Rappel de sup : Algèbre linéaire III. Matrices à coefficients dans K . . . . . . . . . . . . . .

24
1. Matrices . . . . . . . . . . . . . . . . . . . . . 24
Dernière mise à jour 23 septembre 2018 2. Opérations sur les matrices . . . . . . . . . . . . . . 24
3. Transposition . . . . . . . . . . . . . . . . . . . 26
*** *** *** *** 4. Matrices définies par blocs . . . . . . . . . . . . . . . 27
IV. L’anneau Mn (K) . . . . . . . . . . . . . . . . . . . 27
1. Puissance d’une matrice. . . . . . . . . . . . . . . . 27
Plan 2. Matrices carrées inversibles . . . . . . . . . . . . . . 28
3. Matrices diagonales . . . . . . . . . . . . . . . . . 29
I. Rappels . . . . . . . . . . . . . . . . . . . . . . 1
4. Matrices triangulaires . . . . . . . . . . . . . . . . 29
1. Sous-espaces vectoriels . . . . . . . . . . . . . . . . 1
5. Matrices symétriques et antisymétriques . . . . . . . . . . 30
1. Sous-espaces vectoriels . . . . . . . . . . . . . . . 1
6. Matrice d’une famille de vecteurs dans une base . . . . . . . 30
2. Intersection de sous-espaces vectoriels . . . . . . . . . 1
7. Matrice d’une application linéaire . . . . . . . . . . . . 31
3. Espace vectoriel engendré par une partie . . . . . . . . 2
8. Représentation d’un isomorphisme . . . . . . . . . . . . 32
4. Somme de deux sous-espaces vectoriels . . . . . . . . . 2
9. Application linéaire associée à une matrice . . . . . . . . . 32
5. Somme de plusieurs sous-espaces vectoriels . . . . . . . 4
10.Rang d’une matrice . . . . . . . . . . . . . . . . . 34
6. Famille libre. . . . . . . . . . . . . . . . . . . 6
11.Changements de bases . . . . . . . . . . . . . . . . 35
7. Famille génératrice . . . . . . . . . . . . . . . . 6
12.Matrices équivalentes et rang . . . . . . . . . . . . . . 36
8. Bases . . . . . . . . . . . . . . . . . . . . . 6
13.Matrices semblables . . . . . . . . . . . . . . . . . 37
9. Dimension d’un sous-espace vectoriel . . . . . . . . . . 8
10.Rang d’une famille de vecteurs . . . . . . . . . . . . 9
11.Dimension d’un espace vectoriel produit . . . . . . . . 10
12.Supplémentarité en dimension finie . . . . . . . . . . 10
13.Dimension d’une somme de deux sous-espaces vectoriels . . . 11
II. Applications linéaires . . . . . . . . . . . . . . . . . 12
1. Applications linéaires. . . . . . . . . . . . . . . . . 12
2. Espace vectoriel L(E, F ) . . . . . . . . . . . . . . . 13
3. Images d’un sous-espace vectoriel . . . . . . . . . . . . 14
4. Détermination d’une application linéaire . . . . . . . . . . 15
5. L’anneau des endomorphismes . . . . . . . . . . . . . 15
6. Projecteurs vectoriels. . . . . . . . . . . . . . . . . 17
1. Projection vectorielle . . . . . . . . . . . . . . . 17
2. Projecteurs associés à une décomposition . . . . . . . . 18
7. Symétries vectorielles. . . . . . . . . . . . . . . . . 19
8. Applications linéaires en dimension finie . . . . . . . . . . 20
1. Isomorphisme et dimension . . . . . . . . . . . . . 20
2. Théorème du rang . . . . . . . . . . . . . . . . 21
9. Formes linéaires . . . . . . . . . . . . . . . . . . 22
1. Hyperplans . . . . . . . . . . . . . . . . . . . 23
Éléments de cours: MP Rappel de sup : Algèbre linéaire

I. Rappels 2. Intersection de sous-espaces vectoriels

1. Sous-espaces vectoriels Propriété 2

Soient E un K-espace vectoriel et F et G deux sous-espaces vectoriels de E.
1. Sous-espaces vectoriels
Alors
F ∩ G est un sous-espace vectoriel de E.
Définition 1
F
 ⊂ E est un sous-espace vectoriel de (E, +, .) ssi
F 6= ∅ Preuve. ◦ Il est immédiat que F ∩ G ⊂ E qui est un K-espace vectoriel
∀x, y ∈ F, ∀α, β ∈ K, αx + βy ∈ F ◦ F ∩ G 6= ∅, car ; puisque 0 appartient à F et à G (ce sont des sous-espaces
vectoriels de E)
◦ Soient u, v ∈ F ∩ G et α, β ∈ K, montrons que αu + βv ∈ F ∩ G. Puisque
Remarque. La définition précédente est équivalente à
u, v ∈ F (resp. G) et que F (resp. G) est un K-espace vectoriel , on en
F ⊂ E estun sous-espace vectoriel de (E, +, .) ssi déduit que αu + βv ∈ F (resp. G) donc αu + βv ∈ F ∩ G.
 F 6= ∅
∀x, y ∈ F, x + y ∈ F
∀x ∈ F, ∀α ∈ K, α.x ∈ F

Remarque. G ∪ F n’est pas en général un sous-espace vectoriel.
Exemple 1. {0} et E sont des sous-espaces vectoriels de l’espace vectoriel E
appelés sous-espaces vectoriels triviaux de E. Propriété 3
Soient E un K-espace vectoriel,\I une famille non vide et (Fi )i∈I des sous-
Propriété 1 espaces vectoriels de E. Alors Fi est un sous-espace vectoriel de E.
Soit F un sous-espace vectoriel de (E, +, .), alors F est stable pour l’addition i∈I
et pour la multiplication par un scalaire. F muni des lois restreintes, est un
K-espace vectoriel \
Preuve. ◦ Pour tout i ∈ I, Fi ⊂ E, on en déduit que Fi ⊂ E
i∈I
Preuve. — F est stable pour l’addition puisque pour (x, y) ∈ F 2 , on a : ◦
\
Fi 6= ∅ car 0 ∈ Fi pour tout i ∈ I
i∈I
x + y = 1.x + 1.y ∈ F \ \
◦ Soient u, v ∈ Fi et α, β ∈ K, montrons que αu + βv ∈ Fi . Puisque
— F est stable pour la multiplication externe puisque pour x ∈ F et λ ∈ K, i∈I i∈I
u, v ∈ F pour tout i ∈ I et que Fi est un sous-espace
\vectoriel, on en déduit
on a :
λx = λx + 0x ∈ F avec (λ, 0) ∈ K2 et (x, x) ∈ F 2 que αu + βv ∈ Fi pour tout i ∈ I donc αu + βv ∈ Fi .
i∈I
— si x ∈ F , son opposé −x = (−1)x appartient à F .
Donc F est un sous-groupe de E, stable par multiplication scalaire.
Les quatre autres propriétés se déduisent facilement
Exemple 3. Soit I un intervalle non vide de R. Pour tout n ∈ N, Dn (I, R) est
Exemple 2. Droite vectorielle et plan vectoriel un sous-espace vectoriel de F(I, R), puis C ∞ (I, R) = ∩n∈N Dn est espace vectoriel

http://www.elamdaoui.com 1 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

Exemple 4. Soit le système suivant pour p, n ∈ N∗ : vectoriel de E, et c’est le plus petit sous-espace vectoriel de E contenant A.
 On l’appelle le sous-espace engendré par la partie A, noté VectA

 a1,1 x1 + · · · + a1,p xp = 0

a2,1 x1 + · · · + a2,p xp = 0 Exemple 5. 1. Vect∅ = {~0}

(S) : .
..
 2. VectE = E


an,1 x1 + · · · + an,p xp = 0

Théorème 1
Avec ∀i ∈ 1, n, ∀j ∈ 1, p, ai,j ∈ K. Un tel système appelé système linéaire de n Soient E un K-espace vectoriel et A une famille non vide de E, alors
équations à p inconnues possède un ensemble de solutions Sol (S), qui est un sous ( n )
espace vectoriel de Kp . Montrons ce résultat. X
n n
VectA := λi ai ; n ∈ N, (λ1 , · · · , λn ) ∈ K , (a1 , · · · , an ) ∈ A
Solution. — 0Kp est évidemment une solution de (S). i=1
— Pour (α1 , · · · , αp ) , (β1 , · · · , βp ) ∈ Sol (S) et λ ∈ K, on a pour i ∈ 1, n :
p
X p
X n
X Preuve.
0= ai,j αj = ai,j βj ⇒ 0= ai,j (αj − βj )
j=1 i=1 j=1
4. Somme de deux sous-espaces vectoriels
⇒ (α1 , · · · , αp ) − (β1 , · · · , βp ) ∈ Sol (S)
p
X Définition 3
De plus, pour i ∈ 1, n, λai,j αi = 0 donc (λα1 , · · · , λαp ) ∈ Sol (S) d’où Soit F et G deux sous-espaces vectoriels de E. On appelle somme des sous-
j=1
espaces vectoriels F et G l’ensemble
le résultat.
En particulier, l’ensemble des x = (x1 , · · · , xp ) ∈ Kp tels que a1 x1 +· · ·+ap xp = F + G := {x + y | x ∈ F, y ∈ G}
0 est un sous-espace vectoriel de Kp .

3. Espace vectoriel engendré par une partie Remarque. L’ensemble F + G contient F et contient G : en effet tout élément x
de F s’écrit x = x + 0 avec x appartenant à F et 0 appartenant à G (puisque
Soit un K-espace vectoriel E et une partie A de E. On note FA l’ensemble des G est un sous-espace vectoriel), donc x appartient à F + G. De même pour un
sous-espaces vectoriels de E contenant A, alors : élément de G.
◦ F\A 6= ∅, car E ∈ FA
◦ F est un sous-espace vectoriel de E Théorème 2
F ∈FA
\ Si F et G sont deux sous-espaces vectoriels de E. Alors
◦ Pour tout G sous-espace vectoriel de E contenant A, on a F ⊂G 1. F + G est un sous-espace vectoriel de E.
F ∈FA
2. Le sous-espace vectoriel F + G de E est le sous-espace vectoriel de E
Définition 2 engendré par F ∪ G
\note FA l’ensemble des
Soit un K-espace vectoriel E et une partie A de E. On
sous-espaces vectoriels de E contenant A, alors : F est un sous-espace Preuve. 1. Montrons que F + G est un sous-espace vectoriel de E
F ∈FA ◦ L’ensemble F + G n’est pas vide car O = O + O ∈ F + G.

http://www.elamdaoui.com 2 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

◦ Soient u et u0 des éléments de F + G , il existe alors deux éléments de F , 3. Pour tout (x, y) ∈ F × G, x + y = 0 ⇐⇒ x = y = 0
x et x0 , et deux éléments de G, y et y 0 , tels que u = x + y et u0 = x0 + y 0
. Preuve. 1 ⇒ 2) Supposons que F et G en somme directe.
Soit λ un scalaire. En utilisant les axiomes des espaces vectoriels, on Soit u ∈ F ∩ G alors u peut s’écrire des deux manières suivantes, comme
obtient : somme d’un élément de F et d’un élément de G :
λu + u0 = (λx + x0 ) + (λy + y 0 )
u=u+0=0+u
Comme F et G sont des sous-espaces vectoriels : λx+x0 ∈ F et λy +y 0 ∈
G donc λu + u0 ∈ F + G L’élément u étant un élément de F ∩ G ,donc c’est un élément de F + G ;
d’après l’unicité de l’écriture d’un élément de F + G , cela entraÓne : u = 0
2. D’après la remarque précédente et le premier résultat du théorème, F + G
. Donc F ∩ G = {0} .
est un sous espace vectoriel contenant F ∪ G.
2 ⇒ 3) Soit (x, y) ∈ F × G.
Il reste à démontrer que tout sous-espace vectoriel contenant F ∪ G contient ◦ Si x + y = 0, alors x = −y ∈ F ∩ G. Par hypothèse F ∩ G = {0}, donc
aussi F + G . x=y=0
Considérons H, un sous-espace vectoriel de E contenant F ∪ G , et u un ◦ Si x = y = 0, c’est évident
élément de F + G . L’élément u est donc la somme d’un élément x de F et 3 ⇒ 1) Soit u ∈ F + G. Supposons qu’il existe deux éléments x, x0 ∈ F et deux
d’un élément y de G. éléments de G tels que u = x + y et u = x0 + y 0 , alors x − x0 + y − y 0 = 0.
Les éléments x et y appartiennent à F ∪ G , donc ils appartiennent aussi à Mais x − x0 ∈ F et y − y 0 ∈ G, donc x − x0 = 0 et y − y 0 = 0, par suite
H, et comme H est un sous-espace vectoriel, l’élément x + y appartient à x = x0 et y = y 0 .
H donc u est un élément de H. Donc H contient F + G. L’écriture de u comme somme d’un élément de F et d’un élément de G est
donc unique.
Remarque. F + G contient F et G et est inclus dans tout sous-espace vectoriel
contenant F et G .
Définition 5: Sous-espaces supplémentaires
Définition 4: Somme directe Soit F et G deux sous-espaces vectoriels de E. L
Soient F et G deux sous-espaces vectoriels de l’espace vectoriel E. On dit que F et G sont supplémentaires si, et seulement, si E = F G.
On dit que F et G sont en somme directe si et seulement si pour tout élément
u de F + G, il existe un unique couple (x; y) de F × G tel que u = x + y. Remarque. Soit F et G deux sous-espaces vectoriels supplémentaires de E. Alors
On dit aussi dans ce cas que la somme F + G est directe. La somme sera
notée : F ⊕ G ∀x ∈ E, ∃!(xF , xG ) ∈ F × G; x = xF + xG

Exemple 6. Soient E = C([−1, 1], R),

Théorème 3: Propriété caractéristique
Soient F et G deux sous-espaces vectoriels de l’espace vectoriel E. Les as- A = {x ∈ [−1, 1] 7→ αx + β / α, β ∈ R} et B = {f ∈ E / f (−1) = f (1) = 0}
sertions suivantes sont équivalentes :
A et B sont évidemment des sous-espaces vectoriels de E. Montrons qu’ils sont
1. F et G sont en somme directe supplémentaires.
2. F ∩ G = {0}
Solution. Étudions A ∩ B.
Soit f ∈ A ∩ B. Il existe α, β ∈ R tel que f (x) = αx + β pour tout x ∈ [−1, 1].

http://www.elamdaoui.com 3 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

Or f (1) = f (−1) = 0 donc α + β = α − β = 0 puis α = β = 0 et enfin f = 0. Ce qui s’écrit avec les quantificateurs :
Ainsi A ∩ B = {0}. n
X
Étudions A + B. ∀x ∈ F1 + · · · + Fn , ∃!(x1 , · · · , xn ) ∈ F1 · · · × Fn , tel que x = xi
Analyse : On suppose f = g + h avec g ∈ A et h ∈ B. Il existe α, β ∈ R tel que i=1
g(x) = αx + β et h(1) = h(−1) = 0.
On en déduit α + β = f (1) et α − β = f (−1) puis X
Convention. Fi = {0}
1 1 i∈∅
α= (f (1) + f (−1)) et β = (f (1) − f (−1))
2 2 n
X
Ceci détermine g puis h = f − g. Remarque. L’ensemble Fi contient tous les Fi où i ∈ [[1, n]].
i=1
Synthèse : Soit f ∈ E. Posons
1 1 Théorème 4
α= (f (1) + f (−1)) et β = (f (1) − f (−1))
2 2 Soient n ∈ N∗ et F1 , · · · , Fn des sous-espaces vectoriels d’un K-espace vec-
toriel E. Alors
Considérons ensuite g : x ∈ [−1, 1] 7→ αx + β et h = f − g. n
X
On a f = g + h avec g ∈ A. 1. Fi est un sous-espace vectoriel de E.
De plus f (1) = α + β + h(1) donne h(1) = 0 et, de même, on obtient h(−1) = 0. i=1
Ainsi h ∈ B. n
X
Finalement E = A + B. On peut conclure que A et B sont des sous-espaces 2. Le sous-espace vectoriel Fi de E est le sous-espace vectoriel de E
vectoriels supplémentaires de E. n
i=1
[
engendré par Fi
5. Somme de plusieurs sous-espaces vectoriels i=1

Définition 6 n
X
∗
Soient E un K-espace vectoriel , n ∈ N , F1 · · · , Fn des sous-espaces vec- Preuve. 1. Montrons que Fi est un sous-espace vectoriel de E
toriels de E. On définit la somme de F1 · · · , Fn , notée F1 + · · · + Fn ou i=1
n n
X n
X n
X
X
Fi : ◦ L’ensemble Fi n’est pas vide car 0 = 0∈ Fi .
i=1 i=1 i=1 i=1
n
X
F1 + · · · + Fn := {x1 + · · · + xn | (x1 , · · · , xn ) ∈ F1 × · · · Fn } ◦ Soient u et u0 des éléments de Fi , il existe alors deux éléments de
i=1
n n
La somme de F1 , · · · , Fn est dite directe si, et seulement, si tout élément X X
chaque Fi , xi et x0i , tels que u = xi et u0 = x0i .
de F1 + · · · + Fn s’écrit d’une manière unique comme somme d’éléments de
i1 i=1
F1 , · · · , Fn . Soit λ un scalaire. En utilisant les axiomes des espaces vectoriels, on
obtient :
Xn
λu + u0 = (λxi + x0i )
i=1

http://www.elamdaoui.com 4 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

n
Comme pour tout i ∈ [[1, n]], Fi est un sous-espace vectoriel, alors λxi + M
n
X notée : Fi
x0i ∈ Fi . Donc λu + u0 ∈ Fi i=1
i=1
n
Pn [ Théorème 5: Propriété caractéristique
2. Il est claire que i=1 Fi est un sous espace vectoriel contenant Fi .
i=1
Soient n ∈ N∗ et F1 , · · · , Fn des sous-espaces vectoriels d’un K-espace vec-
n
[ toriel E. Les assertions suivantes sont équivalentes :
Il reste à démontrer que tout sous-espace vectoriel contenant Fi contient 1. F1 , · · · , Fn sont en somme directe
i=1 p−1
!
n X
2. ∀p ∈ [[2, n]] , Fi ∩ Fp = {0}
X
aussi Fi .
i=1 i=1
n
[
Considérons H, un sous-espace vectoriel de E contenant Fi , et u un Preuve. 1 ⇒ 2) Supposons que F1 , · · ·!, Fn sont en somme directe.
i=1 p−1
n n
X
X X Soient p ∈ [[2, n]] et u ∈ Fi ∩ Fp alors il existe (x1 , · · · , xp−1 ) ∈
élément de Fi . L’élément u égale à où xi ∈ Fi . i=1
i=1 i1 p−1
n X
[ F1 × · · · × Fn tel que u = xi .
Les éléments xi appartiennent à Fi , donc ils appartiennent aussi à H,
i=1
i=1 p−1
n X
Donc 0 = xi − u. Or 0 s’écrit d’une manière unique comme somme
X
et comme H est un sous-espace vectoriel, l’élément xi appartient à H
i=1 i=1
n
X d’éléments de F1 , · · · , Fn , cela entraÓne : u = 0 . Donc F ∩ G = {0} .
donc u est un élément de H. Donc H contient Fi . 2 ⇒ 1) Par contraposée, on suppose que F1 , · · · , Fn ne sont pas en somme
i=1 directe.
Xn
Il existe alors un élément x appartenant à Fi admettant deux décompo-
Définition 7: Somme directe i=1
∗
sitions distinctes en somme d’éléments de F1 , · · · , Fn , c’est à dire : il existe
Soient n ∈ N et F1 , · · · , Fn des sous-espaces vectoriels d’un K-espace vec- (x1 , · · · , xn ), (x01 , · · · , x0n ) ∈ F1 × · · · × Fn tels que
toriel E.
n n
On dit que F1 , · · · , Fn sont en somme directe si et seulement si pour tout X X
n
X x= xi = x0i et (x1 , · · · , xn ) 6= (x01 , · · · , x0n )
élément u de Fi , il existe un unique n-uplets (x1 , · · · , xn ) de F1 ×· · ·×Fn i=1 i=1
i=1
n
X Soit p le plus petit élément de [[1, n]] tel que xp 6= x0p . L’entier p est forcément
n n p−1
tel que u = xi . X X X
i=1 supérieur à 1 et l’égalité xi = x0i implique (xi − x0i ) = xp − x0p ,
n
X ! i=1 i=1 i=1
On dit aussi dans ce cas que la somme Fi est directe. La somme sera p−1 p−1
!
X X
i=1 donc xp − x0p ∈ Fi ∩ Fp ce qui montre que Fi ∩ Fp 6= {0}
i=1 i=1

http://www.elamdaoui.com 5 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

2. Si la famille (ui )i∈I est libre et si f est injective, alors la famille

(f (ui ))i∈I est libre.
6. Famille libre
— Si la famille (f (ui ))i∈I est libre, la famille (ui )i∈I est libre.
I désigne un ensemble non vide — Toute application linéaire transforme une famille liée en une famille liée.
Définition 8 — Une application linéaire injective transforme une famille libre en une famille
libre.
(ui )i∈I est libre si, et seulement, si toute sous-famille finie de (ui )i∈I est
libre. C’est-à-dire : Exercice 1. Soit n ∈ N, on considère l’application fn définie par :
X
∀J ⊂ I, J fini, ∀(λj )j∈J ∈ KJ ,

λj uj = 0 ⇒ ∀j ∈ J, λj = 0 R → R
fn :
j∈J x → sin(nx)

Dans le cas contraire, on dit que la famille (ui )i∈I est liée, ou encore que les Z 2π
vecteurs qui la composent sont libéralement dépendants. 1. Soit p, q ∈ N. Montrer que sin(px) sin(qx)dx = πδpq
0
2. Montrer que (fn )n∈N∗ est libre
— En particulier (u1 , · · · , un ) est libre si, et seulement, si ∀λ1 , · · · , λn ∈
n
7. Famille génératrice
X
K, λi ui = 0 ⇒ ∀i = 1, · · · , n, λi = 0
i=1
— On ne doit pas confondre non tous nuls et tous non nuls. Définition 9
— Une famille réduite à un seul vecteur u est libre ⇐⇒ ~u est non nul. (ui )i∈I est génératrice si, et seulement, si tout vecteur de E est combinaison
— Une famille de deux vecteurs ~u et ~v est liée ⇐⇒ ~u et ~v sont colinéaires, ou linéaire de vecteurs de (ui )i∈I . C’est-à-dire :
encore proportionnels, c’est-à-dire s’il existe un scalaire λ tel que u = λv
X
ou v = λu. ∀x ∈ E, ∃J ⊂ I, J fini, ∃(λj )j∈J ∈ KJ tels que x = λj uj
Cela ne se généralise pas aux familles de plus de deux vecteurs. j∈J
— Une famille de vecteurs est liée ⇐⇒ l’un des vecteurs qui la compose peut
s’écrire comme une combinaison linéaire des autres.
Remarque. — (ui )i∈I est génératrice de E si, et seulement, si E = Vect(ui )i∈I
— Toute sous-famille d’une famille libre est libre.
— Toute sur-famille d’une famille génératrice est génératrice
Cela équivaut à dire que toute sur-famille d’une famille liée est liée. En
particulier toute famille contenant ~0, ou deux vecteurs colinéaires, est liée. Définition 10
Propriété 4 On dit que E est de dimension finie si E possède une famille génératrice
Soient E et F deux espaces vectoriels sur K et f un morphisme de E dans finie.
F.
Soit (ui )i∈I une famille d’éléments de E.
8. Bases
1. Si la famille (ui )i∈I est liée, alors la famille (f (ui ))i∈I est liée.
Définition 11
Soit E un K-espace vectoriel . Une famille est une base de E si, et seulement,

http://www.elamdaoui.com 6 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

si elle est à la fois libre et génératrice Preuve. Soit B := (e1 , · · · , en ) une base de E
Remarque. — Un morphisme est défini de manière unique par les images des 1. Sinon la famille B est liée
vecteurs d’une base. 2. B étant libre, une famille génératrice a au moins n éléments
— Un morphisme f de E vers F est un isomorphisme ⇐⇒ f transforme une
base de E en une base de F . Il transforme alors toute base de E en une
base de F . Corollaire 3
Propriété 5: Existence de la base Soit E un K-espace vectoriel non nul de dimension finie.
Tout K-espace vectoriel non réduit au vecteur nul et de dimension finie, Toute famille génératrice de E contient une base
possède des bases finies.
Preuve. Soit E un K-espace vectoriel possédant une famille génératrice à m élé-
ments. L’ensemble A des cardinaux des sous-familles génératrices de E est une
Preuve. Soit E un K-espace vectoriel possédant une famille génératrice à m élé-
partie de N non vide ( elle contient m ) . A a donc un plus grand élément n. Soit
ments. L’ensemble A des cardinaux des familles libres de E est une partie de N
(e1 , · · · , ep ) une famille génératrice de p éléments. Montrons que (e1 , · · · , ep ) est
non vide ( elle contient 1, car E contient un vecteur non nul ) et majoré par m. A
libre, si elle ne l’est pas, alors l’un de ces vecteurs est combinaisons des autres,
a donc un plus grand élément n. Soit (e1 , · · · , en ) une famille libre de n éléments.
donc il existe une famille génératrice à p − 1 éléments, ce qui est absurde
Pour x ∈ E, la famille (e1 , · · · , en , x) est liée. Il existe donc une combinaison
Xn
linéaire nulle : αi ei + αx = ~0, avec au moins un coefficient non nul. Comme Corollaire 4: Théorème de la base incomplète
i=1
Soit E un K-espace vectoriel non nul de dimension finie.
(e1 , · · · , en ) est libre, α est nécessairement non nul, donc x ∈ Vect((e1 , · · · , en )) :
Toute famille libre peut être prolongée en une base de E
La famille (e1 , · · · , en ) est génératrice et libre ; c’est une base

Corollaire 1 Preuve. Soit (u1 , · · · , up ) une famille libre et (e1 , · · · , en ) une base de E. On a
p6n
Toutes les bases d’un K-espace vectoriel E non nul de dimension finie ont le — Si p = n, alors (u1 , · · · , up ) d’après le théorème 5
même nombre d’éléments, appelé la dimension de E, noté dimE ou dimK E — Si p 6 n, alors la famille n’est pas génératrice, ∃i ∈ [|1, n|] tel que
(u1 , · · · , up , ei ) est libre, ainsi on vient de construire une famille libre à
Preuve. Supposons l’existence de deux bases B = (e1 , · · · , en ) et B 0 = p + 1 éléments. On refait ce procédé jusqu’à l’obtention d’une famille libre
(v1 , · · · , vm ). Comme B est libre et B 0 est génératrice, alors n 6 m. Comme de n éléments, ce dernier est libre.
B 0 est libre et B est génératrice, alors m 6 n, d’où m = n

Convention. Si E est nul, par convention dimE = 0 Propriété 6: Caractérisation de bases en dimension finie
Soit E un K-espace vectoriel de dimension n ∈ N∗ et B = (e1 , · · · , en ) une
Corollaire 2 famille formée d’exactement n = dimE vecteurs de E. On a équivalence
Soit E un K-espace vectoriel de dimension finie n > 1 entre :
1. Toute famille génératrice a au moins n éléments 1. B est une base,
2. Toute famille libre a au plus n éléments

http://www.elamdaoui.com 7 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

2. B est une famille libre, équivalente à

3. B est une famille génératrice.  
 b+c = 1  b+c = 1
a+c = 1 ⇐⇒ a+c = 1
Preuve. — Les implications (1) ⇒ (2) et (1) ⇒ (3) sont immédiates. a+b = 1 a−c = 0 L3 ←− L3 − L1
 
(2) ⇒ (1) Supposons la famille B libre et montrons qu’elle est génératrice. 
 b+c = 1
Soit x ∈ E. Si par l’absurde x ∈ / Vect(e1 , · · · , en ) alors par le principe ⇐⇒ a+c = 1
d’extension des familles libres, on peut affirmer que la famille (e1 , · · · , en , x) 
2a = 1 L3 ←− L3 + L2
est libre. Or celle-ci est formée de n + 1 vecteurs. C’est absurde et on peut
donc conclure x ∈ Vect(e1 , · · · , en ). Ainsi tout vecteur de E est combinaison ⇐⇒ a = b = c = 1/2.
linéaire des vecteurs de la famille B et celle-ci est donc génératrice. On a donc (1, 1, 1) = 1/2u1 +1/2u2 +1/2u3 . On aurait pu aller un peu plus vite en
(3) ⇒ (1) Supposons la famille B génératrice et montrons qu’elle est libre. Par remarquant que, par symétrie des trois coordonnées, on savait que a = b = c.
l’absurde, supposons que la famille B est liée.
L’un des vecteurs de B est combinaison linéaire des autres, donc il existe Exemple 8. Soit E un K-espace vectoriel de dimension 3 muni d’une base B =
une famille génératrice constituée de n − 1 vecteurs. C’est absurde et donc (e1 , e2 , e3 ).
on peut affirmer que la famille B est libre. Considérons B 0 = (u, v, w) la famille formée des vecteurs u = e2 + e3 , v = e1 +
e3 , w = e1 + e2 .
Montrons que B 0 est une base de E.

9. Dimension d’un sous-espace vectoriel

Exemple 7. Montrer que les vecteurs u1 = (0, 1, 1), u2 = (1, 0, 1) et u3 = (1, 1, 0)
forment une base de R3 . Trouver dans cette base les coordonnées du vecteur Théorème 6
u = (1, 1, 1).
Soit E un K-espace vectoriel de dimension finie.
1. Tout sous-espace vectoriel F de E est de dimension finie et dimF 6
Solution. Puisque (u1 , u2 , u3 ) est une famille de trois vecteurs dans un espace
dimE.
de dimension 3, à savoir R3 , il suffit de prouver qu’elle est libre. L’équation
au1 + bu2 + cu3 = 0 est équivalente successivement aux systèmes : 2. Si de plus dimF = dimE alors F = E .

1. Si F = {~0}, nous n’avons rien à démontrer. Supposons donc F 6=

 
 b+c = 0  b+c = 0 Preuve.
a+c = 0 ⇐⇒ a+c = 0 {~0}.

a+b = 0

a − c = 0 L3 ←− L3 − L1 — Notons L l’ensemble des nombres d’éléments des familles libres de F .
 Alors L est non vide car F 6= {~0}. Mais par ailleurs toute famille libre
 b+c = 0
de F est une famille libre de E, donc est constituée d’au plus dimE élé-
⇐⇒ a+c = 0
ments ; cela montre que L est majorée par dimE. Finalement, L est une
2a = 0 L3 ←− L3 + L2

partie non vide et majorée de N, donc possède un plus grand élément
⇐⇒ a = b = c = 0. n 6 dimE. Il existe donc une famille libre (x1 , x2 , · · · , xn ) de F à n élé-
ments. Montrons que (x1 , x2 , · · · , xn ) est une base de F . Cela montrera
La famille est libre. Pour trouver les coordonnées du vecteur (1, 1, 1), on doit que F est de dimension finie et que dimF = n 6 dimE. Ce qui est sur
maintenant résoudre l’équation (1, 1, 1) = au1 + bu2 + cu3 , qui est successivement en tout cas, c’est que (x1 , x2 , · · · , xn ) est libre par définition.

http://www.elamdaoui.com 8 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire


— Montrons que (x1 , x2 , · · · , xn ) engendre F . Soit x ∈ F . Alors 1 si u 6= 0
Exemple 9. rg(u) =
(x1 , x2 , · · · , xn , x) est liée par maximalité de n dans L. Cela implique 0 sinon
aussitôt que x est combinaison linéaire de x1 , x2 , · · · , xn , car on sait 
2 si u, v non colinéaires
qu’en ajoutant à une famille libre un vecteur non combinaison linéaire
Exemple 10. rg(u, v) = 1 si u, v colinéaires, non tous deux nuls
des vecteurs de cette famille, on conserve la liberté. Cela prouve comme
0 si u=v=0

voulu que (x1 , x2 , · · · , xn ) engendre F .
2. On suppose à présent que dimF = dimE = n. Soit (e1 , e2 , · · · , en ) une base Propriété 8
de F . Alors (e1 , e2 , · · · , en ) est une famille libre de E à n = dimE éléments,
Soit (x1 , · · · , xp ) une famille de vecteurs de E.
donc est une base de E en vertu d’un précédent résultat. En particulier,
(e1 , e2 , · · · , en ) engendre E, de sorte que : E = Vect(e1 , e2 , · · · , en ) = F . 1. Si x ∈ Vect(x1 , · · · , xp ), alors rg(x1 , · · · , xp ) = rg(x1 , · · · , xp , x)
2. rg(x1 , · · · , xi , · · · , xj , · · · , xp ) = rg(x1 , · · · , xj , · · · , xi , · · · , xp )
3. ∀λ ∈ K∗ et ∀i ∈ [[1, n]], rg(x1 , · · · , λxi , · · · , xp ) = rg(x1 , · · · , xp )
Remarque (En particulier). — Si dimF = 0 alors F = {~0}
— Si dimF = 1 alors on dit que F est une droite vectorielle. Pour tout u ∈ F 4. ∀λ ∈ K et ∀i 6= j ∈ [[1, n]], rg(x1 , · · · , xi + λxj , · · · , xp ) =
tel que u 6= ~0, F = Vect(u). On dit que u est un vecteur directeur de F . rg(x1 , · · · , xp )
— Si dimF = 2 alors on dit que F est un plan vectoriel. Pour tout u, v ∈ F non
colinéaires, on a F = Vect(u, v). On dit que u, v sont des vecteurs directeurs Exemple 11. On considère la partie F de R4 définie par
de F .
— Si dimF = dimE − 1 alors on dit que F est un hyperplan vectoriel de E. F = {(x, y, z, t) ∈ R4 ; x + y = 0 et x + z = 0}.

1. Donner une base de F puis en donner la dimension.

10. Rang d’une famille de vecteurs 2. Compléter la base trouvée en une base de R4 .
Soit (x1 , · · · , xp ) une famille de vecteurs d’un K-espace vectoriel E. Solution. 1. Soit (x, y, z, t) ∈ R4 . On a :
Propriété 7 
 x = −α
 
Soit (x1 , · · · , xp ) une famille de vecteurs de E. Alors x+y = 0 y = α

(x, y, z, t) ∈ F ⇐⇒ ⇐⇒ ∃α, β ∈ R,
1. Vect(x1 , · · · , xi , · · · , xj , · · · , xp ) = Vect(x1 , · · · , xj , · · · , xi , · · · , xp ) y−z = 0 
 z = α
t = β

2. ∀λ ∈ K∗ et ∀i ∈ [[1, n]], Vect(x1 , · · · , λxi , · · · , xp ) = Vect(x1 , · · · , xp )
3. ∀λ ∈ K et ∀i 6= j ∈ [[1, n]], Une base de F est donc donnée par les deux vecteurs v1 = (1, −1, −1, 0) et
v2 = (0, 0, 0, 1). Donc dim F = 2
Vect(x1 , · · · , xi + λxj , · · · , xp ) = Vect(x1 , · · · , xp ) 2. D’après le théorème de la base incomplète, on sait que l’on peut compléter
la famille (v1 , v2 ) par deux vecteurs de la base canonique pour obtenir une
base de R4 . On vérifie facilement que (v1 , e2 , e3 , v2 ) est une famille libre, car
Définition 12
 
On appelle rang de la famille (x1 , · · · , xp ) la dimension, notée rg(x1 , · · · , xp ), 1 −1 −1 0
de l’espace vectoriel engendré par cette famille. 0 1 0 0
rg(v1 , e2 , e3 , v2 ) = rg 
0 0
=4
Ainsi rg(x1 , · · · , xp ) = dimVect(x1 , · · · , xp ) 1 0
0 0 0 1

http://www.elamdaoui.com 9 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

donc une base de R4 . Corollaire 5

n
Y
Exemple 12. Complétion d’une famille libre en une base Soient E, E1 , · · · , En des K-espace vectoriel s, alors Ek est de dimension
k=1
Propriété 9 finie et
n
Y n
X
rg(x1 , · · · , xp ) 6 p, avec égalité si, et seulement si, la famille est libre. dim Ek = dimEk
k=1 k=1

Preuve. (x1 , · · · , xp ) est une famille génératrice de l’espace Vect(x1 , · · · , xp ) donc En particulier E n est de dimension finie et dimE n = n.dimE
dimVect(x1 , · · · , xp ) 6 p.
Si la famille (x1 , · · · , xp ) est libre, c’est alors une base de Vect(x1 , · · · , xp ) et
donc dimVect(x1 , · · · , xp ) = p. 12. Supplémentarité en dimension finie
Inversement si dimVect(x1 , · · · , xp ) = p alors la famille (x1 , · · · , xp ) est géné-
ratrice et formée de p = dimVect(x1 , · · · , xp ) vecteurs de Vect(x1 , · · · , xp ), c’est Propriété 11
donc une base de Vect(x1 , · · · , xp ) et en particulier cette famille est libre. Soit E un K-espace vectoriel de dimension finie et F1 , · · · , Fn de sous-espaces
Xn

Propriété 10 vectoriels de E telle que l somme Fi soit directe. On a alors

i=1
Si E est de dimension finie n.
n n
Alors rg(x1 , · · · , xp ) 6 dimE, avec égalité si, et seulement si, la famille est M X
génératrice. E= Fi ⇔ dim (E) = dim (Fi )
i=1 i=1

Preuve. L’espace Vect(x1 , · · · , xp ) est inclus dans E donc dimVect(x1 , · · · , xp ) ≤

dimE. Propriété 12
De plus, puisqu’il y a inclusion, il y a égalité des dimensions si, et seulement si, les Si F et G sont des sous-espaces vectoriels supplémentaires d’un K-espace
espaces sont égaux i.e. si, et seulement si, la famille (x1 , · · · , xp ) est génératrice vectoriel E de dimension finie alors
de E.
dimE = dimF + dimG
11. Dimension d’un espace vectoriel produit
Preuve. L’application de F × G → E, qui à tout (x, y) de F × G associe x + y,
Théorème 7: Dimension d’un espace vectoriel produit est un isomorphisme d’espace vectoriel
Soient E et F deux K-espaces vectoriels de dimension finie.
Alors E × F est de dimension finie et : dim(E × F ) = dimE + dimF . Propriété 13
On peut former une base de E en accolant une base de F et une base de G.
Preuve. Soient (e1 , e2 , ..., em ) une base de E et (f1 , f2 , ..., fn ) une base de F . Une telle base est dite adaptée à la supplémentarité de F et G.
Alors ((e1 , 0), (e2 , 0), · · · , (em , 0), (0, f1 ), · · · , (0, fm )) est une base de E × F . En
particulier, E × F est de dimension finie et : dim(E × F ) = m + n = dimE +
dimF. Preuve. Soient B = (e1 , · · · , ep ) et C = (f1 , · · · , fq ) des bases des espaces F et
G.

http://www.elamdaoui.com 10 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

Formons la famille D = (e1 , · · · , ep , f1 , · · · , fq ) et montrons que c’est une base de dit que F et G sont en somme directe si, et seulement, si F ∩ G
E.
Supposons λ1 e1 + · · · + λp ep + µ1 f1 + · · · + µq fq = 0. Propriété 14
On a λ1 e1 + · · · + λp ep = −(µ1 f1 + · · · + µq fq ) ∈ F ∩ G. Or les espaces F et G sont
supplémentaires donc F ∩ G = {0} et par suite λ1 e1 + · · · + λp ep = µ1 f1 + · · · + Soient E un K-espace vectoriel et F et G deux sous-espaces vectoriels de
µq fq = 0. Puisque les familles B et C sont libres on a alors λ1 = · · · = λp = 0 et dimension finie de E.
µ1 = · · · = µq = 0. Ainsi la famille D, constituée de p + q = dimE éléments, est 1. Alors F + G et F ∩ G sont de de dimension finie et :
libre. Donc c’est une base de E
dim(F +G) = dimF +dimG−dim(F ∩G) (Formule de Grassmann)
Théorème 8
2. En particulier, si F et G sont en somme directe : dim(F ⊕G) = dimF +
Soient E un K-espace vectoriel de dimension finie et F un sous-espace vec-
dimG.
toriel de E. Alors F possède un supplémentaire dans E.

Preuve. La réunion d’une famille génératrice de F et d’une famille génératrice

Preuve. En tant que sous-espace vectoriel de E qui est de dimension finie, F est
de G donne une famille génératrice de F + G. Par suite l’espace F + G est de
lui aussi de dimension finie. Si F = {0} ou F = E, alors E est un supplémentaire
dimension finie. Puisque F ∩ G est un sous-espace vectoriel de F , l’espace F ∩ G
de F dans E. Supposons désormais F 6= {0} et F 6= E. Alors F possède une base
possède un supplémentaire H dans F . Montrons que H et G sont supplémentaires
(e1 , e2 , ..., ep ). Cette famille (e1 , e2 , ..., ep ) étant libre dans E, on peut la compléter
dans F + G.
en une base (e1 , e2 , ..., en ) de E via le théorème de la base incomplète. Posons
Puisque H ⊂ F , on a H = H ∩F et donc H ∩G = H ∩F ∩G = H ∩(F ∩G) = {0}
alors G = Vect(ep+1 , ep+2 , ..., en ) et montrons que F et G sont supplémentaires
Puisque F + G = H + (F ∩ G) + G avec F ∩ G ⊂ G, on a aussi F + G = H + G.
dans E.
Ainsi H et G sont supplémentaires dans F + G.
— Montrons que E = F + G. Soit x ∈ E de coordonnées (x1 , x2 , ..., xn ) dans
p n Par supplémentarité de H et F ∩ G dans F on a dimF = dimH + dim(F ∩ G).
Par supplémentarité de H et G dans F +G on a aussi dim(F +G) = dimH +dimG.
X X
(e1 , e2 , ..., en ). Introduisons l’élément f = xk ek ∈ F et g = xk ek ∈
k=1 k=p+1 On en déduit dim(F + G) = dimF + dimG − dimF ∩ G.
G. Alors A = f + g
— Montrons que F ∩ G = {~0}. Soit x ∈ F ∩ G de coordonnées (x1 , x2 , ..., xp ) Propriété 15: première caractérisation de la supplémentarité
dans la base (e1 , e2 , ..., ep ) de F et de coordonnées (xp+1 , xp+2 , ..., xn ) dans
p n Soient E un K-espace vectoriel de dimension finie et F et G deux sous-
espaces vectoriels de E. F et G sont supplémentaires dans E si, et seule-
X X
la base (ep+1 , ep+2 , ..., en ) de G. On a alors l’égalité xk ek − xk ek =
k=1 k=p+1
ment,si
~0. La liberté de la famille (e1 , e2 , ..., en ) implique aussitôt la nullité de tous
dimF + dimG = dimE et F ∩ G = {0}
les xk , k ∈ [[1, n]], et donc que x = ~0 comme voulu.

Preuve. Si F et G sont supplémentaires dans E, alors dimF + dimG = dimE et

F ∩ G = {0} sont vérifiées.
13. Dimension d’une somme de deux sous-espaces vectoriels
Supposons que dimF +dimG = dimE et F ∩G = {0}. Par la formule de Grassman
Définition 13 dim(F + G) = dimF + dimG − 0 = dimE. Par inclusion et égalité des dimensions
on a F + G = E et donc F et G sont supplémentaires dans E.
Soient E un K-espace vectoriel et F et G deux sous-espaces vectoriels. On

http://www.elamdaoui.com 11 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

Propriété 16: Deuxième caractérisation de la supplémentarité 2. Si E est l’ensemble des suites complexes convergentes, alors u 7−→ lim u est
C-linéaire.
Soient E un K-espace vectoriel de dimension finie et F et G deux sous-
espaces vectoriels de E. F et G sont supplémentaires dans E si, et seule- 3. P 7−→ P 0 est un endomorphisme du K-espace vectoriel K [X].
ment,si 4. f ∈ C 1 (I, R) 7−→ f 0 ∈ C (I, R) est linéaire.

dimF + dimG = dimE et F + G = E Exemple 14. Montrons que les applications R-linéaires de C dans C sont du
type ϕa,b : z ∈ C 7−→ az + bz avec a, b ∈ C.
Preuve. L’implication directe est évidente. Solution. • Soient a, b ∈ C, pour z, z 0 ∈ C et t ∈ R, on a
Supposons que dimF + dimG = dimE et F + G = E. Alors via la formule de
Grassmann on a tout de suite F ∩ G = {0} ϕa,b (tz + z 0 ) = a (tz + z 0 ) + btz + z 0
taz + az 0 + b tz + z 0


=
II. Applications linéaires = t (az + bz) + az 0 + bz 0
= tϕa,b (z) + ϕa,b (z 0 )
E ,F et G désignent des K-espaces vectoriels .
Soit f une application de E dans F où E et F sont deux espaces vectoriels sur ϕa,b est donc linéaire.
le corps K. — Soit f : C −→ C une application R-linéaire. Pour z ∈ C, z = < (z) + i= (z)
d’où
1. Applications linéaires
f (z) = f (< (z) + i= (z))
Rappel : = < (z) f (1) + = (z) f (i)
Soient E, F deux K-espaces vectoriels et f : E −→ F . z+z z−z
= f (1) + f (i)
On dit que f est linéaire (ou morphisme de K-espaces vectoriels) si et seule- 2 2i
  
ment si : f (1) f (i) f (1) f (i)
= z + + − z
— Additivité ∀x ∈ E, ∀y ∈ E, f (x + y) = f (x) + f (y) ; 2 2i 2 2i
— Homogénéité ∀λ ∈ K, ∀x ∈ E, f (λx) = λf (x).
| {z } | {z }
a b
si et seulement si = ϕa,b (z)
∀α ∈ K, ∀x, y ∈ E, f (αx + y) = αf (x) + f (y)

Notation. On note Exemple 15. Les applications K-linéaires de K dans K sont celles du type x ∈
K 7−→ ax avec a ∈ K.
1. L (E, F ) l’ensemble des applications linéaires de E dans F .
2. Si E = F , on note L (E) au lieu de L (E, E) et ses éléments sont appelés Solution. En effet :
endomorphismes. — ∀a ∈ K, l’application x 7−→ ax ∈ L (K) ;
Z b — si f : K −→ K est K-linéaire, alors ∀x ∈ K, f (x) = f (1K x) = xf (1K ), on
Exemple 13. 1. Prenons E = C ([a, b] , R), alors f 7−→ f (t)dt est linéaire prend alors a = f (1K ).
a
de E dans R.

http://www.elamdaoui.com 12 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

L(E, F ) est un sous-espace vectoriel de (F(E, F ), +, .)

Propriété 17
Soit f ∈ L (E, F ). Alors Preuve. L(E, F ) est une partie de F(E, F ), non vide puisque l’application nulle
est linéaire.
1. f (0E ) = 0F
Si f et g sont deux applications linéaires, leur somme est toujours linéaire. On
2. ∀n ∈ N∗ , ∀x1 , · · · , xn ∈ E, ∀λ1 , · · · λn ∈ K, remarque enfin que si α est un élément de K, l’application αf est aussi linéaire.
n
! n
Corollaire 7
X X
f xk λ = λk f (xk )
k=1 k=1 Soit E un espace vectoriel sur K.
L(E) et E ∗ sont des K-espaces vectoriels .
Corollaire 6
Propriété 19: Composition d’applications linéaires
Si S ⊂ E ou si S est une famille quelconque de vecteurs de E, alors
Soient E, F et G trois espaces vectoriels sur K.
f (VectS) = Vectf (S) Si f ∈ L(E, F ) et g ∈ L(F, G), alors g ◦ f ∈ L(E, G)

Preuve. Si n ∈ N∗ , x1 , · · · , xn ∈ S, α1 , · · · , αn ∈ K alors x1 , · · · , xn ∈ VectS Preuve. Il est facile de démontrer que gof est linéaire de E dans G.
qui est un sous-espace vectoriel donc α1 x1 + · · · + αn xn ∈ VectS. On a donc
l’inclusion Corollaire 8
Si f est un isomorphisme de E sur F et g un isomorphisme de F sur G, gof
VectS ⊃ {combinaison linéaires finies d’éléments de S} est un isomorphisme de E sur G.
D’autre part on montre que l’ensemble des combinaison linéaires finies d’élé- Preuve. la composée de deux applications bijectives (resp. linéaires) est bijective
ments de S est un sous-espace vectoriel de E qui contient S (resp. linéaire).
— On a alors S ⊂ VectS, d’où f (S) ⊂ f (VectS), et f (VectS) est un sous-
espace vectoriel de F car VectS est un sous-espace vectoriel de E. Donc
Propriété 20
Vectf (S) ⊂ f (VectS)
— D’autre part si z ∈ VectS, z s’écrit z = f (x) où x ∈ VectS : ∃λ1 , · · · , αm ∈ Soient E, F et G trois espaces vectoriels sur K.
X X Si f est un isomorphisme de E sur F , alors f −1 est un isomorphisme de
K, ∃y1 , · · · , ym ∈ S, x = αi yi . On a donc z = f (x) = αi f (yi ). Donc
| {z } F sur E.
i i
∈f (S)
z est combinaison linéaire d’éléments de f (S), z ∈ Vectf (S). Preuve. Bien sûr, f −1 est bijective de F sur E. Il ne nous reste qu’à montrer que
f −1 est linéaire.
Soit y, y 0 ∈ F et λ ∈ K. Notons x = f −1 (y) et x0 = f −1 (y 0 )
2. Espace vectoriel L(E, F ) f −1 (λy + y 0 ) = f −1 (λf (x) + f (x0 ))
= f −1 (f (λx + x0 ))
Propriété 18
= λx + x0 = λf −1 (y) + f −1 (y 0 )
Soient E et F deux espaces vectoriels sur K.

http://www.elamdaoui.com 13 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

3. Images d’un sous-espace vectoriel Propriété 21: Surjection et injection

Théorème 9 Soit f ∈ L (E, F )
Soit E et F deux K-espaces vectoriels , f une application linéaire de E dans 1. f est injective si, et seulement, si Kerf = {0E }
F , H un sous-espace vectoriel de E et G un sous-espace vectoriel de F 2. f est surjective si, et seulement, si Im(f ) = F
1. L’image (directe) f (H) de H par f est un sous-espace vectoriel de F .
2. L’image réciproque f −1 (G) de G par f est un sous-espace vectoriel de Propriété 22: Injectivité et liberté
E.
Soit f ∈ L(E, F ). Si f est injective alors f transforme toute famille libre de
vecteurs de E en famille libre de vecteurs de F .
Preuve. 1. On a bien f (H) ⊂ F .
— f (H) 6= ∅ car ~0 ∈ H
Preuve. Supposons que f soit injective et soit L = (x1 , · · · , xn ) une famille libre
— Soit alors X, Y ∈ f (H) et λ ∈ K, il existe x, y ∈ H tels que X = f (x) X n
et Y = f (x). Posons z = λx + y ; alors z ∈ H car H est un sous-espace de vecteurs de E. Soient α1 , · · · , αn ∈ K tels que αk f (xk ) = 0F . Par li-
vectoriel de E. La linéarité de f assure les égalités : ! k=1
Xn Xn
λX + Y = λf (x) + f (y) = f (λx + y) ∈ f (H) néarité de f on a f αk xk = 0F . Donc αk xk ∈ Kerf = {0E }. Ainsi
k=1 k=1
n
ce qui montre que f (H) est un sous-espace vectoriel de F X
αk xk = 0E et puisque la famille L est libre, ∀k [[1, n]], αk = 0. Ainsi la famille
2. On a bien f −1 (G) ⊂ E. k=1
— f −1 (G) 6= ∅ car ~0 ∈ G f (L), par définition (f (x1 ) , . . . , f (xn )) est libre. Donc si f est injective alors elle
— Soit alors x, y ∈ f −1 (G) et λ ∈ K. Par définition f (x) ∈ G et f (y) ∈ G transforme toute famille libre finie de vecteurs de E en famille libre de vecteurs
et puisque G est sous-espace vectoriel de F , alors λf (x) + f (y) ∈ G. de F .
Posons z = λx + y ; la linéarité de f assure les égalités : C’est aussi vrai pour une famille quelconque (pas forcément finie) : si (xi )i∈I
est une famille libre quelconque de vecteurs de E alors pour J ⊂ I, J fini, (xi )i∈J
f (z) = f (λx + y) = λf (x) + f (y) =∈ G est libre donc (f (xi ))i∈J aussi. Donc (ceci étant vrai pour tout J ), (f (xi ))i∈I
est libre.
ce qui montre que f −1 (G) est un sous-espace vectoriel de E
Remarque. La réciproque est vraie : Supposons que f change toute famille libre de
Définition 14 E en une famille libre d’éléments de F , alors en particulier, comme ∀x ∈ E\ {0E }
la famille (x) est libre, donc (f (x)) est une famille libre de F . Ainsi f (x) 6= 0F .
Soit f une application linéaire de E dans F On a donc ∀x ∈ E, x 6= 0E ⇒ f (x) 6= 0F . En prenant la contraposée on retrouve
1. Imf = f (E) est un sous-espace vectoriel de F , appelé image de f ; la propriété précédente, qui assure que f est injective.
2. Kerf = f −1 ({0}) est un sous-espace vectoriel de E appelé le noyau de
Corollaire 9
f
Si E admet une base finie B = (e1 , · · · , en ).
Alors f est injective si, et seulement, si (f (e1 ) , . . . , f (en )) est libre dans F
.

http://www.elamdaoui.com 14 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

Preuve. ⇒ « Déjà vu ! » : une base est en effet en particulier une famille libre u(ei ) = fi .
donc c’est bon.
⇐ Montrons que f est injective : soit x ∈ E tel que f (x) = 0F . Montrons que Propriété 25: Applications linéaires et bases
Xn
x = 0E . B est une base donc x s’écrit (de manière unique) : x = αi ei . Soit E et F deux espaces vectoriels sur K, E étant muni d’une base (ei )i∈I .
i=1 Soit (vi )i∈I une famille quelconque de vecteurs de F .
(avec ∀i [[1, n]], αi ∈ K). Alors il existe une unique application linéaire f de E dans F telle que :
! ∀i ∈ I, f (ei ) = vi .
n
X — l’application f est injective si et seulement si la famille (vi )i∈I est libre
f (x) = 0F ⇔ f αi ei = 0F dans F .
i=1
n
— l’application f est surjective si et seulement si la famille (vi )i∈I est
génératrice dans F .
X
⇔ αi f (ei ) = 0F
i=1
— l’application f est bijective si et seulement si la famille (vi )i∈I est une
base de F .
Comme (f (e1 ) , . . . , f (en )) est libre, on a α1 = . . . = αn = 0K . Par consé-
n
X On retiendra en particulier : Soit f ∈ L (E, F ).
quent x = 0K ei = 0E .
L’application f est un isomorphisme si et seulement si f transforme une base de
i=1
E en une base de F . Elle transforme alors toute base de E en une base de F.

Propriété 23 5. L’anneau des endomorphismes

Soit f ∈ L (E, F ). Alors f est surjective si, et seulement, si l’image d’une
famille génératrice de E est une famille génératrice de F Exercice 2. Soit f ∈ L(E). Montrer que les assertions suivantes sont équiva-
lentes

Preuve. Soit maintenant G une famille génératrice de E. On a f (E) = 1. f est une homothétie ;
f (VectG) = Vectf (G). 2. ∀x ∈ E, f (x) est proportionnel à x ;
3. ∀x ∈ E, la famille (x, f (x)) est liée.
f est surjective ⇔ f (E) = F
⇔ Vectf (G) = F Preuve. — Un sens est évident : (1) ⇒ (2). En effet soit α ∈ K tel que f = hα .
⇔ f (G) engendre F Alors il est clair que pour tout x, f (x) = αx est proportionnel à x.
— Mais attention, pour (2) ⇒ (1), il faut voir que (2) ne garantit pas que le
coefficient de proportionnalité est le même pour chaque x. En termes plus
mathématiques, (2) garantit que ∀x ∈ E, ∃αx ∈ K, f (x) = αx x et on doit
montrer que ∃α ∈ K, ∀x ∈ E, f (x) = αx. Il s’agit en fait de montrer que,
4. Détermination d’une application linéaire ∀x, y ∈ E, αx = αy . Prenons x et y non nuls :
— Premier cas : la famille (x, y) est libre. On a αx+y (x + y) = f (x + y) =
Propriété 24
f (x)+f (y) = αx x+αy y . Ainsi αx+y x+αx+y y = αx x+αy y soit encore
Si (ei )i∈I est une base de E et (fi )i∈I une famille de vecteurs de F , alors il (αx+y − αx ) x + (αx+y − αy ) y = 0E . (x, y) est libre donc αx+y = αx =
existe une et une seule application u ∈ L(E, F ) telle que pour tout i ∈ I, αy

http://www.elamdaoui.com 15 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

— Deuxième cas : (x, y) est liée. x et y sont non nuls donc ∃w ∈ K∗ , y = wx. f n of
αy y = f (y) = f (wx) = wf (x) = wαx x = αx y, soit (αy − αx ) y = 0E .
Comme y 6= 0, αx = αy . Exemple 16. Soit f ∈ L(E) et n ∈ N.
Donc dans tous les cas αx = αy . Donc ∃α ∈ K, ∀x ∈ E ∗ , f (x) =αx. C’est Montrons Kerf n ⊂ Kerf n+1 et Imf n+1 ⊂ Imf n .
vrai aussi si x est nul : f (0E ) = 0E = α0E . Donc f = hα .
Soit x ∈ Kerf n . On a f n (x) = 0 donc f n+1 (x) = f (f n (x)) = f (0) = 0 et ainsi
x ∈ Kerf n+1 .
Théorème 10 Par conséquent Kerf n ⊂ Kerf n+1 .
Soit y ∈ Imf n+1 . Il existe x ∈ E tel que y = f n+1 (x) et alors y = f n (f (x)) =
(L(E), +, ◦) est un anneau d’élément nul l’endomorphisme nul et d’élément f n (a) avec a = f (x) ∈ E et ainsi y ∈ Imf n .
unité l’endomorphisme identité (noté I ou Id). Par conséquent Imf n+1 ⊂ Imf n .
De plus, les éléments inversibles de cet anneau GL (E) sont les automor-
phismes de E. Propriété 26
Soit f, g ∈ L(E) qui commutent (ie f og = g ◦ f ), alors pour tout n ∈ N
Preuve. On sait déjà que (L(E), +) est un groupe abélien de neutre 0̃ car n
X
(L(E), +, .) est un espace vectoriel. (f + g)n = Cnp f p ◦ g n−p
La loi de composition ◦ définit une loi de composition interne sur L(E) car la k=0
composée de deux endomorphismes de E est un endomorphisme de E.
La loi ◦ est associative et possède un neutre IdE qui est un endomorphisme de et
n
X
E. f n+1 − g n+1 = (f − g) f p g n−p
La loi ◦ est distributive sur + dans L(E). En effet, par linéarité à droite et gauche p=0
et du produit de composition, on a
En particulier
n
∀f, g, h ∈ L(E), (g + h)of = g ◦ f + hof.
X
f o(g + h) = f og + f oh et ∀n ∈ N, n
(I + f ) = Cnp f p
k=0
Enfin, un élément inversible de l’anneau (L(E), +, o) est un endomorphisme f
pour lequel il existe g ∈ L(E) vérifiant f og = g ◦ f = IdE ; un tel endomorphisme
est bijectif. Preuve. Par opérations dans un anneau sachant que les deux éléments f et g
Inversement un automorphisme est un élément inversible de l’anneau et son in- commutent.
verse est son isomorphisme réciproque.
Attention. L’anneau (L(E), +, o) n’est pas intègre, ainsi si un produit de com-
Remarque. L’anneau (L(E), +, o) n’est généralement pas commutatif. position est nul, on ne pour autant affirmer qu’un des facteur est nul : f og = 0
n’implique par f = 0 ou g = 0.
Remarque. Puisque (L(E), +, o) est un anneau, on peut exploiter les définitions
et les résultats relatifs à cette structure. En particulier, on peut introduire les Cependant, on peut souvent exploiter à profit le résultat suivant
itérés de composition d’un endomorphisme.
Propriété 27
Définition 15: Les itérés d’un endomorphisme Si f et g sont des endomorphismes de E alors :
Soit f un endomorphisme de E. On pose f 0 = IdE et pour n ∈ N, f n+1 =
g ◦ f = 0 ⇔ Imf ⊂ Kerg.

http://www.elamdaoui.com 16 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

Preuve. ⇒) Supposons g ◦ f = 0. G
Pour tout y ∈ Imf , il existe x ∈ E tel que y = f (x).
On a alors g(y) = g(f (x)) = (g ◦ f )(x) = 0 donc y ∈ Kerg et ainsi Imf ⊂
Kerg.
⇐) Supposons Imf ⊂ Kerg. xG x
Pour tout x ∈ E, (g ◦ f )(x) = g(f (x)) = 0 car f (x) ∈ Imf ⊂ Kerg. Ainsi
g◦f =0

xF F
Définition 16
Un endomorphisme f ∈ L(E) est dit idempotent si f 2 = f .
Un endomorphisme f ∈ L(E) est dit nilpotent s’il existe n ∈ N tel que Définition 17
f n = 0. — p est appelé projection sur F parallèlement à G.
— q est appelé projection sur G parallèlement à F .
— p et q sont les projections associées à la supplémentarité de F et G.
Exemple 17. Soit f ∈ L(E) nilpotent. Montrons que Id − f ∈ GL(E).

Propriété 28
Soit n ∈ N tel que f n = 0. On a Id = Id − f n .
Puisque Id et f commutent, on peut factoriser et on obtient p et q sont des endomorphismes de E vérifiant

! ! p2 = p, q 2 = q, p + q = Id et qop = poq = 0
n−1
X n−1
X
Id = (Id − f )o fk = fk o(Id − f ) De plus F = Imp = Kerq et G = Kerp = Imq.
k=0 k=0

Preuve. Soient λ, µ ∈ K et x, y ∈ E.
n−1
−1
X On a x = p(x) + q(x) et y = p(y) + q(y) avec p(x), p(y) ∈ F et q(x), q(y) ∈ G.
Par suite Id − f est inversible et (Id − f ) = f k. On a alors λx + µy = (λp(x) + µp(y)) + (λq(x) + µq(y)) avec λp(x) + µp(y) ∈ F
k=0
et λq(x) + µq(y) ∈ G donc

p(λx + µy) = λp(x) + µp(y) et q(λx + µy) = λq(x) + µq(y)

6. Projecteurs vectoriels
Ainsi p et q sont des endomorphismes de E.
1. Projection vectorielle Pour tout x ∈ E, on a x = p(x) + q(x) = (p + q)(x) donc p + q = Id.
Aussi p(x) = p(x) + 0 avec p(x) ∈ F et q(x) ∈ G donc p(p(x)) = p(x) et
Soient F et G deux sous-espaces vectoriels supplémentaires de E. q(p(x)) = 0.
Tout x ∈ E s’écrit de façon unique x = xF + xG avec xF ∈ F et xG ∈ G. Ainsi pop = p et qop = 0.
Posons p(x) = xG et q(x) = xG ce qui définit des applications p, q : E → E De même qoq = q et poq = 0.

http://www.elamdaoui.com 17 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

De plus, pour tout x ∈ F , p(x) = x donc x ∈ Imp. Ker(p)

Puisque qop = 0, Imp ⊂ Kerq.
Enfin pour tout x ∈ Kerq, x = p(x) + q(x) = p(x) ∈ F .
Finalement F ⊂ Imp ⊂ Kerq ⊂ F donc F = Imp = Kerq.
De même G = Kerp = Imq. x

x − p (x)
Corollaire 10
F = Ker(p − Id) est aussi l’ensemble des vecteurs invariants par p.
p (x) Im(p)

Preuve. F = Kerq = Ker(Id − p) = Ker(p − Id) = {x ∈ E / p(x) = x}.

2. Projecteurs associés à une décomposition
Soient E1 , · · · , En sont des sous-espaces vectoriels de E réalisant une décom-
Définition 18 position en somme directe.
On appelle projecteur tout endomorphisme p de E vérifiant p ◦ p = p
∀x ∈ E, ∃!(x1 , · · · , xn ) ∈ E1 × · · · × En , x = x1 + · · · + xn
Pour tout i ∈ [[1, n]], on pose pi (x) = xi ce qui définit pi : E → E.
Propriété 29
Définition 19
Si p est un projecteur de E alors
— Imp et Kerp sont des sous-espaces vectoriels supplémentaires de E ; Les applications p1 , · · · , pn ainsi définies sont appelées projecteurs associés
n
autrement-dit E = Im(p) ⊕ Ker(p) à la décomposition E = ⊕ Ei
i=1
— p est la projection vectorielle sur Im(p) parallèlement à Ker(p).

Propriété 30
Preuve. Commençons par établir que Imp = Ker(p − Id). n
L’inclusion Ker(p − Id) ⊂ Imp est immédiate et l’inclusion Imp ⊂ Ker(p − Id) pi est la projection sur F = Ei parallèlement à G = ⊕ Ej .
j=1
j6=i
découle de l’égalité p2 = p.
Soit x ∈ Imp ∩ Kerp.
On a p(x) = x et p(x) = 0 donc x = 0. Ainsi Imp ∩ Kerp = {0}. Preuve. Les espaces F et G sont supplémentaires.
Soit x ∈ E. Posons a = p(x) et b = x − p(x). Notons p la projection sur F parallèlement à G.
On a a ∈ Imp, x = a + b et p(b) = p(x) − p2 (x) = 0 donc b ∈ Kerp. Pour tout x ∈ E, on peut écrire de façon unique
X x = x1 + · · · + xn avec xj ∈ Ej .
Ainsi Imp + Kerp = E et finalement Imp et Kerp sont supplémentaires dans E. On a alors x = xi + y avec xi ∈ F et y = xj ∈ G.
Enfin, pour tout x ∈ E, x s’écrit de façon unique x = a + b avec a ∈ F et b ∈ G j6=i
et on a p(x) = a. Par suite p(x) = xi = pi (x). Ainsi p = pi
L’application p apparaît donc comme la projection sur F parallèlement à G.

http://www.elamdaoui.com 18 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

Propriété 31 Définition 20
n
X s est appelée la symétrie vectorielle par rapport à F parallèlement à G
On a les relations IdE = pi , p2i = pi et pi opj = 0 si i 6= j.
i=1
Exemple 18. 1. Si F = E et G = {0} alors s = id
n
X 2. Si F = {0} et G = E alors s = −id
Preuve. IdE = pi car on a l’égalité x = x1 + · · · + xn avec xi = pi (x) pour
i=1 Théorème 11
tout x ∈ E.
p2i = pi car pi est une projection. L’application s est un endomorphisme de E vérifiant s2 = Id.
Pour i 6= j, pi opj = 0 car Impj = Fj ⊂ Kerpi . De plus F = Ker(s − I) et G = Ker(s + I)

7. Symétries vectorielles Preuve. Introduisons la projection vectorielle p sur F parallèlement à G et q =

Id − p sa projection complémentaire.
Soient F et G deux sous-espaces vectoriels supplémentaires de E. Pour tout x ∈ E, on peut écrire x = xF − xG avec xF ∈ F et xG ∈ G.
Pour tout x ∈ E, il existe un unique couple (xF , xG ) ∈ F × G vérifiant x = On a alors p(x) = xH et q(x) = xG .
xF + xG . Par définition de l’application s, on a aussi s(x) = xF − xG et donc s(x) =
Posons s(x) = xF − xG ; on définit ainsi une application s : E → E. p(x) − q(x) = (p − q)(x).
On en déduit que s = p − q = 2p − Id et donc s est un endomorphisme de E par
G opération sur les endomorphismes de E.
De plus p et Id commutent, on a s2 = (2p − Id)2 = 4p2 − 4p + Id = Id car p2 = p.
Enfin Ker(s − Id) = Ker(2p − 2Id) = Ker(p − Id) = F et Ker(s + Id) = Ker2p =
Kerp = G.
xG x
Remarque. Durant la démonstration, on a vu la relation remarquable et utile
s = 2p − Id.
Remarque. F = Ker(s − Id) est l’espace des vecteurs invariants par s.
G = Ker(s + Id) est l’espace des vecteurs changés en leur opposé par s.
xF F
Corollaire 11
s est un automorphisme de E et s−1 = s.

−xG s (x)
Définition 21
La symétrie s0 par rapport à G et parallèlement à F est appelée symétrie
complémentaire de s.

http://www.elamdaoui.com 19 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

Propriété 32 Ker (s + id)

s0 = −s

Preuve. Soit x ∈ E. On peut écrire x = xF + xG avec xF ∈ F et xG ∈ G.

On a s(x) = xF − xG et s0 (x) = xG − xF donc s0 (x) = −s(x) et ainsi s0 = −s. x

Ker (s − id)

Théorème 12 s (x)
2
Si s est un endomorphisme de E vérifiant s = Id alors
1. Ker(s − Id) et Ker(s + Id) sont supplémentaires dans E,
2. s est la symétrie vectorielle par rapport à F = Ker(s − Id), parallèle-
ment à G = Ker(s + Id).

1 8. Applications linéaires en dimension finie

Preuve. 1. Posons p = (s + Id) ∈ L(E).
2
1 1 1. Isomorphisme et dimension
Puisque s et Id commutent, on a p2 = (s2 + 2s + Id) = (s + Id) = p.
4 2 Soit B = (e1 , · · · , en ) une base de E de dimension finie n > 1. Alors pour tout
L’endomorphisme p est un projecteur de E. On en déduit que F = Imp =
Ker(p − Id) et G = Kerp sont des sous-espaces vectoriels supplémentaires x ∈ E, il existe une unique (λ1 , · · · , λn ) ∈ Kn telle que :
de E. n
Or F = Ker(p − Id) = Ker 21 (s − Id) = Ker(s − Id) et G = Kerp =
  X
x= λi ei
Ker 21 (s + Id) = Ker(s + Id). i=1
Ainsi Ker(s − Id) et Ker(s + Id) sont des sous-espaces vectoriels supplé-
mentaires de E. Avec les notations ci-dessus on dit que les scalaires λ1 , · · · ,λn sont appelés com-
 λ1

 λ2
2. De plus, pour tout x ∈ E, on peut écrire de façon unique x = a + b avec posantes de x dans B. On note parfois x (λ1 , · · · , λn ) ou x  .

a ∈ F = Ker(s − Id) et b ∈ G = Ker(s + Id). On a alors s(x) = s(a) + s(b).  ..

Or s(a) = a car a ∈ Ker(s − Id) et s(b) = −b car b ∈ ker(s + Id).  λn
Ainsi s(x) = a − b et on reconnaît à travers l’action de s, la symétrie
Théorème 13
vectorielle par rapport à F est parallèlement à G
Soit E un K-espace vectoriel de dimension n. Alors E et Kn sont isomorphes.

http://www.elamdaoui.com 20 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

Si dimE > 1 et (e1 , · · · , en ) est une base de E, l’application

Corollaire 13
n
K → E Soit E un K-espace vectoriel de dimension finie n, alors L(E) et E ∗ sont de
n
X dimension finie et dimL(E) = n2 et dimE ∗ = n
(λi )1≤i≤n → λ i ei
i=1

est un isomorphisme d’espaces vectoriels 2. Théorème du rang

Preuve. exo Théorème 15

Soient E et F deux K-espace vectoriels et f une application linéaire de E
Corollaire 12
dans F .
Deux K-espaces vectoriels de dimension finie E et F sont isomorphes si, et
1. f réalise un isomorphisme de tout supplémentaire de Kerf dans E vers
seulement, si dimE = dimF
Imf .
Preuve. — Si F est de dimension finie n, F et E sont tous deux isomorphes à 2. Si E est de dimension finie, alors dimE = dimKerf + dim(Imf )
Kn via le théorème , donc isomorphes entre eux.
— Réciproquement, supposons E et F isomorphes. Nous pouvons alors nous Preuve. 1. Soit G un supplémentaire de Kerf dans E,c’est-à-dire E = G ⊕
donner un isomorphisme f de E sur F et une base (e1 , · · · , en ) de E. Nous Kerf , et g la restriction de f à G.
savons alors, f étant un isomorphisme de E sur F , que (f (e1 ), · · · , f (en )) il est évident que g ∈ L(G, Imf ).
est une base de F . Cela montre que F est de dimension finie n. — g est injective, en effet : Kerg = G ∩ Kerf = {0}
— g est surjective, en effet : Soit y ∈ Imf , de sorte qu’il existe x ∈ E tel
que y = f (x). Or E = G + Kerf , donc il existe xG ∈ G et xK ∈ Kerf
Théorème 14: L(E, F ) en dimension finie tels que x = xG + xK . On obtient g(xG ) = y
Soient E et F deux K-espace vectoriels de dimension finie. 2. D’après ce qui précède dimE = dimG + dimKerf . Or dimG = dimImf ,
Alors L(E, F ) est de dimension finie et : dimL(E, F ) = dimE × dimF. donc dimE = dimImf + dimKerf

Preuve. Soit (e1 , e2 , ...,

en ) une base de E et n = dimE.
Définition 22
L(E, F ) → Fn
Notons ϕ l’application Alors ϕ est linéaire car pour Soit E et F deux K-espace vectoriels et f ∈ L(E, F ). Si Imf est de dimension
f → (f (ei ))ni=1
toutes f, g ∈ L(E, F ) et tout λ ∈ K finie, sa dimension est appelée le rang de f . On le note rgf .
n
ϕ(f + λg) = ((f + λg) (ei ))i=1 Remarque. Si B = (e1 , · · · , en ) une base de E. Alors
n
= (f (ei ) + λg(ei ))i=1
n n Imf = f (E)
= (f (ei ))i=1 + λ (g(ei ))i=1
= f (Vecte1 , · · · , en )
= ϕ(f ) + λϕ(g)
= Vectf (e1 ) , f (e2 ) , . . . , f (en )
ϕ est bijective. L’application ϕ est donc un isomorphisme de L(E, F ) sur F p , ce
qui montre que L(E, F ) est de dimension finie et que dimL(E, F ) = dimF n = Ainsi, Imf est de dimension finie avec dim Imf 6 dim E car dim Imf est engen-
ndimF drée par une famille de longueur dim E.

http://www.elamdaoui.com 21 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

Propriété 33: Injectivité, surjectivité et rang Propriété 35

Soient E et F deux K-espaces vectoriels de dimension finie et f ∈ L(E, F ). Soient E, F deux K-espace vectoriel s de dimension finie et G un K-espace
1. f est injective si et seulement si rg(f ) = dimE. vectoriel . Soit f ∈ L(E, F ) et g ∈ L(F, G) . On a :
2. f est surjective si et seulement si rg(f ) = dimF . 1. rg(gof ) 6 min(rg(f ), rg(g))
2. Si g injective alors rg(gof ) = rg(f ).
Preuve. 1. ⇒) Si f est injective, B est libre donc (f (e1 ) , f (e2 ) , . . . , f (en )) 3. Si f surjective alors rg(gof ) = rg(g).
aussi donc (f (e1 ) , f (e2 ) , . . . , f (en )) est une base de Imf donc rgf =
dim E. Preuve. rg(g ◦ f ) = dimIm(g
⇐) Si rgf = dim E, (f (e1 ) , f (e2 ) , . . . , f (en )) est une famille gé-
◦ f ) = dimg(f (E)). D’une part, g(f (E)) = Img|Imf
donc rg(g ◦ f ) = rg g|Imf 6 dimf (E) = rgf avec égalité quand g est injective.
nératrice de longueur dim E de Imf de dimension dim E donc D’autre part, g(f (E)) ⊂ g(F ) = Img donc rg(g ◦ f ) 6 rgg avec égalité quand f
(f (e1 ) , f (e2 ) , . . . , f (en )) est libre. est surjective.
2. Imf est un sous-espace vectoriel de F donc rgf 6 dim F et on a

rgf = dim F ⇔ f est surjective

9. Formes linéaires
⇔ Imf = F Définition 23: Forme linéaire
Une forme linéaire est un élément de l’ensemble E ∗ = L (E, K) et on rappelle
On en déduit que rgf 6 min (dim E, dim F ).
que dim E ∗ = dim E.
— Si dim F < dim E, alors rgf 6 dim F < dim E donc f ne peut pas être
injective.
— Si dim F > dim E, rgf 6 dim E < dim F donc f ne peut pas être Propriété 36
surjective. Soit ϕ une forme linéaire non nulle de E, alors rg (ϕ) = 1

Propriété 34 Preuve. Soit ϕ ∈ E ∗ \ {0}, ∃x ∈ E tel que ϕ (x) 6= 0K donc Im (ϕ) 6= {0K } donc
dim Im (ϕ) > 1. Or Im (ϕ) ⊂ K et dim K = 1 d’où rg (ϕ) = 1 et Im (ϕ) = K.
Soient E et F deux K-espaces vectoriels de même dimension finie et f ∈
L(E, F ). Les propriétés suivantes sont équivalentes :
Propriété 37
— Si ϕ est une forme linéaire non nulle sur E, il existe un vecteur x tel
1. f est injective ; 3. f est bijective ; que ϕ(x) = 1.
2. f est surjective ; 4. rgf = dimF . — Si x est un vecteur de E non nul et E est de dimension finie, il existe
une forme linéaire telle que ϕ(x) = 1
Preuve. D’après le théorème du rang, compte tenu de dimE = dimF = n, on a :
Preuve.
dimKerf = 0 ⇐⇒ dimImf = n ⇐⇒ rgf = n
Théorème 16: Formes linéaires en dimension finie
ϕ est une forme linéaire de E si, et seulement, s’il existe un unique

http://www.elamdaoui.com 22 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

n n
X X Preuve. Une droite vectorielle est un sous-espace vectoriel engendré par un vec-
(a1 , · · · , an ) ∈ Kn tel que à x = xk ek l’application associe xk ak
teur non nul
k=1 k=1

Preuve. ⇒ Pour tout i ∈ [[1, n]] , ai = ϕ(ei ) Propriété 39

n n
X X Les hyperplans d’un espace vectoriel E de dimension n > 1 sont exactement
⇐ L’application x = xk ek 7→ xk ak est une forme linéaire
les sous-espaces vectoriels de dimension n − 1
k=1 k=1

Exemple 19. Dans E = Kn , considérons H = {(x1 , · · · , xn ) ∈ Kn / x1 + · · · +

Remarque. La forme linéaire ϕ est nulle si, et seulement, si le n-uplet (a1 , · · · , an ) xn = 0}.
est nul H est un hyperplan car c’est le noyau de la forme linéaire non nulle (x1 , · · · , xn ) ∈
Xn
Kn 7→ xk
1. Hyperplans
k=1

Définition 24
Propriété 40
On appelle hyperplan de E tout noyau d’une forme linéaire de E non nulle
Les hyperplans de E sont les ensembles H constitués des vecteurs x ∈ E
dont les composantes x1 , · · · , xn sont solutions d’une équation de la forme
D a1 x1 + · · · + an xn = 0 avec a1 , · · · , an scalaires non tous nuls.

Preuve. Un hyperplan est le noyau d’une forme linéaire non nulle

Définition 25
Avec les notations qui précèdent, l’équation a1 x1 +· · ·+an xn = 0 est appelée
équation de l’hyperplan H relative à la base B.

Exemple 20. — Soit E = C([a, b], K) l’espace vectoriel des applications conti-
Rb
nues sur le segment [a, b], à valeurs dans K. L’application f :→ a f (t)dt
est une forme linéaire sur E.
— Soit E = F(X, K) l’espace vectoriel des applications d’un ensemble X non
Propriété 38
vide vers K.
Soit H un sous-espace vectoriel d’un K-espace vectoriel E. Les assertions Soit x0 est un élément particulier de X. L’application f :→ f (x0 ) est une
suivantes sont équivalentes forme linéaire sur E.
1. H est un hyperplan — Si E = Mn (R) est l’espace vectoriel des matrices carrées d’ordre n à coeffi-
2. Pour tout a ∈ E \ H, E = H ⊕ Vect (a) cients dans K, l’application trace qui à tout M de E associe tr(M ) est une
forme linéaire sur E.

http://www.elamdaoui.com 23 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

III. Matrices à coefficients dans K colonne de A

— aij est appelé coefficient d’indice (i, j) de la matrice A, il est positionné à
1. Matrices la ième ligne et j ème colonne de A.
— Lorsque n = p on dit que la matrice est carrée, l’ensemble des matrices
Définition 26 carrées à n lignes est noté Mn (K) au lieu de Mn,n (K).
Soit deux entiers n, p > 1. On appelle matrice n × p à coefficients dans K, Lorsque  
ou de type (n, p), une application a1,1 a1,2 . . . a1,n
 a2,1 a2,2 . . . a2,n 
 
 .. .. .. 

[[1, n]] × [[1, p]] −→ K ..
A  . . . . 
(i, j) → aij
an,1 an,2 ... an,n
que l’on note sous forme d’un tableau : Les éléments a1,1 , a2,2 , . . . , an,n forment la diagonale de la matrice et ils
  sont appelés les éléments diagonaux de A
a11 a12 ··· a1p — La matrice In ∈ Mn (K) définie par
 a21 a22 ··· a2p 
A= .
 
.. .. 
1 0 ··· 0

 ..

. . 
 0 1 ··· 0 
an1 an2 ··· anp
In =  . . .
 
 .. .. . . ... 

o ? A = (aij ) 1≤i≤n ou encore A = (aij )1≤i≤n,1≤j≤p 0 0 ··· 1
1≤j≤p

Remarque (Vocabulaires). — On notera Mn,p (K) l’ensemble des matrices de 2. Opérations sur les matrices
type (n, p) à coefficients dans K . On définit les opérations suivantes sur Mn,p (K) (ce sont les opérations usuelles
— Les éléments de Mn,p (R) sont appelés matrices réelles. sur les applications). Pour deux matrices A = (aij ) 1≤i≤n , B = (bij ) 1≤i≤n ∈
— Pour n quelconque et p = 1 : les matrices de Mn,1 (K) sont appelées matrices 1≤j≤p 1≤j≤p
Mn,p (K)
colonnes. 
a1
 — A = B si, et seulement si, ∀(i, j) ∈ [[1, n]] × [[1, p]], aij = bij
 a2  — A + B := (aij + bij ) 1≤i≤n (Somme de deux matrices). Ainsi
1≤j≤p
Elles sont de la forme :  . 
 
 ..       
a11 ··· a1p b11 ··· b1p a11 + b11 ··· a1p + b1p
an  .. .. + .. ..  =  .. .. 
— Pour n = 1 et p quelconque : les matrices de M1,p (K) sont appelées matrices  . .   . .   . . 
(uni-) lignes. an1 ··· anp bn1 ··· bnp an1 + bn1 ··· anp + bnp
Elles sont de la forme : (a1 · · · an )
— λ.A = (λaij ) 1≤i≤n ( Multiplication par un scalaire). Ainsi


— Pour 1 ≤ i ≤ n. La matrice Li := ai1 · · · ain est appelée le i-ème 1≤j≤p
vecteur ligne ou la i-ème ligne de A      
a1j a11 ··· a1p λa11 ··· λa1p
— Pour 1 ≤ j ≤ p. La matrice Cj :=  ...  est appelée le j-ème vecteur
 .. ..  =  .. .. 
λ.  .
 
.   . . 
anj an1 ··· anp λan1 ··· λanp

http://www.elamdaoui.com 24 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

— La matrice nulle est définie par 0Mn,p (K) = (0ij ) 1≤i≤n Remarque (Disposition pratique).
1≤j≤p
— Pour (k, `) ∈ [[1, n]] × [[1, n]], la matrice Ek` = (δik δj` ) 1≤i≤n B
1≤j≤p z }|
 {
b1,1 ··· b1,j ··· b1,r
 .. .. .. 
 . . . 
`
↓ bq,1 bq,j bq,r
  A  
0 ··· 0 0 0 ··· 0 z }| { ··· ··· ···
 .. .. .. .. ..  a1,1 ··· a1,q .. ..
. . . . .  ..  . ↓ .
   .  q

0 ··· 0 0 0 ··· 0 . ..

  .. →
X
 ai,1 ··· ai,q  ai,k bk,j .
 
Ek,` 0
= ··· 0 1 0 ··· 0  ←− k    
 . 
k=1

0 ··· 0 0 0 ··· 0  ..
  
 . ..
..
 
. .. .. .. ..  .
 .. . . . . ap,1 ··· ap,q
··· ··· ···
0 ··· 0 0 0 ··· 0 | {z }
A×B
     
1 0 3 1 (1 × 3 + 0 × 2) (1 × 1 + 0 × 1)
est appelée la matrice élémentaire. Tous les coefficients de la matrice Ek` Exemple 21. × = =
−1 3 2 1 (−1 × 3 + 3 × 2) (−1 × 1 + 3 × 1)
sont nuls sauf celui qui se trouve à l’intersection de la ligne k et de la colonne  
3 1
` qui vaut 1.
3 2
Théorème 17
1. Mn,p (K) est un K-espace vectoriel Théorème 18
2. (Eij ) 1≤i≤n est une base de Mn,p (K) Soit n, p, q, r quatre entiers naturels strictement positifs
1≤j≤p
1. Associativité : Soient A ∈ Mn,p (K), B ∈ Mp,q (K), C ∈ Mq,r (K)
3. dimMn,p (K) = np. En particulier dimMn (K) = n2 , dimMn,1 (K) = n et λ ∈ K :
et dimM1,p (K) = p
A(BC) = (AB)C et λ(AB) = (λA)B = A(λB)
2. Bilinéarité :
— Soient A, B ∈ Mn,p (K) et C ∈ Mp,q (K) : (A + B)C = AC + BC
Définition 27
— Soient A, B ∈ Mn,p (K) et C ∈ Mq,p (K) : C(A + B) = CA + CB
Soit n, p, q trois entiers naturels strictement positifs. Soit A = (aij ) 1≤i≤n ∈
1≤j≤p 3. Élément neutre : Soit A ∈ Mn,p (K) : In A = A = AIp
Mn,p (K) et B = (bij ) 1≤i≤p ∈ Mp,q (K). On définit la matrice C = A × B =
1≤j≤q
(cij ) 1≤i≤n ∈ Mn,q (K) définie par Preuve. 1. Posons A = (aij ) ∈ Mn,p (K), B = (bij ) ∈ Mp,q (K) et C = (cij ) ∈
1≤j≤q
Mq,r (K). Prouvons que A(BC) = (AB)C en montrant que les matrices
p
X A(BC) et (AB)C ont les mêmes coefficients.
∀(i, j) ∈ [[1, n]] × [[1, q]] , cij := aik bkj X p

k=1 Le terme d’indice (i, k) de la matrice AB est xik = ai` b`k . Le terme
`=1

http://www.elamdaoui.com 25 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

d’indice (i, j) de la matrice (AB)C est donc 3. Transposition

q q p
!
X X X Définition 28
xik ckj = ai` b`k ckj .
k=1 k=1 `=1 Soit A = (aij ) 1≤i≤n ∈ Mn,p (K).
1≤j≤p

q
X On appelle matrice transposée de A la matrice AT de taille p × n définie
Le terme d’indice (`, j) de la matrice BC est y`j = b`k ckj . Le terme par :
k=1  
d’indice (i, j) de la matrice A(BC) est donc a11 a21 . . . an1
 a12 a22 . . . an2 
p q
! t
A = (aji ) 1≤i≤p ∈ Mp,n (K) =  . ..  .
 
..
 ..
X X
ai` b`k ckj . 1≤j≤n
. . 
`=1 k=1 a1p a2p ... anp
Comme dans K la multiplication est distributive et associative, les coeffi-
cients de (AB)C et A(BC) coÔncident. Autrement dit : le coefficient à la place (i, j) de AT est aji . Ou encore la i-ème
2. Les démonstrations se font comme celle de l’associativité. ligne de A devient la i-ème colonne de AT (et réciproquement la j-ème colonne
de AT est la j-ème ligne de A).
3. Soit A ∈ Mn,p (K) de terme général aij . La matrice unité d’ordre p est telle
que tous les éléments de la diagonale principale sont égaux à 1, les autres Remarque (Notation). La transposée de la matrice A se note aussi souvent AT .
étant tous nuls. Exemple 22.  
On peut formaliser cela en introduisant le symbole de Kronecker. Si i et j   1 2
1 3 5
sont deux entiers, on appelle symbole de Kronecker, et on note δi,j , le A= ⇒ t A = 3 4
2 4 6
réel qui vaut 0 si i est différent de j, et 1 si i est égal à j. Donc 5 6
(
0 si i 6= j Théorème 19: Propriétés de la transposition
δi,j =
1 si i = j. ◦ Linéarité : ∀A, B ∈ Mn,p (K), ∀λ, µ ∈ K :
Alors le terme général de la matrice identité Ip est δi,j avec i et j entiers, t
(λA + µB) = λ t A + µ t B
compris entre 1 et p.
La matrice produit AIp est une matrice appartenant à Mn,p (K) dont le t t
◦ Involutivité : ∀A ∈ Mn,p (K) : ( A) = A
p
t
◦ Produit : ∀A ∈ Mn,p (K), ∀B ∈ Mp,q (K) : (AB) =t B t A
X
terme général cij est donné par la formule cij = aik δkj . Dans cette
k=1
somme, i et j sont fixés et k prend toutes les valeurs comprises entre 1 et Preuve.
p. Si k 6= j alors δkj = 0, et si k = j alors δkj = 1. Donc dans la somme qui
définit cij , tous les termes correspondant à des valeurs de k différentes de Remarque. 1. L’application
j sont nuls et il reste donc cij = aij δjj = aij 1 = aij . Donc les matrices AIp 
Mn,p (K) −→ Mp,n (K)
et A ont le même terme général et sont donc égales. L’égalité In A = A se ϕ: t
A −→ A
démontre de la même faÁon.
est une bijection

http://www.elamdaoui.com 26 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

2. En particulier, pour tout n ∈ N, Mn,1 (K) et M1,n (K) sont en bijections, Propriété 41
ainsi on peut identifier une matrice ligne .....  
A1 B 1
3. La transposition échange le nombre de colonnes et le nombre de lignes, de A= est inversible si et seulement si A1 et A2 le sont.
0 A2
sorte que la transposée d’une matrice de taille n×p est une matrice de taille
p × n. Au quel cas, A−1 est de la forme
 −1 
A1 B2
4. Matrices définies par blocs A−1 =
0 A−1
2

On peut définir une matrice M ∈ Mp+s,q+r (K) par blocs de façon suivante
 
A B
M=
C D
IV. L’anneau Mn (K)
A ∈ Mp,q (K), B ∈ Mp,r (K), C ∈ Ms,q (K) et D ∈ Ms,r (K) 1. Puissance d’une matrice
— M est dite triangulaire par blocs si et seulement si on a : C = 0 ;
Propriété 42
— M est diagonale par blocs si : B = 0, et : C = 0 ;
t t (Mn (K), +, ×) est un anneau ( non commutatif et non intègre si n > 2 )
A C
— tM = t
B tD d’élément nul 0 = On et d’élément unité In
— Lorsque A et D sont carrées, on a : Tr (M ) = Tr (A) + Tr (D)
Pour M et M 0des matrices
 de Mp+s,q+r (K), écrites par blocs sous la forme : Définition 29: Les itérés d’une matrice
0 0

A B A B
M= et M 0 = . On a : Soit A ∈ Mn (K), on définit les itérés de A, par la relation de récurrence
C D C 0 D0
suivante
A + A0 B + B 0 • A0 = In
 
M + M0 = • Soit p ∈ N. On pose Ap+1 = A × Ap
C + C 0 D + D0

De même, pour M et M 0 écrites par blocs ayant des types compatibles, on a : 

1 0 1


AA0 + CB 0 AC 0 + CD0
 Exemple 24. On cherche à calculer Ap avec A = 0 −1 0.
MM0 = 0 0 2
BA0 + DB 0 BC 0 + DD0

X1
 Solution. On calcule A2 , A3 et A4 et on obtient :
Si X = où X1 ∈ Mq,1 (K) et X1 ∈ Mr,1 (K), alors
X2 
1 0 3
 
1 0 7
 
1 0 15


AX1 + CX2
 A2 = 0 1 0 A3 = A2 ×A = 0 −1 0 A4 = A3 ×A = 0 1 0 .
MX = 0 0 4 0 0 8 0 0 16
BX1 + DX2

A B
 L’observation de ces premières puissances permet de penser que la formule est :
2p − 1
 
Exemple 23. Calculer les puissances de M = avec A, B ∈ Mn (K) 1 0
0 A
commutent. Ap = 0 (−1)p 0 . Démontrons ce résultat par récurrence.
0 0 2p

http://www.elamdaoui.com 27 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

 
Il est vrai pour p = 0 (on trouve l’identité). On
le suppose vrai pour un entier 0 1 1 1
p et on va le démontrer pour p + 1. On a, d’aprèsla définition, 0 0 2 1
Solution. On pose N = A − I =  0 0 0 3. La matrice N est nilpotente car

2p − 1 2p+1 − 1
     
1 0 1 0 1 1 0 0 0 0 0
Ap+1 = Ap ×A = 0 (−1)p 0 ×0 −1 0 = 0 (−1) p+1
0  . N 4 = 0. Comme A = I + N et les matrices N et I commutent (la matrice identité
0 0 2p 0 0 2 0 0 2p+1 commute avec toutes les matrices), on peut appliquer la formule du binôme de
Newton. On utilise que I k = I pour tout k et surtout que N k = 0 si k ≥ 4. On
Donc la propriété est démontrée. obtient
p   3  
Définition 30: Matrice nilpotente X p X p
p
A = k p−k
N I = N k = I + pN + p(p−1) 2
2! N +
p(p−1)(p−2) 3
3! N .
Une matrice A ∈ Mn (K) est dite nilpotente si, et seulement, si ∃m ∈ N, tel k k
k=0 k=0
que Am = On
D’o ?
1 p p2 p(p2 − p + 1)
 
 
0 1 1 1 0 1 2p p(3p − 2) 
0 0 2 1 Ap =  .
Exemple 25. On pose N =  0 0 0 3
. La matrice N est nilpotente ? 0 0 1 3p 
0 0 0 1
0 0 0 0
Solution. Les calculs suivants :
    Propriété 44: Formule de factorisation
0 0 2 4 0 0 0 6
2
0 0 0 6 3
0 0 0 0 Soit A, B ∈ Mn (K) telles que AB = BA, alors pour tout p ∈ N :
N = 0 0 0 0
 N =
0
 et N 4 = 0.
0 0 0 p
0 0 0 0 0 0 0 0 Ap+1 − B p+1 = (A − B)
X
Ak B p−k
k=0
montrent que N est nilpotente

Propriété 43: Formule de binôme de Newton

2. Matrices carrées inversibles
Soit A, B ∈ Mn (K) telles que AB = BA, alors pour tout p ∈ N :
Définition 31
p
Soit A ∈ Mn (K). On dit que A est inversible si et seulement s’elle existe
p
X
(A + B) = Cpk Ak B p−k
k=0
une matrice B ∈ Mn (K) telle que

AB = BA = In
Preuve. Formule de binôme dans un anneau

1 1 1 1
 La matrice B est unique, appelée l’inverse de A et se note A−1
0 1 2 1
Exemple 26. Soit A =  0 0 1 3. Calculer les puissances de A

Preuve. Soient B et C deux inverses de A, CA = In = BA. Donc B = In B =
0 0 0 1 (CA)B = C(AB) = CIn = C

http://www.elamdaoui.com 28 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

Notation. L’ensemble des matrices inversibles de Mn (K) se note GLn (K). 2. La matrice diag(λ, · · · , λ) = λIn est appelée la matrice scalaire, en effet
    multiplier une matrice par λIn revient à la multiplier par λ
0 1 −1 1
Exemple 27. Soit A = . Alors B = est l’inverse de A
1 1 1 0 Théorème 20
Soit A = diag(α1 , · · · , αn ) et B = diag(β1 , · · · , βn ) deux matrices diagonales
 
0 0
Exemple 28. La matrice A = n’est pas inversible et λ ∈ K. Alors
1 3
1. A + B = diag(α1 + β1 , · · · , αn + βn )
Propriété 45 2. A × B = diag(α1 β1 , · · · , αn βn ) et λA = diag(λα1 , · · · , λαn )
Soient A, B ∈ GLn (K) et λ un sclaire non nul Les matrices diagonales forment une sous-algèbre commutative de Mn (K).
1. In ∈ GLn (K)

−1
2. A−1 ∈ GLn (K) et A−1 =A Remarque. Les matrices diagonales peuvent simplement être multipliées coeffi-
1 cients par coefficients, parce que les zéros en dehors de la diagonale annulent
−1
3. λA ∈ GLn (K) et (λA) = A−1 les autres termes dans la formule de multiplication. Une conséquence de cela est
λ
qu’élever une matrice diagonale A à une certaine puissance revient à élever les
4. AB ∈ GLn (K) et (AB)−1 = B −1 A−1

−1 t −1
coefficients de la diagonale de A à cette puissance :
5. t A ∈ GLn (K) et t A = A . k
diag (a1 , · · · , an ) = diag ak1 , · · · , akn

3. Matrices diagonales Corollaire 14

Une matrice diagonale diag (λ1 , · · · , λn ) d’éléments diagonaux sont tous non
Définition 32
nuls est toujours inversible et
Soit A une matrice carrée, A ∈ Mn (K).  
— Les coefficients d’indice (i, i) de A sont appelées coefficients diagonaux −1 1 1
diag (λ1 , · · · , λn ) = diag ,··· ,
de A. La famille (a11 , a22 , · · · , ann ) est appelée diagonale de la matrice λ1 λn
A.
— A est dite diagonale si, et seulement, si tous ses coefficients hors de la
diagonale sont nuls. 4. Matrices triangulaires

Exemple 29. ∀n ∈ N∗ , la matrice In est diagonale Définition 33

Soit A ∈ Mn (K).
Notation. — On note Dn (K) l’ensemble des matrices  diagonales. 
λ1 (0) 1. On dit que A est triangulaire supérieure si, et seulement, si
— On note diag(λ1 , · · · , λn ) la matrice diagonale 
 . ..  dont la

∀i, j ∈ [[1, n]] , i > j =⇒ aij = 0
(0) λn
diagonale est (λ1 , · · · , λn )
Remarque. 1. La matrice diag(1, 1, · · · , 1) est la matrice unité de Mn (K)

http://www.elamdaoui.com 29 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

2. On dit que A est triangulaire inférieure si, et seulement, si 6. Matrice d’une famille de vecteurs dans une base
∀i, j ∈ [[1, n]] , i < j =⇒ aij = 0 Soit E un K-espace vectoriel de dimension n > 1, B := (e1 , · · · , en ) une base
de E.
Notation. L’ensemble des matrices triangulaire supérieure ( inférieure ) se note
Définition 35
Tn+ (K) ( resp Tn− (K))
Xn
Remarque. 1. L’application Soit x ∈ E et (x1 , · · · , xn ) les composantes de x dans la base B : x = xi ei
Tn+ (K) −→ Tn− (K)

i=1
tran :
 
A 7−→ t
A x1
 x2 
est une bijection La matrice colonne  .  s’appelle la matrice-colonne des composantes
 
 .. 
2. Tn+ (K) ∩ Tn− (K) = Dn (K)
xn
Propriété 46 de x dans la base B et est notée Mat(x)
B
n(n + 1)
Tn+ (K) est une K-algèbre de dimension
2
Ainsi Mat(x) ∈ Mn,1 (K). Il est clair que
B
Preuve.
Mat : E −→ Mn,1 (K)
Remarque. Via la bijection A 7→ t A, on peut affirmer que Tn− (K) est une sous- B
algèbre commutative de Mn (K). x −→ Mat(x)
B

est une bijection. Lorsque X = Mat(x), on dit que x représenté par X dans la
5. Matrices symétriques et antisymétriques B
base B, ou que X représente x dans la base B
Définition 34 Définition 36
Soit A ∈ Mn (K) Soit E un K-espace vectoriel de dimension n > 1, B := (e1 , · · · , en ) une base
— On dit que A est symétrique si, et seulement, si t A = A de E, p ∈ N∗ , F = (v1 , · · · , vp ) une famille de p éléments de E, et, pour
— On dit que A est antisymétrique si, et seulement, si t A = −A chaque j de {1, · · · , p}, (v1j , · · · vnj ) les composantes de vj dans la base B :

Remarque. 1. A est symétrique si, et seulement, si pour tous indices i et j, n

X
aji = aij . Autrement dit A est symétrique par rapport à sa diagonale. ∀j ∈ {1, · · · , p}, vj = vij ei
i=1
2. A est antisymétrique si, et seulement, si pour tous indices i et j, aji = −aij .
En particulier les éléments diagonaux de A sont nuls 
v11 v12 ··· v1p

Notation. L’ensemble des matrices symétriques ( antisymétriques ) se note  v21 v22 ··· v2p 
La matrice (vij ) 1≤i≤n =   est appelée la matrice de
 
Sn (K) ( resp An (K)) .. .. ..
1≤j≤p  . . . 
Exercice 3. Soit A ∈ GLn (K). vn1 vn2 ··· vnp
1. Montrer que si A ∈ Sn (K), alors A−1 ∈ Sn (K)
2. Montrer que si A ∈ An (K), alors A−1 ∈ An (K)

http://www.elamdaoui.com 30 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

la famille F dans la base B et est noté Mat(F) — Nous savons que : dimL(E, F ) = dimE × dimF = np = dimMn,p (K). Pour
B
montrer que l’application du théorème est bijective, il nous suffit donc de
montrer qu’elle est injective.
7. Matrice d’une application linéaire — Soit f ∈ L(E, F ) tel que Mat(f ) = 0Mn,p (K) . Pour tout j ∈ [|1, p|] la matrice
B,C
Soit E et F deux K-espace vectoriel de dimension finie, p = dimE > 1, n = colonne des composantes de f (ej ) est nulle, donc f (ej ) = 0. L’application
dimF > 1. Soit B = (e1 , · · · , ep ) une base de E et C = (f1 , · · · , fn ) une base de f est une application linéaire, nulle sur la base, donc f = 0
F et f ∈ L(E, F ).
Pour chaque j de {1, · · · , p}, (a1j , · · · , anj ) les composantes de f (ej ) dans la base
C: Théorème 22: Écriture matricielle d’une application linéaire
Xn
∀j ∈ {1, · · · , p}, f (ej ) = aij fi Mat (f (x)) = Mat (f ) × Mat (x)
C B,C B
i=1

Définition 37: Matrice d’une application linéaire dans des bases Preuve. Posons B = (e1 , · · · , ep ), C = (f1 , · · · , fn ), Mat(u) = (uij ) 1≤i≤n , X =
B,C 1≤j≤p
   
La matrice (aij ) 1≤i≤n = Mat (f (B)) est appelée la matrice de l’application x1 y1
1≤j≤p C
 ..   ..
f relativement aux bases B et C ou la matrice de l’application f dans les  .  le vecteur colonne des composantes de x dans la base B et Y =  .


bases B et C et on note Mat(f ) xp yn
B,C
le vecteur colonne des composantes de y dans la base C

Vacabulaire. • Si E = Kp et F = Kn , alors la matrice de f dans les bases  

n p
canoniques est appelée la matrice canoniquement associée à f X X
• Si E = F et B = C, la matrice Mat (f ) est simplement notée Mat (f ). y = u(x) ⇐⇒ yi fi = u  xj ej 
B,B B i=1 j=1
n p
Exemple 30. Soit u l’application linéaire u : X X

R3 −→ R2 ⇐⇒ yi fi = xj u(ej )
Alors la matrice de u dans les bases i=1 j=1
(x, y, z) 7−→ (x − y, x +y + z)
n p n
1 −1 0 X X X
canoniques est ⇐⇒ yi fi = xj uij fi
1 1 1
i=1 j=1 i=1
 
n n p
Théorème 21 X X X
⇐⇒ yi fi =  uij xj  fi
L’application i=1 i=1 j=1
L(E, F ) −→ Mn,p (K) p
f −→ Mat(f )
X
B,C ⇐⇒ ∀i ∈ [[1, n]] , yi = uij xj
j=1
est un isomorphisme d’espaces vectoriels.
⇐⇒ Y = UX

Preuve. — Mat est linéaire

B,C

http://www.elamdaoui.com 31 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

 −1
Théorème 23: Matrice du produit = Mat f −1


Dans ce cas Matf
B,C C,B
Soient E1 , E2 , E3 trois K-espace vectoriel de dimension finie, de bases res-
pectives B1 , B2 , B3 . Preuve. — Si f est bijective, alors Matf × Matf −1 = Mat (idF ) = In et
Soient f une application linéaire de E1 dans E2 et g une application linéaire B,C C,B C

de E2 dans E3 . Alors : Matf −1 × Matf = Mat (idE ) = In , donc Matf est inversible, d’inverse
C,B B,C C B,C
Matf −1
Mat (g ◦ f ) = Mat (g) × Mat (f ) C,B
B1 ,B3 B2 ,B3 B1 ,B2
— Réciproquement, si A = Mat(f ) est inversible, soit g l’unique application
B,C
linéaire de F dans E pour laquelle Matg = A−1 . Alors Matg ◦ f = Matg ×
Preuve. Posons B = Mat (g), A = Mat (f ) et C = Mat (g ◦ f ). Montrons que C,B B C,B
B2 ,B3 B1 ,B2 B1 ,B3
Matf = A−1 A = In et de même Mat (f ◦ g) = In . On en déduit que
C = AB. B,C C
Posons B1 = (e1 , e2 , ..., en ). Soit alors j ∈ [|1, n|]. La jème colonne de C est, par g ◦ f = idE et que f og = idF , donc f est bijective de E sur F
definition, la colonne des coordonnées de g . f (ej ) dans B3 .
Or si Ej désigne la colonne des coordonnées de ej dans B1 . un 1 en jème position,
que des 0 ailleurs . alors AEj est la colonne des coordonnées de f (ej ) dans B2 . Corollaire 16
Mais pour la mme raison, B(AEj ) = (BA)Ej est donc la colonne des coordonnées Soient E un K-espace vectoriel de dimension n, B une base de E et F une
de g . f (ej ) dans B3 , i.e. la jème colonne de C. Pour finir, on remarque que (BA)Ej famille de n vecteurs de E. Les assertions suivantes sont équivalentes :
n’est autre que la jème colonne du produit BA, de sorte que C et BA ont la mme
jème colonne, comme prévu.
1. F est une base de E. 2. Mat(F) est inversible.
B
Corollaire 15
Preuve. Introduisons les vecteurs de B et F : B = (e1 , e2 , ..., en ) et F =
Soit E un K-espace vectoriel de dimension finie muni d’une base B.
(f1 , f2 , ..., fn ) et notons f l’unique endomorphisme de E tel que : ∀i ∈
Soit f, g ∈ L(E) et A = Mat(f ), B = Mat(g) ∈ Mn (K), alors Mat(g ◦ f ) =
B B B [|1, n|], f (ei ) = fi . On a l’équivalence :
BA.
Et ∀m ∈ N, Am = Mat(f m ) F est une base de E ⇐⇒ f est un automorphisme de E
B
⇐⇒ Mat(f ) est inversible
B

On conclut en remarquant que : Mat(f ) = Mat(f (e1 ), · · · , f (en )) = Mat(F)

8. Représentation d’un isomorphisme B B B

Dans ce paragraphe E et F sont deux K-espaces vectoriels de même dimension 9. Application linéaire associée à une matrice
n
Théorème 24 Définition 38
Soient E et F deux K-espaces vectoriels de mme dimension finie, B une base Si Bm désigne la base canonique de Km , alors
de E, C une base de F . Soit f une application linéaire de E dans F . Alors :
L(Kp , Kn ) −→ Mn,p (K)
f est un isomorphisme de E sur F si et seulement si Mat(f ) est inversible. f −→ Mat (f )
B,C Bp ,Bn

http://www.elamdaoui.com 32 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

est appelée l’isomorphisme canonique de L (Kp , Kn ) sur Mn,p (K) • Le rang d’une matrice A est égal à 1 si, et seulement, si A possède une
• Pour f ∈ L(Kp , Kn ), la matrice Mat (f ) est appelée la matrice cano- colonne non nulle et si les autres colonnes de A lui sont proportionnelles.
Bp ,Bn
niquement associée à f • Le rang de A est celui de toute application linéaire susceptible d’être repré-
• Inversement, pour A ∈ Mn,p (K), l’application f ∈ L(Kp , Kn ) telle que sentée par A.
Mat (f ) = A est appelée l’application canoniquement associée à A Propriété 48: Image d’une matrice, et vecteur colonnes
Bp ,Bn

Soit A ∈ Mn,p (K) et C1 , · · · , Cp ses colonnes, alors

Définition 39
Im(A) = Vect (C1 , · · · , Cp )
Soit A ∈ Mn,p (K). Alors
1. L’application ϕ : X 7−→ AX est linéaire de Mp,1 (K) dans Mn,1 (K) En particulier rg(A) = rg(C1 , · · · , Cp )
2. Si on munit Kn et Kp de leurs bases canoniques Bn et Bp , A est la
matrice d’une unique f ∈ L(Kp , Kn ) telle que Mat (f ) = A Remarque (A retenir). 1. Les colonnes d’une matrice A forment une famille
Bp ,Bn génératrice de Im(A) ;
L’application linéaire ϕ (ou l’application linéaire f ) est dite canoniquement 2. les lignes d’une matrice A permettent de former un système d’équations de
associée à la matrice A. Ker(A).
Exemple 31. On demande de déterminer le noyau, l’image, et le rang de la
Remarque. Soit Bk la base canonique de Mk,1 (K), alors Mat (ϕ) = A
Bp ,Bn matrice  
2 −1 1 5
Définition 40: Image et noyau d’une matrice A = −1 2 3 −4
3 0 5 6
Soit A ∈ Mn,p (K) et ϕ : X 7−→ AX l’application canoniquement associée à
A. On appelle :
Propriété 49: Caractérisation des matrices inversibles
• image de A, et on note Im(A), l’image Im(ϕ) de l’application linéaire
ϕ; Soit une matrice carrée A ∈ Mn (K). Alors
• noyau de A, et on note Ker(A), l’image Ker(ϕ) de l’application linéaire
ϕ; A ∈ GLn (K) ⇐⇒ Ker(A) = {0}
• rang de A, et on note rg(A), le rang rg(ϕ) de l’application linéaire ϕ.
Corollaire 17
Propriété 47: Théorème du rang Soient deux matrices A, B ∈ Mn,p (K). Si
Soit A ∈ Mn,p (K). Alors rg(A) + dim(Ker(A)) = p.
∀X ∈ Mn,1 (K), AX = BX

Preuve. Appliquer le théorème du rang à ϕ alors A = B.

Remarque (Premières remarques). • Si A est dans Mn,p (K), alors rg(A) 6 n
Propriété 50
et rg(A) 6 p).
• Le rang d’une matrice A est nul si, et seulement, si A est elle-même la Soit E et F deux K-espaces vectoriels de dimension finie, une application
u
matrice nulle. linéaire E −→ F , une base B de l’espace E et une base C de l’espace F .

http://www.elamdaoui.com 33 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

Alors rg(u) = rgMat(u) Exemple 32. rg(Jn,p,r ) = r

B,C

Preuve. Soit B = (e1 , · · · , en ). Alors le rang de u est le rang de (u(e1 ), · · · , u(en )) Propriété 51
et le rang de A = Mat(u) est le rang de (C1 , · · · , Cn ), où les Cj sont les colonnes Soit E un K-espace vectoriel de dimension n, p ∈ N∗ , x1 , · · · , xp ∈ E et
B,C
de A c’est-à-dire des vecteurs u(ej ) exprimés dans la base C. Les deux rangs sont B = (b1 , · · · , bn ) une base de E. Alors
donc égaux  
rg (x1 , · · · , xp ) = rg Mat (x1 , · · · , xp )
B
Corollaire 18: Caractérisation des matrices inversibles
Soit une matrice carrée A ∈ Mn (K). Les propriétés suivantes sont équiva- Preuve. Notons M = Mat (x1 , · · · , xp ) ∈ Mn,p (K), considérons ϕ l’unique ap-
B
lentes :
plication linéaire de Kn dans E définie sur Bn = (e1 , · · · , en ) par ∀i ∈ [[1, n]],
1. A ∈ GLn (K) ; ϕ (ei ) = bi . ϕ transforme une base en une base donc c’est un isomorphisme de
2. A est inversible à gauche : ∃B ∈ Mn (K) tq BA = In ; Kn dans E. Pour j ∈ 1, p,
3. A est inversible à droite : ∃B ∈ Mn (K) tq AB = In ;
ϕ (Mj ) = ϕ (M [1, j] , M [2, j] , . . . , M [n, j])
4. ∀Y ∈ Mn,1 (K), ∃!X ∈ Mn,1 (K) tq AX = Y ; Xn
!
5. ∀X ∈ Mn,1 (K), AX = 0 =⇒ X = 0 ; = ϕ M [i, j] ei
i=1
6. rg(A) = n. n
X
= M [i, j]ϕ (ei )
Preuve. i=1
Xn
= M [i, j]bi
10. Rang d’une matrice
i=1

Définition 41 = xj d’après la définition de M

Soit M ∈ Mn,,p (K), on appelle rang de M et on note rg (M ) le rang de la Ainsi, ϕ (Vect (M1 , M2 , . . . , Mp )) = Vect (ϕ (M1 ) , ϕ (M2 ) , . . . , ϕ (Mp )) =
famille (M1 , M2 , . . . , Mp ) où ∀j ∈ [[1, p]], Mj est le j-ième vecteur colonne Vect (x1 , · · · , xp ). Posons alors
de M . 
Vect (M1 , M2 , . . . , Mp ) −→ Vect (x1 , · · · , xp )
ϕe:
On a donc toujours rg (M ) 6 min (n, p) et rg (M ) = p si et seulement si la x 7−→ ϕ (x)
famille (M1 , M2 , . . . , Mp ) est libre dans Kn . De même rg (M ) = n si et seulement
si (M1 , M2 , . . . , Mp ) engendre Kn . ϕ
e est bien définie, linéaire et injective comme ϕ et surjective au vu de sa définition
donc ϕe est un isomorphisme d’espaces vectoriels donc
Remarque (Notation). Soit r ∈ [[0, min(n, p)]]. Si r =
6 0, on pose
    dim Vect (M1 , M2 , . . . , Mp ) = dim Vect (x1 , · · · , xp ) ⇔ rg (M ) = rg (x1 , · · · , xp )
Ir 0r,p−r Ir (0)
Jn,p,r = = ∈ Mn,p (K)
0n−r,r 0n−r,p−r (0) (0)

Sinon Jn,p,0 = 0

http://www.elamdaoui.com 34 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

3. si q = r et B ∈ GLq (K), alors rg (AB) = rgA.

Propriété 52
Soient E et F deux K-espaces vectoriels de dimensions p, n ∈ N∗ , B une base
Preuve. 1. Soit a ∈ L (Kq , Kp ) canoniquement associée à A et b ∈ L (Kr , Kq )
de E et C une base de F , f ∈ L (E, F ). Alors
canoniquement associée à B. AB = Mat (a ◦ b) donc rg (AB) = rg (a ◦ b)
  Br ,Bp

rg (f ) = rg Mat (f ) avec a ◦ b : Kr 7−→ Kp . Or Im (a ◦ b) ⊂ Ima donc rg (a ◦ b) 6 rga = rgA.

B,C De même, Kerb ⊂ Ker (a ◦ b) donc dim Kerb 6 dim Ker (a ◦ b). D’après
le théorème du rang appliqué à b ∈ L (Kr , Kq ) , dim Kerb = r − rgb et
Preuve. Notons B = (e1 , · · · , ep ), on sait que pour a ◦ b ∈ L (Kr , Kp ) , dim Ker (a ◦ b) = r − rg (a ◦ b). Ainsi, r − rgb 6
r − rg (a ◦ b) donc rg (a ◦ b) 6 rgb donc rg (AB) 6 min (rgA, rgB).
rg (f ) = dim (Imf ) 2. Supposons p = q et A ∈ GLq (K), on sait que rg (AB) 6 rgb mais aussi
= dim f (Vect (e1 , · · · , ep )) B = A−1 AB d’où, d’après (1), rgb 6 rg (AB).
= dim Vect (f (e1 ) , f (e2 ) , . . . , f (ep )) 3. Supposons q = r et B ∈ GLr (K), on sait que rg (AB) 6 rgA mais aussi
= rg (f (e1 ) , f (e2 ) , . . . , f (ep )) A = ABB −1 d’où rgA 6 rg (AB).

D’après (1),
 
rg (f (e1 ) , f (e2 ) , . . . , f (ep )) = rg Mat (f (e1 ) , f (e2 ) , . . . , f (ep )) 11. Changements de bases
C
 
= rg Mat (f ) Soit E un K-espace vectoriel de dimension n muni de deux bases B =
B,C (e1 , · · · , en ) et B 0 = (e01 , · · · , e0n )
D’où le résultat. Définition 42
0
On appelle matrice de passage de B à B 0 la matrice Mat(B 0 ), notée PB
B
p n
Remarque Pour M ∈ Mn,p (K), f ∈ L (K , K ) canoniquement associée à M , B

Bp = (e1 , · · · , ep ). Alors il est évident que rg (f ) = rg (M ). 0

0
En effet, ∀j ∈ 1, p, f (ej ) = Mj . De plus, avec les notations de (2), PB
B = Mat(B )
B

f est injective ⇔ rg (f ) = p 0

⇔ (M1 , M2 , . . . , Mp ) est libre dans Kp Remarque. — PB

B = Mat
0
(idE )
B ,B
f est surjective ⇔ rg (f ) = n — PB
B = In

Propriété 54
Propriété 53: Rang d’un produit de matrices Soient B, B 0 , B 00 trois bases de E, on a :
00 0 00
Soit A ∈ Mp,q (K), B ∈ Mq,r (K). Alors : 1. PB B B
B = PB PB 0
1. rg (AB) 6 min (rgA, rgB) ; 0
 0 −1
2. PB
B est inversible et PB
B = PB
B0
2. si p = q et A est inversible, alors rg (AB) = rgB ;

http://www.elamdaoui.com 35 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

Preuve. 1. On a : Propriété 56: Changement de base pour une application linéaire

00
PB
B = M atB , BidE 00 Soit E, F deux K-espaces vectoriels de dimension finie. Soit B, B 0 deux
= Mat (idE ◦ idE ) bases de E. Soit C, C 0 deux bases de F . Alors pour tout f ∈ L(E, F )
B 00 ,B
 0 −1 0
= Mat
0
(idE ) × Mat
00 0
(idE ) Mat (f ) = PC
C Mat (f ) PB
B
B ,B B ,B 0 0
B ,C B,C
0
B 00
= PB
B × PB 0
Mat (f ) = Mat (idF of ◦ idE )
0 B 0 ,C 0 B 0 ,C 0
2. PB B
B PB 0 = PB
B = In = Mat (idF ) Matf Mat (idE )
0
C ,C 0
B,C B ,B
Preuve. 0
= Pass(C 0 , C)Matf PB
B
B,C
Propriété 55: Changement de base pour un vecteur 0
= Pass−1 (C, C 0 )Matf PB
B
B,C
Soit E un K-espace vectoriel de dimension finie, B, B 0 deux bases de E et
x ∈ E. Alors 0
Mat (x) = PBB Mat0
(x) Corollaire 19
B B

Lorsque f ∈ L(E) et B, B 0 deux bases de E, alors

0
Preuve.  B = (e1 , · · · , en ) et B =
 Soient deux bases de (e01 , · · ·
E, x ∈ E, , e0n )  0 −1 0
α1 β1 Mat (f ) = PB Mat (f ) PB
0 B B
X =  ...  la colonne des composantes de x dans B et X 0 =  ...  celle des
    B B

αn βn
composantes de x dans B 0 . On a alors 12. Matrices équivalentes et rang
n
X Définition 43: Matrices équivalentes
x = βj e0j
j=1 Soit A et B deux matrices de Mn,p (K). On dit que B est équivalente à A,
Xn n
X 0
ou A et B sont équivalentes, si et seulement si il existe Q ∈ GLp (K) et il
= βj PB
B [i, j] ei existe P ∈ GLn (K) tel que B = P AQ. On écrit A ∼ B
j=1 i=1
 
n n Propriété 57
X X 0
=  PB
B [i, j] βj ej

i=1 j=1
L’équivalence ∼ est une relation d’équivalence sur Mn,p (K).

n Preuve. Réflexivité : A = In AIp , In ∈ GLn (K) et Ip ∈ GLp (K) donc A est

X 0
Par unicité des coordonnées dans une base, ∀i ∈ [[1, r]], αi = βi PB
B [i, j] d’où équivalente à A.
j=1 Symétrie : soient A, B ∈ Mn,p (K) telles que B est équivalente à A, montrons
0
X = PB 0
B X . que A est équivalente à B. Il existe Q ∈ GLn (K) et P ∈ GLp (K) telles que
B = QAP donc A = Q−1 BP −1 .

http://www.elamdaoui.com 36 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

Transitivité : soient A, B, C ∈ Mn,p (K) telles que A soit équivalente à B et B — D’après le théorème du rang
soit équivalente à C, on écrit C = QBP et B = RAS avec Q, R ∈ GLn (K)
et P, S ∈ GLp (K) d’où C = QRASP avec QR ∈ GLn (K) et SP ∈ GLp (K). dim (H + Kerf ) = dim H + dim Kerf
= r + dim Kerf
Remarque. Soient E et F deux K-espaces vectoriels de dimension finie, B et B 0 = p d’après le théorème du rang
deux bases de E, C et C 0 deux bases de F , f ∈ L (E, F ). Alors Mat (f ) est
B,C Donc E = H ⊕ Kerf .
équivalente à MatB0 ,C 0 (f ). Soit (er+1 , er+2 , . . . , ep ) une base de Kerf , alors B = (e1 , · · · , ep ) est une base de
E par recollement. Pour i ∈ [[1, r]], f (ei ) = εi et ∀j ∈ [[r + 1, p]], f (ej ) = 0 d’où
Propriété 58: Rang et équivalence
Mat (f ) = Jn,p,r .
Pour A, B ∈ Mn,p (K). B,C

A est équivalente à B si, et seulement, si rgA = rgB.

Conséquence 1
Preuve. ⇒) soit M ∈ Mn,p (K), P ∈ GLp (K), Q ∈ GLn (K) : rg(A) = rg t A

rg (QM P ) = rg (QM ) car P est inversible

= rg (M ) car Q est inversible
13. Matrices semblables
⇐) Pour cela, nous utiliserons le lemme
Définition 44

Lemme Soit A, B ∈ Mn (K). On dit que A est semblable à B, et on note A ≈ B, si

et seulement s’il existe P ∈ GLn (K) telle que B = P −1 AP
Si f ∈ L(E, F ) est de rang r, il existe une base B de E et une base C de F
telles que :
Mat (f ) = Jn,p,r Propriété 59
B,C
La relation ≈ est une relation d’équivalence dans Mn (K)
Preuve. Soit f ∈ L (E, F ) du rang r = rgf . Soit (ε1 , · · · , εr ) une base de Imf ,
alors, d’après le théorème de la base incomplète ∃εr+1 , εr+2 , . . . , εn ∈ F tels que Preuve. — Réfexivité : ∀A ∈ Mn (K), A = In AIn
C = (ε1 , · · · , εn ) soit une base de F . Pour i ∈ [[1, r]] le vecteur εi ∈ Imf donc — Symétrie : S’il existe P ∈ GLn (K) telle que B = P −1 AP . On pose Q =
∃ei ∈ E tel que εi = f (ei ). Alors (e1 , · · · , er ) est une famille libre de E : En effet, P −1 ∈ GLn (K), alors A = Q−1 BQ, donc B ≈ A
r r
X X — Supposons que A ≈ B et B ≈ C. Il existe P, Q ∈ GLn (K) telles que
si αi ei = 0, alors αi f (ei ) = 0 or (f (e1 ) , f (e2 ) , . . . , f (er )) est libre donc B = P −1 AP et C = Q−1 BQ.
i=1 i=1 −1
Alors C = Q−1 P −1 AP Q = (P Q) A(P Q) et P Q ∈ GLn (K), donc A ≈ C
∀i ∈ [[1, r]], αi = 0.
Soit H = Vecte1 , · · · , er , montrons que E = H ⊕ Kerf .
r r
— Soit x ∈ H ∩ Kerf , x =
X
αi ei et f (x) = 0 donc
X
αi f (ei ) = 0. Or Remarque. Pour E un K-espace vectoriel de dimension finie, f ∈ L (E), B et B 0
i=1 i=1
deux bases de E, Mat (f ) est Mat
0
(f ) sont semblables.
B B
la famille (f (e1 ) , f (e2 ) , . . . , f (er )) est libre donc ∀i ∈ 1, r, αi = 0 donc
x = 0.

http://www.elamdaoui.com 37 EL AMDAOUI Mustapha

Éléments de cours: MP Rappel de sup : Algèbre linéaire

Propriété 60 Propriété 61
Soit A ∈ Mn,p (K), B ∈ Mp,n (K), alors Tr (AB) = Tr (BA). 1. Tr : L(E) −→ K est une forme linéaire
En particulier ∀A, B ∈ Mn (K), Tr(AB) = Tr(BA) 2. ∀f, g ∈ L(E), Tr(g ◦ f) = Tr(fog)

Preuve. AB et BA sont des matrices carrées. En notant A = (aij ) 16i6n et B =

16j6p
(bij ) 16i6p , on a :
16j6n

 
n
X Xp
Tr(AB) =  aij bji 
i=1 j=1
p n
!
X X
= bji aij
j=1 i=1
= Tr(BA)

Remarque. Si A et B deux matrices semblables, alors Tr(A) = Tr(B)

Exercice 4. Soit f une forme linéaire de Mn (K) telle que ∀A, B ∈

Mn (K), f (AB) = f (BA). Alors

∃α ∈ K tel que f = αTr

Définition 45
Soit E un K-espace vectoriel de dimension n ∈ N∗ , f ∈ L(E), on appelle
trace de l’endomorphisme f notée Tr(f), la trace d’une matrice représentative
de f dans une base de E

Exemple 33 (Trace d’un projecteur). Si p est un projecteur de E, alors Tr(p) =

rg(p)
Exemple 34 (Trace d’une symétrie). Soit s une symétrie de direction G et de
base F , alors Tr(s) = dim F − dim G

http://www.elamdaoui.com 38 EL AMDAOUI Mustapha