FACULTE DES SCIENCES JURIDIQUES ECONOMIQUES ET SOCIALES -KENITRA -

Algèbre Linéaire
Omar EL FOURCHI
Année universitaire 2017-2018

Table des Matières

Matrices 2
Systèmes Linéaires 11
Espaces Vectoriels 16
Applications Linéaires 22
Diagonalisation 28

USTV
 1
Matrices

Définition Matrice
On appelle matrice m × n (ou d’ordre m × n) à coefficients dans K tout tableau de m lignes et n colonnes
d’éléments de K. L’ensemble des matrices m × n à coefficients dans K est noté Mm,n (K).
Si m = n on dit qu’on a une matrice carrée. L’ensemble des matrices carrées d’ordre n à coefficients dans K est
noté Mn (K).
Une matrice m × 1 est appelée vecteur-colonne et une matrice 1 × n est appelée vecteur-ligne.
On convient de noter aij l’élément de la matrice situé sur la i-ème ligne et j-ème colonne (1 ≤ i ≤ m et 1 ≤ j ≤ n).
Une matrice A est représentée entre deux parenthèses ou deux crochets :
   
a11 . . . a1j . . . a1n a11 . . . a1j . . . a1n
 .. .. ..   .. .. .. 
 . . .   . . . 
   
A= a
 i1 . . . a ij . . . a in 
 ou A = a
 i1
 . . . a ij . . . a in 

 .. .. ..   .. .. .. 
 . . .   . . . 
am1 . . . amj . . . amn am1 . . . amj . . . amn
ou encore
A = (aij )1≤i≤m ou A = [aij ]1≤i≤m
1≤j≤n 1≤j≤n

Nous travaillerons avec K = R, Q ou Z.

Exemple
La matrice  
−1 4 2
A= 0 1 −3
4 1 5
est carrée et d’ordre 3.

Définition Addition de matrices

Si A = (aij )1≤i≤m et B = (bij )1≤i≤m sont deux matrices m × n, on définit l’addition des matrices par
1≤j≤n 1≤j≤n

A + B = (aij + bij )1≤i≤m .

1≤j≤n

La matrice nulle, notée Om,n , est la matrice dont tous les éléments sont nuls.
La matrice opposée d’une matrice A est notée −A. Si A = (aij )1≤i≤m alors −A = (−aij )1≤i≤m .
1≤j≤n 1≤j≤n

Exemple
Soient les matrices    
3 4 2 6 1 9
A= , B= .
1 3 5 2 0 3
On obtient    
3+6 4+1 2+9 9 5 11
A+B= = .
1+2 3+0 5+3 3 3 8

Attention
La somme de deux matrices d’ordres différents n’est pas définie.

Propriété
Si A, B et C sont des matrices de même ordre, alors nous avons
B A + B = B + A (commutativité),
B A + (B + C) = (A + B) + C (associativité).

Exemple
Soient les matrices      
1 −1 6 −5 0 2
A= , B= , C= .
3 0 2 1 2 4
On a alors
           
1+6 −1 − 5 7 −6 6+1 −5 − 1 7 −6 6+0 −5 + 2 6 −3
A+B= = , B+A= = , B+C= = .
3+2 0+1 5 1 2+3 1+0 5 1 2+2 1+4 4 5

De plus,    
7 −4 7 −4
(A + B) + C = , A + (B + C) = .
7 5 7 5

Définition
On appelle matrice diagonale toute matrice carrée D = (dij )1≤i,j≤n telle que i 6= j =⇒ dij = 0. Si on note
di = dii , une matrice diagonale est de la forme
 
d1 0 ... 0 0
 0 d2 ... 0 0
 
Dn =  ... .
 .. .. ..
 . .  .
0 0 ... dn−1 0
0 0 ... 0 dn

On la note Diag(d1 , d2 , . . . , dn ).
La matrice identité d’ordre n, notée In , est la matrice diagonale Diag(1, 1, . . . , 1).

Définition Matrices triangulaires

On dit qu’une matrice carrée A = (aij )1≤i,j≤n est
B triangulaire supérieure si i > j =⇒ aij = 0,
B triangulaire inférieure si i < j =⇒ aij = 0.
Une matrice triangulaire supérieure et inférieure (i.e. i 6= j =⇒ aij = 0) est une matrice diagonale.
Exemple
 
1 2 3 4
0 5 6 7
U=
 
0 0 2 −1
est une matrice triangulaire supérieure,
0 0 0 −5
 
1 0 0 0
4 0 0 0
L=
 
5 −1 2 0
est une matrice triangulaire inférieure,
7 9 15 4
 
1 0 0 0
0 −8 0 0
D=
 
0 0 7 0
est une matrice diagonale.
0 0 0 0

Définition Produit d’une matrice par un scalaire

Si A = (aij )1≤i≤m est une matrice m × n et si α ∈ K, on définit le produit d’une matrice par un scalaire par
1≤j≤n

α · A = (α · aij )1≤i≤m
1≤j≤n

Propriété
Soient A et B deux matrices de même ordre et α ∈ K un scalaire, on a
B α · (A + B) = α · A + α · B (distributivité).

Exemple
   
3 4 2 3/2 2 1
Soit A = et α = 12 . On obtient C = α · A = 1/2 3/2 5/2
.
1 3 5

Définition Produit de matrices

Si A = (aik )1≤i≤m est une matrice m × n et B = (bkj )1≤k≤n une matrice n × p, on définit le produit des matrices
1≤k≤n 1≤j≤p
par
n
!
X
A×B= aik bkj
k=1 1≤i≤m
1≤j≤p

C’est une matrice m × p.

Exemple
Soient les deux matrices  
  1 2 0
1 3 0
A= B = 0 2 3
−1 1 2
et
0 −1 −2
La matrice A est d’ordre 2 × 3, la matrice B est d’ordre 3 × 3, donc la matrice produit A × B est une matrice d’ordre 2 × 3 :
   
1×1+3×0+0×0 1 × 2 + 3 × 2 + 0 × (−1) 1 × 0 + 3 × 3 + 0 × (−2) 1 8 9
A×B= = .
−1 × 1 + 1 × 0 + 2 × 0 −1 × 2 + 1 × 2 + 2 × (−1) −1 × 0 + 1 × 3 + 2 × (−2) −1 −2 −1
 B : n lignes p colonnes
 

 b11 ... b1j ... b1p 

 
 
 
 .. .. .. .. .. 
 . . . . . 
 
 
 
 bk1 ... bkj ... bkp 

1j
b
 

×
 
 

i1
a
 

+
.. .. .. ..

..
 .. 

.+
 . . . . . 
kj
 
b  
× 
bn1 ... bnj ... bnp

ik
 
a

+
..
.+
j
bp
×
a ip
   
 a11 ... a1k ... a1n   c11 ... c1j ... c1p 
   
   
   
 .. .. .. .. ..   .. .. .. .. .. 
 .   . 
 . . . .   . . . . 
   
   

 ai1 ... aik ... ain 


 ci1 ... cij ... cip 

   
   
   
 .. .. .. .. ..   .. .. .. .. .. 
 . . . . .   . . . . . 
   
   
   
 am1 ... amk ... amn   cm1 ... cmk ... cmp 

A : m lignes n colonnes C = A × B : m lignes p colonnes

Propriété
Si A ∈ Mm,n (K), B ∈ Mn,p (K), C ∈ Mp,q (K), alors
B A × (B × C) = (A × B) × C (associativité) ;
B A(×(B + C) = A × B + A × C (distributivité) ;
Si A ∈ Mn (K) alors A × In = In × A = A.

Attention
A × B 6= B × A en général (non commutativité).
Prenons le cas général avec A d’ordre m × p et B d’ordre p × n. Le produit A × B est défini, c’est une matrice
d’ordre m × n. Qu’en est-il du produit B × A ? Il faut distinguer trois cas :
B si m 6= n le produit B × A n’est pas défini ;
B si m = n mais p 6= n, le produit A × B est défini et c’est une matrice d’ordre m × n tandis que le produit B × A
est défini mais c’est une matrice d’ordre p × p donc A × B 6= B × A ;
B si m = n = p, A et B sont deux matrices carrées d’ordre m. Les produits A × B et B × A sont aussi carrés et
d’ordre m mais là encore, en général, A × B 6= B × A ;

Exemple
Soient les matrices    
1 −1 6 −5
A= , B= .
3 0 2 1
On obtient    
4 −6 −9 −6
A×B= B×A= .
18 −15 5 −2
et
Définition Matrice transposée
Si A = (aij )1≤i≤m est une matrice m × n, on définit la matrice transposée de A, notée AT , par A = (aji ) 1≤j≤n .
1≤j≤n 1≤i≤m
C’est donc une matrice n × m obtenue en échangeant lignes et colonnes de la matrice initiale.

Exemple
Soit la matrice A d’ordre 2 × 3 suivante  
1 −1 5
A= .
3 0 7
Sa transposée est la matrice AT d’ordre 3 × 2 suivante
 
1 3
T
A = −1 0 .
5 7

Propriété
B (AT )T = A si A ∈ Mm,n (K),
B (αA)T = αAT si α ∈ K et A ∈ Mm,n (K),
B (A + B)T = AT + BT si A, B ∈ Mm,n (K),
B (A × B)T = BT × AT si A ∈ Mm,n (K) et B ∈ Mn,p (K).

Définition Matrice symétrique, matrice anti-symétrique

B Une matrice A est dite symétrique si AT = A, i.e. si aij = aji pour tout i 6= j.
B Une matrice A est dite anti-symétrique si AT = −A, i.e. si aij = −aji pour tout i 6= j.

Exemple
 
1 5 −9
A= 5 4 0 est une matrice symétrique.
−9 0 7
 
1 5 −9
B = −5 4 0 est une matrice anti-symétrique.
9 0 7

Définition Matrice inversible, matrice singulière

Une matrice carrée A ∈ Mn (K) est dite inversible ou régulière si elle est symétrisable pour le produit matriciel,
autrement dit s’il existe une matrice B ∈ Mn (K) telle que A × B = B × A = In . Une matrice non régulière est
dite singulière.
L’inverse, s’il existe, d’une matrice A est noté A−1 .

Proposition
Soit A et B deux matrices
inversibles, alors
−1
B A−1 l’est aussi et A−1 = A,
−1
T
B AT l’est aussi et AT = A−1 ,

B A × B l’est aussi et (A × B)−1 = B−1 × A−1 .

Définition Trace
Si A est une matrice carrée d’ordre n, on définit la trace de A comme la somme des éléments de la diagonale
principale :
Xn
tr(A) = aii .
i=1
Exemple
La trace de la matrice A suivante  
1 2 0
0 2 3
0 −1 −2
est tr(A) = a11 + a22 + a33 = 1 + 2 + (−2) = 1.

Propriété
Si A et B sont deux matrices carrées d’ordre n, alors
B tr(AT ) = tr(A),
B tr(A + B) = tr(A) + tr(B).
Si A est une matrice m × n et B une matrice n × m, alors
B tr(A × B) = tr(B × A).

Calcul pratique d’un déterminant

Définition Déterminant d’une matrice d’ordre n
Soit A une matrice carrée d’ordre n.
Étant donné un couple (i, j) d’entiers, 1 ≤ i, j ≤ n, on note Aij la matrice carrée d’ordre n − 1 obtenue en
supprimant la i-ème ligne et la j-ème colonne de A.
Le déterminant de A, noté det(A) ou |A|, est défini par récurrence sur l’ordre de la matrice A :
B si n = 1 : le déterminant de A est le nombre

det(A) = a11 ,

B si n > 1 : le déterminant de A est le nombre

n
X
det(A) = (−1)i+j aij det(Aij ) quelque soit la ligne i, 1 ≤ i ≤ n,
j=1

ou, de manière équivalente, le nombre

n
X
det(A) = (−1)i+j aij det(Aij ) quelque soit la colonne j, 1 ≤ j ≤ n.
i=1

Astuce
Pour se souvenir des signes de ces deux formules, on peut remarquer que la distribution des signes + et − avec
la formule (−1)i+j est analogue à la distribution des cases noirs et blanches sur un damier :
 
+ − + − . . . 
 
− + − + . . . 
 
+ − + − . . . 
 
 .. .. .. .. . . 
. . . . .

Exemple
Soit A une matrice carrée d’ordre n = 2.
 
a11 a12
det(A) = det = a11 a22 −
a21 a22 a12 a21 .

a11 a12

a21 a22
−
Exemple
Soit la matrice

 
a11 a12 a13
A = a21 a22 a23 
a31 a32 a33
alors
 
a22 a23
det(A11 ) = det = a22 a33 − a23 a32 ,
a32 a33
 
a21 a23
det(A12 ) = det = a21 a33 − a23 a31 ,
a31 a33
 
a21 a22
det(A13 ) = det = a21 a32 − a22 a31 ,
a31 a32
 
a12 a13
det(A21 ) = det = a12 a33 − a13 a32 ,
a32 a33
 
a11 a13
det(A22 ) = det = a11 a33 − a13 a31 ,
a31 a33
 
a11 a12
det(A23 ) = det = a11 a32 − a12 a31 ,
a31 a32
 
a12 a13
det(A31 ) = det = a12 a23 − a13 a22 ,
a22 a23
 
a11 a13
det(A32 ) = det = a11 a23 − a13 a21 ,
a21 a23
 
a11 a12
det(A33 ) = det = a11 a22 − a12 a21 ,
a21 a22

donc on peut calculer det(A) par l’une des formules suivantes :

B a11 det(A11 ) − a12 det(A12 ) + a13 det(A13 ) (développement suivant la ligne i = 1)
B −a21 det(A21 ) + a22 det(A22 ) − a23 det(A23 ) (développement suivant la ligne i = 2)
B a31 det(A31 ) − a32 det(A32 ) + a33 det(A33 ) (développement suivant la ligne i = 3)
B −a11 det(A11 ) + a21 det(A21 ) − a31 det(A31 ) (développement suivant la colonne j = 1)
B a12 det(A12 ) − a22 det(A22 ) + a32 det(A32 ) (développement suivant la colonne j = 2)
B −a13 det(A13 ) + a23 det(A23 ) − a33 det(A33 ) (développement suivant la colonne j = 3)
Quelques calculs montrent que ces formules donnent bien le même résultat.

Astuce
Il convient d’utiliser cette définition après avoir fait apparaître sur une même rangée le plus possible de zéro
sachant que
B si deux colonnes (resp. deux lignes) sont identiques ou proportionnelles, alors det(A) = 0 ;
B si on échange deux colonnes (resp. deux lignes), alors le déterminant est changé en son opposé ;
B on ne change pas un déterminant si on ajoute à une colonne (resp. une ligne) une combinaison linéaire des
autres colonnes (resp. lignes), i.e.

Ci ← Ci + αCj , Li ← Li + αLj ,

avec j 6= i et α 6= 0.

Exemple
Soit la matrice  
1 0 1
A = 0 2 0
0 3 5
alors
     
2 0 0 0 0 2
det(A11 ) = det = 10, det(A12 ) = det = 0, det(A13 ) = det = 0,
3 5 0 5 0 3
     
0 1 1 1 1 0
det(A21 ) = det = −3, det(A22 ) = det = 5, det(A23 ) = det = 3,
3 5 0 5 0 3
     
0 1 1 1 1 0
det(A31 ) = det = −2, det(A32 ) = det = 0, det(A33 ) = det = 2,
2 0 0 0 0 2
donc on peut calculer det(A) par l’une des formules suivantes :
B 1 det(A11 ) + 0 det(A12 ) + 1 det(A13 ) = 10 + 0 + 0 = 10
B 0 det(A21 ) + 2 det(A22 ) + 0 det(A23 ) = 0 + 2 × 5 + 0 = 10 L99 formule pratique car il n’y a qu’un déterminant à calculer
B 0 det(A31 ) + 3 det(A32 ) + 5 det(A33 ) = 0 + 0 + 5 × 2 = 10
B 1 det(A11 ) + 0 det(A21 ) + 0 det(A31 ) = 10 + 0 + 0 = 10 L99 formule pratique car il n’y a qu’un déterminant à calculer
B 0 det(A12 ) + 2 det(A22 ) + 3 det(A32 ) = 0 + 2 × 5 + 0 = 10
B 1 det(A13 ) + 0 det(A23 ) + 5 det(A33 ) = 0 + 0 + 5 × 2 = 10

Propriété
Le déterminant d’une matrice triangulaire est égal au produit des éléments diagonaux.

Théorème
A est inversible si et seulement si det(A) 6= 0.

Propriété
B det(AT ) = det(A),
1
B det(A−1 ) = ,
det(A)
B det(A × B) = det(A) · det(B).

Définition Rang
Le rang d’une matrice quelconque A est égal au plus grand entier s tel que l’on puisse extraire de A une matrice
carrée d’ordre s inversible, c’est-à-dire de déterminant non nul. Les opérations élémentaires sur les lignes ou les
colonnes d’une matrice ne modifient pas le rang.

Exemple
Soit A la matrice suivante  
1 3 2
A= .
1 3 1
Le rang de A est 2 car
B A est d’ordre 2 × 3 donc s ≤ min{2, 3} donc s = 0, 1 ou 2 ;
B comme le déterminant de la sous-matrice composée de la première et de la deuxième colonne est nul, on ne peut pas
conclure ;
B comme le déterminant de la sous-matrice composée de la première et de la troisième colonne est non nul, alors s = 2.

Exemple
Soit A la matrice suivante  
1 0 1
A= 0 5 −1 .
−1 0 −1
B A est d’ordre 3 × 3 donc s ≤ 3
B le déterminant de A est 0 donc s 6= 3 
B le déterminant de la sous-matrice 10 05 est 5, donc s = 2.

Définition Cofacteur
Soit A une matrice carrée d’ordre n. Étant donné un couple (i, j) d’entiers, 1 ≤ i, j ≤ n, on note Aij la matrice
carrée d’ordre n − 1 obtenue en supprimant la i-ème ligne et la j-ème colonne de A. On appelle cofacteur de
l’élément aij le nombre (−1)i+j det(Aij ).

Exemple
   
a b d −c
Soit A = . Alors la matrice des cofacteurs de A est la matrice
c d −b a
.
 Calcul de A−1
A étant inversible, pour obtenir A−1 il suffit de résoudre le système Ax = b qui admet pour solution x = A−1 b.
1. On calcul la matrice des cofacteurs des éléments de A, appelée comatrice de A ;
2. on transpose la comatrice de A ;
3. on divise par det(A).
 
1 i+j T
A−1 = , (−1) det(Aij ).
det(A)

Exemple
 
a b
Soit A = avec det(A) = ad − bc 6= 0.
c d
on a déjà calculé le déterminant de cette matrice ainsi que la matrice des cofacteurs, il suffit alors de
calculer la transposée et on obtient
 
−1 1 d −b
A = .
ad − bc −c a

Exemple
Calculer l’inverse de la matrice  
1 1 −1
A = −1 1 1 .
1 −1 1

1. On calcule la matrice des cofacteurs des éléments de A, appelée comatrice de A :

      
1+2 −1
1+1  1
 1  1 −1 1 
(−1) (−1) (−1)1+3 
 −1 1  −1 
1 1 1
    
   2 2 0
 
2+1  1 −1   1 −1   1 1  
comatrice = (−1) −1
 (−1)2+2   (−1)2+3    = 0 2 2 ;
1 1 1 1 −1 
   
     2 0 2
  1 −1 3+2  1
 −1 3+3  1
 1 
(−1)3+1  (−1) −1 1  (−1) −1 1
1 1
2. on transpose la comatrice de A :  
2 0 2
T
comatrice = 2 2 0 ;
0 2 2
3. on divise par det(A) :    
2 0 2 1/2 0 1/2
−1 1
A = 2 2 0 = 1/2 1/2 0 .
4 1/2 1/2
0 2 2 0
 Systèmes Linéaires
2
Définition Système linéaire
Soit n, p, ≥ 1 des entiers. Un système linéaire n × p est un ensemble de n équations linéaires à p inconnues de
la forme 
a11 x1 + . . . + a1p xp = b1 ,

(S) ..
.
..
.
..
.

an1 x1 + . . . + anp xp = bn .


B Les coefficients aij et les secondes membres bi sont des éléments donnés de K. Les inconnues x1 , x2 , . . . , xp
sont à chercher dans K.
B Le système homogène associé à (S) est le système obtenu en remplaçant les bi par 0.
B Une solution de (S) est un p-uplet (x1 , x2 , . . . , xp ) qui vérifie simultanément les n équations de (S). Résoudre
(S) signifie chercher toutes les solutions.
B Un système est impossible, ou incompatible, s’il n’admet pas de solution. Un système est possible, ou compa-
tible, s’il admet une ou plusieurs solutions.
B Deux systèmes sont équivalents s’ils admettent les mêmes solutions.
Écriture matricielle
Si on note
     
x1 b1 a11 ... a1p
x= .  b =  ...  A= .
 ..     .. .. 
. 
xp bn an1 ... anp

le système (S) est équivalent à l’écriture matricielle Ax = b.

Méthodes de résolution
Définition Système échelonné
Un système (S) est en escalier, ou échelonné, si le nombre de premiers coefficients nuls successifs de chaque
équation est strictement croissant.

Autrement dit, un système est échelonné si les coefficients non nuls des équations se présentent avec une sorte
d’escalier à marches de longueurs variables marquant la séparation entre une zone composée uniquement de zéros
et une zone où les lignes situées à droite de l’escalier commencent par des termes non nuls, comme dans l’exemple
suivant de 5 équations à 6 inconnues :



 5x1 −x2 −x3 +2x4 +x6 = b1

3x −x +2x = b2

3 4 5



−x5 +x6 = b3

5x6 = b4





0 = b5


 Réduction
Quand un système contient une équation du type

0x1 + · · · + 0xp = b,

B si b 6= 0 le système est impossible,

B si b = 0, on peut supprimer cette équation, ce qui conduit à un système équivalent à (S) dit système réduit.

Définition Matrice augmentée

Si on ajoute le vecteur-colonne des seconds membres b à la matrice des coefficients A, on obtient ce qu’on appelle
la matrice augmentée que l’on note [A|b].

Méthode du pivot de Gauss

Soit A = (aij )1≤i≤n la matrice des coefficients du système (S) et [A|b] la matrice augmentée.
1≤j≤p
Étape j : en permutant éventuellement deux lignes de la matrice augmentée, on peut supposer ajj 6= 0 (appelé
pivot de l’étape j). On transforme toutes les lignes Li avec i > j
aij
Li ← Li − Lj
ajj

ainsi on élimine l’inconnue xj dans chaque lignes Li .

En réitérant le procédé pour i de 1 à n, on aboutit à un système échelonné.

Exemple
Soit le système linéaire


x1 +2x2 +3x3 +4x4 = 1,
2x1 +3x2 +4x3 +x4 = 2,

3x1 +4x2 +x3 +2x4 = 3,

4x1 +x2 +2x3 +3x4 = 4.


1. Résolution par la méthode du pivot de Gauss :

 
 x1 +2x2 +3x3 +4x4 = 1 L2 ←L2 −2L1  x1 +2x2 +3x3 +4x4 = 1
 L3 ←L3 −3L 1 
2x1 +3x2 +4x3 +x4 = 2 L4 ←L4 −4L1 −x2 −2x3 −7x4 = 0

−−−−−−−→

3x1 +4x2 +x3 +2x4 = 3 
 −2x2 −8x3 −10x4 = 0
4x1 +x2 +2x3 +3x4 = 4 −7x2 −10x3 −13x4 = 0
 
 
x1 +2x2 +3x3 +4x4 = 1
L3 ←L3 −2L2 

x1 +2x2 +3x3 +4x4 = 1
−x2 −2x3 −7x4 = 0 L4 ←L4 +L3 −x2 −2x3 −7x4 = 0
 
L4 ←L4 −7L2
−−−−−−−→ −−−−−−→

 −4x3 +4x4 = 0 
 −4x3 +4x4 = 0
4x3 +36x4 = 0 40x4 = 0
 

donc
x4 = 0, x3 = 0, x2 = 0, x1 = 1.
2. Résolution par la méthode du pivot de Gauss en écriture matricielle :
   
1 2 3 4 1 L2 ←L2 −2L1 1 2 3 4 1
L3 ←L3 −3L1
 2 3 4 1 2 
−L4 ←L4 −4L1  0 −1 −2 −7 0 
[A|b] =  −−−−−−→  
 3 4 1 2 3   0 −2 −8 −10 0 
4 1 2 3 4 0 −7 −10 −13 0
   
1 2 3 4 1 1 2 3 4 1
L3 ←L3 −2L2
L4 ←L4 −7L2  0 −1 −2 −7 0  L4 ←L4 +L3  0 −1 −2 −7 0 
−−−−−−−→  − −−−−−→  
 0 0 −4 4 0   0 0 −4 4 0 
0 0 4 36 0 0 0 0 40 0

donc
x4 = 0, x3 = 0, x2 = 0, x1 = 1.

Définition Rang
Le nombre d’équations du système réduit en escalier obtenu par la méthode de Gauss est le rang r de la matrice
A, ou du système (S).
Théorème
Un système Ax = b de m équations à n inconnues est compatible si et seulement si rg(A) = rg([A|b]).
1. Si le système a n équations et n inconnues, la matrice A est carrée d’ordre n.
1.1. Si rg(A) = n (i.e. si det(A) 6= 0) alors rg(A) = rg([A|b]) et la solution est unique.
1.2. Si rg(A) = rg([A|b]) < n il y a une infinité de solutions.
1.3. Si rg(A) 6= rg([A|b]) il n’y a pas de solution.
2. Si le système a m équations et n inconnues avec m > n alors
2.1. Si rg(A) = rg([A|b]) = n la solution est unique.
2.2. Si rg(A) = rg([A|b]) < n il y a une infinité de solutions.
2.3. Si rg(A) 6= rg([A|b]) il n’y a pas de solution.
3. Si le système a m équations et n inconnues avec m < n alors
3.1. Si rg(A) = rg([A|b]) ≤ m < n il y a une infinité de solutions.
3.2. Si rg(A) 6= rg([A|b]) il n’y a pas de solution.

Remarque
Soit A = (aij )1≤i≤n la matrice des coefficients du système (S). Alors
1≤j≤p

0 ≤ rg(A) ≤ min { n, p }
rg(A) ≤ rg([A|b]) ≤ min { n, p + 1 } .

Exemple
On veut résoudre les systèmes linéaires suivantes de 2 équations et 2 inconnues :
( ( (
x +y=1 x +y=1 x +y=1
¬ ­ ®
x −y=1 2x + 2y = 2 2x + 2 = 1

Les matrices augmentées associées à chaque système sont

     
1 1 1 1 1 1 1 1 1
¬ [A|b] = ­ [A|b] = ® [A|b] =
1 −1 1 2 2 2 2 2 1

donc
¬ rg(A) = rg([A|b]) = 2 donc il existe une et une seule solution :
( (
x +y=1 L2 ←L2 −L1 x +y=1
−− −−−−→
x −y=1 −2y = 0

ainsi la solution est y = 0 et x = 1 ;

­ rg(A) = rg([A|b]) = 1 donc il existe une infinité de solutions :
( (
x +y=1 L2 ←L2 −2L1 x +y=1
−−−−−−−→
2x + 2y = 2 0=0

ainsi la solution est y = κ et x = 1 − κ pour tout κ ∈ R ;

® rg(A) = 1 et rg([A|b]) = 2 donc il n’y a pas de solution, en effet
( (
x +y=1 L2 ←L2 −2L1 x +y=1
−−−−−−−→
2x + 2y = 1 0 = −1

et la dernière équation est impossible.

 Exemple
1. n équations et n inconnues :
   
1 2 3 12
1.1. A =  1 −3 −7, b = −26. On a rg(A) = 3 (car det(A) 6= 0) donc rg(A) = rg([A|b]) et la solution est
−6 4 −2 −4
unique.
   
1 2 3 14
1.2. A = 1 −3 −7, b = −26. On a rg(A) = rg([A|b]) = 2 < 3 donc il y a une infinité de solutions.
3 −2 −7 −22
   
1 2 3 14
1.3. A = 1 −3 −7, b = −26. On a rg(A) = 2 6= rg([A|b]) = 3 donc il n’y a pas de solution.
3 −2 −7 −20
2. m équations et n inconnues avec m > n :
   
2 4 4
2.1. A = 2 −3, b = 18. On a rg(A) = rg([A|b]) = 2 donc la solution est unique.
1 −4 14
   
2 −2 2 6
−1 2 3 0
2.2. A =  , b =  . On a rg(A) = rg([A|b]) = 2 < 3 donc il y a une infinité de solutions.
0 −1 −4 −3
−2 3 2 −3
   
2 −2 2 6
−1 2 3 0
2.3. A =  , b =  . On a rg(A) = 2 6= rg([A|b]) = 3 donc il n’y a pas de solution.
0 −1 −4 −4
−2 3 2 −3
3. m équations et n inconnues avec m < n :
   
2 −1 2 2
3.1. A = ,b= . On a rg(A) = rg([A|b]) = 2 < 3 donc il y a une infinité de solutions.
−1 2 2 2
   
2 −1 1 1
3.2. A = ,b= . On a rg(A) = 1 6= rg([A|b]) = 2 donc il n’y a pas de solution.
4 −2 2 4

Définition Système de Cramer

Un système est dit de Cramer s’il a une solution, et une seule.

Propriété
Considérons un système carré d’ordre n à coefficients réels. Le système est de Cramer si une des conditions
équivalentes suivantes est remplie :
1. A est inversible ;
2. rg(A) = n ;
3. le système homogène Ax = 0 admet seulement la solution nulle.

Méthode de Cramer
La solution d’un système de Cramer d’écriture matricielle Ax = b est donnée par

det(Aj )
xj = , 1≤j≤n
det(A)

où Aj est la matrice obtenue à partir de A en remplaçant la j-ème colonne par la colonne des seconds membres b.

Cette formule est cependant d’une utilité pratique limitée à cause du calcul des déterminants qui est très couteux.
Exemple Système d’ordre 2
On veut résoudre le système linéaire     
a11 a12 x1 b1
=
a21 a22 x2 b2
par la méthode de Cramer. On a
 
a11 a12
A= , det(A) = a11 a22 − a12 a21 ,
a21 a22
 
b1 a12
A1 = , det(A1 ) = b1 a22 − a12 b2 ,
b2 a22
 
a11 b1
A2 = , det(A2 ) = a11 b2 − b1 a21 ,
a21 b2

donc
b1 a22 − a12 b2 a11 b2 − b1 a21
x1 = , x2 = .
a11 a22 − a12 a21 a11 a22 − a12 a21

Exemple
On veut résoudre le système linéaire     
1 −1 2 x 2
2 1 0 y = −1
3 2 0 z 1
par la méthode de Cramer. On a
 
1 −1 2
A = 2 1 0 , det(A) = 2,
3 2 0
 
2 −1 2
A1 = −1 1 0 , det(A1 ) = −6,
1 2 0
 
1 2 2
A2 = 2 −1 0 , det(A2 ) = 10,
3 1 0
 
1 −1 2
A3 = 2 1 −1 , det(A3 ) = 10,
3 2 1

donc
−6 10 10
x= = −3, y= = 5, z= = 5.
2 2 2
 Espaces Vectoriels
3
Espaces4vectoriels,4Sous-espaces4vectoriels
Définition Espace vectoriel
Un espace vectoriel sur K est un ensemble E contenant au moins un élément, noté 0E , ou simplement 0, muni
d’une addition
u+v ∈E pour tout u, v ∈ E
et d’une multiplication par les scalaires

α ·u∈E pour tout u ∈ E et pour tout α ∈ K

avec les propriétés suivantes : pour tout u, v, w ∈ E et pour tout α, β ∈ K,

À u + (v + w) = (u + v) + w (associativité)
Á u+v =v+u (commutativité)
 u + 0E = 0E + u = u (existence d’un élément neutre pour l’addition)
à u + (−u) = (−u) + u = 0E en notant −u = (−1K ) · u (existence d’un élément opposé)
Ä (α + β) · u = α · u + β · u (compatibilité avec la somme des scalaires)
Å α · (u + v) = α · u + α · v (compatibilité avec la somme des vecteurs)
Æ α · (β · u) = (αβ) · u (compatibilité avec le produit des scalaires)
Ç 1K · u = u (compatibilité avec l’unité)
Les éléments de E sont appelés vecteurs, l’élément neutre de l’addition 0E est appelé vecteur nul, le symétrique
d’un vecteur u pour l’addition est appelé vecteur opposé de u et est noté −u.
Nous travaillerons avec K = R
Exemple
L’ensemble R2 = { (x, y) | x ∈ R, y ∈ R } est un espace vectoriel pour les opérations
B somme : (x, y) + (z, w) = (x + z, y + w)
B multiplication : α · (x, y) = (αx, αy).

Définition Sous-espace vectoriel

Soit E un espace vectoriel. On dit que F est un sous-espace vectoriel de E si et seulement si F est un espace
vectoriel et F ⊂ E.
 Exemple
B L’ensemble { 0E } constitué de l’unique élément nul est un sous-espace vectoriel de E, à ne pas confondre avec l’ensemble
vide ∅ qui n’est pas un sous-espace vectoriel de E (il ne contient pas le vecteur nul).
B L’ensemble E est un sous-espace vectoriel de E.

Pour montrer qu’un ensemble F est un sous-espace vectoriel d’un espace vectoriel E on utilise le théorème suivant.

Théorème
F est un sous-espace vectoriel de E si et seulement si
1. F ⊂ E
2. 0E ∈ F
3. u, v ∈ F =⇒ u + v ∈ F
4. u ∈ F , α ∈ K =⇒ α · u ∈ F

Exemple
L’ensemble   
a b 
F = { A ∈ M2 (R) | tr(A) = O2 } = a+d=0
c d 
est un sous-espace vectoriel de l’ensemble E = M2 (R). En effet :
1. F ⊂ M2 (R) ;
 
0 0
2. 0E = ∈ F car 0 + 0 = 0 ;
0 0
     
a b e f a+e b+f
3. si M = et N = appartiennent à F (c’est-à-dire a+d = 0 et e+h = 0), alors M+N =
c d g h c+g d+h
appartient à F car (a + e) + (d + h) = (a + d) + (e + h) = 0 + 0 = 0 ;
   
a b αa αb
4. si M = appartient à F (c’est-à-dire a + d = 0) et si α ∈ R alors α · M = appartient à F car
c d αc αd
αa + αd = α(a + d) = 0.

Exemple
L’ensemble   
a b 
F = { A ∈ M2 (R) | det(A) = 0 } =  ad = bc
c d 
n’est pas un sous-espace vectoriel de l’ensemble E = M2 (R). En effet la somme de deux éléments de F peut ne pas appartenir
à F , par exemple      
1 0 0 0 1 0
+ =
0 0 0 1 0 1

Exemple
On note Fonct(R, R) l’espace vectoriel des fonctions de R dans R et on considère les sous-ensembles suivants de Fonct(R, R)
¬ F = { f : R → R | f est paire } ;
­ F = { f : R → R | f est impaire } ;
® F = { f : R → R | f(−x) = f(x) + 2 } ;
¯ F = { f : R → R | f(x) ≥ 0 } ;
° F = { f : R → R | f(x) = 0 } ;
± F = { f : R → R | f(x) = 1 } ;
² F = { f : R → R | f(1) = 0 }.
On cherche lesquels forment des sous-espaces vectoriels :
¬ F est un sous-espace vectoriel de Fonct(R, R) car
1. x 7→ 0 ∈ F ,
2. f, g ∈ F =⇒ f + g ∈ F car (f + g)(−x) = f(−x) + g(−x) = f(x) + g(x) = (f + g)(x),
3. f ∈ F , α ∈ R =⇒ α · f ∈ F car (α · f)(−x) = αf(−x) = αf(x) = (α · f)(x) ;
­ F est un sous-espace vectoriel de Fonct(R, R) car
1. x 7→ 0 ∈ F ,
2. f, g ∈ F =⇒ f + g ∈ F car (f + g)(−x) = f(−x) + g(−x) = −f(x) − g(x) = −(f + g)(x),
 3. f ∈ F , α ∈ R =⇒ α · f ∈ F car (α · f)(−x) = αf(−x) = −αf(x) = −(α · f)(x) ;
® F n’est pas un sous-espace vectoriel de Fonct(R, R) car il ne contient pas la fonction nulle x 7→ 0 ;
¯ F n’est pas un sous-espace vectoriel de Fonct(R, R) car l’opposé de la fonction f : x 7→ 1, qui est un élément de F , est
la fonction f : x 7→ −1, qui n’est pas un élément de F ;
° F est un sous-espace vectoriel de Fonct(R, R) car
1. x 7→ 0 ∈ F ,
2. f, g ∈ F =⇒ f + g ∈ F car (f + g)(x) = f(x) + g(x) ≡ 0 pour tout x ∈ R,
3. f ∈ F , α ∈ R =⇒ α · f ∈ F car (α · f)(x) = αf(x) ≡ 0 pour tout x ∈ R ;
± F n’est pas un sous-espace vectoriel de Fonct(R, R) car il ne contient pas la fonction nulle x 7→ 0 ;
² F = { f : R → R | f(1) = 0 } ; F est un sous-espace vectoriel de Fonct(R, R) car
1. x 7→ 0 ∈ F ,
2. f, g ∈ F =⇒ f + g ∈ F car (f + g)(1) = f(1) + g(1) = 0,
3. f ∈ F , α ∈ R =⇒ α · f ∈ F car (α · f)(1) = αf(1) = 0.

Combinaisons4linéaires,4espace4engendré
Définition Combinaison linéaire
Soient u1 , u2 , . . . , up des éléments de l’espace vectoriel E et α1 , α2 , . . . , αp des éléments de K. Le vecteur
p
X
αi · ui
i=1

est appelé combinaison linéaire des vecteurs u1 , u2 , . . . , up .

Exemple
Considérons les trois vecteurs     
−1 0 −1
u1 = −2 , u2 =  2  , u3 =  0  .
−3 −1 −4
Montrons que u3 est combinaison linéaire des vecteurs u1 et u2 .
Pour prouver qu’un vecteur v est une combinaison linéaire des vecteurs u1 , u2 , . . . , up il faut montrer qu’il existe p constantes
α1 , α2 , . . . , αp telles que
v = α1 u1 + α2 u2 + · · · + αp up .

On cherche alors a et b réels tels que

u3 = au1 + bu2 ,
ce qui donne 
−1 = −a,

0 = −2a + 2b, ⇐⇒ a = b = 1.

−4 = −3a − b,


Par conséquent u3 est combinaison linéaire des vecteurs u1 et u2 car u3 = u1 + u2 .

Définition Espace engendré

Soient u1 , u2 , . . . , up des éléments de l’espace vectoriel E. L’ensemble de toutes les combinaisons linéaires de ces
p vecteursfixés est un sous-espace vectoriel de E appelé sous-espace vectoriel engendré par u1 , u2 , . . . , up et
noté Vect u1 , . . . , up :
p
(  )
 X
p

Vect u1 , . . . , up = u ∈ E  ∃(α1 , . . . , αp ) ∈ R , u = αi · ui .


i=1
 
Notons que les vecteurs u1 , u2 , . . . , up appartiennent à Vect u1 , . . . , up car pour tout j = 1, 2, . . . , p
p
X
uj = 0 · u i + 1 · uj .
i=1
i6=j


Bien sûr le vecteur 0E appartient à Vect u1 , . . . , up car
p
X
0E = 0 · ui .
i=1

Exemple
B Vect {0E } = 
{ 0E }          
1 0 0 1 1 0 0 1  a b 
B Vect , = a +b  a, b ∈ R = a, b ∈ R
0 1 1 0 0 1 1 0 b a 
 .

Familles4libres,4génératrices,4bases
Définition Famille libre, famille génératrice, base
Soit p ∈ N∗ , E un espace vectoriel et F = u1 , . . . , up une famille de vecteurs de E. On dit que la famille F


est. . .
. . . génératrice de E si et seulement si tout vecteur de E est combinaison linéaire des éléments de F :
p
X
pour tout u ∈ E il existe (α1 , . . . , αp ) ∈ Rp tel que u = αi · ui ;
i=1

. . . libre si et seulement si le vecteur nul 0E est combinaison linéaire des éléments de F de façon unique :
p
X
αi · ui = 0E =⇒ αi = 0 ∀i
i=1

. . . base de E si et seulement si tout vecteur de E est combinaison linéaire des éléments de F de façon unique :
p
X
pour tout u ∈ E il existe unique (α1 , . . . , αp ) ∈ Rp tel que u = αi · ui ;
i=1

Les réels α1 , . . . , αp sont alors les coordonnées du vecteur u dans la base F , on écrit coord(u, F ) =
(α1 , . . . , αp ) et on dit que E est de dimension p finie.

Exemple
La famille { u = (1, 0), v = (0, 1), w = u + v } de vecteurs de R2 n’est pas libre : par exemple le vecteur (2, −1) peut s’écrire
comme 2u − v, comme 2w − 3v etc.

Exemple
Considérons les trois vecteurs   
  
3 0 0
1 0 0
2 ,
u1 =  −1 ,
u2 =  0 .
u3 = 
  

0 1 2
Pour montrer qu’ils sont linéairement indépendants dans R4 , il faut montrer que le vecteur (0, 0, 0, 0) ne peut s’écrire que
d’une seule façon comme combinaison linéaire de u1 , u2 et u3 . Supposons que

0 = α1 u1 + α2 u2 + α3 u3 ,

ce qui revient au système linéaire


0 = 3a,


0 = a,
⇐⇒ a = b = c = 0.


0 = 2a − b,
0 = b + 2c


Par conséquent la famille { u1 , u2 , u3 } est libre dans R4 .

Théorème et définition
Dans un espace vectoriel E de dimension finie, toutes les bases ont le même nombre d’éléments. Ce nombre, noté
dim(E), est appelé la dimension de E.
Théorème
Dans un espace vectoriel E de dimension n, une famille génératrice a au moins n éléments. Si elle a plus de n
éléments, on peut en extraire une sous-famille libre de cardinal n qui est alors une base de E. Si elle a exactement
n éléments, c’est une base de E.
Théorème de la base incomplète
Dans un espace vectoriel E de dimension n, une famille libre a au plus n éléments. Si elle a moins de n éléments,
on peut la compléter de façon à obtenir une base. Si elle a exactement n éléments, c’est une base de E.

Théorème de la dimension
Soit F une famille d’éléments de E de dimension finie n. Les propriétés suivantes sont équivalentes :
¶ F est une base de E
· F est libre et de cardinal n
¸ F est génératrice de E et de cardinal n
¹ F est libre et génératrice de E

Attention
On utilise ce théorème principalement pour montrer qu’une famille F est une base de E. On utilisera surtout les
implications suivantes (avec E de dimension n) :
B si F est libre et de cardinal n alors F est une base de E
B si F est libre et génératrice de E alors F est une base de E

Exemple
Avec n ∈ N, l’espace vectoriel Rn est de dimension n. La famille B = { (1, 0, . . . , 0); (0, 1, . . . , 0); . . . ; (0, 0, . . . , 1) } est une base,
appelée base canonique de Rn , car pour tout vecteur u ∈ Rn , u = (u1 , u2 , . . . , un ) = u1 · (1, 0, . . . , 0) + u2 · (0, 1, . . . , 0) + · · · +
un · (0, 0, . . . , 1) de façon unique.

Exemple
On a déjà vu que A = { (1, 0), (0, 1) } est une base de R2 et que par conséquent R2 est de dimension 2. Soit B =
{ (2, −1), (1, 2) }. Pour prouver que B est une base de R2 on va prouver qu’elle est une famille libre de cardinal 2 :
B B est une famille libre car
(
2α1 + α2 = 0
α1 · (2, −1) + α2 · (1, 2) = (0, 0) =⇒ =⇒ α1 = α2 = 0,
−α1 + 2α2 = 0

B cardinal(B ) = 2.

Attention Dimension 6= cardinal

Attention à ne pas confondre dimension et cardinal : dans un espace vectoriel de dimension n, toutes les bases
ont le même cardinal, mais il ne faut pas parler de cardinal d’un espace vectoriel, ni de dimension d’une base.

Exemple
Avec n ∈ N, l’espace vectoriel Rn [x] des polynômes de degré ≤ n est de dimension n + 1. La base C = { 1, x, x 2 , . . . , x n } est
appelée base canonique de Rn [x] car, pour tout polynôme p ∈ Rn [x], p(x) = a0 + a1 x + a2 x 2 + · · · + an x n de façon unique.

Exemple
Avec n, m ∈ N∗ , l’espace vectoriel Mn,m (R) des matrices n × m est un espace vectoriel de dimension nm. L’espace vectoriel
Mn (R) des matrices n × n est un espace vectoriel de dimension n2 . La base canonique de M2 (R) est
       
1 0 0 1 0 0 0 0
C= , , , .
0 0 0 0 1 0 0 1
Définition Vecteurs linéairement indépendants
Quand une famille est libre, on dit que les vecteurs qui la composent sont linéairement indépendants. Une famille
liée est une famille non libre.

Exemple
B { u } est une famille libre si et seulement si u 6= 0E .
B L’espace vectoriel { 0E } n’as pas de base, il est de dimension 0.
B Soit E un espace vectoriel de dimension n. Le seul sous-espace vectoriel de E de dimension 0 est { 0E }, le seul sous-espace
vectoriel de E de dimension n est E.

Définition Vecteurs colinéaires

Deux vecteurs u et v de E sont dits colinéaires si et seulement si u = 0E ou v = λu pour un certain λ ∈ R. Par
conséquent, { u, v } est une famille libre si et seulement si u et v ne sont pas colinéaires.

Exemple
Soient u = (2, −1, 3), v = (−4, 2, −6) et w = (−4, 2, 6).
B u et v sont colinéaires car v = 2 · u : la famille { u, v } n’est donc pas libre ;
B u et w ne sont pas colinéaires : la famille { u, w } est libre ;
B v et w ne sont pas colinéaires : la famille { v, w } est libre.

Théorème
Soit F une famille de vecteurs. Si deux vecteurs de F sont colinéaires alors la famille est liée. La réciproque est
fausse.

Exemple
B Soit F = { u, v, w } avec u = (1, 0, −1), v = (2, 3, 5) et w = (−1, 0, 1). La famille est liée car w = (−1) · u.
B Soit F = { u, v, w } avec u = (1, 1, −1), v = (2, −1, 2) et w = (3, 0, 1). La famille est liée car w = u + v. Cependant les
vecteurs u, v et w ne sont pas à deux à deux colinéaires.

Attention
Pour montrer qu’une famille de plus de deux vecteurs est libre, on sera amené à résoudre le système linéaire
correspondant, qui est un système homogène : la famille est libre si et seulement si le système admet uniquement
la solution nulle.

Définition Rang d’une famille de vecteurs

Soit E un espace vectoriel et F = { e1 , e2 , . . . , en } une famille d’éléments de E. On appelle rang de F , et on
note rg(F ), la dimension du sous-espace vectoriel de E engendré par F :

rg(F ) = dim(Vect { e1 , e2 , . . . , en }).

Attention
Le rang d’une matrice A est le rang des vecteurs colonnes de A, c’est-à-dire la dimension du sous-espace vectoriel
qu’ils engendrent. Donc
rg(F ) = rg([e1 , e2 , . . . , en ]),
où [e1 , e2 , . . . , en ] est la matrice dont les colonnes sont les vecteurs de la famille F .
 Applications Linéaires
4
Rappels : relation, fonction, application
Définition
Soient E et F deux ensembles.
B Une application f de E dans F est une fonction de E dans F dont le domaine de définition est égal à E.
B Une injection f de E dans F est une application de E dans F vérifiant

∀(x, x 0 ) ∈ E × E f(x) = f(x 0 ) =⇒ x = x 0 .

B Une surjection f de E dans F est une application de E dans F vérifiant

∀y ∈ F ∃x ∈ E y = f(x).

B Une bijection f de E dans F est une application de E dans F qui est injective et surjective.
Exemple
E F
1. Elle n’est pas une fonction.

E F
2. Elle est une fonction mais elle n’est pas une application.

E F
3. Elle est une application ni injective ni surjective.

E F
4. Elle est une application surjective non injective.

E F
5. Elle est une application injective non surjective.

E F
6. Elle est une bijection.
 Définitions
Définition Application linéaire
Soit E, F deux espaces vectoriels. Une application f : E → F est dite linéaire (ou homomorphisme) de E vers F si
B f(u + v) = f(u) + f(v) pour tout u, v ∈ E,
B f(α · u) = α · f(u) pour tout u, α ∈ K,
ou, de manière équivalente,
B f(α · u + β · v) = α · f(u) + β · f(v) pour tout u, v ∈ E et pour tout α, β ∈ K.

Exemple
Soit les applications :
¬ f : R3 → R3 définie par f(x, y, z) = (x + 2y + 3z, 2y − z, x + z) ;
­ f : R3 → R3 définie par f(x, y, z) = (0, 2y − z, 0) ;
® f : R3 → R3 définie par f(x, y, z) = (x + 2y + 3, 2y − z, x + z) ;
¯ f : R3 → R3 définie par f(x, y, z) = (x + 2y + 3z, 2yz, x + z) ;
° f : R3 → R définie par f(x, y, z) = x + 2y + 3z ;
± f : R → R définie par f(x) = x 2 + 2x.
On veut trouver celles qui sont linéaires :
¬ f est une application linéaire car pour tout (x, y, z), (x 0 , y0 , z 0 ) ∈ R3 et pour tout a, b ∈ R on a

f(ax + bx 0 , ay + by0 , az + bz 0 )
= (ax + bx 0 + 2(ay + by0 ) + 3(az + bz 0 ), 2(ay + by0 ) − (az + bz 0 ), ax + bx 0 + (az + bz 0 ))
= a(x + 2y + 3z, 2y − z, x + z) + b(x 0 + 2y0 + 3z 0 , 2y0 − z 0 , x 0 + z 0 ) = af(x, y, z) + bf(x 0 , y0 , z 0 );

­ f est une application linéaire car pour tout (x, y, z), (x 0 , y0 , z 0 ) ∈ R3 et pour tout a, b ∈ R on a

f(ax + bx 0 , ay + by0 , az + bz 0 ) = (0, 2(ay + by0 ) − (az + bz 0 ), 0)

= a(0, 2y − z, 0) + b(0, 2y0 − z 0 , 0) = af(x, y, z) + bf(x 0 , y0 , z 0 );

® f n’est pas une application linéaire car par exemple f(0, 0, 0) = (3, 0, 0) ;
¯ f n’est pas une application linéaire car pour (x, y, z) ∈ R3 \ { (0, 0, 0) } et pour a ∈ R \ { 0; 1 } on a

f(ax, ay, az) = (ax + 2ay + 3az, 2a2 yz, ax + az)

∦
af(x, y, z) = (ax + 2ay + 3az, 2ayz, ax + az);

° f est une application linéaire car pour tout (x, y, z), (x 0 , y0 , z 0 ) ∈ R3 et pour tout a, b ∈ R on a

f(ax + bx 0 , ay + by0 , az + bz 0 )
= ax + bx 0 + 2(ay + by0 ) + 3(az + bz 0 )
= a(x + 2y + 3z) + b(x 0 + 2y0 + 3z 0 ) = af(x, y, z) + bf(x 0 , y0 , z 0 );

± f n’est pas une application linéaire car par exemple f(2) = 8 6= 2f(1) = 3.

Définition
Soit f : E → F une application linéaire.
B Si f : E → F est bijective, on dit que f est un isomorphisme de E sur F .
B Si F = E, on dit que f : E → E est un endomorphisme de E.
B Si F = E et f : E → E est bijective, on dit que f est un automorphisme de E.
B Si F = R, on dit que f : E → R est une forme linéaire.
B Pour prouver qu’une application f : E → F est linéaire on utilise la définition.
B Si f est une application linéaire, pour prouver qu’elle est un isomorphisme il suffit de prouver qu’elle est bijective ;
B si f est une application linéaire, pour prouver qu’elle est un endomorphisme il suffit de prouver que f(E) ⊂ E ;
B si f est une application linéaire, pour prouver qu’elle est un automorphisme il suffit de prouver qu’elle est bijective
et que f(E) ⊂ E.

Exemple
L’application nulle

f: E → F
u 7→ 0F

est linéaire. En effet :

B f(u + v) = 0F et f(u) + f(v) = 0F + 0F = 0F pour tout u, v ∈ E ;
B f(α · u) = 0F et α · f(u) = α · 0F = 0F pour tout u, α ∈ R.
Exemple
L’application identique

f: E → E
u 7→ u

est linéaire. En effet :

B f(u + v) = u + v = f(u) + f(v) pour tout u, v ∈ E ;
B f(α · u) = α · u = α · f(u) pour tout u, α ∈ R.
C’est d’ailleurs un automorphisme de E.

Exemple
Les applications linéaires de R dans R sont les applications x 7→ ax (à ne pas confondre avec les applications affines).

Exemple
Les formes linéaires de R3 dans R sont les applications (x, y, z) 7→ ax + by + cz.

Définition
B L’ensemble des applications linéaires de E vers F est noté L(E, F ) ou Hom(E, F ) ;
B l’ensemble des isomorphismes de E sur F est noté Isom(E, F ) ;
B L’ensemble des endomorphismes de E est noté L(E) ou End(E) ;
B L’ensemble des automorphismes de E est noté Aut(E).

Propriété
¶ Soit f : E → F une application linéaire. L’image du vecteur nul est le vecteur nul : f(0E ) = 0F .
· Soit f : E → F une application linéaire. L’image de l’opposé est l’opposé de l’image : f(−u) = −f(u) pour
tout u ∈ E.
¸ Soit f : E →PF une application linéaire. L’image d’une combinaison linéaire est la combinaison linéaire des
p Pp
images : f( i=1 αi ui ) = i=1 αi f(ui ) pour tout u1 , u2 , . . . , up ∈ E.
¹ La composée de deux applications linéaires f : E → F et g : F → G est linéaire : f ∈ L(E, F ) et g ∈ L(F , G)
=⇒ g ◦ f ∈ L(E, G).
º La somme de deux applications linéaires est linéaire : f ∈ L(E, F ) et g ∈ L(E, F ) =⇒ f + g ∈ L(E, F ).
» Le produit entre un scalaire et une application linéaire est linéaire : f ∈ L(E, F ) et α ∈ R =⇒
αf ∈ L(E, F ).
¼ Si f est un isomorphisme, alors f −1 est un isomorphisme : f ∈ Isom(E, F ) =⇒ f −1 ∈ Isom(E, F ).
½ La composée de deux isomorphismes f : E → F et g : F → G est un isomorphisme : f ∈ Isom(E, F ) et
g ∈ Isom(F , G) =⇒ g ◦ f ∈ Isom(E, G).

Noyau, image et rang d’une applications linéaire

Définition Noyau, image, rang
B On appelle noyau d’une application linéaire f de E vers F l’ensemble des vecteurs u ∈ E tels que f(u) = 0F .
Le noyau est noté ker(f). On a donc

ker(f) = { u ∈ E | f(u) = 0F } .

La détermination du ker(f) conduit donc naturellement à la résolution d’un système linéaire homogène.
f
E F

ker(f)

0E 0F
B On appelle image d’une application linéaire f de E vers F l’ensemble des vecteurs v ∈ F tels qu’il existe u ∈ E
vérifiant f(u) = v. L’image est notée im(f). On a donc

im(f) = { v ∈ F | ∃ u ∈ E, v = f(u) } .

f
E F

im(f)

0E 0F

B On appelle rang d’une application linéaire f de E vers F la dimension de l’image de f. On le note rg(f). On a
donc
rg(f) = dim(im(f)).

Proposition
B ker(f) est un sous espace vectoriel de E.
B im(f) est un sous espace vectoriel de F .
Proposition
B f est injective si et seulement si ker(f) = { 0E }.
B f est surjective si et seulement si im(f) = F .
B f est bijective si et seulement si ker(f) = { 0E } et im(f) = F .

Proposition
Soit E et F deux espaces vectoriels de dimension finie et f une application linéaire de E vers F .
¶ L’image d’une base de E est une famille génératrice de im(F ).
· L’image d’une famille génératrice de E est une famille génératrice de F si et seulement si f est surjective.
¸ L’image d’une famille libre de E est une famille libre de F si et seulement si f est injective.
¹ L’image d’une base de E est une base de F si et seulement si f est bijective.
º S’il existe un isomorphisme de E vers F alors dim(E) = dim(F ).
Théorème du rang ou des dimensions
dim(E) = dim(ker(f)) + rg(f)

Proposition
Soit E et F deux espaces vectoriels de dimension finie et f une application linéaire de E vers F .
Si dim(E) = dim(F ), il y a équivalence entre :
B f ∈ Isom(E, F ),
B ker(f) = { 0E },
B im(f) = F , i.e. rg(f) = dim(F ).
Cas particulier : si E = F , il y a équivalence entre :
B f ∈ Aut(E),
B ker(f) = { 0E },
B im(f) = E.
 Matrices et applications linéaires
Définition Matrice d’une application linéaire
Soit
E et F deux espaces vectoriels,
B = { e1 , e2 , . . . , en } une base de E,
C = { e01 , e02 , . . . , e0m } une base de F ,
f : E → F une application linéaire de E dans F .
On appelle matrice de f relativement aux bases B de E et C de F la matrice m × n dont la j-ème colonne est
constituée des coordonnées de f(ej ) dans la base C :
 
a11 . . . a1j . . . a1n
 
 .. .. .. 
 . . . 
 
M(f, B , C) =  ai1 . . . aij . . . ain
 

 
 .. .. .. 
 . . . 
 
am1 . . . amj . . . amn

coordonnées de f(ej )

On voit tout de suite que la matrice d’une application linéaire ne sera pas la même suivant l’ordre dans lequel on
prend les vecteurs de B et l’ordre dans lequel on prend les vecteurs de C.
Exemple
Si B = { b1 = (1, 0, 0), b2 = (0, 1, 0), b3 = (0, 0, 1) } est la base canonique de R3 et si C = { c1 = (1, 0), c2 = (0, 1 } est la base
canonique de R2 , l’application linéaire f : R3 → R2 définie par f(b1 ) = 2c1 − c2 , f(b2 ) = 5c2 , f(b3 ) = −c1 + 3c2 , a pour matrice
 
2 0 −1
M(f, B , C) = .
−1 5 3

Définition Image d’un vecteur par une application linéaire

Soit
B E et F deux espaces vectoriels,
B B = { e1 , e2 , . . . , en } une base de E,
B C = { e01 , e02 , . . . , e0m } une base de F ,
B f : E → F une application linéaire de E dans F ,
B M(f, B , C) la matrice m × n de f relativement aux bases B de E et C de F .
Si u a pour coordonnées coord(u, B ) = (u1 , u2 , . . . , un ) dans la base B alors f(u) a pour coordonnées
coord(f(u), C) = (v1 , v2 , . . . , vm ) dans la base C avec
n
X
vi = aij uj pour 1 ≤ i ≤ m,
j=1

ce qui peut s’illustrer par

M(f, B , C) ∈ Mm,n coord(u, B ) ∈ Mn,1 coord(f(u), C) ∈ Mm,1
    
 a11 ... a1j ... a1n   u1   a11 u1 + · · · + a1j uj + · · · + a1n un 
    
    
    
 .. .. ..  ..   .. 
 . . .  .   . 
    
 
 ai1 ... aij ... ain   uj  =  a u + ··· + a u + ··· + a u
  i1 1 ij j in n


    
    
    
 .. .. ..  ..   .. 
 . . .  .   . 
    
   a u + ··· + a u + ··· + a u
 am1 ... amj ... amn  un  m1 1 mj j mn n

Attention
La matrice associée à une application linéaire n’est pas unique, elle dépends des bases choisies dans les espaces
E et F .

Propriété
Soit A une matrice d’ordre m × n, E un espace vectoriel de dimension n, F un espace vectoriel de dimension m.
Quelles que soient les bases choisies dans E et F , le rang de l’application linéaire f : E → F associée à A est
toujours le même est est égale au rang de la matrice A.

Propriété
Soit E et F deux espaces vectoriels, B une base de E, C une base de F , f : E → F une application linéaire de E
dans F . Alors
B f est injective si et seulement si ker(f) = { 0E } si et seulement si rg(M(f, B , C)) = dim(E),
B f est surjective si et seulement si im(f) = F si et seulement si rg(M(f, B , C)) = dim(F ),
B f est bijective si et seulement si ker(f) = { 0E } et im(f) = F si et seulement si rg(M(f, B , C)) = dim(E) =
dim(F ) si et seulement si det(M(f, B , C)) 6= 0.

Proposition
Une matrice carrée est inversible si et seulement si c’est la matrice d’un isomorphisme.

Exemple
La matrice de l’application linéaire nulle

f: E → F
u 7→ 0F

est toujours la matrice nulle On,p de Mn,p (R)

Exemple
Soient B = { e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1) } et C = { e01 = (1, 0), e02 = (0, 1) } les bases canoniques de R3 et R2
respectivement, et soit f : R3 → R2 l’application linéaire telle que

f(e1 ) = (1, 2), f(e2 ) = (3, 4), f(e3 ) = (5, 6).

Comme
f(e1 ) = e01 + 2e02 , f(e2 ) = 3e01 + 4e02 , f(e3 ) = 5e01 + 6e02 ,
alors  
1 3 5
M(f, B , C) = .
2 4 6
Si u = xe1 + ye2 + ze2 ∈ R3 , i.e. que u a pour coordonnées (x, y, z) dans la base B , alors f(u) a pour coordonnées dans la
base C le vecteur  
  x  
1 3 5   x + 3y + 5z
M(f, B , C) coord(u, B ) = y = = coord(f(u), C).
2 4 6 2x + 4y + 6z
z
On a donc f(u) = (x + 3y + 5z; 2x + 4y + 6z) dans la base C, ce qui confirme le calcul direct f(u) = xf(e1 ) + yf(e2 ) + zf(e3 ).
 Diagonalisation
5
 : B = {e1 , e2 , . . . , en }
Soit E un espace vectoriel de dimension n dont une base est
 E −→ E
On note f une application linéaire définie par : f :  et soit A sa matrice dans la
x 7−→ f (x)
base B.

Préliminaires
Soit (x, b) ∈ E 2 . On note X et B leur représentation sous forme de vecteurs dans la base B.
La résolution du système linéaire :
f (x) = b
équivaut à la résolution du système matriciel :

A.X = B

La résolution de ce système linéaire peut se faire en appliquant la méthode dite du Pivot de Gauss afin
de se ramener à un système triangulaire du type :
 0
 a1,1 .x1 +a01,2 .x2 +a01,3 .x3 · · · +a01,n .xn = b01
a02,2 .x2 +a02,3 .x3 · · · +a02,n .xn = b02



 0
a03,3 .x3 · · · +a03,n .xn = b03

0 0
 .. .. .. ..



 . . . = .
0 ... ... 0 +a0n,n .xn = b0n


La meilleure solution est bien sûr de se ramener à un système purement diagonal.

 0
a .x1 0 ··· 0 = b01
 1,10

0
= b02

 a2,2 .x2 · · · 0
.. .. .. .


 . . . = ..
0 ... 0 +a0n,n .xn = b0n


Il faut trouver une base de E dans laquelle l’expression de la matrice de f est plus simple que dans
la base B.

=⇒ Diagonaliser (resp. triangulariser) une application (ou une matrice), c’est trouver une base (e1 , e2 , · · · , en )
Pi
où f (ei ) = λi ei (resp f (ei ) = j=1 αij ej ).
=⇒ Diagonaliser (resp. triangulariser) une application (ou une matrice), c’est trouver une matrice in-
versible P telle que la matrice ∆ = P −1 .A.P soit diagonale (resp triangulaire).

La diagonalisation d’une matrice est utile pour calculer ses puissances. Soit A une matrice semblable
à une matrice diagonale ∆ (A = P ∆P −1 ).
Les puissances de la matrice A se calculent de la façon suivante :

An = P ∆n P −1

La puissance nème d’une matrice diagonale se calcule en élevant à la puissance n les termes diagonaux.

Valeurs propres et vecteurs propres d’une application linéaire

Définitions

Soit λ ∈ K. On dit que λ est valeur propre de f s’il existe x ∈ E \{0} tel que f (x) = λx

Si λ ∈ K est une valeur propre de f , alors Ef (λ) = {x ∈ E /f (x) = λx} est l’espace propre associé à λ

Si λ ∈ K est une valeur propre de f , alors tout vecteur de Ef (λ) est appelé vecteur propre associé à la
valeur propre λ.

Le spectre de f est l’ensemble des valeurs propres de f . On le note Spec(f ).

Propriétés

Soit x ∈ E . x est vecteur propre de f ⇐⇒ x 6= 0 et ∃λ ∈ K/f (x) = λx.

Soient x1 , x2 , · · · , xp p vecteurs propres associés aux p valeurs propres distinctes λ1 , λ2 , · · · , λp .

Alors la famille (x1 , x2 , · · · , xp ) est une famille libre.

Soit λ ∈ K. Ef (λ) = {x ∈ E/f (x) = λx} = ker(f − λ.Id) est un sous espace vectoriel de E stable par f .
λ ∈ Spec(f ) ⇐⇒ Ef (λ) 6= {0}

Calcul pratique des valeurs propres

λ valeur propre de f ⇐⇒ ∃x ∈ E \{0} tel que f (x) = λx
⇐⇒ ∃x ∈ E \{0} tel que (f − λ.Id)x = 0
⇐⇒ Le vecteur nul a au moins 2 antécédents distincts par f .
⇐⇒ (f − λ.Id) n’est pas injectif.
⇐⇒ det(f − λ.Id) = 0
det(f − λ.Id) est un polynôme du nième degré en λ si n est la dimension de l’espace vectoriel E .
On l’appelle le polynôme caractéristique de f et on le note Pf (λ).
Finalement :
λ valeur propre de f ⇐⇒ λ racine du polynôme caractéristique Pf (λ).

Remarque
Le produit des valeurs propres est égal au déterminant de f et la somme des valeurs propres à la Trace
(somme des éléments diagonaux) de la matrice représentative de f dans une base quelconque.

Exemple  
1 2
Montrez que les valeurs propres de la matrice : B = sont : λ1 = −1 et λ2 = 4.
3 2
Conditions de diagonalisation
Définitions

On dit que l’application linéaire f (ou la matrice A) est diagonalisable si E possède une base de vecteurs
propres de f (ou de A).
Cette base est appelée base propre.

On appelle ordre de la valeur propre λi l’ordre de la racine λi dans le polynôme caractéristique det(A−λId).
On note αi l’ordre de la valeur iième valeur propre.

Propriétés

La matrice A possède au plus n valeurs propres distinctes.

Si det(A − λId) = (λ − λ1 )α1 . · · · .(λ − λp )αp , alors ∀i ∈ [1, p], 1 ≤ dimEλi ≤ αi

A diagonalisable ⇐⇒ ∀i ∈ [1, p], dim(Eλi ) = αi

En particulier, si A possède n valeurs propres distinctes, la matrice est diagonalisable.

Remarques

1. Une matrice symétrique réelle est toujours diagonalisable.

2. Une matrice peut être diagonalisable sur C mais pas sur R (si par exemple les racines du polynôme
caractéristique sont complexes).

Matrice de passage vers la base propre

Soit A une matrice diagonalisable de Mn (K).
La matrice de passage depuis la base canonique vers la base propre de A est la matrice :
P = M at(Id, Bpropre , Bcanonique ). Si ∆ est la matrice diagonale dans la base propre, alors on a la relation
suivante entre A et ∆ : A = P.∆.P −1 .
On rappelle que les vecteurs colonnes de la matrice P sont formés des coordonnées des vecteurs de la base
propre sur la base canonique.

4.3.4 Application
 
1 2
Cherchons la matrice de changement de base P associée à la matrice : B = .
3 2
On sait que la matrice B est diagonalisable car elle possède 2 valeurs propres distinctes λ1 = −1 et λ2 = 4.
La résolution des 2 équations
  A.Xi = λi X permetde trouver
 une base des 2 espaces propres :
1 2
E−1 de base u−1 = et E4 de base u4 =
−1 3
 
0 −1 0
Dans la base propre : B = (u−1 , u4 ), la matrice de f est diagonale : ∆ = .
0 4
Enfin on a la relation suivante entre les matrices B et ∆ : ∆ = P −1 .B.P , avec :
   
1 2 1 3 −2
P = et P −1 = .
−1 3 5 1 1
Exemple d’une matrice
  non-diagonalisable
1 0
Soit la matrice : C = .
2 1
La matrice C possède une seule valeur propre d’ordre 2 : λ = 1. La matrice est diagonalisable si dimEλ = 2.

Cherchons les vecteurs propres associés à λ = 1 :

Eλ = ker(C − Id)
    
x 0 = 0
Eλ = u= /
y 2x = 0
    
x x = 0
Eλ = u= /
y y = ∀

Donc Eλ est la droite vectorielle portée par le vecteur u0 = (0, 1) et dim(Eλ ) = 1.

Puisque dim(Eλ ) < α(λ = 1), la matrice C n’est pas diagonalisable.

Remarque
On peut montrer que sur C