Structures algèbriques

1 Loi de composition interne :

E désigne un ensemble.

1.1 Définition :
Définition1 :
On appelle loi de composition interne (l.c.i) ou opération sur E toute application de E × E vers E.
Lorsque cette loi de composition interne est noté ⋆, on note x ⋆ y l’image du couple (x, y) par application
précédente.
L’élément x ⋆ y est appelé composé de x par y via ⋆.
Les (l.c.i)sont généralement notées ⋆, ⊤, ⊥, +, ◦, ...
Exemples :
– L’addition est une l.c.i dans N, Z, Q, R.
– La multiplication est une l.c.i dans N, Z, Q, R.
∩
– est une l.c.i dans l’ensemnle des parties de E.
– o est une l.c.i sur l’ensemnle des applications de E vers E.
Définition2 :
On appelle magma tout couple (E, ⋆) formé d’un ensemble E et d’une loi de composition interne ⋆ sur E.

1.2 Partie stable :

Définition1 :
On appelle partie stable d’un magma (E, ⋆) toute partie A de E telle que : ∀x, y ∈ A, x ⋆ y ∈ A.

Définition2 :
Soit A une partie stable d’un magma (E, ⋆).
{A×A−→A
L’application restreinte définit une loi de composition interne sur A appelée loi de composition
(x,y)7−→x ⋆ y
interne induite ⋆.
On note ⋆|A ou plus couramment ⋆ et on peut ainsi donnée un sens au magma (A, ⋆).

1.3 Propriétés d’une loi de composition interne :

1.3.1 Commutativité :

Définition1 :
Soit ⋆ une loi de composition interne sur E. On dit que deux éléments a et b de E commutent pour la loi ⋆ ssi
a ⋆ b = b ⋆ a.
Exemples :
∩ ∪
– Les lois suivantes l’addition, la multiplication, , sont commutatives.
– o n’est pas commutative car si f (x) = x2 + 1 et g(x) = x − 1 on a (f og)(x) ̸= (gof )(x).
Définition2 :
Une loi de composition interne ⋆ sur E est dite commutative ssi tous les éléments de E commutent deux à
deux. Le magma (E, ⋆) est alors dit commutatif.

1
1.3.2 Associativité :

Définition1 :
Une loi de composition interne ⋆ sur E est dite associative ssi :

a, b, c ∈ E, (a ⋆ b) ⋆ c = a ⋆(b ⋆ c)

Le magma (E, ⋆) est alors dit associatif.

Exemples :
∩ ∪
– Les lois suivantes l’addition, la multiplication, , , o sont associatives.
– la soustraction n’est pas associative car (7 − 5) − 1 ̸= 7 − (5 − 1).

1.4 Eléments particuliers :

Soit (E, ⋆) un magma.

1.4.1 Elément régulier

Définition1 :
On appelle élément régulier de (E, ⋆) tout élément x de E tel que ∀a, b ∈ E, x ⋆ a = x ⋆ b =⇒ a = b (régulier
à gauche) et a ⋆ x = b ⋆ x =⇒ a = b (régulier à droite).

1.4.2 Elément neutre

Définition2 :
On appelle élément neutre de (E, ⋆) tout élément e de E tel que ∀x ∈ E x ⋆ e = x (neutre à gauche) et
e ⋆ x = x (neutre à droite).

Exemples :
– 0 est l’élément neutre pour l’addition.
– 1 est l’élément neutre pour la multiplication.
– IdE est l’élément neutre pour o sur l’ensemble des applications.
∩
– E est l’élément neutre pour sur l’ensemble de parties de E.
∪
– ∅ est l’élément neutre pour sur l’ensemble de parties de E.
– La soustraction et la division n’ont pas d’éléments neutres.
Proposition1 :
Si (E, ⋆) possède un élément neutre celui-ci est unique.

Exercice :
On considére les lois suivantes
– La loi ⊕ sur R2 définie par : (x1 , y1 ) ⊕ (x2 , y2 ) = (x1 + x2 , y1 + y2 ).
– La loi ⊗ sur R2 définie par : (x1 , y1 ) ⊗ (x2 , y2 ) = (x1 x2 − y1 + y2 , x1 y2 + x2 y1 ).
Montrer que les lois ⊕ et ⊗ sur R2 admettent chacun un élément neutre.
Définition3 :
On appelle monoïde tout magma (E, ⋆) associatif et possédant un élément neutre. Si de plus ⋆ est commutative,
le monoïde (E, ⋆) est commutatif.

2
1.4.3 Elément symétrisable

Soit (E, ⋆) un monoïde d’élément neutre e.

Définition1 :
On appelle élément symétrisable de (E, ⋆) tout élément x de E tel qu’il existe y ∈ E pour lequel x ⋆ y = e
(symétrisabilité à gauche) et y ⋆ x = e (symétrisabilité à droite).
Proposition1 :
Si x est symétrisable alors ∃!y tel que x ⋆ y = y ⋆ x = e.
Définition2 :
Si x est symétrisable, l’unique élément y de E tel que x ⋆ y = y ⋆ x = e est appelé symétrique de x et on le
note y= sym(x ).
Exemples :
– Le symetrique de x pour l’addition est −x.
– Le symetrique de x non nul pour la multiplication est 1/x.
– Le symetrique de f bijective pour la loi o est f −1 .
Proposition2 :
Si x est symétrisable alors sym(x) l’est aussi et sym(sym(x)) = x.
Proposition3 :
Si x et y sont symétrisables alors x ⋆ y l’est aussi et sym( x ⋆ y)= sym(x )⋆ sym( y).
Proposition4 :
Si x est un élément symétrisable de (E, ⋆) alors x est régulier.

1.5 Itéré d’un élément

Soit (E, ⋆) un monoïde de neutre e.
Soit x ∈ E. Pour n ∈ N∗ , On note x⋆ n = x ⋆ x ⋆ ... ⋆ x (n termes).
Ainsi x⋆ 1 = x, x⋆ 2 = x ⋆ x. De plus on pose x⋆ 0 = e.
Ainsi on donne un sens à x⋆ n pour n ∈ N.
Définition1 :
x⋆ n est appelé itéré d’ordre n de l’élément x.
Proposition1 :
∀p, q ∈ N, x⋆ p ⋆ x⋆ q = x⋆(p+q) et (x⋆ p )⋆ q = x⋆(pq) .
Supposons que x soit symétrisable.
Pour n ∈ N∗ , on note x⋆(−n) =sym(x)⋆ sym(x)...⋆ sym(x) (n termes).
Ainsi x⋆(−1) =sym(x), x⋆(−2) =sym(x)⋆ sym(x),.....
On donne ainsi un sens à x⋆ n avec n ∈ Z lorsque x est symétrisable.
Proposition2 :
Soit x un élément symétrisable de E.
∀n ∈ Z, x⋆ n est symétrisable et sym(xn )=(x⋆(−n) ).
∀p, q ∈ Z, x⋆ p ⋆ x⋆ q = x⋆(p+q) et (x⋆ p )⋆ q = x⋆(pq) .

1.6 Structures produits :

1.6.1 Structure sur E n

Soit (E, ⋆) un magma et X un ensemble non vide.

3
 Définition1 :
On définit une loi de composition interne, encore notée ⋆, sur E n par
∀(x1 , x2 , ..., xn ), (y1 , ..., yn ) ∈ E n on pose (x1 , x2 , ..., xn ) ⋆(y1 , ..., yn ) = (x1 ⋆ y1 , ...., xn ⋆ yn ).
Proposition1 :
Si (E, ⋆) est un monoïde (resp. commutatif) d’élément neutre e alors (E n , ⋆) est un monoïde (resp. commutatif)
d’élément neutre f = (e, ..., e).
De plus un élément x = (x1 , ...., xn ) est symétrisable ssi ∀i ∈ {1, ..., n}, xi l’est, et si tel est le cas,
sym(x)=(sym(x1 ),...,sym(xn )).

1.6.2 Structures sur F(X, E)

Soit (E, ⋆) un magma et X un ensemble non vide.

Définition1 :
On définit une loi de composition interne, encore notée ⋆, sur F(X, E) par :

∀f, g ∈ F(X, E) on pose ∀x ∈ X, (f ⋆ g)(x) = f (x) ⋆ g(x).

Proposition1 :
Si (E, ⋆) est un monoïde (resp. commutatif) d’élément neutre e alors (F(X, E), ⋆) est un monoïde (resp.
commutatif) d’élément neutre g : x 7−→ e.
De plus un élément f ∈ F (X, E) est symétrisable ssi ∀x ∈ X, f (x) l’est, et si tel est le cas,
(symf )(x)=sym(f (x)).

1.7 Notation additive et multiplicative

Définition1 :
un monoïde est dit noté additivement (resp.multiplicativement) ssi la loi de composition interne est noté +
(resp. ×).

2 Groupes
2.1 Définition :
Définition1 :
On appelle groupe tout magma (G, ⋆) tel que :
1. ⋆ est associative,
2. (G, ⋆) possède un élément neutre e,
3. Tout élément de (G, ⋆) est symétrisable.
Si de plus ⋆ est commutative, le groupe (G, ⋆) est dit commutatif ou plus couramment abélien.
Exemples :
– (R, +) et (R∗ , .) sont des groupes.
√ √ √
– Z[ 2]{k + l 2/k, l ∈ Z}, (Z[ 2], +) est un groupe.
Proposition1 :
Si (G, ⋆) est un groupe alors (Gn , ⋆) l’est aussi.
Proposition2 :
Si (G, ⋆) est un groupe alors (F(X, G), ⋆) l’est aussi.

4
2.2 Sous-groupe
2.2.1 Définition :

Soit (G, ⋆) est un groupe d’élément neutre e.

Définition1 :
On appelle sous-groupes de (G, ⋆) toute partie H de G telle que :

1. e ∈ H.
2. ∀ ∈ H, sym(x)∈ H (stabilité par passage au symétrique),
3. ∀x, y ∈ H x ⋆ y ∈ H (stabilité).

Théorème :
Si H est un sous-groupe de (G, ⋆) alors (H, ⋆) est un groupe.
Si de plus (G, ⋆) est abélien alors (H, ⋆) l’est aussi.
Proposition1 : (Caractérisation rapide des sous- groupes)
Soit H une partie G. On a équivalence entre :
1. H est un sous-groupe de (G, ⋆),
{H̸=∅
2.
∀x,y∈H, x⋆sym(x)∈H
Exemples :
– L’ensemble des applications continues muni de la loi o est un sous groupe de l’ensemle des application
muni de la loi o.
– L’ensemble des nombres pairs est un sous groupe de (Z, +).
Proposition2 :
Soit H1 , H2 deux sous-groupes de (G, ⋆).
H1 ∩ H2 est un sous-groupe de (G, ⋆).

2.2.2 groupe de racine neme de l’unité

Soit n ∈ N∗ et Un = {z ∈ C/z n = 1}.

Proposition1 :
(Un , ×) est un groupe abélien.

2.3 Morphisme de groupes

′ ′′ ′ ′′
Soient (G, ⋆), (G , ⊤), (G , ⊥) trois groupes d’éléments neutres e, e , e .

2.3.1 Définition :

Définition1
′
On appelle morphisme du groupe (G, ⋆) vers (G , ⊤) toute application
′
φ : G 7−→ G telle que :
∀x, y ∈ G, f (x ⋆ y) = f (x)⊤f (y).

(image de la composée est la composée des images).

Si f est bijective, on dit que f est isomorphisme.
′
Si (G , ⊤)=(G, ⋆), on dit que f est endomorphisme.

5
 ′
Si (G , ⊤)=(G, ⋆) et f est bijective on dit que f est automorphisme.

Exemples :
– L’application x −→ 2x realise un automorphisme de (R, +).
– L’application x −→ 3lnx realise un isomorphisme de (R∗+ , .) sur (R, +).
– L’application x −→ ex realise un isomorphisme de (R, +) sur (R∗+ , .).
Proposition1 :
{Z−→G
Soit a ∈ G. φ : est un morphisme de groupes.
n7−→a
n

2.3.2 Propriètès

Proposition1 :
Soit f : G −→ G un morphisme de groupes.
′
f (e) = e , ∀x ∈ G, f (sym(x))=sym(f (x)), ∀x ∈ G, ∀p ∈ N, f (x⋆ p ) = (f (x))⊤p et ∀x1 , ..., xn ∈ G,
n n
f ( ⋆ xi ) = ⊤ f (xi )
i=1 i=1
Proposition2 :
′ ′ ′′ ′′
Si f : G −→ G et g : G −→ G sont deux morphismes de groupes alors g ◦ f : G −→ G est aussi un
morphisme de groupes.
Proposition3 :
′
Soit f : G −→ G .
′
Si f est un isomorphisme alors f −1 : G −→ G l’est aussi.

2.3.3 Noyau et image :

Proposition1 :
Soit f : G −→ G un morphisme de groupes.
′
Si H est un sous-groupe de(G, ⋆) alors f (H) est un sous-groupe de (G , ⊤).
′ ′
Si H est un sous-groupe de (G , ⊤) alors f −1 (H) est un sous-groupe de (G, ⋆).

Définition1 :
′
Soit f : G −→ G un morphisme de groupes.
′
On appelle image de f, l’ensemble Imf = f (G). C’est un sous-groupe de (G , ⊤).
′ ′
On appelle noyau de f, l’ensemble Kerf = f −1 ({e }). C’est un sous-groupe de (G , ⊤).

Théorème :
′
Soit f : G −→ G un morphisme de groupes.
′
f est surjective ssi Imf = G .
f est injective ssi Kerf = {e}.

Exercice :
Soit H = {(x, y, z) ∈ R3 /x + 2y − z = 0}.
– Montrer que H est un sous groupe de (R3 , +).
– Soit f : H −→ H définie par ∀(x, y, z) ∈ H, f (x, y, z) = (x − 2z, z − y, x − 2y).
Montrer que f est un morphisme de groupes déterminer son noyau et son image.

6
3 Etude du groupe symétrique
3.1 Permutation de Nn = {1, 2, ..., n}
Définition1 :
Pour n ∈ N∗ , On note Gn l’ensemble des permutations de Nn .
(Gn , ◦) est un groupe d’élément neutre IdNn = Id appelé groupe symétrique d’ordre n.

Définition2 : ( )
1 2 ... n
Pour σ ∈ Gn , On note pour visualiser l’action de σ.
σ(1) σ(2) ... σ(n)

Proposition1 :
Pour n ≥ 3 le groupe (Gn , ◦) n’est pas commutatif.

3.2 Cycles :
Soit p ∈ N tel que 2 ≤ p ≤ n.
Soit a1 , ..., ap une liste de p éléments deux à deux distincts de Nn .
Soit c : Nn −→ Nn définie par :
c(a1 ) = a2 , c(a2 ) = a3 , ..., c(ap−1 ) = ap , c(ap ) = a1 et ∀x ∈ Nn \ {a1 , ..., an }, c(x) = x.
c est une permutation de Nn .

Définition1 :
c est appelée cycle
( de longueur p )(ou p cycle).
On le note c = a1 a2 ... an .
L’ensemble S = {a1 , ..., an } est appelée support du cycle c.

Définition2 :
Les cycles de longueur (2 est appelés
) transpositions.
Une transposition τ = i j a pour effet d’échanger i et j.

Proposition1 :
Si c est un cycle de longueur p alors cp = Id.

3.3 Décomposition d’une permutation en produit de transpositions

Proposition1 :
Tout cycle de longueur p peut se décomposer en un produit de p − 1 transpositions.

Théorème
Toute permutation de Nn peut se décomposer en un produit d’au plus n − 1 transpositions.

Proposition2 : ( )
Toute permutation de Nn peut se décomposer en un produit de transposition de la forme 1 k avec 2 ≤ k ≤
n.

7
3.4 Signuature d’une permutation
Définition1 :
Soit σ ∈ Gn et un couple (i, j) avec 1 ≤ i < j ≤ n.
On dit σ réalise une inversion sur le couple (i, j) ssi σ(i) > σ(j).
On note I(σ) le nombre des couples (i, j) (avec 1 ≤ i < j ≤ n) sur lesquels σ réalise une inversion.

Définition2 :
On appelle signature d’une permutation σ de Gn le réel ε(σ) = (−1)I(σ) .

Proposition1 :
La signature d’une transposition est -1.

Théorème
L’application ε : Gn −→ {−1, 1} est un morphisme du groupe (Gn , ◦) sur ({−1, 1}, ×).

Corollaire :
Ainsi ε(σ1 ◦ ... ◦ σp ) = ε(σ1 ) × ... × ε(σp ).
∀p ∈ Z, ε(σ p ) = ε(σ)p et en particulier ε(σ −1 ) = ε(σ).

Proposition2 :
La signature d’un p cycle est (−1)p−1 .

Définition3 :
Une permutation de signature 1 est dite paire.
Une permutation de signature -1 est dite impaire.
On note An l’ensemble des permutations paires de Gn .

Proposition3 :
An est un sous-groupe de (Gn , ◦) appelé groupe alterné d’ordre n .

Proposition4 :
Pour n ≥ 2, CardAn = n!/2.

4 Anneaux
4.1 Définition :
Définition1 :
Soient ⊤ et ⋆ deux lois de composition internes sur un ensemble E.
On dit que ⋆ est distributive sur ⊤ ssi ∀a, b, c : a ⋆(b⊤c) = (a ⋆ b)⊤(a ⋆ c) (distributivité à gauche)
et (b⊤c) ⋆ a = (b ⋆ a)⊤(c ⋆ a) (distributivité à droite).

Définition2 :
On appelle anneau tout triplet (A, ⊤, ⋆) formé d’un ensemble A et deux lois de composition internes ⊤ et ⋆ tels
que :

8
 1. (A, ⊤) est un groupe abélien,
2. (A, ⋆) est un monoïde,
3. ⋆ est distributive sur ⊤.
Si de plus ⋆ est commutative, l’anneau (A, ⊤, ⋆) est dit commutatif.

Exemples :
– (Z, +, .) et (R, +, .) sont des anneaux.
√
– (Z[ 2], +, .) est un anneau.
Proposition1 :
Si (A, +, ×) est un anneau et n ∈ N∗ alors (An , +, ×) est un anneau.

Proposition2 :
Si (A, +, ×) est un anneau et X un ensemble alors (F(X, A), +, ×) est un anneau.

4.2 Sous-anneau
Définition1 :
on appelle sous-anneau d’un anneau (A, ⊤, ⋆) toute partie B incluse dans A telle que :
1. eA ∈ B,
2. ∀x, y ∈ B, xT sym(y) ∈ B,
3. ∀x, y ∈ B, x ⋆ y ∈ B.
Exemples :
– (Z, +, .) est un sous-anneau de (Q, +, .) lui aussi est un sous-anneau de (R, +, .).
√
– (Z[ 2], +, .) est un sous-anneau de (R, +, .).
Théorème :
Si B est un sous-anneau de (A, +, ×) alors (B, +, ×) est un anneau.
Si de plus (A, +, ×) est commutatif alors (B, +, ×) est l’aussi.

4.3 Régles de calculs dans un anneau

Soit (A, +, ×) un anneau de neutres 0 et 1.

Proposition1 :
∀a ∈ A, 0 × a = a × 0 = 0.

Proposition2 :
∀a, b ∈ A, (−a)b = −(ab) = a(−b)

.
Proposition3 :
∀a, b ∈ A, ∀p ∈ Z, (p.a)b = p.(ab) = a(p.b).

Proposition4 :
∀a, b ∈ A, (a + b)2 = a2 + ab + ba + b2 , (a + b)3 = ....

9
 Théorème :(Formule du binôme de Newton)
Soit ∀a, b ∈ A tels que a et b commutent.
( )
∑n
n n−k k
∀n ∈ N, n
(a + b) = a b
k=0
k
.
Théorème :
Soit ∀a, b ∈ A, tels que a et b commutent.

∑
n−1
∀n ∈ N, a − b = (a − b)
n n
an−1−k bk = (a − b)(an−1 + an−1 b + ... + abn−2 + bn−1 )
k=0

4.4 Eléments inversibles :

Définition1 :
Un élément a ∈ A est dit inversible ssi il est symétrisable pour × i.e. ssi il existe b ∈ A tel que ab = ba = 1A .
Cet élément b est alors unique, on appelle inverse de a, on le note a−1 .

Proposition1 :
Si x est inversible alors x−1 est inversible et (x−1 )−1 = x.

Proposition2 :
Si x et y sont inversibles alors xy est inversible et (xy)−1 =y −1 x−1 .

4.5 Diviseurs de zéro

Soit (A, +, ×) un anneau.

4.5.1 Définition :

Définition1 :
Soit a ∈ A tel que a ̸= 0A . On dit que a est diviseur de zéro ssi ∃b ∈ A\{0A } tel que ab = 0A ou ba = 0A .

Proposition1 :
Un diviseur de zéro est non régulier pour ×.

Proposition2 :
Les éléments inversibles de A ne sont pas diviseurs de zéro.

4.5.2 anneau sans diviseurs de zéro

Proposition1 :
Si (A, +, ×) ne possède pas de diviseurs de zéro alors :
∀a, b ∈ A, ab = 0A =⇒ a = 0A ou b = 0A (implication d’intégrité)

10
 Proposition2 :
Dans un anneau (A, +, ×) sans diviseurs de zéro tout élément non nul est régulier.

4.5.3 idempotent et nilpotent

Définition1 :
Un élément a ∈ A est dit idempotent ssi a2 = a.

Définition2 :
Un élément a ∈ A est dit nilpotent ssi ∃n ∈ N∗ , an = 0A .

5 Corps
5.1 Définition :
Définition1 :
On appelle corps tout anneau commutatif (K, +, ×) non réduit à {0K } dont tous les éléments, sauf 0K , sont
inversibles.

Proposition1 :
Un corps n’a pas de diviseurs de zéro.

5.2 Sous-corps
Soit (K, +, ×) un corps.
Définition :
On appelle un sous-corps d’un (K, +, ×) toute partie L de K telle que :
1. L est un sous-anneau de (K, +, ×),
2. ∀x ∈ L\{0K }, x−1 ∈ L.

Théorème :
Si L est un sous-corps de (K, +, ×) alors (L, +, ×) est un corps.

11
 Espaces vectoriels
K désigne le corps R ou C.

6 Structure d’espace vectoriel

6.1 Loi de composition externe
Déf : On appelle loi de composition externe (ou produit extérieur) opérant de K sur un ensemble E toute
{
K×E →E
application : .
(λ, ⃗x) 7→ λ.⃗x
Une loi de composition externe est usuellement notée.
Les éléments de K sont appelés scalaires.
Les éléments de E sont appelés vecteurs et sont souvent notés surmontés d’une flèche.

Déf : Soit E un ensemble muni dŠun produit extérieur (.) de K sur E.

Une partie A de E est dite stable pour ce produit extérieur lorsque :
∀λ ∈ K, ∀⃗x ∈ A, λ.⃗x ∈ A. {
K×A→A
On peut alors considérer l’application restreinte qui définit un produit extérieur de K sur A
(λ, ⃗x) 7→ λ.⃗x
appelé produit extérieur induit.

6.2 Définition d’un espace vectoriel

Déf : Soit E un ensemble, + une loi de composition interne sur E et . une loi de composition externe opérant
de K sur E.
On dit que (E, +, .), ou plus brièvement E, est un K-espace vectoriel ssi :
(1) (E, +) est un groupe abélien,
(2) ∀λ, µ ∈ K, ∀⃗u, ⃗v ∈ E on a :
(a) (λ + µ).⃗u = λ.⃗u + µ.⃗u,
(b) λ.(⃗u + ⃗v ) = λ.⃗u + λ.⃗v ,
(c) λ.(µ.⃗u) = (λµ).⃗u,
(d) 1.⃗u = ⃗u.
L’élément neutre de (E, +) est alors appelé vecteur nul, on le note ⃗0.

6.3 Visualisation géométrique d’un espace vectoriel

6.4 Exemples d’espaces vectoriels

6.4.1 structure sur Kn

Soit n ∈ N∗ et E = Kn .
Pour λ ∈ K et ⃗x = (x1 , ..., xn ) ∈ Kn et on pose :
λ.⃗x = (λx1 , ..., λxn ) et ⃗x + ⃗y = (x1 + y1 , ..., x1 + yn ).
On définit ainsi un produit extérieur de K sur Kn et une loi de composition interne additive sur Kn .

Proposition : (Kn , +, .) est un K-espace vectoriel de vecteur nul ⃗0 = (0, ..., 0).

12
6.4.2 structure sur E1 × ... × En

Soit n ∈ N∗ , E1 , ..., En des K-espace vectoriels et E = E1 × ... × En .

Pour λ ∈ K, ⃗x = (⃗x1 , ..., ⃗xn ) ∈ Kn et ⃗y = (⃗y1 , ..., ⃗yn ) ∈ Kn on pose :
λ.⃗x = (λ⃗x1 , ..., λ⃗xn ) et ⃗x + ⃗y = (⃗x1 + ⃗y1 , ..., ⃗xn + ⃗yn ).

Proposition : (E1 × ... × En , +, .) est un K-espace vectoriel de vecteur nul ⃗0 = (⃗0E1 , ..., ⃗0En ).

6.4.3 structure sur F(X, K)

Soit X un ensemble et E = F(X, K).

Pour λ ∈ K et f, g : X → K, on définit λ.f : X → K et f + g : X → K par :
∀x ∈ X, (λ.f )(x) = λf (x) et (f + g)(x) = f (x) + g(x).
On définit ainsi un produit extérieur de K sur F(X, K) et une loi de composition interne additive sur F(X, K).

Proposition : Soit X un ensemble (F(X, K), +, .) est un K-espace vectoriel dont le vecteur nul est la fonction
nulle.
En particulier :
Pour X = D ⊂ R, l’ensemble F(D, R) (resp. F(D, C)) est un R-espace vectoriel (resp. C-espace vectoriel).
Pour X = N, l’ensemble RN (resp. CN ) est un R-espace vectoriel (resp. C-espace vectoriel).

6.4.4 structure sur F(X, F )

Soit X un ensemble et F un K-espace vectoriel.

Pour λ ∈ K et f, g ∈ F (X, F ) on définit λ.f : X → F et f + g : X → F par :
∀x ∈ X, (λ.f )(x) = λf (x) et (f + g)(x) = f (x) + g(x).

Proposition : (F(X, F ), +, .) est un K-espace vectoriel de vecteur nul égal à la fonction constante égale à ⃗0F .

6.4.5 les espaces complexes sont aussi réels

Soit E un C-espace vectoriel. La loi de composition externe de opérant de C sur E définit aussi par restric-
tion une loi de composition externe opérant de R sur E. Les propriétés calculatoires étant conservées, on peut
affirmer que E est alors aussi un R-espace vectoriel.

6.5 Calculs dans un K-espace vectoriel

Soit (E, +, .) un K-espace vectoriel.
( ) (n ) (n ) (n )
∑
n ∑ ∑ ∑
Proposition : λi .⃗u = λi .⃗u et λ.⃗ui = λ ⃗ui .
i=1 i=1 i=1 i=1

Proposition : ∀λ ∈ K, ∀⃗u ∈ E on a :
0.⃗u = ⃗0 et λ.⃗0 = ⃗0,
λ.⃗u = ⃗0 ⇒ λ = 0 ou ⃗u = ⃗0.
Proposition : ∀⃗u ∈ E, (−1).⃗u = −⃗u et ∀n ∈ N, ⃗u + ... + ⃗u = n.⃗u.

13
6.6 Combinaison linéaire
Déf : Soit ⃗e1 , ..., ⃗en des vecteurs de E.
On appelle combinaison linéaire (CL) des vecteurs ⃗e1 , ..., ⃗en tout vecteur ⃗x de E pouvant s’écrire sous la forme
∑
n
⃗x = λ1⃗e1 + ... + λn⃗en = λi⃗ei avec λ1 , ..., λn ∈ K.
i=1

7 Sous espace vectoriel

(E, +, .) désigne un K-espace vectoriel.

7.1 Définition
Déf : On appelle sous-espace vectoriel de E toute partie F de E telle que :
1) F ̸= ∅,
2) ∀⃗x, ⃗y ∈ F, ⃗x + ⃗y ∈ F (F est stable pour +),
3) ∀⃗x ∈ F, λ ∈ K, λ.⃗x ∈ F (F est stable pour .).
Théorème : Si F est un sous-espace vectoriel de (E, +, .) alors (F, +, .) est un K-espace vectoriel.

Proposition : (Caractérisation usuelle)

Soit F ⊂ E. F est un sous-espace vectoriel ssi :
1) ⃗0 ∈ F ,
2) ∀⃗x, ⃗y ∈ F, ∀λ, µ ∈ K, λ⃗x + µ⃗y ∈ F (F stable par combinaison linéaire).
Exemples :

– Soit E un espace vectoriel, {0E } est un sous espace vectoriel de E.

– E1 = {(x, y, z) ∈ R3 /x + y + z = 0}. E1 est un sous espace vectoriel de R3 .
– E2 = {(x, y, z) ∈ R3 /x + y + z = 1}. E2 n’est pas un sous espace vectoriel de R3 car (0, 0, 0) ∈
/ E2 .
– E3 = {(x, y) ∈ R2 /x.y = 0}. E3 n’est pas un sous espace vectoriel de R2 car (1, 0), (0, 1) ∈ E3 mais
(1, 0) + (0, 1) ∈
/ E3 .

7.2 Opérations sur les sous-espaces vectoriels

7.2.1 Intersection

Proposition : Si F et G sont des sous-espaces vectoriels de E alors F ∩ G est un sous-espace vectoriel de E.

∩
Proposition : Si (Fi )i∈I est une famille de sous-espaces vectoriels de E alors Fi est un sous-espace vectoriel
i∈I
de E.

7.2.2 Somme de sous-espaces vectoriels

Déf : Soit F et G deux sous-espaces vectoriels de E. On appelle somme de F et G

l’ensemble F + G = {⃗u + ⃗v /⃗u ∈ F, ⃗v ∈ G}.

Proposition : Si F et G sont deux sous-espaces vectoriels de E alors F + G est un sous-espace vectoriel de

E. De plus F + G contient F et G et est inclus dans tout sous-espace vectoriel contenant F et G.

14
7.3 Sous-espaces vectoriels supplémentaires
Déf : Soit F et G deux sous-espaces vectoriels de E.
On dit que F et G sont supplémentaires ssi F ∩ G = {⃗0} et F + G = E.

Théorème : Soit F et G deux sous-espaces vectoriels supplémentaires de E.

∀⃗x ∈ E, ∃!(⃗u + ⃗v ) ∈ F × G, ⃗x = ⃗u + ⃗v .

7.4 Sous-espace vectoriel engendré par une partie

Proposition : Soit A une partie de E.
Il existe un unique sous-espace vectoriel de E, noté V ect(A), tel que :
1) A ⊂ V ect(A),
2) V ect(A) est inclus dans tout sous-espace vectoriel contenant A. V ect(A) se comprend comme étant le
plus petit sous-espace vectoriel contenant A , on l’appelle sous-espace vectoriel engendré par A.
Proposition : Soit A et B deux parties de E.
Si A est un sous-espace vectoriel de E alors V ect(A) = A,
V ect(V ect(A)) = V ect(A),
A ⊂ B ⇒ V ect(A) ⊂ V ect(B),
V ect(A ∪ B) = V ect(A) + V ect(B).
En particulier :
Soit F et G deux sous-espaces vectoriels de E. V ect(F ∪ G) = F + G. Ainsi F + G apparaît comme étant le
plus petit sous-espace vectoriel contenant F et G.

8 Applications linéaires
E, F et G désignent des K-espaces vectoriels.

8.1 Définition
Déf : Soit f : E → F . On dit que f est une application (K-linéaire) (ou morphisme de K-espace vectoriel)
ssi :
1) ∀⃗x, ⃗y ∈ E, f (⃗x + ⃗y ) = f (⃗x) + f (⃗y ),
2) ∀λ ∈ K, ∀⃗x ∈ E, f (λ.⃗x) = λ.f (⃗x).
On note LK (E, F ) (ou L(E, F )) l’ensemble de ces applications.
Proposition : (caractérisation usuelle)
Soit f : E → F . On a équivalence entre :
(i) f est une application linéaire,
(ii) ∀λ, µ ∈ K, ∀⃗x, ⃗y ∈ E, f (λ.⃗x + µ.⃗y ) = λ.f (⃗x) + µ.f (⃗y ).
Exemples :

– f : R3 −→ R définie par : f (x, y, z) = x + y + 2z est une application linéaire.

– f : R2 −→ R définie par : f (x, y) = x + y + 1 n’est pas une application linéaire.
– f : R2 −→ R définie par : f (x, y) = xy n’est pas une application linéaire.

15
Proposition : Soit f ∈ L(E, F ). On a : f (⃗0E ) = ⃗0F .

Proposition : Si ⃗e1 , ..., ⃗en est une famille de vecteurs de E et f ∈ L(E, F ) alors
∀λ1 , ..., λn ∈ K, f (λ1⃗e1 + ... + λn⃗en ) = λ1 f (⃗e1 ) + ... + λn f (⃗en )
(l’image d’un combinaison linéaire est la combinaison linéaire des images).

Proposition : Soit f ∈ L(E, F ) et f ∈ L(F, G). On a g ◦ f ∈ L(E, G).

8.2 Application linéaires particulières

8.2.1 formes linéaires

Déf : On appelle forme linéaire sur un K-espace vectoriel E, toute application linéaire de E vers K.
On note E ∗ . au lieu de L(E, K), l’ensemble des formes linéaires sur E.
E ∗ est appelé dual de E.
Exemple :
∫1
Soit J : C([0, 1], R) −→ R définie par J(f ) = 0 f (t)dt. J est une forme linéaire.

8.2.2 endomorphisme

On appelle endomorphisme de E, toute application linéaire de E dans lui-même. On note L(E) au lieu de
L(E, E) l’ensemble de ces applications.

Proposition : Si f, g ∈ L(E) alors g ◦ f ∈ L(E).

8.2.3 isomorphisme

Déf : On appelle isomorphisme de K-espace vectoriel toute application linéaire bijective.

Déf : Si f : E → F et g : F → G sont des isomorphismes alors g ◦ f : E → F est un isomorphisme.

Déf : Si f : E → F est un isomorphisme alors f −1 : F → E est un isomorphisme.

Déf : Deux K-espace vectoriels sont dits isomorphes ssi il existe un isomorphisme entre ceux-ci.

8.2.4 automorphisme

Déf : On appelle automorphisme de E, tout endomorphisme de E bijectif. On note GL(E) l’ensemble des
automorphismes de E.

Proposition : ∀f, g ∈ GL(E), f ◦ g ∈ GL(E), f −1 ∈ GL(E).

Déf : (GL(E), ◦) est appelé groupe linéaire de E.

8.3 Noyau et image d’une application linéaire

Théorème : Soit f ∈ L(E, F ).
Si V est une sous-espace vectoriel de E alors f (V ) est un sous-espace vectoriel de F .

16
Si W est un sous-espace vectoriel de F alors f −1 (W ) est un sous-espace vectoriel de E.

Déf : Soit f ∈ L(E, F ).

On appelle image de f l’ensemble Imf = f (E).
On appelle noyau de f l’ensemble kerf = f −1 ({⃗0F }).

Déf : Imf est un sous-espace vectoriel de F .

kerf est un sous-espace vectoriel de E.

Théorème : Soit f ∈ L(E, F ). On a :

– f est surjective ⇔ Imf = F ,
– f est injective ⇔ kerf = {⃗0E }.

8.4 L’espace vectoriel L(E, F )

Théorème : (L(E, F ), +, .) est un K-espace vectoriel.
En particulier :
(L(E), +, .) et (E ∗ , +, .) sont des K-espaces vectoriels.
Proposition : (linéarité du produit de composition) ∀λ, µ ∈ K, ∀f, g ∈ L(E, F ) et ∀h ∈ L(F, G), h ◦ (λ.f +
µ.g) = λ.(h ◦ f ) + µ.(h ◦ g).
∀λ, µ ∈ K, ∀h ∈ L(E, F ) et ∀f, g ∈ L(F, G), (λ.f + µ.g) ◦ h = λ.(f ◦ h) + µ.(g ◦ h).

8.5 L’anneau des endomorphismes

Théorème : (L(E), +, ◦) est un anneau, généralement non commutatif, d’élément nul l’endomorphisme nul
(noté 0 ou 0̃) et d’élément unité l’endomorphisme identité (noté I ou Id).

Déf : Pour f ∈ L(E), on note :

f 0 = I, f 1 = f , f 2 = f ◦ f , f n = f ◦ f ◦ ... ◦ f (n termes).

Proposition : Soit f, g ∈ L(E) et n ∈ N.

Si f et g commutent (i.e. f ◦ g = g ◦ f ) alors (f ◦ g)n = f n ◦ g n ,
n ( )
∑ ∑ k n−k−1
n−1
n k
k f ◦g
(f + g)n = n−k et f n − g n = (f − g) f g .
k=0 k=0
En particulier :
Puisque f et I commutent :
n ( )
∑ ∑ k
n−1
n k
(I + f )n = k f et f − I = (f − I)
n f .
k=0 k=0

Proposition : f ◦ g = 0 ⇔ Img ⊂ kerf .

Déf : Un endomorphisme f ∈ L(E) est dit idempotent ssi f 2 = f .

Un endomorphisme f ∈ L(E) est dit nilpotent ssi ∃n ∈ N, f n = 0.

17
9 Transformations vectorielles
E désigne un K-espace vectoriel.

9.1 Homothétie vectorielle

Soit λ ∈ K. {
E→E
Déf : On appelle homothétie (vectorielle) de rapport λ l’application hλ : .
⃗x 7→ λ.⃗x
En particulier :
Si λ = 1 alors h = I, si λ = 0 alors h = 0.

Proposition : hλ ∈ L(E) et hλ commute avec tout endomorphisme de E.

Proposition : ∀λ, µ ∈ K, hλ ◦ hµ = hλµ et ∀λ ∈ K∗ , hλ ∈ GL(E) et (hλ )−1 = h 1 .

λ

9.2 Projection vectorielle

Soit F et G deux sous-espaces vectoriels supplémentaires de E.
∀⃗x ∈ E, ∃!(⃗u, ⃗v ) ∈ F × G, ⃗x = ⃗u + ⃗v .
Posons p(⃗x) = ⃗u. On définit ainsi p : E → E.

Déf : p est appelée projection (vectorielle) sur F parallélement à G.

En particulier :
F = E et G = {⃗0} donnent p = I.
F = {⃗0} et G = E donnent p = 0.
Proposition : p est un endomorphisme de E tel que p2 = p.
De plus Imp = ker(p − I) = F et kerp = G.

Déf : La projection vectorielle θ sur G et parallélement à F est appelée projection complémentaire de p.

Proposition : q = Id − p.

Déf : On appelle projecteur de E, tout endomorphisme p de E tel que p2 = p.

Théorème : Si p est un projecteur de E alors :

1) Imp et kerp sont supplémentaires,
2) p est la projection vectorielle sur F = Imp, parallélement à G = kerp.

9.3 Symétrie vectorielle

Soit F et G deux sous-espaces vectoriels supplémentaires de E.
∀⃗x ∈ E, ∃!(⃗u, ⃗v ) ∈ F × G, ⃗x = ⃗u + ⃗v .
Posons s(⃗x) = ⃗u − ⃗v . On définit ainsi s : E → E.

Déf : s est appelée symétrie (vectorielle) par rapport à F parallèlement à G.

En particulier :

18
F = E et G = {⃗0} donnent s = I.
F = {⃗0} et G = E donnent s = −I.

Proposition : s est un endomorphisme de E tel que s2 = I.

De plus F = ker(s − I) et G = ker(s + I).

′
Déf : La symétrie s par rapport à G et parallélement à F est appelée symétrie complémentaire de s.

′
Proposition : s = s.

Théorème : Si s est un endomorphisme de E tel que s2 = I alors :

1) ker(s − I) et ker(s + I) sont supplémentaires dans E,
2) s est la symétrie vectorielle par rapport à F = ker(s − I), parallélement à
G = ker(s + I).

9.4 Affinités vectorielles

Soit, F, G deux sous-espaces vectoriels supplémentaires et α ∈ K.
∀⃗x ∈ E, ∃!(⃗u, ⃗v ) ∈ F × G, ⃗x = ⃗u + ⃗v .
Posons f (⃗x) = ⃗u + α.⃗v . On définit ainsi f : E → E.
Déf : f est appelée affinité (vectorielle) par rapport F parallèlement à G et de rapport α.
En particulier :
Si α = 1 alors f = I.
Si α = 0 alors f = p.
Si α = −1 alors f = −s.

Proposition : f est un endomorphisme de E.

Exercice :
Soit f est une application linéaire dans E telle que f 2 − 4f + 3IdE = 0
⊕
– Montrer que ker(f − IdE ) ker(f − 3IdE ) = E.
– Quelle transformation vectorielle réalise f ?

10 Notions affines
E désigne un K-espace vectoriel.

10.1 Translation
Déf : Soit ⃗u ∈ E. On appelle translation de vecteur ⃗u l’application t⃗u : E → E définie par ⃗x 7→ ⃗x + ⃗u.

Proposition : Soit ⃗u, ⃗v ∈ E. t⃗u ◦ t⃗v = t⃗u+⃗v = t⃗v ◦ t⃗u , t⃗u est une permutation de E et t⃗−1
u = t−⃗
u.
Exercice :
A quelle con dition une translation et une application linéaire d’un espace vectoriel E commutent-elles ?

19
10.2 Sous-espace affine
Déf : Soit ⃗a ∈ E et F un sous-espace vectoriel de E. On appelle sous-espace affine passant par ⃗a et dirigé par
F l’ensemble :
⃗a + F = {⃗a + ⃗u/⃗u ∈ F } = {⃗x ∈ E/⃗x − ⃗a ∈ F }.

Proposition : Soit V = ⃗a + F un sous-espace affine. Pour tout ⃗b ∈ V on a V = ⃗b + F .

Proposition : Si V = ⃗a + F alors F = {⃗x − ⃗y /⃗x, ⃗y ∈ V } Par suite il y a unicité du sous-espace vectoriel F .

Déf : Le sous-espace vectoriel F est appelé direction sur du sous-espace affine V .

Exercice :
A quelle condition le sous-espace affine ⃗a + F est sous-espace vectoriel ?

10.3 Incidence de sous-espaces affines

Proposition : Si V et W sont deux sous-espaces affines de directions F et G alors V ∩ W est soit vide soit
égal à un sous-espace affine de direction F ∩ G.

Déf : Si V et W sont deux sous-espaces affines de directions F et G. On dit que V est parallèle à W ssi F ⊂ G.

Proposition : Si V et W sont deux sous-espaces affines de directions F et G. Si V est parallèle à W alors

V ∩ W = ∅ ou V ⊂ W .

10.4 Equations linéaires

Déf : On appelle équation linéaire toute équation de la forme f (⃗x) = ⃗y d’inconnue ⃗x ∈ E ̸= où ⃗y ∈ F et
f ∈ L(E, F ).
On appelle équation homogène associée l’équation f (⃗x) = ⃗0.

Théorème : L’ensemble solution de l’équation linéaire f (⃗x) = ⃗y est soit vide, soit égal à un sous-espace affine
de direction kerf .

10.5 Barycentre
Soit n ∈ N∗ , ⃗u1 , ..., ⃗un ∈ E et λ1 , ..., λn ∈ K tel que λ1 + ... + λn ̸= 0.
Déf : On appelle barycentre des vecteurs ⃗u1 , ..., ⃗un affectés respectivement des masses λ1 , ..., λn le vecteur :
⃗v = λ1 ⃗uλ11+...+λ n⃗
un
+...+λn .

1
Déf : Lorsque les λ1 , ..., λn sont égaux non nuls, alors ⃗u = n (⃗
u1 + ... + ⃗un ) est appelé isobarycentre des
vecteurs ⃗u1 , ..., ⃗un .
Quand n = 2, on parle de milieu de ⃗u1 et ⃗u2 .

Proposition : Si tous les ⃗ui appartiennent à un même sous-espace affine V = ⃗a + F alors le barycentre ⃗v des
vecteurs ⃗u1 , ..., ⃗un affectés des masse λ1 , ..., λn appartient à V .

20
10.6 Convexité
Ici K = R.
Déf : Soit ⃗a, ⃗b ∈ E. On appelle segment d’extrémités ⃗a et ⃗b l’ensemble :
{ }
[⃗a, ⃗b] = (1 − λ)⃗a + λ⃗b/λ ∈ [0, 1] .

Déf : Soit C une partie de E. On dit que C est convexe ssi ∀⃗a, ⃗b ∈ C, [⃗a, ⃗b] ⊂ C.

∩
Proposition : Soit (Ci )i∈I une famille de parties convexes de ε. C = Ci est un convexe.
i∈I

21
 Dimension d’un espace vectoriel
11 Famille de vecteurs :
Soit E un K-espace vectoriel et n ∈ N. F = (→ −
e1 , −
→
e2 , ..., −
→
en ) = ( −
→
ei )1≤i≤n désigne une famille de vecteurs
de E.
Dans le cas n = 0, on dit que c’est la famille vide.

11.1 sous-espace vectoriel engendrée par une famille finie de vecteurs

Définition1 :

On appelle combinaison linéaire des vecteurs de F = (−

→
ei )1≤i≤n tout vecteur −
→
x de E pouvant s’écrire
−
→ ∑
n
−
→
x = λi ei avec λ1 , λ2 , ..., λn bien choisis.
i=1

Définition1 :

Soit F = (− →
e1 , −
→
e2 , ..., −
→
en ) une famille de vecteurs de E. On appelle sous-espace vectoriel engendrée par la
famille F le sous-espace vectoriel engendrée par {− →e1 , −
→
e2 , ..., −
→
en }. On le note Vect(F), Vect(−
→
e1 , −
→
e2 , ..., −
→
en ) ou
−
→
Vect( ei )1≤i≤n .

Théorème :

Si (−
→
e1 , −
→
e2 , ..., −
→
en ) est une famille de vecteurs de E alors Vect(−
→
e1 , −
→
e2 , ..., →
−
en ) est l’ensemble des combi-
−
→ −
→ −
→
naisons linéaires des e1 , e2 , ..., en i.e. :

{ ∑
n
}
V ect(−
→
e1 , −
→
e2 , ..., →
−
en ) = λi →
−
ei /λ1 , ..., λn ∈ K
i=1
.

11.2 Famille génératrice

Définition1 :

On dit qu’une famille F = →

−
e1 , →
−
e2 , ..., −
→
en ) = ( −
→
ei )1≤i≤n de vecteur de E est dit génératrice ssi vect(F) = E.

Proposition :

Une famille finie (− →

e1 , −
→
e2 , ..., −
→
en ) est génératrice de E ssi tout vecteur de E est combinaison linéaire des
−
→ →
− −
→
vecteurs ( e1 , e2 , ..., en ) i.e :
∑
n
∀−
→x ∈ E, ∃(λ1 , ..., λn ) ∈ Kn tel que − →
x = λ1 −→e1 + ... + λn −
→
en = λi −
→
ei .
i=1

Proposition : (Principe de réduction de famille génératrice)

Si (−→e1 , −
→
e2 , ..., →
−
en , −−→) est une famille génératrice et −
en+1 −→ ∈ Vect(−
en+1 →
e1 , →
−
e2 , ..., −
→
en ) alors la sous famille
→
− −
→ −
→
( e1 , e2 , ..., en )est génératrice.

22
11.3 Famille libre, famille liée
Définition

Un vecteur →
−u est dit colinéaire à vecteur −
→
v ssi il existe α ∈ K tel que −
→
u = α− →
v.
−
→ −
→
Deux vecteurs u et v sont dits colinéaires ssi l’un des deux est colinéaire à l’autre.

Définition

On dit qu’une famille (−

→
e1 , −
→
e2 , ..., →
−
en ) = ( →
−
ei )1≤i≤n de vecteurs de E est libre ssi :
−
→
∀λ1 , λ2 , ..., λn ∈ K, e1 + ... + λn −
λ1 −
→ →
en = 0 ⇒ λ1 = λ2 = ... = λn = 0.

On dit que les vecteurs →−

e1 , →
−
e2 , ..., −
→
en sont linéairements indépendants.
On dit que la famille ( e1 , e2 , ..., en ) = (−
→
− −
→ −
→ →
ei )1≤i≤n est liée ssi elle n’est pas libre i.e. :
−
→
∃λ1 , λ2 , ..., λn ∈ K, λ1 −
→
e1 + ... + λn −
→
en = 0 et (λ1 , λ2 , ..., λn ) ̸= (0, 0, ..., 0).

Cettte égalité vectorielles est alors appelée relation linéaire sur les vecteurs −
→
e1 , −
→
e2 , ..., →
−
en .

Proposition :

Soit n ≥ 2 et (−
→
e1 , −
→
e2 , ..., −
→
en ) une famille de vecteurs de E.
On a équivalence entre :

1. (−
→
e1 , →
−
e2 , ..., −
→
en ) est liée,
2. l’un des vecteurs − 1
→
e ,→
2
−
e , ..., −
n
→
e est combinaison linéaire des autres.

Proposition : (Principe d’extension d’une famille libre)

Si (→
−
e1 , −
→
e2 , ..., −
→
en ) est une famille libre et −−→ ∈Vect(→
en+1 −
e1 , −
→
e2 , ..., −
→
en ) alors (→
−
e1 , −
→
e2 , ..., −
→
en , −−→) est libre.
en+1

11.4 Base d’un espace vectoriel

Définition

Soit B = (→
−ei )1≤i≤n = (−→
e1 , −
→
e2 , ..., −
→
en ) une famille de vecteurs de E.
On dit que B est une base ssi B est libre et génératrice.
Exemple
on pose −→
e1 = (1, 1, 1), −
→
e2 = (1, 1, 0), − →
e3 = (0, 1, 1) alors (−
→
e1 , −
→
e2 , −
→
e3 ) est une base.

11.5 Composantes dans une base

Théorème

Soit E un K−espace vectoriel et possédant une base B = (−

→
ei )1≤i≤n . On a :

∑
n
∀−
→
x ∈ E, ∃!(λ1 , λ2 , ..., λn ) ∈ Kn tel que →
−
x = λi −
→
ei .
i=1

23
 Définition

Avec les notations ci-dessus on dit que les scalaires λ1 , λ2 , ..., λn sont appelés composantes de →
−
x dans B.

Définition

Munir un K−espace vectoriel d’une base B, c’est signifier que les composantes des vecteurs sont désormais
lues dans B.

Définition

λ1
.
−
→ →
− →
−
Si E est muni d’une base B = ( ei )1≤i≤n , on note parfois x (λ1 , λ2 , ..., λn ) ou x . pour signifier que
.
λn
−
→
x est le vecteur de composantes λ1 , λ2 , ..., λn .

Proposition :

On suppose E muni d’une base B = (−

→
ei )1≤i≤n .

x1 y1 x1 + y1 αx1
. . . .
Si −
→
x . et −
→
y . alors (−→
x + −
→
y ) . et ∀α ∈ K, (α−
→
x)= .
. . . .
xn yn x n + yn αxn

11.6 Théorème de complétion de la base

Théorème :(de la base incomplète)

Soit E un K−espace vectoriel de dimension finie, L une famille libre G une famille génératrice. On peut
former une base de E en complétant la famille libre L par des vecteurs bien choisis dans la famille G.

12 Dimension d’ un esace vectoriel

12.1 Espace vectoriel de dimension finie
Définition :

Un K−espace vectoriel E est dit de dimension finie ssi il possède une famille génératrice finie. Sinon, il
est dit de dimension infinie.

24
 Théorème :

Tout K−espace vectoriel de dimension finie possède au moins une base.

Proposition

Dans un K−espace vectoriel de dimension finie :

– toute famille libre peut être complétée en une base,
– de toute famille génératrice on peut extraire une base.

12.2 Dimension
Théorème :

SoitE un K-espace vectoriel de dimension finie.

Une famille libre de vecteurs de E ne peut avoir plus (au sens strict) de vecteurs qu’une famille génératrice.
Corollaire

Les bases d’un K-espace vectoriel E de dimension finie sont toute constituées de même nombre de vecteurs.

Définition :

Soit E un K-espace vectoriel de dimension finie.

On appelle dimension de E le nombre des vecteurs costituant les bases de E. On le note dimE ou dimK E.

Convention :

Si E n’est pas de dimension finie, on pose dimE = +∞.

Proposition :

Soit E et F deux K-espaces vectoriels de dimensions finies.

E × F est de dimension finie et dimE × F = dimE + dimF .

Proposition :

Soit E un K-espace vectoriel de dimension finie.

En est un K-espace vectoriel de dimension finie et dimE n = n × dimE.

12.3 Construction de bases en dimension connue

Proposition :

Soit E un K-espace vectoriel de dimension n ∈ N.

1. Toute famille libre a au plus n éléments.

25
 2. Toute famille génératrice a au moins n éléments.
3. Toute base a exactement n éléments.
Théorème :

Soit E un K-espace vectoriel de dimension n ∈ N et B = (−

→
ei )1≤i≤n = (−
→
e1 , →
−
e2 , ..., −
→
en ) une famille formée
de n = dimE vecteurs de E.
On a l’équivalence entre :
1. B est une base,
2. B est une famille libre,
3. B est une famille génératrice.

13 Sous-espace vectoriel de dimension finie

13.1 Dimension d’un sous espace vectoriel d’un espace de dimension finie
Théorème :

Soit E un K-espace vectoriel de dimension finie.

Tout sous espace vectoriel F de E est de dimension fine et dimF ≤ dimE.
De plus si dimF = dimE alors F = E.
En particulier :
−
→
– Si dimF = 0 alors F = { 0 }.
– Si dimF = 1 alors on dit que F est une droite vectorielle.
– Pour tout − →
u ∈ F tel que −
→u ̸= 0, on a F =Vect(−
→
u ).
−
→
– On dit que u est un vecteur directeur de F .
– 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 de F .
– Si dimF = dimE − 1 alors on dit que F est un hyperplan vectoriel de E.

13.2 Sous-espace vectoriel supplémentaires en dimension finie

Théorème :

Soit F et G deux sous-espaces vectoriels supplémentaires d’un K-espace vectoriel de dimension finie E.
On a dimE = dimF + dimG.

Définition :

Toute base de E obtenue en concaténant une base de F et une base de G est dite adaptée à la supplémentarité
de F et G .

26
 Théorème :

Soit E un K-espace vectoriel de dimension finie.

Tout sous-espace vectoriel F de E possède au moins un supplémentaire.

Définition :
Une telle base est dite adaptée à F .

13.3 Théorème des quatres dimensions

Théorème :

Si F et G sont deux sous-espaces vectoriels de dimension finie d’un K-espace vectoriel E alors F + G et
F ∩ G sont de dimensions finies et dim(E + G) = dimF + dimG − dim(F ∩ G).

13.4 Exploitation de la dimension

Théorème :

Soit F et G deux sous-espaces vectoriels de dimensions finies d’un K-espace vectoriel E.

Si F ⊂ G et dimF = dimG alors F = G.

Théorème :

Soit F et G deux sous-espaces vectoriels d’un K-espace vectoriel E de dimension finie. On suppose que
dimF + dimG = dimE.
On a équivalence entre :
– F et G sont supplémentaires dans E ,
– F + G = E,
→
−
– F ∩ G = { 0 }.

13.5 Obtention d’une base d’un sous-espace vectoriel

a) Sous-espace vectoriel engendré par une famille de vecteurs
Soit F = (− →
ei )1≤i≤n une famille de vecteurs d’un K-espace vectoriel E.
On désire déterminer une base de F = Vect(→ −
e1 , −
→
e2 , ..., −
→
en ).
F une famille génératrice de F , on peut donc en extraire une base de la manière suivante :
Si F est libre alors F est une base.
Sinon, l’un des vecteurs de F est combinaison linéaire des autres, on peut alors retirer celui-ci de la famille
sans perdre le caractère générateur.
Si besoin, on reprend ce processus jusqu’à obtention d’une famille libre donc d’une base de F .
b) Sous-espace vectoriel défini par équations
On détermine une base d’un tel sous-espace vectoriel en résolvant les équations de sorte d’exprimer une
famille génératrice.

27
 c) détermination d’un supplémentaire d’un sous-espace vectoriel
Si F est un sous-espace vectoriel non trivial d’un K -espace vectoriel E de dimension finie, on peut déter-
miner un supplémentaire de F en complétant une base de F en une base de E car on sait que les vecteurs
complétant génèrent un supplémentaire de F dans E.

13.6 Rang d’une famille de vecteurs

Soit F = (−
→
ei )1≤i≤n une famille de vecteurs d’un K-espace vectoriel E.

Définition :

On appelle rang de la famille F la dimension du sous-espace vectoriel engendré par F. On le note rg(F)
ou rg(−
→e1 , −
→
e2 , ..., →
−
ep ).
Ainsi rg(F) = rg(→ −e1 , −
→
e2 , ..., −
→
ep ) = dimV ect(−
→e1 , −
→
e2 , ..., −
→
ep ).
Exemple
on pose →−
e1 = (1, 1, 0, 1), − →
e2 = (1, −1, 1, 0), −
→e3 = (2, 0, 1, 1), − →
e4 = (0, 2, −1, 1) on a −
→
e3 = −
→
e1 + −
→
e2 , −
→
e4 =
−
→ →
− →
− −
→ −
→ −
→ →
− →
− −
→ −
→ →
− −
→
e1 − e2 donc V ect( e1 , e2 , e3 , e4 ) = V ect( e1 , e2 ) alors rg( e1 , e2 , e3 , e4 ) = 4.

Proposition

On a rg(−
→
e1 , −
→
e2 , ..., →
−
ep ) ≤ p, dimE.

Théorème :

– F est libre ⇔ rg(F) = p,

– F est génératrice ⇔ rg(F) = dimE,
– F est une base ⇔ rg(F) = dimE = p.

14 Applications linéaires en dimension finie

E , F et G désignent des K -espaces vectoriels de dimensions finies.

14.1 Image d’une famille de vecteurs

Soit f ∈ L(E, F ) et B = (→
−
ei )1≤i≤n une famille de vecteurs de E.

Définition :

On appelle image de la famille B par f , la famille f (B) = f (−

→
ei ))1≤i≤n .
Proposition

f (V ect(B)) = V ect(f (B)) i.e. : f (V ect(→

−
e1 , −
→
e2 , ..., −
→
en )) = V ect(f (−
→
e1 ), f (→
−
e2 ), ..., f (−
→
en )).
Théorème :

– Si B est libre et f injective alors f (B) est libre.

– Si B est génératrice et f est surjective alors f (B) est génératrice.

28
 – Si B est une base et f est isomorphisme alors f (B) est une base.
Corollaire

Si V est un sous-espace vectoriel de E alors dimf (V ) ≤ dimV avec égalité lorsque f est injective.

Corollaire

Si E et F sont deux K-espaces vectoriels de dimension finie ou non alors :

– Si f est injective alors dimE ≤ dimF .
– Si f est surjective alors dimF ≤ dimE.
– Si f est un isomorphisme alors dimE = dimF .

14.2 Rang d’une application linéaire

Définition :

On appelle rang de f ∈ L(E, F ) la dimension de l’image de f .

On note rg(f ) = dimImf .

Exemples :
Soit f : R3 −→ R3 définie par : f (x,y, z) = (y − z, z − x, x − y) . Soit (y1 , y2 , y3 ) ∈ Imf alors ∃(x, y, z)R3

 y1 = y − z
telque f (x, y, z) = (y1 , y2 , y3 ) =⇒ y2 = z − x =⇒ y2 = −y1 − y3


y3 = x − y
=⇒ Imf = {(y1 , −y1 − y3 , y3 )/y1 , y3 ∈ R} =⇒ rg(f ) = dimImf = 2.
Proposition

Soit f ∈ L(E, F ). On note rg(f ) ≤ min(n, p).

Théorème :

Soit f ∈ L(E, F ) et Soit g ∈ L(F, G). On note rg(g ◦ f ) ≤ min(rg(f ), rg(g)).

De plus :
– Si g est injective alors rg(g ◦ f ) = rg(f ).
– Si f est surjective alors rg(g ◦ f ) = rg(g).

14.3 Théorème du rang

Théorème :

Soit f ∈ L(E, F ).
1. f réalise un isomorphisme de tout supplémentaire de kerf dans E vers Imf .
2. rg(f ) + dimKer(f ) = dimE.

29
14.4 Théorème d’isomorphisme
Proposition

Soit f ∈ L(E, F ).
⋆ f est injective ⇔ rg(f ) = dimE,
⋆ f est surjective ⇔ rg(f ) = dimF ,
⋆ f est isomorphisme ⇔ rg(f ) = dimE = dimF.

Théorème : (d’isomorphisme)

Soient E et F deux K-espaces vectoriels de dimensions finies tels que : dimE = dimF = n.
Soit f ∈ L(E, F ). On a équivalence entre :
1. f est un isomorphisme,
2. f est injective,
3. f est surjective,
4. rg(f ) = n,
5. ∃g ∈ L(F, E), g ◦ f = IdE ,
6. ∃h ∈ L(F, E), f ◦ h = IdF .
De plus si tel est le cas : g = h = f −1 .

14.5 Bases et applications linéaires

Théorème :

Soit E un K-espace vectoriel muni d’une base B = (−

→
e1 , →
−
e2 , ..., −
→
ep ).

Soit F un K-espace vectoriel et F = (− →

y1 , −
→
y2 , ..., −
→
yp ) une famille de vecteurs de F .
Il existe une unique application linéaire f ∈ L(E, F ) telle que f (B) = F i.e. ∀1 ≤ i ≤ p, f (→
−
ei ) = −
→
yi .
Théorème :

Soit E un K-espace vectoriel muni d’une base B = (−

→
e1 , →
−
e2 , ..., −
→
ep ).

Soit F un K-espace vectoriel de dimension finie et f ∈ L(E, F ).

On a rg(f ) = rg(f (B)) = rg(f (−

→
e1 ), f (→
−
e2 ), ..., f (−
→
ep )).

Corollaire
⋆ f est injective ⇔ rg(f ) = dimE ⇔ f (B) est libre.

⋆ f est surjective ⇔ rg(f ) = dimF ⇔ f (B) est génératrice.

⋆ f est bijective ⇔ f (B) est une base de F .

30
 Corollaire

Soient E et F deux K-espaces vectoriels de dimensions finies sont isomorphes ssi ils ont même dimension.

14.6 Equation d’un hyperplan

Supposons que n = dimE ∈ N∗

Proposition

Le noyau d’une forme linéaire non nulle est un hyperplan.

Proposition

Tout hyperplan peut se voir comme noyau d’une forme linéaire non nulle.
On suppose que E muni d’une base B = (→ −
e1 , −
→
e2 , ..., −
→
ep ).
−
→
Pour tout x ∈ E, notons x1 , ..., xn ses composantes dans B.

Théorème :

Les hyperplans de E sont les ensembles H constitués des − →

x ∈ E vérifiant une relation du type
a1 x1 + ... + an xn = 0 avec (a1 , ...., an ) ∈ K \{(0, ...., 0)}.
n

Définition

L’équation a1 x1 + ... + an xn = 0 est alors appelée équation de l’hyperplan H relative à la base B.

31
 Calcul matriciel
K désigne R ou{C, m, n, p, q, r sont des entiers naturels.
0 si i ̸= j
On note δi,j = (symbole de Kronecker).
1 si i = j

15 Opérations sur les matrices

15.1 Matrices
Déf : On appelle matrice de type (n, p) (pour n lignes et p colonnes) à coefficients dans K tout famille
A = (ai,j )1≤i≤n,1≤j≤p d’éléments de K.
Une telle matrice est généralement
 représentée sous laforme d’un tableau à n lignes et p colonnes :
a1,1 a1,2 · · · a1,p
 
 a2,1 a2,2 · · · a2,p 

A = (ai,j )1≤i≤n,1≤j≤p =  . .. 
.. .
 .. . . 
an,1 an,2 · · · an,p

ai,j est appelé coefficient d’indice (i, j) de la matrice A, il est positionné à la i ème ligne et j ème colonne
de A. On note Mn,p (K) l’ensemble des matrices de type (n, p) à coefficients dans K.

Convention :
Le 1er indice est l’indice de ligne (souvent noté i).
Le 2nd indice est l’indice de colonne (souvent noté j).

Cas particuliers :
Pour n = p = 1 : les matrices de M1,1 (K) sont appelées matrices (uni-)coefficient. Elles sont de la forme (x).
Il est usuel d’identifier ces matrices avec l’élément x de K qui leur correspond.
Pour n quelconque et p = 1 :
Les matrices de Mn,1 (K)  sont 
appelées matrices (uni-)colonnes.
a1
 . 
Elles sont de la forme :  . 
 . .
an
Il est usuel d’identifier cette matrice colonne avec le n uplet (a1 , . . . , an ).
Pour n = 1 et p quelconque : les matrices de M1,p (K) sont appelées matrices (uni-)lignes.
Elles sont de la forme : ( a1 · · · ap ).

Déf : Soit A = (ai,j ) ∈ Mn,p (K) (présentation de l’abus de notation correspondant).

 
a1,1 a1,2 · · · a1,p
 
 a2,1 a2,2 · · · a2,p 
A= . .. 
. .. .
 . . . 
an,1 an,2 · · · an,p
 
a1,j
 . 
Pour 1 ≤ j ≤ p, la matrice Cj =  . 
 .  est appelée j
ème colonne de A.

an,j

32
Pour 1 ≤ i ≤ n, la matrice Li = ( ai,1 · · · ai,p ) est appelée i ème ligne de A.

15.2 Matrice carrée

Déf : Les matrices de type (n, n) sont appelées matrices carrées d’ordre n.
On note Mn (K), au lieu de Mn,n (K), l’ensemble de ces matrices.

Déf : Soit A = (ai,j ) ∈ Mn (K). Les coefficients d’indice (i, i) de A sont appelées coefficients diagonaux de
A. La famille (a1,1 , a2,2 , . . . , an,n ) = (ai,i )1≤i≤n est appelée diagonale de la matrice A.

Déf : Une matrice A ∈ Mn (K) est dite diagonale ssi tous ses coefficients hors de la diagonale sont nuls.
On note Dn (K) l’ensemble de ces matrices.
 
λ1 0
 
Déf : On note diag(λ1 , . . . , λn ) la matrice diagonale dont la diagonale est (λ1 , . . . , λn ) i.e. 

..
. .

0 λn

Déf : Une matrice A ∈ Mn (K) est dite triangulaire supérieure (resp. inférieure) ssi tous les coefficients en
dessous (resp. au dessus) de la diagonale sont nuls.
On note Tn+ (K) (resp. Tn− (K)) l’ensemble de ces matrices.

Proposition : Dn (K) = Tn+ (K) ∩ Tn− (K).

15.3 Espace vectoriel (Mn,p (K), +, .).

Déf : Soit A = (ai,j ) ∈ Mn,p (K) et B = (bi,j ) ∈ Mn,p (K).
On définit la matrice A + B ∈ Mn,p (K) par A + B = (ai,j + bi,j )1≤i≤n,1≤j≤p .
     
a1,1 · · · a1,p b1,1 · · · b1,p a1,1 + b1,1 · · · a1,p + b1,p
 . ..   . ..   
Ainsi  .   . .   .
. .. ..
 . + . = . . 
an,1 · · · an,p bn,1 · · · bn,p an,1 + bn,1 · · · an,p + bn,p

Déf : Soit A = (ai,j ) ∈ Mn,p (K) et λ ∈ K.

On définit la matrice λ.A ∈ Mn,p (K) par λ.A = (λai,j )1≤i≤n,1≤j≤p .
   
a1,1 · · · a1,p λa1,1 · · · λa1,p
 . ..   . .. 
Ainsi λ. 
 .
. .   .
= . . .
an,1 · · · an,p λan,1 · · · λan,p

Théorème : (Mn,p (K), +, .) est un K-espace vectoriel d’élément nul O = On,p .

Déf : Soit 1 ≤ k ≤ n et 1 ≤ l ≤ p. On appelle matrice élémentaire d’indice (k, l) de Mn,p (K) la matrice Ek,l
dont tous les coefficients sont nuls sauf celui d’indice (k, l) qui est égal à 1. Ainsi
 
0 0
 
Ek,l =  1  ∈ Mn,p (K).
0 0

33
Théorème :
La famille B = (Ek,l )1≤k≤n,1≤l≤p forme une base de Mn,p (K) appelée base canonique.

Corollaire : dimMn,p (K) = np et en particulier

dimMn (K) = n2 , dimMn,1 (K) = n et dimM1,p (K) = p.

Proposition : Dn (K) est un sous-espace vectoriel de Mn (K) de dimension n.

Proposition : Tn+ (K) et Tn− (K) sont des sous-espaces vectoriels de Mn (K) de dimension n(n+1)
2 .

15.4 Produit matriciel

Définition : Soit A = (ai,j ) ∈ Mn,p (K) et B = (bj,k ) ∈ Mp,q (K). On définit la matrice C = A × B =
(ci,k ) ∈ Mn,q (K)
∑
p
par : ∀1 ≤ i ≤ n, ∀1 ≤ k ≤ q, ci,k = ai,j bj,k .
j=1

15.5 Propriétés du produit matriciel

Proposition : Soit A ∈ Mn,p (K), B ∈ Mp,q (K), C ∈ Mq,r (K).
On a (AB)C = A(BC).

Proposition : ∀A ∈ Mn,p (K), AIp = A et In A = A.

Proposition : ∀A, B ∈ Mn,p (K), ∀C ∈ Mp,q (K) (A + B)C = AC + BC.

∀A ∈ Mn,p (K), ∀B, C ∈ Mp,q (K) A(B + C) = AB + AC.

Proposition : ∀A ∈ Mn,p (K), ∀B ∈ Mp,q (K), ∀λ ∈ K, (λ.A)B = λ.AB = A(λ.B).

15.6 L’anneau (Mn (K), +, ×).

15.6.1 présentation

Théorème :
(Mn (K), +, ×) est un anneau, généralement non commutatif, d’élément nul O = On et d’élément unité I = In .
De plus, ∀λ ∈ K, ∀A, B ∈ Mn (K) : (λ.A)B = λ.(AB) = A(λ.B).

Définition : On dit que deux matrices A et B de Mn (K) commutent ssi AB = BA.

Définition : Soit A ∈ Mn (K). On note A0 = In , A1 = A, A2 = A × A, . . . , Am = A × A × . . . × A (m

termes)
Exemple :
( ) ( ) ( )
1 1 a b 1 2 n−1
Soit A = et B = il est facile de montrer par recurence que An = et
0 2 0 a 0 2n
( )
an nan−1 b
Bn =
0 an
Théorème :

34
Si A et B commutent alors pour tout m ∈ N :
m ( )
∑ ∑ k m−1−k
m−1
m k m−k et Am − B m = (A − B)
(AB)m = Am B m , (A + B)m = k A B A B .
k=0 k=0

Exemple :
 
1 1 1
 
Soit A =  0 1 1  et on pose B = A − I3 , calculer B n et en déduire An .
0 0 1
   
0 1 1 0 0 1
   
B =  0 0 1 , B 2 =  0 0 0 , B n = O3 ∀n ≥ 3.
0 0 0 0 0 0
An = (I3 + B)n = I3 + nB + n(n−1) 2 B2.
Définition : Soit A ∈ Mn (K).
On dit que A est idempotente ssi A2 = A.
On dit que A est une matrice nilpotente ssi ∃m ∈ N, Am = 0.

15.6.2 matrices inversibles

Définition : Une matrice A ∈ Mn (K) est dite inversible ssi ∃B ∈ Mn (K), AB = BA = In . On note alors
B = A−1 .
Exemple :
   
1 0 1 0 1 1
   
Soit A =  2 −1 1 , A−1 =  1 0 1 
−1 1 −1 1 −1 −1
Proposition : Soit A, B ∈ Mn (K)
Si A et B sont inversibles alors AB l’est aussi et (AB)−1 = B −1 A−1 .
Si A est inversible alors A−1 l’est aussi et (A−1 )−1 = A.

Définition : On note GLn (K) l’ensemble des matrices inversibles de Mn (K).

Proposition : (GLn (K), ×) est un groupe appelé groupe linéaire d’ordre n.

Théorème d’inversibilité :
Soit A ∈ Mn (K). On a équivalence entre
(i) A est inversible
(ii) A est inversible à droite i.e. ∃B ∈ Mn (K), AB = In
(iii) A est inversible à gauche i.e. ∃C ∈ Mn (K), CA = In .
De plus si tel est le cas A−1 = B = C.

15.6.3 matrices diagonales

Proposition : Dn (K) est un sous-anneau commutatif de Mn (K).

 
a1
 
Proposition : Soit A = 

..
.  ∈ Dn (K). On a équivalence entre :

an

35
 (i) A est inversible.
(ii) ∀1 ≤ i ≤ n, ai ̸= 0.  
1
 a1

De plus si tel est le cas : A−1 = 

..
. .

1
an

15.6.4 matrices triangulaires

Proposition : Tn+ (K) est un sous-anneau de Mn (K).

Proposition : Soit A ∈ Tn+ (K). On a équivalence entre :

(i) A est inversible
(ii) Les coefficients diagonaux de A sont tous non nuls.
De plus, si tel est le cas, A−1 ∈ Tn+ (K)

15.7 Transposition
15.7.1 définition
′
Définition : Soit A = (ai,j ) ∈ Mn,p (K). On appelle matrice transposée de A la matrice t A = (aj,i ) ∈ Mp,n (K)
′
définie par ∀1 ≤ i ≤ n, 1 ≤ j ≤ p, aj,i = ai,j .
Ainsi le coefficient d’indice (j, i) de t A est égal au coefficient d’indice (i, j) de A.
   
a11 · · · a1p a11 · · · an1
 . ..   . .. 
Concrètement : Pour A = 
 .
. . 
t  .
, A =  . . 
.
an1 · · · anp a1p · · · anp

Proposition : ∀A ∈ Mn,p (K), t (t A) = A.

∀A, B ∈ Mn,p (K), ∀λ, µ ∈ K, t (λA + µB) = λt A + µt B.

Proposition : ∀A ∈ Mn,p (K), ∀B ∈ Mp,q (K), t (AB) =t B t A.

Proposition : Soit A ∈ Mn (K).

Si A est inversible alors t A l’est aussi et t (A−1 ) = (t A)−1 .

15.7.2 matrices symétriques et antisymétriques

Définition : On dit que A ∈ Mn (K) est symétrique (resp. antisymétrique) ssi

tA = A (resp. t A = −A).
On note Sn (K) (resp. An (K)) l’ensemble de ces matrices.
 
( ) −1 0 5
1 2  
Exemples : Soit A = ,B = 0 2 −1  A et B sont symétriques.
2 4
5 −1 0
 
( ) 0 4 2
0 1  
Soit C = , D =  −4 0 −5  C et D sont antisymétriques.
−1 0
−2 5 0

36
  
a11 a12 ··· a1n
 .. 
 a .. 
 12 a22 . . 
Proposition : Les matrices de Sn (K) sont de la forme : A =  . .
 .. .. .. 
 . an−1,n . 
a1n · · · an−1,n an,n
n(n+1)
Par suite Sn (K) est un sous-espace vectoriel de dimension 2 de Mn (K).
 
0 a12 ··· a1n
 .. 
 −a .. 
 12 0 . . 
Proposition : Les matrices de An (K) sont de la forme : A =  . .
 .. . .. .. 
 . an−1,n 
−a1n · · · −an−1,n 0

Théorème :
Sn (K) et An (K) sont deux sous-espaces vectoriels supplémentaires de Mn (K).

Proposition : Soit A ∈ Mn (K) inversible.

Si A ∈ Sn (K) alors A−1 ∈ Sn (K).
Si A ∈ An (K) alors A−1 ∈ An (K).

16 Représentation matricielle d’une application linéaire

16.1 Matrice d’une famille de vecteurs
Soit E un K-espace vectoriel muni d’une base B = (e1 , . . . , en ).
Pour tout x ∈ E, ∃!(α1 , . . . , αn ) ∈ Kn , x = α1 e1 + · · · + αn en .

Définition : On appelle matrice des composantes de x dans B

 
α1
 . 
la matrice colonne M atB (x) =  . 
 .  ∈ Mn,1 (K).
αn
x
 
.
Ainsi M atB (x) =  ..  composantes dans B.

Proposition : L’application x 7→ M atB (x) est un isomorphisme entre les K-espaces vectoriels E et Mn,1 (K).
Soit F = (x1 , x2 , . . . , xn ) une famille de vecteurs de E. Pour tout 1 ≤ j ≤ p, posons Cj = M atB (xj ).

Définition : On appelle matrice représentative de la famille F dans B la matrice A dont les colonnes sont les
C1 , C 2 , . . . , Cp .
On note A = M atB (F) = M atB (x1 , x2 , . . . , xp ) ∈ Mn,p (K).

x1 xp
 
 . .. 
Ainsi M atB (F) =  .. .  composantes dans B.

37
16.2 Matrice d’une application linéaire
Définition : Soit E et F des K-espaces vectoriels de dimension p et n et munis de bases B = (e1 , . . . , ep ) et
C = (f1 , . . . , fn ). Soit u ∈ L(E, F ), on appelle matrice représentative de u relativement aux bases B et C la
matrice :
M atB,C (u) = M atC (u(B)) = M atC (u(e1 ), . . . , u(ep )) ∈ Mn,p (K).

u(e1 ) u(ep )
 
 .. .. 
M atB,C (u) =  . .  composantes dans C.

Définition : Soit E un K-espace vectoriel de dimension n muni d’une base B = (e1 , . . . , en ).

Soit f ∈ L(E), en général on représente matriciellement f en choisissant la même base au départ et à l’arrivée.
La matrice carrée d’ordre n ainsi obtenue est notée M atB (f ) au lieu de M atB,B (f ).

16.3 Propriétés de la représentation matricielle

16.3.1 Isomorphisme

Théorème :
Soit E et F des K-espaces vectoriels munis de bases B = (e1 , . . . , ep ) et C = (f1 , . . . , fn ).
L’application M : L(E, F ) → Mn,p (K) définie par M (u) = M atB,C (u) est un isomorphisme de K-espace
vectoriel.

Corollaire : Soit E et F deux K-espaces vectoriels de dimensions finies.

L(E, F ) est un K-espace vectoriel de dimension finie et dimL(E, F ) = dimE × dimF .
En particulier : dimL(E) = dimE 2 et dim(E ∗ ) = dimE.

Corollaire : Lorsque deux K-espaces vectoriels E et F sont munis de bases B et C, il est équivalent de se
donner u ∈ L(E, F ) ou de se donner A = M atB,C (u) ∈ Mn,p (K).

Définition : Pour E = Kp et B base canonique de Kp .

Pour F = Kn et C base canonique de Kn .
L’application M : L(Kp , Kn ) → Mn,p (K) est appelée isomorphisme canonique entre L(Kp , Kn ) et Mn,p (K).
Pour u ∈ L(Kp , Kn ), A = M (u) ∈ Mn,p (K) est appelée matrice canoniquement associée à u.
Pour A ∈ Mn,p (K), u = M −1 (A) ∈ L(Kp , Kn ) est appelée application linéaire canoniquement associée à A.

16.3.2 Image d’un vecteur

Théorème :
Soit E et F des K-espaces vectoriels munis de bases B = (e1 , . . . , ep ) et C = (f1 , . . . , fn ).
Soit u ∈ L(E, F ), x ∈ E et y ∈ F .
Notons A = M atB,C (u), X = M atB (x) et Y = M atC (y).
On a : y = u(x) ⇔ Y = AX.
Ainsi : M atC (u(x)) = M atB,C (u) × M atB (x).
En Particulier : Les formes linéaires.

38
Si F = K muni de sa base canonique (1) et f ∈ E ∗ alors la matrice de f est une matrice ligne L est y =
f (x) ⇔ y = LX.

16.3.3 Composition d’applications linéaires

Théorème :
Soit E, F , G trois K-espaces vectoriels munis de bases B = (e1 , . . . , ep ), C = (f1 , . . . , fn ), D = (g1 , . . . , gm ).
Pour u ∈ L(E, F ) et v ∈ L(F, G) on a :
M atB,D (v ◦ u) = M atC,D (v) × M atB,C (u).

Corollaire : Soit E un K-espace vectoriel muni d’une base B = (e1 , . . . , en ).

Soit f, g ∈ L(E) et A = M atB (f ), B = M atB (g) ∈ Mn (K).
On a M atB (f ◦ g) = AB et ∀m ∈ N, M atB (f m ) = Am .

16.3.4 Représentation d’un isomorphisme

Théorème :
Soit E et F deux K-espaces vectoriels de même dimension n munis de bases B = (e1 , . . . , en ) et C =
(e1 , . . . , en ). Soit u ∈ L(E, F ) et A = M atB,C (u)
On a équivalence entre :
(i) u est un isomorphisme
(ii) A est inversible.
De plus si tel est le cas M atC,B (u−1 ) = A−1 .
En Particulier : (Les automorphismes)
Soit E un K-espace vectoriel muni d’une base B = (e1 , . . . , en ). Soit f ∈ L(E) et A = M atB (f ).
f ∈ GL(E) ⇔ A ∈ GLn (K)
De plus, si tel est le cas : M atB (f −1 ) = A−1 .

16.4 Représentation d’un endomorphisme dans une base adaptée

Soit E un K-espace vectoriel de dimension n.

Proposition : Soit λ ∈ K et hλ : E → E l’homothétie vectorielle de rapport λ.

 
λ 0
 
Dans toute base B = (e1 , . . . , en ) : M atB (hλ ) = 

..
. .

0 λ

Proposition : Soit F et G deux sous-espaces vectoriels supplémentaires de dimensions respectives r et n − r.

Notons p la projection vectorielle sur F parallèlement à G et s la symétrie vectorielle par rapport à F et paral-
lèlement à G. Dans toute base B adaptée à la supplémentarité de F et G :
( ) ( )
Ir 0 Ir 0
M atB (p) = et M atB (s) = .
0 0n−r 0 −In−r

39
16.5 Formules de changement de bases.
16.5.1 Matrice de passage
′
Soit E un K-espace vectoriel de dimension n muni de deux bases B = (e1 , . . . , en ) et B = (ε1 , . . . , εn ).

′
Définition : On appelle matrice de passage de B à B la matrice
′
P = M atB (B ) = M atB (ε1 , . . . , εn ).

′
Proposition : Soit P la matrice de passage de B à B . On a P = M atB′ ,B (IdE ).

′
Proposition : Soit P la matrice de passage de B à B .
′
P est inversible et P −1 est la matrice de passage de B à B.

16.5.2 Nouvelles composantes d’un vecteur

′
Proposition : Soit B et B deux bases d’un K-espace vectoriel E de dimension n.
′ ′
Soit x ∈ E, notons X et X ses matrices composantes dans B et B .
′ ′ ′
En notant P la matrice de passage de B à B , on a : X = P X et X = P −1 X,
′
i.e. : M atB (x) = M atB B M atB′ (x) et M atB′ (x) = M atB′ BM atB (x).

16.5.3 Nouvelle représentation d’une application linéaire

′
Proposition : Soit B et B deux bases d’un K-espace vectoriel E.
′
Soit C et C deux bases d’un K-espace vectoriel F .
′
Soit u ∈ L(E, F ). Posons A = M atB,C (u) et A = M atB′ ,C ′ (u).
′ ′
En notant P la matrice de passage de B à B et Q a matrice de passage de C à C on a :
′ ′ ′
A = Q−1 AP . Ainsi A = M atB′ ,C ′ (u) = M atC ′ C.M atB,C (u).M atB B .

16.5.4 Nouvelle représentation d’un endomorphisme

Théorème :
′
Soit B et B deux bases d’un K-espace vectoriel E.
′
Soit f ∈ L(E). Posons A = M atB (f ) et A = M atB′ (f ).
′ ′
En notant P = M atB B . On a : A = P −1 AP .
′ ′
Ainsi A = M atB′ (f ) = M atB′ B.M atB (f ).M atB B .

16.6 Traces
16.6.1 Trace d’une matrice carrée

Définition : Soit A = (ai,j ) ∈ Mn (K).

∑
n
On appelle trace de la matrice A le scalaire tr(A) = ai,i .
i=1

Proposition : tr : Mn (K) → K est une forme linéaire.

Proposition : ∀A, B ∈ Mn (K), tr(AB) = tr(BA).

40
16.6.2 Trace d’un endomorphisme

Soit E un K-espace vectoriel de dimension n et f ∈ L(E).

′ ′ ′
Soit B et B deux bases de E. Notons P = M atB B , A = M atB (f ), A = M atB′ (f ).
′
La relation de passage permet d’écrire : A = P A P −1 . On a :
′ ′
tr(A) = tr(P −1 P A ) = tr(A ).
Par suite la trace de la matrice représentative de f est indépendante de la base choisie.

Définition : Cette quantité est appelée trace de l’endomorphisme f et est notée tr(f ).

Proposition : L’application tr : L(E) → K est une forme linéaire sur E.

Proposition : ∀f, g ∈ L(E), tr(f ◦ g) = tr(g ◦ f ).

17 Rang d’une matrice

17.1 Définition
Soit A = (ai,j ) ∈ Mn,p (K). Notons C1 , C2 , . . . , Cp les colonnes de A. Les Cj sont des vecteurs du K-
espace vectoriel Mn,1 (K), on peut donc considérer le rang de la famille de vecteurs (C1 , C2 , . . . , Cp ).

Définition : On appelle rang de la matrice A, noté rg(A), le rang de la famille des colonnes de A, ainsi
rg(A) = rg(C1 , C2 , . . . , Cp ).

Proposition : Soit F = (x1 , x2 , . . . , xp ) une famille de vecteurs de d’un K-espace vectoriel E muni d’une
base B.
En notant A = M atB (x1 , x2 , . . . , xp ), on a rg(x1 , x2 , . . . , xp ) = rg(A).

Proposition : Soit E, F deux K-espaces vectoriels munis de bases B et C et u ∈ L(E, F ).

En notant A = M atB,C (u), on a rg(u) = rg(A).

17.2 Propriétés du rang d’une matrice

Proposition : ∀A ∈ Mn,p (K), rg(A) ≤ min(n, p).

Proposition : ∀A ∈ Mn,p (K), ∀A ∈ Mp,q (K), rg(AB) ≤ min(rg(A), rg(B)).

De plus :
Si A est une matrice carrée inversible alors rg(AB) = rg(B)
Si B est une matrice carrée inversible alors rg(AB) = rg(A).

Théorème :
Soit A ∈ Mn (K). On a équivalence entre :
(i) A est inversible
(ii) rg(A) = n.

41
17.3 Caractérisation théorique du rang
Soit 0 ≤ r ≤ min(n, p).
 
1 0
 .. 
 . 0 

On note Jr la matrice de Mn,p (K) définie par Jr =  .

 0 1 
0 0

Proposition : rg(Jr ) = r.

Théorème :
Soit A ∈ Mn,p (K) et r ∈ N tel que 0 ≤ r ≤ min(n, p).
On a équivalence entre :
(i) rg(A) = r
(ii) ∃P ∈ GLp (K), ∃Q ∈ GLn (K) telles que A = QJr P .
Corollaire : ∀A ∈ Mn,p (K), rg(t A) = rgA.

42