
les composants de x dans la base B (ou encore les composantes de x).
Remarque 2.73. Les composantes dun vecteur dpendant de la base dans laquelle
on travaille.
Exemple 2.74. (1) Dans E = K
n
, considrons la base canonique B = (e
1
, . . . , e
n
)
et le vecteur x = (x
1
, . . . , x
n
). Puisque x = x
1
e
1
+ +x
n
e
n
, les composantes
du vecteurs x dans la base B sont les saclaires x
1
, . . . , x
n
.
(2) Dans le R-espace vectoriel C, les composantes de z C dans la base canonique
(1, i) sont (z) et Im(z)
Thorme 2.75. Si B = (e
i
)
1in
est une base de E alors pour tout vecteur x et
y de composantes x
1
, . . . , x
n
et y
1
, . . . , y
n
dans B, les composantes de x + y sont
x
1
+ y
1
, . . . , x
n
+ y
n
et celle de x sont x
1
, . . . , x
n
. Ainsi lapplication x E
x
i
K est une forme linaire sur E.
21
2.7 Feuille dexercices sur les applications linaires,
Famille libre, lie et base
2.7.1 Applications linaires
Exercice 1 : Les applications entre R-espace vectoriels suivantes sont-elles
linaires :
(1) f : R
3
R dnie par f(x, y, z) = x + y + 2z ;
(2) f : R
2
R dnie par f(x, y) = x + y + 1 ;
[3) f : R
2
R dnie par f(x, y, z) = xy ;
(4) f : R
3
R dnie par f(x, y, z) = x z ;
Exercice 2 : Soit f : R
2
R
2
dnie par f(x, y) (x + y, x y).
Montrer que f est un automorphisme de R
2
et dterminer son automorphisme rci-
proque.
Exercice 3 : Soit : C
(R, R) C
(R, R) dnie par (f) = f
3f
+2f = 0.
Montrer que est un endomorphisme et prciser son noyau.
Exercice 4 : Soit E lespace vectoriel des applications indnement drivables sur
R. Soient : E E et : E E les applications dnies par :
(f) = f
et (f) est donne par : x R, (f)(x) =

_
x
0
f(t)dt.
(a) Montrer que et sont des endomorphismes de E.
(b) Exprimer et .
(c) Dterminer les images et les noyaux de et de .
Exercice 5 : Soit f lapplication linaire dun K-espace vectoriel E vers un K-
espace vectoriel F.
Montrer que pour toute partie A de E, on a f(vect(A)) = vect(f(A)).
Exercice 6 : Soie E un K-espace vectoriel et f un endomorphisme de E nilpotent,
cest--dire il existe n N
pour lequel f
n
= 0 et f
n1
= 0. Montrer que Id f est
inversible et exprimer son inverse en fonction de f.
Exercice 7 : Soient E et F deux K-espaces vectoriels, f L(E, F) et A, B deux
sous-espaces vectoriels de E. Montrer que f(A) f(B) A+ker f B +kerf.
2.7.2 Image et noyau dun endomorphisme
Exercice 8 : Soient f et g deux endomorphismes dun K-espace vectoriel E.
Montrer que g f = 0, si et seulement si, Im(f) ker(f).
Exercice 9 : Soient f et g deux endomorphismes dun K-espace vectoriel E.
(a) Comparer ker(f) ker(g) et ker(f + g) ;
(b) Comparer Im(f) + Im(g) et Im(f + g) ;
(c) Comparer ker(f) et ker(f
2
) ;
(d) Comparer Im(f) et Im(f
2
).
Exercice 10 : Soit f un endomorphisme dun K-espace vectoriel E. Montrer que
(a) Im(f) ker(f) ker(f) = ker(f
2
) ;
(b) E = Im(f) + ker(f) Im(f) = Im(f
2
).
22
2.7 Feuille dexercices sur les applications linaires, Famille libre, lie et base
2.7.3 Sous-espace engendr par une famille nie
Exercice 11 : On considre les vecteurs de R
3
suivants u = (1, 1, 1) et v =
(1, 0, 1).
Montrer que vect(u, v) = {(2, + , 2) | , R}.
Exercice 12 : Dans R
3
, on considre x = (1, 1, 1) et y = (0, 1, a) o a R.
Donner une condition ncessaire et sussante sur a pour que u = (1, 1, 2) appar-
tiennent vect(x, y). Comparer alors vect(x, y), vect(u, x) et vect(u, y).
2.7.4 Famille libre
Exercice 13 : Les familles suivantes de R
3
sont-elles libres ?
Si ce nai pas le cas, former une relation linaire liant ces vecteurs :
(a) (x
1
, x
2
) avec x
1
= (1, 0, 1) et x
2
= (1, 2, 2) ;
(b) (x
1
, x
2
, x
3
) avec x
1
= (1, 0, 0), x
2
= (1, 1, 0) et x
3
= (1, 1, 1) ;
(c) (x
1
, x
2
, x
3
) avec x
1
= (1, 2, 1), x
2
= (2, 1, 1) et x
3
= (1, 1, 2) ;
(d) (x
1
, x
2
, x
3
) avec x
1
= (1, 1, 1), x
2
= (2, 1, 3) et x
3
= (1, 1, 1) ;
Exercice 14 : On pose f
1
, f
2
, f
3
, f
4
les fonctions dnies par : f
1
(x) = cos x, f
2
(x) =
xcos x, f
3
(x) = sin x et f
4
(x) = xsin x.
Montrer que la famille (f
1
, f
2
, f
3
, f
4
) est libre.
Exercice 15 : Pour tout entier 0 k n, on pose f
k
: R R la fonction dnie
par : f
k
(x) = e
kx
.
Montrer que la famille (f
k
)
0kn
est une famille libre de F(R, R).
Exercice 16 : Soit E un K-espace vectoriel et soient x, y, z trois vecteurs de E tel
que la famille x, y, z) soit libre.
On pose : u = y + z, v = z + x et w = x + y.
Montrer que la famille (u, v, w) est libre.
Exercice 17 : Soit E un K-espace vectoriel et (u
1
, . . . , u
n
, u
n+1
) une famille de
vecteurs de E. Etablir :
(a) Si (u
1
, . . . , u
n
) est libre et u
n+1
/ vect(u
1
, . . . , u
n
) alors (u
1
, . . . , u
n
, u
n+1
) est
libre ;
(b) Si (u
1
, . . . , u
n
, u
n+1
) est gnratrice et u
n+1
invect(u
1
, . . . , u
n
) alors (u
1
, . . . , u
n
)
est gnratrice.
Exercice 18 : Soit (x
1
, . . . , x
n
) une famille libre de vecteurs de E et
1
, . . . ,
n
K.
On pose u =
1
x
1
+ +
n
x
n
et 1 i n, y
i
= x
i
+ u.
A quelle condition sur les
i
, la famille (y
1
, . . . , y
n
) est-elle libre ?
Exercice 19 : Soit (a, b, c) R
3
. Les fonctions x sin(x+a), x sin(x+b), x
sin(x + c) sont-elles indpendantes ?
2.7.5 Obtention de base
Exercice 20 : On pose e
1
= (1, 1, 1), e
2
= (1, 1, 0), e
3
= (0, 1, 1). Montrer que
(e
1
, e
2
, e
3
) est une base de R
3
.
Exercice 21 : Soit E un K-espace vectoriel de dimension 3 et B = (e
1
, e
2
, e
3
) une
base de E.
On pose u = e
1
+ 2e
2
+ 2e
3
et v = e
2
+ e
3
.
23
Montrer que la famille (u, v) est libre et complter celle-ci en une base de E.
1
, e
2
, e
3
) une
base de E.
On pose u = e
1
+ 2e
3
et v = e
3
e
1
et w = e
1
+ 2e
2
.
Montrer que (u, v, w) est une base de E.
Exercice 23 : soi E un K-espace vectoriel muni de la base B = (e
1
, . . . , e
n
). Pour
tout i {1, . . . , n}, on pose u
i
= e
1
+ . . . , e
i
.
(a) Montrer que B
= (u
1
, . . . , u
n
) est une base de E ;
(b) Exprimer les composantes dans B
dun vecteur de E en fonction de ces co-

moposantes dans B.
24
Chapitre 3
Matrices
3.1 Oprations sur les matrices
3.1.1 Dnition
Dnition 3.1. Soient n, p N
. On appelle matrice n lignes et p colonnes

coecients dans K, un tableau n lignes et p colonnes dlments de K. On note
une telle matrice
M = (a
ij
) 1in
1jp
=
_
_
_
_
_
_
_
_
a
11
a
12
a
1P
a
21
a
22
a
2p
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
np
_
_
_
_
_
_
_
_
.
On dit que M est une matrice colonne si p = 1.
On dit que M est une matrice ligne si n = 1.
On dit que M est une matrice carre si n = p.
Notations :
On note M
n,p
(K) lensemble des matrices n lignes et p colonnes coecients
dans K.
Si p = n, on note M
n
(K) lensemble des matrices carres n lignes et n
colonnes.
Un lment de M
n
(K) est dite matrice carre de taille n.
Soit M = (a
ij
) 1in
1jp
, alors a
ij
est le coecient situ sur la i
ime
ligne et la
j
ime
colonne de la matrice M.
Dnition 3.2. Soit M = (a
ij
)
1i,jn
une matrice carre de taille n. On dit que :
(1) M est une matrice triangulaire suprieure (resp. strictement suprieure) si
25
3 . Matrices
a
ij
= 0 pour tout i > j (resp. i j). Cest--dire :
M =
_
_
_
_
_
_
_
_
a
11
a
12
a
1n
0 a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
0 0 a
nn
_
_
_
_
_
_
_
_
, (resp.M =
_
_
_
_
_
_
_
_
0 a
12
a
1n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. a
n1,n
0 0
_
_
_
_
_
_
_
_
).
(2) M est une matrice infrieure (resp. strictement infrieure) si a
ij
= 0 pour tout
i < j (resp. i j). Cest--dire :
M =
_
_
_
_
_
_
_
_
a
11
0 0
a
21
a
22
0
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n,n1
a
nn
_
_
_
_
_
_
_
_
, (resp.M =
_
_
_
_
_
_
_
_
0 0 0
a
21
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 0
a
n1
a
n,n1
0
_
_
_
_
_
_
_
_
).
(3) M est une matrice diagonale si a
ij
= 0 pour tout i = j. Cest--dire :
M =
_
_
_
_
_
_
_
_
a
11
0 0
0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. a
n1,n1
0
0
.
.
. a
nn
_
_
_
_
_
_
_
_
.
(4) M est symtrique (resp. antisymtrique) si a
ij
= a
ji
(resp. a
ij
= a
ji
) pour
tout 1 i, j n. Cest--dire :
M =
_
_
_
_
_
_
_
_
a
11
a
12
a
1n
a
12
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
1n
a
2n
a
nn
_
_
_
_
_
_
_
_
, ( resp. M =
_
_
_
_
_
_
_
_
a
11
a
12
a
1n
a
12
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
1n
a
2n
a
nn
_
_
_
_
_
_
_
_
).
ij
) 1in
1jp
M
n,p
(K). On appelle transpose de M la
matrice
t
M = (b
ij
) 1ip
1jn
M
p,n
(K) o b
ij
= a
ij
. Cest--dire :
t
M ==
_
_
_
_
_
_
_
_
a
11
a
21
a
n1
a
12
a
22
a
n2
.
.
.
.
.
.
.
.
.
.
.
.
a
1p
a
2p
a
np
_
_
_
_
_
_
_
_
.
Autrement dit, les n lignes de M sont les n colonnes de
t
M et les p colonnes de M
sont les p lignes de
t
M.
Remarque 3.4. (1) Une matrice carre M est symtrique, si et seulement si,
M =
t
M.
(2) Une matrice carre M est antisymtrique, si et seulement si, M =
t
M.
26
3.1.2 (M
n,p
(K), +, .) est un K-espace vectoriel
Oprations
Soit A = (a
ij
) 1in
1jp
M
n,p
(K) et B = (b
ij
) 1in
1jp
M
n,p
(K). On dnit la
matrice A+B M
n,p
(K) de la faon suivante : A+B = (a
ij
+b
ij
) 1in
1jp
M
n,p
(K).
Ainsi
A+ B =
_
_
_
_
_
a
11
a
12
a
1P
a
21
a
22
a
2p
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
np
_
_
_
_
_
+
_
_
_
_
_
b
11
b
12
b
1P
b
21
b
22
b
2p
.
.
.
.
.
.
.
.
.
.
.
.
b
n1
b
n2
b
np
_
_
_
_
_
=
_
_
_
_
_
a
11
+ b
11
a
12
+ b
12
a
1P
+ b
1p
a
21
+ b
21
a
22
+ b
22
a
2p
+ b
2p
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
+ b
n1
a
n2
+ b
n2
a
np
+ b
np
_
_
_
_
_
.
Remarque 3.5. On ne somme que des matrices de mme types.
ij
) 1in
1jp
M
n,p
(K) et soit K. On dnit la
matrice A de M
n,p
(K) par A = (a
ij
) 1in
1jp
. Ainsi
A =
_
_
_
_
_
_
_
_
a
11
a
12
a
1P
a
21
a
22
a
2p
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
np
_
_
_
_
_
_
_
_
.
Thorme 3.7. (M
n,p
(K), +, .) est un K-espace vectoriel dlment nul 0 = 0
Mn,p(K)
=
_
_
_
0 0
.
.
.
0 0
_
_
_
.
Dimension
Dnition 3.8. Soit 1 i n et 1 j p. On appelle matrice lmentaire
dindice (i, j) de M
n,p
(K) la matrice E
ij
, dont tous les coecients sont nuls sauf
la i
ime
ligne et la j
ime
colonne qui vaut 1.
Exemple 3.9. (1) Dans M
2
(K), les matrices lmentaires sont E
11
=
_
1 0
0 0
_
, E
12
=
_
0 1
0 0
_
, E
21
=
_
0 0
1 0
_
, E
22
=
_
0 0
0 1
_
.
27
3 . Matrices
(2) Dans M
n,1
(K) les matrices lmentaires sont :
E
11
=
_
_
_
_
_
_
_
_
1
0
.
.
.
0
_
_
_
_
_
_
_
_
, . . . , E
n1
=
_
_
_
_
_
_
_
_
0
.
.
.
0
1
_
_
_
_
_
_
_
_
.
Thorme 3.10. La famille B = (E
ij
, 1 i n, 1 j p) est une base de
M
n,p
(K).
Preuve:
X = (a
ij
) 1in
1jp
M
n,p
(K), on a X =
1in
1jp
a
ij
E
ij
. Donc B est une famille
gnratrice de M
n,p
(K). Montrons maintenant que B est libre. Soient
ij
K,
1 i n et 1 j p, tel que
1in
1jp
ij
E
ij
= 0
Mn,p(K)
et montrons que
ij
= 0, 1 i n et 1 j p. On a
1in
1jp
ij
E
ij
= 0
Mn,p(K)
est quivalent
_
_
_
_
_
11

1p
.
.
.
.
.
.
n1

np
_
_
_
_
_
=
_
_
_
_
_
0 0
.
.
.
.
.
.
0 0
_
_
_
_
_
.
Par identication on obtient
ij
= 0, 1 i n, 1 j p.
Corollaire 3.11. La dimension de lespace vectoriel M
n,p
(K) est mp. En particulier
dimM
n
(K) = n
2
et dimM
n,1
(K) = dimM
1,n
(K) = n.
Exemple 3.12. (1) Soient A
1
, A
2
, A
3
, A
4
les matrices de M
2
(R) suivantes :
A
1
=
_
_
1 0
0 1
_
_
, A
2
=
_
_
1 0
0 1
_
_
, A
3
=
_
_
1 1
1 1
_
_
, A
4
=
_
_
0 1
1 0
_
_
.
Montrons que B = (A
1
, A
2
, A
3
, A
4
) est une base de M
2
(R). Nous remarquons
que card(B) = 4 = dimM
2
(R). Donc pour que B soit une base de M
2
(R) il
su que B soit libre sur M
2
(R). Soient
1
, . . . ,
4
R, tel que
1
A
1
+
2
A
2
+
3
A
3
+
4
A
4
= 0. Montrons que
1
= =
4
= 0. On a
1
A
1
+
2
A
2
+
3
A
3
+
4
A
4
= 0 est quivalent
_
_

1
+
2
+
3
l
3
3
+
4

1
2
+
3
_
_
=
_
_
0 0
0 0
_
_
.
Qui est quivalent
_
1
+
2
+
3
= 0,
4
= 0,
3
+
4
= 0,
2
+
3
= 0.
On dduit facilement que
1
=
2
=
3
=
4
= 0.
28
(2) Montrons que :
F = {
_
_
a + b a + b
2a + b a + 2b
_
_
| a, b K}
est un sous-espace vectoriel de M
2
(K). On a
F = {
_
a a
2a a
_
+
_
b b
b 2b
_
| a, b K}
= {a
_
1 1
2 1
_
+ b
_
1 1
1 2
_
| a, b K}
= vect(
_
1 1
2 1
_
,
_
1 1
1 2
_
).
Par suite F est un sous-espace vectoriel de M
2
(K).
(3) Soit H = {
_
a b
c d
_
| a + b + c + d = 0, a, b, c, d K. Montrons que H est
un sous-espace vectoriel de M
2
(K). Soit f lapplication suivante
f : M
2
() K
_
_
a b
c d
_
_
a + b + c + d.
Il est facile vrier que f est une application linaire, cest--dire, pour tous
, K, A, B M
2
(K) on a f(A+ B) = f(A) + f(B). On a
ker f = {M M
2
(K) | f(M) = 0}
= {
_
a b
c d
_
| a + b + c + d = 0}
On remarque que ker f = H et on sait que le noyau dune application linaire
est un sous-espace vectoriel. On dduit alors que H est un sous-espace vectoriel
de M
2
(K).
3.1.3 Sous-espaces des matrices diagonales et triangulaires
Proposition 3.13. D
n
(K) lensemble des matrices diagonales de M
n
(K) est un
sous-espace vectoriel de M
n
(K) de dimension n.
Remarque 3.14. Une base de D
n
(K) = {M M
n
(K) | M =
_
_
_
a
11
0
.
.
.
0 a
nn
_
_
_
, a
ij

K} est B
1
= (E
11
, . . . , E
nn
).
Proposition 3.15. (1) T
n
(K) (resp. T
n
(K)) est un sous-espace vectoriel de M
n
(K)
de dimension
n(n+1)
2
.
29
3 . Matrices
(2) T
>
n
(K) (resp. T
<
n
(K)) est un sous-espace vectoriel de M
n
(K) de dimension
n(n1)
2
.
Remarque 3.16. (1) T
n
(K) = vect(E
ij
, 1 i j n);
(2) T
>
n
(K) = vect(E
ij
, 1 i < j n);
(3) T
n
(K) = vect(E
ij
, 1 j i n);
(4) T
<
n
(K) vect(E
ij
, 1 j < i n).
Exercice Montrer que :
(1) T
n
(K) T
<
n
(K) = M
n
(K);
(2) T
n
(K) T
>
n
(K) = M
n
(K).
3.1.4 Proprits du produit matriciel
Soient A = (a
ij
) 1in
1jp
M
n,p
(K), B = (b
ij
) 1ip
1jq
M
p,q
(K). On dnit la
matrice C = A B = AB = (c
ij
) 1in
1jq
M
n,q
(K), par 1 i n, 1 j q,
c
ij
=
p
k=1
a
ik
b
kj
.
Exemple Vrier que pour tous E
ij
, E
kl
M
n
(K), on a E
ij
E
kl
=
jk
E
il
.
Attention : Pour une cette multiplication matricielle soit possible il est necessaire
que le nombre de colonnes de A soit egal au nombre de ligne de B. On peut retirer
type(n,p) type(p,q)=type(n,q).
Exemple 3.17.
_
1 2
1 1
__
1 0 0
2 1 1
_
=
_
1 1 + 2 2 0 + 2 1 0 + 2 1
1 1 + 1 2 0 + 1 1 0 + 1 1
_
=
_
5 2 2
1 1 1
_
Remarque 3.18. Si les types de A et B permettent de calculer AB et BA, alors
en gnral on na pas AB = BA. Par exemple :
_
_
1 0
0 0
_
_
_
_
0 1
0 0
_
_
=
_
_
0 1
0 0
_
_
.
_
_
0 1
0 0
_
_
_
_
1 0
0 0
_
_
=
_
_
0 0
0 0
_
_
.
Proposition 3.19. (1) Pour tout A M
n,p
(K), B Mp, q(K), C M
q,m
, on a
(AB)C = A(CB) ;
(2) pour tous A, B M
n,p
(K) et C Mp, q(K), on a (A+ B)C = AC + BC ;
(3) pour tous A M
n,p
(K) et B, C Mp, q(K), on a A(B + C) = AB + AC ;
(4) Pour tout A M
n,p
(K), B Mp, q(K), et pour tout K, on a (AB) =
(A)B = A(B).
30
Remarque 3.20. Dans lensemble des matrices M
n
(K) des matrices carres, la
multilplications est une loi de composition interne. Elle admet comme lment neutre
la matrice diagonale
I
n
=
_
_
_
_
_
1 0
.
.
.
0 1
_
_
_
_
_
.
Puissance dune matrice
Dnition 3.21. Soit A M
n
(K), on note A
0
= I
n
, A
1
= A, A
2
= AA, . . . , A
m
=
A A (m termes).
Attension : (A+ B)
2
= A
2
+ AB + BA+ B
2
= A
2
+ 2AB + B
2
.
(A+ B)
3
= A
3
+ A
2
B + ABA + Ba
2
+ AB
2
+ BAB + B
2
.
Matrices inversibles
Dnition 3.22. Une matrice A M
n
(K) est dite inversible sil existe B
M
n
(K) vriant AB = BA = I
n
. Cette matrice B est alors unique, cest linverse
de A not A
1
.
Exemple 3.23. La matrice I
n
est inversible et I
1
n
= I
n
.
Proposition 3.24. Soient A, B M
n
(K).
(1) Si A et B sont inversibles alors (AB)
1
= B
1
A
1
.
(2) Si A est inversible alors A
1
est inversible et (A
1
)
1
= A.
Dnition 3.25. On note GL(n)(K) lensemble des matrices inversibles de M
n
(K).
Proposition 3.26. (GL(n)(K), ) est un groupe appel groupe linaire dordre n.
Exemple 3.27. Soit A =
_
1 2
3 4
_
. On vrie par le calcul que A
2
5A = 2I
2
.
Par suite A(
1
2
A
5
2
I
2
) = I
2
. On conclut alors que A
1
=
1
2
A
5
2
I
2
.
Remarque 3.28. La somme de deux matrices inversibles nest pas toujours une
matrice inversible. Par example :
_
_
1 0
0 1
_
_
+
_
_
1 0
0 1
_
_
=
_
_
0 0
0 0
_
_
.
Dtermination pratique de linverse dune matrice carre inversible
Lemme 3.29. Soient A, B M
n,p
(K) si AX = BX, X M
p,1
(K) alors A = B.
31
3 . Matrices
Comment chercher linverse dune matrice carre A Gl n(K) : Soit
A = (a
ij
) 1in
1jn
GL(n)(K). On introduit X =
_
_
_
x
1
.
.
.
x
n
_
_
_
M
n,1
(K) et Y =
_
_
_
y
1
.
.
.
y
n
_
_
_
= AX M
n,1
(K). On a
_
_
_
_
_
y
1
.
.
.
y
n
_
_
_
_
_
=
_
_
_
_
_
a
11
a
nn
.
.
.
.
.
.
a
n1
a
nn
_
_
_
_
_
_
_
_
_
_
x
1
.
.
.
x
n
_
_
_
_
_
.
Qui est quivalent
_
_
y
1
= a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
.
.
.
.
.
.
.
.
.
y
n
= a
n1
x
1
+ a
n2
x
2
+ a
nn
x
n
.
Si cela est possible, on rsout ce systme dont les inconnus sont x
1
, . . . , x
n
et on
obtient : _
_
x
1
= b
11
y
1
+ b
12
y
2
+ + b
1n
y
n
.
.
.
.
.
.
.
.
.
x
n
= b
n1
y
1
+ b
n2
y
2
+ b
nn
y
n
.
(3.1)
Soit B = (b
ij
) 1in
1jn
GL(n)(K). Le systme (3.1) est quivalent X = BY . Ainsi
I
n
X = BAX, X M
n,1
(K), daprs le lemme 3.29 on a I
n
= BA donc A
1
= B.
Exemple 3.30. Soit A =
_
_
0 1 1
1 0 1
1 1 0
_
_
M
3
(R). Dterminons A
1
? Soient X =
_
_
x
1
x
2
x
2
_
_
, Y =
_
_
y
1
y
2
y
3
_
_
M
3,1
(R), tel que Y = AX. On a :
_
_
_
y
1
= x
2
+ x
3
y
2
= x
1
+ x
3
y
3
= x
1
+ x
2
_
_
_
x
2
= y
1
x
3
x
3
=
1
2
(y
2
y
3
+ y
1
)
x
1
= y
3
y
1
+ x
3
_
_
_
x
2
=
1
2
(y
1
y
2
+ y
3
)
x
3
=
1
2
(y
1
+ y
2
y
3
)
x
1
=
1
2
(y
1
+ y
2
+ y
3
)
On dduit alors que A
1
=
1
2
_
_
1 1 1
1 1 1
1 1 1
_
_
.
3.2 Reprsentations matricielles
3.2.1 Matrice colonne des composantes dun vecteur
Soit E un K-espace vectoriel muni dune base B = (e
1
, . . . , e
n
), x E, !(
1
, . . . ,
n
)
K, tel que x =
1
e
1
+ +
n
e
n
.
32
Dnition 3.31. On appelle matrice des composantes dans B du vecteur x la ma-
trice colonne de M
1,n
(K) telles que ses coecients sont
1
, . . . ,
n
, qui sont les
composantes de x dans la base B. On la note Mat
B
(x) =
_
_
_
1
.
.
.
n
_
_
_
Mn, 1(K).
Remarque 3.32. Puisque les composantes dun vecteur dpend de la base choisie,
il est necessaire de prciser la base.
Exemple 3.33. Soit le R espace vectoriel R
n
muni de sa base canonique (e
1
, . . . , e
n
).
On a : Mat
B
(e
i
) =
_
_
_
_
_
_
_
_
_
0
.
.
.
0
1
0
.
.
.0
_
_
_
_
_
_
_
_
_
. Soit x = (1, 2, 3, . . . , n) R
n
, on a Mat
B
(x) =
_
_
_
_
_
1
2
.
.
.
n
_
_
_
_
_
.
3.2.2 Matrice des composantes dune famille de vecteurs
Soit F = (x
1
, . . . , x
p
) une famille de vecteurs dun K-espace vectoriel E muni
dune base B = (e
1
, . . . , e
n
). Pour tout 1 i p notons c
i
la colonne des compo-
santes dans B du vecteur x
i
.
Dnition 3.34. On appelle matrice des composantes dans la base B de la famille
des vecteurs F la matrice de M
n,p
(K) dont les colonnes sont c
1
, . . . , c
p
, on la note
Mat
B
(F) = Mat
B
(x
1
, . . . , x
p
).
Remarque 3.35. Si p = 1, on retrouve la dnition de la matrice des composantes
du vecteur x
1
dans la base B.
Exemple 3.36. (1) Soit E un K-espace vectoriel muni de la base B = (v
1
, . . . , v
n
).
On a
Mat
B
(B) = Mat
B
(v
1
, . . . , v
n
) =
_
_
_
_
_
1 0
.
.
.
0 1
_
_
_
_
_
.
(2) Soit E = K
3
muni de sa base canonique B = (e
1
, e
2
, e
3
) et soient F =
(x
1
, x
2
, x
3
, x
4
), o x
1
= (1, 2, 3), x
2
= (1, 5, 6), x
3
= (4, 7, 9), x
4
= (4, 6, 7).
Mat
B
(F) = Mat
B
(x
1
, x
2
, x
3
, x
4
) =
_
_
_
_
_
1 1 4 4
2 5 7 6
3 6 9 7
_
_
_
_
_
.
(3) Soit E = R
3
[X] muni de sa base canonique B = (1, X, X
2
, X
3
). Soient F =
(P
0
, P
1
, P
2
, P
3
), P
0
= (1 + X)
0
= 1, P
1
= (1 + X)
1
= 1 + X, P
2
= (1 + X)
2
=
33
3 . Matrices
1 + 2X + X
2
, P
3
= (1 + X)
3
= 1 + 3X + 3X
2
+ X
3
. On a
Mat
B
(F) =
_
_
_
_
_
_
_
_
1 1 1 1
0 1 2 3
0 0 1 3
0 0 0 1
_
_
_
_
_
_
_
_
.
3.2.3 Matrice dune application linaire
Soient E et F deux K-espaces vectoriels muni respectivement des bases B =
(e
1
, . . . , e
n
) et C = (v
1
, . . . , v
p
).
Dnition 3.37. On appelle matrice representative dans les bases B et C dune
application linaire u L(E, F) la matrices des composantes dans C de la famille
image (u(e
1
), . . . , u(e
n
)), on la note Mat
B,C
u = Mat
C
(u(e
1
), . . . , u(e
n
)) M
p,n
(K).
Remarque 3.38. La matrice reprsentative de u dpend du choix des bases B et
C, il est donc necessaire de prciser ces derniers.
Exemple 3.39. (1) Soit u lapplication linaire suivante :
u : R
3
R
2
(x, y, z) (x + 2y z, x y).
On muni R
3
de la base canonique B = (e
1
, e
2
, e
3
) (e
1
= (1, 0, 0), e
2
= (0, 1, 0), e
3
=
(0, 0, 1)) et soit C = (v
1
, v
2
) la base canonique de R
2
(v
1
= (1, 0), v
2
= (0, 1)).
Dterminons la matrice reprsentative de u dans les bases B et C. On a
u(e
1
) = (1, 1) = v
1
+ v
2
,
u(e
2
) = (2, 1) = 2v
1
v
2
,
u(e
3
) = (1, 0) = v
1
+ 0v
2
.
Donc
Mat
C
(u(B)) =
_
_
1 2 1
1 1 0
_
_
.
(2) Soient a, b R (xs) et u lapplication linaire suivante :
u : R
3
[X] R
3
P (P(a), P(b), P(c)).
On muni R
3
[X] de sa base canonique B = (P
0
= 1, P
1
= X, P
2
= X
2
, P
3
=
X
3
) et on muni R
3
de sa base canonique C = (e
1
, e
2
e
3
). Dterminons la
matrice reprsentative de u dans les bases B et C. On a
u(P
0
) = (1, 1, 1) = e
1
+ e
2
+ e
3
,
u(P
1
) = (a, b, c) = ae
1
+ be
2
+ ce
3
,
u(P
3
) = (a
2
, b
2
, c
2
) = a
2
e
1
+ b
2
e
2
+ c
2
e
3
,
u(P
3
) = (a
3
, b
3
, c
3
) = a
3
e
1
+ b
3
e
2
+ c
3
e
3
.
34
On dduit que
Mat
C
(u(B)) =
_
_
_
_
_
1 a a
2
a
3
1 b b
2
b
3
1 c c
2
c
3
_
_
_
_
_
.
3.2.4 Matrice dun endomorphisme
Soit E un K-espace vectoriel de dimension n et muni de la base B = (e
1
, . . . , e
n
).
Dnition 3.40. On appelle matrice reprsentative dans la base B dun endomor-
phisme u L(E) la matrice reprsentative dans la base B au dpart et larrive
de u, on la note Mat
B,B
u = Mat
B
u M
n
(K).
Exemple 3.41. (1) Soient E un K-espace vectoriel muni dune base B = (e
1
, . . . , e
n
)
et u = Id
E
lidentit de E. On a Mat
B
u = I
n
.
(2) Soit B = (e
1
, e
1
, e
3
3
et soit u lendomorphisme sui-
vant :
u : R
3
R
3
(x, y, z) (x + z, z + x, x + y).
On a
u(e
1
) = (0, 1, 1) = e
2
+ e
3
,
u(e
2
) = (1, 0, 1) = e
1
+ e
3
,
u(e
3
) = (1, 1, 0) = e
1
+ e
2
.
Alors
Mat
B
(u) =
_
_
_
_
_
0 1 1
1 0 1
1 1 0
_
_
_
_
_
.
Soient v
1
= (1, 1, 1), v
2
= (1, 1, 0), v
3
= (1, 0, 0), vrions que B
= (v
1
, v
2
, v
3
)
est une base de R
3
, pour cela il sut de montrer que B
est libre, car card(B
) =
dimR
3
= 3. Soient , , R, tel que v
1
+ v
2
+ v
3
= 0
R
3 et montrons
que = = = 0. On a v
1
+ v
2
+ v
3
= 0
R
3 est quivalent
_
_
+ + = 0
+ = 0
= 0
_
= 0
= 0
= 0
Donc B
est libre. Dterminons Mat

B
u. On a
u(v
1
) = (2, 2, 2) = 2v
1
,
u(v
2
) = (1, 1, 2) = 2v
1
v
2
,
u(v
3
) = (0, 1, 1) = v
1
+ v
3
.
35
3 . Matrices
Alors
Mat
B
(u) =
_
_
_
_
_
2 2 1
0 1 0
0 0 1
_
_
_
_
_
.
3.2.5 Image dun vecteur
Soient E et F deux K-espaces vectoriels munis des bases B = (e
1
, . . . , e
n
) et
C = (v
1
, . . . , v
p
). Pour x E et y F, par convention on note X et Y les deux
colonnes de x et y dans les bases B et C.
Thorme 3.42. Pour u L(E, F), la matrice de u dans les bases B et C est
lunique matrice de M
p,n
(K) vriant x E, y F, y = u(x) Y = AX.
Exemple 3.43. Soirt E un R-espace vectoriel muni dune base B = (e
1
, e
2
, e
3
).
Soit u un endomorphisme de E dont la matrice dans B est
Mat
B
u =
_
_
_
_
_
1 1 2
1 1 0
1 0 1
_
_
_
_
_
= A.
Soit x = x
1
e
1
+ x
2
e
2
+ x
3
e
3
E. On peut calculer le vecteur u(x) par produit
matriciel.
Mat
B
u(x) = AX =
_
_
_
_
_
x
1
+ x
2
+ x
3
x
1
x
2
x
1
+ x
3
_
_
_
_
_
.
On peut alors tudier le noyau de u en rslovant lquation matricielle AX =
0
M
3,1
(K)
.
AX = 0
M
3,1
(K)

_
_
x
1
+ x
2
+ x
3
= 0
x
1
x
2
= 0
x
1
+ x
3
= 0
_
_
_
x
2
= x
1
,
x
3
= x
1
.
Ainsi ker u = {x
1
(e
1
+ e
2
e
3
) | x
1
K} = vect(e
1
+ e
2
e
3
).
On peut aussi facilement dterminer limage de u.
En eet, par le thorme du rang, on a Rg u = dimEdimker u = 2. On peut donc
dterminer une base de Imu.en considrant deux vecteurs libres de limage de u. Or
les colonnes de A sont formes par les composantes des vecteurs u(e
1
), u(e
2
) et u(e
3
),
qui sont des lments de limage et puisque u(e
1
) = e
1
+ e
2
+ e
3
et u(e
2
) = e
1
e
2
sont libres alors Im(u) = vect(u(e
1
), u(e
2
)).
36
3.3 Formule de changement de base
3.2.6 Isomorphisme de reprsentation matricielle
Soient E et F deux K-espaces vectoriels munis de bases B = (e
1
, . . . , e
n
) et
C = (v
1
, . . . , v
p
).
Thorme 3.44. Lapplication
M
B,C
: L(E, F) M
p,n
(K)
u Mat
B,C
u
est un isomorphisme de K-espaces vectoriels.
Corollaire 3.45. Soient E et F deux K-espaces vectoriels de dimensions nies
alors lespace vectoriel L(E, F) est un K-espace vectoriel de dimension nie et
dimL(E, F) = dimF dimF. En particulier, dimL(E) = (dimE)
2
et dimE
=
dimKdimE = dimE.
Remarque 3.46. Par lisomorphisme de reprsentation matricielle, introduire une
application linaire u de E vers F quivaut introduire sa reprsentation matricielle
relative des bases donnes de E et F. Cest trs souvent ainsi que sont introduit
des applications linaires en dimension nie.
3.2.7 Composition dune application linaire
Soient E, F et G trois K-espaces vectoriels munis des bases B = (e
1
, . . . , e
p
),
C = (v
1
, . . . , v
n
) et D = (w
1
, . . . , w
m
).
Thorme 3.47. Pour tout u L(E, F) et v L(F, G), on a : Mat
B,D
(v u) =
Mat
C,D
v Mat
B,C
u.
3.2.8 Isomorphisme et matrice inversible
Soient E et F deux K-espaces vectoriels munis dew bases B = (e
1
, . . . , e
p
) et
C = (v
1
, . . . , v
n
).
Thorme 3.48. Soient u L(E, F) et A = Mat
B,C
u on a quivalence entre
(1) u est un isomorphisme ;
(2) A est inversible.
De plus, Mat
C,B
(u
1
) = A
1
.
3.3 Formule de changement de base
3.3.1 Matrice de passage
Soit E un K-espace vectoriel de dimension n muni de deux bases B = (e
1
, . . . , e
n
)
et B
= (e
1
, . . . , e
n
).
Dnition 3.49. On appelle matrice de passage de la base B la base B
la matrice
P = Mat
B
(B
) = Mat
B
(e
1
, . . . , e
n
).
37
3 . Matrices
Exemple 3.50. soit le R-espace vectoriel R
3
muni de la base canonique B =
(e
1
, e
2
, e
3
) et de la base B
= (e
1
, e
2
, e
3
), o e
1
= e
1
e
2
+ e
3
, e
2
= e
2
e
3
et
e
3
= 2e
1
+ 2e
2
e
3
. La matrice de passage de la Base B la base B
est
Mat
B
B
=
_
_
_
_
_
1 0 2
1 1 2
1 1 1
_
_
_
_
_
.
Proposition 3.51. Si P est la matrice de passage de la base B la base B
alors
P = Mat
B
(Id
E
(B
)).
Attension : Ici la matrice de lendomorphisme Id
E
nest pas lidentit car la
reprsentation matricielle de lidentit est forme en choississant une base larrive
qui nest a priori la mme au dpart.
Proposition 3.52. Si P est la matrice de passage de la base B la base B
alors
P est inversible et P
1
est la matrice de passage B
la base B.
Exemple 3.53. Reprenons les notations de lexemple prcident.
_
_
e
1
= e
1
e
2
+ e
3
e
2
= e
2
e
3
e
3
= 2e
1
+ 2e
2
e
3
et P = Mat
B
B
=
_
_
_
_
_
1 0 2
1 1 2
1 1 1
_
_
_
_
_
.
Pour former la matrice de passage inverse P
1
, il sut dexprimer les vecteurs de la
base B en fonction de ceux de la base B
. A laide du systme prcdent on obtient :

_
_
e
1
= e
1
+ e
2
e
2
= 2e
1
+ e
2
+ e
3
e
3
= 2e
1
+ e
3
et donc P
1
= Mat
B
B =
_
_
_
_
_
1 2 2
1 1 0
0 1 1
_
_
_
_
_
.
3.3.2 Nouvelle composante de vecteur
Thorme 3.54. Soient B et B
deux bases dun K-espace vectoriel E de dimen-

sion n si x est un vecteur de E dont on note X et X
les colonnes des composantes

dans B et B
de x alors on a X = Mat
B
B
.
Remarque 3.55. On retient la formule suivante Mat
B
x = Mat
B
B
Mat
B
x.
Corollaire 3.56. X
= Mat
B
BX.
3.3.3 Nouvelle reprsenatation dune application linaire
Thorme 3.57. Soient B et B
deux bases dun K-espace vectoriel E et C et C
deux bases dun K-espace vectoriel F. Si f est une application linaire de E vers F
dont on note A = Mat
C
(fB)) et A
= Mat
C
(f(B
)) alors on a A
= Q
1
AP, o P
est la matrice de passage de la base B la base B
et Q est la matrice de passage

de la base C la base C
.
38
3.4 Rang dune matrice
Remarque 3.58. On peut retrouver la formule du thorme 3.57 laide du dia-
gramme commutatif suivant :
.
(E, B) (F, C)
(E, B
) (F, C
)
f
Id
E
Id
F
f
On a :
Id
F
f = f Id
E
Mat
C
Id
F
(C)A = A
Mat
B
Id
E
(B)
A
= Mat
C
Id
f
(C)AMat
B
Id
E
(B
)
A
= Q
1
AP.
3.4 Rang dune matrice
3.4.1 Denition
Rappel : Si F = (x
1
, . . . , x
n
) est une famille de vecteurs dun K-espace vectoriel
E alors on appelle rang de la famille F la dimension de lespace engendr par F.
Rg F = dimvect(x
1
, . . . , x
n
).
Si E et F sont deux K-espaces vectoriels de dimensions nies et u L(E, F)
alors on appelle rang de lapplication linaire u la dimension de Imu. Cest dire :
Rg u = dimImu.
Ces deux concepts sont lis puisque si B = (e
1
, . . . , e
n
) est une base de E alors
Rg u = Rg(u(e
1
), u(e
2
), . . . , u(e
n
)).
Dnition 3.59. Soit A = (a
ij
) 1in
1jp
M
n,p
(K) de colonnes C
1
, . . . , C
p
. On ap-
pelle rang de A le rang de la famille (C
1
, . . . , C
P
). On note Rg(A) = Rg(C
1
, . . . , C
p
).
Thorme 3.60. Si F = (x
1
, . . . , x
p
) une famille de vecteurs dun K-espace vecto-
riel E et si A est la matrice de la famille F dans une certaine bese B de E alors
Rg(A) = Rg(x
1
, . . . , x
p
).
Thorme 3.61. Soient E et F deux K-espaces vectoriels. Si u L(E, F) et si A
est la matrice de u relative des bases B de E et C de F alors Rg(u) = Rg(A).
3.4.2 Proprits du rang dune matrice
Proposition 3.62. Pour tout A M
n,p
(K), Rg(A) min(n, p).
Proposition 3.63. pour tous A n, p(K), B M
p,q
(K), on a Rg(AB) min(Rg(A), Rg(B)).
De plus
(a) Si A est une matrice carre inversible alors Rg(AB) = Rg(B) ;
(b) Si B est une matrice carre inversible alors Rg(AB) = Rg(A).
Remarque 3.64. On ne modie pas le rang dune matrice en multipliant celle-ci
par une matrice inversible.
39
3 . Matrices
Thorme 3.65. Soit A M
n
(K). On a quivalence entre :
(i) A est inversible ;
(ii) Rg(A) = n.
Remarque 3.66. Pour tout A M
n,p
(K), on a Rg(A) = Rg(
t
A).
40
3.5 Srie dexercices
3.5 Srie dexercices
Exercice 0 : On considre la matrice
A =
_
_
_
_
_
2 2 1
2 1 2
1 2 2
_
_
_
_
_
(a) Calculer A
t
A ou
t
AA.
(b) En dduire que A est inversible et donner lexpression de A
1
.
A =
_
_
_
_
_
1 1 1
0 1 1
0 0 1
_
_
_
_
_
et on pose B = A I
3
.
Calculer B
n
pour n N et en dduire lexpression de A
n
.
A =
_
_
1 2
3 4
_
_
(a) Calculer A
2
3A+2I. En dduire que A est inversible et calculer son inverse.
(b) Pour n 2, dterminer le reste de la division euclidienne de X
n
par X
2
3X + 2.
(c) En dduire lexpression de la matrice A
n
.
Exercice 3 : Soit A =
_
a b
c d
_
M
2
(K). Observer que A
2
(a + d)A + (ad
bc)I
2
= 0.
A quelle condition A est-elle inversible ? Dterminer alors A
1
.
Exercice 4 : Calculer linverse des matrices carres suivantes :
(a) A =
_
_
1 0 1
2 1 1
1 1 1
_
_
.
(b) B =
_
_
1 1 1
2 0 1
2 1 1
_
_
.
(c) C =
_
_
2 0 1
1 1 1
1 0 1
_
_
.
Exercice 5 : Dterminer la matrice relative aux bases canoniques des applications
linaires f suivantes :
41
3 . Matrices
(a)
f : R
3
R
2
(x, y, z) (x + y, y 2x + z).
(b)
f : R
3
R
3
(x, y, z) (y + z, z + x, x + y).
(c)
f : R
3
[X] R
3
[X]
P P(X + 1).
(d)
f : R
3
[X] R
4
P (P(1), P(2), P(3), P(4)).
Exercice 6 : On considre les sous-espaces vectoriels supplmentaires de R
3
sui-
vants :
P = {(x, y, z) R
3
| x + 2y z = 0} et D = Vect(w) o w = (1, 0, 1).
On note B = (i, j, k) la base canonique de R
3
.
On note p la projection vectorielle sur P paralllement D, q celle sur D parall-
lement P, et enn, s la symtrie vectorielle par rapport P et paralllement
D.
(a) Former la matrice de p dans B.
(b) En dduire les matrices, dans B, de q et de s.
Exercice 7 : Soit E un K-espace vectoriel de dimension 3 et f L(E) tel que
f
2
= 0 et f
3
= 0.
Montrer quil existe une base de E dans laquelle la matrice de f est
_
_
_
_
_
0 0 0
1 0 0
0 1 0
_
_
_
_
_
.
Exercice 8 : Soit E un K-espace vectoriel de dimension nie n N
.
Soit f un endomorphisme de E tel que f
n
= 0 et f
n1
= 0.
(a) Justier quil existe x E tel que B = (x, f(x), f
2
(x), . . . , f
n1
(x)) forme une
base de E.
(b) Dterminer les matrices de f, f
2
, . . . , f
n1
dans cette base.
(c) En dduire que
{g L(E) | g f = f g} = vect(Id, f, f
2
, . . . , f
n1
).
42
3.5 Srie dexercices
Exercice 9 : Soit
A =
_
_
_
_
_
3 1 3
1 1 1
1 1 1
_
_
_
_
_
.
On note B = (e
1
, e
2
, e
3
3
.
Soit f lendomorphisme de R
3
dont la matrice dans B est A.
On pose
1
= (1, 1, 1),
2
= (1, 1, 0),
3
= (1, 0, 1) et B
= (
1
,
2
,
3
).
(a) Montrer que B
constitue une base de R

3
.
(b) Ecrire la matrice de f dans cette base.
(c) Dterminer une base de ker f et de Imf.
Exercice 10 : Soit E un K-espace vectoriel muni dune base B = (i, j, k).
Soit f lendomorphisme de E dont la matrice dans B est
A =
_
_
_
_
_
2 1 1
1 0 1
1 1 0
_
_
_
_
_
.
(a) Calculer A
2
. Quen dduire sur f ?
(b) Dterminer une base de Imf et ker f.
(c) Quelle est la matrice de f relativement une base adapte la supplmentarit
de Imf et ker f ?
Exercice 11 : Soit
A =
_
_
_
_
_
2 1 1
1 2 1
1 1 2
_
_
_
_
_
.
On note B = (e
1
, e
2
, e
3
3
.
Soit f lendomorphisme de R
3
dont la matrice dans B est A.
(a) Dterminer ker f et Imf. Dmontrer que ces sous-espaces sont supplmentaires
dans R
3
.
(b) Dterminer une base adapte cette supplmentarit et crire la matrice de
f dans cette base.
(c) Dcrire f comme compose de transformations vectorielles lmentaires.
Exercice 12 Soit f L(R
3
) reprsent dans la base canonique B par :
_
_
_
_
_
2 1 1
0 1 0
1 1 0
_
_
_
_
_
.
(a) Soit C = (
1
,
2
,
3
) avec
1
= (1, 0, 1),
2
= (1, 1, 0),
3
= (1, 1, 1).
Montrer que C est une base.
43
3 . Matrices
(b) Dterminer la matrice de f dans C.
(c) Calculer la matrice de f
n
dans B pour tout n N.
Exercice 13 : Soit E un K-espace vectoriel muni dune base B = (e
1
, e
2
, e
3
).
A =
_
_
_
_
_
2 1 0
2 1 2
1 1 3
_
_
_
_
_
.
Soit B
= (
1
,
2
,
3
) la famille dnie par
1
= e
1
+ e
2
e
3
;
2
= e
1
e
3
;
3
= e
1
e
2
.
(a) Montrer que B
est une base de E et former la matrice D de f dans B
.
(b) Exprimer la matrice de passage P de B B
et calculer P
1
.
(c) Quelle relation lie les matrices A, D, P et P
1
?
(d) Calculer A
n
pour tout n N.
Exercice 14 : Soit E un K-espace vectoriel muni dune base B = (e
1
, e
2
, e
3
).
A =
_
_
_
_
_
3 2 2
1 2 0
1 1 1
_
_
_
_
_
.
(a) Montrer quil existe une base C = (
1
,
2
,
3
) de E dans laquelle la matrice
reprsentative de f est une matrice diagonale D de coecients diagonaux :
1, 2 et 3.
(b) Dterminer la matrice de passage P de B C. Calculer P
1
.
(c) Quelle relation lie les matrices A, D, P et P
1
?
(d) Calculer A
n
pour tout n N.
1
, e
2
, e
3
) une
base de E.
On considre les matrices
A =
_
_
_
_
_
4 2 2
1 0 1
3 2 1
_
_
_
_
_
et D =
_
_
_
_
_
0 0 0
0 1 0
0 0 2
_
_
_
_
_
.
Soit f lendomorphisme de E dont la matrice dans la base B est A.
44
3.5 Srie dexercices
(a) Montrer quil existe une base C = (
1
,
2
,
3
) de E telle que la matrice de f
dans C soit D.
(b) Dterminer la matrice P de GL(3)(R) telle que A = PDP
1
. Calculer P
1
.
(c) Calculer pour tout n N, A
n
.
(d) En dduire le terme gnral des suites (x
n
)
nN
, (y
n
)
nN
et (z
n
)
nN
dnies
par :
_
_
x
0
= 1,
y
0
= 0,
z
0
= 0,
et n N,
_
_
x
n+1
= 4x
n
2(y
n
+ z
n
),
y
n+1
= x
n
z
n
,
z
n+1
= 3x
n
2y
n
z
n
.
Exercice 16 : Calculer le rang de familles de vecteurs suivantes de R
3
:
(a) (x
1
, x
2
, x
3
) avec x
1
= (1, 1, 0), x
2
= (1, 0, 1) et x
3
= (0, 1, 1).
(b) (x
1
, x
2
, x
3
) avec x
1
= (2, 1, 1), x
2
= (1, 2, 1) et x
3
= (1, 1, 2).
(c) (x
1
, x
2
, x
3
) avec x
1
= (1, 2, 1), x
2
= (1, 0, 3) et x
3
= (1, 1, 2).
Exercice 17 : Calculer le rang des applications linaires suivantes :
(a) f : K
3
K
3
, dnie par f(x, y, z) = (x + y + z, x y + z, x + y z).
(b) f : K
3
K
3
dnie par f(x, y, z) = (x y, y z, z x).
(c) f : K
4
K
4
dnie par f(x, y, z, t) = (x + y t, x + z + 2t, 2x + y z +
t, x + 2y + z).
Exercice 18 : Soit E un espace vectoriel de dimension 3 muni dune base B =
{e
1
, e
2
, e
3
}. Soit R, on considre les vecteurs v
1
= e
1
e
2
+e
3
, v
2
= e
1
e
2
e
3
et v
3
= e
1
e
2
e
3
.
(a) Soit f
lapplication linaire de E dans E, dnie par

f
(e
1
) = v
1
, f
(e
2
) = v
2
, f
(e
3
) = v
3
.
Dterminer la matrice A
de f
dans la base B.
(b) Dterminer suivant les valeurs de le rang de f
.
(c) Calculer, suivant les valeurs de , le noyau de f
.
(d) Montrer que la matrice
P =
_
_
_
_
_
1 0 1
1 1 0
1 1 1
_
_
_
_
_
est inversible et calculer son inverse.
(e) Monter que A
0
= PBP
1
, o
B =
_
_
_
_
_
0 0 0
0 1 0
0 0 1
_
_
_
_
_
.
En dduire que f
3
0
= f
0
.
45
3 . Matrices
46
Chapitre 4
Systmes Linaires, Mthode du
Pivot de Gauss
4.1 Transformations des matrices
4.2 Rduction des matrices ; Mthode du Pivot Gauss
4.3 Recherche de linverse dune matrice carre
4.4 Systmes linaires
47
4 . Systmes Linaires, Mthode du Pivot de Gauss
4.5 Exercices
Exercice 1 : Transformer les matrices suivantes en matrices chelonnes r-
duites :
_
_
_
_
_
_
_
_
0 2 2 5 0 3
1 3 0 4 1 2
0 1 2 2 1 1
0 1 2 4 1 3
_
_
_
_
_
_
_
_
,
_
_
_
_
_
_
_
_
_
_
_
0 2 1 3
1 0 1 2
1 2 1 5
2 1 0 0
1 2 2 1
_
_
_
_
_
_
_
_
_
_
_
,
_
_
_
_
_
_
_
_
1 1 m
m 1 m
1 m 1
m 1 1
_
_
_
_
_
_
_
_
.
Exercice 2 : Calculer lorsque cest possible linverse des matrices suivantes :
A =
_
_
_
_
_
1 2 3
0 4 2
1 1 2
_
_
_
_
_
, B =
_
_
_
_
_
_
_
_
2 1 0 2
0 0 0 3
1 2 1 1
0 0 0 1
_
_
_
_
_
_
_
_
,
C =
_
_
1 2
3 1
_
_
, D =
_
_
_
_
_
_
_
_
_
_
_
1 0 0 2 1
2 1 3 4 7
0 0 2 1 0
0 0 0 0 1
1 1 1 2 4
_
_
_
_
_
_
_
_
_
_
_
.
Exercice 3 : Rsoudre dans R les systmes par la mthode du pivot de Gauss.
(S
1
) :
_
_
2x + 3y = 12,
3x + 5y = 1,
7x 11y = 1,
(S
2
) :
_
_
x y + 3z = 6,
3x 2y + 7z = 14,
x + 3y 3z = 4.
Exercice 4 : Pour R, rsoudre le systme (S
) :
_
_
_
2x + 3y + z = 4,
x + 6y + 2z = 5,
7x + 3y + z = .
Exercice 5 : Rsoudre en fonction du paramtre m C, les systmes suivants
dinconnues complexes :
(a)
_
_
_
x y + z = m
x + my z = 1
x y z = 1
(b)
_
_
_
mx + y + z = 1
x + my + z = m
x + y + mz = m
2
(c)
_
_
_
mx + y + z + t = 1
x + my + z + t = m
x + y + mz + t = m + 1.
Exercice 6 : Soit a, b C. Rsoudre le systme :
_
_
ax + by + z = 1
x + aby + z = b
x + by + az = 1
48
Chapitre 5
Rduction des Matrices Carres
5.1 Valeurs propres, Vecteurs propres
Dnition 5.1. Soient E un K-espace vectoriel, f un endomorphisme de E et
K. Sil existe x un vecteur non nul de E tel que f(x) = x, on dit que :
(1) est une valeur propre de f.
(2) x est un vecteur propre de f associ la valeur propre .
Dans ce cas :
E
= ker(f id) = {x E | f(x) = x}

est appell le sous-espace propre associ .
Remarque 5.2. est une valeur propre de f ker(fid
E
) = {0
E
} dimE = 0.
Exemple 5.3. (1) Soit f : R R, x 2x. On a 2 est une valeur propre de f.
(2) Soit f : R
2
R
2
, (x, y) (x, 2y). On a f(1, 0)(1, 0) et f(0, 1) = 2(0, 1). Donc
1 et 2 sont deux valeurs propres de f et (1, 0) (resp. (0, 1)) est un vecteur propre
associ la valeur propre 1 (resp. 2).
Remarque 5.4. Soient
1
,
2
deux valeurs propres direntes de f L(E). Alors
E
1
capE
2
= {0}.
Proposition 5.5. Soient E un K-espace vectoriel et f un endomorphisme de E.
Si x
1
, . . . , x
p
sont des vecteurs propres associes aux valeurs propres deux deux
distinctes
1
, . . . ,
p
alors la famille (x
1
, . . . , x
p
) est libre.
Corollaire 5.6. Soient E un K-espace vectoriel de dimension n et f un endomor-
phisme de E.
(1) Si
1
, . . . ,
p
sont des valeurs propres de f distinctes deux deux et E
1
, . . . , E
p
sont les sous-espaces propres associs, alors la somme E
1
+ +E
p
est directe
et
p
i=1
dimE
i
n.
(2) f ademet au plus n valeurs propres.
49
5 . Rduction des Matrices Carres
5.2 Diagonalisation dun endomorphisme
Soient E un K-espace vectoriel de base B = (e
1
, . . . , e
n
) et f un endomorphisme
de E. Notons A = Mat
B
(f(B)). Si A est diagonale avec A =
_
_
_
1
0
.
.
.
0
n
_
_
_
alors
f(e
i
) =
i
e
i
, 1 i n. Donc les valeurs popres de f sont
1
, . . . ,
n
et e
1
, . . . , e
n
sont des vecteurs propres de f associs respectivement
1
, . . . ,
n
. Rciproque-
ment :
Si 1 i n, e
i
est un vecteur propre de f associe la valeur propre _i, alors
A =
_
_
_
1
0
.
.
.
0
n
_
_
_
Dnition 5.7. Soient E un K-espace vectoriel de dimension n et f un endomor-
phisme de E. On dit que f est diagonalisable sil existe une base B de E telle que
la matrice de f dans cette base est diagonale (cest--dire, il existe une base de E
forme par les valeurs propres de f).
Thorme 5.8. Soient E un K-espace vectoriel de dimension n et f un endomor-
phisme de E, qui possde p valeurs propres distinctes. Les conditions suivantes sont
quivalentes :
(i) f est diagonalisable.
(ii) E = E
1
. . . E
p
.
(iii) Il existe ue base B de E telle que A
= Mat
B
f(B) est diagonale.
Corollaire 5.9. Soient E un K-espace vectoriel de dimensuion n et f un endomor-
phisme de E. Si f possde n valeurs propres distinctes alors f est diagonalisable.
5.3 Diagonalisation dune matrice carre
Dnition 5.10. Soient A une matrice carre de M
n
(K) et K. Sil existe
X K
n
, (on identie K
n
avec M
n,1
(K)) tel que AX = X alors
(1) est une valeur propre de A.
(2) X est un veceteur propre de A associ la valeur propre .
Dans ce cas : E
= {X M
n,1
(K) | AX = X} est lespace propre associ la
avaleur propre .
Proposition 5.11. Soient A M
n
(K) et K. Les conditions suivantes sont
quivalentes :
(i) est une valeur propre de A.
(ii) A I
n
nest pas inversible.
(iii) det(AI
n
) = 0.
50
5.3 Diagonalisation dune matrice carre
Preuve:
Nous dmontrons que (i) implique (ii). On a est une valeur propre de A, donc
il existe X M
n,1
(K) un vecteur propre non nul associ la valeur propre . On
a AX X = (A I
n
)X = 0. Si on suppose que A I
N
est inversible, on a
(AI
n
)
1
(AI
n
)(X) = 0. Ceci implique que X est nul ce qui est absurde.
51
5.4 Sries dexercices
Exercice 1 : Soit f : R
2
R
2
lapplication linaire dnie par
f(x, y) =
1
5
(3x + 4y, 4x 3y).
(1) Ecrire la matrice de f dans la base canonique de R
2
. On la notera A.
(2) Montrer que le vecteur v
1
=
_
2
1
_
est vecteur propre de f. Quelle est la
valeur propre associe ?
(3) Montrer que le vecteur v
2
=
_
1
2
_
est galement vecteur propre de f. Quelle
est la valeur propre associe ?
(4) Ecire v
3
=
_
1
3
_
en fonction de v
1
et v
2
. On dduire son image par f.
(5) Montrer que la famille (v
1
, v
2
) est une base de R
2
.
(6) Quelle la matrice de f dans la base (v
1
, v
2
) ? On la notera D.
(7) Ecire P la matrice de passage de la base canonique la base (v
1
, v
2
). Calculer
P
1
(8) Quelle est la relation entre P, A, P
1
et D.
(9) Calculer A
n
, pour n N. Mme exercice avec la matrice A =
_
2 3
1 0
_
et les vecteurs v
1
=
_
3
1
_
, v
2
=
_
1
1
_
, v
3
=
_
0
4
_
,
Exercice 2 : Dterminer le polynme caracterestique des matrices suivantes :
A
1
=
_
_
0 1
1 0
_
_
, A
1
=
_
_
_
_
_
0 1 1
1 0 1
1 1 0
_
_
_
_
_
, A
3
=
_
_
_
_
_
_
_
_
0 1 1 1
1 0 1 1
1 1 0 1
1 1 1 0
_
_
_
_
_
_
_
_
.
Exercice 3 Rechercher les valeurs propres et vecteurs propres des matrices sui-
vantes :
A
1
=
_
_
_
_
_
1 0 0
0 1 1
0 1 1
_
_
_
_
_
, A
2
=
_
_
_
_
_
1 0 4
0 7 2
4 2 0
_
_
_
_
_
, A
3
=
_
_
_
_
_
1 1 1
1 a
2
0
1 0 a
2
_
_
_
_
_
, (a = 0).
Exercice 4 : Trouver une matrice carre inversible P telle que b = PAP
1
soit
diagonale, et crire la matrice B obtenue, pour les matrices A suivantes :
A
1
=
_
_
_
_
_
2 0 0
0 1 4
0 4 1
_
_
_
_
_
, A
2
=
_
_
_
_
_
1 0 1
0 1 0
1 0 1
_
_
_
_
_
, A
3
=
_
_
_
_
_
1 0 4
0 7 2
4 2 0
_
_
_
_
_
.
52
5.4 Sries dexercices
Exercice 5 : Soit la matrice
A =
_
_
_
_
_
7 3 9
2 1 2
2 1 4
_
_
_
_
_
qui reprsente f , un endomorphisme de R
3
dans une base canonique.
(1) (a) Montrer que les valeurs propres de A sont
1
= 2,
2
= 1 et
3
= 3.
(b) En dduire que lon peut diagonaliser A.
(2) (a) Dterminer une base B
= (v
1
, v
2
, v
3
) de vecteurs propres tel que la ma-
trice de f dans la base B
soit
D =
_
_
_
_
_
1
0 0
0
2
0
0 0
3
_
_
_
_
_
.
(b) Prciser la matrice de passage P de la base canonique B la base B
;
quelle relation lie les matrices A, p, P
1
et D?.
(3) Montrer que pour tout entier n N, on a A
n
= PD
n
P
1
.
(4) Aprs avoir donn, calculer A
n
pour tout n N.
Exercice 6 : Soit la matrice matrice A =
_
_
3 2 2
2 1 2
2 2 1
_
_
.
(1) Calculer une base et la dimension de chaque sous-espace propre de A.
(2) A est diagonalisable ; justier cette armation et diagonaler A.
53
54

Cours Algebre

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Cours Algebre

Uploaded by

Copyright:

Available Formats

Cours dalgbre linaire

Khaoula Ben Abdeljelil

Exemple 1.13. (1) 2X

munis de la multiplication sont des groupes : 1 est llment neutre.

dun lment x G est unique.

, e G deux lments neutres de G. En appliquant la proprit dun

Notation : Soit (G, ) un groupe, on note souvent xy au lieu de x y, 1 au lieu

) et de la multiplication externe par les complexes dnie par : (a+i.b) (x, y) =

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

) des espaces vectoriels. Lappli-

, au lieu de L(E, K), lensemble des

2.6 Famille de vecteurs

(R, R) dnie par (f) = f

et (f) est donne par : x R, (f)(x) =

dun vecteur de E en fonction de ces co-

. On appelle matrice n lignes et p colonnes

est libre, car card(B

est libre. Dterminons Mat

. A laide du systme prcdent on obtient :

deux bases dun K-espace vectoriel E de dimen-

les colonnes des composantes

deux bases dun K-espace vectoriel E et C et C

et Q est la matrice de passage

constitue une base de R

est une base de E et former la matrice D de f dans B

lapplication linaire de E dans E, dnie par

= ker(f id) = {x E | f(x) = x}

You might also like