Chapitre 1

Espaces vectoriels de dimension finis

1.1 Familles libres, Familles génératrices, bases

K désigne R ou C. Toutes les sommes considéré ees ici sont à support fini.

1.1.1 Familles libres

Définition 1 Soit E un espace vectoriel sur K. On dit qu’une famille (ui )i∈I d’éléments de E
est libre, ou encore que les vecteurs de cette famille sont linéairement indépendants si :
Pour toute famille (λi )i∈I de KI
X
λi ui = 0E ⇒ λi = 0, ∀i ∈ I.
i∈I

DansPle cas contraire, c’est-à-dire s’il existe une famille (λi )i∈I de scalaires non tous nuls, telle
que i∈I λi ui = 0E on dit que la famille (λi )i∈I est liée, ou encore que les vecteurs qui la
composent sont linéairement dépendants.

Remarques et propriéetés

1. La famille (u1 , u2 , ..., un ) est libre si :

n
X
λi ui = 0E ⇒ λi = 0, i = 0, ..., n.
i=1

Par exemple : la famille {1, X, X 2 } est une famille libre dans R[X].

Elle est liée s’il existe λ1 , λ2 , ..., λn l’un au moins étant non nul, tels que : ni=1 λi ui = 0E
P

Par exemple : la famille {1, X, X 2 , X 2 + 3X − X} est une famille liée dans R[X]
2. On ne doit pas confondre non tous nuls et tous non nuls.

1
1.1. FAMILLES LIBRES, CHAPITRE
FAMILLES 1.
GÉN
ESPACES
ÉRATRICES,
VECTORIELS
BASES DE DIMENSION FINIS

3. Une famille de vecteurs est liée l’un des vecteurs qui la compose peut s’écrire comme une
combinaison linéaire des autres.
4. Une famille réduite ‘ a un seul vecteur u est libre ⇔ u est non nul.
5. Une famille de deux vecteurs u et v est liée ⇔ u et v sont colinéaires, ou encore propor-
tionnels, c’est-à-dire s’il existe un scalaire λ tel que u = λv ou v = λu.
6. Toute sous-famille d’une famille libre est libre.
7. Toute sur-famille d’une famille liée est liée.
8. En particulier toute famille contenant 0E ; ou deux vecteurs colinéaires, est liée.
9. Dans l’espace vectoriel K[X] des polynômes à coefficients dans K, toute famille de po-
lynômes non nuls dont les degrés sont différents deux à deux.

Proposition 1.1.1 Soient E et F deux espaces vectoriels sur K et f un morphisme de E dans

F . Soit (ui )i∈I une famille d’éléments de E.
– Si la famille (ui )i∈I est liée, alors la famille (f (ui ))i∈I est liée.
– Si la famille (ui )i∈I est libre et si f est injective, alors la famille (f (ui ))i∈I est libre.

Interprétation
Toute application linéaire transforme une famille liée en une famille liée. Une application
linéaire injective transforme une famille libre en une famille libre.
Remarque
Bien entendu, si la famille (f (ui ))i∈I est libre, la famille (ui )i∈I est libre.

1.1.2 Familles génératrices

Définition 2 Soit E un espace vectoriel sur K. On dit qu’une famille (ui )i∈I d’éléments de E
est génératrices, ou encore que les vecteurs de cette famille engendrent E si Vect ({ui , i ∈ I})
= E, c’est-à-dire : X
∀ u ∈ E, ∃(λi )i∈I ) ∈ KI , u = λi ui .
i∈I

Remarques Toute sur-famille d’une famille génératrice de E est encore génératrice.

Proposition 1.1.2 Soient E et F deux espaces vectoriels sur K et f un morphisme de E dans

F . Soit (ui )i∈I une famille génératrice de E.
– La famille (f (ui ))i∈I est génératrice de Imf .
– En particulier, si f est surjective, alors la famille (f (ui ))i∈I est génératrice de F .

Interprétation
On peut donc dire qu’une application linéaire surjective transforme une famille génératrice en
une famille génératrice.

2 Jellali-zlitni.D
CHAPITRE 1. ESPACES VECTORIELS
1.1. FAMILLES
DELIBRES,
DIMENSION
FAMILLES
FINISGÉNÉRATRICES, BASES

1.1.3 Bases
Définition 3 Soit E un espace vectoriel sur K. On dit qu’une famille (ui )i∈I d’éléments de E
est une base de E si elle est à la fois libre et géenératrice.
Exemples :
1. {(1, 0), (0, 1)} est une base de R2 .
2. {(1, 0, ..., 0), (0, 1, 0, ..., 0), ..., (0, ..., 0, 1)} est une base (dite base canonique) de Rn .
3. {1, X, X 2 , ...., X n } est une base (dite base canonique) de Kn [X]
Proposition 1.1.3 La famille (ei )i∈I est une base de E si et seulement si tout vecteur v de E
peut s’écrire, et de manière unique, comme une combinaison linéaire des vecteurs ei :
X
v= λi ei
i∈I

Les coefficients λi sont appelés coordonnées, de v dans la base ((ei )i∈I .

Démonstration

– Existance. (ei )i∈I est une base de E alors (ei )i∈I est une famille génératrice de E alors
tout vecteur v de E il existe λi ∈ K telle que
X
v= λi ei
i∈I

– Unicité. Supposons qu’il existe λ0i ∈ K telle que

X
v= λ0i ei
i∈I

Alors X
(λi − λ0i )ei = 0E
i∈I

Puisque (ei )i∈I est une famille libre alors λi = λ0i .

Proposition 1.1.4 Soient E et F deux espaces vectoriels sur K, E étant muni d’une base
(ei )i∈I .

Pour toute famille (vi )i∈I de vecteurs de F , il existe une unique application linéaire f de E
dans F telle que : ∀i ∈ I, f (ei ) = vi .
– f est injective ⇔ la famille (vi )i∈I est libre.
– f est surjective ⇔ la famille (vi )i∈I est génératrice dans F .
– f est bijective ⇔ la famille (vi )i∈I est une base de F .
Interprétation Un morphisme est défini de manière unique par les images des vecteurs d’une
base.
Un morphisme f de E vers F est un isomorphisme ⇔ f transforme une base de E en une base
de F . Il transforme alors toute base de E en une base de F .

3 Jellali-zlitni.D
1.2. ESPACES VECTORIELS
CHAPITRE
DE DIMENSION
1. ESPACES
FINIE
VECTORIELS DE DIMENSION FINIS

1.2 Espaces vectoriels de dimension finie

1.2.1 Notion de dimension finie
Définition 4 Soit E un K-ev. On dit que E est de dimension finie si E possède une famille
génératrice finie.

Remarques
– Avec cette définition, l’espace réduit à {0} est de dimension finie.
– Si un espace vectoriel n’est pas de dimension finie il est dit de dimension infinie. C’est le
cas de l’espace vectoriel K[X] des polynômes à coefficients dans K.

Proposition 1.2.1 Soit E un espace vectoriel sur K. Soit F = {v1 , ..., vn } une famille de n
vecteurs de E.
– Si F est génératrice dans E, toute famille contenant plus de n vecteurs est liée.
– Si F est libre, aucune famille de moins de n vecteurs n’est génératrice dans E.

Remarque(admis) Soit E un espace vectoriel sur K. Soient G1 = {v1 , ..., vn } et G2 = {u1 , ..., up }.
Si G∞ est libre et G∈ est génératrice alors p ≥ n.

Théorème 1 (Définition) Soit E est un K-espace vectoriel de dimension finie non réduit à {0}
alors,
– E admet au moins une base.
– toutes les bases de E sont finies et elles ont le même nombre d’éléments.
Ce nombre est appelé dimension de E et est noté dim(E ).
Par convention, on pose dim({0})=0.

Théorème 2 ( Théorème de base incomplète) Soit E un K-espace vectoriel de dimension n et

F = {e1 , e2 , ...., ep } une famille libre de E Alors il est possible de compléter la famille F par
n − p vecteurs notés ep+1 , ........., en tels que {e1 , e2 , ...., ep , ep+1 , ........., en } forme une base de
E

Remarque (Une interprétation de la dimension) Soit E un K-espace vectoriel, de dimension

n ≥ 1.
– Toute famille libre est constituée d’au plus n vecteurs, ou encore : toute famille de plus
de n vecteurs est liée.
– Toute famille génératrice est formée d’au moins n vecteurs, ou encore : toute famille de
moins de n vecteurs n’est pas génératrice.
La dimension n de E est donc :
– Le nombre mimimum d’éléments d’une famille génératrice.
– Le nombre maximum d’éléments d’une famille libre.

Proposition 1.2.2 Soit E un K-espace vectoriel, de dimension n ≥ 1 et F d’éléments telle que

cardF = n.
– Si F est libre alors c’est une base de E

4 Jellali-zlitni.D
CHAPITRE 1. ESPACES VECTORIELS
1.2. DE
ESPACES
DIMENSION
VECTORIELS
FINIS DE DIMENSION FINIE

– Si F est génératrice alors c’est une base de E

Remarque
– On appelle droite vectoriel le tout espace vectoriel E de dimension 1. Tout vecteur non
nul u constitue alors une base de E , et E = {λu, λ ∈ K}.
– On appelle plan vectoriel tout espace vectoriel E de dimension 2. Deux vecteurs u et v
non liés forment une base : E = {λu + µv, λ ∈ K, µ ∈ K}.
– La dimension d’un espace vectoriel E d´ epend du corps de base.
Si E est un espace de dim n sur C, c’est un espace de dimension 2n sur R. Par exemple,
C est une droite vectorielle sur C et un plan vectoriel sur R.
Pour éviter toute ambiguité, on note parfois dimK E..

5 Jellali-zlitni.D
1.2. ESPACES VECTORIELS
CHAPITRE
DE DIMENSION
1. ESPACES
FINIE
VECTORIELS DE DIMENSION FINIS

6 Jellali-zlitni.D
Chapitre 2

Matrices

2.1 Généralités
2.1.1 Définitions et Notations
2.1.2 Matrices particulières
2.1.3 Matrices carrées particulières

2.2 Opérations sur les matrices

2.2.1 L’espace vectoriel Mn,p
2.2.2 Produit des matrices
2.2.3 L’algèbre des matrices Mn
Proposition 2.2.1 (M(K), +, ×) est une algèbre sur K, non commutative si n ≥ 2.
L’élément neutre de la multiplication interne × est la matrice identité :
 
1 0 ... ... 0
 0 1 0 ... 0 
 
In = diag(1, ..., 1) =  ... ... . . . ... ...  .
 
 
 0 0 ... 1 0 
0 0 ... 0 1

Remarque
Si n ≥ 2, l’anneau
 Mncontient
 des
 diviseurs
 dezéro.
0 1 0 1 0 0
Par exemple : =
0 0 0 0 0 0
Donc Mn est un anneau non intégre.

7
2.2. OPÉRATIONS SUR LES MATRICES CHAPITRE 2. MATRICES

En particulier, les égalités AB = AC ou BA = CA n’impliquent pas nécessairement B = C.

Dans Mn (K), on peut utiliser la formule du binôme
p
X
(A + B)p = Cpk Ak B p−k
k=0

mais à condition que les matrices A et B commutent !

Les matrices scalaires λIn commutent avec toutes les matrices de Mn (K).
Définition 5 Soit A ∈ Mn (K). On dit que A est inversible dans Mn ssi il existe B ∈ Mn tq
AB = BA = In . Cette unique matrice est notée A−1 et appelée inverse de A
L’ensemble des matrices inversibles de Mn est un groupe pour la loi produit, appelé groupe
linéaire d’indice n, et noté GLn (K).

Proposition 2.2.2 Une matrice carré A est inversible dans Mn (K) si elle est inversible à droite
ou à gauche ( c-à-d s’il ∃B ∈ Mn (K) tq AB = In ou bien BA = In )

Autrement dit, l’une des deux égalités AB = In ou BA = In implique l’autre, et donc

B = A−1

Remarques
– Soit A une matrice de Mn (K). Alors

A est inversible ⇔ A est simplifiable ⇔ A n’est pas un diviseur de 0.

– Si A et B sont inversibles dans Mn (K), alors AB est inversible et (AB)−1 = B −1 A−1 .

2.2.4 Calcul des puissances d’une matrice

– Utilisation de la formule du binôme :
Pour calculer Ap , il est parfois possible d’écrire A = B + C, et d’utiliser la formule du
binôme, à condition que B et C commutent, et que le calcul des puissances de B et C
soit facile.
Cas fréequent : B est une matrice scalaire et C est nilpotente (telle que C m = 0).
On écrira alors, pour tout p :
p m−1
X X
p p p
A = (B + C) = (B + C) = Cpk λp−k C k = Cpk λp−k C k
k=0 k=0
 
3 2 3
Exemple : Soit A =  0 3 2 
0 0 3
– Déterminer N ∈ M3 (R) tq A = 3I3 + N .

8 Jellali-zlitni.D
CHAPITRE 2. MATRICES 2.2. OPÉRATIONS SUR LES MATRICES

– Déterminer Ak , k ≥ 2
– Utilisation d’une récurrence
Il arrive que les coe cients des premières puissances de A satisfassent à une formule
simple.
Il reste à etablir si cette formule est vraie pour toutes les puissances de A, à l’aide d’une
récurrence.  
1 1 1 1
 1 1 1 1 
Exemple : Soit J =   1 1 1 1 


1 1 1 1
– Calculer J 2 , J 3 .
– Montrer par récurence que J n = 4n−1 J

2.2.5 Transposition
Définition 6 Soit A = (aij ) une matrice de Mnp (K). On appelle transposée de A et on note t A
la matrice B = (bij ) de Mpn (K) tq bij = aji ).
(On remplace les lignes par les colonnes)

Remarque :
La transposée d’une matrice ligne est une matrice colonne.

Propriétés Soit A, B ∈ Mnp (K).

– t (A + B) = t A + t B
– t (AB) = t B t A
– t (t A) = A

2.2.6 Matrices symétriques ou antisymétriques

Définition 7 Une matrice A = (aij ) de Mnp (K). est dite symétrique si t A = A.
Cela équivaut à dire que pour tous indices i et j, aij = aji Autrement dit A est symétrique par
rapport à sa diagonale.

Définition 8 Une matrice A = (aij ) de Mnp (K). est dite antisymétrique si t A = −A.
Cela équivaut à dire que pour tous indices i et j, aij = −aji

Notations et remarques

– Les coefficients diagonaux d’une matrice antisymétrique sont tous nuls.

– On note Sn (K) l’ensemble des matrices de Mn (K) qui sont symétriques.
– On note An (K) l’ensemble des matrices de Mn (K) qui sont antisymétriques

Proposition 2.2.3 Sn (K) et An (K) sont deux sous-espaces supplémentaires de Mn (K)

9 Jellali-zlitni.D
2.3. MATRICE D’UNE APPLICATION LINÉAIRE CHAPITRE 2. MATRICES

Démontration

1. Montrons que Sn (K) et An (K)

2. Soit A ∈ Mn (K).
A + tA A − tA
A= +
2 } | {z
| {z 2 }
∈Sn (K) ∈An (K)

3. Sn (K) ∩ An (K) = {0}

2.2.7 Cas des matrices triangulaires ou diagonales

2.3 Matrice d’une application linéaire

2.3.1 Réprésentation matricielle d’une famille de vecteurs dans une base
Soit E un K-espace vectoriel, de dim n ≥ 1, muni d’une base B = (e1 , e2 , ..., e
n ).
x1
 x2 
 
On peut réprésenter le vecteur x = ni=1 xi ei par la matrice colonne X =  ..  et on note
P
 . 
xn
MatB (x) = X
ainsi on a
MB : E → Mn1 (K)
x 7→ X = MatB (x)
est un isomorphisme.

Définition 9 Soit E un K-espace vectoriel, de dim n ≥ 1, muni d’une base B = (e1 , e2 , ..., en ).
Soit F = {v1 , v2 , ..., vp } une famille de p vecteurs de E.
Pour tout entier j compris entre 1 et p, soit (a1j , a2j , ..., anj ) les composantes de de vj dans la
base B. La matrice A = (aij ) inMnp (K) de M s’ appele la matrice de la famille F dans la
base B.
On note MatB (F ) = MatB (v1 , v2 , ..., vp ) = A.

2.3.2 Matrice d’une application linéaire

Définition 10 Soient E et F deux espaces vectoriels sur K tels que dimE=p ≥ 1 et dimF =n ≥
1.
Soit f ∈ L(E, F ) Supposons B = {e1 , e2 , ..., ep } et C = {v1 , e2 , ..., vn } des bases respectives
de E et F . On appelle matrice de f relativement aux bases B et C la matrice A de la famille
des vecteurs {f (e1 ), f (e2 ), ..., f (ep )} dans la base C.

Cette matrice, élément de Mnp (K), est noté MatB,C (f ) ou bien M (f, B, C)

10 Jellali-zlitni.D
CHAPITRE 2. MATRICES 2.3. MATRICE D’UNE APPLICATION LINÉAIRE

Exemple
1)Soit
f : R2 → R3
(x, y) 7→ (x + y, 2y, y − 2x)
Ecrire la matrice de f relativement aux bases canoniques de R2 et R3 . 2) Soit
ϕ : R2 [X] → R
P 7→ P (0)
Determiner la matrice de ϕ relativement aux bases canoniques de R2 [X] et de R. Remarques
– Pour tout indice j de {1, ..., p}, la j -ième colonne de A = MatB,C (f ) est formée des
composantes du vecteur f (ej ) C.
– Si f ∈ L(E) ( endomorphisme de E). Si on munit E de la même base B au départ et à
l’arrivée on parle de la matrice de f dans la base B. Cette matrice, carrée d’ordre n, sera
notée MatB (f ).
Proposition 2.3.1 Soit E un espace vectoriel sur K muni d’une base B .
Soit f ∈ L(E. on appelle trace de f et on note tr(f ), la trace de f dans une base quelconque de
E
Proposition 2.3.2 Soient E et F deux espaces vectoriels sur K tels que E est muni d’une base
B et F est muni d’une base C.
Soit f ∈ L(E, F ). Pour tout u de E,
l’égalité vectorielle v = f (u) équivaut à l’égalité matricielle MatC (v) = MatB,C (f )MatB (u)
Proposition 2.3.3 Soient E, F deux espaces vectoriels de dimension finis munis des bases B1 ,
B2 .
Soit f, g ∈ L(E, F ). Alors on
1. Mat(f + g, B1 , B2 ) = Mat(f, B1 , B2 ) + Mat(g, B1 , B2 ).
2. ∀α ∈ K, Mat(αf, B1 , B2 ) = αMat(f, B1 , B2 ).
Remarque
La proposition précédente exprime que l’application :

 L(E, F ) → Mnp (K)

 f 7→ Mat(αf, B1 , B2 )
est linéaire. Comme est évideement bijective, c’est un isomorphisme d’espace vectoriels.
On a, en particulier, l’égalité des dimensions :
dimL(E, F ) = dimMnp (K) = np
Proposition 2.3.4 Soient E, F , G trois espaces vectoriels de dimension finis munis des bases
B1 , B2 ,B3 .
Soient f ∈ L(E, F ) et g ∈ L(F, G). Alors
Mat(g ◦ f, B1 , B3 ) = Mat(g, B2 , B3 ) × Mat(f, B1 , B2 ).

11 Jellali-zlitni.D
2.4. CHANGEMENTS DE BASES CHAPITRE 2. MATRICES

Proposition 2.3.5 Soient E, F deux espaces vectoriels de dimension n ≥ 1. On suppose que

B1 est une base de E et B2 B1 est une base de F .
Soit f ∈ L(E, F ). Alors on
1. a) f est isomorphisme si et seulement si Mat(f, B1 , B2 ) est inversible.
2. b) Mat(αf −1 , B1 , B2 ) = (Mat(f, B1 , B2 ))−1 .

Conséquence
f est un automorphisme de E si et seulement si Mat(f, B1 ) est inversible et

Mat(αf −1 , B1 ) = (Mat(f, B1 ))−1

Proposition 2.3.6 Soit E un K-espace vectoriel de dimension n ≥ 1, muni d’une bas B. Soit f
un endomorphisme de E , de matrice A dans la base B. Pour tout entier naturel k, la matrice
de f k dans la base B est Ak .

Remarque (Matrice d’une application nilpotente)

Soit E un K-espace vectoriel de dimension n ≥ 1, muni d’une base B. Soit f un endomor-
phisme de E , de matrice A dans la base B.
Alors f r est nilpotente ⇔ A est nilpotente.

2.4 Changements de bases

2.4.1 Matrices de passage
Définition 11 Soient B = (e1 , ..., en ) et B 0 = (e01 , ..., e0n ) des bases d’un K-espace vectoriel
E. La matrice de passage de la base de la base B à la base B 0 est la matrice de la famille
(e01 , ..., e0n ) dans la base B = (e1 , ..., en ) et noté PB,B 0 (ou bien PB→B 0 .)

Exemple
Dans R3 [X], on considère la base canonique B = {1, X, X 2 } ainsi que la base B 0 = {1, X −
2
1, (X − 1) }. 
1 −1 1
PB→B 0 =  0 1 −2 
0 0 0
2 2
 = 1 + (X− 1), X = 1 + 2(X − 1) + (X − 1) , on onbtient :
et puique X
1 1 1
PB 0 →B =  0 1 2 
0 0 1
Remarque

12 Jellali-zlitni.D
CHAPITRE 2. MATRICES 2.4. CHANGEMENTS DE BASES

– PB→B 0 = Mat(idE , B 0 , B)
– On déduit alors qu’une matrice de passage est inversible et :
(PB→B 0 )−1 = PB 0 →B et PB→B 0 × PB 0 →B = In
– Soient B, B 0 et B 00 des bases d’un K-espace vectoriel E. Alors

PB→B 0 × PB 0 →B 00 = PB→B 00

– Toute matrice inversible de Gln (K) peut être considéré comme la matrice de passage de
la base canonique de Kn à la base formée des vecteurs colonnes de cette matrice.

2.4.2 Effet de changement de base sur les coordonnées d’un vecteur.

Soit E un K-espace vectoriel de dimension n ≥ 1, muni de deux bases B = (e1 , ..., en ) et
B = (e01 , ..., e0n ).
0

Soit x ∈ E/
Xn n
X
x= xi ei = x0i e0i
i=1 i=1

Comme x = idE (x), l’écriture matrielle donne

MatB (x) = MatB 0 ,B (idE ) MatB 0 (x)

Alors    
x1 x01
 ..  .. 
 .  = PB→B 0 

. 
xn x0n

Interprétation :
la matrice de passage de 1’ancienne base B à la nouvel le base B donne les anciennes coor-
données de x en fonction des nouvelles.
Exemple On considère B = {(1, X, X 2 } et B 0 = {(1, X − 1, 2X 2 + 1} deux base de R2 [X].
Soit P = aX 2 + bX + cX. Donner les coordonnées de P dans B 0 . On a

MatB 0 (P ) = PB 0 →B (x) MatB (P )

1 1 − 12
  
c
=  0 1 0   b 
1
0 0 2 a
1
 
c + b − 2a
=  b 
1
2
a

Alors P = (c + b − 12 a) + b(X − 1) + 21 a(2X 2 + 1).

13 Jellali-zlitni.D
2.4. CHANGEMENTS DE BASES CHAPITRE 2. MATRICES

2.4.3 Effet de changement de base une une application linéaire.

Proposition 2.4.1 Soient :
– E et F deux espaces vectoriels sur K, de dimensions respectives p ≥ 1 et n ≥ 1.
– B1 et B2 deux bases de E et leur matrice de passage P = PB1 →B2 .
– C1 et C2 deux bases de F et leur matrice de passage Q = PC1 →C2
– f ∈ L(E, F ) et ses matrices associées :

M1 = Mat(f, B1 , C1 ) et M2 = Mat(f, B2 , C2 )

Alors on a
M2 = Q−1 M1 P

Démonstration : Soit x ∈ E. Alors on a MatB1 (x) = PB1 →B2 MatB2 (x).

D’autre part,

MatC1 (f (x)) = MatB1 ,C1 (f )MatB1 (x) = M1 MatB1 (x)

= M1 PB1 →B2 MatB2 (x)
= M1 P MatB1 (x)

De plus on a d’une part

MatC2 (f (x)) = PC2 →C1 MatC1 (f (x))

= Q−1 M1 P MatB2 (x).

et d’autre part

MatC2 (f (x)) = M2 MatB2 (x)

Finalement, on a arrivé a montrer que

M2 X = Q−1 M1 P X, ∀X.

Remarque
Soit E un espace vectoriel sur K, de dimension n ≥ 1, muni de deux base B et B 0 . Soit P lz
matrice de passage de B à B 0 .
Soit f un endomorphisme de E , de matrice M dans B et de matrice M 0 dans B 0 . . Alors on a
l’égalité :
M 0 = P −1 M P
.

2.4.4

14 Jellali-zlitni.D