Université Ibn Tofail Année universitaire 2018/2019

Faculté des Sciences Semestre : Printemps

Département de Mathématique Filière : SMPC (S2)
Kénitra Module : Algèbre 2

Cours
d’Algèbre 2

Par

Srhir Ahmed
 Table des matières

1 Espaces vectoriels 2
1.1 Rappel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Définitions et exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Somme de sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.5 Familles génératrices, libres et bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.6 Dimension d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

2 Applications linéaires 11
2.1 Définitions et exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Image et noyau d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

3 Matrices 12
3.1 Définitions et exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.2 Calcul matriciel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.3 Matrice d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.4 Changement de bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

4 Déterminants 13
4.1 Définitions et exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.2 Image et noyau d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.3 Calcul matriciel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.4 Matrice d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.5 Changement de bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
 Chapitre 1
Espaces vectoriels

Ce premier chapitre est consacré aux espaces vectoriels. Après un brève rappel sur les vecteurs du plan,
nous donnons dans le paragraphe 2 la définition et des exemples des espaces vectoriels. Puis nous introduirons
dans le paragraphe 3 les sous-espaces vectoriels. Nous traitons ensuite dans le paragraphe 4 les familles libres,
génératrices et les bases. Nous terminons le chapitre par la dimension d’un espace vectoriel.
On désigne toujours par K le corps R ou C.

1.1 Rappel
Commençons d’abord par rappeler qu’un vecteur du plan (ou espace) usuel (P) est défini par la donnée
d’une direction, d’un sens et d’une longueur. Rappelons aussi qu’on peut faire :
• la somme de deux vecteurs #» u et #»
v et le résultat est un vecteur #»u + #»
v.
• la multiplication d’un nombre réel α par un vecteur #» u et le résultat est un vecteur α · #»
u.

#»
u + #»
v α · #»
u (α > 0)
#»
v

#»
u
#»
u
0 b 0 b

Somme de deux vecteurs. multiplication d’un réel par un vecteur.

Figure 1.1: Opérations sur les vecteurs.

L’ensemble E des vecteurs de (P) avec ces deux opérations possède les propriétés suivantes :
1. (E, +) est un groupe commutatif.
2. ∀ #»
u , 1 · #»
u = #» u.
3. ∀ α, β ∈ R, ∀ u , α · (β · #»
#» u ) = (αβ) · #»
u.
4. ∀ α ∈ R, ∀ u , v , α · ( u + v ) = α · u + α · #»
#» #» #» #» #» v.
#» #» #» #»
5. ∀ α, β ∈ R, ∀ u , (α + β) · u = α · u + β · u .
Ces propriétés découlent directement de la définition de la somme de deux vecteurs et la multiplication d’un
vecteur par un nombre réel. Ce sont ces huit propriétés qui définissent les vecteurs dans le cas général :

2
 Chapitre1: Espaces vectoriels

1.2 Définitions et exemples

Définition 1.2.1– On appelle espace vectoriel sur K (on dit aussi K-espace vectoriel) tout ensemble non vide
E muni d’une loi de composition interne + : E × E −→ E, (x, y) 7→ x + y et d’une loi de composition externe
· : K × E −→ E, (λ, x) 7→ λ · x vérifiant les huit axiomes suivants :
1. ∀ x, y, z ∈ E, (x + y) + z = x + (y + z). (La loi + est associative).
2. ∃ 0E ∈ E, ∀ x ∈ E, 0E + x = x + 0E = x. (0E est l’élément neutre de la loi +).
3. ∀ x ∈ E, ∃ x 0 ∈ E, x + x 0 = x 0 + x = 0E . (Tout élément de E admet un symétrique).
4. ∀ x, y ∈ E, x + y = y + x. (La loi + est commutative).
5. ∀ x ∈ E, 1 · x = x
6. ∀ α, β ∈ K, ∀ x ∈ E, α · (β · x) = (αβ) · x.
7. ∀ α ∈ K, ∀ x, y ∈ E, α · (x + y) = α · x + α · y.
8. ∀ α, β ∈ K, ∀ x ∈ E, (α + β) · x = α · x + β · x.

Notations 1– Avant de donner des exemples. Fixons d’abord quelques notations et conventions.
• Les éléments de E s’appellent des vecteurs et les éléments de K s’appellent des scalaires.
• L’élément neutre 0E pour la loi + s’appelle aussi le vecteur nul, et le symétrique d’un élément x de E pour
la loi + s’appelle l’opposé de x et se note −x.
• La multiplication du scalaire α par le vecteur x sera noté simplement par αx au lieu α · x.

Exemple 1.2.1– 1) L’ensemble E des vecteurs du plan usuel (P) est un R-espace vectoriel.
2) Le corps K est un K-espace vectoriel la loi externe étant la multiplication de K.
3) Le corps C est un R-espace vectoriel. Mais le corps R n’est pas un C-espace vectoriel.
4) L’ensemble R2 = (x, y) x ∈ R et y ∈ R est un R-espace vectoriel muni des lois suivantes :


(x, y) + (x 0, y 0) B (x + x 0, y + y 0) et α(x, y) B (αx, αy).

si (x, y) et (x 0, y 0) sont deux éléments de R2 et α un élément de R.

5) Plus généralement, si n ∈ N∗ . Alors Kn = (x1, . . . , xn ) x1, . . . , xn ∈ K est un K-espace vectoriel muni


des lois suivantes :

(x1, . . . , xn ) + (x10, . . . , xn0 ) B (x1 + x10, . . . , xn + xn0 ) et α(x1, . . . , xn ) B (αx1, . . . , αxn ).

si α ∈ K et (x1, . . . , xn ), (x10, . . . , xn0 ) ∈ Kn .

6) Soit X un ensemble non vide quelconque. Alors l’ensemble F(X, R) de toutes les fonctions de X dans R
est un R-espace vectoriel muni des lois suivantes :

∀ x ∈ X, ( f + g)(x) B f (x) + g(x) et (α f )(x) B α f (x).

si α ∈ R et f , g ∈ F(X, R).
7) L’ensemble R[X] des polynômes est un R-espace vectoriel muni de l’addition de deux polynômes et la
multiplication d’un nombre réel par un polynôme.

Remarque 1– Il faut faire très attention qu’on ne peut pas faire en général le produit de deux vecteurs. On ne
peut pas aussi diviser un vecteur par un autre vecteur non nul.

Exercice 1– Montrer que l’ensemble RN des suites réelles est un R-espace vectoriel.
 Chapitre1: Espaces vectoriels

Proposition 1.2.2– Soit E un K-espace vectoriel. Alors pour tout α ∈ K et pour tout x ∈ E, on a :
1. α x = 0E ⇐⇒ α = 0 ou x = 0E .
2. α(−x) = −(α x) et (−α)x = −(α x).
Exercice 2– Soit E un K-espace vectoriel. Montrer que pour tout (α, β) ∈ K2 et tout (x, y) ∈ E 2, on a :
1. α(x − y) = α x − α y.
2. (α − β)x = α x − β x.

1.3 Sous-espaces vectoriels

Il est très long de vérifier qu’un ensemble est un espace vectoriel en utilisant la définition 1.2.1. En pratique,
on obtient des espaces vectoriels comme des sous-espaces vectoriels d’espaces vectoriels déjà connus.
Définition 1.3.1– Soit E un K-espace vectoriel. On dit qu’une partie F de E est un sous-espace vectoriel si
1. 0E ∈ F.
2. ∀ (x, y) ∈ F 2, x + y ∈ F.
3. ∀ α ∈ K, ∀ x ∈ F, α x ∈ F.
Les propriétés 2) et 3) de la définition précédente peuvent être rassemblés pour donner le résultat suivant :
Théorème 1.3.2– Soient E un K-espace vectoriel et F une partie de E. Alors F est un sous-espace vectoriel
de E si, et seulement si
1. 0E ∈ F.
2. ∀ (α, β) ∈ K2, ∀ (x, y) ∈ F 2, α x + β y ∈ F.
Remarque 2– Il faut bien remarquer que tout sous-espace vectoriel contient nécessairement le vecteur nul 0E .
La notion prend tout son intérêt grâce au théorème suivant.
Théorème 1.3.3– Soient E un K-espace vectoriel et F un sous-espace vectoriel de E. Alors F est un K-espace
vectoriel pour les lois induites par E.
Ainsi pour montrer qu’un ensemble est un espace vectoriel, il suffit de vérifier deux propriétés au lieu de
huit propriétés de la définition 1.2.1.
Exemple 1.3.1– 1) Soit E est un K-espace vectoriel. Alors {0E } et E sont des sous-espaces vectoriels de E.
2) Le corps R est un sous-espace vectoriel du R-espace vectoriel C.
3) La partie ∆1 = (x, y) ∈ R2 x − y = 0 est un sous-espace vectoriel de R2 .


4) La partie D1 = (x, y) ∈ R2 x − y = 1 n’est pas un sous-espace vectoriel de R2 .


y y
∆1 D1

0 b 0 b

x x

Figure 1.2: Les exemples 3) et 4) ci-dessus.

4
 Chapitre1: Espaces vectoriels

La partie F = (x, y, z) ∈ R3 x + y − z = 0 est un sous-espace vectoriel de R3 .


5)

6) L’ensemble Rn [X] B P ∈ R[X] deg(P) 6 n est un sous-espace vectoriel de R[X] (où n ∈ N).
7) L’ensemble C 0 (R, R) des fonctions continues de R dans R est un sous-espace vectoriel de F(R, R).
8) L’ensemble C des suites réelles convergentes est un sous-espace vectoriel de RN .

Exercice 3– Soient F et G les parties de R2 définies par

F = (x, y) ∈ R2 xy = 0 et G = (x, y) ∈ R2 x > 0 et y > 0 ·

 

1. Représenter graphiquement F et G.
2. Montrer que F et G ne sont pas des sous-espaces vectoriels de R2 .

Proposition 1.3.4– Soient E un K-espace vectoriel et F et G deux sous-espaces vectoriels de E. Alors

1. F ∩ G est toujours un sous-espace vectoriel de E.
2. F ∪ G n’est pas en général un sous-espace vectoriel de E.
3. E \ F n’est jamais un sous-espace vectoriel de E.

Proposition 1.3.5– Soient E un K-espace vectoriel et x1, . . . , xn des vecteurs de E. Alors

Vect(x1, . . . , xn ) = α1 x1 + · · · + αn xn α1, . . . , αn ∈ K


est le plus petit (pour l’inclusion) sous-espace vectoriel de E contant x1, . . . , xn . Il s’appelle le sous-espace
vectoriel engendré par x1, . . . , xn .

Exemple 1.3.2– 1) Soit u = (1, 1) le vecteur du R-espace vectoriel R2 . On a

Vect(u) = αu α ∈ R


= (α, α) α ∈ R


= (x, y) ∈ R2 y = x .


2) Considérons les deux vecteurs 1 et i du R-espace vectoriel C. On a

Vect(1, i) = α1 + β i α, β ∈ R


= α + β i α, β ∈ R


= C.

Exercice 4– 1) Soient les deux vecteurs u = (1, 1, 1) et v = (1, −1, 0) du R-espace vectoriel R3 . Vérifier que

Vect(u, v) = (α + β, α − β, α) α, β ∈ R .


2) Soient les vecteurs 1, X, . . . , X n du R-espace vectoriel R[X]. Vérifier que Vect(1, X, . . . , X n ) = Rn [X].

1.4 Somme de sous-espaces vectoriels

Définition 1.4.1– Soient E un K-espace vectoriel et F et G deux sous-espaces vectoriels de E. On appelle
somme de F et G, le sous-espace vectoriel de E défini par

F + G B x + y x ∈ F et y ∈ G ·


5
 Chapitre1: Espaces vectoriels

F +G

Figure 1.3: Somme de deux sous-espaces vectoriels.

Exemple 1.4.1– 1) Soient F et G les deux sous-espaces vectoriels de R2 définis par

F = (x, y) ∈ R2 y = 0 et G = (x, y) ∈ R2 x = 0 ·
 

Par définition de F + G, on a
w ∈ F + G ⇐⇒ w = u + v (avec u ∈ F et v ∈ G)
⇐⇒ w = (x, 0) + (0, y 0) (avec x, y 0 ∈ R)
⇐⇒ w = (x, y) (avec x, y ∈ R).

Ainsi on a F + G = R2 .
2) Soient F et G les deux sous-espaces vectoriels de R3 définis par

F = (x, y, z) ∈ R3 y = z = 0 et G = (x, y, z) ∈ R3 x = z = 0 ·
 

Par définition de F + G, on a
w ∈ F + G ⇐⇒ w = u + v (avec u ∈ F et v ∈ G)
⇐⇒ w = (x, 0, 0) + (0, y 0, 0) (avec x, y 0 ∈ R)
⇐⇒ w = (x, y, 0) (avec x, y ∈ R).

Ainsi on a F + G = (x, y, z) ∈ R3 z = 0 .


3) Soient F et G les deux sous-espaces vectoriels de R3 définis par

F = (x, y, z) ∈ R3 x = 0 et G = (x, y, z) ∈ R3 y = 0 ·
 

On montre comme dans les exemples 1) et 2) que F + G = R3 . (Vérifier cette égalité).

Remarque 3– Soient u et v deux vecteurs d’un K-espace vectoriel E. Alors on a

Vect(u, v) = Vect(u) + Vect(v)·

Définition 1.4.2– Soient E un K-espace vectoriel et F, G et H des sous-espaces vectoriels de E. On dit que H
est somme directe de F et G et on note H = F ⊕ G si
1. H = F + G.
2. F ∩ G = {0}.
Exemple 1.4.2– Voir l’exemple 1.4.1 ci-dessus.

Définition 1.4.3– Soient E un K-espace vectoriel et F et G des sous-espaces vectoriels de E. On dit que F et
G sont supplémentaire dans E si E = F ⊕ G. Autrement dit, si

∀ w ∈ E, ∃ !(u, v) ∈ F × G, w = u + v·

6
 Chapitre1: Espaces vectoriels

Exemple 1.4.3– 1) Les deux sous-espaces vectoriels F = (x, y) ∈ R2 y = 0 et G = (x, y) ∈ R2 x = 0

 

sont supplémentaire dans R2 .

2) Le sous-espace vectoriel G 0 = (x, y) ∈ R2 x = y est un autre supplémentaire de F dans R2 .


3) Les deux sous-espaces vectoriels R et iR sont supplémentaire dans C.

Exercice 5– 1) Montrer que les sous-espaces vectoriels R2 [X] et RX 3 sont supplémentaire dans R[X].
vectoriel F = (x, y, z) ∈ R3 x − y − z = 0 est un supplémentaire du

2) Montrer que le  sous-espace
sous-espace G = (x, y, z) ∈ R3 y = z = 0 dans R3 .
3) Soit P (resp. I) l’ensemble des fonctions paires (resp. impaires) de R dans R. Montrer que P et I sont des
sous-espaces vectoriels supplémentaires dans F(R, R).

1.5 Familles génératrices, libres et bases

Définition 1.5.1– Soit E un K-espace vectoriel. On dit qu’une famille {a1, . . . , an } de E est génératrice de E
si Vect(a1, . . . , an ) = E. Autrement dit, si

∀x ∈ E, ∃λ1, . . . , λn ∈ K, x = λ1 a1 + · · · + λn an .

Exemple 1.5.1– 1) La famille {1} est une famille génératrice de K.

2) La famille {1, i} est une famille génératrice de C (voir l’exemple 1.3.2).
3) La famille {(1, 0), (0, 1)} est une famille génératrice de R2 .
4) La famille {(1, 0, 0), (0, 1, 0), (0, 0, 1)} est une famille génératrice de R3 .
5) La famille {1, X, X 2 } est une famille génératrice de R2 [X].
Remarque 4– 1) Les vecteurs u = (1, 1) et v = (2, 2) de R2 vérifient v = 2u. C’est-à-dire qu’il y a une relation
linéaire entre u et v.
2) Par contre, si on regarde les vecteurs e1 = (1, 0) et e2 = (0, 1) de R2 . Alors il n’existe aucun nombre réel λ
tel que e2 = λe1 ou e1 = λe2 . C’est-à-dire e1 et e2 sont « linéairement indépendants ». D’où la définition :
Définition 1.5.2– Soit E un K-espace vectoriel. On dit qu’une famille {a1, . . . , an } de E est libre si

∀ α1, . . . , αn ∈ K, α1 a1 + · · · + αn an = 0E =⇒ α1 = . . . = αn = 0.

On dit aussi que les vecteurs a1, . . . , an sont linéairement indépendants.

Remarque 5– Soit E un K-espace vectoriel. On dit qu’une famille {a1, . . . , an } de E est liée si elle n’est pas
libre. Autrement dit, s’il existe α1, . . . , αn ∈ K non tous nuls tels que

α1 a1 + · · · + αn an = 0E .

On dit aussi que les vecteurs a1, . . . , an sont linéairement dépendants. En particulier, une famille de E qui
contient le vecteur nul 0E est nécessairement liée.
Exemple 1.5.2– 1) La famille {1, i} du R-espace vectoriel C est libre.
2) La famille {(1, 0), (0, 1)} de R2 est libre.
3) La famille {(1, 0, 0), (0, 1, 0), (0, 0, 1)} de R3 est libre.
4) La famille {1, X, X 2 } est une famille libre de R2 [X].
√ √
5) La famille {(3, −1), (3 2, − 2)} de R2 est liée.

7
 Chapitre1: Espaces vectoriels

6) La famille {1, i} du C-espace vectoriel C est liée.

Remarque 6– Soient E un K-espace vectoriel et u, v et w trois vecteurs de E. Alors

1. La famille {u} est libre si, et seulement si u , 0E .
2. La famille {u, v} est libre si, et seulement si u et v ne sont pas colinéaires.
3. La famille {u, v, w} est libre si, et seulement si u, v et w ne sont pas coplanaires.
4. Toute famille contenue dans une famille libre est libre.
5. Toute famille contenant une famille liée est liée.

Exercice 6– 1) Montrer que la famille {(1, 1, −1), (0, 2, 1), (0, 0, 3)} de R3 est libre.
2) Montrer que la famille {2 − X 2, 1 − X, X + X 2 } de R2 [X] est libre.
3) La famille {2 + X, −X + 3X 2, −4 − 6X 2 } de R2 [X] est-elle libre ?

Définition 1.5.3– Soit E un K-espace vectoriel. On dit qu’une famille B = {e1, . . . , en } de E est une base de
E si elle est à la fois génératrice et libre de E. Autrement, dit si

∀ x ∈ E, ∃! (α1, . . . , αn ) ∈ Kn, x = α1 e1 + · · · + αn en .

Les scalaires α1, . . . , αn s’appellent les coordonnées de x dans la base B.

Exemple 1.5.3– 1) La famille {1} est une base du K-espace vectoriel K.

2) La famille {1, i} est une base du R-espace vectoriel C.
3) La famille {(1, 0), (0, 1)} est une base de R2 .
4) La famille {(1, 0, 0), (0, 1, 0), (0, 0, 1)} est une base de R3 .
5) La famille {1, X, X 2 } est une base de R2 [X].

Exercice 7– 1) Montrer que B = {1, 1 + X, 1 + X + X 2 } est une base de R2 [X].

2) Soit P(X) = 3X 2 + 5X − 3. Déterminer les coordonnées de P dans la base B.

1.6 Dimension d’un espace vectoriel

Définition 1.6.1– Soit E un K-espace vectoriel. On dit que E est de dimension finie s’il admet au moins une
famille génératrice de cardinal fini. Dans le cas contraire, il est dit de dimension infini.

Théorème 1.6.2– Soit E un K-espace vectoriel de dimension finie. Alors toutes les bases de E ont le même
cardinal (fini) n qui s’appelle la dimension de E et se note dimK (E).

Exemple 1.6.1– 1) On a dimK (K) = 1 car {1} est une base de K.

2) On a dimR (C) = 2 car {1, i} est une base de C.
3) On a dim(R2 ) = 2 car {(1, 0), (0, 1)} est une base de R2 .
4) On a dim(R3 ) = 3 car {(1, 0, 0), (0, 1, 0), (0, 0, 1)} est une base de R3 .
5) On a dim(R2 [X]) = 3 car {1, X, X 2 } est une base de R2 [X].
6) On a R[X] est de dimension infinie.

Théorème 1.6.3– Soit E un K-espace vectoriel de dimension finie n. Alors

1. Pour toute famille libre L de E, on a card(L) 6 n.
2. Pour toute famille génératrice G de E, on a card(G) > n.

8
 Chapitre1: Espaces vectoriels

Corollaire 1.6.4– Soit E un K-espace vectoriel de dimension finie n et F une famille finie vecteurs de E. Alors
les propriétés suivantes sont équivalentes :
1. F est une base de E.
2. F est une famille libre ayant n éléments.
3. F est une famille génératrice de E ayant n éléments.

Exemple 1.6.2– 1) La famille F1 = {(1, 1)} n’est pas génératrice de R2 car card(F1 ) < dim(R2 ).
√
2) La famille F2 = {(1, 0, π), (0, e, 2)} n’est pas génératrice de R3 car card(F2 ) < dim(R3 ).
3) La famille F3 = {(1, 1), (1, 0), (1, −1)} de R2 est liée car card(F3 ) > dim(R2 ).
4) La famille F4 = {(1, 1), (−1, 1)} est une base de R2 . Puisque card(F4 ) = dim(R2 ), il suffit de voir que F4 est
libre. Soient α, β ∈ R. On a

α(1, 1) + β(−1, 1) = (0, 0) =⇒ (α,

 α) + (−β, β) = (0, 0)
α−β=0
=⇒
α+β=0
α=β

=⇒
2α = 0
=⇒ α = β = 0.

5) On a F5 = {2 + X 2, 1 + X, 1 + 2X + X 2 } est une base de R2 [X] (vérifier le).

Théorème 1.6.5– Soit E un K-espace vectoriel de dimension finie. Alors

1. De toute famille génératrice de E, on peut extraire une base de E. Plus précisément, si G est une famille
génératrice de E, il existe une base B de E telle que B ⊂ G.
2. Toute famille libre de E peut être complétée en une base de E. Plus précisément, si L est une famille libre
de E, il existe une famille F telle que L ∪ F soit une base de E.

Proposition 1.6.6– Soit F un sous-espace vectoriel d’un K-espace vectoriel E de dimension finie. Alors
1. dim(F) 6 dim(E).
2. dim(F) = dim(E) si, et seulement si F = E.

Remarque 7– Soient F et G deux sous espaces vectoriels d’un K-espace vectoriel E de dimension finie. Alors
E = F ⊕ G si et seulement si, pour toute base B de F et toute base C de G, B ∪ C est une base de E.

Proposition 1.6.7– Soient E un K-espace vectoriel de dimension finie et F et G deux sous-espaces vectoriels
de E. Alors E = F ⊕ G si, et seulement si
1. F ∩ G = {0}, et
2. dim(E) = dim(F) + dim(G).

Théorème 1.6.8– Soient F et G deux sous espaces vectoriels d’un K-espace vectoriel E de dimension finie.
Alors
1. dim(F + G) = dim(F) + dim(G) − dim(F ∩ G).
2. dim(F ⊕ G) = dim(F) + dim(G).

Remarque 8– Soient E1, . . . , Em des K-espaces vectoriels de dimension finie. Alors

m
Õ
dim(E1 × · · · × Em ) = dim(Ei ).
i=1

9
 Chapitre1: Espaces vectoriels

Exercice 8– 1. Soient les s.e.v. de R3 définis par F = (x, x, −x) x ∈ R et G = (x, y, z) ∈ R3 x +2y −z = 0 ·
 

a. Déterminer dim(F) et dim(G).

b. Montrer que F ∩ G = {0}.
c. Déduire que F ⊕ G = R3 .
2. Soit n ∈ N∗ . Déterminer dimR (Cn ) et dimC (Cn ). 
3. Soient H = (x, y, z) ∈ R3 x − 2y = 0 et K = (x, y, z) ∈ R3 x − z = 0 .
Calculer dim(H), dim(K), dim(H ∩ K) et dim(H + K).

10
 Chapitre 2
Applications linéaires

Le but de ce chapitre est l’étude des applications linéaires. C’est-à-dire les applications entre des espaces
vectoriels qui respectent les lois internes et externes de ces espaces vectoriels. Nous commençons d’abord le
chapitre par la définition et des exemples d’applications linéaires. Puis nous introduisons dans le paragraphe
2 les notions d’image et de noyau d’une application linéaire .
On désigne toujours dans ce chapitre par K le corps R ou C.

2.1 Définitions et exemples

Définition 2.1.1– Soient E et F deux K-espaces vectoriels et f : E −→ F. On dit que f est une application
linéaire si
1. ∀ x, y ∈ E, f (x + y) = f (x) + f (y);
2. ∀ λ ∈ K, ∀ x ∈ E, f (λx) = λ f (x).
L’ensemble des applications linéaires de E dans F est noté L(E, F). Une application linéaire de E dans E
s’appelle un endomorphisme de E, et on note L(E) = L(E, E).
Remarque 9– 1. Il faut faire attention que la notion d’application linéaire se définit seulement entre espaces
vectoriels sur un même corps et non pas entre ensembles quelconques.
2. Il faut noter aussi que si f ∈ L(E, F). Alors on a nécessairement f (0E ) = 0F .
Exemple 2.1.1– 1) L’application f1 : R −→ R définie par
x 7−→ 2x
est une application linéaire. En effet, soient x, x ∈ R et λ ∈ R. On a
0

f1 (x + x 0) = 2(x + x 0) f1 (λx) = 2(λx)

= 2x + 2x 0 = λ(2x)
= f1 (x) + f1 (x 0), = λ f1 (x).
Ainsi f1 est linéaire.
2) L’application f2 : R −→ R définie par
x 7−→ x 2
n’est pas linéaire car f2 (2.1) , 2 f2 (1).
3) L’application f3 : R2 −→ R définie par
(x, y) 7−→ x + 2y
est une application linéaire.
4) L’application f4 : R3 −→ R2 définie par
(x, y, z) 7−→ (x + y, x − z)
est une application linéaire.
5) Soit E un K-espace vectoriel. L’application nulle 0 : E −→ E de E définie par
x 7−→ 0E
est une application linéaire.

11
 Chapitre2: Applications linéaires

6) Soit E un K-espace vectoriel. L’application identité IdE : E −→ E de E définie par

x 7−→ x
est une application linéaire.
7) L’application de dérivation D : R[X] −→ R[X] définie par
P 7−→ P 0
est une application linéaire.
8) l’application f8 : R2 −→ R2 définie par
(x, y) 7−→ (x + 2, y + 1)
n’est pas linéaire car f8 (0) , 0.
Proposition 2.1.2– Soient E et F deux K-espaces vectoriels. Une application f : E −→ F est linéaire si, et
seulement si
∀ λ ∈ K, ∀ x, y ∈ E, f (λx + y) = λ f (x) + f (y).
Proposition 2.1.3– Soient E et F deux K-espaces vectoriels, λ ∈ K et f , g ∈ L(E, F). Alors
1. ∀ x ∈ E, f (−x) = − f (x).
2. f + g ∈ L(E, F) et λ ∈ L(E, F). Ainsi L(E, F) est un K-espace vectoriel.
Exercice 9– 1. Soit l’application f : R2 −→ R3 définie par
(x, y) 7−→ (2x + y, 3y, x − 4y)
Montrer que f est une application linéaire.
2. Soit l’application g : R[X] −→ R[X] définie par
∫ x
P 7−→ P(t) dt.
0
Montrer que g est une application linéaire.
3. Soit l’application h : R[X] −→ R[X] définie par
P 7−→ X P 0 − 3P.
Montrer que h est une application linéaire.
Définition 2.1.4– Soient E, F et G trois K-espaces vectoriels, f ∈ L(E, F) et g ∈ L(F, G). On appelle composé
de f et g et on note g ◦ f , l’application linéaire g ◦ f : E −→ G définie par
x 7−→ (g ◦ f )(x) B g( f (x)).
Exemple 2.1.2– Soient les applications linéaires f : R2 −→ R3 et g : R3 −→ R2 définies par
(x, y) 7−→ (x + y, x − y, x) et (x, y, z) 7−→ (x + y, y + z).
On a
g ◦ f : R2 −→ R2, (x, y) 7−→ (2x, 2x − y).
Définition 2.1.5– Soient E et F deux K-espaces vectoriels.
1. On appelle isomorphisme de E sur F toute application linéaire bijective de E sur F.
2. On dit que E et F sont isomorphes s’il existe un isomorphisme de E sur F.
3. On appelle automorphisme de E tout endomorphisme bijective de E.
Exemple 2.1.3– 1) L’application linéaire f1 : R2 −→ C définie par
(x, y) 7−→ x + iy
est un isomorphisme.

12
 Chapitre2: Applications linéaires

2) L’application linéaire f2 : R2 −→ R2 définie par

(x, y) 7−→ (x + y, x − y)
est un isomorphisme.
3) L’application linéaire f4 : R3 −→ R2 définie par
(x, y, z) 7−→ (x + y, x − z)
n’est pas un isomorphisme.

2.2 Image et noyau d’une application linéaire

Définition 2.2.1– Soient E et F deux K-espaces vectoriels et f : E −→ F une application linéaire.
1. On appelle noyau de f et on note ker( f ), le sous-espace vectoriel de E défini par
ker( f ) B x ∈ E f (x) = 0F ·


2. On appelle image de f et on note Im( f ), le sous-espace vectoriel de F défini par


Im( f ) B f (x) x ∈ E ·

Les notions de noyau et d’image permettent de fournir une caractérisation très simple de l’injectivité et de
la surjectivité des applications linéaires :

Théorème 2.2.2– Soient E et F deux K-espaces vectoriels et f ∈ L(E, F). Alors

1. f est injective si, et seulement si ker( f ) = {0E }.
2. f est surjective si, et seulement si Im( f ) = F.

Exemple 2.2.1– 1) Soit f1 : R −→ R l’application linéaire définie par

x 7−→ 2x
On a ker( f1 ) = {0} et Im( f1 ) = R. Il en résulte que f1 est injective et surjective.
2) Soit f2 : R2 −→ R l’application linéaire définie par
(x, y) 7−→ x + 2y
On a ker( f2 ) = (x, y) ∈ R x + 2y = 0 et Im( f2 ) = R. Il en résulte que f2 est surjective, mais non injective.
 2

3) Soit f3 : R3 −→ R2 l’application linéaire définie par

(x, y, z) 7−→ (x + y, x − z)
On a ker( f3 ) = Vect((1, −1, 1)) et Im( f3 ) = R2 . Il en résulte que f3 est surjective, mais elle n’est pas injective.
4) Soit l’application linéaire de dérivation D : R[X] −→ R[X] définie par
P 7−→ P 0 .
On a ker(D) = R et Im(D) = R[X]. Il en résulte que Im(D) est surjective, mais elle n’est pas injective.

Remarque 10– Soient E et F deux K-espaces vectoriels, {a1, . . . , an } une famille de E et f ∈ L(E, F). On a
1. Si {a1, . . . , an } est libre et f est injective. Alors { f (a1 ), . . . , f (an )} est une famille libre de F.
2. Si {a1, . . . , an } est génératrice de E et f est surjective. Alors { f (a1 ), . . . , f (an )} est génératrice de F.

En particulier, si {a1, . . . , an } est une base de E et f est bijective. Alors { f (a1 ), . . . , f (an )} est une base de F.

Définition 2.2.3– Soient E et F deux K-espaces vectoriels et f ∈ L(E, F). On appelle rang de f et on note
rang( f ), la dimension du sous-espace vectoriel Im( f ).

13
 Chapitre2: Applications linéaires

Théorème 2.2.4 (théorème du rang)– Soient E et F deux K-espaces vectoriels de dimension finie et f une
application linéaire de E dans F. Alors on a
dim(E) = rang( f ) + dim(ker( f )).

Exemple 2.2.2– 1) Soit f : R3 −→ R2 l’application linéaire définie par

(x, y, z) 7−→ (x − y, x + z).
On a ker( f ) = Vect(1, 1, −1). Donc rang( f ) = 2.
2) Soit f2 l’application linéaire définie par
f2 : R2 −→ R, (x, y) 7−→ x + 2y
On a ker( f ) = (x, y) ∈ R2 x + 2y = 0 = Vect(−2, 1). Donc rang( f ) = 1.


Théorème 2.2.5– Soient E et F deux K-espaces vectoriels de même dimension finie et f ∈ L(E, F). Alors
les propriétés suivantes sont équivalentes
1. f est injective.
2. f est surjective.
2. f est bijective.

Exemple 2.2.3– 1) L’application linéaire f1 : R2 −→ R2 définie par

(x, y) 7−→ (x + y, x − y)
est injective. Donc elle est surjective et bijective.
2) L’application linéaire f2 : R2 −→ C définie par
(x, y) 7−→ x + iy
est injective. Donc elle est surjective et bijective.
3) L’application linéaire f3 : R2 −→ R2 définie par
(x, y) 7−→ (x − y, x − y)
n’est pas injective. Donc elle n’est surjective ni bijective.

Exercice 10– 1. Soit l’application f : R3 −→ R2 [X] définie par

(a, b, c) 7−→ a + bX + cX 2 .
Montrer que f est un isomorphisme.
2. Soit l’application g : R3 −→ R[X] définie par
(a, b, c) 7−→ a − b + (b − c)X + (a + c)X 2 .
Montrer que g est un isomorphisme.

Théorème 2.2.6– Deux K-espaces vectoriels E et F de dimension finie sont isomorphes si, et seulement s’ils
ont même dimension.

Exemple 2.2.4– 1) C est isomorphe à R2 .

2) Cn est isomorphe à R2n (avec n ∈ N∗ .)
3) Rn+1 et Rn [X] sont isomorphes (avec n ∈ N∗ .)

14
 Chapitre 3
Calcul matriciel

Ce chapitre est consacré aux matrices qui sont des tableaux de nombres. Après la définition des matrices,
le paragraphe 2 fournit quelques matrices remarquables. Le paragraphe 3 est consacré aux opérations sur les
matrices. Nous donnons dans le paragraphe 4 les matrices des applications linéaires. Les matrices de l’inverse
d’une application linéaire sont traitées dans le paragraphe 5. Nous terminons le chapitre par les matrices de
passages et changement de bases.
On désigne toujours par K le corps R ou C. Si n ∈ N∗, on note n1, no B {1, . . . , n}.

3.1 Définitions
Définition 3.1.1– Un tableau rectangulaire d’éléments de K ayant n lignes et m colonnes de la forme
a a . . . a1m
© 11 12
­ a21 a22 . . . a2m ®
ª
A = ­­ .. .. .. ®®
­ . . . ®
«an1 an2 . . . anm ¬
s’appelle une matrice d’ordre (ou de type) (n, m).

Les nombres ai j (où (i, j) ∈ n1, no × n1, mo) s’appellent les coefficients de la matrice A. L’indice i désigne le
numéro de la ligne et l’indice j celui de la colonne.

Définition 3.1.2– Deux matrices A = (ai j ) et B = (bi j ) de même ordre (n, m) sont égales si, et seulement si
∀ (i, j) ∈ n1, no × n1, mo, ai j = bi j .
 
1 3
Exemple 3.1.1– 1) A = est une matrice d’ordre (2, 2).
2 5
 
4 0 −1
2) B = est une matrice d’ordre (2, 3).
1 3 π
0 1
3) C = ­2 −1® est une matrice d’ordre (3, 2).
© ª

«6 4 ¬
Notations 2– L’ensemble des matrices d’ordre (n, m) à coefficients dans K est noté Mn,m (K). Si n = m on
note tout simplement Mn (K) au lieu de Mn,n (K).

3.2 Matrices remarquables

• Matrice ligne : c’est une matrice d’ordre (1, m) (matrice admettant une seule ligne). Elle est de la forme
A = a11 a12 . . . a1m .


 Chapitre3: Calcul matriciel

• Matrice colonne : c’est une matrice d’ordre (n, 1) (matrice admettant une seule colonne). Elle est de la
forme
a
© 11 ª
­ a21 ®
A = ­­ .. ®® .
­ . ®
«an1 ¬
• Matrice carrée : c’est une matrice d’ordre (n, n) (c’est-à-dire n = m). Le nombre de lignes de cette matrice
est égale au nombre de colonnes. Elle est dite matrice carrée d’ordre n.
a a . . . a1n
© 11 12
­ a21 a22 . . . a2n ®
ª
A = ­ ..
­ .. .. ®® .
­ . . . ®
«an1 an2 . . . ann ¬
Les coefficients aii s’appellent les coefficients diagonaux de A.
• Matrice identité : c’est une matrice carrée d’ordre n de la forme particulière
1 0 ... 0
­0 1 . . . ... ®
© ª
In = ­ . .
­
..
®.
­.. . . . 0®
®

«0 . . . 0 1 ¬
• Matrice diagonale : c’est une matrice carrée d’ordre n telle que ai j = 0 pour tout i , j.
a11 0 . . . 0
­ 0 a22 . . . ... ®
© ª
A = ­­ . . ®.
­ .. . . . . . 0 ®®
« 0 . . . 0 ann ¬
On la note A = diag(aii ) = diag(a11, . . . , ann ).
• Matrice triangulaire supérieure : c’est une matrice carrée d’ordre n telle que ai j = 0 pour tout i > j.
a a . . . a1n
© 11 12
­ 0 a22 . . . a2n ®
ª
A = ­ .. . . . .
­ .. ®® .
­ . . . . ®
« 0 . . . 0 ann ¬
• Matrice triangulaire inférieure : c’est une matrice carrée d’ordre n telle que ai j = 0 pour tout i < j.
a11 0 ... 0
.. .. ª®
. . ®
©
­a a
A = ­­ .21 .22 .. ®.
­ .. .. . 0®
«an1 an2 . . . ann ¬
• Matrice nulle : c’est une matrice telle que ai j = 0 pour tout (i, j) ∈ n1, no × n1, mo. On la note par 0.
• Transposée d’une matrice : Si A = (ai j ) est une matrice carrée d’ordre n. La transposée de A est la matrice
carrée d’ordre n, notée tA = (bi j ), définie par
∀ (i, j) ∈ n1, no × n1, no, bi j = a ji .
• Matrice symétrique : Une matrice carrée A = (ai j ) d’ordre n est dite symétrique si tA = A. Autrement dit,
 Chapitre3: Calcul matriciel

si
∀ (i, j) ∈ n1, no × n1, no, ai j = a ji .
• Matrice antisymétrique : Une matrice carrée A = (ai j ) d’ordre n est dite antisymétrique si tA = −A.
Autrement dit, si
∀ (i, j) ∈ n1, no × n1, no, ai j = −a ji .

3.3 Opérations sur les matrices

Définition 3.3.1 (Addition)– Soient A = (ai j ) et B = (bi j ) deux matrices de même ordre (n, m). La somme de
A et B est la matrice C = A + B d’ordre (n, m) tel que
∀ (i, j) ∈ n1, no × n1, mo, ci j = ai j + bi j .

Exemple 3.3.1– Soient A et B les deux matrices d’ordre (2, 3) données par
   
0 1 e 3 −2 0
A= et B = .
π −1 7 0 5 1
Alors  
3 −1 e
A+B = .
π 4 8
Proposition 3.3.2– L’addition des matrices possèdent les propriétés suivantes :
1. A + B = B + A.
2. (A + B) + C = A + (B + C).
3. A + 0 = 0 + A = A.
4. A + (−A) = (−A) + A = 0, où −A = (−ai j ).

Définition 3.3.3 (multiplication par un scalaire)– Soient A = (ai j ) une matrice d’ordre (n, m) et λ ∈ K. La
multiplication de λ par A est la matrice d’ordre (n, m) définie par λA = (λai j ).

Exemple 3.3.2– Soient λ = 3 et A la matrice d’ordre (3, 3) données par

2 −1 3
A = ­0 −3 1® .
© ª

«4 5 −2¬
Alors
6 −3 9
λA = ­ 0 −9 3® .
© ª

«12 15 −6¬
Proposition 3.3.4– La multiplication d’une matrice par un scalaire possèdent les propriétés suivantes :
1. λ(A + B) = λA + λB.
2. (λ + µ)A = λA + µA.
3. λ(µA) = (λµ)A.

Remarque 11– L’ensemble Mn,m (K) pour les opérations précédentes est un K-espace vectoriel.

Le produit AB de deux matrices A et B est défini si, et seulement si le nombre de colonnes de A est égal
au nombre de lignes de B.
 Chapitre3: Calcul matriciel

Définition 3.3.5 (Produit de deux matrices)– Soient A = (ai j ) une matrice d’ordre (n, m) et B = (bi j ) une
matrice d’ordre (m, p). Le produit de A et B est la matrice C = AB d’ordre (n, p) dont les coefficients ci j sont
définis par
m
Õ
∀ (i, j) ∈ n1, no × n1, po, ci j = aik bk j .
k=1

On peut écrire le coefficient de façon plus développée :

ci j = ai1 b1j + ai2 b2j + · · · + aim bmj .
Exemple 3.3.3– Soient A la matrice d’ordre (2, 3) et B la matrice d’ordre (3, 2) données par
  −1 1
2 1 1
A= et B = ­ 1 2® .
© ª
1 2 2
« 1 1¬
Alors  
0 5
AB = .
3 7
Proposition 3.3.6– Le produit des matrices possèdent les propriétés suivantes :
1. λ(AB) = (λA)B.
2. (AB)C = A(BC).
3. (A + B)C = AC + BC.
4. C(A + B) = C A + CB.
Remarque 12– 1. Le produit de matrices n’est pas commutatif.
2. AB = 0 n’implique pas que A = 0 ou B = 0.
Exemple 3.3.4– 1. Soient A et B les matrices carrées d’ordre 2 données par

  
2 0 0 2
A= et B = .
0 1 1 0
Alors 
  
0 4 0 2
AB = et BA = .
1 0 2 0
Donc AB , BA.
2. Soient A et B les matrices carrées d’ordre 2 données par
   
1 1 −1 1
A= et B = .
1 1 1 −1
Alors  
0 0
AB =
0 0
sachant que A , 0 et B , 0.
Définition 3.3.7 (Opérations élémentaires sur une matrice)– Soient A une matrice quelconque. On appelle
opération élémentaire sur la matrice A l’une des transformations suivantes :
1. Ajouter à une ligne (resp. à une colonne) de A une autre ligne (resp. colonne) multipliée par un scalaire :
L j ←− L j + λLi (resp. Cj ←− Cj + λCi ) si i , j.
2. Multiplier une ligne (resp. une colonne) de A par un scalaire non nul :
L j ←− λL j (resp. Cj ←− λCj ).
 Chapitre3: Calcul matriciel

3. Permuter les lignes (resp. les colonnes) de A :

Li ←− L j (resp. Ci ←− Cj ).
Exemple 3.3.5– Soit A la matrices carrée d’ordre 3 donnée par
1 2 3! L1
A= 2 3 4 L2
3 4 5 L3 .

On commence par les opérations élémentaires : L2 ←− L2 − 2L1 et L3 ←− L3 − 3L1

1 2 3 ! L1
0 −1 −2 L2 ←− L2 − 2L1
0 −2 −4 L3 ←− L3 − 3L1 .

En suite l’opération élémentaire : L2 ←− −L2

1 2 3 ! L1
0 1 2 L2 ←− −L2
0 −2 −4 L3 .

Enfin l’opération élémentaire : L3 ←− L3 + 2L2

1 2 3! L1
0 1 2 L2
0 0 0 L3 ←− L3 + 2L2 .

Définition 3.3.8 (Matrice inversible)– Soient A une matrice carrée d’ordre n. On dit que A est inversible s’il
existe une matrice carrée B d’ordre n telle que
AB = BA = In .
B s’appelle l’inverse de A et se note A−1 . Elle est unique. Dans le cas contraire, on dit que A est non inversible.
Exemple 3.3.6– 1) On remarque que In In = In . Donc In est inversible, et In−1 = In .
2) Soit A la matrice carrée d’ordre 2 donnée par
 
2 1
A= .
1 1
 
a b
Si B = . on a
c d
2a + c 2b + d
        
2 1 a b 1 0 1 0
AB = I2 ⇐⇒ = ⇐⇒ = .
1 1 c d 0 1 a+c b+d 0 1
Cette égalité équivaut au système :


 2a + c = 1
 2b + d =




 a+c=0

 b + d = 1.

Ce qui entraîne que a = 1, b = −1, c = −1 et d = 2. Ainsi Il existe une matrice carrée B telle que AB = I2 .


Par suite A est inversible, et  

1 −1
A =
−1
.
−1 2
 Chapitre3: Calcul matriciel

3) La matrice nulle 0 n’est inversible car pour pour toute matrice carrée A, on a 0.A = 0 , In .
Proposition 3.3.9– Soient A et B deux matrices carrées d’ordre n inversibles. Alors AB est inversible, et on a
(AB)−1 = B−1 A−1 .
Définition 3.3.10 (Puissance d’une matrice)– Soient A une matrice carrée d’ordre n. Les puissances succes-
sives de A sont définies pour tout p ∈ N par
A0 = In


Ap+1 = Ap A.
Autrement dit, Ap = AA · · · A .
| {z }
p facteurs

Exemple 3.3.7– 1. Soit A la matrice carrée d’ordre 2 donnée par

 
2 1
A= .
1 1
Alors          
2 1 2 1 5 3 5 3 2 1 13 8
A = AA =
2
= , A = A A=
3 2
= .
1 1 1 1 3 2 3 2 1 1 8 5
2. Soit A la matrice carrée d’ordre 3 donnée par
1 0 1
A = ­0 −1 0® .
© ª

«0 0 1¬
Alors
1 0 2 1 0 3
A2 = ­0 1 0® , A3 = ­0 −1 0® .
© ª © ª

«0 0 1¬ «0 0 1¬
Proposition 3.3.11– Soient A une matrice carrée d’ordre n, et m et p deux entiers non nuls.
1. Am Ap = Am+p .
2. (Am ) p = Amp .

3.4 Matrices d’une application linéaire

Exemple 3.4.1– 1. Soit l’application linéaire f : R2 −→ R2 définie par
(x, y) 7−→ (x + y, x − y).
Soit B = {e1, e2 } la base canonique de R2 . On a
f (e1 ) = e1 + e2 et f (e2 ) = e1 − e2 .
La matrice de f par rapport à la base B est


1 1
MatB ( f ) = .
1 −1
2. Soit l’application linéaire f : R2 −→ R3 définie par
(x, y) 7−→ (x + y, x − y, x).
Soient B = {e1, e2 } la base canonique de R2 et B 0 = {e10 , e20 , e30 } la base canonique de R3 . On a
f (e1 ) = e10 + e20 + e30 et f (e2 ) = e10 − e20 .

20
 Chapitre3: Calcul matriciel

La matrice de f par rapport aux bases B et B 0 est

1 1
MatB,B0 ( f ) = ­1 −1® .
© ª

«1 0 ¬
Définition 3.4.1 (Matrice d’une application linéaire)– Soient E et F deux K-espaces vectoriels de dimension
finie, f ∈ L(E, F), B = {e1, . . . , en } une base de E et B 0 = {e10 , . . . , em0 } une base de F. La matrice de f par
rapport aux bases B et B 0 est la matrice d’ordre (m, n) définie par
a a12 . . . a1n
© 11
­ a21 a22 . . . a2n ®
ª
MatB,B0 ( f ) = ­­ .. .. .. ®® ,
­ . . . ®
«am1 am2 . . . amn ¬
avec
∀ j ∈ n1, no, f (e j ) = a1j e10 + · · · + amj em0 .
les cordonnées de f (e j ) dans la base B 0 .
Notation 1– Si E = F et B = B 0 . La matrice MatB,B0 ( f ) est notée MatB ( f ).
Exemple 3.4.2– 1. Soit l’application linéaire f : R2 [X] −→ R3 définie par
P 7−→ (P(0), P(1), P(2)).
Soient C = {1, X, X 2 } la base canonique de R2 [X] et B = {e1, e2, e3 } la base canonique de R3 . On a
f (1) = e1 + e2 + e3, f (X) = e2 + 2e3 et f (X 2 ) = e2 + 4e3 .
La matrice de f par rapport aux bases C et B est
1 0 0
MatC ,B ( f ) = ­1 1 1® .
© ª

«1 2 4¬
2. Soit l’application linéaire f : R2 [X] −→ R2 [X] définie par
P 7−→ X P 0 .
Soit C = {1, X, X 2 } la base canonique de R2 [X]. On a
f (1) = 0, f (X) = X et f (X 2 ) = 2X 2 .
La matrice de f par rapport à la base C est
0 0 0
MatC ( f ) = ­0 1 0® .
© ª

«0 0 2¬
Exercice 11– 1. Soit l’application linéaire de dérivation D : R3 [X] −→ R2 [X] définie par
P 7−→ P 0 .
Soient B1 et B2 les bases canoniques de R3 [X] et R2 [X] respectivement. Déterminer MatB1 ,B2 (D).
2. Soient E un K-espace vectoriel de dimension finie n, B une base de E et IdE : E −→ E l’application
identité de E définie par
x 7−→ x
Déterminer MatB (IdE ).
Proposition 3.4.2– Soient E et F deux K-espaces vectoriels de dimension m et n respectivement, B et B 0
deux bases de E et F. Alors

21
 Chapitre3: Calcul matriciel

1. ∀ f , g ∈ L(E, F), MatB,B0 ( f + g) = MatB,B0 ( f ) + MatB,B0 (g).

2. ∀ λ ∈ K, ∀ f ∈ L(E, F), MatB,B0 (λ f ) = λMatB,B0 ( f ).

Corollaire 3.4.3– Soient E et F deux K-espaces vectoriels de dimension m et n respectivement, B et B 0 deux

bases de E et F. Alors l’application
L(E, F) −→ Mn,m (K), f 7−→ MatB,B0 ( f )
est un isomorphisme d’espace vectoriels. En particulier, on a dim(L(E, F)) = mn.

Remarque 13– Soient E et F deux K-espaces vectoriels de dimension m et n respectivement, B = {e1, . . . , em }

une base de E et B 0 = {e10 , . . . , en0 } une base de F. Si x = x1 e1 + · · · + xm em est un vecteur de E. La matrice
de x par rapport à la base B est notée
x
© .1 ª
X = ­­ .. ®® .
« xm ¬
De même, si y = y1 e10 + · · · + yn en0 est un vecteur de F. La matrice de y par rapport à la base B 0 est notée
y
© .1 ª
Y = ­ .. ®® .
­

« yn ¬
Alors on a
y = f (x) ⇐⇒ Y = MatB,B0 ( f ) · X.

3.5 Matrices de l’inverse d’une application linéaire

Théorème 3.5.1 (Matrice de la composée)– Soient E, F, G trois K-espaces vectoriels de dimension finie et
B, B 0, B 00 leur base respectivement. Si f ∈ L(E, F) et g ∈ L(F, G). Alors la matrice de la composée g ◦ f est
MatB,B00 (g ◦ f ) = MatB0 ,B00 (g) · MatB,B0 ( f ).

Exemple 3.5.1– Soient les applications linéaires f : R2 −→ R3 et g : R3 −→ R2 définies par

(x, y) 7−→ (x + y, x − y, x) et (x, y, z) 7−→ (x + y, y + z).
Par rapport aux bases canoniques B et B 0 de R2 et R3 respectivement, on a :
1 1  
1 1 0
MatB,B0 ( f ) = ­1 −1® et MatB0 ,B (g) = .
© ª
0 1 1
« 1 0 ¬
On montre facilement que
g ◦ f : R2 −→ R2, (x, y) 7−→ (2x, 2x − y).
Donc  
2 0
MatB (g ◦ f ) = .
2 −1
Ainsi on a MatB (g ◦ f ) = MatB0 ,B (g) · MatB,B0 ( f ).

Remarque 14– Soient E un K-espace vectoriel de dimension finie, B une base de E et f ∈ L(E). Alors
MatB ( f 2 ) = MatB ( f ◦ f ) = (MatB ( f ))2 .
Plus généralement, on a
MatB ( f p ) = MatB ( f ◦ · · · ◦ f ) = (MatB ( f )) p .

22
 Chapitre3: Calcul matriciel

Théorème 3.5.2 (Matrice de l’inverse)– Soient E, F deux K-espaces vectoriels de même dimension finie, B, B 0
leur base respectivement et f ∈ L(E, F). Alors f est bijective si, et seulement si MatB,B0 ( f ) est inversible.
Dans ce cas, on :
MatB0 ,B ( f −1 ) = (MatB,B0 ( f ))−1 .

Exemple 3.5.2– Soit l’application linéaire f : R2 −→ R2 définie par

(x, y) 7−→ (2x + y, x + y).
Soit B la base canonique de R2 . On a 

2 1
MatB ( f ) = .
1 1
On montre facilement que
f −1 : R2 −→ R2, (x 0, y 0) 7−→ (x 0 − y 0, −x 0 + 2y 0).
Donc 
1 −1
MatB ( f ) =
−1
.
−1 2
Ainsi on a MatB ( f −1 ) = (MatB ( f ))−1 .

3.6 Changement de bases

Exemple 3.6.1– 1. Soit B = {e1, e2 } la base canonique de R2 . Soit d’autre part B 0 la base de R2 donnée par
B 0 = {(1, 1), (−1, 1)}.
La matrice de passage de la base B à la base B 0 est
 
1 −1
PB,B0 = .
1 1
Notons u = (1, 1) et v = (−1, 1). Alors on a
1 1
 e1 = 2 u − 2 v




1 1
 e2 = u + v


 2 2
La matrice de passage de la base B à la base B est
0

1 1
PB0 ,B = ­­ 12 21 ®® .
© ª
−
« 2 2¬
2. Soit B = {1, i} la base canonique de R-espace vectoriel C. Soit d’autre part B 0 la base de C donnée par
B 0 = {1 + i, i}.
La matrice de passage de la base B à la base B 0 est
 
1 0
PB,B0 = .
1 1
On a 1 = 1 + i − i et i = 0(1 + i) + i. La matrice de passage de la base B 0 à la base B est
 
1 0
PB0 ,B = .
−1 1

23
 Chapitre3: Calcul matriciel

Définition 3.6.1 (Matrice de passage)– Soient E un K-espace vectoriel de dimension finie n, B = {e1, . . . , en }
et B 0 = {e10 , . . . , en0 } deux bases de E. La matrice de passage de la base B à la base B 0, notée PB,B0 , est la
matrice carrée d’ordre n définie par
a a . . . a1n
© 11 12
­ a21 a22 . . . a2n ®
ª
PB,B0 = ­ ..
­ .. .. ®®
­ . . . ®
«an1 an2 . . . ann ¬
avec
∀ j ∈ n1, no, e 0j = a1j e1 + · · · + an j en .
les cordonnées de e j dans la base B.
0

Remarque 15– 1. La matrice de passage est toujours inversible, et on a

B,B0 = PB0 ,B .
P−1
2. La matrice de passage est définie aussi par
PB,B0 = MatB0 ,B (IdE ).
Proposition 3.6.2– Soient E un K-espace vectoriel de dimensionfinie, B et B 0 deux bases de E. Pour tout
vecteur x de E, on a
X = PB,B0 · X 0,
avec X et X 0 sont les matrices de x dans B et B 0 respectivement.
Exercice 12– Soit B = {e1, e2 } la base canonique de R2 . Soit d’autre part B 0 la base de R2 donnée par
B 0 = {(1, 2), (−1, 0)}.
1. Déterminer PB,B0 et PB0 ,B .
2. Soit u = (2, 2). En utilisant la matrice PB0 ,B, donner les coordonnées de u dans B 0 .
Théorème 3.6.3– Soient E, F deux K-espaces vectoriels de dimension finie, B, B 0 deux bases de E et C , C 0
deux bases de F. Si f ∈ L(E, F). Alors
MatB0 ,C 0 ( f ) = P−1
C ,C 0 · MatB,C ( f ) · PB,B0 .

Corollaire 3.6.4– Soient E un K-espace vectoriel de dimension finie, B, B 0 deux bases de E. Si f ∈ L(E).
Alors
MatB0 ( f ) = P−1
B,B0 · MatB ( f ) · PB,B0 .

Définition 3.6.5– Deux matrices A, B ∈ Mn (K) sont dites semblables s’il existe une matrice P ∈ Mn (K)
inversible telle que
B = P−1 AP.
Exercice 13– Soit l’application linéaire f : R3 −→ R3 définie par
(x, y, z) 7−→ (x + y, x − z, x + y + z).
Soit B la base canonique de R3 . Soit d’autre part B 0 la base de R3 donnée par
B 0 = {(1, 0, 0), (2, 1, 0), (3, 1, 2)}.
1. Donner MatB ( f ).
2. Donner PB,B0 et PB0 ,B .
3. En déduire MatB0 ( f ).
 Chapitre 4
Déterminant d’une matrice

Ce dernier chapitre a pour but de traiter les déterminants des matrices carrées. Après la définition
et les propriétés des déterminants. Nous donnons dans le paragraphe 2 la méthode des comatrice pour
calculer l’inverse d’une matrice inversible. Nous traitons ensuite dans le paragraphe 3 différentes
méthodes pour résoudre un système linéaire. Nous terminons le chapitre par le rang d’une matrice.
On désigne toujours par K le corps R ou C.

4.1 Définitions et propriétés

 
a11 a12
Définition 4.1.1 (Déterminant d’ordre 2)– Soit A = ∈ M2 (K) une matrice carrée d’ordre 2.
a21 a22
On appelle déterminant de A, et on note det(A), le nombre
det(A) = a11 a22 − a21 a12 .
 
1 0
Exemple 4.1.1– 1. Soit A la matrice carrée d’ordre 2 donnée par A = . Alors det(A) = 3.
2 3
 
3 4
2. Si A désigne la matrice carrée d’ordre 2 donnée par A = . Alors det(A) = −2.
2 2
 
a11 a12 a a
Notation 2– Le déterminant d’une matrice A = ∈ M2 (K) est noté aussi par 11 12 .
a21 a22 a21 a22

a11 a12 a13

!
Définition 4.1.2 (Déterminant d’ordre 3)– Soit A = a21 a22 a23 ∈ M3 (K) une matrice carrée
a31 a32 a33
d’ordre 3. On appelle déterminant de A, et on note det(A), le nombre
     
a22 a23 a21 a23 a21 a22
det(A) = a11 det − a12 det + a13 det .
a32 a33 a31 a33 a31 a32
!
1 0 0
Exemple 4.1.2– 1. Soit A la matrice carrée d’ordre 3 donnée par A = 2 1 0 . Alors
3 1 2
1 0 2 0 2 1
det(A) = 1 −0 +0 = 2.
1 2 3 2 3 1
1 −1 0
!
2. Si on considère A la matrice carrée d’ordre 3 donnée par A = π 1 0 . Alors
3 1 2
1 0 π 0 π 1
det(A) = 1 −1 +0 = 1 + 2π.
1 2 3 2 3 1
 Chapitre4: Déterminant d’une matrice

Définition 4.1.3 (Cofacteur)– Soit A = (ai j ) une matrice carrée d’ordre 3. On appelle cofacteur de
l’élément ai j , et on note Ci j , le nombre
Ci j = (−1)i+j det(Ai j ),
avec Ai j est la matrice obtenue en supprimant la ligne i et la colonne j de A.
BRemarque 16– 1. Ainsi si A = (ai j ) une matrice carrée d’ordre 3. Alors
det(A) = a11 C11 + a12 C12 + a13 C13 .
C’est le développant suivant la 1re ligne de A.
2. On peut aussi développer suivant n’importe quelle autre ligne ou colonne. Par exemple, suivant
la 2e ligne, on aura
det(A) = a21 C21 + a22 C22 + a23 C23 .
Définition 4.1.4 (Déterminant d’ordre n)– Soit A = (ai j ) ∈ Mn (K) une matrice carrée d’ordre n. On
appelle déterminant de A, et on note det(A), le nombre
n
Õ
det(A) = a1j C1j
j=1

= (−1)1+1 a11 det(A11 ) + · · · + (−1)1+n a1n det(A1n ).

Proposition 4.1.5– Soit T = (ti j ) ∈ Mn (K) une matrice triangulaire. Alors
det(T) = t11 t22 · · · tnn .
!
2 0 0
Exemple 4.1.3– 1. Soit A la matrice carrée d’ordre 3 donnée par A = 0 π 0 . Alors det(A) = 4π.
0 0 2
√
© 2 0 0 ª √
2. Considérons a la matrice carrée A d’ordre 3 donnée par A = ­ −1 1 0 ® . Alors det(A) = 2/2.
« 5 1 1/2¬
Proposition 4.1.6– Soit A = (ai j ) ∈ Mn (K). Si tous les éléments d’une même ligne (resp. colonne)
sont nuls. Alors le déterminant de A est nul.
1 −1 2
!
Exemple 4.1.4– 1. Soit A la matrice carrée d’ordre 3 donnée par A = 0 0 0 . Alors det(A) = 0.
3 5 4
i −1 0
!
2. Si on considère A la matrice carrée d’ordre 3 donnée par A = 1 2 0 . Alors det(A) = 0.
1 i 0
Proposition 4.1.7– Soit A = (ai j ) ∈ Mn (K). Si l’on permute deux lignes (resp. colonnes) de A. Alors
le déterminant de A change de signe.
5 √4 1
Exemple 4.1.5– 1. Soit A la matrice carrée d’ordre 3 donnée par A = ­1/2 2 1/3® . Alors
© ª

« 0 −1 −2¬
√
5 √4 1 1/2 2 1/3
1/2 2 1/3 = − 5 4 1 .
0 −1 −2 0 −1 −2

27
 Chapitre4: Déterminant d’une matrice

−1 2 1
!
2. Si on considère A la matrice carrée d’ordre 3 donnée par A = 3 6 0 . Alors
7 8 0
−1 2 1 2 −1 1
3 6 0 =− 6 3 0 .
7 8 0 8 7 0
Proposition 4.1.8– Soit A = (ai j ) ∈ Mn (K). Si l’on multiplie par α ∈ K tous les éléments d’une
ligne (resp.colonne) de A. Alors le déterminant de A est multiplié par α. En particulier, on a
det(αA) = α n det(A).
√
1 √1 2ª
Exemple 4.1.6– 1. Soit A la matrice carrée d’ordre 3 donnée par A = ­ 1 2 1 ®® . Alors
©
√
« 2 1 1¬
√ √
2 √2 2 2 1 √1 2
√1 2 1 = 2 √1 2 1 .
2 1 1 2 1 1
!
1 1 2
2. Si on considère A la matrice carrée d’ordre 3 donnée par A = 1 0 1 . Alors
1 −1 0
3 1 2 1 1 2
3 0 1 =3 1 0 1 .
3 −1 0 1 −1 0
Proposition 4.1.9– Soit A = (ai j ) ∈ Mn (K). Si une ligne (resp. colonne) de A s’écrit comme une
combinaison linéaire des autres lignes (resp. colonnes). Alors le déterminant de A est nul. En
particulier, si deux lignes (resp. colonnes) sont égales. Alors le déterminant est nul.
!
1 2 3
Exemple 4.1.7– 1. Soit A la matrice carrée d’ordre 3 donnée par A = 2 −1 1 . Alors
4 −2 2
1 2 3
2 −1 1 = 0.
4 −2 2
!
3 1 2
2. Si on considère A la matrice carrée d’ordre 3 donnée par A = 7 3 4 . Alors
9 4 5
3 1 2
1 2 1 = 0.
4 3 3
Proposition 4.1.10– Soit A = (ai j ) ∈ Mn (K). Le déterminant de A ne change pas si l’on ajoute à une
ligne (resp. colonne) de A une combinaison linéaire des autres lignes (resp. colonnes).
 Chapitre4: Déterminant d’une matrice

!
1 1 1
Exemple 4.1.8– 1. Soit A la matrice carrée d’ordre 3 donnée par A = 1 1 1 . Alors
1 1 1
1 1 1 1 1 1
1 1 1 = 1 1 1 ·
1 1 1 3 3 3
!
2 1 1
2. Si A est la matrice carrée d’ordre 3 donnée par A = 1 2 1 . Alors
1 1 2
2 1 1 2 1 3
1 2 1 = 1 2 3 .
1 1 2 1 1 2
Théorème 4.1.11– Soient A, B ∈ Mn (K) deux matrices carrées d’ordre n. Alors
1. det(AB) = det(A) det(B).
2. Si A et B sont semblables. Alors det(A) = det(B).
4. det(tA) = det(A).

BRemarque 17– Soient A, B ∈ M (K) deux matrices carrées d’ordre n. Alors

n
1. det(A + B) , det(A) + det(B).
2. det(AB) = det(BA) même si AB , BA.

Exemple 4.1.9– Soient A et B les matrices carrées d’ordre 2 données par


  
1 0 −1 2
A= et B = .
0 1 0 −1
Alors
det(A + B) = 0 et det(A) + det(B) = 2.
Théorème 4.1.12– Soit A une matrice carrée d’ordre n. Alors A est inversible si, et seulement si
det(A) , 0. Si A est inversible. Alors
1
det(A−1 ) = ·
det(A)
i −1 0
!
Exemple 4.1.10– 1. Soit A est la matrice carrée d’ordre 3 donnée par A = 1 0 1 . Alors est
2 i 1
inversible car det(A) , 0.
√
i −1 3ª
2. Soit A est la matrice carrée d’ordre 3 donnée par A = ­1 0 1 ® . Alors est inversible.
©

«2 i 1¬
Corollaire 4.1.13– Soient E un K-espace vectoriel de dimension finie n, B une bases de E et f ∈ L (E)
un endomorphisme de E. Alors f est bijective si, et seulement si det(MatB ( f )) , 0.

29
 Chapitre4: Déterminant d’une matrice

Notation 3– Soient E un K-espace vectoriel de dimension n, B = {e1, . . . , en } une base de E. Soit

F = {b1, . . . , bn } une famille de vecteurs de E. On a donc

 b1 = a11 e1 + · · · + an1 en
..



 .
 bn = a1n e1 + · · · + ann en .


La matrice de F par rapport à la base B est par définition :
a11 . . . a1n
© .. .. .. ª® .
MB (F ) = ­ . . .
«an1 . . . ann ¬
Corollaire 4.1.14– Soient E un K-espace vectoriel de dimension finie n, B une base quelconque de E
et F = {b1, . . . , bn } une famille de E. Alors F est une base de E si, et seulement si det(MB (F )) , 0.
C’est-à-dire si MB (F ) est inversible.
Exemple 4.1.11– Dans tous ces exemples B = {e1, e2, e3 }, désigne la base canonique de R3 .
1. Soit F = {e10 , e20 , e30 } la famille de R3 donnée par :
 e10 = e1 + 2e2 + e3
0


e2 = πe2 − e3

 e0 = e .

 3 3

On a !
1 0 0
MB (F ) = 2 π 0
1 −1 1
est inversible car det(MB (F )) , 0. Par suite, F est une base de R3 .
2. Soit F = {e10 , e20 , e30 } la famille de R3 donnée par :


 e10 = e1 + e2 + 2e3
e2 = −e1 + 2e2 + 3e3
 0

√
 e30 = e2 + 3e3 .



On a
1 −1 0
MB (F ) = ­
©1 2 1 ª
√ ®
« 2 3 3¬
est inversible car det(MB (F )) , 0. Par suite, F est une base de R3 .
3. Soit F = {e10 , e20 , e30 } la famille de R3 donnée par :
 e10 = e1 + 3e3
0


e2 = −e1 + 2e2 − e3

 e 0 = 2e + 2e .

 3 2 3

On a
1 −1 0
!
MB (F ) = 0 2 2
3 −1 2
n’est pas inversible car det(MB (F )) = 0. Par suite, F n’est pas une base de R3 .

30
 Chapitre4: Déterminant d’une matrice

4.2 Calcul de l’inverse d’une matrice

Définition 4.2.1– Soit A = (ai j ) ∈ Mn (K) une matrice carrée d’ordre n. On appelle comatrice de
A, et on note Com(A), la matrice carrée d’ordre n dont les coefficients sont les cofacteurs des ai j .
C’est-à-dire
Com(A) = Ci j = (−1)i+j det(Ai j ),
avec Ai j est la matrice obtenue en supprimant la ligne i et la colonne j de A.
 
2 −1
Exemple 4.2.1– 1. Soit A la matrice carrée d’ordre 2 donnée par A = . Alors
0 1
 
1 0
Com(A) = .
1 2
!
1 1 0
2. Si A est la matrice carrée d’ordre 3 donnée par A = 0 1 1 . Alors
1 0 1
1 1 −1
!
Com(A) = −1 1 1 .
1 −1 1
Théorème 4.2.2– Soit A une matrice carrée d’ordre n inversible. Alors
1
A−1 =
t
(Com(A))·
det(A)
 
2 −1
Exemple 4.2.2– 1. Soit A la matrice carrée d’ordre 2 donnée par A = . Alors
0 1
 
1 1 1
A−1 = .
2 0 2
!
1 1 0
2. Si A est la matrice carrée d’ordre 3 donnée par A = 0 1 1 . Alors
1 0 1
1 −1 1
!
1
A−1 = 1 1 −1 ·
2 −1 1 1
 
a b
Corollaire 4.2.3– Soit A = une matrice carrée d’ordre 2 quelconque. Si A est inversible.
c d
Alors  
1 d −b
A =
−1
·
det(A) −c a

31
 Chapitre4: Déterminant d’une matrice

4.3 Systèmes linéaires

Définition 4.3.1– Un système linéaire à n équations et n inconnues est un système de forme

 a11 x1 + · · · + a1n xn = b1
..



(S)
 .
 an1 x1 + · · · + ann xn = bn,


avec ai j , b1, . . . , bn ∈ R sont donnés et x1, . . . , xn sont inconnues.
Le système (S) peut s’écrire sous sa forme matricielle AX = B, avec
a11 . . . a1n
© .. .. ª®
A=­ . .
«an1 . . . ann ¬
est la matrice associée au système (S), (b1, . . . , bn ) le second membre de (S) et (x1, . . . , xn ) l’inconnue.
Théorème 4.3.2 (Méthode matricielle)– Soit A ∈ Mn (K). Si A est inversible. Alors le système (S)
admet une solution et une seule donnée :
X = A−1 · B.

Exemple 4.3.1– 1. Soit le système

2x + 3y = 2

(S)
x + 2y = −1.
Alors la solution de (S) est donnée par
  
2 −3 2
X = A−1 · B = . .
−1 2 −1
C’est-à-dire (x, y) = (7, −4).
2. Soit le système
x + y = 1


(S) y + z = 2

 x + z = 3.


Alors la solution de (S) est donnée par
−1
! !
1 1 1 1
X = A−1 · B = 1 1 −1 . 2 .
2 −1 1 1 3
C’est-à-dire (x, y, z) = (1, 0, 2).
Théorème 4.3.3 (Méthode de Cramer)– Soit A ∈ Mn (K). Si A est inversible. Alors le système (S)
admet une solution et une seule donnée
det(A1 )
=


 x1
det(A)



..



 .
det(An )


 xn = det(A) ,





32
 Chapitre4: Déterminant d’une matrice

b1 a12 . . . a1n a11 b1 . . . a1n a11 . . . a1n−1 b1

avec det(A1 ) = ... ..
.
.. , det(A ) =
. 2
..
.
..
.
.. , . . . , det(A ) =
. n
..
.
..
.
.. .
.
bn an2 . . . ann an1 bn . . . ann an1 . . . ann−1 bn
Exemple 4.3.2– 1. Soit le système
−x − 2y = −1

(S)
2x + 3y = 2.
Alors la solution de (S) est donnée par (x, y) = (1, 0).
2. Soit le système
x + y + z = 1


(S) 2x − y + z = 2

 x + y = −1.


Alors la solution de (S) est donnée par (x, y, z) = (−1/3, −2/3, 2).
Théorème 4.3.4 (Méthode du pivot de Gauss)– Soit A ∈ Mn (K). Si A est inversible. Alors le système
(S) admet une solution et une seule obtenue à l’aide des opérations élémentaires sur des lignes
jusqu’à se ramener à un système triangulaire (ou système échelonné).
Exemple 4.3.3– 1. Soit le système
x + 3y = 1

(S)
2x + y = 2.
Par opération élémentaire, on obtient :
x + 3y = 1 L1


−5x = −5 L2 ←− L2 − 3L1 .
La solution est donc (x, y) = (1, 0).
2. Soit le système
x + y + z = 1


y+z=1

(S)
y + 2z = 1.



Par opération élémentaire, on obtient :
 x + y + z = 1 L1


y + z = 1 L2


z = 0 L3 ←− L3 − L2



La solution est donc (x, y, z) = (0, 1, 0).

4.4 Rang d’une matrice

Définition 4.4.1– Soient E un K-espace vectoriel et a1, . . . , am des vecteurs de E. On appelle rang de
a1, . . . , am , on note rang(a1, . . . , am ), la dimension du sous-espace vectoriel engendré par a1, . . . , am .
C’est-à-dire
rang(a1, . . . , am ) = dim(Vect(a1, . . . , am )).
Exemple 4.4.1– 1) On a rang((1, 0), (0, 1)) = 2.

33
 Chapitre4: Déterminant d’une matrice

2) De même, on a rang(1, i) = 2.
3) On a aussi rang ((1, 0, 0), (0, 1, 0), (0, 0, 1)) = 3.
4) Mais on a rang ((1, 0, −1), (1, 1, 1), (2, 0, −2)) = 2.
Définition 4.4.2– Soit A ∈ Mn,m (K) une matrice d’ordre (n, m). On appelle rang de A, et on note
rang(A), le rang de ses m vecteurs colonnes dans Km (ou ses n vecteurs lignes dans Kn ).

BRemarque 18– Soit A ∈ M n,m (K). Alors

1) rang(A) 6 min(n, m).
2) rang(tA) = rang(A).
 
−1 1
Exemple 4.4.2– 1) Soit A la matrice carrée d’ordre 2 donnée par A = . Alors rang(A) = 2.
0 2
!
1 1 1
2) Soit A la matrice carrée d’ordre 3 donnée par A = 1 1 1 . Alors rang(A) = 1.
1 1 1
!
0 1 1
3) Soit A la matrice carrée d’ordre 3 donnée par A = 1 0 1 . Alors rang(A) = 3.
1 1 0
!
1 2 3
4. Soit A la matrice carrée d’ordre 3 donnée par A = 2 −1 1 . Alors rang(A) = 2.
4 −2 2
Proposition 4.4.3– Soient f ∈ L (E, F) et B, B 0 les bases canoniques de Kn et Km . Alors
rang( f ) = rang(MatB,B0 ( f )).
Théorème 4.4.4– Soit A ∈ Mn (K) une matrice carrée d’ordre n. Alors A est inversible si, et seulement
si rang(A) = n.
!
0 1 1
Exemple 4.4.3– 1) Soit A la matrice carrée d’ordre 3 donnée par A = 1 0 1 . Alors rang(A) = 3.
1 1 0
Donc A est inversible. !
1 1 1
2) Soit A la matrice carrée d’ordre 3 donnée par A = 1 1 1 . Alors rang(A) = 1. Donc A n’est
1 1 1
pas inversible.