Polycopié du module d'algèbre

Filière PC

S. Ameziane et M. Moussa

Mars 2025
Table des matières
1 Espaces Vectoriels 2
1.1 Dénition de quelques structures algébriques . . . . . . . . . . . . . . . . . . . . 2
1.2 Sous espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Familles génératrices, libres, bases . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Dimension d'un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2 Applications linéaires & matrices 8
2.1 Dénitions et propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2 Image et noyau d'une application linéaire . . . . . . . . . . . . . . . . . . . . . . 9
2.3 Matrices : Dénitions et Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4 Matrice d'une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.5 Écriture matricielle d'une application linéaire . . . . . . . . . . . . . . . . . . . . 13
2.6 Changement de bases & matrice de passage . . . . . . . . . . . . . . . . . . . . 15

1
Chapitre 1
Espaces Vectoriels
1.1 Dénition de quelques structures algébriques
Dénition 1.1 Soit G un ensemble non vide, muni d'une loi de composition interne (l.c.i),
+ : G×G → G
notée ′ +′ , dénie de la façon suivante, (x, y) 7→ x + y
.
On dit que (G, +) est un groupe si,
1. la loi ′ +′ est associative, c.à.d, ∀x, y, z ∈ E , (x + y) + z = x + (y + z),
2. la loi ′ +′ admet un élément neutre qu'on note 0G , c.à.d, ∀x ∈ G, x + 0G = x + 0G = x,
3. Tout élément de G admet un symétrique (ou un opposé) pour la loi (+), ∀x ∈ G,
∃!x′ ∈ G, tel que x + x′ = x′ + x = 0G , on note souvent x′ = −x,
Si en plus, la loi (+) est commutative, c.à.d. ∀x, y ∈ G, x + y = y + x, on dit que le groupe est
commutatif.
Dénition 1.2 Soit K un ensemble non vide, muni de deux lois de composition internes,
notées respectivement ′ +′ et (×). On dit que (K, +, ×) est un corps si,
1. (K, +) est un groupe commutatif
2. K ∗ , × est un groupe, K ∗ = K\{0K },
3. la loi × est distributive par rapport à la loi +.
Si la deuxième loi est commutative, on dit que le corps K est commutatif. L'élément neutre de
la loi × est noté 1K .
Dénition 1.3 Soient K un corps commutatif et E un ensemble non vide. On appelle loi de
composition externe (l.c.e) entre K et E , toute application, notée ′ .′ , dénie de K × E dans E
. : K×E → E
de la façon suivante ; (λ, x) 7→ λ.x

Dénition 1.4 Soient K un corps commutatif et E un ensemble non vide muni d'une l.c.i
+ et d'une l.c.e ′ .′ . On dit que (E, +, .) est un espace vectoriel sur K (ou E est un K-espace
′ ′

vectoriel (K-e.v) si,

1. (E, +) est un groupe commutatif,
2. la loi externe ′ .′ vérie les quatre propriétés suivantes :
(a) ∀x, y ∈ E , ∀λ ∈ K, λ.(x + y) = λ.x + λ.y,

2
CHAPITRE 1. ESPACES VECTORIELS

(b) ∀x ∈ E , ∀λ, µ ∈ K, (λ + µ).x = λ.x + µ.x

(c) ∀x ∈ E , ∀λ, µ ∈ K, λ.(µ.x) = (λµ).x,
(d) ∀x ∈ E , 1K .x = x
Les éléments de E sont appelés des vecteurs et les éléments de K des scalaires.
Proposition 1.1 Soit E un K-e.v. alors on a,
1. ∀x ∈ E , 0K .x = 0E ,
2. ∀λ ∈ K, λ.0E = .E ,
3. ∀λ ∈ K, ∀x ∈ E , λ.x = 0E ⇒ λ = 0K ou x = 0E ,
4. ∀λ ∈ K, ∀x ∈ E , λ.(−x) = −(λ.x) = (−λ).x
Exemple 1.1 Les exemples classiques à ne jamais oublier
1. Tout corps K est un K-e.v
2. Plus généralement, Kn = {(x1 , x2 , . . . , xn )| x1 , x2 , . . . , xn ∈ K} est un K-e.v pour les lois
usuelles suivantes :
(a) ∀(x1 , x2 , . . . , xn ), (y1 , y2 , . . . , yn ) ∈ Kn ,
(x1 , x2 , . . . , xn ) + (y1 , y2 , . . . , yn ) = (x1 + y1 , x2 + y2 , . . . , xn + yn ),

(b) ∀λ ∈ K, ∀(x1 , x2 , . . . , xn ) ∈ Kn , λ.(x1 , x2 , . . . , xn ) = (λ.x1 , λ.x2 , . . . , λ.xn )

3. En particulier, Rn est un R-e.v et Cn est un C-e.v
4. Cn est un R-e.v aussi.
5. L'ensemble K[X] des polynômes, muni de l'addition de deux polynômes et de la multi-
plication par un scalaire est un K-e.v.
Proposition 1.2
Soit X un ensemble non vide, l'ensemble F(X, R) des fonctions de X dans R est un R-e.v.
pour les lois suivantes : la loi interne d'addition dénie comme suit,
+ : F(X, R) × F(X, R) → F(X, R)
(f, g) 7→ f + g

Où (f + g)(x) = f (x) + g(x), ∀x ∈ X . et la loi externe dénie par,

. : R × F(X, R) → F(X, R)
(λ, f ) 7→ λ.f

dénie par ∀x ∈ X , (λ.f )(x) = λf (x).

1.2 Sous espace vectoriel

Dénition 1.5 Soit E un K-e.v. et F ⊂ E . On dit que F est un sous espace vectoriel (s.e.v)
de E si :
1. 0E ∈ F ,
2. ∀x, ∈ E , x, y ∈ F ⇒ x + y ∈ F ,

S. AMEZIANE & M. MOUSSA 3

CHAPITRE 1. ESPACES VECTORIELS

3. ∀λ ∈ K, ∀x ∈ F , λ.x ∈ F
On dit que F est non vide et stable par combinaison linéaire.
Proposition 1.3 Soit E un K-e.v et F un s.e.v de E . Alors F est un K-e.v.
Exemple 1.2 Exemples de s.e.v :
1. Soit E un K-e.v alors {0E } et E sont deux s.e.v (triviaux) de E .
2. R est un s.e.v de C.
3. D = {(x, y) ∈ R2 | y = ax}, a ∈ R, est un s.e.v de R2 . D est appelée la droite vectorielle
de R2 . Les droites réelles sont les seules s.e.v non triviaux de R2 .
4. Rn [X] = {P ∈ R[X]| degP ≤ n} est un s.e.v de R[X]. n ∈ N.
5. C(I, R) l'ensemble des fonctions continues d'un intervalle I ⊂ R dans R est un s.e.v de
F(I, R).

Proposition 1.4 Soit E un K-e.v et F et G deux s.e.v de E , alors :

1. F ∩ G est un s.e.v de E .
2. F ∪ G n'est pas un s.e.v de E sauf si F ⊂ G ou G ⊂ F dans ces cas F ∪ G = F ou
F ∪ G = G.

Exemple 1.3 Dans R2 les droites vectorielles F = {(x, 0), x ∈ R} et G = {(0, y), y ∈ R} sont
deux s.e.v de R2 alors que F ∪G n'est pas s.e.v car elle n'est pas stable par combinaison linéaire.
En eet, (1, 0) ∈ F ⊂ F ∪ G et (0, 1) ∈ G ⊂ F ∪ G alors que (1, 0) + (0, 1) = (1, 1) ̸∈ F ∪ G.
Dénition 1.6 Soit E un K-e.v et F , G deux s.e.v de E . On appelle somme de F et G le s.e.v
de E déni par
F + G = {x1 + x2 | x1 ∈ F, x2 ∈ G}.

Exemple 1.4 (Exemples de s.e.v) Soient F et G les deux s.e.v de R2 , dénis par F =
{(x, 0), x ∈ R} et G = {(0, y), y ∈ R}.
alors F + G = R2 , il sut de vérier que R2 ⊂ F + G. Soit (x, y) ∈ R2 alors (x + y) =
(x, 0) + (0, y) ∈ F + G. D'où le résultat.

Dénition 1.7 Soit E un K-e.v et F , G deux s.e.v de E .

1. On dit que la somme des s.e.v F et G est directe si F ∩ G = {0E }.
2. On dit que E est somme directe de F et G si
(a) F + G = E
(b) F ∩ G = {0E }
On écrit E = F ⊕ G et on dit que F et G sont supplémentaires.
Exemple 1.5 1. Les deux s.e.v F = {(x, 0), x ∈ R} et G = {(0, y), y ∈ R} sont supplé-
mentaires.
2. La droite vectorielle G′ = {(x, x), x ∈ R} est un supplémentaire de F et de G.
3. En général, deux droites vectoriels diérentes de R2 sont supplémentaires.
4. R et iR sont deux s.e.v supplémentaires de C.

S. AMEZIANE & M. MOUSSA 4

CHAPITRE 1. ESPACES VECTORIELS

1.3 Familles génératrices, libres, bases

Dénition 1.8 Soit E un K-e.v et v1 , . . . , vp p vecteurs de E . On dit que le vecteur v est
combinaison linéaire de v1 , . . . , vp , s'il existe des scalaires λ1 , . . . , λp tels que v = λ1 v1 +· · ·+λp vp .
Proposition 1.5 Soit E un K-e.v et v1 , . . . , vp p vecteurs de E . L'ensemble de toutes les com-
binaisons linéaires de v1 , . . . , vp est un s.e.v de E noté V ect(v1 , . . . , vp ) et il est appelé le s.e.v
engendré par v1 , . . . , vp . De plus, V ect(v1 , . . . , vp ) est le plus petit s.e.v de E contenant les
vecteurs v1 , . . . , vp .
Exemple 1.6 Dans R[X], V ect(1, X, . . . , X n ) = Rn [X]
Dénition 1.9 Soit E un K-e.v. On dit qu'une famille {v1 , . . . , vp } de vecteurs de E est
génératrice si E = V ect(v1 , . . . , vp ). Autrement dit, si ∀v ∈ E , ∃λ1 , . . . , λp ∈ K tels que
v = λ1 v1 + · · · + λp vp .

Exemple 1.7 1. Le singleton {1K } est générateur du K-e.v K.

2. La famille {1, i} est génératrice du R-e.v C.
3. La famille {(1, 0, 0), (0, 2, 0), (0, 0, 3)} est une famille génératrice de R3 ,
4. la famille {1, X, . . . , X n } est génératrice de Rn [X].
Dénition 1.10 Soit E un K-e.v et {v1 , . . . , vp } une famille de vecteurs de E .
1. On dit que la famille {v1 , . . . , vp } est libre si, ∀λ1 , . . . , λp ∈ K, λ1 v1 + · · · + λp vp =
0E ⇒ λ1 = · · · = λp = 0K . On dit aussi que les vecteurs {v1 , . . . , vp } sont linéairement
indépendants.
2. Si la famille {v1 , . . . , vp } n'est pas libre elle est dite liée ou les vecteurs v1 , . . . , vp sont
linéairement dépendants.
3. La famille {v1 , . . . , vp } est dite une base de E si elle est à la fois libre et génératrice.
Exemple 1.8 1. Le singleton {1K } est une base du K-e.v K.
2. La famille {1, i} est une base du R-e.v C.
3. La famille {(1, 0, 0), (0, 1, 0), (0, 0, 1)} est une la base usuelle de R3 ,
4. la famille {1, X, . . . , X n } est la base usuelle de Rn [X].
Remarque 1.1 Soit E un K-e.v, u, v et w trois vecteurs de E .
1. La famille {u} est libre si, et seulement si, u ̸= 0E ,
2. La famille {u, v} est libre si, et seulement si, u et v ne sont pas colinéaires,
3. La famille {u, v, w} est libre si, et seulement si, u, v et w ne sont pas coplanaires,
4. Toute famille contenue dans une famille libre est libre,
5. Toute famille contenant une famille liée est liée,
6. Toute famille contenant le vecteur nul est liée,
7. Toute famille contenant une famille génératrice est génératrice,
Théorème 1.1 Soit E un K-e.v, une famille B = {e1 , . . . , en } est une base de E si, et seule-
ment si, ∀u ∈ E , ∃!(α1 , . . . , αn ) ∈ Kn tels que u = α1 e1 + · · · + αn en . Le n-uplet (α1 , . . . , αn )
s'appelle le n-uplet de coordonnées de u dans la base B.

S. AMEZIANE & M. MOUSSA 5

CHAPITRE 1. ESPACES VECTORIELS

Exemple 1.9 1. B0 = {1, X, X 2 , X 3 } est la base canonique de R3 [X]. Soit P = 2+X+3X 3

alors (2, 1, 0, 3) est le quadruplet des coordonnées de P relativement à la base B0 .
2. B0 = {(1, 0), (0, 1)} et B1 = {(1, 1), (−1, 1)} deux bases de R2 . Le vecteur v = (2, 4) =
2(1, 0) + 4(0, 1), donc (2, 4) est le couple de coordonnées du vecteur v dans la base B0 .
D'autre part, v = (2, 4) = 3(1, 1) + (−1, 1), donc (3, 1) est le couple de coordonnées de v
dans la base B1

1.4 Dimension d'un espace vectoriel

Dénition 1.11 Un K-e.v E est dit de dimension nie s'il admet une famille génératrice nie.
Dans le cas contraire, il est dit de dimension inni.
Proposition 1.6 Soit E ̸= {0E } un K-e.v de dimension nie. Alors, toutes les bases de E ont
le même nombre d'élément. Ce nombre commun s'appelle la dimension de E sur K et on le
note dimE ou dimK E . Si E = {0E } alors dimE = 0.
Exemple 1.10 1. dimK K = 1 car {1K } est une base de K,
2. dimK K = n car {(1, 0, . . . , 0), (0, 1, 0 . . . , 0), · · · , (0, 0, . . . , 1)} est une base de Kn ,
n

3. dimR Rn [X] = n + 1 car {1, X, . . . , X n } est une base de Rn [X],

4. R[X] est un R-e.v de dimension inni
Théorème 1.2 Soit E ̸= {0E } un K-e.v de dimension nie n et S une famille de vecteurs de
E , on a.
1. S est génératrice de E alors Card(S) ≥ n,
2. S est libre alors Card(S) ≤ n,
3. S est génératrice de E et Card(S) = n alors S est une base de E ,
4. S est libre et Card(S) = n alors S est une base de E ,
Dénition 1.12 Soit E ̸= {0E } un K-e.v de dimension nie n et S une famille de vecteurs
de E . On appelle rang de S et on le note rg(S) la dimension du s.e.v V ect(S). Donc, rg(S) =
dimK V ect(S).

Théorème 1.3 Soit E ̸= {0E } un K-e.v de dimension ni, n,

1. De toute famille génératrice, G, on peut extraire une base B ⊂ G
2. Toute famille libre u1 , . . . , up peut être compléter par une famille up+1 , . . . , un pour que
(u1 , . . . , un ) soit une base de E .

Proposition 1.7 Soit E ̸= {0E } un K-e.v de dimension nie, F et G deux s.e.v de E alors,
1. dimF ≤ dimE
2. dimF = dimE si, et seulement si, F = E
3. E = F ⊕ G si, et seulement si, pour toute base B de F et toute base C de G, B ∪ C est
une base de E .
Proposition 1.8 Soient F et G deux s.e.v d'un K-e.v de dimension nie. Alors,
1. dim(F + G) = dimF + dimG − dim(F ∩ G)

S. AMEZIANE & M. MOUSSA 6

CHAPITRE 1. ESPACES VECTORIELS

2. dim(F ⊕ G) = dimF + dimG

3. F ⊕ G = E si, et seulement si, dim(F + G) = dimF + dimG et F ∩ G = {0E }.
Proposition 1.9 Soient E1 , . . ., En des K-e.v, alors E1 ×· · ·×En est un K-e.v et si les Ei sont
de dimensions nies alors E1 × · · · × En est de dimension nie de plus dim(E1 × · · · × En ) =
n
dimEi .
X

i=1

Exemple 1.11 dimC Cn = ndimC C = n et dimR Cn = ndimR C = 2n.

S. AMEZIANE & M. MOUSSA 7

Chapitre 2
Applications linéaires & matrices
Dans tout le chapitre le corps K désigne R ou C et E , F , G des K-e.v

2.1 Dénitions et propriétés

Dénition 2.1 Une application f : E → F est dite linéaire ou un morphisme si elle vérie
1. ∀x, y ∈ E , f (x + y) = f (x) + f (y)
2. ∀λ ∈ K, ∀x ∈ E , f (λx) = λf (x).
On note L(E, F ) l'ensemble des applications linéaires de E dans F .
Proposition 2.1 Soit f : E → F , les assertions suivantes sont équivalentes
1. f linéaire,
2. ∀α, β ∈ K, ∀x, y ∈ E , f (αx + βy) = αf (x) + βf (y)
3. ∀λ ∈ K, ∀x ∈ E , f (λx) = λf (x).
Dénition 2.2 On note par,
1. Si F = E , une application linéaire est dite un endomorphisme et on note L(E) l'ensemble
de tous les endomorphisme de E .
2. Si un endomorphisme est bijectif, on l'appelle automorphisme
3. Si F ̸= E , une application linéaire bijective est appelée un isomorphismes. Dans ce cas,
On dit que E est isomorphe à F .
Proposition 2.2 Soit f ∈ L(E, F ), alors on a,
1. f (0E ) = 0F
n
! n
2. ∀n ∈ N , ∀λ1 , . . . , λn ∈ K, ∀x1 , . . . , xn ∈ E , f λi f (xi ).
X X
∗
λ i xi =
i=1 i=1

Exemple 2.1 il est important de remarquer que,

1. ∀a, b ∈ R, l'application f : R2 → R dénie par f (x, y) = ax + by est linéaire.
2. Plus généralement, ∀a1 , . . . , an ∈ R, l'application g : Rn → R dénie par, g(x1 , . . . , xn ) =
a1 x1 + · · · an xn est linéaire.
3. L'application de dérivation D : R[X] → R[X] dénie par D(P ) = P ′ est linéaire.

8
CHAPITRE 2. APPLICATIONS LINÉAIRES & MATRICES

4. On note par C([a, b], R) l'e. v des fonctions continues sur [a, b] Zà valeurs dans R, alors
b
l'application (intégrale), I : C([a, b], R) → R dénie par I(f ) = f (x) dx, est linéaire.
a
5. f : R → C dénie par f (x, y) = x + iy est un isomorphisme.
2

Proposition 2.3 Soient f ∈ L(E, F ) et g ∈ L(F, G) alors g ◦ f ∈ L(E, G), (g ◦ f )(x) =

g(f (x)).

Exemple 2.2 Soient f : R2 → R3 dénie par f (x, y) = (x + y, x − y, x) et g : R3 → R2 dénie

par g(x, y, z) = (x + y, y + z) alors f ∈ L(R2 , R3 ) et g ∈ L(R3 , R2 ).
Ainsi, g ◦ f ∈ L(R2 ) et g ◦ f (x, y) = g(f (x, y)) = g(x + y, x − y, x) = (2x, 2x − y).
Dans ce cas particulier f ◦ g ∈ L(R3 ) et f ◦ g(x, y, z) = f (g(x, y, z)) = f (x + y, y + z) =
(x + 2y + z, x − z, x + y).

2.2 Image et noyau d'une application linéaire

Proposition 2.4 Soit f ∈ L(E, F ) alors,
1. le noyau de f , noté Ker(f ) = {x ∈ E| f (x) = 0F } est un s.e.v de E .
2. l'image de f , noté, Im(f ) = {f (x)| x ∈ E} est un s.e.v de F .
3. si H est un s.e.v de E alors f (H) est un s.e.v de F .
Proposition 2.5 Soit f ∈ L(E, F ) alors,
1. f est injective si, et seulement si, Ker(f ) = {0E }.
2. f est surjective si, et seulement si, Im(f ) = F .
3. f est bijective si, et seulement si, Ker(f ) = {0E } et Im(f ) = F .
Exemple 2.3 Soit f : R2 → R2 dénie par f (x, y) = (x + y, x − 2y). Évidemment
 f ∈ L(R2 ).
x+y = 0
De plus, (x, y) ∈ Ker(f ) ⇔ f (x, y) = (x + y, x − 2y) = (0, 0) ⇔ x − 2y = 0 ⇔

x = 0
y = 0
. Donc, Ker(f ) = {(0, 0)} = {0R2 }. Par suite, f est injective.
Im(f ) = {f (x, y)| (x, y) ∈ R2 } = {(x + y, x − 2y)| (x, y) ∈ R2 } = {x(1, 1) + y(1, −2)| (x, y) ∈
R2 } = V ect{(1, 1), (1, −2)}. Comme la famille {(1, 1), (1, −2)} est libre car les deux vecteurs
ne sont pas colinéaires alors c'est une base de Im(f ) comme Im(f ) ⊂ R2 et dimIm(f ) = 2 =
dimR2 alors Im(f ) = R2 . Ainsi, f est bijective donc c'est un isomorphisme de R2 .
Si on considère l'opérateur de dérivation d'un polynôme, D : R[X] → R[X], tel que D(P ) =
P , alors Ker(D) = R et Im(D) = R[X]. Donc, D est surjective mais non injective.
′

Proposition 2.6 Soit f ∈ L(E, F ) alors,

1. Si f est injective alors l'image par f d'une famille libre de E est une famille libre de F ,
2. Si f est surjective alors l'image par f d'une famille génératrice de E est une famille
génératrice de F ,
3. Si f est bijective alors l'image par f d'une base de E est une base de F .

S. AMEZIANE & M. MOUSSA 9

CHAPITRE 2. APPLICATIONS LINÉAIRES & MATRICES

Dénition 2.3 Soit f ∈ L(E, F ). On appelle rang de f la dimension de im(f ), on le note

rg(f ).
Dans le cas où E esr de dimension nie. Soit B = {e1 , . . . , en } une base de E alors rg(f ) =
dimV ect{f (e1 ), . . . , f (en )}.

Théorème 2.1 (Théorème du rang) Soient E et F deux K-e.v de dimensions nies et f ∈

L(E, F ). Alors on a,
dimE = dimKer(f ) + rg(f ).

Proposition 2.7 Soient E et F deux K-e.v de dimensions nies et f ∈ L(E, F ). Supposons

que dimE = dimF , alors
f est injective ⇔ f est surjective ⇔ f est bijective ⇔.

2.3 Matrices : Dénitions et Propriétés

Dénition 2.4 On appelle matrice de taille (m, n), m, n ∈ N∗ , à coecients dans K à m lignes
et n colonnes. On la note A = (aij )1≤i≤m,1≤j≤n
··· ···
 
a11 a1j a1n
 .. .. .. 
 . . . 
A =  ai1 ··· aij ··· aim 
 
 . .. .. 
 .. . . 
am1 · · · amj · · · amn

1. l'élément aij s'appelle le coecient de la matrice A d'indice (i, j). (Le coecient dans
la i-ème ligne et la j -ème colonne du tableau A.
2. une matrice de taille (n, n) s'appelle une matrice carrée d'ordre n.
3. L'ensemble des matrices de taille (m, n) est noté Mm,n (K) et l'ensemble des matrices
carrées d'ordre n) est noté Mn (K)
4. une matrice dont tous les coecients sont nuls est appelée la matrice nulle.
5. la matrice carrée d'ordre n dénie par aii = 1 et aij = 0 pour j ̸= i est appelée la matrice
identité d'ordre n. On la note In :
 
1 0 0 ··· 0
 0 1 0 ··· 0 
 .. . . . . . . ..
 
In =  . . . . . .

 
 0 ··· 0 1 0 
0 ··· 0 0 1

6. une matrice A = (aij ) ∈ Mn (K) est dite diagonale si aij = 0 pour j ̸= i :

0 ···
 
a11 0
... .. 

0 a22 .
Dn =  .. . . . . . . .

 . 0 
0 ··· 0 ann

S. AMEZIANE & M. MOUSSA 10

CHAPITRE 2. APPLICATIONS LINÉAIRES & MATRICES

7. une matrice
 L = (aij ) ∈ Mn (K) est dite
 triangulaire inférieure si aij = 0 pour i < j :
a11 0 ··· 0
.
.. . .. . .. ..
.
 
L=
 

 a(n−1)1 · · · a(n−1)(n−1) 0 
an1 an2 an(n−1) amn
8. une matrice
  est dite triangulaire
U (aij ) ∈ Mn (K) supérieure si aij = 0 pour i > j ,
a11 a12 · · · a1n
 0 a22 · · · a2n 
U =  .. . . . . .
. ...
 
 . . 
0 · · · 0 ann
9. On appelle transposée de la matrice A = (aij ) ∈ Mm,n (K), la matrice t A = (aji ) ∈
Mn,m (K)

Dénition 2.5 Soient A = (aij )1≤i≤m,1≤j≤n et B = (bij )1≤i≤n,1≤j≤m deux matrices de Mm,n ,
la somme des matrices A et B est dénie par la matrice A + B = (aij + bij )1≤i≤n,1≤j≤m .
Le produit d'une matrice A = (aij )1≤i≤n,1≤j≤m par un scalaire λ est dénie par la matrice
λA = (λaij )1≤i≤n,1≤j≤m .

Exemple 2.4    
7 −2 3 0 2 −4
A= B=
−2 5 −4 3 −5 8
   
2.7 + 3.0 2.(−2) + 3.2 2.3 + 3.(−4) 14 2 −6
2A + 3B = =
2.(−2) + 3.3 2.5 + 3.(−5) 2.(−4) + 3.8 5 −5 16

Proposition 2.8 Soient A ∈ Mm,p et B ∈ Mp,n alors la matrice produit C = AB ∈ Mm,n =

(ci,j )1≤i≤m,1≤j≤n et on a ∀1 ≤ i ≤ m, ≤ j ≤ n
p
X
cij = aik bkj = ai1 b1j + · · · + aip bpj
k=1

En posant, Ai la matrice, 1-ligne, p-colonnes, correspondant à la ime ligne de la matrice A et

Bj la matrice, p-ligne, 1-colonnes, correspondant à la j me colonne de la matrice B . On a,
 
b1j

 . 
cij = Ai Bj = ai1 · · · aip  .. 
bpj
 
  2 1
1 −1 2
Exemple 2.5 On donne A = 2 1 −1
de taille (2, 3), B =  −1 2  de taille
  1 −1
0 1 0
(3, 2) et M =  1 0 1  de taille (3, 3) Donc, le produit C = AB est possible et C est de
1 1 0
taille (2, 2), le produit D = AB est aussi possible et D est de taille (3, 3). Le produit AM est
possible car A de taille (2, 3) et M de taille (3, 3) alors que le produit M A n'est pas possible

S. AMEZIANE & M. MOUSSA 11

CHAPITRE 2. APPLICATIONS LINÉAIRES & MATRICES

car le nombre de colonne de M , égal à 3, est diérent du nombre de ligne de A qui est égal à
2. Alors que le produite BM n'est pas possible alors que M B est possible. De plus, on a,
 
A1 B1 A1 B2
C = AB =
A2 B1 A2 B2
   
2 1
où A1 = 1 −1 2 , A2 = 2 1 −1 , B1 =  −1  , B2 =  2  . Donc,

1 −1
 
  2 1  
1 −1 2  5 −3
C = AB = −1 2 = ,
2 1 −1 2 5
1 −1
Tandis que D = BA et donné par,
   
2 1   4 −1 3
1 −1 2
D =  −1 2  = 3 3 −4 
2 1 −1
1 −1 −1 −2 3
Proposition 2.9 (M(m,n) , +, .) est un K-e.v
Remarque 2.1 Soient A, B et C trois matrices,
1. Si le produit AB est possible alors le produit BA n'est pas forcément possible. Prenez A
matrice carrée d'ordre 2 et B de taille (2, 3) alors AB est possible alors que BA ne l'est
pas.
2. 
Si AB et BA sont possibles, en général, on n'a pas AB = BA.En eet, pour A =
1 −1 0 1 −1 2 0 1
, B= ⇒ AB = ̸= = BA
0 1 1 −1 1 −1 1 −2
Proposition 2.10 Soient A, B ∈ Mn telles que AB = BA alors,
p
X
(A + B)p = Cpk Ap−k B k = Ap + pAp−1 B + · · · + pAB p−1 + B p .
k=0

p!
Pour 0 ≤ k ≤ p, Cpk = . A0 = In , Ak = AA . . . A, k-fois.
k!(p − k)!
En particulier pour B = In , comme AIn = In A = A alors
p
X
p
(A + In ) = Cpk Ak = In + pA + · · · pAp−1 + Ap .
k=0

Propriété 2.1 Soient A, B, C ∈ Mn (K) et λ ∈ K alors :

1. A(B + C) = AB + AC , (A + B)C = AC + BC , la multiplication est distributive par
rapport à l'addition.
2. A(BC) = (AB)C , (A + B) + C = A + (B + C), la multiplication et l'addition sont
associatives
3. A(λB) = (λA)B = λ(AB)
Dénition 2.6 Soit A ∈ Mn (K), A est dite inversible si elle existe une matrice B ∈ Mn (K)
telle que AB = BA = In . B est appelée l'inverse de A et la note A−1 .
Proposition 2.11 Soient A, B ∈ Mn (K) deux matrices inversibles alors AB est inversible, de
plus on a (AB)−1 = B −1 A−1 .

S. AMEZIANE & M. MOUSSA 12

CHAPITRE 2. APPLICATIONS LINÉAIRES & MATRICES

2.4 Matrice d'une application linéaire

Soient E et F deux K−espaces vectoriels de dimension nie, (dim E = n, dim F = m), munis
respectivement des bases B = (e1 , . . . , en ) et B′ = (f1 , . . . , fm ).
Une application linéaire f est complètement déterminée par les images des éléments de la
base B de E . En eet, ∀x ∈ E , ∃!(x1 , . . . , xn ) ∈ Kn tels que x = x1 e1 + · · · + xn en , par linéarité
de f , f (x) = x1 f (e1 ) + · · · + xn f (en ). Or, ∀i = 1, . . . , n, f (ei ) s'écrit d'une façon unique comme
combinaison linéaire des éléments de la base B′ de F , donc ∃(ai1 , . . . , aim )! ∈ Km tels que,
f (ei ) = ai1 fj = ai1 f1 + ai2 f2 + · · · + aim fm
Les coordonnées aij des vecteurs f (ei ), 1 ≤ i ≤ n, dans la base B′ = (f1 , . . . , fm ), rangés en
n colonnes, forment la matrice de l'application f , relativement aux bases B et B ′ . On la note
M(f, B, B ′ ). Dans le cas d'un endomorphisme, F = E , on la note M(f, B).
f (e1 ) · · · f (ej ) · · · f (en )
↓ ↓ ↓
a11 · · · a1j · · · a1n ← f1
.. .. .. ..
. . . .
ai1 ··· aij ··· aim ← fi
.. .. .. ..
. . . .
am1 ··· amj ··· amn ← fm
Exemple 2.6 Soient B = {e1 = (1, 0), e2 = (0, 1)} la base canonique de R2 et B′ = {f1 =
(1, 0, 0), f2 = (0, 1, 0), f3 = (0, 0, 1)} la base canonique de R3 . Considérons l'application linéaire
de R2 → R3 dénie par f (x, y) = (2x − 3y, −x + 4y, x + y).
f (e1 ) = f (1, 0) = (2, −1, 1) = 2f1 − f2 + f3 et f (e2 ) = f (0, 1) = (−3, 4, 1) = −3f1 + 4f2 + f3 .
Ainsi,  
2 −3
M(f, B, B ′ ) =  −1 4 
1 1
Proposition 2.12 Soient f, g ∈ L(E, F ), B une base de E et B′ une base de F alors,
1. M(f + g, B, B′ ) = M(f, B, B′ ) + M(g, B, B′ ),
2. ∀λ ∈ K, M(λf, B, B′ ) = λM(f, B, B′ ).
Théorème 2.2 Soient B = {e1 , . . . , en } une base de E alors l'application,
φ : L(E, F ) → Mm,n
f 7→ M(f, B, B ′ )
est un isomorphisme d'espace vectoriel. En conséquence,
dimK L(E, F ) = dimK Mm,n = mn.

2.5 Écriture matricielle d'une application linéaire

Soit B = {e1 , . . . , en } une base de
 E alors
 l'application, ∀x ∈ E , ∃!(x1 , . . . , xn ) ∈ K tels que
n

x1
 .. 
x = x1 e1 + · · · + xn en . La matrice  .  s'appelle la matrice de x dans la base B . On la note
xn
M(x, B) ou M(x).

S. AMEZIANE & M. MOUSSA 13

CHAPITRE 2. APPLICATIONS LINÉAIRES & MATRICES

Proposition 2.13 Soit f ∈ L(E, F ), B, B une base de E et B′ une base de F alors,

∀x ∈ E, M(f (x), B ′ ) = M(f, B, B ′ )M(x, B).

Exemple 2.7 Soit B = {e1 , e2 } une base de R2 , où e1 = (1, 1) et e2 = (1, −1) et soit B′ =
{f1 , f2 , f3 } une base de R3 , où f1 = (1, 1, 0) et f2 = (0, 1, 1) et f3 (0, 0, 1). Soit g ∈ L(R2 , R3 )
telle que  
0 1
′
M(g, B, B ) =  1 −1 
1 0
Calculons g(1, 2). Il faut commencer par calculer les coordonnées de (1, 2) dans la base B.
 2) = x1 e1 + x2 e2 = (x1 + x2 , x1 − x2 ). D'où x1 = 3/2 et x2 = −1/2. Donc, M((1, 2), B) =
(1,
3/2
−1/2
. Ainsi,
   
0 1   −1/2
3/2
M(g(1, 2), B ′ ) = M(g, B, B ′ )M((1.2), B) =  1 −1  = 2 .
−1/2
1 0 3/2
 
1 3 1 3 1 3 7
Donc, g(1, 2) = − f1 + 2f2 + f3 = − (1, 1, 0) + 2(0, 1, 1) + (0, 0, 1) = − , ,
2 2 2 2 2 2 2

Proposition 2.14 Soient B, B′ et B′′ les bases respectives de E , F et G, f ∈ L(E, F ) et

g ∈ L(F, G). Alors,
M(g ◦ f, B, B ′′ ) = M(g, B ′ , B ′′ )M(f, B, B ′ ).

Exemple 2.8 Soient B, B′ et B′′ les bases respectives de R2 , R3 et R4, f ∈ L(R2 , R3 ) et

  1 3 2
1 0
2 0 5 
g ∈ L(R3 , R4 ) telles que M(f, B, B ′ ) =  2 3  et M(g, B ′ , B ′′ ) =  . Alors

 2 0 0 
0 2
1 2 1
g ◦ f ∈ L(R2 , R4 ) et
   
1 3 2   7 13
1 0
2 0 5  = 2 10 
M(g ◦ f, B, B ′′ ) = M(g, B ′ , B ′′ )M(f, B, B ′ ) = 
  
 2 0 0  2 3
.
 2 0 
0 2
1 2 1 5 8

De plus,
   
7 13   7x + 13y
2 10 x  2x + 10y
M(g ◦ f (x, y), B ′′ ) = M(g ◦ f, B, B ′′ )M((x, y), B, B ′ ) = 
   
 2 0  y =  2x
 .

5 8 5x + 8y

Ainsi, g ◦ f (x, y) = (7x + 13y, 2x + 10y, 2x, 5x + 8y).

Proposition 2.15 Soit B une base de E et f ∈ End(E) = L(E),
1. Si f est bijective alors f −1 ∈ End(E),

S. AMEZIANE & M. MOUSSA 14

CHAPITRE 2. APPLICATIONS LINÉAIRES & MATRICES

2. f est bijective si, et seulement si, M(f, B) est inversible et dans ce cas
M(f −1 , B) = (M(f, B))−1

Dénition 2.7 Soient B, B′ les bases respectives de Rn , Rm et A ∈ Mm,n (K). On appelle

application linéaire canoniquement associée à A, l'application linéaire notée fA : Kn → Km
telle que M(f, B, mathcalB ′ ) = A. On note ImA = ImfA , KerA = KerfA et rg(A) = rg(fA ).
 
2 3
Exemple 2.9 Soient B, B′ les bases respectives de R2 et R3 . On pose A =  5 2  ∈
1 8
M3,2 (R). On veut connaitre l'expression de fA . Comme fA : R2 → R3 et M(fA , B, mathcalB ′ ) =
A. Alors,
   
2 3   2x + 3y
x
M(fA (x, y), B ′ ) = M(fA , B, B ′ )M((x, y), B) =  5 2  =  5x + 2y 
y
1 8 x + 8y

Donc, fA (x, y) = (2x + 3y, 5x + 2y, x + 8y).

Proposition 2.16 ∀A ∈ Mm,n (K), on a
1. dimKerA + rg(A) = n, dimKerA + dimImA = n.
2. A est inversible si, et seulement si, rg(A) = n.

2.6 Changement de bases & matrice de passage

Soient B = {e1 , . . . , en } et B′ = {e′1 , . . . , e′n } deux bases de E , pour 1 ≤ j ≤ n, exprimons le
vecteurs e′j dans la base B, alors
n
X
e′j = aij ei = a1j e1 + · · · + anj en .
i=1

Dénition 2.8 La matrice de passage de B à B′ est la matrice notée PBB′ = M(B′ , B) =

MB (B ′ ).

a11 · · · a1j · · ·
 
a1n
.. .. ..

 . . . 

B′
PB = ai1 · · · aij ··· aim
 
.. .. ..

. . .
 
 
an1 · · · anj · · · ann

Soit v ∈ E , exprimons v dans les bases B et B′ ,

n
X n
X
v= xi ei = x′j e′j , xi , x′j ∈ K, 1 ≤ i, j ≤ n.
i=1 i=1

n n n
! n n
! n
X X X X X X
v= x′j e′j = x′j aij ei = aij x′j ei = xi e i .
i=1 i=1 i=1 i=1 j=1 i=1

S. AMEZIANE & M. MOUSSA 15

CHAPITRE 2. APPLICATIONS LINÉAIRES & MATRICES
n
Donc, ∀1 ≤ i ≤ n, xi = aij x′j . (∗)
X

j=1
   
x1 x′1
.   . 
 ..  et X ′ = M(v, B ′ ) =  .. . L'égalité (∗) est équivalente à
Posons X = M(v, B) = 
xn x′n
    
a11 · · · a1n x′1 x1
 .. .. ..   .   . 
 . . .   ..  =  .. 
an1 · · · ann x′n xn

c'est à dire que X = PBB X ′ .

′

Proposition 2.17 La matrice de passage de la base B à la base B′ PBB′ ∈ Mn (K). De plus,

elle est inversible et on a  ′ −1
PBB = PBB′ .

Exemple 2.10 Soient B = {e1 , e2 , e3 } la base canonique de R3 et B′ = {e′1 , e′2 , e′3 } une autre
base de R3 où e′1 = (−1, 1, 0) , e′2 = (1, 0, 1) et e′3 = (1, 1, 1). Cherchons la matrice de passage
PBB et exprimons le vecteur v = (7, 2, 1) dans la nouvelle base.
′

Par dénition,  
−1 1 1
′
PBB = 1 0 1 .
0 1 1
De même, on a M (v, B) = PBB′ M (v, B) donc, M (v, B′ ) = PBB′ M (v, B).
Cherchons alors les coecient de l'ancienne base dans la nouvelle, on trouve : e1 = (1, 0, 0) =
α1 e′1 + α2 e′2 + α3 e′3 = (−α1 + α2 + α3 , α1 + α3 , α2 + α3 ) ainsi, on obtient le système suivant :
 
 −α1 + α2 + α3 = 1  α1 = −1
α1 + α3 = 0 ⇒ α2 = −1
α2 + α3 = 0 α3 = 1
 

Donc e1 = −e′1 − e′2 + e′3 .

De même en écrivant e2 = (0, 1, 0) = β1 e′1 + β2 e′2 + β3 e′3 = (−β1 + β2 + β3 , β1 + β3 , β + β3 ) ainsi,
on obtient le système suivant :
 
 −β1 + β2 + β3 = 0  β1 = 0
β1 + β3 = 1 ⇒ β2 = −1
β2 + β3 = 0 β3 = 1
 

Donc e2 = −e′2 + e′3 .

En n, e2 = (0, 1, 0) = γ1 e′1 + γ2 e′2 + γ3 e′3 = (−γ1 + γ2 + γ3 , γ1 + γ3 , γ + γ3 ) ainsi, on obtient le
système suivant :  
 −γ1 + γ2 + γ3 = 0  γ1 = 1
γ1 + γ3 = 0 ⇒ γ2 = 2
γ2 + γ3 = 1 γ3 = −1
 

Donc e3 = e′ 1 + 2e′2 − e′3 . D'où,

 
−1 0 1
′ −1
 
PBB′ = PBB =  −1 −1 2 .
1 1 −1

S. AMEZIANE & M. MOUSSA 16

CHAPITRE 2. APPLICATIONS LINÉAIRES & MATRICES

Ainsi, les coordonnées du vecteur v = (7, 2, 1) dans la nouvelle base sont données par,
    
−1 0 1 7 −6
M (v, B ′ ) = MB′ (B)M (v, B) =  −1 −1 2   2  =  −7  .
1 1 −1 1 8

Donc, v = (7, 2, 1) = −6e′1 − 7e′2 + 8e′3

Théorème 2.3 Soient B1 , B1′ deux bases du K-e.v E ̸= {0E } et B2 , B2′ deux bases du K-e.v
F ̸= {0F } et f ∈ L(E, F ) alors,
−1
B′ B′

M(f, B1′ , B2′ ) = PB22 M(f, B1 , B2 )PB11 .

Corrolaire 2.1 Soient B, B′ deux bases du K-e.v E ̸= {0E } et f ∈ End(E) alors on a

 ′ −1 ′
M(f, B ′ ) = PBB M(f, B)PBB

Exemple 2.11 Soient l'application linéaire f : R2 → R3 dénie par f (x, y) = (−x + y, −6x +
4y, 2x − y), B1 la base canonique de R2 et B2 la base canonique de R3 . On donne B1′ =
{(1, 2), (1, 1)} une autre base de R2 et B2′ = {e′1 = (1, 2, 3), e′2 = (0, 1, 1), e′3 = (0, 2, 1)} une
autre base de R3 .
′ ′
1. Donner M(f, B1 , B2 ), PBB11 et PBB22 .
2. En déduire M(f, B1′ , B2′ )
   
−1 1   1 0 0
B1′ 1 1 B2′
1. On a, M(f, B1 , B2 ) = −6 4 , PB1 = 2 1 et PB2 2 1
   2 .
2 −1 3 1 1
 ′ −1 ′
 ′ −1
2. On a, M(f, B1′ , B2′ ) = PBB22 M(f, B1 , B2 )PBB11 . Il sut de calculer B
PB22 = PBB′2 .
2
C'est à dire exprimer les vecteurs de l'ancienne base dans la nouvelle base, alors on a,
e1 = (1, 0, 0) = α1 e′1 + α2 e′2 + α3 e′3 = (α1 , 2α1 + α2 + 2α3 , 3α1 + α2 + α3 ) ainsi, on obtient
le système suivant :
 
 α1 = 1  α1 = 1
2α1 + α2 + 2α3 = 0 ⇒ α2 = −4
3α1 + α2 + α3 = 0 α3 = 1
 

Donc e1 = e′1 − 4e′2 + e′3 .

De même en écrivant e2 = (0, 1, 0) = β1 e′1 + β2 e′2 + β3 e′3 = (−β1 + β2 + β3 , β1 + β3 , β + β3 )
ainsi, on obtient le système suivant :
 
 β1 = 0  β1 = 0
2β1 + β2 + 2β3 = 1 ⇒ β2 = −1
3β1 + β2 + β3 = 0 β3 = 1
 

Donc e2 = −e′2 + e′3 .

En n, e2 = (0, 1, 0) = γ1 e′1 + γ2 e′2 + γ3 e′3 = (−γ1 + γ2 + γ3 , γ1 + γ3 , γ + γ3 ) ainsi, on
obtient le système suivant :
 
 γ1 = 0  γ1 = 0
2γ1 + γ2 + 2γ3 = 0 ⇒ γ2 = 2
3γ2 + γ2 + γ3 = 1 γ3 = −1
 

S. AMEZIANE & M. MOUSSA 17

CHAPITRE 2. APPLICATIONS LINÉAIRES & MATRICES

Donc e3 = 2e′2 − e′3 . D'où,

 
1 0 0
′ −1
 
PBB′ = PBB =  −4 −1 2 .
1 1 −1
′
−1
B′

Par suite, M(f, B1′ , B2′ ) = PBB22 M(f, B1 , B2 )PB11 , c.à.d
    
1 0 0 −1 1   1 0
1 1
M(f, B1′ , B2′ ) =  −4 −1 2   −6 4  =  −6 4 .
2 1
1 1 −1 2 −1 3 −3

Exemple 2.12 Soient l'application linéaire f : R3 → R3 dénie par f (x, y, z) = (x + 2y, y, z −

y), B la base canonique de R3 et B ′ = {e′1 = (1, 1, 1), e′2 = (1, 1, 0), e′3 = (0, 1, 1)} une autre base
de R3 . Donner M(f, B), PB et En
B′
déduire M(f,  B ′ ). 
1 2 0 1 1 0
On a, M(f, B) =  0 1 0 , et PB =
 B′  1 1 1 . Pour calculer l'inverse de la
0 −1 1 1 0 1
matrice PB , on exprime l'ancienne base dans la nouvelle, ainsi on obtient,
B′

 
 e1 + e2 + e3 = e1  e1 = e′1 − e′3
e1 + e2 = e2 ⇒ e2 = −e′1 + e′2 + e′3
e2 + e3 = e3 e3 = e′1 − e′2
 

 
1 −1 1
Donc, (PBB′ )−1 =  0 1 −1 . D'où, M(f, B′ ) = (PBB′ )−1 M(f, B)PBB′ c.à.d
−1 1 0
     
1 −1 1 1 2 0 1 1 0 2 1 1
M(f, B ′ ) =  0 1 −1   0 1 0  1 1 1  =  1 2 1 
−1 1 0 0 −1 1 1 0 1 −2 −2 1

Dénition 2.9 Deux matrices A, B ∈ Mn (K) sont dites semblables s'il existe P ∈ Mn (K)
inversible telle que,
B = P −1 AP

Corrolaire 2.2 Soient f ∈ End(E) et B et B′ deux bases de E alors M (f, B) et M (f, B′ ) sont
semblables.

S. AMEZIANE & M. MOUSSA 18