ESPACE VECTORIEL

ET
APPLICATIONS LINÉAIRES
Ressource élaborée par
GUEYAP KOUNGA Brice Romuald
Matricule : CM04-08SCI0405
Sous la direction de :
+ Dr. NDJEYA Selestin
Chargé de Cours, E.N.S de Yaoundé I
+ M. TCHOUTIO Moïse
Inspecteur National de Mathématiques
+ M. KAMDEM KAMDEM Gaetan F.
P.L.E.G en Mathématiques

Année Académique 2013 - 2014

 Objectifs

1. Objectifs généraux de la ressource

Les objectifs pédagogiques généraux de cette leçon sont :
ã Assimiler les notions de base sur les espaces vectoriels c’est-à-dire les notions de :
– Structures et sous-structures ;
– Familles de vecteurs libres, liées, bases ;
– Dimension d’un espace vectoriel ;
– Somme de deux sous-espaces vectoriels.
ã Assimiler les notions de base sur les applications linéaires c’est-à-dire les notions
de :
– Nature de l’application ;
– Écriture de la matrice d’une application linéaire dans une base donnée ;
– Noyau, Image de l’application ;
– Determinant d’une application linéaire.
2. Objectifs pédagogiques spécifiques
A la fin de cette ressource, l’élève sera capable de :
– Savoir définir la notion d’espaces vectoriels ;
– Savoir montrer qu’une famille finie de vecteurs est une famille génératrice ;
– Savoir montrer qu’une famille finie de vecteurs est une famille libre ;
– Savoir montrer qu’une famille finie de vecteurs est une base ;
– Savoir déterminer la dimension d’un espace vectoriel ;
– Savoir définir une application linéaire d’un espace vectoriel dans un autre ;
– Savoir effectuer des opérations sur les matrices carrées d’ordre au plus 3 ;
– Savoir calculer le déterminant d’une matrice carrées d’ordre au plus 3 ;
– Savoir calculer le déterminant d’une application linéaire.

École Normale Supérieure de Yaoundé I i

 Liens avec les autres parties du
programme

A- Les parties du programme nécessaires au développement de la ressource

et les contributions de ces parties
à Les vecteurs : Ils facilitent les opérations sur les éléments d’un espace vectoriel
appelés vecteurs.
à Géométrie de l’espace : droite vectorielle, plan vectoriel
à La notion d’ensemble
à Fonctions : image d’une fonction, antécédent d’une fonction
à Systèmes d’équations dans R2 et dans R3
B- Les apports de la ressource à d’autres parties
à Géométrie affine
à Les projections
à Les symétries
C- Les différentes applications de la ressource
De manière générale, les applications de la ressource sont plus visibles dans les appli-
cations de l’espace, le transport des structures et dans l’algèbre en général.

École Normale Supérieure de Yaoundé I ii

 Table des matières

Objectifs i

Liens avec les autres parties du programme ii

Introduction 1

1 ESPACE VECTORIEL 2
1.1 Structure d’espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Sous-espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Combinaison linéaire des vecteurs d’une famille finie . . . . . . . . . . . . . 6
1.3.1 Famille génératrice . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.2 Famille libre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.3 Base d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.4 Dimension d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . 11
1.4 Sous-espace vectoriel supplémentaire . . . . . . . . . . . . . . . . . . . . . 13
1.4.1 Somme de deux sous-espaces vectoriels . . . . . . . . . . . . . . . . 13
1.4.2 Somme directe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2 APPLICATIONS LINÉAIRES 16
2.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2 Matrice d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.1 Quelques propriétés sur les matrices . . . . . . . . . . . . . . . . . . 19
2.2.2 Déterminant d’une matrice . . . . . . . . . . . . . . . . . . . . . . . 22
2.3 Noyau d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4 Image d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . 24
2.5 Déterminant d’une application linéaire . . . . . . . . . . . . . . . . . . . . 27

École Normale Supérieure de Yaoundé I iii

TABLE DES MATIÈRES (Projet Prenum-AC)

2.6 Matrices inverses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

Exercices 31

Bibliographie 38

École Normale Supérieure de Yaoundé I iv

 Introduction

Dans toutes les mathématiques, on rencontre des objets sur lesquels on peut définir
deux (02) opérations naturelles dont l’une a exactement les propriétés de l’addition usuelle
dans R et l’autre n’est rien d’autre qu’une multiplication par un nombre (réel ou com-
plexe). C’est le cas des vecteurs de la géométrie plane ou de l’espace, et de bien d’autres
exemples comme les ensembles de fonctions ou de suites.
Un espace vectoriel est une structure stable par combinaison linéaire. Les espaces vec-
toriels sont l’outil de base de l’algèbre linéaire et des mathématiques en générale. Ceci
étant, si on se donne un «R-espace vectoriel» E, est-ce que E possède «peu» ou «beau-
coup» de sous-espaces vectoriels ? Y a-t-il toujours un sous-espace vectoriel contenant un
certain nombre de vecteurs donnés ? À-t-on dans E l’équivalent des droites et de plans ?
À partir de deux (ou plus) sous-espaces vectoriels de E, peut-on en construire d’autres,
par des opérations usuelles sur les ensembles comme la réunion et l’intersection ?
Ainsi, pour y répondre à ces diverses questionnement dans ce travail, on découvrira
en particulier :
• La structure d’espaces vectoriels sur l’ensemble des nombres réels ;
• Une catégorie d’applications bien adaptée à la structure d’espaces vectoriels : les appli-
cations linéaires ;
• Pour ces applications, nous définirons les notions de noyau, d’images.
• Enfin, comment on peut associer à toute application linéaire, une matrice (un tableau de
nombres) qui traduit toutes les informations de l’applications linéaire qu’elle représente.

École Normale Supérieure de Yaoundé I 1

 Chapitre Un

ESPACE VECTORIEL

1.1 Structure d’espaces vectoriels

Définition 1.1.1. Soit E un ensemble non vide dans lequel sont définies :
E × E −→ E
• Une application : appelée loi de composition interne et notée "+" ;
(x, y) 7−→ x + y
R × E −→ E
• Une application : appelée loi de composition externe à gauche et
(λ, x) 7−→ λ · x
notée "·".
Le triplet (E, +, ·) est un espace vectoriel sur R ou encore un espace vectoriel réel
(on dit aussi R-espace vectoriel) si les propriétés suivantes sont vérifiées :
1. Pour la loi de composition interne "+" :
– elle est commutative : ∀(x, y) ∈ E 2 , x + y = y + x;
3
– elle est associative : ∀(x, y, z) ∈ E , (x + y) + z = x + (y + z) ;
– elle admet un élément dit neutre, noté 0E , tel que : ∀x ∈ E, x+0E = 0E +x = x ;
– Tout élément x ∈ E admet un opposé, noté (−x), tel que :
x + (−x) = (−x) + x = 0E .
2. Pour la loi de composition externe "·" :
– elle admet "1" comme élément neutre : ∀x ∈ E, 1 · x = x;
2
– elle est associative : ∀(λ, µ) ∈ R , ∀x ∈ E, λ · (µ · x) = (λµ) · x ;
– elle est distributive par rapport à l’addition dans E : ∀λ ∈ R, ∀(x, y) ∈ E 2 ,
λ · (x + y) = λ · x + λ · y ;
– elle est distributive par rapport à l’addition dans R : ∀(λ, µ) ∈ R2 , ∀x ∈ E,
(λ + µ) · x = λ · x + µ · x.

Pour résumer l’axiome 1, on dit que (E, +) est un groupe commutatif ou encore un
groupe abélien.

École Normale Supérieure de Yaoundé I 2

1.2 Sous-espace vectoriel (Projet Prenum-AC)

→
−
Les éléments de E sont appelés des vecteurs (parfois habillés d’une flèche : →−
x ,→−
y , 0 ...
parfois non !) et ceux de R, des scalaires.
La loi de composition interne (notée "+") correspond à l’addition que vous connaissez,
et l’externe (notée "·") à la multiplication habituelle (aussi on se permettra la plupart
du temps d’écrire λx au lieu de λ · x).

+Remarque 1.1.1.
• L’élément neutre est unique !
• Pour tout vecteur x, son opposé est unique !

Avant de donner des exemples, énonçons d’abord quelques propriétés bien connues
dans R.

Proposition 1.1.1.
P1 - ∀x ∈ E, on a : 0x = 0E et ∀λ ∈ R, λ0E = 0E ;
P2 - ∀x ∈ E, ∀λ ∈ R, on a : λx = 0E ⇔ (λ = 0 ou x = 0E )
P3 - ∀x ∈ E, −x = (−1)x ;
P4 - ∀λ, µ ∈ R et ∀x, y ∈ E, on a : (λ − µ)x = λx − µx et λ(x − y) = λx − λy ;
P5 - ∀λ, µ ∈ R et ∀x, y ∈ E, on a : λx = µx ⇔ (λ = µ ou x = 0E )
et λx = λy ⇔ (λ = 0 ou x = y).

Exemple 1.1.1.
a) (Z, +, ·) est un espace vectoriel ;
b) R, R2 , R3 et plus généralement Rn sont des espaces vectoriels sur R :
c) Soit A une partie non vide de R. L’ensemble F(A, R) des applications de A dans R est
un espace vectoriel sur R car elle est muni d’une structure d’espaces vectoriels sur R
définie par :
– La somme f + g de deux éléments quelconques f et g de F(A, R) est définie par :
∀x ∈ A (f + g)(x) = f (x) + g(x) ;
– Le produit λf du réel quelconque λ par un élément quelconque f de F(A, R) est défini
par : ∀x ∈ A (λf )(x) = λf (x).

1.2 Sous-espace vectoriel

Dans cette section, on va s’intéresser à certains sous-ensembles d’un espace vectoriel qui vont avoir
à leur tour une structure d’espace vectoriel. La définition d’espace vectoriel étant lourde à vérifier, nous

École Normale Supérieure de Yaoundé I 3

1.2 Sous-espace vectoriel (Projet Prenum-AC)

verrons une caractérisation des espaces vectoriels qui nous permettra, à l’aide des espaces vectoriels de
référence, d’éviter la définition d’origine.

Activité 1.2.1. Considérons l’ensemble F = {(x, y) ∈ R2 /x + y = 0}.

a˚) Montrer que F est un ensemble non vide.
b˚) Montrer que F est un sous-ensemble de R2 .
c˚) Montrer que ∀u, v ∈ F, u + v ∈ F .
d˚) Montrer que ∀u ∈ F, ∀λ ∈ R, λu ∈ F .

Solution 1.2.1.
a˚) On a 0 + 0 = 0, donc (0, 0) ∈ F . Par suite F est un ensemble non vide.
b˚) Pour tout (x, y) ∈ F , (x, y) ∈ E par définition. Donc F est un sous-ensemble de E
(F ⊂ E).
c˚) Soient u = (x, y), v = (a, b) ∈ F , montrons que u + v ∈ F .
u ∈ F ⇒ x + y = 0 et v ∈ F ⇒ a + b = 0.
u+v = (x, y)+(a, b) = (x+a, y +b). Or (x+a)+(y +b) = (x+y)+(a+b) = 0+0 = 0.
Donc ∀u, v ∈ F, u + v ∈ F .
d˚) Soient u = (x, y) ∈ F et λ ∈ R, montrons que λu ∈ F .
u∈F ⇒x+y =0
λu = λ(x, y) = (λx, λy). Or λx + λy = λ(x + y) = λ0 = 0.
Donc ∀u ∈ F, ∀λ ∈ R, λu ∈ F .
---En pratique : On dit dans ces conditions que F = {(x, y) ∈ R2 /x + y = 0} est
un sous-espace vectoriel de E = R2 .

Définition 1.2.1. Soit (E, +, ·) un espace vectoriel et F une partie non vide de E.
On dit que F est un sous-espace vectoriel de E si la restriction des lois "+" et "·"
de E à F fait de F un espace vectoriel.

Observons que tout sous-espace vectoriel de E contient au moins le vecteur nul. La

notion prend tout son intérêt grâce à la proposition suivante :

École Normale Supérieure de Yaoundé I 4

1.2 Sous-espace vectoriel (Projet Prenum-AC)

Proposition 1.2.1. Soit E un espace vectoriel et F un ensemble. F est un sous espace

vectoriel de E si et seulement si les propriétés suivantes sont vraies :
P1 - F 6= ∅
P2 - F ⊂ E
P3 - F est stable par combinaison linéaire c’est-à-dire : ∀x, y ∈ F, x + y ∈ F et ∀x ∈
F, ∀λ ∈ R, λ · x ∈ F

+Remarque 1.2.1.
• Tout sous-espace vectoriel de E contient 0E .
• Dans la pratique, pour montrer que F 6= ∅, on montrera assez souvent que 0E ∈ F .
• La dernière condition peut être synthétisée par : ∀(x, y) ∈ F 2 , ∀λ ∈ R, x + λ · y ∈ F .

+Remarque 1.2.2. {0E } et E sont des sous-espaces vectoriels de E.

+Remarque 1.2.3. Ainsi, il est donc beaucoup plus facile de montrer qu’un ensemble
est un sous-espace vectoriel plutôt qu’un espace vectoriel. En effet toutes les propriétés
propres aux lois (commutativité, associativité ...etc) restent vraies par restriction donc
n’ont pas besoin d’être démontrées.

Exemple 1.2.1.
a) R2 est un sous-espace vectoriel de R.
b) Soit I un intervalle de R. Alors l’espace C(I, R) des fonctions continues sur I à valeur
dans R est un sous-espace vectoriel de F(I, R). De même, l’espace D(I, R) des fonctions
dérivables sur I à valeur dans R est un sous-espace vectoriel de F(I, R). De plus, comme
toute fonction dérivable est continue, il s’ensuit que D(I, R) est aussi un sous-espace
vectoriel de C(I, R).
c) L’ensemble F = {(x, y) ∈ R2 /x + y = 2} n’est pas un sous-espace vectoriel de R2 .
En effet, le vecteur nul 0R2 n’appartient pas à F .

...Méthode 1 (Montrer qu’un ensemble F est un espace vectoriel).

? On repère l’espace vectoriel E (de référence) principal.
? On montre que cet ensemble F est un sous-espace vectoriel de E à l’aide de la propriété
ci-dessus.

Proposition 1.2.2. Soit E un espace vectoriel. Si F et G sont deux sous-espaces vecto-

riels de E, alors l’intersection F ∩ G est un sous-espace vectoriel de E.

École Normale Supérieure de Yaoundé I 5

1.3 Combinaison linéaire des vecteurs d’une famille finie(Projet Prenum-AC)

Preuve : Soient F et G deux sous-espaces vectoriels de E, montrons que F ∩ G est

un sous-espace vectoriel de E.
– F et G étant des sous-espaces vectoriels de E, ils contiennent tous 0E .
Donc 0E ∈ F ∩ G. Par suite, F ∩ G est non vide.
– D’autre part on sait que F ∩ G est un sous-ensemble de F , donc F ∩ G est un
sous-ensemble de E car F est un sous-ensemble de E.
– Soient x, y ∈ F ∩ G et λ ∈ R, montrons que x + λy ∈ F ∩ G.
Comme x, y ∈ F ∩ G, il est clair que x, y ∈ F et x, y ∈ G. Puisque F et G sont des
sous-espaces vectoriels de E, il en découle que x + λy ∈ F et x + λy ∈ G. On en
déduit que x + λy ∈ F ∩ G.
Donc F ∩ G est un sous-espace vectoriel de E.

Exemple 1.2.2. Soit D le sous-ensemble de R3 défini par :

D = {(x, y, z) ∈ R3 : x + 3y + z = 0 et x − y + 2z = 0}. L’ensemble D est un sous-espace
vectoriel de R3 , car l’ensemble D est l’intersection des sous-ensembles F et G de R3 définis
par : F = {(x, y, z) ∈ R3 : x + 3y + z = 0}, G = {(x, y, z) ∈ R3 : x − y + 2z = 0}. Ce sont
deux plans passant par l’origine, donc des sous-espaces vectoriels de R3 .
Ainsi, D = F ∩ G est un sous-espace vectoriel de R3 , c’est une droite vectorielle.

666ATTENTION : En général, la réunion F ∪ G n’est pas nécessairement un

sous-espace vectoriel de E.
En effet, considérons par exemple E = R2 , et les sous-espaces vectoriels :
F = {(x, y) ∈ E : x = 0} et G = {(x, y) ∈ E : y = 0}.
Alors F ∪ G n’est pas un sous-espace vectoriel de R2
car (0, 1) + (1, 0) = (1, 1) ∈
/ F ∪ G = {(x, y) ∈ E : x = 0 ou y = 0} est la somme d’un
élément de F et d’un élément de G.

1.3 Combinaison linéaire des vecteurs d’une famille fi-

nie
Dans toute cette section, E est un espace vectoriel sur R.

Rappel 1.3.1. On appelle famille (ou système) finie de p vecteurs x1 , x2 , · · · , xp distincts

ou non de E, le p-uplet (x1 , x2 , · · · , xp ).

École Normale Supérieure de Yaoundé I 6

1.3 Combinaison linéaire des vecteurs d’une famille finie(Projet Prenum-AC)

→
− → −
Activité 1.3.1. On donne dans la base B = ( i , j ), les vecteurs →
−
u (1, −3) et →
−
v (− 21 , 7).
→
− →
−
Exprimer les vecteurs →
−
u et →
−
v en fonction des vecteurs i et j .

→
− →
− →
− →
−
Solution 1.3.1. On a : → −
u = i − 3 j et →−
v = − 21 i + 7 j
---En pratique : On dit qu’on a écrit le vecteur → −
u (respectivement →
−
v ) comme com-
→
− →
−
binaison linéaire des vecteurs i et j de la base B.

Définition 1.3.1. Soit (x1 , x2 , · · · , xp ) une famille de p vecteurs de E. On appelle

Combinaison linéaire de ces vecteurs, le vecteur x = λ1 x1 + λ2 x2 + · · · + λp xp où
(λ1 , λ2 , · · · , λp ) est un p-uplet quelconque de Rp .

Pp
On note x sous la forme condensée suivante : x = i=1 λi xi ; les λi sont appelés les
coefficients de la combinaison linéaire.

Théorème et Définition 1.3.1. Soit (x1 , x2 , · · · , xp ) une famille de p vecteurs de E.

L’ensemble des combinaisons linéaires de ces vecteurs est un sous-espace vectoriel de
E.
On l’appelle le sous-espace vectoriel engendré par les p vecteurs x1 , x2 , · · · , xp .

Exemple 1.3.1.
a) Cherchons le sous-espace vectoriel de R3 engendré par les vecteurs x1 = (1, 2, 0) et
x2 = (1, −1, 1). Ce sous-espace est l’ensemble des combinaisons linéaires de x1 et de
x2 , c’est-à-dire l’ensemble des vecteurs x ∈ R3 tel que :
x = λ1 x1 + λ2 x2 = λ1 (1, 2, 0) + λ2 (1, −1, 1) = (λ1 + λ2 , 2λ1 − λ2 , λ2 ) où (λ1 , λ2 ) est un
élément quelconque de R2 .
b) R × {0} est le sous-espace vectoriel de R2 engendré par le vecteur (1, 0). On peut
remarquer que c’est aussi le sous-espace vectoriel engendré par le vecteur (19, 0) et
plus généralement par n’importe quel vecteur (a, 0) où a est un réel non nul.

École Normale Supérieure de Yaoundé I 7

1.3 Combinaison linéaire des vecteurs d’une famille finie(Projet Prenum-AC)

1.3.1 Famille génératrice

Activité 1.3.2. Considérons la famille S = (1, 3), (−1, 5) de R2 .
Trouver, si possible, les réels α et β tels que ∀→
−
u ∈ R2 , on ait : →
−
u = α(1, 3) + β(−1, 5).

Solution 1.3.2. Soit → −

u (a, b) ∈ R2 cherchons α, β ∈ R tels que : →−u = α(1, 3) + β(−1, 5).
(a, b) = α(1, 3) + β(−1, 5) ⇔ (a, b) = (α, 3α) + (−β + 5β) ⇔ (a,( b) = (α − β, 3α + 5β).
a = α−β
Ce qui nous conduit au système d’inconnues α et β suivant : qui a
b = 3α + 5β
pour solution α = 5a+b
8
et β = −3a+b
8
.
Finalement pour tout vecteur u (a, b) ∈ R2 on a : →
→
− −
u = 5a+b
8
(1, 3) + −3a+b
8
(−1, 5).
---En pratique : Lorsque les réels α et β existent, on dit que la famille S =


(1, 3), (−1, 5) est une famille génératrice de R2 .

Définition 1.3.2. On dit qu’une famille finie S = (x1 , x2 , · · · , xp ) de p vecteurs de

E est une famille génératrice, si et seulement si tout vecteur x de E s’écrit comme
combinaison linéaire des vecteurs xi de S c’est-à-dire : ∀x ∈ E, ∃λ1 , λ2 , · · · , λp ∈ R
tels que : x = λ1 x1 + λ2 x2 + · · · + λp xp .

Si E est engendré par une famille finie de vecteurs (x1 , x2 , · · · , xp ), on note alors
E = hx1 , x2 , · · · , xp i ou E = V ect(x1 , x2 , · · · , xp ). On dit aussi que S est un système
générateur de E.

Exemple 1.3.2.
a) La famille {e1 = (1; 0), e2 = (0; 1)} est une famille génératrice de R2 puisque tout
élément x = (x1 , x2 ) de R2 peut s’écrire : x = (x1 , x2 ) = (x1 , 0) + (0, x2 ) = x1 e1 + x2 e2 .
La famille {e1 = (2; 0), e2 = (1; 1)} en est une autre, prouvez la !
b) Dans l’espace R2 [X] des polynômes de degré au plus 2, la famille (1, X, X 2 ) est une
famille génératrice puisque tout polynôme de degré au plus 2 est combinaison linéaire
de vecteurs de cette famille.

Propriétés 1.3.1.
P1 - Toute famille contenant une famille génératrice est elle même génératrice.

École Normale Supérieure de Yaoundé I 8

1.3 Combinaison linéaire des vecteurs d’une famille finie(Projet Prenum-AC)

P2 - Si F1 est une famille génératrice que chacun de ses vecteurs peut s’exprimer comme
combinaison linéaire des vecteurs d’une autre famille F2 , alors F2 est aussi une
famille génératrice.

1.3.2 Famille libre

Activité 1.3.3. Considérons la famille S = (1, −3), (−1, 2) de R2 .
Montrer que si on a α(1, −3) + β(−1, 2) = (0, 0) alors α = β = 0.

Solution 1.3.3. Soient α, β ∈ R tels que : α(1, −3) + β(−1, 2) = (0, 0).
α(1, −3) + β(−1, 2) (= (0, 0) ⇔ (α, −3α) + (−β, 2β) = (0, 0) ⇔ (α − β, −3α + 2β) = (0, 0).
α−β = 0
Ce qui nous donne qui a pour solution α = 0 et β = 0.
−3α + 2β = 0


---En pratique : On dit dans ce cas que la famille S = (1, −3), (−1, 2) est une
famille libre. Dans le cas contraire, on dit qu’elle est liée.

Définition 1.3.3. On dit qu’une famille finie S = (x1 , x2 , · · · , xp ) de p vecteurs de E

est libre, si et seulement si ∀λ1 , λ2 , · · · , λp ∈ R la relation λ1 x1 +λ2 x2 +· · ·+λp xp = 0E
entraîne λ1 = λ2 = · · · = λp = 0.
Autrement dit, aucun vecteur de la famille S n’est combinaison linéaire des autres :
on dit qu’ils sont linéairement indépendants.

Dans le cas contraire, c’est-à-dire si S = (x1 , x2 , · · · , xp ) n’est pas libre, alors on

dira que S est une famille liée ou que les vecteurs x1 , x2 , · · · , xp sont linéairement
dépendants. Plus généralement, au moins un des vecteurs de cette famille s’écrit comme
combinaison linéaire des p − 1 autres vecteurs.

+Remarque 1.3.1.
• Toute famille contenant 0E est liée.
• Toute famille dont les vecteurs ne sont pas deux à deux distincts est nécessairement
liée. Par suite, les vecteurs de toute famille libre sont deux à deux distincts.

École Normale Supérieure de Yaoundé I 9

1.3 Combinaison linéaire des vecteurs d’une famille finie(Projet Prenum-AC)

• Deux vecteurs non colinéaires forment une famille libre, trois vecteurs non coplanaires
forment une famille libre.

Exemple 1.3.3.
a) Une famille composée d’un seul vecteur non nul est toujours libre.
b) la famille {e1 = (1; 0), e2 = (0; 1)} est une famille libre de R2 .
c) Soient les vecteurs x1 = (1, 2, 3) et x2 = (−3, −6, −9) de R3 . On a : 3x1 + x2 = (0, 0, 0)
ou encore x2 = −3x1 ; la famille (x1 , x2 ) est donc liée.

Propriétés 1.3.2. Toute famille contenant une famille liée est elle même liée.

1.3.3 Base d’un espace vectoriel

Activité 1.3.4. Considérons la famille (1, 1), (1, −1) de R2 .
a˚) Montrer que c’est une famille libre.
b˚) Montrer que c’est une famille génératrice de R2 .

Solution 1.3.4.


a˚) Montrons que la famille (1, 1), (1, −1) est libre.
Soient α, β ∈ R tels que : α(1, 1) + β(1, −1) = (0, 0).
α(1, 1) + β(1, −1)( = (0, 0) ⇔ (α, α) + (β, −β) = (0, 0) ⇔ (α + β, α − β) = (0, 0). Ce
α+β = 0
qui nous donne qui a pour solution α = 0 et β = 0.
α−β = 0


Donc notre famille (1, 1), (1, −1) est bel et bien une famille libre.


b˚) Montrons que (1, 1), (1, −1) est une famille génératrice de R2 .
Soit →−
u (a, b) ∈ R2 cherchons α, β ∈ R tels que : →−
u = α(1, 1) + β(1, −1).
(a, b) = α(1, 1) + β(1, −1) ⇔ (a, b) = (α, α) + (β, −β) ⇔ (a, b)(= (α + β, α − β).
a = α+β
Ce qui nous conduit au système d’inconnues α et β suivant : qui a
b = α−β
pour solution α = a+b2
et β = a−b
2
.
Finalement pour tout vecteur u (a, b) ∈ R2 on a : →
→
− −u = a+b
2
(1, 1) + a−b
2
(1, −1).

2
Donc notre famille (1, 1), (1, −1) est une famille génératrice de R .

École Normale Supérieure de Yaoundé I 10

1.3 Combinaison linéaire des vecteurs d’une famille finie(Projet Prenum-AC)

---En pratique : On vient de montrer que la famille (1, 1), (1, −1) est une base
de R2 .

Définition 1.3.4. Une famille de vecteurs B = (e1 , e2 , · · · , ep ) est une base d’un
espace vectoriel si et seulement si cette famille est à la fois libre et génératrice,
c’est-à-dire pour tout vecteur x de E, il existe un unique p-uplet (α1 , α2 , · · · , αp ) de
Rp tel que : x = α1 e1 + α2 e2 + · · · + αp ep .
Ainsi, on dit que (α1 , α2 , · · · , αp ) sont les composantes de x dans la base
B = (e1 , e2 , · · · , ep ).

Exemple 1.3.4.
a) La base canonique de R2 est la famille des deux vecteurs (e1 , e2 ) où e1 = (1, 0) et
e2 = (0, 1).
 
b) La famille (0, 1, 2), (1, 2, 0), (2, 0, 1) est une base de R3 .

+Remarque 1.3.2. De manière générale,

• Tout espace vectoriel n’admet pas forcement une base. Par exemple E = {0E } n’admet
pas de base par convention.
• Tout espace vectoriel n’admet pas forcement une famille génératrice.
• La base d’un espace vectoriel lorsqu’elle existe n’est pas unique.

1.3.4 Dimension d’un espace vectoriel

Définition 1.3.5. Soit E un espace vectoriel sur R, non réduit au singleton {0E }
(c’est-à-dire E 6= {0E }). Si E possède une base de p vecteurs, alors toute autre base
de E a également p vecteurs.
L’entier naturel non nul p est appelé la dimension de E et on dit alors que E est
un espace vectoriel de dimension p et est notée par : dim E = p.

Exemple 1.3.5. La dimension de R est 1, celle de R2 est 2 et, plus généralement, celle
de Rn est n.

École Normale Supérieure de Yaoundé I 11

1.3 Combinaison linéaire des vecteurs d’une famille finie(Projet Prenum-AC)

+Remarque 1.3.3.
• ∅ est une base de {0E } et dim({0E }) = 0.
• Si p = 1 alors une base de E est constituée d’un seul vecteur. Ainsi, on dit que E est
une droite vectorielle.
• Si p = 2 alors une base de E est constituée de deux vecteurs. Ainsi, on dit que E est
un plan vectoriel.

Théorème 1.3.1 (Théorème de la base incomplète). Soit E un espace vectoriel de

dimension n et soit B une base quelconque de E. Soit S = (e1 , e2 , · · · , ep ) un système
de p vecteurs libres de E, avec p ≤ n. Alors si :
1. p = n, alors S est une base de E ;
2. p < n, on peut compléter la famille S par n − p vecteurs libres (ep+1 , ep+2 , · · · , en )
de la base B de telle manière que (e1 , e2 , · · · , ep , ep+1 , ep+2 , · · · , en ) soit une base
de E.

Corollaire 1.3.1 (Théorème de la base incomplète). Soit E 6= {0E } un espace vectoriel

de dimension finie.
(i) De toute famille génératrice de E, on peut extraire une base de E.
(ii) Toute famille libre de E peut être complété en une base de E.

Corollaire 1.3.2 (Caractérisation des bases). Soit E un espace vectoriel de dimension

finie p et (x1 , x2 , ..., xp ) une famille de vecteurs de E. Les assertions suivantes sont équi-
valentes :
(i) (x1 , x2 , ..., xp ) est libre.
(ii) (x1 , x2 , ..., xp ) est génératrice de E.
(iii) (x1 , x2 , ..., xp ) est une base de E.

Preuve : D’après la définition d’une base, (iii) implique trivialement (ii) et (i).
(i) ⇒ (iii) Si (x1 , x2 , ..., xp ) est libre, on peut compléter en une base de E via le théorème
de la base incomplète. Or toutes les bases de E on exactement p éléments, donc en fait
(x1 , x2 , ..., xp ) est déjà une base de E.
(ii) ⇒ (iii) Si (x1 , x2 , ..., xp ) est génératrice de E, on peut extraire une base de E via le
théorème de la base incomplète. Or toutes les bases de E on exactement p éléments, donc
en fait (x1 , x2 , ..., xp ) est déjà une base de E.

École Normale Supérieure de Yaoundé I 12

1.4 Sous-espace vectoriel supplémentaire (Projet Prenum-AC)

...Méthode 2 (Montrer qu’une famille de vecteurs B est une base de E).

? Soit on montre qu’elle est libre et que dim B = dim E.
? Soit on montre qu’elle est génératrice et que dim B = dim E..

 
Activité 1.3.5. Montrer que la famille (0, 1, 2), (1, 2, 0), (2, 0, 1) est une base de R3 .

Solution 1.3.5. Comme R3 est de dimension trois, et comme la famille considérée est
constituée de trois éléments, nous saurons que cette famille est une base de R3 quand nous
aurons montré qu’elle est libre ou génératrice.
Montrons qu’elle est libre. Soient α, β, λ ∈ R.
On suppose que α(0, 1, 2) + β(1, 2, 0) + λ(2, 0, 1) = (0, 0, 0).
Alors on a : (β + 2λ, α + 2β, 2α + λ) = (0, 0, 0) ce qui nous donne α = −2β, β = −2λ et
λ = −2α. Alors α = −2β = 4λ = −8α, et donc α = 0, puis β = λ = 0 également.
Donc notre famille considérée est libre. Par conséquent elle est une base de E.

Théorème 1.3.2. Tout sous-espace vectoriel F d’un R-espace vectoriel E de dimension

finie est de dimension finie et dim F ≤ dim E, de plus dim F = dim E si et seulement
si E = F .

1.4 Sous-espace vectoriel supplémentaire

1.4.1 Somme de deux sous-espaces vectoriels

Définition 1.4.1. Si F et G sont deux sous-espaces vectoriels d’un même espace

vectoriel E, alors la somme de ces deux sous-espaces vectoriels est définie par :
F + G = {x ∈ E : ∃x1 ∈ F et ∃x2 ∈ G tel que : x = x1 + x2 }.

École Normale Supérieure de Yaoundé I 13

1.4 Sous-espace vectoriel supplémentaire (Projet Prenum-AC)

Théorème 1.4.1. La somme de deux sous-espaces vectoriels d’un espace vectoriel E

est un sous-espace vectoriel de E.

Preuve : Soient F et G deux sous-espaces vectoriels de E, montrons que F + G est

un sous-espace vectoriel de E.
– 0E ∈ F + G, car 0E = 0E + 0E et F , G étant des sous-espaces vectoriels de E, ils
contiennent tous 0E .Par suite, F + G est non vide.
– D’autre part F + G est un sous-ensemble de E, car par définition, c’est l’ensemble
des éléments x de E vérifiant ∃x1 ∈ F et ∃x2 ∈ G tel que : x = x1 + x2 .
– Soient x, y ∈ F + G et λ ∈ R, montrons que x + λy ∈ F + G.
Comme x, y ∈ F + G, il est clair qu’ils existent x1 , y1 ∈ F et x2 , y2 ∈ G tels que :
x = x1 + x2 et y = y1 + y2 .
Ainsi, x + λy = (x1 + x2 ) + λ(y1 + y2 ) = (x1 + λy1 ) + (x2 + λy2 ). Puisque F et G sont
des sous-espaces vectoriels de E, il en découle que x1 + λy1 ∈ F et x2 + λy2 ∈ G.
On en déduit que x + λy ∈ F + G.
Donc F + G est un sous-espace vectoriel de E.

Exemple 1.4.1. Considérons dans R3 , les sous-espaces vectoriels F et G définis par :

F = h(0, 1, 2)i la droite vectorielle dirigée par le vecteur → −
u = (0, 1, 2) et G = h(1, 0, 2)i
celle dirigée par le vecteur →
−
v = (1, 0, 2).
Alors F + G = h(0, 1, 2), (1, 0, 2)i est le plan vectoriel dirigé par les vecteurs →
−
u = (0, 1, 2)
→
−
et v = (1, 0, 2).

+Remarque 1.4.1. F + G est le sous espace vectoriel de E engendré par F ∪ G.

Théorème 1.4.2 (Formule de Grassmann). Si F et G sont deux sous-espaces vectoriels

d’un même espace vectoriel E de dimension finie, alors F + G est de dimension finie
et : dim(F + G) = dim F + dim G − dim(F ∩ G).

1.4.2 Somme directe

Étant donné deux sous-espaces vectoriels F et G d’un espace vectoriel E.
Si F ∩ G = {0E }, alors la somme des sous-espaces vectoriels F et G est appelée somme
directe de F et G et est notée par :
F ⊕ G = {x ∈ E : ∃x1 ∈ F et ∃x2 ∈ G tel que : x = x1 + x2 , avec F ∩ G = {0E }}.

École Normale Supérieure de Yaoundé I 14

1.4 Sous-espace vectoriel supplémentaire (Projet Prenum-AC)

Si F et G sont en somme directe, on note F + G = F ⊕ G. Autrement dit, la réunion

d’une base de F et d’une base de G est une base de E.

Définition 1.4.2. Deux sous-espaces vectoriels F et G d’un espace vectoriel E de

dimension finie sont dits supplémentaires si et seulement si leur somme directe est
égale à E c’est-à-dire F ⊕ G = E.

Autrement dit, F ∩ G = {0E } et F + G = E.

Dans ce cas, on dit aussi que G (respectivement F ) est un sous-espace supplémentaire
de F (respectivement G) dans E.

Exemple 1.4.2. Soient F = {(x, y) ∈ R2 : y = 0} et G = {(x, y) ∈ R2 : x = 0}.

Montrons que F ⊕ G = R2 .
On a clairement F ∩ G = {(0, 0)} = {0R2 }.
D’autre part, on a (x, y) = (x, 0) + (0, y), alors F + G = R2 .
Par suite, F et G sont des sous-espaces supplémentaires de R2 et on a : F ⊕ G = R2 .

Proposition 1.4.1. Tout sous-espace vectoriel F d’un R-espace vectoriel E de dimension

finie admet un supplémentaire G et on a dans ce cas, dim F + dim G = dim E.

+Remarque 1.4.2. Il n’y a pas unicité du supplémentaire.

Corollaire 1.4.1. Deux sous-espaces vectoriels F et G d’un espace vectoriel E de dimen-

sion finie sont dits supplémentaires si et seulement si F ∩ G = {0E } et
dim F + dim G = dim E.

École Normale Supérieure de Yaoundé I 15

 Chapitre Deux

APPLICATIONS LINÉAIRES

On formalise dans ce chapitre le deuxième concept abstrait fondamental en algèbre linéaire : celui
d’application linéaire. Le terme « linéarité » apparaît souvent en Mathématiques : linéarité de la somme,
de la dérivation, de l’intégration(...). Voici précisemment ce qui se cache derrière ce mot.

2.1 Généralités
Soient E et F deux espaces vectoriels sur R.

R2 −→ R
Activité 2.1.1. Considérons l’application f : .
(x, y) 7−→ x + y
a˚) Montrer que ∀→
−
u ,→
−
v ∈ R2 , f (→
−
u +→
−v ) = f (→
−
u ) + f (→
−v ).
b˚) Montrer que ∀→
−
u ∈ R2 et ∀α ∈ R, f (α→−
u ) = αf (→
−u ).

Solution 2.1.1.
a˚) Soient →
−
u (x, y), →
−
v (a, b) ∈ R2 .
f (→
−
u +→−
v ) = f ((x + a, y + b)) = (x + a) + (y + b) = (x + y) + (a + b) = f (→
−
u ) + f (→
−
v ).
b˚) Soient →
−
u (x, y) ∈ R2 et α ∈ R, f (α→
−
u ) = f ((αx, αy)) = αx+αy = α(x+y) = αf (→
−
u ).
---En pratique : On dit dans ces conditions que f est une application linéaire de
R2 vers R.

École Normale Supérieure de Yaoundé I 16

2.1 Généralités (Projet Prenum-AC)

Définition 2.1.1. Soit f une application définie de E vers F .

On dit que f est une application linéaire si et seulement si les deux propriétés
suivantes sont vérifiées :
i - ∀→
−
u ,→
−v ∈ E f (→ −
u +→ −
v ) = f (→
−
u ) + f (→
−
v ).
ii - ∀→
−
u ∈ E, ∀α ∈ R f (α→
−
u ) = αf (→
−
u ).

Autrement dit, une application linéaire est une application qui préserve la structure
d’espace vectoriel.
+Remarque 2.1.1.
• Les deux conditions précédentes sont équivalentes à la condition suivante :
∀→
−
u ,→
−v ∈ E ∀α ∈ R f (→ −u + α→−
v ) = f (→
−
u ) + αf (→
−
v ).
• Si f est linéaire, alors f (0E ) = 0F .
• Lorsque l’espace d’arrivée F = R, les applications linéaires sont appelées formes li-
néaires.
Exemple 2.1.1.
E −→ F
a) Une homothétie vectorielle de rapport k ∈ R∗ , f : →
− , est une application
7 → k→
u − −
u
linéaire.
b) La dérivation est une application linéaire de E = C 1 (R) (ensemble de fonctions déri-
vables et de dérivées continues sur R) dans F = C 0 (R) (ensemble de fonctions continues
sur R).

Définition 2.1.2.
→ Un homomorphisme est une application linéaire définie de E vers F .
→ Un endomorphisme de E est une application linéaire définie de E vers E.
→ Un isomorphisme est un homomorphisme bijectif.
→ Un automorphisme est un endomorphisme bijectif.

E −→ E
Exemple 2.1.2. L’application f : → − (k ∈ R∗ ) encore appelée homothétie
u −7 → k→−u
vectorielle de rapport k, est un automorphisme de E.

École Normale Supérieure de Yaoundé I 17

2.2 Matrice d’une application linéaire (Projet Prenum-AC)

Proposition 2.1.1. Soient E, F et G trois espaces vectoriels réels.

La composée f ◦ g de deux applications linéaires f : F → G et g : E → F est une
application linéaire de E dans G.

Preuve : Soient → −
u ,→−
v ∈ E et α ∈ R.
f ◦ g( u + α v ) = f (g( u + α→
→
− →
− →
− −v )) = f (g(→
−
u ) + αg(→−v )) "Car g est linéaire".
Donc f ◦ g( u + α v ) = f (g( u ) + αg( v )) = f (g( u )) + αf (g(→
→
− →
− →
− →
− →
− −
v )) "Car f est linéaire".
Donc f ◦ g( u + α v ) = f (g( u )) + αf (g( v )) = f ◦ g( u ) + αf ◦ g(→
→
− →
− →
− →
− →
− −
v ).
D’où la composée f ◦ g est une application linéaire de E dans G.

Théorème et Définition 2.1.1 (Détermination de la forme analytique de f ). Une ap-

plication linéaire est entièrement déterminée si les vecteurs de sa base sont connus.

→
− →− → −
Activité 2.1.2. Soit ( i , j , k ) une base de E et f un endomorphisme de E tel que :
→
− →
− → − → − →
− →
− → − →
− →
− →
− − →
→ −
f ( i ) = 2 i + j + k , f ( j ) = i − j + 3 k et f ( k ) = − i + 2 j − k .
Donner la forme analytique de l’endomorphisme f .

→
−
Solution 2.1.2. Soit → −u (x, y, z) un élément de E et u0 (x0 , y 0 , z 0 ) un élément de E tel que :
→
−0
u = f (→
−
u ) ; où x, y, z, x0 , y 0 , z 0 ∈ R
→
− →
− →
− →
− →
− →
− →
− →
− →
−
u ∈E⇔→ −u = x i + y j + z k et u0 ∈ E ⇔ u0 = x0 i + y 0 j + z 0 k .
→
−0 →
− →
− →
− →
− →
− →
−
u = f (→−u ) ⇔ x0 i + y 0 j + z 0 k = f (x i + y j + z k )
→
− →
− →
−
= xf ( i ) + yf ( j ) + zf ( k ) car f est linéaire
→
− → − → − →
− → − →
− →
− − →
→ −
= x(2 i + j + k ) + y( i − j + 3 k ) + z(− i + 2 j − k )
→
− →
− →
− →
− →
− →
−
x0 i + y 0 j + z 0 k = (2x + y − z) i + (x − y + 2z) j + (x + 3y − z) k

0
 x = 2x + y − z

Ainsi, on obtient par identification : (S) y 0 = x − y + 2z

 0
z = x + 3y − z
(S) est la forme analytique de l’endomorphisme f .

2.2 Matrice d’une application linéaire

École Normale Supérieure de Yaoundé I 18

2.2 Matrice d’une application linéaire (Projet Prenum-AC)

→
− → − → −
Définition 2.2.1. Soient E un espace vectoriel de dimension 3 et B = ( i , j , k )
une base de E. On considère l’endomorphisme f définie par B tel que :
→
− →
− →
− →
− →
− →
− →
− →
− →
− →
− →
− →
−
f ( i ) = a i + b j + c k , f ( j ) = a0 i + b0 j + c0 k et f ( k ) = a00 i + b00 j + c00 k
avec a, b, c, a0 , b0 , c0 , a00 , b00 , c00 ∈ R.
On appelle matrice de l’application linéaire f dans la base B, le tableau carré noté
par :    
a a0 a00 a a0 a00
M(f,B) =  b b0 b00  ou M(f,B) =  b b0 b00 
   

c c0 c00 c c0 c00
→
− →
− →
−
On peut aussi écrire cette matrice sous la forme : M(f,B) = (f ( i ), f ( j ), f ( k ))

Ce tableau est une matrice carrée réelle d’ordre trois, à trois lignes et à trois colonnes.
Les réels a, b, c, a0 , b0 , c0 , a00 , b00 , c00 sont appelés les coefficients de la matrice.

Notation 2.2.1. Nous noterons par M2 , l’ensemble des matrices carrées réelles d’ordre
2 et par M3 , l’ensemble des matrices carrées réelles d’ordre 3.

2.2.1 Quelques propriétés sur les matrices

Soient f et g deux applications
 linéaires
 ayantrespectivement
 pour matrice dans la
0 00 0 00
x x x a a a
même base B, M(f,B) =  y y 0 y 00  , M(g,B) =  b b0 b00 .
   

z z 0 z 00 c c0 c00
P1 - Addition de deux matrices
M(f +g,B) = M(f,B) + M(g,B)
     
x x0 x00 a a0 a00 x + a x0 + a0 x00 + a00
M(f,B) + M(g,B) =  y y 0 y 00  +  b b0 b00  =  y + b y 0 + b0 y 00 + b00 
     

z z 0 z 00 c c0 c00 z + c z 0 + c0 z 00 + c00
 
x + a x0 + a0 x00 + a00
Donc, M(f +g,B) =  y + b y 0 + b0 y 00 + b00
 

z + c z 0 + c0 z 00 + c00
P2 - Multiplication d’une matrice par un réel
M(λf,B) = λM(f,B)

École Normale Supérieure de Yaoundé I 19

2.2 Matrice d’une application linéaire (Projet Prenum-AC)

   
x x0 x00 λx λx0 λx00
λM(f,B) = λ  y y 0 y 00  =  λy λy 0 λy 00 
   

z z 0 z 00 λz λz 0 λz 00
 
λx λx0 λx00
Donc, M(λf,B) =  λy λy 0 λy 00
 

λz λz 0 λz 00
P3 - Multiplication de deux matrices
M(f ◦g,B) = M(f,B) × M(g,B)
   
x x0 x00 a a0 a00
M(f,B) × M(g,B) =  y y 0 y 00  ×  b b0 b00 
   

z z 0 z 00 c c0 c00
 
xa + x0 b + x00 c xa0 + x0 b0 + x00 c0 xa00 + x0 b00 + x00 c00
=  ya + y 0 b + y 00 c ya0 + y 0 b0 + y 00 c0 ya00 + y 0 b00 + y 00 c00 
 

za + z 0 b + z 00 c za0 + z 0 b0 + z 00 c0 za00 + z 0 b00 + z 00 c00

 
xa + x0 b + x00 c xa0 + x0 b0 + x00 c0 xa00 + x0 b00 + x00 c00
Donc, M(f ◦g,B) =  ya + y 0 b + y 00 c ya0 + y 0 b0 + y 00 c0 ya00 + y 0 b00 + y 00 c00 .
 

za + z 0 b + z 00 c za0 + z 0 b0 + z 00 c0 za00 + z 0 b00 + z 00 c00

...Méthode 3 (Calcul du produit de deux matrices). Soient i, j = 1, 2, 3. Pour

obtenir le coefficient situé à l’intersection de la ime ligne et de la j me colonne de M(f ◦g,B) ,
on effectue le produit scalaire du vecteur de la ime ligne de M(f,B) et celui de la j me colonne
de M(g,B) .

666ATTENTION : En général, la multiplication "×" des matrices n’est pas com-

mutative (M(f,B) × M(g,B) 6= M(g,B) × M(f,B) ). ! !
0 1 1 0
En effet, il suffit de prendre M(f,B) = et M(g,B) =
1 0 1 0
! ! !
0 1 1 0 1 0
Alors on a M(f,B) × M(g,B) = × =
1 0 1 0 1 0
! ! !
1 0 0 1 0 1
et M(g,B) × M(f,B) = × = .
1 0 1 0 0 1

Théorème 2.2.1. (M2 , +, •) est un espace vectoriel réel de dimension 4.

École Normale Supérieure de Yaoundé I 20

2.2 Matrice d’une application linéaire (Projet Prenum-AC)

+Remarque 2.2.1.
!
0 0
• L’élément neutre pour la loi "+", appelé matrice nulle,est la matrice .
0 0
• L’élément neutre pour
! la loi "×", appelé matrice unité ou matrice identité, est
1 0
notée I2 = .
0 1
( ! ! ! !)
1 0 0 0 0 1 0 0
• La base canonique de M2 est : , , ,
0 0 1 0 0 0 0 1

+Remarque 2.2.2. Une application linéaire est aussi déterminée par la donnée de sa
matrice dans une base donnée.  
a a0 a00
→
− →− → − →
− →
− →
− →
−
Si B = ( i , j , k ) et M(f,B) =  b b0 b00 . Soit u0 = x0 i + y 0 j + z 0 k l’image de
 

c c0 c00
→
− →
− →
− →
−
u = x i + y j + z k par f .     
0
x a a0 a00 x ax + a0 y + a00 z
→
−
Alors, u0 = f (→
−u ) ⇔  y 0  =  b b0 b00   y  =  bx + b0 y + b00 z 
      

z0 c c0 c00 z cx + c0 y + c00 z

0 0 00
 x = ax + a y + a z

On a finalement, par identification, (S) y 0 = bx + b0 y + b00 z

 0
z = cx + c0 y + c00 z

 
−2 3 0
→
− → − → −
Activité 2.2.1. Dans la base B = ( i , j , k ), on donne : M(f,B) =  −1 5 1 .
 

0 2 −3
Donner la forme analytique de f .

Solution
 2.2.1. D’après ce qui précède, la forme analytique de f est donnée par :
0
 x
 = −2x + 3y
(S) y 0 = −1x + 5y + z

 0
z = 2y − 3z

École Normale Supérieure de Yaoundé I 21

2.3 Noyau d’une application linéaire (Projet Prenum-AC)

2.2.2 Déterminant d’une matrice

!
a c
Définition 2.2.2. Soit A = une matrice de M2 .
b d
a c
On appelle déterminant de A le réel noté : det A = = ad − bc.
b d

 
a a0 a00
Si A =  b b0 b00  est une matrice de M3 , on aura :
 

c c0 c00
a a0 a00
b0 b00 a0 a00 a0 a00
det A = b b0 b00 = a 0 00 − b 0 00 + c 0 00 .
c c c c b b
c c0 c00
Si A et B sont deux matrices carrées quelconques, alors on a :
det(A × B) = (det A) × (det B) = det(B × A).

2.3 Noyau d’une application linéaire

Activité 2.3.1. Soit E un espace vectoriel de dimension 3 rapporté à une base

→ − →
− → −
B = ( i , j , k ). Soit f l’endomorphisme de E qui à tout vecteur → −
u de composantes
→
−0 0 0 0
 y, z) dans B, associe le vecteur u de composantes (x , y , z ) dans B telles que :
(x,
0
 x = −2x + y + z

y 0 = x − 2y + z

 0
z = x + y − 2z
Déterminer l’ensemble des vecteurs →
−u ∈ E tel que : f (→
−
u ) = 0E .

Solution 2.3.1. Par définition, f est une application linéaire.

 −2x + y + z = 0

→
− →
−
Soit u (x, y, z) ∈ E. f ( u ) = 0E ⇔ f (x, y, z) = (0, 0, 0) ⇔ x − 2y + z = 0

x + y − 2z = 0

En résolvant ce système par la méthode de substitution, on trouve x = y = z.
→
− →
− →
− →
− → − → −
Donc →−u = x i + y j + z k = x( i + j + k ) = x(1, 1, 1).

École Normale Supérieure de Yaoundé I 22

2.3 Noyau d’une application linéaire (Projet Prenum-AC)

D’où l’ensemble cherché est la droite vectoriel de E engendrée par le vecteur →

−
e (1, 1, 1).
---En pratique : Cet ensemble est appelé noyau de l’application linéaire f .

Définition 2.3.1. Soit f une application linéaire d’un espace vectoriel réel E dans
un espace vectoriel réel F .
On appelle noyau de f , l’ensemble des vecteurs de E qui ont pour image le vecteur
nulle de F . On le note Kerf = {→
−
u ∈ E/f (→
−u ) = 0F }.

La notation Kerf vient du mot allemand "Kern" qui signifie noyau.

Théorème 2.3.1. Soit f une application linéaire d’un espace vectoriel réel E dans un
espace vectoriel réel F .
L’ensemble Kerf est un sous-espace vectoriel de E.

Preuve : On a : Kerf = {→ −u ∈ E/f (→−

u ) = 0F }.
Puisque f est une application linéaire, on a f (0E ) = 0F , il résulte que Kerf n’est pas vide.
Soient →
−
u et → −v deux éléments quelconques de Kerf .
On a : f ( u + →
→
− −v ) = f (→
−
u ) + f (→
−
v ) = 0F + 0F = 0F .
→
− →
−
Donc le vecteur u + v appartient donc à Kerf .
Soient →
−
u un élément quelconque de Kerf et λ un réel quelconque.
On a : f (λ→−
u ) = λf (→−
u ) = λ0F = 0F . Le vecteur λ→ −
u appartient donc à Ker f .
L’ensemble Kerf est non vide ; il est stable pour l’addition et pour la multiplication par
un scalaire ; c’est donc un sous-espace vectoriel de E.

Théorème 2.3.2. Soit f une application linéaire d’un espace vectoriel réel E dans un
espace vectoriel réel F .
L’application f est injective si et seulement si : Kerf = {0E }.

Preuve : Supposons que l’application f est injective.

Soit →
−
u ∈ E. Alors →
−
u ∈ Kerf ⇔ f (→ −u ) = 0F ⇔ f (→
−
u ) = f (0E ) ⇔ →
−
u = 0E , car f est injective .
Donc Kerf = {0E }.
Réciproquement supposons que Kerf = {0E }.
Soient →
−
u ,→
−
v ∈ E tels que : f (→
−
u ) = f (→
−v ).

École Normale Supérieure de Yaoundé I 23

2.4 Image d’une application linéaire (Projet Prenum-AC)

f (→
−
u ) = f (→
−
v ) ⇔ f (→
−
u )−f (→
−
v ) = 0F ⇔ f (→
−
u −→
−
v ) = 0F , car f est une application linéaire
⇔ u − v ∈ Kerf ⇔ u − v = 0E car Kerf = {0E } ⇔ →
→
− →
− →
− →
− −u =→ −v.
Donc f est une application injective.

Activité 2.3.2. Soit E un espace vectoriel de dimension 3 rapporté à une base

→
− →− →− →
− →
− → − → −
B = ( i , j , k ). Soit f l’endomorphisme de E défini par : f ( i ) = i + j + k ,
→
− →
− → − → − →
− →
− → − → −
f ( j ) = i − j + k et f ( k ) = i + j − k .
L’endomorphisme f est-il injectif ?

Solution2.3.2. L’endomorphisme
 f a pour matrice dans la base B, 
0
1 1 1  x = x+y+z

M(f,B) =  1 −1 1  et pour expression analytique le système : (S) y 0 = x − y + z
 

 0
1 1 −1 z = x+y−z
→
− →
−
Cherchons u (x,y, z) ∈ E tel que : f ( u ) = 0E .
 x+y+z = 0

→
−
f ( u ) = 0E ⇔ x − y + z = 0 ⇔ x = y = z = 0.

x+y−z = 0

Donc le vecteur u (x, y, z) = →
→
− −
u (0, 0, 0) ⇔ →−
u =0 .E
Donc Kerf = {0E }. D’où l’endomorphisme f est injectif.

2.4 Image d’une application linéaire

Activité 2.4.1. Soit E un espace vectoriel de dimension 3 rapporté à une base

→
− → − →−
B=( i , j , k ).  l’endomorphisme f de E défini par sa matrice
Considérons
−2 1 1
M(f,B) =  1 −2 1 .
 

1 1 −2
a˚) Déterminer l’expression analytique de f .
b˚) Soit →
−
u (x, y, z) ∈ E. Déterminer l’ensemble des vecteurs →
−
v (a, b, c) ∈ E tel que :
f (→
−
u)=→ −v.

École Normale Supérieure de Yaoundé I 24

2.4 Image d’une application linéaire (Projet Prenum-AC)

Solution 2.4.1.
→
−0 0 0 0
a˚) Soient →
−
u (x, y, z) ∈ E et u ,z ) ∈
(x , y  E l’image
→
−
  u parf .
du vecteur 
0
x −2 1 1 x −2x + y + z
→
−0 →
−  0  
Alors on a : u = f ( u ) ⇔  y  =  1 −2 1   y  =  x − 2y + z 
   

z0 1 1 −2 z x + y − 2z

0
 x = −2x + y + z

Par identification, l’expression analytique de f est : (S) y 0 = x − 2y + z

 0
z = x + y − 2z

 a = −2x + y + z

→
− →
−
b˚) f ( u ) = v ⇔ b = x − 2y + z ⇔ a+b+c=0 ⇔ a = −b − c.

c = x + y − 2z

→
− →
− →
− →
− →
− →
− →
− →
− → − − →
→ −
Donc v = a i + b j + c k = (−b − c) i + b j + c k = b(− i + j ) + c(− i + k )
= b(−1, 1, 0) + c(−1, 0, 1).
D’où l’ensemble cherché est le plan vectoriel de E engendré par les vecteurs →
−
e1 (−1, 1, 0)
→
−
et e2 (−1, 0, 1).
---En pratique : Cet ensemble est appelé image de l’application linéaire f .

Définition 2.4.1. Soit f une application linéaire d’un espace vectoriel réel E dans
un espace vectoriel réel F .
On appelle image de f , l’ensemble des vecteurs de F qui ont au moins un antécédent
dans E. C’est-à-dire l’ensemble f (E) noté Imf = {→
−v ∈ F / ∃→ −u ∈ E : f (→
−
u)=→ −v }.

Théorème 2.4.1. Soit f une application linéaire d’un espace vectoriel réel E dans un
espace vectoriel réel F .
L’ensemble Imf est un sous-espace vectoriel de F .

Preuve : On a : Imf = {→ −
v ∈ F / ∃→ −
u ∈ E : f (→
−
u)=→
−v }.
Le vecteur 0F est l’image par f du vecteur 0E (car f est une application linéaire) et par
suite Imf n’est pas vide.
→
− →
−
Soient →
−v et v 0 deux éléments quelconques de Imf . Il existe donc deux éléments →
−
u et u0
→
− →
−
de E tels que : f (→
−
u)=→ −
v et f ( u0 ) = v 0 .
→
− →
− →
−
On a alors : →
−
v + v 0 = f (→
−u ) + f ( u0 ) = f (→
−u + u0 ).

École Normale Supérieure de Yaoundé I 25

2.4 Image d’une application linéaire (Projet Prenum-AC)

→
−
Il résulte que →−
v + v 0 est un élément de Imf .
Soient →−
v un élément quelconque de Imf et λ un réel quelconque. Il existe donc un élément
→
−u de E tel que : → −
v = f (→−
u ).
On a alors : λ v = λf ( u ) = f (λ→
→
− →
− −
u ). Il en résulte que λ→
−
v est un élément de Imf .
L’ensemble Imf est non vide ; il est stable pour l’addition et pour la multiplication par
un scalaire ; c’est donc un sous-espace vectoriel de F .

Théorème 2.4.2. Soit f une application linéaire d’un espace vectoriel réel E dans un
espace vectoriel réel F .
L’application f est surjective si et seulement si : Imf = F .

Preuve : L’application f est surjective ⇔ ∀→

−
v ∈ F, ∃→
−
u ∈ E tel que : f (→
−
u)=→
−
v
⇔ Imf = F .

Activité 2.4.2. Soit E un espace vectoriel de dimension 3 rapporté à une base

→
− → − →−
B=( i , j , k ). Considérons
 l’endomorphisme f de E défini par sa matrice
1 1 1
M(f,B) =  1 −1 1 .
 

1 1 −1
Determiner Imf . L’endomorphisme f est-il surjectif ?

→
− →
− →
− →
−
 Soit v (a, b, c) ∈ E, Cherchons u (x, y, z) ∈ E tel que : f ( u ) = v .
Solution 2.4.2.
 x + y + z = a (1)

→
− →
−
f( u ) = v ⇔ x − y + z = b (2)

x + y − z = c (3)

 
b+c
(2) + (3) ⇔ 2x = b + c ⇔ x = .
 2   
a−c
(1) + (2) ⇔ 2x + 2z = a + b ⇔ 2z = a − c ⇔ z = .

 2 

(1) + (3) ⇔ 2x + 2y = a + c ⇔ 2y = a − b ⇔ y = a−b .
 2 
→
− b+c a−c a−b
Donc u ( 2 , 2 , 2 ) existe et est bel et bien un vecteur de E. Par suite, Imf = E.
Conclusion : L’endomorphisme f est surjectif.

+Remarque 2.4.1. Une application linéaire est bijective si et seulement si elle est à
la fois injective et surjective.

École Normale Supérieure de Yaoundé I 26

2.5 Déterminant d’une application linéaire (Projet Prenum-AC)

D’autre part, lorsque E est de dimension finie, on a :

Théorème 2.4.3 (Théorème du Rang). Soit f une application linéaire d’un espace
vectoriel réel E dans un espace vectoriel réel F .
On a alors : dim Kerf + dim Imf = dim E.

Corollaire 2.4.1. Soit f une application linéaire d’un espace vectoriel réel E dans un
espace vectoriel réel F .
Si E et F sont de même dimension finie, les propositions suivantes sont équivalentes :
(i)- f est injective
(ii)- f est surjective
(iii)- f est bijective

Preuve : Montrons que (i) ⇔ (ii).

f est injective ⇔ Kerf = {0E } ⇔ dim Kerf = 0 ⇔ dim Imf = dim E (D’après le
Théorème 2.4.3) ⇔ dim Imf = dim F (car E et F sont de même dimension)
⇔ Imf = F ⇔ f est surjective.
Dire que f est injective équivaut donc à dire que f est surjective, donc que f est bijective.

2.5 Déterminant d’une application linéaire

→
− → −
Définition 2.5.1. Soient E un espace vectoriel réel de dimension 2 et B = ( i , j )
une base de E. Soient f un endomorphisme de E et M(f,B) sa matrice dans la base B
→
− →
− →
− →
− →
− →
−
tels que : f ( i ) = a i + b j et f ( j ) = c i + d j .
On appelle déterminant de l’endomorphisme f , le réel noté det f défini par :
a c
det f = = ad − bc.
b d

→
− →
−
C’est le determinant des vecteurs f ( i ) et f ( j ).
→
− →
− a c
Donc on a : det f = det(f ( i ); f ( j )) = = ad − bc.
b d

École Normale Supérieure de Yaoundé I 27

2.6 Matrices inverses (Projet Prenum-AC)

+Remarque 2.5.1. Le déterminant d’un endomorphisme f est aussi le determinant de

sa matrice. Donc det f = det Mf .

Théorème 2.5.1. Soit f un endomorphisme d’un espace vectoriel réel E. l’application

f est bijective si et seulement si det f 6= 0.

Théorème 2.5.2. Soient f et g deux endomorphismes d’un espace vectoriel réel E.

On a : det(f ◦ g) = det(g ◦ f ) = (det f ) × (det g).

2.6 Matrices inverses

→
− →−
Définition 2.6.1. Soient E un espace vectoriel réel de dimension 2 et B = ( i , j )
une base de E. Soient f un endomorphisme bijectif de E et M(f,B) sa matrice dans la
base B. Alors f admet une bijection réciproque notée f −1 .
La matrice de l’application f −1 est appelée l’inverse de la matrice(ou matrice
−1
inverse) de M(f,B) et est notée : M(f −1 ,B) = M(f,B) .

→
− →−
+Remarque 2.6.1. Soient E un espace vectoriel réel de dimension 2 et B = ( i , j )
une base de E. Soient f un endomorphisme de E et M(f,B) sa matrice dans la base B tels
→
− →
− →
− →
− →
− →
−
que : f ( i ) = a i + b j et f ( j ) = c i + d j .
• M(f,B) est inversible si et seulement si det M(f,B) 6= 0.
• f ◦ f −1 = f −1 ◦ f = IdE ⇔ M(f,B) M(f −1 ,B) = M(f −1 ,B) M(f,B) = I2
⇔ det M(f −1 ,B) × det M(f,B) = 1.
• Nous avons la relation suivante :
! !
a c 1 d −c
M(f,B) = ⇔ M(f −1 ,B) =
b d det M(f,B) −b a
.
• B est une base de E si et seulement si det B 6= 0.

École Normale Supérieure de Yaoundé I 28

2.6 Matrices inverses (Projet Prenum-AC)

→
− →− → −
+Remarque 2.6.2. Soient E un espace vectoriel réel de dimension 3 et B = ( i , j , k )
une base de E. Soient f un endomorphisme de E et M(f,B) sa matrice dans la base B tels
→
− →
− →
− →
− →
− →
− →
− →
− →
− →
− →
− →
−
que : f ( i ) = a i + b j + c k , f ( j ) = a0 i + b0 j + c0 k et f ( k ) = a00 i + b00 j + c00 k .
M(f,B) est inversible si et seulement si det M(f,B) 6= 0. Dans cette condition, on a :

b0 b00 a0 a00 a0 a00

 
− 0

0 00
  c0 c00 c c00 b0 b00 
a a a
 
b00 a00 a00
 
1  b a a 
M(f,B) =  b b0 b00  ⇔ M(f −1 ,B) = − −
   
det M(f,B)  c c00 c c00 b b00 
c c0 c00
 
b0 a0 a0
 
 b a a 
−
c c0 c c0 b b0
.

...Méthode 4 (Détermination de l’inverse d’une matrice). Soient i, j = 1, 2, 3.

1. On calcule son déterminant.
2. Pour obtenir le coefficient situé à l’intersection de la ime ligne et de la j me colonne
de M(f −1 ,B) , on procède comme suit :
? On supprime les vecteurs de la j me ligne et de la ime colonne de M(f,B) ;
? On calcul le déterminant des coefficients restants ;
? On multiplie le résultat obtenu par (−1)i+j .
 
1 2 2
Exemple 2.6.1. Calculez l’inverse de la matrice : A =  1 2 1 .
 

1 1 1
Calcul du déterminant de A.
1 2 2
2 1 2 2 2 2
det A = 1 2 1 = − + = (2 − 1) − (2 − 2) + (2 − 4) = −1.
1 1 1 1 2 1
1 1 1
Donc det A = −1.
 
2 1 2 2 2 2
 1 1 −
1 1 2 1   
1 0 −2
 
 
A−1 =
1   − 1 1 1 2
−
1 2   = −  0 −1 1  .

det A 
 1 1 1 1 1 1  
  −1 1 0
 1 2 1 2 1 2 
−
1 1 1 1 1 2

École Normale Supérieure de Yaoundé I 29

2.6 Matrices inverses (Projet Prenum-AC)

 
−1 0 2
La matrice inverse de A cherchée est donnée par : A−1 = 0 1 −1 .
 

1 −1 0

École Normale Supérieure de Yaoundé I 30

 Exercices

EXERCICES PAR ARTICULATION

Exercice 1. Parmi les ensembles suivants, reconnaître ceux qui sont des sous-espaces
vectoriels :
a. A = {(x, y, z) ∈ R3 : x + y = 0} b. B = {(x, y, z) ∈ R3 : z = 1}
c. C = {(x, y, z, t) ∈ R4 : x = t et y = z} d. D = {(x, y) ∈ R2 : x2 + xy ≥ 0}
e. E = {(x, y) ∈ R2 : x2 + y 2 ≥ 1} f. F = {f ∈ R, R : f (0) = 1}
3 2
g. G = {(x, y, z) ∈ R : z(x + y2) = 0} h. H = {f ∈ R, R : f croissante }
i. I = {(x, y, z) ∈ R3 : x2 − z 2 = 0} j. J = {f ∈ R, R : f (1) = 0}
3
k. K = {(x, y, z) ∈ R : x + y − z = x + y + z = 0}

Exercice 2. Soient x, y et z trois vecteurs de R2 définis par : x = (2, 1), y = (6, 3) et

z = (1, 3).
1. Que peut-on dire des familles (x, y), (y, z), (x, z) et (x, y, z) ?
2. Soit t le vecteur de R2 défini par : t = (7, 11).
Le vecteur t appartient-il au sous-espace vectoriel engendré par x et z ?
3. Quel est le sous-espace vectoriel engendré par x et y ?

Exercice 3. Soient x, y, z trois vecteurs de R3 définis par : x = ( 21 , 32 , 12 ),

√ √
y = ( 3, 1, 1−2 3 ) et z = (0, 5, 25 ).
1. Que peut-on dire des familles (x, y), (y, z), (x, z) et (x, y, z) ?
2. Quels sont les sous-espaces vectoriels engendrés par chacune de ces familles ?
3. Le vecteur t de R3 défini par : t = (10, 10, 0) appartient-il au sous-espace vectoriel
engendré par la famille (x, y, z) ?

École Normale Supérieure de Yaoundé I 31

2.6 Matrices inverses (Projet Prenum-AC)

→
− →− → −
Exercice 4. Soit E l’espace vectoriel des vecteurs de l’espace rapporté à une base ( i , j , k ).
Soit F le sous-espace vectoriel de E engendré par les trois vecteurs →
−
u1 , →
−
u2 , →
−
u3 définis par :
→
− →
− →
− →
− →
− →
− →
− →
−
u1 = 3 i + j + 2 k , →−
u2 = − i et → −
u3 = −2 k − 3 i − 4 j .
Quelle est la dimension de F ?
→
− → − → −
Exercice 5. Soit ( i , j , k ) la base canonique de R3 . Soient → −e1 , →
−e2 , →
−
e3 trois vecteurs
de R définis par leurs composantes dans la base canonique : e1 (0, 1, −1), →
3 →
− −e2 (2, 3, 1),
→
−
e3 (5, 0, 1).
1. Montrer que (→ −
e1 , →
−
e2 , →
−
e3 ) est une base de R3 .
2. Soit → −
u le vecteur de composantes (1, 1, 1) dans la base (→
−
e1 , →
−
e2 , →
−
e3 ). Quelle sont ses
→
− → − →−
composantes dans la base ( i , j , k ) ?
→
− → − → −
3. Soit → −
v le vecteur de composantes (1, 1, 1) dans la base ( i , j , k ). Quelle sont ses
composantes dans la base (→ 1
−
e ,→
2
−
e ,→
3
−
e )?

Exercice 6. Soit P3 le sous-ensemble de l’ensemble F(R, R) des applications de R dans

R, défini par : P3 = {f ∈ F(R, R) | ∃(a, b, c) ∈ R3 , (∀x ∈ R, f (x) = ax2 + bx + c)}.
1. Montrer que P3 est un espace vectoriel réel.
2. Soient e0 , e1 , e2 les trois éléments de P3 définis par : ∀x ∈ R, e0 (x) = 1, e1 (x) = x
et e2 (x) = x2 .
a- Démontrer que la famille (e0 , e1 , e2 ) est une base de P3 (Cette base est appelée la
base canonique de P3 ).
b- En déduire la dimension de P3 .
Nous convenons de dire, dans la suite, que P3 est l’ensemble des fonctions trinômes ou
même, par abus de langage, l’ensemble des polynômes de degré inférieur ou égal à 2.

Exercice 7. Soient P3 l’espace vectoriel défini à l’exercice précédent et (e0 , e1 , e2 ) sa base

canonique. Soient f , g, h les trois éléments de P3 définis par : ∀x ∈ R, f (x) = x2 + x + 1,
g(x) = 2x2 + 3, h(x) = −x2 − x + 2.
1. Démontrer que la famille (f, g, h) est une base de P3 .
2. Soit p le vecteur de P3 dont les composantes dans la base (f, g, h) sont (5, −2, 1).
Quelle sont les composantes de p dans la base canonique ?
3. Soit q l’élément de P3 défini par : ∀x ∈ R, q(x) = 3x2 + x + 6. Quelles sont les
composantes de q dans la base (f, g, h) ?

École Normale Supérieure de Yaoundé I 32

2.6 Matrices inverses (Projet Prenum-AC)

Exercice 8. Soit P3 l’espace vectoriel des fonctions trinômes et soit B = (e0 , e1 , e2 ) la base
canonique de P3 . Soient f1 , f2 , f3 , f4 quatre vecteurs de P3 donnés par leurs composantes
respectives sur la base canonique : f1 (1, 2, 3), f2 (0, 2, −1), f3 (2, 5, 0), f4 (3, 7, 3).
1. Soit x un réel quelconque. Calculer : (5f1 + 2f3 )(x).
2. Soient F le sous-espace vectoriel engendré par f1 et f2 et F 0 le sous-espace vectoriel
engendré par f3 et f4 . Quelle sont les dimensions respectives de F et de F 0 ?
3. Donner une base pour chacun d’eux.

Exercice 9. Considérons les sous-ensembles F = {(x, y, z) ∈ R3 /x + 2y + 3z = 0} et

G = h(0, 1, 0)i de R3 .
1. Montrer que F et G sont des sous-espaces vectoriels de R3 .
2. Déterminer une base de F .
3. En déduire dim F et dim G.
4. Montrer que F et G sont deux sous-espaces vectoriels supplémentaires de R3 .

Exercice 10. Soient F = {(x, y, z) ∈ R3 : x + y + z = 0} et G = V ect{(1, 1, 1)}.

1. Montrer que F est un sous-espace vectoriel.
2. Déterminer une base de F .
3. Calculer F ∩ G et montrer que F + G = R3 . Que conclure ?

Exercice 11. Soit f : R3 −→ R3 définie par f (x, y, z) = (−x, y + z, 2z).

1. Montrer que f est une application linéaire.
2. Calculer Kerf et Imf . f admet-elle un inverse ?
3. Même question avec f (x, y, z) = (x − y, x + y, y).

EXERCICES DE SYNTHÈSE

→
− →−
Exercice 12. Soient E un espace vectoriel de dimension 2 et B = ( i , j ) une base de
→
− →
− →
−
E. Soient k ∈ R et fk l’endomorphisme de E défini par : fk ( i ) = (1 − k) i + j et
→
− →
− →
−
fk ( j ) = i + (1 − k) j . On défini l’ensemble Fk = {→
−
u ∈ E : fk (→
−
u ) = k→
−
u }.
1. Écrire la matrice de l’endomorphisme fk dans la base B.
2. Démontrer que Fk est un sous-espace vectoriel de E.
3. Déterminer le(s) réel(s) k pour que Fk contient au moins un vecteur non nul.

École Normale Supérieure de Yaoundé I 33

2.6 Matrices inverses (Projet Prenum-AC)

4. Donner une base de Fk pour chaque valeur de k trouvée.

5. Soient →−
e1 et →
−
e2 les vecteurs qui engendrent les bases de Fk ainsi trouvée. Démontrer
→
− →
−
que ( e , e ) est une base de E.
1 2

6. Pour chaque valeur de k trouvée, écrire la matrice de fk dans la base (→

−
e1 , →
−
e2 ).
3
Exercice 13. Soit f l’endomorphisme
 de R dont sa matrice dans la base canonique
2 1 0
→
− → − → − 3
( i , j , k ) de R est : M =  −3 −1 1 .
 

1 0 −1
→
− →
− →
−
1. Déterminer f (2 i − 3 j + 5 k ).
2. Déterminer Kerf et Imf .
3. Montrer que Kerf ⊕ Imf = R3 .
4. Calculer M 2 et M 3 .

Exercice 14. Soit f l’endomorphisme

 de R3 dont sa matrice dans la base canonique
0 1 0
→
− → − → − 3
( i , j , k ) de R est : M =  0 0 1 .
 

1 −3 3
1. Montrer que f est un automorphisme de R3 et déterminer f −1 .
2. Déterminer une base (→−
e1 , →
−
e2 , →
−
e3 ) de R3 telle que f (→
−
e1 ) = →
−
e1 , f (→
−
e2 ) = →
−
e1 + →
−
e2 et
→
− →
− →
−
f (e ) = e + e .
3 2 3
→
− → − →
−
3. Exprimer les vecteurs i , j et k en fonction des vecteurs de la base (→
−
e1 , →
−
e2 , →
−
e3 ).
4. Déterminer la matrice des applications f ◦ f et f ◦ f ◦ f .

Exercice 15. Dans chacun des cas, calculer le déterminant des matrices suivantes et leur
matrice inverse si possible
 :     
! 1 0 6 1 0 2 1 0 −1
7 11
a. b.  3 4 15  c.  3 4 5  d.  2 3 5 
     
−8 4
5 6 21 5 6 7 4 1 3
       
a b c 2 1 0 2 1 0 −1 1 12
e.  c a b  f.  −3 −1 1  g.  1 −1 4  h.  −2 2 12 
       

b c a 1 0 −1 1 0 −1 −2 1 32

École Normale Supérieure de Yaoundé I 34

2.6 Matrices inverses (Projet Prenum-AC)


2 −1 0
Exercice 16. On considère les matrices carrées suivantes : A =  −3 −1 1  et
 

1 0 −1
 
0 1 0
B =  0 0 1 . Calculer, dans chaque cas, les opérations suivantes :
 

1 −3 3
a. A + B b. A − B c. A × B d. B × A e. A−1
f. B −1 g. (A + B)−1 h. (A × B)−1 i. (B × A)−1 j. A−1 × B −1
k. B − A

EXERCICES D’APPROFONDISSEMENT

Exercice 17. Soit f l’application linéaire de R3 dans lui-même définie par :

f (1, 0, 0) = (−2, −2, −4), f (0, 1, 0) = (−3, −1, −4) et f (0, 0, 1) = (3, 2, 5).
1. Déterminer f (x, y, z) pour tout (x, y, z) ∈ R3 .
2. Déterminer f ◦ f (x, y, z).
3. Soit N = {u ∈ R3 : f (u) = 0} et I = {u ∈ R3 : f (u) = u}.
Montrer que N et I sont des sous-espaces vectoriels de R3 et en donner des bases
BN et BI .
4. Montrer que la réunion des deux bases BN et BI est une base B de R3 .
5. Écrire la matrice M(f,B) .

Exercice 18. On considère l’espace vectoriel R3 muni de sa base canonique B= (e1 , e2 , e3 ) 
2 1 0
3 3
et soit f : R −→ R une application linéaire dont la matrice sur B est : A =  1 −1 4 .
 

1 0 −1
On pose u1 = e2 − e1 , u2 = e1 + e2 et u3 = −e3 .
1. Montrer que la famille B 0 = (u1 , u2 , u3 ) est une base de R3 .
2. Déterminer Kerf et Imf .
3. Écrire la matrice de f dans la base B 0 .
 1

−1 1 2
1
Exercice 19. On considère la matrice A =  −2 2 .
 
2
3
−2 1 2
1. Donner l’application linéaire f dont A est la matrice dans la base canonique.

École Normale Supérieure de Yaoundé I 35

2.6 Matrices inverses (Projet Prenum-AC)

2. L’application f est-elle injective ? Surjective ?

3. soient u = (1, 1, 1), v = (1, 0, 4) et w = (−1, 3, 2).
(a) Montrer que (u, v, w) est une base de R3 .
(b) Donner la matrice de f dans cette base.

Exercice
 20. Soit f l’application linéaire de R3 dans lui-même de matrice

1 −1 2
A =  −2 1 −3  dans la base canonique de R3 .
 

−1 1 −2
1. Déterminer des vecteurs non nuls u, v et w tels que : f (u) = 0, f (v) = u et
f (w) = v.
2. Vérifier que B = (u, v, w) forme une base de R3 .
3. Déterminer la matrice B de f dans la base B.
4. Calculer B 2 , B 3 .

Exercice 21. On note B = (i, j, k) la base canonique de R3 et on considère les vecteurs

I = (1, 2, 3), J = (2, 0, 5), K = (0, 2, 1), l = (−2, 3, 16) et L = (4, 7, 32).
1. Justifier qu’il existe une unique application linéaire f de R3 dans lui-même telle
que : f (i) = I, f (j) = J et f (k) = K.
2. La déterminer.
3. Donner Kerf et Imf .
4. Existe-t-il une application linéaire g de R3 dans lui-même qui vérifie en plus des
conditions vérifiées par f la condition g(l) = L ?
3
Exercice   l’espace vectoriel R muni de sa base canonique (e1 , e2 , e3 ).
22. Considérons
−5 −2 1
Soit A =  7 4 1 . On note f l’endomorphisme de R3 don la matrice dans la
 

4 4 4
base canonique est A.
1. Déterminer Kerf et Imf .
2. Montrer que la famille U = (e1 − 2e2 + e3 , e1 − e2 , e2 + 2e3 ) est une base de R3 .
3. Déterminer la matrice B de f dans la base U.
4. Pour n ∈ {0, 1, 2, 3}, calculer B n et An .

École Normale Supérieure de Yaoundé I 36

2.6 Matrices inverses (Projet Prenum-AC)

Exercice 23. Soient trois vecteurs e1 , e2 , e3 formant une base de R3 . On note φ l’appli-
cation linéaire définie par : φ(e1 ) = e3 , φ(e2 ) = −e1 + e2 + e3 et φ(e3 ) = e3 .
1. Écrire la matrice A de φ dans la base (e1 , e2 , e3 ). Déterminer le noyau de cette
application.
2. On pose f1 = e1 − e3 , f2 = e1 − e2 et f3 = −e1 + e2 + e3 . Calculer e1 , e2 , e3 en
fonction de f1 , f2 , f3 . Les vecteurs f1 , f2 , f3 forment-ils une base de R3 ?
3. Calculer φ(f1 ), φ(f2 ), φ(f3 ) en fonction de f1 , f2 , f3 . Écrire la matrice B de φ dans
la base (f1 , f2 , f3 ).
 
1 1 −1
4. On pose P =  0 −1 1 . Vérifier que P est inversible et calculer P −1 .
 

−1 0 1
Quelle relation lie A, B, P et P −1 ?
→
− → −
Exercice 24. Soient P!un plan vectoriel réel de base ( i , j ) et ϕ un endomorphisme de
a c →
− → −
P , de matrice dans la base ( i , j ).
b d
1. Soient →−v (1, 1), →
−
v1 (1, 2), →
−
w (−1, −1), −→(2, 1) les vecteurs de coordonnées dans la
w 1
→
− → −
base ( i , j ). Déterminer a, b, c et d pour que l’on ait : →−
w = ϕ(→ −
v ) et −
→ = ϕ(→
w 1
−
v1 ).
2. Montrer que l’endomorphisme ϕ trouvé est bijective (On montrera que ϕ est injectif
et surjectif ).
→
− → −
3. Calculer la matrice de ϕ−1 dans la base ( i , j ).

École Normale Supérieure de Yaoundé I 37

 Bibliographie

[1] Arnaud BODIN, Application Linéaire, http ://www.exo7.emath.fr/ficpdf, 2012.

[2] ARRETE N˚53/D/43/MINEDUC/SG/IGP/ESG portant définition des programmes
de mathématiques des classes du second cycle de l’enseignement sécondaire général,
Août 1998.
[3] Bernard YCART, Espaces vectoriels, Université Joseph Fourier, Grenoble, Maths en
Ligne, Novembre 2011.
[4] Charles MVOMO OTAM et les autres, Majors en Mathématiques Terminales C-E,
ASVA EDUCATION, Mars 2012.
[5] Christophe BERTAULT, Espaces vectoriels de dimension finie, MPSI.
[6] International Journal of Technologies in Higher Education,
http ://www.profetic.org/revue, 2007.
[7] Jean-Louis ROUGET, Feuille d’exercices, http ://www.maths-france.fr, 2008.
[8] Pierre H. Cours de Mathématique en ECE1 au Lycée Joachim Du Bellay,
http ://88.163.125.176/ece/, Avril 2008.
[9] Pinel D. Espaces vectoriels & Applications linéaires, document 779,
http ://www.revisermonconcours.fr, Mars 2013.

École Normale Supérieure de Yaoundé I 38