PSI Rappels d’ algèbre linéaire

Plan 3.4 Changement de base . . . . . . . . . . 14

1 Rappels sur les espaces vectoriels 1 4 Rappels sur les déterminants 15

1.1 Sous espaces vectoriels . . . . . . . . 1 4.1 Calcul du déterminant d’une matrice 15
1.2 Famille libre - famille génératrice - 4.1.1 Développement suivant une
base . . . . . . . . . . . . . . . . . . . . 2 ligne ou une colonne . . . . . . 15
1.3 Rang de n vecteurs . . . . . . . . . . . 4 4.1.2 Opération des matrices et dé-
terminants . . . . . . . . . . . 16
1.4 Somme de deux sous espaces vecto-
riels - Sous espaces supplémentaires 4 4.1.3 Opérations élémentaires et
déterminant . . . . . . . . . . 17
2 Rappels sur les applications linéaires 6 4.1.4 Exemples de calcule de dé-
2.1 Généralités . . . . . . . . . . . . . . . 6 terminants . . . . . . . . . . . 17

2.2 Projecteurs et symétries . . . . . . . . 7 4.2 Caractérisation des bases et des ma-

trices inversibles . . . . . . . . . . . . 20
2.3 Rang d’une application linéaire . . . 7
4.2.1 Déterminant de n vecteur
2.4 Théorème du rang . . . . . . . . . . . 8
dans une base . . . . . . . . . 20

3 Rappels sur les matrices 9 4.2.2 Caractérisation des bases . . 21

3.1 L’espace M np (K) - L’algèbre M n (K) . 9 4.2.3 Déterminant d’un endomor-

phisme . . . . . . . . . . . . . . 22
3.2 Transposée de matrice . . . . . . . . 11
4.3 Orientation . . . . . . . . . . . . . . . 23
3.3 Matrice d’une famille de vecteurs -
Matrice d’ une application linéaire . 12

∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗

1 Rappels sur les espaces vectoriels

E designe un K− espace vectoriel.

1.1 Sous espaces vectoriels

Définition 1.1. Un sous-espace vectoriel de E est une partie F de E qui vérifie

— F 6= ;
— F est stable par addition : ∀ (x, y) ∈ E 2 , x + y ∈ F
— F est stable par multiplication par un scalaire : ∀ x ∈ E, ∀λ ∈ K, λ x ∈ F

Remarques 1.1. 1. Un sous-espace vectoriel de E est un espace vectoriel pour les lois induites .
2. Pour montrer qu’ un ensemble est un espace vectoriel il suffit de montrer que c’est un sous espace
vectoriel d’un espace vectoriel connue.

Proposition 1.1. F est un sous-espace vectoriel de E si et seulement si

— 0∈F
— F est stable par combinaison linéaire : ∀ (λ, µ) ∈ K2 , ∀ (x, y) ∈ E 2 , λ x + µ y ∈ F

[Link] page:1/ 23
PSI Rappels d’ algèbre linéaire

Exemple 1.1. E et {0} sont des sous espaces vectoriels de E appelés sous espaces vectoriels triviaux de E

Proposition 1.2. Soit (x1 , x2 . . . , xn ) une famille de E, l ’ensemble

n ¯ n o
x ∈ E ¯ ∃ (λ1 , λ2 , . . . , λn ) ∈ K n , x =
X
Vect(x1 , x2 . . . , xn ) := λi xi
¯
i =1
n
nX ¯ o
= λ i x i ¯ (λ1 , λ2 , . . . , λn ) ∈ K n
¯
i =1
est le plus petit sous espace vectoriel de E contenant les vecteurs x1 , x2 . . . , xn . On l’appelle le sous espace
vectoriel de E engendré par la famille (x1 , x2 . . . , xn ).

Exemple 1.2. 1. Dans R2 Vect((1, 0), (0, 1)) = R2 .

2. si u ∈ E , Vect(u) = {λ u/λ ∈ K} = K.u et on a

v ∈ Vect(u) ⇐⇒ ∃λ ∈ K, v = λ u

Remarque 1.1. Si F est un sous-espace vectoriel de E tel que x1 , x2 . . . , xn sont dans F alors

Vect(x1 , x2 . . . , xn ) ⊂ F

1.2 Famille libre - famille génératrice - base

Définition 1.2. Soit (x1 , . . . , xn ) une famille finie d’éléments de [Link] dit que cette famille est
1. Libre (ou linéairement indépendante) si
³ ´
∀ λ1 , . . . , λn ∈ K, λ1 x1 + . . . + λn xn = 0 =⇒ λ1 = λ2 = . . . = λn = 0 .

2. Génératrice de E si E = Vect(x1 , x2 , . . . , xn ) , ce qui est encore équivalent à :

n
∀ x ∈ E, ∃ (λ1 , λ2 . . . , λn ) ∈ Kn ;
X
x= λi xi
i =1

3. Une base de E si elle est libre et génératrice. ce qui est encore équivalent à :
n
∀ x ∈ E, ∃! (λ1 , λ2 . . . , λn ) ∈ Kn ;
X
x= λi xi
i =1

4. Liée s’ elle n’est pas libre , ce qui est encore équivalent à l’existence de λ1 , ..., λn non tous nuls dans
K tels que
n
X
λi xi = 0
i =1

cette relation s’appelle alors relation de liaison de la famille (x1 , . . . , xn ).

Théorème 1.1. Si un espace vectoriel E admet une base finie,Toutes les bases de E ont alors le même
cardinal qu ’ on appelle dimension de E et qu ’on note dim E

Exemples 1.1. 1. (sin, cos) sont libres puisque ∀ x ∈ R, λ sin(x) + µ cos(x) = 0 =⇒ λ = µ = 0 en considérant
π
x = 0 et x = 2 .
2. Pour a ∈ K, la famille 1, X − a, (X − a)2 , . . . , (X − a)n est génératrice de K n [X ] d’après la formule de
¡ ¢

Taylor et puisque elle est libre alors c ’est une base K n [X ]

[Link] page:2/ 23
PSI Rappels d’ algèbre linéaire

3. (1, 1), (0, 1), (0, 1) est génératrice de R2 puisque ∀ (x, y) ∈ R2 , (x, y) = x(1, 0) + y(0, 1) + 0 · (1, 1). Par
¡ ¢

contre, elle n’est pas libre puisque (1, 1) = (0, 1) + (0, 1)

4. Soit a 1 < · · · < a n des réels et soit f i : x 7→ | x − a i | pour i ∈ [[1, n]].
La famille f 1 , . . . , f n est libre dans C 0 (R)
¡ ¢
n
En effet, soit λ1 , . . . λn ∈ R, tels que
X
λk f i = 0 c ’est - à - dire
k=1

n
∀ x ∈ R,
X
λk | x − a k | = 0 (1)
k=1

nX
−1
On a alors ∀ x > a n−1 , λk (x − a k ) = −λn | x − a n |
k=1
Mais le terme de gauche est dérivable en a n mais pas la fonction f n . Donc λn = 0.
On termine par récurrence.

Théorème 1.2 (théorème de la base incomplète). Soit E de dimension n 6= 0 et soit p ∈ [[1, n − 1]]. Soit
(e 1 , . . . e p ) une famille libre.
Il existe n − p vecteurs notés (e p+1 , . . . e n ) tels que (e 1 , . . . e n ) soit une base de E.

Proposition 1.3. Soit E un espace vectoriel de dimension , dim E = n

• Une famille G génératrice à au moins n éléments. c.a.d Card(G ) ≥ n
• Une famille génératrice qui a exactement n éléments est une base.
• Une famille libre L à au plus n éléments. c.a.d Card(L ) ≤ n
• Une famille libre qui a exactement n éléments est une base.

Proposition 1.4. Soit E un espace vectoriel de dimension , dim E = n et soit B une famille de E telle
que Card(B ) = n. Alors

B génératrice ⇐⇒ B libre ⇐⇒ B base

1. β = (1, 1, 1), (1, 1, 0), (1, 0, 0) est une base de R3 .

¡ ¢
Exemples 1.2.
En effet, on montre aisément qu’elle est libre et elle est de cardinal 3.
2. Soit (a 0 , a 1 , . . . , a n ), deux à deux distincts. Pour i ∈ [[0, n]], on note

(X − a 0 ) · · · (X − a i−1 )(X − a i+1 ) · · · (X − a n ) n (X − a )

Y j
Li = =
(a i − a 0 ) · · · (a i − a i−1 )(a i − a i+1 ) · · · (a i − a n ) j=0 (a i − a j )
j 6= i

n
(L 0 , . . . L n ) est une base de K n [X ]. En effet , λ1 , . . . λn ∈ R, tels que
X
λ i L i = 0.
i =0
n
X
On a ∀ x ∈ K, λ i L i (x) = 0. Notamment pour x = a j ( j ∈ [[1, n]]), il vient λ j = 0 puisque L i (a j ) = δ i, j .
i =0
La famille est donc libre et comme Card{L 0 , . . . , L n } = n + 1 = dim K n [X ], on en déduit le résultat.

Remarque 1.2. L i est appelé i ème polynôme d’interpolation de Lagrange associé à (a 0 , a 1 , . . . , a n )

[Link] page:3/ 23
PSI Rappels d’ algèbre linéaire

Proposition 1.5. Soient F,G deux sous espaces vectoriels de E

• F ⊂ G ⇒ dim F ≤ dimG.
• Si F ⊂ G et dim F = dimG alors F = G.

Proposition 1.6. Si E et F sont de dimension finie.

— dim E × F = dim E + dim F. Notamment dim K n = n.
— dim L(E, F) = dim E × dim F
— dim M np (K) = np
— dim K n [X ] = n + 1

1.3 Rang de n vecteurs

Définition 1.3. On appelle rang de n vecteurs (e 1 , e 2 , . . . , e n ) l’entier positif défini par

rg(e 1 , e 2 , . . . , e n ) = dim Vect(e 1 , e 2 , . . . , e n )

¡ ¢
Exemple 1.3. (e 1 , e 2 , e 3 ) = (1, 2, 3), (2, 3, 4), (3, 5, 7) .
rg(e 1 , e 2 , e 3 ) = rg(e 1 , e 2 ) = 2 puisque e 3 = e 1 + e 2 et que (e 1 , e 2 ) est libre.

Proposition 1.7. Soit (e 1 , e 2 , . . . , e q ) des vecteurs de E

— rg(e 1 , e 2 , . . . , e q ) ≤ q et rg(e 1 , e 2 , . . . , e q ) ≤ dim E.
— rg(e 1 , e 2 , . . . , e q ) = q si et seulement si (e 1 , e 2 , . . . , e q ) est libre.
Notamment, rg(e 1 , e 2 , . . . , e q ) < q si et seulement si la famille est liée.
— rg(e 1 , e 2 , . . . , e q ) = dim E si et seulement si (e 1 , e 2 , . . . , e q ) est génératrice de E

1.4 Somme de deux sous espaces vectoriels - Sous espaces supplémentaires

Définition 1.4. Soit F et G deux sous-espaces vectoriels de E. On appelle somme de F et G, le sous espace
vectoriel de E definie par :

F +G = {f + g | f ∈ F, g ∈ G } = { x ∈ E | ∃ ( f , g) ∈ F × G, x = f + g}

Exemple 1.4. Dans K[X ], Vect(1) + Vect(X ) = K 1 [X ]

Définition 1.5. On dit que la somme F + G est directe si F ∩ G = {0}

On écrit alors F + G = F ⊕ G.

[Link] page:4/ 23
PSI Rappels d’ algèbre linéaire

Proposition 1.8. Les propositions suivantes sont équivalentes

1. F et G sont en somme directe.
2. ∀ ( f , g) ∈ F × G, f + g = 0 =⇒ f = g = 0.
3. tout élément x de F + G se décompose de manière unique sous la forme x = f + g avec f ∈ F et g ∈ G
c ’est - à - dire
∀ x ∈ F + G, ∃ ! ( f , g) ∈ F × G | x = f + g

Preuve :

• 1 =⇒ 2 : Soit ( f , g) ∈ F × G tel que f + g = 0.

On a alors f = − g mais comme G étant un espace vectoriel , − g ∈ G. Donc f ∈ F ∩ G d’où f = g = 0.

• 2 =⇒ 3 : Soit x ∈ F + G. Par définition de F + G, ∃ ( f , g) ∈ F × G, x = f + g. Montrons l’unicité :

Soit ( f , g), ( f 0 , g0 ) ∈ F × G tq x = f + g = f 0 + g0 . On a alors ( f − f 0 ) + (g − g0 ) = 0.
| {z } | {z }
∈F ∈G
0 0
Par hypothèse, f − f = 0 et g − g = 0

• 3 =⇒ 1 : Soit x ∈ F ∩ G. x = |{z}
x + |{z}
0 = |{z} x .
0 + |{z}
∈F ∈G ∈F ∈G
Par unicité de la décomposition dans F + G, x = 0.

Définition 1.6. On dit que F et G sont supplémentaires dans E si E = F ⊕ G ou encore

∀ x ∈ E, ∃ ! ( f , g) ∈ F × G, x = f + g

Attention 1.1. Un espace vectoriel a en général une infinité de supplémentaires.

Ne pas confondre la notion de supplémentaire avec celle de complémentaire.

Exemple 1.5. Dans E = F (R, R), l’ensemble P des fonctions paires et l’ensemble I des fonctions impaires
sont supplémentaires.
En effet :Soit f ∈ F (R, R)
Analyse : Supposons que f = p + i avec p paire et i impaire.
Alors ∀ x ∈ R, f (x) = p(x) + i(x). Notamment ∀ x ∈ R, f (− x) = p(− x) + i(− x) = p(x) − i(x). En soustrayant les deux équations, on a

f (x) + f (− x) f (x) − f (− x)
∀ x ∈ R, p(x) = et i(x) = .
2 2
Si p et i existent, ils sont déterminées de façon uniques par la méthode ci dessus.

synthèse Soient p et i définis comme ci dessus.

On vérifie aisément que p est paire, que i est impaire et que i + p = f
Bilan : ∀ f ∈ F (R, R), ∃ !(p, i) ∈ P ×, f = p + i.

Proposition 1.9. En dimension finie, tout sous-espace vectoriel de F, admet un supplémentaire.

[Link] page:5/ 23
PSI Rappels d’ algèbre linéaire

Preuve : Si F = E, il suffit de poser G = {0}, et inversement G = E si F = {0}.

Sinon, soit (e 1 , . . . e p ) une base de F. C’est notamment une famille libre de E. D’après le théorème de la base incomplète, il existe
n − p vecteurs notés (e p+1 , . . . e n ) tels que (e 1 , . . . e n ) soit une base de E.
Il suffit de poser G = Vect(e p+1 , . . . e n ).

Théorème 1.3. (Dimension de la somme)

1. dim(F + G) = dim F + dimG − dim F ∩ G
2. dim(F ⊕ G) = dim F + dimG.

2 Rappels sur les applications linéaires

2.1 Généralités

Définition 2.1. f : E −→ F est linéaire (sur le corps K) si, et seulement si

∀ (λ, µ) ∈ K 2 , ∀ (x, y) ∈ E 2 , f (λ x + µ y) = λ f (x) + µ f (y)

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

De plus
— Si F = E, on dit que f est un endomorphisme.
On note L(E) l’ensemble des endomorphismes
— Si f est bijective ont dit que c’est un isomorphisme.
— Si f est un automorphisme bijectif, on dit que c’est un automomorphisme.
L’ensemble des automorphismes est appelé groupe linéaire et est noté GL(E)

Notation 2.1. f : E −→ F linéaire , on note

ker f = { x ∈ E | f (x) = 0}
Im f = f (E) = { y ∈ F |∃ x ∈ E, y = f (x)}

Proposition 2.1. f : E −→ F linéaire , alors

1. ker f est un sous espace vectoriel de E.
2. Im f est un sous espace vectoriel de F.
3. f est surjective si et seulement si Im f = F
4. f est injective si et seulement si ker f = {0}

[Link] page:6/ 23
PSI Rappels d’ algèbre linéaire

2.2 Projecteurs et symétries

Définition 2.2. Soit F,G deux sous espaces vectoriels supplémentaires de E.

1. La projection P FG sur F parallèlement à G est l’endomorphisme de E définie pour tout x = x1 + x2
de E tel que (x1 , x2 ) ∈ F × G par
P FG (x) = x1

2. La symétrie S FG par rapport à F parallèlement à G est l’endomorphisme de E définie pour tout

x = x1 + x2 de E tel que (x1 , x2 ) ∈ F × G par

S FG (x) = x1 − x2

Proposition 2.2. Soit F,G deux sous espaces vectoriels supplémentaires de E.

2
1. ImP FG = F; ker P FG = G; P FG = P FG .
2. S FG est un isomorphisme involutif de E, c’est à dire S 2FG = I d E .

Définition 2.3. 1. Un projecteur de E est un endomorphisme pde E qui vérifie : p2 = p

2. Une symétrie de E est un endomorphisme sde E qui vérifie : s2 = I d E

2.3 Rang d’une application linéaire

Définition 2.4. Soit f ∈ L(E, F), on suppose Im f de dimension finie. On appelle rang de f , l’entier

rg f = dim (Im f ) .

Si β = (e 1 , . . . , e n ) est une base de E on a aussi

rg f = dim Vect{ f (e 1 ), . . . , f (e n )}

Proposition 2.3. Soit f ∈ L(E, F) où E et F sont de dimensions finies

¡ ¢
1. rg f ≤ min dim E, dim F
2. f surjective si et seulement si rg f = dim F
3. f injective si et seulement si rg f = dim E

Proposition 2.4. Soit f ∈ L(E, F) et soit deux isomorphismes h : H → E et g : F → G.

¡ ¢ ¡ ¢ ¡ ¢ ¡ ¢
rg f ◦ h = rg f et rg g ◦ f = rg f

“Le rang est invariant par composition avec un isomorphisme".

[Link] page:7/ 23
PSI Rappels d’ algèbre linéaire

Preuve :
¡ ¢
— h(H) = E donc f h(H) = f ◦ h(H) = f (E) d’où l’égalité des dimensions. ¡ ¢
— Comme g est un isomorphisme de F vers G, alors f (E) est un sous-espace vectoriel de F et on a dim g f (E) = dim f (E)
d’où rg g ◦ f = dim g ◦ f (E) = dim f (E) = rg f .

Remarque 2.1. En fait, on a d’une façon plus générale

rg( f ◦ g) ≤ min(rg f , rg g)
¡ ¢
car Im f ◦ g ⊂ Im f et que dim f (Img) ≤ dim Img par exemple avec le théorème du rang (ou puisque si
¡ ¢
(g 1 , g 2 , . . . , g n ) est une base de Img alors f (g 1 ), f (g 2 ), . . . , f (g n ) est génératrice de Im f |Im g ou de Im f ◦ g ).

2.4 Théorème du rang

Ce théorème est fondamental :

Théorème 2.1 (théorème du rang). Soient E de dimension finie et f ∈ L(E, F)

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

Remarque 2.2. Notamment dim(Im f ) ≤ dim E (espace de départ).

Théorème 2.2. Soient E et F deux espaces vectoriels tel que dim E = dim F < +∞ .
Soit f ∈ L(E, F). les propositions suivantes sont équivalentes :
1. f est bijective.
2. f est injective.
3. f est surjective.

Remarque 2.3. L’hypothèse dim E = dim F est notamment vérifiée pour f ∈ L(E).

Théorème 2.3. 1. Soit f ∈ L(E, F). L’image d’une base de E par f est génératrice de Im f
2. l’image d’une (de toute) base de E est une base de Im f si et seulement si f est un isomorphisme de
E vers Im f

Exercice 1. L : R2 [X ] → R3 [X ] définie par Φ(P) = (X 2 − 1)P 0 − (X + 1)P.

Φ est elle injective, surjective ? Donner en une base de ImΦ

[Link] page:8/ 23
PSI Rappels d’ algèbre linéaire

Solution : Φ ne peut être surjective puisque dim R2 [X ] < dim R3 [X ].

−1 −1 0
 
−1 −1 −2
Méthode 1 : La matrice de Φ relativement aux bases canoniques est A = 
0

0 −1
0 0 1
Cette matrice étant de rang 2 on en déduit que rg f = 2 (On retrouve ainsi que Φ n’est pas surjective puisque rg Φ 6= dim R3 [X ].)
D’après le théorème du rang, dim ker Φ = dim R3 [X ] − rg Φ = 1. Ainsi, ker Φ 6= {0} et Φ n’est pas injective.
Une base de l’image est donc constituée de deux vecteurs.
Or Φ(1), Φ(X 2 ) = (−1 − X , X 3 − X 2 − 2X ) est libre dans l’image. C’est donc une base de ImΦ puisque de plus Card Φ(1), Φ(X 2 ) =
¡ ¢ © ª

2 = rg Φ.
Méthode 2 (par le noyau) : Soit P = a + bX + cX 2 ∈ R2 [X ].

P ∈ ker Φ ⇐⇒ Φ(P) = 0
0
 
a
 
0
⇐⇒ A  b = 
0

c
0
⇐⇒ cX 3 − cX 2 − (2c + a + b)X − (a + b) = 0
⇐⇒ a = − b et c = 0
⇐⇒ P = a(X − 1)
⇐⇒ P ∈ Vect(X − 1)

Ainsi ker Φ = Vect(X − 1). Φ n’est donc pas injective.

Le théorème du rang entraîne alors rg Φ = 2. Comme Φ(1), Φ(X ), Φ(X 2 ) est génératrice de l’image (car c’est l’image d’une base)
¡ ¢

elle contient une base Il suffit d’en extraire une famille libre et on retrouve le résultat précédent.
Méthode 3 : Φ(1), Φ(X ), Φ(X 2 ) est génératrice de l’image (car c’est l’image d’une base). Or on constate que Φ(1) est engendré
¡ ¢

par Φ(X ), Φ(X 2 ) car Φ(1) = Φ(X ) . On en déduit que ImΦ = Vect Φ(1), Φ(X ), Φ(X 2 ) = Vect Φ(X ), Φ(X 2 )
¡ ¢ ¡ ¢ ¡ ¢ ¡ ¢

La famille Φ(X ), Φ(X 2 ) est donc génératrice de ImΦ. C’est une base puisqu’elle est de plus libre.
¡ ¢

3 Rappels sur les matrices

3.1 L’espace M np (K) - L’algèbre M n (K)

M np (K) est un espace vectoriel de dimension np pour la somme et la multiplications par un scalaire définie par : A + B = (a i j + b i j )
et λ A = (λa i j ) pour tout A, B . La base canonique est donée par :

Proposition 3.1. Soit E i, j la matrice dont tous les coefficients sont nuls sauf celui à la i-ème ligne et j-ème colonne :

0
 

E i, j =




0

0··· 0
..

1
.
0
0
···




0

← i

0 0
 
..
 
 
 . 
0
↑
j

(E i, j ) 1≤ i≤n est une base appelée base canonique de Mnp (K).

1≤ j ≤ p

Démonstration : (E i, j )1≤k≤n est génératrice car :

1≤ l ≤ p

¡ ¢ X p
n X
a i, j 1≤ i≤n = a i, j E i, j
1≤ j ≤ p i =1 j =1

[Link] page:9/ 23
PSI Rappels d’ algèbre linéaire

(E i, j ) 1≤ i≤n est libre car :

1≤ j ≤ p
p
n X
X
λ i, j E i, j = 0 =⇒ ∀ i, j, λ i, j = 0
i =1 j =1

C.Q.F.D

µ ¶
a b c
Exemple 3.1. = aE 1,1 + bE 1,2 + cE 1,3 + dE 2,1 + eE 2,2 + f E 2,3
d e f

Définition 3.1. Produit de deux matrices :

Soient A ∈ Mn,p , et B ∈ M p,m (K), le produit de A et B est la matirce C = AB = (c i, j ) i, j ∈ Mn,m avec

p
X
c i, j = a i,k b k, j
k=1

Propriétés 3.1. 1. Le produit matriciel est bilinéaire . cest à dire , si les produits sont bien définis,
on a
A(λB + µC) = λ AB + µ AC et (λB + µC)A = λBA + µC A

2. Le produit matriciel est associative , c’eat à dire , si les produits sont bien définis, on a

(AB)C = A(BC)

Attention 3.1. On rappelle que, lorsque les produits sont définis

— AB 6= BA, en général
— On peut avoir AB = 0 avec A 6= 0 et B 6= 0

Proposition 3.2. Le produit (lorsqu’il existe) de matrices triangulaires supérieures A et B (respective-

ment inférieures) est encore triangulaire supérieure (respectivement inférieure ) ; les coefficients sur la
diagonale seront les a i,i b i,i
Notamment le produit de matrices diagonales est une matrice diagonale.

 
x1
 x2 
 
Remarque 3.1. Notons C 1 , C 2 , . . . , C p les colonnes de A et X = 
 .. . Alors

 . 
xp
p
X
1. A X = xjC j
j =1
2. Si B et une matrice telle que BA est défini alors les colonnes de BA sont BC 1 , BC 2 , . . . , BC p

[Link] page:10/ 23
PSI Rappels d’ algèbre linéaire

p
X 
  a x
1, j j 
a 1, j

 j =1
p p

X X  .   .

En effet, xjC j = x j  ..  =  ..  = AX
   
j =1 j =1
 
a n, j
X p 
a n, j x j
 
j =1

Proposition 3.3.
E i j .E kl = δ jk E il

Exercice 2. Déterminer toutes les matrices A ∈ M n (K) telle que A X = X A pour tout matrice X ∈ M n (K).

3.2 Transposée de matrice

Définition 3.2. Soit A = a i, j 1≤ i≤n ∈ Mnp (K) . On appelle la matrice transposée de A la matrice t A =
¡ ¢
1≤ j ≤ p
b i, j 1≤ i≤ p ∈ Mpn (K) définie par :
¡ ¢
1≤ j ≤ n

∀ i ∈ [[1, p]] , ∀ j ∈ [[1, n]] b i, j = a j,i

t
Propriétés 3.2. 1. ∀ A, B ∈ Mnp (K) ∀λ ∈ K; (A + λB) = t A + λ t B (La transposition est linéaire)
t t t
2. ∀ A ∈ Mnp (K) ∀B ∈ M pq k; (AB) = B. A (Attention à l’ordre de matrices)
t t
3. ∀ A ∈ Mnp (K); ( A) = A
4. Si A ∈ GL n (K) alors t A ∈ GL n (K) et on a ( t A)−1 = t (A −1 )

Définition 3.3. Soit A Mn (K)

1. On dit que A est symétrique si t A = A . L’ensemble des matrice symétriques d’ordre n est noté
S n ( K)
2. On dit que A est antisymétrique si t A = − A . L’ensemble des matrice antisymétrique d’ordre n est
noté An (K)

Proposition 3.4. S n (K) et An (K) sont deux sous espaces supplémentaires dans Mn (K) et on a

n(n + 1) n(n − 1)
dim S n (K) = dim An (K) =
2 2

[Link] page:11/ 23
PSI Rappels d’ algèbre linéaire

3.3 Matrice d’une famille de vecteurs - Matrice d’ une application linéaire

Définition 3.4. On suppose que dim E = n , considérons la base β = (e 1 , e 2 , . . . , e n ) de E.

n
X
Soit x1 , x2 , . . . , x p p vecteurs de E définis par leurs coordonnées x j = a i, j e i .
i =1
On appelle matrice dans la base β des p vecteurs x1 , x2 , . . . , x p la matrice :
 
a 1,1 a 1,2 · · · a 1,n
 a 2,1 a 2,2 · · · a 2,n 
 
 ∈ Mnp (K)
¡ ¢
Matβ (x1 , x2 , . . . , x p ) = a i, j 1≤ i≤n =  .
 .. .. .. 
1≤ j ≤ p  .. . . . 
a n,1 a n,2 ··· a n,n

Remarque 3.2. La k - ieme colonne est constitué des coordonnées de xk dans la base β
Exemple 3.2. Dans R3 muni de la base canonique C , on considère les vecteur u = (1, 2, 3) et v = (4, 5, 6)
alors
1 4
 

Mat(u, v) = 2
 5
C
3 6

Définition 3.5. On suppose que dim E = p et dim F = n , considérons la base β = (e 1 , e 2 , . . . , e p ) deE et la

base β0 = (e01 , e 2 , . . . , e0n ) deF.
Soit f ∈ L (E, F) une application linéaire telle que :
n
a i, j e0i
X
∀ j ∈ [[1, p]] ; f (e j ) =
i =1

On appelle matrice de la base β dans la base β0 de f la matrice :

 
a 1,1 a 1,2 · · · a 1,n
 a 2,1 a 2,2 · · · a 2,n 
 
 ∈ Mnp (K)
¡ ¢
Matβ,β0 ( f ) = a i, j 1≤ i≤n = 
 .. .. .. .. 
1≤ j ≤ p  . . . . 
a n,1 a n,2 ··· a n,n

Remarques 3.1. 1.
¡ ¢
Matβ,β0 ( f ) = Mat f (e 1 ), f (e 2 ), . . . , f (e p )
0 β

2. La k - ieme colonne est constitué des coordonnées de f (e k ) dans la base β0

Exemple 3.3. Soit
f : R2 [X ] → R3 [X ]
P 7→ X P(X + 1)

On a 

 f (1) = X
f (X ) = X + X2
f (X 2 ) = X + 2X 2 + X 3



Donc la matrice de f relativement aux bases canoniques C, C 0 de R2 [X ] et R3 [X ] respectivement , est

[Link] page:12/ 23
PSI Rappels d’ algèbre linéaire

 
0 0 0
1 1 1
MatC,C 0 ( f ) = 
 
0 1 2

0 0 1

Théorème 3.1 (Écriture matricielle de f (x) = y). On suppose que dim E = p et dim F = n , considérons
la base β = (e 1 , e 2 , . . . , e p ) deE et la base β0 = (e01 , e 2 , . . . , e0n ) deF.
Soit f ∈ L (E, F) une application linéaire telle que : A = Matβ,β0 ( f ).
Pour x ∈ E on pose X la matrice colonne des coordonnées de x dans β et Y la matrice colonne des coordon-
nées de f (x) dans β0 . Alors
Y = AX

Théorème 3.2. Soient E, F et G des espaces vectoriels de bases respectives β, β0 et β00 .

1. Si f , g ∈ L (E, F) alors
Matβ,β0 ( f ) = Matβ,β0 (g) ⇔ f = g

2. Si f , g ∈ L (E, F) et λ ∈ K alors

Matβ,β0 ( f + λ g) = Matβ,β0 ( f ) + λMatβ,β0 (g)

3. Si f ∈ L (E, F) , et g ∈ L (F,G) alors

Matβ,β00 (g ◦ f ) = Matβ0 ,β00 (g).Matβ,β0 ( f )

4. Si f ∈ L (E) , alors
¢n
Matβ ( f n ) = Matβ ( f )
¡

5. Si f ∈ GL(E) , alors Matβ ( f ) ∈ GL n (K) et on a :

¢−1
Matβ ( f −1 ) = Matβ ( f )
¡

Remarque 3.3. Si dim E = p et dim F = n , de bases respectives β, β0 . Alors l’application

L (E, F) → Mnp (K)

f 7 → Matβ,β0 ( f )

est un isomorphisme d’espace vectoriel

En particulier :
• pour toute matrice A ∈ Mnp (K) il existe une unique application linéaire f ∈ L (K p , Kn )telle que la matrice
de f relativement aux bases canoniques est égale à A . f s’appelle l’application linéaire canoniquement
associée à A
• pour toute matrice A ∈ Mn (K) il existe un unique endomorphisme f ∈ L (Kn )telle que la matrice de f
relativement à la base canoniques est égale à A . f s’ appelle l’ endomorphisme canoniquement associée à
A

[Link] page:13/ 23
PSI Rappels d’ algèbre linéaire

Théorème 3.3. Soit A ∈ Mnp (K) .Alors

rg(A) = rg(C 1 , . . . , C p ) = rg(L 1 , . . . , L p ) = rg( f )

Où :

• (C 1 , . . . , C p ) les colonnes de A
• (L 1 , . . . , L n ) les lignes de A
• f une application linéaire associée à A

3.4 Changement de base

β0
Définition 3.6. La matrice de passage Pβ d’une base β à une base β0 = (e01 , e02 , . . . e0n ) est la matrice

β0
Pβ = Mat(β0 )
β

dont la j-ième colonne est constituée des coordonnées de e0j dans β

β0
Remarque 3.4. Par définition, on a Pβ = Matβ0 ,β (IdE ).
C’est donc une matrice carrée inversible

Théorème 3.4. Soient β et β0 deux bases de E et soit x ∈ E.

 0
x1 x1
 
 ..   .. 
On désigne par X =  .  les coordonnées de x dans β et X =  .  celles de x dans la base β0 . On a
0

xn x0n
β0
X = Pβ X 0

Rappels : y = f (x) ⇐⇒ Y = A X où A = Matβ,β0 f , .

Théorème 3.5. Soient β et β0 deux bases de E et soit f ∈ L(E).

β0
On note P = Pβ , A = Matβ f et B = Matβ0 f . On a

B = P −1 AP

Preuve : Soit x un vecteur de E et soit y = f (x). On considère alors les matrices colonnes X et X 0 constituées des coordonnées
respective de x relativement aux bases β et β0 , et les matrices colonnes Y et Y 0 constituées des coordonnées respective de y = f (x)
relativement aux bases β et β0
y = f (x) ⇐⇒ AX = Y
On a X = P X 0 et Y = PY 0 donc : ⇐⇒ ³ ´ AP X 0 = PY 0
P −1 AP X 0 = Y 0 = BX 0
¡ ¢
⇐⇒ car P est inversible

[Link] page:14/ 23
PSI Rappels d’ algèbre linéaire

Ceci étant vrai pour tout vecteur x ∈ E, l’unicité de la matrice d’un endomorphisme dans une base nous donne B = P −1 AP.

Attention 3.2. AB = AC n’entraîne pas B = C (même avec A 6= 0)

plus généralement, on a :

Théorème 3.6. Soient β et β0 deux bases de E, γ et γ0 deux bases de F et soit f ∈ L(E, F).
β0 γ0
On note P = Pβ , Q = Pγ , A = Matβ,γ f et B = Matβ0 ,γ0 f . On a

B = Q −1 AP

4 Rappels sur les déterminants

4.1 Calcul du déterminant d’une matrice

4.1.1 Développement suivant une ligne ou une colonne

Définition 4.1. On appelle mineur d’ordre i, j d’une matrice carrée A, le déterminant ∆ i, j obtenu en
supprimant la ième ligne et j-ième colonne de A.

1 2 3
 

Exemple 4.1. A = 0 1 4
0 0 5
¯ ¯ ¯ ¯ ¯ ¯
¯1 4¯ ¯0 4¯¯ ¯0 1¯¯
∆1,1 = ¯ ¯ ¯ = 5 ∆1,2 = ¯¯ =0 ∆1,3 = ¯¯ =0
0 5¯ 0 5¯ 0 0¯
¯ ¯ ¯ ¯ ¯ ¯
¯2 3¯
¯ = 10 ∆2,2 = ¯1 3¯¯ ¯1 2¯¯
∆2,1 = ¯¯ ∆2,3 = ¯¯
¯
=5 =0
0 5¯ ¯0 5¯ 0 0¯
¯ ¯ ¯ ¯ ¯ ¯
¯2 3¯
¯ = 5 ∆3,2 = ¯1 3¯¯ ¯1 2¯¯
∆3,1 = ¯¯ ∆3,3 = ¯¯
¯
=4 =1
1 4¯ ¯0 4¯ 0 1¯

Définition 4.2. Soit A = a i, j 1≤ i≤n ∈ Mn (K) :

¡ ¢
1≤ j ≤ n
1. Développement suivant la j-ème colonne :
n
a i, j (−1) i+ j ∆ i, j .
X
∀ j ∈ [[1, n]] , det A = (2)
i =1

2. Développement suivant la i-ème ligne :

n
a i, j (−1) i+ j ∆ i, j .
X
∀ i ∈ [[1, n]] , det A = (3)
j =1

[Link] page:15/ 23
PSI Rappels d’ algèbre linéaire

Remarque 4.1. On obtient le signe (−1) i+ j dans l’expression du cofacteur d’ordre (i, j) en examinant le
“damier”
+ − + ... ...
− + − ... ...
+ − + ... ...
.. .. .. ..
. . . .
.. .. .. ..
. . . .

En particulier, les coefficients diagonaux sont toujours affectés d’un signe +.

Exemple 4.2.
¯ ¯
¯ x1 y1 z1 ¯¯ ¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ y2 z2 ¯¯ ¯ y1 z1 ¯¯ ¯ y1 z1 ¯¯
¯ x2 y2 z2 ¯¯ = x1 ¯¯ − x 2¯
¯ + x3¯
¯
¯
¯x y3 z3 ¯ y3 z3 ¯ y2 z2 ¯
3 y3 z3 ¯
= x1 y2 z3 + x2 y3 z1 + x3 y1 z2 − x3 y2 z1 − x1 y3 z2 − y1 x2 z3 .

n
Proposition 4.1. Si A = a i, j 1≤ i≤n est une matrice triangulaire de Mn (K) alors det A =
¡ ¢ Y
a kk .
1≤ j ≤ n k=1

 
0
 .. 
Preuve : Comme det A = det t A il suffit de se ramener au cas des matrices triangulaires inférieures. On a A =  A0 .
 
∈

 0 
∗ ··· ∗ a n,n
Mn (K) où A 0 ∈ Mn−1 (K)
En développant par rapport à la dernière colonne det A = a n,n det A où A 0 est encore triangulaire inférieure. Le résultat est alors
immédiat par récurrence.

4.1.2 Opération des matrices et déterminants

Proposition 4.2. 1. ∀ A, B ∈ Mn (K), det(AB) = det A × det B.

2. ∀ A ∈ Mn (K) on a det t A = det A.
¡ ¢

3. ∀ A ∈ Mn (K), ∀ λ ∈ K, det(λ A) = λn det(A)

Attention 4.1. det(A + B) 6= det(A) + det(B)

[Link] page:16/ 23
PSI Rappels d’ algèbre linéaire

4.1.3 Opérations élémentaires et déterminant

Les regles suivants sont efficaces dans le calcule des déterminant

1. On multiplie le déterminant par −1 en permutant deux de ses lignes (ou deux de ses colonnes).
2. On ne change pas le déterminant en ajoutant à une colonne (resp. à un ligne) une combinaison
linéaires des autres colonnes (resp. des autres lignes)
3. On multiplie le déterminant par λ, en multipliant une ligne ou une colonne par λ.
4. Un déterminant qui à deux lignes (ou deux colonnes) identiques est nul.
5. Un déterminant qui à une ligne ou une colonne formée de 0 est nul.
6. Un déterminant dont une colonne (resp. une ligne) est combinaison linéaire des autres colonnes
(resp. des autres lignes) est nul.
Remarque 4.2. Pour calculer un déterminant, on tente de faire apparaître le plus de zéros possible par
opérations élémentaires, puis on développe par rapport à la qui contient le plus de zéros

4.1.4 Exemples de calcule de déterminants

1 2 1
1. 1 2 2 est nul puisque la matrice à deux colonnes proportionnelles.
1 2 3
1 2 3
2. 2 3 4 est nul puisque la deuxième ligne est la demi somme des deux autres.
3 4 5
¯ ¯
¯101 127 72¯
3. Calcul de ∆ = ¯¯ 25
¯ ¯
32 18¯¯
¯ 68 −23 15¯
En effectuant L 1 ← L 1 − 4L 2 puis C 1 ← C 1 + C 2 on obtient
¯ ¯ ¯ ¯ ¯ ¯
¯101 127 72¯ ¯ 1 −1 0 ¯¯ ¯¯ 0 −1 0 ¯¯
∆ = ¯¯ 25
¯ ¯ ¯
32 18¯¯ = ¯¯25 32 18¯¯ = ¯¯57 −32 18¯¯
¯ 68 −23 15¯ ¯68 −23 15¯ ¯45 −23 15¯

En développant par rapport à la première ligne puis en effectuant C 1 ← C 1 − 3C 2 , on a :

¯ ¯ ¯ ¯ ¯ ¯
¯57 18¯ ¯19 18¯ ¯19 18¯
∆=¯
¯ ¯ = 3¯
¯ ¯ = 45 ¯
¯ ¯ = 45.
45 15¯ 15 15¯ 1 1¯
¯ ¯
¯ 1 0 1 1¯
¯ ¯
¯ 1 1 3 0¯
4. Soit A = ¯
¯ ¯
¯−1 2 0 1¯
¯
¯ ¯
¯ 0 0 1 0¯
Le développement de det A par rapport à la troisième ligne puis C 3 ←− C 3 − C 1 donne :
¯ ¯ ¯ ¯
¯ 1 0 1¯ ¯ 1 0 0¯ ¯ ¯
¯ ¯ ¯ ¯ ¯1 2¯
det A = − ¯¯ 1 1 3¯¯ = ¯¯ 1 1 2¯¯ = ¯¯ ¯ = −3
¯−1 2 0¯ ¯−1 2 1¯ 2 1
¯

[Link] page:17/ 23
PSI Rappels d’ algèbre linéaire

5. Calculer le déterminant d’ordre n :

0
¯ ¯
¯ ¯
¯2 1
¯ ¯
¯
¯ ¯
¯1 2 1 ¯
¯ ¯
¯ .. .. ¯
D n = ¯¯ 1 . . ¯
¯
¯ .. ¯
¯
¯ . 2 1 ¯¯

0
¯ ¯
¯ ¯
¯ 1 2 ¯

En développant D n par rapport à sa première colonne, il vient

¯ ¯ ¯ ¯
¯2 1 ¯ ¯1 0 0 ¯
¯ ¯ ¯ ¯
¯
¯1 2
¯ 1 0 ¯
¯
¯
¯
¯1 2
¯ 1 0 ¯
¯
¯
¯ . . . . ¯ ¯ .. .. ¯
Dn = 2 ¯
¯ 1 . . ¯
¯ − ¯¯ 1 . . ¯
¯
¯ . .. 2 1 ¯
¯ ¯ .. ¯
¯
¯ ¯
¯
¯ . 2 1 ¯¯
¯
¯ 0 1 2 ¯
¯ ¯
¯
( n−1)
0 1
¯
2 ¯(n−1)

En redéveloppant le dernier déterminant par rapport à sa première ligne, on obtient

D n = 2D n−1 − D n−2

Avec D 1 = 2 et D 2 = 3, on obtient D n = n + 1
¯ ¯
¯1 2 3 4¯
¯ ¯
¯2 3 4 1¯
6. Calculons D = ¯
¯ ¯
¯3 4 1 2¯
¯
¯ ¯
¯4 1 2 3¯

¯ ¯
¯1 2 3 4¯¯ 1 2 3 4
¯
¯2 3 4 1¯¯ 0 −1 −2 −7 L 2 ← L 2 − 2L 1
D =¯ ¯ =
¯
¯3 4 1 2¯ 0 −2 −8 −10 L 3 ← L 3 − 3L 1
¯ ¯
¯4 1 2 3¯ 0 −7 −10 −13 L 4 ← L 4 − 4L 1
1 2 3 4
0 −1 −2 −7
=
0 0 −4 4 L 3 ← L 3 − 2L 2
0 0 4 36 L 4 ← L 4 − 7L 2

1 2 3 4
0 −1 −2 −7
=
0 0 −4 4
0 0 0 40 L4 ← L4 + L3

= 160

Attention 4.2. L’opération L i ←− L j − λL i multiplie le déterminant par −λ.

7. Un joli cas particulier est lorsque toutes les colonnes ou toute les lignes ont la même somme , on
procède comme dans cet exemple

[Link] page:18/ 23
PSI Rappels d’ algèbre linéaire

1 2 3 4 5
5 1 2 3 4
Calcul de ∆ = 4 5 1 2 3 . On a
3 4 5 1 2
2 3 4 5 1

15 15 15 15 15 L1 ← L1 + L2 + L3 + L4 + L5
5 1 2 3 4
∆ = 4 5 1 2 3
3 4 5 1 2
2 3 4 5 1
1 1 1 1 1
5 1 2 3 4
= 15 4 5 1 2 3
3 4 5 1 2
2 3 4 5 1

1 0 0 0 0
5 −4 1 1 1
= 15 4 1 −4 1 1
3 1 1 −4 1
2 1 1 1 −4

En ayant effectué tour à tour C 5 ← C 5 − C 4 , C 4 ← C 4 − C 3 , C 3 ← C 3 − C 2 et C 2 ← C 2 − C 1 .

On développe ensuite par rapport à la première ligne et on ajoute toute les lignes à la première :
¯ ¯ ¯ ¯ ¯ ¯
¯−4 1 1 1 ¯¯ ¯−1 −1 −1 −1¯ ¯−1 −1 −1 −1¯
¯ ¯ ¯ ¯ ¯
¯ 1 −4 1 1 ¯¯ ¯ 1 −4 1 1 ¯¯ ¯ 0 −5 0 0 ¯¯
∆ = 15 ¯ ¯ = 15 ¯ ¯ = 15 ¯
¯ ¯ ¯
¯1 1 −4 1 ¯ ¯1 1 −4 1 ¯ ¯0 0 −5 0 ¯
¯
¯ ¯ ¯ ¯ ¯ ¯
¯1 1 1 −4¯ ¯1 1 1 −4¯ ¯0 0 0 −5¯

Le déterminant est triangulaire. Ainsi

∆ = 15.53 = 1875.

Proposition 4.3 ( Déterminant de Van der Monde). Soit (a 0 , a 1 , . . . , a n ) des scalaires,

¯ ¯
¯1 1 . . . 1 ¯¯
¯
¯a
¯ 0 a1 . . . a n ¯
¯
¯ 2 2 2¯
V dm(a 0 , a 1 , . . . , a n ) = ¯¯ a 0 a 1 . . . a n ¯¯ =
Y
(a j − a i )
¯ .. .. .. ¯ 0≤ i< j≤n
¯ .
¯ n .n . ¯¯
¯a a 0 . . . an ¯
1 n

Ce determinant d’ordre n + 1 est appelée déterminant de Van der Monde.

Preuve : Si deux scalaires sont identiques, alors ce déterminant est nul. (deux colonnes identiques). Supposons désormais les
scalaires deux à deux distincts.
En effectuant tour à tour les opérations élémentaires L n ← L n − a 0 L n−1 , puis L n−1 ← L n−1 − a 0 L n−2 , . . . , L 3 ← L 3 − a 0 L 2 et
L 1 ← L 2 − a 0 L 1 on obtient :

[Link] page:19/ 23
PSI Rappels d’ algèbre linéaire

1 1 ... 1
0 a1 − a0 ... a n − a0
0 a21 − a 1 a 0 ... a2n − a n a 0
V dm(a 0 , a 1 , . . . , a n ) = .. .. ..
. . .
0 a 1n−1 − a 1n−2 a 0 ... a nn−1 a 0 − a nn−2 a 0
0 a 1n − a 1n−1 a 0 ... a nn a 0 − a nn−1 a 0

Puis en développant par rapport à la première colonne et en factorisant la i-ème colonne par (a i − a 0 ) on obtient

¯ ¯
¯1 1 ... 1 ¯¯
¯
¯ a1 a2 ... a n ¯¯
n ¯
¯ 2
V dm(a 0 , a 1 , . . . , a n ) =
Y
(a k − a 0 ) ¯¯ a 1 a22 ... a2n ¯¯
¯ .. .. .. ¯
¯
k=1 ¯ . . . ¯¯
¯a n a 2n a nn ¯
¯
1 ...
n
Y
= (a k − a 0 ) × V dm(a 1 , . . . , a n )
k=1

nY n
−1 Y Y
Ce qui donne par récurrence V dm(a 0 , a 1 , . . . , a n ) = (a j − a k ) = (a j − a i ).
j =0 k= i +1 0≤ i < j ≤ n

¯ ¯
¯1 1 ... 1 ¯¯
¯
¯x a1 ... a n ¯¯
¯
¯ 2 a21 a2n ¯¯
Autre : Considérons la fonction polynôme x 7→ V dm(x, a 1 , . . . , a n ) = ¯¯ x ...
¯ .. .. .. ¯
¯
¯ . . . ¯¯
¯xn a 1n a nn ¯
¯
...
En développant par rapport à la première colonne, on voit que le polynôme est de degré au plus n. Or il admet (a 1 , . . . , a n ) comme
racines distinctes, donc on a

∀ x ∈ K, V dm(x, a 1 , . . . , a n ) = λ(x − a 1 )(x − a 2 ) . . . (x − a n ) avec λ ∈ K.

c’est à dire
∀ x ∈ K, V dm(x, a 1 , . . . , a n ) = (−1)n λ(a 1 − x)(a 2 − x) . . . (a n − x).

De plus, en développant par rapport à la première colonne, le coefficient devant x n est λ = (−1)n+2 V dm(a 1 , . . . , a n ), d’où
n
Y
V dm(a 0 , a 1 , . . . , a n ) = (a k − a 0 ) × V dm(a 1 , . . . , a n )
k=1

4.2 Caractérisation des bases et des matrices inversibles

4.2.1 Déterminant de n vecteur dans une base

Définition 4.3. On suppose que dim E = n , considérons la base β = (e 1 , e 2 , . . . , e n ) de E.

n
X
Soit x1 , x2 , . . . , xn n vecteurs de E définis par leurs coordonnées x j = a i, j e i .
i =1
On appelle déterminant dans la base β des n vecteurs x1 , x2 , . . . , xn le scalaire
¯ ¯
¯a
¯ 1, 1 a 1, 2 · · · a 1,n ¯¯
¯ a 2, 1 a 2, 2 · · · a 2,n ¯
¯ ¯
detβ (x1 , x2 , . . . , xn ) = det Mat(x1 , x2 , . . . , xn ) = ¯¯ . .. .. .. ¯¯
β ¯ .. . . . ¯
¯ ¯
¯a n,1 a n,2 · · · a n,n ¯

[Link] page:20/ 23
PSI Rappels d’ algèbre linéaire

Remarque 4.3. Sous les notations usuelles, on a alors det A = det can (C 1 , . . . , C n )

Exemple 4.3. Soient e 1 = (1, 0, 1), e 2 = (0, 1, 1) et e 3 = (1, 1, 0).

rg(e 1 , e 2 , e 3 ) = 3 donc β = (e 1 , e 2 , e 3 ) est une base de R3 .
Soient x1 = (−1, 0, −1), x2 = (3, 3, 2) et x3 = (1, 2, 1).
On a x1 = − e 1 , x2 = e 1 + e 2 + 2e 3 et e 3 = e 2 + e 3 . (En utilisant X = P X 0 )
Alors ¯ ¯ ¯ ¯
¯−1 3 1¯ ¯−1 1 0¯
¯ ¯ ¯ ¯
det can (x1 , x2 , x3 ) = ¯¯ 0 3 2¯¯ = −2 et detβ (x1 , x2 , x3 ) = ¯¯ 0 1 1¯¯ = 1
¯−1 2 1¯ ¯ 0 2 1¯

Proposition 4.4. — Le déterminant est multilinéaire (ou n-linéaire) c ’est - à - dire qu’il est linéaire
par rapport à chacune de ses variables. Plus explicitement, pour i ∈ [[1, n]] , et (x1 , . . . , xn ) ∈ E n :
detβ (x1 , . . . , x i−1 , λa + µ b, x i+1 , . . . , xn ) = λ detβ (x1 , . . . , x i−1 , a, x i+1 , . . . , xn )
+µ detβ (x1 , . . . , x i−1 , b, x i+1 , . . . , xn )

— Le déterminant est antisymétrique (ou alternée) c ’est - à - dire qu’il change de signe si on inverse
deux vecteurs :

det(x1 , . . . , x i−1 , x i , x i+1 , . . . , x j−1 , x j , x j+1 , . . . xn ) = − det(x1 , . . . , x i−1 , x j ,x i+1 , . . . , x j−1 , x i , x j+1 , . . . xn ).
β β

Attention 4.3. Le déterminant n’est pas linéaire.

4.2.2 Caractérisation des bases

Théorème 4.1 (caractérisation des bases). dim E = n.

la famille (x1 , x2 , . . . , xn ) est une base si et seulement si detβ (x1 , x2 , . . . , xn ) 6= 0.

Corollaire 4.1. dim E = n.

la famille (x1 , x2 , . . . , xn ) est liée si et seulement si detβ (x1 , x2 , . . . , xn ) = 0.

Exemple 4.4. Soient x1 = (−1, 0, −1), x2 = (3, 3, 2) et x3 = (1, 2, 1).

det can (x1 , x2 , x3 ) = 2 6= 0, (x1 , x2 , x3 ) est donc une base de R3 .

Proposition 4.5 (caractérisation des matrices inversibles).

A ∈ GL n (K) ⇔ det A 6= 0

det A −1 = (det A)−1 .

¡ ¢
On a alors

[Link] page:21/ 23
PSI Rappels d’ algèbre linéaire

Corollaire 4.2. Deux matrices semblables ont le même déterminant.

1
Démonstration : det(P −1 AP) = det(P −1 ) det(A) det(P) = det(A) det(P) = det A
det(P)

C.Q.F.D

Remarque 4.4. La trace, le rang et le déterminant donnent des conditions nécessaires mais non suffi-
santes pour que deux matrices soient semblables

1 2 −1 5 −2 4
   

Exemples 4.1. 1. 0 3 1  et 0 0 1 ne sont pas semblables.

0 1 1 3 1 0
En effet, elles n’ont pas le même déterminant (mais bien la même trace.)
0 1 0 0 0 0
   

2. 0 0 1 et 0 0 1 ne sont pas semblables bien qu’elles aient le même déterminant et la même

0 0 0 0 0 0
trace. Elles n’ont en effet pas le même rang.
µ ¶ µ ¶
1 1 1 0
3. et ne sont pas semblables bien qu’elles aient le même déterminant, le même rang,la
0 1 0 1
même trace et même polynôme caractéristique
En effet si B = P −1 AP alors B − I 2 = P −1 (A − I 2 )P. Mais A − I 2 et B − I 2 n’ont pas le même rang.
(5/2 : En fait l’une est diagonalisable, l’autre pas).

4.2.3 Déterminant d’un endomorphisme

Définition 4.4. Soit β = (e 1 , e 2 , . . . , e n ) est une base quelconque de E. On appelle déterminant de l’endo-
morphisme f le scalaire det f = det A où A = Matβ ( f ). On a alors
¡ ¢
det f = detβ f (e 1 ), f (e 2 ), . . . , f (e n )

Corollaire 4.3 (caractérisation des automorphismes).

f est un isomorphisme ⇔ det f 6= 0

On a alors det( f −1 ) = (det f )−1

Preuve ¢: f est un isomorphisme si et seulement si l’image de toute base β de E est une base de E c ’est - à - dire si et seulement si det f =
detβ f (β) 6= 0.
¡

On aura alors ³ ´
det f det f −1 = det f ◦ f −1 = det IdE = 1

[Link] page:22/ 23
PSI Rappels d’ algèbre linéaire

4.3 Orientation

Définition 4.5. On dit que deux bases β et β0 d’un espace vectoriel E ont même orientation si detβ (β0 ) > 0

Orienter un espace vectoriel consiste à choisir une base de référence β. Les bases β0 seront dites directes
si elles ont la même orientation que β. Les autres bases seront dites indirectes.
¡ ¢
Exemples 4.2. 1. La base canonique E 1,1 , E 1,2 , E 2,1 , E 2,2 de est supposée directe.
La base β = E 1,2 − E 2,1 , E 1,1 , E 2,2 , E 1,2 + E 2,1 adaptée à An ⊕ S n = M2 (R) est une base directe car
¡ ¢

car ¯ ¯
¯ 0 1 0 0¯
¯ ¯
¯ 1 0 0 1¯
det can (β) = ¯ ¯=2>0
¯ ¯
¯−1 0 0 1¯
¯ ¯
¯ 0 0 1 0¯

2. En considérant β = (x 7→ e x , x 7→ e− x ) comme orientation directe de l’espace vectoriel des solution de

l’équation différentielle y00 − y = 0, alors la base (ch, sh) est indirecte puisque
¯1 1 ¯¯
2 ¯ = −1
¯
detβ (ch, sh) = ¯¯ 21 <0
2 − 21 ¯ 2

Remarque 4.5. Au passage, on a obtenu que (ch, sh) est bien une base de S 0 .

[Link] page:23/ 23