Chapitre 2

Les Bases de l’algèbre linéaire

2.1 Espaces vectoriels

C’est Giuseppe Peano, vers la fin du 19ème siècle, qui dégage le premier
les notions d’espaces vectoriels et d’applications linéaires abstraites que nous
étudions dans ce cours.
Les éléments d’un espace vectoriels sont appelés vecteurs. Comme les vec-
teurs de R2 ou R3 , on peut additionner les vecteurs et les multiplier par un
nombre. Ces opérations vérifient quelques propriétés que nous allons isoler dans
la définition suivante.

Definition 1. Un R-espace vectoriel est un triplet (E, +, .) formé d’un ensemble

E dont les éléments sont appelés vecteurs, d’une loi d’addition, notée +, qui
est une application E ⇥ E ! E qui à deux vecteurs u et v de E associe un
vecteur u + v 2 E, qu’on appellera somme des deux vecteurs, et d’une loi de
multiplication par un scalaire notée · qui est une application R ⇥ E ! E qui
associe à un nombre réel et un vecteur u le vecteur u qu’on appellera produit
du vecteur u par le réel .
Axiomes de la somme :
1. Associativité pour tous u, v et w de E, u + (v + w) = (u + v) + w.
2. Commutativité pour tous u et v de E, u + v = v + u.
3. Neutre il existe un élément de E noté 0 tel que, pour tout u de E,
u + 0 = u.
4. Opposé Pour tout u de E, il existe v 2 E tel que u + v = 0.
Axiomes de compatibilité pour la multiplication :
1. produit de réels pour tout u de E, et µ de R, ( µ)u = (µu).
2. Somme de réels pour tout u de E, et µ de R, ( + µ)u = u + µu.
3. Somme de vecteurs pour tous u et v de E, de R, (u+v) = u+ v.
4. Unité Pour tout u de E, 1u = u.

Conséquences immédiates
— L’associativité permet d’éviter de mettre des parenthèses dans les sommes
de vecteurs.

7
8 CHAPITRE 2. LES BASES DE L’ALGÈBRE LINÉAIRE

— La commutativité permet d’échanger les termes d’une somme.

— On a 0 + u = u pour tout u 2 E.
— L’opposé de u est noté u et u + ( v) est noté u v de sorte qu’on a,
pour tout u, u u = 0.
— Si u + v = u + w, alors v = w.
— 0u = 0.
— 0 = 0.
— ( 1)u = u.
— 2u = u + u.

2.1.1 Exemples d’espaces vectoriels

Rn muni de la somme de vecteurs et du produit par un réel.
L’ensemble des fonctions d’un ensemble I dans R, muni de la somme de fonctions
et de la multiplication par un réel.
L’ensemble des suites à valeurs réelles.
L’espace R[X] des polynômes
Pn à coefficients réels, qu’on identifiera aux fonctions
de la forme P (x) = k=0 ak xk .
L’ensemble des fonctions d’un ensemble X à valeurs dans un espace vectoriel E.
Exercice : vérifier que ces ensembles vérifient bien les axiomes définissant les
espaces vectoriels.

2.1.2 Espaces vectoriels sur des corps plus généraux

Nous nous limiterons dans ce cours, à de rares exceptions près, aux espaces
vectoriels sur R. Les nombres réels s’additionnent et se multiplient, les deux
lois sont associatives et commutatives, il existe des éléments 0 et 1 qui sont des
éléments neutres pour l’addition et la multiplication, tout réel a un opposé pour
l’addition et tout réel non nul a un inverse pour la multiplication.
Il existe d’autres ensembles vérifiant ces propriétés, comme l’ensemble des
nombres complexes ou l’ensemble des nombres rationnels. Dedekind donne à de
tels ensembles le nom de corps. Les résultats que nous allons énoncer pour les
espaces vectoriels sur R restent valables si R est remplacé par un autre corps
K.

2.1.3 Sous-espaces vectoriels

Definition 2. Soit E un espace vectoriel et F un sous-ensemble de E. Si F est
non vide et vérifie
1. Pour tous u et v de F et tout 2 R, u + v 2 F .
Alors F est un espace vectoriel appelé sous-espace vectoriel de E.

Exercice : Vérifier que F est un espace vectoriel.

Proposition 3. L’intersection d’une famille de sous-espace vectoriels est un

sous-espace vectoriel.

Preuve : Exercice.
2.1. ESPACES VECTORIELS 9

2.1.4 Exemples de sous-espaces vectoriels

Sous-espaces de l’ensemble des fonctions de I dans R.
— L’ensemble des fonctions continues de I dans R.
— L’ensemble des fonctions de classe C k de I dans R.
— L’ensemble des fonctions f de classe C k de I dans R telles que

ak f (k) + . . . + a1 f 0 + a0 f = 0 .

— L’ensemble des fonctions bornées de I dans R.

Sous-espaces de l’ensemble des suites.
— L’espace des suites convergentes.
— L’espace des suites bornées. P
— L’espace des suites telles que n>0 |un | < 1.
Sous-espaces de l’ensemble des polynômes.
— L’espace Rn [X] des polynômes de degré inférieur à n.
Sous-espaces de l’ensemble de2 Rn3.
x1
— L’ensemble des vecteurs x = 4 ... 5 vérifiant un système d’équations li-
6 7

xn
néaires : 8
>
> a x + a1,2 x2 + . . . + a1,n xn = 0
< 1,1 1
..
> .
>
:a x + a x + . . . + a x = 0
p,1 1 p,2 2 p,n n

L’ensemble L(E, F ) des applications linéaires de E dans F .

2.1.5 Espace engendré

Definition 4. Soit E un espace vectoriel et A un sous-ensemble de E. On
appelle espace engendré par A l’ensemble des combinaisons linéaires d’éléments
de A, c’est à dire l’ensemble des vecteurs v de la forme
n
X
v= a i ui ,
i=0

où les ai sont réels et les ui des éléments de A. On note cet ensemble Vect(A).

Par exemple, une droite est un espace engendré par un vecteur non nul.

Proposition 5. L’espace engendré par A est l’intersection des sous-espaces

vectoriels de E contenant A.

Vect(A) = \F AF .

En particulier donc, Vect(A) est un espace vectoriel.

Preuve : Exercice.
10 CHAPITRE 2. LES BASES DE L’ALGÈBRE LINÉAIRE

2.1.6 Sommes de sous-espaces

Definition 6. Soit F, G des sous-espaces vectoriels de E. On appelle F + G
l’ensemble des vecteurs v 2 E de la forme v = uF + uG , où uF 2 F et uG 2 G.

Proposition 7. F + G est un sous-espace vectoriel de E.

Preuve : Exercice.

2.2 Bases et dimension

L’algèbre linéaire s’est développé au début du 20ème siècle pour étudier des
problèmes d’analyse fonctionnelle. Ces problèmes font intervenir des espaces de
dimension infinie. Plus récemment, des problèmes de statistiques et d’informa-
tiques ont motivé le développement de nouveaux résultats d’algèbre linéaire en
dimension finie. Une des clés de cet essor est le concept de base. Muni d’une
base, les éléments d’un espace vectoriel de dimension finie sont “encodables"
dans des vecteurs qu’on peut manipuler algorithmiquement et sur lesquels on
peut faire des calculs. Dans cette section, on rappelle les éléments permettant
de définir ces notions ainsi que les premières propriétés fondamentales de ces
objets.

2.2.1 Famille génératrice

Soit E un espace vectoriel.

Definition 8. Une collection G de vecteurs de E tel que Vect(G) = E est

appelée famille génératrice de E.

Definition 9. On dit que l’espace E est de dimension finie s’il existe une famille
génératrice de E de cardinal fini.

— Toute famille contenant une famille génératrice est génératrice.

— L’espace vectoriel Rn [X] des polynômes de degré inférieur à n est un
espace de dimension finie. (donner une famille génératrice !)

2.2.2 Famille libre

Definition 10. Une collection G de vecteurs de E est appelée famille libre si
tout vecteur de Vect(G) s’écrit de manière unique comme combinaison linéaire
d’éléments de G. Si G n’est pas libre on dit qu’elle est liée. Si G = (u1 , . . . , up )
est une famille libre, on dit aussi que les vecteurs ui sont linéairement indépen-
dants.

— Une famille contenant le vecteur nul n’est jamais libre.

— La famille vide est libre.
— Une famille extraite d’une famille libre est libre.

Proposition 11. Soit G = (u1 , . . . , up ) une famille finie de vecteurs de E.

1. G est libre si et seulement si a1 u1 + . . . + ap up = 0 implique a1 = . . . =
an = 0.
2.2. BASES ET DIMENSION 11

2. G est liée si et seulement si il existe a1 , . . . , ap non tous nuls, tels que

a1 u1 + . . . + ap up = 0.
3. Si G est liée, un vecteur de G est combinaison linéaire des autres.
Preuve : Exercice.
Exemple : Dans Rn , une famille triangulaire sans vecteur nul est libre.

2.2.3 Base
Definition 12. Une famille B libre et génératrice de E est appelée base de E.
Théorème 13. Soit E un espace de dimension finie. On peut extraire de toute
famille génératrice G de E une base de E.
Preuve : Comme E est de dimension finie, il existe une famille finie F engen-
drant E. Puisque G engendre E, il existe une famille finie H de vecteurs de G
engendrant F , donc E. Soit (u1 , . . . , up ) une sous-famille de H engendrant F ,
de cardinal minimal. Si elle était liée, un des vecteurs, disons up serait combi-
naison linéaire des autres, donc (u1 , . . . , up 1 ) serait une famille engendrant F
de cardinal inférieur. C’est absurde, donc (u1 , . . . , up ) est libre. Comme elle est
génératrice, c’est une base.
Théorème 14. Soit E un espace vectoriel de dimension finie. Toute famille
libre de E, L = (u1 , . . . , up ), peut être complétée en une base (u1 , . . . , un ) de E.
Preuve : Si L engendre E, L est une base. Supposons donc que L n’engendre
pas E. Comme E est de dimension finie, il existe une famille finie (v1 , . . . , vp )
engendrant E. On pose L(0) = L et récursivement, si pour tout i 2 {0, . . . p 1},
si L(i) [vi+1 est libre L(i+1) = L(i) [vi+1 , sinon L(i+1) = L(i) . Par construction,
L(p) est une famille libre engendrant (v1 , . . . , vp ) donc E, donc c’est une base
de E.
Definition 15. Soit E un espace vectoriel de dimension finie et B = (e1 , . . . , en )
une base de E. Tout vecteur u de E se2 décompose
3 de manière unique sur la base
u1
B : il existe un unique vecteur uc = 4 ... 5 2 Rn tel que
6 7

un
u = u 1 e1 + . . . + u n en .

Le vecteur uc est appelé vecteur des coordonnées de E dans la base B.

2.2.4 Dimension
Proposition 16. Soit E un espace vectoriel et B = (e1 , . . . , en ) une base de
E. Toute famille de m vecteurs, avec m > n est liée.
Preuve : Soit u1 , . . . , um une famille de m vecteurs. On décompose chacun de
ces vecteurs sur la base B :
n
X
ui = ui,j ej .
j=1
12 CHAPITRE 2. LES BASES DE L’ALGÈBRE LINÉAIRE

On peut appliquer la méthode du pivot au tableau ui,j . Comme m > n, il existe

au moins une ligne nulle à la fin de l’algorithme, ce qui assure que la famille est
liée.

Théorème 17. Dans un espace de dimension finie, toutes les bases ont même
cardinal.

Preuve : Exercice.

Definition 18. Le cardinal commun n des cardinaux des bases d’un espace de
dimension finie E est appelé la dimension de E et est noté dim(E).

Proposition 19. Dans un espace de dimension n.

— Toute famille libre de cardinal n est une base.
— Toute famille génératrice de cardinal n est une base.

Preuve : Exercice.

Proposition 20. Soit E un espace de dimension finie et F un sous-espace de

E.
— F est de dimension finie.
— dim(F ) 6 dim(E).
— Si dim(F ) = dim(E), F = E.

Preuve : Soit u1 , . . . , up une famille libre de F . Elle est libre dans E, donc elle
peut être complétée en une base u1 , . . . , un de E. Ainsi, p 6 n. F ne contient
aucune famille libre de plus de n éléments, c’est donc un espace de dimension
finie, de dimension inférieure à n.
Si dim(F ) = n, F contient une famille libre de n éléments. Ces éléments
forment une base de E, donc F E.

Proposition 21. Soit F et G deux sous-espaces d’un espace E de dimension

finie, alors

dim(F ) + dim(G) = dim(F + G) + dim(F \ G) .

Preuve : Exercice. Indication : Prendre une base de F \ G, la compléter en une

base de F et de G et construire avec ces vecteurs une base de F + G.

Definition 22. Un hyperplan de E est un espace de dimension dim(E) 1.

Un sous-espace F contenant un hyperplan H vérifie F = H ou F = E.

Exemples : Une famille triangulaire sans vecteurs nul de Rn est une base.
La famille 1, X, . . . , X n de Rn [X] est une base.

2.3 Applications linéaires

Definition 23. Soient E et F deux espace vectoriels. Une application f : E !
F est dite linéaire si elle vérifie

8u, v 2 E, 8 2 K, f (u + v) = f (u) + f (v) .

2.3. APPLICATIONS LINÉAIRES 13

Les applications linéaires sont celles compatibles avec la structure d’espace

vectoriel. On déduit de la définition que f (0) = 0 et si u1 , . . . , uk sont des
vecteurs de E et 1 , . . . , k sont des scalaires,
k
X k
X
f( i ui ) = i f (ui ) .
i=1 i=1

La composée d’applications linéaires est linéaire.

Definition 24. Soient E et F deux espace vectoriels, soient f et g deux appli-

cations linéaires f, g : E ! F et soit 2 K un scalaire.
La somme des applications f et g est l’application définie par f + g : E ! F ,
u 7! (f + g)(u) = f (u) + g(u).
La multiplication de f par le scalaire est l’application f : E ! F , u 7!
( f )(u) = f (u).

Proposition 25. Muni de ces opérations, l’ensemble L(E, F ) de toutes les ap-
plications linéaires de E vers F est un espace vectoriel.
Les éléments de L(E, E) sont appelés les endomorphismes de E. On notera
L(E, E) plus simplement L(E) dans la suite.

2.3.1 Exemples
Pour tout a 2 K, l’application ha : E ! E, définie par ha (u) = au est une
application linéaire. On l’appelle homothétie de rapport a.
Soit E l’espace vectoriel des fonctions de classe C 1 de R dans lui-même.
— Pour tout a 2 R, l’application eva : E ! E, eva (f ) = f (a) est linéaire.
— L’application D : E ! E définie par D(f ) = f 0 est linéaire.
— Pour tous réels a et b, l’application Ia,b : E ! R définie par Ia,b (f ) =
Rb
a
f (t)dt est linéaire.
— Pour tout a 2 R, l’application ⌧a : E ! E définie par ⌧a (f ) = f (· a)
est linéaire, de même que l’application a (f ) = ⌧a (f ) f .

2.3.2 Propriété universelle

Proposition 26. Soit E un espace vectoriel de dimension finie n et B =
(e1 , . . . , en ) une base de E. Soit F un espace vectoriel et u1 , . . . , un des vecteurs
de F . Il existe une unique application linéaire f : E ! F telle que f (ei ) = ui
pour tout i 2 {1, . . . , n}.

Preuve : Exercice !

2.3.3 Noyau
Definition 27. Soient E, F deux espaces vectoriels et f : E ! F une appli-
cation linéaire. Le noyau de f , noté ker(f ) est la préimage de 0 par f , c’est à
dire
ker(f ) = {x 2 E : f (x) = 0} .

Proposition 28. Le noyau d’une application linéaire f : E ! F est un sous-

espace vectoriel de E.
14 CHAPITRE 2. LES BASES DE L’ALGÈBRE LINÉAIRE

Preuve : Exercice !

Soit E l’espace vectoriel des fonctions de classe C 1 de R dans lui-même.

Soit ✓ : E ! E, f 7! ✓(f ) = f 00 3f 0 + 2f . ✓ est une application linéaire, son
noyau est l’ensemble des fonctions solutions de l’équation différentielle

f 00 3f 0 + 2f = 0 .

Definition 29. Une application f entre deux ensembles E et F est injective si,
pour tout x et y de E, x 6= y, on a f (x) 6= f (y).

Proposition 30. Soient E, F deux espaces vectoriels et f : E ! F une appli-

cation linéaire. f est injective si et seulement ker(f ) = {0}.

Preuve : Exercice !

Proposition 31. Soient E, F deux espaces vectoriels et f : E ! F une

application linéaire injective. Si u1 , . . . , un est une famille libre de E, alors
f (u1 ), . . . , f (un ) est une famille libre de F .

Preuve : Exercice !

2.3.4 Image d’une application linéaire

Soient E, F deux espaces vectoriels et f : E ! F une application linéaire.

Definition 32. L’image d’un sous-ensemble G de E par f est l’ensemble défini

par
f (G) = {y 2 F : 9x 2 G, f (x) = y} .

On appelle image de f l’image de l’espace E

Im(f ) = f (E) .

Proposition 33. Si G est un sous-espace vectoriel de E, f (G) est un sous-

espace vectoriel de F .

Preuve : Exercice !

Definition 34. Si f est un endomorphisme de E et G est un sous-espace de

E, alors G est dit stable par f si f (G) ⇢ G.

Proposition 35. L’image de l’espace engendré par une famille G de vecteurs

de E est l’espace engendré par la famille f (G) dans F .
En particulier, si G est une famille génératrice de E, Im(f ) est l’espace
engendré par f (G).

Preuve : Exercice !
2.3. APPLICATIONS LINÉAIRES 15

2.3.5 Théorème du rang

Théorème 36. Soit E un espace de dimension finie, F un espace vectoriel
quelconque et f 2 L(E, F ). Les espaces ker(f ) et Im(f ) sont de dimensions
finies et ces dimensions vérifient

dim(E) = dim(ker(f )) + dim(Im(f )) .

Preuve : Comme ker(f ) est un sous-espace vectoriel de E, il est de dimen-

sion finie. Soit e1 , . . . , er une base de ker(f ) qu’on complète en une base B =
(e1 , . . . , en ) de E. On sait que f (B) est une famille génératrice de Im(f ), donc
(f (er+1 ), . . . , f (en )) est également une famille génératrice
Pn de Im(f ). Supposons
que ar+1 , . . . , an soient des scalaires tels que i=r+1 a i f (ei ) = 0. On aurait
alors
n
X
ai ei 2 ker(f ) ,
i=r+1

donc par unicité de l’écriture des vecteurs de E sur la base B, ar+1 = . . . =

an = 0. Ainsi, la famille (f (er+1 ), . . . , f (en )) est une famille libre, c’est donc
une base de Im(f ), ce qui montre le théorème.
Proposition 37. Soit y 2 F , on s’intéresse à l’équation f (x) = y. Supposons
y 2 Im(f ) et x0 vérifie f (x0 ) = y. Alors l’ensemble des solutions de l’équation
f (x) = y est
x0 + ker(f ) = {x 2 E : x x0 2 ker(f )} .
Preuve : Exercice !

2.3.6 Résolution d’un système linéaire

Soit e1 , . . . , ep la base canonique de Rp et e01 , . . . e0n la base canonique de Rn .
Soient v1 , . . . , vp des vecteurs de Rn . On peut écrire, pour tout i 2 {1, . . . p},
n
X
vi = vj,i e0j .
j=1

La propriété universelle assure l’existence et l’unicité de l’application linéaire f

i ) = vi .
telle que f (eP
p
Soit x = i=1 xi ei un vecteur de Rp , son image par f est donc
p
X p
X n
X n
X p
X
f (x) = xi vi = xi vj,i e0j = vj,i xi e0j .
i=1 i=1 j=1 j=1 i=1

Le vecteur x appartient au noyau de f si et seulement si ses coordonnées

sont solutions du système linéaire
8Pp
>
> v x =0
< i=1 1,i i
..
> .
>
:Pp v x = 0
i=1 n,i i

Soit r le rang de ce système linéaire. On a d’après le théorème du rang dim(ker(f )) =

n r.
16 CHAPITRE 2. LES BASES DE L’ALGÈBRE LINÉAIRE

2.3.7 Isomorphismes
Definition 38. Soient E et F deux espaces vectoriels et soit f 2 L(E, F ). f
est appelée isomorphisme d’espaces vectoriels s’il existe g 2 L(F, E) telle que
f g = idF et g f = idE . Si g existe, on l’appelle inverse de f et on la note
f 1.

Un isomorphisme entre E et E est appelé automorphisme.

Proposition 39. La composée de deux isomorphismes f : E ! F et g : F ! G

est un isomorphisme et on a
1 1 1
(g f ) =f g .

Preuve : Exercice !

Proposition 40. Si f est une application linéaire bijective, c’est un isomor-

phisme.

Preuve : Exercice !

Proposition 41. Soient E et F deux espaces de même dimension n et f 2

L(E, F ).
— Si f est injective, c’est un isomorphisme.
— Si f est surjective, c’est un isomorphisme.

Preuve : Exercice !

Proposition 42. Deux espaces vectoriels de dimension finie sont isomorphes

si et seulement s’ils sont de même dimension.
Tout K-espace vectoriel de dimension n est isomorphe à K n .

Preuve : Exercice !

Proposition 43. Soit G un sous-espace de E et f : E ! F un isomorphisme,

alors la restriction de f à G est un isomorphisme de G vers f (G).

Preuve : Exercice !

2.4 Matrice
Soit E un espace vectoriel de dimension p muni d’une base B = (e1 , . . . , ep ),
F un espace vectoriel de dimension n muni d’une base B 0 = (e01 , . . . , e0n ). La
donnée d’une application f 2 L(E, F ) est équivalente à la donnée du tableau
suivant 2 3
a1,1 . . . a1,p
M = 4 ... .. 7 ,
6
. 5
an,1 ... an,p
où, pour tout i 2 {1, . . . , p},
n
X
f (ei ) = aj,i e0j .
j=1
2.4. MATRICE 17

En effet, la donnée de f implique bien sûr la donnée de P M et réciproquement,

p
si on connait les coefficients de M, alors, pour tout u = i=1 ui ei 2 E, on a
Xp n ✓X
X p ◆
f (u) = ui f (ei ) = aj,i ui e0j .
i=1 j=1 i=1

Pour bâtir la matrice M, on met donc dans les colonnes les coefficients des
vecteurs f (ei ) décomposés dans la base B 0 .

2.4.1 Matrices et applications linéaires

Definition 44. Une matrice à coefficients dans K à n lignes et p colonnes est
un tableau de np scalaires (ai,j )16i6n,16j6p
2 3
a1,1 . . . a1,p
6 .. .. 7 .
4 . . 5
an,1 ... an,p
Le terme général ai,j de cette matrice est celui situé à la i-ème ligne et à la
j-ème colonne. Une matrice à n lignes et p colonnes est dite de type (n, p). On
note Mn,p ou Mn,p (K) l’ensemble des matrices de type (n, p) à coefficients dans
K. Si n = p, on dit que la matrice est carrée de taille n. On note Mn ou Mn (K)
l’ensemble des matrices carrées de taille n à coefficients dans K.

2.4.2 Matrice d’une application linéaire

Soit E un espace vectoriel de dimension p muni d’une base B = (e1 , . . . , ep ),
F un espace vectoriel de dimension n muni d’une base B 0 = (e01 , . . . , e0n ). On
peut définir l’application qui à tout f 2 L(E, F ) associe la matrice
2 3
a1,1 . . . a1,p
M = 4 ... .. 7 ,
6
. 5
an,1 ... an,p
telle que, pour tout i 2 {1, . . . , p},
n
X
f (ei ) = aj,i e0j .
j=1

Proposition 45. L’application est une bijection.

Preuve : Exercice !
Definition 46. Soit M, M0 deux matrices de Mn,p de coefficients génériques
respectifs ai,j et a0i,j et soit 2 K
La somme des matrices M et M0 est la matrice M + M0 de coefficient gé-
nérique ai,j + a0i,j .
La multiplication de la matrice M par le scalaire est la matrice M de
coefficient générique ai,j .
Proposition 47. Muni de ces deux opérations, Mn,p est un espace vectoriel et
l’application est un isomorphisme d’espaces vectoriels.
Preuve : Exercice !
18 CHAPITRE 2. LES BASES DE L’ALGÈBRE LINÉAIRE

2.4.3 Matrices particulières

Matrices diagonales. Une matrice carrée telle que ai,j = 0 lorsque i 6= j est
appelée matrice diagonale. On note parfois diag(a1 , . . . , an ) la matrice carrée de
taille n diagonale dont les coefficients de la diagonale sont a1 , . . . , an .

Matrice unité. La matrice unité est la matrice diagonale dont les coefficients
diagonaux valent tous 1. On note celle de taille n In . C’est la matrice de l’ap-
plication identité de E dans n’importe quelle base.

Matrice triangulaire. Une matrice dont tous les coefficients ai,j avec i > j
sont nuls est appelée matrice triangulaire supérieure.
Si tous les coefficients ai,j avec i < j sont nuls, la matrice est dite triangulaire
inférieure.
Le matrices diagonales sont les matrices triangulaires supérieure et inférieure.

Matrices lignes, colonnes. Si n = 1, la matrice n’a qu’une ligne, on l’appelle

matrice ligne.
Si p = 1, la matrice n’a qu’une colonne, on dit que c’est une matrice colonne.
On identifiera toujours un vecteur avec la matrice colonne de ses coefficients.

Base canonique. Pour tout i 2 {1, . . . , n} et j 2 {1, . . . , p}, on note Ei,j la

matrice dont tous les coefficients sont nuls, sauf celui à la i-ème ligne et j-ème
colonne qui vaut 1. Les matrices Ei,j forment une base de Mn,p .

Matrice de transvection. Une matrice carrée de taille n de la forme Ti,j (↵) =

In +↵Ei,j pour un couple (i, j) tel que i 6= j est appelée matrice de transvection.

Matrice de transposition. Une matrice carrée de taille n de la forme Pi,j =

In + Ei,j + Ej,i Ei,i Ej,j pour un couple (i, j) tel que i 6= j est appelée
matrice de transposition.

2.4.4 Matrice de la composée

On considère trois espaces vectoriels E, F et G de dimension finie :
— E est muni d’une base B = (e1 , . . . , em ),
— F est muni d’une base B 0 = (e01 , . . . , e0n ),
— G est muni d’une base B 00 = (e001 , . . . , e00p ).
On se donne aussi des applications linéaires f : E ! F et g : F ! G.
On note R 2 Mn,m la matrice de f entre les bases B et B 0 , S 2 Mp,n la
matrice de g entre les bases B 0 et B 00 .
On sait que g f est aussi une application linéaire de E dans G. Notons
T 2 Mp,m sa matrice entre les bases B et B 00 .
Soit ri,j le coefficient générique de R, si,j celui de S et ti,j celui de T .
On a, pour tout i 2 {1, . . . , m},
p
X ✓X
n ◆ n
X p
X p ✓X
X n ◆
ti,k e00i = g f (ek ) = g rj,k e0j = rj,k si,j e00i = si,j rj,k e00i .
i=1 j=1 j=1 i=1 i=1 j=1
2.4. MATRICE 19

Par unicité de la décomposition d’un vecteur dans une base, on a donc, pour
tout i 2 {1, . . . , p} et tout k 2 {1, . . . , m},
n
X
ti,k = si,j rj,k .
j=1

Isolons la i-ème ligne de S et la k-ème colonne de R,

2 3
r1,k
⇥ ⇤6
si,1 . . . si,n 4 ... 5 ,
7

rn,k
ti,k s’obtient en multipliant les termes de même rang des ces vecteurs et en
prenant la somme de ces produits.
Pour calculer la matrice T , il faut faire mp fois cette opération.

Produit de matrices
Definition 48. Soit S 2 Mp,n et R 2 Mn,m deux matrices telles que le nombre
de colonnes de S soit égal au nombre de ligne de R. Soient si,j le coefficient
générique de S et ri,j celui de R. Le produit des matrices S et R, noté SR est
la matrice T 2 Mp,m de coefficient générique
n
X
ti,k = si,j rj,k .
j=1

Par construction donc SR est la matrice de la composée g f des applications

g : F ! G et f : E ! F de matrices respectives S et R.

2.4.5 Propriétés du produit

Proposition 49. Pour toute matrice M 2 Mn,p , MIp = M et In M = M.
Preuve : Exercice !
Proposition 50. Soient A 2 Mn,p , B 2 Mp,q , C 2 Mq,r . On a

A(BC) = (AB)C .

Preuve : Exercice !
Proposition 51. Pour toutes matrices pour lesquelles ces opérations sont li-
cites, on a

A(B + C) = AB + AC ,
(A + B)C = AC + BC ,
A( B) = ( A)B = (AB) .

Preuve : Exercice !
Definition 52. Une matrice carrée A de taille n est inversible s’il existe une
matrice B telle que AB = BA = In . Lorsqu’elle existe, une telle matrice B est
unique, on l’appelle l’inverse de A et on la note A 1 .
20 CHAPITRE 2. LES BASES DE L’ALGÈBRE LINÉAIRE

Vérifier que (A 1 ) 1 = A. Si A n’est pas carrée elle ne peut pas avoir

d’inverse. Si A et B sont des matrices carrées inversibles, vérifier que AB est
inversible et que
(AB) 1 = B 1 A 1 .
Si f est un automorphisme de E sa matrice dans une base B est inversible et
l’inverse de f , f 1 a pour matrice A 1 dans la base B.

2.4.6 Changement de base

Soit E, F deux espaces vectoriels de dimension finie, soient BE et BE 0
deux
bases de E, BF et BF deux bases de F . Soit f 2 L(E, F ). Soit A la matrice de
0

f de E muni de BE dans F muni de BF , soit A0 la matrice de f de E muni

de BE0
dans F muni de BF0 . Soit PE la matrice de l’identité de (E, BE ) dans
(E, BE ) (cette matrice est appelée matrice de passage de BE à BE
0 0
) et PF la
matrice de l’identité de (F, BF ) dans (F, BF ).
0

Le tableau suivant résume la situation

A
(E, BE ) ! (F, BF )
f
PE " idE idF " PF .
f
0
(E, BE ) ! (F, BF0 )
A0

Clairement, on a f = idF f idE , ce qui se réécrit matriciellement.

A = PF A0 PE 1 .

Cette relation est connue sous le nom de formule de changement de base.

Important : Pour ne pas se tromper dans cette relation, mieux vaut éviter
de l’apprendre et chercher plutôt à la retrouver avec le petit schéma précédent !
Definition 53. Deux matrices carrées A et A0 sont dites semblables s’il existe
une matrice inversible P telle que A = PA0 P 1 .
Definition 54. Le rang d’une application f 2 L(E, F ) est la dimension de
Im(f ). Le rang d’une matrice A est le rang de l’application linéaire f qu’elle
représente. C’est la dimension de l’espace engendré par les colonnes de A.
Definition 55. La trace de la matrice A carrée de taille n est la somme de ces
coefficients diagonaux : si ai,j est le coefficient générique de A :
n
X
Tr(A) = ai,i .
i=1

Proposition 56. Pour toutes matrices carrées A et B de taille n, on a

Tr(AB) = Tr(BA) .

En particulier, la trace d’une matrice est égale à celle de toute matrice qui lui
est semblable.
2.5. SOMMES DIRECTES 21

Preuve : Exercice !

Definition 57. Soit A 2 Mn,p une matrice de coefficient générique ai,j . La

transposée de A est la matrice notée AT de Mp,n de coefficient générique bi,j
défini par
bi,j = aj,i .

2.5 Sommes directes

2.5.1 Décomposition en somme directe
Definition 58. Soit E un espace vectoriel et F et G deux sous-espaces de E.
On dit que E est somme directe de F et G et on note E = F G si tout vecteur
u de E se décompose de manière unique sous la forme u = v + w, avec v 2 V
et w 2 W . On dit alors que F et G sont supplémentaires dans E ou que F est
un supplémentaire de G dans E.

Proposition 59. On a E = F G si et seulement si E = F +G et F \G = {0}.

Preuve : Supposons que E = F G. Alors clairement E = F +G et, si u 2 F \G,

on a u = u + 0 avec u 2 F et 0 2 G et u = 0 + u avec 0 2 F et u 2 G, donc,
par unicité, u = 0.
Réciproquement, supposons que E = F + G et F \ G = {0}. Soit u 2 E,
comme E = F + G, il existe v 2 F et w 2 G tels que u = v + w. Supposons
maintenant qu’il existe également v0 2 F et w0 2 G tels que u = v0 + w0 . Alors
v v0 = w0 w. Comme v v0 2 F et w0 w 2 G, ces vecteurs sont dans
F \ G, ils sont donc nuls.

Proposition 60. Soit E un espace vectoriel de dimension finie et soient F et

G deux sous-espaces vectoriels de E tels que E = F G.
1. Si B est une base de F et B 0 une base de G, alors B [ B 0 est une base
de E.
2. dim(E) = dim(F ) + dim(G).

Preuve : Exercice !

Proposition 61. Soit E un espace vectoriel de dimension finie et F un sous-

espace vectoriel de E. Alors F admet un supplémentaire dans E.

Preuve : Exercice !

Si dim(E) = n et dim(F ) = k, tout supplémentaire de F est de dimension

n k. Les espaces E et {0} sont supplémentaires dans E. En général, un sup-
plémentaire de sous-espace n’est pas unique : dans R3 , si F = Vect(e1 , e2 ), tout
vecteur de la forme u = ae1 + be2 + ce3 tel que c 6= 0 vérifie G = Vect(u) est
supplémentaire de F dans E.
22 CHAPITRE 2. LES BASES DE L’ALGÈBRE LINÉAIRE

2.5.2 Sommes directes finies

On peut généraliser les résultats de la section précédente au cas de n sous-
espaces Fi , 1 6 i 6 n.
Definition 62. On dit que E est somme directe des sous-espaces Fi , 1 6 i 6 n
si tout vecteur u de E s’écrit de manière unique u = v1 + . . . + vn , avec vi 2 Fi
pour tout 1 6 i 6 n. On écrit alors E = ni=1 Fi ou E = F1 . . . Fn . On note
aussi E( i) = j2{1,...,n}\{i} Fj .
Proposition 63. On a E = ni=1 Fi si et seulement si E = F1 + . . . + Fn et,
pour tout i 2 {1, . . . , n}, Fi \ E( i) = {0}.
Preuve : Supposons E = ni=1 Fi , alors, E = F1 + . . . + Fn . Soit maintenant Pn
i 2 {1, . . . , n} et u 2 Fi \ E( i) . Alors s’écrit de manière unique u = j=1 vj ,
avec vj 2 Fj , donc, comme u 2 Fi , tous les vj , avec j 6= i, vérifient vj = 0, et
comme u 2 E( i) , on a vi = 0, donc u = 0.
Supposons E = F1 + . . . + FnP et, pour tout i 2 {1, . . . , n}, Fi \ E( i) = {0}.
n
Tout vecteur u de EP s’écrit u = i=1 vi , avec vi 2 Fi pour tout i 2 {1, . . . , n}.
n
Supposons que u = i=1 v0i avec v0i 2 Fi , pour tout i 2 {1, . . . , n}. Alors, pour
tout i 2 {1, . . . , n}, on a
X
vi v0i = v0j vj .
j2{1,...,n}

Ainsi vi v0i 2 Fi \ E( i) , donc vi = v0i . Ceci étant vrai pour tout i, on a

u = 0.
Proposition 64. Soit E un espace vectoriel et Fi , 1 6 i 6 n des sous-espaces
vectoriels tels que E = ni=1 Fi .
1. Si pour tout i 2 {1, . . . , n}, Bi est une base de Fi , alors B1 [ . . . [ Bn est
une base de E.
Pn
2. dim(E) = i=1 dim(Fi ).
Preuve : Exercice !

2.5.3 Produit de deux espaces vectoriels

Definition 65. Soient E1 et E2 deux espaces vectoriels sur le même corps K.
L’espace produit E1 ⇥ E2 des couples (u1 , u2 ), où ui 2 Ei pour i 2 {1, 2} est un
espace vectoriel sur K si on le munit des opérations + et . suivantes :

(u1 , u2 ) + (v1 , v2 ) = (u1 + v1 , u2 + v2 ) ,

(u1 , u2 ) = ( u1 , u2 ) .

Les applications p1 : E1 ⇥ E2 ! E1 et p2 : E1 ⇥ E2 ! E2 , définies par

p1 (u1 , u2 ) = u1 , p2 (u1 , u2 ) = u2 sont clairement linéaires et surjectives, leurs
noyaux sont ker(p1 ) = {(0, u2 ), u2 2 E2 } qui est isomorphe à E2 et ker(p2 ) =
{(u1 , 0), u1 2 E1 } qui est isomorphe à E1 .
Les applications j1 : E1 ! E1 ⇥ E2 et j2 : E2 ! E1 ⇥ E2 , définies par
j1 (u1 ) = (u1 , 0), j2 (u2 ) = (0, u2 ) sont clairement linéaires et injectives, leurs
images sont Im(p1 ) = ker(p2 )et Im(p2 ) = ker(p1 ). Enfin, on a p1 j1 = idE1 ,
p2 j2 = idE2 .
2.6. PERMUTATIONS 23

Proposition 66. On a E1 ⇥E2 = j1 (E1 ) j2 (E2 ) et dim(E1 ⇥E2 ) = dim(E1 )+

dim(E2 ).

Preuve : Exercice !

2.5.4 Projecteurs
Definition 67. On appelle projecteur de E toute application linéaire p telle que
p p = p.

Proposition 68. Soit E un espace vectoriel et p un projecteur de E, on a

E = ker(p) Im(p).

Preuve : Exercice !

Si p est un projecteur q = id p aussi, et on a ker(p) = Im(q), Im(p) = ker(q).

2.6 Permutations
2.6.1 Groupes
Definition 69. Un groupe (G, .) où le point désigne une application G⇥G ! G
est un groupe si la loi . vérifie les axiomes suivants :
— associativité : (xy)z = x(yz), pout tout x, y, z de G.
— il existe un élément neutre, noté 1 vérifiant 1x = x1 = x, pour tout
x 2 G.
— pour tout x 2 G, il existe un élément noté x 1 et appelé inverse de x tel
que xx 1 = x 1 x = 1.

Exemples : L’ensemble { 1, 1} muni du produit est un groupe, dont l’élément

neutre est 1. L’ensemble Z muni de la loi + est un groupe d’élément neutre 0.

Definition 70. Soient (G, .) et (G0 , .) deux groupes. Une application f : G ! G0

est un morphisme de groupe si pour tout x, y de G,

f (xy) = f (x)f (y) .

Exemples : Les fonctions z 7! az sont des morphismes de (Z, +) dans lui-

même, si a 2 Z. La fonction log est un morphisme de (R⇤+ , .) dans (R, +).

2.6.2 Groupe des permutations

Definition 71. Soit E un ensemble et SE l’ensemble des bijections de E dans
lui même. SE muni de la loi de composition est un groupe (vérifiez le !).
Si E = {1, . . . , n}, SE est appelé groupe symétrique et les éléments de SE
sont appelés permutations de {1, . . . , n}. On note SE par Sn dans ce cas.

Notation : Soit 2 Sn , on note souvent

✓ ◆
1 ... n
= .
(1) . . . (n)
24 CHAPITRE 2. LES BASES DE L’ALGÈBRE LINÉAIRE

Definition 72. On appelle transposition tout élément de Sn qui échange deux

éléments de {1, . . . , n} et laisse les autres fixes. On note ⌧ = (i, j) la transposi-
tion qui échange i et j. On a ⌧ ⌧ = id.
Definition 73. On appelle cycle de longueur r > 1 toute permutation 2 Sn
pour laquelle il existe des éléments x1 , . . . , xr de E tels que (x) = x si x 2
/
{x1 , . . . , xr } et (x1 ) = x2 , . . ., (xr 1 ) = xr , (xr ) = x1 .
Deux cycles (x1 , . . . , xr ) et (y1 , . . . , ys ) sont disjoints si {x1 , . . . , xr }\{y1 , . . . , ys } =
;. Deux cycles disjoints commutent.
Proposition 74. Toute permutation se décompose en produit de cycles disjoints
(de manière unique, à l’ordre des cycles près).
Preuve : Prendre un exemple.
Théorème 75. Le groupe Sn est engendré par l’ensemble des transpositions.
Preuve : Il suffit de le vérifier pour les cycles, et la formule
(x1 , . . . , xr )(x1 , xr ) = (x2 , . . . , xr ) ,
permet de montrer le résultat par récurrence.

2.6.3 Signature d’une permutation

Théorème 76. Soit 2 Sn . Si s’écrit de deux manières comme produit de
transpositions : = t1 . . . tr = t01 . . . t0r0 , alors r et r0 ont même parité.
Pour montrer ce théorème, on s’appuie sur la notion suivante.
Definition 77. Soit O = {(i, j) 2 {1, . . . , n}2 : 1 6 i < j 6 n}. La signature
de 2 Sn est définie par
Y (j) (i)
"( ) = .
j i
(i,j)2O

On montre alors le théorème suivant.

Théorème 78. L’application " : Sn ! { 1, 1}, 7! "( ) est un isomorphisme
de groupe (i.e. un morphisme bijectif dont l’inverse est un morphisme).
0
On a alors, sous les hypothèses du théorème 76, "( ) = ( 1)r = ( 1)r ,
donc r et r0 ont même parité comme annoncé.

2.7 Exercices
Exercice 1
1. Soient a1 , a2 deux réels distincts, montrer que la famille (1, a1 ), (1, a2 )
est une famille libre de R2 .
2. Soient a1 , a2 , a3 trois réels distincts, montrer que la famille (1, a1 , a21 ),
(1, a2 , a22 ), (1, a3 , a23 ) est une famille libre de R3 .
3. Soient a1 , a2 , a3 , a4 4 réels distincts, montrer que la famille (1, a1 , a21 , a31 ),
(1, a2 , a22 , a32 ), (1, a3 , a23 , a33 ), (1, a4 , a24 , a34 ) est une famille libre de R4 .
2.7. EXERCICES 25

Exercice 2
Les familles suivantes de fonctions sont elles libres ou liées ?
1. Dans F(R, R), la famille f1 , f2 , f3 avec f1 : x 7! 1, f2 : x 7! cos2 (x),
f3 : x 7! sin2 (x).
2. Dans F(R, R), la famille f1 , f2 , f3 avec f1 : x 7! ex , f2 : x 7! e2x , f3 :
x 7! e3x .
3. Dans F((0, +1), R), la famille f1 , f2 , f3 avec f1 : x 7! ln(x), f2 : x 7!
ln2 (x), f3 : x 7! ln3 (x).
4. Dans F(R, R), la famille f1 , f2 , f3 avec f1 : x 7! ex , f2 : x 7! e x ,
f3 : x 7! cosh(x).
5. Dans F(R, R), la famille (fn , n 2 N) avec fn : x 7! enx .
6. Dans F(R, R), la famille (fn , n 2 N) avec fn : x 7! |x n|.
7. Dans F(R, R), la famille (fk , k 2 {1, . . . , n}) avec fk : x 7! sin(kx).
8. Dans F(R, R), la famille (fk , k 2 {1, . . . , n}) avec fk : x 7! cos(kx).
9. Dans F(R, R), la famille (fk , gk , k 2 {1, . . . , n}) avec fk : x 7! sin(kx),
gk : x 7! cos(kx).
10. Dans F(( 2, 2), R), la famille f1 , f2 , f3 avec f1 : x 7! 1/(x 2), f2 : x 7!
1/(x + 2), f3 : x 7! (4x + 7)/(x2 4).

Exercice 3
Montrer que les familles suivantes sont des bases des espaces indiqués.
1. Dans R4 [X], la famille (1, X 1, (X 1)2 , (X 1)3 , (X 1)4 ). Donner
la décomposition d’un polynôme P de R4 [X] dans cette base en fonction
de la valeur de P et de ses dérivées en 1.
2. Dans R2 [X], la famille (X, X(X + 1), (X + 1)2 ). Donner la décomposi-
tion de 1, X, X 2 dans cette base, puis la décomposition d’un polynôme
P (X) = a + bX + cX 2 de R2 [X] dans cette base.
3. Dans R4 [X], la famille
✓ ◆
X(X 1) X(X 1)(X 2) X(X 1)(X 2)(X 3)
1, X, , , .
2 6 24
Donner l’écriture des polynômes 1 + X + X 2 + X 3 et 1 + X + X 2 + X 4
dans cette base.
4. Généraliser la base de la question précédente pour obtenir une base de
Rn [X]. Montrer que les polynômes de cette base vérifient P (z) 2 Z,
pour tout z 2 Z. Montrer que tout polynôme vérifiant cette propriété est
combinaison linéaire à coefficients entiers des éléments de la base.
5. Soit n > 0 un entier et pour tout k 2 {0, . . . , n}, soit
✓ ◆
n
Bk (X) = X k (1 X)n k .
k
Pour toute fonction f : [0, 1] ! R, on définit
Xn ✓ ◆
k
Pf = f Bk .
n
k=0
26 CHAPITRE 2. LES BASES DE L’ALGÈBRE LINÉAIRE

Pf est un polynôme de Rn [X] appelé polynôme de Bernstein associé à f .

(a) Montrer que (Bk , k 2 {0, . . . , n}) est une base de Rn [X].
(b) Exprimer les polynômes 1, X, X 2 dans cette base. (On pourra calculer
Pf pour chacune de ces fonctions).

Exercice 4
Soient a1 , . . . , an+1 des entiers tous distincts, et, pour tout i 2 {1, . . . , n+1},
soient
Y 1
pi (X) = (X aj ), A = pi (ai ), Pi (X) = pi (X) .
Ai
j2{1,...,n+1}\{i}

1. Montrer que P1 , . . . , Pn+1 est une base de Rn [X].

2. Soient b1 , . . . , bn+1 des réels quelconques. Déterminer un polynôme de
Rn [X] tel que P (ai ) = bi pour tout i 2 {1, . . . , n + 1}.
3. Déterminer un polynôme de R2 [X] tel que P (0) = 3, P (1) = 2, P (2) =
5. En existe-t-il d’autres ?

Exercice 5
Soit : R[X] ! R[X], P 7! (P ) avec (P )(X) = P (X + 1) P (X).
1. Décrire le noyau et l’image de la restriction de à R4 [X]. Donner la
dimension de ces espaces.
2. Décrire le noyau et l’image de la restriction de à Rn [X]. Donner la
dimension de ces espaces. Montrer que est surjective.
3. Décrire l’ensemble des solutions de l’équation (P ) = Q.

Exercice 6
Soit f : R4 [X] ! R4 [X] défini par f (P ) = (X 1)P 0 P.
1. Déterminer ker(f ).
2. Déterminer l’ensemble des vecteurs Q pour lesquels l’équation f (P ) = Q
a une solution. (on pourra calculer f (X 1)k ), pour tout k 2 {1, . . . , 4}).
3. Résoudre (X 1)P 0 P = X2 2X + 2.

Exercice 7
Soit f 2 L(E, F ) une application injective. Montrer qu’il existe une applica-
tion linéaire g : F ! E telle que g f = idE .

Exercice 8
Soit f 2 L(E, F ) une application surjective. Montrer qu’il existe une appli-
cation linéaire g : F ! E telle que f g = idF .
2.7. EXERCICES 27

Exercice 9
Soient f et g deux endomorphismes de E tels que f g = g f . Montrer que
ker f et Im(f ) sont stables par g.

Exercice 10
Soit E = Fonc(R, R) et : E ! E, f 7! (f ) = f (· + 1) f.
1. Déterminer ker( ).
2. Déterminer ker( 2
).
3. Déterminer ker( n
), pour tout n > 1.

Exercice 11
Soit f un endomorphisme de E.
1. Montrer que ker(f ) ⇢ ker(f 2 ) et, plus généralement, que ker(f n ) ⇢
ker(f n+1 ).
2. Montrer que, si ker(f s ) = ker(f s+1 ), alors ker(f s ) ⇢ ker(f s+n ) pour tout
n > 1.
3. Montrer que, si E est de dimension finie, il existe s tel que ker(f s ) =
ker(f s+1 ).

Exercice 12
Soit E l’ensemble des fonctions de classe C 1 sur R et soit D : E ! E tel
que D(f ) = f 0 . Supposons qu’il existe un endomorphisme L de E et un entier
n > 2 tels que D = Ln .
1. Déterminer ker(D).
2. Montrer que ker L 6= {0}.
3. Montrer que ker Lk = ker D, pour tout k > 1.
4. Obtenir une contradiction en considérant ker(D2 ).

Exercice 13
Calculer, pour tout n > 1, An , où

1 a
A= .
0 1

Exercice 14
Une matrice A est dite nilpotente s’il existe r tel que Ar = 0.
1. Si A est nilpotente, est-elle inversible ?
2. Montrer qu’un matrice triangulaire supérieure est nilpotente si et seule-
ment si ses coefficients diagonaux sont nuls.
3. Montrer que, si A est nilpotente I + A est inversible et exprimer son
inverse en fonction des puissances de A.
28 CHAPITRE 2. LES BASES DE L’ALGÈBRE LINÉAIRE

Exercice 15
1. Déterminer le nombre d’opérations de base (additions et multiplications)
nécessaire pour effectuer le calcul du produit de deux matrices carrées de
taille 2.
2. On pose A, B carrée de taille 2 de coefficient générique respectifs ai,j ,
bi,j et on note ci,j le coefficient générique de AB.

E = (a1,1 + a2,2 )(b1,1 + b2,2 ), F = (a2,1 + a2,2 )b1,1

G = a1,1 (b1,2 b2,2 ), H = a2,2 (b2,1 b1,1 ), J = (a1,1 + a1,2 )b2,2 ,
K = (a2,1 a1,1 )(b1,1 + b1,2 ), L = (a1,2 a2,2 )(b2,1 + b2,2 ) .

Vérifier que

c1,1 = E+H J+L, c1,2 = G+J, c2,1 = F +H, c2,2 = E+G F +K .

3. Supposons maintenant que A et B sont deux matrices de tailles 2k . On

peut décomposer ces matrices par blocs en 4 matrices de tailles 2k 1 .
Vérifier qu’on peut appliquer les formules précédentes pour déterminer
le produit de A par B à partir des produits Ai,j Bk,l .
4. En appliquant récursivement la méthode de la question précédente, dé-
terminer le nombre d’opérations d’opérations de base nécessaires pour
calculer le produit AB avec cette méthode. Comparer au nombre d’opé-
rations de base nécessaires par la méthode directe.
5. Comment généraliser cette méthode à des matrices de taille quelconque ?

Exercice 16
Soient m et n deux entiers. Pour quelle valeur de p Rp est-il isomorphe à
1. Rn ⇥ Rm ?
2. Rn Rm ?

Exercice 17
Soit E un espace vectoriel de dimension n et B = {e1 , . . . , en } une base de
E. Montrer que E = ni=1 Vect(ei ).

Exercice 18
Soit E un espace vectoriel B une base de E et B1 , B2 une partition de B.
Montrer que E = Vect(B1 ) Vect(B2 ).

Exercice 19
Soit E un espace vectoriel de dimension finie, F et G deux sous-espaces
vectoriels de E tels que F \ G = {0}, dim(F ) + dim(G) = dim(E). Montrer que
E = F G.
2.7. EXERCICES 29

Exercice 20
Si E = F1 F2 et G est un sous-espace vectoriel de E, a-t-on G = G \ F1
G \ F2 ?

Exercice 21
Montrer que E = F1 F2 F3 si et seulement si E = F1 + F2 + F3 et
F1 \ F2 = {0}, F3 \ (F1 + F2 ) = {0}.

Exercice 22
Soit E un espace de dimension finie n, F et G deux sous-espaces de E de
même dimension k. Montrer qu’il existe un sous-espace de E qui est supplémen-
taire de F et G.

Exercice 23
Soit S l’ensemble des matrices M de Mn (R) telle que MT = M et A l’en-
semble des matrices M de Mn (R) telle que MT = M. Montrer que S et A
sont des sous-espaces supplémentaires de Mn (R).

Exercice 24
Soient p et q deux projecteurs de E. A quelles conditions sur les noyaux et
images de p et q équivalent les relations p q = p et p q = q ?

Exercice 25
1. Donner un exemple de projecteurs p et q tels que p q = q p.
2. Donner un exemple de projecteurs p et q tels que p q 6= q p.
3. Soient E1 = ker(p) \ ker(q), E2 = Im(p) \ ker(q), E3 = ker(p) \ Im(q),
E4 = Im(p) \ Im(q). Montrer que, E = 4i=1 Ei si et seulement si p q =
q p.
4. Montrer qu’alors p q et p + q p q sont des projecteurs. Déterminer
leurs images et leurs noyaux.

Exercice 26
Le jeu de taquin se joue sur un carré de 16 cases dont une est vide. La seule
façon de changer la disposition des cases est de faire glisser une case dans la
case vide. Si la position de départ est la suivante

13 14 15 vide
9 10 11 12
,
5 6 7 8
1 2 3 4
30 CHAPITRE 2. LES BASES DE L’ALGÈBRE LINÉAIRE

peut-on trouver une suite de mouvement amenant à la position suivante ?

13 15 14 vide
9 10 11 12
5 6 7 8
1 2 3 4