Mat 201

Université Grenoble Alpes
Algèbre linéaire
Portail Mathématiques-Informatique
5 octobre 2022
TABLE DES MATIÈRES
Avertissement au lecteur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Programme. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1. Systèmes linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Cours. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.1. Introduction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2. Systèmes d’équations linéaires. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3. Transformations élémentaires d’un système . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4. La méthode du pivot de Gauss sur des exemples . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5. Description de la méthode en général. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.6. Cas d’un système sans second membre. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Fiche de révision. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.1. Méthode du pivot de Gauss. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Entraînement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.1. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2. Espaces vectoriels. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Cours. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.1. Structure de groupe abélien. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2. Structure d’espace vectoriel réel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3. Sous-espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4. Combinaison linéaire, familles libres, liées et génératrices. . . . . . . . . . . . . . . . 39
2.5. Dimension d’un espace vectoriel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.6. Dimension et sous-espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.7. Un exemple : les applications polynomiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4 TABLE DES MATIÈRES
2.1. Espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.2. Preuves . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
Entraînement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.1. Exercice corrigé. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.2. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3. Applications linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
Cours. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.1. Définition. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.2. Opérations sur les applications linéaires. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.3. Applications linéaires et sous-espaces, noyau et image. . . . . . . . . . . . . . . . . . . 68
3.4. Rang d’une application linéaire. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.5. Application linéaires et bases. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.6. Formes linéaires, Hyperplans. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.1. Preuves . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
Entraînement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.1. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4. Calcul matriciel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
Cours. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.1. Matrices. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.2. Opérations sur les matrices. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.3. Coordonnées et matrices colonnes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.4. Matrices et applications linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.5. Matrice de changement de base. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.6. Rang d’une matrice. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.7. Opérations élémentaires sur les matrices. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.8. Systémes linéaires et calcul matriciel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.9. Calcul de l’inverse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
4.1. Produit. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
4.2. Matrices et applications linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
4.3. Changement de base. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
4.4. Preuves . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
Entraînement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
4.1. Vrai ou faux. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
TABLE DES MATIÈRES 5
4.2. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114

Compléments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
4.1. Diagonalisation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
4.2. Décomposition LU. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
5. Applications à la géométrie. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
Cours. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
5.1. Exemples d’applications linéaires. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
5.2. Compléments sur les espaces affines. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
5.3. Sous-espace affine. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
5.4. Applications affines. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
5.5. Applications affines et sous-espaces affines. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
5.6. Exemples d’applications affines, isométries. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
5.1. Preuves . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
Entraînement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
5.1. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
Compléments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
5.1. Représentation matricielle d’une application affine. . . . . . . . . . . . . . . . . . . . . . 158
5.2. Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
5.3. Projection centrale. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
6. Généralisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
Cours. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
6.1. Motivation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
6.2. Structure d’anneau, de corps. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
6.3. Espace vectoriel sur un corps. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
6.4. Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
Entraînement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
6.1. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
App. 1. Annales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
Énoncé première session 2019. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
Corrigé première session 2019. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
Énoncé partiel 2020. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
Corrigé partiel 2020. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
Énoncé deuxième session 2020. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
Corrigé deuxième session 2020. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
6 TABLE DES MATIÈRES
Énoncé partiel 2021. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203

Corrigé partiel 2021. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
Énoncé seconde session 2021. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
Corrigé seconde session 2021. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
Énoncé partiel 2022. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234
Corrigé partiel 2022. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
Énoncé seconde session 2022. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
Corrigé seconde session 2022. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253
Glossaire. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261
Index. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
AVERTISSEMENT AU LECTEUR
Ce polycopié est destiné aux étudiants de l’Unité d’Enseignement MAT201. Cette

unité d’enseignement est obligatoire pour les étudiants de deuxième semestre du portail
Mathématiques et Informatique de l’Université Grenoble Alpes.
Ce polycopié est un outil pédagogique qui vient s’ajouter au cours. Le point de vue
du cours et celui du polycopié peuvent différer offrant deux façons d’aborder une même
notion mathématique.
Les chapitres de ce polycopié se décomposent de la façon suivante :
1. Le cours contient les notions à assimiler. Il convient d’en apprendre les définitions
et les énoncés des résultats principaux. Les démonstrations données doivent être
comprises. Elles servent de modèle pour les exercices de raisonnement. C’est en
comprenant les démonstrations, qu’on apprend à en rédiger.
2. La fiche de révision n’ est pas la liste minimale des notions à connaître. Après
avoir travaillé votre cours, lisez la fiche de révision : vous devez être capable de
réciter chaque définition ou résultat de cette fiche sans la moindre hésitation (y
compris l’énoncé des hypothèses éventuelles), sinon cela veut dire que vous devez
relire attentivement le cours.
PROGRAMME
Prérequis pour cette UE : UE MAT101 du premier semestre.

Programme résumé :
— Systèmes d’équations linéaires, résolution par la méthode du pivot de Gauss.
— Espace vectoriel réel, sous-espace vectoriel, sous-espace engendré, combinaisons
linéaires, Familles de vecteurs libres et liées, bases, dimension.
— Application linéaires, noyau, image, théorème du rang.
— Matrices, somme, produit. Matrice d’une application linéaire, matrice de la com-
posée. Inverse d’une matrice. Calcul en dimension deux et trois. Expression ma-
tricielle des équations linéaires.
— Exemples en dimension 3 : rotations, symétries. Utilisation des matrices 4 × 4
pour représenter les transformations affines de l’espace. Exemples.
— Introduction à la notion de corps, d’espace vectoriel sur un corps. Exemples :
espaces vectoriels complexes, sur le corps des rationnels sur le corps à deux élé-
ments.
Compétences visées :
Ce cours est destiné aux étudiants qui s’orientent vers les mathématiques ou l’infor-
matique. Il couvre les concepts de base de l’algèbre linéaire. Les compétences visées
sont la capacité à résoudre des systèmes d’équations linéaires, la maîtrise des notions
de dimension et d’application linéaire, les bases du calcul matriciel.
MAT201 Systèmes linéaires Cours
Systèmes linéaires
Emmanuel Peyre
Cours
1.1. Introduction. — Au premier semestre, dans l’étude des intersections de droites
et de plans affines, vous avez considéré des systèmes d’équations de la forme
(
2X + Y − Z = 2
X + 3Y + 7Z = 11.
Plus généralement, on peut considérer des systèmes de m équations à n inconnues. De
nombreuses questions se réduisent, après modélisation, à des systèmes d’équations de
ce type. Le but de ce chapitre est de donner une méthode générale de résolution de ces
équations.
La méthode en question, qui s’appelle le pivot de Gauss, consiste à faire des opéra-
tions élémentaires sur le système d’équation, chaque étape donnant un système équi-
valent au système initial, afin de le réduire à un système de forme presque triangulaire,
qu’on peut résoudre aisément.
Après quelques définitions, nous allons expliquer cette méthode sur des exemples
avant de la décrire en général.
1.2. Systèmes d’équations linéaires. — Nous allons d’abord préciser la nature
des équations considérées :
Définition 1.1
Soit n ∈ N un entier. On appelle équation linéaire à n inconnues à coefficients

réels une équation de la forme
a1 X1 + · · · + an Xn = b
11
Cours Systèmes linéaires Chap. 1
où a1 , . . . , an , b sont des nombres réels, appelés coefficients de l’équation et

X1 , . . . , Xn désignent les inconnues.
Remarque 1.2. — Dans cette équation nous notons X1 , . . . , Xm les inconnues, afin
de pouvoir en avoir un nombre arbitraire. Dans le cas où n = 3, on pourrait les noter
X, Y et Z. Dans l’équation précédente, les nombres a1 , . . . , an , b sont des constantes,
dont la valeur ne change pas pendant l’étude du système d’équations.
Définition 1.3
Un système de m équations linéaires à n inconnues est donc un système de la

forme

 a1,1 X1 + · · · + a1,n Xn = b1


 a X +···+a X = b
2,1 1 2,n n 2
(1)
 ...



am,1 X1 + · · · + am,n Xn = bm
où m, n ∈ N et a1,1 , . . . , a1,n , a2,1 , . . . , am,n , b1 , . . . , bm sont m(n + 1) nombres réels.
Une solution du système (1) est un n-uplet de nombres réels (x1 , . . . , xn ) ∈ Rn
tels que
X n
∀i ∈ {1, . . . , m}, ai,j xj = bi .
j=1
Deux systèmes d’équations sont dits équivalents s’ils ont exactement le même
ensemble de solutions.
L’objectif est donc de déterminer l’ensemble des solutions du système d’équation.

Notons qu’en général cet ensemble peut être vide ou infini, mais nous allons démontrer
que si cet ensemble est fini et non vide, alors la solution est unique. Le pivot de Gauss
permet de déterminer cet ensemble de solutions.
1.3. Transformations élémentaires d’un système. — Dans ce paragraphe, nous

fixons des entiers m, n ∈ N et m(n+1) nombres réels a1,1 , . . . , a1,n , a2,1 , . . . , am,n , b1 , . . . , bm .
Pour i ∈ {1, . . . , m}, nous notons Li la i-ème équation du système (1) c’est-à-dire
l’équation
ai,1 X1 + · · · + ai,n Xn = bi .
12
Les deux transformations élémentaires que nous allons décrire donne un système
d’équations linéaires équivalent au précédent.
1.3.1. Échange de deux lignes. — Soient i, j ∈ {1, . . . , m} avec i 6= j. On note Li ↔
Lj la transformation du système (1) qui consiste à échanger la i-ème ligne avec la
j-ème. Autrement dit on obtient le système


 a′1,1 X1 + · · · + a′1,n Xn = b′1

 a′ X + · · · + a′ X = b′
2,1 1 2,n n 2
(2)
 ...


 ′
am,1 X1 + · · · + a′m,n Xn = b′m
avec, pour tout k ∈ {1, . . . , m} et tout l ∈ {1, . . . , n},

aj,l si k = i,

′
ak,l = ai,l si k = j,

a
k,l sinon,
et 

bj si k = i,
bk = bi si k = j,

b
k sinon.
Le système obtenu est équivalent au système initial.
Exemple 1.4. — Si on applique la transformation L1 ↔ L2 au système



 X + Y + Z = 3
3X − 2Y = 1

 2X + 4Y − 3Z = 3,
on obtient le système


 3X − 2Y = 1
X + Y + Z = 3

 2X + 4Y − 3Z = 3,
1.3.2. Ajout d’un multiple d’une ligne à une autre ligne. — Soient i, j ∈ {1, . . . , m}
tels que i 6= j et soit λ ∈ R. On note Li ← Li + λLj la transformation qui consiste à
13
remplacer la i-ème équation du système par l’équation obtenue en ajoutant λ fois la

j-ème équation à la i-ème. Autrement dit, on obtient le système

′ ′ ′
 a1,1 X1 + · · · + a1,n Xn = b1


 a′ X + · · · + a′ X = b′
2,1 1 2,n n 2
(3)

 ...

 ′
am,1 X1 + · · · + a′m,n Xn = b′m
avec, pour tout k ∈ {1, . . . , m} et tout l ∈ {1, . . . , n},
(
ai,l + λaj,l si k = i,
a′k,l =
ak,l sinon,
et (
bi + λbj si k = i,
bk =
bk sinon.
Là encore, le système obtenu est équivalent au système initial. En effet, comme la ligne
Lj n’a pas été modifiée, si on effectuait la transformation Li ← Li − λLj sur le nouveau
système, on retomberait sur le système initial, ce qui prouve que toute solution du
nouveau système est également solution de l’ancien.
Exemple 1.5. — Si on applique la transformation L2 ← L2 − 3L1 au système



 X + Y + Z =3
3X − 2Y =1

 2X + 4Y − 3Z = 3,
on obtient le système


 X + Y + Z =3
− 5Y − 3Z = −8

 2X + 4Y − 3Z = 3.
Notons que cette transformation a fait disparaître l’inconnue X de la deuxième équa-
tion.
La méthode du pivot de Gauss n’utilise que les deux transformations élémentaires

précédentes, mais il est parfois pratique d’en utiliser une troisième
14
1.3.3. Multiplication par une constante non nulle. — Soit i ∈ {1, . . . , m} et soit λ
un nombre réel non nul. La transformation Li ← λLi consiste à remplacer la i-ème
équation par λ fois la i-ème équation. Comme la constante λ est non nulle, le système
obtenu avec cette transformation est également équivalent au système initial.
1.4. La méthode du pivot de Gauss sur des exemples. — L’idée de la méthode

du pivot de gauss est d’utiliser de manière itérée les deux premières transformations
afin d’éliminer une variable de toutes les équations sauf une.
1.4.1. Exemple avec une unique solution. — Voyons cela en action sur l’exemple ci-
dessus : on part du système


 X + Y + Z =3
(4) 3X − 2Y =1

 2X + 4Y − 3Z = 3,
Comme montré auparavant, en effectuant la transformation L2 ← L2 − 3L1 , on obtient
le système équivalent


 X + Y + Z =3
− 5Y − 3Z = −8

 2X + 4Y − 3Z = 3.
De manière à éliminer l’inconnue X de la dernière équation, on effectue alors la trans-

formation L3 ← L3 − 2L1 qui donne le système équivalent :


 X + Y + Z =3
− 5Y − 3Z = −8

 + 2Y − 5Z = −3.
On élimine alors la variable Y de la troisième équation en effectuant la transformation
L3 ← L3 + 25 L2 , ce qui donne le système 1 :


 X + Y + Z =3
− 5Y − 3Z = −8

 − 315
Z = − 315
,
1. On notera que la méthode du pivot de Gauss amène fréquemment à calculer avec des fractions,
même si le système de départ a des coefficients entiers et que l’unique solution est à coordonnées
entières.
15
qui reste équivalent aux précédents. Mais le système obtenu donne l’unique valeur
possible pour Z, c’est-à-dire 1. On obtient donc le système équivalent


 X + Y + Z =3
− 5Y − 3Z = −8

 Z = 1,
En remplaçant Z par sa valeur dans les deux premières équations, on obtient que le
système initial équivaut au système :


 X + Y =2
− 5Y = −5

 Z = 1,
Ce qui donne l’unique valeur possible pour Y et, en définitive, on obtient que les deux
systèmes
 

 X + Y + Z =3 
 X =1
3X − 2Y =1 et Y =1

 2X + 4Y − 3Z = 3, 
 Z = 1,
sont équivalents. Ceci prouve que l’unique solution du système (4) est le triplet (1, 1, 1).
1.4.2. Exemple avec une infinité de solutions. — Appliquons maintenant la méthode
à l’exemple suivant :


 X + Y + Z =3
(5) 2X − 3Y + 7Z = 1

 X − 9Y + 11Z = −7,
Nous allons donc faire les transformations L2 ← L2 −2L1 et L3 ← L3 −L1 pour éliminer
l’inconnue X des deux dernières équations. On obtient alors le système équivalent


 X + Y + Z =3
− 5Y + 5Z = −5

 − 10Y + 10Z = −10,
16
Pour éliminer l’inconnue Y de la dernière équation on effectue la transformation L3 ←

L3 − 2L2 qui nous donne le système


 X + Y + Z =3
− 5Y + 5Z = −5

 0 =0
Comme l’équation 0 = 0 est toujours vraie, on peut la retirer du système et on obtient
que les systèmes

 (
 X + Y + Z =3 X + Y + Z =3
2X − 3Y + 5Z = 6 et

 X + 6Y − 2Z = 3, − 5Y + 5Z = −5
sont équivalents. Le dernier système est un système de deux équation avec trois incon-
nues, la dernière équation permet d’exprimer Y en termes de Z, et en remplaçant Y
par l’expression obtenue, on obtient que le système d’équations (5) est équivalent au
système (
X = 2 − 2Z
Y = 1 + Z
Par conséquent étant donné un nombre réel λ il va exister une unique solution du
système avec Z = λ, à savoir (2 − 2λ, 1 + λ, λ). L’ensemble des solutions du système
d’équations (5) est donc l’ensemble
{ (2 − 2λ, 1 + λ, λ), λ ∈ R }
Autrement dit l’application λ 7→ (2 − 2λ, 1 + λ, λ) est une bijection de l’ensemble des
nombres réels R sur l’ensemble des solutions du système (5).
1.4.3. Exemple sans solution. — Nous allons maintenant considérer le système


 X + Y + Z =3
(6) 2X − 3Y + 7Z = 1

 X − 9Y + 11Z = −5,
Comme dans l’exemple précédent, on effectue les transformations L2 ← L2 − 2L1 et
L3 ← L3 − L1 pour éliminer l’inconnue X des deux dernières équations. On obtient
alors le système 

 X + Y + Z =3
− 5Y + 5Z = −5

 − 10Y + 10Z = −8.
17
Pour éliminer l’inconnue Y de la dernière équation on effectue la transformation L3 ←

L3 − 2L2 qui nous donne le système


 X + Y + Z =3
− 5Y + 5Z = −5

 0 = 2.
Comme l’équation 0 = 2 n’a pas de solution, le système (6) n’a aucune solution dans
R3 .
1.4.4. Un exemple pathologique. — L’objectif de ce chapitre est de décrire une mé-
thode qui s’applique à tous les cas possibles. Dans les exemples précédents, nous n’avons
pas eu à faire d’échanges de lignes car la variable que nous souhaitions éliminer apparais-
sait avec un coefficient non nul dans la première des équations considérées. Considérons
le système de trois équations en les trois inconnues X, Y , Z et T donné par


 Z + T = 2

 Y + 3Z + T = 5

 Y + 2Z − T = 2


2Y − Z + T = 2.
Dans ce système, la variable X a déjà été entièrement été éliminée ; la première variable
à éliminer est donc la variable Y qui n’apparaît pas sur la première ligne. Pour démarrer
la réduction du pivot de Gauss dans ce cas, la première étape consiste donc à échanger
les deux premières lignes. Après la transformation L1 ↔ L2 , on obtient le système


 Y + 3Z + T = 5

 Z + T = 2

 Y + 2Z − T = 2


2Y − Z + T = 2.
On peut alors utiliser la première ligne pour éliminer la variable Y de la troisième ligne
en faisant l’opération L3 ← L3 − L1 et de la quatrième ligne par L4 ← L4 − 2L1, ce
qui donne le système :


 Y + 3Z + T = 5

 Z + T = 2

 − Z − 2T = −3


− 7Z − T = −8.
18
En effectuant les transformations L3 ← L3 + L2 et L4 ← L4 + 7L2 on obtient le système



 Y + 3Z + T = 5

 Z + T = 2

 − T = −1


6T = 6.
Qu’on transforme en système échelonné à l’aide de la transformation L4 ← L4 + 6L3


 Y + 3Z + T = 5

 Z + T = 2

 −T = −1


0 = 0
L’équation 0 = 0 étant toujours vérifiée, on peut la retirer du système. Ensuite, on
remplace T par sa valeur 1 dans les deux premières équations ce qui donne le système
(
Y + 3Z =1
Z =1
On a donc un système avec une variable libre, à savoir la variable X, et deux variables
principales Y et Z et l’ensemble des solutions est l’ensemble
{ (λ, 1, 1), λ ∈ R }.
Remarque 1.6. — Bien entendu, nous aurions pu remplacer Z par sa valeur dès le
début, mais le but de cet exemple est d’illustrer comment la méthode générale qui suit
fonctionne dans le cas où des coefficients sont nuls.
1.5. Description de la méthode en général. — On va maintenant décrire la

méthode pour un système général de la forme (1). Rappelons que Li désigne la i-
ème équation du système. L’objectif est de trouver un système d’équations linéaires
équivalent au système initial qui soit sous une forme particulière, dite échelonnée, dont
la résolution est particulièrement simple.
Premier cas : Si tous les coefficients ai,j sont nuls alors le système est déjà sous forme
échelonnée et le processus s’arrète.
Second cas : Au moins un des coefficients est non nul.
a) On note alors j1 le plus petit entier de {1, . . . , n} tel qu’il existe un entier
i ∈ {1, . . . , m} avec ai,j1 6= 0. On note alors i1 le plus petit entier de {1, . . . , m} tel que
ai1 ,j1 6= 0.
19
b) Quitte à effectuer la transformation L1 ↔ Li1 , on se ramène au cas où i1 = 1.

Autrement dit, on suppose dans la suite que a1,j1 6= 0.
a
c) On effectue, pour i ∈ {2, m}, les transformations Li ← Li − a1,j
i,j1
L1 qui ont pour
1
effet d’éliminer l’inconnue Xj1 de toutes les équations sauf la première.
On considère alors le système formé des équations L2 à Lm du système obtenu par
les opérations précédentes. Il est de la forme

 ′ ′
 a2,1 X1 + · · · + a2,n Xn = b2
...

 a′ X + · · · + a′ X = b
m,1 1 m,n n m
avec a′i,j = 0 si j ∈ {1, . . . , j1 }. On peut alors itérer la procédure avec ce système

d’équations. On utilise alors le lemme suivant :
Lemme 1.7. — Soit i ∈ {1, . . . , m}. Si le système d’équations linéaires formé des
équations Li , . . . , Lm , est équivalent au système donné par les équations L′i , . . . , L′m
alors le système L1 , . . . , Lm est équivalent au système L1 , . . . , Li−1 , L′i , . . . , L′m .
Démonstration. — Notons S l’ensemble des solutions du système L1 , . . . , Lm , S1 celui

des solutions du système L1 , . . . , Li−1 , S2 celui du système Li , . . . , Lm , et S2′ celui du
système L′i , . . . , L′m . Alors, par hypothèse S2 = S2′ . Donc S = S1 ∩ S2 = S1 ∩ S2′ qui est
précisément l’ensemble des solutions du système L1 , . . . , Li−1 , L′i , . . . , L′m .
L’itération de la procédure fournit, de manière algorithmique, un système de m

équations à n inconnues qui va vérifier les conditions de la définition suivante :
Définition 1.8
Un système de m équations linéaires à n inconnues est dit échelonné s’il existe des
entiers j1 , . . . , jp avec 1 6 j1 < j2 < · · · < jp 6 n de sorte que
(i) Si i ∈ {1, . . . , p} et si j est un entier tel que 1 6 j < ji , alors ai,j = 0 ;
(ii) Si i ∈ {1, . . . , p}, alors ai,ji 6= 0 ;
(iii) Si i est un entier avec p < i 6 m et j ∈ {1, . . . , n} alors ai,j = 0
20
Autrement dit, un système échelonné peut s’écrire

(7)

a1,j1 Xj1 + · · · + a1,j2 −1 Xj2 −1 +a1,j2 Xj2 + · · · + a1,j3 −1 Xj3 −1 +· · · +a1,jp Xjp + · · · + a1,n Xn = b1




 a2,j2 Xj2 + · · · + a2,j3 −1 Xj3 −1 +· · · +a2,jp Xjp + · · · + a2,n Xn = b2



 ......................

ap,jp Xjp + · · · + ap,n Xn = bp



 0= bp+1



 ......



0= bm
avec ai,ji 6= 0 pour i ∈ {1, . . . , p}.
On notera que la méthode du pivot dans la phase de mise sous forme échelonnée
ne change pas le nombre d’équations du système.
Définition 1.9
Avec les notations de la définition précédente, on appelle inconnues principales les

inconnues Xj1 , Xj2 , . . . , Xjp , et on dit que p est le rang du système d’équations
linéaires. Les inconnues Xj pour j ∈ {1, . . . , n} {j1 , . . . , jp } sont appelées les
inconnues libres
Il reste maintenant à expliquer comment résoudre un tel système. Il convient pour

cela de distinguer différents cas.
Premier cas. Supposons qu’il existe un entier i avec p < i 6 m tel que bi 6= 0. Alors la
i-ème équation, qui s’écrit 0 = bi n’a pas de solution et le système n’a pas de solution
non plus.
Deuxième cas. On suppose que bi = 0 pour tout entier i ∈ {p + 1, . . . , m} et que
p = n, ce qui signifie que toutes les inconnues sont principales. On a alors la relation
ji = i pour 1 6 i 6 n et, en retirant les équations de la forme 0 = 0, le système
d’équations est équivalent à un système de forme triangulaire :


 a1,1 X1 +a1,2 X2 +· · · +a1,n Xn = b1

 a2,2 X2 +· · · +a2,n Xn = b2
(8)

 ..........


an,n Xn = bn
avec ai,i 6= 0 pour i ∈ {1, . . . , n}.
21
Proposition 1.10
Dans le cas où le rang du système est égal à la fois au nombre de variables et au

nombre d’équations, le système d’équations linéaires possède une unique solution.
Démonstration. — Il suffit de considérer un système de la forme (8). On procède par

récurrence sur le rang n. Si n = 0 le résultat est vrai. Supposons-le vérifié pour n − 1.
Dans ce cas, la dernière équation de (8) donne Xn = abn,n n
. En remplaçant Xn par
bn
an,n
dans les autres équations on obtient un système triangulaire de n − 1 équations en
n−1 inconnues auquel on peut appliquer l’hypothèse de récurrence, il a donc une unique
solution (x1 , . . . , xn−1 ), et l’unique solution du système (8) est donc (x1 , . . . , xn−1 , abn,n
n
)
Remarque 1.11. — La preuve donne la méthode pour trouver l’unique solution :

on obtient d’abord Xn = abn,n
n
, on remplace dans les autres équations, l’avant-dernière
donne alors l’unique valeur possible pour Xn−1 . De proche en proche on peut donc
déterminer l’unique solution du système.
Troisième cas. On suppose que bi = 0 pour tout entier i ∈ {p + 1, . . . , m}. Quitte à

retirer les équations 0 = 0, on se ramène au cas où p = m.
Proposition 1.12
Si le rang est égal au nombre d’équations, et si k1 , . . . , kn−p désignent les indices des
inconnues libres, alors l’application de l’ensemble des solutions vers Rn−p donnée
par
(x1 , . . . , xn ) 7→ (xk1 , . . . , xkn−p )
est une bijection.
En particulier, si n > p, l’ensemble des solutions est infini. La preuve qui suit permet
de décrire explicitement l’ensemble des solutions en utilisant n − p paramètres réels.
Démonstration. — Notons j1 , . . . , jp les indices des inconnues principales On a donc

{1, . . . , n} = {j1 , . . . , jp } ∪ {k1 , . . . , kn−p }.
Soit (xk1 , . . . , xkn−p ) un élément de Rn−p . Il nous faut donc démontrer qu’il existe un
unique p-uplet (xj1 , xj2 , . . . , xjp ) ∈ Rp tel que (x1 , . . . , xn ) soit une solution du système.
22
Mais si on remplace Xki par xki dans le système (7), on obtient un système triangulaire :
 Pn−p

 a1,j1 Xj1 +a1,j2 Xj2 +· · · +a1,jp Xjp = b1 − i=1 a x

 Pn−p 1,ki ki
a2,j2 Xj2 +· · · + a2,n Xjp = b2 − i=1 a2,ki xki
(9)



 Pn−p
an,jp Xjp = bp − i=1 ap,ki xki
Par la proposition 1.10, ce système admet une unique solution (xj1 , . . . , xjp ).
1.6. Cas d’un système sans second membre. — On dit que le système d’équa-
tions linéaires (1) est sans second membre si on a la relation bi = 0 pour i ∈ {1, . . . , m}.
Dans ce cas le système a forcément une solution évidente à savoir la solution nulle
(0, . . . , 0). Deux cas sont donc possibles : soit la solution nulle est la seule solution,
ce qui se produit lorsqu’il n’y a pas d’inconnue libre, soit il existe une solution non
nulle et le nombre de solutions est infini. Comme le nombre d’inconnues principales est
forcément inférieur ou égal au nombre d’équations, on en déduit le résultat suivant :
Proposition 1.13
Un système d’équations linéaires sans second membre dont le nombre de variables

est strictement plus grand que le nombre d’équations admet une solution non nulle.
23
Fiche de révision Systèmes linéaires Chap. 1
Fiche de révision
1.1. Méthode du pivot de Gauss
Le méthode du pivot consiste à utiliser les échanges de lignes et des opérations de
la forme Li ← Li + λLj avec i 6= j pour transformer un système d’équations linéaires
arbitraire en un système échelonné qui lui est équivalent. Un système est dit échelonné
s’il est de la forme

a1,j1 Xj1 + · · · + a1,j2 −1 Xj2 −1 +a1,j2 Xj2 + · · · + a1,j3 −1 Xj3 −1 +· · · +a1,jp Xjp + · · · + a1,n Xn = b1




 a2,j2 Xj2 + · · · + a2,j3 −1 Xj3 −1 +· · · +a2,jp Xjp + · · · + a2,n Xn = b2



 ......................

ap,jp Xjp + · · · + ap,n Xn = bp



 0= bp+1



 ......



0= bm
avec ai,ji 6= 0 pour i ∈ {1, . . . , p}.
Définition R.1.1
Avec les notations précédentes, on appelle inconnues principales les inconnues

Xj1 , Xj2 , . . . , Xjp , et on dit que p est le rang du système d’équations linéaires.
Les inconnues Xj pour j ∈ {1, . . . , n} {j1 , . . . , jp } sont appellées les inconnues
libres
24
MAT201 Systèmes linéaires Entraînement
Entraînement
1.1. Exercices
Exercice 1.1. Résoudre les systèmes d’équations linéaires suivants :
 
X + Y + Z = 3 X + Y + Z = 3
2X + 3Y = 4
Y +Z =2 Y +Z =2
  X − 2Z = 5
Z=1 X +Y =2
Exercice 1.2. Pour chacun des systèmes suivants, tracer la droite de R2 correspondant
à chaque équation ax + by = c du système et trouver graphiquement l’ensemble des
solutions. Vérifier le résultat en utilisant le pivot de Gauss.

X − 3Y = −3
X +Y =1 X −Y =2
X −Y =1
X −Y = 0 Y −X =1 
X +Y =5
Exercice 1.3. Résoudre par la méthode du pivot de Gauss les systèmes linéaires sui-
vants :
3X + Y = 2 2X + 3Y = 1
X + 2Y = 1 5X + 7Y = 3

3X + Y = 2 2X + 4Y = 10
6X + 2Y = 1 3X + 6Y = 15
Exercice 1.4. Résoudre par la méthode du pivot de Gauss les systèmes linéaires sui-
vants :  
 X +Y +Z =1  X +Y +Z =2
X + 2Y + 2Z = 0 X + Y + 2Z = 0
 
Y + 4Z = −4 X + 2Y − Z = 0

  X +Y +Z +T =2
 2X + Y − 3Z = 5 

X + Y + 2Z + 2T = 0
3X − 2Y + 2Z = 5
 
 X + 2Y − Z − T = 1
5X − 3Y − Z = 16  Z−T =0
Exercice 1.5. 1. Déterminer suivant les valeurs du paramètre a les solutions des
systèmes suivants :

X + aY = 2 X − 2Y = 2 X +Y =3
aX + Y = 2 X − aY = a aX + Y = a.
25
Entraînement Systèmes linéaires Chap. 1
2. Déterminer suivant les valeurs des paramètres réels a et b les solutions des sys-
tèmes linéaires suivants :

X − aY = 2 aX + 8Y = b aX + bY = 1
aX + Y = b X − bY = a bX + aY = 1
3. Interprétez les résultats des questions précédentes en termes d’intersections de
droites dans le plan.
Exercice 1.6. On considère pour un nombre réel θ et tous u, v ∈ R le système linéaire

cos(θ)X − sin(θ)Y = u
(S)
sin(θ)X + cos(θ)Y = v
1. Vérifier que, pour tous u, v ∈ R, ce système possède une unique solution que l’on
déterminera.
2. Démontrer que (x, y) ∈ R2 est solution du système (S) si et seulement si on a
l’égalité de nombres complexes
eiθ (x + iy) = u + iv.
Justifier d’une autre manière la réponse de la question 1.
3. Interpréter les résultats précédents à l’aide d’une application du plan dans lui-
même.
Exercice 1.7. Déterminer suivant les valeurs du paramètre réel m les solutions des
systèmes linéaires suivants :
 

 mX − Y + Z = 0 
 mX + Y + Z = 0
−X + Y + Z = 0 X + Y + Z = 0

 X + Y + mZ = 
 X + Y
0 + mZ = 0
Exercice 1.8. Un peu de physique
On considère le réseau hydraulique de la figure 1. Les cuves sont à pressions respec-
tives 3 et 2 bars et la sortie est à pression atmosphérique. La loi hydraulique permettant
de calculer le débit s’énonce Q = α∆P , où Q est le débit du tuyau, ∆P la différence des
pressions en entrée et sortie et α est un coefficient de résistance hydraulique dépendant
de la géométrie et de la matière du tuyau. Les données du constructeur sont
α1 = α2 = 0.1 m3 .s−1 .bar −1 ,
α3 = 0.3 m3 .s−1 .bar −1 .
Quel est le débit de sortie Q3 du réseau ?
26
3 bars 2 bars
débit Q1 débit Q2
résistance α1 résistance α2
débit Q3
pression p
résistance α3
1 bar
Figure 1. Un réseau hydraulique
Exercice 1.9. Choix du pivot et erreurs informatiques

Dans un ordinateur, la norme IEEE 754 simple précision (32 bits) permet de coder
des nombres entre environ 10−45 et 1038 avec une précision de 8 à 9 chiffres significatifs
en base 10. Cela veut dire que si on considère le nombre ε = 10−10 , alors 1 + ε sera
tronqué à 1 par l’ordinateur. De même, le calcul 1 + 1/ε donnera 1/ε = 1010 comme
résultat.
On considère le système linéaire

εX + Y = 1
(S)
X + 2Y = 3
On va regarder sur cet exemple comment le choix du pivot peut radicalement changer
la pertinence d’un calcul fait par un ordinateur.
1. Résoudre (S) à la main de façon exacte.
2. On considère maintenant que le calcul est fait par un ordinateur avec les erreurs
de troncature du type « 1 + ε = 1 ». Utiliser εX comme pivot et éliminer X
dans la deuxième ligne. Finir la résolution et comparer le résultat avec la solution
exacte.
3. Même question si on utilise maintenant le terme X de la deuxième ligne comme
pivot pour éliminer X dans la première ligne.
27
Entraînement Systèmes linéaires Chap. 1
Exercice 1.10. L’algorithme Pagerank

Le réseau internet est composé de milliers de milliards de pages reliées entre elles. On
peut le modéliser par un graphe orienté où deux pages sont reliées par une flèche si l’une
renvoie sur l’autre. La figure 2 donne un exemple de graphe avec seulement 4 pages et 5
liens hypertexte. La question est de savoir quelle est la page la plus pertinente dans ce
réseau. Pour cela, on va attribuer une note PR(i) > 0 à la page i et la plus pertinente
sera celle avec la meilleure note 2 . Ces notes doivent vérifier la relation
PR(A) = (1 − d) + d(PR(T1 )/C(T1 ) + ... + PR(Tn )/C(Tn ))
si on note T1 , . . . , Tn les pages pointant vers la page de A et C(B) le nombre de liens
sur la page B.
3
1
2 4
Figure 2. Internet et ses quatre pages
2. L’article The Anatomy of a Large-Scale Hypertextual Web Search Engine de Sergey Brin et
Lawrence Page publié en 1998 commence par In this paper, we present Google. . . . Plus loin, les
auteurs proposent de définir les notes PR(i) des pages selon la formule de l’algorithme Pagerank.
We assume page A has pages T 1 . . . T n which point to it (i.e., are citations). The parameter d is a
damping factor which can be set between 0 and 1. We usually set d to 0.85. There are more details
about d in the next section. Also C(A) is defined as the number of links going out of page A. The
PageRank of a page A is given as follows :
PR(A) = (1 − d) + d(PR(T 1)/C(T 1) + ... + PR(T n)/C(T n))
Sergey Brin et Lawrence Page disent aussi que PR est une probabilité et PR(i) doit donc être compris
entre 0 et 1. Pour cela, il faudrait en fait remplacer (1 − d) par (1 − d)/N où N est le nombre total de
pages, mais nous laissons ici la coquille de l’article originel qui ne fait que multiplier toutes les notes
par N .
28
1. Écrire le système correspondant aux notes Pagerank du mini-réseau web de la

figure 2 sans remplacer d par sa valeur (on pourra utiliser X, Y , Z et T à la place
de PR(1), . . . , PR(4)).
2. Résoudre le système pour d = 1/2 et dire quelle page est la plus pertinente selon
cette notation.
3. Le nombre de pages indexées par Google est estimé en 2019 à environ 130 mille
milliards de pages. Combien le système linéaire correspondant a-t-il de coeffi-
cients ? Sachant qu’un disque dur standard actuel contient de l’ordre de 1 téraoc-
tet (soit 240 octets) de données, combien de disques durs faudrait-il pour stocker
tous les coefficients de ce système linéaire, si on part de l’hypothèse que chaque
coefficient occupe un octet ? Quel commentaire cela suggère-t-il sur la méthode
décrite dans cet exercice ?
29
MAT201 Espaces vectoriels Cours
Espaces vectoriels
Emmanuel Peyre et Bernard Ycart
Cours
La structure d’espace vectoriel a déjà été introduite au premier semestre. Nous allons
maintenant étudier cette notion de manière plus approfondie en introduisant notam-
ment la notion de sous-espace vectoriel.
2.1. Structure de groupe abélien. — La structure de groupe est une structure
fondamentale en mathématiques, nous l’utiliserons ici pour définir les espaces vectoriels.
Définition 2.1
Un groupe est un ensemble G muni d’une application appelée loi de composition

×G
G −→ G
a, b 7−→ a ∗ b
qui vérifie les conditions suivantes :
(G1) (Associativité)
∀a, b, c ∈ G, (a ∗ b) ∗ c = a ∗ (b ∗ c);
(G2) (Élément neutre) Il existe un élément e de G tel que
∀a ∈ G, a ∗ e = e ∗ a = a;
Un tel élément est unique et s’appelle l’élément neutre de G.
(G3) (Symétrique) Pour tout élément a ∈ G, il existe b ∈ G tel que
a ∗ b = b ∗ a = e.
31
Cours Espaces vectoriels Chap. 2
Pour un a donné, il existe un unique b ∈ G qui vérifie cette condition. On l’appelle

le symétrique (ou inverse) de a.
On dit que le groupe est commutatif ou abélien s’il vérifie en outre la condition
suivante :
(GA1) (Commutativité)
∀a, b ∈ G, a ∗ b = b ∗ a;
Démonstration. — Démontrons l’unicité de l’élément neutre. Si e et e′ vérifient les

conditions de la définition, on a les égalités :
e = e ∗ e′ = e′ .
Soit a ∈ G, démontrons l’unicité du symétrique de a. Si b et b′ ∈ G conviennent,
alors
b = b ∗ e = b ∗ (a ∗ b′ ) = (b ∗ a) ∗ b′ = e ∗ b′ = b′ .
On a utilisé successivement (G2), l’hypothèse sur b′ , (G1), l’hypothèse sur b et (G2).
Exemples 2.2. — i) Les ensembles des entiers relatifs Z, des nombres rationnels Q,
des réels R et des nombres complexes C sont des groupes abéliens pour l’addition +.
ii) L’ensemble des nombres réels non nuls R∗ , et celui des nombres complexes non
nuls C∗ sont des groupes abéliens pour la multiplication ×.
iii) Soit X un ensemble. L’ensemble SX des bijections de X sur X forme un groupe
pour la composition (f, g) 7→ f ◦ g. Ce groupe n’est pas abélien si le cardinal de X est
supérieur ou égal à 3.
Notations 2.3
Un groupe abélien A est parfois noté additivement, dans ce cas la loi est notée +,
l’élément neutre est noté 0, le symétrique de x est noté −x et appelé l’opposé de x.
On note également x − y la différence de deux éléments, définie comme x + (−y).
2.2. Structure d’espace vectoriel réel. — Nous allons maintenant rappeler la

structure d’espace vectoriel, déjà vue au premier semestre, mais en utilisant la notion
de groupe abélien.
32
Définition 2.4
Un espace vectoriel réel (ou R-espace vectoriel ou espace vectoriel sur R) est un
groupe abélien E dont la loi de composition est appelée addition :
×E
E −→ E
~u, ~v 7−→ ~u + ~v
muni d’une application appelée multiplication par un scalaire
×E
R −→ E
λ, ~v 7−→ λ~v
qui vérifient les quatre conditions suivantes :
(EV1) (Associativité de la multiplication scalaire)
∀λ, µ ∈ R, ∀~u ∈ E, λ(µ~u) = (λµ)~u;
(EV2) (Distributivité à droite de la multiplication scalaire)
∀λ ∈ R, ∀~u, ~v ∈ E, λ(~u + ~v ) = λ~u + λ~v ;
(EV3) (Distributivité à gauche de la multiplication scalaire)
∀λ, µ ∈ R, ∀~u ∈ E, (λ + µ)~u = λ~u + µ~u;
(EV4) (Multiplication par l’unité)
∀~u ∈ E, 1~u = ~u.
Remarques 2.5. — i) Les règles de calculs enseignées dans le secondaire pour les
−
→
vecteurs sont valides dans les espaces vectoriels. Ainsi, par exemple, la formule 0~u = 0
pour un élément ~u de E découle des précédentes. En effet, en utilisant uniquement les
conditions de la définition, on a la suite d’égalités :
→
− →
−
0~u = 0~u+ 0 = 0~u+(~u+(−~u)) = (0~u+1~u)+(−~u) = (0+1)~u+(−~u) = 1~u+(−~u) = ~u+(−~u) = 0 .
On laisse en exercice la démonstration du fait que pour tout ~u ∈ E, on a l’égalité
(−1)~u = −~u.
→
−
ii) Par la suite, on note également 0 le vecteur nul 0 . On prendra donc garde que 0
peut aussi bien désigner le nombre réel nul que le vecteur nul.
33
Terminologie 2.6
Un vecteur est un élément d’un espace vectoriel.
Exemples 2.7. — i) L’ensemble Rn , muni de l’addition

(x1 , . . . , xn ) + (y1 , . . . , yn ) = (x1 + y1 , . . . , xn + yn )
pour x1 , . . . , xn , y1, . . . , yn ∈ R et de la multiplication scalaire
λ(x1 , . . . , xn ) = (λx1 , . . . , λxn )
pour λ, x1 , . . . , xn ∈ R, est un espace vectoriel réel. Dans cet espace, le vecteur nul est
→
−
0 = (0, . . . , 0) et l’opposé du vecteur (x1 , . . . , xn ) est le vecteur (−x1 , . . . , −xn ).
ii) Soit n ∈ N et soient E1 , . . . , En des espaces vectoriels. Alors le produit E1 ×· · ·×En
muni de l’addition
(x1 , . . . , xn ) + (y1 , . . . , yn ) = (x1 + y1 , . . . , xn + yn )
où xi , yi ∈ Ei pour i ∈ {1, . . . , n} et de la multiplication scalaire
λ(x1 , . . . , xn ) = (λx1 , . . . , λxn )
où λ ∈ R et xi ∈ Ei pour i ∈ {1, . . . , n} est un espace vectoriel appelé la somme directe
externe des espaces vectoriels E1 , . . . , En . On le note E1 ⊕ E2 ⊕ · · · ⊕ En .
iii) Soit X un ensemble et E un R-espace vectoriel. On munit l’ensemble E X des
applications de X dans E d’une structure de R-espace vectoriel de la façon suivante.
Soient f, g ∈ E X , la somme des applications est l’application f +g de X dans E donnée
par
f + g : x 7→ f (x) + g(x).
Pour éviter les confusions on écrira (f + g)(x) pour la valeur de f + g en x. Soit f ∈ E X
et soit λ ∈ R l’application λf est l’application de X dans E donnée par
λf : x 7→ λf (x)
En particulier si E = R, on obtient une structure d’espace vectoriel sur l’ensemble des
applications de X dans R.
Notations 2.8
Compte tenu de l’associativité de l’addition, on peut définir le symbole de somme

Σ comme on l’a fait pour des familles de nombres. Étant donné des entiers a 6 b
34

et une famille de b − a + 1 vecteurs ~ua , . . . , ~ub , on définit
b
X
~uk = ~ua + ~ua+1 + . . . ~ub .
k=a
P
Par convention, si b < a, la somme bk=a ~uk est le vecteur nul.
Comme l’addition est commutative, on peut généraliser ce symbole somme de la
manière suivante : si I est un ensemble fini et (~ui )i∈I une famille de vecteurs d’un
espace vectoriel E (c’est-à-dire une application de I dans E où ~ui désigne l’image
de i ∈ I), notons n le cardinal de I et soit ψ une bijection de {1, . . . , n} sur I. La
somme n
X
~uψ(k)
k=1
ne dépend pas de la bijection choisie ψ et est notée
X
~ui .
i∈I
P
Exemples 2.9. — Si l’ensemble I est vide, par définition
P on a ui = 0. Si l’en-
i∈I ~
semble I est un singleton, autrement dit I = {a} on a i∈I ~ui = ~ua . Si I = {1, 2}, on
peut écrire
X
~ui = ~u1 + ~u2 .
i∈I
P
Un certain nombre de règles de calcul se généralisent au symbole qui vient d’être
défini. Nous les décrivons dans la remarque suivante :
Remarques 2.10. — i) (Découpage) On suppose que l’ensemble fini I est la réunion

de deux parties I1 et I2 qui sont disjointes, c’est-à-dire que l’intersection I1 ∩I2 est vide.
Alors pour toute famille de vecteurs (~ui )i∈I d’un espace vectoriel E, on a la relation
! !
X X X
(10) ~ui = ~ui + ~ui .
i∈I i∈I1 i∈I2
Pour démontrer cela, notons m le cardinal de I1 et n le cardinal de I alors I2 est

de cardinal n − m. Choisissons alors une bijection ϕ1 de {1, . . . , m} sur I1 et une
bijection ϕ2 de {m + 1, . . . , n} sur l’ensemble I2 . Alors l’application ϕ de {1, . . . , n}
35
dans I donnée par

(
ϕ1 (k) si 1 6 k 6 m,
ϕ(k) =
ϕ2 (k) si m < k 6 n.
est une bijection et on a les relations
n m
! n
! ! !
X X X X X X
~ui = ~uϕ(i) = ~uϕ(k) + ~uϕ(k) = ~ui + ~ui .
i∈I k=1 k=1 k=m+1 i∈I1 i∈I2
Cette formule se généralise par récurrence sur l’entier m aux cas où l’ensemble I est
la réunion de m parties I1 , . . . , Im deux à deux disjointes. Dans ce cas, on obtient la
formule
X m X
X
~ui = ~ui .
i∈I k=1 i∈Ik
ii) (Compatibilité avec l’addition) Si on se donne des familles (~ui )i∈I et (~vi )i∈I de
vecteurs d’un espace vectoriel E indicées par le même ensemble fini I, alors
! !
X X X
~ui + ~vi = (~ui + ~vi ).
i∈I i∈I i∈I
iii) (Compatibilité avec la multiplication par un scalaire) Soit (~ui )i∈I une famille
finie de vecteurs d’un espace vectoriel E, ce qui signifie que l’ensemble I est fini, et soit
λ ∈ R, alors
!
X X
λ ~ui = λ~ui .
i∈I i∈I
iv) (Changement de variables) Soient I et J des ensembles finis, et soit ϕ : I → J

une bijection. En particulier, les ensemble I et J ont même cardinal. Soit (uj )j∈J une
famille de vecteurs d’un espace vectoriel E. Alors on a la formule
X X
~uϕ(i) = ~uj .
i∈I j∈J
Dans une telle situation, on dit qu’« on fait le changement de variables j = ϕ(i) ».
P
Quand on manipule le symbole il faut vérifier pour chaque égalité que le nombre
de termes de la somme ne change pas. Ainsi la formule (10) est fausse si I1 ∩ I2 6= ∅
car les sommes à droite de l’égalité contiennent plus de termes que la somme à gauche.
36
2.3. Sous-espace vectoriel. — Les sous-espaces vectoriels sont des parties d’un es-
pace vectoriel qui peuvent être elle-même vues comme un espace vectoriel.
Définition 2.11
Soit E un espace vectoriel réel. Un sous-espace vectoriel de E est une partie F

de E qui vérifie les trois conditions suivantes :
(i) La partie F n’est pas vide ;
(ii) Elle est stable pour l’addition :
∀~u, ~v ∈ F, ~u + ~v ∈ F ;
(iii) Elle est stable pour le multiplication par un scalaire :
∀λ ∈ R, ∀~u ∈ F, λ~u ∈ F.
Ces conditions permettent de munir F de l’addition et le multiplication déduites
par restriction de celles de E :
× F −→ F
F × F −→ F
R
et
~u, ~v 7−→ ~u + ~v λ, ~v 7−→ λ~v,
L’ensemble F muni de ces application est un espace vectoriel.
Démonstration. — Soit F un sous-espace vectoriel de E. La seule difficulté pour dé-

montrer que F muni des lois induites est bien un espace vectoriel est de démon-
trer que c’est un groupe pour l’addition, c’est-à-dire qu’il contient le vecteur nul et
l’opposé de ses éléments. Mais, par la condition (i), la partie F est non vide. Soit
~u ∈ F . Alors 0 = 0~u ∈ F par la condition (iii). De même pour tout ~u ∈ F , l’opposé
−~u = (−1)~u ∈ F .
Remarque 2.12. — Il résulte de ce qui précède qu’un sous espace vectoriel contient
toujours le vecteur nul. Dans la pratique, on vérifie la condition (i) en vérifiant que
0 ∈ F.
Par contre, il est essentiel de vérifier que F n’est pas vide, car la partie vide vérifie
les conditions (ii) et (iii), mais ne peut pas être munie d’une structure d’espace
vectoriel.
37
Exemples 2.13. — i) Les parties 0 et E d’un R-espace vectoriel E sont des sous-
espaces vectoriels de E.
ii) Soit I un ensemble et soit (Ei )i∈I une famille de sous-espaces vectoriels de E.
L’intersection de cette famille de parties est définie comme
\
Ei = { ~u ∈ E | ∀i ∈ I, ~u ∈ Ei }.
i∈I
Démontrons que c’est un sous-espace T vectoriel de E.

Pour tout i ∈ TI, 0 ∈ Ei donc 0 ∈ i∈I Ei ;
Soient ~u, ~v ∈ i∈I Ei . Alors pour tout i ∈ I, on a que ~u ∈ Ei et ~v T ∈ Ei , et donc
~u + ~v ∈ Ei , puisque ETi est un sous-espace vectoriel de E. Donc ~u + ~v ∈ i∈I Ei . Enfin
soit λ ∈ R et ~u ∈ i∈I Ei . Pour tout i ∈ I, le vecteur ~u T appartient à Ei et donc
λ~u ∈ Ei , puisque Ei est un sous-espace vectoriel. Donc λ~u ∈ i∈I Ei .
Notons que, si I est l’ensemble vide, cette intersection est, par définition, l’espace
vectoriel E lui-même.
iii) Soit E un R espace vectoriel et soient F1 et F2 des sous-espaces vectoriels de E.
En général, F1 ∪ F2 n’est pas un sous-espace vectoriel de E. Plus précisément,
supposons que F1 n’est pas contenu dans F2 et que F2 n’est pas contenu dans F1 .
On peut alors choisir un vecteur ~u1 ∈ F1 F2 et un vecteur ~u2 ∈ F2 F1 si ~u1 +~u2 ∈ F1 ,
alors ~u2 = ~u1 + ~u2 − ~u1 ∈ F1 ce qui contredit l’hypothèse faite sur ~u2 . De même, on
démontre que ~u1 + ~u2 ne peut pas appartenir à F2 . Par conséquent ~u1 + ~u2 n’appartient
pas à F1 ∪ F2 ce qui prouve que cet ensemble n’est pas un sous-espace vectoriel de E.
Par contre si F1 ⊂ F2 (resp. F2 ⊂ F1 ) alors la réunion F1 ∪ F2 est égale à F2 (resp. F1 )
et cette réunion est, dans ce cas très particulier, un sous-espace de E.
On a donc démontré que, pour des sous-espaces vectoriels F1 et F2 , l’ensemble F1 ∪F2
est un sous-espace vectoriel de E si et seulement si l’un des deux sous-espaces vectoriels
est contenu dans l’autre.
iv) Considérons à nouveau des sous-espaces vectoriels F1 et F2 d’un R-espace vecto-
riel E Démontrons que l’ensemble
F1 + F2 = { ~u1 + ~u2 , (~u1, ~u2 ) ∈ F2 × F2 }
est un sous-espace vectoriel de E. Tout d’abord 0 = 0 + 0 appartient à F1 + F2 .
Soit ~u et ~v des éléments de F1 + F2 . On peut donc trouver ~u1 , ~v1 ∈ F1 et ~u2 , ~v2 ∈ F2
tels que ~u = ~u1 + ~u2 et ~v = ~v1 + ~v2 . On peut alors écrire les égalités :
~u + ~v = (~u1 + ~u2 ) + (~v1 + ~v2 ) = (~u1 + ~v1 ) + (~u2 + ~v2 )
Comme ~u1 + ~v1 appartient à F1 et ~u2 + ~v2 appartient à F2 , cela prouve que ~u + ~v
appartient à F1 + F2 ce qui prouve l’assertion (ii) de la définition.
38
Soit maintenant ~u ∈ F1 + F2 et λ ∈ R. On peut écrire ~u = ~u1 + ~u2 avec ~u1 ∈ F1 et

~u2 ∈ F2 . L’égalité λ~u = λ~u1 + λ~u2 prouve que λ~u ∈ F1 + F2 ce qui conclut la preuve
du fait que F1 + F2 est un sous-espace vectoriel de E.
Notons que tout sous-espace vectoriel de E qui contient F1 et F2 contient forcément
F1 + F2 . Donc F1 + F2 peut être caractérisé comme le plus petit sous espace vectoriel
de E, au sens de l’inclusion, qui contient la réunion F1 ∪ F2 . F1 + F2 s’appelle la somme
des sous-espaces vectoriels F1 et F2 .
2.4. Combinaison linéaire, familles libres, liées et génératrices. — Dans ce
paragraphe, la lettre E désigne un espace vectoriel réel. On définit une combinaison
linéaire de vecteurs comme suit.
Définition 2.14
Soit n ∈ N et soient ~u1 , . . . , ~un des vecteurs de E. On appelle combinaison linéaire

des vecteurs ~u1 , . . . , ~un tout vecteur w ~ qui peut s’écrire :
Xn
w
~= λi ~ui = λ1~u1 + · · · + λn~un ,
i=1
où λ1 , . . . , λn sont des nombres réels.
Exemple 2.15. — Si ~u et ~v sont deux vecteurs, les combinaisons linéaires de ~u et ~v

sont les vecteurs de la forme λ~u + µ~v, où λ et µ sont deux réels quelconques.
Notation 2.16
Soit n ∈ N et soient ~u1 , . . . , ~un des vecteurs de E. On note Vect(~u1 , . . . , ~un ) l’en-
semble des combinaisons linéaires des vecteurs ~u1 , . . . , ~un .
Proposition 2.17
Soit n ∈ N et soient ~u1 , . . . , ~un des vecteurs de E. L’ensemble Vect(~u1 , . . . , ~un ) est
un sous-espace vectoriel de E.
39
Tout sous espace vectoriel de E qui contient ~u1 , . . . , ~un contient Vect(~u1 , . . . , ~un ).
Le sous-espace vectoriel Vect(~u1 , . . . , ~un ) est appelé le sous-espace vectoriel de E
engendré par {~u1 , . . . , ~un }.
Pn
Démonstration. — Tout d’abord 0 = ui ce qui prouve que Vect(~u1 , . . . , ~un )
i=1 0~
contient le vecteur nul.
Soient maintenant ~v et w ~ des éléments de Vect(~u1 , . . . , ~un ). Par définition de cet
ensemble, il existe des n-uplets de nombres réels (λ1 , . . . , λn ) et (µ1 , . . . , µn ) tels que
n
X n
X
~v = λi~ui et w
~= µi~ui .
i=1 i=1
Cela fournit l’égalité

n
X n
X
~v + w
~= (λi~ui + µi~ui ) = (λi + µi )~ui .
i=1 i=1
Donc ~v + w~ est également une combinaison linéaire des vecteurs ~u1 , . . . , ~un .
PSoit
n
µ ∈ R et soit ~v ∈ Vect(~u1 , . . . , ~un ). Comme précédemment, on écrit ~v =
ui avec (λ1 , . . . , λn ) ∈ Rn . On obtient
i=1 i ~
λ
n
! n
X X
µ~v = µ λi~ui = µλi~ui
i=1 i=1
où la première égalité résulte de la remarque 2.10 iii). Cela démontre que µ~v est une
combinaison linéaire des vecteurs ~u1 , . . . , ~un .
Exemples 2.18. — Si n = 0, alors il résulte de nos conventions sur les sommes que
le sous-espace vectoriel engendré est {0}.
Si n = 1 et si ~u1 est un vecteur non nul, le sous-espace vectoriel engendré est formé
de tous les multiples de ~u1 . Ce sous-espace vectoriel est alors une droite (figure 3). Par
contre, si ~u1 = 0, alors tout multiple de ~u1 est également non nul et le sous-espace
vectoriel engendré est {0}.
Pour deux vecteurs ~u1 et ~u2 , il va falloir également distinguer plusieurs cas : sur la
figure 4 est représenté un exemple où l’espace vectoriel engendré par deux vecteurs de
l’espace forme un plan. Mais supposons que le vecteur ~u2 soit proportionnel au vecteur
~u1 , c’est-à-dire que ~u2 = ρ~u1 pour un nombre réel ρ avec ~u1 6= 0. Alors une combinaison
linéaire des vecteurs ~u1 , ~u2 s’écrit
w
~ = λ1~u1 + λ2~u2 = (λ1 + λ2 ρ)~u1 ;
40
Vect(~u1 )
~u1
Figure 3. Sous-espace vectoriel engendré par un vecteur non nul
~u1
~u2
Figure 4. Sous-espace vectoriel engendré par deux vecteurs
autrement dit Vect(~u1 , ~u2) = Vect(~u1) est une droite. Enfin, si les deux vecteurs sont
nuls, le sous-espace vectoriel engendré est à nouveau réduit à {0}.
Les exemples précédents montrent l’intérêt d’introduire un critère qui permet de

préciser la nature du sous-espace vectoriel engendré. C’est l’objet des définitions qui
41
suivent ; celles-ci permettront de définir une notion de rang pour les familles de vecteurs.
Définition 2.19
Soit n ∈ N et soient ~u1 , . . . , ~un des vecteurs de E.

On dit que le n-uplet (~u1 , . . . , ~un ) est :
a) Une famille libre si elle vérifie la condition suivante :
Xn
n
∀(λ1 , . . . , λn ) ∈ R , λi ~ui = ~0 =⇒ (λ1 = . . . = λn = 0);
i=1
b) Une famille liée si elle n’est pas libre ;

c) Une famille génératrice de E si tout vecteur de l’espace E est combinaison
linéaires des vecteurs ~u1 , . . . , ~un .
d) Une base de E si c’est une famille libre et génératrice.
Remarque 2.20. — Dans ce cours, nous ne définissons la notion de famille libre ou

génératrice que pour des familles finies ; pour éviter toute confusion, il nous arrivera
de parler de famille génératrice finie. Ainsi on dira qu’un espace vectoriel E admet
une famille génératrice finie s’il existe un entier n ∈ N et un n-uplet (~u1 , . . . , ~un ) de
vecteurs de E qui est une famille génératrice de E.
Exemples 2.21. — Soit ~u un vecteur de E. La famille (~u) est libre si et seulement si
le vecteur ~u n’est pas nul.
Si un des vecteurs ~u1 , . . . , ~un est nul, alors la famille (~u1 , . . . , ~un ) est liée.
Définition 2.22
Des vecteurs ~u et ~v de E sont dit colinéaires s’il existe un nombre λ ∈ R tel que
~v = λ~u ou ~u = λ~v.
Remarque 2.23. — De manière équivalente, les vecteurs ~u et ~v sont colinéaires si

~u = 0 ou s’il existe un nombre λ ∈ R tel que ~v = λ~u.
42
Proposition 2.24
Soient ~u et ~v des vecteurs de E. La famille (~u, ~v) est liée si seulement si les vecteurs
~u et ~v sont colinéaires.
Démonstration. — Supposons la famille liée. Il existe alors un couple de nombres réels

(λ, µ) 6= (0, 0) tel que λ~u + µ~v = 0. Si µ = 0, alors λ 6= 0 et donc ~u = 0. Par conséquent
les vecteurs sont colinéaires. Sinon ~v = − µλ ~u et les vecteurs sont également colinéaires.
Réciproquement, supposons que les vecteurs sont colinéaires. Si ~v = λ~u, alors λ~u +
(−1)~v = 0 ; Donc la famille (~u, ~v ) est liée. On raisonne de même si ~u = λ~v .
Terminologie 2.25
Trois vecteurs liés sont dits coplanaires.
Plus généralement, pour n vecteurs on peut démontrer la proposition suivante :
Proposition 2.26
Soit n ∈ N et soit ~u1 , . . . , ~un des vecteurs de E. La famille (~u1 , . . . , ~un ) est liée si
et seulement s’il existe un entier i ∈ {1, . . . , n} tel que ~ui soit combinaison linéaire
des autres vecteurs ~u1 , . . . , ~ui−1, ~ui+1 , . . . , ~un .
Démonstration. — Supposons tout d’abord qu’il existe un entier i ∈ {1, . . . , n} tel que
~ui soit combinaison linéaire des autres vecteurs ~u1 , . . . , ~ui−1 , ~ui+1, . . . , ~un . alors il existe
n − 1 nombres réels λ1 , . . . , λi−1 , λi+1 , . . . , λn tels que
X
~ui = λk ~uk .
k∈{1,...,n} {i}
Posons alors λi = −1, on obtient la relation

n
X
λk ~uk = 0
k=1
et comme λi 6= 0, ces nombres réels ne sont pas tous nuls, ce qui prouve que la famille
est liée.
43
Réciproquement supposons que la famille de vecteurs est liée. Il existe donc une
famille de n nombre réels (λ1 , . . . , λn ) non tous nuls tels que
X n
λk ~uk = 0
k=1
Soit i ∈ {1, . . . , n} tel que λi 6= 0 et posons µk = − λλki pour k ∈ {1, . . . , n} {i}. Alors
X
~ui = µk ~uk ,
k∈{1,...,n} {i}
ce qui démontre que ~ui est combinaison linéaire des autres vecteurs.
Lemme 2.27. — Soit n ∈ N et soit ~u1 , . . . , ~un une famille de vecteurs. Si ~v est une
combinaison linéaire de ~u1 , . . . , ~un alors
(11) Vect(~v , ~u1 , . . . , ~un ) = Vect(~u1, . . . , ~un ).
Démonstration. — Pour tout (λ1 , . . . , λn ) ∈ Rn , on a
Xn X n
λi~ui = 0~v + λi~ui ,
i=1 i=1
ce qui prouve que dans (11) le sous-espace à droite de l’égalité est inclus dans celui de
gauche.
Démontrons l’inclusion inverse. Soit w
~ une combinaison linéaire de ~v , ~u1, . . . , ~un On
peut donc écrire
Xn
w
~ = λ~v + λi~ui
i=1
pour un (λ, λ1 , . . . , λn ) ∈ Rn+1 . Mais comme ~v est Pncombinaison linéaire des vecteurs
~u1 , . . . , ~un , il existe (µ1 , . . . , µn ) ∈ R tel que ~v = i=1 µi ~ui . Par conséquent,
n
n
! n n
X X X
w
~ =λ µi ~ui + λi ~ui = (λµi + λi )~ui
i=1 i=1 i=1
ce qui prouve que w
~ est combinaison linéaire de ~u1 , . . . , ~un .
44
Terminologie 2.28
Soit X un ensemble. Soient m, n ∈ N et soient (x1 , . . . , xm ) ∈ X m et (y1 , . . . , yn ) ∈

X n . On dit que (x1 , . . . , xm ) est extrait de (y1 , . . . , yn ) s’il existe une application
strictement croissante ϕ : {1, . . . , m} → {1, . . . , n} tel que xi = yϕ(i) pour i ∈
{1, . . . , m}.
Notons qu’en particulier, dans ce cas, m 6 n. Autrement dit, si i1 , . . . , im ∈

{1, . . . , n} satisfait i1 < i2 < · · · < im , alors (xi1 , xi2 , . . . , xim ) est extraite de
(x1 , . . . , xn ). Comme la composée de deux applications strictement croissantes est
strictement croissante, une famille extraite d’une famille extraite de (y1 , . . . , yn ) est
encore une famille extraite de (y1, . . . , yn ).
Proposition 2.29
De toute famille génératrice finie on peut extraire une base.
Démonstration. — Soit (~u1 , . . . , ~un ) une famille génératrice de l’espace vectoriel E. Il

faut démontrer qu’il existe une famille extraite de (~u1, . . . , ~un ) qui est une base de E.
Nous allons raisonner par récurrence sur l’entier n. Si n = 0, alors comme la famille
vide () est toujours libre, cette famille est libre et génératrice, donc c’est une base de
E. Notons que dans ce cas E = {0}.
Supposons maintenant le résultat vrai pour une famille de n − 1 vecteurs. Si la
famille (~u1, . . . , ~un ) est libre, alors c’est une base de E et le résultat est démontré.
Sinon cette famille est liée. Par la proposition 2.26, cela implique qu’il existe un entier
i ∈ {1, . . . , n} tel que ~ui soit combinaison linéaire de (~u1 , . . . , ~ui−1 , ~ui+1 , . . . , ~un ). Par le
lemme 2.27, cela implique l’égalité
Vect(~u1 , . . . , ~un ) = Vect(~u1 , . . . , ~ui−1, ~ui+1 , . . . , ~un ).
Mais par hypothèse, (~u1 , . . . , ~un ) est génératrice, donc cet espace vectoriel est E, ce qui
prouve que la famille (~u1 , . . . , ~ui−1 , ~ui+1, . . . , ~un ) est également génératrice. En appli-
quant l’hypothèse de récurrence à cette famille génératrice de n − 1 vecteurs on obtient
une famille extraite de (~u1 , . . . , ~ui−1, ~ui+1 , . . . , ~un ) qui est une base. Mais cette famille
est également un famille extraite de la famille (~u1 , . . . , ~un ).
45
Proposition 2.30
Soit n ∈ N et soit ~u1 , . . . , ~un des vecteurs de E. On considère l’application ϕ :

Rn → E définie par
n
X
ϕ(λ1 , . . . , λn ) = λk ~uk
k=1
alors
a) La famille (~u1 , . . . , ~un ) est libre si et seulement si ϕ est injective ;
b) La famille (~u1 , . . . , ~un ) est génératrice si et seulement si ϕ est surjective ;
c) La famille (~u1 , . . . , ~un ) est une base si et seulement si ϕ est bijective.
Démonstration. — Démontrons l’assertion a). Dire que la famille est liée signifie qu’il
existe (λ1 , . . . , λn ) 6= (0, . . . , 0) tels que ϕ(λ1 , . . . , λn ) = 0 = ϕ(0, . . . , 0). Donc si la
famille est liée, l’application n’est pas injective.
Inversement, supposons que ϕ n’est pas injective, alors il existe deux éléments dis-
tincts (λ1 , . . . , λn ) et (µ1 , . . . , µn ) de Rn tels que ϕ(λ1 , . . . , λn ) = ϕ(µ1 , . . . , µn ). Par
conséquent,
Xn n
X
λi ~ui = µi~ui
k=1 k=1
ce que l’on peut réécrire
n
X
(λi − µi )~ui = 0.
k=1
Mais comme les deux n-uplets sont distincts, le n-uplet (λ1 − µ1 , . . . , λn − µn ) est non
nul, ce qui prouve que la famille est liée.
L’assertion b) résulte du fait que l’image de ϕ est l’ensemble des combinaisons li-
néaires des vecteurs ~u1 , . . . , ~un .
L’assertion c) résulte des deux premières équivalences et de la définition d’une base.
46
Définition 2.31
Si (~e1 , . . . , ~en ) est une base de E, les coordonnées d’un vecteur ~u ∈ E dans la base
(~e1 , . . . ~en ) est l’unique n-uplet (λ1 , . . . , λn ) ∈ Rn tel que
X n
λi~ei = ~u.
k=1
2.5. Dimension d’un espace vectoriel. — Dans ce cours, nous ne définirons la

dimension que quand celle-ci est finie.
Définition 2.32
Un espace vectoriel est dit de dimension finie s’il possède une famille génératrice
finie.
L’objectif principal de ce ce paragraphe est de démontrer le théorème suivant, admis

au premier semestre.
Théorème 2.33
Soit E un espace vectoriel de dimension finie. Alors E admet une base formée d’un
nombre fini de vecteurs et si (~e1 , . . . , ~em ) et (f~1 , . . . , f~n ) sont des bases de l’espace
vectoriel E alors m = n.
L’existence d’une base résulte de la proposition 2.29. Pour démontrer l’égalité n = m,

nous allons utiliser le lemme suivant :
Lemme 2.34. — Soit E un espace vectoriel de dimension finie. Soit (~e1 , . . . , ~em ) une
famille génératrice de E et soit (f~1 , . . . , f~n ) une famille de vecteurs avec n > m. Alors
la famille (f~1 , . . . , f~n ) est liée.
Démonstration. — Comme (~e1 , . . . , ~em ) est une famille génératrice de E pour tout
j ∈ {1, . . . , n}, le vecteur f~j est une combinaison linéaire des vecteurs ~e1 , . . . , ~em . On
peut donc trouver des nombres réels a1,j , . . . , am,j tels que
m
X
f~j = ai,j ~ei .
i=1
47
Soit (x1 , . . . , xn ) ∈ Rm . La relation

n
X
(12) xj f~j = 0.
j=1
se réécrit !
n
X m
X
xj ai,j ~ei = 0.
j=1 i=1
En échangeant les sommes finies on obtient que cela équivaut à la relation
m n
!
X X
xj ai,j ~ei = 0.
i=1 j=1
Par conséquent, toute solution (x1 , . . . , xn ) du système d’equations linéaires



 a1,1 X1 + · · · + a1,n Xn = 0

 a2,1 X1 + · · · + a2,n Xn = 0
(13)

 ...


am,1 X1 + · · · + am,n Xn = 0
vérifie la formule (12). Mais comme n > m, il résulte de la proposition 1.13 que le
système (13) admet une solution non nulle. Cela prouve que la famille (f~1 , . . . , f~n ) est
liée.
Preuve du théorème 2.33. — Par contraposée, il résulte du lemme que si la famille
(~e1 , . . . , ~em ) est génératrice et la famille (f~1 , . . . , f~n ) est libre, alors on a l’inégalité
n 6 m.
Soient (~e1 , . . . , ~em ) et (f~1 , . . . , f~n ) des bases de E. La première famille est génératrice
et le seconde libre donc n 6 m mais la seconde est aussi génératrice et la première libre
ce qui donne l’inégalité dans l’autre sens. On obtient l’égalité m = n.
Définition 2.35
Si (~e1 , . . . , ~en ) est une base de l’espace vectoriel E, alors n s’appelle la dimension
de E. On la note dim(E).
Une droite vectorielle est un espace vectoriel de dimension un, un plan vectoriel
est un espace vectoriel de dimension deux.
48
Le rang d’une famille de vecteurs (~u1 , . . . , ~un ) est la dimension de l’espace vec-
toriel engendré Vect(~u1 , . . . , ~un ).
Remarque 2.36. — Comme la famille (~u1 , . . . , ~un ) est une famille génératrice de
l’espace vectoriel Vect(~u1 , . . . , ~un ), ce dernier est bien un espace vectoriel de dimension
finie.
Théorème 2.37
On suppose que l’espace vectoriel est de dimension n. Soit (~u1 , . . . , ~un ) ∈ E n une
famille de n vecteurs. Les assertions suivantes sont équivalentes
(i) La famille (~u1 , . . . , ~un ) est libre ;
(ii) La famille (~u1 , . . . , ~un ) est génératrice ;
(iii) La famille (~u1 , . . . , ~un ) est une base.
On prendra garde au fait que l’équivalence ne vaut que lorsque le nombre de

vecteurs de la famille est égal à la dimension de l’espace.
Démonstration. — Par définition d’une base, l’assertion (iii) implique les deux pre-
mières.
Démontrons l’implication (i)⇒(iii). Soit ~v un vecteur de E. Comme E est de dimen-
sion n, il possède une famille génératrice avec n vecteurs. Par le lemme 2.34, la famille
(~v, ~u1 , . . . , ~un ) est liée. Donc il existe une famille (µ, λ1 , . . . , λn ) ∈ Rn+1 non nulle telle
que
n
X
µ~v + λi~ui = 0
k=1
P
Si µ = 0 alors nk=1 λi ~ui = 0 avec (λ1 , . . . , λn ) 6= 0, ce qui contredit le fait que la
famille (~u1, . . . , ~un ) est libre donc µ 6= 0 et on en déduit l’égalité
X n
−λi
~v = ~ui .
k=1
µ
Comme cela s’applique à tout vecteur ~v de E, cela prouve que la famille (~u1 , . . . , ~un )
est génératrice. C’est donc bien une base de E.
Démontrons l’implication (ii)⇒(iii). Comme la famille (~u1 , . . . , ~un ) est génératrice,
par la propriété 2.29 on peut en extraire une famille (~ui1 , . . . , ~uim ) qui est une base
49
de E avec 1 6 i1 < i2 < · · · < im 6 n. Mais par le théorème 2.33, on a l’égalité m = n

ce qui implique les égalités ik = k pour k ∈ {1, . . . , n} et prouve que (~u1 , . . . , ~un ) est
une base de E.
Proposition 2.38
Soit (~e1 , . . . , ~en ) une base d’un espace vectoriel E et soit (~u1 , . . . , ~um) une famille
libre de E. alors on peut extraire de (~e1 , . . . , ~en ) une famille (~ei1 , . . . , ~ein−m ) de sorte
que (~u1 , . . . , ~um , ~ei1 , . . . ~ein−m ) forme une base de E.
Démonstration. — Par le lemme 2.34, on a l’inégalité m 6 n et donc n − m > 0. Nous

allons raisonner par récurrence sur n − m.
Initialisation Si n−m = 0, alors il résulte du théorème 2.37 que la famille (~u1 , . . . , ~un )
est une base de E, ce qui prouve le théorème dans ce cas.
Hérédité Supposons n−m > 1 et le résultat connu pour (n−m)−1. Comme n−m > 1,
par le théorème 2.33, la famille (~u1 , . . . , ~um ) n’est pas génératrice. Par le lemme 2.27,
si pour tout i ∈ {1, . . . , n}, le vecteur ~ei est une combinaison linéaire de (~u1, . . . , ~um )
alors
E = Vect(~e1 , . . . , ~en ) = Vect(~e1 , . . . , ~en , ~u1 , . . . , ~um) = Vect(~u1 , . . . , ~um ),
ce qui contredit le fait que (~u1 , . . . , ~um ) n’est pas une famille génératrice. Par consé-
quent, il existe i1 ∈ {1, . . . , n} tel que ~ei1 n’est pas combinaison linéaire de ~u1 , . . . , ~um .
En outre, on peut choisir i1 comme le plus petit entier pour lequel cette condition est
vérifiée. Soient (µ, λ1 , . . . , λm ) tels que
m
X
µ~ei1 + λi ~ui = 0.
i=1
Si on avait µ 6= 0, alors ~ei1 pourrait s’écrire comme combinaison linéaire de ~u1 , . . . , ~um ,
ce qui contredit le choix de i1 . Donc µ = 0. Comme la famille (~u1 , . . . , ~um ) est libre, on
obtient que (λ1 , . . . , λm ) est également nul. Cela prouve que la famille (~u1 , . . . , ~um, ~ei1 )
est libre et en appliquant l’hypothèse de récurrence à cette famille, on obtient qu’il
existe une famille de n − m − 1 vecteurs (~ei2 , . . . , ~ein−m ) extraite de (~e1 , . . . , ~en ) telle que
(~u1, . . . , ~um , ~ei1 , . . . , ~ein−m ) soit une base de E. Comme cette famille est libre, les entiers
i1 , . . . , in−m sont deux à deux distincts, ce qui démontre le résultat pour n − m.
50
Corollaire 2.39
Dans un espace vectoriel de dimension finie, on peut toujours compléter une famille
libre de E en une base de E.
Pour terminer donnons la dimension de la somme directe externe d’espaces vectoriels
Proposition 2.40
Soient E1 , E2 des R-espaces vectoriels de dimension finie. Alors E1 ⊕ E2 est de

dimension finie et
dim(E1 ⊕ E2 ) = dim(E1 ) + dim(E2 ).
Démonstration. — Pour i ∈ {1, 2} posons ni = dim(Ei ) et choisissons une base

(~ei,1 , . . . , ~ei,ni ) de Ei . On note également ι1 (resp. ι2 ) l’application de E1 (resp. E2 )
dans E1 ⊕ E2 qui envoie un vecteur ~u sur le vecteur (~u, 0) (resp. (0, ~u)). Nous allons
vérifier que la famille de n1 + n2 vecteurs
(ι1 (~e1,1 ), . . . , ι1 (~e1,n1 ), ι2 (~e2,1 ), . . . , ι2 (~e2,n2 ))
est une base de la somme directe.
PSoit
ni
~u = (~u1 , ~u2) un vecteur de E1 ⊕ E2 . Pour i ∈ {1, 2}, on peut écrire ~ui =
ei,j , avec (λi,1 , . . . , λi,ni ) ∈ Rni . Par définition de la structure d’espace vectoriel
j=1 i,j ~
λ
sur la somme directe, on a les égalités,
ni
2 X
X
~u = (~u1 , ~u2 ) = ι1 (~u1 ) + ι2 (~u2 ) = λi,j ιi (~ei,j ),
i=1 j=1
ce qui prouve que la famille considérée est génératrice.

Soit (λ1,1 , . . . , λ1,n1 , λ2,1 , . . . , λ2,n2 ) ∈ Rn1 +n2 une famille de nombres réels tels que
ni
2 X
X
λi,j ιi (~ei,j ) = 0
i=1 j=1
alors !
n1
X n2
X
λ1,j ~e1,j , λ2,j ~e2,j = 0.
j=1 j=1
P i
Donc nj=1 λi,j ~ei,j = 0 pour i ∈ {1, 2}. Ceci entraîne que (λi,1 , . . . , λi,ni ) = 0 pour
i ∈ {1, 2} et donc tous les coefficients sont nuls. La famille est donc également libre.
51
Remarque 2.41. — On peut généraliser la formule précédente à la somme directe

externe de m R-espaces vectoriels
m
X
dim(E1 ⊕ E2 ⊕ · · · ⊕ Em ) = dim(Ei ).
i=1
2.6. Dimension et sous-espace vectoriel. — Nous allons maintenant nous inté-

resser à la dimension d’un sous-espace vectoriel
Théorème 2.42
Soit E un espace vectoriel de dimension finie n et soit F un sous-espace vectoriel

de E. Alors F est un sous espace vectoriel de dimension finie m avec m 6 n. En
outre, m = n si et seulement si F = E.
Démonstration. — Soit (~u1 , . . . , ~uk ) une famille libre de F . Par le lemme 2.34, on a
k 6 n. Autrement dit, le nombre de vecteurs dans une famille libre de F admet un
maximum que nous notons m. Soit (~u1 , . . . , ~um) une famille libre de F , démontrons
que cette famille est une base de F . Pour cela il suffit de vérifier qu’elle est génératrice.
Soit ~v ∈ F . Comme m est maximal, la famille (~v , ~u1 , . . . , ~um) est liée. Donc il existe
une famille (µ, λ1, . . . , λm ) ∈ Rm+1 non nulle telle que
Xm
µ~v + λi ~ui = 0.
k=1
Comme la famille (~u1 , . . . , ~um ) est libre, le nombre réel µ est non nul, et on en déduit
que ~v est combinaison linéaire ~u1 , . . . , ~um . Donc la famille (~u1 , . . . , ~um) est génératrice
et c’est une base de F .
Si F = E, alors dim(F ) = dim(E). Réciproquement, supposons n = dim(F ) =
dim(E). Soit (~u1 , . . . , ~un ) une base de F . C’est une famille libre de F et donc de E
avec dim(E) vecteurs. Par le théorème 2.37 c’est une famille génératrice de E. Mais F
contient toutes les combinaisons linéaires des vecteurs de cette base, donc E ⊂ F .
2.7. Un exemple : les applications polynomiales. — Rappelons la définition de
cet ensemble d’applications de R dans R vue au premier semestre.
52
Définition 2.43
Une application P de R dans R est dite polynomiale s’il existe un entier d et d + 1

nombres réels a0 , . . . , ad de sorte que
(14) ∀x ∈ R, P (x) = ad xd + ad−1 xd−1 + · · · + a0 .
Proposition 2.44
Les applications polynomiales forment un sous-espace vectoriel de l’espace vectoriel

RR des applications de R dans R, qui est stable par produit et dérivation.
Pour tout d ∈ N, notons X d l’application de R dans R donnée par x 7→ xd . Pour
tout n ∈ N, la famille (1, . . . , X n ) est libre. En particulier, si P vérifie la condition
(14), les coefficients a0 , . . . , ad sont uniquement déterminés par l’application P .
Remarque 2.45. — Par convention, on a l’égalité x0 = 1 pour tout nombre réel x.
Démonstration. — Par définition, l’application constante nulle est polynomiale et si P

est une application polynomiale, alors, pour tout λ ∈ R, l’application λP est également
polynomiale. Soient P et Q des applications polynomiales. Il existe alors des entiers p
et q, ainsi que des nombres réels a0 , . . . , ap et b0 , . . . , bq tels que
p q
X X
k
(15) P (x) = ak x et Q(x) = bk xk
k=0 k=0
pour x ∈ R. Posons n = max(p, q) et posons ak = 0 si p + 1 6 k 6 p + q et bk = 0 si

q + 1 6 k 6 p + q. Alors on a la relation
n
X
(P + Q)(x) = (ak + bk )xk
k=0
si x ∈ R, ce qui prouve que P + Q est polynomiale. Par ailleurs les relations

p
! q
! p+q n
!
X X X X
k k
(16) (P Q)(x) = ak x × bk x = ak bn−k xn
k=0 k=0 n=0 k=0
démontrent que le produit d’applications polynomiales

P est encore polynomiale et que
les coefficients du produit sont données par ck = nk=0 ak bn−k .
53
Enfin, nous avons vu au premier semestre que, si P vérifie la condition (14) alors elle
est dérivable et sa dérivée vérifie
d−1
X
′
∀x ∈ R, P (x) = (k + 1)ak+1xk
k=0
ce qui prouve que P est également polynomiale. À partir de l’expression donnée par
′
la dérivée, on peut démontrer par récurrence sur n que la valeur de la dérivée k-ème
en 0 est donnée par
P (k) (0) = k!ak .
Par conséquent, comme k! 6= 0, si la fonction est la fonction constante nulle, alors les
coefficients ak sont nuls, ce qui prouve la liberté de la famille (1, X, . . . , X n ).
Notation 2.46
On note R[X] l’espace vectoriel des applications polynomiales de R dans R. Pour

tout d ∈ N, on note également R[X]6d (ou R[X]d ) l’espace Vect(1, X, . . . , X d ).
Remarques 2.47. — i) Si p 6 q, on a l’inclusion R[X]6p ⊂ R[X]6q .

ii) Par la proposition précédente, (1, X, . . . , X d ) est une base de R[X]6d qui est donc
un espace vectoriel de dimension d + 1.
iii) Notons qu’une application P : R → R appartient à Vect(1, X, . . . , X d ) si et
Pd
seulement s’il existe (a0 , . . . , ad ) ∈ Rd+1 tel que P = i=0 ai X . Mais cette égalité
i
signifie exactement que l’application P vérifie la relation (14)

iv) Par définition des applications polynomiales, il résulte donc de la remarque pré-
cédente que [
R[X] = R[X]6d .
d∈N
Autrement dit, pour tout P ∈ R[X], il existe d ∈ N tel que P ∈ R[X]6d .
54
Définition 2.48
Soit P ∈ R[X]. Le degré de P est défini par

(
min{d ∈ N | P ∈ R[X]6d} si P 6= 0,
deg(P ) =
−∞ si P = 0.
Remarques 2.49. — i) Soit d > 1. Soit P un élément de R[X]6d . Notons (a0 , . . . , ad )

ses coordonnées dans la base (1, X, . . . , X d ). Alors l’application P appartient à
R[X]6d−1 si et seulement si ad = 0. Il en résulte que deg(P ) = d si et seulement s’il
existe un d + 1-uplet de nombres réels (a0 , . . . , ad ) avec ad 6= 0 tel que
∀x ∈ R, P (x) = ad xd + ad−1 xd−1 + · · · + a0 .
ii) On étend l’addition de N à l’ensemble N ∪ {−∞} en posant −∞ + α = −∞ pour

α ∈ N ∪ {−∞}.
Proposition 2.50
Soient P et Q des éléments de R[X], alors

a) deg(P + Q) 6 max(deg(P ), deg(Q)), avec égalité si deg(P ) 6= deg(Q) ;
b) deg(P Q) = deg(P ) + deg(Q).
Démonstration. — Les deux assertions sont vraies si P = 0 ou Q = 0. On suppose

maintenant que les applications P et Q sont non nulles on pose p = deg(P ), q = deg(Q)
et n = max(p, q) Comme R[X]6p ⊂ R[X]6n et R[X]6q ⊂ R[X]6n et que R[X]n est
un sous-espace vectoriel de R[X], on optient que P + Q ∈ R[X]6n ce qui prouve la
première inégalité.
Si deg(P ) 6= deg(Q), quitte à échanger P et Q, on peut supposer que deg(P ) <
deg(Q). Mais alors P ∈ R[X]6n−1 . cela implique que P + Q 6∈ R[X]6n−1, car sinon on
aurait deg(Q) 6 n − 1 ce qui contredirait la définition de n. Donc deg(P + Q) = n dans
ce cas.
La formule (16) montre que P Q ∈ R[X]6p+q . En outre, en reprenant les notations
de la preuve de la proposition , les coefficients de degré p + q du produit est donné par
cp+q = ap bq .
55
Il est donc non nul.
56
MAT201 Espaces vectoriels Fiche de révision
Fiche de révision
2.1. Espaces vectoriels
Définition R.2.1
Soit E un espace vectoriel réel. Un sous-espace vectoriel de E est une partie F

de E qui vérifie les trois conditions suivantes :
∀~u, ~v ∈ F, ~u + ~v ∈ F ;
(iii) Elle est stable pour le multiplication par un scalaire :
∀λ ∈ R, ∀~u ∈ F, λ~u ∈ F.
Définition R.2.2
Soit E un R-espace vectoriel. Soit n ∈ N et soient ~u1 , . . . , ~un des vecteurs de E.

On appelle combinaison linéaire des vecteurs ~u1 , . . . , ~un tout vecteur w~ qui peut
s’écrire : n
X
w~= λi ~ui = λ1~u1 + · · · + λn~un ,
i=1
où λ1 , . . . , λn sont des nombres réels.
Définition R.2.3
Soit n ∈ N et soient ~u1 , . . . , ~un des vecteurs de E.

On dit que le n-uplet (~u1 , . . . , ~un ) est :
a) Une famille libre si elle vérifie la condition suivante :
Xn
n
∀(λ1 , . . . , λn ) ∈ R , λi ~ui = ~0 =⇒ (λ1 = . . . = λn = 0);
i=1
57
Fiche de révision Espaces vectoriels Chap. 2
b) Une famille liée si elle n’est pas libre ;

c) Une famille génératrice de E si tout vecteur de l’espace E est combinaison
linéaires des vecteurs ~u1 , . . . , ~un .
d) Une base de E si c’est une famille libre et génératrice.
Définition R.2.4
Si (~e1 , . . . , ~en ) est une base de E, les coordonnées d’un vecteur ~u ∈ E dans la base
(~e1 , . . . ~en ) est l’unique n-uplet (λ1 , . . . , λn ) ∈ Rn tel que
X n
λi~ei = ~u.
k=1
Théorème R.2.5
Soit E un espace vectoriel de dimension finie n et soit F un sous-espace vectoriel

de E. Alors F est un sous espace vectoriel de dimension finie m avec m 6 n. En
outre, m = n si et seulement si F = E.
2.2. Preuves. — Essayez de réécrire les preuves de la proposition 2.24 et du théo-

rème 2.37 sans les regarder, puis comparez avec les preuves du polycopié.
58
MAT201 Espaces vectoriels Entraînement
Entraînement
2.1. Exercice corrigé
Exercice 2.1. On note
F = { (x.y.z.t) ∈ R4 | x + y + 2z + t = 0 }.
1. Démontrer que F est un sous-espace vectoriel de R4 .
2. Expliquer pourquoi dim(F ) 6 3.
3. Donner une description paramétrique de F .
4. Donner une base de F et déterminer sa dimension
Dans cette résolution de l’exercice, ce qui est écrit en bleu correspond à des com-
mentaires sur la résolution, mais ne fait pas partie de ce qu’il faut écrire pour résoudre
correctement l’exercice.
1. Il convient de vérifier les trois conditions qui caractérisent un sous espace vectoriel
(i) Comme 0 + 0 + 2 × 0 + 0 = 0, le quadruplet (0, 0, 0, 0) appartient à F .
(ii) Vérifions que F est stable par addition. Soient (x, y, z, t) ∈ F et
(x , y ′, z ′ , t′ ) ∈ F . Par définition de F , on a
′
x + y + 2z + t = 0 et x′ + y ′ + 2z ′ + t′ = 0
Par conséquent
(x + x′ ) + (y + y ′) + 2(z + z ′ ) + t + t′ = (x + y + 2z + t) + (x′ + y ′ + 2z ′ + t′ ) = 0,
ce qui prouve que
(x, y, z, t) + (x′ , y ′, z ′ , t′ ) = (x + x′ , y + y ′, z + z ′ , t + t′ ) ∈ F.
(iii) Vérifions que F est stable par multiplication par un scalaire. Soit
(x, y, z, t) ∈ F et λ ∈ R alors x + y + 2z + t = 0 et donc
λx + λy + 2λz + λt = λ(x + y + 2z + t) = 0.
Donc λ(x, y, z, t) = (λx, λy, λz, λt) ∈ F
On finit avec la conclusion. Donc F est un sous-espace vectoriel de R4 .
2. Comme F est un sous-espace vectoriel de R4 qui est de dimension 4, on a que
dim(F ) 6 4. Mais si dim(F ) = 4, alors F = R4 . Or le quadruplet (1, 0, 0, 0)
n’appartient pas à F , puisque 1 + 0 + 2 × 0 + 0 = 1 6= 0. Donc dim(F ) 6= 4 et
dim(F ) 6 3.
59
Entraînement Espaces vectoriels Chap. 2
3. Donner une description paramétrique de F revient à résoudre le système linéaire

des équations qui définissent F pour exprimer les variables principales en termes
des variables libres.
L’équation
X + Y + 2Z + T = 0
équivaut à l’équation
X = −Y − 2Z − T
Donc
F = { (−a − 2b − c, a, b, c), (a, b, c) ∈ R3 }.
4. La question précédente donne en fait une bijection de R3 sur F ; l’idée pour
trouver une base de F est de regarder les vecteurs de F qui correspondent aux
vecteurs de la base usuelle de R3 . Autrement dit on regarde les trois vecteurs de
F obtenus lorsque le triplet (a, b, c) vaut (1, 0, 0), (0, 1, 0) et (0, 0, 1)
Par la question précédente, les vecteurs f~1 = (−1, 1, 0, 0), f~2 = (−2, 0, 1, 0) et
f~3 = (−1, 0, 0, 1) sont des vecteurs de F . Démontrons que la famille (f~1 , f~2 , f~3 )
est libre. Soit (x, y, z) ∈ R3 tel que xf~1 + y f~2 + z f~3 = 0. Alors
x(−1, 1, 0, 0) + y(−2, 0, 1, 0) + z(−1, 0, 0, 1) = 0
c’est-à-dire
(−x − 2y − z, x, y, z) = (0, 0, 0, 0).
Par conséquent x = y = z = 0, ce qui prouve que la famille (f~1 , f~2 , f~3 ) est libre.
Comme (f~1 , f~2 , f~3 ) est une famille libre de vecteurs de F , on obtient que
dim(F ) > 3. Or par la question 2, dim(F ) 6 3, on obtient donc dim(F ) = 3
et (f~1 , f~2 , f~3 ) est une base de F .
2.2. Exercices
Exercice 2.2. 1. Démontrer que Z, muni de l’addition est un groupe abélien.
2. Démontrer que l’ensemble des entiers naturels N muni de l’addition possède un
élément neutre, mais n’est pas un groupe.
3. Soit X un ensemble.
(a) Démontrer que l’ensemble SX des bijections de X sur X, est un groupe pour
la composition des applications.
(b) On suppose que X contient au moins trois éléments distincts. Démontrer que
le groupe SX n’est pas abélien.
60
Exercice 2.3. Les parties suivantes sont-elles des sous-espaces vectoriels de R2 ? (jus-
tifier la réponse)
1. A = {(x, y) ∈ R2 | x 6 y}
2. B = {(x, y) ∈ R2 | xy = 0}
3. C = {(x, y) ∈ R2 | x = y}
4. D = {(x, y) ∈ R2 | x + y = 1}
5. E = {(x, y) ∈ R2 | x2 − y 2 = 0}
6. F = {(x, y) ∈ R2 | x2 + y 2 = 0}
Exercice 2.4. Parmi les sous-ensembles suivants de l’espace vectoriel RN des suites
de nombres réels, lesquels sont des sous-espaces vectoriels, lesquels ne le sont pas et
pourquoi ?
1. L’ensemble B des suites bornées.
2. L’ensemble des suites nulles à partir d’un certain rang.
3. L’ensemble des suites constantes à partir d’un certain rang.
4. L’ensemble des suites décroissantes à partir d’un certain rang.
5. L’ensemble des suites convergeant vers 0.
6. L’ensemble des suites monotones.
7. L’ensemble des suites dont la valeur est 6 1 à partir d’un certain rang.
8. L’ensemble des suites 3-périodiques.
9. L’ensemble des suites périodiques de période 3.
10. L’ensemble des suites périodiques.
Exercice 2.5. Parmi les familles suivantes de vecteurs de R3 , déterminer les quelles
sont génératrices et lesquelles sont libres (justifier les réponses données). Si une de ces
familles est une base, d’eterminer les coordonnées d’un triplet arbitraire (a, b, c) ∈ R3
dans cette base.
1. ((1, 1, 0), (0, 1, 1)),
2. ((0, 0, 1), (0, 1, 1), (1, 1, 1)),
3. ((0, 1, −1), (1, 0, −1), (1, −1, 0)),
4. ((0, 1, 1), (1, 1, 1), (1, 2, 1)),
5. ((1, 2, 3), (4, 5, 6), (7, 8, 9)),
6. ((0, 0, 1), (0, 1, 1), (1, 1, 1), (1, 2, 1)).
61
Entraînement Espaces vectoriels Chap. 2
Exercice 2.6. Parmi les familles suivantes de vecteurs de R4 , déterminer les quelles
sont génératrices et lesquelles sont libres (justifier les réponses données).
1. ((0, 1, −2, 1), (1, −1, 0, 3), (−2, 7, −10, −1)),
2. ((0, 1, −2, 1), (1, −1, 0, 3), (−1, 4, −6, 0)),
3. ((0, 0, 0, 1), (0, 0, 1, 1), (0, 1, 1, 1), (1, 1, 1, 1)),
4. ((0, 1, −1, 0), (1, 0, −1, 0), (1, −1, 0, 0), (0, 0, 0, 1)),
5. ((1, 1, 1, 2), (1, 1, 2, 1), (1, 2, 1, 1), (2, 1, 1, 1)).
Exercice 2.7. Donner une condition nécessaire et suffisante portant sur les paramètres
réels a et b pour que chacune des familles suivantes soient des bases de R3 .
1. ((1, 1, 1), (0, a, 1), (0, 0, b)),
2. ((1, 0, 1), (a, b, 1), (b, a, 1)),
3. ((1, a, b), (a, 1, a), (b, b, 1)),
4. ((a, a, b), (a, b, a), (b, a, a)),
5. ((0, a, b), (a, 0, b), (a, b, 0)).
Exercice 2.8. Les familles suivantes de RR sont-elles libres ?
1. (f1 : x 7→ cos(x), f2 : x 7→ sin(x), f3 : x 7→ 1),
2. (f1 : x 7→ cos2 (x), f2 : x 7→ cos(2x), f3 : x 7→ 1),
3. (f1 : x 7→ |x − 1|, f2 : x 7→ |x|, f3 : x 7→ |x + 1|),
Exercice 2.9. Pour tout entier i ∈ N, on note ei la suite de nombre réels (δi,n )n∈N où
(
1 si i = j,
δi,j =
0 sinon.
1. Démontrer que, pour tout n ∈ N, la famille (e1 , . . . , en ) est une famille libre de
l’espace vectoriel RN .
2. L’espace vectoriel RN est-il de dimension finie ?
3. On définit R(N) comme l’ensemble des suites de nombres réels (un )n∈N telles que
l’ensemble {n ∈ N | un 6= 0} est fini.
(a) Démontrer que R(N) est un sous-espace vectoriel de RN .
(b) Ce sous-espace vectoriel est-il de dimension finie ?
Exercice 2.10. Montrer par récurrence que les familles suivantes de n vecteurs de RR
sont libres (On pourra utiliser la dérivation).
62
1. (fk : x 7→ sin(kx))16k6n ,
2. (fk : x 7→ eλk x ))16k6n où λ1 , . . . , λn sont des nombres réels deux à deux distincts.
63
MAT201 Applications linéaires Cours
Applications linéaires
Emmanuel Peyre
Cours
3.1. Définition. — Les applications linéaires sont les applications entre espaces vec-
toriels qui sont compatibles avec la structure des espaces vectoriels.
Définition 3.1
Soient E et F des R-espaces vectoriels. Une application linéaire de E dans F est

une application ϕ : E → F qui vérifie les deux conditions suivantes :
(i) L’application ϕ est compatible avec l’addition :
∀~u, ~v ∈ E, ϕ(~u + ~v ) = ϕ(~u) + ϕ(~v);
(ii) L’application ϕ est compatible avec la multiplication par un scalaire :
∀λ ∈ R, ∀~u ∈ E, ϕ(λ~u) = λϕ(~u).
Remarques 3.2. — i) On peut vérifier simultanément les conditions (i) et (ii) en

vérifiant la condition :
∀λ ∈ R, ∀~u, ~v ∈ E, ϕ(~u + λ~v) = ϕ(~u) + λϕ(~v).
En effet en prenant λ = 1 dans cette condition, on obtient la condition (i) et en prenant

~u = 0 on obtient la condition (ii).
ii) Notons que ϕ(0) = ϕ(0 + 0) = ϕ(0) + ϕ(0). Donc ϕ(0) = ϕ(0) − ϕ(0) = 0. La
définition donne également les égalités ϕ(−~u) = ϕ((−1)~u) = (−1)ϕ(~u) = −ϕ(~u).
65
Cours Applications linéaires Chap. 3
Par récurrence sur l’entier n, on déduit également des conditions (i) et (ii), que si
~u1 , . . . , ~un sont des vecteurs de E et λ1 , . . . , λn des nombres réels
n
! n
X X
ϕ λi~ui = λi ϕ(~ui ).
i=1 i=1
Exemple 3.3. — Soit (~u1, . . . , ~un ) une famille de vecteurs d’un R-espace vectoriel E.
Soit ϕ : Rn → E l’application définie par
n
X
ϕ(x1 , . . . , xn ) = xk ~uk .
k=1
Cette application, qui intervient notamment dans la proposition 2.30, est une applica-
tion linéaire. En effet, soient (x1 , . . . , xn ) ∈ Rn , (y1 , . . . , yn ) ∈ Rn et λ ∈ R. Alors
n
X
ϕ((x1 , . . . , xn ) + λ(y1 , . . . , yn )) = (xk + λyk )~uk
k=1
n
! n
!
X X
= xk ~uk +λ yk ~uk = ϕ(x1 , . . . , xn ) + λϕ(y1 , . . . , yn ).
k=1 k=1
Terminologie 3.4
Soit E un R espace vectoriel. Un endomorphisme de E est une application linéaire

de E dans E.
3.2. Opérations sur les applications linéaires

Proposition 3.5
Soient E, F et G des R-espaces vectoriels ; soient ϕ : E → F et ψ : F → G

des applications linéaires. Alors la composée ψ ◦ ϕ : E → G est également une
application linéaire.
Démonstration. — Soient ~u et ~v des vecteurs de E et λ ∈ R, alors

ψ◦ϕ(~u+λ~v) = ψ(ϕ(~u+λ~v)) = ψ(ϕ(~u)+λϕ(~v)) = ψ(ϕ(~u))+λψ(ϕ(~v)) = ψ◦ϕ(~u)+λψ◦ϕ(~v),
ce qui prouve la linéarité de l’application ψ ◦ ϕ.
66
Proposition 3.6
Soient E et F des R-espaces vectoriels. Soit ϕ : E → F une application linéaire.

Si ϕ est une application bijective alors l’application réciproque ϕ−1 est également
linéaire.
Démonstration. — Soient ~u, ~v des vecteurs de F et soit λ ∈ R. On a les égalités

ϕ−1 (~u + λ~v ) = ϕ−1 ϕ(ϕ−1 (~u)) + λϕ(ϕ−1(~v ))

= ϕ−1 ϕ ϕ−1 (~u) + λϕ−1 (~v) = ϕ−1 (~u) + λϕ−1 (~v ).
Définition 3.7
Un isomorphisme d’espaces vectoriels est une application linéaire qui est bijective.
Des espaces vectoriels réels E et F sont dits isomorphes s’il existe un isomor-
phisme d’espaces vectoriels de E sur F .
Remarques 3.8. — i) On notera que la composée de deux isomorphismes d’espaces

vectoriels est également un isomorphisme, et, par la proposition précédente, que l’ap-
plication réciproque d’un isomorphisme d’espaces vectoriels est également un isomor-
phisme.
ii) Un isomorphisme d’espaces vectoriels préserve les propriétés des familles de vec-
teurs. En effet soit ψ : E → F un isomorphisme d’espaces vectoriels et soient ~u1 , . . . , ~um
des vecteurs de E. Si la famille (~u1 , . . . , ~um ) est libre (resp. génératrice, resp. une base),
alors il en est de même de la famille (ψ(~u1 ), . . . , ψ(~um)) En effet considérons l’applica-
tion ϕ : Rm → E associée à la famille (~u1 , . . . , ~um) comme dans l’exemple 3.3. Alors
la composée ψ ◦ ϕ est l’application linéaire associée à la famille (ψ(~u1 ), . . . , ψ(~um )).
Il résulte de la proposition 2.30 que si (~u1 , . . . , ~um) est libre (resp. génératrice, une
base) alors ϕ est injective (resp. surjective, bijective) ; donc ψ ◦ ϕ est injective (resp.
surjective, bijective) et donc (ψ(~u1), . . . , ψ(~um )) est libre (resp. génératrice, une base).
iii) En particulier, si E est de dimension finie et F un espace vectoriel isomorphe à E,
alors F est de dimension finie et dim(F ) = dim(E). Nous en verrons une réciproque
dans le théorème 3.20.
67
Proposition 3.9
Soient E et F des R-espaces vectoriels. L’ensemble L (E, F ) des applications li-

néaires de E dans F est un sous-espace vectoriel de l’espace F E des applications
de E dans F .
Démonstration. — L’application constante de valeur nulle est linéaire. Soient ϕ1 et ϕ2

des applications linéaires de E dans F et soient ~u, ~v ∈ E et λ ∈ R alors
(ϕ1 + ϕ2 )(~u + λ~v ) = ϕ1 (~u + λ~v) + ϕ2 (~u + λ~v )
= ϕ1 (~u)+λϕ1 (~v)+ϕ2 (~u)+λϕ2 (~v ) = ϕ1 (~u)+ϕ2 (~u)+λ(ϕ1 (~v )+ϕ2 (~v )) = (ϕ1 +ϕ2 )(~u)+λ(ϕ1 +ϕ2 )(~v)
On vérifie de manière similaire que si ϕ ∈ L (E, F ) et λ ∈ R, alors λϕ ∈ L (E, F ).
3.3. Applications linéaires et sous-espaces, noyau et image. — Les applica-

tion linéaires étant compatibles avec les lois d’un espace vectoriel, elles préservent les
sous-espaces vectoriels :
Proposition 3.10

Alors
a) Si E ′ est un sous-espace vectoriel de E, alors son image par ϕ, c’est-à-dire
ϕ(E ′ ) est un sous-espace vectoriel de F ;
b) Si F ′ est un sous-espace vectoriel de F , alors son image réciproque par ϕ,
à savoir ϕ−1 (F ′ ) est un sous-espace vectoriel de E.
Démonstration. — Démontrons l’assertion a). Rappelons que

(17) ϕ(E ′ ) = { ~v ∈ F |∃~u ∈ E ′ , ~v = ϕ(~u) }.
Tout d’abord 0 = ϕ(0), ce qui prouve que 0 ∈ ϕ(E ′ ).
Soient ~v1 et ~v2 des éléments de ϕ(E ′ ). Par la définition (17), il existe des éléments ~u1
et ~u2 de E ′ tels que ~v1 = ϕ(~u1 ) et ~v2 = ϕ(~u2). Donc ~v1 +~v2 = ϕ(~u1 )+ϕ(~u2) = ϕ(~u1 +~u2).
Comme E ′ est un sous-espace vectoriel de E, la somme ~u1 + ~u2 appartient également
à E ′ . Par conséquent, ~v1 + ~v2 = ϕ(~u1 + ~u2 ) ∈ ϕ(E ′ ).
68
Soit maintenant ~v un élément de ϕ(E ′ ) et soit λ un nombre réel. Alors il existe ~u ∈ E ′

tel que ~v = ϕ(~u) et on a les égalités λ~v = λϕ(~u) = ϕ(λ~u) où la seconde résulte du fait
que ϕ est une application linéaire. Mais comme E ′ est un sous-espace vectoriel de E,
λ~u ∈ E ′ et on a démontré que λ~v ∈ ϕ(E ′ ). Cela conclut la preuve du fait que ϕ(E ′ )
est un sous-espace vectoriel de F .
Démontrons maintenant l’assertion b). Rappelons que
(18) ϕ−1 (F ′ ) = { ~u ∈ E | ϕ(~u) ∈ F ′ }.
Comme ϕ(0) = 0 ∈ F ′ , on a bien que 0 ∈ ϕ−1 (F ′ ).
Soient ~u1 et ~u2 des éléments de ϕ−1 (F ′ ). Par définition (18), ϕ(~u1) ∈ F ′ et ϕ(~u2 ) ∈ F ′ .
Donc ϕ(~u1 + ~u2 ) = ϕ(~u1 ) + ϕ(~u2 ) ∈ F ′ , ce qui prouve que ~u1 + ~u2 ∈ ϕ−1 (F ′ ).
Soit maintenant ~u1 un élément de ϕ−1 (F ′ ) et soit λ ∈ R. Alors ϕ(λ~u1 ) = λϕ(~u1 ) ∈
F ′ , ce qui implique que λ~u1 ∈ ϕ−1 (F ′ ). Donc ϕ−1 (F ′ ) est un sous-espace vectoriel de
E.
Deux cas particuliers, les cas où F ′ = {0} (resp. E ′ = E) jouent un rôle particuliè-
rement importants, et sont nommés dans la définition suivante.
Définition 3.11

Alors
a) ϕ−1 ({0}) est un sous-espace vectoriel de E, appelé le noyau de ϕ et noté
Ker(ϕ).
b) ϕ(E) est un sous-espace vectoriel de F , c’est l’image de ϕ. On le note Im(ϕ).
Le noyau et l’image caractérise l’injectivité et la surjectivité d’une application li-

néaire.
Proposition 3.12

Alors
a) L’application ϕ est injective si et seulement si Ker(ϕ) = {0}.
b) L’application ϕ est surjective si et seulement si Im(ϕ) = F .
69
Démonstration. — Démontrons l’assertion a). Supposons d’abord que Ker(ϕ) 6= {0} ;

il existe donc un vecteur ~u ∈ E {0} tel que ϕ(~u) = 0 = ϕ(0). Donc ϕ n’est pas
injective.
Inversement supposons que Ker(ϕ) = {0}. Soient ~u, ~v ∈ E des vecteurs tels que
ϕ(~u) = ϕ(~v). Alors ϕ(~u − ~v ) = ϕ(~u) − ϕ(~v) = 0. Donc ~u − ~v ∈ Ker(ϕ) = {0} ce qui
entraîne que ~u = ~v et donc ϕ est injective.
L’assertion b) est un cas particulier d’un résultat qui vaut pour toute application
entre ensembles et résulte de la définition de la surjectivité.
3.4. Rang d’une application linéaire

Définition 3.13

On dit que l’application ϕ est de rang fini si l’espace vectoriel Im(ϕ) = ϕ(E) est
de dimension finie. On appelle alors rang de ϕ la dimension de ϕ(E) et on le note
rg(ϕ).
Remarque 3.14. — Supposons que F est un R-espace vectoriel de dimension finie.

Une application linéaire ϕ : E → F de rang fini est surjective si et seulement si
rg(ϕ) = dim(F ). En effet, elle est surjective si et seulement si ϕ(E) = F et on applique
le théorème 2.42.
On peut maintenant énoncer le résultat principal de ce chapitre :
Théorème du rang 3.15

Les assertions suivantes sont équivalentes
(i) L’espace vectoriel E est de dimension finie ;
(ii) L’espace vectoriel Ker(ϕ) est de dimension finie et ϕ est de rang fini.
Si ces conditions sont vérifiées, alors
(19) dim(E) = dim(Ker(ϕ)) + rg(ϕ).
Démonstration. — Nous allons tout d’abord vérifier que l’assertion (i) implique l’as-
sertion (ii) ainsi que la formule (19). Nous supposons donc que l’espace vectoriel E
est de dimension finie. D’après le théorème 2.42, l’espace vectoriel Ker(ϕ) est aussi de
70
dimension finie m 6 n = dim(E). Soit (~e1 , . . . , ~em ) une base de Ker(ϕ). La famille
(~e1 , . . . , ~em ) est libre. Par le corollaire 2.39 on peut donc la compléter en une base
(~e1 , . . . , ~en ) de E. Nous allons démontrer que la famille (ϕ(~em+1 ), . . . , ϕ(~en )) est une
base de l’image de ϕ.
Démontrons que cette famille de vecteurs engendre l’espace vectoriel Im(ϕ). Soit ~v ∈
Im(ϕ). Par définition de Im(ϕ), il existe ~u ∈ E tel que ~v = ϕ(~u). P En notant (x1 , . . . , xn )
les coordonnées de ~u dans la base (~e1 , . . . , ~en ) on a l’égalité ~u = ni=1 xi~ei qui implique
les relations :
Xn Xn
~v = ϕ(~u) = xi ϕ(~ei ) = xi ϕ(~ei )
i=1 i=m+1
ou la deuxième égalité découle du fait que ~ei ∈ Ker(ϕ) pour 1 6 i 6 m. Donc ~v est
bien une combinaison linéaire de ϕ(~em+1 ), . . . , ϕ(~en ).
Démontrons que cette famille est libre. Soit (λm+1 , . . . , λn ) ∈ Rn−m tel que
n
X
λi ϕ(~ei ) = 0.
i=m+1
Il en résulte que !
n
X
ϕ λi~ei =0
i=m+1
Pn Pn
et donc i=m+1 λ i ~
e i ∈ Ker(ϕ), de même que son opposé − ei . Comme
i=m+1 λi~
(~e1 , . . . , ~em ) est une base de Ker(ϕ), on peut trouver (λ1 , . . . , λm ) ∈ Rm tel que
n
X m
X
− λi~ei = λi~ei .
i=m+1 i=1
Ceci nous fournit la relation

n
X
λi~ei = 0.
i=1
Comme (~e1 , . . . , ~en ) est libre, on obtient que (λ1 , . . . , λn ) est nul et donc λm+1 = · · · =
λn = 0.
Pour compléter la preuve du théorème, il nous suffit maintenant de prouver que
l’assertion (ii) implique l’assertion (i). On suppose donc maintenant que Ker(ϕ) et
Im(ϕ) sont de dimension finie. Soit (~e1 , . . . , ~em ) une base de Ker(ϕ) et soit (f~1 , . . . , f~r )
une base Im(ϕ). Pour i ∈ {1, 6 r}, le vecteur f~i appartient à l’image de ϕ. On peut
donc choisir ~em+i ∈ E tel que ϕ(~em+i ) = f~i . Il nous suffit de démontrer que la famille
71
de vecteurs (~e1 , . . . , ~em+r ) engendre l’espace vectoriel E. Soit ~u ∈ E. Comme ϕ(~u) ∈

Im(ϕ), il existe (y1 , . . . , yr ) ∈ Rr tel que
Xr
ϕ(~u) = yi f~i .
i=1
On peut réécrire cette égalité sous la forme
Xr
ϕ(~u) − yi ϕ(~ei ) = 0.
i=1
Comme l’application ϕ est linéaire, on obtient l’égalité
r
!
X
ϕ ~u − yi~ei = 0,
i=1
Pr
ce qui signifie que le vecteur ~u− i=1 yi~ei appartient au noyau de ϕ. Comme (~e1 , . . . , ~em )
est une base de Ker(ϕ), il existe (x1 , . . . , xm ) ∈ Rm tel que
Xr Xm
~u − yi~ei = xi~ei .
i=1 i=1
On obtient donc l’égalité
~u = x1~e1 + · · · + xm~em + y1~em+1 + . . . yr~em+r .
Donc (~e1 , . . . , ~em+r ) engendre bien l’espace E comme nous l’avions annoncé.
Corollaire 3.16
Soient E et F des espaces vectoriels de dimension finie tels que dim(E) = dim(F ).
Soit ϕ : E → F une application linéaire. Dans ce cas les assertions suivantes sont
équivalentes :
(i) L’application ϕ est un isomorphisme ;
(ii) L’application ϕ est injective ;
(iii) L’application ϕ est surjective.
L’équivalence ne vaut que si E et F sont de même dimension.

Nous allons appliquer le théorème du rang à la dimension de la somme de deux
sous-espaces vectoriels :
72
Corollaire 3.17
Soit E un R-espace vectoriel et soient F1 et F2 des sous-espaces vectoriels de

dimension finie de E. Alors la somme F1 + F2 et l’intersection F1 ∩ F2 sont de
dimension finie et on a l’égalité
dim(F1 + F2 ) + dim(F1 ∩ F2 ) = dim(F1 ) + dim(F2 ).
Démonstration. — On considère l’application ϕ : F1 ⊕ F2 → E définie par (~u1 , ~u2) 7→

~u1 + ~u2 Par définition de la somme de sous-espaces (exemple 2.13 iv)), l’image de ϕ est
la somme F1 +F2 . Déterminons son noyau. Un couple (~u1 , ~u2 ) appartient au noyau de ϕ
si et seulement si ~u1 + ~u2 = 0 ce qui équivaut à l’égalité ~u2 = −~u1 . On en déduit donc
que ~u1 ∈ F1 ∩ F2 et (~u1 , ~u2 ) = (~u1 , −~u1 ). Inversement tout élément de la forme (~u, −~u)
avec ~u ∈ F1 ∩ F2 appartient au noyau. Par conséquent le noyau de ϕ est l’image de
l’application linéaire ψ : F1 ∩ F2 → F1 ⊕ F2 donnée par ψ(~u) = (~u, −~u). L’application
ψ est injective. Donc, en appliquant la formule du rang à ψ, on obtient les égalités
dim(Ker(ϕ)) = dim(Im(ψ)) = dim(F1 ∩ F2 ). Par la formule du rang appliquée à ϕ et
la proposition 2.40,
dim(F1 + F2 ) = dim(F1 ⊕ F2 ) − dim(Ker(ϕ)) = dim(F1 ) + dim(F2 ) − dim(F1 ∩ F2 ).
3.5. Application linéaires et bases

Proposition 3.18
Soit E un R-espace vectoriel de dimension finie et soit (~e1 , . . . , ~en ) une base de
E. Soit F un R-espace vectoriel. Alors pour tout n-uplet (f~1 , . . . , f~n ) de vecteurs
de F , il existe une unique application linéaire ϕ : E → F telle que
∀i ∈ {1, . . . , n} ϕ(~ei ) = f~i
Démonstration. — Existence. Soit ϕ : Rn → E l’application linéaire associée à la

famille (~e1 , . . . , ~en ) et soit ψ : Rn → F l’application linéaire associée à la famille
(f~1 , . . . , f~n ). Comme (~e1 , . . . , ~en ) est une base de E, l’application ϕ est bijective et
l’application composée ψ ◦ (ϕ−1 ) : E → F est linéaire et vérifie ψ ◦ (ϕ−1 )(~ei ) = f~i .
Unicité. Si ϕ1 et ϕ2 conviennent, alors pour tout i ∈ {1, . . . , n}, le vecteur ~ei
appartient au noyau de l’application linéaire ϕ1 − ϕ2 . Donc ce noyau, qui est un sous-
espace vectoriel de E, contient toutes les combinaisons linéaires des vecteurs ~e1 , . . . , ~en .
Comme cette famille est géneratrice, on obtient Ker(ϕ1 − ϕ2 ) = E ce qui implique que
ϕ1 = ϕ2 .
73
Remarque 3.19. — On peut décrire explicitement l’application ϕ obtenue : l’image

d’un vecteur ~u ∈ E de coordonnées (x1 , . . . , xn ) dans la base (~e1 , . . . , ~en ) est le vecteur
Pn ~
i=1 xi fi .
Corollaire 3.20
Soit E un R espace vectoriel de dimension finie et soit F un espace vectoriel.

Alors E et F sont isomorphes si et seulement si dim(F ) = dim(E).
Démonstration. — La condition est nécessaire par la remarque 3.8 iii). Réciproque-

ment si dim(F ) = dim(E), on se donne des bases (~e1 , . . . , ~en ) (resp. (f~1 , . . . , f~n )) de E
(resp. F ). Soit ϕ l’application linéaire telle que ϕ(~ei ) = f~i . Les vecteurs f~i appar-
tiennent à l’image de ϕ qui est un sous-espace vectoriel de F . Donc ϕ est surjective.
Par la formule du rang, dim(Ker(ϕ)) = dim(E) − dim(F ) = 0 ce qui prouve que ϕ est
injective.
3.6. Formes linéaires, Hyperplans

Définition 3.21
Soit E un espace vectoriel réel. Une forme linéaire sur E est une application linéaire
de E dans R. On appelle dual de E et on note E ∗ l’espace vectoriel L (E, R) des
formes linéaires sur E.
Un hyperplan vectoriel de E est le noyau d’une forme linéaire non nulle de E.
Il nous arrivera de dire hyperplan pour hyperplan vectoriel.
Remarque 3.22. — Soit E un R-espace vectoriel de dimension n et (~e1 , . . . , ~en ) une

base de E. Soient a1 , . . . , an des nombres réels. Alors l’application qui à un vecteur ~u
de coordonnées (x1 , . . . , xn ) associe a1 x1 + · · · + an xn est une forme linéaire.
Inversement soit ϕ : E → R une forme linéaire. Posons ai = ϕ(~ei ) ∈ R pour
i ∈ {1, . . . , n}. Alors pour tout vecteur ~u de coordonnées (x1 , . . . , xn ) on a les relations
n
! n n
X X X
ϕ(~u) = ϕ xi~ei = xi ϕ(~ei ) = ai xi .
k=1 k=1 k=1
74
En particulier, si i ∈ {1, . . . , n}, on note ~ei ∗ la forme linéaire qui à un vecteur associe
sa i-ème coordonnée dans la base (~e1 , . . . , ~en ).
Proposition 3.23
Soit E un R-espace vectoriel de dimension finie. Un sous-espace vectoriel F de E

est un hyperplan de E si et seulement si dim(F ) = dim(E) − 1.
Démonstration. — Notons tout d’abord qu’une forme linéaire non nulle a pour image
un sous-espace vectoriel de R qui contient un élément non nul, elle est donc surjective.
Par le théorème du rang, la dimension d’un hyperplan de E est donc dim(E) − 1.
Réciproquement soit F un sous-espace vectoriel de E de dimension dim(E) − 1.
On note n = dim(E) et on choisit une base (~e1 , . . . , ~en−1 ) de F que l’on complète
en une base (~e1 , . . . , ~en ) de E. Rappelons que ~en∗ désigne la forme linéaire qui à un
vecteur de E de coordonnées (x1 , . . . , xn ) dans la base (~e1 , . . . , ~en ) associe sa dernière
coordonnée xn . Alors cette application ~en∗ vaut 0 pour les vecteurs ~e1 , . . . , ~en−1 et vaut 1
sur le vecteur ~en . Donc ~en∗ est une forme linéaire non nulle qui s’annule sur le sous-espace
vectoriel F = Vect(~e1 , . . . , ~en−1 ). Par le théorème du rang dim(Ker(ϕ)) = dim(E) − 1.
Comme F ⊂ Ker(ϕ) et que ces deux espaces ont même dimension, on obtient que
F = Ker(ϕ).
Remarque 3.24. — Deux formes linéaires définissent le même hyperplan si et seule-
ment l’une est un multiple de l’autre.
On peut généraliser la proposition précédente de la façon suivante.
Proposition 3.25
Soit E un R-espace vectoriel de dimension finie n. Soit F une partie de E et soit

c ∈ {0, . . . , n}. La partie F est un sous-espace vectoriel de dimension n − c si
et seulement s’il existe une application linéaire surjective ϕ : E → Rc telle que
F = Ker(ϕ).
Démonstration. — Posons r = n − c
Supposons que F soit un sous-espace vectoriel de dimension n − c. Soit (~e1 , . . . , ~er )
une base de F , qu’on complète en une base (~e1 , . . . , ~en ) de E. Soit alors ϕ : E → Rc
75
l’application qui à un vecteur ~u de coordonnées (x1 , . . . , xn ) dans la base (~e1 , . . . , ~en )

associe le c-uplet (xr+1 , . . . , xn ).
Vérifions que cette application est linéaire. Soient ~u et ~v des vecteurs de E, et soit
λ ∈ R. Notons (x1 , . . . , xn ) (resp. (y1, . . . , yn )) les coordonnées de ~u dans la base
(~e1 , . . . , ~en ) Alors ~u + λ~v a pour coordonnées (x1 + λy1 , . . . , xn + λyn ) dans cette base
donc
ϕ(~u+λ~v) = (xr+1 +λyr+1 , . . . , xn +λyn ) = (xr+1 , . . . , xn )+λ(yr+1 , . . . , yn ) = ϕ(~u)+λϕ(~v ).
Démontrons maintenant l’inclusion F ⊂ Ker(ϕ). Soit P ~u ∈ F . Comme (~e1 , . . . , ~er ) est
une base de F , il existe (λ1 , . . . , λr ) ∈ Rr tel que ~u = ri=1 λi~ei . Donc les coordonnées de
~u dans la base (~e1 , . . . , ~en ) sont (x1 , . . . , xr , 0, . . . , 0) ce qui prouve que ϕ(~u) = (0, . . . , 0).
Inversement, soit ~u ∈ Ker(ϕ). Soit (x1 , . . . , xn ) les coordonnées de ~u dans la base
(~e1 , . . . , ~en ). Par définition de ϕ et du noyau, on obtient l’égalité
(xr+1 , . . . , xn ) = (0, . . . , 0)
P
Autrement dit, xi = 0 pour i ∈ {r + 1, . . . , n}. Donc ~u = ri=1 xi~ei . Mais comme ~ei ∈ F
pour i ∈ {1, . . . , r}, il en résulte que ~u ∈ F .
Démontrons maintenant la réciproque. Supposons que F = Ker(ϕ) pour une appli-
cation linéaire surjective ϕ : E → Rc . Par la proposition 3.10, l’ensemble F est un
sous-espace vectoriel de E. En outre, comme ϕ est surjective, rg(ϕ) = dim(Rc ). En
appliquant le théorème du rang, on obtient que
dim(F ) = dim(Ker(ϕ)) = dim(E) − rg(ϕ) = n − c.
Terminologie 3.26
Soit E un R-espace vectoriel et soit F un sous-espace vectoriel de E tel qu’il existe

une application linéaire surjective de E dans Rc telle que F = Ker(ϕ). Alors on
dit que F est un sous-espace vectoriel de codimension c de E.
Remarques 3.27. — i) Un hyperplan vectoriel est donc un sous-espace de codimen-

sion 1.
ii) Par la proposition, un sous-espace F d’un R-espace vectoriel de dimension finie E
est un sous-espace de codimension dim(E) − dim(F ).
76
Exemple 3.28. — Il peut être utile de comprendre que se donner une application
surjective ϕ : E → Rc dont F est le noyau revient à se donner un système de c
équations implicites pour F . Vérifions cela sur un exemple.
Considérons le sous-espace vectoriel D engendré par le vecteur (1, 2, 1) dans R3 . Nous
allons suivre la méthode décrite dans la preuve pour trouver une application linéaire ϕ
surjective dont D est le noyau et en déduire un système d’équations implicites pour D.
Comme le vecteur f~1 = (1, 2, 1) est non nul, la famille (f~1 ) est libre et forme une
base de la droite vectorielle D. Rappelons qu’on peut compléter une famille libre en une
base de l’espace simplement en rajoutant des vecteurs d’une base donnée de l’espace.
Ici nous allons donc compléter la famille libre (f1 ) en rajoutant des vecteurs de la base
usuelle de R3 . Posons f2 = (1, 0, 0) et f3 = (0, 1, 0) et vérifions que la famille (f1 , f2 , f3 )
est une famille génératrice de R3 , ce qui impliquera que c’est une base de R3 . Pour cela,
soit (a, b, c) ∈ R3 et démontrons qu’il s’écrit comme combinaison linéaire des vecteurs
f~1 , f~2 et f~3 . On veut donc trouver un triplet (x, y, z) ∈ R3 tel que
(20) xf~1 + y f~2 + z f~3 = (a, b, c)

mais
xf~1 + y f~2 + z f~3 = x(1, 2, 1) + y(1, 0, 0) + z(0, 1, 0) = (x + y, 2x + z, x).
Donc le triplet (x, y, z) vérifie (20) si et seulement s’il est solution du système

 X + Y = a
2X + Z = b

X = c
qui a une unique solution (c, a − c, b − 2c). Cela prouve donc que (f1 , f2 , f3 ) est bien
une base de R3 et que les coordonnées du triplet (a, b, c) dans la base (f~1 , f~2 , f~3 ) sont
(c, a − c, b − 2c). Il résulte de la preuve que D est le noyau de l’application linéaire de
R3 dans R2 donnée par (a, b, c) 7→ (a − c, b − 2c).
Autrement dit D est donnée par le système d’équations implicites

X −Z = 0
Y − 2Z = 0
À titre de vérification de nos calculs, on constate que le triplet (1, 2, 1) vérifie bien ces
deux équations.
77
Proposition 3.29
Si (~e1 , . . . , ~en ) est une base de E, alors (~e1 ∗ , . . . , ~en ∗ ) est une base de L (E, R)
appelée base duale de (~e1 , . . . , ~en ).
Démonstration.
Pn — Cela résulte du fait que pour tout (a1 , . . . , an ) ∈ Rn on a la relation
∗
ϕ = i=1 ai~ei si et seulement si ai = ϕ(~ei ) pour i ∈ {1, . . . , n}.
78
MAT201 Applications linéaires Fiche de révision
Fiche de révision
Définition R.3.1
Soient E et F des R-espaces vectoriels. Une application linéaire de E dans F est

une application ϕ : E → F qui vérifie les deux conditions suivantes :
(i) L’application ϕ est compatible avec l’addition :
∀~u, ~v ∈ E, ϕ(~u + ~v ) = ϕ(~u) + ϕ(~v);
(ii) L’application ϕ est compatible avec la multiplication par un scalaire :
∀λ ∈ R, ∀~u ∈ E, ϕ(λ~u) = λϕ(~u).
Définition R.3.2
Le noyau d’une application linéaire ϕ : E → F est défini par

Ker(ϕ) = { x ∈ E | ϕ(x) = 0 }.
Proposition R.3.3
Une application linéaire est injective si et seulement si Ker(ϕ) = {0}.
Définition R.3.4
Soient E et F des R-espaces vectoriels. Soit ϕ : E → F une application linéaire. On

dit que l’application ϕ est de rang fini si l’espace vectoriel ϕ(E) est de dimension
finie. On appelle alors rang de ϕ la dimension de ϕ(E) et on la note rg(ϕ).
79
Fiche de révision Applications linéaires Chap. 3
Théorème du rang R.3.5

On suppose que l’espace E est de dimension finie. Alors l’application ϕ est de rang
fini et
dim(E) = dim(Ker(ϕ)) + rg(ϕ).
3.1. Preuves. — Essayez de réécrire les preuves de la proposition 3.5 et de l’asser-

tion a) de la proposition 3.12 sans les regarder, puis comparez avec les preuves du
polycopié.
80
MAT201 Applications linéaires Entraînement
Entraînement
3.1. Exercices
Exercice 3.1. Parmi les applications de R2 dans R2 définies par les relations qui
suivent, déterminer lesquelles sont linéaires.
f1 (x, y) = (x + y, x − y) f2 (x, y) = (|x| + |y|, 2) f3 (x, y) = (x, −y)
1 1
f4 (x, y) = (xy, y) f5 (x, y) = (x − y + 1, x) f6 (x, y) = ,
1 + x2 1 + y 2
pour tous x, y ∈ R.
Exercice 3.2. Pour chacune des applications ci-dessous, démontrer qu’elle est linéaire,
et determiner son noyau, son image ainsi qu’une base de chacun de ces sous-espaces.
f1 : R2 −→ R2 f2 : R2 −→ R2
(x, y) 7−→ (2x + 3y, 3x − y) (x, y) 7−→ (2x + 3y, −4x − 6y)
f3 : R3 −→ R f4 : R3 −→ R2
(x, y, z) 7−→ (2x + y + z) (x, y, z) 7−→ (x + y + z, 2x + y − z)
Exercice 3.3. Soit f une application linéaire de Rm dans Rn .
1. Rappeler la définition de « f est injective » (resp. surjective, bijective).
2. (Question de cours) Démontrer que f est injective si et seulement si Ker(f ) = {0}.
3. On suppose dans cette question que m = n. Démontrer que f est injective si et
seulement si elle est surjective.
4. Démontrer que si f est injective alors m 6 n.
5. Démontrer que si f est surjective alors m > n.
6. Les réciproques des deux implications précédentes sont elles vraies ?
Exercice 3.4. Soient E et F des R-espaces vectoriels. Soit (~e1 , . . . , ~en ) une base de E.
Soit (~u1 , . . . , ~un ) une famille de vecteurs F . On note ϕ l’unique application de E dans F
telle que ϕ(~ei ) = ~ui pour i ∈ {1, . . . , n}.
1. (Question de cours) Déterminer l’image par ϕ d’un vecteur de coordonnées
(x1 , . . . , xn ) dans la base (~e1 , . . . , ~en ).
2. Démontrer que ϕ est injective si et seulement si (~u1 , . . . , ~un ) est une famille libre.
3. Démontrer que ϕ est surjective si et seulement si (~u1 , . . . , ~un ) est une famille
génératrice de F .
81
Entraînement Applications linéaires Chap. 3
Exercice 3.5. Soit ϕ : E → F une application linéaire. Soit (~u1 , . . . , ~un ) une fa-
mille de vecteurs de E. La famille (ϕ(~u1 ), . . . , ϕ(~un )) est appelée l’image de la famille
(~u1, . . . , ~un ) par l’application ϕ.
1. Démontrer que l’image d’une famille libre par une application linéaire injective
est libre.
2. Démontrer que l’image d’une famille génératrice par une application linéaire sur-
jective est génératrice.
3. Démontrer qu’une application linéaire est un isomorphisme si et seulement si elle
envoie une base sur une base.
Exercice 3.6. Soient E un R-espace vectoriel de dimension n et f un endomorphisme
de E. On définit par récurrence f ◦k de la façon suivante : f ◦0 = IdE et, si n > 1,
f ◦n = f ◦ f ◦(n−1) . En particulier f ◦1 = f . On dit que f est nilpotente s’il existe un
entier k > 1 tel que f ◦k est l’application constante nulle. L’ordre de nilpotence de f
est alors le plus petit entier m > 1 tel que f ◦m = 0.
1. On suppose que f ◦ f est l’application constante nulle. Démontrer que Im(f ) ⊂
Ker(f ).
2. Démontrer la réciproque.
3. On suppose que Im(f ) = Ker(f ). Démontrer que la dimension n est un entier
pair.
4. On suppose maintenant que n > 1 et que f est nilpotente d’ordre m. Démontrer
qu’il existe un vecteur v ∈ E tel que f ◦(m−1) (v) 6= 0. Pour un tel vecteur v
démontrer que (v, f (v), . . . , f ◦(m−1) (v)) est libre.
5. En déduire que si f est nilpotente, alors f ◦n = 0.
Exercice 3.7. Rappelons que R[X] désigne l’espace vectoriel des applications polyno-
miales de R dans R.
1. Démontrer que la dérivation D : f 7→ f ′ est un endomorphisme de l’espace
vectoriel R[X].
2. Déterminer son image.
3. Déterminer son noyau.
4. L’application D est-elle surjective, injective, bijective ?
5. En utilisant un raisonnement par l’absurde, déduire de la question précédente
que l’espace vectoriel R[X] n’est pas de dimension finie.
82
Exercice 3.8. Dans chacun des exemples suivants, justifier rapidement pourquoi la
partie considérée est un sous-espace vectoriel de R2 ou de R3 , en donner la dimension
et trouver une base du sous-espace vectoriel.
1. E = { (x, y) ∈ R2 | x + y = 0 }.
2. F = { (x, y) ∈ R2 | x = y }.
3. G = { (x, y, z) ∈ R3 | x + y + z = 0 }.
4. H = { (x, y, z) ∈ R3 | x = y = z }.
Exercice 3.9. Polynômes d’interpolation de Lagrange. Soit d ∈ N. On rappelle
que R[X]6d désigne l’ensemble des applications P : R → R telles qu’il existe des
nombres réels (a0 , . . . , ad ) tels que
d
X
∀x ∈ R, P (x) = ak xk .
k=0
On note t = (t0 , . . . , td ) une famille de d + 1 nombres réels deux à deux distincts.

On note évt l’application de R[X]6d dans Rd+1 qui envoie une application P sur le
(d + 1)-uplet (P (t0 ), P (t1), . . . , P (td )).
1. Démontrer que (1, . . . , X d ) est une base de R[X]6d , quelle est la dimension de
cet espace ?
2. Démontrer que évt est linéaire.
3. On considère l’application polynomiale Pi donnée par
Y t − tk
t 7−→
06k6d
ti − tk
k6=i
(a) Déterminer évt (Pi ).

(b) Que peut-on en déduire sur l’application évt ?
(c) Que peut-on dire de la famille (P0 , . . . , Pd ) ?
Exercice 3.10. Dans l’exercice 2.9, on a défini l’espace vectoriel R(N) formé des suites
de nombres réels (an )n∈N tel que {n ∈ N | an 6= 0} est fini. Soit P = (ai )i∈N un
élément de R(N) . On note p ∈ N un entier tel Ppque aki = 0 si k > p. On considère
l’application fP de R dans R donnée par x 7→ i=0 ai x . Démontrer que l’application
P 7→ fP définit un isomorphisme d’espace vectoriel de R(N) sur l’espace vectoriel des
applications polynomiales de R dans R.
83
Entraînement Applications linéaires Chap. 3
Exercice 3.11. 1. Démontrer que l’ensemble F des suites 3-périodiques forme un

sous-espace vectoriel de l’espace des suites de nombres réels.
2. Soit ϕ : F → R3 qui envoie la suite (un )n∈N sur (u0 , u1, u2 ). Démontrer que ϕ est
linéaire.
3. Démontrer qu’elle est bijective.
4. En déduire une base de F et donner sa dimension.
Problème 3.1.∗ On note C 2 (R, R) l’ensemble des applications f : R → R qui sont
deux fois dérivables et dont la dérivée seconde f ′′ est continue. On note a, b des nombres
réels.
1. Démontrer que C 2 (R, R) est un sous-espace vectoriel de l’espace vectoriel RR
des applications de R dans R.
2. Démontrer que l’application f 7→ f ′′ + af ′ + bf est linéaire.
On note E le noyau de cette application linéaire.
3. Soit α ∈ R. À quelle condition t 7→ eαt appartient-elle à l’espace E ?
4. On considère l’application ϕ de E dans R2 qui à une application f associe le
couple (f (0), f ′(0)). Démontrer que ϕ une application linéaire.
5. On suppose que l’équation X 2 + aX + b = 0 a deux solutions réelles distinctes.
Démontrer que ϕ est surjective.
6. Soit f un élément du noyau de ϕ.
(a) Que vaut f ′′ (0) ?
(b) Démontrer qu’il existe une constante η < 1 telle que pour tout x ∈ ]−η, η[, on
ait |f ′ (x)| 6 |x| et |f (x)| 6 21 |x|2 . (On pourra éventuellement utiliser qu’une
application dérivable dont la dérivée est positive sur un intervalle est croissante
sur cet intervalle en l’appliquant à la différence entre des applications bien
choisies).
(c) Notons C = |a| + |b|. Déduire de la question précédente que |f ′′(x)| 6 C|x|
pour x ∈ ]−η, η[.
(d) Démontrer par récurrence sur n que pour tout n ∈ N et tout x ∈ ]−η, η[,
|f (x)| 6 C n |x|n+2
(e) Démontrer qu’il existe un intervalle contenant 0 tel que la restriction de f à I
soit la fonction constante nulle
7. Soit f ∈ E et a ∈ R soit Ta (f ) l’application t 7→ f (t − a).
(a) Démontrer que Ta (f ) ∈ E.
84
(b) Démontrer que Ta est linéaire. Quel est son noyau ? Quelle est la composée
T−a ◦ Ta ? Quelle est son image ?
(c) Exprimer simplement ϕ(Ta (f )).
8. soit f ∈ Ker(ϕ). On considère
A = { t ∈ R+ | ∀x ∈ [0, t[, f (x) = f ′ (x) = 0 }
(a) Démontrer que A = R+ (On pourra raisonner par l’absurde et considérer la
borne supérieure de A).
(b) Démontrer que f est l’application constante nulle.
9. Démontrer que ϕ est injective.
10. Que peut-on en déduire sur la dimension de l’espace E ?
11. On suppose maintenant que l’équation X 2 + aX + b n’a pas de solutions réelles.
Soit α + iθ une des deux solutions complexes.
(a) Donner l’autre solution complexe.
(b) Vérifier que l’application t 7→ eαt cos(θt) appartient à l’espace E.
(c) Donner dans ce cas une base de l’espace vectoriel E.
12. Étudier le cas où l’équation X 2 + aX + b n’a qu’une solution.
85
MAT201 Calcul matriciel Cours
Calcul matriciel
Emmanuel Peyre et Bernard Ycart
Cours
4.1. Matrices
Définition 4.1
Etant donnés deux entiers naturels m et n, une matrice à m lignes et n colonnes à

coefficients réels est un famille de m×n réels A = (ai,j )16i6m où le premier indice i,
16j6n
appelé l’indice de ligne va de 1 à m, et le second indice j, appelé indice de colonne
va de 1 à n. Une telle matrice est notée à l’aide d’un tableau rectangulaire
 
a1,1 · · · a1,j · · · a1,n
 .. .. .. 
 . . . 
 
A = (ai,j ) =  ai,1 · · · ai,j · · · ai,n  .
 . .. .. 
 .. . . 
am,1 · · · am,j · · · am,n
Le nombre réel ai,j est appelé le coefficient d’indice i, j de la matrice A. L’ensemble
des matrices à m lignes et n colonnes et à coefficients réels est noté Mm,n (R).
Exemple 4.2. — La matrice 2 × 2 dont les coefficients sont a1,1 = 1, a1,2 = 2, a2,1 = 3
et a2,2 = 4 s’écrit

1 2
3 4
4.2. Opérations sur les matrices

4.2.1. Structure d’espace vectoriel. — Munissons tout d’abord l’ensemble des matrices
d’une structure d’espace vectoriel.
87
Cours Calcul matriciel Chap. 4
Définition 4.3
L’ensemble Mm,n (R) est muni d’une structure d’espace vectoriel réel de la manière
suivante :
• Addition : Si A = (ai,j ) et B = (bi,j ) sont deux matrices de Mm,n (R), leur
somme A + B est la matrice (ai,j + bi,j ).
• Multiplication par un scalaire : Si A = (ai,j ) est une matrice de Mm,n (R), et
λ est un réel, le produit λA est la matrice (λai,j ).
Exemple 4.4. — Par exemple :

     
1 1 −3 1 −2 2
 2 3  +  5 −3  =  7 0 
1 −1 0 2 1 1
et
   
1 1 −2 −2
−2  2 3  =  −4 −6  .
1 −1 −2 2
Les matrices dont les coefficients sont nuls sauf un qui vaut 1 vont donner une base
de l’espace vectoriel des matrices, nous leur donnons une notation :
Notation 4.5
Soient i et j des entiers tels que 1 6 i 6 m et 1 6 j 6 n. On note Ei,j la matrice

(mj,k )16j6m où mi,j = 1 et mj,k = 0 si (j, k) 6= (i, j).
16k6n
Proposition 4.6
La famille des mn matrices (E1,1 , E1,2 , . . . , E1,n , E2,1 , . . . , Em,n ) forme une base de
l’espace vectoriel Mm,n (R) appelée base canonique.
88
Démonstration. — Soit A = (ai,j )16i6m une matrice et soit (λ1,1 , . . . λm,n ) une famille
16j6n
de mn nombre réels. L’égalité
m X
X n
A= λi,j Ei,j
i=1 j=1
équivaut aux relations
λi,j = ai,j
pour i ∈ {1, . . . , m} et j ∈ {1, . . . , n}.
Remarque 4.7. — On notera que dans cette base canonique, la coordonnée d’une
matrice A relative au vecteur Ei,j est précisément le coefficient ai,j d’indice i, j de la
matrice.
4.2.2. Produit matriciel. — Nous allons maintenant définir une opération très impor-
tante pour les matrices, le produit matriciel.
Définition 4.8
Soient m, n, p trois entiers strictement positifs. Soit A = (ai,j ) une matrice de

Mm,n (R) et soit B = (bj,k ) une matrice de Mn,p (R). On appelle produit matriciel
de A par B la matrice C ∈ Mm,p (R) dont le terme général ci,k est défini, pour
tout i = 1, . . . , m et pour tout k ∈ 1, . . . , p par :
X n
ci,k = ai,j bj,k .
j=1
Nous insistons sur le fait que le produit AB de deux matrices n’est défini que si le
nombre de colonnes de A et le nombre de lignes de B sont les mêmes.
89
Moyen mémnotechnique 4.9. — Au brouillon, pour effectuer ce produit, nous

conseillons de placer B au-dessus du produit et A à sa gauche.
 
b1,1 · · · b1,k · · · b1,n
 .. .. .. 
 . . . 
 
 · · · bj,k · · · 
 . . . 
 . . .
. .
. 
  bn,1 · · · bn,k. · · · bn,p
a1,1 · · · · · · a1,n ..
 .. .. ..   c1,1 ..
c1,p

 . . .   . 
   
 ai,1 · · · ai,j · · · ai,n   · · · · · · c 
 . . .   i,k 
 .. .. ..   
am,1 · · · · · · am,n cm,1 cm,p
Posons par exemple
 
1 1
0 1 −1 −2
A= 2 3  B=
−3 −2 0 1
1 −1
La matrice A a 3 lignes et 2 colonnes, la matrice B a 2 lignes et 4 colonnes. Le produit
AB a donc un sens : c’est une matrice à 3 lignes et 4 colonnes.
!
0 1 −1 −2
−3 −2 0 1
 
 1 1  −3 −1 −1 −1
 
 2 3   −9 −4 −2 −1 
 
1 −1 3 3 −1 −3
Ainsi pour obtenir le coefficient −2 du produit le calcul est −2 = 2 × (−1) + 3 × 0.

Cela donne l’égalité
 1 1  ! −3 −1 −1 −1
0 1 −1 −2
 2 3 × = −9 −4 −2 −1
−3 −2 0 1
1 −1 3 3 −1 −3
On prend donc la première ligne de la première matrice et on effectue le produit scalaire

avec chacune des colonnes de la seconde matrice pour obtenir la première ligne de la
matrice produit, et ainsi de suite.
90
Le produit matriciel a presque toutes les propriétés auxquelles vous êtes habitués
d’un produit, sauf qu’il n’est pas commutatif.
Proposition 4.10
Le produit matriciel possède les propriétés suivantes.

a) Associativité : Soient m, n, p, q des entiers naturels. Soient A ∈ Mm,n (R),
B ∈ Mn,p(R) et C ∈ Mp,q (R). Alors
A(BC) = (AB)C.
b) Linéarité à droite : Soient m, n, p des entiers. Soit A ∈ Mm,n (R) et soient
B et C des matrices de Mn,p(R). Si λ et µ sont des nombres réels, alors
A(λB + µC) = λAB + µAC .
c) Linéarité à gauche : Soient m, n, p des entiers, soient A et B des matrices
de Mm,n (R) et soit C ∈ Mn,p (R). Si λ et µ sont des nombres réels, alors
(λA + µB)C = λAC + µBC .
Ces propriétés se démontrent à partir de la définition 4.8.

4.2.3. La transposition. — Une dernière opération sur les matrices est la transpo-
sition, qui intervient notamment dans l’écriture des produits scalaires en termes de
coordonnées.
Définition 4.11
Etant donnée une matrice A = (ai,j ) de Mm,n (R), sa transposée est la matrice de
Mn,m(R) dont le coefficient d’ordre (j, i) est ai,j .
Pour écrire la transposée d’une matrice, il suffit de transformer ses lignes en colonnes.
Par exemple :
 
1 1
  t 1 2 1
A= 2 3 , A= .
1 3 −1
1 −1
Observons que la transposée de la transposée est la matrice initiale.
t t
( A) = A .
91
La transposée d’un produit est le produit des transposées, mais il faut inverser l’ordre
des facteurs.
Proposition 4.12
Soient m, n, p trois entiers strictement positifs. Soient A = (ai,j ) une matrice de

Mm,n (R) et B = (bj,k ) une matrice de Mn,p (R). La transposée du produit de A
par B est le produit de la transposée de B par la transposée de A.
t
(AB) = tB tA .
Exemple 4.13. — Par exemple, en reprenant les matrices A et B définies ci-dessus :

1 2 1
1 3 −1
   
0 −3 −3 −9 3
 1 −2   −1 −4 3 
   
 −1 0   −1 −2 −1 
−2 1 −1 −1 −3
Remarque 4.14. — Observons que le produit d’une matrice par sa transposée est
toujours défini.
 
2 5 0
6 6
A A =  5 13 −1  , tA A =
t
6 11
0 −1 2
Le résultat est une matrice carrée (autant de lignes que de colonnes).
Définition 4.15
Soit n un entier strictement positif et A une matrice carrée à n lignes et n colonnes.

On dit que A est symétrique si pour tous i, j = 1, . . . , n, ses coefficients d’ordre
ai,j et aj,i sont égaux, ce qui est équivalent à dire que A est égale à sa transposée.
Le produit d’une matrice par sa transposée est toujours une matrice symétrique. En
effet :
t
(A tA) = t ( A)
t t
A = A tA .
92
4.2.4. Matrices carrées. — Les produits de matrices carrées de même taille sont bien
définis : si A et B sont deux matrices à n lignes et n colonnes, les produits AB et BA
sont tous deux définis et ils ont les mêmes dimensions que A et B. En général ils ne
sont pas égaux. Par exemple,

0 −1 0 1
1 0 1 0

0 1 1 0 0 −1 −1 0
1 0 0 −1 1 0 0 1
Notation 4.16
Nous noterons simplement Mn (R) l’espace vectoriel Mn,n (R) des matrices carrées
à n lignes et n colonnes, à coefficients réels.
Parmi elles la matrice identité, notée In joue un rôle particulier.
 
1 0 ··· ··· 0
 .. .. 
 0 1 . . 
 . . . . . 
In =  .. . . . . . . .. 

 . .. 
 .. . 1 0 
0 ··· ··· 0 1
En effet, elle est l’élément neutre du produit matriciel : pour toute matrice A ∈
Mn,m(R),
A In = Im A = A .
On le vérifie facilement à partir de la définition 4.8.
Définition 4.17
Soit A une matrice de Mn (R). On dit que A est inversible s’il existe une matrice
B de Mn (R) telle que
A B = B A = In .
Si la matrice A est inversible, il existe une unique matrice B qui vérifie ces condi-
tions ; on l’appelle l’inverse de A et on la note A−1 .
93
Démonstration. — Démontrons que l’inverse, s’il existe, est nécessairement unique. En

effet, soient B1 et B2 deux matrices telles que A B1 = B1 A = In et A B2 = B2 A = In .
En utilisant l’associativité, le produit B1 A B2 vaut B1 (A B2 ) = B1 In = B1 , mais aussi
(B1 A) B2 = In B2 = B2 . Donc B1 = B2 .
Exemple 4.18. —
       
1 0 −1 1 −1 1 1 −1 1 1 0 −1 1 0 0
 1 −1 0   1 −2 1  =  1 −2 1   1 −1 0 = 0 1 0 
1 −1 1 0 −1 1 0 −1 1 1 −1 1 0 0 1
Nous verrons plus loin une méthode qui permet de savoir si une matrice est inversible,
et de calculer son inverse quand elle l’est.
Il suffit de trouver une matrice B telle que A B = In pour être sûr que A est inversible
et que son inverse est B.
Théorème 4.19
Soit A une matrice de Mn (R). Supposons qu’il existe une matrice B telle que
A B = In ou bien B A = In . Alors A est inversible et B = A−1 .
Démonstration. — Supposons qu’il existe une matrice B telle que A B = In . Considé-

rons l’application, de Mn (R) dans lui-même, qui à une matrice X associe le produit
X A. D’après le point c) de la proposition 4.10, c’est une application linéaire, donc un
endomorphisme de l’espace vectoriel Mn (R). Montrons qu’elle est injective, c’est-à-dire
que son noyau ne contient que la matrice nulle. Si XA = 0, alors (XA)B = 0, mais
(XA)B = X(AB) = XIn = X par hypothèse : donc X = 0. Une application linéaire
entre deux espaces de même dimension qui est injective est aussi surjective. Donc il
existe une matrice X telle que XA = In . Il reste à vérifier que cette matrice est B. Si
XA = AB = In , alors X(AB) = X et (XA)B = B. D’où le résultat.
On procède de façon symétrique si BA = In , en considérant l’application qui à X
associe AX.
Si A et B sont des matrices inversibles de Mn (R), leur produit est inversible.
Proposition 4.20
Soient A et B deux matrices inversibles de Mn (R). Le produit AB est inversible

et son inverse est B −1 A−1 .
94
Démonstration. — Nous utilisons le théorème 4.19, ainsi que l’associativité du produit :

(B −1 A−1 )(AB) = B −1 (A−1 A)B = B −1 In B = B −1 B = In .
4.3. Coordonnées et matrices colonnes. — Soit E un espace vectoriel de dimen-

sion m, qu’on munit d’une base (~e1 , . . . , ~em ). Dans la suite, pour alléger les notations,
on notera parfois e = (~e1 , . . . , ~em ) cette base.
Notation 4.21
À tout vecteur ~u de coordonnées (x1 , . . . , x, ), on peut associer la matrice de

Mm,1 (R)
 
x1
X =  ... 
xm
qu’on appelle aussi le vecteur colonne des coordonnées de ~u dans la base
(~e1 , . . . , ~em ).
Remarque 4.22. — L’application de E dans Mm,1 (R) qui à un vecteur associe le

vecteur colonne de ses coordonnées est un isomorphisme d’espaces vectoriels.
On se souviendra que pour les matrices on écrit systématiquement les coordonnées
en colonnes pour représenter des vecteurs.
Définition 4.23
Soit (~u1 , . . . , ~uk ) une famille de k vecteurs. Alors la matrice de la famille (~u1 , . . . , ~uk )
dans la base e = (~e1 , . . . , ~em ) est la matrice à m lignes et k colonnes
 
a1,1 a1,2 . . . a1,k
 a2,1 a2,2 . . . a2,k 
Mate (~u1 , . . . , ~uk ) = 
 ... .. .. 
. . 
am,1 am,2 . . . am,k
95
dont la j-ème colonne est le vecteur colonne des coordonnées du vecteur ~uj dans
la base (~e1 , . . . , ~em ). Autrement dit, on a les relations
m
X
∀j ∈ {1, . . . , k}, ~uj = ai,j ~ei .
i=1
4.4. Matrices et applications linéaires. — L’introduction des matrices et du pro-

duit matriciel est en partie motivée par l’expression des applications linéaires dans des
bases.
Définition 4.24
Soient E et F deux espaces vectoriels de dimension finie, munis respectivement

des bases e = (~e1 , . . . , ~ep ) et f = (f~1 , . . . , f~q ). Soit ϕ une application linéaire de E
dans F . Alors la matrice de ϕ dans les bases e et f est la matrice q × p à q lignes
et p colonnes donnée par
Mate,f (ϕ) = Matf (ϕ(~e1 ), . . . , ϕ(~ep )).
Remarques 4.25. — i) D’après la proposition 3.18 une application linéaire ϕ est

déterminée par les images des vecteurs ~e1 , . . . , ~ep . Écrivons ces images dans la base
f~1 , . . . , f~q : pour tout j = 1, . . . , p,
q
X
f (~ej ) = ai,j f~i
i=1
Les coordonnées ai,j de ces vecteurs dans la base (f~1 , . . . , f~q ), rangés en p colonnes,
forment la matrice de l’application ϕ, relative aux bases considérées.
départ
f (~e1 ) · · · f (~ej ) · · · f (~ep )

a1,1 · · · a1,j · · · a1,p f~1
.. .. .. ..
. . . .
ai,1 · · · ai,j · · · ai,p fi ~ arrivée
.. .. .. ..
. . . .
aq,1 · · · aq,j · · · aq,p f~q
96
ii) Les opérations sur les applications linéaires se traduisent en des opérations ana-
logues sur les matrices. Soient ϕ, ψ deux applications linéaires de E dans F et λ, µ
deux réels. Si les matrices de ϕ et ψ (relatives aux mêmes bases au départ et à l’arrivée)
sont A et B, alors la matrice de λϕ + µψ est λA + µB.
iii) Compte tenu de la proposition 3.18, l’application qui a une application linéaire
de E dans F associe sa matrice est bijective. Il résulte donc de la remarque précédente
que l’espace vectoriel L (E, F ) des applications linéaires de E dans F est isomorphe à
l’espace vectoriel Mq,p (R) des matrices à q lignes et p colonnes. En particulier
dim(L (E, F )) = dim(E) dim(F ).
iv) Si on se donne une matrice A = (ai,j ) 16i6q , on peut considérer l’application ϕA

16j6p
de Rp dans Rq donnée par
p p p
!
X X X
ϕA (x1 , . . . , xp ) = a1,j xj , a2,j xj , . . . , aq,j xj ,
j=1 j=1 j=1
qu’on dit définie par la matrice A. Cette application est linéaire. Si e = (~e1 , . . . , ~ep ) est
la base usuelle de Rp et f = (f~1 , . . . , f~q ) celle de Rq , alors on a la relation
q
X
ϕA (~ei ) = (a1,i , . . . , aq,i ) = aj,i f~j
j=1
pour i ∈ {1, . . . , p}. Cela prouve que A = Mate,f (ϕA ).
Proposition 4.26
Soient E et F des R-espaces vectoriels de dimension finie, munis respectivement

de bases e = (~e1 , . . . , ~ep ) et f = (f~1 , . . . , f~q ). Soit ϕ une application linéaire de E
dans F . Soit A = Mate,f (ϕ) sa matrice. Soit ~u un vecteur de E. Notons X le
vecteur colonne des coordonnées de ~u dans la base e. Alors le vecteur colonne Y
des coordonnées de ϕ(~u) dans la base f est donné par le produit matriciel
Y = AX.
97
Démonstration. — Notons (x1 , . . . , xp ) les coordonnées du vecteur ~u dans la base

(~e1 , . . . , ~ep ). On a donc la relation
p
X
~u = xi~ei .
i=1
Notons (ai,j ) 16i6q les coefficients de la matrice A. Par définition de cette matrice on a
16j6p
les relations
q
X
ϕ(~ej ) = ai,j f~i
i=1
pour j ∈ {1, . . . , p}. On peut donc écrire les égalités

p
! p p q q p
!
X X X X X X
ϕ(~u) = ϕ xj ~ej = xj ϕ(~ej ) = xj ai,j f~i = ai,j xj f~i .
j=1 j=1 j=1 i=1 i=1 j=1
Pp
Mais on reconnaît dans j=1 ai,j xj le coefficient de la i-ème ligne de la matrice produit
AX.
La composée de deux applications linéaires est encore une application linéaire. La
matrice du produit est le produit des matrices :
Proposition 4.27
Soient E, F, G des espaces vectoriels, ϕ une application linéaire de E dans F et ψ

une application linéaire de F dans G.
ϕ ψ
E −→ F −→ G
Soient e = (~e1 , . . . , ~ep ) une base de E, f = (f~1 , . . . , fq ) une base de F et g =
(~g1 , . . . , ~gr ) une base de G. Alors la matrice de ψ ◦ ϕ relative aux bases e et g est
le produit des matrices de ψ et ϕ :
Mate,g (ψ ◦ ϕ) = Matf ,g (ψ) Mate,f (ϕ).
Remarque 4.28. — Remarquez que l’ordre dans lequel s’effectue le produit est l’ordre
dans lequel s’écrit la composition.
matrice de g ◦ f = (matrice de g) (matrice de f ) .
98
Démonstration. — Notons A = (aj,k ) 16j6q la matrice de ϕ et B = (bi,j ) 16i6r celle

16k6p 16j6q
de ψ. Soit k ∈ {1, . . . , p}. Il nous faut déterminer les coordonnées du vecteur ψ(ϕ(~ek )).
mais le vecteur colonne des coordonnées de ϕ(ek ) dans la base f est la k-ème colonne
Ck de la matrice A. Compte tenu de la proposition précédente, le vecteur colonne des
coordonnées de ψ(ϕ(~ek )) est donc P BCk . Donc la coefficient sur la ligne i et la colonne k
de la matrice de la composée est qj=1 bi,j aj,k qui est bien le coefficient correspondant
de la matrice produit BA.
Notation 4.29
Pour les endomorphismes, nous conviendrons, sauf mention explicite du contraire,

de choisir une même base e au départ et à l’arrivée. Pour un endomorphisme ϕ,
on notera Mate (ϕ) = Mate,e (ϕ).
Proposition 4.30
Soient E et F des espaces vectoriels, munis respectivement de bases (~e1 , . . . , ~ep )

et (f~1 , . . . , f~q ), et ϕ une application linéaire de E dans F . L’application ϕ est un
isomorphisme d’espaces vectoriels si et seulement si p = q et la matrice Mate,f (ϕ)
est inversible. Si c’est le cas, la matrice de l’application réciproque ϕ−1 est l’inverse
de la matrice de ϕ.
Démonstration. — Observons d’abord que la matrice de l’application identique est la

matrice identité, quelle que soit la base. Si l’application ϕ est bijective, alors q = p et
l’application réciproque ϕ−1 est l’unique application dont les composées avec ϕ sont
les applications identiques :
ϕ−1 ◦ ϕ = IdE et ϕ ◦ ϕ−1 = IdF .
Si A est la matrice de ϕ et B la matrice de ϕ−1 , la proposition 4.27 entraîne que
AB = BA = Ip .
Réciproquement si A est inversible, alors notons ψ l’application linéaire de matrice
A−1 dans les bases f et e. Les composées de cette application avec ϕ ont pour matrice
99
Ip : ce sont les applications identiques. Donc ϕ est bijective et l’application ψ est la

réciproque de ϕ.
4.5. Matrice de changement de base. — Le calcul matriciel va également nous

permettre de calculer des coordonnées dans les changements de base.
Définition 4.31
Soit E un espace vectoriel de dimension finie n et soient e = (~e1 , . . . , ~en ) et

f = (f~1 , . . . , f~n ) des bases de E. La matrice de passage, notée Pef , est la matrice
Mate (f~1 , . . . , f~n ), dont la i-ème colonne est formée des coordonnées du vecteur f~i
dans la base (~e1 , . . . , ~en ).
Remarques 4.32. — i) En utilisant les définitions, on peut noter qu’on a l’égalité

Pef = Matf ,e (IdE ).
ii) Si g = (~g1 , . . . , ~gn ) est une troisième base de E, notons (bi,j ) 16i6n les coefficients
16j6n
de la matrice de passage Pfg et (ai,j ) 16i6n ceux de Pef . On a alors la relation
16j6n
Peg = Pef Pfg

En effet ! !
n
X n
X n
X n
X n
X
~gk = bj,k f~j = bj,k ai,j ~ei = ai,j bj,k ~ei .
j=1 j=1 i=1 i=1 j=1
Proposition 4.33 (Formule de changement de base)
Soit E un espace vectoriel. Soient e = (~e1 , . . . , ~en ) et f = (f~1 , . . . , f~n ) des bases de
E. Soit ~u un vecteur de E. Notons Xe (resp. Xf ) le vecteur colonne des coordonnées
de ~u dans la base e (resp. f ). Alors
Xf = (Pef )−1 Xe .
On prendra garde que c’est l’inverse de la matrice de passage qui donne la formule
de changement de coordonnées.
100
Démonstration. — Notons d’abord que, d’après la proposition 4.30, Pfe = Mate,f (IdE ) =
Matf ,e (IdE )−1 = (Pef )−1 . Soit ~u un vecteur de E. D’après la proposition 4.26,
le vecteur colonne des coordonnées de ~u = IdE (~u) dans la base f est le vecteur
Mate,f (IdE )Xe = (Pef )−1 Xe , ce qui donne la formule attendue.
Exemple 4.34. — Munissons E = R3 , des deux bases suivantes.
(~e1 , ~e2 , ~e3 ) = ((1, 0, 0), (0, 1, 0), (0, 0, 1)) et (f~1 , f~2 , f~3 ) = ((1, 0, 0), (1, 1, 0), (1, 1, 1)) .
Voici la matrice de passage P et son inverse.
   
1 1 1 1 −1 0
Pef =  0 1 1  , (Pef )−1 =  0 1 −1 
0 0 1 0 0 1
Si un vecteur ~v a pour coordonnées x, y, z dans la base canonique (~e1 , ~e2 , ~e3 ), alors ses
coordonnées dans la base (f~1 , f~2 , f~3 ) s’obtiennent en effectuant le produit :
    
1 −1 0 x x−y
 0 1 −1   y  =  y − z 
0 0 1 z z
Constatez que :
(x − y)(1, 0, 0) + (y − z)(1, 1, 0) + z(1, 1, 1) = (x, y, z),
ce qui confirme le résultat obtenu.
Passons maintenant à la formule de changement de base pour les matrices des appli-
cations linéaires :
Théorème 4.35 (Formule de changement de base)
Soient E et F des espaces vectoriels de dimension finie, soient e = (~e1 , . . . , ~em ) et

e′ = (~e′1 , . . . , ~e′m ) (resp. f = (f~1 , . . . , f~n ) et f ′ = (f~1′ , . . . , f~n′ ) des base de F ). Soit
ϕ une application linéaire de E vers F , on a alors la relation
′
Mate′ ,f ′ (ϕ) = (Pff )−1 Mate,f (ϕ)Pee .
′
Démonstration. — On a la relation ϕ = IdF ◦ ϕ ◦ IdE . On peut alors appliquer la

proposition 4.27 qui donne la relation
Mate′ ,f ′ (ϕ) = Matf ,f ′ (IdF ) Mate,f (ϕ) Mate′ ,e (IdE ),
qui est exactement l’égalité annoncée.
101
Corollaire 4.36
Soit E un espace vectoriel de dimension finie, soient e = (~e1 , . . . , ~em ) et e′ =

(~e′1 , . . . , ~e′m ) des bases de E Soit ϕ une endomorphisme de E, on a alors la relation
′ ′
Mate′ (ϕ) = (Pee )−1 Mate (ϕ)Pee .
Exemple 4.37. — Reprenons l’exemple en dimension 3 des deux bases

(~e1 , ~e2 , ~e3 ) = ((1, 0, 0), (0, 1, 0), (0, 0, 1)) et (f~1 , f~2 , f~3 ) = ((1, 0, 0), (1, 1, 0), (1, 1, 1)) .
Considérons l’application de R3 dans R3 définie par :
ϕ: (x, y, z) 7−→ (x − z, 2x − 3y + z, y − 2z) .
Sa matrice dans la base usuelle (~e1 , ~e2 , ~e3 ) est :
 
1 0 −1
A =  2 −3 1 
0 1 −2
La matrice de ϕ dans la base (f~1 , f~2 , f~3 ) est :
     
1 −1 0 1 0 −1 1 1 1 −1 2 0
P −1AP = 0 1 −1 2 −3 1  0 1 1 =  2 −2 1 
0 0 1 0 1 −2 0 0 1 0 1 −1
L’image par ϕ du vecteur f~2 = (1, 1, 0) est le vecteur (1, −1, 1) = 2f~1 − 2f~2 + f~3 . Les
coordonnées 2, −2, 1 figurent dans la seconde colonne de P −1 AP .
Définition 4.38
Deux matrices A et B de Mn (R) sont dites semblables si et seulement s’il existe

une matrice inversible P ∈ Mn (R) telle que
B = P −1AP .
Remarque 4.39. — Le corollaire 4.36 affirme que des matrices sont semblables si et
seulement si elles représentent le même endomorphisme dans des bases différentes.
102
Définition 4.40
Deux matrices A et B de Mm,n (R) sont dites équivalentes si et seulement s’il existe
des matrices inversibles P ∈ Mn (R) et Q ∈ Mm (R) telles que :
B = Q−1 AP .
Remarque 4.41. — Le théorème 4.35 affirme que des matrices sont équivalentes si et
seulement si elles peuvent représenter la même application linéaire, à un changement
de base près dans les espaces de départ et d’arrivée.
4.6. Rang d’une matrice. — Nous avons déjà défini la notion de rang pour une
famille de vecteurs et pour une application linéaire :
a) Le rang d’une famille de vecteurs est la dimension du sous espace vectoriel
qu’elle engendre,
b) Le rang d’une application linéaire est la dimension de son image.
Définition 4.42
Soit A ∈ Mm,n (R) une matrice. On appelle rang de la matrice A la dimension du

sous-espace vectoriel (de Mm,1 (R)) engendré par ses colonnes.
Remarque 4.43. — Soient E et F des R-espaces vectoriels, et ϕ une application

linéaire de E dans F . Si (~e1 , . . . , ~en ) est une base de E, l’image de ϕ est le sous-espace
vectoriel de F engendré par (ϕ(~e1 ), . . . , ϕ(~en )). Donc le rang de ϕ est aussi le rang de la
famille (ϕ(~e1 ), . . . , ϕ(~en )) et ce, quelle que soit la base (~e1 , . . . , ~en ). Ce rang ne dépend
pas non plus de la base dans laquelle on écrit la famille (ϕ(~e1 ), . . . , ϕ(~en )) à l’arrivée :
c’est le rang des vecteurs colonnes de la matrice de f , quelles que soient les bases par
rapport auxquelles on écrit cette matrice.
Observons que la connaissance du rang fournit un critère d’inversibilité.
103
Proposition 4.44
Une matrice de Mn (R) est inversible si et seulement si son rang est égal à n.
Démonstration. — D’après la proposition 4.30, une matrice est inversible, si et seule-

ment si elle représente une application linéaire bijective de Rn dans lui-même. Or une
application linéaire est bijective si et seulement si l’image qu’elle donne d’une base est
une base, c’est-à-dire si son rang est n.
Le rang d’une matrice est celui des applications linéaires qu’elle représente, qui ne
dépend pas des bases. Si deux matrices représentent la même application dans des
bases différentes, elles auront nécessairement même rang. Rappelons (définition 4.40
et théorème 4.35) que deux matrices sont équivalentes si elles représentent la même
application linéaire dans deux bases différentes, ou encore si on déduit l’une de l’autre en
multipliant à gauche ou à droite par une matrice inversible. Deux matrices équivalentes
ont même rang. Nous allons démontrer la réciproque.
Théorème 4.45
Deux matrices de Mm,n (R) sont équivalentes si et seulement si elles ont même
rang.
Démonstration. — Nous devons démontrer que deux matrices ayant le même rang sont
équivalentes. Soit A une matrice à m lignes, n colonnes, et de rang r. Notons C1 , . . . , Cn
les n colonnes de A, qui sont des vecteurs de Mm,1 (R). Le rang de A est la dimension
de l’espace engendré par (C1 , . . . , Cn ), qui est inférieure ou égale à n et à m. Nous
allons montrer que la matrice A est équivalente à la matrice Jr obtenue en complétant
104
la matrice identité Ir par des zéros, à droite et en dessous.

1 ··· r ··· n
 
1 0 ··· ··· 0 0 ··· 0 1
 .. .. .. .. 
 0 1 . . . . 
 .. . . . . . . .. .. ..  ..
 . . . . . . .  .
 
Jr =  .. .. .. .. 
 . . 1 0 . . 
  r
 0 ··· ··· 0 1 0 ··· 0 
  r+1
 0 ··· ··· ··· 0 0 ··· 0 
 .. .. .. ..  ..
 . . . .  .
0 ··· ··· ··· 0 0 ··· 0 m
Considérons l’application ϕ, de Rn dans Rm dont la matrice relative aux bases usuelles
est A. Nous voulons trouver une base de l’espace de départ et une base de l’espace
d’arrivée, telles que la matrice de ϕ relative à ces bases soit Jr .
Comme la dimension de l’image de ϕ est r, la dimension du noyau est n − r, d’après
le théorème du rang. Soir (~er+1 , . . . , ~en ) une base de Ker(ϕ) que l’on complète en une
base e = (~e1 , . . . , ~er , ~er+1 , . . . , ~en ) de Rn . La preuve du théorème 3.15 prouve que si on
pose f~i = ϕ(~ei ) pour i ∈ {1, . . . , r}, alors (f~1 , . . . , f~r ) est une base de l’image de ϕ, que
l’on complète en une base (f~1 , . . . , f~m ) de Rm . On obtient alors Mate,f (ϕ) = Jr .
Puisque A et Jr sont équivalentes, il existe deux matrices inversibles P et Q telles que
Jr = Q−1 AP , et donc A = QJr P −1. Soit B une autre matrice de Mm,n (R), également
de rang r. Il existe deux autres matrices inversibles R et S telles que Jr = S −1 BR. En
multipliant à gauche par Q et à droite par P −1 , on obtient :
A = (QS −1 )B(RP −1 ) .
Donc deux matrices de même taille et de même rang sont équivalentes.
On déduit de la démonstration qui précède que A et tA ont le même rang.
Proposition 4.46
Une matrice et sa transposée ont même rang.
Démonstration. — Nous avons démontré qu’une matrice A de rang r est équivalente

à la matrice Jr obtenue en complétant Ir par des zéros. Or tJr est du même type que
105
Jr : elle contient la matrice identité Ir , complétée par des zéros. Elle est aussi de rang
r. Par la proposition 4.12, si A = QJr P −1 , la transposée de A s’écrit :
t
A = t (P −1)tJr tQ .
Par la proposition 4.12, la transposée d’une matrice inversible est inversible. Nous avons
donc montré que tA est équivalente à tJr , qui est de rang r.
4.7. Opérations élémentaires sur les matrices. — Déterminer le rang d’une ma-
trice consiste à déterminer le rang de ses vecteurs colonnes, ou encore de ses vecteurs
lignes, puisque ce sont les colonnes de la transposée.
De même que pour les système linéaires, on peut définir des opérations élémentaires
sur les lignes et les colonnes d’une matrice. Ainsi si A = (ai,j )16i6m est une matrice
16j6n
on note Ci sa ième colonne, qu’on peut voir comme un élément de Mm,1 (R) et Li sa
i-ligne, vue comme un élément de M1,n (R). On peut alors effectuer des échanges de
colonnes Ci ↔ Cj ou de lignes Li ↔ Lj ainsi qu’ajouter le multiple d’une ligne (resp.
d’une colonne) à une autre ligne (resp. colonne) Li ← Li + λLj (resp. Ci ← Ci + λCj )
avec λ 6= 0 et i 6= j. Enfin nous pouvons multiplier une ligne ou une colonne par un
nombre réel non nul.
Aucune de ces opérations élémentaires ne change le rang d’une matrice. Donc la
méthode du pivot de Gauss vue pour les systèmes linéaires permet également de réduire
une matrice et de déterminer son rang. nous allons maintenant faire cela sur un exemple.
Exemple 4.47. — Considérons la matrice suivante.

 
1 1 0 1
 2 1 1 0 
A=  1
.

2 −1 1
−1 0 −1 −3
Le coefficient d’ordre (1, 1) est non nul, il n’y a donc pas de permutations à effectuer.
Le premier pivot est p1 = 1. Voici les transformations qui annulent la première colonne
au-dessous du pivot.
 
1 1 0 1
L2 ← L2 − 2L1   0 −1 1 −2  .
L3 ← L3 − L1  0 1 −1 0 
L4 ← L4 + L1 0 1 −1 −2
106
Le second pivot est −1. Les transformations qui annulent le bas de la seconde colonne
sont les suivantes.
 
1 1 0 1
 0 −1 1 −2 
 .
L3 ← L3 + L2  0 0 0 −2 
L4 ← L4 + L2 0 0 0 −4
Pour obtenir un troisième pivot non nul, il faut échanger les deux dernières colonnes.
 
1 1 1 0
 0 −1 −2 1 
 .
 0 0 −2 0 
0 0 −4 0
Le troisième pivot est −2. Il ne reste qu’une ligne à transformer.
 
1 1 1 0
 0 −1 −2 1 
 .
 0 0 −2 0 
L4 ← L4 − 2L3 0 0 0 0
Le rang de la matrice est donc 3. En n’oubliant pas que les colonnes 3 et 4 ont été
échangées, on obtient aussi que les vecteurs colonnes numéros 1, 2 et 4 de la matrice
A forment une famille libre, donc une base de l’espace engendré.
4.8. Systémes linéaires et calcul matriciel. — Considérons un système d’équa-

tions linéaires général :


 a1,1 X1 + · · · +a1,j Xj + · · · +a1,n Xn = b1

 .. .. .. ..

 . . . .
(H) ai,1 X1 + · · · +ai,j Xj + · · · +ai,n Xn = bi

 .. .. .. ..

 . . . .


am,1 X1 + · · · +am,j Xj + · · · +am,n Xn = bm
On peut lui associer la matrice de ses coefficients A = (ai,j )16i6m ainsi que le vecteur
16j6n
colonne B des second membres dont le coefficient de la i-ème ligne est bi .
Alors le n-uplet ~x = (x1 , . . . , xn ) est solution du système (H) si et seulement si le
vecteur colonne X qui lui correspond vérifie
AX = B.
107
Notons ϕA : Rn → Rm l’application linéaire associée à A, c’est-à-dire celle dont la

matrice dans les bases usuelles est A (cf. remarque 4.25 iv)) et soit ~b = (b1 , . . . , bm )
alors le système est également équivalent à l’équation
ϕA (~x) = ~b.
Proposition 4.48
Le rang de ce système est égal à la fois au rang de ϕA et au rang de A.
Démonstration. — Notons r le rang du système. Les opérations élémentaires sur les

lignes du systèmes se traduisent, pour la matrice associée, en les mêmes opérations sur
les lignes de la matrice. Comme les opérations élémentaires préservent le rang d’une
matrice, il suffit de prouver le résultat dans le cas d’un système échelonné. Mais dans
ce cas, la matrice a exactement r lignes non nulles et quitte à faire des échanges de
colonnes, on se ramène au cas d’une matrice de la forme
 
a1,1 a1,2 . . . a1,r . . . a1,n
 0 a2,2 . . . a2,r . . . a2,n 
 
 .. .. ..
. . ..
. .. 
 . . 
 
 0 . . . 0 ar,r . . . ar,n 
 
 0 ............ 0 
 . .. 
 .. . 
0 ............ 0
avec ai,i 6= 0 pour i ∈ {1, . . . , r}. En faisant les operations Ci ← a1i,i Ci , on peut en
outre supposer que ai,i = 1 pour i ∈ {1, . . . , r}. Des opérations élémentaires sur les
colonnes permettent alors de se ramener à la matrice Jr qui est de rang r.
L’égalité avec le rang de ϕ a déjà été vue.
4.9. Calcul de l’inverse. — Pour les matrices 2 × 2, on peut donner une formule
pour le calcul de l’inverse d’une matrice
108
Proposition 4.49
α β

Soit A = γ δ . La matrice A est inversible si et seulement sont déterminant
det(A) = αδ − γβ
est non nul auquel cas l’inverse de A est donné par

−1 1 δ −β
A =
det(A) −γ α
Démonstration. — L’équivalence résulte du critère vu en MAT101 pour la colinéarité

de deux vecteurs en dimension 2. D’autre part si det(A) est inversible on a

1 δ −β α β
= I2
det(A) −γ α γ δ
ce qui prouve la formule pour l’inverse.
Pour n > 3, il n’y a pas de formule générale aussi simple. Soit A ∈ Mn (R) une
matrice carrée. Soit B ∈ Mn,1 (R) un vecteur quelconque. Chercher un n-uplet x =
(x1 , . . . , xn ) tel que le vecteur colonne correspondant X vérifie AX = B, c’est résoudre
un système linéaire de n équations à n inconnues. Si la matrice A est inversible, alors
la solution s’écrit X = A−1 B. La méthode du pivot de Gauss parmet de résoudre le
système AX = B pour un second membre quelconque, donc de calculer X = A−1 B.
Les coefficients de A−1 se lisent sur le système résolu.
Exemple 4.50. — Soit par exemple à inverser la matrice A suivante.

 
1 0 −1
A =  1 −1 0 
1 −1 1
Ecrivons le système
   
X a
A Y  =  b  ,
Z c
soit 
 X −Z = a
X −Y = b

X −Y +Z = c
109
Voici les différentes étapes de la résolution par la méthode du pivot de Gauss.

 
 X −Z = a  X −Z = a
X −Y = b ⇐⇒ −Y +Z = b − a
 
X −Y +Z = c −Y +2Z = c − a
 
 X −Z = a  X −Z = a
⇐⇒ −Y +Z = b − a ⇐⇒ Y −Z = a − b
 
Z = c−b Z = c−b
    
 X = a−b+c X a
⇐⇒ Y = a − 2b + c ⇐⇒  Y  = A−1  b  ,

Z = −b + c Z c
avec  
1 −1 1
A−1 =  1 −2 1 
0 −1 1
110
MAT201 Calcul matriciel Fiche de révision
Fiche de révision
4.1. Produit
Définition R.4.1
Soient m, n, p trois entiers strictement positifs. Soit A = (ai,j ) une matrice de

Mm,n (R) et soit B = (bj,k ) une matrice de Mn,p (R). On appelle produit matriciel
de A par B la matrice C ∈ Mm,p (R) dont le terme général ci,k est défini, pour
tout i = 1, . . . , m et pour tout k ∈ 1, . . . , p par :
X n
ci,k = ai,j bj,k .
j=1
4.2. Matrices et applications linéaires

Définition R.4.2
Soient E et F deux espaces vectoriels de dimension finie, munis respectivement

des bases e = (e1 , . . . , ep ) et f = (f1 , . . . , fq ). Soit ϕ une application linéaire de E
dans F . Alors la matrice de ϕdans les bases e et f est la matrice q × p à q lignes
et p colonnes dont la i-ème colonne est donnée par les coordonnées de ϕ(~ei ) dans
la base (f~1 , . . . , f~q ).
Proposition R.4.3
Soit E et F des R-espaces vectoriels de dimension finie, munis respectivement des

bases e = (~e1 , . . . , ~ep ) et f = (f~1 , . . . , f~q ). Soit ϕ une application linéaire de E
dans F . Soit A = Mate,f (ϕ) sa matrice. Soit ~u un vecteur de E. Notons X le
vecteur colonne des coordonnées de ~u dans la base e. Alors le vecteur colonne Y
des coordonnées de ϕ(~u) dans la base f est donné par le produit matriciel
Y = AX.
111
Fiche de révision Calcul matriciel Chap. 4
Proposition R.4.4
Soient E, F, G des espaces vectoriels, ϕ une application linéaire de E dans F et ψ

une application linéaire de F dans G.
ϕ ψ
E −→ F −→ G
Soient e = (~e1 , . . . , ~ep ) une base de E, f = (f~1 , . . . , fq ) une base de F et g =
(~g1 , . . . , ~gr ) une base de G. Alors la matrice de ψ ◦ ϕ relative aux bases e et g est
le produit des matrices de ψ et ϕ :
Mate,g (ψ ◦ ϕ) = Matf ,g (ψ) Mate,f (ϕ).
4.3. Changement de base

Définition R.4.5
Soit E un espace vectoriel de dimension finie n et soient e = (~e1 , . . . , ~en ) et

f = (f~1 , . . . , f~n ) des bases de E. La matrice de passage notée Pef la matrice
Mate (f~1 , . . . , f~n ), dont la i-ème colonne est formée des coordonnées du vecteur f~i
dans la base (~e1 , . . . , ~en ).
Proposition R.4.6 (Formule de changement de base)
Soit E un espace vectoriel. Soient e = (~e1 , . . . , ~en ) et f = (f~1 , . . . , f~n ) des bases de
E. Soit ~u un vecteur de E. Notons Xe (resp. Xf ) le vecteur colonne des coordonnées
de ~u dans la base e (resp. f ). Alors
Xf = (Pef )−1 Xe .
4.4. Preuves. — Essayez de réécrire la preuve de la proposition 4.27 sans les regar-
der, puis comparez avec la preuve du polycopié.
112
MAT201 Calcul matriciel Entraînement
Entraînement
4.1. Vrai ou faux
Vrai-Faux 4.1. Parmi les affirmations suivantes, lesquelles sont vraies pour toutes
matrices A et B et pourquoi ?
1. Si le produit AB est défini, alors le produit BA est défini.
2. Si la somme A + B est définie, alors le produit AB est défini.
3. ⊠ Si le produit AB est défini, alors le produit tB tA est défini.
4. ⊠ Si la somme A + B est définie, alors le produit A tB est défini.
5. Si les produits AB et BA sont définis, alors la somme A + B est définie.
6. ⊠ Si les produits AB et BA sont définis, alors la somme A + tB est définie.
7. ⊠ Si les produits AB et tBA sont définis, alors la somme A + tA est définie.
8. Si les produits AB et tBA sont définis, alors la somme A + tB est définie.
9. Si le produit AB est défini, alors la somme A tA + B tB est définie.
10. ⊠ Si le produit AB est défini, alors la somme tA A + B tB est définie.
Vrai-Faux 4.2. Parmi les affirmations suivantes, lesquelles sont vraies pour toute ma-
trice A et pourquoi ?
1. Si A est inversible, alors A tA = tA A.
2. ⊠ Si A est inversible, alors A tA est inversible.
3. Si A est inversible, alors A + tA est inversible.
4. ⊠ Si A est inversible, alors A est équivalente à la matrice identité.
5. Si A est inversible, alors A est semblable à la matrice identité.
Vrai-Faux 4.3. Soit A une matrice carrée. On dit que A est diagonale si tous ses coef-
ficients d’ordre (i, j) avec i 6= j, sont nuls. Parmi les affirmations suivantes, lesquelles
sont vraies pour toute matrice carrée A et pourquoi ?
1. Si A est diagonale, alors A est inversible.
2. ⊠ Si A est diagonale, alors A est symétrique.
3. ⊠ Si A est diagonale et si tous ses coefficients diagonaux sont non nuls, alors A
est inversible.
4. Si A est diagonale, alors A est semblable à la matrice identité.
5. Si A est diagonale, alors A est équivalente à la matrice identité.
113
Entraînement Calcul matriciel Chap. 4
Vrai-Faux 4.4. Parmi les affirmations suivantes, lesquelles sont vraies et pourquoi ?
1. Si une matrice est de rang r, alors elle est équivalente à la matrice Ir
2. ⊠ Une matrice est de rang r si et seulement si la famille de ses vecteurs colonnes
est de rang r.
3. ⊠ Une matrice est de rang r si et seulement si la famille de ses vecteurs lignes
est de rang r.
4. Si une matrice A est de rang r, alors toute matrice formée de r colonnes parmi
les colonnes de A est de rang r.
5. ⊠ Si une matrice formée de r colonnes parmi les colonnes de A est de rang r,
alors A est de rang > r.
6. ⊠ La matrice nulle est la seule matrice de rang 0.
7. Si deux lignes de A ne sont pas proportionnelles, alors le rang de A est au plus
2.
8. Si deux lignes de A sont proportionnelles, alors le rang de A est strictement
inférieur à son nombre de colonnes.
9. ⊠ Si une matrice carrée de Mr , extraite de A est inversible, alors A est de rang
> r.
10. ⊠ Si A est de rang r, alors aucune matrice carrée de Mr+1 extraite de A n’est
inversible.
11. Si toute matrice carrée de Mr , extraite de A est de rang r, alors A est de rang
r.
4.2. Exercices
Exercice 4.1. Pour chacune des application linéaires suivantes de Rn dans Rm , écrire
sa matrice dans les bases usuelles des espaces de départ et d’arrivée.
f (x, y, z) = x + 2y + 3z f (x) = (x, −x, 2x)
f (x, y) = (x + y, x − y) f (x, y, z) = (x + 2y + 3z, x + y + z, x − y − z)
f (x, y, z) = (x − 2y, 3y) f (x, y, z, t) = (x + y − 2z + t, x + y + t)
Exercice 4.2. Rappelons que R[X]6d désigne l’espace vectoriel des applications poly-
nomiales de degré au plus d. Soit D l’application de R[X]63 dans lui-même définie par
D(P ) = P ′ , où P désigne la dérivée de P .
1. Vérifier que D est linéaire.
2. Écrire la matrice M de D dans la base (1, X, X 2, X 3 ) de R[X]63.
114
3. Calculer M 4 . Que pensez-vous de votre résultat ?

4. Trouver un analogue de la question précédente et le prouver si l’on change R[X]63
en R[X]6d pour un entier d quelconque ?
Exercice 4.3. On considère les matrices suivantes.
           
0 1 −1 2 −2 3
 1   1   0   −1   3   −1 
0 1 1 0 1 2

1 0 0 1 2 −1 −1 2 3
0 1 0 2 −1 1 2 1 −3
     
1 0 0 1 0 0 −2 3 −4
 0 1 0   0 −1 0   3 1 −3 
0 0 1 0 0 2 1 −2 0
     
0 0 1 1 2 3 −1 −2 0
 0 1 0   3 2 1   2 1 0 
     
 1 0 0   2 1 3   −2 0 1 
1 1 1 1 3 2 0 −1 2
1. Trouver m et n tels que chacune des matrices représente une application linéaire
de Rn dans Rm dans les bases usuelles. Écrire ces applications en termes des
coordonnées.
2. Ecrire la transposée de chacune de ces matrices.
3. Etant données deux matrices A, B appartenant à l’ensemble ci-dessus, calculer
ceux des produits A B, tA B, A tB, tA tB qui sont définis.
Exercice 4.4. Pour chacune des familles suivantes :
(21) ((1, 0, 0), (1, 1, 0), (1, 1, 1))
(22) ((1, −1, 0), (0, 1, −1), (1, 1, 1))
(23) ((2, 2, 3), (1, 1, 1), (1, 0, 1))
1. Vérifier que la famille est une base de R3 ;
2. Écrire la matrice de changement de bases P de la base usuelle de R3 à la base
donnée ;
3. Écrire le système qui permet de calculer les coordonnées d’un triplet (a, b, c) dans
la nouvelle base ;
4. Résolvez-le en utilisant la méthode du pivot de Gauß ;
115
5. En déduire la valeur de P −1 ;
6. Vérifiez votre calcul en faisant un produit matriciel.
Exercice 4.5. On considère la matrice suivante.
 
0 0 0
A= 1 0 1  .
0 0 1
On note ϕ l’endomorphisme de R3 qui a pour matrice A dans la base canonique de
R3 , notée (~e1 , ~e2 , ~e3 ).
1. Démontrer que ϕ ◦ ϕ(~e1 ) = ϕ(~e2 ) = 0. Démontrer que ϕ ◦ ϕ(~e3 ) = ϕ(~e3 ).
2. En déduire A2 . Vérifier en effectuant le produit matriciel.
3. Démontrer que A3 = A2 sans effectuer le produit matriciel, puis vérifier en l’ef-
fectuant.
4. Donner une base de Ker(ϕ) et une base de Im(ϕ)
 
0 0 1
A= 1 0 0  .
0 1 0
R3 , notée (~e1 , ~e2 , ~e3 ).
1. Pour i = 1, 2, 3, déterminer ϕ ◦ ϕ(~ei ), puis ϕ ◦ ϕ ◦ ϕ(~ei ).
2. En déduire que A2 = A−1 . Vérifier en calculant le produit matriciel.
 
0 1 0
A= 0 0 1  .
0 0 0
R3 , notée (~e1 , ~e2 , ~e3 ).
1. Pour i = 1, 2, 3, déterminer ϕ ◦ ϕ(~ei ), puis ϕ ◦ ϕ ◦ ϕ(~ei ).
2. En déduire A2 et A3 .
3. Pour k ∈ N∗ , donner une expression de (I3 + A)k en fonction de k. Vérifier votre
expression pour k = 3 en effectuant le produit matriciel.
116
4. Reprendre la question précédente pour (I3 − A)k , puis pour (3I3 − 2A)k .
 
1 1 1
A= 1 1 1  .
1 1 1
R3 , notée (~e1 , ~e2 , ~e3 ).
1. Pour i = 1, 2, 3, déterminer ϕ ◦ ϕ(~ei ), en déduire que ϕ ◦ ϕ = 3ϕ.
2. Pour k ∈ N∗ , démontrer par récurrence que ϕ◦k = 3k−1ϕ.
3. En déduire l’expression de Ak en fonction de k.
4. Pour k ∈ N∗ , donner une expression de (I3 + A)k en fonction de k. Vérifier votre
expression pour k = 3 en effectuant le produit matriciel.
5. Reprendre la question précédente pour (I3 − A)k , puis pour (3I3 − 2A)k .
Exercice 4.9. On rappelle qu’une matrice carrée est symétrique si elle est égale à sa
transposée. On note Sn l’ensemble des matrices carrées symétriques. On dit qu’une
matrice carrée est antisymétrique si elle est l’opposée de sa transposée : tA = −A. On
note An l’ensemble des matrices carrées antisymétriques.
1. Démontrer que les éléments diagonaux d’une matrice antisymétrique sont nuls.
2. Démontrer que Sn et An sont des sous-espaces vectoriels de Mn .
3. Soit A une matrice carrée quelconque. Démontrer que A + tA est symétrique et
A − tA est antisymétrique.
4. Soit A une matrice carrée. Démontrer qu’elle s’écrit d’une et d’une seule façon
comme somme d’une matrice symétrique et d’une matrice antisymétrique.
5. Démontrer que le produit de deux matrices symétriques A et B est symétrique
si et seulement si AB = BA (on dit que A et B « commutent »).
6. Démontrer que le produit de deux matrices antisymétriques A et B est antisy-
métrique si et seulement si AB = −BA.
7. Soit A une matrice inversible. Démontrer que tA est inversible et que son inverse
est t (A−1 ).
8. Soit A une matrice symétrique et inversible. Démontrer que son inverse est sy-
métrique.
9. Soit A une matrice antisymétrique et inversible. Démontrer que son inverse est
antisymétrique.
117
10. Démontrer qu’aucune matrice de A3 n’est inversible.

Exercice 4.10. On appelle trace d’une matrice carrée la somme de ses éléments diago-
naux. On note tr(A) la trace de A ∈ Mn .
1. Soient A, B deux matrices de Mn . Démontrer que tr(AB) = tr(BA).
2. En déduire que deux matrices carrées semblables ont la même trace.
3. Soit A une matrice carrée non nulle. Démontrer que les traces de A tA et tA A
sont strictement positives.
Exercice 4.11. Déterminer le rang des matrices suivantes.
     
2 −3 −4 0 1 −2 1 1 2 1
 3     1 −1 
 1 5   1 −1 7   −1 2 
 −1 0 −1   −2 0 −10   2 1 3 2 
0 2 4 1 3 −1 0 −1 0 −1
Exercice 4.12. Vérifier que les matrices suivantes sont inversibles et calculer leurs
inverses.
       
0 1 0 0 2 2 2 −1 1 1 2 0
 0 0 1   −1 3 −1   1 4 −3   3 −1 1 
−2 1 2 3 −3 1 1 1 0 0 1 2
Exercice 4.13. Pour chacune des matrices A suivantes :

2 1 2 2 −5 6 5 2 5 2 7 5
1 2 2 −1 −3 4 3 0 −3 0 −6 −4
1. Déterminer selon les valeurs de λ le rang de la matrice A − λI2 .
2. On note λ1 et λ2 les deux réels tels que le rang de A − λi I2 est 1. Pour i = 1, 2,
déterminer l’ensemble des solutions du système linéaire

x 0
(A − λi I2 ) = .
y 0
On note ~vi un vecteur non nul solution de ce système.
3. Démontrer que (~v1 , ~v2 ) est une base de R2 .
4. Soit P la matrice de passage de la base canonique de R2 à la base (~v1 , ~v2 ). Calculer
P −1 . Démontrer que
−1 λ1 0
P AP = .
0 λ2
118
5. Démontrer que la matrice (A−λ1 I2 )(A−λ2 I2 ) est nulle. En déduire une expression
de A−1 en fonction de A et I2 .
6. En utilisant l’expression de la question précédente, vérifier que

−1 −1 1/λ1 0
P A P = .
0 1/λ2
7. Pour k ∈ N∗ , donner une expression de Ak en fonction de k.
Exercice 4.14. Pour chacune des matrices A suivantes :
     
0 1 0 0 2 2 2 −1 1
 0 0 1   −1 3 −1   1 4 −3 
−2 1 2 3 −3 1 1 1 0
1. Déterminer selon les valeurs de λ le rang de la matrice A − λI3 .
2. On note λ1 , λ2 et λ3 les trois réels tels que le rang de A − λi I3 est 2. Pour
i = 1, 2, 3, déterminer l’ensemble des solutions du système linéaire
   
x 0
(A − λi I3 )  y  =  0  .
z 0
On note ~vi un vecteur non nul solution de ce système.
3. Démontrer que (~v1 , ~v2 , ~v3 ) est une base de R3 .
4. Soit P la matrice de passage de la base canonique de R3 à la base (~v1 , ~v2 , ~v3 ).
Calculer P −1 . Démontrer que
 
λ1 0 0
P −1AP =  0 λ2 0  .
0 0 λ3
5. Démontrer que la matrice (A − λ1 I3 )(A − λ2 I3 )(A − λ3 I3 ) est nulle. En déduire
une expression de A−1 en fonction de A2 , A et I3 .
6. En utilisant l’expression de la question précédente, vérifier que
 
1/λ1 0 0
P −1 A−1 P =  0 1/λ2 0  .
0 0 1/λ3
7. Pour k ∈ N∗ , donner une expression de Ak en fonction de k.
119
Compléments Calcul matriciel Chap. 4
Compléments
4.1. Diagonalisation. — Voici deux systèmes linéaires d’équations.
 

 Y +Z = 1 
 X = 0

 

(a) − 21 X + 23 Y − 12 Z = 0 (d) −Y = −1

 


 3


2
X − 32 Y + 21 Z = −1 2Z = 0
Voici deux systèmes linéaires d’équations de récurrence.

 

 uk+1 = vk +wk 
 uk+1 = uk

 

(a) vk+1 = − 12 uk + 23 vk − 12 wk (d) vk+1 = −vk

 


 w 3

 w
k+1 = u − 23 vk + 12 wk
2 k k+1 = 2wk
Voici deux systèmes linéaires d’équations différentielles.

 

 x′ (t) = y(t) +z(t) 
 x′ (t) = x(t)

 

(a) y ′(t) = − 12 x(t) + 23 y(t) − 21 z(t) (d) y ′(t) = −y(t)

 


 z ′ (t) = 3

 z ′ (t) =
2
x(t) − 32 y(t) + 21 z(t) 2z(t)
Les trois problèmes, de natures très différentes, ont en commun leur écriture matricielle,
avec les deux matrices suivantes.
   
0 1 1 1 0 0
   
   
A =  − 21 3
2
− 12  D =  0 −1 0 
   
3
2
− 32 1
2
0 0 2
Tous les problèmes linéaires sont plus faciles à résoudre quand la matrice est diagonale !
Il se trouve que les deux matrices A et D sont semblables, c’est-à-dire qu’elles repré-
sentent le même endomorphisme dans deux bases différentes, ou encore, il existe une
120
MAT201 Calcul matriciel Compléments
matrice de passage P telle que P −1 AP = D.

 1 1 1
    
2 2 2 0 1 1 1 −1 0 1 0 0
      
 1 1 1  1     
 −2 2 2  − 3
− 12   1 0 1   0 −1 0 
  2 2
    
− 12 1
− 12 3
=
2 − 23 1
0 1 −1 0 0 2
| {z }| 2
{z 2
}| {z } | {z }
P −1 A P D
Définition 4.7
Une matrice carrée A ∈ Mn est diagonalisable si elle est semblable à une matrice
diagonale, c’est-à-dire s’il existe une matrice de passage P telle que
P −1 AP = D .
Les techniques permettant de savoir si une matrice donnée est diagonalisable et

de calculer la matrice de passage P si elle l’est, dépassent le cadre de ce cours. On
commence par calculer les coefficients diagonaux de D, qui sont les valeurs de λ telles
que A − λIn n’est pas inversible : on les appelle les valeurs propres, et leur ensemble
est le spectre de la matrice. Pour chaque valeur propre λ, on détermine ensuite le sous-
espace propre associé à λ : c’est l’ensemble des vecteurs ~v tels que (A − λIn )~v = 0.
La matrice est diagonalisable lorsqu’on peut trouver une base de Rn constituée de
vecteurs appartenant aux sous-espaces propres. La matrice de passage P est la matrice
exprimant ces vecteurs dans la base canonique. Quelques exemples élémentaires sont
donnés dans les exercices 4.13 et 4.14.
Quand une matrice A est diagonalisable, il est facile de résoudre le système linéaire
AX = B : il est équivalent au système DY = C, avec Y = P −1X et C = P −1 B.
Or dans un système dont la matrice est diagonale, toutes les équations n’ont qu’une
inconnue et se résolvent séparément.
Prenons maintenant l’exemple d’un système d’équations de récurrence linéaire, du
type Uk+1 = A Uk , où Uk désigne un vecteur dont on souhaite connaître l’expression en
fonction de k. Du point de vue théorique, il n’y a pas de problème :
Uk = Ak U0 .
121
Mais cela n’avance à rien si on ne sait pas calculer formellement l’expression de Ak en

fonction de k. C’est possible si A est diagonalisable. En effet, si A = P DP −1 :
Ak = P DP −1 P DP −1 . . . P DP −1 = P D k P −1 .
Ecrire D k est immédiat. On en déduit l’expression générale de Ak , donc de Uk . Dans

l’exemple ci-dessus, on trouve :
 
(−1)k 1 (−1)k 1 (−1)k 1
2
+ 2
− 2
+ 2
− 2
+ 2 

 
Ak =  − 2k
2
+ 1
2
2k
2
+ 1
2
− 2k
2
+ 1 
2 
 
k k k
(−1) 2k (−1) 2k (−1) 2k
− 2 + 2 2
− 2 2
+ 2
Passons maintenant aux systèmes d’équations différentielles, du type
(24) Y ′ (t) = A Y (t) ,
où Y est une fonction (inconnue) de R dans Rn , et A ∈ Mn est une matrice carrée de

réels. Si A = P DP −1, alors
P −1 Y ′ (t) = D(P −1Y (t)
Donc X(t) = P −1 Y (t) est solution du système X ′ (t) = DX(t). En posant X(t) =
(x1 (t), . . . , xn (t)), ce système s’écrit
∀i = 1, . . . , n , x′i (t) = λi xi (t) .
Sa solution est facile à calculer :
∀i = 1, . . . , n , xi (t) = eλi t xi (0) .
Le vecteur des conditions initiales pour le système diagonalisé est X(0) = P −1 Y (0).
Connaissant X(t), on en déduit Y (t) = P X(t).
Soit par exemple à résoudre


 x′ (t) = y(t) +z(t)


y ′ (t) = − 12 x(t) + 23 y(t) − 12 z(t) ,



 z ′ (t) = 3
2
x(t) − 32 y(t) + 21 z(t)
122
avec les conditions initiales x(0) = 0, y(0) = 1, z(0) = 2. Le système s’écrit sous la
forme Y ′ (t) = A Y (t), avec
   
x(t) 0 1 1
   
   1 
Y (t) =  y(t)  et A =  − 21 3
2
− 2  .
   
3 3 1
z(t) 2
−2 2
En utilisant la diagonalisation de A, on obtient



 3 t 3 −t

 x(t) = e − e

 2 2

3 t 1 2t
y(t) = e − e

 2 2



 3 1
 z(t) = e−t + e2t
2 2
Présentée ainsi la diagonalisation semble un outil magique. En réalité, les algorithmes
qui calculent numériquement les valeurs propres et les vecteurs propres sont relative-
ment lents et il est impraticable de diagonaliser une matrice si sa dimension dépasse
quelques dizaines.
4.2. Décomposition LU. — La méthode du pivot de Gauss, décrite dans le cha-

pitre 1, n’est pas exactement programmée comme elle a été présentée. Il y a plusieurs
raisons à cela, dont la principale est le problème de la précision numérique.
Voici un système de deux équations à deux inconnues, dépendant du paramètre ε 6= 0.
( ( (
εX + Y = 1 εX + Y = 1 X = 1ε (1 − (2 − 1ε )/(1 − 1ε ))
⇐⇒ ⇐⇒
X +Y = 2 (1 − 1ε )Y = 2 − 1ε Y = (2 − 1ε )/(1 − 1ε )
Voici le même système, après avoir échangé les deux équations.
( ( (
X +Y = 2 X +Y = 2 X = 2 − (1 − 2ε)/(1 − ε)
⇐⇒ ⇐⇒
εX + Y = 1 (1 − ε)Y = 1 − 2ε Y = (1 − 2ε)/(1 − ε)
Les deux solutions sont évidemment les mêmes. Pourtant, si ε est très petit en valeur
absolue, les deux calculs ne sont pas du tout équivalents numériquement : diviser par
un petit nombre, ou multiplier par un grand nombre, augmente les erreurs d’approxi-
mation.
123
Telles que nous les avons présentées, les permutations de lignes et de colonnes servent
à assurer que les pivots restent non nul. La plupart des systèmes que l’on rencontre en
pratique ont une solution unique : ce sont des systèmes de n équations à n inconnues,
de rang n. En général, on peut leur appliquer la méthode du pivot de Gauss sans
rencontrer de pivot nul. Mais on utilise quand même les permutations de lignes et de
colonnes, pour faire en sorte qu’à chaque étape, le pivot soit le plus grand possible en
valeur absolue.
Permuter les lignes d’une matrice, revient à la multiplier à gauche par une ma-
trice de permutation. Une matrice de permutation est la matrice de passage de la
base (~e1 , . . . , ~en ) à la base (~eσ(1) , . . . , ~eσ(n) ), où σ est une bijection de {1, . . . , n} dans
lui-même. Ses coefficients d’ordre (σ(i), i) valent 1, les autres 0. Une matrice de per-
mutation est une matrice carrée caractérisée par le fait que dans chaque ligne et dans
chaque colonne il y a exactement un coefficient non nul qui vaut 1. Permuter les colonnes
d’une matrice, revient à la multiplier à droite par une autre matrice de permutation.
En permutant les lignes et les colonnes, on remplace la matrice A par la matrice P1 AP2
où P1 et P2 sont deux matrices de permutation.
Dans sa version la plus courante, l’algorithme ne considère que des permutations de
lignes : il remplace donc la matrice A par P A, où P est une matrice de permutation.
Une fois choisi l’ordre dans lequel on traite les lignes, la i-ième étape de la méthode
consiste à ajouter aux lignes d’indice i + 1, i + 2, . . . , n la i-ième ligne multipliée par un
certain coefficient. Cela revient à multiplier à gauche par une matrice du type suivant.
 
1 0 ··· ··· ··· 0
 0 ... ... .. 
 . 
 . . . 
 .. 1 .. .. 
 
 .. . . . . .. 
 . λi+1,i . . . 
 . .. .. 
 .. . . 0 
0 ··· λm,i 0 ··· 1
Le produit de ces matrices, pour i allant de 1 à m est la matrice ci-dessous.
 
1 0 ··· ··· ··· 0
 λ . .. .. 
 2,1 . . . . 
 . .. .. 
 .. 1 . . 
 
 .. .. .. .. 
 . λi+1,i . . . 
 . .. 
 .. . 1 0 
λm,1 · · · λm,i · · · λm,m−1 1
124
Son inverse est encore une matrice du même type : trianglaire inférieure avec des 1
sur la diagonale. On la note L (pour "lower triangular"). Le produit L−1 P A est une
matrice triangulaire supérieure, que l’on note U pour "upper triangular" : U est la
forme échelonnée de A.
L−1 P A = U ⇐⇒ P A = LU .
La décomposition LU de la matrice A est la donnée des trois matrices P, L, U telles
que P A = LU.
Si on doit résoudre le système AX = B, on le transformera en deux systèmes trian-
gulaires, un de matrice L, l’autre de matrice U.
(
LY = P B
AX = B ⇐⇒ P AX = P B ⇐⇒ LUX = P B ⇐⇒
UX = Y
Il arrive fréquemment que l’on ait à résoudre successivement de nombreux systèmes
linaires ayant tous la même matrice A, mais des seconds membres différents. Calculer
au préalable la décomposition LU de A réduit de beaucoup le temps de calcul. Pour
certaines matrices qui reviennent souvent dans les calculs, la décomposition LU figure
dans les bibliothèques de codes, et elle est chargée en mémoire avant le début du calcul.
125
MAT201 Applications à la géométrie Cours
Applications à la géométrie
Emmanuel Peyre
Cours
5.1. Exemples d’applications linéaires
5.1.1. Supplémentaires. — Pour définir les projections et les symétries, nous allons
utiliser la notion de supplémentaire.
Proposition et définition 5.1
Soit E un R-espace vectoriel. Soient F1 et F2 des sous-espaces vectoriels de E. On

dit que E est la somme directe de F1 et F2 si et seulement s’il vérifie une des trois
conditions équivalentes suivantes :
(i) L’application linéaire ϕ : F1 ⊕ F2 → E donnée par (~u1 , ~u2 ) 7→ ~u1 + ~u2 est
bijective ;
(ii) Pour tout vecteur ~u de E, il existe un unique couple de vecteurs (~u1 , ~u2) ∈
F1 × F2 tels que ~u = ~u1 + ~u2 .
(iii) On a les égalités E = F1 + F2 et F1 ∩ F2 = {0}.
Par abus de langage, on écrit alors E = F1 ⊕ F2 .
Démonstration. — L’équivalence entre les deux premières conditions résulte de la dé-

finition d’une bijection et de celle de la somme directe externe (exemple 2.7 ii)).
Supposons que la condition (ii) est vérifiée. L’existence prouve que E = F1 + F2 .
Soit ~u ∈ F1 ∩ F2 . La relation ~u + (−~u) = 0 + 0 et l’unicité prouve que ~u = 0, ce qui
démontre (iii).
Supposons maintenant (iii). Soit ~u un vecteur de E. Comme E = F1 + F2 , il existe
un couple (~u1 , ~u2 ) ∈ F1 × F2 tel que ~u = ~u1 + ~u2 . Il nous reste à démontrer l’unicité.
Supposons que le couple (~u′1 , ~u′2) convienne également. Alors ~u1 + ~u2 = ~u′1 + ~u′2 ce qui
127
Cours Applications à la géométrie Chap. 5
implique la relation
~u1 − ~u′1 = ~u′2 − ~u2
Mais ces différences de vecteurs appartiennent alors à F1 ∩ F2 qui est réduit à {0} par
hypothèse. Donc ~u1 = ~u′1 et ~u2 = ~u′2 .
Proposition 5.2
Soit E un R-espace vectoriel de dimension finie. Soient F1 et F2 des sous-espaces

vectoriels de E. Alors les conditions suivantes sont équivalentes :
(i) L’espace vectoriel E est la somme directe de F1 et de F2 ;
(ii) On a les relations E = F1 + F2 et dim(E) = dim(F1 ) + dim(F2 ) ;
(iii) On a les relations F1 ∩ F2 = {0} et dim(E) = dim(F1 ) + dim(F2 ).
Démonstration. — Cela résulte de la proposition précédente et du corollaire 3.17.
Définition 5.3
Soit E un R-espace vectoriel et soit F un sous-espace de E. Un supplémentaire

de F dans E est un sous-espace vectoriel F ′ tel que E soit la somme directe de F
et de F ′ .
On ne confondra pas supplémentaire et complémentaire. Le complémentaire, au

sens ensembliste, d’un sous-espace vectoriel ne contient pas 0, ce n’est donc jamais
un sous-espace vectoriel et donc n’est jamais un supplémentaire.
Proposition 5.4
Soit E un R-espace vectoriel de dimension finie. Soit F un sous-espace vectoriel

de E. Alors il admet un supplémentaire F ′ .
En général, il n’y a pas d’unicité du supplémentaire. Par exemple dans un espace

vectoriel de dimension 2, si on prend pour D une droite vectorielle, toute droite
128
vectorielle D ′ distincte de D est un supplémentaire de D : en effet D ∩ D ′ = {0} et la

somme des dimensions des droites vaut 2.
Démonstration. — Soit (~e1 , . . . , ~em ) une base de F . C’est une famille libre de E. On
la complète en une base (~e1 , . . . , ~en ) de E. Notons F ′ le sous-espace vectoriel engendré
par les vecteurs ~em+1 , . . . , ~en . Démontrons que c’est un supplémentaire de F .
Soit ~u un vecteur de E de coordonnées (x1 , . . . , xn ) dans la base (~e1 , . . . , ~en ). Alors
m
! n
!
X X
~u = xi~ei + xi~ei
i=1 i=m+1
ce qui prouve que ~u ∈ F + F ′ .

Soit ~u ∈ F ∩ F ′ . Comme ~u ∈ F , on peut considérer ses coordonnées (x1 , . . . , xm )
dans la base (~e1 , . . . , ~em ). Comme le vecteur ~u appartient également
Pnà F , par définition
′
de celui-ci, il existe des nombres réels xm+1 , . . . , xn tels que ~u = i=m+1 xi~ei . Donc
m
! n
!
X X
xi~ei − xi~ei = 0.
i=1 i=m+1
Comme la famille (~e1 , . . . , ~en ) est libre, on en déduit que xi = 0 pour i ∈ {1, . . . , n} et
donc le vecteur ~u est nul.
5.1.2. Projection et symétries. — La notion d’espaces supplémentaires nous permet
de définir deux types d’applications linéaires.
Soit E un R espace vectoriel. Une projection de E est une application linéaire

p : E → E qui vérifie les conditions équivalentes suivantes :
(i) L’application p vérifie la relation p ◦ p = p.
(ii) Soient P = Im(p) et Q = Ker(p). L’espace vectoriel E est la somme directe
des sous-espaces P et Q et l’application p est caractérisée par les relations
p(~u + ~v) = ~u
pour tout ~u ∈ P et tout ~v ∈ Q.
Si p vérifie la condition (ii), on dit que p est la projection sur P parallèlement à Q.
Démonstration. — Démontrons d’abord l’implication (i) ⇒ (ii). Supposons que p ◦ p =

p. Posons P = Im(p) et Q = Ker(p). Soit ~u ∈ E. Notons ~u1 = p(~u) et ~u2 = ~u − ~u1 =
129
~u
~u2
P
~u1 = p(~u)
Figure 5. Projection sur un sous-espace
~u − p(~u). Alors p(~u2 ) = p(~u) − p ◦ p(~u) = 0 ce qui donne ~u1 ∈ P et ~u2 ∈ Q. Le théorème
du rang fournit l’égalité dim(P ) + dim(Q) = dim(E). Donc par la proposition 5.2,
l’espace E est la somme directe de P et Q. En outre, si ~u ∈ P et ~v ∈ Q, alors il existe
~ ∈ E tel que ~u = p(w)
w ~ et
p(~u + ~v ) = p(~u) + p(~v ) = p(p(w))
~ = p(w)
~ = ~u.
Ce qui complète la preuve de l’assertion (ii).
Réciproquement, supposons la condition (ii) vérifiée, Soit ~u ∈ E. Comme E est la
somme directe de P et Q, on peut écrire ~u = ~u1 + ~u2 avec ~u1 ∈ P et ~u2 ∈ Q. Alors
p(p(~u)) = p(p(~u1 + ~u2 )) = p(~u1) = ~u1 = p(~u1 + ~u2 ) = p(~u),
ce qui prouve (i).
Remarque 5.6. — Notons que pour une projection p, l’image de p, c’est-à-dire Q
avec les notations de la définition est l’ensemble des vecteurs ~u ∈ E tels que p(~u) = ~u.
Donc Im(p) = Ker(p − IdE ).
Soit E un R espace vectoriel. Une symétrie de E est une application linéaire

s : E → E qui vérifie les conditions équivalentes suivantes :
(i) L’application s vérifie la relation s ◦ s = IdE .
130
(ii) Soit P = { ~u ∈ E | s(~u) = ~u } et Q = { ~u ∈ E | s(~u) = −~u }. L’espace

vectoriel E est la somme directe des sous-espace P et Q.
Si s vérifie la condition (ii), on dit que s est la symétrie par rapport au sous-espace
P parallèlement au sous-espace Q
~u = ~u1 + ~u2
~u2
P
~u1
~u1 − ~u2 = s(~u)
Figure 6. Symétrie par rapport à un sous-espace
Démonstration. — Supposons la condition (i). Notons P = Ker(IdE − s) et Q =

Ker(IdE + s). Soit ~u ∈ E. Posons
1 1
~u1 = ~u + s(~u) et ~u2 = ~u − s(~u) .
2 2
Alors ~u = ~u1 + ~u2 et s(~u1 ) = 21 (s(~u) + s ◦ s(~u)) = 12 (s(~u) + ~u) = ~u1 ce qui prouve que
~u1 ∈ P et s(~u2) = 21 (s(~u) − s ◦ s(~u)) = 21 (s(~u) − ~u) = −~u2 , ce qui démontre que ~u2 ∈ Q.
Donc E = P + Q. Soit ~u ∈ P ∩ Q. On a ~u = s(~u) = −~u. Donc ~u = 0, ce qui prouve
que la somme est directe.
Réciproquement supposons que E est la somme directe des sous-espaces P et Q. Soit
~u ∈ E. On écrit ~u = ~u1 + ~u2 avec ~u1 ∈ P et ~u2 ∈ Q. On a alors les relations
s(~u) = s(~u1 + ~u2 ) = s(~u1 ) + s(~u2 ) = ~u1 − ~u2 .
Donc
s ◦ s(~u) = s(~u1 − ~u2 ) = s(~u1 ) − s(~u2 ) = ~u1 + ~u2 = ~u,
ce qui prouve la relation s ◦ s = IdE .
131
5.1.3. Le cas euclidien. — On se place ici dans un R-espace vectoriel euclidien E. On

rappelle que cela signifie que E est muni d’un produit scalaire.
Définition 5.8
Soit X une partie de E. L’orthogonal de X est l’ensemble

X ⊥ = { ~v ∈ E | ∀~u ∈ X, ~u · ~v = 0 }.
Il vérifie les propriétés suivantes :
Proposition 5.9
Pour toute partie X de E, l’ensemble X ⊥ est un sous-espace vectoriel de E.
Démonstration. — Comme 0 · ~u = 0 pour tout ~u ∈ E, le vecteur nul appartient à X ⊥ .

Soient ~v1 et ~v2 des vecteurs de X ⊥ . Soit ~u ∈ X. Par définition, on a les égalités :
~u · (~v1 + ~v2 ) = ~u · ~v1 + ~u · ~v2 = 0 + 0 = 0
ce qui prouve que ~v1 + ~v2 ∈ X ⊥ . Enfin si ~v ∈ X ⊥ et λ ∈ R, alors pour tout ~u ∈ X, on
a ~u · (λ~v ) = λ~u · ~v ce qui prouve que λ~v ∈ X ⊥ .
Proposition 5.10
Supposons E de dimension finie. Si F est un sous-espace vectoriel de E, alors

a) L’ensemble F ⊥ est un supplémentaire de F , on peut écrire E = F ⊕ F ⊥ ;
b) On a l’égalité (F ⊥ )⊥ = F .
Démonstration. — On suppose maintenant que E est de dimension finie et que F est

un sous-espace vectoriel de E. Considérons l’application s de E dans le dual F ∗ de F
qui, à un vecteur ~u associe la forme linéaire ~v 7→ ~u · ~v . Cette application est linéaire
et sa restriction à F est injective puisque le produit scalaire est défini positif. Comme
dim(F ∗ ) = dim(F ), l’application linéaire s est surjective. Par le théorème du rang
dim(F ⊥ ) = dim(Ker(s)) = dim(E) − dim(F ). Or F ∩ F ⊥ = {0}, donc F ⊥ est un
supplémentaire de F . Par définition, on a l’inclusion F ⊂ (F ⊥ )⊥ Mais dim((F ⊥ )⊥ ) =
dim(E) − dim(F ⊥ ) = dim(F ). Donc F = (F ⊥ )⊥ .
132
Définition 5.11
La projection orthogonale sur F est la projection sur F parallèlement à F ⊥ . La

symétrie orthogonale par rapport à F est la symétrie par rapport à F parallèlement
à F ⊥.
Q
Q
~u = ~u1 + ~u2
~u ~u2
~u2
P
P ~u1
~u1 = p(~u)
~u1 − ~u2 = s(~u)

Figure 7. Projection orthogonale
Figure 8. Symétrie orthogonale
5.1.4. Rotations. — Dans ce paragraphe, on désigne par E un R-espace vectoriel

euclidien orienté.
Lorsque E est de dimension 2, la rotation d’angle θ de E est une l’application linéaire
ρθ dont la matrice est donnée par

cos(θ) − sin(θ)
sin(θ) cos(θ)
dans une base orthonormée directe de E. On laisse au lecteur le soin de vérifier en
exercice que, dans ce cas, la matrice de ϕ ne dépend pas de la base orthonormée
directe choisie.
133
D’un point de vue plus géométrique, l’image d’un vecteur non nul ~u est l’unique
d
vecteur ~v tel que k~v k = k~uk et la mesure de l’angle orienté de vecteurs ~u, ~v est θ,
comme cela est montré dans la figure 9
ρθ (~u)
θ
~u
Figure 9. Rotation vectorielle
En particulier, on peut appliquer cela à l’ensemble des nombres complexes C, que

l’on considère comme un R-espace vectoriel, muni de sa base (1, i), et de la structure
euclidienne définie par le module. Dans ce cas, la rotation d’angle θ correspond à la
multiplication par eiθ .
Remarques 5.12. — i) On notera que la composée de deux rotations ρθ et ρθ′ est la

rotation ρθ+θ′ , d’angle θ + θ′ . La rotation d’angle 0 est l’application identité.
ii) L’ensemble des rotations d’un plan vectoriel euclidien forme un groupe, pour la
composition des applications.
En dimension 3, une rotation est un endomorphisme ϕ pour lequel il existe une base
orthonormée directe (~ı , ~ , ~k) de E dans laquelle la matrice de ϕ est
 
cos(θ) − sin(θ) 0
 sin(θ) cos(θ) 0
0 0 1
On notera que dans ce cas Ker(ϕ − IdE ) est la droite vectorielle ∆ engendrée par le
troisième vecteur de base. Pour déterminer une rotation dans un espace vectoriel de
dimension trois, il faut donc se donner non seulement l’angle mais également un vecteur
de norme 1, qui est le troisième vecteur d’une base dans laquelle la matrice a la forme
ci-dessus. On dit que ϕ est la rotation d’angle θ et d’axe la droite ∆ orientée par le
vecteur ~k.
5.1.5. Isométries vectorielles. — Les symétries orthogonales et les rotations sont des
cas particuliers d’isométrie vectorielles : celles-ci sont définies comme les applications
linéaires qui préservent les longueurs.
134
Soit E un espace vectoriel euclidien. Une isométrie vectorielle de E est un endo-

morphisme ϕ de E qui vérifie une des conditions équivalentes suivantes :
(i) L’application ϕ préserve la norme :
∀~u ∈ E, kϕ(~u)k = k~uk;
(ii) L’application ϕ préserve le produit scalaire :
∀~u, ~v ∈ E, ϕ(~u) · ϕ(~v ) = ~u · ~v .
Démonstration. — Démontrons tout d’abord que l’assertion (i) implique l’assertion

(ii). On suppose donc que ϕ préserve la norme. Soient ~u et ~v des vecteurs de E. Alors
kϕ(~u + ~v )k2 − kϕ(~u)k2 − kϕ(~v)k2 k~u + ~v k2 − k~uk2 − k~v k2
ϕ(~u) · ϕ(~v ) = = = ~u · ~v .
2 2
Démontrons la réciproque. Supposons que ϕ préserve le produit scalaire. Alors pour
tout ~u ∈ E, on a les égalités
p √
kϕ(~u)k = ϕ(~u) · ϕ(~u) = ~u · ~u = k~uk.
Vérifions maintenant que les exemples précédents sont des isométries.
Exemples 5.14. — i) Soit s la symétrie orthogonale par rapport à un sous-espace F .
Soit ~u ∈ E. Par la proposition 5.10, on peut écrire ~u = ~u1 + ~u2 avec ~u1 ∈ F et ~u2 ∈ F ⊥ .
Par définition de l’orthogonal ~u1 · ~u2 = 0. Donc
ks(~u)k2 = s(~u) · (~u) = (~u1 − ~u2 ) · (~u1 − ~u2 ) = ~u1 · ~u1 − 2~u1 · ~u2 + ~u2 · ~u2
= ~u1 · ~u1 + 2~u1 · ~u2 + ~u2 · ~u2 = (~u1 + ~u2 ) · (~u1 + ~u2 ) = ~u · ~u = k~uk2 .
Comme la norme est positive, il en résulte que ks(~u)k = kuk.
ii) Considérons maintenant le cas des rotations. Commençons par le cas de la rotation
rθ d’angle θ dans le plan euclidien : Dans une base orthonormée (~i, ~j), un vecteur ~u de
coordonnées (x, y) a pour image le vecteur de coordonnées (cos(θ)x − sin(θ)y, sin(θ)x +
cos(θ)y) dont la norme vérifie
krθ (~u)k2 = (cos(θ)x − sin(θ)y)2 + (sin(θ)x + cos(θ)y)2

= (cos(θ)2 + sin(θ)2 )x2 + (cos(θ)2 + sin(θ)2 )y 2 = x2 + y 2 = k~uk2 .
Ceci prouve que rθ est une isométrie.
135
En général, soit r une rotation dans un espace euclidien E. Par construction, il existe
alors un plan vectoriel P dans E qui vérifie les deux conditions suivantes :
(i) Le plan P est stable par r : r(P ) ⊂ P , et l’application de P dans P donnée par
~u 7→ r(~u) est une rotation du plan P ;
(ii) L’orthogonal de P est fixé par r :
∀~u ∈ P ⊥ , r(~u) = ~u.
Soit ~u un vecteur quelconque de E, on peut l’écrire ~u = ~u1 +~u2 avec ~u1 ∈ P et ~u2 ∈ P ⊥ .
Alors
kr(~u)k2 = r(~u) · r(~u) = (r(~u1 ) + r(~u2)) · (r(~u1 ) + r(~u2)) = (r(~u1 ) + ~u2 ) · (r(~u1) + ~u2 )
Mais comme r(P ) ⊂ P , on a que r(~u1 ) · ~u2 = 0 Donc on obtient les égalités :
kr(~u)k2 = r(~u1 ) · r(~u1) + ~u2 · ~u2 = ~u1 · ~u1 + ~u2 · ~u2 = (~u1 + ~u2 ) · (~u1 + ~u2 ) = ~u · ~u = k~uk2
ce qui prouve que la rotation r est bien une isométrie.
5.2. Compléments sur les espaces affines. — Vous manipulez les espaces affines
depuis vos études secondaires et leur étude est reprise en MAT101, nous allons main-
tenant en donner une définition rigoureuse.
Définition 5.15
Un espace affine réel est un ensemble E muni d’un R-espace vectoriel que l’on note
→
−
E et d’une loi externe →
−
E × E −→ E
(A, ~u) 7−→ A + −→
u
de sorte que :
(EA1) L’ensemble E n’est pas vide ;
(EA2) (Associativité)
−
→
∀A ∈ E , ∀~u, ~v ∈ E , (A + ~u) + ~v = A + (~u + ~v );
→
−
(EA3) Pour tout couple (A, B) ∈ E 2 il existe un unique vecteur ~u ∈ E tel que
−→
B = A + ~u. Cet unique vecteur est noté AB.
136
Remarque 5.16. — Soient A, B et C des points d’un espace affine réel E . Les rela-
tions
−→ −−→ −→ −−→ −−→
A + (AB + BC) = (A + AB) + BC = B + BC = C
impliquent la relation de Chasles :
−→ −→ −−→
AC = AB + BC.
Exemple 5.17. — Soit E un R-espace vectoriel. On peut alors munir E = E d’une

→
−
structure d’espace affine réel d’espace vectoriel associé E = E en utilisant l’addition
des vecteurs comme loi :
→
−
E × E −→ E
(A, ~u) 7−→ A + − →u
Dans ce cas, pour tous A, B ∈ E , l’unique vecteur ~u tel que A + ~u = B est la différence
−→
B − A ; on peut donc écrire dans ce cas AB = B − A.
Définition 5.18
→
−
Un espace affine réel est dit de dimension finie si son espace vectoriel E est de
dimension finie. →
−
Si E est un espace affine réel de dimension finie, sa dimension est celle de E .
Une droite (resp. un plan) affine est un espace affine de dimension 1 (resp. 2).
Définition 5.19
Si E est un espace affine réel de dimension finie, un repère affine de E est la donnée
d’un n + 1-uplet (O, ~e1 , . . . , ~en ) où O est un point de E et (~e1 , . . . , ~en ) est une base
→
−
de E .
Étant donné un repère affine (O, ~e1 , . . . , ~en ) les coordonnées d’un point M ∈ E
−−→
dans ce repère affine sont les coordonnées du vecteur OM dans la base (~e1 , . . . , ~en ).
137
Remarque 5.20. — Les coordonnées (x1 , . . . , xn ) d’un point M sont donc caractéri-
sées par la relation
X n
M =O+ xi~ei .
i=1
5.3. Sous-espace affine. — Un sous-espace affine est une partie d’un espace affine
qui peut elle-même être munie d’une structure d’espace affine.
Définition 5.21
→
−
Soit E un espace affine réel, d’espace vectoriel associé E . Alors un sous-espace
affine de E est une partie F de E telle qu’il existe A ∈ E et un sous-espace
−
→ →
−
vectoriel F de E de sorte que
−
→
F = { A + ~u, ~u ∈ F }.
−
→
Alors l’application F × F donnée par (M, ~u) 7→ M + ~u muni F d’une structure
−
→
d’espace affine. Le sous-espace F vérifie
−
→ −→
F = { AB, A, B ∈ F }
et s’appelle la direction de F .
−→
Démonstration. — Vérifions tout d’abord que si M ∈ F et si ~u ∈ F , alors M +~u ∈ F .
−
→
Par définition, comme M ∈ F , il existe ~v ∈ F tel que M = A + ~v. Donc M + ~u =
−
→ →
−
A+(~v +~u). Mais comme F est un sous-espace vectoriel de E , la somme ~u +~v appartient
−
→
à F ce qui prouve que M + ~u ∈ F .
D’autre part A = A+0 ∈ F ce qui prouve que F n’est pas vide. L’associativité pour
F résulte de celle de E . Enfin soient M et N des points de F . Par la relation de Chasles
−−→ −−→ −−→ − →
MN = AN − AM ∈ F ce qui prouve que F vérifie la condition (EA(EA3)).
Exemples 5.22. — i) Soit E un espace affine réel. Alors E est un sous-espace affine
de E . Pour tout point M de E , le singleton {M} est un sous-espace affine de E , dont
la direction est les sous-espace vectoriel {0}.
→
−
ii) Si F est un sous-espace vectoriel de E et A un point de E alors, par définition,
l’ensemble
A + F = { A + ~u, ~u ∈ F }
138
est un sous-espace affine de E de direction F . On l’appelle le sous-espace affine de

direction P passant par A Notons que pour tout sous espace affine F de E et tout
−
→
point M de F , on peut écrire F = M + F .
Proposition 5.23
Soit E un espace affine réel. Soit I un ensemble et soit (Fi )i∈I une famille de
sous-espaces affines de E . Alors leur intersection, définie comme :
\
Fi = { M ∈ E | ∀i ∈ I, M ∈ Fi }
i∈I
T −
→
est soit vide soit un sous-espace affine de direction i∈I F i.
On prendra garde au fait qu’en général, l’intersection de sous-espaces affines peut-

être vide. L’exemple le plus simple est l’intersection de deux singletons {A} et {B}
avec A 6= B. On peut également penser à l’intersection de deux droites parallèles, ou
de trois droites sans point d’intersection commun.
Démonstration. — Supposons que cette intersection est non vide. Soit A un point de
T − → −
→ T − →
cette intersection. On pose F = i∈I F i et F = i∈I F i . Nous allons démontrer
l’égalité
−
→
F = { A + ~u, ~u ∈ F }.
Démontrons d’abord l’inclusion ⊂. Soit M un point de F . Par définition de l’inter-
−−→ −
→
section A ∈ Fi et M ∈ Fi pour tout i ∈ I. Donc le vecteur AM appartient à F i , pour
−−→ − → −
→
tout i ∈ I. Il en résulte que AM ∈ F et donc M = A + ~u avec ~u ∈ F .
−
→ −
→
Démontrons maintenantTl’inclusion inverse. Soit ~u ∈ F . Alors ~u appartient à Fi
pour tout i ∈ I. Or A ∈ i∈I Fi . Par conséquent A + ~u appartient à Fi pour tout
i ∈ I, ce qui prouve que A + ~u ∈ F .
5.4. Applications affines
Les applications qui sont compatibles avec la structure des espaces affines jouent un
rôle central en géométrie.
139
Définition 5.24
Soient E et F des espaces affines. Une application affine de E dans F est appli-
cation ϕ : E → F vérifiant une des conditions équivalentes suivantes :
→
− −
→
(i) Il existe une application linéaire −
→
ϕ : E → F telle que
−−−−−−−→ − −→
→
∀A, B ∈ E , ϕ(A)ϕ(B) = ϕ AB ;
−
→ −
→
(ii) Il existe un point O de E tel que l’application →
−
ϕ de E dans F définie par
−−−−−−−−−−→
~u 7→ ϕ(O)ϕ O + ~u
est linéaire
Si la condition (ii) est vérifiée, l’application −
→
ϕ ne dépend pas du point O et satisfait
la condition (i). On l’appelle l’application linéaire associée à ϕ.
Démonstration. — Supposons la condition (i) vérifiée. Soit O un point quelconque de

→
−
E . Nous allons vérifier la condition (ii) pour ce point. Pour cela, soit ~u ∈ E et calculons
−−−−−−−−−−→ − −−−−−−→
ϕ(O)ϕ O + ~u = → ϕ O O + ~u = − →ϕ (~u)
Ce qui prouve que l’application définie pour le point O dans l’assertion (ii) est l’appli-
cation linéaire −
→
ϕ de la condition (i).
Réciproquement, supposons la condition (ii) vérifiée pour un point O. Soient A et B
des points de E . On a les relations
−
−−−−−−→ −−−−−−→ −−−−−−−→ −−−−−−−→ −−−−−−→
ϕ(A)ϕ(B) = ϕ(A)ϕ(O) + ϕ(O)ϕ(B) = ϕ(O)ϕ(B) − ϕ(O)ϕ(A) =
−−−−−−
−−−−− −
−−
→−→
−−−−−−−−−−−−
−→−→
−−→ −→ −−→ −→ −→
ϕ(O)ϕ O + OB −ϕ(O)ϕ O + OA = − →ϕ OB −− →
ϕ OA = − →ϕ OB − OA = −
→
ϕ AB
ce qui prouve que l’application linéaire ϕ

~ vérifie la condition (i).
−
→
Exemples 5.25. — i) Soit ~u ∈ E . L’application t~u : A 7→ A + ~u est une application
affine, appelée translation de vecteur ~u. L’application linéaire associée est l’application
→ . En effet, soit A, B ∈ E Alors
Id−E
−→ −→ −→
t~u (B) = B + ~u = A + AB + ~u = A + ~u + AB = t~u (A) + AB.
−−−−−−−→ −→
Donc t~u (A)t~u (B) = AB.
140
~u
Figure 10. Translation
Inversement toute application affine ϕ : E → E dont l’application linéaire associée

est l’application identité est une translation. Pour démontrer cela, soit A un point de
−−−−→ −−−−−−−→ −→
E . Notons ~u = Aϕ(A). Soit B ∈ E . On a la relation ϕ(A)ϕ(B) = AB Donc
−→ −→ −→
ϕ(B) = ϕ(A) + AB = A + ~u + AB = A + AB + ~u = B + ~u.
Proposition 5.26
La composée d’applications affines ψ et ϕ est une application affine et vérifie la

relation : −−−→ ~
ψ◦ϕ=ψ◦ϕ ~.
Démonstration. — Soient A, B ∈ E , le résulte découle des égalités :

−−−−−−−−−−−−→ −−−−−−−−−−−−→ ~ − −−−−−−→ ~ −→ ~ −→
ψ ◦ ϕ(A)ψ ◦ ϕ(B) = ψ(ϕ(A))ψ(ϕ(B)) = ψ ϕ(A)ϕ(B) = ψ ϕ
~ AB = ψ◦~
ϕ AB .
Remarque 5.27. — Exprimons cela en termes de coordonnées. Supposons donc que

E et F sont des espaces affines de dimension finie et munissons E (resp. F ) d’un

repère (OE , ~e1 , . . . , ~em ) (resp. OF , f~1 , . . . , f~n ). Toutes les coordonnées seront consi-
dérées dans ces repères. Soit ϕ une application affine de E dans F . Par définition on
a la relation
−−−→
(25) ϕ(M) = ϕ(O ) + −
E E
→
ϕ O M
pour tout M ∈ E . Notons (ai,j ) 16i6n la matrice de l’application → −
ϕ dans les bases
16j6m
→
− →
−
(−
→
e 1, . . . , −
→
e m ) et ( f 1 , . . . , f n ). Notons (b1 , . . . , bn ) les coordonnées de ϕ(OE ). Soit M
141
un point de E et soit (x1 , . . . , xm ) ses coordonnées. Par définition des coordonnées, on

a la relation
m
−−−→ X
OE M = xi~ei .
i=1
En combinant cela avec la relation (25) On obtient
m
X
ϕ(M) = ϕ(OE ) + xi −
→
ϕ (~ei ).
i=1
En reprenant les coordonnées de ϕ(OE ) et celles de − →

ϕ (~ei ) qui sont données par les
→
−
colonnes de la matrice de ϕ , on obtient
n
! m n
!
X X X
ϕ(M) = OF + bj f~j + xi aj,i f~j
j=1 i=1 j=1
n m
!
X X −
→
= OF + bj + aj,i xi fj
j=1 i=1
Donc les coordonnées (y1 , . . . , yn ) de ϕ(M) sont données par

yi = ai,1 x1 + ai,2 x2 + · · · + ai,m xm + bi
pour i ∈ {1, . . . , n}. On remarquera qu’on peut exprimer ces relations sous formes
matricielles de la façon suivante :
    
y1 a1,1 a1,2 . . . a1,m b1 x1
 y2   a2,1 a2,2 . . . a2,m b2   x2 
.  . .. .. ..   . 
 ..  =  .. . 
 
   . .  .. 
y  a  x 
n n,1 an,2 . . . an,m bn m
1 0 0 ... 0 1 1
Ce point de vue matriciel est exploré avec plus de détails dans le problème 5.1 et dans
les compléments qui suivent ce chapitre. Ce type de calcul matriciel est très utilisé en
synthèse d’image et implémenté dans les cartes graphiques des ordinateurs actuels.
Définition 5.28
Une forme affine est une application affine d’un espace affine réel E dans R.
142
Remarque 5.29. — Si on munit l’espace E d’un repère (O, ~e1, . . . , ~en ), alors pour
tout (a1 , . . . , an , b) ∈ Rn+1 , on peut considérer l’application f : E → R qui applique
un point de coordonnées (x1 , . . . , xn ) sur le nombre
a1 x1 + . . . an xn + b.
Cette application est une forme affine. Inversement, il résulte de la remarque 5.27 que
toute forme affine est obtenue de cette façon.
5.5. Applications affines et sous-espaces affines

Proposition 5.30
Soient E et F des espaces affines et soit ϕ : E → F une application affine. Soit

P ∈ F alors ϕ−1 ({P }) est soit vide, soit un sous-espace affine de direction Ker(~
ϕ).
Démonstration. — On a que ϕ−1 ({P }) 6= ∅ si et seulement si le point P appartient à

l’image de ϕ. On se place donc dans ce cas. Soit A ∈ E tel que ϕ(A) = P et prouvons
l’égalité (cf. l’exempleexem :sousespaff)
ϕ−1 ({P }) = A + Ker(~

ϕ).
−−→ −→ −−→
Soit M ∈ ϕ−1 ({P }) alors ϕ(M) = P = ϕ(A). Donc ϕ ~ AM = P P = 0 et AM ∈
Ker(~ϕ).
→
−
Inversement si ~u ∈ Ker(~
ϕ), alors ϕ(A + ~u) = ϕ(A) + ϕ
~ (~u) = P + 0 = P . donc
A + ~u ∈ ϕ−1 (P ).
Remarque 5.31. — Soit E un espace affine muni d’un repère (O, ~e1 , . . . , ~en ). Compte
tenu de la remarque 5.27, on déduit de la proposition précédente que l’ensemble F des
points de E dont les coordonnées (x1 , . . . , xn ) sont les solutions d’un système d’équa-
tions linéaires


 a1,1 X1 + · · · + a1,n Xn = b1

 a X +···+a X = b
2,1 1 2,n n 2

 ...


am,1 X1 + · · · + am,n Xn = bm
143
est soit vide, soit un sous-espace affine de direction l’ensemble des vecteurs ~u dont les
coordonnées sont les solutions du système sans second membre


 a1,1 X1 + · · · + a1,n Xn = 0

 a X +···+a X = 0
2,1 1 2,n n

 ...


am,1 X1 + · · · + am,n Xn = 0
La dimension de F est alors n − c où c est le rang du système d’équations linéaires.
Définition 5.32
Un hyperplan affine d’un espace affine réel E est un sous-espace affine de la forme
ϕ−1 ({0}) où ϕ : E → R est une forme affine non constante.
Remarque 5.33. — Dans un espace affine de dimension n, les hyperplans affines sont
les sous-espaces affines de dimension n − 1.
5.6. Exemples d’applications affines, isométries. — Nous allons maintenant

considérer quelques exemples d’applications affines dans le cas euclidien. Rappelons
que dans un espace affine euclidien, l’espace entre des points A et B est donnée par les
formules q
−→ −→ −→
AB = kABk = AB · AB.
5.6.1. Projection orthogonale
Soit F un sous-espace affine d’un espace affine euclidien E . Pour tout point M
−−→ −
→
de E , il existe un unique point H de F tel que MH ∈ F ⊥ . Ce point est appelé le
projeté orthogonal de M sur F .
L’application qui à un point M de E associe son projeté orthogonal sur F est
affine et s’appelle la projection orthogonale sur F .
Démonstration. — Notons A un point de F .
144
−−→ −
→
Analyse. Supposons qu’un point H ∈ F vérifie la condition HM ∈ F ⊥ . Comme
−−→ −−→ −−→ −−→ −−→
AH ∈ F et que AM = AH + HM, on obtient que AH est le projeté orthogonal du
−−→ −
→ −−→
vecteur AM sur F . Or H = A + AH donc cela prouve l’unicité de H.
−−→
Synthèse. Soit M ∈ E . Notons ~u le projeté orthogonal de AM sur F et posons
−−→ −−→ −
→
H = A + ~u. Par construction, HM = AM − ~u ∈ F ⊥ , ce qui prouve l’existence de H.
Il reste à démontrer que la projection orthogonale p est une application affine. Mais
−−−−−−→ −−−−→
il résulte de ce qui précède que pour tout point M ∈ E , le vecteur p(A)p(M) = Ap(M)
−−→ −
→
est le projeté orthogonal de AM sur F . Donc p est affine et l’application vectorielle
−→
associée est la projection orthogonale sur F .
Proposition 5.35
Soit F un sous-espace affine d’un espace affine euclidien E et soit M ∈ E . No-

tons H le projeté orthogonal de M sur F . Alors pour tout point N de F , on a
l’inégalité
MH 6 MN.
−−→ −−→ −−→ −−→ −−→

Démonstration. — Écrivons NM = NH + HM. Alors NH est orthogonal à HM, donc
−−→ −−→
NM 2 = NH 2 + 2NH · HM + HM 2 = NH 2 + HM 2 > HM 2 .
5.6.2. Isométrie
Définition 5.36
Soit E un espace affine euclidien. Une isométrie de E est une application affine ϕ
de E dans E qui conserve les distances ce qui signifie qu’elle vérifie la condition
∀A, B ∈ E , ϕ(A)ϕ(B) = AB.
145
Proposition 5.37
Soit E un espace affine euclidien. Soit ϕ une application afiine de E dans E . Alors
ϕ est une ismométrie si et seulement si l’application linéaire associée ϕ~ est une
isométrie vectorielle.
→
−
Démonstration. — Si ϕ est une isométrie, soit ~u ∈ E et soit A ∈ E . Posons B = A+~u.
On a alors
−→ −−−−−−− → −→

k~
ϕ(~u)k = ϕ~ AB = ϕ(A)ϕ(B) = ϕ(A)ϕ(B) = AB = AB = k~uk.
Donc ϕ
~ est une isométrie vectorielle.
Réciproquement, supposons que ϕ ~ est une isométrie vectorielle. Soient A, B ∈ E .
−−− −− − −→
−→ −→
ϕ(A)ϕ(B) = ϕ(A)ϕ(B) = ϕ ~ AB = AB = AB.
Donc l’application ϕ est une isométrie.
5.6.3. Translations. — Les translations sont des examples particuliers d’isométries.
En effet si τ est une translation, alors ~τ est l’application identité. Donc
−−−−−−→ −→ −→

τ (A)τ (B) = τ (A)τ (B) = ~τ AB = kABk = AB.
5.6.4. Symétries orthogonales
Définition 5.38
Soit F un sous-espace affine de E . La symétrie orhogonale par rapport à F est

l’application affine sF : E → E qui vérifie les deux conditions suivantes :
(i) L’application sF fixe les points de F :
∀P ∈ F , sF (P ) = P ;
(ii) L’application vectorielle associée est la symétrie orthogonale par rapport à la
direction de F .
Remarques 5.39. — i) Il résulte de la proposition 5.37 et de l’exemple 5.14 i) qu’une

symétrie orthogonale est une isométrie.
ii) La composée sF ◦ sF a pour application vectorielle l’application ~sF ◦ ~sF = Id−
→.
E
C’est donc une translation qui laisse fixe les points de F . Par conséquent on obtient
que
sF ◦ sF = IdE .
146
iii) Soit O un point de F et M un point de E . Notons M ′ = sF (M). Écrivons

−−→ −
→ −
→ −−→ −−−→
OM = ~u1 + ~u2 avec ~u1 ∈ F et ~u2 ∈ F ⊥ . Alors OM ′ = ~u1 − ~u2 Donc MM ′ = 2~u2 .
Cela prouve que le milieu I du segment [MM ′ ] qui est caractérisé par la condition
−−→ −−→
vectorielle IM + IM ′ = 0 est donné par I = O + ~u1. C’est donc un point de F . Comme
−−→ −
→
IM = −~u1 ∈ F ⊥ , le point I est le projeté orthogonal de M sur F .
On obtient ainsi une caractérisation géométrique de l’image de M par la symétrie
orthogonale par rapport à F : c’est l’unique point M ′ de E tel que le milieu de [M, M ′ ]
soit le projeté orthogonal de M sur F .
5.6.5. Rotations. — On se place ici dans un espace affine euclidien orienté. En dimen-
sion 2 ou 3 une rotation affine est une application affine r pour laquelle il existe un
point A tel que r(A) = A et dont l’application vectorielle associée est une rotation. La
figure 11 représente l’image d’un dodécaèdre (un polyèdre régulier à douze faces) par
des applications affines qui sont obtenues en composant une rotation et une translation.
Figure 11. Rotations dans l’espace
Il résulte de la proposition 5.37 et de l’exemple 5.14 ii) qu’une rotation est une
isométrie.
Décrivons d’une manière plus géométrique une telle rotation. Il existe un plan vec-
→
−
toriel P ⊂ E tel que ~r(P ) ⊂ P , l’application de P dans P donnée par ~u 7→ ~r(~u) est
une rotation d’angle θ et P ⊥ est fixé par ~r :
∀~u ∈ P ⊥ , ~r(~u) = ~u.
Alors posons F = A + P ⊥ = { A + ~u, ~u ∈ P ⊥ }. Alors pour tout point B ∈ F ,
il existe ~u ∈ P ⊥ tel que B = A + ~u. Donc r(B) = r(A) + ~r(~u) = A + ~u = B.
Soit maintenant M un point quelconque de E . Considérons le plan P = M + P =
{ M + ~u, ~u ∈ P }. L’intersection de P avec F est donnée par P ∩ F = {H} où H est
147
−−→
le projeté orthogonal de M sur F . Comme HM ∈ P et r(H) = H, on obtient que le
−−−−→ −−→
vecteur Hr(M) est l’image du vecteur HM par la rotation d’angle θ. Cette rotation
est représentée sur la figure 12.
F
θ r(M )
P
M
Figure 12. Rotation affine
148
MAT201 Applications à la géométrie Fiche de révision
Fiche de révision
Proposition et définition R.5.1
Soit E un R-espace vectoriel. Soient F1 et F2 des sous-espaces vectoriels de E. On

dit que E est la somme directe de F1 et F2 si et seulement s’il vérifie une des trois
conditions équivalentes suivantes :
(i) L’application linéaire ϕ : F1 ⊕ F2 → E donnée par (~u1 , ~u2 ) 7→ ~u1 + ~u2 est
bijective ;
(ii) Pour tout vecteur ~u de E, il existe un unique couple de vecteurs (~u1 , ~u2) ∈
F1 × F2 tels que ~u = ~u1 + ~u2 .
(iii) On a les égalités E = F1 + F2 et F1 ∩ F2 = {0}.
Par abus de langage, on écrit alors E = F1 ⊕ F2 .
Proposition R.5.2
Soit E un R-espace vectoriel de dimension finie. Soient F1 et F2 des sous-espaces

vectoriels de E. Alors les conditions suivantes sont équivalentes :
(i) L’espace vectoriel E est la somme directe de F1 et de F2 ;
(ii) On a les relations E = F1 + F2 et dim(F ) = dim(F1 ) + dim(F2 ) ;
(iii) On a les relations F1 ∩ F2 = {0} et dim(F ) = dim(F1 ) + dim(F2 ).
Définition R.5.3
Soit E un R-espace vectoriel et soit F un sous-espace de E. Un supplémentaire

de F dans E est un sous-espace vectoriel F ′ tel que E soit la somme directe de F
et de F ′ .
149
Fiche de révision Applications à la géométrie Chap. 5
5.1. Preuves. — Essayez de réécrire la preuve de l’équivalence entre les asser-

tions (ii) et (iii) de la proposition 5.1 sans les regarder, puis comparez avec les preuves
du polycopié.
150
MAT201 Applications à la géométrie Entraînement
Entraînement
5.1. Exercices
Exercice 5.1. Soient ~u et ~v des vecteurs non nuls de R3 .
1. Supposons que ~u = (1, 2, 1) et ~v = (−1, 1, 1). Justifier que Vect(~u, ~v) est un plan.
Donner une équation implicite de ce plan.
2. Supposons que ~u = (1, 2, 1) et ~v = (−2, −4, −2). Justifier que Vect(~u, ~v) est une
droite, et donner un système d’équations paramétriques de cette droite.
3. Donner la nature géométrique de Vect(~u, ~v) en fonction de la nature de la famille
(~u, ~v).
4. Dans quel cas Vect(~u, ~v ) est-il la somme directe de Vect(~u) et de Vect(~v ) ?
Exercice 5.2. On se place dans l’espace vectoriel R3 .
1. Les hyperplans définis, dans la base usuelle de R3 , par
P1 : X + 2Y + Z = 0 et P2 : X + Y + Z = 0
sont-ils en somme directe ?
2. Que dire des sous-espaces vectoriels P1 : X + 2Y + Z = 0 et Vect((1, 2, 1)) ?
3. Soient E1 et E2 des sous-espaces vectoriels de R3 . En discutant selon les dimen-
sions de E1 et E2 et leur intersection, donner tous les cas où E1 et E2 sont en
somme directe.
Exercice 5.3. Soient ~v1 = (0, 1, −2, 1) ~v2 = (1, 0, 2, −1) ~v3 = (3, 2, 2, −1), ~v4 =
(0, 0, 1, 0) et ~v5 = (0, 0, 0, 1) des vecteurs de R4 . Les assertions suivantes sont-elles
vraies ou fausses ? Justifier votre réponse.
1. Vect(~v1 , ~v2 , ~v3 ) = Vect((1, 1, 0, 0), (−1, 1, −4, 2)) ;
2. (1, 1, 0, 0) ∈ Vect(~v1 , ~v2 ) ∩ Vect(~v2 , ~v3 , ~v4 ) ;
3. Vect(~v1 , ~v2 ) ∩ Vect(~v2 , ~v3 , ~v4 ) est une droite vectorielle ;
4. Vect(~v1 , ~v2 ) + Vect(~v2 , ~v3 , ~v4 ) = R4 ;
5. Vect(~v1 , ~v2 ) et Vect(~v2 , ~v3 , ~v4 ) sont en somme directe ;
6. Vect(~v4 , ~v5 ) est un sous-espace vectoriel supplémentaire de Vect(~v1 , ~v2 , ~v3 ) dans
R4 .
Exercice 5.4. Soit E un R-espace vectoriel de dimension n. Soit f : E → E un
endomorphisme. On suppose que rg(f ) = 1.
151
Entraînement Applications à la géométrie Chap. 5
1. Démontrer que le noyau de f est un hyperplan de E.

2. Justifier qu’on a l’alternative suivante. Soit Im(f ) ⊂ Ker(f ), soit E = Ker(f ) ⊕
Im(f ).
3. Dans le cas où Im(f ) ⊂ Ker(f ), justifier que f ◦ f = 0.
4. Dans le cas où E = Ker(f ) ⊕ Im(f ), démontrer que f est un multiple de la
projection sur Im(f ) parallelement à Ker(f ).
5. Trouver une base de E dans laquelle la matrice de f a n2 − 1 coefficients nuls.
R1
Exercice 5.5. On pose E = R[X]62 , F = {P ∈ E | 0 P (t)dt = 0} et G = Vect(1+X).
1. Démontrer que E = F ⊕ G.
2. Soit p la projection sur F parallèlement à G. Pour tout polynome P de E, déter-
miner p(P ).
3. Soit s la symétrie par rapport à F parallèlement à G. Déterminer s(P ) pour tout
polynôme P dans E.
Exercice 5.6. On se place dans l’espace vectoriel R[x]63 des fonctions polynomiales de
degré au plus 3.
1. Pour tout a ∈ R, on note Va le sous ensemble de R[x]63 formé des polynômes qui
s’annulent en a. Montrer que pour tout réel a, Va est un sous-espace vectoriel de
de R[x]63 .
2. Les sous-espaces vectoriels V1 et V2 sont-ils en somme directe ?
3. Montrer que R[x]63 est la somme directe des sous-espaces V1 ∩ V2 et V3 ∩ V4 .
4. Justifier que tout polynôme P ∈ R[x]63 s’écrit de manière unique comme une
some P = P1 + P2 , où P1 (1) = P1 (2) = 0, P2 (3) = P2 (4) = 0 et deg(Pi ) 6 3.
Exercice 5.7. Certaines des transformations qui servent dans les logiciels de graphisme
ou de gestion d’images sont des endomorphimes linéaires du plan R2 . Par exemple, la
rotation d’un quart de tour à droite est donnée par l’application linéaire (x, y) ∈ R2 7−→
(y, −x) ∈ R2 . Pour chaque application linéaire ci-dessous, décrire la transformation
géométrique correspondante.
(x, y) ∈ R2 7−→ (−x, y) ∈ R2 (x, y) ∈ R2 7−→ (x/2, y/2) ∈ R2
(x, y) ∈ R2 7−→ (2x, y) ∈ R2 (x, y) ∈ R2 7−→ (x + y, y) ∈ R2 .
Exercice 5.8. On munit E = R2 de sa structure euclidienne usuelle. On note ∆ la
droite de E engendrée par le vecteur (1, 1) et s la symétrie orthogonale par rapport à
∆.
152
1. Déterminer l’image du vecteur (1,-1) par s.

2. Déterminer s(x, y) pour tous x, y ∈ R.
3. Déterminer la matrice de s dans la base usuelle de R2 .
4. Soit f une application bijective de R sur R. Rappelons que son graphe est l’en-
semble
Γf = { (x, f (x)), x ∈ R }.
Que peut-on dire des ensembles s(Γf ) et Γf −1 ?
5. Représenter sur un même
√ dessin les graphes des application de R dans R données
3
par x 7→ x et x 7→ x.
3
Exercice 5.9. On munit R3 du produit scalaire usuel. On note ~u1 = (1, −1, 0), ~u2 =
(0, 1, −1) et F = Vect(~u1, ~u2 ).
1. Prouver que la famille (~u1 , ~u2) est libre.
2. Quelle est la dimension de F ⊥ , l’orthogonal de F ? En donner une base.
3. On rappelle qu’une base (~e0 , . . . , ~en ) d’un espace est dite orthonormée si elle
vérifie les relations (
1 si i = j,
~ei · ~ej =
0 sinon,
pour tous i, j ∈ {1, . . . , n}.
(a) Construire une base orthonormée (~e1 , ~e2 , ~e3 ) de R3 telle que ~e3 ∈ F ⊥ .
(b) Démontrer que (~e1 , ~e2 ) est une base de F .
(c) Écrire la matrice P de passage de la base usuelle de R3 à la base (~e1 , ~e2 , ~e3 ).
(d) Calculer le produit tP P .
(e) Déterminer l’inverse de la matrice P .
4. Soit p la projection orthogonale sur le plan F .
(a) Écrire la matrice de p dans la base (~e1 , ~e2 , ~e3 ).
(b) Déterminer la matrice A de p dans la base usuelle de R3 .
(c) Calculer A2 . Expliquer le résultat obtenu.
5. Soit s la symétrie orthogonale par rapport au plan F .
(a) Écrire la matrice de s dans la base (~e1 , ~e2 , ~e3 ).
(b) Déterminer la matrice B de s dans la base usuelle de R3 .
(c) Calculer B 2 . Expliquer le résultat obtenu.
153
Exercice 5.10. On munit R3 du produit scalaire usuel. On note ~u = (1, 1, 1) et D la

droite vectorielle engendrée par ~u.
1. Donner une équation implicite de l’orthogonal D ⊥ de D.
2. Quelle est la dimension de D ⊥ ? En donner une base.
3. (a) Construire une base orthonormée (~e1 , ~e2 , ~e3 ) de R3 telle que ~e1 ∈ D.
(b) Démontrer que (~e2 , ~e3 ) est une base de D ⊥ .
(c) Écrire la matrice P de passage de la base usuelle de R3 à la base (~e1 , ~e2 , ~e3 ).
(d) Calculer le produit tP P .
(e) Déterminer l’inverse de la matrice P .
4. Soit p la projection orthogonale sur la droite D.
(a) Écrire la matrice de p dans la base (~e1 , ~e2 , ~e3 )
(b) Déterminer la matrice A de p dans la base usuelle de R3 .
(c) Calculer A2 . Expliquer le résultat obtenu.
5. Soit s la symétrie orthogonale par rapport à la droite D.
(a) Écrire la matrice de s dans la base (~e1 , ~e2 , ~e3 )
(b) Déterminer la matrice B de s dans la base usuelle de R3 .
(c) Calculer B 2 . Expliquer le résultat obtenu.
2π √1 (1, 1, 1).
6. Soit r la rotation d’angle 3
, d’axe la droite D orientée par le vecteur 3
(a) Écrire la matrice de r dans la base (~e1 , ~e2 , ~e3 ).

(b) Déterminer la matrice C de r dans la base usuelle de R3 .
(c) Calculer C 3 . Expliquer géométriquement le résultat obtenu.
Exercice 5.11. Soit E un espace vectoriel euclidien. Soit ϕ une isométrie vectorielle
de E c’est à dire un endomorphisme de E tel que
∀~u ∈ E, kϕ(~u)k = k~uk.
1. Démontrer que la formule
C · C ′ = tC C ′
définit un produit scalaire sur l’espace Mn,1(R) des vecteurs colonnes.
2. Soit M la matrice de ϕ dans un repére orthonormé de E. Soient Ci la i-ème
colonne de la matrice M.
154
(a) Démontrer que

(
0 si i 6= j
(26) Ci · Cj =
1 si i = j
(b) Que peut-on dire de la famille (C1 , . . . , Cn ) vue comme famille de vecteurs de
Mn,1 (R) ?
(c) Démontrer la formule
t
M M = In
Une telle matrice est dite orthogonale.
(d) Que peut-on dire de la matrice M tM ?
(e) Construire sur l’espace M1,n (R) un produit scalaire de sorte que les lignes de
M vérifie une condition analogue à celle de (26).
Exercice 5.12. Soient A et B deux points distincts d’un espace affine E . Démontrer
qu’il existe une unique droite affine contenant les points A et B. On appelle cette droite
la droite affine passant par A et B et on la note (AB).
Exercice 5.13. Soit E un espace affine et soit A ∈ E . Soit k un nombre réel non nul.
On appelle homothétie de centre A et de rapport k l’application h qui à un point M
−−→
de E associe le point h(M) = A + k AM .
−−−−−−−→ −−→
1. Soit M et N des points de E . Exprimer le vecteur h(M)h(N) en termes de MN .
2. Prouver que l’application h est une application affine.
3. Soit M et N des points de E . Exprimer la longueur h(M)h(N) en termes de la
longueur MN.
4. Pour quelle valeurs de k l’application h est-elle une isométrie ?
5. Pour quelle valeur de k l’application h est-elle l’application IdE ?
6. Soit D une droite de E passant par un point B et de vecteur directeur ~u. Démon-
trer que h(D) est une droite dont ~u est un vecteur directeur. Que peut-on dire
des droites D et h(D) ?
7. Démontrer le théorème de Thalès :
155
Théorème 5.4 (Thalès)
Soient A, B et C des points deux à deux distincts de E . Soit D un point de

la droite (AB). Soit ∆ la droite parallèle à (BC) passant par D. La droite
∆ coupe la droite (AC) en un point E tel que
AD AE DE
= = .
AB AC BC
8. Soit f : E → E une application affine telle qu’il existe k ∈ R {0, 1} tel que
f~ = kId−
→
E
(a) Démontrer qu’il existe au plus un point B ∈ E tel que f (B) = B.
(b) Soit M ∈ E tel que f (M) 6= M. Démontrer qu’il existe un point B de la droite
(Mf (M)) tel que f (B) = B.
(c) Démontrer que f est une homothétie.
9. Que peut-on dire d’une application affine f : E → E telle qu’il existe un nombre
réel non nul k de sorte que f~ = kId−
→.
E
10. On suppose que f (resp. g) est une homothétie ou une translation. Démontrer
qu’il en est de même de f ◦ g.
11. Trouver des homothéties f et g telles que la composée f ◦ g soit une translation
de vecteur non nul.
Problème 5.1. Représentation matricielle des applications affines.
Soient E et F des espaces affines de dimensions m et n respectivement. On se donne
un repère affine e e = (OF , f~1 , . . . , f~n )
e = (OE , ~e1 , . . . , ~em ) de E et un repère affine f
de F . Pour tout entier d ∈ N, on note Hd l’hyperplan affine de Rd+1 définit par
l’équation Xn+1 = 1. On note Φe l’application de Hm dans E définie par
Xm
Φe (λ1 , . . . , λn , 1) = OE + λk~ek .
k=1
On définit de manière similaire l’application Φfe. Pour toute matrice A ∈ Mn+1,m+1 (R),
on note ΨA l’application linéaire de Rm+1 dans Rn+1 définie par A, c’est-à-dire celle
dont la matrice dans les bases usuelles est A.
1. Démontrer que Φe est une application affine bijective.
2. Soit A = (ai,j ) 16i6n+1 ∈ Mn+1,m+1 (R). Démontrer que l’inclusion
16j6m+1
ΨA (Hm ) ⊂ Hn
156
vaut si et seulement la dernière ligne de A est donnée par :

(
1 si k = n + 1,
am+1,k =
0 sinon.
Une telle matrice sera dite affine. Si cette condition est vérifiée, on note ψA l’application
de Hm dans Hn donnée par M 7→ ΨA (M).
3. Soit A une matrice affine. Démontrer que ψA est une application affine.
4. Soit A une matrice affine. Démontrer qu’il existe une unique application ϕ : E →
F telle que ϕ(Φee(M)) = Φfe(ψA (M)) pour tout M ∈ Hm . Démontrer que ϕ est
une application affine.
5. Inversement, on se donne une application affine ϕ : E → F .
(a) Démontrer qu’il existe une unique application ψ : Hm → Hn telle que
ϕ(Φee(M)) = Φfe(ψ(M)) pour tout M ∈ Hm et que cette application est
affine.
(b) Démontrer qu’il existe une unique application linéaire Ψ : Rm+1 → Rn+1 telle
que Ψ(M) = ψ(M) pour tout M ∈ Hm .
(c) Vérifier que la matrice de Ψ dans les bases usuelles de Rm+1 et Rn+1 est affine.
Avec les notations de la dernière question, A est appelée la matrice de l’application ϕ
e et fe. On note
dans les repères e
A = Matee,fe(ϕ).
6. Vérifier que la matrice ainsi définie coïncide avec celle définie dans les complé-
ments du chapitre 5.
157
Compléments Applications à la géométrie Chap. 5
Compléments
5.1. Représentation matricielle d’une application affine. — Dans ce para-
graphe, nous allons développer la représentation matricielle d’une application affine qui
est un des outils les plus utilisés en synthèse d’image. Les langages de programmation
des cartes graphiques actuelles comportent toutes un type de donnée correspondant aux
matrices 4x4 qui servent à la représentation matricielle des applications affines dans
l’espace. Le lecteur interessé pourra commencer par faire le problème 5.1 qui motive la
construction qui suit.
Définition 5.5
Soit ϕ : E → F une application affine. On munit E d’un repère affine e e =

e ~ ~
(OE , ~e1 , . . . , ~em ) et F d’un repère f = (OF , f1 , . . . , fn ). La matrice de l’application
affine ϕ dans les repères e e est la matrice
e et f
Mate,fe (ϕ) = (ai,j ) 16i6n+1 ∈ Mn+1,m+1 (R)
16j6m+1
caractérisée par les relations
n
X
(27) −
→
ϕ (~ei ) = aj,i f~j pour i ∈ {1, . . . , m};
j=1
n
X
(28) ϕ(OE ) = OF + ai,m+1 f~j ;
i=1

0 si i < m + 1,
(29) an+1,i =
1 si i = m + 1.
Remarques 5.6. — i) La dernière ligne de la matrice d’une application affine est

toujours la même. Tous ses coefficients sont nuls sauf le dernier égal à 1.
ii) Si (ai,j )16i6n+1 est la matrice de l’application affine ϕ, alors la matrice extraite
16m+1
(ai,j )16i6n obtenue en retirant la dernière colonne et la dernière ligne est la matrice de
16m
l’application linéaire −
→
ϕ.
Cette définition de la matrice d’une application affine est justifiée par la proposition
suivante :
158
MAT201 Applications à la géométrie Compléments
Proposition 5.7
Avec les notations de la définition précédente, notons A la matrice de l’application

affine ϕ. À un point M ∈ E , de coordonnées (x1 , . . . , xn ) dans le repère affine ẽ,
on associe le vecteur colonne  
x1
 x2 
.
X=
e 
 .. 
x 
n
1
Alors le vecteur colonne Ye associé de même au point ϕ(M) ∈ F est donné par
Ye = A X.
e
Démonstration. — On pose xn+1 = 1. On a les relations

!
−−→ Xm
ϕ(M) = ϕ(O ) + −→
ϕ OM = ϕ(O ) + −
E
→ϕ E x ~e i i
i=1
n m n n n+1
!
X X X X X
= OF + am+1,i f~i + xi aj,i f~j = OF + aj,i xi f~j
i=1 i=1 j=1 j=1 i=1
En outre, par construction, le coefficient de la dernière ligne du produit A X̃ est bien

1.
Remarque 5.8. — On reprend les notations du problème 5.1, qui développe

le contenu de cette remarque. Soit E un espace affine muni d’un repère e e =
(OE , ~e1 , . . . , ~em ). Alors l’application Φe qui à un m-uplet (x1 , . . . , xm , 1) associe le
point M de coordonnées (x1 , . . . , xm ) définit une bijection de l’hyperplan affine Hm
donné par l’équation Xm+1 = 1 dans Rm+1 sur l’espace affine E . La direction de Hm
est l’hyperplan Hm vectoriel donné par l’équation Xm+1 = 0 dans Rm+1 . L’application
Φe est alors un isomorphisme d’espaces affines, c’est-à-dire une application affine
bijective.
Soit maintenant F un espace affine muni d’un repère f̃ = (OF , f~1 , . . . , f~n ). On
définit de même un isomorphisme Φfe d’espaces affines l’hyperplan affine Hn de Rn+1
d’équation Xn+1 = 0 sur F . Soit ϕ : E → F une application affine et notons Ψ :
Rm+1 → Rn+1 l’application linéaire définie par la matrice de ϕ. Par construction,
Ψ(Hm ) ⊂ Hn . Notons ψ : Hm → Hn l’application donnée par A 7→ Ψ(A), alors le
159
diagramme d’applications affines
ψ
Hm Hn
Φe Φfe
ϕ
E F
commute. Autrement dit, Φfe ◦ ψ = ϕ ◦ Φe. L’application Ψ : Rm+1 → Rn+1 est l’unique
application linéaire qui vérifie cette condition.
De même que pour les applications linéaires, la matrice de la composée d’applications

affines est obtenue en faisant le produit des matrices.
Proposition 5.9
Soient E , F et G des espaces affines, ϕ une application affine de E dans F et

ψ une application affine de F dans G . Soient ẽ = (OE , ~e1 , . . . , ~um ) (resp. f̃ =
(OF , f~1 , . . . , f~n ), g̃ = (OG , ~g1 , . . . , ~gp )) un repère de E (resp. F , G ). Alors
Matẽ,g̃ (ψ ◦ ϕ) = Matf̃ ,g̃ (ψ) Matẽ,f̃ (ϕ).
Démonstration. — Cela découle de la remarque 5.8, et de la formule pour la composée

d’applications linéaires.
5.2. Exemples
5.2.1. Translation. — On se place dans un espace affine E de dimension n muni d’un
→
−
repère (O, ~e1, . . . , ~en ). Soit ~u un vecteur de E de coordonnées (x1 , dots, xn ). La matrice
de la translation t~u est donnée par
 
1 0 0 x1
 
 0 
 
 0 
 
 1 xn 
 
0 0 1
160
5.2.2. Rotation. — En dimension 2, une rotation ρθ d’angle θ et de centre l’origine O

du repère a pour matrice  
cos(θ) − sin(θ) 0
 sin(θ) cos(θ) 0
0 0 1
Une rotation ρA,θ centrée en un point A de coordonnées (xA , yA ) peut être décomposée
en une composée ρA,θ = t− → ◦ ρθ ◦ t −→ . Par la proposition 5.9, sa matrice est donc
OA −OA
donnée par
   
1 0 xA cos(θ) − sin(θ) 0 1 0 −xA
M = 0 1 yA   sin(θ) cos(θ) 0 0 1 −yA 
0 0 1 0 0 1 0 0 1
 
cos(θ) − sin(θ) xA (1 − cos(θ)) + yA sin(θ)
=  sin(θ) cos(θ) −xA sin(θ) + yA (1 − cos(θ))
0 0 1
xA xA
L’égalité M yA = yA confirme que le point A est un point fixe de l’application
1 1
affine de matrice M.
Pour un espace affine de dimension 3, une rotation d’angle θ dont l’axe est la droite
passant par l’origine et orientée par le troisième vecteur de la base aura pour matrice
 
cos(θ) − sin(θ) 0 0
 sin(θ) cos(θ) 0 0
 
 0 0 1 0
0 0 0 1
5.3. Projection centrale. — Une autre fonction qui joue un rôle important en syn-
thèse d’image est la projection centrale. Cette fonction permet de projeter sur un écran
l’image d’un espace de dimension trois. Cette fonction est utilisée depuis longtemps par
Figure 13. Projection centrale
161
Figure 14. Le dessinateur de Luth (A. Dürer)
les artistes et conduit aux effets de perspectives.

Étant donné un point O qui correspond à l’œil de l’observateur et un plan P,
qui correspond au plan du tableau ou à celui de l’écran d’ordinateur, la fonction de
projection p va envoyer un point M de l’espace sur le point d’intersection entre la droite
(OM) et le plan P. Encore faut-il que cette intersection ne soit pas vide. L’intersection
est vide si et seulement si la droite (OM) est parallèle au plan P, ce qui se produit
uniquement lorsque M appartient au plan affine P ′ parallèle à P et passant par O.
Le domaine de définition de p est donc le complémentaire de P ′ .
Décrivons cette application à l’aide de coordonnées. Pour cela choisissons un repère
adapté à la situation : L’origine du repère sera le point O et, sans perte de généralité
on peut supposer que, dans un repère orthonormé (O,~ı , ~ , ~k), le plan P sur lequel
on projette a pour équation Y = 1. On note O ′ = O + ~ , et on munit le plan P du
repère (O ′,~ı , ~k). Soit M un point de E de coordonnées (x, y, z) ; notons M ′ son image
par la projection centrale et (x′ , y ′) les coordonnées de M ′ dans le repère (O ′ ,~ı , ~k).
Les coordonnées de M ′ dans le repère (O,~ı , ~ , ~k) sont donc (x′ , 1, y ′) et le fait que les
−−→ −−→
points O, M et M ′ sont alignés se traduit par le fait que les vecteurs OM et OM ′ sont
colinéaires, ce qui nous donne les égalités :
x = yx′ z = yy ′.
162
Autrement dit, si y 6= 0, c’est-à-dire lorsque la projection centrale est définie en M, on

a
x′ = x/y y ′ = z/y.
Notons que la coordonnée y dans cette description a également une signification :
elle correspond à la « profondeur » du point par rapport à l’observateur. Elle va donc
être utilisée par les algorithmes de faces cachées : étant donné deux points M1 et M2
ayant la même image par la projection, si la coordonnée y de M2 est supérieure à celle
de M1 , alors M1 « cache » M2 .
Pour des repères arbitraires, la projection centrale peut-être calculée à l’aide du
calcul matriciel de la façon suivante : on se donne une matrice P ∈ M3,4 (R) Si le point
M a pour coordonnées (x, y, z) alors on calcule
 
 ′ x
x  
 y ′  = P y 
z 
w′
1
Le projeté de M est défini si w ′ 6= 0 ses coordonnées sont alors (x′ /w ′ , y ′/w ′) et la
profondeur du point M est donnée par w ′. L’avantage de cette présentation matricielle
est qu’on peut alors modéliser le déplacement d’objets dans l’espace simplement en
multipliant la matrice P à droite par une matrice Q ∈ M4,4 (R).
163
MAT201 Généralisation Cours
Généralisation
Emmanuel Peyre
Ce chapitre n’est plus au programme de l’UE MAT201, mais peut être considéré
comme un complément préparant à l’UE d’algèbre linéaire de L2.
Cours
6.1. Motivation. — L’introduction de structures en mathématiques permet d’ap-
pliquer des résultats à des objets ensemblistement très différents, à condition qu’ils
vérifient des règles de calculs similaires. Ainsi la structure de R-espace vectoriel s’ap-
plique aussi bien à Rn qu’à l’ensemble des applications f : R → R qui sont continues,
dérivables et telles que f ′ = f .
Dans les parties de cours des chapitres 1 à 4, nous n’avons utilisé à aucun moment
d’inégalités entre nombres réels. Les constructions faites n’utilisent que la somme, la
multiplication et le fait que tout nombre réel non nul x admet un inverse 1/x. De ce
point de vue, l’ensemble des nombres complexes ou l’ensemble des nombres rationnels
sont également munis d’une addition et d’une multiplication qui vérifient des condi-
tions similaires. La structure de corps va permettre de généraliser l’ensemble de nos
constructions et de les appliquer à des espaces vectoriels sur Q ou sur C.
6.2. Structure d’anneau, de corps. — Commençons par la structure d’anneau
Définition 6.1
Un anneau est un groupe abélien A dont la loi est notée additivement muni d’une
loi de composition appelée produit
×A
A −→ A
a, b 7−→ ab
165
Cours Généralisation Chap. 6

(A1) (Associativité du produit)
∀a, b, c ∈ A, (ab)c = a(bc);
(A2) (Élément unité) Il existe un élément 1A de A tel que
∀a ∈ A, 1A a = a1A = a;
(A3) (Distributivité du produit par rapport à l’addition)
∀a, b, c ∈ A, a(b + c) = ab + ac,
et
∀a, b, c ∈ A, (a + b)c = ac + bc;
On dit que l’anneau est commutatif s’il vérifie en outre la condition suivante :
(AC1) (Commutativité)
∀a, b ∈ A, ab = ba.
Exemples 6.2. — i) L’ensemble des entiers relatifs Z muni de la somme et du produit

usuels est un anneau.
ii) Si n ∈ N, l’ensemble Mn (R) des matrices carrées forme un anneau pour le produit
matriciel. Cet anneau n’est pas commutatif si n > 2.
Définition 6.3
Un corps est un anneau K qui vérifie en outre la condition suivante

(K1) (Existence d’un inverse)
∀x ∈ K {0}, ∃y ∈ K, xy = yx = 1K .
Exemple 6.4. — L’ensemble des nombres réels R, des nombres rationnels Q ou des
nombres complexes C muni de la somme et du produit usuels sont des corps. On parle
par exemple du corps des complexes.
166
Convention 6.5
Sauf mention explicite du contraire, tous les corps considérés dans ce cours sont
supposés commutatifs.
Remarque 6.6. — La commutativité du corps permet de conserver la description du

calcul matriciel donnée dans le chapitre 4.
6.3. Espace vectoriel sur un corps. — La définition d’un espace vectoriel sur un
corps arbitraire K est obtenue en remplaçant dans la définition des espaces vectoriels
réels le corps R par le corps K. Les scalaires sont donc maintenant des éléments du
corps.
Dans le reste de ce paragraphe, on fixe un corps K.
Définition 6.7
Un espace vectoriel sur le corps K (ou K-espace vectoriel) est un groupe abélien
E dont la loi de composition est appelée addition :
×E
E −→ E
~u, ~v 7−→ ~u + ~v
muni d’une application appelée multiplication par un scalaire
×E
K −→ E
λ, ~v 7−→ λ~v
qui vérifient les quatre conditions suivantes :
(EV1) (Associativité de la multiplication scalaire)
∀λ, µ ∈ K, ∀~u ∈ E, λ(µ~u) = (λµ)~u;
(EV2) (Distributivité à droite de la multiplication scalaire)
∀λ ∈ K, ∀~u, ~v ∈ E, λ(~u + ~v ) = λ~u + λ~v;
(EV3) (Distributivité à gauche de la multiplication scalaire)
∀λ, µ ∈ K, ∀~u ∈ E, (λ + µ)~u = λ~u + µ~u;
(EV4) (Multiplication par l’unité)
∀~u ∈ E, 1~u = ~u.
167
Cours Généralisation Chap. 6
L’ensemble des notions et des propriétés vus dans les chapitres 2, 3 et 4, à l’exception
près du §2.7 se généralisent sans peine à ce cadre, à condition de remplacer systémati-
quement le corps R par le corps K. En particulier, les coordonnées sont des éléments
de K et les matrices sont à coefficients dans K.
6.4. Exemples. — Quelques cas particuliers sont très utilisés en mathématique et

en informatique.
6.4.1. Le corps F2 . — Le but de ce paragraphe est de construire le corps à deux
éléments.
Définition 6.8
On note F2 l’ensemble {0, 1} muni des lois suivantes :

+ 0 1 × 0 1
0 0 1 0 0 0
1 1 0 1 0 1
Proposition 6.9
F2 est un corps.
Remarques 6.10. — i) Remarquons que les coordonnées dans une base d’un vecteur
d’un F2 espace vectoriel est une suite de 0 et de 1 ce qui en fait un outil particulièrement
apprécié en informatique.
ii) Si on associe à 0 le Faux et à 1 le Vrai, on notera que la table d’addition de F2
correspond à la table de vérité du « ou exclusif », et la table de multiplication à celle
du « et ».
iii) Notons qu’un espace vectoriel sur F2 vérifie des règles de calculs très particulières.
Soit E un F2 -espace vectoriel, alors
∀~u ∈ E, ~u + ~u = 0.
168
En effet, pour tout ~u ∈ E, on a les égalités ~u + ~u = (1 + 1)~u = 0~u = 0. D’autre part la

multiplication scalaire est la plus simple qui soit :
(
0 si λ = 0,
λ~u =
~u si λ = 1.
pour λ ∈ F2 et ~u ∈ E. Ce qui est remarquable, c’est qu’on a couvert tous les cas
possible en considérant les cas λ = 0 et λ = 1.
iv) Les exercices 6.7 et 6.8 donnent des exemples de corps ayant respectivement 3
et 4 éléments.
169
Fiche de révision Généralisation Chap. R.6
Fiche de révision
Définition R.6.1
Un anneau est un groupe abélien A dont la loi est notée additivement muni d’une
loi de composition appelée produit
×A
A −→ A
a, b 7−→ ab
(A1) (Associativité du produit)
∀a, b, c ∈ A, (ab)c = a(bc);
(A2) (Élément unité) Il existe un élément 1A de A tel que
∀a ∈ A, 1A a = a1A = a;
(A3) (Distributivité du produit par rapport à l’addition)
∀a, b, c ∈ A, a(b + c) = ab + ac,
et
∀a, b, c ∈ A, (a + b)c = ac + bc;
On dit que l’anneau est commutatif s’il vérifie en outre la condition suivante :
(AC1) (Commutativité)
∀a, b ∈ A, ab = ba.
Un corps est un anneau K qui vérifie en outre la condition suivante
(K1) (Existence d’un inverse)
∀x ∈ K {0}, ∃y ∈ K, xy = yx = 1K .
170
MAT201 Généralisation Fiche de révision
Proposition et définition R.6.2
L’ensemble {0, 1} muni des lois suivantes :

+ 0 1 × 0 1
0 0 1 0 0 0
1 1 0 1 0 1
est un corps noté F2 .
171
Entraînement Généralisation Chap. 6
Entraînement
6.1. Exercices
Exercice 6.1. Dans cet exercice on considère le C-espace vectoriel E = C2 . On rappelle
que la lettre i désigne une racine carrée de −1. Soit ϕ l’endomorphisme de E dont la
matrice dans la base usuelle est la matrice

0 −1
A= .
1 0
1. Calculer la matrice A2 + I2 .
2. Déduire de la question précédente une description de ϕ ◦ ϕ.
3. Déterminer la dimension de Ker(ϕ − i IdE ). En trouver une base.
4. Déterminer la dimension de Ker(ϕ + i IdE ). En trouver une base.
5. Trouver une base de E dans laquelle la matrice de ϕ est

i 0
.
0 −i
6. Soit λ ∈ R. Déterminer le rang de la matrice A − λI2 .
7. Déduire de la question précédente que la matrice A n’est pas semblable à une
matrice de la forme ( a0 0b ) avec a ∈ R et b ∈ R.
Exercice √6.2. Dans cet exercice on considère le C-espace vectoriel E = C3 . On note
j = − 21 + 23 i. Soit ϕ l’endomorphisme de E dont la matrice dans la base usuelle est la
matrice  
0 0 1
A = 1 0 0 .
0 1 0
1. Calculer la matrice A3 .
2. Déduire de la question précédente une description de ϕ ◦ ϕ ◦ ϕ.
3. (a) Calculer j3 .
(b) Écrire le nombre complexe j sous forme exponentielle.
4. Déterminer la dimension de Ker(ϕ − IdE ). En trouver une base.
5. Déterminer la dimension de Ker(ϕ − j IdE ). En trouver une base.
6. Déterminer la dimension de Ker(ϕ − j2 IdE ). En trouver une base.
172
MAT201 Généralisation Entraînement
7. Trouver une base de E dans laquelle la matrice de ϕ est

 
1 0 0
0 j 0  .
0 0 j2
Exercice 6.3. Soit E un C-espace vectoriel. Soit ϕ un endomorphisme de E vérifiant
la condition ϕ ◦ ϕ = −IdE . On note P = Ker(ϕ − i IdE ) et Q = Ker(ϕ + i IdE ).
1. Soit ~u ∈ E. Prouver que ϕ(~u) − i~u ∈ Q et que ϕ(~u) + i~u ∈ P .
2. Démontrer que E est la somme directe de P et de Q. (On pourra utiliser la
question précédente).
3. On suppose que E est de dimension finie. On dit qu’une matrice carrée A =
(ai,j ) 16i6n est diagonale si ai,j = 0 pour i 6= j. Démontrer qu’il existe une base
16j6n
de E dans laquelle la matrice de ϕ est diagonale.
Exercice 6.4. Soit E un F2 espace vectoriel de dimension m. Démontrer que E est un
ensemble fini dont on déterminera le cardinal.
Exercice 6.5. Dans tout cet exercice, on se place sur le corps F2 . Une application
P : F2 → F2 est dite polynomiale s’il existe un entier d ∈ N et d + 1 éléments
a0 , . . . , ad de F2 tels que
∀x ∈ F2 , P (x) = ad xd + ad−1 xd−1 + · · · + a0 .
Dans cet exercice, on note X l’application IdF2 .
1. Rappelons que FF
2 désigne le F2 -espace vectoriel des applications de F2 dans F2 .
2
(a) Prouver que l’application de FF 2 dans F2 qui envoie une application f sur le
2 2
couple (f (0), f (1)) est un isomorphisme de F2 -espace vectoriel.

(b) En déduire la dimension de FF
2 .
2
2. Décrire l’application de F2 dans F2 définie par x 7→ x2 − x.

3. Que peut-on dire de l’application X 2 − X ?
4. Démontrer que l’ensemble des applications polynomiales de F2 dans F2 est un
sous-espace vectoriel de l’espace vectoriel FF
2 .
2
5. Démontrer que la famille (1, X) où 1 désigne la fonction constante de valeur 1 est

libre.
6. Que peut-on déduire des questions précédentes sur le fait d’être polynomial pour
une application de F2 dans F2 ?
173
Entraînement Généralisation Chap. App. 0
Exercice 6.6. Dans tout cet exercice, on se place sur le corps F2 . On considère la
matrice A = ( 10 11 ) à coefficients dans F2 . On note ϕ : F22 → F22 l’application linéaire
définie par A, c’est-à-dire celle dont la matrice est A dans la base usuelle de F22 .
1. Calculer A2 dans M2 (F2 ).
2. Que peut-on dire de ϕ ◦ ϕ ?
3. Déterminer Ker(ϕ+IdF22 ) et Ker(ϕ−IdF22 ). Ces espaces sont-ils en somme directe ?
4. Soit E un F2 -espace vectoriel qui s’écrit comme la somme directe de deux sous-
espaces P et Q. On définit la symétrie s par rapport à P parallèlement à Q comme
l’unique endomorphisme de E tel que
∀~u ∈ P, ∀~v ∈ Q, s(~u + ~v ) = ~u − ~v.
Exprimer simplement s − IdE .
Exercice 6.7. 1. Munir l’ensemble {0, 1, −1} d’une addition et d’une multiplication
de sorte que cela définisse une structure de corps sur cet ensemble à trois éléments.
On note F3 ce corps.
2. Soit E un F3 -espace vectoriel de dimension n. Démontrer que E est un ensemble
fini dont on déterminera le cardinal.
Exercice 6.8. On note F4 le F2 -espace vectoriel F22 . Pour tous a, b ∈ F2 , on note a + bj
le couple (a, b) et on munit F4 du produit donné par
(a + bj)(a′ + b′ j) = (aa′ + bb′ ) + (ab′ + ba′ + bb′ )j.
1. Démontrer que ce produit est associatif.
2. Calculer j 2 et j 3 .
3. Calculer pour a, b ∈ F2 le produit
(a + bj)(a + b + bj).
4. Soient a, b ∈ F2 tel que a + bj 6= 0. Vérifier que a2 + ab + b2 6= 0.
5. Démontrer que F4 est un corps.
6. Écrire la table d’addition et de multiplication pour le corps F4 .
7. Soir E un F4 -espace vectoriel de dimension n, Démontrer que E est un ensemble
fini dont on déterminera le cardinal.
Exercice 6.9.∗ Soit F un corps fini, c’est-à-dire ayant un nombre fini d’éléments. En
s’inspirant des polynômes d’interpolation de Lagrange (cf. exercice 3.9), prouver que
toute application de F dans F est polynomiale.
174
MAT201 Annales Énoncé première session 2019
Annales
On prendra garde au fait que le programme a légèrement changé à la rentrée 2019
si bien que certains des exercices donnés dans les annales des examens de 2019 ne sont
plus totalement adaptés au nouveau programme.
Énoncé première session 2019

Question de cours. 1. Énoncer le théorème de d’Alembert-Gauss (aussi appelé
théorème fondamental de l’algèbre).
2. Soient E et F deux R-espaces vectoriels de même dimension n ∈ N∗ . Indiquer
comment construire un isomorphisme de E dans F .
3. Démontrer à l’aide d’un exemple que la multiplication de matrices dans M2 (R)
n’est pas commutative.
4. Énoncer le théorème du rang.
Exercice 1. (Groupes) Pour a ∈ R∗ et b ∈ R on définit

R → R,
fa,b :
x 7→ ax + b.
Soit G = {fa,b | a ∈ R∗ , b ∈ R}. Montrer que G muni de la composition d’applications
est un groupe.
Exercice 2. (Dimension des espaces vectoriels) Dans R3 on considère les vecteurs
u = (1, t, −1), v = (t, 1, 1), w = (1, 1, 1).
On considère ensuite les espaces
F = Vect(u, v), G = Vect(w).
1. Calculer la dimension de F en fonction de t.
2. Calculer la dimension de F ∩ G en fonction de t.
Indication : il faudra distinguer les cas t = −1, t = 1 et t2 6= 1.
175
Énoncé première session 2019 Annales App. 1
Exercice 3. (Applications linéaires et matrices associées) Soit b la base canonique de

R3 ,  
1 −2 2
A =  1 −2 2  ,
1 −1 1
et fA l’endomorphisme dont la matrice relativement à la base b est A (fA est alors
l’endomorphisme canoniquement associé à A). On pose également
     
1 1 0
U1 =  1  , U2 =  1  , U3 =  1  , b′ = (U1 , U2 , U3 ).
1 0 1
1. Démontrer que b′ est une base de R3 .
2. Calculer fA (Ui ), i = 1, 2, 3.
3. En déduire A′ = Matb′ (fA ).
4. En déduire rang(fA ) et dim(Ker(fA )).
5. Calculer la matrice de passage de la base b à la base b′ , P = Matb′ ,b (IdR3 ) (la
base de départ est b′ et la base d’arrivée est b).
6. Calculer P −1 .
7. Vérifier le résultat de 3. en calculant P −1AP .
8. Trouver la solution générale de
 
0
AX =  0 .
1
Indication : En utilisant la base b′ on pourra répondre à la question essentiellement
sans calcul supplémentaire.
Exercice 4. (Projecteurs) Soit E un espace vectoriel et p un projecteur sur E. On pose
q := IdE − p.
1. Démontrer que q est un projecteur.
2. Exprimer Ker(q) et Im(q) en fonction de Ker(p) et Im(p) et démontrer cette
corrélation.
3. Soit maintenant E = R3 , F = {(x, y, z) ∈ R3 ; z = 0}, G = Vect(e3 ), e3 =
(0, 0, 1) et p la projection sur F parallèlement à G. Etant donné (x, y, z) dans
R3 , donner les formules explicites pour p((x, y, z)) et q((x, y, z)). Quelle est l’in-
terprétation géométrique de q ?
176
MAT201 Annales Corrigé première session 2019
Corrigé première session 2019

Question de cours. 1. Tout polynôme non constant de C[X] possède au moins une
racine.
2. Soit dim E = dim F = n, bE = (~e1 , . . . , ~en ) une base de E et bF = (f~1 , . . . , f~n )
une base de F . Une application linéaire est entièrement déterminée par l’image
des vecteurs de base. Soit ℓ ∈ L(E, F ) l’application linéaire telle que ℓ(~ei ) = f~i
pour tout i ∈ {1, ..., n}. Comme ℓ transforme la base bE en la base bF , on a
MatbE ,bF (ℓ) = In et ℓ est un isomorphisme.
3. On pose
1 1 1 0
A= ,B= ;
0 1 1 1
On trouve
2 1 1 1
AB = 6= = BA.
1 1 1 2
4. Soit E un K− espace vectoriel de dimension finie et F un K− espace vectoriel
quelconque. Soit f une application linéaire de E dans F .
(a) Im(f ) est isomorphe à tout supplémentaire de Ker(f ) dans E.
(b) dim(Ker(f )) + dim(Im(f )) = dim(E).
Exercice 1. (Groupes) Soient a, a′ ∈ R∗ et b, b′ ∈ R. Pour tout x ∈ R,
fa,b (fa′ ,b′ (x)) = a(a′ x + b′ ) + b = aa′ x + ab′ + b.
Comme aa′ ∈ R∗ et ab′ + b ∈ R, on a donc
(30) fa,b ◦ fa′ ,b′ = faa′ ,ab′ +b ∈ G.
On en déduit que
1. La loi ◦ est interne dans G.
2. La loi ◦ est associative puisque la loi de composition d’applications l’est.
3. IdR = f1,0 est élément neutre.
4. Si fa,b ∈ G, on voit grâce à (30) que f1/a,−b/a est l’inverse de fa,b .
Exercice 2. (Dimension des espaces vectoriels)
1. Comme {~u, ~v } engendre F et ~u est non nul, on a 1 6 dim(F ) 6 2. De plus,
dim(F ) = 1 si et seulement s’il existe α ∈ R tel que α~u = ~v . Or
(31) α~u = ~v ⇐⇒ (α = t et αt = 1 et − α = 1).
177
Corrigé première session 2019 Annales App. 1
Si t = −1, alors α = −1 est solution de (31) et dim F = 1. Sinon le système n’a

pas de solution. En effet dans ce cas, la troisième équation de (31) donne α = −1,
alors que la première donne α = t 6= −1. Dans ce cas on a alors dim F = 2.
2. Il y a deux cas de figure :
(a) w
~ ∈ F . Dans ce cas dim(F ∩ G) = dim G = 1.
(b) w
~∈/ F . Dans ce cas dim(F ∩ G) = dim{0R3 } = 0.
On a
~ ∈ F ⇔ ∃α, β ∈ R α~u + β~v = w
w ~
 
 α + tβ = 1  α + tβ = 1
⇔ ∃α, β ∈ R tα + β = 1 ⇔ ∃α, β ∈ R (1 − t2 )β = 1 − t
 −α + β = 1  (1 + t)β = 2
On distingue trois cas :

(a) t = −1. Dans ce cas le système n’a pas de solution et on a dim(F ∩ G) = 0.
(b) t = 1. Alors α = 0 et β = 1 est une solution et dim(F ∩ G) = 1.
1
(c) t2 6= 1. Alors la deuxième ligne donne β = 1+t , alors que la troisième ligne
2
donne β = 1+t . Le système n’a alors pas de solution et dim(F ∩ G) = 0.
Exercice 3. (Applications linéaires et matrices associées)
1. Comme dim R3 = 3, il suffit de montrer que U1 , U2 , U3 sont linéairement indé-
pendants. Soient α, β, γ ∈ R.
         
1 1 0 α 0 1 1 0 α 0
αU1 +βU2 +γU3 = 0R3 ⇔  1 1 1   β  =  0  ⇔  0 0 1   β  =  0  .
1 0 1 γ 0 0 −1 1 γ 0
En considérant dans l’ordre les lignes 2, 3, 1, on voit que ce système ne possède
que la solution nulle, ce qui conclut.
2. On trouve fA (U1 ) = U1 , fA (U2 ) = −U2 , fA (U3 ) = 0R3 .
3. On a donc  
1 0 0
A′ =  0 −1 0  .
0 0 0
4. La matrice échelonnée A′ représente A dans la base b′ donc rang(fA ) = 2. D’après
le théorème du rang, dim(Ker(fA )) = 1.
178
5. Les colonnes de P sont les vecteurs colonnes de U1 , U2 , U3 dans la base b. Comme

b est la base canonique, ce sont U1 , U2 , U3 .
 
1 1 0
P =  1 1 1 .
1 0 1
6. L’algorithme de Gauss montre que
        
x1 y1 1 1 0 x1 y1
P  x2  =  y2  ⇔  0 0 1   x2  =  y2 − y1 
x3 y3 0 −1 1 x3 y3 − y1

 x1 = −x2 + y1
⇔ x3 = y2 − y1

−x2 = −x3 + y3 − y1

 x1 = −x2 + y1
⇔ x2 = x3 + y1 − y3

x3 = −y1 + y2

 x1 = y1 − y2 + y3
⇔ x2 = y2 − y3

x3 = −y1 + y2
On trouve donc  
1 −1 1
P −1 = 0 1 −1  .
−1 1 0
7. On a
     
1 −1 1 1 −2 2 1 1 0 1 0 0
P −1 AP =  0 1 −1   1 −2 2   1 1 1  =  0 −1 0  .
−1 1 0 1 −1 1 1 0 1 0 0 0
8. Notons X ′ = P −1 X et x′1 , x′2 , x′3 les composantes de X ′ . Alors
     
0 0 1
AX =  0  ⇔ (P −1 AP )(P −1X) = P −1  0  ⇔ A′ X ′ =  −1  ,
1 1 0
  ′   
1 0 0 x1 1 ′
x1 = 1
⇔  0 −1 0   x′2  =  −1  ⇔ ′
x2 = 1.
0 0 0 x′3 0
179
Les solutions sont donc les vecteurs X de la forme

    
1 1 0 1 2
X =  1 1 1   1  =  2 + x′3  , avec x′3 ∈ R.
1 0 1 x′3 1 + x′3
L’ensemble des solutions est alors S = (2, 2, 1) + Vect(0, 1, 1).
Exercice 4. (Projecteurs)
1. Il suffit de montrer que q 2 = q. On a
q 2 = (IdE − p) ◦ (IdE − p) = IdE − 2p + p2 = IdE − p = q.
2. (a) Montrons que Ker(q) = Im(p). Si x ∈ Ker(q), alors q(x) = 0R3 donc x =
p(x) ∈ Im(p). Réciproquement, si y ∈ Im(p), il existe x ∈ R3 tel que y = p(x),
ce qui entraîne q(y) = p(x) − p2 (x) = p(x) − p(x) = 0R3 , d’où y ∈ Ker(q).
(b) On a Im(q) = Ker(p). Sachant que q est une projection, on peut inverser les
rôles de p et de q (p = IdE − q) et utiliser (a).
3. Soit (x, y, z) ∈ R3 . Comme (x, y, z) = (x, y, 0) + (0, 0, z) avec (x, y, 0) ∈ F et
(0, 0, z) ∈ G, on a p((x, y, z)) = (x, y, 0) et q((x, y, z)) = (x, y, z) − (x, y, 0) =
(0, 0, z). Ainsi, q est la projection sur G parallèlement à F .
180
MAT201 Annales Énoncé partiel 2020
Énoncé partiel 2020

Les calculatrices, documents et objets connectables au réseau
sont interdits. La clarté, la concision et la précision des réponses
données seront des facteurs importants d’appréciation des copies.
Dans les exercices, on justifiera chaque réponse donnée.
Question de cours. Donner la définition d’un sous-espace vectoriel.
Exercice 1. 1. Résoudre, en appliquant soigneusement la méthode du pivot de
Gauss et en indiquant chaque opération effectuée, le système d’équations
linéaires 
 X + Y + Z = 4
2X + 3Y − 2Z = 6
 X + 3Y − 6Z = 1
2. Vérifier que la ou les solutions obtenues vérifient le système initial.

Exercice 2. On se donne les vecteurs suivants de R3 :
~u1 = (1, 0, 1), ~u2 = (1, 1, 1) et ~u3 = (1, 2, 0).
1. Démontrer que la famille (~u1 , ~u2 , ~u3) est une base de R3 .
2. Déterminer les coordonnées d’un triplet (a, b, c) ∈ R3 dans la base (~u1 , ~u2, ~u3 ).
Exercice 3. On considère l’application l : R3 → R définie par (x, y, z) 7→ x + 2y − z.
1. Démontrer que l est une application linéaire.
2. Déterminer la dimension de son noyau, que l’on notera H.
3. Trouver une base de ce noyau.
Exercice 4. Dans cet exercice, on s’intéresse à l’ensemble E des suites de nombres réels
(un )n∈N qui vérifient la condition
(32) ∀n ∈ N, un+2 = un + un+1.
1. Démontrer que E est un sous-espace vectoriel de l’espace des suites de nombres
réels.
2. Dans cette question, on suppose que (un )n∈N est un élément de E telle que u0 = 0
et u1 = 1. Déterminer la valeur de un pour n ∈ {2, 3, 4, 5, 6, 7}.
3. Démontrer que l’application ϕ : E → R2 qui a une suite (un )n∈N associe le couple
(u0 , u1 ) est linéaire.
181
Énoncé partiel 2020 Annales App. 1
4. Démontrer que le noyau de ϕ ne contient que la suite constante nulle (on pourra
utiliser un raisonnement par récurrence).
5. En déduire que E est de dimension finie et majorer la dimension de E.
6. Soit α ∈ R {0}. Démontrer que la suite (αn )n∈N vérifie la condition (32) si et
seulement si α est solution de l’équation
(33) X 2 − X − 1 = 0.
7. Résoudre l’équation (33).
8. À l’aide des deux questions précédentes, trouver des suites (an )n∈N et (bn )n∈N
qui appartiennent à E et qui vérifient la condition suivante : si l’on pose ~ı =
ϕ((an )n∈N ) et ~ = ϕ((bn )n∈N ), la famille (~ı , ~ ) est une famille libre de vecteurs
de R2 .
9. Quelle est la dimension de E ? En donner une base.
10. Démontrer qu’il existe une unique suite (un )n∈N dans E telle que u0 = 0 et
u1 = 1 ; donner ses coordonnées dans la base de la question précédente.
182
MAT201 Annales Corrigé partiel 2020
Corrigé partiel 2020

Question de cours. Soit E un espace vectoriel. Un sous-espace vectoriel de E est une
partie F de E qui vérifie les trois conditions suivantes :
(ii) (Stabilité par addition)
∀~u, ~v ∈ F, ~u + ~v ∈ F ;
(iii) (Stabilité par multiplication par un scalaire)
∀λ ∈ R, ∀~u ∈ F, λ~u ∈ F.
Exercice 1. 1. On veut résoudre le système :


 X + Y + Z = 4
2X + 3Y − 2Z = 6

X + 3Y − 6Z = 1.
On applique les transformations L2 ← L2 − 2L1 et L3 ← L3 − L1 :

 X + Y + Z = 4
Y − 4Z = −2

2Y − 7Z = −3.
Avec la transformation L3 ← L3 − 2L2 , on obtient le système échelonné :

 X + Y + Z = 4
Y − 4Z = −2

Z = 1.
En remplaçant Z par sa valeur 1, on obtient le système :

 X + Y = 3
Y = 2

Z = 1.
Pour terminer, on remplace Y par sa valeur 2 :

 X = 1
Y = 2

Z = 1.
Le système initial a donc une unique solution (1, 2, 1).
183
Corrigé partiel 2020 Annales App. 1
2. Vérifions la solution obtenue

1 + 2 + 1 = 4
2×1 + 3×2 − 2×1 = 6
1 + 3 × 2 − 6 × 1 = 1.
Donc (1, 2, 1) est bien solution du système.
Exercice 2. 1. Démontrons que la famille (~u1 , ~u2 , ~u3) est libre. Soit (x, y, z) ∈ R3
tel que
x~u1 + y~u2 + z~u3 = 0.
Alors
x(1, 0, 1) + y(1, 1, 1) + z(1, 2, 0) = 0
c’est-à dire
(x + y + z, y + 2z, x + y) = (0, 0, 0),
ce qui signifie que (x, y, z) est solution du système d’équations linéaires sans
second membre 
 X + Y + Z = 0
Y + 2Z = 0

X + Y = 0.
Pour simplifier, on effectue l’échange L1 ↔ L3

 X + Y = 0
Y + 2Z = 0
 X + Y + Z = 0.
Puis on effectue la transformation L3 ← L3 − L1 . On obtient le système


 X + Y = 0
Y + 2Z = 0

Z = 0.
On obtient donc Z = 0 puis Y = 0 et X = 0. Donc l’unique solution du système
est le triplet (0, 0, 0), ce qui prouve que la famille (~u1 , ~u2, ~u3 ) est libre.
Comme il s’agit d’une famille de trois vecteurs de R3 qui est un R-espace
vectoriel de dimension 3, la famille (~u1 , ~u2 , ~u3) est une base de R3 .
2. Les coordonnées (x, y, z) du vecteur (a, b, c) ∈ R3 dans la base (~u1 , ~u2 , ~u3) sont
caractérisées par la relation
(a, b, c) = x~u1 + y~u2 + z~u3
c’est-à-dire
(a, b, c) = x(1, 0, 1) + y(1, 1, 1) + z(1, 2, 0)
184
ce qui signifie que (x, y, z) est solution du système d’équations linéaires


 X + Y + Z = a
Y + 2Z = b

X + Y = c.
À nouveau, on effectue l’échange L1 ↔ L3


 X + Y = c
Y + 2Z = b
 X + Y + Z = a.
Puis on effectue la transformation L3 ← L3 − L1 . On obtient le système


 X + Y = c
Y + 2Z = b

Z = a − c.
En remplaçant Z par sa valeur, on obtient


 X + Y = c
Y = −2a + b + 2c

Z = a − c.
ce qui donne

 X = 2a − b − c
Y = −2a + b + 2c

Z = a − c.
Donc les coordonnées du triplet (a, b, c) dans la base (~u1 , ~u2 , ~u3) sont (2a − b − c, −2a + b + 2c, a −
Exercice 3. 1. Soient (x, y, z) et (x′ , y ′ , z ′ ) des vecteurs de R3 . On écrit les égalités
l((x, y, z) + (x′ , y ′ , z ′ )) = l(x + x′ , y + y ′, z + z ′ )

= (x + x′ ) + 2(y + y ′) − (z + z ′ )
= (x + 2y − z) + (x′ + 2y ′ − z ′ )
= l(x, y, z) + l(x′ , y ′ , z ′ ).
Donc l est compatible avec l’addition.
185
Soit λ ∈ R et soit (x, y, z) ∈ R3 . Les égalités

l(λ(x, y, z)) = l(λx, λy, λz)
= λx + 2λy − λz
= λ(x + 2y − z)
= λl(x, y, z)
prouvent que l est compatible avec la multiplication par un scalaire.
Donc l est une application linéaire.
2. Par la question précédente, l’application l est une forme linéaire. Or l(1, 0, 0) = 1,
donc cette forme n’est pas nulle. Donc H est un hyperplan de R3 . Sa dimension
est donc dim(R3 ) − 1 = 2.
3. Comme l(−2, 1, 0) = l(1, 0, 1) = 0, les vecteurs ~u1 = (−2, 1, 0) et ~u2 = (1, 0, 1)
appartiennent à H = Ker(l). Or det ( 10 01 ) = 1 6= 0. Donc ces deux vecteurs ne
sont pas colinéaires ; donc la famille (~u1 , ~u2 ) est libre. Comme dim(H) = 2, la
famille (~u1 , ~u2 ) est une base de H.
Exercice 4. 1. (i) Si on pose un = 0 pour tout n ∈ N, alors
un+2 = 0 = 0 + 0 = un + un+1
pour tout n ∈ N, ce qui prouve que la suite constante de valeur nulle vérifie la
condition (1). Donc 0 ∈ E.
(ii) Soient (un )n∈N et (vn )n∈N des suites de E. La définition de E appliquée à
ces suites donne les assertions
∀n ∈ N, un+2 = un + un+1
et
∀n ∈ N, vn+2 = vn + vn+1 .
Donc
∀n ∈ N, un+2 + vn+2 = (un + vn ) + (un+1 + vn+1 ).
ce qui prouve que la somme des deux suites, c’est-à-dire la suite (un + vn )n∈N est
également un élément de E. Donc la partie E est stable par addition.
(iii) Soit λ ∈ R et soit (un )n∈N une suite de E. Alors
∀n ∈ N, un+2 = un + un+1,
donc
∀n ∈ N, λun+2 = λun + λun+1 .
186
Donc la suite λ(un )n∈N = (λun )n∈N appartient également à E, ce qui prouve
que E est stable par la multiplication par un scalaire
On en conclut que E est un sous-espace vectoriel de l’espace RN des suites de
nombres réels.
2. Dans cette question on suppose que u0 = 0 et u1 = 1, les premiers termes de la
suite sont donc donnés par
u2 = u0 + u1 = 0 + 1 = 1,
u3 = u1 + u2 = 1 + 1 = 2,
u4 = u2 + u3 = 1 + 2 = 3,
u5 = u3 + u4 = 2 + 3 = 5,
u6 = u4 + u5 = 3 + 5 = 8,
u7 = u5 + u6 = 5 + 8 = 13.
3. Soient (un )n∈N et (vn )n∈N des suites de E, on a les relations

ϕ((un )n∈N + (vn )n∈N ) = ϕ((un + vn )n∈N )
= (u0 + v0 , u1 + v1 ) = (u0 , u1 ) + (v0 , v1 ) = ϕ((un )n∈N ) + ϕ((vn )n∈N ).
Donc ϕ est compatible avec l’addition.
Soit λ ∈ R. Soit (un )n∈N une suite de E. On a les relations
ϕ(λ(un )n∈N ) = ϕ((λun )n∈N ) = (λu0 , λu1) = λ(u0 , u1 ) = λϕ((un )n∈N )
qui prouvent que ϕ est compatible avec la multiplication par un scalaire.
Donc ϕ est linéaire.
4. Soit (un )n∈N ∈ Ker(ϕ). Alors u0 = 0 et u1 = 0 par définition de ϕ. Nous allons
démontrer par récurrence que pour tout entier m ∈ N, on a les égalités
um = 0 et um+1 = 0.
Initialisation : On vient de prouver que c’est vrai pour m = 0.
Hérédité : Supposons le résultat vrai pour l’entier m, démontrons-le pour m+ 1.
Par hypothèse de récurrence um = um+1 = 0. Comme la suite vérifie la condition
(1), on a les relations
um+2 = um + um+1 = 0 + 0 = 0.
Donc on a également um+2 = 0, comme um+1 = 0 par hypothèse de récurrence,
le resultat vaut aussi pour m + 1.
187
Conclusion : Par le principe de récurrence,

∀m ∈ N, um+1 = um = 0.
Donc la suite est la suite constante nulle.
5. Par la question précédente, le noyau de ϕ est {0} donc ϕ est injective. Posons
F = Im(ϕ). L’application de E dans F donnée par x 7→ ϕ(x) est injective et
surjective. Donc E est isomorphe à F qui est un sous-espace vectoriel de R2 .
Donc E est de dimension finie et dim(E) 6 2.
6. Soit α ∈ R.
Supposons que la suite (αn )n∈N vérifie la condition (1). En appliquant cette
condition à n = 0 on obtient la relation
α2 = α1 + α0
c’est-à-dire
α2 = α + 1
ce qui prouve que α est solution de l’équation (2).
Réciproquement, soit α un nombre réel solution de l’equation (2) et soit n ∈ N.
On obtient les égalités
αn+2 = α2 × αn = (1 + α)αn = αn + αn+1
ce qui prouve que la suite (αn )n∈N vérifie (1).
7. Le discriminant de cette équation est
∆ = 1 + 4 = 5.
Les deux solutions de l’équation sont donc
√ √
1+ 5 1− 5
x1 = et x2 = .
2 2
8. En conservant les notations de la question précédente, on note an = xn1 et bn = xn2
pour tout n ∈ N. Alors par les questions 6 et 7, les suites (an )n∈N et (bn )n∈N sont
des vecteurs de E. On note ~ı (resp. ~ ) l’image de (an )n∈N (resp. (bn )n∈N ) par ϕ.
Alors √ √
1+ 5 1− 5
~ı = (1, ) et ~ = (1, ).
2 2
Comme
√ √
1√ 1√ 1− 5 1+ 5 √
det 1+ 5 1− 5 = − = − 5 6= 0,
2 2 2 2
188
les deux vecteurs ~ı et ~ ne sont pas colinéaires. Donc la famille (~ı , ~j) est libre.
9. La question précédente implique l’inégalité rg(ϕ) > 2, donc ϕ est surjective.
Donc, par la question 5, l’application ϕ est un isomorphisme d’espaces vectoriels.
Donc E est un R espace vectoriel de dimension 2 et comme (~ı , ~ ) est une base
de R2 , on obtient que le couple ((an )n∈N , (bn )n∈N ) est une base de E.
10. Comme ϕ est bijective, il existe une unique suite qui vérifie les conditions de
l’énoncé, à savoir la suite ϕ−1 (0, 1). Déterminons les coordonnées de (0, 1) dans
la base (~i, ~j) en résolvant le système d’équations linéaires

√
X + √
Y = 0
1+ 5 1− 5
2
X + 2
Y = 1.
√
En remplaçant Y par −X dans la seconde équation, on obtient l’équation 5 X =
1. Donc les coordonnées de (0, 1) sont ( √15 , √ −1
5
) dans la base (~ı , ~ ). En appliquant
l’application linéaire ϕ à la relation
−1
1 1
(0, 1) = √ ~ı − √ ~ ,
5 5
on obtient que les coordonnées de la suite ϕ (0, 1) dans la base ((an )n∈N , (bn )n∈N )
−1
sont également ( √15 , √ −1

5
).
189
Énoncé deuxième session 2020 Annales App. 1
Énoncé deuxième session 2020

Compte tenu des mesures liées à l’épidémie, cet examen de deuxième session a eu
lieu sous forme de devoir.
Ce devoir doit être fait seul, sans aide extérieure. Vous pouvez
utiliser les polycopiés de MAT101 et MAT201 et vos notes issues
des cours et des TDs.
Chaque réponse doit être justifiée de manière complète, claire
et concise. Prenez le temps de vous relire et de vérifier soigneu-
sement chacun de vos calculs.
Les parties I et II du problème sont indépendantes l’une de
l’autre.
Problème 1. Dans tout ce problème, on note A la matrice
 
2 2 −1
A = −1 2 2 .
2 −1 2
Partie I. Résolution d’un système d’équations linéaires

1. Résoudre le système d’équations linéaires suivant (on pourra utilise la méthode
du pivot de Gauss) :

 X + 2Y − Z = 2
−X + Y + 2Z = 7
 2X − Y + Z = 3.
2. Vérifier que la ou les solutions trouvées sont bien solutions du système.
Partie II. Étude d’une application linéaire

On note (~e1 , ~e2 , ~e3 ) la base usuelle de R3 . Dans la suite du problème on note ϕA :
R3 → R3 l’application linéaire dont la matrice dans la base (~e1 , ~e2 , ~e3 ) est la matrice A
définie au début du problème.
1. Déterminer les vecteurs ϕA (~e1 ), ϕA (~e2 ) et ϕA (~e3 ).
2. Calculer l’image ϕA (~u) d’un vecteur arbitraire ~u = (x, y, z) ∈ R3 .
3. Démontrer que la famille (ϕA (~e1 ), ϕA (~e2 ), ϕA (~e3 )) forme une base de R3 .
190
MAT201 Annales Énoncé deuxième session 2020
4. Démontrer que ϕA est bijective.

5. Calculer la matrice A2 .
6. On note τ = ϕA ◦ ϕA .
(a) Quelle est la matrice de τ dans la base usuelle ?
(b) Démontrer que pour tout ~u ∈ R3 ,
τ ◦ τ ◦ τ (~u) = 93~u.
Partie III. Sous-espaces stables

1. Démontrer que D = {~u ∈ R3 | ϕA (~u) = 3~u} est un sous-espace vectoriel de R3 .
2. Déterminer la dimension de D et en donner une base.
3. Démontrer que l’application l : R3 → R définie par l(x, y, z) = x + y + z est une
forme linéaire.
4. Soit H = Ker(l). Quelle est la dimension de H ?
5. Trouver une base de H.
6. Déterminer l’intersection D ∩ H.
7. Prouver que pour tout ~u ∈ H, on a ϕA (~u) ∈ H
Partie IV. Isométrie

On note ψ : R3 → R3 l’application définie par ψ(~u) = 31 ϕA (~u) pour ~u ∈ R3 . On
rappelle que D = {~u ∈ R3 | ϕA (~u) = 3~u}.
On munit R3 de sa structure euclidienne usuelle. Le produit scalaire de deux éléments
de R3 est donc donné par la formule
(x, y, z).(x′ , y ′, z ′ ) = xx′ + yy ′ + zz ′
pour tous x, y, z, x′ , y ′, z ′ ∈ R.
1. (a) Prouver que ψ est une application linéaire.
(b) Démontrer que ψ est une isométrie vectorielle.
2. Soit ~u ∈ R3 ; quelle relation y a-t-il entre kϕA (~u)k et 3k~uk ?
3. (a) Trouver un vecteur f~1 = (x1 , y1, z1 ) de norme 1 dans D avec x1 > 0.
(b) Trouver un vecteur f~2 = (x2 , y2 , z2 ) de norme 1 dans l’orthogonal de D avec
x2 > 0 et z2 = 0.
191
Énoncé deuxième session 2020 Annales App. 1
(c) Calculer le produit vectoriel f~3 = f~1 ∧ f~2 .

(d) Justifier le fait que (f~1 , f~2 , f~3 ) forme une base orthonormée (ses vecteurs sont
deux à deux orhogonaux et de norme 1).
On note P la matrice de passage de la base (~e1 , ~e2 , ~e3 ) à la base (f~1 , f~2 , f~3 ).
4. (a) Donner la matrice P .
(b) Vérifier l’égalité t P P = I3 .
(c) En déduire la matrice P −1.
5. À l’aide d’une formule de changement de base, calculer la matrice B de l’appli-
cation linéaire ψ dans la base (f~1 , f~2 , f~3 ).
6. En déduire que ψ est une rotation vectorielle dont on déterminera l’axe et l’angle.
Partie V. Étude d’une application affine

Dans cette partie on se donne un espace affine euclidien E de dimension 3 muni d’un
repère orthonormé direct (O,~ı , ~ , ~k). Toutes les coordonnées des points sont relatives
à ce repère. On note ρ l’application de E dans E qui envoie le point M de coordonnées
(x, y, z) sur le point ρ(M) de coordonnées
(2x + 2y − z − 2, −x + 2y + 2z − 7, 2x − y + 2z − 3).
1. Soit M un point de E de coordonnées (x, y, z).
(a) À quelle condition sur les coordonnées (x, y, z) a-t-on l’égalité ρ(M) = M ?
(b) À l’aide de la partie I, déterminer l’ensemble des points
F = { M ∈ E | ρ(M) = M }.
2. Soit M un point de E de coordonnées (x, y, z).
−−→
(a) Quelles sont les coordonnées du vecteur OM dans la base (~ı , ~ , ~k) ?
−−−−−−−→
(b) Quelles sont les coordonnées du vecteur ρ(O)ρ(M) dans la base (~ı , ~ , ~k) ?
(c) Prouver que ρ est une application affine.
192
MAT201 Annales Énoncé deuxième session 2020
Définition App. 1.1
Soit A un point de E et soit λ ∈ R {0}. L’homothétie de rapport λ et de centre A

−−→
est l’application h de E dans E qui à un point M associe le point h(M) = A+λAM .
3. Prouver que l’on peut écrire ρ = h◦r = r ◦h où h est une homothétie de rapport 3
dont on donnera le centre et r est une rotation dont on donnera l’axe et l’angle.
193
Corrigé deuxième session 2020 Annales App. 1
Corrigé deuxième session 2020
Problème 1. Partie I. Résolution d’un système d’équations linéaires

1. On utilise la méthode du Pivot de Gauss pour résoudre le système,

 X + 2Y − Z = 2
(34) −X + Y + 2Z = 7

2X − Y + Z = 3.
On effectue les transformations L2 → L2 + L1 et L3 → L3 − 2L1 pour obtenir le
système équivalent

 X + 2Y − Z = 2
3Y + Z = 9

− 5Y + 3Z = −1.
Ensuite en effectuant L3 → L3 + 53 L2 , on obtient le système équivalent

 X + 2Y − Z = 2
3Y + Z = 9
 14
3
Z = 14.
La dernière ligne se réécrit Z = 3. On remplace alors Z par sa valeur pour obtenir
le système 
 X + 2Y = 5
3Y = 6

Z = 3.
qui équivaut à 
 X = 1
Y = 2

Z = 3.
2. En remplaçant respectivement X, Y et Z par 1, 2 et 3 dans le système (34) on
obtient 
 1 + 2×2 − 3 = 2
−1 + 2 + 2×3 = 7

2×1 − 2 + 3 = 3.
Comme ces égalités sont vraies, (1, 2, 3) est bien solution du système d’equations
linéaires (34).
194
MAT201 Annales Corrigé deuxième session 2020
Partie II. Étude d’une application linéaire

1. Les coordonnées des images des vecteurs de la base sont données par les colonnes
de la matrice. On obtient donc les égalités :
ϕA (~e1 ) = (2, −1, 2), ϕA (~e2 ) = (2, 2, −1) et ϕA (~e3 ) = (−1, 2, 2).
2. Le produit matriciel
    
2 2 −1 x 2x + 2y − z
−1 2 2  y  = −x + 2y + 2z 
2 −1 2 z 2x − y + 2z
montre que l’image du vecteur ~u = (x, y, z) est
ϕA (~u) = (2x + 2y − z, −x + 2y + 2z, 2x − y + 2z).
3. Démontrons que la famille (ϕA (~e1 ), ϕA (~e2 ), ϕA (~e3 )) est libre. Soit (x, y, z) ∈ R3
tel que
xϕA (e1 ) + yϕA (e2 ) + zϕA (e3 ) = 0
ce qui se réécrit
(2x + 2y − z, −x + 2y + 2z, 2x − y + 2z) = 0.
Le triplet (x, y, z) est donc solution du système sans second membre

 2X + 2Y − Z = 0
−X + 2Y + 2Z = 0

2X − Y + 2Z = 0.
Pour simplifier les calculs, on échange d’abord les lignes L1 et L2 :

 −X + 2Y + 2Z = 0
2X + 2Y − Z = 0
 2X − Y + 2Z = 0.
Puis on effectue L2 → L2 + 2L1 et L3 → L3 + 2L2 ce qui donne le système

 −X + 2Y + 2Z = 0
6Y + 3Z = 0

3Y + 6Z = 0.
On échange alors les lignes L2 et L3 qui donne

 −X + 2Y + 2Z = 0
3Y + 6Z = 0

6Y + 3Z = 0.
195
Enfin la transformation L3 → L3 − 2L2 donne


 −X + 2Y + 2Z = 0
3Y + 6Z = 0

− 9Z = 0.
L’unique solution du système est donc le triplet nul (0, 0, 0). Donc la famille
(ϕA (~e1 ), ϕA (~e2 ), ϕA (~e3 )) est libre. Comme c’est une famille de trois vecteurs de
R3 et que dim(R3 ) = 3, cette famille est donc une base de R3 .
4. Par la question précédente, l’image de ϕA contient trois vecteurs qui engendrent
R3 donc Im(ϕA ) = R3 et ϕA est surjective. Comme ϕA est un endomorphisme
de R3 , la surjectivité de ϕA équivaut à son injectivité. Donc ϕA est bijective.
5. On effectue le produit matriciel
    
2 2 −1 2 2 −1 0 9 0
A2 = −1 2 2  −1 2 2  = 0 0 9 ·
2 −1 2. 2 −1 2. 9 0 0
6. (a) On a les égalités
 
0 9 0
Mat(~e1 ,~e2 ,~e3 ) (τ ) = A2 = 0 0 9 ·
9 0 0
(b) Par la question précédente,
 
0 1 0
Mat(~e1 ,~e2 ,~e3 ) (τ ) = A2 = 9 0 0 1 ·
1 0 0
Mais
 3    
0 1 0 0 1 0 0 1 0 0 1 0
0 0 1 = 0 0 1 0 0 1 0 0 1 =
1 0 0 1 0 0 1 0 0 1 0 0
    
0 0 1 0 1 0 1 0 0
1 0 0 0 0 1 = 0 1 0 = I3 ,
0 1 0 1 0 0 0 0 1
ce qui nous donne
Mat(~e1 ,~e2 ,~e3 ) (τ ◦ τ ◦ τ ) = 93 I3
196
Donc on on a une égalité τ ◦ τ ◦ τ = 93 IdR3 entre endomorphismes de R3 .

Autrement dit,
∀~u ∈ R3 , τ ◦ τ ◦ τ (~u) = 93~u.
Partie III. Sous-espaces stables

1. Par définition du noyau, on a l’égalité
{ ~u ∈ R3 | ϕA (~u) = 3~u } = Ker(ϕA − 3IdR3 ).
Donc cette partie de R3 est un sous-espace vectoriel de R3 .
2. On a l’égalité de matrices
 
−1 2 −1
A − 3I3 = −1 −1 2  ·
2 −1 −1
Donc un triplet (x, y, z) appartient à Ker(ϕA − 3IdR3 ) si et seulement s’il est
solution du système

 −X + 2Y − Z = 0
−X − Y + 2Z = 0

2X − Y − Z = 0
qui, après les transformations L2 → L2 − L1 et L3 → L3 + 2L1 , donne le système

 −X + 2Y − Z = 0
−3Y + 3Z = 0
 3Y − 3Z = 0.
En faisant l’opération L3 → L3 + L2 , on obtient

 −X + 2Y − Z = 0
−3Y + 3Z = 0

0 = 0
qui équivaut à
X = Z
Y = Z.
Donc Ker(ϕA − 3Id|RR3 ) est
{ (t, t, t), t ∈ R } = Vect((1, 1, 1)).
197
Comme (1, 1, 1) 6= 0, cela prouve que D est une droite vectorielle de base
((1, 1, 1)).
3. Soient x, y, z, x′ , y ′, z ′ , λ ∈ R. Les égalités
l((x, y, z) + λ(x′ , y ′, z ′ )) = l(x + λx′ , y + λy ′, z + λz ′ ) = (x + λx′ ) + (y + λy ′) + (z + λz ′ )
= (x + y + z) + λ(x′ + y ′ + z ′ ) = l(x, y, z) + λl(x′ , y ′, z ′ )
prouvent que l est une application linéaire de R3 dans R. C’est donc une forme
linéaire.
4. Comme la forme linéaire l n’est pas nulle, son noyau H = Ker(l) est un hyperplan
de R3 . Donc
dim(H) = dim(R3 ) − 1 = 3 − 1 = 2.
5. Les vecteurs ~u1 = (1, −1, 0) et ~u2 = (0, 1, −1) appartiennent tous les deux à H
et ils ne sont pas colinéaires puisque

1 0

−1 1 = 1 6= 0.
Donc (~u1 , ~u2 ) est une famille libre de vecteurs de H. Or, par la question précé-
dente, dim(H) = 2 donc (~u1, ~u2 ) est une base de H.
6. Soit ~u ∈ D∩H. Comme ~u ∈ D par la question 2, il existe t ∈ R tel que ~u = (t, t, t).
Comme ~u ∈ H, on a la relation t + t + t = 0 ce qui donne t = 0 et donc ~u est le
vecteur nul. Donc D ∩ H ⊂ {0}. Comme 0 ∈ D ∩ H, on obtient que D ∩ H = {0}.
7. Soit ~u ∈ H. On écrit ~u = (x, y, z) avec x, y, z ∈ R. Par définition de H, on a la
relation x + y + z = 0.
Par la question II.2,
ϕA (~u) = (2x + 2y − z, −x + 2y + 2z, 2x − y + 2z).
Les égalités
l(ϕA (~u)) = (2x + 2y − z) + (−x + 2y + 2z) + (2x − y + 2z)
= 3x + 3y + 3z = 3(x + y + z) = 0
prouvent que ϕA (~u) ∈ H. On a donc démontré l’assertion
∀~u ∈ H, ϕA (~u) ∈ H.
198
Partie IV. Isométrie

1. (a) L’application ψ = 31 ϕA est une application linéaire puisque les applications
linéaires forment un sous-espace vectoriel de l’espace des applications.
(b) Soit ~u = (x, y, z) ∈ R3 . La définition de la norme et la question II.2 permettent
d’écrire les égalités
1
kψ(~u)k2 = (2x + 2y − z)2 + (−x + 2y + 2z)2 + (2x − y + 2z)2
9
1
= 4x2 + 4y 2 + z 2 + 8xy − 4xz − 4yz
9
+ x2 + 4y 2 + 4z 2 − 4xy − 4xz + 8yz

+4x2 + y 2 + 4z 2 − 4xy + 8xz − 4yz
1
= (9x2 + 9y 2 + 9z 2 )
9
= x2 + y 2 + z 2
= k~uk2 .
Cela prouve l’assertion
∀~u ∈ R3 , kψ(~u)k = k~uk.
Donc ψ est une isométrie.
2. La question précédente permet d’écrire
1
kϕA (~u)k = k3 ϕA (~u)k = 3kψ(~u)k = 3k~uk.
3
3. (a) On cherche un nombre t > 0 tel que (t, t, t) soit de norme 1, ce qui correspond
à l’égalité 3t2 = 1 donc t = √13 est le seul nombre qui convienne. En conclusion,

~
le vecteur f1 = √1 √1 √1
, , ∈ D vérifie les conditions imposées.
3 3 3
(b) L’orthogonal de D est l’ensemble des vecteurs (x, y, z) ∈ R3 tels que pour tout
t ∈ R on ait
tx + ty + tz = 0.
En prenant t = 1, on obtient que D ⊥ ⊂ H. Inversement tout ~u ∈ H vérifie la
condition précédente donc D ⊥ = H.
Un triplet (x2 , y2, z2 ) vérifie les conditions de la question si et seulement s’il
vérife les conditions z2 = 0, x2 > 0, x2 + y2 + z2 = 0 et x22 + y22 + z22 = 1. En
remplaçant z2 par sa valeur dans la troisième condition, on obtient y2 = −x2 .
199
La dernière condition nous donne alors que 2x22 = 1 et donc x2 = √12 . Par

conséquent f~2 = √12 , √
−1
2
, 0 est le seul vecteur vérifiant toutes les conditions.
(c) Les formules donnant les coordonnées du produit vectoriel fournissent
f~3 = f~1 ∧ f~2

1 1 1 1 1 1 1 −1 1 1
= √ × 0 − √ × − √ , √ × √ − √ × 0, √ × √ − √ × √
3 3 2 3 2 3 3 2 3 2

1 1 −2
= √ ,√ ,√ ·
6 6 6
(d) Par les questions (a) et (b),
kf~1 k = kf~2 k = 1 et f~1 · f~2 = 0.
D’autre part le produit vectoriel f~1 ∧ f~2 est orthogonal à f~1 et f~2 . Il reste donc
à déterminer kf~1 ∧ f~2 k ce qui est fait par les égalités :
π
kf~1 ∧ f~2 k = kf~1 k × kf~2 k sin = 1.
2
puisque l’angle entre les vecteurs f~1 et f~2 est π2 .
4. (a) Par la question 3,
 √1 √1 √1

3 2 6
P =  √1 −1
√ √1  ·
3 2 6
√1 0 −2
√
3 6
(b) On calcule le produit matriciel

 √1 √1 √1   √1 √1 √1
  
3 3 3 3 2 6 1 0 0
t
PP =  √1 −1
√ 0   √13 −1
√ √1  = 0 1 0 = I3 .
2 2 2 6
√1 √1 −2
√ √1 0 −2
√ 0 0 1
6 6 6 3 6
(c) La question précédente implique l’égalité

 √1 √1 √1

3 3 3
P −1 = t P =  √1 −1
√ 0
2 2
√1 √1 −2
√
6 6 6
200
5. Par la formule de changement de base pour la matrice d’un endomorphisme, la

matrice de l’endomorphisme ψ dans la base (f~1 , f~2 , f~3 ) est donnée par le produit
matriciel
1
P −1 ( A)P
3
 √1 √1 √1     √1 √1 √1 
3 3 3 2 2 −1 3 2 6
1
=  √12 √ −1
0  −1 2 2   √1 √ −1 √1 
3 √1 √12 √ −2 2 −1 2 √1
3 2
−2
6
6 6 6 3
0 √
6
 √3 √3 √3   √1 √1 √1 
1 3 3 3 3 2 6
=  √32 0 √ −3   √1
2 3
−1
√
2
√1 
6
3 √ −3 √6 −3 √1 −2
6 6
√
6 3
0 √
6
 
3 0 0
1 3 9

= 0 2
√
2 3
3 0 −9 √ 9
2 3 6
 
1 0 √
0
= 0 1
2√ 2
3
·
3 1
0 −2 2
√
6. Or cos − π3 = 21 et sin − π3 = − 23 . Donc ψ est la rotation vectorielle d’axe la
droite D orientée par le vecteur (1, 1, 1) et d’angle − π3 .
Partie V. Étude d’une application affine

1. (a) Par définition de ρ, l’égalité ρ(M) = M est vérifiée si et seulement si (x, y, z)
est solution dy système

 X + 2Y − Z = 2
−X + Y + 2Z = 7

2X − Y + Z = 3.
(b) Soit Ω le point de E de coordonnées (1, 2, 3). Par la question I.1, F = {Ω}.
−−→
2. (a) Par définition des coordonnées d’un point, les coordonnées du vecteur OM
sont (x, y, z).
(b) Comme ρ(O) a pour coordonnées (−2, −7, −3), les coordonnés du vecteur
−−−−−−−→
ρ(O)ρ(M) sont (2x + 2y − z, −x + 2y + 2z, 2x − y + 2z).
201
→
−
(c) Par la question précédente, si ~u est un vecteur de E de coordonnées (x, y, z)
−−−−−−−−−→
dans la base (~ı , ~ , ~k), alors le vecteur ρ(O)ρ(O + ~u) a pour coordonnées (2x +
2y − z, −x + 2y + 2z, 2x − y + 2z).
→
− →
−
Il résulte alors de la question II.2 que l’application de E dans E donnée par
−−−−−−−−−→
~u 7→ ρ(O)ρ(O + ~u)
est l’application linéaire ϕ̃A dont la matrice dans la base (~ı , ~ , ~k) est la ma-
trice A.
3. Posons w ~ = ~ı + ~ + ~k. Soit ∆ la droite passant par Ω et de vecteur directeur
~ Comme la base (~ı , ~ , ~k) est une base orthonormée directe, il découle de la
w.
question précédente et de la question IV.8, que ρ~ = ϕ̃A = 3ψ̃ où ψ̃ est la rotation
→
−
vectorielle d’axe la droite ∆ orientée par w ~ et d’angle − π3 .
Soit h l’homothétie de rapport 3 et de centre Ω. Par definition h est affine
d’application linéaire associée 3Id− → et h(Ω) = Ω. Notons r la rotation d’axe ∆
E
π
orientée par w~ et d’angle − 3 . Par ce qui précède, on a ~r = ψ̃ et, comme Ω ∈ ∆,
on obtient l’égalité r(Ω) = Ω.
Donc ρ~ = ~h ◦ ~r = ~r ◦ ~h et ρ(Ω) = Ω = h ◦ r(Ω) = r ◦ h(Ω). Soit M ∈ E . Comme
ρ est une application affine, on a les égalités
−−→
ρ(M) = ρ(Ω) + ρ~ ΩM .
Les égalités précédentes donnent alors que
ρ(M) = r ◦ h(M) = h ◦ r(M).
202

Les documents, calculatrices, téléphones portables ainsi que
tous les autres dispositifs électroniques sont strictement inter-
dits. Toutes les réponses doivent être justifiées et la qualité de la
rédaction sera prise en compte.
Question de cours. Soit E un R-espace vectoriel et soit F = (− →
u1 , . . . , −
→) une famille
u n
finie de vecteurs de E. Définir : “F est libre ” et “F est génératrice ”.
Exercice 1 (Un système.). 1. Résoudre le système d’équations linéaires suivant en
appliquant la méthode du pivot de Gauss. Préciser les opérations effectuées.

 X − Y − Z = 2
2X − Y + Z = 3

X + Y + 7Z = 1
2. Vérifier les résultats obtenus.
Exercice 2 (Une base de R3 .). Soient les trois vecteurs de R3 définis par
→
−u = (1, 1, 1), →
−
v = (2, 2, 1), →
−
w = (3, 2, 1)
1. Montrer que la famille de vecteurs B = (−
→
u,−
→
v ,→
−
w ) est une base de R3 .
2. Soient a, b et c trois réels. Calculer les coordonnées du vecteur (a, b, c) dans la
base B.
Exercice 3 (Un sous-espace vectoriel de R3 .). On considère les vecteurs de R3 donnés
par
→
−
u1 = (1, 0, 1), −
→
u2 = (1, 2, −1), −
→
u3 = (3, 2, 1)
1. Soit v = (a, b, c) un vecteur de R . Montrer que −
→
− 3 →v est combinaison linéaire de
→
− →
− →
−
u , u et u si et seulement si les trois réels a, b et c satisfont une équation linéaire
1 2 3
que l’on précisera.
2. On pose V = Vect(− →
u1 , →
−
u2 , −
→
u3 ). Donner une base de V , et préciser sa dimension.
3. Quelle est la nature géométrique du sous-espace V = Vect(− →
u ,−
1
→
u ,→
−
u )?
2 3
Exercice 4 (Des polynômes.). On considère l’espace vectoriel R[X] des fonctions poly-
nomiales à coefficients réels.
On dit qu’une fonction polynômiale P de R[X] est
1. paire si elle satisfait P (x) = P (−x) pour tout réel x,
203
2. impaire si elle satisfait P (x) = −P (−x) pour tout réel x.

On note P l’ensemble des fonctions polynômiales de R[X] qui sont paires, et I
l’ensemble de celles qui sont impaires.
1. Donner un exemple de fonction polynômiale paire, et un exemple de fonction
polynômiale impaire.
2. Montrer que P et I sont des sous-espaces vectoriels de R[X].
3. Montrer que l’intersection de P et I est réduite au polynôme nul.
4. Montrer que si P1 et P2 sont deux polynômes pairs, que I1 et I2 sont deux poly-
nômes impairs tels que P1 + I1 = P2 + I2 , alors P1 = P2 et I1 = I2 .
5. Soit P un polynôme quelconque. Montrer que P s’écrit comme somme d’une
fonction polynomiale paire et d’une fonction polynomiale impaire.
Indication : considérer les deux fonctions polynomiales
P (x) + P (−x) P (x) − P (−x)
x 7−→ et x 7−→
2 2
6. Déduire des deux questions précédentes que toute fonction polynomiale s’écrit
d’une unique manière comme somme d’une fonction polynomiale paire et d’une
fonction polynomiale impaire.
7. Donner cette écriture pour le polynôme P = 1 + X + X 2 + X 3 .
204

Question de cours. La famille (~u1 , . . . , ~un ) est libre si et seulement si elle vérifie la
condition
n
X
n
∀(λ1 , . . . , λn ) ∈ R , λi ~ui = 0 =⇒ (λ1 = λ2 = · · · = λn = 0).
i=1
Cette famille est une famille génératrice de E si et seulement si tout vecteur de

l’espace vectoriel E est combinaison linéaire des vecteurs ~u1 , . . . , ~un .

 X − Y − Z = 2
2X − Y + Z = 3

X + Y + 7Z = 1.
On applique les transformations L2 ← L2 − 2L1 et L3 ← L3 − L1 :

 X − Y − Z = 2
Y + 3Z = −1

2Y + 8Z = −1.
Avec la transformation L3 ← L3 − 2L2 , on obtient le système échelonné :

 X − Y − Z = 2
Y + 3Z = −1
 2Z = 1.
En remplaçant Z par sa valeur 12 , on obtient le système :


 X − Y = 25
Y = − 52

Z = 21 .
Pour terminer, on remplace Y par sa valeur − 52 :


 X = 0
Y = − 25

Z = 12 .
Le système initial a donc une unique solution (0, − 25 , 21 ).
205



 0 − (− 52 ) − 1
2
= 4
2
=2
5 1 6
2×0 + + = =3


2
5
2
7
2
2
0 − 2
+ 2
= 2
= 1.
Donc (0, − 52 , 21 ) est bien solution du système.

Exercice 2. 1. Démontrons que (~u, ~v, w)
~ est une famille libre de R3 . Soit (λ, µ, ν) ∈
3
R . L’égalité
λ~u + µ~v + ν w ~ =0
se réécrit
λ(1, 1, 1) + µ(2, 2, 1) + ν(3, 2, 1) = 0
c’est-à-dire
(λ + 2µ + 3ν, λ + 2µ + 2ν, λ + µ + ν) = (0, 0, 0)
ce qui équivaut à ce que le triplet (λ, µ, ν) soit solution du système d’équations
linéaires sans second membre

 X + 2Y + 3Z = 0
X + 2Y + 2Z = 0

X + Y + Z = 0.
On effectue les transformations L2 ← L2 − L1 et L3 ← L3 − L1 qui donnent le
système

 X + 2Y + 3Z = 0
− Z = 0

− Y − 2Z = 0.
En remplaçant Z par sa valeur 0 on obtient le système

 X + 2Y = 0
Z = 0

− Y = 0
dont la seule solution est (0, 0, 0). Par conséquent, l’égalité λ~u + µ~v + ν w
~ = 0
implique λ = µ = ν = 0, ce qui prouve que la famille (~u, ~v, w)
~ est libre.
Comme il s’agit d’une famille de trois vecteurs de R et que dim(R3 ) = 3, cette
3
famille libre est une base de R3 .
206
2. Soient (x, y, z) les coordonnées du triplet (a, b, c) dans la base (~u, ~v , w).
~ Par défi-
nition des coordonnées, on a la relation
(a, b, c) = x~u + y~v + z w
~
qui se réécrit
(a, b, c) = (x + 2y + 3z, x + 2y + 2z, x + y + z).
Donc (x, y, z) est solution du système

 X + 2Y + 3Z = a
X + 2Y + 2Z = b

X + Y + Z = c.
On effectue les transformations L2 ← L2 − L1 et L3 ← L3 − L1 qui donne le
système

 X + 2Y + 3Z = a
− Z = b−a
 − Y − 2Z = c − a.
En remplaçant Z par sa valeur a − b on obtient le système

 X + 2Y = −2a + 3b
Z = a−b
 − Y = c − a + 2(a − b) = a − 2b + c.
Et en remplaçant Y par sa valeur on obtient

 X = −2a + 3b − 2(−a + 2b − c) = −b + 2c
Y = −a + 2b − c

Z = a − b.
Donc les coordonnées de (a, b, c) dans la base (~u, ~v, w)
~ sont données par (x, y, z) =
(−b + 2c, −a + 2b − c, a − b).
Exercice 3. 1. Le vecteur ~v = (a, b, c) est combinaison linéaire des vecteurs
(~u1 , ~u2 , ~u3) si et seulement s’il existe un triplet (λ, µ, ν) tel que
~v = λ~u1 + µ~u2 + ν~u3
ce qui équivaut à
(a, b, c) = (λ + µ + 3ν, 2µ + 2ν, λ − µ + ν)
207
et donc à ce que (λ, µ, ν) soit solution du système :


 X + Y + 3Z = a
2Y + 2Z = b

X − Y + Z = c.
Avec l’opération L3 ← L3 − L1 , on obtient le système équivalent

 X + Y + 3Z = a
2Y + 2Z = b

− 2Y − 2Z = c − a.
L’opération L2 ← L3 + L2 donne alors le système échelonné

 X + Y + 3Z = a
2Y + 2Z = b

0 = −a + b + c.
On distingue alors deux cas.
— Si −a + b + c 6= 0, alors le système n’a pas de solution, donc, dans ce cas le
vecteur ~v n’est pas combinaison linéaire des vecteurs ~u1 , ~u2 , ~u3.
— Si −a + b + c = 0, alors le système possède une infinité de solutions et ~v est
combinaison linéaire de ~u1 , ~u2, ~u3 .
Donc le triplet (a, b, c) est combinaison linéaire des vecteurs ~u1 , ~u2 et ~u3 si et
seulement s’il vérifie l’équation linéaire −a + b + c = 0.
2. Comme le déterminant | 10 12 | = 2 6= 0, les vecteurs ~u1 et ~u2 ne sont pas colinéaires.
Donc (~u1 , ~u2 ) est une famille libre de V et dim(V ) > 2. Or V ⊂ R3 et V 6= R3
par la question 1. Donc dim(V ) 6 2. Cela prouve que dim(V ) = 2 et que (~u1, ~u2 )
est une base de V .
3. Par la question précédente, le sous-espace V est un plan vectoriel.
Exercice 4. 1. La fonction constante nulle est une application polynomiale à la fois
paire et impaire.
2. Par la question précédente 0 ∈ P et 0 ∈ I .
Soient P, Q ∈ P. Alors
(P + Q)(−x) = P (−x) + Q(−x) = P (x) + Q(x) = (P + Q)(x)
pour tout nombre réel x, ce qui prouve que P + Q ∈ P et P est stable par
addition.
Soit P ∈ P et soit λ ∈ R. Alors
(λP )(−x) = λP (−x) = λP (x) = (λP )(x)
208
pour tout x ∈ R. Par conséquent λP ∈ P et P est stable pour la multiplication

par un nombre réel.
De même, soient P, Q ∈ I . Alors
(P + Q)(−x) = P (−x) + Q(−x) = −P (x) − Q(x) = −(P + Q)(x)
pour tout nombre réel x, ce qui prouve que P + Q ∈ I et I est stable par
addition.
Soit P ∈ I et soit λ ∈ R. Alors
(λP )(−x) = λP (−x) = λ × (−P (x)) = −(λP )(x)
pour tout x ∈ R. Par conséquent λP ∈ I et I est stable pour la multiplication
par un nombre réel.
Donc P et I sont des sous-espaces vectoriels de R[X].
3. Soit P ∈ P ∩ I . Alors P (x) = P (−x) = −P (x) pour tout x ∈ R, ce qui prouve
que P (x) = 0 pour tout x ∈ R. Donc P est l’application constante nulle. Donc
P ∩ I = {0}.
4. Soient P1 , P2 ∈ P et soient I1 , I2 ∈ I . Supposons que P1 + I1 = P2 + I2 . Alors
P1 − P2 = I2 − I1 . Mais par la question 2, P1 − P2 ∈ P et I2 − I1 ∈ I . Donc
l’application polynomiale P1 − P2 = I2 − I1 appartient à l’intersection P ∩ I et
donc est l’application constante nulle par la question précédente. Autrement dit,
P1 = P2 et I1 = I2 .
5. Soient d ∈ N et ad , . . . , a0 ∈ R tels que
P (x) = ad xd + · · · + a1 x + a0
pour tout x ∈ R. Alors
P (−x) = (−1)d ad xd + · · · − a1 x + a0
pour tout x ∈ R, ce qui prouve que l’application x 7→ P (−x) est également
polynomiale.
L’application x 7→ P (x)+P
2
(−x)
est polynomiale et vérifie
P (−x) + P (−(−x)) P (x) + P (−x)
=
2 2
pour tout x ∈ R. Elle est donc paire. De même l’application x 7→ P (x)−P 2
(−x)
est
P (x)+P (−x) P (x)−P (−x)
polynomiale et impaire. Comme P (x) = 2
+ 2
pour tout x ∈ R,
on obtient bien que R[X] = P + I .
6. L’existence résulte de la question précédente, l’unicité de la question 4.
209
7. On a 1 + X + X 2 + X 3 = (1 + X 2 ) + (X + X 3 ) où 1 + X 2 est paire et X + X 3
impaire.
210

sont interdits.
La clarté, la concision et la précision des réponses données se-
ront des facteurs importants d’appréciation des copies. On justi-
fiera chaque réponse donnée.
Question de cours. Soient E et F des espaces vectoriels réels et soit ϕ : E → F une
application linéaire. Définir le noyau de ϕ.
linéaires

 X + Y + Z = 2
X + 2Y + 2Z = 3

X − Y + Z = 6.

Exercice 2. Soient H = { (x, y, z, t) ∈ R4 | x + y + z + t = 0 } et ~u = (1, 1, 1, 1).
1. Prouver que H est un sous-espace vectoriel de R4 . Déterminer sa dimension.
2. Démontrer que R4 est la somme directe de H et de D = Vect(~u).
3. Soit (x, y, z, t) ∈ R4 . Trouver λ ∈ R tel que (x − λ, y − λ, z − λ, t − λ) ∈ H.
4. Écrire, dans la base usuelle de R4 , la matrice de la projection sur H parallèlement
à D.
Exercice 3. Soit f : R3 → R3 l’application linéaire donnée par (x, y, z) 7→ (x, x +
y, x + y + z).
1. Déterminer la matrice de f dans la base usuelle de R3 . On note A cette matrice.
2. Calculer les matrices A2 et A3 .
3. Déterminer le noyau de f .
4. La matrice A est-elle inversible ? Si c’est le cas, trouver son inverse.
5. Déterminer le noyau de f − IdR3 .
211
Q
6. Rappelons que An désigne le produit matriciel ni=1 A. Prouver par récurrence
que pour tout entier n > 1, il existe un entier an ∈ N tel que
 
1 0 0
An =  n 1 0
an n 1
et exprimer an+1 en termes de an .
7. Calculer an pour tout entier n > 1.
Exercice 4. On rappelle que R[X]6d désigne l’espace vectoriel des applications poly-
nomiales de degré inférieur ou égal à d, et que la famille bd = (1, X, . . . , X d ) est une
base de cet espace vectoriel. Dans tout cet exercice, les coordonnées seront relatives à
cette base.
1. Soit D4 l’application de R[X]64 dans R[X]63 qui à une application polynomiale
P associe sa dérivée P ′ .
(a) Prouver que l’application D4 est linéaire.
(b) Calculer D4 (X i ) pour i ∈ {0, 1, 2, 3, 4}.
(c) Donner la matrice de D4 dans les bases b4 et b3 .
2. Soit m3 l’application de R[X]63 dans R[X]64 qui à une application polynomiale
P associe l’application polynomiale XP : R → R donnée par x 7→ xP (x).
(a) Prouver que l’application m3 est linéaire.
(b) Donner la matrice de m3 dans les bases b3 et b4 .
3. Donner la matrice de la composée m3 ◦ D4 dans la base b4 .
4. Soit λ ∈ R. Discuter suivant la valeur de λ la dimension du noyau de l’application
linéaire m3 ◦ D4 − λIdR[X]64 .
5. Soit λ ∈ R. Discuter suivant la valeur de λ la nature géométrique de l’ensemble
{ P ∈ R[X] | XP ′ = λP }.
212

Question de cours. Le noyau de l’application linéaire ϕ est le sous-espace vectoriel
de E défini par
n
→o
−
Ker(ϕ) = ~u ∈ E ϕ(~u) = 0 .
Exercice 1. 1. On souhaite résoudre le système


 X + Y + Z = 2
X + 2Y + 2Z = 3

X − Y + Z = 6.
On commence par effectuer les opérations L2 ← L2 − L1 et L3 ← L3 − L1 , ce qui
donne le système équivalent :

 X + Y + Z = 2
Y + Z = 1

− 2Y = 4.
On remplace Y par sa valeur −2, ce qui donne

 X + Z = 4
Z = 3

Y = −2.
Le système a donc une unique solution (1, −2, 3).
2. Vérifions que ce triplet vérifie le système initial

 1 − 2 + 3 = 2
1 + 2 × (−2) + 2×3 = 1−4+6= 3

1 − (−2) + 3 = 6.
Donc le triplet (1, −2, 3) est bien solution du système.
Exercice 2. 1. L’application de R4 dans R donnée par (x, y, z, t) 7→ x + y + z + t
est une forme linéaire non nulle. Comme H est le noyau de cette forme linéaire,
c’est donc un hyperplan de R4 . C’est donc un sous-espace vectoriel de dimension
dim(R4 ) − 1 = 4 − 1 = 3.
→
−
2. Comme ~u 6= 0 , l’espace vectoriel engendré par ~u, c’est-à-dire D, est une droite
vectorielle. Par conséquent, dim(H) + dim(D) = dim(R4 ).
213
Déterminons l’intersection D∩H. Soit ~v ∈ D∩H. Comme ~v ∈ Vect(~u), il existe

λ ∈ R tel que ~v = λ~u = (λ, λ, λ, λ). Comme ~v ∈ H, on a que λ + λ + λ + λ = 0,
→
− →
−
autrement dit, 4λ = 0. Donc λ = 0 et ~v = 0 . Donc D ∩ H = { 0 }.
→
−
Comme dim(D) + dim(H) = dim(R4 ) et que D ∩ H = { 0 }, l’espace vectoriel
R4 est la somme directe de D et de H.
3. Le quadruplet (x − λ, y − λ, z − λ, t − λ) appartient à H si et seulement si
(x − λ) + (y − λ) + (z − λ) + (t − λ) = 0
x+y+z+t
ce qui équivaut à x + y + z + t = 4λ. et donc à λ = 4
.
4. Notons p la projection sur H parallèlement à D. Soit ~v = (x, y, z, t) ∈ R4 . Par la
question précédente,
x+y+z+t
~v − ~u ∈ H.
4
Comme x+y+z+t
4
~u ∈ D, cela prouve que
x+y+z+t
p(~v ) = ~v − ~u.
4
Autrement dit, p(x, y, z, t) est le quadruplet
x+y+z+t x+y+z+t x+y+z+t x+y+z+t

x− ,y − ,z − ,t− .
4 4 4 4
Si e désigne la base usuelle de R4 , on obtient
 3 1 1 1

4
− 4
− 4
− 4
 −1 3 −1 −1 
 4 4 4 4 .
Mate (p) =  1 
 − 4 − 4 4 − 14 
1 3
− 41 − 14 − 14 34
Exercice 3. 1. Comme f (1, 0, 0) = (1, 1, 1), f (0, 1, 0) = (0, 1, 1) et f (0, 0, 1) =
(0, 0, 1), la matrice de l’application f dans la base usuelle est donnée par
 
1 0 0
A = 1 1 0 .
1 1 1
2. On obtient
   
1 0 0 1 0 0
A2 = A × A = 2 1 0 et A = A × A2 = 3 1 0 .
3 2 1 6 3 1
214
3. Un triplet (x, y, z) ∈ R3 appartient au noyau de f si et seulement si f (x, y, z) =

(0, 0, 0), ce qui signifie que (x, y, z) est solution du système

 X = 0
X + Y = 0

X + Y + Z = 0.
→
−
qui admet (0, 0, 0) comme unique solution Donc Ker(f ) = { 0 }.
→
−
4. Comme Ker(f ) = { 0 }, l’endomorphisme est injectif. Il résulte alors du théorème
du rang que f est un isomorphisme d’espace vectoriel. Par conséquent sa matrice
A est inversible. Pour calculer son inverse on considère la matrice augmentée
 
1 0 0 1 0 0
 1 1 0 0 1 0 .

1 1 1 0 0 1
On effectue les opérations L2 ← L2 − L1 et L3 ← L3 − L1 qui donne la matrice
 
1 0 0 1 0 0
0 1 0 −1 1 0 .
0 1 1 −1 0 1
On applique alors la transformation L3 ← L3 − L2 qui donne
 
1 0 0 1 0 0
 0 1 0 −1 1 0 .

0 0 1 0 −1 1
Donc  
1 0 0
A−1 = −1 1 0 .
0 −1 1
5. L’application f − IdR3 est donnée par (x, y, z) 7→ (0, x, x + y). Donc un triplet
(x, y, z) appartient au noyau de f −IdR3 si et seulement s’il est solution du système

 0 = 0
X = 0

X + Y = 0.
qui équivaut à X = Y = 0. Donc Ker(f − IdR3 ) = { (0, 0, λ), λ ∈ R } c’est donc
la droite vectorielle engendrée par le triplet (0, 0, 1).
215

1 0 0
6. Initialisation. Comme A = 1 1 0 l’assertion est vraie pour n = 1 avec a1 = 1.
1 1 1
Hérédité. Supposons que le résultat est vrai pour n, c’est-à-dire que
 
1 0 0
An =  n 1 0
an n 1
pour un entier an > 0. Alors
    
1 0 0 1 0 0 1 0 0
An+1 = A × An = 1 1 0  n 1 0 =  n + 1 1 0
1 1 1 an n 1 an + n + 1 n + 1 1
Ce qui prouve que l’assertion vaut pour n + 1 avec an+1 = an + n + 1.
Par récurrence le résultat est valide pour tout n ∈ N et an+1 = an + n + 1 pour
tout n ∈ N.
7. On a la relation
n−1
X Xn
n(n + 1)
an = (n + 1) = n=
k=0 k=1
2
pour tout n ∈ N.
Exercice 4. 1. (a) Soient P et Q ∈ R[X]64. Alors
D4 (P + Q) = (P + Q)′ = P ′ + Q′ = D4 (P ) + D4 (Q).
Donc D4 est compatible avec l’addition.
Soient λ ∈ R et P ∈ R[X]64 Alors
D4 (λP ) = (λP )′ = λP ′ = λD4 (P ).
Donc D4 est compatible avec la multiplication par un nombre réel.
Donc D4 est linéaire.
(b) On a D4 (1) = 0 et la relation
D4 (X i ) = iX i−1
pour tout i ∈ {1, 2, 3, 4}.
(c) Par la question précédente,
 
0 1 0 0 0
0 0 2 0 0
Matb4 ,b3 (D4 ) = 
0

0 0 3 0
0 0 0 0 4
216
2. (a) Soient P et Q ∈ R[X]63 . Alors
∀x ∈ R, x((P + Q)(x)) = x(P (x) + Q(x)) = xP (x) + xQ(x).
Donc X(P + Q) = XP + XQ, ce qui prouve que m3 est compatible avec

l’addition.
Soient λ ∈ R et P ∈ R[X]63 . Alors
∀x ∈ R, x((λP )(x)) = x(λP (x)) = λxP (x)
ce qui prouve que m3 est compatible avec la multiplication par un nombre

réel.
Donc m3 est linéaire.
(b) Comme X × X i = X i+1 , la matrice de m3 est donnée par
 
0 0 0 0
1 0 0 0
 
Matb3 ,b4 (m3 ) = 
0 1 0 0 
0 0 1 0
0 0 0 1
3. Compte tenu des matrices données dans les questions 1.(c) et 2.(b),
Matb4 (m3 ◦ D4 ) = Matb3 ,b4 (m3 ) × Matb4 ,b3 (D4 )

   
0 0 0 0   0 0 0 0 0
 1 0 0 0 0 1 0 0 0 0 1 0 0 0
  0 0 2 0 0  
=  0 1 0 0 

 = 0 0 2 0 0.
 0 0 1 0 0 0 0 3 0  0 0 0 3 0
0 0 0 0 4
0 0 0 1 0 0 0 0 4
4. La matrice de l’endomorphisme m3 ◦ D4 − λIdR[X]64 dans la base b4 est

 
−λ 0 0 0 0
 0 1−λ 0 0 0 
 
 0 0 2 − λ 0 0 .
 
 0 0 0 3−λ 0 
0 0 0 0 4−λ
217
Soit (a0 , a1 , a2 , a3 , a4 ) ∈ R5 . L’application polynomiale a0 1+a1 X +a2 X 2 +a3 X 3 +

a4 X 4 appartient au noyau de m3 ◦ D4 − λIdR[X]64 si et seulement si


 −λa0 = 0


 (1 − λ)a1 = 0
(2 − λ)a2 = 0



 (3 − λ)a3 = 0
 (4 − λ)a = 0.
4
Premier cas. Si λ 6∈ {0, 1, 2, 3, 4}, le système implique que a0 = a1 = a2 = a3 =

a4 = 0 donc, dans ce cas,
Ker(m3 ◦ D4 − λIdR[X]64 ) = {0}
et la dimension de ce noyau est nulle.
Deuxième cas. Si λ est un entier i ∈ {0, 1, 2, 3, 4}, alors le système équivaut à
la condition
aj = 0 pour tout j ∈ {0, 1, 2, 3, 4} {i}.
Donc dans ce cas,
Ker(m3 ◦ D4 − λIdR[X]64 ) = {µX i , µ ∈ R} = Vect(X i ).
Donc dans ce cas le noyau est une droite vectorielle de dimension 1.
5. Soit λ ∈ R. Notons
Eλ = { P ∈ R[X] | XP ′(X) = λP (X) }.
Pd
Soit P ∈ R[X]. Il existe d ∈ N et (a0 , . . . , ad ) ∈ Rd+1 tels que P = k=0 ak X k .
La condition P ∈ Eλ équivaut à la relation
d
X
(k − λ)ak X k = 0.
k=0
Comme la famille (1, X, . . . , X d ) est libre cela équivaut à la condition

(35) (k − λ)ak = 0 pour tout k ∈ {0, . . . , d}.
Premier cas : λ 6∈ N. Dans ce cas la relation précédente implique ak = 0 pour
k ∈ {0, . . . , d} et donc P = 0. Dans ce cas, l’ensemble
{ P ∈ R[X] | XP ′ = λP }
ne contient donc que l’application constante nulle.
218
Deuxième cas : λ est un entier m ∈ N. Dans ce cas, la condition (35) s’écrit

ak = 0 pour tout k ∈ {0, . . . , d} {m}.
Donc
Eλ = {µX m , µ ∈ R}.
C’est donc la droite vectorielle engendrée par X m .
219
Énoncé seconde session 2021 Annales App. 1
Énoncé seconde session 2021

sont interdits.
Question de cours. Énoncer le théorème du rang.
linéaires 
 X + Y + Z = 0
X + 2Y + 3Z = −4
 X − Y − Z = 2.

Exercice 2. On note e = (~e1 , ~e2 , ~e3 ) la base usuelle de R3 . On se donne les vecteurs
f~1 = (1, 0, 1), f~2 = (0, 1, 2) et f~3 = (1, 0, −1) de R3 .
1. Prouver que f = (f~1 , f~2 , f~3 ) est une base de R3 .
2. Écrire la matrice de passage Pef de e à f .
3. Calculer la matrice de passage Pfe de f à e.
4. Soient a, b et c des nombres réels. Donner les coordonnées du triplet (a, b, c) dans
la base f .
Exercice 3. Soit f : R3 → R3 l’application linéaire donnée par (x, y, z) 7→ (y + z, z +
x, x + y)
3. Écrire la matrice A2 comme combinaison linéaire de I3 et A.
4. Déterminer le noyau de f .
5. La matrice A est-elle inversible ? Si c’est le cas, trouver son inverse (On pourra
éventuellement utiliser la question 3).
6. Soit λ ∈ R. Prouver que l’ensemble
Eλ = { ~u ∈ R3 | f (~u) = λ~u }
220
MAT201 Annales Énoncé seconde session 2021
est un sous-espace vectoriel de R3 .

7. Déterminer la dimension de E2 et E−1 , donner une base de chacun de ces sous-
espaces.
8. (a) Démontrer qu’il existe une base (~u1 , ~u2 , ~u3 ) de R3 telle que
f (~u1) = −~u1 , f (~u2 ) = −~u2 et f (~u3) = 2~u3 .
(b) Prouver qu’il existe une matrice inversible P ∈ M3 (R) dont on donnera les
coefficients telle que
 
−1 0 0
 0 −1 0 = P −1 AP.
0 0 2
Q
9. Rappelons que An désigne le produit matriciel ni=1 A.
(a) En utilisant un raisonnement par récurrence prouver que
 n
−1 0 0
An = P  0 −1 0 P −1
0 0 2
pour tout entier n > 1.
(b) Calculer explicitement An pour tout n ∈ N.
Exercice 4. On rappelle que R[X]6d désigne l’espace vectoriel des applications polyno-
miales de degré inférieur ou égal à d, et que la famille de d+1 applications polynomiales
bd = (1, X, . . . , X d ) est une base de cet espace vectoriel. On rappelle la formule du bi-
nôme de Newton : si a, b ∈ R, alors
Xn
n n k n−k
(a + b) = a b .
k
k=0
Pour tout entier d ∈ N, on considère l’application polynomiale Bd ∈ R[X] définie par

Qd
(x − i)
Bd (x) = i=1
d!
pour tout x ∈ R. En particulier B0 est l’application constante de valeur 1.
1. Exprimer B1 (resp. B2 ) comme combinaison linéaire des vecteurs de la base b1
(resp. b2 ).
2. Soit P ∈ R[X]6d prouver que l’application P (X + 1) − P (X) : R → R qui envoie
un nombre réel x sur P (x + 1) − P (x) appartient à R[X]6d−1 .
221
On note ∆d : R[X]6d → R[X]6d−1 l’application qui à P associe P (X + 1) − P (X).

2. Démontrer que l’application ∆d est linéaire.
3. Donner la matrice Matb4 ,b3 (∆4 ).
4. Soit d un entier > 1. Exprimer ∆d (Bd ) en termes de Bd−1 .
5. Soit d ∈ N.
(a) On suppose que d > 1. Prouver que
R[X]6d = R[X]6d−1 + Vect(Bd ).
(b) Prouver que (1, B1 , B2 , . . . , Bd ) forme une base de R[X]6d . (indication : on
pourra procéder par récurrence sur d pour prouver que la famille est généra-
trice).
6. Déterminer le noyau de ∆d .
7. Prouver que ∆d est surjective.
222
MAT201 Annales Corrigé seconde session 2021
Corrigé seconde session 2021

Question de cours . Soient E et F des R espaces vectoriels. Soit ϕ : E → F une
application linéaire. Les assertions suivantes sont équivalentes :
(i) L’espace E est de dimension finie ;
(ii) L’espace Ker(ϕ) est de dimension finie et ϕ est de rang fini.
Si ces assertions sont vérifiées, alors
dim(E) = dim(Ker(ϕ)) + rg(ϕ)

 X + Y + Z = 0
X + 2Y + 3Z = −4

X − Y − Z = 2.

 X + Y + Z = 0
Y + 2Z = −4

− 2Y − 2Z = 2.
avec la transformation L3 ← L3 + 2L2 on obtient le système échelonné

 X + Y + Z = 0
Y + 2Z = −4
 2Z = −6.
On remplace Z par sa valeur −3, ce qui donne

 X + Y = 3
Y = 2

Z = −3.
Donc le système a une unique solution (1, 2, −3).
2. Vérifions que ce triplet vérifie le système initial

 1 + 2 + (−3) = 0
1 + 2 × 2 + 3 × (−3) = 1 + 4 − 9 = −4

1 − 2 − (−3) = 2.
Donc le triplet (1, 2, −3) est bien solution du système.
223
Corrigé seconde session 2021 Annales App. 1

Exercice 2. 1. Vérifions que la famille f~1 , f~2 , f~3 est libre. Soient x, y et z des
nombres réels. La relation
xf~1 + y f~2 + z f~3 = ~0
équivaut à
x(1, 0, 1) + y(0, 1, 2) + z(1, 0, −1) = (0, 0, 0)
et donc à
(x + z, y, x + 2y − z) = (0, 0, 0).
Cette égalité est vraie si et seulement si (x, y, z) est solution du système

 X + Z = 0
Y = 0

X + 2Y − Z = 0.
En remplaçant Y par sa valeur, on obtient le système

 X + Z = 0
Y = 0

X − Z = 0.
L’opération L3 ← L3 − L1 fournit le système équivalent

 X + Z = 0
Y = 0

− 2Z = 0.
Dont la seule solution est (0, 0, 0). Donc la famille (f~1 , f~2 , f~3 ) est libre. Comme il
s’agit d’une famille de 3 vecteurs de R3 qui est de dimension 3, c’est une base.
2. La matrice de passage de e à f a pour colonnes les composantes des vecteurs f~i ,
ce qui donne la matrice
 
1 0 1
Pef = 0 1 0 
1 2 −1
3. On a la relation Pfe = (Pef )−1 et on calcule l’inverse à l’aide de la méthode du

pivot de Gauss.  
1 0 1 1 0 0
0 1 0 0 1 0 .

1 2 −1 0 0 1
224
On effectue la transformation L3 ← L3 − L1 qui donne

 
1 0 1 1 0 0
0 1 0 0 1 0 .

0 2 −2 −1 0 1
puis L3 ← L3 − 2L2
 
1 0 1 1 0 0
0 1 0 0 1 0 .

0 0 −2 −1 −2 1
Ensuite, on divise la troisième ligne par −2 qui donne
 
1 0 1 1 0 0
0 1 0 0 1 0 .
0 0 1 12 1 −1
2
Pour terminer l’opération L1 ← L1 − L3 donne la matrice augmentée

 
1 0 0 12 −1 12
0 1 0 0 1 0 .
0 1
0 1 2 1 − 12
Donc 1 
1
2
−1 2
Pfe =  0 1 0 
1
2
1 − 12
Vérification
1 1
   
2
−1 2
1 0 1 1 0 0
0 1 0  0 1 0  = 0 1 0
1
2
1 − 12 1 2 −1 0 0 1
4. Par la formule de changement de bases, les coordonnées de (a, b, c) dans la nouvelle
base sont données par
1    1 
2
−1 12 a 2
a − b + 21 c
0 1 0  b =  b 
1 1 1 1
2
1 −2 c 2
a + b − 2c
Donc ces coordonnées sont
1 1 1 1
( a − b + c, b, a + b − c).
2 2 2 2
225
Exercice 3. 1. Les images des vecteurs de la base usuelle sont f (1, 0, 0) = (0, 1, 1),
f (0, 1, 0) = (1, 0, 1) et f (0, 0, 1) = (1, 1, 0), ce qui donne la matrice
 
0 1 1
A = 1 0 1 .
1 1 0
2. On obtient  2  
0 1 1 2 1 1
A2 = 1 0 1 = 1 2 1
1 1 0 1 1 2
et     
0 1 1 2 1 1 2 3 3
A3 = 1 0 1 1 2 1 = 3 2 3
1 1 0 1 1 2 3 3 2
3. Par la question précédente, A2 = 2I3 + A.
4. Un triplet de nombres réels (x, y, z) appartient au noyau de f si et seulement si
c’est une solution du système

 Y + Z = 0
X + Z = 0

X + Y = 0.
On échange les lignes 1 et 3 :

 X + Y = 0
X + Z = 0

Y + Z = 0.
Puis on effectue L2 ← L2 − L1

 X + Y = 0
− Y + Z = 0

Y + Z = 0.
Puis L3 ← L3 + L2 qui donne

 X + Y = 0
− Y + Z = 0

2Z = 0.
dont la seule solution est (0, 0, 0). Par conséquent Ker(f ) = {~0}.
226
5. Par la question 3, A2 − A = 2I3 . Donc A( 12 A − 21 I3 ) = I3 . Donc A est inversible

d’inverse 12 A − 21 I3 c’est-à-dire :
 1 1 1

−2 2 2
 1 −1 1 
2 2 2
1 1
2 2
− 12
Vérification.
   1 1 1
  
0 1 1 −2 2 2
1 0 0
1 0 1 .  1 − 1 1  = 0 1 0
2 2 2
1 1
1 1 0 2 2
− 21 0 0 1
6. Par construction Eλ est le noyau de l’endomorphisme f − λIdR3 . C’est donc un
sous-espace vectoriel de R3 .
7. Soit (x, y, z) ∈ R3 .
Le triplet (x, y, z) appartient à E2 si et seulement s’il est solution du système

 Y + Z = 2X
X + Z = 2Y

X + Y = 2Z.
c’est-à-dire 
 −2X + Y + Z = 0
X − 2Y + Z = 0
 X + Y − 2Z = 0.
Pour éviter les dénominateurs on échange les deux premières lignes :

 X − 2Y + Z = 0
−2X + Y + Z = 0

X + Y − 2Z = 0.
Puis on effectue L2 ← L2 + 2L1 et L3 ← L3 −L1 qui donne le système équivalent :

 X − 2Y + Z = 0
− 3Y + 3Z = 0

3Y − 3Z = 0.
Avec l’opération L3 ← L3 + L2 , on obtient le système échelonné

 X − 2Y + Z = 0
− 3Y + 3Z = 0

0 = 0.
227
dont les inconnues principales sont X et Y et la variable libre Z. Le système se

réécrit alors
X = Z
Y = Z.
Donc l’ensemble des solutions est donné par
E2 = { (λ, λ, λ), λ ∈ R } = Vect((1, 1, 1)).
Donc E2 est la droite vectorielle dont une base est ((1, 1, 1)).
Le triplet (x, y, z) appartient à E−1 si et seulement s’il est solution du système

 Y + Z = −X
X + Z = −Y

X + Y = −Z.
c’est-à-dire 
 X + Y + Z = 0
X + Y + Z = 0
 X + Y + Z = 0.
Ce système est équivalent à l’équation X + Y + Z = 0. Donc
E−1 = { (x, y, z) ∈ R3 | x + y + z = 0 }.
Comme l’application (x, y, z) 7→ x + y + z est une forme linéaire non nulle, son
noyau E−1 est un hyperplan de R3 , donc dim(E−1 ) = 2. Comme (1, −1, 0) et
(0, 1, −1) sont des vecteurs non colinéaires de E−1 , ils forment une base de ce
plan.
8. (a) Prenons ~u1 = (1, −1, 0), ~u2 = (0, 1, −1) et ~u3 = (1, 1, 1). Alors par la question
7, on a les relations
f (~u1 ) = −~u1 , f (~u2) = −~u2 , etf (~u3) = 2~u3 .
Soient (x, y, z) ∈ R3 . Si x~u1 + y~u2 + z~u3 = ~0 alors (x, y, z) est solution du
système : 
 X + Z = 0
−X + Y + Z = 0

− Y + Z = 0.
En faisant L3 ← L3 + L2 on obtient le système équivalent

 X + Z = 0
Y + 2Z = 0

− Y + Z = 0.
228
Puis L3 ← L3 + L2 donne

 X + Z = 0
Y + 2Z = 0

3Z = 0.
Dont l’unique solution est (0, 0, 0). Donc (~u1 , ~u2 , ~u3) est libre. C’est donc une
base de R3 .
(b) Soit u la base (~u1 , ~u2, ~u3 ) et posons
 
1 0 1
P = Peu = −1 1 1 .
0 −1 1
Par la formule de changement de base,
 
−1 0 0
P −1 AP = Matu (f ) =  0 −1 0 .
0 0 2
9. (a) Initialisation. Prouvons d’abord le résultat pour n = 1. On part de la relation
 
−1 0 0
P −1 AP = Matu (f ) =  0 −1 0
0 0 2
En multipliant cette égalité à droite par P et à gauche par P −1, on obtient
 
−1 0 0
A = (P P −1 )A(P P −1) = P (P −1AP )P −1 = P  0 −1 0 P −1.
0 0 2
Hérédité Supposons le résultat vrai pour n. Alors
 n
−1 0 0
An = P  0 −1 0 P −1 .
0 0 2
En utilisant le cas n = 1, on obtient les égalités
   n  n+1
−1 0 0 −1 0 0 −1 0 0
An+1 = AAn = P  0 −1 0 P −1 P  0 −1 0 P −1 = P  0 −1 0 P −1
0 0 2 0 0 2 0 0 2
Donc le résultat vaut pour n + 1.
229
Conclusion. Par le principe de récurrence,

 n
−1 0 0
An = P  0 −1 0 P −1
0 0 2
pour tout entier n > 1.
(b) Cherchons l’inverse de P . On part de la matrice augmentée :
 
1 0 1 1 0 0
 −1 1 1 0 1 0 .

0 −1 1 0 0 1
On effectue L2 ← L2 + L1
 
1 0 1 1 0 0
 0 1 2 1 1 0 .

0 −1 1 0 0 1
Puis L3 ← L3 + L2
 
1 0 1 1 0 0
 0 1 2 1 1 0 .

0 0 3 1 1 1
On divise la troisième ligne par 3 :
 
1 0 1 1 0 0
0 1 2 1 1 0  .
0 0 1 1 1 1
3 3 3
Pour terminer, on effectue L1 ← L1 − L3 et L2 ← L2 − 2L3 .

 
1 0 0 23 −1
3
−1
3
0 1 0 13 13 −2
3
.
0
0 1 3 3 1 1 1
3
Vérification
2 −1 −1
   
3 3 3
1 0 1 1 0 0
1 1 −2  
−1 1 1 = 0 1 0 .
3 3 3
1 1 1
3 3 3
0 −1 1 0 0 1
230
Donc
   
1 0 1 (−1)n 0 0 2 −1 −1
1
An = −1 1 1  0 (−1)n 0  1 1 −2
3 0 −1 1 0 0 2n 1 1 1
   
(−1)n 0 2n 2 −1 −1
1
= (−1) n+1
(−1) n
2n  1 1 −2
3 0 (−1)n+1 2n 1 1 1
 n n n+1 n n+1

2(−1) + 2 (−1) + 2 (−1) + 2n
1
= (−1)n+1 + 2n 2(−1)n + 2n (−1)n+1 + 2n 
3 (−1)n+1 + 2n (−1)n+1 + 2n 2(−1)n + 2n
Exercice 4. 1. On a
X −1
B1 = =X −1
1!
et
(X − 1)(X − 2) 1 3
B2 = = X 2 − X + 1.
2! 2 2
2. Soit P ∈ R[X]6d , alors il existe a0 , . . . ad ∈ R tels que
d
X
P = ai X i
i=0
Soit x ∈ R. On peut alors écrire

d
X
P (x + 1) − P (x) = ai (x + 1)i − xi
i=0
d i−1
!
X X i
= ai xk
k
i=0 k=0
!
d−1
X X i
d
= ai xk
k
k=0 i=k+1
ce qui prouve que P (X + 1) − P (X) est polynomiale de degré 6 d − 1.

2. Soient P et Q ∈ R[X]6d . Pour tout x ∈ R, on a
(P +Q)(x+1)−(P +Q)(x) = P (x+1)+Q(x+1)−P (x)−Q(x) = P (x+1)−P (x)+Q(x+1)−Q(x).
231
Autrement dit,
(P + Q)(X + 1) − (P + Q)(X) = P (X + 1) − P (X) + Q(X + 1) − Q(X),
ce qui prouve que ∆d est compatible avec l’addition.
Soit P ∈ R[X]6d et soit λ ∈ R. Pour tout x ∈ R,
(λP )(x + 1) − (λP )(x) = λ(P (x + 1) − P (x)).
Donc ∆d est compatible avec la multiplication par un nombre réel. Cette appli-
cation est donc linéaire.
3. Comme ∆4 (1) = 0, ∆4 (X) = 1, ∆4 (X 2 ) = 2X + 1, ∆4 (X 3 ) = 3X 2 + 3X + 1 et
∆4 (X 4 ) = 4X 3 + 6X 2 + 4X + 1, la matrice est
 
0 1 1 1 1
0 0 2 3 4
Matb4 ,b3 (∆4 ) = 
0 0 0 3 6

0 0 0 0 4
4. Par définition de Bd ,
Qd Qd
i=1 (X + 1 − i) − i=1 (X − i)
∆d (Bd ) =
d!
Qd−1 Qd Q
j=0 (X − j) − i=1 (X − i) (X − X − d) d−1
i=1 (X − i)
= = = −Bd−1 .
d! d!
5. (a) Soit P ∈ R[X]6d et soient (a0 , . . . , ad ) ses coordonnées dans la base bd . Le
nombre réel ak est le coefficient de degré k de P . Par définition, Bd est une
application polynomiale de degré d dont le coefficient de degré d est d!1 . Donc
P − ad d!Bd est une application polynomiale de degré 6 d dont le coefficient
de degré d vaut 0. Donc
P − ad d!Bd ∈ R[X]6d−1 .
Cela prouve que R[X]6d = R[X]6d−1 + Vect(Bd ).
(b) Prouvons par récurrence que (1, B1 , . . . , Bd ) engendre R[X]6d.
Initialisation. Pour d = 0 c’est vrai car (1) est une base de R[X]60 .
Hérédité. Si c’est vrai pour d, soit P ∈ R[X]6d. Par la question a), il existe
λd+1 ∈ R tel que
P − λd+1 Bd+1 ∈ R[X]6d
232
Par l’hypothèse de récurrence, P −λd+1 Bd+1 sécrit comme combinaison linéaire

de (B0 , . . . , Bd ). Donc il existe (λ0 , . . . , λd ) ∈ Rd+1 tel que
d
X
P − λd+1 Bd+1 = λk Bk .
k=0
Donc P ∈ Vect(B0 , . . . , Bd+1 ) et l’assertion est prouvée pour d + 1.

Conclusion. Par récurrence (B0 , . . . , Bd ) engendre R[X]6d pour tout d ∈ N.
Comme c’est une famille de d + 1 vecteurs et que dim(R[X]6d ) = d + 1, c’est
une base de cet espace.
6. Soit P ∈ R[X]6d et soit (a0 , . . . , ad ) les coordonnées de P dans la base
P P
(B0 , . . . , Bd ). Alors P = dk=0 ak Bk et ∆d (P ) = − dk=1 ak Bk−1 . Donc ∆d (P ) = 0
équivaut à ak = 0 pour k ∈ {1, . . . , d}. Donc ∆d (P ) = 0 si et seulement si P est
constant. (On peut également prouver cela en considérant la limite de la suite
P (n) lorsque l’entier n tend vers +∞. Si ∆d (P ) = 0 cette suite est constante et
tend donc vers P (0). Mais si P n’est pas constant, P (x) tend vers +∞ ou −∞
lorsque x tend vers +∞).
7. Pour tout i ∈ {0, . . . , d − 1}, on a Bi = ∆d (−Bi+1 ). Donc Bi ∈ Im(∆d ). Comme
(B0 , . . . , Bd ) engendre R[X]6d−1 et que Im(∆d ) est un sous-espace vectoriel de
cet espace, on obtient que Im(∆d ) = R[X]d−1 et ∆d est surjective.
233

Les documents, calculatrices, téléphones portables ainsi que
tous les autres dispositifs électroniques sont strictement inter-
dits. Toutes les réponses doivent être justifiées et la qualité de la
rédaction sera prise en compte.
Question de cours. Soit E un R-espace vectoriel. Définir “F est un sous-espace vec-
toriel de E” .
Exercice 1 (Un système.). 1. Résoudre le système d’équations linéaires suivant en
appliquant la méthode du pivot de Gauss. Préciser les opérations effectuées.

 X + 2Y + Z = 8
2X + 3Y − Z = 5

X + Y − Z = 0
2. Vérifier les résultats obtenus.
Exercice 2 (Une base de R3 .). On définit trois vecteurs de R3 par
~u = (1, 0, 1), ~v = (1, 1, 1), w
~ = (−1, 2, 1)
1. Soit ~e = (a, b, c) un vecteur de R3 , et soient x, y, z trois réels. Montrer que ~e est
égal à la combinaison linéaire x~u + y~v + z w ~ si et seulement si le triplet (x, y, z)
est solution d’un système d’équations linéaires que l’on précisera, et qui sera noté
(∗) dans la suite.
2. Résoudre le système (∗). En déduire que la famille (~u, ~v, w)
~ est une base de R3 ,
et calculer les coordonnées du vecteur ~e dans cette base.
Exercice 3 (Un sous-espace vectoriel de R3 .). On considère le sous-ensemble de
R3 défini par
V = {(x, y, z) ∈ R3 , 2x − y + 3z = 0}
1. Montrer que V est un sous-espace vectoriel de R3 .
2. Trouver deux vecteurs e~1 et e~2 de V tels que tout vecteur de V soit une combi-
naison linéaire de e~1 et e~2 .
3. Montrer que la famille (e~1 , e~2 ) est une base de V . Quelle est la dimension de V ?
Exercice 4 (Des suites.). On considère dans cet exercice l’espace vectoriel E = RN
des suites à termes réels. On dit qu’une suite (un )n∈N est 2-périodique si elle vérifie la
234
condition suivante
∀k ∈ N, uk = uk+2.
On note F le sous-ensemble de E formé des suites 2-périodiques.
1. Soient a = (an )n∈N et b = (bn )n∈N les deux suites définies par
∀n ∈ N, an = 1 et ∀n ∈ N, bn = (−1)n
Vérifier que (an )n∈N et (bn )n∈N sont des éléments de F .
2. Montrer que F est un sous-espace vectoriel de E.
3. Soit u = (un )n∈N une suite 2-périodique de premiers termes u0 et u1 . On considère
la suite v = (vn )n∈N définie par
u0 + u1 u0 − u1
∀n ∈ N, vn = · an + · bn .
2 2
(a) Calculer v0 et v1 .
(b) En déduire soigneusement que v = u.
4. Justifier que (a, b) est une famille génératrice de F .
5. Justifier que (a, b) est une famille libre.
6. Quelle est la dimension de F ?
235

Question de cours. Soit E un R-espace vectoriel. Un sous-espace vectoriel de E est
une partie F de E telle que
∀~u, ~v ∈ F, ~u + ~v ∈ F ;
(iii) Elle est stable pour la multiplication par un nombre réel
∀λ ∈ R, ∀~u ∈ F, λ~u ∈ F.


 X + 2Y + Z = 8
2X + 3Y − Z = 5
 X + Y − Z = 0.
On applique les transformations L2 ← L2 − 2L1 et L3 ← L3 − L1 qui donnent le

système équivalent :

 X + 2Y + Z = 8
−Y − 3Z = −11

−Y − 2Z = −8.
Avec la transformation L3 ← L3 − L2 , on obtient le système échelonné :

 X + 2Y + Z = 8
−Y − 3Z = −11

Z = 3.
En remplaçant Z par sa valeur 3, on obtient le système équivalent :

 X + 2Y = 8−3 =5
−Y = −11 + 3 × 3 = −2

Z = 3.
Pour terminer, on remplace Y par sa valeur 2 :

 X = 1
Y = 2

Z = 3.
236



 1 + 2×2 + 3 = 1+4+3=8
2×1 + 3×2 − 3 = 2+6−3 =5

 1 + 2 − 3 = 0.
Donc (1, 2, 3) est bien solution du système.
Exercice 2. 1. L’égalité de vecteurs de R3
x~u + y~v + z w
~ = ~e
s’écrit
x(1, 0, 1) + y(1, 1, 1) + z(−1, 2, 1) = (a, b, c)
ce qui équivaut à
(x + y − z, y + 2z, x + y + z) = (a, b, c)
qui est vérifiée si et seulement si le triplet (x, y, z) est solution du système :

 X + Y − Z = a
(∗) Y + 2Z = b

X + Y + Z = c.
2. En effectuant la transformation L3 ← L3 − L1 on obtient que le système (∗) est
équivalent au système

 X + Y − Z = a
Y + 2Z = b

2Z = c − a.
En remplaçant Z par sa valeur −a+c
2
on obtient le système équivalent

 X + Y = a + −a+c2
= a+c
2
Y = b − (−a + c) = a + b − c

Z = −a+c 2
.
Et en remplaçant Y par sa valeur on obtient

 X = a+c2
− (a + b − c) = − 21 a − b + 23 c
Y = a+b−c

Z = − 21 a + 12 c.
Il y a donc une unique solution (− 12 a − b + 32 c, a + b − c, − 12 a + 21 c). L’unicité
prouve que la famille est libre et l’existence qu’elle engendre R3 . Donc (~u, ~v, w)~
237
est une base de R3 . En outre, les coordonnées de (a, b, c) dans la base (~u, ~v, w)
~
1 3 1 1
sont données par (x, y, z) = (− 2 a − b + 2 c, a + b − c, − 2 a + 2 c).
→
−
Exercice 3. 1. (i) 2 × 0 − 0 + 3 × 0 = 0 donc le vecteur 0 = (0, 0, 0) appartient
à V.
(ii) Soient ~u = (xu , yu , zu ) et ~v = (xv , yv , zv ) des vecteurs de V . Par définition
de V , on a les relations
2xu − yu + 3zu = 0 et 2xv − yv + 3zv = 0.
Considérons la somme ~u + ~v = (xu + xv , yu + yv , zu + zv ). Les égalités
2(xu + xv ) − (yu + yv ) + 3(zu + zv )
=(2xu − yu + 3zu ) + (2xv − yv + 3zv )
=0
prouvent que la somme ~u + ~v appartient à V et V est stable par addition.
(iii) Soit λ ∈ R et ~u = (x, y, z) ∈ V . Par définition de V , on a 2x − y + 3z = 0.
Or λ~u = (λx, λy, λz). Les égalités
2(λx) − (λy) + 3(λz) = λ(2x − y + 3z) = λ0 = 0
prouvent que λ~u ∈ V . Donc V est stable pour la mutiplication par un nombre
réel.
La partie V est donc un sous-espace vectoriel de R3 .
2. On peut écrire l’équation de V sous la forme
Y = 2X + 3Z.
Donc
V = { (λ, 2λ + 3µ, µ), (λ, µ) ∈ R2 }
c’est-à-dire
V = { λ(1, 2, 0) + µ(0, 3, 1), (λ, µ) ∈ R2 }
Autrement dit
V = Vect((1, 2, 0), (0, 3, 1)).
et on peut prendre ~e1 = (1, 2, 0) et ~e2 = (0, 3, 1).
→
−
3. Soient (λ, µ) ∈ R2 tel que λ~e1 + µ~e2 = 0 . Alors (λ, 2λ + 3µ, µ) = (0, 0, 0) et donc
λ = µ = 0. La famille (~e1 , ~e2 ) est donc libre. Comme elle engendre V , c’est une
base de V et dim(V ) = 2.
238
Exercice 4. 1. Pour tout entier n ∈ N, on a an+2 = 1 = an et

bn+2 = (−1)n+2 = (−1)2 × (−1)n = (−1)n = bn .
Donc les suites a et b sont 2-périodiques.
2. (i) La suite constante nulle est 2-périodique.
(ii) Soient u = (un )n∈N et v = (vn )n∈N des suites 2-périodiques. Par définition,
∀n ∈ N, un+2 = un et vn+2 = vn .
Le somme des suites u et v est la suite (wn )n∈N donnée par wn = un + vn pour
tout n ∈ N. Pour tout n ∈ N, on a
wn+2 = un+2 + vn+2 = un + vn = wn .
Donc la somme des deux suites est également 2-périodique, ce qui prouve que F
est stable par addition
(iii) Soit λ ∈ R et soit u = (un )n∈N une suite 2-périodique. alors λu = (λun )n∈N
vérifie
λun+2 = λun
pour tout n ∈ N. Donc F est stable par multiplication par un nombre réel.
L’ensemble F est donc un sous-espace vectoriel de RN .
3. (a) La définition de l’énoncé donne
u0 + u1 u0 − u1 u0 + u1 + u0 − u1
v0 = 1+ (−1)0 = = u0
2 2 2
et
u0 + u1 u0 − u1 u0 + u1 − u0 + u1
v1 = 1+ (−1)1 = = u1 .
2 2 2
(b) Comme F est un sous-espace vectoriel de RN , il résulte de la question 1 que u
et v sont toutes les deux des suites 2-périodiques. Prouvons par récurrence sur
n que un = vn pour tout n ∈ N.
Initialisation. Par la question précédente, c’est vrai si n = 0 ou n = 1.
Hérédité. On suppose que n > 2 et que l’éegalité uk = vk vaut pour tout
entier k < n. Alors, comme les suites u et v sont 2-périodiques, un = un−2 =
vn−2 = vn où la deuxième égalité résulte de l’hypothèse de récurrence. Donc
l’égalité vaut aussi par n.
Conclusion. Par le principe de récurrence forte, un = vn pour tout n ∈ N,
ce qui prouve l’égalité u = v.
239
4. Par la question 3, si u ∈ F , alors

u0 + u1 u0 − u1
u= a+ b
2 2
Donc u ∈ Vect(a, b). Donc (a, b) est une famille génératrice de F .
5. Soient λ, µ ∈ R tels que λa + µb = 0 alors, en considérant les deux premiers
termes de la suite λa + µb, on obtient :
λa0 + µb0 = 0 et λa1 + µb1 = 0
ce qui donne
λ + µ = 0 et λ − µ = 0
ce qui implique λ = µ = 0. Donc la famille (a, b) est libre.
6. Par les questions 4 et 5, le couple (a, b) est une base de F . Donc F est de dimension
finie 2.
240

sont interdits.
Prenez le temps de vérifier vos calculs.
Question de cours. Soient E et F des R-espaces vectoriels et soit ϕ : E n → oF une
application linéaire. Prouver que ϕ est injective si et seulement si Ker(ϕ) = ~0 .

linéaires 
 X + Y + Z = 5
X + 2Y − Z = −1

X − Y − Z = −7.
Exercice 2. On note e = (~e1 , ~e2 , ~e3 ) la base usuelle de R3 . On pose f~1 = (1, 1, 1),
f~2 = (1, 2, 1) et f~3 = (−1, −2, 0).
1. Prouver que la famille f = (f~1 , f~2 , f~3 ) est libre. En déduire que c’est une base de
R3 .
4. Soient a, b et c des nombres réels. Donner les coordonnées du vecteur (a, b, c) dans
la base f .
Exercice 3. On considère l’application ϕ de R3 dans R3 donnée par
(x, y, z) 7→ (3x − 4z, 5y, −4x − 3z).
1. Vérifier que ϕ est linéaire.
2. Donner la matrice A de ϕ dans la base usuelle de R3 .
3. Calculer la matrice (A − 5I3 )(A + 5I3 ).
4. Que peut-on dire de l’endomorphisme ϕ ◦ ϕ − 25IdR3 ?
241
5. Prouver que 15 ϕ est une symétrie.

Exercice 4. On rappelle que R[X]6d désigne l’espace vectoriel des applications poly-
nomiales de degré inférieur ou égal à d, que, si k ∈ N, on note X k l’application de R
dans R qui envoie un nombre réel t sur tk et que la famille bd = (1, X, . . . , X d ) est une
base de l’espace vectoriel R[X]6d. On note ϕ l’application de R[X] dans R3 donnée
par
ϕ(P ) = (P (0), P (1), P (2))
pour toute application polynomiale P ∈ R[X]. On note également ϕd la restriction de ϕ
à R[X]6d ; autrement dit, ϕd (P ) = ϕ(P ) pour tout P ∈ R[X]6d. On note e = (~e1 , ~e2 , ~e3 )
la base usuelle de R3 .
1. Déterminer ϕ(1), ϕ(X) et ϕ(X 2 ).
2. Prouver que l’application ϕ est linéaire.
3. Donner la matrice A = Matb2 ,e (ϕ2 ).
4. Déterminer le noyau de ϕ2 .
5. La matrice A est-elle inversible ? Si c’est le cas en donner un inverse.
6. Trouver une fonction polynomiale P ∈ R[X]62 telle que
P (0) = 0, P (1) = 1 et P (2) = 0.
Existe-t-il d’autres fonctions polynomiales de R[X]62 vérifiant ces conditions ?
7. Donner la matrice B = Matb3 ,e (ϕ3 ).
8. Donner une base du noyau de ϕ3 .
9. Quelles sont les fonctions polynomiales P ∈ R[X]63 telles que
P (0) = 0, P (1) = 1 et P (2) = 0?
242

Question de cours. Supposons l’application ϕ injective. Soit ~u ∈ Ker(ϕ).
Alors ϕ(~u) =
~0. Mais comme l’application ϕ est linéaire, on a également ϕ ~0 = ~0. Donc ϕ(~u) =

ϕ ~0 . Comme l’application ϕ est injective, on en déduit que ~u = ~0. Cela prouve que

Ker(ϕ) ⊂ ~0 . Comme ϕ(~0) = ~0, on a également ~0 ⊂ Ker(ϕ) ce qui prouve l’égalité

Ker(ϕ) = ~0 .

Réciproquement, supposons que Ker(ϕ) = ~0 et soient ~u et ~v des vecteurs de E tels
que ϕ(~u) = ϕ(~v). Comme l’application ϕest ~
linéaire, il en résulte que ϕ(~u − ~v) = 0.
Donc ~u − ~v ∈ Ker(ϕ). Comme Ker(ϕ) = ~0 par hypothèse, ~u − ~v = ~0 et donc ~u = ~v .
Ce qui prouve que l’application ϕ est injective.

 X + Y + Z = 5
X + 2Y − Z = −1

X − Y − Z = −7.

 X + Y + Z = 5
Y − 2Z = −6

− 2Y − 2Z = −12.
L’opération L3 ← L3 + 2L2 donne alors le système équivalent

 X + Y + Z = 5
Y − 2Z = −6

− 6Z = −24.
On remplace Z par sa valeur 4, ce qui donne

 X + Y = 5−4=1
Y = −6 + 8 = 2
 Z = 4.
Donc le système initial est équivalent au système

 X = −1
Y = 2

Z = 4.
243
Le système a donc une unique solution (−1, 2, 4).

2. Vérifions que ce triplet satisfait le système initial

 −1 + 2 + 4 = 5
−1 + 2 × 2 − 4 = −1 + 4 − 4 = −1

−1 − 2 − 4 = −7.
Donc le triplet (−1, 2, 4) est bien solution du système.
Exercice 2. 1. Soit (x, y, z) ∈ R3 tel que xf~1 + y f~2 + z f~3 = ~0. Alors x(1, 1, 1) +
y(1, 2, 1) + z(−1, −2, 0) = (0, 0, 0). Donc
(x + y − z, x + 2y − 2z, x + y) = (0, 0, 0).
Autrement dit, (x, y, z) est solution du système

 X + Y − Z = 0
X + 2Y − 2Z = 0

X + Y = 0.
Les opérations L2 ← L2 − L1 et L3 ← L3 − L1 donnent le système équivalent

 X + Y − Z = 0
Y − Z = 0

Z = 0.
Donc on obtient Z = 0 puis Y = 0 et X = 0. La seule solution du système est donc
(0, 0, 0), ce qui prouve que la famille (f~1 , f~2 , f~3 ) est libre. Comme dim(R3 ) = 3,
la famille libre de 3 vecteurs (f~1 , f~2 , f~3 ) est une base de R3 .
2. La matrice de passage de e à f est donnée par
 
1 1 −1
Pef = 1 2 −2 .
1 1 0
3. On a l’égalité Pfe = (Pef )−1 . Nous allons utiliser la méthode des opérations sur
les matrices augmentées pour calculer cet inverse.
 
1 1 −1 1 0 0
 1 2 −2 0 1 0 
1 1 0 0 0 1
 
1 1 −1 1 0 0
 0 1 −1 −1 1 0  L2 ← L2 − L1
0 0 1 −1 0 1 L3 ← L3 − L1
244
 
1 0 0 2 −1 0 L1 ← L1 − L2
 0 1 −1 −1 1 0 
0 0 1 −1 0 1
 
1 0 0 2 −1 0
 0 1 0 −2 1 1  L2 ← L2 + L3 .
0 0 1 −1 0 1
Donc  
2 −1 0
Pfe = −2 1 1 .
−1 0 1
(En faisant le produit matriciel :
    
1 1 −1 2 −1 0 1 0 0
1 2 −2 −2 1 1 = 0 1 0
1 1 0 −1 0 1 0 0 1
on vérifie le calcul de l’inverse).
4. Les coordonnées recherchées sont données par la matrice colonne
      
a 2 −1 0 a 2a − b
(Pef )−1  b  = −2 1 1  b  = −2a + b + c .
c −1 0 1 c −a + c
Donc les coordonnées du vecteur (a, b, c) dans la base f sont
(2a − b, −2a + b + c, −a + c).
Exercice 3. 1. (i) Soient ~u = (xu , yu , zu ) et ~v = (xv , yv , zv ) des vecteurs de R3 . Alors
ϕ(~u + ~v ) est donné par
ϕ(~u + ~v ) = ϕ(xu + xv , yu + yv , zu + zv )
= (3(xu + xv ) − 4(zu + zv ), 5(yu + yv ), −4(xu + xv ) − 3(zu + zv ))
De même, ϕ(~u) + ϕ(v) est donné par
ϕ(~u) + ϕ(v) = ϕ(xu , yu , zu ) + ϕ(xv , yv , zv )
= (3xu − 4zu , 5yu , −4xu − 3zu ) + (3xv − 4zv , 5yv , −4xv − 3zv )
= (3(xu + xv ) − 4(zu + zv ), 5(yu + yv ), −4(xu + xv ) − 3(zu + zv )).
Donc ϕ(~u + ~v ) = ϕ(~u) + ϕ(~v ) et ϕ est compatible avec l’addition.
245
(ii) Soient λ ∈ R et ~u = (x, y, z) ∈ R3 . Alors

ϕ(λ~u) = ϕ(λx, λy, λz)
= (3λx − 4λz, 5λy, −4λx − 3λz)
= λ(3x − 4z, 5y, −4x − 3z)
= λϕ(~u).
Donc ϕ est compatible avec la multiplication par un nombre réel. Donc ϕ est
linéaire.
2. On a les égalités
ϕ(1, 0, 0) = (3, 0, −4), ϕ(0, 1, 0) = (0, 5, 0), et ϕ(0, 0, 1) = (−4, 0, −3).
Donc
 
3 0 −4
A =  0 5 0 .
−4 0 −3
3. On effectue le calcul
    
−2 0 −4 8 0 −4 0 0 0
(A − 5I3 )(A + 5I3 ) =  0 0 0   0 10 0  = 0 0 0 .
−4 0 −8 −4 0 2 0 0 0
Donc (A − 5I3 )(A + 5I3 ) = 0.

4. Notons e la base usuelle de R3 . Alors
Mate (ϕ ◦ ϕ − 25IdR3 ) = A2 − 25I3 = (A − 5I3 )(A + 5I3 ) = 0.
Donc ϕ ◦ ϕ − 25IdR3 = 0, c’est donc l’application constante de valeur (0, 0, 0).
5. Les égalités

1 1 1
ϕ ◦ ϕ = ϕ ◦ ϕ = IdR3
5 5 25
prouvent que 51 ϕ est une symétrie de R3 .
Exercice 4. 1. Par définition,
ϕ(1) = (1, 1, 1), ϕ(X) = (0, 1, 2), et ϕ(X 2 ) = (0, 1, 4).
246
2. (i) Soient P, Q ∈ R[X]. Alors

ϕ(P + Q) = ((P + Q)(0), (P + Q)(1), (P + Q)(2))
= (P (0) + Q(0), P (1) + Q(1), P (2) + Q(2))
= (P (0), P (1), P (2)) + (Q(0), Q(1), Q(2))
= ϕ(P ) + ϕ(Q)
ce qui prouve que ϕ est compatible avec l’addition.
(ii) Soient λ ∈ R et P ∈ R[X]. Alors
ϕ(λP ) = ((λP )(0), (λP )(1), (λP )(2))
= (λP (0), λP (1), λP (2)) = λ(P (0), P (1), P (2)) = λϕ(P )
ce qui prouve la compatibilité de ϕ avec la multiplication par un nombre réel.
Donc ϕ est linéaire.
3. Compte tenu de la question 1,
 
1 0 0
Matb2 ,e (ϕ2 ) = 1 1 1
1 2 4
4. Soit P = a0 + a1 X + a2 X 2 ∈ R[X]62 . Alors P ∈ Ker(ϕ2 ) si et seulement si

 a0 = 0
a0 + a1 + a2 = 0
 a + a2 + a4 = 0
0 1 2
ce qui revient à dire que (a0 , a1 , a2 ) est solution du système :


 X = 0
X + Y + Z = 0

X + 2Y + 4Z = 0
qui équivaut au système

 X = 0
Y + Z = 0

2Y + 4Z = 0.
En effectuant l’opération L3 ← L3 − 2L2 , on obtient le système équivalent :

 X = 0
Y + Z = 0

2Z = 0.
247
Ce système échelonné a donc (0, 0, 0) comme unique solution. Donc Ker(ϕ2 ) =

{0}.
5. Comme dim(R[X]62) = 3 = dim(R3 ), la bijectivité de ϕ2 équivaut à son injecti-
vité. Or, par la question précédente, le noyau de ϕ2 est {0}, il en résulte que ϕ2
est injective et par conséquent bijective. Donc A = Matb2 ,e (ϕ2 ) est inversible.
On utilise la méthode des opérations sur la matrice augmentée pour calculer
son inverse.  
1 0 0 1 0 0
 1 1 1 0 1 0 
1 2 4 0 0 1
 
1 0 0 1 0 0
 0 1 1 −1 1 0  L2 ← L2 − L1
0 2 4 −1 0 1 L3 ← L3 − L1
 
1 0 0 1 0 0
 0 1 1 −1 1 0 
0 0 2 1 −2 1 L3 ← L3 − 2L2
 
1 0 0 1 0 0
 0 1 1 −1 1 0 
0 0 1 12 −1 21 L3 ← 21 L3
 
1 0 0 1 0 0
 0 1 0 − 23 2 − 12  L2 ← L2 − L3 .
0 0 1 12 −1 12
Donc  
1 0 0
A−1 = − 32 2 − 12  .
1
2
−1 12
(En faisant le produit matriciel
    
1 0 0 1 0 0 1 0 0
1 1 1 − 3 2 − 1  = 0 1 0
2 2
1 1
1 2 4 2
−1 2
0 0 1
on vérifie le calcul de l’inverse.)
248
6. L’unique fonction polynomiale satisfaisant les trois conditions est la fonction P =

ϕ−1 −1
2 (0, 1, 0) = ϕ2 (e2 ). Comme A
−1
= Mate,b2 (ϕ−12 ), on obtient que la matrice
0
colonne des coordonnées de P est la seconde colonne de A−1 , c’est-à-dire 2 .
−1
Donc P = −X 2 + 2X = X(2 − X).
7. Comme ϕ(X 3 ) = (0, 1, 8),
 
1 0 0 0
Matb3 ,e (ϕ3 ) = 1 1 1 1 .
1 2 4 8
8. Soit P = a0 + a1 X + a2 X 2 + a3 X 3 ∈ R[X]63 . Alors P ∈ Ker(ϕ3 ) si et seulement
si (a0 , a1 , a2 , a3 ) est solution du système :

 X = 0
X + Y + Z + T = 0

X + 2Y + 4Z + 8T = 0.
qui équivaut au système

 X = 0
Y + Z + T = 0

2Y + 4Z + 8T = 0.
En effectuant l’opération L3 ← L3 − 2L2 , on obtient le système équivalent :

 X = 0
Y + Z + T = 0

2Z + 6T = 0.
Dans ce système échelonné, on utilise T comme variable libre, et on remplace Z
par −3T ce qui donne le système équivalent

 X = 0
Y = 2T
 Z = −3T.
L’ensemble des solutions de système est donc
{ (0, 2λ, −3λ, λ), λ ∈ R } = { λ(0, 2, −3, 1), λ ∈ R } = Vect((0, 2, −3, 1)),
ce qui prouve que Ker(ϕ3 ) est une droite vectorielle engendrée par l’application
polynomiale
X 3 − 3X 2 + 2X = X(X 2 − 3X + 2) = X(X − 1)(X − 2).
Une base de Ker(ϕ3 ) est donc (X(X − 1)(X − 2)).
249
9. Soit P ∈ R[X]63 . La fonction polynomiale P satisfait les conditions de l’énoncé

si et seulement si ϕ3 (P ) = (0, 1, 0). Par la question 6, cela équivaut à ϕ3 (P −
X(2 − X)) = 0 et donc à P − X(2 − X) ∈ Ker(ϕ3 ). Par la question précédente
cela équivaut à l’existence de λ ∈ R tel que
P = X(2 − X) − λX(X − 1)(X − 2) = X(2 − X)(1 + λ(X − 1))
Donc les fonctions polynomiales recherchées sont celles de la forme X(2 − X)(1 +
λ(X − 1)) pour un λ ∈ R.
250
MAT201 Annales Énoncé seconde session 2022
Énoncé seconde session 2022

sont interdits.
Question de cours. Soient E et F des R-espaces vectoriels et soit ϕ : E n → oF une
application linéaire. Prouver que ϕ est injective si et seulement si Ker(ϕ) = ~0 .

linéaires 
 X − Y + Z = 4
X − 2Y − Z = 0

X + Y − 2Z = −9.
Exercice 2. On note e = (~e1 , ~e2 , ~e3 ) la base usuelle de R3 . On se donne les vecteurs
f~1 = (1, 0, 1), f~2 = (0, −1, 2) et f~3 = (1, 1, 0) de R3 .
1. Prouver que f = (f~1 , f~2 , f~3 ) est une base de R3 .
4. Soient a, b et c des nombres réels. Donner les coordonnées du vecteur (a, b, c) dans
la base f .
Exercice 3. Soit f : R3 → R3 l’application linéaire donnée par (x, y, z) 7→ (y − z, z −
x, x − y)
3. Écrire la matrice A3 en termes de A.
4. Déterminer le noyau de f . La matrice A est-elle inversible ?
Q
5. Rappelons que An désigne le produit matriciel ni=1 A. À l’aide de la question 3,
calculer An pour tout entier n > 1 (on pourra distinguer les cas n pair et n
impair).
251
Exercice 4. Dans tout cet exercice, E désigne un R-espace vectoriel. On note l : E → R

une forme linéaire non nulle et on fixe un vecteur w ~ ∈ E tel que l(w)
~ 6= 0. On note
s : E → E l’application définie par
l(~u)
s(~u) = ~u − 2 w
~
l(w)
~
pour tout ~u ∈ E. On note H le noyau de l et D = Vect(w). ~
1. Prouver que l’application s est linéaire.
2. On suppose dans cette question que E est de dimension finie n. Quelle est la
dimension de H ?
3. Déterminer s(w).
~
4. Soit ~u ∈ H. Déterminer s(~u).
n o
5. (a) Prouver que H ∩ D = ~0 .
l(~
u)
(b) Soit ~u ∈ E. Prouver que ~u − l(w)
~
w
~ est un élément de H.
(c) Prouver que E est la somme directe de H et de D.
6. Prouver que s est une symétrie que l’on précisera.
252
Corrigé seconde session 2022

Question de cours. Supposons l’application ϕ injective. Soit ~u ∈ Ker(ϕ).
Alors ϕ(~u) =
~0. Mais comme l’application ϕ est linéaire, on a également ϕ ~0 = ~0. Donc ϕ(~u) =

ϕ ~0 . Comme l’application ϕ est injective, on en déduit que ~u = ~0. Cela prouve que

Ker(ϕ) ⊂ ~0 . Comme ϕ(~0) = ~0, on a également ~0 ⊂ Ker(ϕ) ce qui prouve l’égalité

Ker(ϕ) = ~0 .

Réciproquement, supposons que Ker(ϕ) = ~0 et soient ~u et ~v des vecteurs de E
tels que ϕ(~u) = ϕ(~v ). Comme l’application ϕ est linéaire,
il en résulte que ϕ(~u − ~v ) =
ϕ(~u − ~v ) = 0. Donc ~u − ~v ∈ Ker(ϕ). Comme Ker(ϕ) = ~0 par hypothèse, ~u − ~v = ~0
~
et donc ~u = ~v . Ce qui prouve que l’application ϕ est injective.

 X − Y + Z = 4
X − 2Y − Z = 0

X + Y − 2Z = −9.
Les opérations L2 ← L2 − L1 et L3 ← L3 − L1 donnent le système équivalent :

 X − Y + Z = 4
− Y − 2Z = −4

2Y − 3Z = −13.
L’opération L3 ← L3 + 2L2 donne alors le système équivalent

 X − Y + Z = 4
− Y − 2Z = −4

− 7Z = −21.
Donc Z = 3 et en remplaçant Z par sa valeur on obtient le système équivalent

 X − Y = 4−3=1
− Y = −4 + 2 × 3 = 2

Z = 3
ce qui donne Y = −2 et le système initial est équivalent au système

 X = 1 − 2 = −1
Y = −2
 Z = 3.
Le système a donc une unique solution (−1, −2, 3).
253
2. Vérifions que ce triplet satisfait le système initial


 −1 − (−2) + 3 = −1 + 5 = 4
−1 − 2 × (−2) − 3 = −1 + 4 − 3 = 0

−1 + (−2) − 2 × 3 = −1 − 2 − 6 = −9.
Donc le triplet (−1, −2, 3) est bien solution du système.
Exercice 2. 1. Le rang de la famille f est égal au rang de la matrice
 
1 0 1
0 −1 1
1 2 0
que nous allons calculer en faisant des opérations élémentaires sur les lignes de
cette matrice.  
1 0 1
0 −1 1 
0 2 −1 L3 ← L3 − L1
 
1 0 1
0 −1 1
0 0 1 L3 ← L3 + 2L2
On obtient une matrice échelonnée avec trois lignes non nulles, équivalente à la
matrice de départ. Le rang de cette matrice, et donc de la famille f est donc 3.
Comme dim(R3 ) = 3, on en déduit que f est une base de R3 .
2. La matrice de changement de base de e à f est
 
1 0 1
f
Pe = 0 −1 1
1 2 0
3. Pour calculer Pfe = (Pef )−1 , on utilise la méthode du pivot de Gauss appliquée à
la matrice augmentée
 
1 0 1 1 0 0
 0 −1 1 0 1 0 
1 2 0 0 0 1
 
1 0 1 1 0 0
 0 −1 1 0 1 0 
0 2 −1 −1 0 1 L3 ← L3 − L1
254
 
1 0 1 1 0 0
 0 −1 1 0 1 0 
0 0 1 −1 2 1 L3 ← L3 + 2L2
 
1 0 0 2 −2 −1 L1 ← L1 − L3
 0 −1 0 1 −1 −1  L2 ← L2 − L3
0 0 1 −1 2 1
 
1 0 0 2 −2 −1
 0 1 0 −1 1 1  L2 ← −L2 .
0 0 1 −1 2 1
Donc  
2 −2 −1
Pfe = −1 1 1 .
−1 2 1
(En faisant le produit matriciel
    
1 0 1 2 −2 −1 1 0 0
0 −1 1 −1 1 1  = 0 1 0
1 2 0 −1 2 1 0 0 1
on vérifie le calcul de l’inverse.)
4. Les coordonnées recherchées sont données par la matrice colonne
      
a 2 −2 −1 a 2a − 2b − c
(Pef )−1  b  = −1 1 1   b  =  −a + b + c  .
c −1 2 1 c −a + 2b + c
Donc les coordonnées du vecteur (a, b, c) dans la base f sont
(2a − 2b − c, −a + b + c, −a + 2b + c).
Exercice 3. 1. On a les égalités
f (1, 0, 0) = (0, −1, 1), f (0, 1, 0) = (1, 0, −1), et f (0, 0, 1) = (−1, 1, 0).
Donc  
0 1 −1
A = −1 0 1 .
1 −1 0
255
2. Le calcul donne
    
0 1 −1 0 1 −1 −2 1 1
A2 = −1 0 1  −1 0 1  =  1 −2 1 
1 −1 0 1 −1 0 1 1 −2
et     
0 1 −1 −2 1 1 0 −3 3
A3 = −1 0 1   1 −2 1  =  3 0 −3
1 −1 0 1 1 −2 −3 3 0
3. Par la question précédente, A3 = −3A.
4. Soit (x, y, z) ∈ R3 , le triplet (x, y, z) appartient à Ker(f ) si et seulement s’il est
solution du système

 Y − Z = 0
−X + Z = 0

X − Y = 0.
On échange les lignes L1 et L3 pour obtenir le système équivalent

 X − Y = 0
−X + Z = 0

Y − Z = 0.
On effectue alors L2 ← L2 + L1 pour obtenir le système équivalent

 X − Y = 0
− Y + Z = 0

Y − Z = 0.
L’opération L3 ← L3 + L2 donne alors le système échelonné équivalent

 X − Y = 0
− Y + Z = 0

0 = 0
qui équivaut à

X = Z
Y = Z
dont l’ensemble des solutions est
{ (λ, λ, λ), λ ∈ R }.
256
Donc Ker(f ) est la droite vectorielle engendrée par le vecteur (1, 1, 1). Il en résulte
que f n’est pas injective et donc A, qui est sa matrice dans la base e, n’est pas
inversible.
5. Nous allons prouver par récurrence sur k que pour tout k ∈ N et tout entier
j > 1,
A2k+j = (−3)k Aj .
Initialisation. Le résultat est vrai pour k = 0
Hérédité. On suppose k > 1 et le résultat prouvé pour k − 1. Alors, comme
j>1
A2k+j = A3 A2(k−1)+(j−1) = −3AA2(k−1)+j−1
= −3A2(k−1)+j = (−3) × (−3)k−1 Aj = (−3)k Aj ,
où la deuxième égalité découle de la question 3 et l’avant-dernière égalité résulte
de l’hypothèse de récurrence. Cela prouve la formule pour k.
Conclusion. Par récurrence le résultat vaut pour tout k ∈ N.
Si n est impair, on l’écrit n = 2k + 1 avec k ∈ N et on obtient
 
0 (−3)k −(−3)k
An = (−3)k A = −(−3)k 0 (−3)k  .
(−3)k −(−3)k 0
Si n est pair, comme n > 1, on peut l’écrire n = 2k + 2 avec k ∈ N, et on obtient
 
−2(−3)k (−3)k (−3)k
An = (−3)k A2 =  (−3)k −2(−3)k (−3)k  .
(−3)k (−3)k −2(−3)k
Exercice 4. 1. (i) Soient ~u et ~v des vecteurs de E. Alors
l(~u + ~v )
s(~u + ~v ) = ~u + ~v − 2 w.
~
l(w)
~
L’application l étant linéaire, on a l’égalité l(~u + ~v ) = l(~u) + l(~v ) et donc
l(~u) + l(~v )
s(~u + ~v ) = ~u + ~v − 2 w
~
l(w)
~

l(~u) l(~v )
= ~u − 2 ~ + ~v − 2
w w
~ = s(~u) + s(~v )
l(w)
~ l(w)
~
ce qui prouve que s est compatible avec l’addition.
257
(ii) Soient ~u ∈ E et λ ∈ R. Alors

l(λ~u)
s(λ~u) = λ~u − 2 w
~
l(w)
~
λl(~u)
= λ~u − 2 w
~
l(w)
~

l(~u)
= λ ~u − 2 w~
l(w)
~
= λs(~u).
Donc s est également compatible avec la multiplication par un nombre réel.
Donc s est une application linéaire.
2. Comme H est le noyau d’une forme linéaire non nulle, c’est un hyperplan vectoriel
de E. Si E est de dimension finie, alors dim(H) = dim(E) − 1.
3. Par définition,
l(w)
~
s(w) ~ −2
~ =w w~ = −w.
~
l(w)
~
4. Si ~u ∈ H, alors l(~u) = 0 et donc s(~u) = ~u.
5. (a) L’intersection H ∩ D est un sous-espace vectoriel de la droite vectorielle D.
Deux cas sont donc possibles : ou bien dim(H∩D) = 0 ou bien dim(H∩D) = 1.
Prouvons par l’absurde que nous ne sommes pas dans le deuxième cas. Si
dim(H ∩ D) = 1 alors D = H ∩ D ce qui signifie que D ⊂ H. Mais w ~ ∈ D et,
par hypothèse, l(w)
~ 6= 0. Comme H = Ker(l), le vecteur w ~ n’appartient pas
à H. Donc la droite D n’est pas contenue dans l’hyperplan H. On a donc une
contradiction. Cela prouve que dim(H ∩ D) = 0 et donc H ∩ D = {~0}.
(b) Comme l est linéaire

l(~u) l(~u)
l ~u − ~ = l(~u) −
w l(w)
~ =0
l(w)
~ l(w)
~
l(~
u)
ce qui prouve que ~u − l(w)
~
w
~ ∈ H.
(c) Soit ~u ∈ E, alors

l(~u) l(~u)
~u = ~u − w
~ + w.
~
l(w)
~ l(w)
~
Or ~u − l(l(~w)
u)
~
~ ∈ H appartient à H par la question précédente et l(l(~w)
w u)
~
~ ∈D
w
puisque D est la droite vectorielle engendrée par w.~ Cela prouve que E =
258
D + H. Comme D ∩ H = {~0} par la question (a), cela prouve que E est la

somme directe de H et de D.
6. Par la question 5.(c), E est la somme directe de H et de D ; par la question 4,
on a s(~u) = ~u si ~u ∈ H et par la question 3, s(~u) = −~u si ~u ∈ D. Donc
l’application s est la symétrie par rapport à l’hyperplan H, parallèlement à la
droite vectorielle D.
259
UGA Glossaire MAT201
GLOSSAIRE
Li : i-ème équation d’un système . . . . . . 12 A−1 : Inverse d’une matrice . . . . . . . . . . 93

E ⊕ F : Somme directe d’espaces . . . . . . 34 Mate,f (ϕ) : Matrice de ϕ . . . . . . . . . . . 96
F1 + F2 : Somme de sous-espaces . . . . . . 39 Pef : Matrice de passage . . . . . . . . . . . 100
Vect(~u1 , . . . , ~un ) : Sous-espace engendré . 39 −−→
AB : Vecteur défini par deux points . . . 136
dim(E) : Dimension . . . . . . . . . . . . . . . 48 −
→
L (E, F ) : Espace des applications linéaires 68 F : Direction d’un espace affine . . . . . 138
→
−ϕ : Application linéaire associée . . . . . 140
Ker(ϕ) : Noyau de ϕ . . . . . . . . . . . . . . . 69
Im(ϕ) : Image de ϕ . . . . . . . . . . . . . . . . 69 (AB) : droite affine passant par A et B 155
E ∗ : Dual de E . . . . . . . . . . . . . . . . . . . 74 F2 : Corps de cardinal 2 . . . . . . . . . . . 168
Mm,n (R) : Matrices . . . . . . . . . . . . . . . 87 F3 : Corps de cardinal 3 . . . . . . . . . . . 174
Mn (R) : Matrices carrées . . . . . . . . . . . 93 F4 : Corps de cardinal 4 . . . . . . . . . . . 174
261
UGA Index MAT201
INDEX
A Droite
Abélien (groupe —) . . . . . . . . . . . . . . . 32 affine . . . . . . . . . . . . . . . . . . . . . . . 137
Anneau . . . . . . . . . . . . . . . . . . . 165, 170 vectorielle . . . . . . . . . . . . . . . . . . . . . 48
Application Dual . . . . . . . . . . . . . . . . . . . . . . . . . . 74
linéaire . . . . . . . . . . . . . . . . . . . . . . . 65 E
nilpotente . . . . . . . . . . . . . . . . . . . . . 82 Échelonné (Système —) . . . . . . . . . . . . . 20
polynomiale . . . . . . . . . . . . . . . . . . . 53 Élément neutre . . . . . . . . . . . . . . . . . . . 31
Associativité . . . . . . . . . . . . . . . . . . . . . 31 Endomorphisme . . . . . . . . . . . . . . . . . . 66
B
Équation
Base . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
linéaire . . . . . . . . . . . . . . . . . . . . . . . 11
canonique de l’espace des matrices . . . 88
Espace affine . . . . . . . . . . . . . . . . . . . 136
duale . . . . . . . . . . . . . . . . . . . . . . . . 78
Espace vectoriel . . . . . . . . . . . . . . 33, 167
orthonormée . . . . . . . . . . . . . . . . . . 153
C Espaces vectoriels
Codimension . . . . . . . . . . . . . . . . . . . . . 76 isomorphes . . . . . . . . . . . . . . . . . . . . 67
Colinéaires (vecteurs —) . . . . . . . . . . . . 42 F
Famille
Combinaison linéaire . . . . . . . . . . . . . . . 39
génératrice . . . . . . . . . . . . . . . . . . . . 42
Commutatif (groupe —) . . . . . . . . . . . . 32
libre . . . . . . . . . . . . . . . . . . . . . . . . . 42
Coordonnées . . . . . . . . . . . . . . . . . 47, 137
Coplanaires (vecteurs —) . . . . . . . . . . . 43 liée . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Corps . . . . . . . . . . . . . . . . . . . . . 166, 170 Forme linéaire . . . . . . . . . . . . . . . . . . . . 74
D G
Dimension Génératrice (Famille —) . . . . . . . . . . . . 42
d’un espace affine . . . . . . . . . . . . . . 137 Groupe . . . . . . . . . . . . . . . . . . . . . . . . . 31
d’un espace vectoriel . . . . . . . . . . . . . 48 abélien . . . . . . . . . . . . . . . . . . . . . . . 32
Direction . . . . . . . . . . . . . . . . . . . . . . 138 commutatif . . . . . . . . . . . . . . . . . . . . 32
263
Index UGA
H semblables . . . . . . . . . . . . . . . . . . . . 102
Homothétie . . . . . . . . . . . . . . . . . . . . 155 N
Hyperplan Neutre (élément —) . . . . . . . . . . . . . . . 31
affine . . . . . . . . . . . . . . . . . . . . . . . 144 Noyau . . . . . . . . . . . . . . . . . . . . . . . . . 69
vectoriel . . . . . . . . . . . . . . . . . . . . . . 74 O
I Opposé . . . . . . . . . . . . . . . . . . . . . . . . . 32
Image P
d’une application linéaire . . . . . . . . . . 69 Parties disjointes . . . . . . . . . . . . . . . . . . 35
d’une famille de vecteurs . . . . . . . . . . 82 Plan
Inconnues affine . . . . . . . . . . . . . . . . . . . . . . . 137
libres . . . . . . . . . . . . . . . . . . . . . 21, 24 vectoriel . . . . . . . . . . . . . . . . . . . . . . 48
principales . . . . . . . . . . . . . . . . . . . . 21 Polynômes d’interpolation . . . . . . . . . . . 83
Inverse d’une matrice . . . . . . . . . . . . . . 93 Principale
Isométrie . . . . . . . . . . . . . . . . . . 135, 145 (Inconnue —) . . . . . . . . . . . . . . .... 21
Isomorphisme . . . . . . . . . . . . . . . . . . . . 67 Produit matriciel . . . . . . . . . . . . . .... 89
L Projection . . . . . . . . . . . . . . . . . . ... 129
Libre orthogonale . . . . . . . . . . . . . . . 133, 144
(Famille —) . . . . . . . . . . . . . . . . . . . 42 R
(Inconnue —) . . . . . . . . . . . . . . . . . . 21 Rang
Libres d’une application linéaire . . . . . . . . . . 70
(Inconnues —) . . . . . . . . . . . . . . . . . . 24 d’une famille de vecteurs . . . . . . . . . . 49
Liée d’une matrice . . . . . . . . . . . . . . . . . 103
(Famille —) . . . . . . . . . . . . . . . . . . . 42 d’un système d’équations linéaires 21, 24
Linéaire Relation de Chasles . . . . . . . . . . . . . . . 137
(Application —) . . . . . . . . . . . . . . . . 65 Repère affine . . . . . . . . . . . . . . . . . . . 137
(Combinaison —) . . . . . . . . . . . . . . . 39 Rotation
(Équation —) . . . . . . . . . . . . . . . . . . 11 vectorielle . . . . . . . . . . . . . . . . . . . . 134
M S
Matrice Solution
antisymétrique . . . . . . . . . . . . . . . . 117 d’un système d’équations linéaires . . . 12
de passage . . . . . . . . . . . . . . . . . . . . 100 Somme
de permutation . . . . . . . . . . . . . . . . 124 de sous-espaces vectoriels . . . . . . . . . . 39
diagonale . . . . . . . . . . . . . . . . . . . . 173 directe . . . . . . . . . . . . . . . . . . . . . . 127
diagonalisable . . . . . . . . . . . . . . . . . 121 directe externe . . . . . . . . . . . . . . . . . 34
d’une application linéaire . . . . . . . . . . 96 Sous-espace
identité . . . . . . . . . . . . . . . . . . . . . . . 93 affine . . . . . . . . . . . . . . . . . . . . ... 138
inversible . . . . . . . . . . . . . . . . . . . . . 93 vectoriel . . . . . . . . . . . . . . . . . . .... 40
orthogonale . . . . . . . . . . . . . . . . . . . 155 Supplémentaire . . . . . . . . . . . . . . 128, 149
symétrique . . . . . . . . . . . . . . . . . . . . 92 Symétrie . . . . . . . . . . . . . . . . . . . . ... 130
Matrices orthogonale . . . . . . . . . . . . . . . 133, 146
équivalentes . . . . . . . . . . . . . . . . . . . 103 Symétrique (Matrice —) . . . . . . . . .... 92
produit . . . . . . . . . . . . . . . . . . . . . . . 89 Système échelonné . . . . . . . . . . . . .... 20
264
UGA Index MAT201
Systèmes équivalents . . . . . . . . . . . . . . . 12 Vecteurs

T colinéaires . . . . . . . . . . . . . . . . . . . . . 42
Théorème coplanaires . . . . . . . . . . . . . . . . . . . . 43
de Thalès . . . . . . . . . . . . . . . . . . . . 156 Vectoriel
Trace . . . . . . . . . . . . . . . . . . . . . . . . . 118 (espace —) . . . . . . . . . . . . . . . . 33, 167
Translation . . . . . . . . . . . . . . . . . . . . . 140 (plan —) . . . . . . . . . . . . . . . . . . . . . . 48
V
Vecteur . . . . . . . . . . . . . . . . . . . . . . . . 34
265

Mat 201

Transféré par

Droits d'auteur :

Formats disponibles

Mat 201

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Mat 201

Transféré par

Droits d'auteur :

Formats disponibles

Université Grenoble Alpes

4.2. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114

Énoncé partiel 2021. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203

Ce polycopié est destiné aux étudiants de l’Unité d’Enseignement MAT201. Cette

Prérequis pour cette UE : UE MAT101 du premier semestre.

Soit n ∈ N un entier. On appelle équation linéaire à n inconnues à coefficients

où a1 , . . . , an , b sont des nombres réels, appelés coefficients de l’équation et

Un système de m équations linéaires à n inconnues est donc un système de la

L’objectif est donc de déterminer l’ensemble des solutions du système d’équation.

1.3. Transformations élémentaires d’un système. — Dans ce paragraphe, nous

Exemple 1.4. — Si on applique la transformation L1 ↔ L2 au système

remplacer la i-ème équation du système par l’équation obtenue en ajoutant λ fois la

Exemple 1.5. — Si on applique la transformation L2 ← L2 − 3L1 au système

La méthode du pivot de Gauss n’utilise que les deux transformations élémentaires

1.4. La méthode du pivot de Gauss sur des exemples. — L’idée de la méthode

De manière à éliminer l’inconnue X de la dernière équation, on effectue alors la trans-

Pour éliminer l’inconnue Y de la dernière équation on effectue la transformation L3 ←

Pour éliminer l’inconnue Y de la dernière équation on effectue la transformation L3 ←

En effectuant les transformations L3 ← L3 + L2 et L4 ← L4 + 7L2 on obtient le système

1.5. Description de la méthode en général. — On va maintenant décrire la

b) Quitte à effectuer la transformation L1 ↔ Li1 , on se ramène au cas où i1 = 1.

avec a′i,j = 0 si j ∈ {1, . . . , j1 }. On peut alors itérer la procédure avec ce système

Démonstration. — Notons S l’ensemble des solutions du système L1 , . . . , Lm , S1 celui

L’itération de la procédure fournit, de manière algorithmique, un système de m

Autrement dit, un système échelonné peut s’écrire

Avec les notations de la définition précédente, on appelle inconnues principales les

Il reste maintenant à expliquer comment résoudre un tel système. Il convient pour

Dans le cas où le rang du système est égal à la fois au nombre de variables et au

Démonstration. — Il suffit de considérer un système de la forme (8). On procède par

Remarque 1.11. — La preuve donne la méthode pour trouver l’unique solution :

Troisième cas. On suppose que bi = 0 pour tout entier i ∈ {p + 1, . . . , m}. Quitte à

Démonstration. — Notons j1 , . . . , jp les indices des inconnues principales On a donc

Un système d’équations linéaires sans second membre dont le nombre de variables

Avec les notations précédentes, on appelle inconnues principales les inconnues

Figure 1. Un réseau hydraulique

Exercice 1.9. Choix du pivot et erreurs informatiques

Exercice 1.10. L’algorithme Pagerank

1. Écrire le système correspondant aux notes Pagerank du mini-réseau web de la

Un groupe est un ensemble G muni d’une application appelée loi de composition

Pour un a donné, il existe un unique b ∈ G qui vérifie cette condition. On l’appelle

Démonstration. — Démontrons l’unicité de l’élément neutre. Si e et e′ vérifient les

2.2. Structure d’espace vectoriel réel. — Nous allons maintenant rappeler la

Un vecteur est un élément d’un espace vectoriel.

Exemples 2.7. — i) L’ensemble Rn , muni de l’addition

Compte tenu de l’associativité de l’addition, on peut définir le symbole de somme

Remarques 2.10. — i) (Découpage) On suppose que l’ensemble fini I est la réunion

Pour démontrer cela, notons m le cardinal de I1 et n le cardinal de I alors I2 est

dans I donnée par

iv) (Changement de variables) Soient I et J des ensembles finis, et soit ϕ : I → J

Soit E un espace vectoriel réel. Un sous-espace vectoriel de E est une partie F

Démonstration. — Soit F un sous-espace vectoriel de E. La seule difficulté pour dé-

Démontrons que c’est un sous-espace T vectoriel de E.

Soit maintenant ~u ∈ F1 + F2 et λ ∈ R. On peut écrire ~u = ~u1 + ~u2 avec ~u1 ∈ F1 et

Soit n ∈ N et soient ~u1 , . . . , ~un des vecteurs de E. On appelle combinaison linéaire

Exemple 2.15. — Si ~u et ~v sont deux vecteurs, les combinaisons linéaires de ~u et ~v

Cela fournit l’égalité

Figure 3. Sous-espace vectoriel engendré par un vecteur non nul

Figure 4. Sous-espace vectoriel engendré par deux vecteurs

Les exemples précédents montrent l’intérêt d’introduire un critère qui permet de