Table des matières

1 Système des équations linéaires et Matrices 3

1.1 Introduction aux systèmes linéaires . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Méthode du Pivot de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Matrices et Opérations sur les matrices . . . . . . . . . . . . . . . . . . . . . 6
1.3.1 Opérations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4 Calcule de A−1 par la méthode de Pivot de Gauss . . . . . . . . . . . . . . . 9

2 Déterminants 13
2.1 Déterminant d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Développement du déterminant selon les lignes-colonnes . . . . . . . . . . . 14
2.3 Propriétés du déterminant . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.4 Matrice de cofacteurs et inversion de matrice . . . . . . . . . . . . . . . . . 15
2.4.1 mineur et cofacteur d’une matrice . . . . . . . . . . . . . . . . . . . 15
2.4.2 Inversion de matrice . . . . . . . . . . . . . . . . . . . . . . . . . . 15

3 Espace vectoriel réels 18

3.1 Notions sur les groupes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

1
Pr. Abdoul Ndongo Algèbre Linéaire

3.2 Espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

3.2.1 Sous-espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.3 Combinaisons linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.4 Famille liée, famille libre et famille génératrice . . . . . . . . . . . . . . . . 23
3.5 Base et Dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

4 Applications linéaires 26
4.1 Applications linéaires particulières . . . . . . . . . . . . . . . . . . . . . . . 28
4.1.1 Forme linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.1.2 Endomorphisme . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.1.3 Isomorphisme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.1.4 Automorphisme . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.2 Noyau et image d’une application linéaire . . . . . . . . . . . . . . . . . . . 29
4.3 Rang d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.4 Matrice d’une application linéaire relativement à deux bases . . . . . . . . . 32

5 Reduction des endomorphismes 33

5.1 Valeurs propres et vecteurs propres . . . . . . . . . . . . . . . . . . . . . . . 33
5.2 Diagonalisation d’un endomorphisme . . . . . . . . . . . . . . . . . . . . . 34
5.3 Diagonalisation d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . . 35

2
Chapitre 1

Système des équations linéaires et

Matrices

1.1 Introduction aux systèmes linéaires

Soit K = R ou C

Définition 1 Soient (a1 , a2 , . . . , a p ) ∈ K p et b ∈ K donnés.

Une équation de la forme a1 x1 + a2 x2 + . . . a p x p = b est une équation linéaire.
Les ai , 1 ≤ i ≤ p s’appellent les coefficients, les xi , 1 ≤ i ≤ p sont les inconnues et b est le
second membres

Définition 2 On appelle système linéaire à n équations et p inconnues (S) un système com-

posé de n équations linéaires qui ont les mêmes p inconnues, donc un système (S) est donné

3
Pr. Abdoul Ndongo Algèbre Linéaire

par :





 a11 x1 + a12 x2 + . . . a1p x p = b1


 a21 x1 + a22 x2 + . . . a2p x p = b2

(S) : ..



 .



 a x +a x +...a x = b
n1 1 n2 2 np p n

- Résoudre ce système consiste à déterminer l’ensemble S de tous les p-uplets (a1 , a2 , . . . , a p ) ∈

K p vérifiants (S).

- On appelle système homogène associé au système (S), le système obtenu lorsque b1 = b2 =

. . . = bn = 0. On le note (S0 ) et on note (S0 ) l’ensemble de ses solutions.

- On dit que le système est compatible si l’ensemble de ses solutions est non vide.

Définition 3 Un système de n équations à n inconnues de rang n est dit de Cramer.

1.2 Méthode du Pivot de Gauss

La méthode du pivot de Gauss est une méthode qui peut s’appliquer sur des matrices ou
sur des systèmes d’équation. Elle consiste à transformer notre matrice ou système de départ
en une matrice ou un système qui soit triangulaire en effectuant les mêmes opérations sur la
matrice colonne b. Le système correspondant est alors équivalent au système initial et possède
donc le même ensemble solution.

4
Pr. Abdoul Ndongo Algèbre Linéaire

Exemple 1 Résolvons le système suivant par la méthode du Pivot de Gauss


x − 2y + 4z = 9





(S) : 3x + 5y + 2z = 19



 4x − 3y − 6z = −20


On élimine x dans les deuxièmes et troisièmes équations. On ne touche pas à la première.


x −2y + 4z = 9





11y − 10z = −8 L2 ← L2 − 3L1



5y − 22z = −56 L3 ← L3 − 4L1



Maintenant on élimine y dans la troisième équation.


x − 2y +4z = 9





11y −10z = −8



−192z = −576 L3 ← 11L3 − 5L2



Il ne reste plus qu’à remonter : On trouve successivement z = 3, y = 2 et x = 1. Le système

(S) admet donc une unique solution, le triplet (1, 2, 3).

5
Pr. Abdoul Ndongo Algèbre Linéaire

1.3 Matrices et Opérations sur les matrices

Définition 4 Soient n, p ∈ N. On appelle matrice à n lignes et p colonnes à coefficients dans

K, un tableau à n lignes et p colonnes d’éléments de K. On note une telle matrice

 
a11 a12 ... a1p 
 
a21 a22 ... a2p 
M = (ai j ) 1≤i≤n =  . (1.1)
 
1≤ j≤p  .. .. .. .. 
 . . . 

 
an1 an2 ... anp

- Une matrice colonne est une matrice qui ne possède qu’une seule colonne.

- Une matrice ligne est une matrice qui ne possède qu’une seule ligne.

- Une matrice possédant autant de lignes que de colonnes est dite carrée.

Notations :

- l’ensemble des matrices à n lignes et p colonnes à coefficients dans K est noté Mn,p (K).

- Si n = p, on note Mn (K) l’ensemble des matrices carrées à n lignes et à n colonnes.

Définition 5

On appelle matrice identité et on note In la matrice Mn (K) donnée par :

 
1 0 ... 0
 .. .. 
0 1 . .
In =  .
 
.. ..

 .. . . 0
 
 
0 ... 0 1

6
Pr. Abdoul Ndongo Algèbre Linéaire

Exemple 2
 
1 0
I2 =  
0 1

 
1 0 0
 
I3 = 
0 1 0

 
0 0 1

Définition 6 On appelle transposée de M ∈ Mn,p (K) la matrice noté tM ∈ M p,n (K) dont les
colonnes sont formées par les lignes de M.

Exemple 3
 
1 6
 
1 0 5  
Si M =   Alors on a : tM = 
0 1

6 1 3  
5 3

Remarque 1 1. Une matrice carrée M est symétrique, si et seulement si, M = tM .

2. Une matrice carrée M est antisymétrique, si et seulement si, M = −tM .

7
Pr. Abdoul Ndongo Algèbre Linéaire

1.3.1 Opérations

1.3.1.1 Somme de matrices, multiplication d’une matrice par un scalaire

Définition 7 - Soit A = (ai j ) 1≤i≤n ∈ Mn,p (K) et B = (bi j ) 1≤i≤n ∈ Mn,p (K), On définit
1≤ j≤p 1≤ j≤p
A + B comme étant la matrice C = (ci j ) 1≤i≤n ∈ Mn,p (K) donnée par :(ci j ) = (ai j ) +
1≤ j≤p
(bi j ) 1≤i≤n
1≤ j≤p

   
a11 a12 ... a1p  b11 b12 ... b1p 
   
a21 a22 ... a2p  b21 b22 . . . b2p 
A+B =  . +  .
   
 .. .. ... ..   .. .. ... . 
.. 
 . . 
  . 
   
an1 an2... anp bn1 bn2 . . . bnp
 
a11 + b11 a12 + b12 ... a1p + b1p 
 
a21 + b21 a22 + b22 ... a2p + b2p 
=
 
.. .. .. .. 

 . . . . 

 
an1 + bn1 an2 + bn2 ... anp + bnp

- Soit A = (ai j ) 1≤i≤n ∈ Mn,p (K) et λ ∈ K. On définit λ .A comme étant la matrice D =

1≤ j≤p
(di j ) 1≤i≤n ∈ Mn,p (K) donnée par :(di j ) = (λ ai j ) 1≤i≤n . Ainsi
1≤ j≤p 1≤ j≤p

 
λ a11 λ a12 ... λ a1p 
 
λ a21 λ a22 ... λ a2p 
λA =  .
 
 .. .. .. .. 
 . . . 
 
λ an1 λ an2 ... λ anp

8
Pr. Abdoul Ndongo Algèbre Linéaire

1.3.1.2 Produit matriciel

Définition 8 Soit A = (ai j ) 1≤i≤n ∈ Mn,p et B = (bi j ) 1≤i≤p ∈ M p,q , On définit AB comme
1≤ j≤p 1≤ j≤q
p
étant la matrice C = (ci j ) 1≤i≤n ∈ Mn,q donnée par :(ci j ) = ∑k=1 (aik bk j ) 1≤i≤n
1≤ j≤q 1≤ j≤q

Exemple 4
 
1 2 6
 
5 2 4  
 5 12 −5
9 0 5  
−1 1 2
 
5 × 1 + 2 × 5 + 4 × (−1) 5 × 2 + 2 × 12 + 4 × 1 5 × 6 + 2 × (−5) + 4 × 2
= 
9 × 1 + 0 × 5 + 5 × (−1) 9 × 2 + 0 × 12 + 5 × 1 9 × 6 + 0 × (−5) + 5 × 2

1.4 Calcule de A−1 par la méthode de Pivot de Gauss

Soit A une matrice inversible, alors on peut déterminer l’inverse de A en utilisant la mé-
thode du pivot de Gauss. On commence par écrire côte à côte la matrice A et la matrice identité,
a l’aide de la méthode du pivot sur les lignes on transforme la matrice A en la matrice identité,
a chaque étape de la transformation de A il faudra effectuer les opérations sur les lignes aussi
sur la matrice identité, a la fin, la matrice qu’on aura à côté de la matrice identité est la matrice
A−1 .

9
Pr. Abdoul Ndongo Algèbre Linéaire

 
 3 5 
Exemple 5 Calculons l’inverse de A =  .
2 5

   
3 5 L1 1 0
   
2 5 L2 0 1
   
3 5 L1 ← L1 1 0
   
0 5 L2 ← 3L2 − 2L1 −2 3
   
3 0 L1 ← L1 − L2  3 −3
   
0 5 L2 ← L2 −2 3
   
1
1 0 L1 ← 3 L1  1 −1
   
−2
0 1 L2 ← 15 L2 5
3
5
(1.2)
 
1 −1
et par suite on a : A−1 =  
−2 3
5 5

10
Pr. Abdoul Ndongo Algèbre Linéaire

 
 1 3 5 
 
Exemple 6 Calculons l’inverse de A = 
 2 7 11 .

 
4 10 16

   
1 3 5  L1 1 0 0
   
2 7 11 L2 0 1 0
   
   
4 10 16 L3 0 0 1
   
1 3 5 L1 ← L1 1 0 0
   
0 1
 1
 L2 ← L2 − 2L1 −2 1 0

   
0 −2 −4 L3 ← L3 − 4L1 −4 0 1
   
1 3 5  L1 ← L1 1 0 0
   
0 1 1 
  L2 ← L2 −2 1 0
 
   
0 0 −2 L3 ← L3 + 2L2 −8 2 1
   
2 6 0  L1 ← 2L1 + 5L3 −38 10 5
   
0 2 0  L ← 2L + L −12 4 1
  2 2 3  
   
0 0 −2 L3 ← L3 −8 2 1
   
4 0 0  L1 ← 2L1 − 6L2  −4 −4 4
   
0 2 0 
  L2 ← L2 −12
 4 1 
   
0 0 −2 L3 ← L3 −8 2 1
   
1
1 0 0 L1 ← 4 L1 −1 −1 1 
   
0 1 0 L ← 1 L −6 2 1 
  2 2 2  2 
   
0 0 1 L3 ← − 12 L3 4 −1 − 12
(1.3)
11
Pr. Abdoul Ndongo Algèbre Linéaire

 
−1 −1 1 
et par suite on a : A−1 = 
 
1 
−6 2 2 
 
1
4 −1 − 2

12
Chapitre 2

Déterminants

2.1 Déterminant d’une matrice

 
a11 a12 
Définition 9 1. On appelle déterminant de la matrice   le scalaire de K noté
a21 a22
det(A) et donné par :

a11 a12
det(A) = = a11 a22 − a21 a12
a21 a22

13
Pr. Abdoul Ndongo Algèbre Linéaire

 
a11 a12 a13 
 
2. Si A=
a21 a22 , alors on a :
a23 
 
a31 a32 a33

a11 a12 a13

a22 a23 a12 a13 a12 a13
det(A) = a21 a22 a23 = a11 − a21 + a31
a32 a33 a32 a33 a22 a23
a31 a32 a33

2.2 Développement du déterminant selon les lignes-colonnes

 
a11 a12 a13 
 
Soit A=a21 a22 . Le développement du déterminant de A selon la première
a23 
 
a31 a32 a33
ligne est donné par :

a11 a12 a13

a22 a23 a21 a23 a21 a22
det(A) = a21 a22 a23 = a11 − a12 + a13
a32 a33 a31 a33 a31 a32
a31 a32 a33

Le développement du déterminant de A selon la deuxième colonne est donné par :

a11 a12 a13

a21 a23 a11 a13 a11 a13
det(A) = a21 a22 a23 = −a12 + a22 − a32
a31 a33 a31 a33 a21 a23
a31 a32 a33

14
Pr. Abdoul Ndongo Algèbre Linéaire

2.3 Propriétés du déterminant

Soient A, B ∈ Mn (K) et λ ∈ K, alors on a les propriétés suivantes :

1. det(In ) = 1.

2. det(λ A) = λ n det(A).

3. det(AB) = det(A) × det(B).

4. det(tA ) = det(A).

5. Si A est inversible alors on a : det(A−1 ) = 1

det(A) .

2.4 Matrice de cofacteurs et inversion de matrice

2.4.1 mineur et cofacteur d’une matrice

Définition 10 Soit A = (ai j ) 1≤i≤n ∈ Mn (K)

1≤ j≤n

1. On appelle mineur d’indice (i, j) le déterminant ∆i, j de la matrice obtenue en suppri-

mant la ieme ligne et la jeme colonne de la matrice A.

2. On appelle cofacteur d’indice (i, j) et on note Ai, j le scalaire Ai, j = (−1)i+ j ∆i, j .

2.4.2 Inversion de matrice

Définition 11 On appelle comatrice de A et on note Com(A) la matrice de cofacteurs de A :

Com(A) = (Ai, j ) 1≤i≤n

1≤ j≤n

15
Pr. Abdoul Ndongo Algèbre Linéaire

Théorème 1 Soit A ∈ Mn (K). Si det(A) 6= 0 alors A est inversible et on a :

1
A−1 = t
det(A) Com(A)

Remarque 2 Soit A ∈ Mn (K). S’il existe une matrice B ∈ Mn (K) tel que : AB = In ou BA = In
alors A est inversible et on a : A−1 = B
 
 4 3 
Exemple 7 1. Calculons l’inverse de A =  .
6 5
On a det(A) = 2 6= 0, donc A est inversible. Calculons la comatrice de A. on a :

A1,1 = (−1)1+1 ∆1,1 = (−1)2 × 5 = 5

A1,2 = (−1)1+2 ∆1,2 = (−1)3 × 6 = −6

A2,1 = (−1)2+1 ∆2,1 = (−1)3 × 3 = −3

A2,2 = (−1)2+2 ∆2,2 = (−1)4 × 4 = 4

   
 A1,1 A1,2   5 −6 
et par suite la matrice Com(A) est donnée par : Com(A) =  = .
A2,1 A2,2 −3 4
   
 5 −3   5 −3
Donc tCom(A) =   ⇒ A−1 = det(A)
1
tCom(A) = 21  .

−6 4 −6 4
 
 1 1 2 
 
2. Calculons l’inverse de A =  0 1 1 .

 
−1 0 2

16
Pr. Abdoul Ndongo Algèbre Linéaire

On a det(A) = 3 6= 0, donc A est inversible. Calculons la comatrice de A. on a :

A1,1 = (−1)1+1 ∆1,1 = (−1)2 × 2 = 2

A1,2 = (−1)1+2 ∆1,2 = (−1)3 × 1 = −1

A1,3 = (−1)1+3 ∆1,3 = (−1)4 × 1 = 1

A2,1 = (−1)2+1 ∆2,1 = (−1)3 × 2 = −2

A2,2 = (−1)2+2 ∆2,2 = (−1)4 × 4 = 4

A2,3 = (−1)2+3 ∆2,3 = (−1)5 × 1 = −1

A3,1 = (−1)3+1 ∆3,1 = (−1)4 × (−1) = −1

A3,2 = (−1)3+2 ∆3,2 = (−1)5 × 1 = −1

A3,3 = (−1)3+3 ∆3,3 = (−1)6 × 1 = 1

et par suite la matrice Com(A) est donnée par :

   
 A1,1 A1,2 A1,3   2 −1 1 
   
Com(A) =  A A A
 2,1 2,2 2,3  
 =  −2 4 −1 .

   
A3,1 A3,2 A3,3 −1 −1 1
   
 2 −2 −1   2 −2 −1 
 ⇒ A−1 = 1 tCom(A) = 1
   
Donc tCom(A) =   −1 4 −1  det(A) 3 −1 4 −1 .

   
1 −1 1 1 −1 1

17
Chapitre 3

Espace vectoriel réels

3.1 Notions sur les groupes

Définition 12 (Application)
Une application f : E → F c’est la donnée pour chaque élément x ∈ E d’un unique élément
de F noté f (x).

Définition 13 (Loi de composition interne)

Une loi de composition interne sur un ensemble E est une application de E × E dans E.

Exemple 8 1. L’addition est une loi de composition interne sur N ( car ∀(n, m) ∈ N2 , n+m
reste dans N).

2. La soustraction n’est pas une loi de composition interne sur N ( car (2, 4) ∈ N2 par
contre 2 − 4 = −2 ∈
/ N).

3. La soustraction est une loi de composition interne sur Z ( car ∀(n, m) ∈ Z2 , n − m reste
dans Z).

18
Pr. Abdoul Ndongo Algèbre Linéaire

Définition 14 (Groupe)
Un groupe est la donnée d’un ensemble G et d’une loi de composition interne notée ∗ :

G × G −→ G
(x, y) −→ x ∗ y

telle que (G, ∗) vérifie les trois propriétés suivantes :

1. ∃ e ∈ G tels que ∀x ∈ G, e ∗ x = x ∗ e = x.

On appelle e l’élément neutre de (G, ∗).

2. ∀ x, y, z ∈ G, (x ∗ y) ∗ z = x ∗ (y ∗ z).

Dans ce cas on dit que ∗ est associative.

3. ∀x ∈ G, ∃ x0 ∈ G tels que x ∗ x0 = x0 ∗ x = e.

x0 est appelé l’élément symétrique de x.

Si de plus , ∀x, y ∈ G, on a : x ∗ y = y ∗ x, on dit que ∗ est commutative et (G, ∗) est un groupe

commutatif ou abélien.

Exemple 9 1. (Z, +) est un groupe abélien, 0 est l’élément neutre, le symétrique de x est
−x.

2. (N, +) n’est pas un groupe.

Proposition 1 1. L’élément neutre est unique.

2. Le symétrique x0 d’un élément x est unique.

3. ∀x, y ∈ G, (x ∗ y)0 = y0 ∗ x0 .

4. ∀x, y, z ∈ G si x ∗ y = x ∗ z alors y=z.

19
Pr. Abdoul Ndongo Algèbre Linéaire

3.2 Espace vectoriel

Définition 15 On appelle R-espace vectoriel, tout ensemble non vide E muni d’une loi de
composition interne noté + (addition) et d’une loi de composition externe noté . (multiplica-
tion par un scalaire) telles que

1. (E, +) est un groupe abélien.

2. ∀λ , µ ∈ R, ∀x ∈ E, on a : (λ + µ)x = λ x + µx.

3. ∀λ ∈ R, ∀x, y ∈ E, on a : λ (x + y) = λ x + λ y.

4. ∀λ , µ ∈ R, ∀x ∈ E, on a : λ (µx) = (λ µ)x.

5. ∀x ∈ E, on a : 1.x = x.

Les éléments d’un espace vectoriel sont appelés vecteurs et les élément de R sont appelés
scalaires.

Exemple 10 L’ensemble Rn (muni des lois (x1 , . . . , xn ) + (y1 , . . . , yn ) = (x1 + y1 , . . . , xn + yn )

et λ .(x1 , . . . , xn ) = (λ x1 , . . . , λ xn ) ) est un R-espace vectoriel.

3.2.1 Sous-espace vectoriel

Dans toute la suite l’ensemble E désignera un espace vectoriel sur R.

Définition 16 Soit F un sous ensemble de E. On dit que F est un sous-espace vectoriel de E

si F vérifie les propriétés suivantes :

1. OE ∈ F.

2. ∀x, y ∈ F, x + y ∈ F. Autrement dit F est stable par l’addition.

20
Pr. Abdoul Ndongo Algèbre Linéaire

3. ∀x ∈ F et ∀λ ∈ R, λ x ∈ F. Autrement dit F est stable par la multiplication par scalaire.

Remarque 3 Tout sous-espace vectoriel de E est un espace vectoriel de E.

Exemple 11 Si E = R2 , alors F = {(x, 0), x ∈ R} est un sous-espace vectoriel de E.

Corollaire 1 Soit E un espace vectoriel et F un sous-ensemble de E si F vérifie les propriétés

suivantes :

1. F 6= 0/ .

2. ∀x, y ∈ F, ∀λ , µ ∈ R, alors λ x + µy ∈ F.

Exemple 12 Les parties suivantes ne sont pas des sous espaces vectoriel de R2 .

1. F1 = {(x, y) ∈ R2 /x + y = 2}, car F1 ne contient pas le vecteur nul.

2. F2 = {(x, y) ∈ R2 /xy = 0}, car (1, 0) ∈ F2 et (0, 1) ∈ F2 par contre (1, 0) + (0, 1) =
(1, 1) ∈
/ F2 (F2 n’est pas stable par l’addition).

3. F3 = {(x, y) ∈ R2 /x + y ∈ Z} car (1, 1) ∈ F3 par contre 13 (1, 1) = ( 13 , 13 ) ∈

/ F3 (F3 n’est
pas stable par la multiplication par scalaire).

Proposition 2 Soient E un espace vectoriel et F1 , . . . , Fn des sous espaces vectoriels de E,

alors l’intersection
n
\
F= Fi
i=1

est un sous espace vectoriel de E.

Remarque 4 La réunion de deux sous-espace vectoriels n’est pas en général un sous espace
vectoriel.

21
Pr. Abdoul Ndongo Algèbre Linéaire

Définition 17 Soient E1 , . . . , En n sous espaces vectoriels d’un R-e.v E. On dit que E est
somme directe de E1 , . . . , En si tout vecteur x ∈ E s’écrit de manière unique sous la forme
Ln
x = x1 + . . . + xn où ∀i, xi ∈ Ei . On note alors E = E1 ⊕ . . . ⊕ En = i=1 Ei .

Proposition 3 Soient E1 et E2 deux s.e.v d’un R-e.v E. Alors E = E1 ⊕ E2 si et seulement si

E = E1 + E2 et E1 ∩ E2 = {0}.

3.3 Combinaisons linéaires

Définition 18 Soit {x1 , · · · , xn } une famille de vecteurs d’un espace vectoriel E. Tout vecteur
de E de la forme λ1 x1 + · · · + λn xn = ∑nk=1 λk xk , où les λk ∈ R est appelé combinaison linéaire
des vecteurs xk , k = 1, · · · , n.

Exemple 13 Définition 19 Soit A un sous ensemble non vide de l’espace vectoriel E. On

note Vect(A) l’ensemble des combinaisons linéaire d’éléments de A. Donc :

x ∈ Vect(A) ⇔ ∃ x1 , · · · , xn ∈ A et des scalaires λ1 , · · · , λn tels que : x = λ1 x1 + · · · + λn xn .

Soit E = R2

X ∈ E =⇒ X = (x, y) = (x, 0) + (0, y) = x (1, 0) +y (0, 1) = xe1 + ye2

| {z } | {z }
e1 e2

Dans ce cas on dit que E = Vect(e1 , e2 ).

22
Pr. Abdoul Ndongo Algèbre Linéaire

3.4 Famille liée, famille libre et famille génératrice

Définition 20 (Famille liée)

On dit qu’une famille (v1 , · · · , vn ) de vecteurs de E est liée, ou que les vecteurs v1 , · · · , vn
sont linéairement dépendants si et seulement si un des vecteurs de la famille est combinaison
linéaire des autres ou autrement dit si et seulement si il existe un p-uplet (λ1 , · · · , λn ) de
scalaires non tous nuls vérifiant λ1 v1 + · · · + λn vn = 0.

Exemple 14 Soit E = R2 . Posons :

v1 = (1, 2), v2 = (−1, 3) et v3 = (1, 12)

On remarque que v3 = 3v1 + 2v2 donc la famille (v1 , v2 , v3 ) est liée.

Définition 21 On dit qu’une famille (v1 , · · · , vn ) de vecteurs de E est libre, ou que les vec-
teurs v1 , · · · , vn sont linéairement indépendants si et seulement si la famille n’est pas liée ou
autrement dit si et seulement si :

∀(λ1 , · · · , λn ) ∈ Rn , λ1 v1 + · · · + λn vn = 0E =⇒ λ1 = λ2 = · · · = λn = 0.

Exemple 15 Soit R2 . Posons e1 = (1, 0) et e2 = (0, 1), la famille (e1 , e2 ) est libre. En effet
soit (λ1 , λ2 ) ∈ R2 alors on a :

λ1 e1 + λ2 e2 = 0R2 =⇒ (λ1 , 0) + (0, λ2 ) = (0, 0) =⇒ (λ1 , λ2 ) = (0, 0) =⇒ λ1 = λ2 = 0.

Définition 22 (Famille génératrice)

23
Pr. Abdoul Ndongo Algèbre Linéaire

On dit qu’une famille (v1 , · · · , vn ) de n vecteurs de E engendre l’espace vectoriel E (ou

est génératrice de E) si tout vecteur de E peut s’exprimer comme combinaison linéaire de la
famille (v1 , · · · , vn ) :

∀x ∈ E, ∃(λ1 , · · · , λn ) ∈ Rn tels que x = λ1 v1 + · · · + λn vn

3.5 Base et Dimension

Définition 23 (Base)
On dit qu’une famille (v1 , · · · , vn ) de vecteurs de E est une base de E si et seulement si
(v1 , · · · , vn ) est à la fois libre et génératrice.

Exemple 16 1. Les (ei )1≤i≤n (où ei = (0, . . . , 1, 0, . . . , 0), le 1 se trouvant à la i-ème place),forment
une base de Rn appelée base canonique de Rn .

2. La famille (1, X, X 2 ) est une base canonique de R2 [X].

Définition 24 (Dimension)

1. Si E = {0}, on dit que E est de dimension 0 et on note dim E = 0.

2. si E est un espace vectoriel de dimension finie non réduit à {0}, on appelle dimension
de E le cardinal d’une base de E et on le note dim E.

Théorème 2 Soient E un espace vectoriel de dimension finie n et F un sous-espace vectoriel

de E. Alors on a :

1. F est de dimension finie et dim F≤dim E.

24
Pr. Abdoul Ndongo Algèbre Linéaire

2. (dim F=dim E)⇐⇒ F=E.

Théorème 3 (Dimension d’une somme de sous-espaces vectoriels, formule de Grassmann)

Soient E un R-espace vectoriel de dimension finie, F et G des sous-espaces vectoriels de E
alors :
dim(F + G) = dim F + dim G − dim(F ∩ G).

Proposition 4 Soient E un R-espace vectoriel de dimension finie, F et G des sous-espaces

vectoriels de E. Alors les trois assertions suivantes sont équivalentes :

i) E = F ⊕ G.

ii) dim E = dim F + dim G et F ∩ G = {0}.

iii) dim E = dim F + dim G et E = F + G.

si (i),(ii) ou (iii) est vérifiée on dit que G est un supplémentaire de F dans E.

Remarque 5 Si F est un s.e.v de E, il y a en général une infinité de supplémentaires de F

dans E.

25
Chapitre 4

Applications linéaires

Définition 25 Soient (E, +, .) et (F, +, .) deux R-espaces vectoriels.

On dit que f : E −→ F est une application linéaire (ou est un morphisme) Si :

1. ∀x, y ∈ E, on a : f (x + y) = f (x) + f (y).

2. ∀λ ∈ R,∀x ∈ E on a : f (λ x) = λ f (x).

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

Exemple 17 Soit

f: R2 −→ R2 (4.1)

(x, y) −→ (x + y, x − y)

Vérifions que f est linéaire

26
Pr. Abdoul Ndongo Algèbre Linéaire

Soient X = (x1 , y1 ) et Y = (x2 , y2 ) on a :

f (X +Y ) = f ((x1 , y1 ) + (x2 , y2 )) = f (x1 + x2 , y1 + y2 ) = (x1 + x2 + y1 + y2 , x1 + x2 − y1 − y2 )

= (x1 + y1 , x1 − y1 ) + (x2 + y2 , x2 − y2 ) = f (X) + f (Y )

Soient X = (x, y) et λ ∈ R on a :

f (λ X) = f (λ (x, y)) = f (λ x, λ y) = (λ x + λ y, λ x − λ y) = λ (x + y, x − y) = λ f (X)

Proposition 5 Soient E, E1 , · · · , En des espaces R-espaces vectoriels. L’application

f : E −→ E1 × · · · × En
x −→ ( f1 (x), · · · , fn (x))

est linéaire de E dans E1 × · · · × En si et seulement si f1 , · · · , fn sont des applications linéaires

de E dans Ei , i = 1 · · · n.

Exemple 18

Proposition 6 Soient (E, +, .), (F, +, .) et (G, +, .) des R-espaces vectoriels.

1. Si l’application f : E −→ F est linéaire alors f (0E ) = 0F .

2. Si f : E −→ F et g : F −→ G sont linéaires alors g ◦ f : E −→ G est linéaire

3. Si e1 , · · · , en sont des vecteurs de E alors

n n
∀λ1 , · · · , λn ∈ R on a : f ( ∑ λk ek ) = ∑ λk f (ek )
k=1 k=1

27
Pr. Abdoul Ndongo Algèbre Linéaire

4.1 Applications linéaires particulières

4.1.1 Forme linéaire

Définition 26 On appelle forme linéaire sur un R-espace vectoriel E, toute application li-
néaire de E dans R.

On note E ∗ l’ensemble des formes linéaires de E.

Exemple 19

4.1.2 Endomorphisme

Définition 27 On appelle endomorphisme de E, toute application linéaire de E dans lui

même. On note L (E) l’ensemble des endomorphismes de E.

Proposition 7 Si f et g sont deux endomorphismes de E, alors f ◦ g est aussi un endomor-

phisme de E.

4.1.3 Isomorphisme

On appelle isomorphisme de E vers F, toute application linéaire bijective de E vers F. On

note Iso(E, F) l’ensemble des isomorphismes de E dans F.

Proposition 8 1. Si f : E −→ F et g : F −→ G sont des isomorphismes alors g ◦ f : E −→

G est un isomorphisme.

2. Si f : E −→ F est un isomorphisme alors son application réciproque f −1 : F −→ E est

un isomorphisme.

28
Pr. Abdoul Ndongo Algèbre Linéaire

4.1.4 Automorphisme

Définition 28 On appelle automorphisme de E, toute application linéaire bijective de E dans

E.

Proposition 9 1. Si f : E −→ E et g : E −→ E sont des automorphismes alors la composée

g ◦ f : E −→ E est un automorphisme.

2. Si f : E −→ E est un automorphisme alors son application réciproque f −1 : E −→ E

est un automorphisme.

4.2 Noyau et image d’une application linéaire

Définition 29 Soit f : E −→ F une application linéaire. On appelle :

- Noyau de f et on note Ker f le sous-ensemble de E : Ker f = {x ∈ E : f (x) = 0F }.

- Image de f et on note Imf le sous-ensemble de F : Im f = { f (x) : x ∈ E}.

Théorème 4 Soit f : E −→ F une application linéaire. Alors Ker f est un sous-espace vecto-
riel de E et Imf est un sous-espace vectoriel de F.

Théorème 5 Soit f : E −→ F une application linéaire. Alors :

f est in jective ⇐⇒ Ker f = {0E }.

29
Pr. Abdoul Ndongo Algèbre Linéaire

Exemple 20 1. Considérons l’application linéaire suivante

f: R2 −→ R2

(x, y) −→ (2x + y, x − y)

Déterminons Ker f

 2x + y = 0

(x, y) ∈ Ker f =⇒ f (x, y) = (0, 0) =⇒ (2x+y, x−y) = (0, 0) =⇒ =⇒ x = y = 0
 x−y = 0


Donc Ker f = {0R2 } et par suite f est injective.

2. Considérons l’application linéaire suivante

f: R2 −→ R2

(x, y) −→ (3x − 3y, x − y)

Déterminons Ker f

 3x − 3y = 0

(x, y) ∈ Ker f =⇒ f (x, y) = (0, 0) =⇒ (3x−3y, x−y) = (0, 0) =⇒ =⇒ x = y
 x−y = 0


Donc (x, y) ∈ Ker f =⇒ (x, y) = (x, x) = x(1, 1) =⇒ Ker f = Vect((1, 1)).

Donc Ker f 6= {0R2 } et par suite f n’est pas injective.

30
Pr. Abdoul Ndongo Algèbre Linéaire

Théorème 6 Soit f : E −→ F une application linéaire. Alors :

f est sur jective ⇐⇒ Im f = F.

Remarque 6 Pour montrer que Im f = F il suffit d montrer que dim(Im f ) = dim F.

Exemple 21 1. Considérons l’application linéaire suivante

f: R2 −→ R2

(x, y) −→ (x + 3y, 2x − y)

Déterminons Im f

Z ∈ Im f =⇒ Z = (x + 3y, 2x − y) = (x, 2x) + (3y, −y) = x (1, 2) +y (3, −1)

| {z } | {z }
v w

Donc Im f = Vect(v, w) et de plus comme la famille (v, w) est libre elle forme une base
de Im f donc :
dim(Im f ) = 2 = dim R2 =⇒ Im f = R2

Et par suite f est surjective.

2.

31
Pr. Abdoul Ndongo Algèbre Linéaire

4.3 Rang d’une application linéaire

Définition 30 Soit f : E −→ F une application linéaire. On appelle rang de f la dimension

du sous-espace vectoriel Imf : rg f= dim(Imf).

Théorème 7 Formule du Rang

Soit f : E −→ F une application linéaire tels que dim E < ∞. Alors on a la formule du
rang :
dim E = dim Ker f + dim Im f = dim Ker f + rg f

4.4 Matrice d’une application linéaire relativement à deux

bases

Définition 31 Soient E un espace vectoriel de base B1 = (e1 , · · · , e p ), F un espace vectoriel

de base B2 = (v1 , · · · , vq ) et f ∈ L (E, F).

On appelle matrice de f relativement aux bases B2 et B1 et on note MatB1 ,B2 ( f ) la matrice

q × p donnée par

 
a11 a12 ... a1p 
 
a21 a22 ... a2p 
MatB1 ,B2 ( f ) =  . (4.2)
 
 .. .. ... .. 
 . . 

 
aq1 aq2 ... aqp

où (a1 j , ..., aq j ) sont les composantes du vecteur f (e j ) dans la base B2 .

32
Chapitre 5

Reduction des endomorphismes

5.1 Valeurs propres et vecteurs propres

Définition 32 Soient E un R-espace vectoriel, f un endomorphisme de E et λ ∈ R. S’il existe

un vecteur non nul x de E tel que f (x) = λ x, on dit que :

1. λ est une valeur propre de f .

2. x est un vecteur propre de f associé à la valeur propre λ .

Exemple 22 1. Soit
f : R −→ R
x −→ 5x

On a f (x) = 5x donc 5 est une valeur propre de f .

2. Soit
f: R2 −→ R2
(x, y) −→ (6x, y)

33
Pr. Abdoul Ndongo Algèbre Linéaire

On a f (1, 0) = (6, 0) = 6(1, 0) donc 6 est une valeur propre de f et (1, 0) est un vecteur
propre associé à la valeur propre 6.

Définition 33 On appelle sous-espace propre associé à la valeur propre λ l’ensemble Eλ

définie par :
Eλ = ker( f − λ id) = {x ∈ E| f (x) = λ x}

Proposition 10 Soient E un R-espace vectoriel et f un endomorphisme de E. Si x1 , · · · , x p

sont des vecteurs propres associes aux valeurs propres deux à deux distinctes λ1 , · · · , λ p alors
la famille (x1 , · · · , x p ) est libre.

Corollaire 2 Soient E un R-espace vectoriel de dimension n et f un endomorphisme de E.

1. Si λ1 , · · · , λ p sont des valeurs propres de f distinctes deux à deux et Eλ1 , · · · , Eλ p sont

les sous-espaces propres associés, alors
p
la somme Eλ1 + · · · + Eλ p est directe et ∑i=1 dim Eλ1 ≤ n.

2. f admet au plus n valeurs propres.

5.2 Diagonalisation d’un endomorphisme

Définition 34 Soient E un R-espace vectoriel de dimension n et f un endomorphisme de E.

On dit que f est diagonalisable s’il existe une base B de E telle que la matrice de f dans
cette base est diagonale.

Théorème 8 Soient E un R-espace vectoriel de dimension n et f un endomorphisme de E,

qui possède p valeurs propres distinctes. Les conditions suivantes sont équivalentes :

34
Pr. Abdoul Ndongo Algèbre Linéaire

1. f est diagonalisable.

2. E = Eλ1 ⊕ · · · ⊕ Eλ p .

3. Il existe une base B de E telle que A0 = MatB f (B) est diagonale.

Corollaire 3 Soient E un R-espace vectoriel de dimension n et f un endomorphisme de E. Si

f possède n valeurs propres distinctes alors f est diagonalisable.

5.3 Diagonalisation d’une matrice carrée

Définition 35 Soient A une matrice carrée de Mn (R) et λ ∈ R. S’il existe X ∈ Mn,1 (R) tel
que AX = λ X alors

1. λ est une valeur propre de A.

2. X est un vecteur propre de A associé à la valeur propre λ . Dans ce cas : Eλ = {X ∈

Mn,1 (R)|AX = λ X} est l’espace propre associé à la valeur propre λ .

Proposition 11 Soient A ∈ Mn (R) et λ ∈ R. Les conditions suivantes sont équivalentes :

1. λ est une valeur propre de A.

2. A − λ In n’est pas inversible.

3. det(A − λ In ) = 0.
 
 1 6 
Exemple 23 1. Calculons les valeurs propres de A =  . Les valeurs propres de
1 2
A sont les solutions de l’équation det(A − λ I2 ) = 0.

35
Pr. Abdoul Ndongo Algèbre Linéaire

     
 1 6   λ 0   1−λ 6 
On a : A − λ I2 =  − = .
1 2 0 λ 1 2−λ

1−λ 6
det(A − λ I2 ) = = (1 − λ )(2 − λ ) − 6 = λ 2 − 3λ − 4 = (λ + 1)(λ − 4)
1 2−λ
det(A − λ I2 ) = 0 =⇒ (λ + 1)(λ − 4) = 0 =⇒ λ = −1 ou λ = 4.

Donc la matrice A admet deux valeurs propres λ1 = −1 et λ2 = 4.

 
 x1 
Calculons les vecteurs propres associés à la valeur propre λ1 = −1. Soit X =  ,
x2
pour calculer les vecteurs propres associés à λ1 on résoud l’équation AX = λ1 X.
        
 1 6   x1   x1   x1 + 6x2   −x1 
AX = λ1 X =⇒    = −  =⇒  = .
1 2 x2 x2 x1 + 2x2 −x2
Donc on obtient le système suivant

 2x1 + 6x2 = 0


 x + 3x = 0

1 2

On vérifie que  des solution de ce système est donné par Vect(V1 ) avec V1 =
l’ensemble

 −3 
(−3, 1), donc   est un vecteur propre associé à la valeur propre λ1 = −1. On
1
 
 −2 
montre de même que   est un vecteur propre associé à la valeur propre λ2 = 4.
1

36