Algèbre Deuxième UICI 2022

ALGEBRE LINEAIRE & BILINEAIRE
Dr COULIBALY PIE
Niveau: Deuxième année Universitaire

Table des matières
1 MATRICES 2
1.1 Présentation des matrices de type (p; q) sur un corps K commutatif . . . . 2
1.2 Quelques matrices de type (p; q) . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 OPERATIONS SUR LES MATRICES . . . . . . . . . . . . . . . . . . . . 5
1.3.1 Somme de deux matrices de même type . . . . . . . . . . . . . . . 5
1.3.2 Egalité de deux matrices de même type . . . . . . . . . . . . . . . . 5
1.3.3 Multiplication par un scalaire d’une matrice . . . . . . . . . . . . . 6
1.3.4 Produit de deux matrices . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Trace d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5 Matrices inversibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.6 Matrices équivalentes et matrices semblables . . . . . . . . . . . . . . . . . 9
1.7 Opérations élémentaires sur les matrices . . . . . . . . . . . . . . . . . . . 10
1.8 Matrices échelonnées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.8.1 Inversion d’une matrice par les opérations élémentaires sur les ma-
trices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.9 Rang d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2 CALCUL DE DÉTERMINANTS 22
2.1 Déterminant d’une matrice carrée d’ordre 2 . . . . . . . . . . . . . . . . . 22
2.2 Déterminant d’une matrice carrée d’ordre 3 . . . . . . . . . . . . . . . . . 22
2.2.1 Calcul d’un déterminant d’ordre 3 par la méthode de Sarrus(Pierre
Frédéric Sarrus(1798–1861)) . . . . . . . . . . . . . . . . . . . . . . 22
2.2.2 Calcul du déterminant par le développement suivant une ligne ou
une colonne. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3 Calcul du déterminant d’une matrice carrée d’ordre n supérieur ou égal à 3 25
2.4 Propriétés des déterminants . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.5 Inverse d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.5.1 Propriétés de la matrice inverse . . . . . . . . . . . . . . . . . . . . 32
2.5.2 Inversion d’une matrice par sa comatrice . . . . . . . . . . . . . . . 32
2.6 Rang d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3 RÉSOLUTION D’UN SYSTEME D’EQUATIONS LINÉAIRES 35

3.1 Résolution du système (S) avec la matrice augmentée . . . . . . . . . . . . 37
3.2 Méthode de résolution d’un système de Cramer(Gabriel Cramer(1704 -1752)) 39
3.2.1 Résolution d’un système de Cramer par l’inversion de la matrice
associée au système . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2.2 Résolution d’un système de Cramer par des déterminants . . . . . . 40
3.3 Systèmes échelonnés ou Méthode du pivot . . . . . . . . . . . . . . . . . . 41
1
TABLE DES MATIÈRES
3.4 Calcul de l’inverse d’une matrice par la résolution de systèmes . . . . . . . 42
4 ESPACES VECTORIELS 45
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.2 Dé…nition d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . 46
4.2.1 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.3 Suite liée de vecteurs. Suite libre de vecteurs . . . . . . . . . . . . . . . . . 47
4.4 Espaces vectoriels de dimension …nie . . . . . . . . . . . . . . . . . . . . . 49
4.4.1 Espace vectoriel ayant un nombre …ni de générateurs . . . . . . . . 49
4.4.2 Base d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . 49
4.4.3 Déterminant d’une suite de vecteurs d’un K-espace vectoriel E de
dimension …nie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.5 Sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.5.1 Exemples de sous-espaces vectoriels . . . . . . . . . . . . . . . . . . 52
4.6 Sous-espaces vectoriels d’un espace vectoriel de dimension …nie . . . . . . . 52
4.6.1 Rang d’une suite …nie de vecteurs . . . . . . . . . . . . . . . . . . . 53
4.7 Sous-espaces supplémentaires . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.8 Somme de n sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . 56
5 APPLICATIONS LINÉAIRES 58
5.1 Image et Noyau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.1.1 Le théorème noyau-image . . . . . . . . . . . . . . . . . . . . . . . 60
5.1.2 Rang d’une application linéaire . . . . . . . . . . . . . . . . . . . . 61
5.1.3 Projections et symétries linéaires . . . . . . . . . . . . . . . . . . . 62
5.2 Opérations sur les applications linéaires . . . . . . . . . . . . . . . . . . . . 62
5.2.1 L’espace vectoriel LK (E; F ) . . . . . . . . . . . . . . . . . . . . . . 62
5.2.2 Composition des applications linéaires . . . . . . . . . . . . . . . . 62
5.3 Matrice d’une application linéaire f : E ! F . . . . . . . . . . . . . . . . . 63
5.3.1 Changement de bases . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.3.2 Déterminant et trace d’un endomorphisme sur un K-espace vectoriel
E de dimension …nie . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6 REDUCTION D’ENDOMORPHISME :DIAGONALISATION 70
6.1 Polynôme caractéristique,trace d’une matrice . . . . . . . . . . . . . . . . . 71

6.2 Matrices semblables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
6.3 Polynôme caractéristique d’un endomorphisme . . . . . . . . . . . . . . . . 72
6.4 Théorème principal de la diagonalisation . . . . . . . . . . . . . . . . . . . 73
6.5 Une application de la diagonalisation . . . . . . . . . . . . . . . . . . . . . 76
6.5.1 Puissance d’une matrice diagonale . . . . . . . . . . . . . . . . . . . 77
6.5.2 Application aux systèmes di¤érentiels linéaires du premier ordre à
coe¢ cients constants . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.6 Polynômes d’endomorphismes . . . . . . . . . . . . . . . . . . . . . . . . . 78
7 TRIANGULATION OU TRIGONALISATION 82
2
TABLE DES MATIÈRES
8 FORMES BILINEAIRES SYMETRIQUES,FORMES QUADRATIQUES(en

dimension …nie) 84
8.1 Matrice d’une forme bilinéaire . . . . . . . . . . . . . . . . . . . . . . . . . 84

8.2 Noyau et Isotropie d’une forme bilinéaire ré‡èxive . . . . . . . . . . . . . . 86
8.2.1 Noyau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
8.3 ORTHOGONALITE PAR RAPPORT À UNE FORME BILINEAIRE RE-
FLEXIVE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
8.3.1 Cône isotrope . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
8.4 Formes bilinéaires symétriques, formes quadratiques . . . . . . . . . . . . . 88
8.4.1 Ecriture matricielle d’une Forme bilinéaire . . . . . . . . . . . . . . 88
8.4.2 Formes quadratiques . . . . . . . . . . . . . . . . . . . . . . . . . . 89
8.4.3 Matrice d’une forme bilinéaire symétrique dans une base orthogonale 92
8.4.4 Formes bilinéaires symétriques réelles . . . . . . . . . . . . . . . . . 93
8.4.5 Décomposition d’une forme quadratique en carrés . . . . . . . . . . 94
8.4.6 Les formes quadratiques équivalentes . . . . . . . . . . . . . . . . . 94
8.4.7 Signature d’une forme quadratique . . . . . . . . . . . . . . . . . . 94
8.4.8 Méthode de Gauss ou dérectangularisation . . . . . . . . . . . . . . 95
8.4.9 Inégalité avec les formes bilinéaire symétrique réelle . . . . . . . . . 97
8.5 Espaces euclidiens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
8.6 GEOMETRIE EUCLIDIENNE . . . . . . . . . . . . . . . . . . . . . . . . 99
8.6.1 Projections et symétries orthogonales . . . . . . . . . . . . . . . . . 99
8.6.2 Méthode d’orthogonalisation de Schmidt . . . . . . . . . . . . . . . 100
I TRAVAUX DIRIGÉS 102
i
INTRODUCTION
La Géométrie des Grecs(et l’Arithmétique) est(sont) l’origine arbitraire de

notre repère temporel, puis vint René Descartes qui, avec son système de repère
et de coordonnées, a fait émergé l’algèbre de la géométrie et la géométrie
de l’algèbre, le tout sous le vocable de géométrie analytique ou d’algèbre linéaire
quitte à se passer de l’intuition géométrique immédiate.
L’algèbre est la science des équations, et la théorie des modèles, cette science
des équations consiste à :
1. la recherche de l’ensemble des solutions d’équations
(avec le constat qu’il y a stabilité de cet ensemble moyennant
certaines lois de compositions internes ou externes, ce qui donnera le point 2.) ;
2. Structuration de l’ensemble des solutions d’équations, c’est-à-dire munir
cet ensemble de loi de composition interne ou de loi de composition externe
(moyennant un ou des ensembles structurés) avec des propriétés avérées.
3. Etudier les applications entre des ensembles structurés de même type
avec la propriété de la transparence des structures en présence,
ces applications sont appélées homomorphismes ;
4. Structuration de l’ensemble des homomorphismes.
Le nom de l’algèbre est lié au nom des équations auquelles on a a¤aire.
Exemple : Les équations linéaires constituent les ingrédients de l’algèbre linéaire,
les équations polynômiales constituent les ingrédients de l’algèbre des polynômes.
Le rôle de l’algèbre linéaire est de traiter pêle-mêle des équations linéaires,
la structuration naturelle de l’ensemble des solutions d’équations linéaires qui est
une structure d’espace vectoriel et les calculs possibles avec les vecteurs ou les
homomorphismes linéaires ou leurs représentations moyennant des bases sur
les espaces vectoriels en question.
En ce qui concerne ce cours, c’est à la fois une invitation au voyage dans les contrées
de l’algèbre linéaire, et un accompagnement à l’embarcadaire d’où
le voyage est solitaire. Bon voyage !
1
Chapitre 1
MATRICES
Objectif
Savoir déterminer le type des matrices, é¤ectuer les opérations légitimes
sur les matrices et échelonner les matrices, à ligne ou à colonne canonique,
voire réduite pour trouver rang, inversibilité et inverse de matrices.
1.1 Présentation des matrices de type (p; q) sur un

corps K commutatif
Soit (K; +; ) un corps commutatif.
Comme exemples de corps commutatifs, vous avez : (R; +; ) et (C; +; ).
Dé…nition p et q étant deux entiers, p 1; q 1,
une matrice p q ou de type (p; q) est, par dé…nition, un tableau rectanglaire
de scalaires(ou nombres) appartenant à K, rangés horizontalement ou verticalement,
où une rangée horizontale est appelée ligne et une rangée verticale est
appelée colonne. Les rangées …gurent dans deux parenthèses ou deux crochets
et la matrice est désignée par une lettre majuscule. Le nombre de rangées horizontales
est le nombre de lignes p et le nombre de rangées verticales est le nombre de
colonnes q.
Soit :
0 1 2 3
a11 a12 a1q a11 a12 a1q
B a21 a22 a2q C 6 a2q 7
B C 6 a21 a22 7
A = B .. .. C = 6 .. .. 7
@ . . A 4 . . 5
ap1 ap2 apq ap1 ap2 apq
une matrice à p lignes et q colonnes d’éléments aij 2 K ; l’élément aij s’appelle terme,
coe¢ cient ou composante de la matrice A ; l’indice i correspond à la ligne de aij ,
l’indice j à la colonne de aij . On emploie aussi la notation
A = (aij ) 1 i p .
1 j q
a14
a24
Ceci est la 2eme ligne : a21 a22 a2q ; la 4ieme colonne est : .. .
.
ap4
2
CHAPITRE 1. MATRICES
Pour A = (aij ) 1 i p,
1 j q
2 3
L1
6 L2 7
6 7
6 L3 7
6 .. 7
6 7
on peut écrire une matrice suivant ses lignes : A = 6 . 7; 1 i p,
6 7
6 Li 7
6 .. 7
4 . 5
Lp
ou suivant ses colonnes : A = C1 C2 C3 Cj Cq ;1 j q
Exemple 2 3
1 2 3 4 5 6
6 2 7
9 11 3 7
A=6 4 3
21 7 c’est une matrice de type (?; ?)
2 0 8 9 15 5
1
4 75 3
7 i 5+i
1
Ici l’élément a14 = 4, a22 = , a35 = 9, a33 = 0, a43 = , a46 = 5 + i.
3
1.2 Quelques matrices de type (p; q)

a) Matrice uniligne(ou matrice ligne) : p = 1, q quelconque
M = a11 a12 a1q .
M est de type (1; q).
Exemple
M= 1 5 7 78 de type (1; 4)
b) Matrice unicolonne(ou matrice
2 3colonne) : q = 1, p quelconque
a11
6 a21 7
6 7
M = 6 .. 7.
4 . 5
ap1
M est de type (p; 1).
Exemple 2 3
1
6 2 7
6 7
6 3 7
M =6 6 7 est de type (6; 1)
4 7
6 7
4 5 5
6
c) Matrice nulle de type (p; q)
C’est la matrice à2p lignes
3 et q colonnes dont les composantes sont toutes nulles.
0 0
Exemple : A = 4 0 0 5, elle est de type (3; 2).
0 0
d) Matrice carrée d’ordre n = p = q
C’est une matrice à n lignes et n colonnes, les termes aii sont les éléments
diagonaux et forment la diagonale principale.L’autre diagonale du tableau
carré s’appelle la contre diagonale principale.
3
Exemple
2 3
8
1 4 3
A= 4 9 47 2 5 c’est une matrice carrée d’ordre 3 et les
0 1 3
4
éléments diagonaux sont : a11 = 1 ; a22 = ; a33 = 3. Les éléments de la
7
4 8
contre diagonale principale sont : a31 = 0 ; a22 = ; a13 = .
7 3
e) Matrice diagonale
C’est une matrice carrée telle que tous les termes en dehors de la diagonale principale
sont nuls.
Exemples :
2 3
1 0 0
2 0
A1 = 4 0 0 0 5 ; A2 = .
0 6
0 0 3
f) Matrice unité(ou identité) d’ordre n
C’est la matrice diagonale d’ordre n telle que tous les termes de la diagonale
principale sont égaux à 1 (et les autres nuls). On la note In .
Exemples 2 3
2 3 1 0 0 0
1 0 0 6 0 1 0 0 7
1 0
I2 = , 4
I3 = 0 1 0 5, I4 = 64 0 0 1 0 5.
7
0 1
0 0 1
0 0 0 1
g) Matrice triangulaire supérieure :
C’est une matrice carrée telle que tous les termes en-dessous de la diagonale
principale sont nuls(a
2 ij = 0 si i > j).
3
1 5 0 1
6 0 0 4 0 7
Exemple : A = 6 4 0 0 1
7.
2 5
0 0 0 3
h) Matrice triangulaire inférieure :
C’est une matrice carrée telle que tous les termes au-dessus de la diagonale
principale sont nuls(a
2 ij = 0 si i < j). 3
1 0 0 0
6 0 7 0 0 7
Exemple : B = 6 4 5
7.
8 1 0 5
6 4 1 9
i) Transposée d’une matrice :
On appelle transposée de la matrice A = (aij ) 1 i p la matrice A0 = a0ij 1 i q
1 j q 1 j p
où a0ij = aji .
La transposée de A est notée (t A) ; c’est la matrice dont les colonnes sont les lignes
de A et vice versa. 2 3
1 4
1 2 1+i
Exemple : A = ; (t A) = 4 2 6 5.
4 6 8
1+i 8
j) Opposée d’une matrice :
C’est la matrice obtenue en prenant l’opposée de chaque terme :
4
si A = (aij ) 1 i p ( A) = ( aij ) 1 i p .
1 j q 1 j q
1 2 1+i ( 1) 2 (1 + i)
Exemple : soit A = ; on a : ( A) =
4 6 8 4 ( 6) ( 8)
1 2 (1 + i)
ainsi ( A) = .
4 6 8
1.3 OPERATIONS SUR LES MATRICES

1.3.1 Somme de deux matrices de même type
On dé…nit la matrice C = A + B; de type (p; q) ; somme des deux matrices de
type (p; q), par ses coe¢ cients : cij = aij + bij , 1 i p; 1 j q.
2 1 1 i 3 1 1+i
Exemple : A = ;B= ,
3 1+i 2 3 1 i
2+3 1+1 1 i + ( 1 + i) 5 0 0
A+B = =
3 + ( 3) 1+i+1 2+i 6 i 2+i
2 1 1 i 2 ( 1) (1 i)
A + ( A) = +
3 1+i 2 ( 3) ( 1 + i) 2
0 0 0
= .
0 0 0
1.3.2 Egalité de deux matrices de même type

Deux matrices A = (aij ) 1 i p et B = (bij ) 1 i p , de type (p; q)
1 j q 1 j q
à coe¢ cients dans K sont égales si A + ( B) = 0Mpq (K) = B + ( A).
Contre-exemple
2 3 2 3
0 1 8 0 1 8
A = 4 1 0 0 5 et B = 4 1 0 0 5, on a :
82 0 0 3 2 8 3 1 0
0 0 0 0 0 0
A B = 4 0 0 0 5 6= 4 0 0 0 5, donc A 6= B.
0 1 0 0 0 0
Remarques
1)Soit A 2 Mpq (K), on a : (t A) 2 Mqp (K) et (t (t A)) = A.
2) Soit A 2 Mn2(K), si on a : (3t A) = A, on
2 dit que A est3 une matrice symétrique.
2 1 8 2 1 8
Exemple : A = 4 5
1 3 0 , ( A) = t 4 1 3 0 5 = A.
8 0 1 8 0 1
t
3)Soit A 2 Mn (K), si on a : ( A) = A, on dit que A est une matrice
antisymétrique.
2 3 2 3
0 1 8 0 1 8
Exemple : A = 4 1 0 0 5, (t A) = 4 1 0 0 5= A
8 0 0 8 0 0
On a ainsi une loi de composition interne : l’addition, qui fait de l’ensemble Mpq (K)
des matrices p q un groupe commutatif. L’élément neutre est la matrice
dont tous les coe¢ cients aij sont nuls dite matrice nulle 0Mpq (K) .
5
La matrice opposée à A = (aij ) est la matrice ( A) de coe¢ cients ( aij ).

Remarque
Soient A, B 2 Mpq (K), on a : (t (A + B)) = (t B) + (t A).
1.3.3 Multiplication par un scalaire d’une matrice

Soit 2 K, la matrice A est par dé…nition, la matrice de coe¢ cient aij , où A = (aij ).
C’est le produit du scalaire par la matrice A 2 Mpq (K) noté A.
Exemple
2 1 + 2i 1 i
A= ;
3 1+i 0
2 2 2 ( 1 + 2i) 2 (1 i) 4 2 + 4i 2 2i
2A = = .
2 ( 3) 2 ( 1 + i) 2 0 6 2 + 2i 0
5A =?
Remarque
La multiplication":" d’un scalaire 2 K par une matrice A 2 Mpq (K) est telle que
A 2 Mpq (K), on dit que la multiplication ":" est une loi de composition externe
dans Mpq (K) car l’opérande 2 K mais pas à Mpq (K).
Propriétés de la multiplication par un scalaire d’une matrice

(i) 1:A = A, pour tout élément A 2 Mpq (K).1 étant l’élément neutre de (K ; ).
(ii) ( A) = ( ) A, pour tout élément A 2 Mpq (K), 8 , 2 K.
(iii) (A + B) = A + B, 8 2 K, 8A,B 2 Mpq (K).
(iv) ( + ) A = A + A, 8 , 2 K, pour tout élément A 2 Mpq (K).
Ainsi l’addition qui fait de l’ensemble Mpq (K) des matrices de type (p; q) un groupe
commutatif en association avec la loi de composition externe
(qui est la multiplicationon d’un scalaire par une matrice) véri…ant les propriétés
sus-mentionnées fait de Mpq (K) un K-espace vectoriel.
Remarque
Soient A 2 Mpq (K), on a : (t ( A)) = (t A), 2 K.
1.3.4 Produit de deux matrices

Le produit de matrices est sous condition :
A B est possible si le nombre de colonnes de A est égal au nombre de
lignes de B.
Soient A = (aij ) 1 i m 2 Mm;n (K), B = (bij ) 1 i n 2 Mn;p (K) ,
1 j n 1 j p
X
n
on pose : AB = C = (cij )1 i m 2 Mm;p (K) ; où cij = aik bkj
1 j p
k=1
(on dit que l’on fait li-col, c’est-à-dire ligne par colonne) est le produit de
la matrice A par B. En fait pour obtenir le terme cij de la matrice A B = AB,
on multiplie les composantes de la ieme ligne de A par celles de la j eme colonne
de B dans l’ordre et on fait la somme des di¤érents produits.
On a symboliquement du point de vu des types de matrices
AB =C
(m; n) (n; p) = (m; p).
6
Exemples
2 3
1 3
3 1 2 1
A = 4 4 1 5; B = ;
1 3 4 7
0 2 2 3
1 3
3 1 2 1
A B = AB = 4 4 1 5
1 3 4 7
2 0 2 3
1 3+3 1 1 ( 1) + 3 ( 3) 1 2+3 4 1 1+3 7
=4 4 3+1 1 4 ( 1) + 1 ( 3) 4 2+1 4 4 1+1 7 5
02 3 + 2 1 0 ( 31) + 2 ( 3) 0 2+2 4 0 1+2 7
0 8 10 20
= 4 11 1 4 3 5.
2 6 8 14
B A n’est pas un produit possible car le nombre de colonnes de B
égalant 4 n’est pas égal au nombre de lignes de A qui est 3.
Remarque
1 4 3 4
Soient A = et B =
3 2 3 0
15 4 15 20
on a : AB = 6= = BA.
15 12 3 12
Ainsi
Proposition
le produit de matrices n’est pas commutatif.
Dé…nition
Quand on a deux matrices carrées A et B telles que A B = B A
on dit que A et B commutent(ou permutent).
Exemple
1 2 0 12
Soient A = et B = 1 1 , on constate que
2 0 2 4
1 2 0 12 0 12 1 2
AB = 1 1 = 1 1 = BA
2 0 2 4 2 4
2 0
Ainsi A et B commutent mais le produit de matrices n’est pas commutatif.
Aussi A et B sont dites commutantes(permutantes).
Remarques
1.Formule du binôme de Newton
8A; B 2 Mn (K), commutant(permutant) e.i. A B = B A, on a :
X n Xn
n
(A + B) = {n A B =
k n k k
{kn B n k Ak ;
k=0 k=0
n!
n 1, n 2 N, {kn = .
k! (n k)!
2. 8A 2 Mn (K) avec A 6= 0Mn (K) , on a A0 = In .
Propriétés
1. A (B + C) = AB + AC, 8A 2 Mmn (K), 8B, C 2 Mnp (K) ; ceci est la
distributivité à gauche de la multiplication par rapport à l’addition.
2. (A + B) C = AC + BC, 8A, B 2 Mmn (K), 8C 2 Mnp (K) ; ceci est la
distributivité à droite de la multiplication par rapport à l’addition.
Vu 1) et 2) la multiplication est distributive par rapport à l’addition.
3. 8 2 K, 8A 2 Mmn (K), 8B 2 Mnp (K),
7
( A) B = A ( B) = (AB).
4. 8A 2 Mmn (K),8B 2 Mnp (K) ; 8C 2 Mpr (K),
(AB) C = A (BC) = ABC ; ceci est l’associativitité de la multiplication des
matrices.
5. (t (AB)) = (t B) (t A), 8A 2 Mpn (K) ; 8B; 2 Mnq (K) .
6. Ip :A = A = A:In , 8A 2 Mpn (K), IP , In sont unitées d’ordre resp. p, n.
1.4 Trace d’une matrice carrée

Dé…nition
Etant donné A = (aij ) 2 Mn (K) une matrice carrée d’ordre n
(nombre de lignes = nombre de colonnes=n), on dé…nit une application
Xn
tr de Mn (K) sur K nommée trace telle que tr (A) = aii .
i=1
Mn (K) est l’ensemble des matrices de type (n; n), dites aussi matrices carrée
d’ordre n.
Exemple 0 1
7 1 0 2
B 4 5 11 5 C
Soit A = B@ 1
2 C,
2 3 4 A
74 9 0 2
2
alors tr (A) = 7 + ( 5) + ( 3) + = 1= = tr (t A).
2 2 2
Propriété
Etant données deux matrices A; B 2 Mn (K),
i) tr (A + B) = tr (A) + tr (B)
ii) tr ( A) = tr (A) ; 2 K.
iii) tr (AB) = tr (BA).
iv) tr (A) = tr (t A).
Je rappelle que K est un corps commutatif.
Remarques
1)(Mn (K) ; +; ) est un anneau unitaire non commutatif .
L’élément unité se note In . Ainsi 8A 2 Mn (K), AIn = In A = A.
1 0 0 0
2) Avec A = 6= 0M2 (C) et B = 6= 0M2 (C) ; on a :
2 0 1 2
1 0 0 0 0 0
AB = = donc
2 0 1 2 0 0
(Mn (K) ; +; ) est un anneau non intègre.
1.5 Matrices inversibles

Dé…nition
A 2 Mn (K) est dite inversible s’il existe B 2 Mn (K) telle que AB = BA = In .
1
B est appelée l’inverse de A et se note B = A 1 6= qui n’existe pas.
A
(B et A sont des matrices carrées de même ordre).
8
Exemple
1 2 0 12 1 0
Soient A = et B = 1 1 on a : AB = BA = I2 = .
2 0 2 4
0 1
Ainsi A est inversible d’inverse B et inversemment ou A et B sont inverses l’une
de l’autre.
Proposition
le produit de matrices inversibles est inversible.
Proposition
L’ensemble GLn (K) des matrices carrées d’ordre n inversibles est un groupe
multiplicatif appelé le groupe linéaire.
1.6 Matrices équivalentes et matrices semblables

Dé…nitions
i) Deux matrices A; B 2 Mpq (K) sont équivalentes s’ils existent P 2 Mp (K)
inversible et Q 2 Mq (K) inversible telle que A = P BQ , P 1 AQ 1 = B.
ii) Deux matrices A; B 2 Mn (K) sont semblables s’il existe P 2 Mn (K) inversible
telle que A = P 1 BP , P A = BP , P AP 1 = B , AP 1 = P 1 B
ce qui entrainera que tr (A) = tr (B).
Exemples 2 3 2 3
5 2 4 7 1 0 0 0
i) Soient A = 4 3 2 0 1 5 et R = 4 0 1 0 0 5
2 1 0 2 33 2 0 0 03 0
0 0 1 5 2 0
Soit P = 4 21 0 5 5
2
avec P 0
= 4 3 2 1 5
1 1 2 2 31 2 0 0 3 2 3
0 0 1 5 2 0 1 0 0
On constate que P P 0 = 4 12 0 5 54
2
3 2 1 5=4 0 1 0 5
2 32 1 1 2 3 1 20 0 3 0 0 1
5 2 0 0 0 1 1 0 0
Aussi P 0 P = 4 3 2 1 5 4 21 0 5 5
2
= 4 0 1 0 5
1 0 0 1 1 2 0 0 1
1 0
Donc P est 2 inversible d’inverse
3 P = P2 3
1 0 2 3 1 0 2 3
6 0 1 3 4 7 6 4 7
Soit Q = 6 7 avec Q0 = 6 0 1 3 7
4 0 0 1 0 5 4 0 0 1 0 5
0 0 0 1 0 0 0 1
2 32 3 2 3
1 0 2 3 1 0 2 3 1 0 0 0
6 0 1 3 4 7 6 4 7 6 7
On constate que QQ0 = 6 76 0 1 3 7=6 0 1 0 0 7
4 0 0 1 0 54 0 0 1 0 5 4 0 0 1 0 5
0 0 0 1 0 0 0 1 0 0 0 1
2 32 3 2 3
1 0 2 3 1 0 2 3 1 0 0 0
6 0 1 3 7 6
4 76 0 1 3 4 7 6 0 1 0 0 7
7 6
et Q0 Q = 64 0 0 1 = 7
0 54 0 0 1 0 5 4 0 0 1 0 5
0 0 0 1 0 0 0 1 0 0 0 1
Ainsi Q est inversible d’inverse Q 1 = Q0
9
2 3
2 32 3 1 0 2 3
0 0 1 5 2 4 7 6
0 1 3 4 7
Aussi P AQ = 4 1
0 5 54 3 2 0 1 56 4 0
7
2 2 0 1 0 5
1 1 2 1 0 2 3
0 0 0 1
2 3
2 3 1 0 2 3
1 0 2 6 3
4 56 0 1 3 4 77
P AQ = 0 1 3 4
4 0 0 1 0 5
0 0 0 0
2 30 0 0 1
1 0 0 0
P AQ = 4 0 1 0 0 5 = R
0 0 0 0
P AQ = R.
On a bien P AQ = R avec P 2 M3 (R) inversible, A 2 M34 (R) et Q 2 M4 (R) inversible
donc A et R sont 2 équivalentes. 3 2 3
2 1 1 1 21 3
2
ii) Soient M = 4 2 3 2 5 et D = 4 0 12 3 5
2
3 11
2 1 1 2
3 2 3 0 2 2 3
1 1
1 0 1 4 2 4
avec P = 4 0 1 1 5 et P 0 = 4 14 12 1 5
4
1 1 1
12 2 1 3 2 3 4 1 2 1 34 2 3
1 0 1 4 2 4
1 0 0
On a : P P 0 = 4 0 1 1 5 4 14 21 1 5
4
=4 0 1 0 5
1 1 1
2 3 1 12 1 1 3 2 4 2 4 3 2 0 0 13
4 2 4
1 0 1 1 0 0
0
Aussi P P = 4 1 1 1 54
0 1 1 = 0 1 0 5
5 4
4 2 4
1 1 1
4 2 4
1 2 1 0 0 1
Ainsi P est inversible d’inverse P 1 = P 0
On constate2que : 32 32 3
3 1 1
4 2 4
2 1 1 1 0 1
P 1 M P = 4 14 21 1 54
4
2 3 2 54 0 1 1 5
1 1 1
2 4 1 2 3 43 1 1 2 1 2 1
1 2 2
P M P = 0 12
1 4 3 5
= D.
2
3 11
0 2 2
donc M et D sont sont semblables.
Remarque
Deux matrices semblables sont équivalentes.Mais deux matrices
équivalentes ne sont pas nécessairement semblables, il su¢ t qu’elles
ne soient pas carrées.
1.7 Opérations élémentaires sur les matrices

Dé…nition
Soit A 2 Mpq (K). On appelle opérations élémentaires sur A l’une des
transformations suivantes :
1. Ajouter à une colonne(resp. ligne) de A le produit par un élément de K
d’une autre colonne(resp. ligne) : on parle de transvection sur les colonnes
(resp. lignes) de A.
10
Exemple
3 1 2 1
soit B = en faisant C10 = C1 + ( 2) C3 on a :
1 3 4 7
3 + ( 2) 2 1 2 1 1 1 2 1
B0 = = .
1 + ( 2) 4 3 4 7 7 3 4 7
Evidemment on a B équivalente à B 0 , ce qui se note : B B 0
qui se lit B équivalente à B 0 .
2. Permuter les colonnes(resp. lignes) de A.
Exemple 2 3
1 3
soit A = 4 4 1 5 permutons L1 et L3 , on a :
2 0 2 3
0 2
0
A = 4 4 1 5.
1 3
Evidemment on a A équivalente à A0 , ce qui se note : A A0
qui se lit A équivalente à A0 .
3. Multiplier une colonne(resp. ligne) de A par un élément de K :
on parle de dilatation ou d’a¢ nité sur A.
Exemple 2 3
1 3
soit A = 4 4 1 5 faisons 4L2 , on a :
2 0 2 3
1 3
A0 = 4 16 4 5.
0 2
Evidemment on a A équivalente à A0 , ce qui se note : A A0
qui se lit A équivalente à A0 .
Dé…nition
Les matrices Eij 2 Mpq (K) tels que aij = 1 et ars = 0,
si r 6= i ou s 6= j, sont les matrices
X élémentaires de Mpq (K).
Soit A = (aij ) 2 Mpq (K),on a A = aij Eij .
1 i p
1 j q 1 i p
1 j q
Exemples 2 3
2 3 0 0
0 0 0 0 6 0 0 7
E23 = 0 0 1 0 5 2 M34 (R), E42 = 6
4 7
4 0 0 5 2 M42 (R)
0 0 0 0
2 3 2 3 2 03 1 2 3
a11 a12 a11 0 0 a12 0 0
A = 4 a21 a22 5 = 4 0 0 5 + 4 0 0 5 + 4 a21 0 5
a2
31 a32
3 2 0 0 3 20 0 3 0 0
0 0 0 0 0 0
+ 4 0 a 22
5 + 4 0 0 5 + 0 0 5
4
2 0 03 2a31 0 3 02 a32 3 2 3
a11 a12 1 0 0 1 0 0
A = 4 a21 a22 5 = a11 4 0 0 5 + a12 4 0 0 5 + a21 4 1 0 5
a31 a32 0 0 0 0 0 0
11
2 3 2 3 2 3
0 0 0 0 0 0
+a22 4 0 1 5 +a31 4 0 0 5 + a32 4 0 0 5
2 0 0 3 1 0 0 1
a11 a12
A = 4 a21 a22 5 = a11 E11 + a12 E12 + a21 E21 + a22 E22 +a31 E31 + a32 E32
a31 a32
X
A= aij Eij 2 M32 (R)
1 i 3
1 j 2
1.8 Matrices échelonnées

Dé…nitions
i) Une matrice est échelonnée si :
le nombre de zéros commençant une ligne(resp. colonne) croît strictement ligne
par ligne(resp. colonne par colonne)jusqu’à ce qu’il ne reste plus que des zéros ou
qu’il n’ait plus de ligne(resp. colonne).
Exemples 2 3 2 3
4 0 5 8 1 1 4 0 5 8 1 1
6 0 1 2 3 0 2 7 6 2 7
a) A1 = 6 7 ; A2 = 6 0 1 2 3 0 7
4 0 0 7 9 10 15 5 4 0 0 7 9 10 15 5
0 0 0 3 1 9 0 0 0 0 0 0
sont des 2 matrices échelonnées 3 suivant2les lignes. 3
4 0 0 0 4 0 0 0 0
6 11 7 0 0 7 6 0 0 7
b) B1 = 6 7 ; B2 = 6 11 7 0 7
4 5 0 9 0 5 4 5 0 9 0 0 5
0 0 1 3 0 0 1 3 0
sont des matrices échelonnées suivant les colonnes.
ii) Elle est échelonnée réduite à ligne canonique si en plus :
le premier coe¢ cient non nul d’une ligne (non nulle) vaut 1 ;
et c’est le seul élément non nul de sa colonne.
Exemples
2 3 2 3
1 0 0 0 1 1 1 0 0 8 1 1
6 0 1 0 0 0 2 7 6 0 1 0 3 0 2 7
A1 = 6 7 6
4 0 0 1 0 10 15 5 ; A2 = 4 0 0 1 9 10 15 5.
7
0 0 0 1 1 9 0 0 0 0 0 0
iii) Elle est échelonnée réduite à colonne canonique si en plus :
le premier coe¢ cient non nul d’une colonne (non nulle) vaut 1 ;
et c’est le seul élément non nul de sa ligne.
Exemples
2 3 2 3
1 0 0 1 0 0 0 0
6 0 1 0 7 6 7
B1 = 6 7 ; B2 = 6 0 1 0 0 0 7.
4 0 0 1 5 4 0 0 1 0 0 5
0 0 3 0 0 0 1 0
iv) Elle est échelonnée réduite quand elle est à la fois échelonnée réduite à ligne
et colonne canoniques.
12
Exemples
2 3
1 0 0 0 0
6 0 1 0 0 0 7
C1 = 6
4 0 0
7 = I4 0 ;
1 0 0 5
0 0 0 1 0
2 3
1 0 0 0 0
6 0 1 0 0 0 7 I3 0
C2 = 6 7
4 0 0 1 0 0 5= 0 0 ;
0 0 0 0 0
et toutes les matrices unités(ou identités) In , n 2 N .
sont des matrices échelonnées réduites.
Remarque
Dans la réduite d’une matrice non nulle échelonnée réduite,
il y a dans la première moitié ou dans le premier quart du haut une matrice
unité(ou identité), In pour un certain n 2 N, ou la reduite est carrément
une matrice identité.
v) Echélonner réduire une matrice A c’est lui trouver une matrice échélonnée
réduite A0 qui lui soit équivalente.
Lemme
Les opérations élémentaires sur les matrices servent à échelonner des matrices et
les éléments non nuls d’une ligne ou (resp.d’une colonne) qui permette
d’avoir des zéros sur les lignes qui suivent ou (resp.les colonnes qui suivent)
sont appelés pivots.
Exemples
a) Échélonnage
2 suivant
3 2 les lignes d’une 3 matrice
1 3 2 1 3 2
A=4 4 1 0 5'4 0 11 8 5 L2 4L1
2 25 4 0 3 11 8 L3 + 2L1
1 3 2
A' 0 4 11 8 5 .
0 0 0 L3 + L2
Les pivots ici, ont été : 1 ; 11.
b)
2 Échélonnage à ligne3 canonique
2 d’une matrice
3
0 3 2 1 1 3 4 2 L3
4 2 5 1 6 5'4 0 1 9 10 5 L2 + 2L3
21 3 4 2 3 0 3 2 21 L1 3 23
1 0 23 28 L1 3L2 1 0 0 5 L1 + 29 L3
4
' 0 1 9 10 5 L2 4
' 0 1 0 1 5 9
L2 + 29 L3 .
1
0 0 29 29 L3 + 3L2 0 0 1 1 L
29 3
Les pivots sont réduits à 1 à chaque fois.
c) Échélonnage suivant les colonnes d’une matrice
C3 C2 2C3 C1 4C3
2 3 2 3
4 2 1 1 0 0
6 6 2 3 7 6 3 4 6 7
B=6 4 0 1
7'6
5 4
7'
1 1 3 4 5
2 1 3 3 5 10
13
2C3 3C2
2 3
1 0 0
6 3 4 0 7
B'6 4 1 3
7.
1 5
3 5 5
Les pivots ici, ont été : 1 ; 4.
d) Échélonnage à colonne canonique d’une matrice
1 3 1 2
2 3 2 4 C1 C2 4 C 31 C3 4 C1 C4 4 C1
4 3 1 2 1 0 0 0
C=4 0 9 1 0 5'4 0 9 1 0 5
0 0 8 9 0 0 8 9
1 1
2 9 C2 C3 3 9 C2
1 0 0 0
C'4 0 1 0 0 5
0 0 8 9
1 9
2 C C3
8 3 4 C
8 3
1 0 0 0
C'4 0 1 0 0 5
0 0 1 0
Les pivots sont réduits à 1 à chaque fois.
Proposition
Une matrice A est inversible si et seulement si, échelonnée reduite elle est
équivalente à la matrice identité de même ordre que A.
1.8.1 Inversion d’une matrice par les opérations élémentaires

sur les matrices
Exemples
I) Avec opérations
2 élémentaires
3 2 sur
3 les lignes :
1 1 1 1 0 0
Soit A = 4 1 1 0 5 4
' 0 1 0 5 ; alors A est inversible.
1 0 1 0 0 1
On augmente la matrice A de la matrice unité de même nombre de ligne que A
à la suite de la dernière colonne
2 3 de A comme suit :
6 7
6 1 1 1 1 0 0 7
6 7
6 1 1 0 0 1 0 7 = M et l’on cherchera à échelonner réduire la matrice A
6 7
4 1 0 1 0 0 1 5
| {z }| {z }
A I3
2Ceci étant, déroulons : 3 2 3

1 1 1 1 0 0 1 1 1 1 0 0
4 1 1 0 0 1 0 5 4 0 2 1 1 1 0 5 L2 L1
1 0
2 1 0 0 1 3 0 1 2 21 0 1 L3 L1 3
1 1 1
1 1 1 1 0 0 1 0 2 2 2
0 L1 L2
4 0 1 1 1 1
0 5 1
L 4 0 1 21 12 1
0 5
2 2 2 2 2 2
3 1 1 1
0 0 2 2 2
1 L3 2 L2 0 0 1 13 1
3
2
3
2
L
3 3
14
2 3
1 0 0 13 1
3
1
3 1
4 0 1 5 L1 L
2 3 .
1 0 13 2
3 3 1
L2 2 L3
0 0 1 13 1
3
2
3
Comme l’échelonnage de la matrice A sous la réduite
2 1 à donner la3matrice identité,
1 1
3 3 3
alors la matrice A est inversible d’inverse A 1
=4 1
3
2
3
1
3
5.
1 1 2
3 3 3
II) Avec opérations élémentaires sur les colonnes
On augmente la matrice A de la matrice unité de même nombre de colonne
que
2 A à la suite3 de la dernière ligne de A comme suit :
1 1 1
6 1 1 0 7
6 7
6 1 0 1 7
6 7 = N et l’on cherchera à échelonner la matrice A sous
6 1 0 0 7
6 7
4 0 1 0 5
0 0 1
la forme échelonné réduite
Ceci étant, déroulons :
C -C C3 -C1 C1 + 12 C2 - 12 C2 C3 - 12 C2
2 3 2 2 1 3 2 3
1 1 1 1 0 0 1 0 0
6 1 1 0 7 6 1 7 6 0 1 0 7
6 7 6 1 2 7 6 1 7
6 1 0 1 7 6 1 1 2 7 6 2 1 3 7
6 7 6 7 6 2 2 7
6 1 0 7
0 7 6 16 1 1 7 6 1 1 1 7
6 7 6 2 2 2 7
4 0 1 0 5 4 0 1 0 5 4 1 1 1 5
2 2 2
0 0 1 0 0 1 0 0 1
C1 + 13 C3 C2 + 13 C3 2
C3
2 33
1 0 0
6 0 1 0 7 2 3
6 7 1 1 1
6 0 0 1 7 3 3 3
6 7)A 1
=4 1 2 1 5.
6 1 1 1 7 3 3 3
6 3 3 3 7 1 1 2
4 1 2 1 5 3 3 3
3 3 3
1 1 2
3 3 3
1.9 Rang d’une matrice

Proposition
Le rang d’une matrice échelonnée ou échelonnée reduite est égale au nombre de
ses lignes non nulles(si l’échelonnage a été e¤ectué avec les opérations élémentaires
sur les lignes) ou au nombre de colonnes non nulles(si l’échelonnage a été e¤ectué avec
les opérations élémentaires sur les colonnes).
Remarque
Pour trouver le rang d’une matrice, il su¢ t de l’échelonner.
Exemples
2 3
4 0 5 8 1 1
6 0 1 2 3 0 2 7
A1 = 6 4 0 0
7 ) rg (A1 ) = 4 ;
7 9 10 15 5
0 0 0 3 1 9
15
2 3
4 0 5 8 1 1
6 0 1 2 3 0 2 7
A2 = 64 0 0
7 ) rg (A2 ) = 3 ;
7 9 10 15 5
0 0 0 0 0 0
2 3
4 0 0 0 0
6 11 7 0 0 0 7
B1 = 6 4 5 0
7 ) rg (B1 ) = 4 ;
9 0 0 5
0 0 1 3 0
2 3
4 0 0 0
6 11 7 0 0 7
B2 = 6 4 5 0
7 ) rg (B2 ) = 4.
9 0 5
0 0 1 3
Proposition
rg (A) = rg (t A) pour tout type de matrice A.
Proposition
Deux matrices sont équivalentes ssi elles ont le même rang.
Preuve
Soient A; B 2 Mpq (K) de même rang, alors ils existent P1 , P2 2 GLP (K)
et Q1 ; Q2 2 GLq (K) telles que
P1 AQ1 = R = P2 BQ2 () P2 1 P1 AQ1 Q2 1 = B avec
P2 1 P1 2 GLP (K) et Q1 Q2 1 2 GLq (K), ce qui veut dire que A et B sont
équivalentes. GLP (K) est l’ensemble des matrices carrées d’ordre p inversibles.
R est la matrice échelonnée réduite à la fois de A et de B, dé…nissant le même rang
pour A et B.
Remarque
Toute opération élémentaire sur une matrice A, produit une matrice A0 qui est
équivalente à A. Donc rg (A) = rg (A0 ).
Remarque
Le rang de A est indépendante des opérations élémentaires ayant permis son
échelonnage ou son échelonnage réduit.
Proposition
A une matrice est de rang r si et seulement si elle est équivalente à la matrice
Ir 0
R= où Ir est la matrice identité d’ordre r.
0 0
Exemple2 3
5 2 4 7
Soit A = 4 3 2 0 1 5, trouvons r le rang de A et la matrice
1 0 2 3
Ir 0
R= auquelle A est équivalente.
0 0
Nous allons faire des opérations élémentaires sur les lignes de A en
augmentant A de la matrice identité de même nombre de lignes que A,
à la suite de la dernière colonne de A. Et on va échelonner à ligne canonique
la matrice A avec les opérations élémentaires sur la matrice augmentée.
Ainsi d’entée, on a :
16
2 3
6 7 2 2 4 7 1
3 1
6 5 2 4 7 1 0 0 7 1 5 5 5 5
0 0 L
5 1
6 7 4 0 4 12 16 3 5
6 3 2 0 1 0 1 0 7 5 5 5 5
1 0 L2 35 L1
6 7 2 6 8 1
4 1 0 2 3 0 0 1 5 0 5 5 5 5
0 1 L3 15 L1
| {z }| {z }
A I3
2 3
6 1 0 2 3 1 1
0 7 L1 1 L2
6 2 2 7 2
6 0 1 3 4 3 5
0 7 5
L
6 4 4 7 4 2
4 0 0 0 0 1 1
1 5 L3 + 1 L2
2 2 2
| {z }| {z }
R0 P
Evaluons
2 :1 32 3 2 3
1
2 2
0 5 2 4 7 1 0 2 3
PA = 4 3
4
5
4
0 54 3 2 0 1 5 = 4 0 1 3 4 5.
1 1
2 2
1 1 0 2 3 0 0 0 0
On a donc : P A = R0 .
Dé…nition
R0 est dite matrice échélonnée à lignes canoniques de A car le premier terme
non nul d’une ligne non nulle est 1 et c’est le seul élément non nul de sa colonne.
Remarques
R0 est dite matrice échélonnée à lignes canoniques de A car le premier terme
non nul d’une ligne non nulle est 1 et c’est le seul non nul de sa colonne.
On continue avec les opérations élémentaires sur les colonnes cette fois-ci,
en augmentant R0 à la suite de sa troisième ligne par la matrice identité de
même nombre de colonnes que R0 . Et on va échelonner réduire la matrice
R0 avec les opérations élémentaires sur les colonnes de la matrice
augmentée.c’est-à-dire :
C3 -2C1 C4 -3C1 C3 +3C2 C4 +4C2
2 3 2 3 2 3
1 0 2 3 1 0 0 0 1 0 0 0
6 0 1 3 4 7 6 0 1 3 4 7 6 0 1 0 0 7
6 7 6 7 6 7
6 0 0 0 0 7 6 0 0 0 0 7 6 0 0 0 0 7
6 7 6 7 6 7
6 1 0 0 0 7 6 1 0 2 3 7 6 1 0 2 3 7.
6 7 6 7 6 7
6 0 1 0 0 7 7 6 7 6 4 7
6 6 0 1 0 0 7 6 0 1 3 7
4 0 0 1 0 5 4 0 0 1 0 5 4 0 0 1 0 5
0 0 0 1 0 0 0 1 0 0 0 1
2 3
2 3 1 0 2 3
1 0 0 0 6 0 1 3 7
4
Ici on a : R = 4 0 1 0 0 5 et on pose Q = 6 4 0 0 1
7.
0 5
0 0 0 0
0 0 0 1
Evaluons : 2 3
2 1 1
32 3 1 0 2 3
0 5 2 4 7 6
4
2
3 5
2
5 4 56 0 1 3 4 77
P AQ = 0 3 2 0 1 4 0 0 1
4
1
4
1 0 5
2 2
1 1 0 2 3
0 0 0 1
2 3
2 3 1 0 2 3 2 3
1 0 2 3 6 0 1 3 7 1 0 0 0
4 7 4
P AQ = 4 0 1 3 4 564 0 0 1 = 0 1 0 0 5
0 5
0 0 0 0 0 0 0 0
0 0 0 1
Donc P AQ = R.
17
2 3 2 3
1 0 2 3 1 0 2 3
6 0 1 3 4 7 6 4 7
Ainsi ayant Q = 6 7, avec Q0 = 6 0 1 3 7
4 0 0 1 0 5 4 0 0 1 0 5
0 0 0 1 0 0 0 1
2 32 3 2 3
1 0 2 3 1 0 2 3 1 0 0 0
6 0 1 3 4 7 6 4 7 6 7
on a : QQ0 = 6 76 0 1 3 7=6 0 1 0 0 7
4 0 0 1 0 54 0 0 1 0 5 4 0 0 1 0 5
0 0 0 1 0 0 0 1 0 0 0 1
2 32 3 2 3
1 0 2 3 1 0 2 3 1 0 0 0
6 0 1 3 4 7 6 4 7 6 7
de même Q0 Q = 6 76 0 1 3 7 = 6 0 1 0 0 7.
4 0 0 1 0 54 0 0 1 0 5 4 0 0 1 0 5
0 0 0 1 0 0 0 1 0 0 0 1
1 0
Donc Q est 2inversible d’inverse
3 Q = Q 2 . 3
1 1
2 2
0 5 2 0
Ayant P = 4 3
4
5
4
0 5, avec P 0 = 4 3 2 0 5
1 1
2 2
1 1 0 1
on a : 2 3 2 3 2 3
1 1
2 2
0 5 2 0 1 0 0
PP0 = 4 3
4
5
4
0 54 3 2 0 5 = 4 0 1 0 5
1 1
2 22
1 13 20 1 0 30 12 3
1 1
5 2 0 2 2
0 1 0 0
de même P 0 P = 4 3 2 0 5 4 3
4
5
4
0 5=4 0 1 0 5
1 1
1 0 1 2 2
1 0 0 1
Donc P est inversible d’inverse P 1 = P 0 .
Comme on a : P AQ = R et que P et Q sont des matrices carrées inversibles
d’ordre respectif 3 et 4 on a bien A est équivalente à R et le rang de A est 2.
Remarques
1.Le meilleur choix pour opérations élémentaires sur lignes ou colonnes
d’une matrice de type (p; q) : il faut choisir de travailler sur les lignes si p < q sinon
sur les colonnes.
2. Quand on veut travailler avec deux éléments d’une même ligne, il faut opérer avec
les colonnes.
3.Quand on veut travailler avec deux éléments d’une même colonne, il faut opérer
avec les lignes.
4.On peut d’or et déjà compter le nombre de lignes non nulles de R0
(parce qu’on a travaillé sur les lignes), et ce nombre est égal au rang de A.
Il en serait de même si on avait travaillé sur les colonnes.
Proposition
Soit A 2 Mn (K), A est inversible si et seulement si le rang de A est égal à n.
Proposition
Deux matrices carrées semblables, ont nécessairement
la même trace et le même rang.
Remarque
1 2 1 0
Voici deux matrices carrées A = 1 et B = ,
2
1 0 0
Le rang de A = le rang de B = 1, mais elles ne sont pas semblables
car tr (A) = 0 6= 1 = tr (B), alors que si elles étaient semblables,
elles devraient avoir nécessairement la même trace.
Exercice 1
18
A l’aide des opérations élémentaires sur les lignes ou colonnes, 2 décrire l’ensemble
3
1 1 a b
des triplets réels (a; b; c) rendant le rang de la matrice M = 4 1 2 b c 5
2 1 c a
égal à 2.
Correction
2 de l’exo. 31 2 3
1 1 a b 1 1 a b
M = 4 1 2 b c 5 4 0 3 b + a c + b 5 L2 + L1
2 2 1 c a 0 3 3 c 2a a 2b L3 2L1
1 1 a b
4 0 3 b+a c+b 5
0 0 b a+c a b+c L3 + L2
b a+c=0
Alors M serait de rang 2 si ) 2c = 0 , c = 0 ) a = b
a b+c=0
Dés lors pour tout triplet (a; a; 0), 8a 2 R va entrainer que le rang de M est 2.
Exercice 2
1) Réduire2à la forme échélonnée3 puis à la forme ligne canonique les matrices suivantes
2 3 4 2 3
6 3 7 0 3 2 1
1 5 7
A1 = 6 4 1 0 A2 = 4 2 5 1 6 5
1 5
1 3 4 2
0 2 4
Si pour i = 1, 2, Bi est la forme ligne canonique de Ai déterminer la matrice Pi telle
que Bi = Pi Ai .
2) Réduire à la forme échélonnée puis à la forme colonne canonique les matrices
précédentes.
Si pour i = 1, 2, Ci est la forme ligne canonique de Ai déterminer la matrice Qi telle
que Ci = Ai Qi .
Correction de l’exo.2
1) On augmente la matrice A1 à la suite de sa dernière colonne par la matrice I4
car le nombre de lignes de A1 est 4.
Aussi on échelonne réduire à ligne canonique la matrice A1
2avec les opérations élémentaires 3 sur2 les lignes : 3
2 3 4 1 0 0 0 1 0 1 0 0 1 0 L3
6 3 1 5 0 1 0 0 7 6 0 1 7 6 7
2 0 1 3 0 7 L2 + L3
6 '
4 1 0 1 0 0 1 0 5 4 0 3 6 1 0 2 0 5 L1 + 2L3
0 2 4 0 0 0 1 0 2 4 0 0 0 1
2 3
1 0 1 0 0 1 0
6 0 1 2 0 1 3 0 7
'6 4 0 0 0 1 3
7 L + 3L2 .
11 0 5 3
L4 2L2
0 0 0 0 2 6 1
Evaluons :
2 3 2 3 2 3 2 3
0 0 1 0 0 0 1 0 2 3 4 1 0 1
6 0 1 3 0 77 6 0 1 3 7 6
0 7 6 3 1 7
5 7 6 06 1 2 7
6 A1 = 6 = 7
4 1 3 11 0 5 4 1 3 11 0 5 4 1 0 1 5 4 0 0 0 5
0 2 6 1 0 2 6 1 0 2 4 0 0 0
19
2 3 2 3
1 0 1 0 0 1 0
6 0 1 2 7 6 3 0 7
Ainsi B1 = 6 7 et P1 = 6 0 1 7
4 0 0 0 5 4 1 3 11 0 5
0 0 0 0 2 6 1
On
2 refait la même chose pour 3A2 ; 2 on aura donc : 3
0 3 2 1 1 0 0 1 3 4 2 0 0 1 L3
4 2 5 1 6 0 1 0 5'4 0 1 9 10 0 1 2 5 L2 + 2L3
21 3 4 2 0 0 1 0
3 3 2 1 1 0 0 L1
1 0 23 28 0 3 5 L1 3L2
4
' 0 1 9 10 0 1 2 5 L2
2 0 0 29 29 1 3 6 3 L 3 + 3L2
23 18 7 23
1 0 0 5 29 29 29
L1 + 29 L3
4
' 0 1 0 1 29 9 2 4 5 L2 + 29 9
L3 .
29 29
1 3 6 1
0 0 1 1 29 29 29
L
29 3
Evaluons :
2 3 2 32 3
23 18 7 23 18 7
29 29 29 29 29 29
0 3 2 1
4 9 2 4 5
A2 = 4 29 9 2 4 54
2 5 1 6 5
29 29 29 29 29
1 3 6 1 3 6
29 29 29 29 2 29 29 31 3 4 2
1 0 0 5
=4 0 1 0 1 5
2 3 0 20 1 1 3
23 18 7
1 0 0 5 29 29 29
Ainsi B2 = 4 0 1 0 1 5 et P2 = 4 29 9 2
29
4 5
29
.
1 3 6
0 0 1 1 29 29 29
2) On augmente la matrice A1 à la suite de sa dernière ligne par la matrice I3
car le nombre de colonnes de A1 est 3.
Aussi on échelonne réduire à colonne canonique la matrice A1 avec
les opérations élémentaires sur les colonnes :
1
C C2 + 32 C1 C2 +2C1
2 21
2 3 3
2 3 4 1 0 0
6 3 1 5 7 6 23 11 7
6 7 6 1 23 11 7
6 1 0 1 7 6 2 3 7
6 7 6 2 7
6 0 2 4 7 7 6 4 7
6 6 0 2 7
6 1 0 0 7 6 1 3
2 7
6 7 6 2 2 7
4 0 1 0 5 4 0 1 0 5
0 0 1 0 0 1
3 2
C1 - 11 C2 11 C2 C3 -2C2
2 3
1 0 0
6 0 7
6 1 13 0 7
6 11 11 0 7
6 6 4 7
6 11 11 0 7
6 7
6 1 3
1 7
6 11 11 7
4 3 2
2 5
11 11
0 0 1
.
Evaluons :
20
2 3 2 3
2 1 32 3 3 4 2 1 3
3 1 0 0
1 6 3 1
11 11 1 5 7 11 11 6 0 1 0 7
A1 4 3
2 5=6 2
4 1
74 3 2
2 5=6 7
11 11 0 1 5 11 11 4 1
11
3
11
0 5
0 0 1 0 0 1 6 4
0 2 4 0
2 3 11 11
2 1 3
3 1 0 0
1 6 0
11 11 1 0 7
Ainsi : Q1 = 4 113 2
2 5 et C1 = 6
4 1
7.
11
11
3
11
0 5
0 0 1 6 4
11 11
0
On refait la même chose pour A2 ; on aura donc :
-C4 C2 +3C4 C3 +2C4 C1
2 3 2 3
0 3 2 1 1 0 0 0
6 2 5 1 6 7 6 6 23 13 2 7
6 7 6 7
6 1 3 4 2 7 6 2 3 8 1 7
6 7 6 7
6 1 0 0 0 7 7 6 0 0 0 1 7
6 6 7
6 0 1 0 0 7 6 0 1 0 0 7
6 7 6 7
4 0 0 1 0 5 4 0 0 1 0 5
0 0 0 1 1 3 2 0
C1 -3C4 - 21 C4 C3 + 13 C C2 + 23
2 4
C
2 3 2 4
1 0 0 0
6 0 1 0 0 7
6 7
6 5 1 29 29 7
6 2 2 2 7
6 3 1 13 23 7
6 2 2 2 7
6 0 0 0 1 7
6 7
4 0 0 1 0 5
1 0 2 3
10 1 2
C1 + 29 C3 C2 + 29 C3 29 C3 C4 -C3
2 3
1 0 0 0
6 0 1 0 0 7
6 7
6 0 0 1 0 7
6 7
6 - 22 - 8 13 5 7
6 29 29 29 7
6 0 0 0 1 7
6 7
4 10 1 2
1 5
29 29 29
9 2 4
29 29 29
1
Evaluons
2 :22 3 2 3
8 13
5 2 3 22 8 13
5
29 29 29 0 3 2 1 6 29 29 29
6 0 0 0 7
1 7 4 0 0 0 1 7
A2 6 = 2 5 1 6 56 7
4 10 1 2
1 5 4 10 1 2
1 5
29 29 29 1 3 42 29 29 29
9 2 4 9 2 4
29 29 29
1 2 3 29 29 29
1
1 0 0 0
= 0 1 0 0 5
4
0 0 1 0
2 3
22 8 13
5 2 3
29 29 29 1 0 0 0
6 0 0 0 1 77
Ainsi Q2 = 6
4 et C2 = 4 0 1 0 0 5.
10
29
1
29
2
29
1 5
9 2 4 0 0 1 0
29 29 29
1
21
Chapitre 2
CALCUL DE DÉTERMINANTS
Le déterminant est un simple scalaire(nombre) calculé à partir des éléments

d’une matrice carrée. Ce scalaire est nul si la matrice carrée en question est
non inversible.
Objectifs
*Savoir calculer le déterminant d’une matrice en le développant suivant
une ligne ou une colonne tout en usant des propriétés sur les déterminants.
*Trouver la comatrice d’une matrice ainsi que son inverse si nécessaire.
2.1 Déterminant d’une matrice carrée d’ordre 2

a b
Soit A = : On appelle déterminant de A le nombre ad bc.
c d
a b
On note dét A ou .
c d
Exemple
1 3 1 3
A= ; det A = =2 ( 1) 3 4= 14
4 2 4 2
2.2 Déterminant d’une matrice carrée d’ordre 3

2 3
a11 a12 a13
Soit A = 4 a21 a22 a23 5. On appelle déterminant de A le nombre
a31 a32 a33
a11 a22 a33 + a12 a23 a31 + a13 a21 a32 a31 a22 a13 a32 a23 a11 a33 a21 a12 :
a11 a12 a13
On note det A ou a21 a22 a23 .
a31 a32 a33
2.2.1 Calcul d’un déterminant d’ordre 3 par la méthode de Sar-

rus(Pierre Frédéric Sarrus(1798–1861))
On complète par les deux premières colonnes la suite de la troisième colonne
(ou par les deux premières lignes la suite de la troisième ligne) et on fait les
produits 3 à 3 parallèlement à la diagonale principale et les produits 3 à 3
parallèlement à la contre-diagonale principale ensuite, on somme en comptant
22
CHAPITRE 2. CALCUL DE DÉTERMINANTS
les produits parallèles à la diagonale principale positivement et ceux de

la contre-diagonale principale négativement.
a11 a12 a13 a11 a12
a21 a22 a23 a21 a22
a
. 31 a
. 32 a
. 33& a 31& a 32&
. . . & & &
(a31 a22 a13 + a32 a23 a11 + a33 a21 a12 ) + (a11 a22 a33 + a12 a23 a31 + a13 a21 a32 )
| {z }
=
a11 a12 a13
det A = a21 a22 a23 .
a31 a32 a33
a11 a12 a13
Ou a21 a22 a23
. a31 a32 a33&
. a11 a12 a13&
a
. 21 a 22 a23&
. &
(a31 a22 a13 + a32 a23 a11 + a33 a21 a12 ) + (a11 a22 a33 + a12 a23 a31 + a13 a21 a32 )
a11 a12 a13
= det A = a21 a22 a23 .
a31 a32 a33
Remarque : La méthode de Sarrus ne s’applique qu’au déterminant d’ordre 3.
2.2.2 Calcul du déterminant par le développement suivant une

ligne ou une colonne.
Dé…nition
Soit A = (aij )1 i; j n pour l’élément aij , Xij le déterminant obtenu en
éliminant la ligne et la colonne de aij est son mineur ; le nombre
Cij = ( 1)i+j Xij est son cofacteur.
Remarque
Pour tout aij élément de A matrice carrée,
Si(i + j) est paire Xij et Cij sont égaux sinon ils sont opposés l’un à l’autre.
Exemple2 3
a11 a12 a13
Soit A = 4 a21 a22 a23 5
a31 a32 a33
Quand on élimine la ligne et la colonne de a11 , on obtient X11 son mineur
a22 a23
qui est : et son cofacteur est :
a32 a33
a22 a23 a22 a23
C11 = ( 1)1+1 = = X11 .
a32 a33 a32 a33
quand on élimine la ligne et la colonne de a12 , on obtient X12 son mineur
a21 a23
a31 a33
a21 a23 a21 a23
C12 = ( 1)1+2 = = X12
a31 a33 a31 a33
quand on élimine la ligne et la colonne de a13 , on obtient X13 son mineur
23
a21 a22
a31 a32
a21 a22 a21 a22
C13 = ( 1)1+3 = = X13 .
a31 a32 a31 a32
Methode
Developpement suivant la 1ere ligne pour calculer det A ;
on a : det A = a11 C11 + a12 C12 + a13 C13 .
Ainsi :
a22 a23 a21 a23
det A = a11 ( 1)1+1 + a12 ( 1)1+2
a32 a33 a31 a33
a21 a22
+a13 ( 1)1+3
a31 a32
= a11 (a22 a33 a32 a23 ) a12 (a21 a33 a31 a23 )
+a13 (a21 a32 a31 a22 )
= (a11 a22 a33 + a12 a23 a31 + a13 a21 a32 )
(a31 a22 a13 + a32 a23 a11 + a33 a21 a12 ) :
det A s’obtient aussi par le développement suivant une colonne, 0 1
a12
développons det A suivant la 2ieme colonne de A qui est : @ a22 A , on a :
a32
a21 a23 a11 a13
det A = a12 ( 1)1+2 + a22 ( 1)2+2
a31 a33 a31 a33
a11 a13
+a32 ( 1)3+2
a21 a23
= (a11 a22 a33 + a12 a23 a31 + a13 a21 a32 )
(a31 a22 a13 + a32 a23 a11 + a33 a21 a12 )
det A = a12 C12 + a22 C22 + a32 C32 .
Exemples pratiques
2 3 2 3
1 2 3 0 0 5
A=4 3 0 1 5, B = 4 4 1 2 5.
1 4 5 2 2 0
1 2 3
det A = 3 0 1 développons suivant la 2eme ligne.
1 4 5
2 3 1 2
det A = 3 ( 1)1+2 + 1 ( 1)2+3
4 5 1 4
= 3 ( 2 5 4 3) 1 ( 1 4 ( 1) ( 2))
= 3 ( 22) ( 6) = 72.
En développant det A suivant la 1ere ligne on a :
0 1 3 1
det A = ( 1) ( 1)1+1 + ( 2) ( 1)1+2
4 5 1 5
3 0
+3 ( 1)1+3 = 72.
1 4
C’est plus long à calculer.
Développons det B suivant la 1ere ligne :
24
0 0 5
4 1
det B = 4 1 2 = ( 5) ( 1)1+3
2 2
2 2 0
= 5 ( 4 ( 2) ( 1) 2) = 50:
Développons det B suivant la 1ere colonne
0 0 5
det B = 4 1 2
2 2 0
0 5 0 5
= ( 4) ( 1)1+2 + 2 ( 1)1+3
2 0 1 2
= ( 4) (0 0 ( 2) ( 5)) + 2 (0 2 ( 1) ( 5))
= 40 10 = 50.
Le calcul de det B avec le développement suivant la 2ieme ligne
0 0 5
det B = 4 1 2
2 2 0
0 5 0 5
= ( 4) ( 1)1+2 + ( 1) ( 1)2+2
2 0 2 0
0 0
+2 ( 1)2+3 = ( 4) (10) (10) + 0 = 50.
2 2
C’est plus long à e¤ectuer que les précédents.
Remarques
(i) Quand l’on a choisi une ligne ou une colonne suivant laquelle le calcul du
déterminant d’une matrice sera développé, le déterminant est égal à la somme
des produits de chaque élément de ladite ligne ou colonne par son cofacteur.
(ii) En choisissant une colonne ou une ligne où il y a plus de zéros, on a moins de
termes dans le développé.
(iii) Par cette méthode du développement suivant une ligne ou une colonne, on constate
que dans le développé l’ordre de la matrice dont on calcule le déterminant
s’abaisse.
2.3 Calcul du déterminant d’une matrice carrée d’ordre

n supérieur ou égal à 3
On se ramène à des calculs de déterminants d’ordre inférieur à n en développons
suivant une ligne ou une colonne. Dès lors l’on s’apercevra que pour calculer
un déterminant d’ordre n, il faut savoir calculer celui d’une matrice d’ordre n 1,
en suite celui d’ordre n 2, jusqu’à celui d’ordre 2. On peut ainsi souligner que
la méthode du développement suivant une colonne ou une ligne pour le calcul
du déterminant d’une matrice est une méthode récursive(ce qui signi…e ici que
le calcul du déterminant d’ordre n a besoin du savoir du calcul d’un déterminant
d’ordre n 1, ainsi jusqu’à l’ordre 2).
25
Exemple
2 3
1 0 2 0
6 2 3 1 4 7
A=6 4 3 2
7,
1 0 5
4 5 1 0
développons suivant la 4eme colonne ; det A :
1 0 2 0
1 0 2
2 3 1 4 2+4
det A = = 4 ( 1) 3 2 1
3 2 1 0
4 5 1
4 5 1 0
1 2 1 2
=4 2 5
4 1 3 1
= 4 [2 (1 8) 5 (1 + 6)] = 4 ( 14 35)
= 4 ( 49) = 196.
Aussi det A avec le développement suivant la deuxième ligne de A sera
bien long à écrire en e¤et :
1 0 2 0
2 3 1 4
det A =
3 2 1 0
4 5 1 0
0 2 0 1 2 0
2+1 2+2
det A = 2 ( 1) 2 1 0 + 3 ( 1) 3 1 0
5 1 0 4 1 0
1 0 0 1 0 2
2+3 2+4
+ ( 1) ( 1) 3 2 0 + 4 ( 1) 3 2 1 .
4 5 0 4 5 1
Théorème
Soit A = (aij )1 i; j n .
Déterminant de A développé par rapport à la i-ième ligne :
X n
det (A) = ai1 Ci1 + ai2 Ci2 + ::: + ain Cin = aik Cik .
k=1
Déterminant de A développé par rapport à la j-ième colonne :
X
n
det (A) = a1j C1j + a2j C2j + ::: + anj Cnj = akj Ckj .
k=1
Remarque
Pour développer suivant les lignes ou les colonnes, il vaut mieux choisir celles
qui renferment le plus de zéros pour réduire le nombre de calculs.
2.4 Propriétés des déterminants

1) (i) Soient A et B deux matrices carrées d’ordre n sur un corps K(commutatif).
Alors on a : det (AB) = det A det B
(det (AB) = det A det B = det B det A = det (BA)).
Exemple2 3 2 3
1 2 3 0 0 5
Soit A = 4 3 0 1 5, B = 4 4 1 2 5
1 4 5 2 2 0
26
2 32 3 2 3
1 2 3 0 0 5 14 4 1
on a : AB = 4 3 0 1 54 4 1 2 5=4 2 2 15 5
1 4 5 2 2 0 6 14 13
14 4 1
det (AB) = 2 2 15 = 3600
6 14 13
on sait ausi que det A = 72 et det B = 50 et det A det B = 72 ( 50) = 3600
on a bien det (AB) = det A det B.
(ii) 8 2 K; 8A 2 Mn (K), alors det ( A) = ordre(A) det A = n det A.
Exemple0 0 11 0 1
1 2 3 1 2 3
det @2 @ 0 3 1 AA = 23 det @ 0 3 1 A.
0 0 2 0 0 2
(iii) Soit A 2 Mn (K), det (A) = det (t A).
2) Le déterminant d’une matrice triangulaire, en particulier celui d’une matrice
diagonale, est égal au produit des éléments diagonaux
(c’est-à-dire des éléments de la diagonale principale).
Par conséquent le déterminant d’une matrice unité est égale à 1.
Exemples
0 1
1 2 3
A=@ 0 3 1 A;
0 0 2
1 2 3
det A = 0 3 1 = 1 3 ( 2) = 6.
0 0 2
2 3
2 0 0 0
6 0 3 0 0 7
B=6 4 0 0
7;
1 0 5
0 0 0 5
2 0 0 0
0 3 0 0
det B = = 2 3 ( 1) ( 5) = 30.
0 0 1 0
0 0 0 5
2 3
1 0 0 0
6 0 1 0 0 7
I4 = 64 0 0 1 0 5
7
0 0 0 1
1 0 0 0
0 1 0 0
det I4 = =1 1 1 1=1
0 0 1 0
0 0 0 1
3) Le déterminant ne change pas quand on ajoute à une ligne une combinaison
des autres lignes ; en particulier, on peut remplacer une ligne par la somme de
toutes les lignes ou encore ajouter à une ligne multiplié par une autre ligne où
est un scalaire non nul.
(Dans la propriété 3) en remplacant ligne(s) par colonne(s), on a le même résultat).
27
Exemple
1 2 3
det A = 3 0 1 ; en ajoutant à la 3eme ligne, deux fois la 1ere ligne, on a :
1 4 5
1 2 3
det A = 3 0 1 , je développe par rapport à la 2eme colonne,
3 0 11
3 1
det A = ( 2) = 2 (33 + 3) = 72.
3 11
Remarque
Il est plus intéressant de faire des manipulations (légitimes) qui font
apparaître des zéros dans le déterminant a…n d’en faciliter le
calcul(voir supra).
4) Le déterminant d’une matrice dont une ligne ou une colonne est formée de zéros
est un déterminant nul. Le déterminant d’une matrice dont une ligne(resp. une colonne)
est une combinaison des autres lignes (resp. des autres colonnes) est
un déterminant nul.Aussi si deux lignes(resp.deux colonnes) sont proportionnelles
dans un déterminant, le déterminant est nul.
Exemple
1 2 3
det A = 3 6 1 = 0, car la 2eme colonne est égale à deux fois la
1 2 5
ere
1 colonne.
5) Le déterminant est linéaire en ses lignes et colonnes respectivement.
(pour ne pas dire multilinéaire suivant les lignes ou les colonnes)
Cela signi…e : étant donnée A une matrice carrée 2 d’ordre
3 n ; on a :
L1
6 L2 7
6 7
6 L3 7
6 . 7
6 7
A = C1 C2 C3 Ci Cn = 6 .. 7 ; 1 i n.
6 7
6 Li 7
6 . 7
4 .. 5
Ln
0
(i) det C1 C2 C3 Ci + Ci Cn =
det C1 C2 C3 Ci Cn + det C1 C2 C3 Ci0 Cn
2 3 2 3 2 3
L1 L1 L1
6 L2 7 6 L2 7 6 L2 7
6 7 6 7 6 7
6 L3 7 6 L3 7 6 L3 7
6 .. 7 6 . 7 6 . 7
6 7 6 . 7 6 . 7
ou (i0 ) det 6 . 7 = det 6 . 7 + det 6 . 7.
6 0 7 6 7 6 0 7
6 Li + Li 7 6 Li 7 6 Li 7
6 . 7 6 . 7 6 . 7
4 .. 5 4 .. 5 4 .. 5
Ln Ln Ln
Exemples
28
2 a + b b2 2 a b2 2 b b2
(i) a a b2 b = a a b + a b2 b
a2 a3 + b ab a2 a3 ab a2 b ab
2 b b2 2 a b2
= a a b + a b2 b
a2 b ab a2 a3 ab
avec a; b 2 K un corps.
2 b2 a + b b 2 + b 2 a b2 b2 b b
0
(i ) a a b = a a b + a a b
2 3
a a ab a2 a3 ab a 2
a3 ab
b2 a b 2 b b2
= a a b + a a b
2 3
a a ab a2 a3 ab
avec a; b 2 K un corps.
(ii)
det C1 C2 C3 Ci Cn = det C1 C2 C3 Ci Cn ;
2 3 2 K un corps.
2 3
L1 L1
6 L2 7 6 L2 7
6 7 6 7
6 L3 7 6 L3 7
6 . 7 6 . 7
6 7 6 7
ou (ii)0 det 6 .. 7 = det 6 .. 7 ;
6 7 6 7
6 Li 7 6 Li 7
6 . 7 6 . 7
4 .. 5 4 .. 5
Ln Ln
2 K un corps.
Exemple
1 2 17 3 1 2 3
(ii) det A = 3 0 17 1 = det A = 17 3 0 1
3 0 17 11 3 0 11
23 ( 1) 23 ( 2) 23 3 1 2 3
0
(ii) 3 0 1 = ( 23) 3 0 1
3 0 11 3 0 11
6) Le déterminant une forme alternée : cela signi…e étant donnée A une matrice
carrée2 d’oredre
3 n à coe¢ ents dans K, det A 2 K, et avec
L1
6 L2 7
6 7
6 L3 7
6 7
6 .. 7
6 . 7
6 7
A=6 L 7
6 . i 7 = C1 C2 C3 Ci Cj Cn ; 1 i; j n.
6 .. 7
6 7
6 L 7
6 j 7
6 . 7
4 .. 5
Ln
29
2 3 2 3
L1 L1
6 L2 7 6 L2 7
6 7 6 7
6 L3 7 6 L3 7
6 7 6 7
6 .. 7 6 .. 7
6 . 7 6 . 7
6 7 6 7
det A = det C1 C2 C3 Ci Cj Cn = det 6
6
Li 7=
7 det 6
6
Lj 7
7
6 .. 7 6 .. 7
6 . 7 6 . 7
6 Lj 7 6 Li 7
6 7 6 7
6 .. 7 6 .. 7
4 . 5 4 . 5
Ln Ln
2 3 2 3
L1 L1
6 L2 7 6 L2 7
6 7 6 7
6 L3 7 6 L3 7
6 7 6 7
6 .. 7 6 .. 7
6 . 7 6 . 7
6 7 6 7
, det 6
6
Lj 7=
7 det 6
6
Li 7=
7 det A
6 .. 7 6 .. 7
6 . 7 6 . 7
6 Li 7 6 Lj 7
6 7 6 7
6 .. 7 6 .. 7
4 . 5 4 . 5
Ln Ln
det A = det C1 C2 C3 Ci Cj Cn
det A = det C1 C2 C3 Cj Ci Cn ,
det C1 C2 C3 Cj Ci Cn = det A ; 1 i; j n.
Tout ceci signi…e que lorsqu’on permute deux lignes (ou deux colonnes) dans
un déterminant le déterminant est changé en son opposé.
Exemple
1 2 3 1 2 3
det A = 3 0 1 = 72, mais 3 0 11 = 72 = det A
3 0 11 3 0 1
car j’ai permuté la 2ieme et la 3ieme lignes.
M N
7) Soient M 2 Mr (K), N 2 Mrs (K) et P 2 Ms (K) alors = jM j jP j.
0 P
A1
0 A2 Y
n
8) Soient Ai 2 Mri (K) où 1 i n, alors ... = jAi j.
0 0 i=1
0 0 0 An
9) Si deux matrices A; B 2 Mn (K) sont semblables, i.e. A = P 1 BP .
8m 2 K, 8k 2 N , comme (A + mIn )k = P 1 (B + mIn )k P , alors
rang (A + mIn )k = rang (B + mIn )k ,
det (A + mIn )k = det (B + mIn )k et
trace (A + mIn )k = trace (B + mIn )k .
Remarques
1)Lorsque deux matrices carrées sont semblables, elles ont nécessairement
les mêmes trace, rang et déterminant. Mais cela ne su¢ t pas pour être semblables.
2)Ausi est-il clair que deux matrices qui n’ont pas la même trace ou pas le même
rang ou pas le même déterminant, ne peuvent être semblables.
30
Remarque
1 2 0 1
Voici deux matrices carrées A = 1 ,B= ,
2
1 0 0
On a le rang de A = au rang de B = 1, det (A) = det (B) = 0,
tr (A) = tr (B) = 0, mais A et B ne sont pas semblables car
1 0 1 2 2 1
1 1 =
2
1 2
1 1 0
1 2 2 1 0 1
= .
0 0 1 0 0 0
1 0 2 1
Soit P = 1 ,Q= , ce sont deux matrices
2
1 1 0
inversibles et on a : P AQ = B, donc A et B sont équivalentes,
mais seraient semblables si P 1 = Q, alors qu’avec
1 0 1 0
P 1 = 1 P = I2 , on a
2
1 2
1
1 0 2 1
P 1= 1 6= Q = , donc on peut conclure
2
1 1 0
que A et B ne sont pas semblables, alors qu’elles ont le même rang,
le même déterminant, et la même trace.
En résumé : Avoir le même rang , le même déterminant, et la même trace,
pour des matrices carrés de même ordre, sont des conditions nécessaires
pour qu’elles soient semblables, mais pas su¢ santes.
2.5 Inverse d’une matrice carrée

Dé…nition
Une matrice carrée A d’ordre n est inversible s’il existe une matrice
(carrée d’ordre n)
B telle que A B = B A = In .
B est alors appelée inverse de la matrice A.
Exemple
1 3
2 3
A= . On véri…e que pour B = 51 52 ,
1 1 5 5
on a : AB = BA = I2 .
Donc A est inversible et B est inverse de la matrice A.
Dé…nition
Etant données deux matrices A et B tel que AB = BA, on dit que A et B commutent.
Proposition
Deux matrices qui commutent sont carrées de même ordre.
Théorème
Une matrice carrée A est inversible si et seulement si son déterminant est non nul.
Si A est inversible, son inverse est unique et inversible.
1
On la note A 1 et on a : det (A 1 ) = = (det A) 1 .
det A
Exemple
2 3 1 32
A= , det A = 2 6= 0 donc A est inversible, avec B = ,
2 2 1 1
31
3
2 3 1 2
1 0
on constate que : AB = =
2 2 1 1 0 1
1 1 1 1 1
donc A = B et det B = det A = = = .
2 ( 2) det A
Proposition
Deux matrices A et B carrées de même ordre n tel que AB = In (ou BA = In ) sont
inversibles et d’inverse l’une de l’autre.
2.5.1 Propriétés de la matrice inverse

Si A et B sont inversibles de même ordre, on a :
1
1. (A 1 ) = A
2. ( A) 1 = 1 :A 1 , où 2 K .
1
3. (t (A 1 )) = (t (A))
4. (AB) 1 = B 1 A 1 .
2.5.2 Inversion d’une matrice par sa comatrice

Dé…nition
Soit A = (aij )1 i; j n . On appelle cofacteur de l’élément aij
le nombre Cij = ( 1)i+j Xij
où Xij est le déterminant obtenu en éliminant la ieme ligne et la j eme colonne de A:
La matrice des cofacteurs de A est la matrice notée
com (A) = ( 1)i+j Xij = (Cij )1 i; j n .
1 i; j n
appelée la comatrice de A. le determinant extrait Xij est appelé le mineur de aij .
Exemple
2 pratique 3
1 3 2
A= 4 0 1 3 5. Notons A = (aij )1 i; j 3 .
1 5 6
1 3 1 3
Le cofacteur de a11 = 1 est C11 = ( 1)1+1 = 9, on a X11 =
5 6 5 6
1 2 1 2
Le cofacteur de a32 = 5 est C32 = ( 1)3+2 = 3, on a X32 = .
0 3 0 3
Ainsi de suite. 2 3
9 3 1
La comatrice de A est donc comA = 4 8 4 2 5.
7 3 1
Théorème
Pour tout A 2 Mn (K), on a :
(det A) :In = A:com (t A) = com (t A) :A = A (t comA) = (t comA) :A
car (t comA) = com (t A).
Corollaire
1 1
Si A est une matrice inversible alors A 1 = com (t A) = (t com (A))
det A det A
où (t A) désigne la transposée de A, com (t A) désigne la comatrice de la transposée
de A et (t com (A)) désigne la transposée de la comatrice de A.
Remarque
det (Aij )
En somme, si A est inversible d’ordre n, (A 1 )ji = , où 1 i; j n et
det A
32
Aij est la matrice obtenue en supprimant la ligne i et la colonne j de A.

det (Aij ) det (Aji )
Aussi (A 1 )ji = , (A 1 )ij = avec 1 i; j n et
det A det A
Aji est la matrice obtenue en supprimant la ligne j et la colonne i de A.
Dé…nition
Pour tout A 2 Mn (K), la matrice (t comA) = com (t A) s’appelle la matrice
adjointe de A.
Remarque
1
Soit une matrice inversible A, son inverse est notée A 1 6= qui n’existe pas.
A
Exemple
2 3
1 0 1
Soit A = 4 3 1 5 5, A est -elle inversible ?
2 3 6
1 0 1 0 0 1
det A = 3 1 5 = 2 1 5 = 2, à la 1ere colonne, j’ai fait la
2 3 6 4 3 6
ere eme
1 colonne plus la 3 colonne a…n d’avoir plus de zéro dans mon déterminant
pour ne pas avoir beaucoup de termes à développer. Comme det A = 2 6= 0,
alors A est inversible.
1 1 1
A = com (t A) = (t com (A)).
det
2 A 3 det A
1 3 2
(t A) = 4 0 1 3 5,
12 5 6 3
9 3 1
com (t A) = 4 8 4 2 5 = (t com (A)).
2 7 3 31 2 3
9 3 1
9 3 1
1 2 2 2
A 1= 4 8 4 2 5 = 4 4 2 1 5.
2 7 3 1
7 3 1 2 2 2
2.6 Rang d’une matrice

Proposition
1. Soit A = (aij ) 1 i n, alors rgA min (n; m).
1 j m
2. 8A 2 Mn (K), on a rgA = n () det A 6= 0.
Exemples 2 3
1 2 3 4 5 6
1)Soit A = 4 4 9 15 1 8 7 5;
1
2
71 45 0 17
alors
0 rg (A) 3 = min 1 (3; 6).
1 2 3 4
B 1 5 7 C
2) Soit A = B C
@ 17 1 3 11 A ) det (A) = 36 99 6= 0
1
2
8 9 10
) rg (A) = 4.
33
Proposition
Soit A = (aij ) 1 i n alors rgA est le plus grand entier naturel s
1 j m
qui est tel qu’on puisse extraire de A une matrice d’ordre s de déterminant 6= 0
(avec permutation des colonnes(resp. lignes) de A si necessaire).
Exemple
2 0 5 1 2 0
A= , on a = 4 6= 0, alors rgA 2
1 2 3 1 1 2
comme 2 = min (2; 4) rgA, donc rgA = 2.
Remarque
rg (A) = 0 , toutes les composantes de la matrice A sont nulles.
34
Chapitre 3
RÉSOLUTION D’UN SYSTEME

D’EQUATIONS LINÉAIRES
Objectifs
* Résolution avec la matrice augmentée associée au système.
* Comprendre le fonctionnement de l’algorithme du pivot de Gauss
pour la résolution de systèmes et l’inversion de matrices.
Dé…nitions
(i) De maniére générale, on appelle équation linéaire d’inconnues x1 ; ... ; xn
(une combinaison linéaire des x1 ; ... ; xn égaliant b)
toute égalité de la forme : a1 x1 + ::: + an xn = b , (E)
où a1 ; ::: ; an et b sont des nombres(réels ou complexes)
Il importe d’insister ici que ces équations linéaires sont implicites,
c’est-à-dire qu’elles décrivent des relations entre les inconnues, mais ne
donnent pas directement les valeurs que peuvent prendre ces inconnues.
(ii) Résoudre une équation signi…e donc la rendre explicite, c’est-à-dire
rendre plus apparentes les valeurs que les inconnues peuvent prendre.
(iii) Une solution de l’équation linéaire (E) est un n-uple (s1 ; ::::; sn ) de
valeurs respectives des inconnues x1 ; ... ; xn qui satisfont l’équation (E).
Autrement dit : a1 s1 + ::: + an sn = b.
Exemple
2x1 + 4x2 3x3 = 9 est une équation linéaire d’inconnues x1 , x2 , x3 .
Dé…nition
Un ensemble …ni d’équations linéaires d’inconnues x1 ; ... ; xn s’appelle
un système d’équations linéaires d’inconnues x1 ; ... ; xn .
Exemples
x1 3x2 + x3 = 1
(i) (S1 ) , (S1 ) est un système de deux équations
2x1 + 4x2 3x3 = 9
à trois inconnues
8 : x1 , x2 , x3 .
< x1 3x2 = 1
(ii) (S2 ) , x2 3x3 = 9 (S2 ) est un système de trois équations
:
x4 3x5 = 8
à cinq inconnues : x1 , x2 , x3 , x4 , x5 .
(iii) Le système
x1 3x2 + x3 = 1
2x1 + 4x2 3x3 = 9
admet comme solution
35
CHAPITRE 3. RÉSOLUTION D’UN SYSTEME D’EQUATIONS LINÉAIRES
x1 = 18; x2 = 6; x3 = 1.
Par contre
x1 = 7 ; x2 = 2 ; x3 = 0
ne satisfait que la première équation. Ce n’est donc pas une solution
du système.
Dé…nition
Un système d’équations est dit incompatible ou inconsistant s’il n’admet
pas de solutions, c’est-à-dire que l’ensemble solution c’est l’ensemble vide.
Exemple
Le système linéaire
x1 + x2 = 1
2x1 + 2x2 = 1
est clairement incompatible donc SR2 = fg = ?.
Dé…nitions
Soient n; m 1.
On appelle système de m équations à n inconnues tout système (S) de la
forme :8
>
> a11 x1 + a12 x2 + ::: + a1n xn = b1 (E1 )
>
< a21 x1 + a22 x2 + ::: + a2n xn = b2 (E2 )
(S) , .. .. .. ,
>
> . . .
>
: a x + a x + ::: + a x
m1 1 m2 2 mn n = b (E )
m m
où aij ; bi sont des scalaires donnés ; x1 ; x2 ; :::; xn sont des inconnues et
(Ei ) la i-ième équation de (S) ; 81 i m.
(i) La matrice A = (aij )1 i m est la matrice associée à (S)(dite aussi la matrice de
1 j n
(S)).
Il est à noter que la j-ième colonne de A est composée des coé¢ cients de
l’inconnue xj dans les di¤érentes équations du système de la première équation(E1 )
à la dernière équation(Em ) ; 81 j n.
(ii) Les (bi )1 i m sont les seconds membres de (S) , et (S) est dit homogène si bi = 0
81 i m.
Ecriture 2matricielle
3 2 (S). 3
de
x1 b1
6 .. 7 6 .. 7
Soit X = 4 . 5 ; B = 4 . 5. Alors (S) () AX = B.
xn bm
Exemples
1)Considérons
8 le système linéaire
< x1 + 7x3 = 1
(S) , 2x1 x2 + 5x3 = 5
:
x1 3x2 9x3 = 7
Sa matrice2 associée est 3
1 0 7
A=4 2 1 5 5;
2 31 32 9 3
x1 1
X = 4 x2 5 ; B = 4 5 5. Alors (S) () AX = B
x3 7
2)Considérons le système linéaire homogène
36
8
< x1 + 7x3 = 0
(S) , 2x1 x2 + 5x3 = 0
:
x1 3x2 9x3 = 0
Sa matrice
2 associée est 3
1 0 7
A= 4 2 1 5 5;
2 31 32 93
x1 0
4 5 4
X = x2 ; B = 0 5. Alors (S) , AX = B = 0M31 (R) .
x3 0
3.1 Résolution du système (S) avec la matrice aug-

mentée
Je rappelle
8 le système
>
> a11 x1 + a12 x2 + ::: + a1n xn = b1
>
< a21 x1 + a22 x2 + ::: + a2n xn = b2
(S) , .. .. .. .
>
> . . .
>
: a x + a x + ::: + a x
m1 1 m2 2 mn n = bm
Dé…nition
Nous obtenons la matrice augmentée associée au système (S) en
adjoingnant à la dernière colonne de la matrice du système A
une colonne constituée des bi , les seconds membres des équations de (S).
De là :
La
2 matrice augmentée associée3 au système (S) est alors :
a11 a12 a1n b1
6 a21 a22 a2n b2 7
6 7
6 .. .. .. .. .. 7 = A B ;
4 . . . . . 5
am1 am2 amn bm
2 3
a11 a12 a1n
6 a21 a22 a2n 7
6 7
où A = 6 .. .. .. .. 7 la matrice associée à (S)
4 . . . . 5
a a amn
2 m13 m2
b1
6 b2 7
6 7
et B = 6 .. 7 la matrice colonne des seconds membres de (S).
4 . 5
bm
Exemple
Considérons
8 le système linéaire
< x1 + 7x3 = 1
(S) , 2x1 x2 + 5x3 = 5
:
x1 3x2 9x3 = 5
Sa
2 matrice augmentée 3 de (S)est
1 0 7 1
4 2 1 5 5 5= A B ;
1 3 9 5
37
2 3
1 0 7
où A = 4 2 1 5 5 la matrice associée à (S)
2 13 3 9
1
et B = 4 5 5 la matrice colonne des seconds membres de (S).
5
La méthode de base pour résoudre un système d’équations linéaires est
de remplacer le système par un autre, plus simple, ayant le même
ensemble de solutions.
Ceci se fait par une succession d’opérations, appelées opérations
élémentaires : qui consiste à : au choix
(1) multiplier une équation par une constante non nulle ;
(2) permuter deux équations ;
(3) ajouter un multiple d’une équation à une autre équation.
Les opérations (1), (2) et (3) ne changent pas l’ensemble des solutions.
Elles correspondent à des opérations élémentaires sur les lignes de la
matrice augmentée.
Ces opérations sont les suivantes :
(1) multiplier une ligne par une constante non nulle ;
(2) permuter deux lignes ;
(3) ajouter un multiple d’une ligne à une autre ligne.
Proposition
Soit (S) , AX = B, si A B ' A0 B 0 alors (S) , A0 X = B 0 .
Exemple
Utilisons
8 ces opérations élémentaires pour résoudre le système suivant.
< x1 + x2 + 7x3 = 1
(S) , 2x1 x2 + 5x3 = 5
:
x1 3x2 9x3 = 5
La
2 matrice augmentée 3associée au système est :
1 1 7 1
4 2 1 5 5 5, on va chercher à échelonner réduire à ligne
1 3 9 5
canonique la matrice du système en faisant des opérations élémentaires
sur les lignes(que sur les lignes qui représentent les équations) de la
matrice
2 augmentée ; on3a : 2 3
1 1 7 1 1 1 7 1
4 2 1 5 5 5 4 0 3 9 3 5 L2 2L1
21 3 9 35 0 2 2 2 6 L3 + L1
3
1 1 7 1 1 1 7 1
4 0 1 3 1 5 1 L2 4 0 1 3 1 5
3
1
2 0 1 1 3 3 2 L3 20 0 2 2 3 L3 L2
1 0 4 2 L1 L2 1 0 0 2 L1 4L3
4 0 1 3 1 5 4 0 1 0 4 5 L2 3L3 .
1
0 0 1 1 L
2 3
02 0 1 312 3 2 3
1 0 0 x1 2
ce qui donne matriciellement : (S) , 4 0 1 0 5 4 x2 5 = 4 4 5 ,
0 0 1 x3 1
38
8
< x1 = 2
x2 = 4
:
x3 = 1
D’où SR3 = f(2; 4; 1)g.
Nous remarquons que les opérations élémentaires peuvent être faites
uniquement sur la matrice augmentée pour revenir à la …n au système
d’équations. C’est ce que nous avons fait.
On obtient ainsi l’unique solution du système : x1 = 2, x2 = 4 et x3 = 1.
Donc SR3 = f(2; 4; 1)g.
Remarque très importante
Quand on …nit de résoudre une équation ou un systéme d’équations,
il faut toujours donné l’ensemble solution clairement.
Proposition
Etant donné un sytème (S) de matrice A et de matrice augmentée M ,
le système est compatible
(c’est-à-dire n’admet pas l’ensemble vide comme solution) ssi
le rang de A est égal au rang de M i.e. rg (A) = rg (M ).
3.2 Méthode de résolution d’un système de Cramer(Gabriel

Cramer(1704 -1752))
Dé…nition
Le système (S) est dit de Cramer, si dans le système (S) le nombre
d’équations est égal au nombre d’inconnues et det A 6= 0(, A est inversible).
où A est la matrice associée au système (S).
3.2.1 Résolution d’un système de Cramer par l’inversion de la

matrice associée au système
Théorème
Tout système de Cramer (S) admet une solution unique X = A 1 B.
Exemple 8
< x 2y + z = 3
( ), 2x y + z = 1
:
x y+z = 0 2 3
1 2 1
La matrice associée à ( ) est A = 4 2 1 1 5
1 1 1
et det (A) =23 6= 0 ; c’est donc
3 un système de Cramer.
0 13 31
A 1 = 4 1 23 31 5,
2 31 1 12 3 2 32 3 2 1 3
x 3 0 31 31 3 3
4
on a alors y = A5 14 5
1 = 4 2
1 3 3 1 54
1 5 = 4 37 5.
z 0 1 1 1 0 2
1 7
Donc SR3 = ; ; 2 .
3 3
39
3.2.2 Résolution d’un système de Cramer par des déterminants

8
>
> a11 x1 + a12 x2 + ::: + a1n xn = b1
>
< a21 x1 + a22 x2 + ::: + a2n xn = b2
Soit ( ) , .. .. .. ,
>
> . . .
>
: a x + a x + ::: + a x
n1 1 n2 2 nn n = bn
un système de n équations à n inconnues de Cramer.
On appelle déterminant du système ( ) le nombre = det A, où A est
la matrice associée a ( ).
On appelle déterminant de xi le nombre xi égal au déterminant de
la matrice obtenue en remplaçant dans A la ieme colonne par les éléments
respectifs des seconds membres c’est-à-dire b1 ; b2 ; :::; bn .
Théorème
x1 x2 xn
( ) étant de Cramer, SKn = ; ; ::::; c’est-à-dire
que ( ) admet une solution unique.
Exercice
8
< x 2y + z = 3
( ), 2x y + z = 1 .
:
x y+z = 0
Réponse 2 3
1 2 1
La matrice associée à ( ) est A = 4 2 1 1 5,
1 1 1
1 21
= det A = 2 11
1 11
1 2 1
= 2 1 0 = 3 (je rappelle que j’ai fait col3 + col2 )
1 1 0
3 2 1 1 3 1
x = 1 1 1 = 1 ; y = 2 1 1 = 7;
0 1 1 1 0 1
1 2 3
z = 2 1 1 = 6;
1 1 0
x 1 y 7 z 6
x= = ;y= = ; z= = = 2
3 3 3
1 7
Donc SR3 = ; ; 2 .
3 3
Dé…nition(rappel)
On appelle opérations élémentaires dans un système ;
les opérations de l’une des formes suivantes :
a) Echanger deux lignes du système.
b) Multiplier une ligne par une constante non nulle.
c) Rajouter à une ligne du système un multiple d’une autre ligne du
système. (une ligne ici est une équation du système)
Remarque
Les opérations élémentaires transforment un système en un système
40
équivalent. On peut donc transformer un système linéaire par une

succession d’opérations élémentaires en un système échelonné.
3.3 Systèmes échelonnés ou Méthode du pivot

On dit qu’un système est échelonné si et seulement si tous les coe¢ cients
…gurant en-dessous de la diagonale sont nuls.
Cela revient à dire que 8i > j, aij = 0.
Autant dire qu’un système échelonné se présente sous l’une des trois
formes suivantes :
(a) Si m = n
(un tel système est dit carré et l’on dit d’un système carré échelonné
8 qu’il est trigonal).
>
> a11 x1 + a12 x2 + +a1n xn = b1
>
< a22 x2 + +a2n xn = b2
. .. ..
>
> .
>
: a x =b
nn n n
Dans ce premier cas il est facile de résoudre le système lorsque tous
les termes diagonaux sont non nuls. on utilise
l’algorithme de la remontée :
bn
la dernière équation donne en e¤et la valeur xn = ,
ann
puis l’avant-dernière ligne donne la valeur
1
xn 1 = bn 1 a(n 1)n xn et, plus généralement,
a(n 1)(n 1) !
1 Xn
on obtient : xk = bk akj xj ,
akk j=k+1
ce qui permet de calculer les xk successifs par ordre décroissant de
l’indice k. Le système admet une unique solution, et cela quel que
puisse être le second membre.
Un système ayant cette propriété s’appelle un système de Cramer.
Si, au cours de cet algorithme, on trouve un coe¢ cient diagonal nul
dans une ligne, par exemple la ligne k, alors on ne peut pas trouver
la valeur de xk .
La ligne correspondante introduit une condition de compatibilité.
Si cette condition n’est pas véri…ée, le système n’admet pas de solutions ;
si au contraire cette condition est véri…ée, toute solution de xk convient
et l’on peut poursuivre l’algorithme. Il y a alors une in…nité de solutions,
paramétrées par la valeur de xk .
Cette situation peut d’ailleurs se rencontrer plusieurs fois au cours de
la remontée, induisant une discussion plus approfondie.
On voit par là l’intérêt des systèmes triangulaires dont les coe¢ cients
diagonaux sont non nuls.
41
(b) Si8 m < n : on a :

>
> a11 x1 + a12 x2 + +a1n xn = b1
>
< a22 x2 + +a2n xn = b2
.. .. .. :
>
> . . .
>
: amm xm = bm
Dans ce cas, on …xe arbitrairement les valeurs des variables xm+1 à xn .
On est alors ramené au cas précédent, simple à résoudre lorsque tous
les coe¢ cients diagonaux sont non nuls, nécessitant une discussion sinon.
(c) Si m > n :
8
> a11 x1 + a12 x2 + +a1n xn = b1
>
>
>
> a x
22 2 + +a2n xn = b2
>
> .. ..
>
> . ..
< . .
ann xn = bn :
>
>
>
> 0 = bn+1
>
> . ..
>
> .. .
>
:
0 = bm
Dans ce cas les dernières lignes donnent directement des conditions de
compatibilité.
Lorsqu’elles sont véri…ées, on se ramène au cas ci-dessus. D’où, là encore,
l’intérêt de l’obtention de coe¢ cients diagonaux non nuls.
Exemple 8 8
< 2x y z = 1 (E1 ) < 2x y z = 1 (E1 )
Soit (S) , 3x + 4y 2z = 0 (E2 ) , 6y 6z = 1 (E2 E3 )
: :
8 3x 2y + 4z = 1 (E3 ) y 11z = 5 (3E 1 2E3 )
1
< 2x y z = 1 (E1 ) ) x = 10
, 6y 6z = 1 (E2 ) ) y = 19 60
.
:
60z = 29 (6E3 E2 ) ) z = 29 60
1 19 29
Donc SR3 = ; ; .
10 60 60
3.4 Calcul de l’inverse d’une matrice par la résolution

de systèmes
:
Exercice 2 3
1 1 1
Soit A = 4 1 1 0 5, montrer que A est inversible et calculer A 1 .
1 0 1
Réponse 2 3 2 3
x1 y1
det A = 3 6= 0 ) A est inversible ; soit X = 4 x2 5 ; Y = 4 y2 5,
x3 y3
1
puisque que si A est inversible
2 on a :
32(S) , AX
3 2 = Y ,
3 X = A Y , (S 0 ).
1 1 1 x1 y1
(S) , AX = Y () 4 1 1 0 5 4 x2 5 = 4 y2 5 ()
1 0 1 x3 y3
42
8
< x1 + x2 + x 3 = y 1
(S) , x1 x2 = y2 ()
:
8 x1 x3 1 = y3
< x1 = 3 y1 + 31 y2 + 13 y3
(S 0 ) , x2 = 13 y1 2
y + 13 y3 , X = A 1 Y
3 2
:
x3 = 13 y1 + 31 y2 2
y
3 3
0
La matrice
2 associée à (S
3 ) est l’
inverse de A donc :
1 1 1
3 3 3
A 1
=4 1
3
2
3
1
3
5.
1 1 2
3 3 3
Remarques
Le système (S) a pour matrice associée A la matrice dont
on cherche l’inverse A 1 , et on constitue deux matrices colonnes
d’inconnues X et Y en posant (S) , AX = Y dès lors les composantes de X
sont appelées les anciennes inconnues et celles de Y , les nouvelles. Comme
A est inversible, on a : (S) , AX = Y , X = A 1 Y , (S 0 ). Dans le système
(S 0 ) on a exprimé les anciennes inconnues en fonction des nouvelles et alors
la matrice associée à (S 0 ) est visiblement l’inverse de A c’est-à-dire A 1 .
Exercice 2 3
1 2 0
Montrer que la matrice A = 4 2 1 0 5 est inversible et calculer son inverse par
0 5 1
trois méthodes di¤érentes.
Proposition de correction
Inversion de A si possible à l’aide de trois méthodes :
1ere Méthode d’inversion par la comatrice de A
Calculons le déterminant de A :
1 2 0
det A = 2 1 0 = 5 6= 0 ) A est inversible et
0 5 1
1 1
A 1= com (t A) = (t comA)
2 det A 3 det A
1 2 0
A=4 2 1 0 5)
20 5 1 3 2 3
1 2 0 1 2 0
(t A) = 4 2 1 5 5 ) com (t A) = 4 2 1 0 5
0 0 1 2 10 53 5
1 2 0
1 1
et A 1 = com (t A) = 4 2 1 0 5
det A 5
2 1 2 3 10 5 5
5 5
0
= 4 25 15 0 5 = A 1 .
2 1 1
ieme
2 Méthode par les opérations élémentaires sur A I3 :
J’ai choisi de faire les opérations élémentaires sur les lignes de A I3 .
A
Mais on aurait pu faire les opérations élémentaires sur les colonnes de
I3
je vous y invite.
43
2 3 2 3
1 2 0 1 0 0 1 2 0 1 0 0
4 2 1 0 L1
0 1 0 5'4 0 5 0 2 1 0 5
L2 + 2L1
20 5 1 0 0
1
1
2
3 0 5 1 0 0 1
1 0 0 5 5
0 L1 + 25 L2
'4 0 1 0 2
5
1
5
0 5 1
L
5 2
2 0 0 1
1
2
2
1 31 L3 L2 2 1 2 3
1 0 0 5 5
0 5 5
0
'4 0 1 0 2
5
1
5
0 5 ) A 1 = 4 25 15 0 5.
0 0 1 2 1 1 L3 2 1 1
ieme 1
3 Méthode l’établissement de 2 (S)3, AX 2 0=3Y en (S) , X = A Y :
x x
4
Soit le système : AX = Y , A y = y 0 5 = Y 5 4
8 8 z z0
< x + 2y = x0 < x = 51 x0 + 25 y 0
, 2x + y = y 0 , y = 25 x0 + 15 y 0 , (S 0 )
: 0 :
5y z = z z 2= 2x0 + y 0 z 03
1 2
5 5
0
0
La matrice associé à (S ) est 4 2 1
0 5 c’est l’inverse de A
5 5
2 1 1
c’est-à-dire A 1 . Car avec A inversible ; on a :
AX = Y , X = A 1 Y .
44
Chapitre 4
ESPACES VECTORIELS
Objectifs
* Connaître les dé…nitions d’un K-espace vectoriel , d’un vecteur nul,
d’une combinaison linéaire de vecteurs, de famille de vecteurs libre,
liée, génératrice, d’un sous-espace vectoriel d’un K-espace vectoriel,
d’une base d’un K-espace vectoriel , de la dimension d’un K-espace vectoriel,
des coordonnées d’un vecteur dans une base donnée sur un K-espace vectoriel,
avoir un sous-espace vectoriel d’un K-espace vectoriel E, comme un
sous-ensemble de E engendré par des vecteurs de E.
Aussi bien que savoir les déterminer comme tels.
* Savoir déterminer le rang d’une famille …nie de vecteurs d’un K-espace vectoriel.
* Savoir déterminer une base des solutions d’un système d’équations linéaires
homogénes
4.1 Introduction
!
Dans P l’ensemble des vecteurs du plan, on a :
! !
(i) 8!u ;!
v 2 P;! u +! v 2 P on dit que "+" est une loi de
!
composition interne sur P avec les propriétés suivantes :
!
(1) !u + (!v +! w ) = (!u +! v)+! w ; 8!
u ;!
v ;!
w 2 P.
!
On dit que la loi "+" est associative dans P
! ! ! ! !
(2) Le vecteur 0 2 P véri…e : 8! u 2 P; ! u + 0 = 0 +! u =! u.
!
On dit que la loi "+" admet un élément neutre dans P qui est ici
! ! !
0 2 P dit vecteur nul de P .
! ! !
(3) 8!u 2 P , on a : ( ! u ) 2 P et ! u +( ! u)=( ! u)+! u = 0.
!
On dit que tout élément ! u 2 P admet un symétrique unique qui est
!
( ! u) 2 P.
!
(4) !u +! v =! v +! u ; 8!
u ;!v 2 P.
!
On dit que la loi "+" est commutative dans P
!
Dès lors, on dit que P ; + est un groupe commutatif ou abélien
! !
(ii) 8 2 (R; +; ), 8! u 2 P, ! :u = ! u 2 P on dit que ":" est
!
une loi de composition externe sur P au moyen du corps (R; +; )
avec les propriétés suivantes :
!
(5) 1!u =! u , 8!u 2 P .(1 est l’élément neutre de (R; ))
45
CHAPITRE 4. ESPACES VECTORIELS
!
(6) ( ! u)=( )!
u , 8!u 2 P , 8 ; 2 R.
!
(7) (! u +! v)= ! u + ! v ; 8 2 K; 8! u ;!v 2 P.
!
(8) ( + ) ! u = ! u + ! u , 8 ; 2 R, 8! u 2 P.
!
On a ainsi une structure d’espace vectoriel sur P et
!
on dit que P ; +; : est un R-espace vectoriel.
Dans la suite on va généraliser la situation ci-dessus dans le sens :
!
1. Remplacer P par un ensemble non vide E, qui muni de "+" loi de
composition interne sur E et ":" loi de composition externe sur E au
moyen d’un corps (K; +; (notée aussi ":")) quelconque. Ici K =(R ou C).
Tel que conformément aux éléments de E on a les propriétés (1) à (8).
et ainsi avoir encore une structure d’espace vectoriel sur E et dire
alors (E; +; :) est un K-espace vectoriel.
2. On pourrait aussi changer les symboles des lois qui sont en jeu dans 1.
avec les propriétés (1) à (8) assurées, et ainsi avoir encore une
structure d’espace vectoriel sur E (non présenté dans le cours-ci).
4.2 Dé…nition d’un espace vectoriel

Dé…nition
Un groupe commutatif (E; +) est un ensemble E 6= ? muni d’une loi de
composition interne (x + y) 2 E, dé…nie pour tous éléments x et y de E,
ayant les propriétés suivantes :
(1) Associativité : x + (y + z) = (x + y) + z; 8x; y; z 2 E
(2) Il existe un élément neutre 0 2 E qui véri…e : 8x 2 E; x + 0 = 0 + x = x.
(3) Tout élément x de E possède un symétrique, noté x 2 E tel que
x + ( x) = ( x) + x = 0.
(4) Commutativité : x + y = y + x, 8x; y 2 E.
Dé…nition 1 : Soit (E; +) un groupe commutatif et (K; +; ) un corps commutatif.
Nous dirons que (E; +) est un espace vectoriel sur K
(qu’on pourrait écrire ~0 ou 0E ou simplement 0 s’il n’y pas de confusion possible)
s’il existe une loi de composition externe ":" associant à tout élément
2 K et tout élément x 2 E, un élément de E; noté :x = x;avec les propriétes
suivantes :
(5) 1x = x, tout élément x 2 E.(1 est l’élément neutre (K; ))
(6) ( x) = ( ) x; tout élément x 2 E, 8 ; 2 K.
(7) (x + y) = x + y, 8 2 K, 8x; y 2 E.
(8) ( + ) x = x + x, 8 ; 2 K; tout élément x 2 E.
Aussi on dit que (E; +; :) est un K-espace vectoriel.
Dé…nitions
1.Un élément x de (E; +; :) un K-espace vectoriel(qu’on pourrait écrire ~x ) est dit
vecteur et ceux de K scalaires.
2.Deux vecteurs x et y de E sont dit colinéaires s’il existe 2 K tel que
y = x.
Remarque
Nous laissons au lecteur le soin de distinguer l’élément neutre de (E; +).
(qu’on pourrait écrire ~0 ou 0E ),
qui est un vecteur, appelé vecteur nul de E, de l’élément nul 0 de K
46
(qu’on pourrait écrire 0K ), qui est un scalaire.

Ces éléments véri…ent les règles de calcul suivantes :
Tout élément x 2 E 0K :x = 0E , d’après (8) si = :
Tout élément x 2 E; 8 2 K; :x = 0E () = 0K ou x = 0E :
On a en outre : ( x) = ( ) x = x; tout élément x 2 E; 8 2 K:
Et, en particulier ( 1) x = (1:x) = x:
4.2.1 Exemples
a) Soit K = R ou C et n un entier naturel non nul.
On munit l’ensemble Kn des lois dé…nies par les formules ci-dessous :
8 (u1 ; u2 ; :::::; un ) ; (v1 ; v2 ; :::::; vn ) 2 Kn ;
(u1 ; u2 ; :::::; un ) + (v1 ; v2 ; :::::; vn ) = (u1 + v1 ; u2 + v2 ; :::::; un + vn ) :
8 (u1 ; u2 ; :::::; un ) 2 Kn , 8 2 K;
(u1 ; u2 ; :::::; un ) = ( u1 ; u2 ; :::::; un ) :
Ces lois font de Kn un K-espace vectoriel.
b) L’ensemble C [x] des polynômes à une variable x et à coe¢ cients dans C
est un espace vectoriel sur le corps des nombre complexes, l’addition étant celle
des polynômes et la multiplication par un nombre complexe c le produit
de c par un polynôme .
Ce même ensemble est aussi un espace vectoriel sur le corps R des nombres réels avec
une loi externe de multiplication par un nombre réel.On dit que C [x] est un espace
vectoriel complexe si son corps de base est C Si le corps de base est R,
on dit qu’on a un espace vectoriel réel.
c) L’ensemble Mpq (K) des matrices de type (p; q) muni de l’addition est un groupe
commutatif en association avec la loi de composition externe
(qui est la multiplicationon par un scalaire complexe ou réel, d’une matrice)
fait de Mpq (K) un K-espace vectoriel avec K = C ou R.
Dé…nition
Soit une suite (x1 ; x2 ; :::::; xn ) de n vecteurs d’un (K; +; )-espace vectoriel (E; +; :) ;
une combinaison nlinéaire de cette suite est un élément de E de la forme :
P
y= i xi = 1 x1 + 2 x2 + ::::: + n xn
i=1
où 1 ; 2 ; :::::; n sont des scalaires de K ce sont les coé¢ cients de
la combinaison linéaire ; aussi dit-on que y est combinaison linéaire des
vecteurs x1 ; x2 ; ::::; xn .
Exemple
Dans R2 , x = 2 (1; 4) + 7 ( 4; 5) 3 (6; 9) est une combinaison de la
suite de vecteurs((1; 4) ; ( 4; 5) ; (6; 9)).
4.3 Suite liée de vecteurs. Suite libre de vecteurs

Dé…nition 3. Soit (E; +; :) un K-espace vectoriel,on dit que la suite de vecteurs
(x1 ; x2 ; :::::; xn ) est liée si l’on peut trouver des scalaires
1 ; 2 ; :::::; n 2 K, non tous nuls, tels que :
Pn
(9) : i xi = 1 x1 + 2 x2 + ::::: + n xn = 0E
i=1
47
On dit également, par abus de langague, que les vecteurs de la suite sont liés,
ou encore linéairement dépendants.
Si la suite (x1 ; x2 ; :::::; xn ) n’est pas liée, on dit qu’elle est libre, ou encore
que x1 ; x2 ; :::::; xn sont libres ou linéairement indépendants ;
ceci signi…e que l’égalité (9) entraîne 1 = 2 = ::::: = n = 0.
Si la suite (x1 ; x2 ; :::::; xn ) est libre , il en est de même de toute suite
partielle et, en particulier, tous les éléments xi de la suite sont distincts.
Exemples
x 4y + 6z = 0
1.Soit x (1; 4) + y ( 4; 5) + z (6; 9) = (0; 0) ,
4x + 5y + 9z = 0
22 5
)x= z; y = z
7 7
avec z réel quelconque, ainsi ((1; 4) ; ( 4; 5) ; (6; 9)) est une suite liée.
x 4y = 0
2. Soit x (1; 4) + y ( 4; 5) = (0; 0) , ) x = y = 0.
4x + 5y = 0
Ainsi ((1; 4) ; ( 4; 5)) est une suite libre.
EXERCICE 1
Montrer que les vecteurs suivants de R3 sont linéairement
dépendants et préciser leur relation de dépendance :
1. u = (1; 2; 1); v = (1; 0; 1); w = ( 1; 2; 3)
2. u = ( 1; 2; 5); v = (2; 3; 4); w = (7; 0; 7).
Proposition 2 de correction 3 2 3
1 2 1 u 1 2 1 u
1. Soit A = 4 1 0 1 5 v 4 0 2 2 5 v u
1 2 3 w 0 4 4 w+u
2 3
1 2 1 u
A 4 0 2 2 5 v u
0 0 0 w + u + 2 (v u) ) w + u + 2 (v u) = ~0
w + u + 2 (v u) = ~0 , w + u + 2 (v u) = 2v u + w = ~0 ; donc
la famille fu; v; wg est une famille liée et la relation de dépendance
liant les vecteurs : u; v; w est : 2v u + w = ~0.
2. u = ( 1; 2 2; 5); v = (2;33; 4); w 2= (7; 0; 7). 3
1 2 5 u 1 2 5 u
Soit B = 4 2 3 4 5 v 4 0 7 14 5 v + 2u
7 0 7 w 0 14 28 w + 7u
2 3
1 2 5 u
B 4 0 7 14 5 v + 2u
0 0 0 w + 7u 2 (v + 2u) ) w + 7u 2 (v + 2u) = ~0
w + 7u 2 (v + 2u) = ~0 , w + 7u 2 (v + 2u) = 3u 2v + w = ~0 ; donc
la famille fu; v; wg est une famille liée et la relation de dépendance
liant les vecteurs : u; v; w est :
1 1
3u 2v + w = ~0 , u = (2v w) , v = (3u + w) , w = 2v 3u.
3 2
Propriété 1
Pour qu’une suite de vecteurs x1 ; x2 ; :::::; xn soit liée, il faut et il su¢ t
que l’un d’eux soit une combinaison linéaire des autres.
Théorème 1
Soit (x1 ; x2 ; :::::; xn ) une suite de n vecteurs d’un espace vectoriel E.
Soit (y1 ; y2 ; :::::; yn+1 ) une suite de (n + 1) combinaisons linéaires des
48
vecteurs x1 ; x2 ; :::::; xn . Alors la (y1 ; y2 ; :::::; yn+1 ) est liée.
4.4 Espaces vectoriels de dimension …nie

4.4.1 Espace vectoriel ayant un nombre …ni de générateurs
Dé…nition 4.On dit qu’un K-espace vectoriel E possède n générateurs
x1 ; x2 ; :::::; xn , si x1 ; x2 ; :::::; xn sont des vecteurs de E et si tout vecteur de E
est une combinaison linéaire de (x1 ; x2 ; :::::; xn ). Il en résulte que E coïncide avec
l’ensemble des combinaisons linéaires de (x1 ; x2 ; :::::; xn ) et est donc l’espace
engendré par cette suite.
Exemple
8 (x; y; z) 2 R3 , on a (x; y; z) = x (1; 0; 0) + y (0; 1; 0) + z (0; 0; 1)
donc R3 = fx (1; 0; 0) + y (0; 1; 0) + z (0; 0; 1) ; x; y; z 2 Rg
ainsi la famille f(1; 0; 0) ; (0; 1; 0) ; (0; 0; 1)g est génératrice de R3 .
Le théorème 1 entraîne immédiatement :
Propriété 2
Soit E un K-espace vectoriel ayant n générateurs. Alors toute suite
de (n + 1) vecteurs de E est liée.
4.4.2 Base d’un espace vectoriel

Dé…nition 5. Soit E un K-espace vectoriel. On dit que la suite (x1 ; x2 ; :::::; xn )
est une base de E, si l’on a les deux propriétés suivantes :
1° ) x1 ; x2 ; :::::; xn sont des générateurs de E:
2° ) La suite (x1 ; x2 ; :::::; xn ) est libre.
Propriété 3
Soit x1 ; x2 ; :::::; xn des vecteurs de E un K-espace vectoriel. Pour que la suite
(x1 ; x2 ; :::::; xn ) soit une base de E; il faut et il su¢ t que tout
vecteur y 2 E s’exprime de façon unique sous la forme :
y = 1 x1 + ::::: + n xn i 2 K; i 2 f1; 2; ::::; ng.
eme
i s’appelle la i coordonnée du2 vecteur3 y par rapport à la base (x1 ; x2 ; :::::; xn ).
1
6 2 7
6 7
et alors la matrice colonne Y = 6 .. 7 est la matrice colonne des coordonnées du
4 . 5
n
vecteur y dans la base (x1 ; x2 ; :::::; xn ).
Le théorème suivant exprime l’invariance du nombre d’éléments d’une base.
Théorème 2
Soit E un K-espace vectoriel ayant une base (x1 ; x2 ; :::::; xn ).
Toute autre base de E est formée de n éléments. Toute suite libre (y1 ; y2 ; :::::; yn )
est une base de E. Aussi toute suite génératrice (z1 ; z2 ; :::; zn ) est une base de E.
Dé…nition 6. Soit E un K-espace vectoriel non réduit à f0E g.
On dit que E est de dimension …nie s’il existe un entier naturel n et une base de E
composée de n éléments.Alors, d’après le théorème 2, toute base de E est formée
de n éléments ; cet entier naturel n s’appelle la dimension de E et se note
dimE ou (dimK E).
49
Remarques
a) Si E = f0E g ; il n’y a pas de base ; on dit encore que E est de dimension nulle et
on pose dim E = 0.
b) Un K-espace vectoriel non nul de dimension …nie, admet une in…nité de bases.
Exemple : 8 2 R , (( ; 0) ; (0; )) est une base du R-espace vectoriel R2 .
c) Dans un K-espace vectoriel de dimension …nie n, toute famille de vecteurs
de E, de cardinal strictement inférieur à n, ne peut être génératrice, avec possibilité
d’indépendance linéaire.
d) Dans un K-espace vectoriel de dimension …nie n, toute famille de vecteurs
de E, de cardinal strictement supérieur à n, ne peut être libre, avec possibilité
d’être génératrice.
e) Dans un K-espace vectoriel de dimension …nie n, seule une famille de vecteurs
de E, de cardinal égal à n, peut être une base de E. C’est dire qu’une famille de
vecteurs libres de E a pour cardinal maximal n et une famille de vecteurs générateurs
de E a pour cardinal minimal n.
Exemples
a° ) Soit K = R ou C et n un entier naturel non nul. Le K-espace vectoriel Kn a
une base dite base canonique (e1 ; e2 ; :::::; en ) où le vecteur ek est le vecteur
(0; 0; ::; 0; 1; 0; :::; 0) ; le 1 étant la k ieme coordonnée, toutes les autres
coordonnées sont nulles.
b° ) Soit Cn [X] le C-espace vectoriel des polynômes à une variable complexes de
degré inférieur ou égal à n; avec le polynôme nul. La suite de polynômes
(1; x; x2 ; :::::; xn ) forme une base de E.
Donc dim E = n + 1.
Plus généralement 8a 2 C, on véri…e que
1; x a; (x a)2 ; :::::; (x a)n est aussi une base de E.
Ainsi il y a bien une in…nité de bases de Cn [X].
c° ) Il ne faut pas croire que tout espace vectoriel soit de dimension …nie.
Le C-espace vectoriel C [x] de tous les polynômes complexes n’est pas de
dimension …nie ; s’il était de dimension n, n + 1 polynômes quelconques seraient liés ;
or la suite (1; x; x2 ; :::::; xn ) est une suite libre de n + 1 vecteurs.
Un espace vectoriel qui n’est pas de dimension …nie est dit de dimension in…nie.
Proposition
L’ensemble (Mpq (K) ; +; :) des matrices p q est un espace vectoriel sur K,
une de ses bases est constituée par les matrices Eij tels que aij = 1 et ars = 0,
si r 6= i ou s 6= j. Ceux sontX les matrices élémentaires de Mpq (K).
Soit A = (aij ) 2 Mpq (K), alors A = aij Eij ce qui entrainera que
1 i p
1 j q 1 i p
1 j q
la dimension de Mpq (K) sur K est pq.
Exemples
a° ) Une base de l’espace vectoriel M23 (R) est constitué par les matrices :
1 0 0 0 1 0 0 0 1
E11 = ; E12 = ; E13 = ,
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
E21 = ; E22 = ; E23 = .
1 0 0 0 1 0 0 0 1
Donc la dimension de M23 (R) est 6.
50
2 5 7
Ainsi la matrice A = appartenant à M23 (R) s’écrit :
9 8 4
A = 2E11 + 5E12 7E13 + 9E21 + 8E22 + 4E23 .
b° ) Une matrice 1 q a la forme A = a11 a12 a1q .
on l’appelle matrice ligne ou uniligne appartenant à l’espace M1q (K)
qui est isomorphe à Kq , donc de dimension
0 q. 1
a11
B a21 C
B C
c° ) Une matrice p 1 a la forme B = B .. C.
@ . A
ap1
On l’appelle matrice colonne ou unicolonne appartenant à l’espace Mp1 (K)
qui est isomorphe à Kp , donc de dimension p.
d° ) Une matrice n n est dite matrice carrée d’ordre n appartenant à l’espace
vectoriel des matrices notée Mn (K).Il est de dimension n2 sur K.
Remarques(sous forme d’un petit résumé) 8
< f amille liee
1. La combinaison linéaire permet de montrer une : f amille libre ;
:
f amille generatrice
2. Famille libre et génératrice donne base ;
3. Base qui produit les coordonnées de vecteur ;
4. Et les coordonnées de vecteurs qui rend possible le calcul matriciel
dans les K-espace vectoriels
4.4.3 Déterminant d’une suite de vecteurs d’un K-espace vecto-

riel E de dimension …nie
Dé…nition
Soit S = (V1 ; V2 ; ::::; Vn ) une suite de n vecteurs d’un K-espace vectoriel
E de dimension n. Soit une base , de E, le déterminant de la suite S dans
la base , est noté
det (S) = V1 V2 Vn , où Vj constituent la j ieme colonne avec
les coordonnées de Vj dans la base . 81 j n.
Exemple
Soient V1 = (1; 6; 8), V2 = (0; 3; 11), V3 = (0; 0; 5) trois vecteurs du R-espace
vectoriel R3 , et S = (V1 ; V2 ; V3 ).
Comme cardinal de (S) noté Card (S) = 3 = dim R3 alors on peut évaluer le
déterminant de S : 2 3
1 0 0 1 0 0
det (S) = 6 3 0 = 15. Soit A = 4 6 3 0 5,
8 11 5 8 11 5
on a det (S) = det A = det (t A).
On peut donc saisir les coordonnées des Vj en colonne ou en ligne.
Proposition
Soit S = (V1 ; V2 ; ::::; Vn ) une suite de n vecteurs d’un K-espace vectoriel E de
dimension n. Soit une base , de E,
a) Si det (S) 6= 0, alors la suite S est libre ou linéairement indépendante et comme
Card (S) = dim E, donc S est une base de E.
51
b) Si det (S) = 0, alors la suite S est liée ou linéairement dépendante.
4.5 Sous-espaces vectoriels

Dé…nition 2 : Une partie non vide F d’un (K; +; )-espace vectoriel (E; +; :) est un
sous-espace vectoriel de E si elle véri…e les deux propriétés suivantes :
1° ) (F; +) est un sous-groupe de (E; +)
2° ) 8 2 K, 8x 2 F; :x 2 F .
(i.e. la loi de composition externe sur E est stable dans F .)
Les opérations dé…nies dans E sont donc également dé…nies dans F et lui confère
une structure d’espace vectoriel sur K.
Aussi un sous-espace vectoriel d’un K-espace vectoriel E est un sous-ensemble
8 de E caractérisé par les deux
F 9 propriétés suivantes :
< 0E 2 F =
8x; y 2 F :x+y 2F () 0E 2 F et 8 , 2 K, 8x, y 2 F , x + y 2 F .
: ;
8 2 K; 8x 2 F; :x 2 F .
De
8 même : 9
< 0E 2 F =
8x; y 2 F :x+y 2F () 0E 2 F et 8 2 K, 8x, y 2 F , x + y 2 F .
: ;
8 2 K; 8x 2 F; :x 2 F .
Remarque
Tout sous-ensemble non vide F d’un K-espace vectoriel E qui est tel que
toute combinaison linéaire de ses éléments lui appartiennent est un
sous-espace vectoriel de E.
4.5.1 Exemples de sous-espaces vectoriels

a) L’ensemble F des combinaisons linéaires de la suite (x1 ; x2 ; :::::; xn )
est un sous-espace vectoriel de E.
Nous appellerons ce sous-espace vectoriel F le sous-espace engendré
par la suite (x1 ; x2 ; :::::; xn ).
b) Soit E un K-espace vectoriel, l’ensemble réduit au singleton vecteur nul :f0E g
est un sous-espace vectoriel de E , ainsi que E lui-même.
Le sous-espace vectoriel nul f0E g et E sont dit sous-espaces vectoriels
triviaux de E.
Tout autre sous-espace vectoriel F de E est dit sous-espace vectoriel
propre de E, et véri…e : f0E g F E.
c) L’ensemble Cn [x] des polynômes complexes de degré inférieur ou égal à n 2 N ,
forme un sous-espace vectoriel de C [x].
4.6 Sous-espaces vectoriels d’un espace vectoriel de

dimension …nie
Proposition
Tout sous ensemble non vide d’un espace vectoriel E engendré par une famille de
vecteurs de E, est un sous-espace vectoriel de E, aussi tout sous-espace vectoriel
de E, est un sous ensemble de E engendré par une famille de vecteurs de E.
52
La propriété suivante nous sera utile dans cette étude.

Propriété 4
Soit E un K-espace vectoriel et n 0 un entier naturel. Supposons que toutes
les suites de (n + 1) vecteurs de E soient liées. Alors E est un espace vectoriel de
dimension …nie et dimE n.
Corollaire 1
Soit E un K-espace vectoriel de dimension …nie et F E un sous-espace vectoriel
de E. Alors F est de dimension …nie et dimF dimE. De plus, si dim F = dim E,
alors F = E.
Une autre conséquence de la propriété 4 est la suivante :
Corollaire 2
Soit E un espace vectoriel ayant n générateurs x1 ; x2 ; :::::; xn ; alors E est
un espace vectoriel de dimension …nie et dim E n.
4.6.1 Rang d’une suite …nie de vecteurs

Considérons une suite (x1 ; x2 ; :::::; xn ) de n vecteurs d’un K-espace vectoriel E,
de dimension …nie ou non. Le sous-espace F engendré par cette suite admet
n générateurs x1 ; x2 ; :::::; xn ; c’est donc, d’après le corollaire 2,
un espace vectoriel de dimension …nie r n.
Dé…nition 6.
1. On appelle rang r d’une suite(famille) …nie de n vecteurs
d’un K-espace vectoriel, la dimension r de l’espace vectoriel F engendré par
ces vecteurs. Ou l’on dira que F est de codimension (n r). On note r n.
2. Aussi le rang r d’une suite(famille) …nie de n vecteurs d’un K-espace vectoriel,
est le nombre maximum de vecteurs de la suite(famille) …nie de n veteurs, qui
soient libres dans la suite en question.
Remarques
Sur un K-espace vectoriel E, de dimension n, muni d’une base. Considérons
une famille S de vecteurs de E. Le rang de S est le rang de la A matrice
constituée en lignes ou en colonnes des coordonnées des vecteurs de S.
A est dite une matrice associée à la suite S. Ainsi rang (S) = rang (A).
1. S est génératrice de E ssi le rang de S = n = rang (A)
2. S est libre ssi le rang de S =Cardinal de S(CardS)=rang(A)
3. S est liée ssi le rang de S est stritement inférieur au Cardinal de S(CardS)
4. S est une base de E ssi le rang de S = n =Cardinal de S(CardS)=rang(A)
5. Soit F =< S >, alors dim F = rang (S) = rang (A)
Proposition
1)Soient F et G deux sous-espaces vectoriels d’un K-espace vectoriel E de dimension
…nie, F [ G est un sous-espace vectoriel ssi F G ou G F .
2) F \ G est un sous-espace vectoriel de E. Comme quoi l’intersection de sous-espaces
vectoriels est un sous-espace vectoriel.
3) Si F G et dim F = dim G alors F = G.
Remarque
La réunion de deux sous-espaces vectoriels d’un K-espace vectoriel E de dimension
…nie n’est pas necessairement un sous-espace vectoriel de E.
Dé…nition
Soit un sous-ensemble non vide A inclus dans un K-espace vectoriel E,
53
vect (A) =< A > est appelé le sous-espace vectoriel engendré par A et
c’est le plus petit sous-espace vectoriel de E contenant A.
Aussi vect (A) =< A > est l’intersection des tous les sous-espaces vectoriels
de E contenant A.
Remarque
Si v1 ; v2 ; v3 2 E,
vect (v1 ; v2 ; v3 ) = f v1 + v2 + v3 ; ; ; 2 Kg =< v1 ; v2 ; v3 >
c’est l’ensemble des combinaisons linéaires des vecteurs v1 ; v2 ; v3 .
Proposition
Soient A et B des parties d’un K-espace vectoriel E ;
1.vect (vect (A)) = vect (A)
2. Si A B ) vect (A) vect (B)
3. vect (A [ B) = vect (A) + vect (B).
4. si A est un sous-espace vectoriel de E, alors vect (A) = A.
Proposition
Soient F et G deux sous-espaces vectoriels d’un K-espace vectoriel E de dimension
…nie, on a :
1) F + G =< F [ G >=l’espace engendré par F [ G.
2) dim (< F [ G >) = dim (F + G) = dim F + dim G dim (F \ G).
Remarque
Si dim E = n, n générateurs de E forment une base de E.
EXERCICE 1
R4 est muni de sa base canonique (t1 ; t2 ; t3 ; t4 ). On considère les vecteurs :
e1 = (1; 2; 3; 4) ; e2 = (1; 1; 1; 3) ; e3 = (2; 1; 1; 1) ; e4 = ( 1; 0; 1; 2) ; e5 = (2; 3; 0; 1).
Soient E l’espace vectoriel engendré par e1 ; e2 ; e3 et F par e4 et e5 .
Calculer les dimensions respectives de E, F , E \ F et E + F .
Proposition de correction de l’exo.1
Soit S1 = fe1 ; e2 ; e3 g ; S2 = fe4 ; e5 g
E =< e1 ; e22 ; e3 >= vect (S31 ) et2F =< e4 ; e5 >= 3 vect (S2 )
1 2 3 4 1 0 0 2
Soit ME = 4 1 1 1 3 5 4 0 1 0 9 5 ;
2 1 1 1 0 0 1 4
ME est une matrice associée à la suite ou à2 la famille S1 . 3
1 0 0 2
Le rang de ME est la dimension de E, vu 0 1 0 9 5 4
0 0 1 4
le rang de M 2E est 3, donc
3 2 dim E =
3 3.
1 2 1 0
6 0 3 7 6 0 1 7
Soit MF = 6 7 6
4 1 0 5'4 0 0 5
7
2 1 0 0
MF est une matrice associée à la suite ou à2 la famille 3 S2 .
1 0
6 0 1 7
Le rang de MF est la dimension de F , vu 6 4 0 0 5
7
0 0
le rang de MF est 2, donc dim F = 2.
Soit S3 = fe1 ; e2 ; e3 ; e4 ; e5 g
E + F =< e1 ; e2 ; e3 ; e4 ; e5 >= vect (S3 )
54
2 3 2 3
1 2 3 4 1 0 0 0
6 1 1 1 3 7 6 0 1 0 0 7
6 7 6 7
Soit ME+F = 6
6 2 1 1 1 7
7
6 0
6 0 1 0 7 7
4 1 0 1 2 5 4 0 0 0 1 5
2 3 0 1 0 0 0 0
ME+F est une matrice associée à la suite ou à la famille
2 S3 . 3
1 0 0 0
6 0 1 0 0 7
6 7
Le rang de ME+F est la dimension de E + F , vu 6 6 0 0 1 0 7
7
4 0 0 0 1 5
0 0 0 0
le rang de ME+F est 4, donc dim (E + F ) = 4.
Pour …nir on sait que : E + F = vect (E [ F ) =< E [ F >
dim (E + F ) = dim E + dim F dim (E \ F ) ,
dim (E \ F ) = dim E + dim F dim (E + F ) = 3 + 2 4 = 1.
EXERCICE 2
Préciser si les familles constituées des vecteurs suivants sont liés ou libres.
1. u = (7; 12) ; v = (18; 13) ; w = ( 4; 17)
2. u = ( 1; 0; 2) ; v = (1; 3; 1) ; w = (0; 1; 1)
5 9
3. u = (15; 27; 6; 12) ; v = ( ; ; 1; 2).
2 2
1. u = (7; 12) ; v = (18; 13) ; w = ( 4; 17)
La famille F = fu; v; wg R2 et le CardF =3 > dim R2 = 2
donc la famille F est liée dans R2 .
2. u = ( 2 1; 0; 2) ; v = (1;33; 1) ; w2= (0; 1; 1) 3
1 0 2 u 1 0 2 u
Soit A = 4 1 3 1 5 v 4 0 3 3 5 v+u
2 0 13 1 w 0 1 1 w
1 0 2 u
A 4 0 3 3 5 v+u délà on a bien :
2 0 0 6 3 3w + (v + u)
1 0 2
A 4 0 3 3 5 )le rang de A : rg (A) = 3
0 0 6
aussi la famille G = fu; v; wg R3 et le sous-espace vectoriel engendré
par G = fu; v; wg c’est-à-dire < u; v; w > est de
dimension rg (A) = 3 = CardG donc la famille G est libre dans R3 .
Remarque
En formant une matrice A constituée en ligne ou en colonne des coordonnées
des vecteurs d’une famille donnée F ; lorsque le rang de A est égal au cardinal
de F, la famille F est libre sinon elle est liée.
5 9
3. u = (15; 27; 6; 12) ; v = ( ; ; 1; 2).
2 2
La famille H = fu; vg R4
aussi"soit #
15 27 6 12 u
A= 5 9
1 2 v
2 2
55
15 27 6 12 u
0 0 0 0 6v + u ) 6v + u = ~0
La famille H = fu; vg R4 est donc liée car il y a une relation
de dépendance entre les vecteurs : u; v qui est : 6v + u = ~0.
4.7 Sous-espaces supplémentaires

Dé…nition 8
Soit E un K-espace vectoriel. Deux sous-espaces vectoriels F et G de E sont appelés
supplémentaires si tout élément x 2 E s’écrit d’une façon et d’une seule sous
la forme : x = y + z; y 2 F; z 2 G .
On dit encore que E est la somme directe de F et G et on écrit :
E = F G , E = F + G et F \ G = f0E g.
Théorème 3
Soit E un K-espace vectoriel de dimension …nie, F et G deux sous-espaces
vectoriels de E de bases respectives et . Les trois propriétés ci-dessous
sont équivalentes :
(a) F et G sont supplémentaires
(b) F \ G = f0E g et dim E = dimF + dimG.
(c) rang ( [ ) = dimF + dimG = dim E, alors [ est une base de E.
Théorème 4(De la base incomplète).
Soit E un K-espace vectoriel de dimension …nie n.
1. Pour toute suite libre (y1 ; y2 ; :::::; yp ) de E (p n), on peut trouver
q = n p vecteurs z1 ; z2 ; :::::; zq de E tels que (y1 ; y2 ; :::::; yp ; z1 ; z2 ; :::::; zq )
soit une base de E.
2. Tout sous-espace vectoriel F de E admet un supplémentaire G.
4.8 Somme de n sous-espaces vectoriels

Dé…nition
On appelle somme de F1 ; F2 ;...,Fn , n sous-espaces vectoriels de E
Xn
et on note Fi l’ensemble fx1 + x2 + ::: + xn ; xi 2 Fi pour 1 i ng.
i=1
X
n
C’est dire que Fi = fx1 + x2 + ::: + xn ; xi 2 Fi pour 1 i ng.
i=1
Proposition
La somme de F1 ; F2 ;...,Fn , n sous-espaces vectoriels de E,
Xn
Fi = fx1 + x2 + ::: + xn ; xi 2 Fi pour 1 i ng est un sous-espace
i=1
vectoriel de E.
Proposition
Si les Fi sont de dimension …nie, alors !
Xn Xn X
n
Fi est de dimension …nie et dim Fi dim (Fi ).
i=1 i=1 i=1
Dé…nition
56
X
n
On dit que la somme Fi est directe si
i=1
8 (x1 ; x2 ; :::; xn ) 2 F1 F2 ... Fn ; x1 + x2 + ::: + xn = 0E )
x1 = x2 = ::: = xn = 0E .
M n
Dans ce cas, on note F1 F2 ... Fn = Fi
i=1
Mn
Aussi tout élément de F1 F2 ... Fn = Fi s’écrit de manière
i=1
unique comme somme d’éléments des Fi .
Proposition
Si les Fi sont de dimension …nie, alors !
Mn M n Xn
Fi est de dimension …nie et dim Fi = dim (Fi ).
i=1 ! i=1 i=1
Xn Xn Xn Mn
Aussi (dim Fi = dim (Fi )), Fi = Fi .
i=1 i=1 i=1 i=1
X
n M
n
Fi = Fi veut dire que l’on a une somme directe des Fi .
i=1 i=1
57
Chapitre 5
APPLICATIONS LINÉAIRES
Objectifs
* Connaître les dé…nitions d’une application linéaire h d’un K-espace
vectoriel E dans un L-espace vectoriel F avec K L,
(généralement on prend K = L ) le noyau( ker h) et l’ensemble-image de h( Im h).
pour …nir savoir les déterminer comme tels.
* Connaître les caractérisations de l’injectivité et de la surjectivité d’une
application linéaire h à travers ker h et Im h.
* Savoir déterminer la matrice d’une application linéaire h d’un K-espace
vectoriel E muni d’une base dans un L-espace vectoriel F muni d’une
base avec K L que je noterai M at (h; ; ) = M (f ).
* Comprendre les liens entre matrices et applications linéaires.
* Savoir déterminer la matrice de passage d’une base à une autre d’un K-espace
vectoriel, puisse qu’un K-espace vectoriel non réduit au vecteur nul admet
une in…nité de bases. Dès lors le choix d’une base d’un K-espace vectoriel est in…ni.
* Savoir déterminer la matrice B d’une application linéaire dans de nouvelles
bases en fonction de sa matrice A dans d’anciennes bases avec B = QAP :
Q et P sont des matrices de passage d’une ancienne base à une nouvelle base.
Aussi déterminer les coordonnées d’un vecteur au biais d’une nouvelle base
en fonction des coordonnées du même vecteur au moyen d’une ancienne base.
L’usage de la matrice de passage d’une ancienne base à une nouvelle base est
de rigueur.
Dé…nition(d’une application linéaire)
Soient (E; +; :) et (F; +; :) deux K(=R ou C)-espaces vectoriels et
f : E ! F une application de E dans F .
On dit que f est une application linéaire si elle possède les deux propriétés suivantes :
(1) 8x 2 E, 8y 2 E, f (x + y) = f (x) + f (y).
(2) 8x 2 E, 8 2 K, f ( x) = f (x).
Propriétés
a° ) On déduit de (1) en posant y = x = 0E 2 E, f (0E ) = 0F 2 F .
On a également f ( x) = f (x).
b° ) (1) et (2) () 8x, y 2 E; 8 ; 2 K, f ( x + y) = f (x) + f (y)
(1) et (2) () 8x, y 2 E; 8 2 K, f ( x + y) = f (x) + f (y)
c° ) Soit E munit d’une base = (e1 ; e2 ; :::::; en ),
58
CHAPITRE 5. APPLICATIONS LINÉAIRES
2 3
1
P
n 6 2 7
6 7
pour tout y 2 E, 9! 1; 2 ; :::::; n 2K; y = i ei ; où Y = 6 .. 7
i=1 4 . 5
n
est la matrice colonne des coordonnées de y 2 E dans de la base
P
n P
n
= (e1 ; e2 ; :::::; en ), d’où f (y) = f i ei = i f (ei ) ; donc étant donnée
i=1 i=1
= (e1 ; e2 ; :::::; en ) et f ( ) = (f (e1 ) ; f (e2 ) ; :::::; f (en )) qui est l’action de f sur
une 2
base de 3 E, on peut déterminer f (y) , 8y 2 E, dès qu’on connait
1
6 2 7
6 7
Y = 6 .. 7 qui est la matrice colonne des coordonnées de y 2 E dans
4 . 5
n
de la base = (e1 ; e2 ; :::::; en ). On peut dire que f est complètement
déterminée par son action sur une base de E.
Remarques
1) Une application linéaire f est une application d’un K-espace vectoriel E dans
un K-espace vectoriel F , telle que l’image d’une combinaison linéaire de vecteurs
de E est égale à une combinaison linéaire de l’image des vecteurs de E, avec les
mêmes coe¢ cients de combinaison par rapport à un vecteur x de E et son image
f (x).
2) Une application f entre deux K-espaces vectoriels E et F est linéaire
ssi les expressions images de f (x), pour x 2 E, sont combinaison linéaire des
coordonnées de x 2 E, moyennant une base de E.
Exemple
Cette expression : a1 x1 +:::+an xn est linéaire en x1 ; x2 ; :::; xn , car combinaison linéaire
des x1 ; ... ; xn ; mais pas celle-ci : a1 x1 + ::: + an xn + b.
Exemples
a) Soit f : R2 ! R2 , (x; y) 7 ! (2x + y; 0) est une application linéaire
de R2 dans R2 .
b) Soit g : R2 ! R2 , (x; y) 7 ! (4; x 9y) n’est pas une application linéaire
de R2 dans R2 , car g (0; 0) = (4; 0) 6= (0; 0) vecteur nul de R2 .
5.1 Image et Noyau

Dé…nition(du noyau d’une application linéaire)
Le noyau d’une application linéaire f : E ! F est l’ensemble des vecteurs x 2 E tels
que f (x) = 0F . Il est noté Ker f . D’où Ker f = fx 2 E; f (x) = 0F g.
Exemple
Soit f : R2 ! R2 , (x; y) 7 ! (2x + y; 0) une application linéaire de R2 dans R2 .
ker f = f(x; y) 2 R2 ; f (x; y) = (0; 0)g
2x + y = 0 1
f (x; y) = (0; 0) ) ) 2x + y = 0 ) y = 2x , x = y
0=0 2
ker f = f(x; 2x) ; x 2 Rg =< (1; 2) >) dim ker f = 1.
Lemme 1. Le noyau de f est un sous-espace vectoriel de E.
Proposition 1. Une application linéaire f : E ! F est
injective si et seulement si Ker f = f0E g.
59
Dé…nition(de l’image d’une application linéaire)

L’image d’une application linéaire f : E ! F est l’ensemble image de E par
l’application f , c’est-à-dire l’ensemble des vecteurs appartenant à F tels qu’il existe
au moins un vecteur x 2 E avec f (x) = y: On la note f (E) ou encore Im f .
f (E) = Im f = fy 2 F , 9x 2 E ; f (x) = yg = f f (x) ; x 2 Eg.
Exemples
1. Soit f : R2 ! R2 , (x; y) 7 ! (2x + y; 0) une application linéaire de R2 dans R2 .
Im f = f (R2 ) = ff (x; y) ; (x; y) 2 R2 g = f(2x + y; 0) ; x; y 2 R2 g
= fx (2; 0) + y (1; 0) ; x; y 2 R2 g =< (2; 0) ; (1; 0) >=< (1; 0) >.
2. Soit g : R2 ! R3 ; (x; y) 7! (x y; x + y; x + 2y) une application linéaire de R2
dans R3 .
Im g = g (R2 ) = fg (x; y) ; (x; y) 2 R2 g = f(x y; x + y; x + 2y) ; x; y 2 R2 g
Im g = fx (1; 1; 1) + y ( 1; 1; 2) ; x; y 2 R2 g =< (1; 1; 1) ; ( 1; 1; 2) >.
Lemme 2 L’image de f est un sous-espace vectoriel de F .
Remarques
1)L’image par une application linéaire f : E ! F d’un sous-espace vectoriel de E
est un sous-espace vectoriel de F .
2) Aussi l’image reciproque de f d’un sous-espace vectoriel de F
est un sous-espace vectoriel de E.
Proposition 2
Une application linéaire f : E ! F est surjective si et seulement si Im f = F .
Dé…nition(d’un isomorphisme)
1) Une application linéaire f : E ! F est un isomorphisme si elle est injective et
surjective. On dit alors que E et F sont isomorphes par f .
2) Une application linéaire f : E ! E est un endomorphisme. Un endomorphisme
qui est bijectif est un automorphisme.
3) Deux espaces E et F sont isomorphes noté(E ' F ),
s’il existe au moins un isomorphisme f de E sur F .
4) Si f : E ! F est un isomorphisme, il existe une application inverse f 1 ; et
f 1 est un isomorphisme de F sur E.
5) f : E ! F est un isomorphisme () Ker f = f0E g et f (E) = F .
Théorème 1
Soient E et F deux K-espaces vectoriels de dimension …nie
et une application linéaire f : E ! F . Alors :
(a) f est un isomorphisme entre E et F .
m
(b) dimE = dimF et Kerf = f0E g .
m
(c) dimE = dimF et Im f = F
Lemme 3 Soit (x1 ; x2 ; :::::; xn ) une suite libre de vecteurs de E et une
application linéaire f : E ! F injective. Alors (f (x1 ) ; f (x2 ) ; :::::; f (xn ))
est une suite libre dans F .
5.1.1 Le théorème noyau-image

Théorème 2
Soient E et F deux K-espaces vectoriels et une application linéaire f : E ! F .
Si la dimension de E est …nie, il en est de même des dimensions de Kerf et
60
de f (E) = Im f et l’on a : dim E = dim f (E) + dim Ker f .

Lemme 4
Soient E de dimension …nie et une application linéaire f : E ! F .
Alors f (E)=Im f est de dimension …nie.
Corollaire. Avec les hypothèses du théorème 2 :
Ker f = f0E g , dim Im f = dim f (E) = dim E.
5.1.2 Rang d’une application linéaire

Dé…nition 5. Le rang d’une application linéaire f : E ! F .
Avec E de dimension …nie est par dé…nition la dimension
de l’image f (E) = Im f .
Exemples
a° ) L’application f : E ! F qui, à tout vecteur x 2 E associe le vecteur nul 0F
de F est linéaire. On a Im f = f0F g et le rang de f est nul.Le noyau ker f = E.
b° ) L’application f de E dans E qui, à tout vecteur x 2 E, associe le vecteur x est
linéaire. Ker f = f0E g, f (E) = E. On l’appelle l’identité IdE .
C’est un isomorphisme de E sur E;ou automorphisme de E.
c° ) Si E est un espace vectoriel sur le corps K et a 6= 0 un élément de K,
l’application f :x 7 ! ax est une application linéaire de E sur E et
c’est un automorphisme(homothétie vectorielle):
d° ) Soit F et G deux sous-espaces supplémentaires dans E. A tout vecteur x 2 E;
on peut faire correspondre sa composante y 2 F dé…nie par :
x = y + z, y 2 F , z 2 G.
L’application f : x 7 ! y est une application linéaire de E dans F qu’on appelle
projection sur F parallèlement à G. Le noyau de f est G et l’image f (E) est F .
Si E est de dimension …nie, on véri…e directemnet le théorème noyau-image
sur les dimensions.
e° ) Soit E = Cn [X] le C-espace vectoriel des polynômes complexes de degré
inférieur ou égal à n, avec le polynôme nul. L’application f : P 7 ! P + P 0 ; où P 0 est
le polynôme dérivé de P , est une application linéaire de E dans E; on dit encore que
c’est un C-endomorphisme de E.
On véri…e directement que Ker f = f0g ; il résulte alors du théorème 1 que f est
un automorphisme de E donc est surjective.
f° ) Une application linéaire de E un K-espace vectoriel dans K s’appelle une forme
linéaire sur E (K est un espace vectoriel sur lui-même). Soit f une forme linéaire
non nulle sur un K-espace vectoriel E de dimension n. On a Im f 6= f0g et Im f K ;
donc l’image de f , espace de dimension 1 appelé droite vectorielle
(à cause de sa dimension qui est 1) et le noyau de f est de dimension n 1
et on dit que c’est un hyperplan de E.
Un K-espace vectoriel de dimension 2 est appelé plan vectoriel.
L’ensemble des formes linéaires de E se note E ou LK (E; K)
c’est un -espace vectoriel appelé le dual de E.
61
5.1.3 Projections et symétries linéaires

Introduction
Soit E est un K-espace vectoriel et F et G deux sous-espaces
vectoriels de E tel que E = F G alors
8x 2 E, x = xF + xG avec xF 2 F et xG 2 G de façon unique.
La projection PF sur F parallèlement à G est telle que
8x 2 E, PF (x) = xF et PF PF = PF (on dit que PF est un projecteur).
Aussi 8x 2 E, PF (x) = xF = xF + xG xG = (IdE PG ) (x)
La projection PG sur G parallèlement à F est telle que
8x 2 E, PG (x) = xG et PG PG = PG .
Aussi 8x 2 E, PG (x) = xG = xG + xF xF = (IdE PF ) (x)
La symétrie SF par rapport à F parallèlement à G est telle que
8x 2 E, SF (x) = xF xG = 2xF (xF + xG ) = (2PF IdE ) (x)
8x 2 E, SF (x) = xF xG = (xF + xG ) 2xG = (IdE 2PG ) (x).
et SF SF = IdE (on dit que SF est une involution).
La symétrie SG par rapport à G parallèlement à F est telle que
8x 2 E, SG (x) = xG xF = (2PG IdE ) (x) = (IdE 2PF ) (x).
et SG SG = IdE .
Aussi SG = SF = 2PG IdE = IdE 2PF .
Dé…nition
Les PF et PG dé…nies supra, sont appélées projections vectorielles
Aussi les SF et SG dé…nies supra, sont appélées symétries vectorielles
c’est clair que projection et symétrie vectorielles sont des applications
linéaires.
5.2 Opérations sur les applications linéaires

5.2.1 L’espace vectoriel LK (E; F )
Soit E et F deux K-espaces vectoriels. Appelons LK (E; F ) l’ensemble des
applications linéaires de E dans F .
Somme de deux applications linéaires
Soit f et g deux applications linéaires de E dans F .
On dé…nit f + g : E ! F par : 8x 2 E; (f + g) (x) = f (x) + g (x).

On véri…e que f + g est bien une application linéaire de E dans F .
On l’appelle somme de f et g.
Produit de 2 K par f 2 LK (E; F ). Il est dé…nit par : 8x 2 E; ( f ) (x) = f (x).
On véri…e que f est bien une application linéaire de E dans F .
Proposition 3
Les deux opérations précédentes confèrent à l’ensemble LK (E; F )
une structure d’espace vectoriel sur K.
5.2.2 Composition des applications linéaires

Soit E, F et G trois K-espaces vectoriels. Etant donné une application linéaire
f : E ! F et une application linéaire g : F ! G, on véri…e immédiatement que
g f : E ! G est une application linéaire de E dans G. En particulier,
62
si E = F = G, nous dé…nissons une loi de composition interne dans

LK (E; E) = LK (E) = EndK (E) avec la loi" " des compositions des
applications qu’on appelle la multiplication.
Proposition 4. L’addition et la multiplication" " dé…nies dans LK (E)
en font un anneau non commutatif.
Remarque. Le composé de deux isomorphismes est un isomorphisme et donc,
en particulier, le composé de deux automorphismes de E est un automorphisme.
Si E est de dimension …nie, l’ensemble des automorphismes de E constitue
le groupe des unités(l’ensemble des éléments inversbles) de l’anneau LK (E).
5.3 Matrice d’une application linéaire f : E ! F

Relativement à des bases données de E et de F .
Soit E et F deux espaces vectoriels de dimensions respectives p et q sur K,
= (e1 ; :::; ep ) une base de E, 0 = (t1 ; :::; tq ) une base de F et
f : E ! F une application linéaire de E dans F ; f est complètement déterminée
par son action sur la base , c’est-à-dire que f est entièrement dé…nie par les
Pq
f (ej ) = aij ti ; aij 2 K, j = 1; 2; :::; p.Ainsi les coordonnées de f (ej )
i=1 2 3
a1j
6 a2j 7
0 6 7
dans la base = (t1 ; :::; tq ) constitue la matrice colonne suivante :6 .. 7.
4 . 5
aqj
Proposition
Etant donné f : E ! F une application linéaire de E dans F des K-espaces
vectoriels avec E de dimension …nie, muni d’une base = (e1 ; :::; ep ),
alors Im f =< f (ei ), 1 i p >.
Dé…nition On appelle matrice de l’application linéaire f : E ! F;
relativement aux bases et 0 , avec = (e1 ; :::; ep ) et 0 = (t1 ; :::; tq )
(on sait que f est entièrement dé…nie par les f (ej ) 2 F , pour tout j 2 [j1; pj]),
est la matrice de type (q; p) :
0f (e1 ) ; f (e2 ) ; :::; f (ep1)
a11 a12 ::: a1p t1
B a21 a22 ::: a2p C t2
B C
M 0 (f ) = B .. .. . . .. C ..
@ . . . . A .
aq1 aq2 ::: aqp tq
2 3
a1j
6 a2j 7
eme 6 7
dont la j colonne (j = 1; 2; :::; p) est constituée par les coordonnées 6 .. 7
4 . 5
aqj
0
du vecteur f (ej ) par rapport à la base . C’est pourquoi nous avons écrit f (e1 )
au dessus de la première colonne, ...., f (ep ) au-dessus de la pieme colonne.
Lorsque E = F , l’application linéaire f est un endomorphisme de E et nous
pouvons choisir = 0 . La matrice M (f ) s’appelle la matrice de
l’endomorphisme relativement à la base de E.
Remarque
63
De façon symbolique, on peut écrire :

(f (e1 ) ; f (e2 ) ; :::; f (ep )) = (t1 ; :::; tq ) M 0 (f )
soit f ( ) = 0 M 0 (f ), tout ceci est symbolique.
Exemple : Soit f un endomorphisme de R3 dé…ni par :
(x; y; z) 7 ! (2x y z; x z; x y 2z) ; où 2 R.
Soit = (e1 = (1; 0; 0) ; e2 = (0; 1; 0) ; e3 = (0; 0; 1)) la base canonique
de R3 :Pour trouver la matrice de f relativement à la base associé à
l’ensemble de depart et à l’ensemble d’arrivé, il faut calculer :
f (e1 ) = (2; 1; ) ; f (e2 ) = ( 1; 0; 2 1) ; f (e3 ) = ( 31; 1; 2).
2 1 1
Et la matrice en question est M = 1 0 4 1 5.
1 2
Proposition
Soient E, F , G trois K-espaces vectoriels de dimension …nie munis de bases
respectives , 0 , et f 2 LK (E; F ) et g 2 LK (F; G) alors g f 2 LK (E; G)
M (g f ) = M 0 (g) M 0 (f ).
Proposition
Soient E et F deux K-espaces vectoriels de dimensions respectives p et q,
Munis respectivement des bases = (e1 ; :::; ep ) et 0 = (t1 ; :::; tq )
L’application de LK (E; F ) dans Mqp (K) dé…nie par f 7! M 0 (f ) est un
isomorphisme de l’espace vectoriel des applications linéaires de E dans F
sur l’espace vectoriel des matrices de type(q; p) sur K.
Dem :
Moyennant = (e1 ; :::; ep ) et 0 = (t1 ; :::; tq ) respectivement sur E et F deux
K-espaces vectoriels de dimensions respectives p et q, il y a isomorphisme entre
E et Kp et isomorphisme 2 entre 3 F et K .
q
x1
6 .. 7
Ainsi 8x 2 E, 9!x = 4 . 5 2 Kp matrice colonne qui représente
xp
les coordonnées du vecteur x 2 E dans la base de sorte que
p
X
symboliquement : x = x = xi ei .
i=1
Il sera de même 2
de F 3c’est-à-dire :
y1
6 7
8y 2 F , 9!y = 4 ... 5 2 Kq matrice colonne qui représente
0
yq
les coordonnées du vecteur y 2 F dans la base 0 de sorte que
q
0
X
0
symboliquement : y = y = yi ti .
i=1
De là l’application linéaire f : (E; ) ! (F; 0 ) peut être dé…nie comme suit :
a) f (x) = y on n’a pas utilisé les bases en présence.
0
b) f x = y on a utilisé les bases en présence, ce qui permettra de déterminée
0
f à la donnée de M 0 (f ) en posant : f x = M 0 (f ) x = (f (x)) 0 = y .
Avec les données de f , et 0 on a naturellement M 0 (f ).
Corollaire L’espace vectoriel LK (E; F ) est de dimension …nie n = pq.
Remarques
1° ) Les espaces vectoriels LK (E; F ) et Mqp (K) sont isomorphes mais
64
cet isomorphisme dépend des bases et 0 choisies dans E et F .

On devrait le noter : M 0 : LK (E; F ) ! Mqp (K).
Il est déterminé par le choix de ces bases.
2° ) Il résulte de la proposition 1 qu’une matrice q p quelconque dont les
coe¢ cients appartiennent à un corps K peut toujours être considérée comme
la matrice d’une application linéaire d’un espace vectoriel E de dimension p
sur K dans un espace vectoriel F de dimension q sur K,
par exemple de E = Kp dans F = Kq .
5.3.1 Changement de bases

Matrice de passage
Soient = (e1 ; :::; en ), 0 = e01 ; :::; e0n deux bases de E.
On voudrait avoir la matrice de : IdE : (E; 0 ) ! (E; ) telle que x 7 ! x.
(E; ) signi…e que le K-espace vectoriel de dimension …nie E, est muni de la base .
X n
n 0
On sait que 81 j n, 9! ( 1j ; 2j; :::; nj ) 2 K ; ej = ij ei .
i=1
Ainsi d’après ce qui précède en matière de la matrice d’une
application linéaire relativement à des bases sur les espaces
de départ et d’arrivé, on a :
0 0 0
0 e1 ; e2 ; ::: ; en 1
11 12 ::: 1n e1
B 21 ::: C
2n C e2
B 22
M 0 (IdE ) = B .. .. . . .. C ..
@ . . . . A .
n1 n2 ::: nn en
On appelle matrice de passage de la base à la base 0 ,
la matrice : M at 0 (IdE ) = P = ( ij )1 i , j n = P 0 .
Comme l’application IdE est bijective, alors P = P 0 est inversible.
En pratique donc,
la matrice P = ( ij )1 i , j n = P 0 est telle que la j ieme colonne
est formée par les coordonnées du vecteur e0j dans la base = (e1 ; :::; en ).
Et P 1 = P 0 est la matrice de passage de la base 0 à la base .
Formule de changement de bases

Soit f 2 LK (E; F ) et (E; ), (F; )
Id f Id
Soit (E; 0 ) ! E
(E; ) ! (F; ) ! F
(F; 0 )
On a bien f = IdF f IdE )
M at 0 0 (f ) = M at 0 0 (IdF f IdE ) = M at 0 (IdF ) M at (f ) M at 0 (IdE ).
Soit maintenant u 2 LK (E; E) , u 2 EndK (E), on a
IdE u IdE
(E; 0 ) ! (E; ) ! (E; ) ! (E; 0 ), et u = IdE u IdE )
M at 0 0 (u) = M at 0 0 (IdE u IdE ) = M at 0 (IdE ) M at (u) M at 0 (IdE ).
Comme (IdE ) est une bijection de E dans E, alors M at 0 (IdE ) est inversible et
1
M at 0 (IdE ) = M at 0 (IdE ) . De là on a la proposition suivante :
Proposition
Soient = (e1 ; :::; en ) ; 0 = e01 ; :::; e0n deux bases de E; u 2 LK (E ),
P = P 0 = M at 0 (IdE ), A = M at (u; ) = M at (u),
65
A0 = M at (u; 0 ) = M at 0 0 (u)
= M at 0 0 (IdE u IdE ) = M at 0 (IdE ) M at (u) M at 0 (IdE ).,
1
or M at 0 (IdE ) = M at 0 (IdE ) , donc :
A0 = P 1 AP , A = P A0 P 1 .
Proposition
Soit u un endomorphisme d’un K-espace vectoriel de dimension …nie E,
muni d’une base et A = M at (u; ) = M at (u).
u est un automorphisme de E ssi det A 6= 0 et A 1 = M at (u 1 ; ) = M at (u 1 ).
Exercice 2 3 2 3
0 1 1 0 0 0 0 0
6 0 0 1 0 7 6 7
Montrer que les matrices A = 6 7 et B = 6 0 0 1 1 7 sont
4 0 0 0 0 5 4 0 0 0 1 5
0 0 0 0 0 0 0 0
semblables.
Proposition de solution
La solution revient à trouver quatre vecteurs v1 ; v2 ; v3 ; v4 2 R4 tel que :
Av1 = 0, Av2 = 0, Av3 = v2 , Av4 = v2 + v3 et det (v1 ; v2 ; v3 ; v4 ) 6= 0.
Dès lors ;
Av1 = 0, je propose dans la base canonique de R4 , v1 = (0; 0; 0; 1)
Av2 = 0, je propose dans la base canonique de R4 , v2 = (1; 0; 0; 0)
Av3 = v2 , je propose dans la base canonique de R4 , v3 = (0; 1; 0; 0)
Av4 = v2 + v3 , je propose dans la base canonique de R4 , v4 = (0; 0; 1; 0).
0 1 0 0
0 0 1 0
Soit = fv1 ; v2 ; v3 ; v4 g, on a det = = 1 6= 0.
0 0 0 1
1 0 0 0
2 3
0 1 0 0
6 0 0 1 0 7
De là soit P = Ppass( a ) = P = 6 7
4 0 0 0 1 5, alors on a :
1 0 0 0
1
B = P AP , A et B sont semblables.
Remarque :
Soit x 2 E, soient = (e1 ; :::; en ), 0 = e01 ; :::; e0n deux bases de E,
symboliquement on notera :
x= x et 0 = P 0 ici est considérée comme une matrice uniligne :
e1 e2 en et 0 est considérée comme une matrice uniligne :
0
e1 e02 e0n .
Aussi on a : (e0i ) = P 0 (ei ) , 8i 2 f1; 2; :::; ng, (e0i ) et (ei ) sont les
coordonnées de e0i et ei dans la base = (e1 ; :::; en ).
Proposition
) ; 0 =1 e01 ; :::; e0n deux bases de E.
Soient = (e1 ; :::; en0
x1
B x2 C
B C
Soit x 2 E, et x = B .. C= les coordonnées de x dans la base .
@ . A
xn
66
0 1
x01
B x02 C
0B C 0
et x = B .. C= les coordonnées de x dans la base
@ . A
x0n
0 0
alors x = (P 0 = P ) x , x = P 0 = P 1 x .
Remarque
Soient deux bases = (e1 ; e2 ; :::; en ) et 0 = (t1 ; t2 ; :::; tn ) d’un K-espace vectoriel E
de dimension n.
P 0 = t1 t2 tn où tj constituent la j ieme colonne avec les coordonnées de
tj dans la base . 81 j n,
et det P 0 = det ( 0 ) = t1 t2 tn . Je rappelle que P 0 est la matrice de
passage de la base à la base 0 .
Proposition
Soit S = (V1 ; V2 ; ::::; Vn ) une suite de n vecteurs d’un K-espace vectoriel E de
dimension n. Soit deux base , 0 de E, alors :
det (S) = V1 V2 Vn = det ( 0 ) det 0 (S)
0 0 0
= t1 t2 tn V1 V2 Vn
det (S) = det P 0 det 0 (S).
5.3.2 Déterminant et trace d’un endomorphisme sur un K-espace

vectoriel E de dimension …nie
Proposition
Soit un endomorphisme f d’un K-espace vectoriel E de dimension …nie,
Moyennant une base sur E qui existe en pareille situation, on peut dé…nir :
det (f ) = det (M (f )) = det M 0 0 (f ) et
T race (f ) = T race (M (f )) = T race M 0 0 (f ) .
Pour Toute autre base 0 de E.
Dem :
On sait que M 0 0 (f ) = P 10 M (f ) P 0 et que :
1
det M 0 0 (f ) = det P 0 M (f ) P 0
1
= det P 0 det (M (f )) det P 0
1
= det P 0 det (M (f )) det P 0
1
= det P 0 det P 0 det (M (f ))(car K est un corps commutatif)
= det (M (f )).
1
Aussi T race M 0 0 (f ) = T race P 0 M (f ) P 0
1
= T race P 0 P 0 M (f ) = T race (M (f )).
Exercice
3
Soit f un endomorphisme de2R de matrice
3 A dans la base canonique 0 = (e1 ; e2 ; e3 )
1 2 3
dé…nie par : A = 4 1 4 5 5.
0 2 2
67
2 3
2
Soit X 0 = 4 3 5 les coordonnées d’un vecteur x1 dans la base 0 .
4
1. Calculer f (x1 ) dans la base 0 .
2. Soient u1 = e1 + e2 + e3 , u2 = e1 + 3e2 + 2e3 , u3 = e1 + 2e2 + e3 .
a) Montrer que = (u1 ; u2 ; u3 ) est une base de R3 .
b) Déterminer la matrice de passage P de la base 0 à la base .
c) Déterminer la matrice de passage P 0 de la base à la base 0 .
d) Donner les coordonnées X du vecteur x1 dans la base de deux façons.
e) Déterminer la matrice D de f dans la base de deux façons.
f) Calculer f (x1 ) dans la base , de deux façons.
g) Donner l’expressi on de A à partir de celle de D ci-dessus.
Donner A2 , A3 , A4 en fonction de P , D et P 1 .
Déterminer explicitement An avec n 2 N.
Proposé de solution 2 3 2 3
2 8
1. (f (x1 )) 0 = M at (f; 0 ; 0 ) X 0 = A 4 3 5 = 4 10 5.
4 2
2.
a) Avec = (u1 ; u2 ; u3 ) R3 et Card ( ) = 3 = dim R3 ,
1 1 1
on va calculer det ( ) = 1 3 2 = 1 6= 0, donc est une base de R3 .
1 2 1
b) La matrice 2 de passage3 P de la base 0 à la base est :
1 1 1
P =P 0 =4 1 3 2 5
1 2 1
c) La matrice de passage P 0 de la 0 base à la base
1 0 est :
1 1 1
1
P0 = P 0 = P 0 =P 1=@ 1 0 1 A.
2 31 1 2
1
d) On a X = P 0 X 0 = 4 6 5 d’une façon
7
l’autre 2façon serait
3 par exemple de noter que
2
X 0 = 4 3 5 = au1 + bu2 + cu3
2 4 3 2 3 2 3
1 1 1
X 0 = a 4 1 5 + b 4 3 5 + c 4 2 5 et en résolvant le
1 2 1
système on trouve bien a 0 = 1, b = 6, 1 c = 7.
0 0 0
e) On a : D = P 1 AP = @ 0 1 0 A d’une façon
0 0 2
l’autre façon est de calculer et résoudre successivement
2 3 2 :3 2 3
1 1 1
(S1 ) , (f (u1 )) 0 = au1 + bu2 + cu3 = a 4 1 5 + b 4 3 5 + c 4 2 5,
1 2 1
68
2 3 2 3 2 3
1 1 1
(S2 ) , (f (u2 )) 0 = a0 u1 + b0 u2 + c0 u3 = a 4 1 5 + b 4 3 5 + c 4 2 5,
21 3 22 3 21 3
1 1 1
(S3 ) , (f (u3 )) 0 = a00 u1 + b00 u2 + c00 u3 = a 4 1 5 + b 4 3 5 + c 4 2 5,
1 2 1
je rappelle que0les (Si ) pour i
1 0 = 1, 2, 3, sont
1 des systèmes à résoudre.
a a0 a00 0 0 0
Et alors D = @ b b0 b00 A = @ 0 1 0 A.
c c0 c00 0 0 20 12 3 2 3
0 0 0 1 0
f) (f (x1 )) = M at (f; ; ) X = DX = @ 0 1 0 A 4 6 5 = 4 6 5.
0 0 2 7 14
Pour la deuxième façon, on rappelle qu’à la question 1. on a calculer
f (x1 ) dans la2 base3 0 , de là on fait la mise2en équation
3 2 suivante
3 2: 3
8 1 1 1
(f (x1 )) 0 = 4 10 5 = au1 + bu2 + cu3 = a 4 1 5 + b 4 3 5 + c 4 2 5
2 1 2 1
en résolvant le système ci-dessus, on trouve 8 bien a = 0, b = 6, c = 14.
2 2 1
>
> A = PD P
< 3
A = P D3 P 1
g) On a D = P 1 AP , A = P DP 1 ) .
>
> A4 = P D4 P 1
: n
A = P Dn P 1 , n 2 N
Il faut
0savoir que1 0 1 0 1
0 0 0 0 0 0 0 0 0
D = @ 0 1 0 A ) Dn = @ 0 1n 0 A = @ 0 1 0 A, n 2 N.
0 0 2 0 0 0 2n 1 0 0 0 2n 1 0 1
1 1 1 0 0 0 1 1 1
Ainsi : n 2 N, An = P Dn P 1 = @ 1 3 2 A @ 0 1 0 A @ 1 0 1 A
0 n 11 2 1 0 0 2n 1 1 2
n n+1
2 1 2 1 2
An = @ 2n+1 3 2n+1 3 2n+2 A.
2n 2 2n 2 2n+1
69
Chapitre 6
REDUCTION D’ENDOMOR-
PHISME :DIAGONALISATION
Soit u 2 EndK (E), avec E un K-espace vectoriel de dimension n.

Existe-t-il une base B = (e1 ; :::; en ) de E telle que
M at (u; B) soit une matrice diagonale ou à défaut triangulaire ?
Si une telle base existe, on dira que cet endomorphisme a une reduite
diagonale ou triangulaire à défaut.
Supposons qu’il existe B = (e1 ; :::; en ) base de E telle que

0 1
1 0 0
B . . . .. C
B 0 2 . C
M at (u; B) = D = B . . . C.
@ .. .. .. 0 A
0 0 n
Dé…nition 6.0.1. de la matrice de l’application linéaire :

8
>
> u (e1 ) = 1 e1
>
< u (e2 ) = 2 e2
.. .. .. .
>
> . . .
>
: u (e ) =
n en n
Valeurs propres, vecteurs propres
Soit u 2 EndK (E) ; on appelle vecteur propre de u tout vecteur x 2 E,
x 6= 0, 9 2 K véri…ant u (x) = x et un tel scalaire 2 K est appelé
la valeur propre de u s’il existe x 2 E, x 6= 0, tel que u (x) = x.
Soit A02 Mn1(K). On appelle vecteur propre de A, toute matrice colonne
x1
B x2 C
B C
X = B .. C 6= 0 appartenant à Mn;1 (K) telle qu’il existe 2 K
@ . A
xn
véri…ant AX = X.
On appelera valeur propre de A tout scalaire 2 K tel qu’il existe
X 2 Mn;1 (K), X 6= 0 avec AX = X.
Remarque
est valeur propre de A , est valeur propre de u, où A = M at (u; B),
70
CHAPITRE 6. REDUCTION D’ENDOMORPHISME :DIAGONALISATION
B une base de E un K-espace vectoriel de dimension …nie n

Soient u 2 EndK (E) et 2 K. Alors est valeur propre
de u , Il existe x 2 E, x 6= 0E , tel que
u (x) = x = idE (x) = 1E (x) ,
(u 1E ) (x) = 0E avec x 6= 0E , ker (u 1E ) 6= f0E g ,
(u 1E ) n’est pas injective, (u 1E ) est non inversible
, det (u 1E ) = 0.
Remarque
Soit A 2 Mn (K) et soit 2 K. Alors est valeur propre de
A , det (A In ) = 0.
Dé…nition
Soit une valeur propre de u on pose N = N = ker (u 1E ) est
le sous-espace vectoriel propre associé à la valeur propre .
Dé…nition
Le spectre d’une matrice A(d’un endomrphisme f ) est l’ensemble de ses
valeurs propres, il est noté ici : Sp (A)(Sp (f )).
Exercice 0 1
1 1 1
Soit A = @ 1 1 1 A
1 1 1
1. Déterminer les valeurs propres de A.
2. Déterminer les sous-espaces vectoriels propres associés aux valeurs
propres de A.
Correction de l’exercice
1) Les valeurs propres de A sont 1 = 0 ; = 3. Sp (A) = f0; 3g,
c’est le spectre de A.
2) N0 =ker u ; u endomorphisme associé à A dans la base.canonique
de R3 :
On a N0 =vect(e01 ; e02 ) avec e01 = (1; 0; 1) ; e02 = (0; 1; 1).
N3 =vect(e03 ) avec e03 = (1; 1; 1).
6.1 Polynôme caractéristique,trace d’une matrice

Soit A = (aij ) 2 Mn (K).
X
n
On pose trA = a11 + a22 + ::: + ann = aii .
i =1
trA se lit trace de A.
Exercice
1) Montrer que l’application tr : Mn ! K
A 7 ! trA est linéaire.
2) Montrer que 8A; B 2 Mn (K) on a : tr (AB) = tr (BA).
3) En déduire que 8P 2 Mn (K) inversible, tr (P 1 AP ) = trA.
Remarque
1 si i = j
In = ( ij ) ; ij = : (le symbole de Kronecker)
0 si i 6= j
A XIn = (aij ij X) ; A = (aij ) 2 Mn (K).
Dé…nition
On appelle polynôme caractéristique de A le polynôme
71
PA (X) = det (A XIn ) ; avec A 2 Mn (K).

On a 8A = (aij ) 2 Mn (K) :
PA (X) = ( 1)n X n + ( 1)n 1 (trA) X n 1 + ::: + det A:
X n
avec trA = aii .
i=1
Remarques
1) Soit A 2 Mn (K) et soit 2 K: A = M at (u; ) ; une base de E:
Alors est valeur propre de A , det (u 1E ) = 0 = PA ( )
, est racine de PA (X). En conséquence A admet au maximum
n valeurs propres.
2) Les valeurs propres d’une matrice triangulaire T sont exactement
les éléments
0 de sa diagonale principale. 1
a11 a12 a13 a1n
B 0 a22 a23 a2n C
B C
B a3n C
T =B 0 0 a33 C
B .. .. . . . . .. C
@ . . . . . A
0 0 0 ann
PT (X) = det (T XIn )
a11 X a12 a13 a1n
0 a22 x a23 a2n
= 0 0 a33 X a3n
.. .. .. . . ..
. . . . .
0 0 0 ann X
= (a11 X) (a22 X) :::::: (ann X)
dont les racines sont exactement a11 ; a22 ; :::; ann .
6.2 Matrices semblables

Soient A; B 2 Mn (K) ; A et B sont dites semblables (on écrit A v B)
s’il existe P 2 Mn (K) inversible avec B = P 1 AP , A = P BP 1 .
On montre que PA (X) = P(P 1 AP ) (X) = PB (X).
6.3 Polynôme caractéristique d’un endomorphisme

Soit u 2 EndK (E)
On appelle polynôme caractéristique (resp. trace) de u; le polynôme
caractéristique (resp. trace) de la matrice de u dans une base
quelconque de E. Pu (X)= le polynôme caractéristique de u.
tr u= la trace de u.
Dé…nition
L’endomorphisme u de E est diagonalisable s’il existe une base B de
E telle que M at (u; B) soit diagonale.Une matrice A 2 Mn (K) est dite
diagonalisable s’il existe P inversible telle que D = P 1 AP ,
matrice diagonale. D s’appelle une réduite diagonale de A.
Dé…nition
Soit , une valeur propre de u 2 EndK (E), et soit k un entier 1.
72
est dite valeur propre multiple d’ordre k de u, si est racine multiple

d’ordre k de Pu (X).
Si k = 1, on dit que est valeur propre simple,
si k = 2, double, entre autre.
Remarque
On a 1 dim N k=l’ordre de multiplicité de la
valeur propre .
En particulier, si est valeur propre simple alors dim N = 1.
Dé…nition
Soit A 2 Mn (K), PA (X) le polynôme caractéristique de A est
scindé sur K si : n
Y
PA (X) = ( 1)n (X mi
i ) , pour i 2 K, 8i.
i=1
Exemple
Dans R, PA (X) = X (X 2)3 (X + 6)2 est un polynôme scindé
Mais, Dans R, PB (X) = X (X 2 + 1) (X + 6)2 n’est pas un polynôme
scindé.
Remarque
Soit A 2 Mn (K), si PA (X) le polynôme caractéristique de A est
scindé sur K c’est-à-dire :
Yn
PA (X) = ( 1)n (X mi
i ) , pour i 2 K, 8i,
i=1X
alors n = mi .
i
6.4 Théorème principal de la diagonalisation

Soient E un K-espace vectoriel de dimension n, u 2 EndK (E) :
Les assertions suivantes sont équivalentes
(i) u est diagonalisable
(ii) Pu (X) le polynôme caractéristique de u est
scindé sur K, et pour chaque
valeur propre i d’ordre de multiplicié ki , on a dim N i = ki .
où N i est le sous-espace vectoriel propre associé à la valeur
propre i .
Remarque
8u 2 EndK (E), avec Pu (X) le polynôme caractéristique de u
scindé sur K et de racines simples, alors u est
diagolisable. 0 1
0 1 1
La matrice A = @ 1 0 1 A est-elle diagonalisable ?
0 0 1
PA (X) = (X 1)2 (X + 1).
1 = 1, valeur propre simple 2 = 1, valeur propre double.
On a N1 =vect (e01 ) avec e01 = (1; 1; 0) ainsi dim N1 = 1 < 2
= l’ordre de multiplicité de 2 donc A n’est pas diagonalisable.
Théorème(très important)
Toute matrice réelle symétrique est diagonalisable.
73
Exercice01 1
1 1 1
Soit A = @ 1 1 1 A
1 1 1
1) Montrer que A est diagonalisable.
2) Donner une réduite diagonale D de A. Véri…er la formule
D = P 1 AP où P est à déterminer.
Correction de l’exo 1
1) On a vu que PA (X) = X 2 (3 X).
1 = 0, valeur propre double. 2 = 3, valeur propre simple.
On a N0 =vect (e01 ; e02 ) avec e01 = (1; 0; 1) ; e02 = (0; 1; 1).
N3 =vect (e03 ) avec e03 = (1; 1; 1). Ainsi dim N0 = 2 = l’ordre de
multiplicité de la valeur propre 0. Donc A est diagonalisable.
2) Une réduite2 diagonale 3 D de A.
0 0 0
On a D = 4 0 0 0 5 P = e01 e02 e03 .
0 0 3 2 3
2 1 1
1
D = P 1 AP . avec P 1 = 4 1 2 1 5.
3
1 1 1
Exercice 2
Soient E un K-espace vectoriel de dimension n et f , g deux
endomorphismes de E.
1) Montrer que l’ensemble des valeurs propres de f g est égal à l’ensemble
des valeurs propres de g f (distinguer les cas = 0 et 6= 0).
2) On suppose que f et g commutent et que f a n valeurs propres
distinctes.
a) Montrer que les vecteurs propres de f sont vecteurs propres de g.
b) En déduire qu’il existe une base de E dans laquelle les matrices
de f et g sont diagonalisables.
c) Montrer qu’il existe un polynôme P de Kn 1 [X] tel que g = P (f ).
d) On suppose que f et g commutent. Montrer que tout espace propre
de f est stable par g. En déduire que, si f et g commutent,
le noyau de f est stable par g et le noyau de g est stable
pour f .
Correction de l’exo 2
1) Si = 0 est valeur propre de f g,il existe un vecteur v non nul
de E, tel que f g (v) = 0:v = 0E ce qui signi…e que ker (f g) 6= f0E g
donc on a :
det (f g) = 0 = det (f ) det (g) = det (g) det (f ) = det (g f ) = 0
) ker (g f ) 6= f0E g, donc = 0 est valeur propre de g f .
Si 6= 0 est valeur propre de f g, il existe un vecteur v non nul
de E tel que f (g (v)) = v 6= 0E ; donc g (v) 6= 0E et
(g f ) (g (v)) = g (f g (v)) = g ( v) = g (v) ,
(g f IdE ) (g (v)) = 0E .
Ce qui prouve que est une valeur propre de g f ,
donc Sp (f g) Sp (g f ) et par analogie à ce qui précède on a :
Sp (g f ) Sp (f g) ; d’où l’égalité.
74
2) a)Soit une valeur propre de f et v un vecteur propre associé.

On a :
g (f (v)) = g f (v) = f g (v) =
f (g (v)) = g (f (v)) = g ( v) = g (v).
Si g (v) = 0E , alors 0 est valeur propre de g car v 6= 0E donc ker g 6= f0E g
et v est un vecteur propre associé à la valeur propre 0 de g.
Si g (v) 6= 0E , alors g (v) est un vecteur propre de f associé à
la valeur propre .
Comme les valeurs propres de f sont distinctes, les sous-espaces propres
associés aux valeurs propres distincts respectifs de f sont de
dimension 1 ; donc g (v) est colinéaire à v, ce qui prouve que v est
vecteur propre de g.
b) Les vecteurs propres de f forment une base B de E, comme ce sont
des vecteurs propres de g, la matrice de g par rapport à B est diagonale.
c) Posons B = (v1 ; :::; vn ). Pour tout i, 1 i n, notons i et i ,
les scalaires tels que f (vi ) = i vi et g (vi ) = i vi .
X
n 1
On cherche un polynôme P (X) = xk X k tel que g = P (f ),
k=0
cette condition équivaut à g (vi ) = P (f ) (vi ), 81 i n,
ce qui8donne le système :
n 1
> x0 + 1 x 1 + xn 1 = 1
>
> . . .
1
. ..
>
< ..
> .. .. .. .
n 1
(S) , x0 + i x1 + i xn 1 = i
>
> .. .. .. .. ..
>
> . . . . .
>
: n 1
x0 + n x1 + n xn 1 = n
n 1
1 1 1
.. .. .. ..
. . . .
n 1
Le determinant de (S) est : 4 = 1 i i .
.. .. .. ..
. . . .
n 1
1 n n
C’est un déterminant de Vandermonde ; il est non nul car les valeurs
propres de f sont distinctes. On peut donc trouver une solution unique
(x0 ; x1 ; :::; xn 1 ) qui détermine le polynôme P .
d) Si est une valeur propre de f et v un vecteur propre associé i.e :
f (v) = v, on a : f (g (v)) = g (f (v)) = g ( v) = g (v)
, (f IdE ) (g (v)) = 0E , délà
8v 2 ker (f IdE ), g (v) 2 ker (f IdE )
donc g (ker (f IdE )) ker (f IdE ).
De même avec une valeur propre de g et w un vecteur propre associé,
i.e : g (w) = w, on a : g (f (w)) = f (g (w)) = f ( w) = f (w)
, (g IdE ) (f (w)) = 0E ,
délà 8w 2 ker (g IdE ), f (w) 2 ker (g IdE )
donc f (ker (g IdE )) ker (g IdE ).
En prenant = = 0, on sait que les sous-espaces vectoriels propres
respectivement de f et de g associés à = 0 (resp. = 0) sont les
noyaux respectivement de f et de g d’où g (ker (f )) ker (f ) et
75
f (ker (g)) ker (g) ; d’où la thèse.
6.5 Une application de la diagonalisation

Exercice
un+1 = 5un 3vn
Soient les suites suivantes : (S) ,
vn+1 = 6un 6vn
avec u0 ; v0 donnés.
un
1) Ecrire (S) sous forme matricielle : Un+1 = AUn avec Un =
vn
2) Montrer que A est diagonalisable et que l’une de ses réduites
4 0
diagonales est : D = .
0 3
3) Trouver une matrice inversible P telle que A = P DP 1
et calculer An ; 8n 2 N.
3) Déterminer les suites (un ) et (vn ) satisfaisant le système de
relations de récurrence (S)
1) Le système donné (S) s’écrit matriciellement :
un 5 3
Un+1 = AUn avec Un = et A = .
vn 6 6
2) Le polynôme caractéristique de A est PA (X) = (X + 4) (X 3).
PA (X) est scindé simple donc A est diagonalisable
4 0
On peut bien avoir une réduite diagonale de A comme D = .
0 3
Les sous-espaces propres E( 4) = ker (A + 4I2 ) = vect (1; 3) et
E3 = ker (A 3I2 ) = vect (3; 2).
1 3 1 2 3
On a A = P DP 1 avec P = ,P 1=
3 2 7 3 1
4 0
et D = .
0 3
Aussi :
1 3 ( 4)n 0 1 2 3
An = P Dn P 1 = n
3 2 0 3 7 3 1
9 n 2 n 3 n 3 n
3 ( 4) 7 ( 4) 3
An = P Dn P 1 = 76 n 76 n 9 n
7
2 n ; 8n 2 N.
7
3 7
( 4) 7
( 4) 7
3
.
3) Ainsi Un+1 = AUn et on a (Un )n2N comme une suite géométrique
de raison A et de premier terme U0 ) Un = An U0 ; 8n 2 N avec
u0
U0 = . 8n 2 N, on a :
v0
un 9 n
3 2
( 4)n 73 ( 4)n 73 3n u0
Un = = 67 n 76 n 9 n 2 n
vn 7
3 7
( 4) 7 ( 4) 7
3 v0
3 n 3 n 2 n 9 n
un v0 7 3 7
( 4) u0 7 ( 4) 7
3
=
vn u0 76 3n 67 ( 4)n v0 27 3n 97 ( 4)n
76
6.5.1 Puissance d’une matrice diagonale

0 1
a11 0 0 0
B 0 a22 0 0 C
B .. C
B C
Soit D = B 0 0 a33 . C;
B . . . . C
@ .. .. .. .. 0 A
0 0 0 ann
0 k 1
a11 0 0 0
B 0 ak22 0 0 C
B .. C
k B k C
D =B 0 0 a33 . C ; où k 2 N .
B . .. .. .. C
@ .. . . . 0 A
0 0 0 aknn
Soit A une matrice diagonalisable, alors il existe D matrice diagonale et
P inversible telle que
D = P 1 AP , A = P DP 1 ) Ak = P Dk P 1 où k 2 N .( )
Si A ou D sont inversibles, cette relation est également vraie pour les
puissances entières négatives et alors :
D 1 = P 1 A 1 P , A 1 = P D 1 P 1 ) Ak = P Dk P 1 où k 2 Z .
Remarques
(i) En passant au somme de combinaisons linéaires de puissances de A
ou D, nous voyons aussi que ( ) entraîne f (D) = P 1 f (A) P
, f (A) = P f (D) P 1 où f est un polynôme ou, plus généralement,
une fonction dé…nie par une série entière convergente appropriée de A
ou D .
(ii) L’utilité de l’expression de f (A) ainsi obtenue est due au fait que
f (diag(a1 ; a2 ; :::; an )) = diag(f (a1 ); f (a2 ); :::; f (an ))
pour f susdé…nie.
Ainsi exp (A) = P exp (D) P 1 et
exp(diag(a1 ; a2 ; :::; an )) = diag(exp(a1 ); exp(a2 ); :::; exp (an ))
6.5.2 Application aux systèmes di¤érentiels linéaires du premier

ordre à coe¢ cients constants
Soit 0 1 0 1
x01 (t) x1 (t)
B x02 (t) C B x2 (t) C
B C B C
X 0 (t) = AX (t) +B (t) , B .. C = AB .. C + B (t) ( )
@ . A @ . A
x0n (t) xn (t)
0 1
b1 (t)
B b2 (t) C
B C
où A est une matrice carrée d’ordre n et B (t) = B .. C
@ . A
bn (t)
et x1 (t) ; x2 (t) ; :::; xn (t) désignent des fonctions inconnues de variable t
supposé être le temps de classe CR1 , x01 (t) ; x02 (t) ; :::; x0n (t), leurs dérivées
respectives par rapport à t. A = (aij )1 i; j n et aij des constantes,
appelées coe¢ cients du système, et b1 (t) ; b2 (t) ; :::; bn (t) des fonctions
77
de classe CR1 au moins, est un systèmes di¤érentiels linéaires du

premier ordre à 0coe¢ cients
1 constants avec second membre.
x1 (0)
B x2 (0) C
B C
En posant X0 = B .. C, la fonction à valeurs vectorielles
@ . A
xn (0)
dé…nie parX(t) = (exp(tA)) X0 est solution de l’équation X 0 (t) = AX (t)
avec condition initiale X0 ,équation appelé équation homogène ou
systèmes di¤érentiels linéaires du premier ordre à coe¢ cients
constants sans second membre.
Posant
Xp (t) = (exp(tA)) X0 (t) ) Xp0 (t) = (exp ( tA)) B (t) d’après ( ) )
Z t
Xp (t) X0 = (exp ( sA)) B (s) ds et il s’ensuit que la solution
0 Z t
générale de ( ) est X(t) = (exp(tA)) exp ( sA) B (s) ds + X0 .
0
6.6 Polynômes d’endomorphismes

Soit u 2 EndK (E), on pose u0 = 1E ; u1 = u ; u2 = u u ;::::: ;
uk = uk 1 u.
Soit P (X) 2 K [X], P (X) = a0 + a1 X + a2 X 2 + :::: + ar X r
P (u) = a0 1E + a1 u + a2 u2 + :::: + ar ur 2 EndK (E).
P (u) s’appelle un polynôme d’endomorphismes.
P est appelé un polynôme annulateur de u si P (u) = 0EndK (E) .
Remarque
Soit P (X) = a0 + a1 X + a2 X 2 + ::: + ar X r 2 K [X]
avce A 2 Mn (K) On pose :
P (A) = a0 In + a1 A + a2 A2 + ::: + ar Ar = un polynôme de matrice.
Soit u 2 EndK (E) …xé, Soit 'u : K [X] ! EndK (E)
P (X) 7 ! P (u)
'u est un morphisme d’anneaux.
(resp. soit A 2 Mn (K) …xé, Soit 'A : K [X] ! Mn (K)
P (X) 7 ! P (A)
'A est un morphisme d’anneaux).
ker 'u = P (X) 2 K [X] = P (u) = 0EndK (E)
=l’ensemble des polynômes annulateurs de u.
(resp. ker 'A = P (X) 2 K [X] = P (A) = 0Mn (K)
= l’ensemble des polynômes annulateurs de A)
ker 'u (resp. ker 'A ) est un idéal de K [X] donc ker 'u = vect (P (X))
(resp. ker 'A = vect (P (X))) pour un certain P (X) 2 K [X] ;
car K [X] est un anneau principal, donc tous ses idéaux
sont monogènes.
Dé…nition
On appelle polynôme unitaire, tout polynôme
f (X) 2 K [X] de la forme : f (X) = a0 + a1 X + ::: + ar 1 X r 1 + X r .
Proposition
78
Il existe un polynôme unitaire unique mu (X)(resp. mA (X)) tel que

ker 'u = vect (mu (X))(resp. ker 'A = vect (mA (X))) ;
car K [X] est un anneau principal.
Dé…nition
Avec mu (X)(resp. mA (X)) polynôme unitaire tel que
ker 'u = vect (mu (X))(resp. ker 'A = vect (mA (X))) ;
mu (X) est le polynôme minimal de u 2 EndK (E)
(resp. mA (X) est le polynôme minimal de A 2 Mn (K)).
Résumé
Soit u 2 EndK (E)(resp. A 2 Mn (K)).
Le polynôme minimal de u(resp. A) est l’unique polynôme mu (X)
(resp. mA (X)) véri…ant :
(i) mu (X)(resp. mA (X)) est unitaire
(ii) mu (u) = 0EndK (E) (resp. mA (A) = 0Mn (K) )
(iii) Si P (X ) est tel que P (u) = 0EndK (E) (resp. P (A) = 0Mn (K) )
alors mu (X)(resp. mA (X)) divise P (X)).
Théorème de Cayley-Hamilton
1. 8u 2 EndK (E), on a Pu (u) = 0EndK (E)
2. 8A 2 Mn (K) matrice associée à u alors PA (A) = 0Mn (K) .
Remarque
1. Le théorème de Cayley-Hamilton veut dire que mu (X) divise
Pu (X)(resp. mA (X) divise PA (X)).
2. Le polynôme minimal d’une matrice diagonalisable est scindé
simplement(les facteurs sont simples).
Exercice
Soit u l’endomorphisme
0 de R3 tel que1
1 1 1
A = M at (u; B) = @ 1 1 1 A. B= base canonique de R3 .
1 1 1
Calculer le polynôme minimal mu (X).
Pu (X) = (X 1) (X + 2)2
D’après le théorème de Cayley-Hamilton mu (X) divise Pu (X).
Ainsi
X 1; X + 2; (X 1) (X + 2) ; (X + 2)2 ;
mu (X) 2 ,
(X 1) (X + 2)2
on a : mu (A) = (A I3 ) (A + 2I3 ) = 0 donc
mu (X) = (X 1) (X + 2).
Exercice
Soit E un K-espace vectoriel, u 2 End (E), 2 sp (u).
1) Montrer que 8k 2 N , k est valeur propre de uk . et que
les vecteurs propres de u sont vecteurs propres de uk .
2) Soit P 2 K [X]. Montrer que P ( ) 2 sp (P (u)) et que les vecteurs
propres de u sont vecteurs propres de P (u).
3) On suppose que P est annulateur de u. Montrer que le spectre de u
est contenu dans l’ensemble des racines de P .
Proposition de correction
1)u 2 End (E), 2 sp (u) , 9x 2 En f0E g ; u (x) = x
79
Donc u2 (x) = u (u (x) = x) = u ( x) = u (x) = x = 2 x.

k k
Soit l’hypothèse de récurrence : 8k 2 N , u (x) = x ;
Evaluons uk+1 (x) = u uk (x) = k x = k u (x) = k x = k+1 x
D’où 9x 2 En f0E g ; u (x) = x ) 8k 2 N , uk (x) = k x )
k
2 Sp uk et x de u (x) = x est vecteur propre
de uk associé à la valeur propre k .
Xn
2) Soit P 2 | [X], avec P (X) = ai X i ;
i=1
9x 2 En f0E g ; u!(x) = x )
Xn Xn Xn
P (u) (x) = i
ai u (x) = i
ai u (x) = ai i x
i=1 ! i=1 i=1
Xn
= ai i (x) = P ( ) (x) ) P ( ) 2 Sp (P (u))
i=1
et x de u (x) = x est vecteur propre de P (u) associé à
la valeur propre P ( ).
3) Si P (u) = 0EndE )d’après 2), on a :
9x 2 En f0E g ; u (x) = x!)
Xn Xn Xn
0E = P (u) (x) = ai ui (x) = ai ui (x) = ai i x
i=1! i=1 i=1
Xn
= ai i (x) = P ( ) (x), comme x 2 En f0E g,
i=1
alors P ( ) = 0.
Théorème des noyaux
Soit E un K-espace vectoriel(non nécessairement de dimension …nie),
Soient u un endomorphisme de E, n 2 N , P1 ; P2 ; :::; Pn 2 K [X]
polynômes premiers entre eux deux à deux. Alors les sous-espaces
ker (Pi (u)) (1 i n) !
Mn Y
n
sont en somme directe et : ker (Pi (u)) = ker Pi (u) .
i=1 i=1
Remarque
Comme Pu (u) = 0(PA (A) = 0) et mu (u) = 0(mA (A)), alors toutes
racines de Pu (X)(PA (X)) sont racines de mu (X)(mA (X)) et
inversement.
Corollaire
Quand un polynôme annulateur d’un endomorphisme est scindé simple
sur un corps de base K, alors l’endomorphisme est
diagonalisable sur ce corps.
Corllaire(Réduction à une forme diagonale par blocs)
Soient E un K-espace vectoriel de dimension …nie 1,
u un endomorphisme
8 de E, n 2 N , P1 , P2 ,...,Pn 2 K [X]
< P (X) = Y P (X) , polynôme caractéristique de u
n
>
u i
tel que :
> i=1
: P ; P ; :::; P sont premiers entre eux deux à deux.
1 2 n
Notons, pour i 2 f1; 2; ::; ng, ni = dim (ker Pi (u)) :
Il existe une base B de E et des matrices
80
Ai 2 M2 n i (K) (1 i n)3 telles que :

A1 0 0
6 . .. 7
M atB (u) = 4 0 0 5.
0 0 An
Corollaire
Soit deux endomorphismes d’un K-espace vectoriel f et g
si f et g commutent alors ker f et Im f sont stables par g, de même
ker g et Im g sont stables par f .
81
Chapitre 7
TRIANGULATION OU
TRIGONALISATION
Soit u 2 EndK (E) ; u est triangulable ou trigonalisable s’il existe

une base B de E telle que M at (u; B) soit triangulaire. Une matrice
A est triangulable(trigonalisable) s’il existe T triangulaire et P
inversible telle que T = P 1 AP . Ainsi T est dite réduite triangulaire
de A.
Diagonalisable ) triangulable, car une matrice diagonale est à la
fois triangulaire inférieure et triangulaire supérieure.
Le problème de triangulation d’un endomorphisme(d’une matrice) ne
se pose que s’il(elle) n’est pas diagonalisable.
Proposition
L’endomorphisme u de E un K-espace vectoriel(A 2 Mn (K)) est
triangulable si et seulement si Pu (X)( PA (X)) est scindé dans K,
Corollaire
Si K = C alors tout C-endomorphisme de E est triangulable.
Preuve
Car C est algébriquement clos. C’est-à-dire si un polynôme
P (X) 2 C [X], il est scindé dans C.
Exercice 1
1 2
A= 2 M2 (R) est-elle triangulable ?
1 1
Correction de l’exercice 1
PA (X) = X 2 + 1 Les racines i et i de PA (X) n’appartiennent pas à R
donc A n’est pas triangulable dans R. Elle est plutôt diagonalisable
dans C.
Exercice22 3
1 1 2
Soit A = 4 1 1 2 5.
1 1 2
Montrer que A n’est pas diagonalisation mais que A est trigonalisable
dans R et donner une réduite triangulaire.
PA (X) = X 3
= 0 2 R, valeur propre triple de A. N0 = ker u ; A = M at (u; B),
B = (e1 ; e2 ; e3 ) base canonique de R3 . N0 = vect (e01 ; e02 ) ;
82
CHAPITRE 7. TRIANGULATION OU TRIGONALISATION
avec e01 = (1; 1; 0), e02 = (1; 1; 1) ainsi dim N0 = 2 < 3

= l’ordre de multiplicité de la valeur propre 0.
Donc A n’est pas diagonalisable.
A est triangulable car l’unique valeur propre 0 2 R et PA (X) est
scindé dans R.
Soit e03 = (x1 ; x2 ; x3 ) 2 R3 telle que B 0 = (e01 ; e02 ; e03 ) soit une
base de R3 .
Soit PBB 0 = e01 e02 e03 ;
1 1 x1
det PBB 0 = 1 1 x2 = 2x3 x1 x2 6= 0.
0 1 x3
On peut prendre e03 = (1; 0; 0)
Soit T = M at (u; B 0 )
u2(e01 ) u (e02 ) 3u (e03 )
0 0 a
T = 4 0 0 b 5;
0 02 0 3 2 3 2 3
a+b 1 1
u (e03 ) = ae01 + be02 = 4 a + b 5 = 4 1 5 = A 4 0 5
b B
1 0
a = 0
=) .
2 3 b = 1
0 0 0
4
T = 0 0 1 5 est une réduite triangulaire de A.
0 0 0 0 1 0 1
1 1 1 0 1 1
P = PBB 0 = @ 1 1 0 A ; P 1 = @ 0 0 1 A;
0 0 0 1 1 2
T = P 1 AP .
83
Chapitre 8
FORMES BILINEAIRES
SYMETRIQUES,FORMES
QUADRATIQUES(en dimension
…nie)
Ceci est une étude des propriétés du produit scalaire usuel

(la bilinéairité, la bilinéarité et la symétrie, la bilinéarité dé…nie positive
et la symétrie) jusqu’à sa généralisation.
8.1 Matrice d’une forme bilinéaire

Rappel
Etant donné une base = (e1 ; e2 ; :::; en ) d’un K-espace
vectoriel E, de dimension n.
Il y a un isomorphisme $ : E ! Mn ;1 (K) qui à
Xn
x= xi e i 2 E
i=1 2 3
x1
6 x2 7
6 7
associe la matrice colonne X = M at (x; ) = 6 .. 7.
4 . 5
xn
E est un K-espace vectoriel. On appelle forme bilinéaire sur E,
toute application
f :E E !K
(x; y) 7 ! f (x; y)
linéaire par rapport à x et linéaire par rapport à y.
Linéarité par rapport à x se traduit par :
f (x + x0 ; y) = f (x; y) + f (x0 ; y)
8x, x0 ,y 2 E, 8 2 K.
f ( x; y) = f (x; y)
On note L2 (E) = l’ensemble des formes bilinéaires.
Soit = (e1 ; e2 ; :::; en ) une base de E. Soit f 2 L2 (E),
84
CHAPITRE 8. FORMES BILINEAIRES SYMETRIQUES,FORMES
QUADRATIQUES(EN DIMENSION FINIE)
X
n X
n
2
8 (x; y) 2 E , f (x; y) =?, x = xi ei ; y = yj ej ,
i=1 j=1
!
X
n X
n
on a : f (x; y) = f xi e i ; yj ej
i=1 j=1
X
n X
n
= f (ei ; ej ) xi yj .
i=1 j=1
A = (aij = f (ei ; ej )) = M at (f; ). On appelle A la matrice
de Gram de ou des vecteurs e1 ; e2 ; :::; em .
Réprésentation matricielle
Soit = (e1 ; e2 ; :::; en ) une base de E; f 2 L2 (E),
A = M at (f; ).
X n X n
x= xi e; y= yj ej , X = M at (x; ),
i=1 j=1
Y = M at (y; ) ; f (x; y) = (t X) AY = (t X) (AY )
Exercice
E = R2
E E !R
(x; y) 7 ! f (x; y) = 3x1 y1 + x1 y2 + x2 y1 x2 y2 .
x = (x1 ; x2 ), y = (y1 ; y2 ) 2 E
1. Montrer que f 2 L2 (E).
2. Soit = (e1 ; e2 ) base canonique de R2 , calculer A = M at (f; ).
Véri…er la formule f (x; y) = (t X) AY .
Réponse
3 1 x1 y1
2) A = ,X= ,Y = .
1 1 x2 y2
3 1 y1
(t X) AY = (x1 x2 )
1 1 y2
= 3x1 y1 + x1 y2 + x2 y1 x2 y2 = f (x; y).
Proposition
Moyennant une base = (e1 ; e2 ; :::; en ) de E un K-espace
vectoriel,
a) L’application L2 (E) ! Mn (K), ' 7 ! (' (ei ; ej ))1 i; j n est
un isomorphisme.
b) On en déduit dim L2 (E) = dim Mn (K) = n2 .
c) On a (8X; Y 2 Mn;1 (K) , (t X) AY = 0) () A = 0.
d) A; B 2 Mn (K) sont telles que (t X) AY = (t X) BY ,
8X; Y 2 Mn ;1 (K) ; alors A = B:
Changement de base
= (e1 ; e2 ; :::; en )
Soit f 2 L2 (E). 0 2 bases de E.
= (e01 ; e02 ; :::; e0n )
A = M at (f; ), A0 = M at (f; 0 )
Soit P = P 0 = matrice de passage de à 0 . Alors A0 = (t P ) AP
En e¤et,
soit x; y 2 E, X = M at (x; ), X 0 = M at (x; 0 ), Y = M at (y; ),
Y 0 = M at (y; 0 ). On sait que X = P X 0 , Y = P Y 0 , on a :
f (x; y) = (t X 0 ) A0 Y 0 = (t X) AY = (t X 0 ) (t P ) AP Y 0 ,
85
8X 0 ; Y 0 2 Mn ;1 (K). Donc A0 = (t P ) AP .
Proposition
L’espace des formes bilinéaires sur E un K-espace vectoriel de
dimension n, est isomorphe à l’espace des matrices de type n n à
coe¢ cients dans K.
8.2 Noyau et Isotropie d’une forme bilinéaire ré‡èxive

8.2.1 Noyau
Dé…nition
1) Une forme bilinéaire f est dite ré‡exive si
f (x; y) = 0 () f (y; x) = 0, 8x; y 2 E.
2) ker f = fx 2 E / f (x; y) = 0; 8y 2 Eg
= fx 2 E / f (y; x) = 0; 8y 2 Eg
Remarques
Soit f 2 L2 (E) et soit une base de E, X = M at (x; ),
Y = M at (y; ), 8x; y 2 E, A = M at (f; ).
i) X 2 ker f () (t X) AY = 0, 8Y 2 Mn ;1 (K) ,
(t X) A = 0 , (t A) X = 0.
Donc ker f = fX 2 Mn ;1 (|) ; (t A) X = 0g.
ii) X 2 ker f , (t Y ) AX = 0, 8Y 2 Mn ;1 (K)
() AX = 0.
Donc ker f = ker f 0 = fX 2 Mn ;1 (K) ; AX = 0g = ker (A).
En résumé
Relativement à une base donnée,
le noyau de f 2 L2 (E) s’exprime comme le noyau de la matrice
de f relativement à la base en question.
Dé…nition
i) f est dite :
–dégénérée si ker f 6= f0E g :
–non dégénérée si ker f = f0E g :
ii) Un vecteur x 2 E est dit isotrope si f (x; x) = 0(0 est isotrope).
Sinon il est dit anisotrope(i.e. f (x; x) 6= 0).
Dé…nitions
i) Une forme bilinéaire f est dite symétrique si
f (x; y) = f (y; x), 8x, y 2 E.
On note S (E) l’ensemble des formes bilinéaire symétriques.
ii) Une forme bilinéaire f est dite antisymétrique si f (x; y) = f (y; x),
8x, y 2 E.
On note A (E) l’ensemble des formes bilinéaire antisymétriques.
iii) Une forme bilinéaire f est dite alternée si f (x; x) = 0, 8x 2 E.
Proposition
Soit E un K-espace vectoriel de dimension …nie n, et f une forme bilinéaire
sur E. Alors f est non dégénérée si et seulement si le déterminant de
sa matrice dans une base quelconque est non nul.
Proposition
Soit E un K-espace vectoriel de dimension …nie n, et f une forme bilinéaire
86
sur E. Alors le rang de f est égal au rang de sa matrice dans

une base quelconque.
Lemme
i) Une forme bilinéaire alternée est antisymétrique
ii) On suppose que K est un corps de caractéristique di¤érente de 2.
Alors une forme bilinéaire antisymétrique est alternée.
Preuve
i) 8x; y 2 E, on a :
0 = f (x + y; x + y) = f (x; x) + f (x; y) + f (y; x) + f (y; y)
= f (x; y) + f (y; x) = 0 =) f (x; y) = f (y; x).
ii) f (x; x) = f (x; x) =) 2f (x; x) = 0 =) f (x; x) = 0. 8x 2 E.
Rémarques
~ Forme symétrique ou antisymétrique est ré‡exive.
~ Toute forme bilinéaire ré‡exive est soit symétrique ou
antisymétrique.
Lemme
Une forme bilinéaire non identiquement nulle est une application
surjective.
Preuve
Soit f une forme bilinéaire non identiquement nulle,
alors il existe (x; y) 2 E 2 et a 2 K tel que f (x; y) = a 6= 0.
8 2 K, on a f ( x; a 1 y) = a 1 f (x; y) = .
8.3 ORTHOGONALITE PAR RAPPORT À UNE

FORME BILINEAIRE REFLEXIVE
Soit f 2 L2 (E) ré‡èxive
Deux vecteurs x et y sont dits orthogonaux relativement à f ,
si f (x; y) = 0, on écrit x ? y:
Remarque
0 ? x, 8x 2 E, car f (0; x) = 0 f (y; x) = 0 ; 8y 2 E.
Dé…nition
Soit A E, on pose :
A? = fx 2 E / f (x; a) = 0 = f (a; x) , x ? a; 8a 2 Ag
est l’orthogonal de A.
Montrer que l’orthogonal de A est un sous-espace vectoriel.
Remarque
ker f = fx 2 E / f (x; y) = 0 = f (y; x) ; 8y 2 Eg = E ? , 8 f 2 L2 (E).
Théorème
Si F et G sont des sous-ensembles non vides de (E; f ) espace vectoriel
sur lequel est dé…nie la forme bilinéaire f , alors on a :
i)F G ) G? F ?
ii) F (F ? )?
iii) (F + G)? = F ? \ G?
iv) F ? +G? (F \ G)?
v) dimF + dimF ? = dimE + dim(F \ ker f ),
si F est un sous-espace vectoriel de E.
87
Dans le cas où f est non dégénérée et que F et G sont des

sous-espaces vectoriels de E, on a :
1) dimF + dimF ? = dimE,
2) F = (F ? )? ,
3) F ? + G? = (F \ G)? .
Remarques
i) f (x; x) = 0 , x ? x () x est isotrope.
ii) Avoir dim A + dim A? = n ne signi…e pas que A \ A? = f0E g,
avec A est un sous-espace vectoriel de E.
8.3.1 Cône isotrope

Dé…nition
Le cône isotrope est :
C (f ) = fx 2 E; f (x; x) = 0g.
Dé…nition
f est dé…nie sur E ssi C (f ) = f0E g.
Remarques
i) Généralement on a : ker (f ) C (f ).
ii) Un vecteur est isotrope signi…e qu’il est orthogonal à lui-même.
iii) La dénomination de "Cône" vient du fait que si x 2 C (f ) alors
pour tout scalaire 2 K, x 2 C (f ). Ainsi C (f ) est stable par
toute homothétie de rapport 2 K.
Proposition
Si E est un K-espace vectoriel de dimension …nie, alors
8f 2 L2 (E), dim E = dim (ker f ) + rang (f ).
Proposition
Soit f une forme bilinéaire (f 2 L2 (E)). dim E = n, A = M at (f; ),
une base du K-espace vectoriel E.
f est non dégénérée , ker f = f0E g , rgf = n = dim E
, rgA = n , A est inversible.
8.4 Formes bilinéaires symétriques, formes quadra-

tiques
Dé…nition
Une forme bilinéaire f 2 L2 (E) est dite symétrique si f (x; y) = f (y; x) ;
8x; y 2 E:
8.4.1 Ecriture matricielle d’une Forme bilinéaire

Soit = (e1 ; e2 ; :::; en ) une base de E; f 2 L2 (E) ;
Xn X
n
A = M at (f; ), x = xi e i ; y = yj ej ; X = M at (x; ) ;
i=1 j=1
Y = M at (y; ) :
f (x; y) = (t X) AY = f (y; x) = (t ((t X) AY )) = (t Y ) (t A) X:
Proposition
88
La forme bilinéaire f est symétrique()il existe une base de E telle

que A = M at (f; ) soit symétrique
(une matrice A est symétrique ssi A =t A:)
Preuve
En e¤et si : A = (aij ) = M at (f; ) ; aij = f (ei ; ej )
= f (ej ; ei ) = aji :
Notation
On note S2 (E) = l’ensemble des formes bilinéaires symétriques sur E:
Proposition
S2 (E) est un sous-espace vectoriel de L2 (E) :
Remarque
1)Soit = (e1 ; e2 ; :::; en ) une base de E et soit f 2 S2 (E) :
Xn X n
x= xi ei et y = yj ej
i=1 j=1
X
n X
n
alors f (x; y) = aij xi yj où aij = f (ei ; ej ) :
i=1 j=1
X
n X
n
2)Si y = x alors f (x; x) = aij xi xj
i=1 j=1
f (x; x) est appelée une forme quadratique si f 2 S2 (E).
8.4.2 Formes quadratiques

Dé…nition
On appelle forme quadratique sur le K-espace vectoriel E;
toute application q : E ! K telle qu’il existe une base dans laquelle
q (x) est un polynôme de degré 2 par rapport aux variables coordonnées
2 ; :::; xn de x; c’est-à-dire si
x1 ; x8
< x 2 E; 8 2 K; q ( x) = 2 q (x) .
2
E ! K, (x; y) 7 ! q (x + y) q (x y)
:
est une forme bilinéaire symétrique.
Remarque
X n
Avec x = xi ei on a
i=1
X
n X
n
q (x) = aij xi xj où aij 2 K; 8i; j:
i=1 j=1
Notation
On note Q (E) = l’ensemble des formes quadratiques sur E:
Proposition
Q (E) est un K-espace vectoriel.
Désormais K est de caractéristique 6= 2: i.e. (2:1 6= 0) :
(Dans Z=2Z; 2:1 = 0: Z=2Z = f1; 0g).
Proposition
Soit f 2 S2 (E) ; soit = (e1 ; e2 ; :::; en ) une base de E;
alors x 7 ! f (x; x) = q (x) est une forme quadratique sur E:
: S2 (E) ! Q (E)
f 7 ! q telle que q (x) = f (x; x) ; x 2 E:
89
est un isomorphisme de K-espaces vectoriels.

Dé…nition
8x; y 2 E,
1 1
f (x; y) = [q (x + y) q (x) q (y)] = [q (x + y) q (x y)].
2 4
est la polarisation de q ;
on véri…e que f 2 S2 (E) telle que f (x; x) = q (x). Donc (f ) = q.
Dé…nition
Dans la proposition précedente la forme quadratique q est dite associée
à la forme bilinéaire symétrique f . f est appelée forme polaire de
la forme quadratique q ; résultant donc de la polarisation de q.
Remarque
Il y a aussi un isomorphisme entre S2 (E) et Sn (K), l’ensemble des
matrices symétriques sur K le corps de base de E, espace vectoriel
1
de dimension n. Alors dim S2 (E) = dim Sn (K) = n (n + 1)
2
= dim Tns (K) = dim Tni (K)
où Tns (K) (resp.Tni (K)) l’ensemble des matrices carrées d’ordre n
triangulaires supérieures(resp.inférieures).
La dimension de dim Tns (K) est égale à la somme des entiers de 1 à n
en comptant les éléments au-dessus ou sur la diagonale principale
de Tns (K) de bas en haut.
En résumé
Si la forme quadratique est donnée alors sa forme polaire est :
1 1
f (x; y) = [q (x + y) q (x) q (y)] = [q (x + y) q (x y)],
2 4
8x; y 2 E. Ceci est la polarisation de q.
On peut, à partir de q, retrouver f par la règle de dédoublement :
connaissant
X n X Xn
2
q (x) = aii xi + 2 aij xi xj où x = x i ei ;
i=1 1 i < j n i=1
X
n X
on obtient : f (x; y) = aii xi yi + aij (xi yj + xj yi )
i=1 1 i < j n
X
n X
n
où x = xi ei et y = yj ej
i=1 j=1
x2i en xi yi (1 i n)
en dédoublant
2xi xj en xi yj + xj yi (1 i < j n)
Si la forme bilinéaire symétrique f est donnée alors la forme quadratique
associée est dé…nie par : f (x; x) = q (x) :
Exercice
On considère R3 muni de sa base canonique = (e1 ; e2 ; e3 ) :
Soit la forme quadratique dé…nie sur R3 ;par :
q (x) = x21 + 4x22 + x23 + 4x1 x2 + 2x1 x3 + 6x2 x3 ; x 2 R3 .
= (x1 ; x2 ; x3 ).
1) Déterminer la matrice A = M at (q; ).
2) Déterminer la forme polaire f de q.
3) On pose e01 = e1 ; e02 = 3e1 e2 ; e03 = e1 e2 e3 .
On pose 0 = (e01 ; e02 ; e03 ).
90
a) Montrer que 0 est une base de R3 .

b) Déterminer la matrice A0 = M at (q; 0 ).
c) Donner l’expression de q dans 0 .
Remarque
X
n X n
Soit q (x) = aij xi xj la forme quadratique associée à
i=1 j=1
f 2 S2 (E) :
X
n X
q (x) = aii x2i +2 aij xi xj
|i=1 {z } 1 i<j
|
n
{z }
Termes carrés, Termes rectangulaires
Ecriture matricielle d’une forme quadratique
X
n
Soit = (e1 ; e2 ; :::; en ) une base de E; x = xi ei .
i=1
Soit q 2 Q (E), f la forme polaire de q, alors on a f (x; y) = (t X) AY ,
donc q (x) = (t X) AX.
Dé…nition
i) Le noyau de q est égal au noyau de la forme polaire associé.
ii) q est non dégénérée ssi f est non dégénérée,
q est dé…nie ssi f est dé…nie.
iii) On dit que q est isotrope lorsqu’elle admet un vecteur isotrope
non nul. Dans le cas contraire, on dit que q est anisotrope.
iv) Un sous-espace vectoriel F de E est dit isotrope s’il contient un
vecteur isotrope non nul. Il est dit anisotrope dans le cas contraire.
v) Un sous-espace vectoriel F de E est dit totalement isotrope si
la restriction de q à F est nulle.
vi) Un sous-espace vectoriel F de E est dit non dégénéré si
la restriction de q à F est non dégénérée.
vii) On appelle indice de q l’entier ind(q), le maximum des dimensions
des sous-espaces totalement isotropes.
viii) Si ind(q) = 0, on dit que q est anisotrope.
ix) Un plan hyperbolique est un sous-espace vectoriel F de E isotrope,
non dégénéré et de dimension 2.
Ce qui signi…e que la signature de qjF est (1; 1).
x) On appelle lagrangien de (E; q) tout sous-espace vectoriel
dim E
totalement isotrope de E(de dimension …nie) de dimension .
2
Exemple
Sur R2 , soit la forme quadratique q (x; y) = x2 y 2 .
Les vecteurs (x; x) et (x; x) pour x 2 R sont isotropes.
On a deux sous-espaces totalement isotropes, les droites vectorielle
x = y et x = y. Ainsi ind(q) = 1.
Proposition
Soit q une forme quadratique anisotrope de dimension …nie(on note
dim (q) = dim E, E est le K-espace vectoriel de dimension …nie sur
lequel est dé…nie la forme q), alors q est nécessairement non
dégénérée.
91
Rang d’une forme bilinéaire symétrique

Dé…nition
Soit f 2 S2 (E),
q associée rgf (ou rgq) = dim E dim ker f
Soit f 2 S2 (E), q associée. Soit = (e1 ; e2 ; :::; en ) une base de E.
Proposition
Soit A = (aij ) = M at (f; ) = M at (q; ) alors rgf = rgA
Bases orthogonales
Dé…nition
Soit f 2 S2 (E), q associée. Une famille de vecteurs (ei )i2I
une base est dite orthogonale par rapport à f (resp. q) si
8i 6= j; on a ei ? ej i.e. (f (ei ; ej ) = 0; 8i 6= j).
La famille (ei )i2I est dite orthonormale si elle est orthogonale et
si f (ei ; ei ) = 1 = q (ei ), 8i 2 I.
Théorème 8.4.1. (existence d’une base f -orthogonale)
Pour toute forme bilinéaire symétrique f sur E de dimension

…nie, il existe au moins une base de E orthogonale pour f .
on notera qu’il n’existe pas nécessairement de base orthonormale.
Forme matricielle du théorème précédent :
8S 2 Sn (K), 9 (P; D) 2 GLn (K) Dn (K) ; S = (t P ) DP ,
où P =Pass( 0 à ) avec 0 base orthogonale et base telle
que S = M at (f; ) et D = M at (f; 0 ).
En somme t P 0 M at (f; ) P 0 = M at (f; 0 )
, (t P 1 ) SP 1 = D.
Exercice
1) Soit f (x; y) = x1 y1 + x2 y2 + x3 y3 x4 y4 :
La base canonique de R4 est orthogonale par rapport à f .
Xn
2) Soit f (x; y) = x i yi ;
i=1
X
n X
n
x= x i ei ; y = yj ej :
i=1 j=1
dans Rn ; = (e1 ; e2 ; :::; en ) la base canonique de Rn .
La base est une base orthonormale de Rn relativement à f .
8.4.3 Matrice d’une forme bilinéaire symétrique dans une base

orthogonale
Soit f 2 S2 (E), q associée.
= (e1 ; e2 ; :::; en ) est une base orthogonale de E, relativement à f .

A = (aij ) = M at (f; ) donc aij = f (ei ; ej ) = 0 si i 6= j donc
92
0 1
a11 0 0
B .. .. C
B 0 a22 . . C
A=B .. ... ... C
@ . 0 A
0 0 ann
X
n X
n X
n X
n
f (x; y) = aij xi yj = aii xi yi , q (x) = aii x2i .
i=1 j=1 i=1 i=1
Soit r = rgf , on suppose que f 6= 0, r 6= 0 =) 9k 2 N
tel que akk 6= 0.
Supposons que aii 6= 0,8i = 1; 2; :::; p et que aii = 0,
8i = p + 1; :::; n.
Alors 0 1
a11 0 0
B 0 a .. .. C
B 22 . . C
B . . . . .. C
B .. .. .. .. . C
B C
B .. . . . . .
. C
A=B . . app . . C,
B C
B . . ... ... . C.
B . 0 . C
B . .. .. C
@ .. . . 0 A
0 0 0
donc p = r = le nombre d’indices i tels que aii 6= 0.
Ce nombre ne dépend donc pas de la base orthogonale choisie, donc
X
r
dans une telle base, on a : f (x; y) = aii xi yi et
i=1
X
r
q (x) = aii x2i , où r = rgf = rgq.
i=1
Théorème
Soit ' une forme bilinéaire symétrique d’un C-espace vectoriel, q
la forme quadratique associée. Il existe une base orthogonale(ei ) telle que,
si r est le rang de ',
q(ei ) = 1, pour 1 < i < r, q(ei ) = 0, pour i > r.
8.4.4 Formes bilinéaires symétriques réelles

Désormais K = R, soit E un R-espace vectoriel.
Dé…nition
Une forme bilinéaire symétrique sur E (la forme quadratique) est
dite réelle. Une telle forme f (resp q) est dite :
(i) positive si q (x) 0, 8x 2 E.
(ii) négative si q (x) 0, 8x 2 E.
(iii) dé…nie positive si elle est positive et non dégénérée.
i) f :E E !R
(x; y) 7 ! f (x; y)
La forme f (resp. q) est dé…nie positive
(i) q (x) 0 8x 2 E
() .
(ii) q (x) = 0 =) x = 0E ) C (q) = f0E g
ii) ker (f ) = C (q) ssi 8x 2 E, q (x) 0 ou q (x) 0.
93
Autrement l’inclusion est stricte : ker (f ) C (q).
8.4.5 Décomposition d’une forme quadratique en carrés

X
n X
n
Soit q (x) = aij xi xj une forme quadratique écrite dans
i=1 j=1
une base quelconque.
Les termes de la forme aii x2i sont dits “ termes carrés”.
Les termes de la forme aij xi xj sont dits “ termes rectangles”.
Il est toujours possible d’écrire la forme quadratique comme suit :
q (x) = d1 l12 (x) + d2 l22 (x) + :::: + dp lp2 (x)
On a d1 ; d2 ; :::; dp 2 R et où l1 ; l2 ; :::; lp
sont des formes linéaires sur E, linéairement indépendantes.
Avec ( ) , q (x) = d1 l12 (x) + d2 l22 (x) + :::: + dp lp2 (x),
on peut remarquer que la formule :
p
X
8x; y 2 E f (x; y) = di li (x) li (y) ;
i=1
s’obtient par le dédoublement de ( )
p
\
et que ker (f ) = ker (li ) pour trouver cela il faut résoudre
i=1
le système li (x) = 0 8i 2 f1; 2; :::; pg x 2 E:
8.4.6 Les formes quadratiques équivalentes

Dé…nition
Soit E un espace vectoriel de dimension …nie sur un corps K.
Soient q et q0 deux formes quadratiques sur E. La forme q est dite
équivalente à q0 s’il existe un automorphisme linéaire
u : E ! E tel que pour tout x 2 E, q(x) = q0(u(x)).
On note q q0.
Remarque
La relation q q0 est une relation d’équivalence.
Pour caractériser une classe d’équivalence de cette relation d’équivalence,
dans E un R-espace vectoriel nous avons besoin de la notion suite :
8.4.7 Signature d’une forme quadratique

Théorème d’inertie de Sylvester
On suppose dim(E) = n < +1.
Soit q une forme quadratique. Soient B et B 0 deux bases orthogonales.
Alors cardfe 2 B; q(e) > 0g = cardfe0 2 B 0 ; q(e0) > 0g,
et
cardfe 2 B; q(e) < 0g = cardfe0 2 B 0 ; q(e0) < 0g.
De plus si on note r et s ces deux nombres alors rg(q) = r + s.
Dé…nition
Soit q une forme quadratique sur E (avec dim(E) < +1). On
dé…nit la signature de q, notée sign(q) comme le couple (s; t) tel que :
94
pour toute base orthogonale B, s = cardfe 2 B j q(e) > 0g et

t = cardfe 2 B j q(e) < 0g.
Dé…nitions
(i) L’indice de q = cardfe 2 B j q(e) = 0g, pour toute base orthogonale B
relativement à q.
(ii) q est de signature (r; s) sur E traduit dans ce cours le fait que la dimension
maximale du sous espace vectoriel de E sur lequel q est positive est r et la
dimension maximale du sous espace vectoriel de E sur lequel q est négative
est s.
Remarques
1) Avec q (x) = d1 l12 (x) + d2 l22 (x) + :::: + dp lp2 (x).
La signature de q : sign (q) est le couple dont la première composante
r est le nombre de di positifs, i 2 f1; 2; :::; pg et la seconde composante
est s le nombre de di negatifs, i 2 f1; 2; :::; pg. Ainsi sign (q) = (r; s).
2) Les formes bilinéaires symétriques réelles sont classées par
leur signature.
Remarque
Vu le théorème d’inertie de Sylvester, la signature d’une forme est
indépendante de toutes bases orthogonales. On pourra dire que la
signature est une notion intrinsèque.
Proposition
A) Soient q et q0 deux formes quadratiques sur un espace vectoriel
complexe E. Alors :
q q0 , rg(q) = rg(q0).
B) Soient E un R-espace vectoriel de dimension …nie et q et q0 deux
formes quadratiques sur E. On a :
q q0 , sign(q) = sign(q0).
Dé…nition
Deux matrices carrées de même ordre n sont congruentes ssi
il existe une matrice P inversible d’ordre n, telle que B = (t P ) AP .
Proposition
Soient q et q 0 deux formes quadratiques sur E un K-espace vectoriel
de dimension …nie. Les assertions suivantes sont équivalentes.
(1) q et q 0 sont équivalentes.
(2) Pour toute base B E il existe une base B 0 E telle que
M at(q; B) = M at(q 0 ; B 0 ).
(3) Pour toute base B E, les matrices M at(q; B) et M at(q 0 ; B)
sont congruentes.
(4) Il existe une base B E telle que les matrices
M at(q; B) et M at(q0; B) soient congruentes.
8.4.8 Méthode de Gauss ou dérectangularisation

La méthode de Gauss permet, dans le cas d’une forme bilinéaire
symétrique, d’obtenir de façon automatique (plus précisément
algorithmique) une base orthogonale(qui ne soit pas forcement
constituée de vecteurs propres) et la signature de la forme.
Elle n’est que la systématisation de la méthode dite de
95
la « forme canonique » pour les polynômes du second degré.

Remarque
Ce que la méthode de Gauss permet d’avoir(dans le cas réel), est aussi
obtenu, en diagonalisant la matrice associée à une forme quadratique,
puisqu’elle est symétrique.
Exemplarité
q contient des termes carrés. Par exemple soit q la forme quadratique
dé…nie sur R3 ; par : q (x; y; z) = x2 y 2 + 3z 2 + 4xy + 6xz + 8yz
Décomposons cette forme quadratique en carrés de formes
linéairement indpendantes.
q (x; y; z) = x2 + 2x (2y + 3z) + 3z 2 y 2 + 8yz
= (x + 2y + 3z)2 (2y + 3z)2 + 3z 2 y 2 + 8yz
= (x + 2y + 3z)2 (4y 2 + 9z 2 + 12yz) + 3z 2 y 2 + 8yz
= (x + 2y + 3z)2 5y 2 4yz 6z 2
4
= (x + 2y + 3z)2 5 y 2 + yz 6z 2
" 5 #
2
2 2 4 2
= (x + 2y + 3z) 5 y+ z z 6z 2
5 25
2
2 26 2
= (x + 2y + 3z)2 5 y+ z z
5 5
26 2
= l12 (x; y; z) 5l22 (x; y; z) l (x; y; z) ; où
5 3
2
l1 (x; y; z) = x + 2y + 3z; l2 (x; y; z) = y + z; l3 (x; y; z) = z:
5
Montrons que l1 ; l2 ; l3 sont des formes linéairement indpendantes.
Soient ; ; 2 R tel que l1 + l2 + l3 = 0; donc
8 (x; y; z) 2 R3 ; l1 (x; y; z) + l2 (x; y; z) + l3 (x; y; z) = 0: donc
2
(*) (x + 2y + 3z) + y + z + z = 0; 8 (x; y; z) 2 R3 ;
5
Par exemple si y = z = 0 et x = 1; ( ) =) = 0 Si z = 0
alors y = 0, 8y 2 R =) = 0:Il reste z = 0; 8z 2 R =) = 0:
Exercice
soit q la forme quadratique dé…nie sur R3 par : q (x; y; z) = xy + yz + xz:
Décomposer cette forme quadratique en carrés de formes
linéairement indpendantes.
Réponse
1
Astuce : 8u; v 2 R; uv = (u + v)2 (u v)2 :
4
@q (x; y; z) @q (x; y; z)
= y + z; = x + z;
@x @y
on a : q (x; y; z) = (x + z) (y + z) z 2 , avec
1
8a; b 2 R, ab = (a + b)2 (a b)2 , on a :
4
1
q (x; y; z) = (x + y + 2z)2 (x y)2 z2:
4
Ici l1 (x; y; z) = x + y + 2z; l2 (x; y; z) = x y; l3 (x; y; z) = z:
1 1 2
Alors q (x; y; z) = l12 (x; y; z) l (x; y; z) l32 (x; y; z).
4 42
Exercice
Soit 0 la base canonique de R4 avec u 0 = (x; y; z; t)
96
et la forme quadratique suivante :

q (u) = (x y + z + t)2 + (y + z)2 (y z 2t)2 + 4t2
Trouver une base de R4 orthogonale relativement à q.
Réponse
En e¤et, on peut trouver une base orthogonale relativement à q telle
qu’avec u = (x0 ; y 0 ; z 0 ; t0 ) dans , on a :
q (u) = (x0 )2 + (y 0 )2 (z 0 )2 8 + 4 (t0 )2 il en résulte :
8 0 >
> x = x0 + z 0 + t0
> x =x y+z+t >
>
>
< 0 < y = 1 (y 0 + z 0 + 2t0 )
>
y =y+z 2
, 1 0
>
> z 0 = y z 2t >
> z = (y z 0 2t0 )
: 0 >
>
t =t : t = t20
>
2 3
1 0 1 1
6 0 1 1 1 7
, u 0 = P 0 u où P 0 = 6 4 0
2 2 7 d’où
1
2
1
2
1 5
0 0 0 1
1 1 1 1
= (1; 0; 0; 0) ; 0; 2 ; 2 ; 0 ; 1; 2 ; 2 ; 0 ; (1; 1; 1; 1)
dans la base 0 qui est la base canonique de R4 .
Remarque
Une telle base orthogonale relativement à une forme bilinéaire
symétrique(une forme quadratique) dépend de la décomposition
en carrés de Gauss qui, elle ne s’opère pas de façon unique.
8.4.9 Inégalité avec les formes bilinéaire symétrique réelle

On peut majorer la valeur du produit scalaire, c’est la célèbre
inégalité de Cauchy-Schwarz, qu’on peut d’ailleurs énoncer dans un cadre
un peu plus général.
Inégalité de Schwarz(Cauchy-Bunyakovski-Schwarz)
Proposition
soit E un R-espace vectoriel.Soit f une forme bilinéaire symétrique
positive sur E. Alors 8 (x; y) 2 E 2 ,
on a (*) [ f (x; y)]2 f (x; x) f (y; y).
Quand f est dé…nie, il y a égalité si et seulement si les vecteurs sont liés.
Remarque
Un produit scalaire est forcément non dégénéré : comme il n’y a pas de
vecteur isotrope, le noyau est réduit au vecteur nul. Et grâce à
l’inégalité de Cauchy-Schwarz, on va montrer qu’une forme bilinéaire
positive non dégénérée est un produit scalaire.
Corollaire
Soit f une forme bilinéaire symétrique sur le R-espace vectoriel E.
Alors : f dé…nie et positive () f non dégénérée positive
Remarques
1) Il y a égalité entre le noyau et le cône isotrope d’une forme bilinéaire
positive ou négative.
2) Une application de l’inégalité de Cauchy-Schwarz est l’inégalité de
97
Minkowski.
Inégalité de Minkowsky
Proposition
Soit q une forme quadratique positive sur E.
p p 2
Alors q (x + y) q (x) + q (y) , 8x; y 2 E.
Remarque
Ces propriétés font que l’application x 7 ! kxk a bien les propriétés
d’une norme quand elle est dé…nie par le biais d’un produit scalaire,
c’est la norme euclidienne associée au produit scalaire.
Dé…nition
Moyennant un produit scalaire(<; >) sur E un R-espace vectoriel,
< u; v > p
on a cos (du; v) = , u; v 2 E avec kuk = < u; u >.
kuk kvk
Remarque
u; v) est indépendant de l’orientation du plan (u; v).
cos (d
Dé…nition
Tout K-espace vectoriel E, muni d’une forme bilinéaires symétrique et
non dégénérée, est dit pré-euclidien.
8.5 Espaces euclidiens

Les formes bilinéaires symétriques réelles positives et non dégénérées
et les formes quadratiques associées sont les bonnes généralisations du
produit scalaire usuel dans les R-espaces vectoriels.
Dé…nition
On appelle produit scalaire sur E, toute forme bilinéaire symétrique
dé…nie positive f sur E. On convient de noter :
f (x; y) = hx; yi; q (x) = hx; xi 8x; y 2 E.
Un espace euclidien est un R-espace vectoriel E, de dimension …nie
muni d’un produit scalaire.(il est dit préhilbertien réel)
Proposition
Tout espace euclidien possède une base orthonormale.
Remarque
Dans une base = (e1 ; e2 ; :::; en ) orthonormale de E,
X
n Xn Xn
hx; yi = xi yi , avec x = xi ei , y = yj ej
i=1 i=1 j=1
X
n
et q (x) = hx; xi = x2i .
i=1
Proposition
Soit E un espace euclidien , alors
E ! R+ p
x 7 ! jjxjj = hx; xi est une norme.
Dé…nition
Un espace euclidien, muni de la norme induite de sa forme quadratique,
est un hilbertien ssi toute suite de Cauchy y est convergente.
98
Dé…nition
Soient F un sous-espace vectoriel de E un espace euclidien, x 2 E.
On appelle distance de x a F et on note d (x; F ), le réel dé…ni par :
d (x; F ) = inf kx yk.
y2F
8.6 GEOMETRIE EUCLIDIENNE

8.6.1 Projections et symétries orthogonales
Dé…nition
Soit F un sous-espace vectoriel propre de dimension …nie
d’un préhilbertien réel E.
On a alors E = F F ? et le projecteur p (p p = p) de noyau F ? et
d’image F est appelé projection orthogonale sur F .
Proposition
Étant donné un projecteur p de E, les propositions suivantes sont
équivalentes
(i) Im p et ker p sont orthogonaux
(ii) ker p = (Im p)?
(iii) Im p = (ker p)?
Lorsqu’il véri…e l’une de ces trois propositions,
le projecteur p est dit orthogonal
Remarque
Étant donné un projecteur p d’un préhilbertien réel E,
on a : E = Im p ker p.
Dé…nition
Une symétrie s (s s = e = identite) est orthogonale
1
quand le projecteur p = (e + s) est orthogonal.
2
Dé…nition
Une ré‡exion est une symétrie orthogonale par rapport à un
hyperplan H de E.
Proposition
Soit p un projecteur d’un K-préhilbertien (E; h; i).
Les propositions suivantes sont équivalentes :
(i) p est projecteur orthogonal
(ii) 8x; y 2 E, hp (x) ; yi = hx; p (y)i
(iii) 8x 2 E, kp (x)k kxk.
Proposition
Soit s une symétrie d’un K-préhilbertien (E; h; i).
Les propositions suivantes sont équivalentes :
(i) s est une symétrie orthogonale
(ii) 8x; y 2 E, hs (x) ; yi = hx; s (y)i
(iii) 8x 2 E, ks (x)k = kxk.
Théorème(Distance d’un vecteur à un sous-espace)
Soit x 2 E un K-préhilbertien et F un sous-espace vectoriel de E :
a) L’ensemble fy 2 F / d (x; F ) = kx ykg a au plus un élément,
b) Soit x0 2 F , on a d (x; F ) = kx x0 k si et seulement si x x0 2 F ?
99
c) d (x; F ) = kx pF (x)k où pF est la projection orthogonale sur F .

Théorème
Si = (e1 ; e2 ; :::; eP ) est une base orthonormale de F (s.e.v de E),
la projection orthogonale pF sur F est dé…nie par :
p
X
8x 2 E, pF (x) = hei ; xiei .
i=1
Remarque
Pour tout sous-espace vectoriel F de E euclidien,
Avec une symétrie orthogonale par rapport à F
sF de E on a évidemment sF sF = IdE (on dit que sF est involutif),
ker (sF IdE ) = F , ker (sF + IdE ) = F ? .
Exercices
1) Soit E un espace euclidien, montrer que x; y 2 E alors
x ? y , jjx + yjj2 = jjxjj2 + jjyjj2
jjx + yjj2 = jjxjj2 + jjyjj2 + 2hx; yi .
2) Dans un espace euclidien, si (e1 ; e2 ; :::; ep ) est une famille
orthogonale avec ei 6= 0, 8i, montrer que cette famille est libre.
Réponse
2) Supposons 1 e1 + ::: + p ep = 0. 8j 2 f1; 2; :::; pg,
hej ; 1 e1 + ::: + p ep i
= 1 hej ; e1 i + 2 hej ; e2 i +::: + j hej ; ej i +::: + p hej ; ep i
| {z } | {z } | {z } | {z }
2
= j jjej jj = 0 ) j = 0, 8j 2 f1; 2; :::; pg.
8.6.2 Méthode d’orthogonalisation de Schmidt

Dans un espace euclidien E, construire une base
orthogonale
0
= (e01 ; e02 ; :::; e0n ) à partir d’une base quelconque
= (e1 ; e2 ; :::; en ) de E.
Méthode de Schmidt
Posons e01 = e1
e02 = 21 e01 + e2
.. ..
. .
e0k = k1 e01 + k2 e02 + ::: + kk 1 e0k 1 + ek
.. ..
. .
X
n 1
e0n = ni e0i + en .
i=1
On choisit 21 pour que e01 ? e02 )
he01 ; e2 i
he01 ; e02 i = 21 jje01 jj2 + he01 ; e2 i = 0 ) 21 = .
jje01 jj2
On choisit kk 1 pour que e0k 1 ? e0k )
2
he0k 1 ; e0k i = kk 1 e0k 1 + he0k 1 ; ek i = 0
he0k 1 ; ek i
=) kk 1 = 2 .
e0k 1
100
0
Si = (e01 ; e02 ; :::; e0n ) une base orthogonale de E alors
00 e01 e02 e0n
= ; ; :::;
jje01 jj jje02 jj jje0n jj
est une base orthonormale de E.
Remarque
Pa ailleurs la méthode de Schmidt ci-dessus est comme suit :
On note pe0i la projection orthogonale sur Re0i de là, on a :
en posant e01 = e1
he01 ; e2 i 0
e02 = e2 pe01 (e2 ) = e2 e1
jje01 jj2
.. ..
. .
X
k 1 Xk 1
he0i ; ek i 0
0
ek = ek pe0i (ek ) = ek 0 2 i
e
i=1 i=1
jje i jj
.. ..
. .
X
n 1 X
n 1
he0i ; en i 0
e0n = en pe0i (en ) = en 0 2
ei .
i=1 i=1
jje i jj
101
Première partie
TRAVAUX DIRIGÉS
102
1. (a) T.D. Algèbre linéaire & bilinéaire
T.D.1
Calcul matriciel
Exercice 1 2 3
2 3 4 2 1 2 3
1 3 2 6 6 2 3 7 4 3 1 2
Soient A = 4 4 1 0 5 ; B = 6 4 0 1
7 ; C = 4 6 0 2 3 5.
1 5
2 5 4 4 21 5 3
2 1 3
1° ) Calculer si cela est possible A B ; 3C ; A2 ; AB ; BC ; BA.
2° ) Échelonner les matrices A, B, C, déterminer le rang de chacune, ensuite les
échelonner à ligne canonique ou à colonne canonique, et en…n les échelonner réduire.
Exercice 2 2 3 2 3
5 3 1 1 0 0
6 2 2 0 7 6 7
Montrer que les matrices suivantes : A = 6 7 et R = 6 0 1 0 7
4 4 0 2 5 4 0 0 0 5
7 1 3 0 0 0
sont équivalentes en déterminant une matrice P carrée d’ordre 4 inversible et
une matrice Q carrée d’ordre 3 inversible telles que : P AQ = R
(Indication : On pourra s’aider de ce qui a été fait au cours pour déterminer
le rang d’une certaine matrice donnée).
Il faudra prouver l’inversibilité de P et Q à l’aide des opérations élémentaires
sur les lignes ou les colonnes des matrices mises en jeu.
Correction de 2 l’exo.2 3 2 3
5 3 1 1 0 0 0 1 0 12 0 0 14 0
6 2 2 0 0 1 0 0 7 6 0 1 1
0 0 7
1 7
A I4 = 6 7'6
4 4 0 2 0 0 1 0 5 4 0 0 0 1 0 4
2 4 7
3 5
7 1 3 0 0 0 1 0 0 0 0 1 3 3
La matrice A a été échelonné à ligne canonique, j’ai fait les opérations
élémentaires A I4 .
2 sur les 1
lignes3de la2 matrice augmentée
3
0 0 4 0 1 0 0 0
6 0 0 7
1 7 6 0 1 0 0 7
Ici P = 6 4 1 0 4
4 7'6 7 donc P est inversible.
3 5 4 0 0 1 0 5
0 1 3 2 0 0 0 1
103
1
C3 C1 + 12 C2
2 3 2 32
1 0 21 1 0 0
6 0 1 1 7 6 0 1 0 7
6 2 7 6 7
6 0 7
0 0 7 6 0 0 6 0 7
R0 6 7
Aussi a-t-on : =66 0 0 0 7 '
7 6
6 0 0 0 7
7
I3 6 1
6 0 0 7 6
7 6 1 0 12 7
1 7
4 0 1 0 5 4 0 1 2 5
0 0 1 0 0 1
La matrice R0 a été échelonné à colonne canonique, j’ai fait les opérations
R0
élémentaires sur les colonnes de la matrice augmentée .
I3
2 3
1 0 21
6 0 1 1 7
où R0 = 6 2 7
4 0 0 0 5 et avec
2 0 0 30 2 3
1
1 0 2
1 0 0
Q = 4 0 1 12 5 ' 4 0 1 0 5 donc Q est inversible.
0 0 1 0 0 1
De là, évaluons
2 32 3
0 0 14 0 5 3 1 2 1
3
6 0 0 1 0
7
1 7 6 7
76 2 2 0 74 0 1 1 5
2
P AQ = 6 4 1 0 4
4
5 4 5 2
3 4 0 2
0 0 1
0 1 3 2 7 1 3
2 3
1 0 0
6 0 1 0 7
P AQ = 6 7
4 0 0 0 5 = R. Ainsi A et R sont équivalentes.
0 0 0
Exercice 3 2 3
1 1 1
Les matrices : A = 4 2 2 2 5
2 3
3 3 3
0 1 0
et B = 4 0 0 0 5 sont-elles semblables ?
0 0 0
Exercice 4
Montrer que2 la matrice 3
1 5 3
A= 4 1 1 3 5
3 2 8
est un diviseur de zèro sur M3 (R) et
trouver une matrice B non nulle telle que AB = 0.
Exercice 5
Soit M 2 M 2 4 (R) : 3
a b c d
6 b a d c 7
M =6 4 c
7.
d a b 5
d c b a
1) Donner la transposée (t M ), de la matrice M .
104
2) Calculer M: (t M ) et (t M ) :M , ces deux matrices commutent-elles ?
3) Déterminer le déterminant de M en sachant qu’il est positif.
4) A quelle condition M est-elle inversible ? Donner sa matrice inverse.
Correction
2 de l’exo.5 3 2 3
a b c d a b c d
6 b a d c 7 6 d c 7
1) M = 6 7 ) (t M ) = 6 b a 7.
4 c d a b 5 4 c d a b 5
d c b a d c b a
2 32 3
a b c d a b c d
6 b a d 7 6
c 76 b a d c 7
2) M: (t M ) = 6 4 c
7
d a b 54 c d a b 5
d c b a d c b a
2 2 2 2 2
3
a +b +c +d 0 0 0
6 0 2
a +b +c +d2 2 2
0 0 7
M: (t M ) = 6 4
7
5
0 0 a2 + b2 + c2 + d2 0
0 0 0 a2 + b 2 + c 2 + d 2
2 3
1 0 0 0
6 0 1 0 0 7
M: (t M ) = (a2 + b2 + c2 + d2 ) 6 7 2
4 0 0 1 0 5 = (a + b + c + d ) I4 .
2 2 2
0 0 0 1
2 32 3
a b c d a b c d
6 b a d c 7 6 c 7
(t M ) :M = 6 76 b a d 7
4 c d a b 5 4 c d a b 5
d c b a d c b a
2 2 3
a + b2 + c 2 + d 2 0 0 0
6 0 2 2
a +b +c +d 2 2
0 0 7
(t M ) :M = 6 4 2 2 2 2
7
5
0 0 a +b +c +d 0
0 0 0 a2 + b2 + c2 + d2
2 3
1 0 0 0
6 0 1 0 0 7
(t M ) :M = (a2 + b2 + c2 + d2 ) 6 7 2
4 0 0 1 0 5 = (a + b + c + d ) I4 .
2 2 2
0 0 0 1
t t
donc M: ( M ) = ( M ) :M = (a + b2 + c2 + d2 ) I4
2
et alors les deux matrices M et (t M ) commutent.

3) le déterminant de M :
On a : (t M ) :M = (a2 + b2 + c2 + d2 ) I4 )
det ((t M ) :M ) = det (t M ) det (M ) = det ((a2 + b2 + c2 + d2 ) I4 )
4
(det (M ))2 = (a2 + b2 + c2 + d2 ) det (I4 )
4 2
(det (M ))2 = (a2 + b2 + c2 + d2 ) ) det (M ) = (a2 + b2 + c2 + d2 ) .
2
4) M est inversible ssi det (M ) = (a2 + b2 + c2 + d2 ) 6= 0 ) (a; b; c; d) 6= (0; 0; 0; 0).
Ainsi 8 (a; b; c; d) 2 R4 n f(0; 0; 0; 0)g M est inversible.
t
1
Avec (t M ) :M = (a2 + b2 + c2 + d2 ) I4 , M :M = I4 )
a2 + b 2 + c 2 + d 2
1
M 1= 2 (t M ).
a + b + c2 + d2
2
Exercice 6
On considère la matrice
105
2 3
1 1 1
A=4 1 1 0 5
1 0 1
3
1. Calculer (A + I) où I désigne la matrice unité de M3 (R).
2. En déduire :
a) L’expression de An où n 2 N .
b) Que A est inversible. Donner son inverse.
c) Une extension de An où n 2 Z .
Exercice 7
I) Les nombres 204; 527 et 255 étant divisibles par 17,
démontrer que le déterminant suivant l’est aussi sans calculer 4.
2 0 4
4= 5 2 7
2 5 5
:
II) Calculer les déterminants suivants :
1 1 1 1 1 1 0 1 1
40 = 1 0 1 41 = b + c c + a a + b 42 = 1 0 1
1 1 0 bc ca ab 1 1 0
III) Soient (a; b; c; d) 2 R4 .
1) Calculer le déterminant de Vandermonde suivant :
1 1 1 1
a b c d
V(a;b;c;d) =
a2 b 2 c 2 d 2
a3 b 3 c 3 d 3
IV)
Dire pourquoi les déterminants suivants sont nuls sans calcul formel :
1 2 3 3 4 5
0 0
1 = 4 5 6 , 2 = , 3 = 1 0 2 ,
1 0
2 4 6 2 4 3
2 1 3 3 0 1 1 1
0 2 1 6 2 3 4 6
4 = , 5 = ,
5 1 0 3 5 3 8 7
10 3 7 9 2 2 5 5
1 1 1
(a+b+c) = a b c .
b+c a+c a+b
Exercice 8
Inverser celles qui sont inversibles
(suivant les valeurs du paramètre réel a).
2 3 2 3
1 2 1 2 a 1 3
1 a
A1 = , A2 = 4 1 0 1 5 , Aa = 4 1 1 a 2 5,
a 2
3 2 2 2 3 2 a
106
2 3 2 3
2 1 3 1 2 0 2 0 2
6 3 1 2 0 77 6 0 1 0 1 0 7
A4 = 6
4 1 5 , A5 = 6
4
7
3 4 2 2 1 0 2 1 5
4 3 1 1 0 1 0 1 0
1 a
A1 = ) det (A1 ) = a2 + 2 6= 0 ; 8a 2 R, donc rang (A1 ) = 2
a 2
alors A1 est inversible pour 8a 2 R,
2 a
et A1 1 = a2 +2
a
a2 +2
, 8a 2 R
1
2 a2 +2 3
a2 +2 2
3
1 2 1 1 0 0
A2 = 4 1 0 1 5 ' 4 0 1 0 5 ) rang (A2 ) = 3
3 2 2 0 0 1
Aussi det (A2
2 ) = 6 ) A2 est 3
inversible
1 1 1
3 3 3
on a A2 1 = 4 5
6
1
6
1
3
5
1 2 1
2 3 3
3 3
2 a 1 3
Aa = 4 1 1 a 2 5
2 3 2 a
3
) det (Aa ) = a + 5a 2
7a + 3 = (a 3) (a 1)2 = 0 ) a 2 f3; 1g
8a 2 R8 f3; 1g2; rang (Aa ) = 3 car det (Aa ) 6= 0 ) Aa est inversible,
3
a2 3a+8 a 11 3a 1
a3 +5a2 7a+3 a3 +5a2 7a+3 a3 +5a2 7a+3
6 a+2 a2 +4a+2 2a 1 7
On a Aa 1 = 4 a3 +5a2 7a+3 a3 +5a2 7a+3 a3 +5a2 7a+3 5 ; 8a 2 R8 f3; 1g.
2a 5 3a 8 a2 3a+1
a3 +5a
2 2 7a+3 a3 +5a
32 7a+3
2 a3 +5a3
2 7a+3
1 1 3 1 0 8
Pour a = 3 ) A3 = 4 1 2 2 5 ' 4 0 1 5 5 ) rang (A3 ) = 2
2 2 3 1 3 2 0 0 0 3
1 1 3 1 0 2
Pour a = 1 ) A1 = 4 1 0 5
2 ' 0 14 1 5 ) rang (A1 ) = 2
2 3 1 0 0 0
Evidemment
2 que A3 et A
31 ne2sont pas inversibles
3 car det (A3 ) = det (A1 ) = 0.
1
2 1 3 1 1 0 1 5
6 3 1 2 0 7 6 0 1 1 3 7
A4 = 6
4 1 3 4
7'6 5 7 ) rang (A ) = 2
2 5 4 0 0 0 0 5 4
4 3 1 1 0 0 0 0
Evidemment
2 que A4 n’est
3 pas
2 inversible car 3 (A4 ) 6= 4.
rang
2 0 2 0 2 1 0 0 21 12
6 0 1 0 1 0 7 6 0 1 0 1 0 7
A5 = 6 7 6
4 2 1 0 2 1 5'4 0 0 1 1
7
1 5 ) rang (A5 ) = 3.
2 2
0 1 0 1 0 0 0 0 0 0
Evidemment que A5 n’est pas inversible car elle n’est pas une matrice carrée.
Exercice 9
I) Résoudre les systèmes d’équations linéaires suivants, à l’aide de leur matrice augmen-
tée :
107
8 8
< 2x y z = 4 < 3x + y + z = 1
a) 3x + 4y 2z = 11 ; b) x y + 2z = 2 ;
: :
3x 2y + 4z = 11 x + 3y 3z = 3
8
>
> x + y 3z = 1
<
2x + y 2z = 1
c)
> x+y+z
> = 3
:
x + 2y 3z = 1
II)
0 1
3 1 1
1° ) Inverser suivant le paramètre m 2 R, la matrice Am = @ 3 1 m A.
m 4 2 1
3
2° ) Résoudre dans R en discutant éventuellement suivant les valeurs de m 2 R
le système 8 :
P < 3x + y z = m
( m) , 3x + y mz = 3 et
:
8 (m 4) x 2y z = 1
P < 3x + y z = 1 P
( ), 3x + y + z = 3 avec les formules de Cramer ( ).
:
5 x 2y z = 1
Proposition de correction du II) 0 1
3 1 1
1° ) Inverserons suivant le paramètre m 2 R, la matrice Am = @ 3 1 m A.
m 4 2 1
3 1 1
det (Am ) = 3 1 m = m2 m + 2 = (m + 2) (m 1)
m 4 2 1
det (Am ) = (m + 2) (m 1) = 0 , m 2 f 2; 1g ; donc
8m 2 Rn f 2; 1g ; det (Am ) 6= 0 ) Am est inversible.
0 1 0 2m+1 3 1 1
3 1 1 m2 +m 2 m2 +m 2 m+2
Am = @ 3 1 m A , Am1 = @ m2 +4m+3
m2 +m 2
m 7
m2 +m 2
3
m+2
A;
m 4 2 1 1 1
m 1 m 1
0
8m 2 Rn f 2; 1g.
2° ) Résolvons dans R3 en discutant éventuellement suivant les valeurs de m 2 R
le système 8 :
P < 3x + y z = m
( m) , 3x + y mz = 3
:
2 3 0 (m 4) x 2y1 2z = 3 1 2 3
x 3 1 1 x m
, Am 4 y 5 = @ 3 1 m A4 y 5 = 4 3 5
z 8m 4 2 1 z 1
P < 3x + y z = 2
(i) ( ( 2) ) , 3x + y + 2z = 3
:
P 6 x 2y z = 1
La matrice augmentée de ( ( 2) ) est :
0 1 0 1 8
3 1 1 2 1 13 0 0 P < x + 13 y = 0
@ 3 1 2 3 A ' @ 0 0 1 0 A ) ( ( 2) ) , z=0
:
6 2 1 1 0 0 0 1 0= 1
108
P
d’où ( est
( 2) ) 8 un système incompatible ) SR3 = ? = fg.
P < 3x + y z = 1
(ii) ( 1 ) , 3x + y z = 3
:
3Px 2y z = 1
La
0 matrice augmentée1de (0 1 ) est : 1 8
3 1 1 1 1 0 1 0 P < x z=0
@ 3 1 1 3 A ' @ 0 1 2 0 A ) ( 1) , y + 2z = 0
:
3P 2 1 1 0 0 0 1 0=1
d’où ( 1 ) est un système incompatible ) SR3 = ? = fg.
(iii) 8m 2 Rn f 22; 1g3; det2(Am ) 6= 3 0 )2Am 3est inversible
2 3
P x m x m
et ( m ) , Am 4 y 5 = 4 3 5 ) 4 y 5 = Am1 4 3 5 ,
z 1 z 1
2 3 0 2m+1 3 1 12 3 2 9 1 3
x m2 +m 2 m2 +m 2 m+2 m m2 +m 2 m+2
m m2m+1
2 +m 2
4 y 5=@ m2 +4m+3 m 7 3 A 4 3 5 = 4 3 + 3 2m 7 + m m22 +4m+3 5
m2 +m 2 m2 +m 2 m+2 m+2 m +m 2 m +m 2
z 1 1 1 3 m
0
m 1 n m 1 m 1 m 1 o
9 1 2m+1 3 m 7 m2 +4m+3 3 m
8m 2 Rn f 2; 1g ; SR3 = m2 +m 2
m 2 ; + 3 m2 +m 2 + m m2 +m 2 ; m 1
P m+2 P m +m 2 m+2
(iv) Comme ( 1) 2 Rn f 2; 1g ; ( ) , ( ( 1) ) est un système de Cramer.
Résoudre 8
P P < 3x + y z = 1 P
( ) , ( ( 1) ) , 3x + y + z = 3 avec les formules de Cramer ( ( 1) )
:
5 x 2y z = 1
3 1 1
donnera : det A( 1) = 3 1 1 =2=
5 2 1
1 1 1 3 1 1
x = 3 1 1 = 10 ; y = 3 3 1 = 28 ;
1 2 1 5 1 1
3 1 1
z = 3 1 3 = 4
5 2 1
1 1 1
3 1 1
x 1 2 1 10
De là : x = = = = 5;
3 1 1 2
3 1 1
5 2 1
3 1 1
3 3 1
y 5 1 1 28
y= = = = 14 ;
3 1 1 2
3 1 1
5 2 1
109
3 1 1
3 1 3
z 5 2 1 4
z= = = = 2
3 1 1 2
3 1 1
5 2 1
SR3 = f( 5; 14; 2)g
110
T.D.2
Espaces vectoriels &Applications linéaires
Remarques
Sur un K-espace vectoriel E, de dimension n, muni d’une base.Considérons
une famille S de vecteurs de E. Le rang de S est le rang de la A matrice
constituée en lignes ou en colonnes des coordonnées des vecteurs de S.
On notera que A est une matrice associée à la suite S.
1. S est génératrice de E ssi le rang de S = n = rang (A)
2. S est libre ssi le rang de S =Cardinal de S(CardS)=rang(A)
3. S est liée ssi le rang de S est stritement inférieur au Cardinal de S(CardS)
4. S est une base de E ssi le rang de S = n =Cardinal de S(CardS)=rang(A)
5. Soit F =< S >, alors dim F = rang (S) = rang (A)
EXERCICE 1
Préciser si les familles constituées des vecteurs suivants sont liés ou libres.
1. u = (7; 12); v = (18; 13); w = ( 4; 17)
2. u = ( 1; 0; 2); v = (1; 3; 1); w = (0; 1; 1)
5 9
3. u = (15; 27; 6; 12); v = ( ; ; 1; 2). .
2 2
EXERCICE 2
On se place dans R3 est muni de sa base canonique (e1 ; e2 ; e3 )et on dé…nit les vecteurs
w1 = (1; 1; 1) ; w2 = (1; 0; 0) ; w3 = (1; 1; 0) ; w4 = (0; 0; 1) ; w5 = (2; 2; 0).
Pour chacune des familles suivantes dire si elle est génératrice :
S1 = fw1 ; w2 g ; S2 = fw2 ; w5 g ; S3 = fw3 ; w5 g ; S4 = fw4 ; w5 g ; S5 = fw1 ; w2 ; w3 g ;
S6 = fw1 ; w3 ; w4 g ; S7 = fw5 ; w3 ; w1 g ; S8 = fw1 ; w2 ; w3 ; w4 g.
EXERCICE 3
On se place dans R3 est muni de sa base canonique (e1 ; e2 ; e3 ) et on dé…nit les vecteurs
w1 = (1; 1; 1) ; w2 = (1; 0; 0) ; w3 = (1; 1; 0) ; w4 = (0; 0; 1) ; w5 = (2; 2; 0).
Les familles suivantes sont-elles des bases de R3 :
S1 = fw1 ; w2 g ; S2 = fw2 ; w5 g ; S3 = fw3 ; w5 g ; S4 = fw4 ; w5 g ; S5 = fw1 ; w2 ; w3 g ;
S6 = fw1 ; w3 ; w4 g ; S7 = fw5 ; w3 ; w1 g ; S8 = fw1 ; w2 ; w3 ; w4 g.
EXERCICE 4
R3 est muni de sa base canonique (e1 ; e2 ; e3 ).
Soient les vecteurs u1 = (1; 1; 1) ; u2 = ( 1; 1; 0) ; u3 = (1; 0; 1).
1. Montrer que B1 = fu1 ; u2 ; u3 g est une base de R3 .
2. Donner les coordonnées respectives des vecteurs (1; 0; 0) ; (1; 0; 1) et (0; 0; 1) dans
B1 .
3. Soit B2 = fv1 = (0; 1; 1) ; v2 = (1; 0; 1) ; v3 = (1; 1; 0)g.
(a) Montrer que B2 est une base de R3 .
(b) Trouver dans B1 et B2 les composantes du vecteur (1; 2; 1).
111
1. B1 R3 et Card(B1 ) = 3 = dim R3
1 1 1
alors det (B1 ) = 1 1 0 = 3 6= 0 ) B1 est une famille libre de R3 ,
1 0 1
donc c’est une base de R3 .
2. Les cordonnées respectives des vecteurs (1; 0; 0) ; (1; 0; 1) ; (0; 0; 1) dans la base B1 .
Revient à résoudre les systèmes suivants :
0) = u1 + u2 + u3 = (1; 1; 1) + ( 1; 1; 0) + (1; 0; 1) ,
(i) (1; 0;8
< + =1
(S1 ) , + =0
:
=0
(ii) (1; 0;
8 1) = u 1 + u2 + u3 = (1; 1; 1) + ( 1; 1; 0) + (1; 0; 1) ,
< + =1
(S2 ) , + =0
:
=1
(iii) (0;80; 1) = u1 + u2 + u3 = (1; 1; 1) + ( 1; 1; 0) + (1; 0; 1) ,
< + =0
(S3 ) , + =0 .
:
=1
On peut résoudre (S1 ), (S2 ) et (S3 ) concomitamment par la matrice augmentée
suivante : 2 3 2 3
1 1 1 1 1 0 1 0 0 13 2
3
1
3
Soit M = 4 1 1 0 0 0 0 5 4 0 1 0 1
3
2
3
1 5
3
.
1 1 2
1 0 1 0 1 1 0 0 1 3 3 3
Donc
1 1 1 2 2 1
(1; 0; 0) = u1 u2 + u3 ; (1; 0; 1) = u1 u2 u3 ; (0; 0; 1)
3 3 3 3 3 3
1 1 2
= u1 u2 u3 .
3 3 3
3.
(a) B2 R3 et Card(B2 ) = 3 = dim R3
0 1 1
alors det (B2 ) = 1 0 1 = 2 6= 0 ) B2 est une famille libre de R3 ,
1 1 0
donc c’est une base de R3 .
(b) Les cordonnées de (1; 2; 1) dans les bases B1 et B2 :
Revient à résoudre les systèmes suivants :
1) = u1 + u2 + u3 = (1; 1; 1) + ( 1; 1; 0) + (1; 0; 1) ,
(i) (1; 2;8
< + =1
(S1 ) , + = 2 dont la matrice augmentée est :
:
2 3 =21 3
1 1 1 1 1 0 0 34
4 1 1 0 2 5 4 0 1 0 23 5
1 0 1 1 0 0 1 13
4 2 1
donc (1; 2; 1) = u1 + u2 + u3 .
3 3 3
(ii) (1; 2; 1) = v2 + v1 + v3 = (1; 0; 1) + (0; 1; 1) + (1; 1; 0) ,
112
8
< + =1
(S2 ) , + =2 dont la matrice augmentée est :
:
2 +
3 =2 1 3 2 3
1 0 1 1 1 0 0 0 =0
4 0 1 1 2 5 4 0 1 0 1 5)4 =1 5
1 1 0 1 0 0 1 1 =1 2 3 23
1
Commme les coordonnées de (1; 2; 1) dans B2 sont 4 5=4 0 5
1
on a : (1; 2; 1) = v1 + v3 .
EXERCICE 5
R4 est muni de sa base canonique (t1 ; t2 ; t3 ; t4 ). On considère les vecteurs :
e1 = (1; 2; 3; 4) ; e2 = (1; 1; 1; 3) ; e3 = (2; 1; 1; 1) ; e4 = ( 1; 0; 1; 2) ; e5 = (2; 3; 0; 1).
Soient E l’espace vectoriel engendré par e1 ; e2 ; e3 et F par e4 et e5 .
Calculer les dimensions respectives de E, F , E \ F et E + F .
Soit S1 = fe1 ; e2 ; e3 g ; S2 = fe4 ; e5 g
E =< e1 ; e22 ; e3 >= vect (S31 ) et2F =< e4 ; e5 >= 3 vect (S2 )
1 2 3 4 1 0 0 2
4
Soit ME = 1 1 1 3 5 4 0 1 0 9 5;
2 1 1 1 0 0 1 4
ME est une matrice associée à la suite ou à2 la famille S1 . 3
1 0 0 2
Le rang de ME est la dimension de E, vu 4 0 1 0 9 5
0 0 1 4
le rang de M 2E est 3, donc
3 2 dim E =
3 3.
1 2 1 0
6 0 3 7 6 0 1 7
Soit MF = 6 4 1 0 5'4 0 0 5
7 6 7
2 1 0 0
MF est une matrice associée à la suite ou à2 la famille 3 S2 .
1 0
6 0 1 7
Le rang de MF est la dimension de F , vu 6 4 0 0 5
7
0 0
le rang de MF est 2, donc dim F = 2.
Soit S3 = fe1 ; e2 ; e3 ; e4 ; e5 g
E + F =< e1 ;2 e2 ; e3 ; e4 ; e5 >= vect
3 (S23 ) 3
1 2 3 4 1 0 0 0
6 1 1 1 3 7 6 0 1 0 0 7
6 7 6 7
Soit ME+F = 6 6 2 1 1 1 7 6 0 0 1 0 7
7 6 7
4 1 0 1 2 5 4 0 0 0 1 5
2 3 0 1 0 0 0 0
ME+F est une matrice associée à la suite ou à la famille 2 S3 . 3
1 0 0 0
6 0 1 0 0 7
6 7
Le rang de ME+F est la dimension de E + F , vu 6 6 0 0 1 0 7
7
4 0 0 0 1 5
0 0 0 0
113
le rang de ME+F est 4, donc dim (E + F ) = 4.
Pour …nir on sait que : E + F = vect (E [ F ) =< E [ F >
dim (E + F ) = dim E + dim F dim (E \ F ) ,
dim (E \ F ) = dim E + dim F dim (E + F ) = 3 + 2 4 = 1.
Rappel
Tout sous ensemble non vide d’un espace vectoriel E engendré par une famille de
vecteurs de E, est un sous-espace vectoriel de E, aussi tout sous-espace vectoriel
de E, est un sous ensemble de E engendré par une famille de vecteurs de E.
EXERCICE 6
Soit E = f(x; y; z; t) 2 R4 ; x + y z + 2t = 0 et x + y + z = 0 g
a) Montrer que E est un sous-espace vectoriel de R4 .
b) Donner une base et la dimension de E.
a) E = f(x; y; z; t) 2 R4 ; x + y z + 2t = 0 et x + y + z = 0 g
x + y z + 2t = 0
ainsi (x; y; z; t) 2 E , ,( )
x+y+z =0
1 1 1 2 1 1 0 1
La matrice associée à ( ) est : M = '
1 1 1 0 0 0 1 1
x+y+t=0 x= y t
)( ), , 8y; t 2 R
z t=0 z=t
E = f( y t; y; t; t) ; y; t 2 R g = f(y + t; y; t; t) ; y; t 2 R g
E = fy (1; 1; 0; 0) + t (1; 0; 1; 1) ; y; t 2 R g =< (1; 1; 0; 0) ; (1; 0; 1; 1) >
Comme E =< (1; 1; 0; 0) ; (1; 0; 1; 1) > R4 alors E est un sous-espace vectoriel
de R4
Soit la famille de vecteurs S = f(1; 1; 0; 0) ; (1; 0; 1; 1)g associons à cette famille
1 1 0 0 1 0 1 1
la matrice A = ' ) rang (A) = 2 = card (S)
1 0 1 1 0 1 1 1
dès lors une base de E est la famille de vecteurs S = f(1; 1; 0; 0) ; (1; 0; 1; 1)g
et dim E = rang (S) = rang (A) = 2.
Rappel
Soit E un K-espace vectoriel de dimension …nie, F et G deux sous-espaces
vectoriels de E de bases respectives et . Les trois propriétés ci-dessous
sont équivalentes :
(a) F et G sont supplémentaires
(b) F \ G = f0E g et dim E = dimF + dimG.
(c) rang ( [ ) = dimF + dimG = dim E, alors [ est une base de E.
EXERCICE 7
Soient F = f(x; y; z) 2 R3 ; x + y + z = 0g et G = f(x; y; z) 2 R3 ; x y = 0 et z = 0g.
Montrer que F et G sont deux sous-espaces vectoriels supplémentaires de R3 .
Rappel
Une application f entre deux K-espaces vectoriels E et F est linéaire
ssi les expressions images de f (x), pour x 2 E, sont combinaison linéaire des
coordonnées de x 2 E, moyennant une base de E.
EXERCICE 8
Soient f : R3 ! R3 ; (x; y; z) 7! (x; y; 0) ; g : R2 ! R3 ; (x; y) 7! (x y; x + y; x + 2y)
et h : R3 ! R ; (x; y; z) 7! x 3y + 2z.
1. Montrer que f; g et h sont linéaires.
2. Déterminer noyau et image dans chaque cas.
114
EXERCICE 9
Soit = (e1 ; e2 ; e3 ; e4 ) la base canonique de R4 et f l’endomorphisme de R4
dé…ni par :
f (e1 ) = 3e1 + e2 + e3 + e4 ; f (e2 ) = e1 + e2 e3 + e4 ; f (e3 ) = e1 e2 + e3 e4
f (e4 ) = e1 + e2 e3 + e4 .
1. Donner la matrice de f relativement à la base . f est-il un automorphisme ?
2. Calculer f (x; y; z; t) pour (x; y; z; t) 2 R4 de deux façons.
3. Déterminer ker f et Im f .
4. Soit F = vect (e3 ; e4 ). F et ker f sont-ils supplémentaires ?
EXERCICE 10
On considère R3 muni de la base canonique = fe1 ; e2 ; e3 g :
Soient ! u = e1 + 2e2 + e3 , ! v = 2e1 + e2 e3 , ! w m = me2 e3 ; m 2 R
1) Pour quelles valeurs de m, Sm = f! u ;! v ;!w m g est-il une base de R3 ?
En déduire que S1 est une base de R3 .
2) Déterminer la matrice de passsage de la base à la base S1 .
3) Déterminer la matrice de passage de la base S1 à la base .
! !
4) Soit H = ( 5; 1; 2). Quelles sont les coordonnées de H dans la base S1 ?
5) On considère l’application linéaire
fm : R3 ! R3 : (x; y; z) 7! (x + 2y + z; 2x + y z; my z).
a) Quelle est la matrice de fm dans la base ?
b) Dans quels cas fm est-elle un automorphisme de R3 ?
En déduire que f0 et f1 sont des automorphismes de R3 .
c) Trouver (x; y; z) tel que f1 (x; y; z) = (0; 1; 7) et calculer ( f1 ) 1 (2; 5; 0).
1) Sm = f! u ;!
v ;!
w m g R3 donc card (Sm ) = 3 = dim R3
1 2 0
on peut alors évaluer det (Sm ) = 2 1 m = m 5 = 0 , m = 5.
1 1 1
! ! ! 3
Ainsi Sm = f u ; v ; w m g est une base de R si et seulement si det (Sm ) 6= 0
, m 2 Rn f 5g.
Comme 1 2 Rn f 5g, S1 = f! u ;!v ;!w 1 g est une base de R3 .
2) La matrice
2 P de passsage 3 de la base à la base S1 est :
1 2 0
P =4 2 1 1 5 = P S1 det P = 6.
1 1 1
3) La matrice de passage de la base 2 S1 à la base 3est :2 3
0 2 2 0 13 13
14
PS1 = (P S1 ) 1 = P 1 = 3 1 1 5 = 4 12 61 16 5.
6 1 1 5
3 1 5 2 6 6
! !
4) H = ( 5; 1; 2) dans la base 2 . Les coordonnées
32 de H
3 2 S1 3 dans la base S1 sont :
1 1
! ! 0 3 3 5 1
t
HS1 = PS1 t H = 4 12 61 16 5 4 1 5 = 4 3 5
1 1 5
2 6 6
2 4
!
Donc HS1 = (1; 3; 4).
5) On considère l’application linéaire
fm : R3 ! R3 : (x; y; z) 7! (x + 2y + z; 2x + y z; my z).
a) La matrice Am de fm dans la base est :
115
2 3
1 2 1
Am = 4 2 1 1 5
0 m 1
b) fm est un automorphisme de R3 ssi det (Am ) 6= 0.
1 2 1
det (Am ) = 2 1 1 = m 5=0,m= 5
0 m 1
Donc det (Am ) 6= 0 , 8m 2 Rn f 5g ) fm est un automorphisme de R3 .
Comme 0; 1 2 Rn f 5g alors f0 et f1 sont des automorphismes de R3 .
c) Trouvons
0 (x; 1y; z) tel0 que 1 f1 (x;0y; z) = 1(0; 1;07). 1 0 1
x x 0 x 0
f1 @ y A = A1 @ y A = @ 1 A , @ y A = A1 1 @ 1 A
z 2 z 37 z 7
1 2 1
Je rappelle que A1 = 4 2 1 1 5 = (t P ) ) det A1 = det (t P ) = det P = 6.
0 1 12 3 2 3
1 1
0 3 3 0
14 2 2
1 5 = 4 13 61 1 5
1
D’où A1 1 = (t P ) = (t P 1 ) = 2 1 6
.
6 1 1 5
0 1 0 1 2 2 30 1 51 0 3 16 6
1 1
x 0 0 2 2
0 3
@ y A = A1 1 @ 1 A = 4 1 1 1 5@
1 A = @ 43 A
3 6 6
1 1 5 17
z 7 3 6 6
7 3
SR3 = 3; 34 ; 17 3
.
1
calculons ( f0 1 ) (2;
1 5; 0). 0 1 2 30 1 0 5 1
1 1
2 2 0 2 2
2 2
( f1 ) 1 @ 5 A = A1 1 @ 5 A = 4 13 61 1 5@
6
5 A=@ 3 A
2
1 1 5 3
0 0 3 6 6
0 2
5 3 3
Ainsi : ( f1 ) 1 (2; 5; 0) = ;
2 2 2
; .
EXERCICE 11 2 3
1 3 2
On considère A = 4 0 0 1 5
0 2 1
On appelle ' l’endomorphisme de R03 dont 1 la matrice dans la base canonique est A
x
1) Soit (x; y; z) 2 R3 . Détermner ' @ y A.
z
2) Montrer que ' est un automorphisme de R3 .
3) On note B = fu1 = (1; 0; 0) ; u2 = (5; 2; 2) ; u3 = ( 1; 1; 2)g
a) Montrer que B est une base de R3 .
b) Trouver P la matrice de passage de la base canonique de R3 à la base B.
c) Calculer P 1 .
4) Quelle est la matrice N de ' dans la base B.
5) Calculer An pour tout n 2 N.
EXERCICE 12
Soit E = R2 [X] l’espace vectoriel des polynômes à une indéterminée
X, à coe¢ cients réels et de degré inférieur ou égal à 2. On donne :
B1 = X 2 , B2 = (X 1)2 , B3 = (X + 1)2 , C1 = 1,C2 = X, C3 = X 2 .
1. Montrer que B = (B1 ; B2 ; B3 ) et C = (C1 ; C2 ; C3 ) sont des bases de E.
116
2. Donner les coordonnées des polynômes suivants dans la base B.
R = 2X 1 , S = 12 , T = 3X 2 10X + 1.
3. On considère l’application P 7! f (P ) dé…nie dans E par :
f (P )(X) = P (X 1) + (X + 1)P 0 (X) :
Montrer que f est un endomorphisme de E. Donner les matrices :
(i) MatB (f ) de f en tant qu’endomorphisme de E muni de la base B.
(ii) M atC;B (f ) de f en tant qu’application linéaire de E muni de la
base C dans E muni de la base B.
Soit C = f1; X; X 2 g R2 [X]
8P (X) = a0 1 + a1 X + a2 X 2 = 0 ) a0 = a1 = a2 = 0.
Ainsi C = f1; X; X 2 g engendre R2 [X] et est une famille libre, donc C = f1; X; X 2 g
est une base de R2 [X].
Dans la base C = f1; X; X 2 g les coordonnées de B1 = X 2 = (0; 0; 1) ;
B2 = (X 1)2 = X 2 2X + 1 = (1; 2; 1) ; B3 = (X + 1)2 = X 2 + 2X + 1 = (1; 2; 1).
B = fB1 ; B2 ; B3 g R2 [X] et comme CardB =3 = dim R2 [X] )
0 1 1
det B = 0 2 2 = 4 6= 0 ) B est une base de R2 [X].
1 1 1
Les coordonnées des polynômes suivants dans la base B :
Avec P (X) = a0 1 + a1 X + a2 X 2 = B1 + B2 + B3
P (X) = (a2 a0 ) B1 + 21 a0 14 a1 B2 + 21 a0 + 14 a1 B3
= a2 a0 ; 21 a0 14 a1 ; 21 a0 + 41 a1
R (X) = 2X 1 = B1 B2 = (1; 1; 0) ;
S (X) = 12 = 12B1 + 6B2 + 6B3 = ( 12; 6; 6) ;
T (X) = 3X 2 10X + 1 = 2B1 + 3B2 2B3 = (2; 3; 2).
3) 8P 2 R2 [X] ; f (P ) (X) = P (X 1) + (X + 1) P 0 (X) ; 8X 2 R.
P (X) = a0 1 + a1 X + a2 X 2 2 R2 [X] ) P 0 (X) = a1 + 2a2 X
f (P ) (X) = P (X 1) + (X + 1) P 0 (X)
= a0 1 + a1 (X 1) + a2 (X 1)2 + (X + 1) (a1 + 2a2 X) 2 R2 [X]
aussi 8P; Q 2 R2 [X] ; 8 2 R, f ( P + Q) (X) = ( f (P ) + f (Q)) (X) ; 8X 2 R
De là f est un endomorphisme de R2 [X].
Dans la base C = f1; X; X 2 g : f (1) = 1 ; f (X) = (X 1) + (X + 1) = 2X ;
f (X 2 ) = (X 1)2 + (X + 1) (2X) = 3X 2 + 1 2 3
1 0 1
La matrice de f dans la base C = f1; X; X 2 g est : M atCC (f ) = 4 0 2 0 5
0 0 3
La matrice de 0 passage de 1C à B est 0 1
0 1 1 1 0 1
PCB = P = @ 0 2 2 A , PBC = P 1 = @ 21 1
4
0 A
1 1
1 1 1 2 4
0
La matrice de f dans la base B = fB1 ; B2 ; B3 g est
M atBB (f ) = 0 PBC M atCC (f1) 2 PCB 30 1 0 1
1 0 1 1 0 1 0 1 1 2 1 1
= @ 21 1
4
0 A4 0 2 0 5@ 0 2 2 A = @ 21 2 0 A
1 1 1
2 4
0 0 0 3 1 1 1 2
0 2
117
8
< f (B1 ) = B1 + 21 B2 + 12 B3
On pouvait aussi établir que f (B2 ) = B1 + 2B2 .
:
8f (B3 ) = B1 + 2B3 1
< f (1) = 1 = B1 + 2 B2 + 21 B3
Pour établir M atCB (f ) il faut : f (X) = 2X = 12 B2 + 21 B3
: 1
f (X 2 ) = 2B1 + 0 B + 12 B3
2 2 1
1 0 2
) M atCB (f ) = @ 21 1
2
1 A
2
.
1 1 1
0 122 2 3
2
1 0 1 1 0 1
M atCB (f ) = PBC M atCC (f ) = @ 21 1
4
0 A 4 0 2 0 5
1 1
22 4
0 3 0 0 3
1 0 2
= 4 1 1 1 5
.
2 2 2
1 1 1
2 2 2
118
T.D.3
Réduction d’endomorphismes
Exercice 1 (Questions de cours)

Soient K un corps commutatif, unitaire et E un K-espace vectoriel de
dimension n et f : E ! E un endomorphisme de E dont la matrice
dans une base de E est A 2 Mn (K).
a) Rappeler la dé…nition de vecteur propre de f .
b) Enoncer 4 conditions nécessaires et su¢ santes de diagonalisation de A.
c) Enoncer une condition su¢ sante mais non-nécessaire de diagonalisation de A.
d) Enoncer une condition nécessaire mais non-su¢ sante de diagonalisation de A.

Exercice 2 2 3
0 2 1
On considère la matrice carrée réelle d’ordre trois : J = 4 0 1 2 5
0 1 0
3
et l’endomorphisme f de R dont la matrice dans la base canonique de
R3 est J.
On considère, pour tout nombre réel b, la matrice carrée réelle
d’ordre trois
2 : 3
b 2 1
Mb = 4 0 b 1 2 5.
0 1 b
Partie I
1. Déterminer les valeurs propres et les sous-espaces propres de f .
2. Montrer que J est diagonalisable. Déterminer une matrice réelle
diagonale d’ordre trois et une matrice réelle inversible P d’ordre
trois telle que : J = P DP 1 .
3. En déduire, après avoir exprimé Mb en fonction de J, que pour
tout nombre réel b, il existe une matrice réelle diagonale Db
d’ordre trois, que l’on calculera, telle que Mb = P Db P 1 .
4. Quel est l’ensemble des nombres réels b tel que Mb soit inversible.
Partie II
On cherche à présent à déterminer l’ensemble des nombres réels b tel
qu’il existe une matrice Xb carrée d’ordre trois véri…ant Xb2 = Mb .
1. Soient b un nombre réel et Xb une matrice carrée réelle carrée d’ordre
trois tel que Xb2 = Mb .
(i) Montrer que Xb commute avec Mb , puis que Xb commute avec J.
(ii) On note hb l’endomorphisme de R3 de matrice Xb dans la base
canonique de R3 . Déduire de la question précédente que tout vecteur
propre de f est vecteur propre de hb pour tout b 2 R.
(iii) Établir qu’il existe une matrice réelle diagonale b , pour tout b 2 R,
d’ordre trois telle que Xb = P b P 1 et montrer que 2b = Db pour
tout b 2 R.
2. Conclure en donnant l’ensemble auquel doit appartenir le réel b pour
que la matrice Xb2 = Mb existe.
119
Exercice 3
f : E ! E un endomorphisme d’un K-espace vectoriel E.
On suppose que est une valeur propre de f .
1) Montrer que pour tout entier n 2 N, n est une valeur propre de f n
où f n = f f ::: f .
| {z }
n fois
2) On suppose que f est nilpotent
(c’est-à-dire qu’il existe k 2 N ; f k = 0End(E) ). Trouver un sous-ensemble
certain de valeurs propres de f .
3) Soit P (X) 2 K [X] un polynôme, degré m,
P (X) = a0 + a1 X + ::: + am X m .
Montrer que si est une valeur propre de f alors P ( ) est une valeur
propre de P (f ).
4) Soit g un endomorphisme de E. On suppose que v est un vecteur propre
de f et de g.
Montrer que v est un vecteur propre de f + g et de f g. Dans le cas
où v est non nul, quelles sont les valeurs propres associées à v pour
f + g et f g.
1) est valeur propre de f , 9x 2 En f0E g ; f (x ) = x
) f 2 (x ) = 2 x
En supposant que n 2 N , on a : f n (x ) = n x
De là f n+1 (x ) = f (f n (x )) = f ( n x ) = n f (x ) = n+1 x
Donc 8n 2 N, f n (x ) = n x .
2) f nilpotent, 9k 2 N ; f k 0EndE i.e. 8x 2 E, f k (x) = 0E
f k (x n) = k x = 0E comme x 2oEn f0E g alors k = 0
2ij
donc j = e k ; j 2 [j0; k 1j] Sp (f ).
3) P (X) 2 Km [X], d’après 1) [P (f )] (x ) = P ( ) x
4) v est un vecteur propre de f et de g ) v 2 En f0E g, 9 ; 2 K ;
f (v) = v
) (f + g) (v) = f (v) + g (v) = ( + ) v
g (v) = v
et f g (v) = v.
Exercice 4
Dans l’espace vectoriel R3 , on considère l’endomorphisme f : R3 ! R3
dont la matrice 2dans la base cononique
3 = (e1 ; e2 ; e3 ) de R3 est :
1 1 1
A=4 1 1 1 5
1 1 1
1) Déterminer le ploynôme caractéristique de l’endomorphisme f
(c’est-à-dire de la matrice A). En déduire les valeurs propres de f .
2) Sans calculer les sous-espaces propres, montrer que la matrice A
est diagonalisable dans R.
3) Déterminer les sous-espaces propres de A. En déduire une base C
de R3 formée de vecteurs propres de f . Quelles est la matrice D de f
dans cette base ?
4) Soit n 2 N . Calculer An (on donnera une expession explicite).
5) Résoudre le système d’équations di¤érentielles linéaires suivant
d’inconnues les fonctions y1 , y2 , y3 de la variable x :
120
8 0
< y1 = y1 + y2 + y3
y 0 = y1 y2 + y3
: 20
y3 = y1 + y2 y3
dyi
où yi0 = pour i = 1; 2; 3, avec y1 (0) = 1, y2 (0) = 2 et y3 (0) = 2.
dx
Exercice 5
On considère les trois suites (Un )n2N , (Vn )n2N , et (Wn )n2N
dé…nies
8 par :
< Un+1 = 2Un 2Vn + Wn
Vn+1 = 2Un 3Vn + 2Wn
:
Wn+1 = Un + 2Vn
avec U0 = 2 ; V0 = 1 ; W0 = 2.
On se propose de déterminer le terme général de chacune de ces suites.
1)
0 Ecrire 1 le système sous la forme matricielle :
Un+1
@ Vn+1 A = Xn+1 = AXn et montrer que Xn = An X0 .
Wn+1
2) Calculer An et en déduire Xn puis Un , Vn et Wn en fonction de n.
Exercice 6
Soit la matrice
2 3
0 0 a1
A = 4 0 0 a2 5 2 M3 (C) avec (a1 ; a2 ) 6= (0; 0).
a1 a2 a3
1. Déterminer le polynôme caractéristique de A et montrer que si :
a23 + 4 (a21 + a22 ) 6= 0 et a21 + a22 6= 0, alors A est diagonalisable.
2. a) Montrer que si a21 + a22 = 0, alors A n’est pas diagonalisable.
b) Montrer que si a23 + 4 (a21 + a22 ) = 0, alors A n’est pas
diagonalisable.
2
1. PA ( ) = det (A I3 ) = + a3 + a21 + a22 .
2
Soit PA ( ) = 0 , + a3 + a21 + a22 = 0 , = 0
2
ou + a3 + a21 + a22 = 0, dont le discriminant
M= a23 + 4 (a21 + a22 ), p
a a23 + 4 (a21 + a22 )
Si M= a23 + 4 (a21 + a22 ) 6= 0, alors 1 =
3
et
p 2
a3 + a23 + 4 (a21 + a22 )
2 = sont deux racines distinctes
2
de (E),Si M= a23 + 4 (a21 + a22 ) 6= 0 et a21 + a22 6= 0. Alors A est
diagonalisable car PA ( ) admettra trois(3) racines distinctes,
donc PA ( ) sera scindé simple.
2. a) si a21 + ap p M= a3 + 4 (a1 + a2 ) 6= 0 ,
2 2 2 2
2 = 0,et
M= a23 , M = a23 = a3 6= 0
alors 1 ou 2 est égale à 0. Ainsi PA ( ) admet 0 comme racine double
au moins car elle peut être 2 racine triple si3 a3 2= 0.: 3
0 0 a1 a1 a2 a3
Et le rang (A) = 2 car A = 4 0 0 a2 5 4 0 0 a2 5 si
a1 a2 a3 0 0 0
a2 6= 0
121
2 3
0 a1 0
Aussi A 4 a1 a3 a2 5 si a1 6= 0 et comme (a1 ; a2 ) 6= (0; 0), on a
0 a2 0
bien rang (A) = 2 et N0 = ker A et dim ker A = 3 rangA = 3 2 = 1.
Soulignons que déterminant de A = 0.
8a3 2 C et (a1 ; a2 ) 6= (0; 0), d’où dim ker A = 1 6= 2, l’ordre de
multiplicité au moins de = 0 ; Donc A n’est pas diagonalisable
si a21 + a22 = 0, 8a3 2 C et (a1 ; a2 ) 6= (0; 0).
a2
b) Si a23 + 4 (a21 + a22 ) = 0 () 3 + a21 = a22
4
a3
) rang A I3 = 2, 8a3 2 C .
2
car 2 a 3
3
0 a1
a3 6 2 a3 7
6 7
A I3 = 6 0 a2 7
2 4 2 a3 5
a1 a2 a3
2 2 3
1
a1 a2 2
a 3
4 0 1
a a2 5
2 3
1 2 2 2
0 0 (4a1 + 4a2 + a3 )
2 4a1
1
3
a1 a2 a
2 3
=4 0 1
a
2 3
a2 5
1
0 0 4a1
( = 0)
a1 6= 0.
2 2 2
Avec a1 = 0 comme 2 aa3 + 4 (a1 + a23 ) = 0 ) 4a22 + a23 = 0.
3
0 0
a3 6 2 a 7
A I3 = 6 4 0
3
a 2 5
7
2 2 1
0 a a
2 1 2 2 3 3
2
a 3 0 0
4 0 a2 1
a 5,
2 3
1 2 2
0 0 4a2 (4a2 + a3 = 0)
a2 6= 0
a3
On a : det A I3 = 0.
2
a3
On sait que si a23 + 4 (a21 + a22 ) = 0, alors = ,
2
8a3 2 C est racine double de
a3
PA ( ) et comme rang A I3 = 2, 8a3 2 C ,
2
a3
alors dim ker A I3 = 1 6= 2, l’ordre de multiplicité
2
a3
de = ;
2
donc A n’est pas diagonalisable.
Si a3 = 0 avec a23 + 4 (a21 + a22 ) = 0,
on se retrouve dans le 2.a), avec = 0 valeur propre
d’ordre triple et comme A 6= 0M3 (C) donc le rang de A est
di¤érent de zéro, et alors dim ker A < 3.
Ici encore A n’est pas diagonalisable
Remarque
122
Voici une matrice symétrique complexe qui n’est pas automatiquement
diagonalisable comme une matrice symétrique réelle.
123
T.D.4
ALGEBRE BILINEAIRE
Exercice 1
Soit E un R-espace vectoriel à base canonique B = (e1 ; e2 ; e3 ),
et f : E E ! R l’application dé…nie par :
f (x; y) = x1 y1 + 6x2 y2 + 56x3 y3 2 (x1 y2 + x2 y1 ) + 7 (x1 y3 + x3 y1 ) 18 (x2 y3 + x3 y2 )
1. Déterminer la matrice A de f dans la base B:La forme bilinéaire f est-elle dégéne-
rée ?
2. Déterminer la forme quadratique q associée à f dans la base B:
3. Décomposer q en somme de carrés indépendants. Préciser la signature et le rang de
q:
4. Déterminer une base de E orthogonale pour f (ou q);et préciser l’expression de q
dans cette base.
5. Soit "1 = e1 ; "2 = 2e1 + e2 ; "3 = 3e1 + 2e2 + e3 :
Déterminer la matrice de f dans la base B 0 = ("1 ; "2 ; "3 ).
Exercice 2
Soit E un espace vectoriel de base B = (e1 ; e2 ; e3 ) :On considère la forme quadratique
q sur E dé…nie par :
P3
x= xi ei 7 ! q (x) = x21 + 5x22 + 5x23 4x1 x2 4x1 x3 + 6x2 x3 .
i=1
1.Dé…nir la forme polaire associée à q:Ecrire la matrice A de dans la base B:
2. Préciser la signature et le rang de q:La forme est-elle dégénerée ?
3. Déterminer une base ("1 ; "2 ; "3 ) de E orthogonale pour , et préciser l’expression de
q dans cette base.
4. Déterminer une base E ? : Déterminer le noyau de et un vecteur de E isotrope
pour
:
5. Soit u un endomorphisme de E et ' une forme bilinéaire symétrique non dégéne-
rée
tels que 8 (x; y) 2 E 2 (x; y) = ' (u (x) ; y) :
a) Déterminer la matrice A de u dans la base B en fonction des matrices M de et
N de
' dans cette même base.
b) Montrer que les vecteurs propres de u associés à deux di¤érentes valeurs propres
de u sont orthogonaux pour et ' à la fois.
Exercice 3
u = (x; y; z) ; q1 (u) = 5x2 + 7y 2 + 6z 2 4xz 4yz:
u = (x; y; z; t) ; q2 (u) = x2 + y 2 + z 2 + t2 2xy + 2xz + 2xt + 2yz + 2yt 2zt:
Montrer que pour chaque forme, il existe une base orthonormale de vecteurs propres
pour le produit scalaire canonique de R3 ou R4 .

a)La matrice
2 de q1 relativement
3 à la base canonique de R3 est
5 0 2
A= 4 0 7 2 5.
2 2 6
PA (X) = (6 X) (3 X) (9 X) ; Sp (A) = f6; 3; 9g
124
E6 = ker (A 6I3 ) =< (2; 2; 1) = v1 >
E3 = ker (A 3I3 ) =< (2; 1; 2) = v2 >
E9 = ker (A 9I3 ) =< (1; 2; 2) = v3 >.
v1 = (2; 2; 1) ; v2 = (2; 1; 2) ; v3 = (1; 2; 2).
On constate que v1 :v2 = v1 :v3 = v2 :v3 = 0
Ainsi = (v1 ; v2 ; v3 ) est une base orthogonale de R3
pour le produit canonique.
v1 v2 v3
Avec u1 = , u2 = ; u3 = où
kv1 k kv2 k
p kv3 k
kv1 k = kv2 k = kv3 k = 9 = 3.
On a = (u1 ; u2 ; u3 ) qui est une base orthonormée
pour le produit scalaire canonique de R3 .
4
b) La matrice
2 de q2 relativement 3 à la base canonique de R est
1 1 1 1
6 1 1 1 1 7
B=6 4 1
7.
1 1 1 5
1 1 1 1
3
PB (X) = (2 X) (2 + X) ; Sp (B) = f2; 2g
E( 2) = ker (B + 2I4 ) =< (1; 1; 1; 1) = w1 >
E2 = ker (B 2I4 ) =< (1; 1; 0; 0) ; (1; 0; 1; 0) ; ( 1; 1; 1; 1) >.
On constate que E( 2) ?E2 avec le produit scalaire canonique de R4 ,
mais les vecteurs engendrant E2 ne sont pas systématiquement
orthogonaux canoniquement entre eux, il faudra utiliser la méthode
d’orthogonalisation de Schmidt avec le produit scalaire canonique,
pour rendre cette base orthogonale canoniquement.
Je trouve une base de E2 canoniquement orthogonale qui est :
= ((1; 1; 0; 0) = w2 ; (1; 1; 2; 0) = w3 ; (1; 1; 1; 3) = w4 ).
w1 w2 w3 w4
Soient u1 = ; u2 = ; u3 = ; u4 = où
p kw1 k pkw2 k pkw3 k kw4 k
kw1 k = p4 = 2 ; p kw2 k = 2 ; kw3 k = 6 ;
kw4 k = 12 = 2 3.
0
= (u1 ; u2 ; u3 ; u4 ) est une base canoniquement orthonormée
de R4 .
Exercice 4
Soit E = C ([ 1; 1] ; R) structuré en espace préhilbertien réel à l’aide du produit
scalaire Z
1 1
(f; g) 2 E E 7 !< f; g >= f (x) g (x) dx.
2 1
Pour i = 0; 3 on considère le polynôme Pi (x) = xi .
1. Montrer que fP0 ; P1 ; P2 g est une famille libre mais non orthogonale de E.
2. Soit F le sous-espace vectoriel de E engendré par P0 ; P1 et P2 .
a) Construire par le procédé d’orthogonalisation de Schmidt, une base orthonormée
fQ0 ; Q1 ; Q2 g de F .
b) Soit P3 la projection orthogonale de P3 sur F . Exprimer P3 dans la base
fQ0 ; Q1 ; Q2 g de F , et calculer la distance de P3 à F .
Exercice 5
Soit Mn (R) muni du produit scalaire :(M; N ) 7 !< M; N >= tr (t M N ).
tr est la trace d’une matrice et (t M ) est la transpoée de M .
1. Montrer que (: j :) est un produit scalaire sur Mn (R), l’ensemble
125
des matrices réelles carrées d’ordre n, E = Mn (R).
2. Déterminer l’orthogonal du sous-espace vectoriel V1 des matrices diagonales de
Mn (R) :
3. a) Déterminer l’orthogonal du sous-espace vectoriel V2 des matrices scalaires de
Mn (R) :
b) Etant donné M 2 Mn (R) ; trouver la projection orthogonale de M sur V2 et sur
?
V2 .
A; B 2 Mn (R), (A j B) = tr (t AB).
1. (: j :) est-il un produit scalaire sur Mn (R) ?
On sait que la fonction tr est linéaire.
8A; B 2 Mn (R),
X n Xn X n X
n X
n
t t t
tr ( AB) = ( AB)kk = ( A)ki Bik = Aik Bik
k=1 k=1 i=1 k=1 i=1
Xn Xn X n X n Xn
= Bik Aik = (t B)ki Aik = (t BA)kk
k=1 i=1 k=1 i=1 k=1
= tr (t BA) =) (: j :) est symétrique sur
Mn (R) Mn (R).
Ainsi (: j :) est linéaire par rapport à un argument et
symétrique, donc (: j :) est bilinéaire symétrique.
8A 2 Mn (R),
Xn Xn X n n X
X n
tr (t AA) = (t AA)kk = (t A)ki Aik = Aik Aik
k=1 k=1 i=1 k=1 i=1
Xn Xn
= (Aik )2 0
k=1 i=1
X
n X
n
Soit tr (t AA) = 0 () (Aik )2 = 0 ()
k=1 i=1
8i; k 2 f1; 2; :::; ng, Aik = 0 =) A = 0.
Ainsi (: j :) est une forme bilinéaire symétrique,
dé…nie positive.
On conclut que (: j :) est un produit scalaire sur Mn (R).
2. V1? = fM 2 Mn (R) ; 8N 2 V1 , tr (t N M ) = 0g.
8N 2 V1 , on a (t N ) = N =) tr (t N M ) = tr (N M ).
8M = (mij ) 2 Mn (R), 8N = nij ji 2 V1 . Soit P = M N
X n
tel que P = (pij ) =) pij = mik nkj jk =)
k=1
X
n Xn
tr (M N ) = 0 =) pkk = mkk nkk ,
k=1 k=1
8 (n11 ; n22 ; :::; nnn ) 2 Rn () mkk = 0, 8k 2 f1; 2; :::; ng.
Donc V1? est le sous-espace des matrices de Mn (R) dont les
éléments diagonaux sont tous nuls.
3. a) V2? = fM 2 Mn (R) ; 8 2 R, tr ( In M ) = 0g.
8M 2 Mn (R), 8 2 R, tr ( In M ) = 0 () trM = 0.
Donc V2? est le sous-espace des matrices de Mn (R)
dont la trace est nulle.
126
(trM ) (trM )
b) 8M 2 Mn (R), M = In + M In ,
n n
(trM )
on a tr M In = 0 =) Mn (R) = V2 V2? .
n
8M 2 Mn (R),
(trM )
La projection orthogonale de M sur V2 est In .
n
La projection orthogonale de M sur V2? est
(trM )
M In .
n
127
Bibliographie
[1] Jean-Marie Monier, Algèbre MPSI, Cours et 700 Exercices Corrigés,

3ème édition, DUNOD
[2] J.-P.Lecoutre, P. Pilibossian, Travaux Dirigés, Algèbre,
2ème édition, DUNOD
[3] J.Lelong-Ferrand, J.M. Arnaudiès, Cours de Mathématiques, Tome 1, Algèbre,
3ème édition, DUNOD.
[4] Claude Boy, Alain Nizard, Prépas TD Algèbre, Exercices et corrigés, Armand Colin.
[5] Algèbre linéaire de Prof. Eva Bayer Fluckiger ; Dr. Philippe Chabloz
128

Algèbre Deuxième UICI 2022

Transféré par

Droits d'auteur :

Formats disponibles

Algèbre Deuxième UICI 2022

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Algèbre Deuxième UICI 2022

Transféré par

Droits d'auteur :

Formats disponibles

ALGEBRE LINEAIRE & BILINEAIRE

Niveau: Deuxième année Universitaire

3 RÉSOLUTION D’UN SYSTEME D’EQUATIONS LINÉAIRES 35

3.4 Calcul de l’inverse d’une matrice par la résolution de systèmes . . . . . . . 42

6 REDUCTION D’ENDOMORPHISME :DIAGONALISATION 70

6.1 Polynôme caractéristique,trace d’une matrice . . . . . . . . . . . . . . . . . 71

8 FORMES BILINEAIRES SYMETRIQUES,FORMES QUADRATIQUES(en

8.1 Matrice d’une forme bilinéaire . . . . . . . . . . . . . . . . . . . . . . . . . 84

I TRAVAUX DIRIGÉS 102

La Géométrie des Grecs(et l’Arithmétique) est(sont) l’origine arbitraire de

1.1 Présentation des matrices de type (p; q) sur un

1.2 Quelques matrices de type (p; q)

1.3 OPERATIONS SUR LES MATRICES

1.3.2 Egalité de deux matrices de même type

La matrice opposée à A = (aij ) est la matrice ( A) de coe¢ cients ( aij ).

1.3.3 Multiplication par un scalaire d’une matrice

Propriétés de la multiplication par un scalaire d’une matrice

1.3.4 Produit de deux matrices

1.4 Trace d’une matrice carrée

1.5 Matrices inversibles

1.6 Matrices équivalentes et matrices semblables

1.7 Opérations élémentaires sur les matrices

1.8 Matrices échelonnées

1.8.1 Inversion d’une matrice par les opérations élémentaires

2Ceci étant, déroulons : 3 2 3

1.9 Rang d’une matrice

Le déterminant est un simple scalaire(nombre) calculé à partir des éléments

2.1 Déterminant d’une matrice carrée d’ordre 2

2.2 Déterminant d’une matrice carrée d’ordre 3

2.2.1 Calcul d’un déterminant d’ordre 3 par la méthode de Sar-

les produits parallèles à la diagonale principale positivement et ceux de

2.2.2 Calcul du déterminant par le développement suivant une

2.3 Calcul du déterminant d’une matrice carrée d’ordre

2.4 Propriétés des déterminants

2.5 Inverse d’une matrice carrée

2.5.1 Propriétés de la matrice inverse

2.5.2 Inversion d’une matrice par sa comatrice

Aij est la matrice obtenue en supprimant la ligne i et la colonne j de A.

2.6 Rang d’une matrice

RÉSOLUTION D’UN SYSTEME

3.1 Résolution du système (S) avec la matrice aug-

3.2 Méthode de résolution d’un système de Cramer(Gabriel

3.2.1 Résolution d’un système de Cramer par l’inversion de la

3.2.2 Résolution d’un système de Cramer par des déterminants

équivalent. On peut donc transformer un système linéaire par une

3.3 Systèmes échelonnés ou Méthode du pivot

(b) Si8 m < n : on a :

3.4 Calcul de l’inverse d’une matrice par la résolution

4.2 Dé…nition d’un espace vectoriel

(qu’on pourrait écrire 0K ), qui est un scalaire.

4.3 Suite liée de vecteurs. Suite libre de vecteurs

vecteurs x1 ; x2 ; :::::; xn . Alors la (y1 ; y2 ; :::::; yn+1 ) est liée.

4.4 Espaces vectoriels de dimension …nie

4.4.2 Base d’un espace vectoriel

4.4.3 Déterminant d’une suite de vecteurs d’un K-espace vecto-

b) Si det (S) = 0, alors la suite S est liée ou linéairement dépendante.

4.5 Sous-espaces vectoriels

4.5.1 Exemples de sous-espaces vectoriels

4.6 Sous-espaces vectoriels d’un espace vectoriel de