Cours de Mathématiques 1 Génie informatique

I. MATRICES

Introduction
Nous nous plaçons dans des espaces vectoriels de dimension finie. Nous allons voir qu’une
application peut être définie lorsque des bases sont choisies dans l’espace vectoriel de départ
et dans celui d’arrivée représentée par un tableau de coefficients qu’on appelle une matrice.
En conséquence on peut opérer sur ces tableaux de nombres en pensant aux opérations
correspondantes sur les applications et réciproquement. Nous exposerons cette notion en nous
référant en permanence à cette double interprétation.

1. Notion de matrice

a. Définition1. Etant donné deux entiers positifs n et p, on appelle matrice à n lignes p

colonnes ou encore (n, p)-matrice, à coefficients dans le corps commutatif K un ensemble
A de np éléments de K, biunivoque associés aux couples (i, j) d’entiers tels que
1 i p, 1 j n, et représenté par le tableau rectangulaire :
. a11 a12 …. a1p
. a12 a22 …. . a2p
A= ……………… ; ou, en abrégé : A = aij
. a1n a2n ….. anp
aij est l’élément de la ième colonne et de la jème ligne de A.

Si le nombre de lignes n est égal au nombre de colonnes p on obtient une matrice carrée
d’ordre n.
Dans ce cas, les éléments a11 , a22 , …, ann constituent la diagonale principale de la matrice
carrée A.

Notation : L’ensemble des (n, p)-matrices à coefficients dans le corps K sera noté par n,
p(K). On désignera par n(K) l’ensemble des matrices carrée d’ordre n à coefficients dans K.

b. Matrice transposée. On appelle matrice transposée de la (n, p)-matrice A = aij , la

matrice A (ou tA) à p lignes et n colonnes déduite de A par échange des lignes et des
colonnes i.e. la matrice A= bij telle que bij = aij pour 1 i n et 1 j p. Si A est une
matrice carrée d’ordre n, sa transposée tA est aussi une matrice carrée d’ordre n, déduite de a
par symétrie par rapport à la diagonale principale.

Exemples de calcul de transposée :

 1. Soit A la matrice réelle à 3 lignes et 4 colonnes définie par :

. Sa transposée sera donc une matrice à 4 lignes et 3

colonnes, égale à

2. Soit la matrice carrée réelle d'ordre 3 (c'est-à-dire à 3 lignes et 3 colonnes) définie

par . Alors sa transposée sera une matrice à 3 lignes et 3

colonnes, donc de même type, égale à

2- Calcul matriciel.
Soit A = aij et B = bij deux matrices à n lignes et p colonnes à coefficients dans le
corps K. On peut les considérer comme matrice de deux applications linéaires f et g d’un
espace vectoriel E de dimension p sur K dans un espace vectoriel F de dimension n sur K,
relative aux deux base e1, e2 ,...,en et e'1, e'2 ,...,e'n

a. Egalité.

Définition3. Les matrices A = aij et B = bij à n lignes et p colonnes sont dites égales
et on écrit A= B si on a : aij = bij pour 1 i p et 1 j n. i.e. le éléments de même rang
sont égaux.

b. Addition.
Définition3. On appelle somme des (n, p)-matrice A= aij et B= bij et on note
C= A +B, la (n, p)-matrice cij telle que : cij = aij + bij
Exemple 1 : Soient les deux matrices éléments de :

et . Alors .

Exemple 2 : Soient les deux matrices éléments de :

c. Multiplication des matrices

Définition. On appelle produit de la matrice A= aij à q lignes n colonnes par la matrice B=
bij à n lignes p colonnes, et on note C=AB, la matrice C= cij à q lignes p colonnes définie
cij  akjbik ( i 1, p ) ; ( j 1,q)
n
par la formule :
k 1
Cette formule exprime la règle de calcul suivante : l’élément cij du produit AB est la somme
des produit de chaque élément de la j-ième ligne de A par l’élément de même rang de la i-ème
colonne de B, conformément au schéma suivant :

( )

( )

Lignes colonnes

Exemple.
Effectuer le produit de la (3, 2)-matrice par la (2, 4)-matrice :
–
( )( ) ( – )
– –

Matrices régulières ou inversibles

Définition6. La matrice carrée A d’ordre n , est dite régulière (ou inversible ) s’il existe une
matrice carrée B d’ordre n telle que : ( I matrice unitaire)
Remarques. 1) Sil existe une matrice B telle que AB =BA =I , elle est unique.
En effet, soit 
.
La matrice B s’appelle alors la matrice inverse de A et est noté A-1.
2) Si la matrice A est régulière, elle en est de même que la matrice A-1 qui admet pour
inverse la matrice A.
Technique de calcul d’inverse

Technique de Gauss-Jordan

Si A est une matrice carrée inversible, pour déterminer son inverse , on part de
pour aboutir à par d’une succession d’opérations élémentaires.
Cette méthode est connue sous le nom de méthode de Gauss-Jordan.
Elle s’effectue par pivotage :
Les pivots sont choisis sur la diagonale principale de A,
Dans chaque tableau suivant : la ligne du pivot est divisée par le pivot, tous les éléments de la
colonne du pivot sont nuls excepté le pivot qui vaut 1, les autres éléments sont calculer par la
méthode du rectangle.

pivot a a/pivot
1

c b b’
0

Remarques :
- Si élément est nul sur la ligne du pivot, alors sa colonne reste inchangée dans le tableau
suivant,
- Si élément est nul sur la colonne du pivot, alors sa ligne reste inchangée dans le tableau
suivant,

Exemple.
Considérons la matrice carrée A d’ordre 3 :

( )

Calculons l’inverse de A par la méthode de Gauss-Jordan

( )

l’inverse de la matrice A.

( )

En déduire les solutions du système avec ( ) ( )

Indication : multiplier à gauche les deux membres de l’équation par et effectuer le

produit matriciel et utiliser la définition de l’égalité de deux matrices.

On trouve ( )

Technique de co-matrice
Soit A une matrice carrée d’ordre n. la matrice A est inversible sir , son inverse est
Exemple calculer l’inverse s’il existe de la matrice ( )

Exemple. Montrer que la matrice. ( ) est inversible

Assertion. Soit A et B deux matrices carrées d’ordre n inversibles, alors AB est aussi
inversible, et de plus (AB)-1= B-1A-1. (Exercice)

5- Matrices carrées particulières

 Matrice diagonale. On appelle matrice diagonale une matrice carrée dont les éléments
non situés sur la diagonale principale sont nuls.
Une matrice diagonale s’écrit donc : A= aij , avec aij  0 pour ij
Remarque. Les matrices diagonales forment un s.e.v. de l’e.v. de n(K). De plus le produit
de deux matrices diagonales A et B est une matrice diagonale et AB =BA

 Matrice scalaire. on appelle matrice scalaire une matrice diagonale dont tous les éléments
de la diagonale principale sont égaux ou bien c’est le produit de la matrice unité par un
scalaire non nul
 Matrice symétrique. Une matrice A est dite symétrique si elle est égale à sa transposée
i.e. A= tA. Ou bien c’est une matrice dont les éléments symétriques par rapport à la
diagonale principale sont égaux.
 Matrice anti–symétrique. Une matrice carrée A est dite anti- symétrique si tA= -A. Ou
bien c’est une matrice dont les éléments symétriques par rapport à la diagonale principale
sont opposés.

 Matrice triangulaire
 Une matrice carrée T1 est dite triangulaire supérieure ssi elle s’écrit sous la forme :
a11 a12 ……… a1n a11 0 0
0 a22 ……… an2 a12 a22 ……… 0
T1= ……………………. …………………….
0 0 …… aii … ani a1i a2i …… aii … 0
0 0 0 ann a1n a2n ain ann

 Une matrice carrée T est dite triangulaire inférieure ssi elle s’écrit sous la forme :
 une matrice carrée D à la fois triangulaire supérieure et triangulaire inférieure est dite
diagonale.

II. Les Déterminants

______________________________________________________

Introduction
A une famille de vecteurs dans un espace vectoriel E de dimension finie n, ou encore à
une matrice carrée M de taille (n, n) (qui peut être considérer aussi comme la famille
formée par ses vecteurs colonnes), on associe un élément du corps de base appelée
déterminant du système qu’on peut considérer de manière intuitive comme le volume
 algébrique du parallélépipède ( en dimension finie) construit sur les vecteurs de la
famille. Ainsi ce déterminant sera 0 si et seulement si la famille de vecteurs est liée.

1. Définition. On appelle déterminant de la matrice carré d’ordre n A= aij , à cœfficients

dans K

| |

Exemples : Déterminant d’ordre deux | | a11a22  a12a12

Déterminant d’ordre trois

| | a11a22a33  a12a23a31  a13a12a32  a12a12a33  a11a23a32  a13a22a31

2. Propriétés des déterminants.

Théorème4. Pour que n vecteurs d’un espace vectoriel E de dimension n soient linéairement
indépendants il faut et suffit que leur déterminant relativement à une base e1, e2 ,...,en soit non
nul.

Propriété5. Si une colonne d’un déterminant est une combinaison linéaire des autres
colonnes, ce déterminant est nul. On a par exemple : .

| |

En particulier, si une colonne d’un déterminant a tous se éléments nuls, ou deux colonnes sont
identiques ( ou proportionnelles), le déterminant est nul.

Propriété5. On ne modifie pas un déterminant quand on ajoute à une colonne une

combinaison linéaire des autres colonnes.

Propriété6. 1° Si on multiplie tous les éléments d’une colonne d’un déterminant par un même
scalaire, le déterminant est multiplié par .
2° Si on échange deux colonnes d’un déterminant, ce lui-ci est échangé en son opposé.

Théorème5 (théorème de dualité). Le déterminant d’une matrice carrée A est égal au

déterminant de sa transposée tA.

Conséquence. Le théorème de dualité permet d’étendre aux lignes les résultats établis pour
les colonnes.
 3- Calcul des déterminants

a) Cas particuliers.

 Déterminant d’ordre deux

Règle : On calcule un déterminant d’ordre deux en retranchant du produit des éléments de
la diagonal principale le produit des éléments de la deuxième diagonale.
 Déterminant d’ordre trois, règle de sarraus.
Les trois termes précédés du signe + sont : le produit des éléments de la diagonale
principale, le produit des éléments reliés par un trait continu, le produit des éléments reliés
par un trait discontinu de la figure1.
Les trois termes précédés du signe – sont : le produit des éléments de la seconde
diagonale, le produit des éléments reliés par un trait continu, le produit des éléments reliés
par un trait discontinu de la figure2.

| |
| | | | ou
| |

b) Développement d’un déterminant par rapport aux éléments d’une rangée

Aij = (-1)i+j ji .
Définition8. On appelle mineur de l’élément aij le déterminant ji d’ordre n-1 déduit de
par suppression de la ième colonne et de la jème ligne.
On appelle co-facteur de aij l’expression (-1)i+j ji .
on appelle co-matrice de la matrice A notée com(A), la matrice des co-facteurs de A.

Théorème. Un déterminant d’ordre n est égal à la somme des produits de chacun des
éléments d’une même rangée par son co-facteur. On a :
 (1)i j ji aij
n
(Développement par rapport aux éléments de la ième colonne)
j1

 (1)i j ji aij
n
(Développement par rapport aux éléments de la jème ligne)
i1
La règle qui permet d’associer à chaque mineur le co-facteur correspondant peut être
représenter par le tableau suivant, dans lequel on a mis le signe de (-1)i+j à l’emplacement de
la ligne j et de la colonne i .

| |
| |

Remarques. 1- Il résulte que le co-facteur Aij de l’élément aij ne dépend ni des éléments de
la ième colonne ni ceux de la jème ligne de .
 A a .
n
j j
2- Considérons l’expression i k
j1
Si k= 1, elle représente le développement de par rapport aux éléments de la de la ième
colonne.
Si k i, elle représente le développement de ’ qu’on déduit de en remplaçant les éléments
de la ième colonne par ceux de la kème colonne ( ce qui ne modifie pas le mineur Aij ). ’ est
un déterminant qui a deux colonnes identiques, il est donc nul (prop4). On a donc :

A a = 0
n
j j
i k pour j k.
j1
Propriété7. La somme des produits des éléments d’une même rangée par les co-facteurs des
éléments d’une rangée parallèle est nulle.
Pratique de calcul.
Le théorème6 fournie une méthode générale de calcul d’un déterminant ; il permet de ramener
le calcul d’un déterminant d’ordre n à celui d’un déterminant d’ordre n-1 et donc de proche
en proche au calcul d’un déterminant d’ordre deux. Toute fois avant de développer un
déterminant par rapport aux éléments d’une rangée, on peut essayer de le simplifier en
appliquant les propriétés (4 ;5 ;6) et les propriétés duales. Par exemple, on peut par
combinaison linéaire des rangées parallèles, faire apparaître un facteur commun de tous les
éléments d’une même rangée et le mettre en facteur du déterminant (propriété6.a). On peut
aussi appliquer la propriété5 ou la propriété duale pour faire apparaître un ou plusieurs zéros
dans une même rangée ; il est alors indiqué de développer le déterminant par rapport aux
éléments d’une rangée comportant plusieurs zéros.

VII- THEOREMES IMPORTANTS.

a. Le déterminant de la matrice unité est égal à 1 (détIn= 1)
b. Le déterminant d’une matrice triangulaire est égal est égal au produit des
éléments de la diagonale principale.
c. dét (AB)= détA.détB= dét (BA).
d. déttA= détA
e. détA 0 est équivalent à l’une des propriétés :
a- A est inversible dans n(K) ;
b- Les vecteurs colonnes de A sont linéairement indépendants ;
c- Les vecteurs lignes de A sont linéairement indépendants.
Alors dét (A-1)= (détA)-1 et dét (A-1BA)= détB.
f. Atcom(A)= tcom(A).A= (détA)I.
g. Si détA 0 , A-1=
1 tcom(A).
détA

EXRICICES

A- MATRICES

Exercice 1. Calculer l’inverse des matrices suivantes :

 –
( ) –

( )

Exercice2. a) Soit ( ) calculer la matrice A est – elle inversible ?

si oui quel est son inverse ?

b) Soit ( ). Calculer . En déduire de A est inversible puis déterminer

c) Soit ( ).

1. Calculer
2. En déduire que A est inversible.
Exercice 3. On considère les matrices suivantes :

( ) ( ) ( )

1. Calculer le rang des matrices A, B et C.

2. Les matrices A, B et C sont – elles inversibles ? si oui calculer leur inverse.

Exercice 4. Soit ( ).

1. Vérifier que l’on peut écrire où N est une matrice à déterminer.

2. Calculer puis pour
3. En déduire pour .
4. Application. soient trois suites réelles telles que

et vérifiant les relations de récurrence

On considère le vecteur ( )

a) Trouver une matrice A telle que . En déduire que .

b) Calculer .
c) En déduire les expressions de en fonction de n.

Exercice 5. On donne les matrices

( ) ( )
 a- Calculer J2 et montrer par récurrence sur n que An est de la forme
An= 3nI+anJ, (n 0 ). En déduire An.
Exercice 6. On considère la matrice

( )

et on pose B= A –I.
Calculer Bn, nN et en déduire l’expression de An.

Exercie7. Soit A la matrice ( ), montrer qu’il existe deux suites réels et

telles que

Déterminer et et

Exercice 12. On considère un endomorphisme f de R2 dont la matrice relative à la base

canonique de R² est
( )
1) Calculer la matrice
2) En déduire que la matrice A est inversible et déterminer A-1
3) Soit n un entier supérieur ou égal à 2. Déterminer le reste de la division euclidienne de
du polynôme Xn par X
4) En déduire la matrice An.

Exercice 8. Soit la matrice ( )

1) Résoudre dans , et en déduire l’inverse de

2) Résoudre dans ,

B- Déterminant

Exercice 9. Démontrer que

| | | | | |

Exercice 10. a) Démontrer sans développer, que le déterminant

| | est nul

b) Démontrer sans calcul que le déterminant

 | | est divisible par 15.

c)  étant une racine cubique de l’unité, démontrer sans calcul que le déterminant

| | est nul.

Exercice 11. 1° Exprimer sous forme d’un produit de trois facteurs le déterminant :

| |

2° Calculer le déterminant

| |

Exercice 4. Mettre sous forme de produit de deux facteurs le déterminant :

| |

Exercice 12. Evaluer les déterminants :

–
–
| – |
| | | | | |
–
–
–
Exercice 13.a) Montrer que

| | | |

b) Calculer sous forme factorisée les déterminants suivants :

| | | | | | | |

| | | |

Exercice 14. a, b, c et d étant 4 nombres réels on pose

 –
( )
–
t
Calculer A A. En déduire la valeur de détA.

Exercice 15 Calculer les déterminants sous forme de produit de facteurs

| |, | |,

| |, | |

Exercice 16. Soit D(a) | |

a) Calculer D(a) sous forme de produit de facteurs

b) Résoudre dans C l’équation D(a)=0

_____________________________________________________
IV Résolution des systèmes d’équations linéaires
Introduction
La résolution d’un système linéaire de p équations à n inconnues (pouvant prendre leurs
valeurs dans un corps donné) s’interprète en terme d’algèbre linéaire comme la recherche
d’un vecteur dans un e.v. de dimension p dont l’image par une application linéaire donnée
est un vecteur donné dans un e.v. de dimension n. Nous verrons à ce propos plusieurs
problèmes distincts : existence d’une solution, unicité, détermination de la ou des
solutions, algorithmes effectifs de calcul.

 Problèmes linéaires en dimension finie

Un système p équations à n inconnues est un système du type
a11x1  a12x2... a1pxn  b1
a12x1  a22x2....  a2pxn  b2 (1)
.. ..
. . .
.
a1nx1  a2nx2... anpxp  bn
où les inconnues xi sont à chercher dans un corps K, les coefficients aij du système sont
dans K, et les données bi des seconds membres sont aussi dans K.
pour un tel système les problèmes posés sont les suivantes :
a) le système possède-t-il au moins une solution ?
b) s’il existe une solution est elle unique ?
c) S’il existe des solutions peut on les écrire suivants une formule en fonction des
coefficients et des seconds membres ?
d) Comment calculer numériquement une solution lorsqu’on se donne des valeurs
numériques explicites pour les coefficients et les seconds membres ?
En particulier ce calcul peut il être réaliser pratiquement à partir de formules closes ?
 La première chose que nous allons faire est d’interpréter de diverses manières en terme
d’algèbre linéaire le problème posé. Nous verrons que ces diverses façons de voir sont
toutes intéressantes par les divers éclairages qu’elles apportent au problème.

 Interprétation vectorielle
Soit E un K-e.v. de dimension n, rapporté à une base e1,e2,...,en . Considérons les vecteurs
aijej , i 1, p et B = b e
n n
j
Ai = i j
j 1 j 1
Les premiers membres de (1) sont les composantes suivant la base e1,e2,...,en du vecteur
x1A1  x2A2 ... xp Ap et les seconds membres sont les composantes du vecteur B. Le
système (1) admet donc les mêmes solutions que l’équation vectorielle :
x1A1  x2A2 ... xp Ap = B (2).
On dit que le système (1) et l’équation vectorielle (2) sont équivalentes.
Résoudre le système (1) c’est mettre le vecteur B sous forme d’une combinaison linéaire des
vecteurs A1, A2, …, Ap.

Définition. On appelle matrice associée au système linéaire (1), la (n, p)- matrice M  aij
des vecteurs A1, A2, …, Ap.

 Rang d’un système linéaire.

Définitions.
- On appelle déterminant d’ordre q extrait d’une (n, p)- matrice M le déterminant d’une
matrice carrée d’ordre q déduite de M par suppression de (n-q) lignes et (p-q) colonnes.
- On appelle rang d’une (n, p)- matrice M l’ordre maximum r des déterminants non nuls
extraits de cette matrice.
Remarque. r étant le rang d’une matrice, certains déterminant d’ordre r peuvent être nuls.
- On appelle rang d’un système d’équations linéaires le rang de la matrice associée à ce
système.
Théorème1. Le rang d’une (n, p)- matrice M  aij de p vecteurs A1, A2, …, Ap d’un K-e.v.
de dimension n est égal au rang du système de vecteurs A1, A2, …, Ap.

 Système de Cramer
définition. On appelle système de Cramer un système linéaire dans le quel le nombre n
d’équations est égal au nombre p d’inconnues et dont le rang est r = n = p.

a x  b ,
n
Dans ce cas, le système (1) s’écrit : j
i i j j 1,n (3).
i 1
Un système de Cramer est caractérisé par deux conditions :
1° le nombre d’équations est égal au nombre d’inconnues
2° le déterminant du système est non nul.
Le système (3) est équivalente à l’équation : x1A1  x2A2 ... xn An = B
L’espace E étant de dimension n, on a D(A1, A2, …, An) =  0. Les vecteurs A1, A2, …, An
forment par conséquent une base de E. le vecteur B est décomposable de façon unique suivant
cette base, il en résulte que le système (3) admet une solution unique constituée par les
composantes de B suivant la base A1, A2, …, An.
Calcul des inconnues
Considérons le déterminant i= D(A1, …, Ai-1, B, Ai+1, …, An). on a, en remplaçant le
vecteur B par x1A1  x2A2 ... xn An et en appliquant les propriétés des déterminants on a :

x D(A,...,A
n
i= k 1 , Ak , Ai1,...,An)
i 1
k 1
si ki le déterminant D(A1, …, Ai-1, AK, Ai+1, …, An) est nul, il en résulte :
i= xiD(A1, …, Ai-1, Ai, Ai+1, …, An) = xi et xi  i , i 1, n où est le déterminant du
système et i le déterminant déduit de en remplaçant la ième colonne par la colonne des
termes constants b1, b2, …, bn écrit aux seconds membres des équations du système
Exemple. Le système linéaire
3x +2y +z =1
x +3y +2z = 0
2x +y +3z = -1
admet pour solution x =
1 , y = 1 et z =  2
3 3 3
 Système linéaire de n équations à p inconnues
Considérons la relation (1) du système linéaire de rang r :
On Peut supposer que le déterminant d’ordre r formé par les r premières lignes et par les r
première colonnes de la matrice associée au système n’est pas nul .
Le déterminant  0 est appelé déterminant principal du système. Les r premières équations
son les équations principales et les inconnues x1, x2, …,xr sont les inconnues principales.
Remarque. il peut exister plusieurs déterminants non nuls d’ordre r extraits de la matrice
associée au système.
Le choix du déterminant principal, et par conséquent des équations et des inconnues
principales peut donc s’effectuer de plusieurs façons.

 Condition de compatibilité.
Pour que les équations (1) soient compatibles, i.e. pour que le système (1) admet des
solutions, il faux et il suffit que l’équation vectorielle : x1A1 +…+xpAp = B admet des
solutions ; autrement dit il faux et il suffit que B appartienne à F = vect(A1, A2,...,Ap ) .
Or rang(A1, …, Ap) = r et A1, …, Ap forment une base. On a, B = 1A1 ... r Ar et les
vecteurs :
A1, …, Ar, B sont linéairement dépendants.
Propriété1. Pour que les équations (1) soient compatibles il faux et il suffit que les vecteurs
A1, …, Ar, B soient linéairement dépendants.
Essayons de remplacer cette compatibilité par une condition faisant intervenir les coefficients
aij et bij . Examinons le cas particulier : n = r +1. A1, …, Ar, B sont alors n vecteurs d’un e.v.
de dimension n ; la condition de compatibilité s’écrit d’après la propriéré1 D(A1, …, Ar, B)=
0
Soit … .
1 = .
. . =0
. .. ..
…
Examinons le cas général. B vect(A1,...,Ar )ssi il existe r éléments de K : y1, y2, …, yr, tels
que :
B = y1A1 +…+yrAr, i.e.
 a y  b ,
r
j
i i j j 1,n (5)
i 1
La compatibilité des équations (1) équivaut donc à celle des équations (5) aux inconnues
y1, y2, …, yr, le système formé par les r premières équations du système (5) est un système de
Cramer. Pour que les équations (5) soient compatibles, il faux et il suffit que la solution du
système de Cramer constitué par les r premières équations soit également solution des autres
équations ; autrement dit il faux et il suffit que chacun des systèmes constitués par les (r +1)
équations de (5) correspondants à j = 1, 2, …, r, r+h ; h = 1, …, n-r soient solubles.
A chacun de ces systèmes on peut appliquer la condition de compatibilité obtenue dans le cas
particulier n = r +1 on en déduit les (n-r) conditions de comptabilités

h  = 0, h 1,n  r

Définition. Les déterminants h sont les déterminants caractéristiques du système. On les

obtient en bordant le déterminant principal par la colonne des termes constants écrits aux
seconds membres des équations principales et par la ligne des coefficients des inconnues
principales et du terme constant dans une équation non principale.

 Calcul des solutions d’un système soluble

Si le système est soluble, les vecteurs Ar+1, …, Ap, Bvect(A1, …, Ar) et l’équation (2)
s’écrit :
x1A1+…+xrAr = - xr+1Ar+1-…-xpAp +B.
xr+1, …, xp étant fixés arbitrairement, le vecteur - xr+1Ar+1-…-xpAp+B est décomposable de
façon unique suivant la baseA1, …, Ar ; autrement dit pour tout choix des inconnues non
principales, le système (1) admet un solution unique et x1, …, xr constituent la solution du
système de C ramer.

Théorème2. Pour qu’un système de n équation à p inconnues de rang r soit soluble, il faux et
il suffit que les déterminants caractéristiques soient nuls. On obtient alors toutes les solutions
en résolvant le système de Cramer constitué par les r équations principales aux inconnues
principales, les inconnues non principales étant arbitraires.

Exemple1. Le système linéaire suivant

x +y +z = 1
x +2y –z = -1
x + 3z = 3
2x +y +4z = 4
admet pour solutions x = 3 –3z ; y = -2 +2z ; z arbitraire.
Exemple2. Le système linéaire suivant
x +2y –z = 1
2x +y +2z = 2
x –4y +7z = 3

Exercices
Exercice1 Déterminer le rang des matrices suivantes :
 ( ) ( ) ( )

( )

Exercice 2 Résoudre les systèmes suivants

2x1 +2x2 +8x3 –6x4 = -4 x1 +x2 +2x3+x4 +2x5 =1

a) 2x1 +5x2 +14x3 +3x4 = 8 2x1 +2x2 +6x3 +5x4 +5x5 =6
x1 + 3x2 + 14x3 –9x4 =0 b) -x1 –x2 -7x3 –8x4 –3x5 = -8
x1 +2x2 + 11x3 –10x4 = -3 - 5x3 –4x4 –4x5 = -13
5x3 +10x4 +4x5 = 13
Exercice 3 a) Montrer que le système
2x –y –z –t = -1
x –2y +z +t = -2
x +y –2z +t = 4
x +y +z –2t = -8, est un système de cramer
b) Sans le résoudre, calculer la somme x +y +z = S

Exercice 4 a, b, c étant trois nombres complexes deux à deux distincts, résoudre le système
x +ay –a²z = a4
x +by –b²z = b4
x +cy –c²z = c4
Exercice 5 Trouver un polynôme du troisième degré prenant resp. les valeurs 0, -4, 5, -15
pour x = 1, -1, 2, -2.
Exercice 6 Résoudre le système
2x –y +3z = 1
-4x +2y +Z = 3
-2 +y +4z = 4
10x –5y –6z = -10

Exercice 7 On considère dans R4 un système (S) dont la matrice est : ( ),

a est un nombre réel.

Résoudre le système ayant pour second membre t(0, -1, -3, a) puis t(0, -1, -3, 1)
Exercice 8 A) pour tout réel a, on considère le système aux inconnues x, y, z :
ax –ay +z = a
x +ay -az = a (I)
-ax +y +az = a
1) Sans faire de calcul, pouvez-vous montrer que le système (I) admet toujours une solution
2) Le résoudre en fonction de a
3) En déduire la solution du système :
ax –ay +z = 50a
x +ay -az = 50a (I)
-ax +y +az = 50a
Exercice 9. Soit aet x deux réels et ( )

On note l’endomorphisme de R4 dont la matrice sur la base canonique est ,

a) Calculer le déterminant de sous forme factorisée
b) Pour quelles valeurs de a et x l’endomorphisme est-il un automorphisme de R4 ?
c) Pour a = 1 et x = 2, résoudre le système
d) On prend a=2 et x = -4, trouver une base et un système d’équations cartésiennes de
l’image et du noyau de

V Notion d’espace vectoriel

Dans l’ensemble des vecteurs libres de l’espace (ou du plan), on sait additionner deux
vecteurs et multiplier un vecteur par un nombre réel (appelé scalaire). Ces opérations
possèdent les propriétés suivantes :

1° L’addition vectorielle possède les mêmes propriétés que l’addition des nombres réels : elle
est associative et commutative ; il existe un élément neutre (vecteur nul) et tout vecteur
admet un opposé.
2° La multiplication par un scalaire est distributive par rapport à l’addition des vecteurs et
par rapport à l’addition des scalaires ; en outre elle vérifie :
(' u)  (' )u et 1.u  u, quels que soient le vecteur u et les scalaires  et ’.
On dit que, pour les deux opérations les vecteurs libres de l’espace forment un espace
vectoriel sur les corps des nombres réels. C’est cette nouvelle structure que nous allons
introduire dans ce chapitre. Nous considèrerons des espaces vectoriels sur le corps R des
nombres réels ou sur le corps C des nombres complexes.
Dans ce chapitre ainsi que dans les chapitres II et III, K désignera l’un des deux corps R ou
C.

1-Définition1

On considère un ensemble E dans lequel on suppose définies :

1° une loi de composition interne notée additivement (+), qui à tout couple (u1, u2 )
d’éléments de E on fait correspondre leur somme u1  u2 .

2° une loi de composition externe (.) dont K est le domaine d’opérateur, i.e. une application
de KE dans E qui à tout couple (,u) où  K et uE , associe un élément de E noté u
et appelé produit de u par  . Les éléments de K sont appelés des scalaires et ceux de E des
vecteurs.

E est un espace vectoriel sur K s’il satisfait pour les deux lois de composition, aux axiomes
suivants :

(1) E est groupe abélien pour l’addition (2)

 K,u1,u2 E : (u1  u2 )  u1  u2 (distributivité de la loi externe par rapport à
d’addition dans E) (3)
1, 2 K,u E : (1  2 )u  1u  2 u (distributivité de la loi externe par rapport à
d’addition dans K)
(4) 1(2 u)  (12 )u (associativité de la loi externe dans K)
(5) 1.u  u (élément neutre de la multiplication externe dans K

Exemples

L’ensemble K[x] des polynômes à une indéterminée et à coefficients réels (ou complexes) est
un espace vectoriel sur R (ou sur C) si l’on prend comme loi de composition interne
d’addition des polynômes et comme loi de composition externe le produit d’un polynôme par
une constante.

- Soit E l’ensemble des fonctions numériques de la variable réelle x définie sur un intervalle
(a, b). Si f et g sont deux telles fonctions et si  est un nombre réel, on définit f + g et f par :
(f + g)(x) = f(x) + g(x), x(a, b)
(f)(x) = f(x), x(a, b). Pour ces deux lois loi de composition, E est un espace vectoriel
sur R

- Signalons que chaque corps R ou C est e.v sur lui-même

Remarques
- si E est un e.v sur le corps K, on l’appelle K-espace vectoriel ou tout simplement K-espace.
– un élément de E peut être noté vectoriellement ( uE) ou tout simplement sans flèche
uE)
2. SOUS ESPACES VECTORIELS (s. e. v.)
a) Introduction
Comme toujours, lorsqu’on définie une structure, on introduit la notion de sous structure.
Ainsi nous étudions maintenant la notion de sous –espace vectoriel. Beaucoup d’ensembles
intéressants sont des sous-espaces d’espaces plus gros. Dans le cas pour montrer que ce sont
des sous-espaces il n’est pas nécessaire de vérifier toutes les propriétés de l’addition et de la
multiplication externe. La stabilité par rapport à ces opérations suffit.

b) Définition2.
On appelle sous-espace vectoriel (s.e.v.) d’un e.v. E sur K, un sous ensemble E’ de E
satisfaisant aux deux propriétés :
p1 si u E' , v E' : u  v E'
si u E , K : u E .
' '
p2

Remarques
1) Notons qu’un s.e.v. de E est en particulier un sous groupe additif du groupe additif E
2) Les axiomes p1 et p2 sont équivalents à l’axiome unique :
p3 Si u E' , v E' , K,  K : u  v E'
Exemples
1- Dans un e.v, E, l’ensemble réduit à { 0 } (sous espace nul) et l’e.v. E sont des sous espace de
E. Tout autre s.e.v. de E est dit sous espace propre de E.
2- Dans l’espace des vecteurs libres, les vecteurs parallèles à un plan fixe forment un s.e.v. ; il
en est de même des vecteurs parallèles à une droite fixe.
3- Dans l’espace des polynômes à une variable, à coefficients réels ou complexes, les
polynômes de degré  n (n entier fixe), forment avec le polynôme nul, un s.e.v. qu’on notera
Kn[x].

c) Combinaison linéaire
Introduction
Comme dans le cas du plan géométrique ou de l’espace, il est important de savoir dans
quelles conditions on peut décomposer un vecteur sur d’autres vecteurs et dans quels cas
cette décomposition est unique. Ces questions conduisent aux notions de familles libres, de
familles génératrices et en fin à la notion de base. En examinant des exemples, donnés, le
lecteur pourra faire un inventaire( non exhaustif) des méthodes utilisées pour montrer que
des familles sont libres, que des familles sont génératrices et que des familles sont des bases.

 
Définition.
Soit E un K- espace, soit S  (ui iI une famille non vide de vecteurs de E. On appelle
combinaison linéaire d’éléments de S toute somme de la forme
.  u .
iI
i i

Où seuls un nombre fini de coefficients i sont non nuls.

d)
Propriété
Si v1, v2 ,......,v p sont p vecteurs du K -e.v E, l’ensemble E’ défini par
E’ = { uE / 1,2 ,....,p K : u  1v1 2 v2 ....p v p } est un s.e.v. de E appelé

s.e.v engendré par les vecteurs v1, v2 ,......,v p . On le note E’ = vect{ v1, v2 ,......,v p }.
L’expression : 1v1 2 v2 .....p v p s’appelle une combinaison linéaire des vecteurs
v1, v2 ,......,v p .
Exemple. Le vecteur de R4 est-il combinaison linéaire des vecteurs

e) Intersection des s.e.v engendrés par une partie A

- L’ intersection de deux s.e.v F et G d’un e.v E, noté FG est un s.e.v de E.
En effet, FG  0 car 0F G , d’une par si u F, v G alors le vecteur
(u  v) F G car FG est un sous groupe de E, d’autre part, si
z F G  z F, z G  K,z K,z G z F G, d’où la proposition
Plu généralement, soit une famille de s.e.v de E, alors l’intersection I= F est un s.e.v de E
F
– Le plus petit sous espace F engendré par la partie A = { v1, v2 ,......,v p } est le s.e.v. des
combinaisons linéaires des vecteurs v1, v2 ,......,v p
- On dit que A est une partie génératrice de F lorsque tout vecteur de F peut s’écrire comme
combinaison linéaire des vecteurs de A. i.e.
u F, 1,2 ,.....,p K : u  1v1 2 v2 ....p v p . on note F=vect{ v1, v2 ,......,v p }
Exemple. On considère les ensembles suivants :
 { }
{ }
{ }
{ }
a) Montrer que H est un sous espace vectoriel de (E, F, G sont des s.e.v. de )
b) Déterminer
Donner une famille génératrice de E, F et H

f) Somme de deux sous espaces vectoriels

Soit E1 et E2 deux s.e ; v de E sur K, la partie de E décrit par u1 u2 avec u1 E1,u2 E2 est
un sous groupe additif de E noté par E1 +E2. De plus
 K,u1 E1,u2 E2 : (u1  u2 )  u1 u2 E1  E2 . Donc E1 + E2 est s.e.v de E.
Définition3
E1 et E2 étant deux s.e.v de E sur K l’ensemble E1+E2 est le s.e.v engendré par E1E2, on
l’appelle s.e.v somme de E1 et de E2.
NB : En général il faut noter que E1E2 n’est un sous espace de E.

Théorème1
Soit E1 et E2 deux s.e.v de E sur K les conditions suivantes sont équivalentes
(a) E1 + E2 = E et E1 E2 = { 0 }
(b) u E,u s’écrit de façon unique sous la forme u  u1  u2 , avec u1 E1,u2 E2
(c) E1+ E2 = E et u1 E1, u2 E2 alors u1 u2  0 u1  u2  0.
En effet, - supposons (a) vérifiée, soit u  v1  v2 , avec v1 E1, v2 E2 une autre
décomposition de u . On a donc u1 u2  v1 v2 u1 v1  v2 u2 , mais
u1  v1 E1, v2 u2 E2 alors u1  v1, v2 u2 E1 E2 comme E1 E2 = { 0 }, alors
u1  v1  0;v2 u2  0 , d’où u1  v1;u2  v2 . On a alors (a) (b)
- Supposons (b) vérifiée, u  u1  u2 , avec u1 E1, u2 E2 entraîne E = E1 + E2. Soit
u1 E1,u2 E2 / u1 u2  0. On a u1  u2  0 u1  u2  0  0, la décomposition étant
unique, alors u1  0 et u2  0 .Alors (b) (c)
supposons (c) vérifiée, soit u E1 E2 on a u E1,u E2 , u  (u)  0 u  u  0

donc u  0  E1  E2  0 .

Définition4
- Lorsque l’une des conditions (a), (b) ou (c) est vérifiée on dit que les sous espaces E1 et E2
sont supplémentaires dans E et on note E = E1 E2.
– On dit qu’un e.v E est somme directe des s.e.v E1 et E2 si E1 E2 = { 0 } on écrit E1 E2.

3. Indépendance et dépendance linéaire

Définition5
- Les vecteurs u1, u2 ,....,u p de E sont dites linéairement indépendants lorsque leur seule
combinaison linéaire qui donne le vecteur nul est celle dont les coefficients sont tous nuls. i.e
1u1 2 u2 ....p u p  0 1  2  ..... p  0. On dit que les vecteurs linéairement
indépendants forment un système libre ou une famille libre de E
Les v1, v2 ,......,v p sont dit linéairement dépendants s’il existe des scalaires
vecteurs
1,2 ,....,p non tous nuls de K tels que 1v1 2 v2 .....p v p  0.
On dit aussi que les vecteurs linéairement dépendants forment un système lié ou une famille
liée.

Propriétés
p1 Si n vecteurs sont linéairement indépendants, p quelconques d’entre eux sont également
linéairement indépendants.
En effet, si l’on pose : p1 p2 ....n  0, la relation : 1u1 2 u2 ....p u p  0
peut s’écrire 1u1 2 u2 ....p u p p1u p1 ....n un  0 , ce qui implique, puisque
u1,u2 ,....,u p ,....,un sont linéairement indépendants : 1 2 ....p  0 .
Cette propriété peut s’exprimer sous la forme suivante :
p2 Si les vecteurs u1,u2 ,....,u p ,....,un sont linéairement dépendants, alors les vecteurs
u1,u2 ,....,u p ,....,un ,un1 sont aussi linéairement dépendants.
P3 Si un système extrait d’un e.v est lié, l’un au moins des vecteurs est une combinaison
linéaire des autres.

Conséquences
1) Dans un système de p vecteurs libres, aucun vecteur n’est nul ; en effet tout système d’un
vecteur est libre.
2) Si les vecteurs u1,u2 ,....,u p sont libres ils sont deux à deux distincts.
Théorème
Si le système S={ u1,u2 ,....,u p } est libre et si le vecteur u n’est pas une combinaison
linéaire des vecteurs de S, alors le système S’={ u1, u2 ,....,u p , u } est libre.
En effet considérons la relation 1u1 2 u2 ....p u p  u  0 . Supposons   0, alors

u   1 u1 
2 u ..... p u , ce qui est contraire à l’hypothèse. D’où  = 0, alors
  2  p
1 2  ....p    0
Exemples
1- deux vecteurs libres de l’espace sont linéairement dépendants s’ils sont parallèles.
2- Dans l’espace des polynômes à une variable, à coefficients réels ou complexes, les
polynômes 1, x, x2, …., xp, avec p un entier quelconque, sont linéairement indépendants.
3- Dans l’espace R3, les vecteurs u1  (1,0,1),u2  (0,1,1),u3  (1,1,1) sont linéairement
indépendants
4- Dans l’espace R3, les vecteurs v1  (1,2,1),v2  (1,1,0),v3  (1,0,1) sont linéairement
dépendants. En effet on a : v1 2v2 3v3  0.
5- Déterminer selon le paramètre réel si la famille de vecteurs de R3 suivantes est libre ou
liée : ⃗ ⃗⃗ ⃗

4- BASES ET DIMENSION
Définition6
On appelle base d’un e.v E un système générateur linéairement indépendant.
D’après cette définition, une base u1,u2 ,....,un de l’e.v E possède donc les propriétés
caractéristiques suivantes :
1° Tout vecteur u s’écrit sous la forme unique u 1u1 2u2 ....n un
Les scalaires sont appelés coordonnées ou composantes du vecteur ⃗⃗ dans la
base u1,u2 ,....,un
2° la relation 1u1 2u2 ....n un  0 implique 1 2 ....n  0
3° Les trois propriétés suivantes sont équivalentes :
a) B est une partie génératrice de E
b) B est une partie libre minimale de E
c) B est une partie libre maximale de E

Définition7
Toute partie B= { b1, b2 ,....,bn } de E possédant l’une des trois propriétés est appelée base de
E.

Pour tout vecteur u de E il existe une famille de scalaires ( (i )i1,n tels que u  i bi

les 1,2 ,......,

n sont appelés les coordonnés (ou composantes) du vecteur u suivant la
base B

Exemples
1- Montrer que les vecteurs x1 = (0, 1, 1), x2 = (1, 0, 1) et x3 = (1, 1, 0) forment une
base de R3. Trouver dans cette base les composantes du vecteur x = (1, 1, 1).

2- Dans Kn, les vecteurs e1  (1,0,0,....0),e2  (0,1,0,...,0),....., en  (0,0,....,0,1) forme une base
de Kn, On l’appelle base canonique de kn.
2- Dans Kn[x] les polynômes 1, x, x2, …., xn forment une base de Kn[x]
k
4- Pour k = 2, 3, 4, montrer que Vk est un sous espace vectoriel de C et en donner une base.
1) { }
2) { }
3) { }

Propriété
Pour qu’un système de n vecteurs v1, v2 ,......,vn d’un K-e.v. E soit une base de E, il faut et
suffit que tout vecteuru de E s’écrive d’une manière unique sous la forme :
u 1v1 2 v2 .....n vn .
En effet, supposons que v1, v2 ,......,vn forment une base de E . Si pour le même vecteur u
on a : u 1v1 2 v2 .....n vn = 1v1  2 v2 .... n vn , il résulte :
(1 1)v1 ....(n n )vn  0 , puisque les vecteurs v1, v2 ,......,vn sont linéairement
indépendants, alors 1  1,...,n  n .
Réciproquement, supposons que chaque vecteur de E s’écrive de manière unique sous la
forme u 1v1 2 v2 .....n vn . Les vecteurs v1, v2 ,......,vn forment une partie
génératrice de E. Montrons qu’ils sont linéairement indépendants.
Supposons : 1v1 2 v2 .....n vn  0. On a ainsi 0v1 0v2 .....0vn  0, mais
puisque le vecteur nul aussi se décompose de façon unique, alors on a :
1 2 ....n  0.
Définition8
Soit E un K-e.v. B={ b1, b2 ,....,bn } une base de E. On appelle dimension de E le nombre
entier naturel noté dimE égal au nombre de vecteurs comportant la base B. i.e. dimE =
cardB.
Comparaison de deux bases.
Soit B et B’ deux bases de E tells que cardB = n et cardB’ = n’.
– B engendre E, La partie B’ étant libre on a : n’ n ;
- B’ engendre E, La partie B étant libre on a : n n’
Alors n =n’

Théorème 3 .
Si un e.v. E possède une base de n vecteurs, alors tout autre base de E a le même nombre n
de vecteurs.

Espace vectoriel de dimension finie

nous allons étudier les e.v. dans lesquels il existe une base (finie) constituée de n vecteurs.

Théorème4 (théorème de base incomplète)

Si E est un K-e.v. possédant une base e1, e2 ,...,en , et si v1, v2 ,......,v p (p n) sont p vecteurs
libres de E, alors on peut former une nouvelle base de E en adjoignant à v1, v2 ,......,v p
(n – p) vecteurs de e1, e2 ,...,en , convenablement choisis.

Théorème5 (théorème de dimension)

S’il existe dans un e.v. E une base composée de n vecteurs, alors :
1° tout système de n vecteurs libre est une base de E ;
2° tout système de vecteurs libre comprend au plus n vecteurs ;
3° tout autre base de E se compose aussi de n vecteurs.

Propriété
Tout s.e.v. E’ de l’e.v. E de dimension finie n est de dimension finie n’  n, et l’égalité n= n’
entraîne E’ = E.
pour F et G deux s.e.v de E on a : dimE = dimF +dimG – dim(FG)

5- Rang d’un système de vecteurs

Définition
On appelle rang d’un système de p vecteurs d’un e.v. E, le nombre maximum r de vecteurs
linéairement indépendants que l’on peut extraire de ce système.

Théorème6
Dans un e.v. E le s.e.v. E’ engendré par les vecteurs v1, v2 ,......,v p est de dimension finie qui
est égale au rang r du système de vecteurs v1, v2 ,......,v p . De façon précise, tout système
de r vecteurs libres extrait du système v1, v2 ,......,v p est une base de E’.
on note rang( v1, v2 ,......,v p ) = dim(vect){ v1, v2 ,......,v p }.
6- Application de la méthode de Gauss
a- Utilisation de la méthode de Gauss pour montrer qu’une famille de vecteurs
est une base
La méthode de Gauss repose sur les assertions suivantes :
On ne change pas un système linéaire S en ajoutant à une ligne de S une combinaison linéaire
des autres lignes de S ou en multipliant une ligne quelconque par un scalaire non nul ou
encore en permutant deux lignes quelconques’’.
Par la méthode de Gauss on cherche à réduire le système sous sa forme échelonnée appelée
réduite de Gauss.

Cas général
Soit E un K-e.v. de dimension finie n, soit ( ui )i1,n une famille de vecteurs de E. Pour
montrer que cette famille constitue une base de E, on procède de la façon suivante :
1° on représente les coordonnées des n vecteurs en colonne dans les parenthèses
(représentation matricielle d’un système d’équations linéaires)

a11 a21……… an1 0

a12 a22…… an2 0

a1n a2n………ann 0

2° par une succession d’opérations élémentaires, on réduit le système en un système

triangulaire de la forme

a11 a21……… an1 0

0 a22…… an2 0

0 0……0 ann 0

La famille ( ui )i1,n est une base d E ssi tous les éléments diagonaux aii de la réduite de
Gauss sont non nuls.

b- Calcul du rang d’un système de vecteurs par la méthode de Gauss

La méthode de Gauss repose sur les assertions suivantes :
‘’On ne change pas le rang d’un système de vecteurs S en ajoutant à un vecteur de S une
combinaison linéaire des autres vecteur de S ou en multipliant un vecteur quelconque par
un scalaire non nul ou encore en permutant deux vecteurs quelconques de S’’.

Le rang d’un système de vecteurs est égal au nombre de vecteurs lignes non nuls dans la
réduite de Gauss.

Remarque. Des vecteurs sont linéairement indépendant si le rang du système formé par
ces vecteurs est égal au cardinal du système.

Exemple

Soit u1  (1,2,3);u2  (0,2,1);u3  (2,6,7) trois vecteurs de R3. Déterminer le rang du

système S= { u1, u2 , u3 }. Ces vecteurs forment – ils une famille libre ?

VI- Propriétés des Applications Linéaires

Introduction
Nous étudions maintenant les applications d’un espace vectoriel dans un autre (sur un même
corps K) qui conservent la structure. Ces applications dites applications linéaires sont
centrales dans la théorie

1- Définitions

Définition1 : On appelle application linéaire d’un e.v. E dans un e.v F, une application de E
dans F qui satisfait aux deux conditions suivantes :
(1)u1,u2 E, f (u1  u2 )  f (u1)  f (u2 )
(2) u E,  K, f (u)  f (u)

Remarques
1- Les conditions (1) et (2) sont équivalentes à la condition unique :
u1,u2 ,....,un ,1,2 ,....,n , f (1u1 2 u2 ...n un ) 1 f (u1) 2 f (u2 ) ...n f (un )
2- Si f est une application linéaire de E dans F, on a :
f (0)  0

En effet, f (u)  f (u  0)  f (u)  f (0)  f (0)  0 .

Exemples
1- Soit E un e.v et E1 un s.e.v de E.
a) L’application identique IdE : E E1 définie par u  IdE (u)  u est une application
linéaire.
b) L’application canonique f : E E/E1 définie par u  f (u)  u est une application
linéaire
2- Considérons l’application f : R R, u  (x, y)  f (x, y)  5x  3y est une application
2

linéaire
3- Soit E  C (R) l’e.v des fonctions infiniment dérivables sur R. L’application
 : E E, f ( f )  f (x) 2f '(x) est une application linéaire.
Définition2
une application linéaire d’un e.v E dans lui-même s’appelle endomorphisme de E. (ou une
transformation linéaire de E)

Définition3
- On appelle isomorphisme d’un e.v E sur un e.v F, une application linéaire bijective de E sur
F. Un isomorphisme de E sur lui-même s’appelle un automorphisme de E (ou une
transformation régulière de E).

Définitions4
Deux espaces vectoriels E et F sont isomorphes si et seulement si il existe un isomorphisme
de E sur F.

Exemples
1-Si E est un e.v et si a0 est un élément fixé de K, l’application u  au est un
automorphisme de E.
2- Soit E l’e.v Cn[x] des polynômes à coefficients complexes de degrén et F l’e.v
Cn-1[x] ; L’application: p(x)  p'(x) , (dérivation) est une application linéaire de E dans F.
c’est aussi un endomorphisme de C[x]
3- Soit les applications suivantes :
⃗⃗ ⃗⃗
⃗⃗ ⃗⃗
Sont-elles des applications linéaires ? si oui déterminer leur rang

e 
Propriété
Soit E et F deux e.v de dimension respective p et n. Soit b = i i1, p une base de E. Alors toute
application f : E F est parfaitement définie si et seulement si l’on connaît f (ei )i1, p .

2- Noyau et Image d’une application linéaire

Soit E et F deux e.v et f : E F une application linéaire.
– On appelle noyau de f et note kerf (ou N(f) ) l’ensemble des vecteurs u tel que f (u)  0.
C'est-à-dire l’ensemble
kerf ={ uE / f (u)  0}

vF uE : v  f (u) 

- On appelle image de f l’ensemble noté Imf défini par :
Imf = / .

Proposotion1
1- Le noyau kerf de f est un s.e.v de E et l’image Imf de est un s.e.v de F.

f (e ,..., f (e ) e 
2- Lorsque E est de dimension finie p, l’image Imf de f est le s.e.v de F engendré par
où B = est une base de E. On note :
f (e ,..., f (e )
1 p i i1, p

Imf = vect 1 p .

Démonstration
- marquons que f (0)  0 0ker f et 0Im f donc kerf et Imf ne sont pas vides. Soit
u1,u2 ker f ;1,2 K : f (1u1 2 u2 )  1 f (u1) 2 f (u2 )  10 2 0  0 donc
1u1 2 u2 ker f , d’où kerf est un s.e.v de E.
Soit v1, v2 Im f u1, u2 E : v1  f (u1),v2  f (u2 ) 1,2 K,
1v1 2 v2  1 f (u1) 2 f (u2 )  f ( 1u1 2 u2 ) Imf, d’où Imf est un s.e.v de F.

Supposons que l’e.v e est de dimensions nie p. soit B= ei i1, p une base de E.

v Im f , u E : v  f (u) , mais u  i ei , alors

p

i1

v  f (i ei )  i f (ei ) vvectf (ei )i1, p

p p
  donc Imf  
 vectf (ei )i1, p .

    Imf
i1 i1
Mais il est évident que vectf (ei )i1, p  Imf . D’où vect f (ei )i1, p .
Exemple. 1) Soit ⃗⃗
a) Justifier que g est linéaire
b) Déterminer Img
c) Déterminer Kerg puis en donner une base
 2) Soit ⃗⃗
a) déterminer kerf et en donner une base
b) déterminer une famille génératrice de Imf, en déduire une base de Imf

3- Caractérisation de l’injection et de la surjection d’une application linéaire par

son noyau et son image.
Proposition3 :
Soit E et F deux e.v et f : E F une application linéaire
- Pour que f soit injective il faux et il suffit que ker f  0
- pour que f soit surjective il faux et suffit que Imf = F

Démonstration
-injectivité :


supposons f injective, on a :
u ker f , f (u)  0  f (0) u  0 d’où ker f  0
réciproquement, supposons ker f  0 , soit 
u1,u2 E : f (u1)  f (u2 )  f (u1 u2 )  0 u1 u2 ker f  0 u1  u2 . 
– la surjectivité résulte de la définition usuelle.

Exemple.
Soit f : R2 R3 une application définie par : u  (x; y)  f (u)  (x  y,2y, x  y).
f est une application linéaire injective non surjective.

Proposition4
Soit E et F deux e.v de dimension respective p et n, f : E F une application linéaire.
a) f est injective si et seulement si l’image de toute famille libre de E est une famille libre de F
b) f est surjective si et seulement si l’image de toute famille génératrice E est une famille
génératrice de F
c) f est bijective si et seulement si l’image de toute base de E est une base de F.

e 
Corollaire :
soit E un espace vectoriel de dimension finie p et B = i i1, p une base de E. Soit f : E F

f (e ,..., f (e )
une application linéaire. Alors :
- f est injective ssi la famille est libre ;
f (e ,..., f (e )
1 p

- f est surjective ssi la famille est une famille génératrice dans F ;

f (e ,..., f (e )
1 p

- f est bijective ssi la famille 1 p est une base dans F

Exemple. L’application définie par :

1) Déterminer kerf. L’application f est-elle injective ?

2) Déterminer Imf. l’application f est-elle surjective ? bijective ?

Théorème d’isomorphisme
Soit E et F deux e.v. Si E est de dimension finie et si E et F sont isomorphes, alors F est de
dimension finie, de plus dimE = dimF.
Réciproquement, soit E et F deux e.v de dimension finie tels dimE = dimF, alors E et F sont
isomorphes.
Démonstration

e 
- Supposons que dimE est finie et que E et F sont isomorphes.
Soit B= une base de E et f : E F un isomorphisme. De la proposition4, la famille
 
i i1, p

f (e1,..., f (ep ) est une base F ; donc f est de dimension finie égale à la dimension de E.

e  e' 
– Réciproquement, supposons que E et F sont de dimension finie et que dimE= dimF.
Soit B= i i1, p une base de E et B’= i i1, p une base de f . soit f : E F une application
f (u)  i f (ei ). Il est
p
définie par : f (ei )  e'i ,(i 1, p).Quelque soit uE , posons :
i1
évident que f est une application linéaire et comme f transforme une base en une base, alors f
est un isomorphisme.

Exemple

les e.v Rn[x] et Rn+1 sont isomorphes On note Rn x  Rn1 . L’isomorphisme de Rn[x] sur Rn+1
est définie par :
 p(x)Rn[x], p(x) = a0 + a1x+a2x2…+anxn (p)=(a0, a1, …,an)

Proposition5 (Formule de dimension) :

soit Soit E et F deux e.v et f : E F une application linéaire. On suppose que E est de
dimension finiep, alors :
dimE = dimkerf + dimImf.

e 
En effet,
Supposons que kerf { 0 } et f  0. Soit une base de kerf, selon le théorème de la
e 
i i1,k

base incomplète, il existe (p-k) vecteurs ek1,...,ep tels que la famille i i1, p soit une base

   
de E.
On sait que Imf = f (e1,..., f (e p ) et pour i=1, …,k, f (ei )  0 . La famille f (ek1,..., f (e p )
est génératrice de Imgf. Montrons qu’elle est libre dans Imf. Soit les scalaires

i ik1, p : i f (ei )  f ( i ei )  0  e kerf . Comme

p p p
ce qui entraîne que i i
ik1 ik1 ik1

e i i1,k est une base de kerf, donc il existe (i )i1;k :  e   e

p

ik1p
i i
k

i1
i i ou

i ei i ei  0
p k
puisque e i i1, p est une base de E alors 1 2  ...p  0 ,
f (e 
ik1 i1
alors la famille i) ik1, p et une base de Imf .
Imf est donc un s.e.v de f d dimension finie, et d plus dimImf = p-k = dimE- dimkerf. D’où

e  f (e ,..., f (e )
dimE= dimkerf + dimImf.
– Supposons f injective, alors si B= est une base de E, est une
f (e ,..., f (e ) f (e ,..., f (e )
i i1, p 1 p

famille libre de F, mais comme Imf= 1 p , alors 1 p est une base de

Imf , donc dimImf=p=dimE (car dimkerf = 0). D’où
dimE= dimkerf + dimImf .
Exemple. Soit { } la base canonique de R3et f un endomorphisme de R3 défini
par :
1) Déterminer Kerf, en donner une base et la dimension
2) Déterminer une base de Imf
 3) Montrer que les sous espaces Kerf et Imf sont supplémentaires dans R3
4) Déterminer et caractériser f.

Proposition6
Soit E et F deux e.v de dimension finie, on suppose que dimE = dimF, soit f : E F une
application linéaire. Les affirmations suivantes sont équivalentes :
a) f est injective ;
b) f est surjective ;
c) f est un isomorphisme.

4. Application particulière

Projections vectorielles
Introduction
La notion de projection est une notion très importante liée à la décomposition en somme
directe. On peut intuitivement se faire une idée de ce que représente une projection en ce
plaçant en géométrie à 3 dimensions sur R et en pensant par exemple à la projection sur un
plan parallèlement à une droite.

Définition6

Soit E un espace vectoriel décomposé en somme de sous espaces vectoriels E1 et E2

E  E1 E2
La projection p sur E1 parallèlement à E2 est l’application de E dans E qui à tout uE fait
correspondre sa composante u1 sur E2 dans la décomposition u  u1 u2 où
u1 E1u2 E2 .
Propositions
-La projection ainsi définie est une application linéaire vérifiant p2 = p.
Quel est le noyau de p ? Quelle est l’image de p ?
-Soit un espace vectoriel de dimension finie E, f un endomorphisme tel que f2 = f. Alors f est
une projection.

Propriétés
1- soit p un projecteur, alors E  kerp Imp . La restriction de p à Imp est IdE
2- Réciproquement, soit F et G deux s.e.v de E tels que Fet G soient supplémentaires. (i.e
E  F G). Alors il existe un unique projecteur p vérifiant kerp= F et imp = G. p s’appelle
projection vectorielle sur G parallèlement à F. on dit aussi que p est la projection de
vectorielle de base G et de direction F.

Exemple
Dans R3, montrer qu’il existe un projeteur p de base P et direction D telles que :
P= { u  (x, y, z) R3/ x-y+z=0} et D= { u  (x, y, z) R3/ x+y=0, -2x+y=0}.

EXECICES
Exercice 1.
Soient dans ℝ3 les vecteurs 𝑣1=(1,1,0), 𝑣2=(4,1,4) et 𝑣3 .
La famille (𝑣1,2,𝑣3) est-elle libre ?
Exercice 2.
Les familles suivantes sont-elles libres ?
1. 𝑣1=(1,0,1), 𝑣2=(0,2,2) et 𝑣3=(3,7,1) dans ℝ3.
2. 𝑣1=(1,0,0), 𝑣2=(0,1,1) et 𝑣3=(1,1,1) dans ℝ3.
3. 𝑣1=(1,2,1,2,1), 𝑣2=(2,1,2,1,2), 𝑣3=(1,0,1,1,0) et 𝑣4=(0,1,0,0,1) dans ℝ5.
4. 𝑣1 , 𝑣2=(1,1,2,1,3,1) et 𝑣3 dans ℝ6.
5. 𝑣1 , 𝑣2 et 𝑣3 dans ℝ6.

Exercice 3.
On considère dans ℝ une famille de 4 vecteurs linéairement indépendants ( 1,2, 3, 4)
Les familles suivantes sont-elles libres ?
1. ( 1,2 2,3).
2. ( 1,3).
3. ( 1,2 1+ 4,4).
4. (3 1+ 3,3, 2+ 3).
5. (2 1+ 2,1 3 2,4, 2 1).

Exercice 4.
Soient dans ℝ4 les vecteurs 1=(1,2,3,4) et 2 . Peut-on déterminer et pour que
( ,1, ( 1, 2) ? Et pour que ( ,1,1, ( 1, 2) ?

Exercice 5.
Dans ℝ4 on considère l'ensemble des vecteurs ( 1,2, 3, 4) vérifiant 1+ 2+ 3+ 4=0 .
L'ensemble est-il un sous espace vectoriel de ℝ4 ? Si oui, en donner une base.

Exercice 6.
Dans l'espace ℝ4, on se donne cinq vecteurs : 𝑣1=(1,1,1,1) , 𝑣2=(1,2,3,4), 𝑣3=(3,1,4,2),
𝑣4=(10,4,13,7) et 𝑣5=(1,7,8,14)
Chercher les relations de dépendance linéaires entre ces vecteurs. Si ces vecteurs sont dépendants,
en extraire au moins une famille libre engendrant le même sous-espace.

Exercice 7.
Dans l'espace ℝ4, on se donne cinq vecteurs : 𝑣1=(1,1,1,1) , 𝑣2=(1,2,3,4), 𝑣3=(3,1,4,2),
𝑣4=(10,4,13,7) et 𝑣5=(1,7,8,14)
À quelle(s) condition(s) un vecteur =( 1, 2, 3, 4) appartient-il au sous-espace engendré par les
vecteurs ? Définir ce sous-espace par une ou des équations.

Exercice 8.
Peut-on déterminer des réels , pour que le vecteur 𝑣 , ,3) appartienne au sous-espace-
vectoriel engendré par le système ( 1, 2), où 1 et 2

Exercice 9.
Soient 1 , 2 et 3
Soit = ( 1, 2, 3)
Soit ={( , , ℝ3, + + =0}
1. Donner une base de .
2. Montrer que est un sous-espace vectoriel de ℝ3.
3. Donner une base de .
4. Donner une base de .

Exercice 10.
Soient 1=(1,1,1), 2 et 3=(1,1, 1)
Soient ={( , , ℝ3, + =0} et = ( 1, 2)
1. Montrer que est un sous-espace vectoriel de ℝ3. Déterminer une base de .
2. La famille ( 1,2, 3) est-elle libre ? Est-ce que 3 ?
3. Est-ce que 3 ?
4. Donner une base de .
5. Soit 4 , est-ce que 4 ? est-ce que 4 ?

Exercice 11.
Soit ={( , , ℝ3, + + =0}
Soient et deux vecteurs. On pose = ( , )
1. Montrer que est un sous-espace vectoriel de ℝ3.
2. Déterminer .

Exercice 12.
Soient ={( , , , ℝ4, + + =0 et 2 +2 + =0 et + =0}
On admettra que est un espace vectoriel.
Et ={( , , , ℝ4,2 +6 +7 =0}
Soient , , et quatre vecteurs de ℝ4.
Première partie
1. Déterminer une base de et en déduire la dimension de .
2. Compléter cette base en une base de ℝ4.

Deuxième partie
3. Montrer que est un sous-espace vectoriel de ℝ4.
4. Déterminer une base de .
5. A-t-on ⊕ ℝ4 ?

Troisième partie
6. Montrer que = ( , , ).
7. Soit =( , , , , exprimer comme une combinaison linéaire de , et .

Exercice13. Considérons l’application f :R3  R3 définie par :

u  (x, y, z) R3 , f (u) = (x+2y, z- x, x+4y+z).
1° Montrer que f est un endomorphisme de R3.
2° déterminer une base de kerf et une base de Imf. f est-il surjectif ?

Exercice14. On considère l’endomorphisme f de R3 considéré comme un R-espace vectoriel,

défini par :
u  (x, y, z) R3 , f (u) = (x+y+3z, x+2y+5z, - x-3y- 7z).
1° Déterminer l’endomorphisme f2= ff.
2° Trouver le noyau A de f2 et une base de A. f2 est-il injectif ?
3° Construire un sous-espace de R3 supplémentaire de A.
4° Quels sont les vecteurs v de R3 vérifiant f2( v )= (1, 1, a) ? Pour un nombre a donné.

Exercice 15. soit E un e.v de dimension 3, { ⃗ ⃗ ⃗ } une base de E et un paramètre réel.

On définit l’endomorphisme de E par
 ⃗ ⃗ ⃗
{ ⃗ ⃗ ⃗
⃗ ⃗ ⃗
Ecrire le transformé du vecteur ⃗⃗ ⃗ ⃗ ⃗
Comment choisir pour que f soit injective ? surjective ?
Exercice16. Soit E un R-espace rapporté à sa base canonique   (e1, e2 , e3 ) et
l’endomorphisme f de E défini par :
f( e1 )= 2 e2 +3 e3 ,
f( e2 )= 2 e1 - 5 e2 -8 e3 ,
f( e3 )= - e1 +4 e2 +6 e3 .
1° Déterminer l’endomorphisme f2= ff.
2° Déterminer les sous-espaces A= ker(f- I) et B= ker(f2+I). Où I est l’application identique
de E.
3° Montrer que A et B sont deux sous-espaces supplémentaires de E.

Exercice17. Soit f un endomorphisme d’un R-espace E vérifiant :

 =0
1) Montrer que est un projecteur de E.
2) Pour quelles valeurs des nombres réels  et  l’application   est-elle un
projecteur de E ? Si on désigne par p1 et p2 les deux solutions possibles, calculer
p1p2, p2p1 et p1+p2.
3) Montrer que kerp1 et kerp2 sont supplémentaire dans E
4) Calculer ff…f =f2.

Exercice18. Soit E un plan vectoriel, f un endomorphisme de E défini par :

1 1
f(x, y)= ( x - y, -
2 x+ 2 y).
3 3 3 3
Monter que f est une projection dont on déterminera la base et la direction.