Cours Algebre Lineaire

Cours Algèbre Linéaire :
Espaces Vectoriels réels

Matrices
Applications Linéaires
Systèmes Linéaires
Université Cheikh Anta Diop de Dakar (UCAD)

Faculté des Sciences Economiques et de Gestion (FASEG)
Département de Mathématiques de la Décision (DMD)
Licence 1 Sciences Économiques et de Gestion
Dr. Babacar M. NDIAYE. Année 2014-2015.

Laboratoire de Mathématiques de la Désicion et d’Analyse Numérique (LMDAN)
babacarm.ndiaye@ucad.edu.sn, http ://lmdan.ucad.sn
Notes
Ces notes de cours correspondent à un enseignement de première année de la FASEG.
Ceci constitue une quatrième version et les chapitres manquants seront complétés au
fur et à mesure qu’on avancera au cours de l’année.
Ce cours est le résultat d’une réflexion technique pédagogique dont j’espère qu’il apportera
1
aux étudiants une stimulation intellectuelle et un encouragement à persévérer, chaque fois
que la compréhension d’un phénomène économique leur posera des difficultés.
Bien qu’ayant relu attentivement toutes les notes, il reste plusieurs imperfections. Je
demande aux étudiants de m’en excuser, et de me les signaler afin d’en améliorer la
qualité. Leurs camarades de l’année prochaine leur en seront reconnaissants.
Table des matières

1 ESPACES VECTORIELS SUR R 4
1.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.1 Définition d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . 4
1.1.2 Quelques exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Sous-Espaces Vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.2 Somme et Somme directe . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.3 Sous-espace vectoriel engendré . . . . . . . . . . . . . . . . . . . . . 12
1.3 Base et Dimension d’un espace vectoriel . . . . . . . . . . . . . . . 12
1.3.1 Combinaisons linéaires et familles liées . . . . . . . . . . . . . . . . 13
1.3.2 Combinaisons linéaires et familles libres, systèmes générateurs . . . 15
1.3.3 Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.3.4 Dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.3.5 Rang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2 MATRICES 21
2.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.1.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.1.2 Matrices nulles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.3 Matrices colonnes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.4 Matrices lignes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.5 Matrice carrée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.6 Matrices triangulaires . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.1.7 Matrice diagonale . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2
2.1.8 Matrice Identité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.9 Matrice transposée . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.1.10 Matrice symétrique . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.11 Trace d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.1.12 Concaténation de deux matrices . . . . . . . . . . . . . . . . . . . . 28
2.2 Opérations sur les matrices . . . . . . . . . . . . . . . . . . . . . . . 29
2.2.1 Somme de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2.2 Multiplication externe . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2.3 Produit de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.4 Quelques exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3 Déterminant et inverse d’une matrice . . . . . . . . . . . . . . . . 37
2.3.1 Les déterminants d’ordre 2 . . . . . . . . . . . . . . . . . . . . . . . 37
2.3.2 Les déterminants d’ordre 3 . . . . . . . . . . . . . . . . . . . . . . . 37
2.3.3 Les déterminants d’ordre n . . . . . . . . . . . . . . . . . . . . . . . 39
2.3.4 L’inverse d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.3.5 Rang d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3 APPLICATIONS LINÉAIRES 49
4 SYSTÈMES LINÉAIRES 49
A Quelques exercices 49
B Devoir année 2012-2013 56
C Examen année 2012-2013 (corrigé) 57
D Élément de corrigé du Devoir année 2013-2014 63
E Logiciels pour le calcul matriciel 64
3
1 ESPACES VECTORIELS SUR R
L’utilisation d’espaces vectoriels reste un cadre théorique pour de nombreux modèles
économiques et de gestion.
Dans les applications économiques, les espaces ont souvent une dimension supérieure à 2.
La répartition des parts de marché entre différentes marques pour un produit donné, les
résultats possibles d’un tirage au hasard dans une population, les valeurs possibles d’un
prix du baril dans un an peuvent être représentés par des vecteurs caractérisés par un
nombre de coordonnées supérieur à deux. Il en est de même pour l’ensemble des notes
obtenues par un étudiant à la fin d’un semestre ou par les notes de mille étudiants de
première année dans une matière donnée.
Dans la section 1.1 nous présentons la définition formelle d’un espace vectoriel ainsi que
les propriétés élémentaires de ces structures. Dans la section 1.2 nous verrons ce qui se
passe si on considère un sous-ensemble d’un espace vectoriel. Et enfin dans la section 1.3
nous traiterons de base et dimension d’un espace vectoriel, c’est à dire les conditions dans
lesquelles un sous vecteur permet d’obtenir tous les vecteurs de l’espace par combinaison.
Nous restreignons le cours aux espaces dont les vecteurs ont un nombre fini de coordonnées.
1.1 Généralités
Dans tout ce qui suit : K “ R, muni des lois + et . naturelles.
1.1.1 Définition d’un espace vectoriel
Définition 1.1. On appelle K-espace vectoriel ou espace vectoriel sur K, tout en-
semble E, dont les éléments sont appelés vecteurs, muni d’une loi de composition interne
(appelée addition et notée « + » ) et d’une loi de composition externe (appelée multipli-
cateur par un scalaire et notée « . ») vérifiant :
1. L’addition est une loi de composition interne sur E : @pu, vq P E2 , u ` v existe et :

u ` v P E.
2. L’addition est associative, c’est à dire :
@pu, v, wq P E3 , pu ` vq ` w “ u ` pv ` wq “ u ` v ` w
4
3. Il existe dans E un vecteur appelé élément neutre de l’addition, et noté « 0 », tel
que pour tout vecteur u P E, on a :
u`0“0ù“u
4. Tout vecteur u de E possède un symétrique appelé opposé de u, c’est à dire :
@u P E, Dv P E tel que u ` v “ v ` u “ 0
Le vecteur v est alors noté -u.

Ce qui fait alors de (E,+) un groupe.
5. L’addition est commutative, ce qui s’écrit :
@pu, vq P E2 , u`v “vù
Ce qui rend le groupe (E,+) commutatif ou abélien.

La loi . ayant de plus les propriétés suivantes :
6. C’est une loi de composition externe sur E : @u P E, @α P K, α.u existe et : α.u P E
7. La multiplication par un scalaire est associative :
@pα, βq P K2 , @u P E, αpβ.uq “ pαβq.u
8. La multiplication par un scalaire est distributive par rapport à l’addition dans K :
@pα, βq P K2 , @u P E, pα ` βq.u “ αu ` βu
9. La multiplication par un scalaire est distributive par rapport à l’addition dans E :
@α P K, @pu, vq P E2 , α.pu ` vq “ αu ` αv
10. Le nombre 1 est l’élément neutre de la multiplication par un scalaire :
@u P E, 1.u “ u
L’élément neutre de l’addition, noté 0 ou encore ~0, est appelé « vecteur nul ».
Remarque 1.1. Les éléments de E sont appelés « vecteurs » et ceux de R « scalaires ».
5
Remarque 1.2. Ne pas confondre ce vecteur nul avec le 0 nombre réel.
Remarque 1.3. Pour désigner la multiplication par un scalaire, nous noterons aussi le
produit α.u par αu.
Remarque 1.4. Les propriétés suivantes sont importantes :
(i) @u P E, 0.u = 0
(ii) @α P R, α.0 = 0
(iii) @u P E et @α P R on a : α.u = 0 ðñ (α = 0 ou u=0)
(iv) @α P R, @u P E, p´αq.u “ α.púq “ ´pα.uq
(v) @pu, vq P E2 , @α P R, α.pu ´ vq “ α.u ´ α.v
(vi) @pα, βq P R2 , @u P E, pα ´ βqu “ α.u ´ β.u
(vii) @pu, v, wq P E3 : u ` w “ v ` w ðñ u “ v
(viii) @pu, vq P E2 , il existe un unique vecteur tel que w tel que v “ u ` w
1.1.2 Quelques exemples
Exemple 1.1.
L’ensemble des nombres réels R est un espace vectoriel, muni de l’addition et de la multi-
plication usuelles. On vérifie sans difficulté les points de la définition 1.1. Le nombre nul
de R est le nombre 0.
Exemple 1.2.
Le plan vectoriel, noté R2 , est l’ensemble des couples xT “ px1 , x2 q où xi P R pour i “ 1, 2.

R2 est un espace vectoriel si l’addition est défini par :
¨ ˛ ¨ ˛ ¨ ˛
x1 y1 x1 ` y 1
x`y “˝ ‚` ˝ ‚“ ˝ ‚
x2 y2 x2 ` y 2
et la multiplication par un scalaire par :

¨ ˛ ¨ ˛
x1 αx1
α.x “ α. ˝ ‚“ ˝ ‚
x2 αx2
6
où α P R.
L’élément neutre de l’addition (vecteur nul) est la matrice-colonne dont les deux éléments
sont égaux à 0.
Exemple 1.3.
Cet exemple a pour seul objet d’attirer l’attention sur le fait que les espaces vectoriels sont
des structures très générales et peuvent caractériser des ensembles d’objets mathématiques
n’ayant qu’un rapport lointain avec l’intuition géométrique de la notion de vecteur.
Soit ApRn q l’ensemble des applications définies sur Rn à valeurs dans R ; ApRn q est un
espace vectoriel si on définit l’addition des applications et la multiplication par un scalaire
par :
pf ` gqpuq “ f puq ` gpuq
pα.f qpuq “ αf puq
pour tout couple pf, gq P ApRn q et tout vecteur u P Rn .

Bien que ces définitions de la somme de deux applications et de la multiplication par un
nombre réel restent intuitives, l’espace ApRn q est beaucoup plus complexe que l’espace Rn
lui même. En particulier, un vecteur f P ApRn q ne peut pas, en général, être caractérisé
par un nombre fini de coordonnées.
Théorème 1.1. : Exemples : Les ensembles suivants sont des R-espaces vectoriels (sui-
vant les cas), dits espaces vectoriels de référence.
1. les ensembles de n-uplets de réels Rn ,
2. les ensembles de fonctions définies sur I (éventuellement R), à valeurs dans R,
3. les ensembles de polynômes à coefficients réels : RrXs et Rn rXs,
4. les ensembles de suites réelles Rn ,
5. les ensembles de matrices carrées ou rectangles à coefficients réels : Mn , Mpn,pq .
Que se passe t-il quand on considère un sous-ensemble d’un espace vectoriel ?

Dans quelles conditions ce sous ensemble garde-t-il les propriétés de la définition 1.1 ?
La notion de sous-espace vectoriel permet de répondre à cette question.
7
1.2 Sous-Espaces Vectoriels
1.2.1 Définition
Définition 1.2. Soit E un espace vectoriel et F un sous-ensemble non vide de E. F est

un sous-espace vectoriel (s.e.v.) de E si pour tout α P R et tout v P F , α.v P F , et si
les points 7. à 10. de la définition 1.1 sont vérifiés quand on remplace E par F dans leur
formulation.
X La Définition 1.2 a une expression relativement complexe mais sa signification est

simple.
F est un sous-espace vectoriel de E si F est lui même un espace vectoriel muni de l’addi-
tion des vecteurs (dans F) et de la multiplication par un scalaire (le résultat α.v devant
rester dans F si v P F).
On pourra alors vérifier la stabilité par la multiplication, i.e. @v P F, @α P R alors αv P F ;
ainsi que la stabilité par l’addition, i.e. @pu, vq P F2 , u ` v P F.
X On donne ci-après un critère plus simple pour vérifier si un sous-ensemble d’un espace
E est un sous-espace vectoriel. Il est parfois retenu comme définition d’un sous-espace
vectoriel ; c’est pourquoi nous le présentons comme tel.
Définition 1.3. Soit E un espace vectoriel et F un sous-ensemble non vide de E. Fest

un sous-espace vectoriel de E si et seulement si
@pα, βq P R2 , @pu, vq P F2 , α.u ` β.v P F
Exemple 1.4.
Soit E “ R3 et F1 un sous-ensemble de E défini par :

! )
F1 “ x P E { x1 ` x2 ` x3 “ 0
où 1 xT “ px1 , x2 , x3 q.
Si deux vecteurs de F1 , notés x et y, ont la somme de leurs composantes nulle, il en est
1. xT désigne la transposée de x. Un vecteur x de R3 étant une matrice-colonne, donc xT est une
matrice ligne.
8
de même pour z “ αx ` βy pour tout couple pα, βq.
En effet, on peut écrire :
¨ ˛
αx1 ` βy1
˚ ‹
z “ αx ` βy “ ˚ αx2 ` βy2
˚ ‹
‹
˝ ‚
αx3 ` βy3
On a donc :
z1 ` z2 ` z3 “ αx1 ` βy1 ` αx2 ` βy2 ` αx3 ` βy3

“ αpx1 ` x2 ` x3 q ` βpy1 ` y2 ` y3 q
“αˆ0`βˆ0“0
Par conséquent, F1 est un sous-espace vectoriel de E.
Exemple 1.5.
Le sous-ensemble t0E u “ t0u réduit au vecteur nul est un sous-espace vectoriel de E.

C’est le plus « petit » sous-espace vectoriel de E et c’est le seul qui contient un seul vecteur.
X Conséquence : Une intersection de deux sous-espaces vectoriels de E va toujours

contenir au moins le vecteur nul. En fait, on a le théorème plus général suivant.
Proposition 1.1. L’intersection de deux sous-espaces vectoriels de E est un sous-espace

vectoriel de E.
Démonstration. Soient Fet G deux sous-espaces vectoriels de E.

$ ,
& F s.e.v. de E ùñ 0 P F . ´ ¯
ùñ 0 P F X G
% G s.e.v. de E ùñ 0 P G -
Soient u, v P F X G et α, β P R.
On a :
$ ,
& F s.e.v. de E . ´ ¯
ùñ αu ` βv P F car F est stable par combinaison linéaire
% u, v P F -
$ ,
& G s.e.v. de E . ´ ¯
ùñ αu ` βv P G car G est stable par combinaison linéaire
% u, v P G -
D’où αu ` βv P F X G.
9
X Pour illustrer cette proposition, considérons le sous-espace F2 défini par :
! )
F2 “ x P E { x1 ´ 2x2 ` 3x3 “ 0 (1)
et montrons que F1 X F2 est un sous-espace vectoriel de R3 .

On utilise pour cela la définition 1.3. Si x et y appartiennent à F1 X F2 et si α, β sont
deux réels, on a :
¨ ˛
αx1 ` βy1
˚ ‹
z “ αx ` βy “ ˚ αx2 ` βy2
˚ ‹
‹
˝ ‚
αx3 ` βy3
On a vu précédemment que la somme des composantes de z est nulle.

Considérons maintenant la relation caractéristique de F2 , à savoir :
z1 ´ 2z2 ` 3z3 “ 0
et cherchons à vérifier si elle est satisfaite.

On peut écrire, après une mise en facteurs élémentaire :
z1 ´ 2z2 ` 3z3 “ αpx1 ´ 2x2 ` 3x3 q ` βpy1 ´ 2y2 ` 3y3 q
Comme x et y sont dans F2 , on en déduit :
z1 ´ 2z2 ` 3z3 “ α ˆ 0 ` β ˆ 0 “ 0
On a bien z P F1 X F2 .
X Montrons que, en revanche, F1 Y F2 n’est pas un sous-espace vectoriel en choisis-

sant x P F1 et y P F2 tels que z “ x ` y R F1 Y F2 .
Il suffit de considérer xT “ p2, 1, ´3q P F1 et y T “ p´1, 1, 1q P F2 . On a alors :
¨ ˛
1
˚ ‹
z “x`y “˚ 2 ‹
˚ ‹
˝ ‚
´2
On vérifie immédiatement que z n’appartient ni à F1 ni à F2 .
Remarque 1.5. Ce second exemple montre qu’en général la réunion de deux s.e.v. n’est
pas un s.e.v.
10
1.2.2 Somme et Somme directe
Si on souhaite garder une structure d’espace vectoriel en ajoutant des vecteurs de deux
sous-espaces différents, il faut définir de manière moins restrictive la « somme » de sous-
espaces. Pour cela, considérons l’ensemble défini par :
! )
F12 “ z P R3 { z “ x ` y avec x P F1 et y P F2
F12 est un s.e.v. de E “ R3 . Cette remarque se généralise à la proposition suivante.
Proposition 1.2. Soient F1 , ..., Fk des s.e.v. d’un e.v. E , et soit F un ensemble défini
par :
! k
ÿ )
k
F “ x P E { Dpα1 , ..., αk q P R et u1 P F1 , ..., uk P Fk tels que x “ αi ui
i“1
F est un s.e.v. de E. On dit alors que F est la somme de F1 , F2 ,..., Fk , et on note

F “ F1 ` ... ` Fk .
Dans cette proposition, il n’est pas mentionné que les coefficients α1 , ..., αk et les vecteurs
u1 P F1 , ..., uk P Fk sont définis de manière unique pour x fixé, et c’est d’ailleurs faux en
général. On peut construire un contre-exemple simple en supposant F1 “ F2 .
X Lorsque la décomposition est unique, on utilise une notion légèrement différente, indi-
quée ci-après.
Définition 1.4.
a) On appelle somme directe de F “ F1 ` ... ` Fk le s.e.v. de E, lorsqu’il existe, tel

k
ř
que tout x de F se décompose de manière unique en x “ αi ui où pα1 , ..., αk q P Rk
i“1
et u1 P F1 ,...,uk P Fk . On note alors :
k
à
F“ Fi
i“1
b) Si E est la somme directe de deux s.e.v. F1 et F2 , on dit qu’ils sont supplémen-

taires.
La somme directe de s.e.v. n’existe pas toujours car la composition évoquée dans la défi-
nition n’est pas forcément unique.
L’intuition est que, dans ce dernier cas, les Fi ont des vecteurs en commun autres que les
vecteurs 0. Cette intuition est formalisée par la proposition suivante.
11
Proposition 1.3. Une condition nécessaire pour que la somme directe de Fi soit définie
est que pour tout couple pi, jq, Fi X Fj “ t0u.
Rappelons que comme tout espace vectoriel contient 0, et l’intersection de deux s.e.v.
contient au moins ce vecteur.
1.2.3 Sous-espace vectoriel engendré
Définition 1.5. Soit F Ă E. Le sous-espace vectoriel engendré par F, noté V ectpFq, est
le plus petit des sous-espaces vectoriels de E contenant F.
X Justification :
L’ensemble E des sous-espaces vectoriels de E contenant F n’est pas vide, puisqu’il contient
E.
Ş
L’intersection XPE X est un sous-espace vectoriel de E contenant A, et est contenu dans
chaque X de E, c’est donc bien le plus petit des éléments de E.
Proposition 1.4.
1. V ectpHq “ t0u
2. Si u P E\t0u, V ectptuuq “ tλu, λ P Ru, noté aussi V ectpuq.
3. F est un sous-espace vectoriel de E si et seulement si V ectpFq “ F.
4. Si F est un sous-espace vectoriel de E, et si G Ă F, alors V ectpGq Ă F.
5. Soient Fet G deux s.e.v. Si G Ă F, alors V ectpGq Ă V ectpFq.

En effet : si G Ă F “ V ectpFq, donc G Ă V ectpFq. D’où V ectpGq Ă V ectpFq
(d’après le point précédent).
1.3 Base et Dimension d’un espace vectoriel
Dans l’Exemple 1.4, nous avons montré qu’à partir d’un certain nombre de vecteurs de
référence (y 0 et les y k , k=1,2), il était possible, par combinaison, de construire n’importe
quel vecteur de R3 .
Il faut maintenant préciser ce qu’on entend par « combinaison » et spécifier les condi-
tions dans lesquelles un sous vecteur permet d’obtenir tous les vecteurs de l’espace par
combinaison.
12
1.3.1 Combinaisons linéaires et familles liées
Définition 1.6. Soient u1 , u2 , ..., uk des vecteurs de E et α1 , α2 , ..., αk des nombres réels.
On appelle combinaison linéaire des uj avec les coefficients αj le vecteur x défini par :
k
ÿ
x “ α1 u1 ` α2 u2 ` ... ` αk uk “ αj uj
j“1
X Cette notion de combinaison linéaire est fondamentale car, comme nous l’avons vu
dans l’Exemple 1.4 si les vecteurs uj désignent des valeurs futures d’actifs financiers dans
différents états de la nature, le vecteurs x représente les valeurs du portefeuille contenant
αj , pour j “ 1, ..., k.
Nous reproduisons au Tableau 1 les données correspondantes au model compensatoire
linéaire dans lequel un consommateur donne des notes à des ordinateurs portables sur
différents attributs (quatre attributs dans cet exemple) et affecte ensuite une note globale
en pondérant les attributs.
Table 1 – Notes sur les attributs des quatre ordinateurs

ordinateur puissance de calcul performances graphiques logiciels prix
A 10 8 6 4
B 8 6 8 3
C 6 8 10 5
D 4 3 7 8
Le vecteur des poids accordés par le consommateur à ces attributs est défini par :
¨ ˛
40%
˚ ‹
˚ ‹
˚ 30% ‹
α“˚ ˚ ‹
‹
˚ 20% ‹
˝ ‚
10%
Chaque attribut peut être vu comme un vecteur de R4 dont les composantes sont les notes
des quatre ordinateurs.
On notera u1 , u2 , u3 , u4 ces attributs pour calcul, graphique, logiciel, prix. Dans ce cadre,
le vecteur des notes finales s’écrit comme la combinaison linéaire.
α1 u1 ` α2 u2 ` α3 u3 ` α4 u4
13
On remarque que le vecteur final peut être obtenu en faisant le produit de la matrice (4,4)
des notes par la matrice des poids α de dimensions (4,1), sous la forme :
¨ ˛¨ ˛ ¨ ˛
10 8 6 4 0.4 8
˚ ‹˚ ‹ ˚ ‹
˚ ‹˚ ‹ ˚ ‹
˚ 8 6 8 3 ‹ ˚ 0.3 ‹ ˚ 6.9 ‹
˚ ‹˚ ‹“˚ ‹
˚ ‹˚ ‹ ˚ ‹
˚ 6 8 10 5 ‹ ˚ 0.2 ‹ ˚ 7.3 ‹
˝ ‚˝ ‚ ˝ ‚
4 3 7 8 0.1 4.7
Il reste au consommateur à choisir l’ordinateur correspondant à la composante la plus

élevée du vecteur des résultats, c’est à dire l’ordinateur A.
On comprend mieux pourquoi ce modèle est appelé compensatoire linéaire. Il y a, en effet,
combinaison linéaire des attributs pour obtenir un vecteur de notes permettant de faire
un choix.
X Plus généralement, la proposition suivante illustre l’importance de la notion de combi-

naison linéaire de vecteurs dans la construction d’un espace vectoriel.
Proposition 1.5. Soient u1 , u2 , ..., uk des vecteurs de E et notons F l’ensemble des com-
binaisons linéaires de vecteurs uj , j “ 1, ..., k, c’est à dire :
! k
ÿ )
k
F “ x P E { Dα P R , x “ αj uj
j“1
Alors, F est un s.e.v. de E.
Cette proposition n’est rien d’autre qu’un cas particulier de la Proposition 1.2 dans la-
quelle Fj serait l’espace vectoriel engendré par uj .
Définition 1.7. Soient u1 , u2 , ..., uk des vecteurs de E. Ils sont dits linéairement dé-
pendants s’il existe des coefficients α “ pα1 , α2 , ..., αk q avec α ‰ 0 tels que :
k
ÿ
αj uj “ 0 (2)
j“1
On dit aussi que u1 , u2 , ..., uk est une famille liée.
X Cette définition traduit le fait qu’un quelconque uj des k vecteurs peut s’écrire comme
une combinaison linéaire des autres vecteurs. En effet, s’il existe un indice j tel que αj ‰ 0,
14
on peut écrire :
k
ÿ αi
uj “ ´ ui
α
i“1 j
i‰j
Remarque 1.6. Si k vecteurs forment une famille liée (ils sont linéairement dépendants),
on peut ajouter un nombre quelconque de vecteurs à cette famille, elle restera liée.
En effet, il suffira d’affecter des coefficients nuls aux nouveaux vecteurs pour retrouver
une relation comme celle de la définition précédente.
Exemple 1.6.
Considérons les trois vecteurs de R3 suivants :

¨ ˛ ¨ ˛ ¨ ˛
1 4 3
˚ ‹ ˚ ‹ ˚ ‹
u1 “ ˚ 3 ‹ u2 “ ˚ ´1 ‹ u3 “ ˚ ´4 ‹
˚ ‹ ˚ ‹ ˚ ‹
˝ ‚ ˝ ‚ ˝ ‚
2 3 1
Ces vecteurs sont liés par la relation u3 “ ú1 ` u2 .

Le vecteur u3 s’écrit ainsi comme combinaison linéaire de u1 et u2 et on a :
ú1 ` u2 ´ u3 “ 0
Cette famille est donc liée.
1.3.2 Combinaisons linéaires et familles libres, systèmes générateurs
Définition 1.8. Soient u1 , u2 , ..., uk des vecteurs de E. Ils sont dits linéairement indé-
pendants s’ils ne constituent pas une famille liée. On dit alors qu’il s’agit d’une famille
libre.
En d’autres termes, si u1 , u2 , ..., uk est une famille libre, on a l’implication

k
ÿ
αj uj “ 0 ùñ α “ pα1 , α2 , ..., αk q “ 0 (3)
j“1
Remarque 1.7. En particulier, deux vecteurs u1 et u2 sont linéairement indépen-

dants s’il n’existe pas de réel β tel que u2 “ βu1 , c’est-à-dire si les deux vecteurs ne
sont pas proportionnels.
Exemple 1.7.
15
Soient u1 et u2 les vecteurs de R3 définis par :
¨ ˛ ¨ ˛
1 2
˚ ‹ ˚ ‹
u1 “ ˚ 4 ‹ u2 “ ˚ 1
˚ ‹ ˚ ‹
‹
˝ ‚ ˝ ‚
2 3
Ces vecteurs sont linéairement indépendants. En effet, supposons qu’il existe deux réels
non nuls α et β tels que :
αu1 ` βu2 “ 0
On peut alors écrire :

α ` 2β “ 0
4α ` β “ 0
2α ` 3β “ 0
On déduit de la seconde équation que β “ ´4α. En remplaçant β par sa valeur dans

la première, on obtient α ` 2p´4αq “ 0, c’est à dire α “ 0 et cela implique, par l’une
quelconque des trois équations, que β “ 0. Ce résultat contredit l’hypothèse selon laquelle
α et β sont non nuls.
On a, pour les familles libres, une propriété symétrique à celle mentionnée pour les familles
liées.
Proposition 1.6. Si k vecteurs forment une famille libre, un sous-ensemble quelconque

de ces vecteurs est encore une famille libre.
X Pour illustrer cette propriété, considérons k vecteurs u1 , u2 , ..., uk formant un famille

libre B et supposons qu’il existe un sous-ensemble B ˚ de p vecteurs formant une famille
liée. Pour simplifier, supposons que B ˚ “ tu1 , u2 , ..., up u. Il existe alors α P Rp , α ‰ 0 tel
p
ř
que αi ui “ 0. En posant αp`1 “ αp`2 “ ... “ αk “ 0, on peut aussi écrire :
i“1
k
ÿ
αi ui “ 0
i“1
et les αi ne sont pas tous nuls. Cette égalité contredit l’hypothèse selon laquelle B est une
famille libre.
16
Définition 1.9. Une famille (u1 , u2 , ..., uk ) de vecteurs de E est appelée système géné-
rateur (ou famille génératrice) si tout x P E s’écrit comme une combinaison linéaire
de (u1 , u2 , ..., uk ).
k
ÿ
k
@x P E, Dα P R tel que x “ α1 u1 ` α2 u2 ` ... ` αk uk “ αj uj
j“1
X Lorsqu’une famille B de vecteurs est un systéme générateur d’un espace vectoriel E (on
dit aussi que B engendre E), toute famille B ˚ qui contient B engendre aussi E. Cependant,
si B ˚ Ą B et B ˚ ‰ B alors B ˚ est forcément liée.
X Il est alors naturel de s’interroger sur la plus « petite » famille engendrant E, c’est-à-
dire celle qui contient le moins d’éléments.
1.3.3 Bases
Définition 1.10. Une famille B de vecteurs de E est une base de E si B est une famille
libre et si elle engendre E.
Lorsque B est liée et engendre E, on peut toujours, pour un vecteur x quelconque, trouver
plusieurs combinaisons linéaires des vecteurs de B qui sont égales à x. En effet, supposons
que :
n
ÿ
x “ α1 u1 ` α2 u2 ` ... ` αn un “ αi ui
i“1
avec B “ tu1 , u2 , ..., un u.
n
ř
X Si B est liée, on peut par exemple écrire u1 “ βi ui . En remplaçant ui par sa valeur,
i“2
on obtient :
n
ÿ
x“ pαi ` α1 βi qui
i“2
ce qui donne une seconde combinaison linéaire des vecteurs de B égale à x.
X Dans le cas où B est libre, cette décomposition est unique, ce qui se traduit par la
proposition suivante.
Proposition 1.7. Une famille B “ tu1 , ..., un u est une base d’un espace vectoriel E si
et seulement si tout vecteur x P E s’écrit d’une manière unique comme combinaison
17
linéaire des vecteurs de B. On a alors :
n
ÿ
x “ α1 u1 ` α2 u2 ` ... ` αn un “ αi ui
i“1
et les αi , sont appelés coordonnées (ou composantes) de x dans la base B.
X Chaque fois qu’on se donne une base B et un vecteur x, ce dernier est caractérisé par
n
ř
les coefficients αT “ pα1 , ..., αn q tels que x “ α1 u1 ` α2 u2 ` ... ` αn un “ αi ui .
i“1
Les coefficients pα1 , α2 , ..., αn q dépendent de la base choisie.
Exemple 1.8. E “ R2 ,
X “ px, yq “ xp1, 0q ` yp0, 1q “ xe1 ` ye2 avec e1 “ p0, 1q e2 “ p0, 1q.
Tout élément de R2 est une combinaison linéaire de e1 et e2 , i.e. te1 , e2 u est un système
générateur.
Soit α1 , α2 des réels. On a : α1 p1, 0q ` α2 p0, 1q “ p0, 0q c’est à dire pα1 , α2 q “ p0, 0q donc
α1 “ α2 “ 0.
Donc la famille te1 , e2 u est libre d’ où te1 , e2 u est une base.
Exemple 1.9. E “ Rn ,
La base la plus « simple » de E est appelée base canonique et notée e1 , ..., en où ces
vecteurs sont définis par :
e1 “ p1, 0, ..., 0q; e2 “ p0, 1, ..., 0q; ... ; en “ p0, 0, ..., 1q
Le vecteur ei a toutes ses composantes nulles sauf la i-ième qui est égale à 1.
Par conséquent, pour tout vecteur xT “ px1 , ..., xn q, on a la décomposition suivante :
n
ÿ
x “ x1 e1 ` x2 e2 ` ... ` xn en “ xi ei
i“1
Remarque 1.8. Soit A “ tx1 , x2 , ..., xn u avec xi P Rn . La partie A est libre si
detpx1 , x2 , ..., xn q ‰ 0.
Voir plus tard, le chapitre sur le déterminant d’une matrice.
18
1.3.4 Dimension
Définition 1.11. Un espace E est de dimension finie s’il possède un système générateur
comptant un nombre fini de vecteurs. Dans ce cas, on appelle dimension de E, et on note
dim(E), le nombre de vecteurs 2 d’une base de E.
X Pour que cette définition caractérise sans ambiguïté la dimension, il faut que toutes
les bases d’un espace de dimension finie comptent le même nombre de vecteurs, ce que
précise la proposition suivante.
Proposition 1.8. Soient B1 et B2 deux bases d’un espace E de dimension finie. On a

alors,
CardpB1 q “ CardpB2 q
Exemple 1.10. dim Rn “ n
Théorème 1.2. Soit E un espace vectoriel sur R de dimension finie et F un sous-espace

vectoriel de E avec F ‰ E, alors :
1. F est de dimension finie.
2. dim F ď dim E.
3. dim F= dim E alors E = F.
Remarque 1.9. Le seul espace vectoriel de dimension nulle est le singleton t~0u.
Théorème 1.3. Soient E et F des espaces vectoriels de dimensions finies alors
dimpE ` Fq “ dim E ` dim F ´ dimpE X Fq.
Remarque 1.10. Soit E un espace vectoriel de dimension finie. Soit A une partie de E
(notons que dim E “ n).
Si card A = n et A est libre alors A est une base de E.
Remarque 1.11. La définition 1.11 montre qu’on ne peut identifier la dimension d’un
e.v. avec le nombre de vecteurs d’un système générateur mais seulement avec le nombre de
vecteurs d’une base (i.e. des vecteurs linéairement indépendants). Par conséquent, dans
toute famille de vecteurs d’un espace E de dimension finie, il existe un nombre maximal
de vecteurs linéairement indépendants qui est, égal à la dimension de l’espace.
2. Par convention, l’espace réduit au vecteur nul est de dimension égale à 0.
19
Proposition 1.9. Soit B “ pu1 , ..., un q une base de E et x un vecteur quelconque de E.
Alors, la famille Bx “ pu1 , ..., un , xq est liée.
n
ř
X En effet, x se décompose de manière unique sous la forme xi ui puisque B est une
i“1
base. Par conséquent, on peut trouver (α1 , ..., αn , αn`1 ) non tous nuls tels que :
n
ÿ
αi ui ` αn`1 x “ 0
i“1
Il suffit de choisir αi “ xi et αn`1 “ ´1, et la définition 1.7 implique que Bx est liée.
1.3.5 Rang
Définition 1.12. Soit B une famille de vecteurs de E. On appelle rang de B et on note

rgpBq le nombre maximal de vecteurs linéairement indépendants de B.
X Dans la proposition 1.5, nous avons montré que l’ensemble des combinaisons linéaires
d’un ensemble de vecteurs de E formait un s.e.v. de E.
X De plus, on ne modifie pas rgpBq en ajoutant à B un vecteur combinaison linéaire des
vecteurs de B.
Par conséquent, on a la proposition suivante.
Théorème 1.4.
1) Soit B une famille de vecteurs de E. L’ensemble des combinaisons linéaires de vecteurs

de B est un s.e.v. (noté F) de dimension p “ rgpBq.
2) Soit v un vecteur qui ne s’écrit pas comme combinaison linéaire des vecteurs de B. On
a alors :
ď
rgpB tvuq “ rgpBq ` 1
Démonstration. Le point 1) de cette proposition résulte directement de la définition du

rang de B.
Ť
Notons G l’ensemble des combinaisons linéaires de vecteurs de B tvu. Par le point 1),
Ť
on sait que dimpGq “ rgpB tvuq. Or, il existe une famille u1 , u2 , ..., un de vecteurs
linéairement indépendants dans B. La famille tu1 , u2 , ..., up , vu est libre et donc dimpGq “
p ` 1.
20
2 MATRICES
Dans ce chapitre, on définit formellement les matrices et les différentes formes qu’elles
peuvent prendre. Nous précisons les règles élémentaires de calcul, à savoir l’addition de
deux matrices et la multiplication d’une matrice par un nombre réel. Nous abordons aussi
le déterminant et l’inverse d’une matrice carrée.
2.1 Généralités
2.1.1 Définitions
On appelle matrice à coefficients réels, tout tableau ayant m lignes et n colonnes de la

forme
» fi
a a12 . . . a1n
— 11 ffi
— ffi
— a21 a22 . . . a2n ffi
M “—
— .. .. ... ..
ffi , aij P R
ffi
— . . . ffi
– fl
am1 am2 . . . amn
Une telle matrice est dite matrice de m ě 1 lignes et de n ě 1 colonnes et l’ensemble des
matrices de m lignes et n colonnes de scalaires de R se note Mm,n pRq.
Exemple 2.1.
» fi
2
” ı — ffi
A“ P M1,1 pRq; B “ — 0 ffi P M3,1 pRq
— ffi
a
– fl
1
» fi
8 2 1 0
” ı — ffi
C“ P M1,4 pRq; D “ — 5 0 ´1 3 ffi P M3,4 pRq
— ffi
0 ´1 2 6
– fl
7 4 ´1 0
Pour cette dernière matrice, nous pouvons la noter D “ pdij q1ďiď3, 1ďjď4 .
Nous avons alors l’identification :
$ ,
’ d “ 8, d “ 2, d “ 1, d “ 0 /
& 11 12 13 14
’
’ /
/
.
d21 “ 5, d22 “ 0, d23 “ ´1, d24 “ 3
’
’ /
/
’
% d “ 7, d “ 4, d “ ´1, d “ 0 / -
31 32 33 34
21
X L’exemple ci-dessus donne une illustration sur l’importance du calcul matriciel en
économie et en gestion, qui fait l’objet du présent chapitre.
Exemple 2.2. Un hypermarché commercialise quatre marque de yaourts (qu’on numéro-

tera 1,2,3 et 4) et a réalisé une enquête auprès de ses clients pour analyser la fidélité à la
marque. Les interviewés étaient interrogés juste après avoir pris de yaourts dans le rayon
et répondaient à la question suivante : « Quelle marque aviez vous choisie la dernière fois
que vous avez acheté des yaourts ? » L’enquêteur notait la marque achetée le jour de
l’enquête et celle annoncée par le client et correspondant à l’achat précédent.
Les résultats de l’enquête peuvent être résumés dans une matrice M de dimensions (4,4)
dans laquelle le ligne i donne la répartition des acheteurs de la marque i qui avaient choisi
les marques j P t1, 2, 3, 4u lors de leur précédent achat.
Si on note mij le terme de la matrice M figurant à la i-iéme ligne et la j-ième colonne,
mij indique donc la proportion d’acheteurs qui, achetant la marque i aujourd’hui avaient
acheté la marque j la fois précédente. Les résultats sont synthétisés dans la matrice (4,4)
suivante :
» fi
0.8 0.1 0.05 0.05
— ffi
— ffi
— 0.03 0.85 0.04 0.08 ffi
M “—
—
ffi
ffi
— 0.12 0.04 0.78 0.06 ffi
– fl
0.09 0.03 0.05 0.83
Par exemple m12 “ 0.1 signifie que parmi les acheteurs de la marque A, 10% d’entre eux
avaient acheté la marque B la fois précédente. La somme des termes de chaque ligne i est
égale à 1, c’est-à-dire 100% des acheteurs de la marque i.
Il s’agit d’un exemple simplifié car on ajoute en général une possibilité de réponse « Autre»
pour tenir compte du cas où l’acheteur avait choisi une autre marque que les quatre pro-
posées lors de son dernier achat, ou éventuellement pour faire face au cas de l’acheteur
qui achète des yaourts pour la première fois !
Cet exemple montre que le concept de matrice, ou simplement de tableau de données,

intervient naturellement dans les études économiques et/ou statistiques. Dans le cas de
l’hypermarché, ou pourra chercher à déterminer les parts de marché d’équilibre des quatre
marques en supposant une certaine stabilité des comportements dans le temps (ou plus
22
précisément une stabilité des comportements de changement de marque dans le temps) ;
la problématique est comparable à celle de notation des entreprises.
2.1.2 Matrices nulles
La matrice de Mm,n pRq dont tous les éléments sont nuls est appelée matrice nulle de m
lignes et de n colonnes.
» fi
0 0 ... 0
— ffi
— ffi
— 0 0 ... 0 ffi
M “— .. .. . . ..
ffi
.
— ffi
— . . . ffi
– fl
0 0 ... 0
2.1.3 Matrices colonnes
Dans toute la suite, nous appelons une matrice d’une seule colonne de la forme
» fi
a1
— ffi
— ffi
— a2 ffi
M “ — . ffiffi P Mm,1 pRq
—
— .. ffi
– fl
am
sous le nom de matrice colonne et l’ensemble de ces matrices est notée
Mm,1 pRq “ Rm
2.1.4 Matrices lignes
Une matrice d’une seule ligne est dite matrice ligne et est de la forme
” ı
A“ a1 a2 . . . an P M1,n
2.1.5 Matrice carrée
Une matrice M est carrée si m “ n, c’est à dire qu’elle a le même nombre de lignes et de
colonnes.
X L’ensemble des matrices carrées de n lignes et de n colonnes est dite matrice carrée
23
d’ordre n.
» fi
a11 a12 . . . a1n
— ffi
— ffi
— a21 a22 . . . a2n ffi
A“— . . . .. ffi P Mn,n pRq “ Mn pRq
ffi
— .. ..
— . . . ffi
– fl
an1 an2 . . . ann
Remarque 2.1. Les matrices carrées d’odre n possèdent plusieurs subdivisions.
2.1.6 Matrices triangulaires
D’abord, il faut définir la diagonale d’une matrice carrée, constituée des termes de la
forme aii , 1ďiďn .
» fi
a11
— ffi
— ffi
— a22 ffi
A“— ffi P Mn,n pRq “ Mn pRq
..
.
— ffi
— ffi
– fl
ann
Tous les éléments au dessus de la diagonale définissent la sur-diagonale, c’est à dire les
éléments se situant à la ligne i et la colonne j avec j ě i.
Tous les éléments en dessous de la diagonale définissent la sous-diagonale, c’est à dire les
éléments se situant à la ligne i et la colonne j avec j ď i.
Définition 2.1. Une matrice est dite triangulaire si tous les termes de la surdiagonale
sont nuls, ou tous les termes de la sous-diagonale sont nuls. Elle est dite triangulaire
supérieure si tous les termes de la sous-diagonale sont nuls, triangulaire inférieure si tous
les termes de la sur-diagonale sont nuls.
X Donnons les deux exemples de matrices triangulaires, la première inférieure et la

deuxième supérieure.
Exemple 2.3.
» fi
» 1 1 9 0
fi
1 0 —
—0 ffi
ffi
— ffi — 0 ´1 3 0 ffi
— 3 3 0 ffi et —
— ffi ffi
— ffi
– fl — 0 0 2 7 ffi
0 ´1 2 – fl
0 0 0 3
24
2.1.7 Matrice diagonale
Il s’agit d’une matrice carrée dont tous les termes non diagonaux sont nuls. Ou encore, il
s’agit d’une matrice carrée à la fois triangulaire supérieure et inférieure. Dans ce cas, on
peut se contenter de citer seulement la diagonale :
» fi
λ1
— ffi
— ffi
— λ2 ffi
Λ“— — ...
ffi “ diagpλ1 , λ2 , . . . , λn q
ffi
— ffi
– fl
λn
La notation diagpλ1 , λ2 , . . . , λn q veut dire qu’il s’agit d’une matrice diagonale et que la
diagonale contient les scalaires λ1 , λ2 , . . . , λn .
On utilise le symbole de Kronecker
$
& 1, si i“j ;
δij “
% 0, si i‰ j.
pour représenter une matrice diagonale ainsi
Λ “ diagpλi δij q1ďi,jďn
Ainsi, si i “ j, le terme diagonal est λi , sinon, il est nul, car le symbole de Kronecker est
nul.
2.1.8 Matrice Identité
Parmi les matrices diagonales, on peut remarquer celle dont les termes diagonaux sont
tous égaux à l’unité de R. On l’appelle matrice identité d’ordre n. Nous expliquerons plus
tard, pour quoi cette appellation. Nous la notons :
» fi
λ
— 1 ffi
— ffi
— λ2 ffi
In “ ——
..
ffi “ pδij q1ďi,jďn
.
ffi
— ffi
– fl
λn
25
Exemple 2.4.
» fi
» fi 1 0 0
1 0 — ffi
I2 “ – et I3 “ — 0 1 0
fl — ffi
ffi
0 1 – fl
0 0 1
2.1.9 Matrice transposée
Notations : Nous noterons une matrice avec une lettre capitale A, B, C etc. Pour une
matrice A par exemple, le terme d’ordre i et j sera notée avec la lettre minuscule aij .
Ainsi nous écrirons
A “ paij q1ďiďm,1ďjďn
Nous pouvons aussi noter le terme ij par pAqij pour avoir
A “ ppAqij q1ďiďm,1ďjďn P Mm,n
Nous pouvons aussi considérer A comme un ensemble de n colonnes ainsi
A “ rA1 , A2 , ..., Aj , ..., An s
avec la j-ième colonne étant

» fi
a
— 1j ffi
— ffi
— a2j ffi
Aj “ —
— ..
ffi
ffi
— . ffi
– fl
amj
Nous pouvons aussi considérer A comme un ensemble de m lignes ainsi

» fi
A
— 1 ffi
— ffi
— A2 ffi
A“— ffi
— .. ffi
— . ffi
– fl
Am
avec la i-ième ligne étant

” ı
Ai “ ai1 ai2 . . . ain
26
» fi
A1
— ffi
— ffi
— A2 ffi
X Soit A “ paij q1ďiďm,1ďjďn “— ffi “ rA1 , A2 , ..., Aj , ..., An s, une matrice de m lignes
— .. ffi
— . ffi
– fl
Am
et de n colonnes.
Définition 2.2. On appelle matrice transposée de A, notée At la matrice de n lignes et

de m colonnes dont les lignes sont les colonnes de A, ou dont les colonnes sont les lignes
de A.
Chacune des formules ci-dessous définit la transposée de A.
At P Mn,m ; pAt qji “ paji q, 1 ď i ď m, 1 ď j ď n
ou
At “ rpAt q1 , pAt q2 , ..., pAt qj , ..., pAt qn s
ou
» fi
pA1 qt
— ffi
— pA2 qt
— ffi
t
ffi
A “—
— ..
ffi
ffi
— . ffi
– fl
pAm qt
Exemple 2.5.
» fit
1 2
— ffi ¨ ˛
— ffi
— 0 ´1 ffi 1 0 4 1
— ffi “ ˝ ‚
— ffi
— 4 5 ffi 2 ´1 5 9
– fl
1 9
2.1.10 Matrice symétrique
Définition 2.3. Une matrice carrée A est dite symétrique si elle est égale à sa propre
transposée, c’est à dire At “ A
Exemple 2.6.
» fi
5 3 ´2
— ffi
A“— 3 3
— ffi
0 ffi
– fl
´2 0 1
27
2.1.11 Trace d’une matrice
Définition 2.4. On appelle trace d’une matrice carrée A de dimension n la somme de

ses termes diagonaux qu’on note T rpAq.
n
ÿ
T rpAq “ aii
i“1
Les propriétés essentielles de la trace d’une matrice sont résumées dans la proposition
suivante.
Proposition 2.1. Soient A et B deux matrices carrées de dimension n et c P R. On a :
T rpcA ` Bq “ cT rpAq ` T rpBq
T rpABq “ T rpBAq
2.1.12 Concaténation de deux matrices
Définition 2.5. 1. Soient A et B deux matrices de n lignes, comptant respectivement p et

“ ‰
m colonnes. On appelle matrice concaténée de A et B, la matrice C (notée aussi A|B )
de dimensions (n,m+p) définie par :
» fi
a . . . a1p b11 . . . b1m
— 11 ffi
— ffi
— a21 . . . a2p b21 . . . b2m ffi
C“— — .. . . . .. .. . . .
ffi
. ..
ffi
— . . . ffi
– fl
an1 . . . anp bn1 . . . bnm
2. Soient A et B deux matrices à p colonnes, comptant respectivement n et k lignes. On
“A‰
appelle matrice concaténée de A et B, la matrice D (notée aussi B ) de dimensions
(n+k,p) définie par :
» fi
a11 . . . a1p
— ffi
— ffi
— a21 . . . a2p ffi
.. . . .
— ffi
. ..
— ffi
— . ffi
— ffi
— ffi
— an1 . . . anp ffi
D“—
—
ffi
ffi
— b11 . . . b1p ffi
— ffi
— ffi
— b21 . . . b2p ffi
— ffi
.. .. .
. ..
— ffi
— . ffi
– fl
bk1 . . . bkp
28
Comme nous allons le voir dans le chapitre sur les Systèmes Linéaires, la concaténation
de matrices est utilisée, entre autres, pour simplifier la formulation de transformations
matricielles dans le cadre de la résolution de systèmes linéaires d’équations.
2.2 Opérations sur les matrices
On peut définir sur les matrices trois opérations :

– la somme de deux matrices de même type,
– le produit extérieur d’une matrice par un scalaire,
– le produit de deux matrices conformes.
2.2.1 Somme de matrices
Deux matrices sont de même type lorsqu’elles ont le même ensemble de scalaires, le même
nombre de lignes et le même nombre de colonnes.
Soit alors A et B deux matrices à coefficients dans R, de même lignes (m) et de même
colonnes (n), i.e. A, B P Mm,n .
On définit la matrice A ` B, somme de A et B, comme la matrice de m lignes et de n
colonnes dont le terme pi, jq est la somme des deux termes pi, jq de A et de B. On note
ainsi :
A ` B P Mm,n pRq, pA ` Bqij “ pAqij ` pBqij “ aij ` bij , 1 ď i ď m, 1 ď j ď n
Exemple 2.7.
» fi » fi » fi
1 1 2 4 6 ´6 5 7 ´4
– fl ` – fl “ – fl
20 5 ´2 1 0 7 21 5 5
Proposition 2.2.
1. Associativité : l’opération + est associative dans Mm,n pRq, c’est à dire

@pA, B, Cq P Mm,n pRq3 , pA ` Bq ` C “ A ` pB ` Cq “ A ` B ` C
2. Commutativité : @pA, Bq P Mm,n pRq2 , A`B “BÀ
3. Élément nul : soit la matrice O P Mm,n pRq dont tous les termes sont nuls, c’est
à dire : Oij “ 0, @ 1 ď i ď m, 1 ď j ď n. Il est évident qu’on a :
@A P Mm,n pRq, AÒ “OÀ“A
29
car
@A P Mm,n pRq, pA ` Oqij “ pAqij ` Oij “ pAqij , pO ` Aqij “ Oij ` pAqij “ pAqij
si bien que O est un élément neutre de l’addition.
4. Opposé : tout élément de Mm,n pRq admet un opposé. En effet soit A P Mm,n pRq.
Définissons la matrice Á P Mm,n pRq par
pÁqij “ áij
Nous avons clairement
pA ` pÁqqij “ aij ` páij q “ 0
2.2.2 Multiplication externe
Soit λ un scalaire, c’est à dire, un élément de R et une matrice A P Mm,n pRq. Définissons
la matrice λ.A notée aussi λA dont les termes sont ceux de A multipliés par λ, c’est à
dire pλAqij “ λaij .
Exemple 2.8.
» fi » fi
1 1 2 2 2 4
2– fl “ – fl
20 5 ´2 40 10 ´4
Proposition 2.3.
1. L’élément unité de R, noté 1R , laisse invariantes les matrices, c’est à dire : A P

Mm,n pRq, 1R .A “ A car @A P Mm,n pRq, p1R .Aqij “ 1R .pAqij “ pAqij
2. L’élément nul de R est un élément absorbant, c’est à dire
@A P Mm,n pRq, 0R .A “ O (O étant la matrice nulle)
car
@A P Mm,n pRq, p0R .Aqij “ 0R .pAqij “ 0
3. On a aussi
30
@A P Mm,n pRq, ´1R .A “ Á
c’est à dire que : la multiplication d’une matrice par l’opposé de l’élément unité de
R donne l’opposée de la matrice dans Mm,n pRq, car
@A P Mm,n pRq, p´1R .Aqij “ ´1R .aij
Mais aussi, on a :
0.aij “ p1R ` p´1R qqaij “ 1R aij ` p´1R aij q “ aij ` p´1R aij q
d’où
p´1R aij q “ áij
et
@A P Mm,n pRq, p´1R .Aqij “ áij “ pÁqij
4. La multiplication externe est distributive par rapport à l’addition sur R et sur Mm,n pRq,
c’est à dire
@pλ, µq P R2 , @pA, Bq P Mm,n pRq2 , pλ ` µqA “ λA ` µA, λpA ` Bq “ λA ` λB.
On a aussi : λpµAq “ pλµqA.
X L’ensemble Mm,n pRq muni de l’addition interne (+) et de la multiplication externe (.)
est un espace vectoriel sur R.
2.2.3 Produit de matrices
On ne peut définir le produit de matrices que lorsqu’elles sont conformes. Deux matrices
A et B sont conformes si le nombre de colonnes de A égale au nombre de lignes de B. Les
éléments de Mm,n pRq et ceux de Mn,k pRq sont conformes.
Définition 2.6. On Définit le produit d’une matrice ligne X de n colonnes et d’une

matrice colonne Y de n lignes
» fi
y1
— ffi
— ffi
— y2 ffi
X “ rx1 , x2 , . . . , xn s, Y “ —
— ..
ffi
ffi
— . ffi
– fl
yn
par XY “ x1 y1 ` x2 y2 ` . . . ` xn yn
31
Exemple 2.9.
» fi
0
— ffi
r1 ´ 2 4s — 4 ffi “ p1 ˆ 0q ` p´2 ˆ 4q ` p4 ˆ 3q “ 4
— ffi
– fl
3
Exemple 2.10. Valorisation d’un portefeuille.

Le tableau suivant montre les cours hebdomadaires de clôture de quatre titres (Tigo,
Orange, TFM TV, Sénélec) cotés à la Bourse de Paris pendant cinq semaines succes-
sives (du 2 au 30 Janvier 2010).
Un investisseur possède un portefeuille Q qu’on écrira sous la forme d’une matrice à
quatre lignes et une colonne :
¨ ˛
1000
˚ ‹
˚ ‹
˚ 500 ‹
Q“˚
˚
‹
‹
˚ 100 ‹
˝ ‚
800
Chacun des nombres correspondant à la quantité de titres détenue pour chacun des quatre
titres.
Table 2 – Cours de clôture de quatre titres

Date Tigo Orange TFM TV Sénélec
02/01 11.45 21.87 20.31 33.3
09/01 11.05 19.51 20.75 34.55
16/01 10.58 18.68 20.52 36.65
23/01 10.99 19.29 19.69 36.43
30/01 11.56 18.14 19.83 36.55
Cet investisseur souhaite suivre l’évolution de la valeur de son portefeuille pendant ce

mois de Janvier 2010. La réponse est assez naturelle ; il suffit de multiplier, pour chaque
titre, la quantité détenue par le prix et d’ajouter les quatre valeurs détenues.
‚ Le 2 janvier, la valeur du portefeuille s’écrit comme le produit de deux matrices A1 et
Q, avec A1 “ r11.45 21.87 20.31 33.3s (matrice ligne).
On obtient : A1 Q “ 11.45 ˆ 1000 ` 21.87 ˆ 500 ` 20.31 ˆ 100 ` 33.3 ˆ 800 “ 51056 euros.
32
‚ Le 9 janvier, la valeur du portefeuille s’écrit comme le produit de deux matrices A2 et
Q, avec A2 “ r11.05 19.51 20.75 34.55s.
On obtient : A2 Q “ 11.05 ˆ 1000 ` 19.51 ˆ 500 ` 20.75 ˆ 100 ` 34.55 ˆ 800 “ 51106 euros.
‚ On procéde de la même façon pour les 16, 23 et 30 Janvier.
On voit alors que la valeur du portefeuille à chaque date résulte du même calcul, réalisé
en multipliant les quantités par les prix de la date correspondante. Dans cet exemple, on
multiplie une matrice à quatre lignes par une matrice à quatre colonnes.
‚ Il apparait que ce mode de calcul peut répondre à de nombreuses problématiques

concrètes et justifie l’importance du calcul matriciel en économie et en gestion, qui fait
l’objet du présent chapitre.
X Nous pouvons maintenant définir le produit quelconque de matrices conformes.
Définition 2.7. Soit A P Mm,n pRq une matrice de m lignes et de n colonnes et B P

Mn,k pRq une matrice de n lignes et de k colonnes, alors le produit AB est une matrice de
m lignes et de k colonnes selon le shéma suivant
Apm,nq ˆ Bpn,kq “ Cpm,kq
dont le terme (i,j) est le produit de la i-ième ligne de A par la j-ième colonne de B,
c’est-à-dire
C “ AB P Mm,k pRq, Cij “ pABqij “ Ai B j
avec
Ai B j “ ai1 b1j ` ai2 b2j ` ... ` ain bnj
Exemple 2.11.
» fi » fi » fi
1 2 0 2 0 8 4
— ffi — ffi — ffi
— ´1 ´2 1 ffi ˆ — 3 2 ffi “ — ´9 ´7 ffi
– fl – fl – fl
0 4 5 ´1 ´3 7 ´7
Remarque 2.2.
33
1. Le produit de matrices est associatif, en ce sens que
pApm,nq ˆ Bpn,kq q ˆ Cpk,pq “ Apm,nq ˆ pBpn,kq ˆ Cpk,pq q
2. Une matrice nulle est absorbante, c’est à dire, que si O est la matrice nulle de
Mm,k pRq, alors pour toute matrice A qui lui est conforme, c’est à dire, ayant k
colonnes, on a O ˆ A “ O.
Exemple 2.12. Lorsqu’un jury de semestre se réunit, il accorde ou non le semestre en

fonction de la moyenne obtenue par chaque étudiant sur l’ensemble des UE (Unité d’En-
seignement). Supposons qu’il y ait (pour simplifier) quatre UE et six étudiants. Les notes
sont reportées dans le tableau. Les UE ont des coefficients respectifs égaux à 3,5,2 et 3. Ce
qui fait un total des coefficients égale à 13. Comment calcule t-on la liste des moyennes
des étudiants ?
Ce calcul s’opère en deux temps. On fait d’abords la somme des notes coefficientées, ce
qui revient à faire le produit de la matrice des notes, notée M , par la matrice-colonne des
coefficients, notée C. On a : C “ r3, 5, 2, 3s. Le produit de la matrice des notes M
Table 3 – Récapulatif des notes

UE 1 UE 2 UE 3 UE 4
Étudiant 1 6 5 7 8
Étudiant 2 13 10 14 11
Étudiant 3 12 9 11 10
Étudiant 4 8 11 9 11
Étudiant 5 16 14 15 13
Étudiant 6 9 13 8 12
par la matrice-colonne des coefficients C donne :

¨ ˛
81
˚ ‹
˚ ‹
˚ 150 ‹
˚ ‹
˚ ‹
˚ 133 ‹
MC “ ˚ ˚
‹
‹
˚ 130 ‹
˚ ‹
˚ ‹
˚ 187 ‹
˝ ‚
144
34
Dans un second temps, il reste à diviser cette matrice par la somme des coefficients, ce
qui revient à multiplier M C par l’inverse de la somme des coefficients.
La matrice-colonne des moyennes s’écrit donc :
¨ ˛ ¨ ˛
81 6.23
˚ ‹ ˚ ‹
˚ ‹ ˚ ‹
˚ 150 ‹ ˚ 11.54 ‹
˚ ‹ ˚ ‹
˚ ‹ ˚ ‹
1 ˚ 133 ‹ ˚ 10.23 ‹
“˚ ‹“˚ ‹
13 ˚ ‹ ˚
˚ 130 ‹ ˚ 10 ‹
‹
˚ ‹ ˚ ‹
˚ ‹ ˚ ‹
˚ 187 ‹ ˚ 14.39 ‹
˝ ‚ ˝ ‚
144 11.08
Il est clair qu’avec trois cents, ou cinq cent ou plus de mille étudiants, ces calculs matriciels
sont réalisés sur un tableur, comme Excel par exemple.
Cet exemple, fait intervenir deux opérations matricielles : le produit de deux matrices
(notes et coefficients) et le produit d’une matrice par un nombre réel (l’inverse de la
somme des coefficients).
35
2.2.4 Quelques exercices
¨ ˛ ¨ ˛
1 2 3 ´1 5 2
Exercice 2.1. Soient les matrices A “ ˝ ‚ et B “ ˝ ‚
1 0 2 2 2 ´1
1. Calculer A+B, 3B, 2A+B, B-A.
2. Donner At et B t .
¨ ˛ ¨ ˛ ¨ ˛
3 8 3
˚ ‹ ˚ ‹ ˚ ‹
˚ ‹ ˚ ‹ ˚ ‹
˚ ´5 ‹ ˚ 12 ‹ ˚ 8 ‹
Exercice 2.2. Soit les vecteurs x “ ˚
˚
‹, y “ ˚
‹ ˚
‹, z “ ˚ ‹
‹ ˚ 3 ‹
˚ 4 ‹ ˚ 1 ‹ ˚ 2 ‹
˝ ‚ ˝ ‚ ˝ ‚
1
2
1 1
et les matrices :
¨ ˛
¨ ˛ 1 3 9 2
2 4 1 5 ¨ ˛ ˚
˚
‹
‹
˚ ‹ 2 10 1 ˚ 4 5 10 10 ‹
A “ ˚ 3 1 1 1 ‹, B “ et C “ ˚
˚ ‹ ˝ ‚ ˚ ‹
‹
˝ ‚ 3 20 30 ˚ 1 1 1 1 ‹
6 10 2 1 ˝ ‚
10 5 2 1
1. Calculer :
(a) u “ 3x ` p 12 qy ´ z.
(b) 5px ´ yq ` p 13 qz.
2. Parmi les opérations suivantes, mettre en évidence et effectuer celles qui sont pos-
sibles : Ax, By, Cy, Cz ` BAx, BC, CAt etCA.
¨ ˛
1 ´1
Exercice 2.3. 1. Soit la matrice carrée M d’ordre 2 avec M “ ˝ ‚
´2 2
2 2
(a) Calculer M . Vérifier que M “ λM . Déterminer λ.
(b) Calculer M 3 et M 4 en fonction de M et λ.
(c) Soit n un entier quelconque. Déduire de (b) l’expression de M n en fonction de
M , λ et n.
(d) Démontrer par récurrence la relation établie sous (c).
¨ ˛
1 2
2. Soit la matrice M “ ˝ ‚
3 5
Déterminer la famille de matrice X telle que le produit MX soit une matrice diago-
nale.
36
2.3 Déterminant et inverse d’une matrice
Le concept de déterminant est un outil mathématique qui sert essentiellement à étudier

l’indépendance linéaire d’un ensemble de vecteurs et à calculer pratiquement l’inverse
d’une matrice.
2.3.1 Les déterminants d’ordre 2

¨ ˛
a11 a12
Définition 2.8. Soit A, une matrice carrée d’ordre 2 de la forme A “ ˝ ‚
a21 a22
Le déterminant de A, noté det(A) est égal au nombre :
a11 a22 ´ a21 a12

¨ ˛
3 1
Exemple 2.13. Le déterminant de la matrice ˝ ‚ est égal à 3 ˆ 5 ´ 4 ˆ 1 “ 11.
4 5
Remarque 2.3. Le déterminant d’une matrice A est une fonction des éléments de cette
matrice. Il peut aussi être considéré comme une fonction de ses vecteurs colonnes, et dans
ce cas on l’écrira detpA1 , A2 q.
Remarque 2.4. On note parfois det(A) sous la forme :

ˇ ˇ
ˇ ˇ
ˇ a11 a12 ˇ
A“ˇ ˇ ˇ
ˇ
ˇ a21 a22 ˇ
2.3.2 Les déterminants d’ordre 3
Le déterminant d’ordre 3 d’une matrice se défini à partir des déterminants d’ordre 2 de

la matrice.
Définition 2.9. Soit la matrice

¨ ˛
a a a
˚ 11 12 13 ‹
A “ ˚ a21 a22 a23
˚ ‹
‹
˝ ‚
a31 a32 a33
Le déterminant de A est défini par la formule

¨ ˛ ¨ ˛ ¨ ˛
a22 a23 a21 a23 a21 a22
detpAq “ a11 det ˝ ‚´ a12 det ˝ ‚` a13 det ˝ ‚
a32 a33 a31 a33 a31 a32
37
X En anticipant sur les déterminants d’ordre n, appelons Aij la matrice obtenue en
supprimant la ligne i et la colonne j de A. On voit immédiatement que cette formule peut
s’écrire :
detpAq “ a11 detpA11 q ´ a12 detpA12 q ` a13 detpA13 q
Exemple 2.14. Soit

¨ ˛
1 5 3
˚ ‹
A“˚ 0 4 1
˚ ‹
‹
˝ ‚
2 8 6
Alors ¨ ˛ ¨ ˛ ¨ ˛
4 1 0 1 0 4
A11 “ ˝ ‚, A12 “ ˝ ‚, A13 “ ˝ ‚
8 6 2 6 2 8
et
ˇ ˇ ˇ ˇ ˇ ˇ
ˇ ˇ ˇ ˇ ˇ ˇ
ˇ 4 1 ˇ ˇ 0 1 ˇ ˇ 0 4 ˇ
detpAq “ 1 ˆ ˇˇ ˇ´5ˆˇ
ˇ ˇ
ˇ`3ˆˇ
ˇ ˇ
ˇ
ˇ
ˇ 8 6 ˇ ˇ 2 6 ˇ ˇ 2 8 ˇ
“ 1p24 ´ 8q ´ 5p0 ´ 2q ` 3p0 ´ 8q “ 16 ` 10 ´ 24 “ 2
X La formule que nous avons donnée dans l’exemple s’appelle le développement du dé-
terminant de A par rapport à la première ligne. Cette formule n’est cependant pas
unique.
On vérifie aisément que la formule
detpAq “ a13 detpA13 q ´ a23 detpA23 q ` a33 detpA33 q
donne exactement le même résultat. Cette formule correspond au développement du dé-

terminant de A par rapport à la troisième colonne.
X En fait le déterminant d’une matrice peut se calculer en développant par rapport à

n’importe quelle ligne ou n’importe quelle colonne de la matrice. La seule précaution à
prendre est d’affecter le signe correct à chaque terme du développement : de manière gé-
nérale, le signe du terme correspondant à l’élément i, j est celui de p´1qi`j .
X Ainsi le développement de A par rapport à sa deuxième colonne :
38
¨ ˛
a
˚ 12 ‹
˚ ‹
˚ a22 ‹
˝ ‚
a23
est de la forme :
detpAq “ p´1q1`2 a12 detpA12 q ` p´1q2`2 a22 detpA22 q ` p´1q3`2 a32 detpA32 q
“ á12 detpA12 q ` a22 detpA22 q ´ a32 detpA32 q
X Méthode de Sarius
¨ ˛
1 ´1 1
˚ ‹
Exemple 2.15. Calculer le déterminant de la matrice A “ ˚ 2 ´3 0 ‹ par la méthode
˚ ‹
˝ ‚
1 1 2
de Sarius.
ˇ ˇ
ˇ ˇ
ˇ 1 ´1 1 ˇ 1 ´1
ˇ ˇ
detpAq “ ˇ 2 ´3 0 ˇ 2 ´3
ˇ ˇ
ˇ ˇ
ˇ ˇ
ˇ 1 1 2 ˇ 1 1
detpAq “ rp1ˆ´3ˆ2q`p´1ˆ0ˆ1q`p1ˆ2ˆ1qs´rp1ˆ´3ˆ1q`p1ˆ0ˆ1q`p2ˆ2ˆ´1qs
detpAq “ p´6 ` 0 ` 2q ´ p´3 ` 0 ` 4q “ p´4q ´ p´7q “ 3
2.3.3 Les déterminants d’ordre n
Définition 2.10. Le mineur |Aij | de l’élément aij de la matrice A est le déterminant de

la matrice Aij , obtenue en supprimant la ie ligne et la j e colonne de A.
Le cofacteur Aij de l’élément aij de la matrice A est égal à p´1qi`j fois le mineur de aij :
Aij “ p´1qi`j |Aij |

¨ ˛
a11 a12
Exemple 2.16. |A23 | “ det ˝ ‚
a31 a32
¨ ˛
a11 a12
On obtient : A23 “ p´1q2`3 |A23 | “ ´det ˝ ‚
a31 a32
Remarque 2.5. 1. On appelle parfois le cofacteur Aij le mineur signé de aij .

A l’aide de ces définitions, on retrouve immédiatement le déterminant d’ordre 3 qui, dé-
veloppé selon la première ligne, s’écrit :
39
a11 A11 ` a12 A12 ` a13 A13 “ a11 p´1q1`1 |A11 | ` a12 p´1q1`2 |A12 | ` a13 p´1q1`3 |A13 |
“ a11 |A11 | ´ a12 |A12 | ` a13 |A13 |
2. De la même façon, le développement d’ordre 3 est définit à partir des déterminants

d’ordre 2, le déterminant d’ordre n est défini à partir des déterminants d’ordre n ´ 1.
Définition 2.11. 1. Le développement par rapport à la ie ligne du déterminant de la

matrice A est donné par la formule :
n
ř n
ř
detpAq “ aij Aij “ p´1qi`j aij |Aij |, i étant fixé
j“1 j“1
2. Le développement par rapport à la j e ligne du déterminant de la matrice A est donné

par la formule :
n
ř n
ř
detpAq “ aij Aij “ p´1qi`j aij |Aij |, j étant fixé
i“1 j“1
Exemple 2.17. Calculons le déterminant de la matrice

¨ ˛
1 3 2 1
˚ ‹
˚ ‹
˚ 4 0 5 0 ‹
˚ ‹
˚ ‹
˚ 2 7 1 6 ‹
˝ ‚
0 1 4 10
Comme la 2ieme ligne comporte deux éléments nuls, nous développons det(A) par rapport
à cette ligne. On obtient :
detpAq “ 4A21 ` 5A23

“ 4p´1q2`1 |A21 | ` 5p´1q2`3 |A23 |
Or
¨ ˛
3 2 1
˚ ‹
|A21 | “ det ˚ 7 1 6 ‹
˚ ‹
˝ ‚
1 4 10
“ 3p1 ˆ 10 ´ 4 ˆ 6q ´ 2p7 ˆ 10 ´ 1 ˆ 6q ` 1p7 ˆ 4 ´ 1 ˆ 1q
“ ´143
¨ ˛
1 3 1
˚ ‹
|A23 | “ det ˚ 2 7 6 ‹
˚ ‹
˝ ‚
0 1 10
“ 1p7 ˆ 10 ´ 1 ˆ 6q ´ 2p3 ˆ 10 ´ 1 ˆ 1q
“6
40
On a donc
detpAq “ 4p´1qp´143q ` 5p´1q6

“ 572 ´ 30 “ 542
X Quelques propriétés du déterminant d’ordre n
1. Une matrice comportant une ligne (ou une colonne) de 0 a un déterminant nul.
2. Si une ligne (ou une colonne) d’une matrice est multipliée par une constante c, le
déterminant est également multiplié par c.
3. La permutation de deux lignes ou de deux colonnes change uniquement le signe du

déterminant.
ˇ ˇ ˇ ˇ
ˇ ˇ ˇ ˇ
ˇ 1 3 7 ˇ ˇ 1 3 7 ˇ
ˇ ˇ ˇ ˇ
ˇ 2 4 8 ˇ “ ´32 et ˇ “ 32.
ˇ ˇ ˇ ˇ
ˇ 5 0 6
ˇ ˇ ˇ ˇ
ˇ ˇ ˇ ˇ
ˇ 5 0 6 ˇ ˇ 2 4 8 ˇ
4. Une ¨
matrice qui˛a deux lignes ou deux colonnes identiques a un déterminant nul.
4 2 1 ˇ
ˇ
ˇ ˇ
ˇ ˇ
ˇ ˇ
ˇ ˇ
ˇ
ˇ
˚ ‹ ˇ 2 1 ˇ ˇ 2 1 ˇ ˇ 2 1 ˇ
A“˚ 1 2 1 ‹, detpAq “ 4 ˆ ˇ ˇ = 4ˆ0´0`0“0
˚ ‹
ˇ´ˇ ˇ`ˇ
ˇ ˇ ˇ ˇ ˇ
ˇ
˝ ‚ ˇ 2 1 ˇ ˇ 2 1 ˇ ˇ 2 1 ˇ
1 2 1
¨ ˛
2 3 2 ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
˚ ‹ ˇ 2 1 ˇ ˇ 1 1 ˇ ˇ 1 2 ˇ
B“˚ 1 2 1 ‹, detpBq “ 2 ˆ ˇˇ ˇ´3ˆˇ ˇ`2ˆˇ
˚ ‹ ˇ
ˇ ˇ ˇ ˇ ˇ
˝ ‚ ˇ 1 3 ˇ ˇ 3 3 ˇ ˇ 3 1 ˇ
3 1 3
= 2 ˆ 5 ´ 3 ˆ 0 ` 2 ˆ p´5q “ 10 ´ 0 ` 10 “ 0
5. Le déterminant d’une matrice est nul si et seulement si les vecteurs colonnes (res-
pectivement
¨ les
˛ vecteurs lignes) sont liés.
4 6
A“˝ ‚, det(A)= 48 - 48 = 0, la deuxième ligne est le double de la première
8 12
colonne.
¨ ˛
3 6
B “ ˝ ‚, det(B)= 24 - 24 = 0, la deuxième collonne est le double de la
4 8
première ligne.
6. Si l’on ajoute à une colonne (respectivement à une ligne) un multiple scalaire d’une
autre colonne (respectivement d’une autre ligne) on ne change pas le déterminant.
41
7. Le développement d’un déterminant selon une ligne en utilisant les cofacteurs d’une
autre ligne donne zéro. En d’autres termes, une expression de la forme
n
ř
aij Akj
j“1
est nulle si k ‰ j
8. Soit A une matrice carrée. Alors
detpAq “ detpAt q
9. Soient A et B deux matrices d’ordre n. Alors
detpABq “ detpAqdetpBq
10. Le déterminant d’une matrice diagonale d’ordre n est égale au produit des éléments
de sa diagonale. i.e
D “ diagpλ1 , λ2 , . . . , λn q
n
ś
detpDq “ λj
j“1
11. Le déterminant d’une matrice triangulaire d’ordre n est égale au produit des élé-
ments de sa diagonale.
2.3.4 L’inverse d’une matrice
L’inverse d’une matrice A d’ordre n est égal à une matrice B d’ordre n telle que AB “
BA “ I, notée A´1 .
X Méthode des cofacteurs
Définition 2.12. La matrice adjointe d’une matrice carrée A, notée A˚ , est la matrice
transposée des cofacteurs de la matrice A:
¨ ˛
A A21 A31 . . . An1
˚ 11 ‹
˚ ‹
˚
˚ A12 A22 A32 . . . An2 ‹
A “˚ ˚ .. .. .. ... ..
‹
‹
˚ . . . . ‹
˝ ‚
A1n A2n A3n . . . Ann
en d’autres termes, l’élément générique i, j de A˚ est le cofacteur Aji (notez l’inverse des
indices).
42
Théorème 2.1. Soit A˚ la matrice adjointe de A. Alors la relation suivante est vérifiée :
AA˚ “ detpAq.I
Théorème 2.2. Soit A une matrice carrée, A˚ sa matrice adjointe. Si detpAq ‰ 0, alors
1
A´1 “ detpAq
A˚
Corollaire 2.1. Une matrice carrée A est inversible si et seulement si detpAq ‰ 0.
X Démarche à suivre pour le calcul de l’inverse

Le calcul pratique de l’inverse d’une matrice A s’effectue de la façon suivante
1. Calculer det(A). Si det(A)=0, la matrice n’est pas inversible.
2. Remplacer chaque élément aij de A par le cofacteur qui lui est associé :
¨ ˛ ¨ ˛
a a a . . . a1n A A12 A13 . . . A1n
˚ 11 12 13 ‹ ˚ 11 ‹
˚ ‹ ˚ ‹
˚ a21 a22 a23 . . . a2n ‹ ˚ A A22 A23 . . . A2n
‹ ÝÑ ˚ 21
‹
˚ ‹
˚ .. .. .. . . . .. ‹ ˚ .. .. .. ... .. ‹
˚ . . . . ‹ ˚ . . . . ‹
˝ ‚ ˝ ‚
an1 an2 an3 . . . ann An1 An2 An3 . . . Ann
3. Transposer la matrice ainsi obtenue pour obtenir la matrice adjointe :
¨ ˛
A A21 A31 . . . An1
˚ 11 ‹
˚ ‹
˚
˚ A12 A22 A32 . . . An2 ‹
A “˚ ˚ .. .. .. ..
‹
.. ‹
˚ . . . . . ‹
˝ ‚
A1n A2n A3n . . . Ann
4. Calculer A´1 à l’aide de la formule
1
A´1 “ detpAq
A˚
5. Vérifier l’égalité AA´1 “ I.
Exemple
¨ 2.18. Déterminer
˛ l’inverse de la matrice A par la méthode des cofacteurs, avec
1 ´1 1
˚ ‹
A“˚ 2 ´3 0 ‹.
˚ ‹
˝ ‚
1 1 2
43
1. On a : det(A)=3 (déja calculé dans l’exemple 2.15). Le déterminant de A est dif-
férent de 0, donc A est inversible.
1
2. Calcul
» desˇ cofacteurs,
ˇ ˇnoté Aˇ : ˇ ˇ fi
ˇ ˇ ˇ ˇ ˇ ˇ
ˇ ´3 0 ˇ ˇ 2 0 ˇ ˇ 2 ´3 ˇ
— `ˇ ˇ ´ˇ ˇ `ˇ ˇ ffi
— ˇ ˇ ˇ ˇ ˇ ˇ ffi »
— ˇ 1 2 ˇ ˇ 1 2 ˇ ˇ 1 1 ˇ ffi fi
—
—
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ffi
ffi — ´6 ´4 5
1
— ˇ ´1 1 ˇ ˇ 1 1 ˇ ˇ 1 ´1 ˇ ffi — ffi
A “— 1 ´2 ffi .
ffi “ — 3 ffi
— ´ ˇ
ˇ ˇ ` ˇ ˇ ´ ˇ ˇ
ˇ ˇ ˇ ˇ ˇ ffi –
— ˇ 1 2 ˇ ˇ 1 2 ˇ ˇ 1 1 ˇ ffi fl
—
—
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ffi
ffi 3 2 ´1
— ˇ ´1 1 ˇ ˇ 1 1 ˇ ˇ 1 ´1 ˇ ffi
– `ˇ ˇ ´ˇ ˇ `ˇ ˇ fl
ˇ ˇ ˇ ˇ ˇ ˇ
ˇ ´3 0 ˇ ˇ 2 0 ˇ ˇ 2 ´3 ˇ
» fi
´6 3 3
— ffi
3. A˚ “ pA1 qt “ — ´4 1
— ffi
2 ffi
– fl
5 ´2 ´1
» fi
´6 3 3
— ffi
1
4. Calcul de A´1 à l’aide de la formule A´1 “ A˚ . On a : A´1 “ 13 — ´4 1
— ffi
detpAq 2 ffi
– fl
5 ´2 ´1
5. Vérification :
» fi » fi » fi » fi
1 ´1 1 ´6 3 3 3 0 0 1 0 0
— ffi 1 — ffi 1 — ffi — ffi
A ˚ A´1 “ — 2 ´3 0 ffi ˆ — ´4 1 ffi “ I
— ffi — ffi — ffi — ffi
2 ffi “ — 0 3 0 ffi “ — 0 1 0
– fl 3 – fl 3 – fl – fl
1 1 2 5 ´2 ´1 0 0 3 0 0 1
X Calcul de l’inverse d’une matrice par la méthode du pivot

En ˛ méthode du pivot, déterminons l’inverse de la matrice A définie par A “
¨ utilisant la
1 ´1 1
˚ ‹
˚ 2 ´3 0 ‹.
˚ ‹
˝ ‚
1 1 2
44

1 -1 1 1 0 0 L1
2 -3 0 0 1 0 L2
1 1 2 0 0 1 L3
1 -1 1 1 0 0 L11 =L1
0
-1 -2 -2 1 0 L12 =L2 -2L1
0 2 1 -1 0 1 L13 =L3 -L1
1 0 3 3 -1 0 L21 =L11 -L12
0 1 2 2 -1 0 L22 =-L12
0 0
-3 -5 2 1 L23 =L13 +2L12
1 0 0 -2 1 1 L3 2 2
1 =L1 +L3
0 1 0 - 43 1
3
2
3
L3 2 2 2
2 =L2 + 3 L3
5
0 0 1 3
- 23 - 13 L3 1 2
3 =- 3 L3
¨ ˛ ¨ ˛
´2 1 1 ´6 3 3
˚ ‹ ˚ ‹
1
On obtient : A´1 “ ˚ ´ 34 1 2
˚ ‹ ˚ ‹
3 3
‹“ 3 ˚ ´4 1 2 ‹
˝ ‚ ˝ ‚
5
3
´ 32 ´ 13 5 ´2 ´1
X Retour sur déterminant : Le calcul du déterminant d’une matrice par la

méthode du pivot
Remarque 2.6. On peut calculer le déterminant d’une matrice par la méthode du pivot.
Pour le faire on procède de la même façon que pour le déterminant de l’inverse d’une
matrice obtenu par la méthode du pivot.
Le déterminant est donné par : detpAq “ p´1qk ˆ p1 ˆ p2 ... ˆ pn

avec k le nombre d’interchangement de ligne, pi désigne les pivots de la transformation
des lignes à l’aide de la combinaison linéaire.
» fi
1 ´1 1
— ffi
Illustration avec l’exemple précédent, A “ — 2 ´3 0 ffi
— ffi
– fl
1 1 2
On obtient : detpAq “ p´1q0 ˆ 1 ˆ p´1q ˆ p´3q “ 3
45
L’exemple suivant donne une illustration sur l’importance des matrices en gestion et en
économie.
Exemple 2.19. Proposer de nouveaux produits financiers à la clientèle.

Les obligations sont des titres de créance par lesquels l’entreprise émettrice emprunte de
l’argent sur les marchés financiers. Les plus simples d’entre elles sont définies par un mon-
tant nominale (disons 100 euros), une durée de vie appelée maturité (3,5,7, 10 ans...ou
plus), un taux d’intérêt (2%, 4%, etc.) aussi appelée « taux de coupon ». Le coupon (l’in-
térêt) est payé annuellement et, à l’échéance, le détenteur reçoit le dernier coupon et le
prix de remboursement qu’on supposera ici égal au montant nominal.
Une obligation de maturité 3 ans, de taux d’intérêt 5% et de nominal 100 euros va en-
gendrer pour le détenteur trois flux successifs égaux à 5 euros, 5 euros et 105 euros, reçus
après un an, deux ans et trois ans.
Supposons que, sur un marché, trois obligations sont échangées. Les flux qu’elles en-
gendrent sont résumés dans le tableau et la dernière ligne donne les prix auxquelles sont
cotées ces obligations sur le marché. Cette présentation signifie que l’obligation OB1 a une
Table 4 – Flux de trois obligations

Date/Obligation OB1 OB2 OB3
1 104 6 4
2 0 106 4
3 0 0 104
PRIX 99.5 100.4 99.6
durée de vie d’un an et un taux de coupon de 4%. Elle ne paye donc plus rien après la
date 1. OB2 dure deux ans et paie un taux de coupon de 6% et enfin OB3 dure trois ans
et paie 4%.
Une banque souhaite proposer à ses clients une gamme de produits financiers très simples
qui permettent de s’assurer un revenu donné à une date future choisie, par exemple obte-
nir 100 euros à la date 2. Elle veut donc construire trois contrats C1 , C2 , C3 tels que Ct
donne 100 euros à la date t.
Le client achètera ces contrats sans se poser de questions sur leur construction « technique
46
» en supposant que la banque est capable de faire face à ses engagements. Cette dernière
doit cependant répondre à deux questions :
1. Comment faire pour satisfaire aux engagements futurs (payer les clients quand les
contrats arriveront à échéance) ?
2. A quel prix faut il commercialiser ces contrats ?
La réponse à ces deux questions est plus simple qu’il n’y paraît à première vue.
La banque va construire des portefeuilles à partir des obligations existantes de façon qu’ils
dégagent des flux suffisants pour payer les clients. Le coût de ces portefeuilles donnera
la réponse à la seconde question (hors bénéfice de la banque qui viendra s’ajouter à la
« facture du client »). » fi
104 6 4
— ffi
1. Notons M la matrice définie par : M “ — 0 106 4 ffi
— ffi
– fl
0 0 104
M correspond aux trois premières lignes du tableau où sont définis les flux payés par les
différentes obligations. Si la banque achète trois obligations en nombre xT “ px1 , x2 , x3 q
(matrice ligne), elle va recevoir la série de flux (produit de deux matrices) :
» fi
104x1 ` 6x2 ` 4x3
— ffi
Mx “ —
— ffi
106x2 ` 4x3 ffi
– fl
104x3
» fi
0
— ffi
On voit alors qu’on peut choisir x tel que : M x “ — 0 ffi ou y et z tels que : M y “
— ffi
– fl
100
» fi » fi
0 100
— ffi — ffi
— 100 ffi et M z “ — 0 ffi.
— ffi — ffi
– fl – fl
0 0
En d’autres termes, il existe des portefeuilles et des obligations cotées sur le marché qui
engendrent les mêmes flux que les contrats que la banque souhaite créer. Ce qui vient
47
d’être fait peut être réécrit de manière concise sous la forme :
104 6 4 x y z 104 0 0 1 0 0
— ffi — 1 1 1 ffi — ffi — ffi
ffi “ 100 — 0 1 0 ffi
— 0 106 4 ffi ˆ — x2 y2 z2 ffi “ — 0 100 0
– fl – fl – fl – fl
0 0 104 x3 y3 z3 0 0 100 0 0 1
Ce qui s’écrit encore :

» fi » fi » fi
104 6 4 x1 y1 z1 1 0 0
— ffi 1 — ffi — ffi
— x y z ffi — 0 1 0 ffi “ I3
— 0 106 4 ˆ “
fl 100 – 2 2 2 fl –
ffi
– fl
0 0 104 x3 y3 z3 0 0 1
On remarque alors que trouver x, y et z revient alors à calculer la matrice inverse de M

puisque :
» fi » fi » fi
x1 y1 z1 x y z 0.962 ´0.054 ´0.035
1 — ffi — 1 1 1 ffi — ffi
´1 ´1
— x2 y2 z2 ffi “ M ðñ 100M “ — x2 y2 z2 ffi “ — 0
0.943 ´0.036 ffi
100 – fl – fl – fl
x3 y3 z3 x3 y3 z3 0 0 0.962
NB : Le calcul de l’inverse de la matrice de M est laissé sous forme d’exercice.

On sait maintenant ce que faire la banque pour satisfaire à ses engagements. Par exemple,
chaque fois qu’elle vend une unité de contrat C2 , elle doit acheter 0.943 unité de OB2 et
vendre 0.054 de OB1.
2. Comme on sait que la banque doit acheter ou vendre pour une unité de chaque contrat,
on peut facilement déterminer ce qu’elle dépense dans ces différentes situations. Il suffit
de faire le produit matriciel :
» fi
0.962 ´0.054 ´0.035
” ı— ffi ” ı
— ffi
99.5 100.4 99.6 — 0 0.943 ´0.036 ffi “ 95.67 89.30 88.65
– fl
0 0 0.962
c’est à dire de multiplier les prix des obligations par les quantités à acheter pour chacun
des contrats. En conséquence, la banque ne peut pas vendre le contrat C1 à moins de 95.67,
le contrat C2 à moins de 89.30 et le contrat C3 à moins de 88.65.
2.3.5 Rang d’une matrice
Le rang d’une matrice noté rgpAq est égale à la dimension de l’espace engendré par les
vecteurs colonnes.
48
» fi
2 0 2
— ffi
Exemple 2.20. Déterminer le rang de la matrice A défini par A “ — ´2 3 ´1 ffi
— ffi
– fl
0 3 1
2 0 2 L1
-2 3 -1 L2
0 3 1 L3
1 0 1 L11 = 12 L1
0 3 1 L12 =L2 +L1
0 3 1 L13 =L3
1 0 1 L21 =L11
1
0 1 3
L22 = 13 L12
0 0 0 L23 =L13 -L12
Il n’existe plus de transformation pouvant conduire des lignes dont tous les éléments sont
nuls. Donc le rang de la matrice A est égale à 2, i.e. rgpAq “ 2.
Par conséquent la matrice A n’est pas inversible.
3 APPLICATIONS LINÉAIRES
4 SYSTÈMES LINÉAIRES
A Quelques exercices
Exercice A.1. noindent Dans R2 muni des lois habituelles, les parties suivantes sont-
elles des sous-espaces vectoriels :
! ) ! )
2 2
F1 “ px1 , x2 q P R | x2 “ 2x1 ; F2 “ px1 , x2 q P R | x1 ` x2 “ 1 .
Exercice A.2. Dans R3 muni des lois habituelles, les parties suivantes sont-elles des
sous-espaces vectoriels :
( ! )
3
F1 “ px1 , x2 , x3 q P R | x22 “ x1 et x3 “ 0 ;F2 “ pa ´ b, a ` b, a ´ 3bq | a, b P R ;
(
F3 “ px1 , x2 , x3 q P R3 | x1 ´ x2 ` x3 “ 0 et 2x1 ` x2 ` x3 “ 0 .
49
Exercice A.3. Dans R4 muni des lois habituelles, les parties suivantes sont-elles des
sous-espaces vectoriels :
! )
4
F1 “ px1 , x2 , x3 , x4 q P R | x1 ` x2 ` x3 ` x4 “ 0
(
F2 “ px1 , x2 , x3 , x4 q P R4 | x1 ` x2 “ x3 ` x4
(
F3 “ px1 , x2 , x3 , x4 q P R4 | x1 “ x2 “ x3 “ x4
Exercice A.4. Soient a, b P R ; E “ FpR, Rq l’ensemble des applications de R dans R et

C 0 pra, bs, Rq l’ensemble des fonctions continues sur l’intervalle ra, bs. Les sous-ensembles
suivants
sont-ils des sous-espaces vectoriels de E.
! ) ! ) ! )
F1 “ f P E | f paire ; F2 “ f P E | f paq “ 0 ; F3 “ f P E | f croissante ;
! şb ) ! )
0
F4 “ f P C pra, bs, Rq | a f ptqdt “ 0 ; F5 “ f P E | f impaire ;
! ) ! )
F6 “ f P E | f p0q “ 0 ; F7 “ f P E | f paq “ f pbq ` 1 ;
! )
1 1 1
F8 “ f P C pra, bs, Rq | f paq “ f pbq .
(
Exercice A.5. Soit F “ pun q P RN | DM P R : @n P N, |un | ď M . Montrer que F est
un sous-espace vectoriel de RN .
Exercice A.6. Soient ~u1 , ..., ~un des vecteurs d’un K-espace vectoriel E.
! )
Montrer que l’ensemble F “ λ1~u1 ` ... ` λn~un | λ1 , ..., λn P K est un sous-espace
vectoriel de E contenant les vecteurs ~u1 , ..., ~un .
Exercice A.7. Soit E “ FpR, Rq. On note par C l’ensemble des fonctions croissantes de
! )
E. On pose : ∆ “ f ´ g | f, g P C .
Montrer que ∆ est un sous-espace vectoriel de E.
Exercice A.8. 1. Dans R3 muni des lois habituelles, les parties suivantes sont-elles
des sous-espaces vectoriels :
(
F “ px1 , x2 , x3 q P R3 | 2x1 ` x2 ` x3 “ 0 et x1 ´ x2 ` x3 “ 0
! )
G “ pá, a, ´3aq | a P R
2. Soit E “ FpR, Rq l’ensemble des applications de R dans R. Les sous-ensembles

suivants sont-ils des sous-espaces vectoriels de E.
! ) ! )
H “ f P E | f impaire ; I “ f P E | f p0q “ 0
Exercice A.9. 1. Dans R4 muni des lois habituelles, les parties suivantes sont-elles
des sous-espaces vectoriels :
( (
F “ px1 , x2 , x3 , x4 q P R4 | x1 “ x2 ` x3 ; G “ px1 , x2 , x3 , x4 q P R4 | x1 ď x2 ;
50
2. Soit E “ FpR, Rq l’ensemble des applications de R dans R et C l’ensemble des
fonctions croissantes de E. Les sous-ensembles suivants sont-ils des sous-espaces
( ! )
0
vectoriels de E : H “ f P C pr0, 1s, Rq | f ptq “ f p1 ´ tq , I “ g ´ f | f, g P C .
Exercice A.10. Soient F et G les sous-espaces vectoriels de R3 engendrés par les fa-
milles respectives tu1 , u2 , u3 , u4 u et tv1 , v2 , v3 u, avec : u1 “ p0, 1, 1q, u2 “ p1, ´1, 1q,
u3 “ p´1, 0, ´3q, u4 “ p1, ´1, 2q, v1 “ p3, ´1, 8q, v2 “ p´1, 2, ´1q et v3 “ p0, 1, 0q.
1. Montrer que la famille S1 “ tu1 , u3 , u4 u est liée. Donner la relation de dépendance.
2. En déduire que la famille tu1 , u2 , u3 , u4 u est liée. Justifier votre réponse.
3. Montrer que les familles S2 “ tu1 , u2 , u3 u et S3 “ tv1 , v2 , v3 u sont libres.
4. En déduire la dimension et une base des sous-espaces vectoriels F et G.
5. Montrer que w “ p´2, 1, ´5q appartient à la fois aux sous-espaces vectoriels linéaires
F et G engendrés respectivement par les systèmes S2 et S3 .
Exercice A.11. Soient F et G les sous-espaces vectoriels de R4 engendrés par les familles
respectives tu1 , u2 , u3 u et tv1 , v2 u, où : u1 “ p1, 0, 4, 2q, u2 “ p1, 2, 3, 1q, u3 “ p1, ´2, 5, 3q,
v1 “ p4, 2, 0, 1q et v2 “ p1, 4, 2, 1q.
1. Montrer que la famille tu1 , u2 , u3 u est liée ;
2. Montrer que les familles tu1 , u2 u et tv1 , v2 u sont libres. En déduire la dimension et
une base des sous-espaces vectoriels F et G.
3. Montrer que les sous-espaces F et G sont supplémentaires.

! )
Exercice A.12. Soit F “ px1 , x2 , x3 q P R3 | x1 ` 2x2 ´ 3x3 “ 0 , u “ p1, 2, ´3q et
G “ V ectpuq.
1. Montrer que F est un sous-espace vectoriel de R3 , et déterminer une base de cet

espace-vectoriel.
À
2. A-t-on F G “ R3 ? On justifiera la réponse.
Exercice A.13. Dans E “ FpR, Rq l’ensemble des applications de R dans R, on définit

2π
les fonctions f , g et h suivantes : f pxq “ sin x, gpxq “ cos x et hpxq “ sinpx ´ 3
q.
Montrer que cette famille est liée et donner la relation de dépendance.
Exercice A.14. (Espaces vectoriels - Base - Dimension)
51
1. Dans R3 et RN munis des lois habituelles, les sous-ensembles suivants sont-ils des
sous-espaces vectoriels.
(
F1 “ p´b, b, ´3bq P R3 | b P R ; F2 “ pun q P RN | un`2 “ nun`1 ` un u.
2. Dans l’espace R4 , on considère les vecteurs suivants : u1 “ p1, 3, 2, 0q, u2 “ p0, 5, 3, 3q,
u3 “ p´1, 2, 1, 3q, v1 “ p1, 1, ´1, 0q et v2 “ p2, 11, 7, 3q. Soient F et G les sous-
espaces vectoriels de R4 engendrés par les familles respectives tu1 , u2 , u3 u et tv1 , v2 u.
(a) Déterminer si la famille de vecteur tu1 u est libre ou liée ?
(b) Montrer que S1 “ tu1 , u2 u est libre et que S2 “ tu1 , u2 , u3 u est liée.
(c) Montrer que le système S3 “ tv1 , v2 u est libre.
(d) En déduire la dimension et une base des sous espaces vectoriels F et G.
(e) Déterminer la dimension et une base de F X G. En déduire la dimension de

F ` G.
(f ) Les sous-espaces F et G sont-ils supplémentaires dans R4 , justifier votre ré-

ponse.
Exercice A.15. 1. Déterminer si la famille des trois vecteurs ci-aprés est libre ou
liée :
u “ p´1, 2, 1, 4q; v “ p0, 3, ´1, 2q et w “ p´2, 1, 3, 6q.
2. Soient S1 “ tx1 , x2 , x3 u un système de R3 , avec x1 “ p1, 0, 1q, x2 “ p0, 1, 1q ;

x3 “ p1, 1, 1q ;
S2 “ ty1 , y2 u un système de R2 , avec y1 “ p1, 1q, y2 “ p´1, 1q.
(a) Montrer que S1 est une base de l’espace R3 ; et S2 est une base de l’espace R2 .
(b) Montrer que le vecteur t “ p 23 , ´ 73 , ´3q appartient au sous-espace linéaire E de

R3 engendré par le système S1 .
3. Soit S3 “ tz1 , z2 , z3 u un système de R3 , avec z1 “ p1, 2, 3q, z2 “ p1, 2, 5q et z3 “

p1, 2, 1q ;
Montrer que le système est lié et trouver la relation de dépendance.
Exercice A.16. (Base et dimension)
1. On pose : u1 “ p2, 1, 0q, u2 “ p0, 2, 1q et u3 “ p2, 0, 1q. Soit S “ tu1 , u2 , u3 u.

Montrer que S est une base de R3 . Exprimer le vecteur u “ p2, 2, 3q dans cette base.
52
2. Soient t1 “ p1, 2, ´5, 3q et t2 “ p2, ´1, 4, 7q. Déterminer α et β de façon que le
vecteur
t “ pα, β, ´37, ´3q appartienne au sous-espace de R4 engendré par t1 et t2 .
3. Soient v1 “ p1, 0, 1q, v2 “ p2, 3, 1q, v3 “ p´1, 1, 0q et v4 “ p2, 1, 1q.

Déterminer le rang du système formé par ces quatre vecteurs.
» fi » fi
-3 1 1 1 1 1
— ffi — ffi
Exercice A.17. Soient M1 = — 1 -3 1 ffi , M2 = — 1 1 ffi et
— ffi — ffi
1
– fl – fl
1 1 -3 1 1 1
» fi
1 0 0
— ffi
I3 = — 0 1 0 ffi
— ffi
– fl
0 0 1
1. Montrer que M2 “ M1 ` 4I3 .
2. Trouver une relation simple liant M2 et pM2 q2 .
3. En déduire une relation liant M1 , pM1 q2 et I3 .
4. En déduire que M1 est inversible et calculer M1´1 .

¨ ˛
0 1 0
˚ ‹
Exercice A.18. Soit la matrice M définie par M “ ˚ ´1 2 0 ‹. Soit a, b P R et
˚ ‹
˝ ‚
1 0 ´1
¨ ˛
1 a a2
˚ ‹
Na “ ˚ 0 1 2a ‹.
˚ ‹
˝ ‚
0 0 1
1. Calculer detpM q.
2. Montrer que M 3 ´ M 2 ´ M ` I “ 0. En déduire M ´1 .
3. Montrer que Na Nb “ Na`b . En déduire que Na est inversible et calculer pNa qn .

» fi » fi
3 -1 0 1 0 0
— ffi — ffi
Exercice A.19. Soient M = — -1 3 et I = — 0 1 0 ffi .
— ffi — ffi
0 ffi 3
– fl – fl
0 0 2 0 0 1
1. Calculer det(M ). En déduire que M est inversible.
2. Montrer que M 3 ´ 8M 2 ` 20M ´ 16I3 “ 0. En déduire l’expression de M ´1 en

fonction de M et I3 .
53
3. Calculer M ´1 par la méthode du pivot.
» fi » fi
1 -1 2 1 0 0
— ffi — ffi
Exercice A.20. Soient A = — 0 -1 -2 ffi et I3 = 0 ffi .
— ffi — ffi
— 0 1
– fl – fl
0 0 3 0 0 1
1. Calculer le déterminant de A par deux méthodes différentes que vous préciserez.
2. En déduire que A est inversible.
3. Calculer A3 ´ 3A2 ´ A ` 3I3 .
4. Déduire de la question 3. l’expression de A´1 en fonction de A et I3 . On donnera

l’expression explicite de A.
Exercice»A.21. On considére
fi les matrices
» suivantes
fi : » fi
-1 1 -2 0 0 1 1 0 0
A = — 1 -4 1 ffi , B = — 0 1 0 ffi et I3 = 0 ffi .
— 0 1
-2 1 -1 1 0 0 0 0 1
1. Calculer et Comparer AB et BA.
2. Calculer B 2 et en déduire B ´1 .
3. On pose C “ A ` 3B et D “ C ` 2I3 .
(a) Calculer C, D puis D2 . En déduire une relation entre D et D2 .
(b) Déduire de la relation précédente une relation simple liant C 2 , C et I3 .
(c) En déduire que la matrice C est inversible et déterminer C ´1 .
Exercice A.22. (Matrices) » fi » fi

1 2 3 1 0 0
— ffi — ffi
On considère les matrices suivantes : A = -1 ffi et I3 = — 0 0 ffi .
— ffi — ffi
— 1 1 1
– fl – fl
1 0 1 0 0 1
1. Calculer le déterminant de A par deux méthodes différentes que vous préciserez. En
déduire que A est inversible.
2. Calculer A2 et A3 .
3. Montrer que A3 ´ 3A2 ´ 2A ` 6I3 “ 0.
4. En déduire l’expression de A´1 .
54
5. Soit F l’ensemble des matrices de la forme : F “ tM P M3 pRq | M “ aA ` bI3 :
a, b P Ru avec M3 pRq est l’ensemble des matrices carrées d’ordre 3 de scalaires de
R.
(a) Montrer que F est un sous espace vectoriel de M3 pRq.
(b) Déterminer une base de F et sa dimension.

» fi » fi
1 2 1 3 1 0 0 0
— ffi — ffi
— ffi — ffi
— 2 -1 0 -2 ffi — 0 1 0 0 ffi
Exercice A.23. Soient M = — —
ffi et I4
ffi = —
—
ffi .
ffi
— -1 1 -1 1 ffi — 0 0 1 0 ffi
– fl – fl
0 1 0 2 0 0 0 1
1. Calculer le déterminant de M . En déduire que la matrice M est inversible.
2. Calculer M ˚ le cofacteur de la matrice M . En déduire M ´1 l’inverse de M .
3. Calculer M ´1 par la méthode du pivot.
Exercice A.24. Calculer les déterminants suivants : ˇ ˇ

ˇ ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ ˇ
ˇ ˇ
ˇ
ˇ ˇ ´1 1 2 0 ˇ
ˇ 2 1 2 ˇ ˇ 3 ´1 5 ˇ ˇ 2 4 3 ˇ ˇ 4 ´9 2 ˇ ˇ
ˇ
ˇ
ˇ
ˇ ˇ ˇ ˇ ˇ ˇ ˇ ˇ ˇ 0 3 ´1 5 ˇ
1. ˇ 0 3 ´1 ˇ 2. ˇ ´1 2 1 ˇ 3. ˇ ´1 3 0 ˇ 4. ˇ 4 ´9 2 ˇ 5. ˇˇ
ˇ ˇ ˇ ˇ ˇ ˇ ˇ ˇ ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ
ˇ ˇ
ˇ ˇ
ˇ
ˇ ˇ 0 ´1 2 1 ˇ
ˇ 4 1 1 ˇ ˇ ´2 4 3 ˇ ˇ 0 2 1 ˇ ˇ 3 1 0 ˇ ˇ
ˇ
ˇ
ˇ
ˇ 3 ´5 ´2 3 ˇ
Exercice A.25. 1. Soit D une matrice diagonale d’ordre n. Que vaut det(D) ?
2. Soit T une matrice triangulaire (supérieure ou inférieure) d’ordre n. Que vaut

detpT q ?
Exercice A.26. Trouver les inverses des matrices suivantes :

¨ ˛ ¨ ˛
2 1 2 3 ´1 5 ¨ ˛
˚ ‹ ˚ ‹ 1 7
A “ ˚ 0 3 ´1 ‹ B “ ˚ ´1 2 1 ‹ C “ ˝
˚ ‹ ˚ ‹ ‚
˝ ‚ ˝ ‚ 1 ´2
4 1 1 ´2 4 3
Exercice A.27. 1. Vérifier que la matrice

¨ ˛
´1 6 ´6
˚ ‹
˚ ‹
˚ ´2 7 ´6 ‹
˝ ‚
´1 4 ´4
satisfait à l’équation suivante A3 ´ 2A2 ´ A ` 2I “ 0
55
2. En déduire qu’elle est inversible et obtenir son inverse grâce à l’équation précé-
dente.(Ne pas calculer le déterminant !)
¨ ˛
1 á 0 0
˚ ‹
˚ ‹
˚ 0 1 á 0 ‹
Exercice A.28. Montrer que la matrice A “ ˚ ˚
‹ est inversible quelque
‹
˚ 0 0 1 á ‹
˝ ‚
0 0 0 1
´1
soit le nombre a P R. Calculer A .
¨ ˛
1 0 2
˚ ‹
Exercice A.29. Calculer l’inverse de la matrice A par la méthode du pivot, A “ ˚ 1 1 1 ‹.
˚ ‹
˝ ‚
1 2 2
Exercice
¨ A.30. Calculer
˛ le déterminant de la matrice A par la méthode du pivot,
2 3 1
˚ ‹
A“˚ 6 9 1 ‹.
˚ ‹
˝ ‚
2 ´2 1
Exercice A.31. On considère les matrices suivantes :
¨ ˛ ¨ ˛ ¨ ˛
3 2 1 5 8 2 48 89 23
˚ ‹ ˚ ‹ ˚ ‹
A “ ˚ 2 2 1 ‹, B “ ˚ 3 5 1 ‹ , C “ ˚ 43 78 20 ‹
˚ ‹ ˚ ‹ ˚ ‹
˝ ‚ ˝ ‚ ˝ ‚
1 1 1 1 3 1 27 48 12
Calculer la matrice X tel que AXB “ C.
B Devoir année 2012-2013

Exercice B.1. 1. Dans R2 muni des lois habituelles, les parties suivantes sont-elles
des sous-espaces vectoriels ? Justifier votre réponse.
! ) ! )
F1 “ px1 , x2 q P R2 | x2 “ 2x1 et F2 “ px1 , x2 q P R2 | 3x1 ´ 2x2 “ 0
2. Soit E “ FpR, Rq l’ensemble des applications de R dans R. Les sous-ensembles

suivants sont-ils des sous-espaces vectoriels de E ? Justifier votre réponse.
! ) ! )
F3 “ f P E | f p0q “ f p1q et F4 “ f P E | f p1q “ 1
3. Soit F5 “ tpun q, @n, un`1 “ 3un u. Montrer que F5 est un sous espace vectoriel de R.
! )
Exercice B.2. Soit G “ px1 , x2 , x3 , x4 q P R4 | 2x1 `6x2 `7x3 ´x4 “ 0 , y “ p2, 1, ´1, 2q
un vecteur de R4 et H “ V ectpyq.
56
1. Montrer que G est un sous-espace vectoriel de R4 .
2. Déterminer une base de cet espace-vectoriel G.
3. La famille de vecteur tyu est elle libre ou liée ? Justifier votre réponse.
À
4. A-t-on G H “ R4 ? On justifiera la réponse.
5. Soient u1 “ p1, 1, ´1, 1q, u2 “ p´1, ´2, 3, 7q, u3 “ p4, 4, ´5, ´3q trois vecteurs de R4
et u “ pa, b, c, dq P G (où a, b, c et d sont des nombres réels).
(a) Montrer que la famille S “ tu1 , u2 , u3 u est libre.
(b) En déduire que G “ V ectpu1 , u2 , u3 q (c’est à dire que S est une base de G).
(c) Exprimer u comme une combinaison linéaire de u1 , u2 et u3 .
Exercice B.3. Soit E “ FpR, Rq l’ensemble des applications de R dans R.

On définit les fonctions f1 , f2 et f3 suivantes : f1 pxq “ cos x, f2 pxq “ sin x et f3 pxq “
cospx ´ π4 q.
Montrer que la famille F “ tf1 , f2 , f3 u est liée et donner la relation de dépendance.
C Examen année 2012-2013 (corrigé)

Exercice C.1. (Questions de cours : (4 points))
1. Soit E un espace vectoriel et F Ă E.
(a) Définir un sous-espace vectoriel F de E. 1 point

Réponse :
- F un sous-ensemble non vide de E.
- @pα, βq P R2 , @pu, vq P F 2 , α.u ` β.v P F
(b) Définir le sous-espace vectoriel engendré par F . Justifier. 1.5 points

Réponse :
Le sous-espace vectoriel engendré par F , noté V ectpFq, est le plus petit des
sous-espaces vectoriels de E contenant F .
2. Donner la définition d’une matrice à coefficients réels. On donnera un exemple.

1.5 points
Réponse : (définition 1 point, exemple 0.5 point)
57
On appelle matrice à coefficients réels, tout tableau ayant m lignes et n colonnes de
la forme
» fi
a11 a12 ... a1n
— ffi
— ffi
— a21 a22 . . . a2n ffi
M “—
— .. .. ... ..
ffi , aij P R
ffi
— . . . ffi
– fl
am1 am2 . . . amn
Une telle matrice est dite matrice de m ě 1 lignes et de n ě 1 colonnes.
Exemple :
» fi
8 2 1
A“– fl P M2,3 pRq
5 0 ´1
Exercice C.2. (10 points)

Soient F1 et F2 deux sous-ensembles de R3 définis par :
! ) !
F1 “ px1 , x2 , x3 q P R3 | x1 ` x2 ´ 2x3 “ 0 et 2x1 ´ x2 ´ x3 “ 0 et F2 “ px1 , x2 , x3 q P
)
3
R | x1 ` x2 ´ x3 “ 0 . On considère les trois vecteurs u “ p1, 1, 1q, v “ p1, 0, 1q et
w “ p0, 1, 1q de R3 . On pose S1 “ tv, wu et S2 “ tu, v, wu.
1. Montrer que F1 et F2 sont des sous-espaces vectoriels de R3 . 2 points

Réponse : (1 point pour F1 et 1 point pour F2 )
‚ Pour F1 :
- F1 ‰ H car 0R3 P F1 . ¨ ˛ ¨ ˛
u v
˚ 1 ‹ ˚ 1 ‹
- Soient pu, vq P R3 ˆ R3 et pα, βq P R ˆ R avec u “ ˚ u2 ‹ et v “ ˚ v2 ‹.
˚ ‹ ˚ ‹
˝ ‚ ˝ ‚
u3 v3
Montrons que z “ αu ` βv P F1 .
On pose :
¨ ˛ ¨ ˛
αu1 ` βv1 z1
˚ ‹ ˚ ‹
z “ αu ` βv “ ˚ αu2 ` βv2
˚ ‹ ˚ ‹
‹ ˚ z2 ‹
“
˝ ‚ ˝ ‚
αu3 ` βv3 z3
On a donc :
z1 ` z2 ´ 2z3 “ αu1 ` βv1 ` αu2 ` βv2 ´ 2αu3 ´ 2βv3
“ αpu1 ` u2 ´ 2u3 q ` βpv1 ` v2 ´ 2v3 q
“αˆ0`βˆ0“0
58
car u et v P F1 .
De même :
2z1 ´ z2 ´ z3 “ 2αu1 ` 2βv1 ´ αu2 ´ βv2 ´ αu3 ´ βv3

“ αp2u1 ´ u2 ´ u3 q ` βp2v1 ´ v2 ´ v3 q
“αˆ0`βˆ0“0
Donc z “ αu ` βv P F1 . On en déduit que F1 est un sous espace vectoriel de R3 .

‚ Pour F2 :
- F2 ‰ H car 0R3 P F2 . ¨ ˛ ¨ ˛
u v
˚ 1 ‹ ˚ 1 ‹
- Soient pu, vq P R3 ˆ R3 et pα, βq P R ˆ R avec u “ ˚ u2 ‹ et v “ ˚ v2 ‹.
˚ ‹ ˚ ‹
˝ ‚ ˝ ‚
u3 v3
Montrons que z “ αu ` βv P F2 .
On a :
z1 ` z2 ´ z3 “ αu1 ` βv1 ` αu2 ` βv2 ´ αu3 ´ βv3

“ αpu1 ` u2 ´ u3 q ` βpv1 ` v2 ´ v3 q
“αˆ0`βˆ0“0
car u et v P F2 . Donc z “ αu ` βv P F2 . D’où F2 est un sous espace vectoriel de R3 .
2. La famille de vecteur tuu est elle une famille génératrice de F1 . Justifier votre ré-
ponse. 1 point
Réponse :
On a : u “ p1, 1, 1q avec 1+1-2=2-2=0 et 2-1-1=2-2=0.
Donc u P F1 ùñ tuu Ă F1 . $
$
& x ` x ´ 2x “ 0 & x1 “ 2x3 ´ x2 p1q
1 2 3
ùñ
% 2x ´ x ´ x “ 0 % 2p2x ´ x q ´ x ´ x “ 0 p2q
1 2 3 3 2 2 3
$ (2) donne : 4x3 ´ 2x2 ´ x2 ´ x3 “ 0 ðñ 3x3 ´ 3x2 “ 0 ðñ x3 “ x2 .

La relation
& x “x
1 3
On a :
% x “x
3 2
@X “ px1 , x2 , x3 q P F1 alors px1 , x2 , x3 q “ x3 p1, 1, 1q avec x3 P R.
D’où : @X P F1 , X “ x3 u.
On a : F1 “ V ectpuq. Donc tuu est une famille génératrice de F1 .
59
3. La famille de vecteur tuu est elle une base de F1 . On justifiera la réponse. 1
point
Réponse : ,
u ‰ 0 ptuu est libreq .
ùñ tuu est une base de F1 .
F1 “ V ectpuq -
4. Montrer que S1 est une base de F2 . 1.5 points

Réponse :
S1 “ tv, wu, v et w P F2 car 1+0-1=0 et 0+1-1=0.
Les vecteurs v et w ne sont pas proportionnels, ils forment une famille libre de F2
donc dimpF2 q ě 2.
D’autre part : p1, 0, 0q R F2 donc F2 Ĺ R3 . Par conséquent dimpF2 q ă dimpR3 q “ 3.
On déduit que dimpF2 q “ 2 et que par suite S1 est libre dans F2 , c’est une base de F2 .
5. Montrer que S2 est une famille libre de R3 . 1.5 points

Réponse :
On a : 1+1-1 =1 ‰ 0 ùñ u R V ectpv, wq et tv, wu est libre. Donc tu, v, wu “ S2 est
libre. D’où, c’est une base de R3 .
À
6. A-t-on F1 F2 “ R3 ? On justifiera la réponse. 2 points
Réponse :
On a : F1 ` F2 Ă R3 , dimpF1 q “ 1, dimpF2 q “ 2 et F1 , F2 s.e.v. de R3 . Donc F1 ` F2
s.e.v. de R3 .
On a alors¨: dimpF
˛ 1 ` F2 q “ dimpF1 q `
$dimpF2 q ´ dimpF1 X F2 q “ 3 ´ dimpF1 X F2 q.
x ’ x ` x2 ´ 2x3 “ 0 p1q
˚ 1 ‹ & 1
’
’
Soit X “ ˚ x2 ‹ P F1 X F2 . Alors :
˚ ‹
2x1 ´ x2 ´ x3 “ 0 p2q
˝ ‚ ’
’
’
x3 % x ` x ´ x “ 0 p3q
1 2 3
Les équations (1) et (2) donnent x1 “ x2 “ x3 . On remplace dans (3) et on obtient
x3 “ 0. D’où X “ 0 ùñ F1 X F2 “ t0u ùñ dimpF1 ` F2 q “ 3 ´ 0 “ 3.
Conclusion :
60
,
3
F1 et F2 s.e.v. de R //
/
/
/
3 /
F1 ` F2 s.e.v. de R . À
ùñ F1 F2 “ R3 .
dimpR3 q “ 3 /
/
/
/
/
/
dimpF1 ` F2 q “ 3 -
7. Soit le vecteur t “ px1 , x2 , x3 q P R3 . Exprimer t dans la base de S2 . 1 point

Réponse :
On cherche α, β, γ P R tel que t “ αu ` βv ` γw.
$ a : t “ αu ` βv ` γw ðñ px1 , x2 , x3 q “ αp1, 1, 1q ` βp1, 0, 1q ` γp0, 1, 1q ðñ

On
’
’
’ α ` β “ x1 p1q
&
α ` γ “ x2 p2q En faisant p3q ´ p1q on obtient γ “ ´x1 ` x3 . Et p2q ´
’
’
’
% α ` β ` γ “ x p3q
3
p1q ùñ γ ´ β “ x2 ´ x1 ùñ β “ γ ` x1 ´ x2 “ ´x1 ` x3 ` x1 ´ x2 “ ´x2 ` x3 .
On remplace dans (1) pour en tirer α. C’est à dire : α “ x1 ´ β “ x1 ` x2 ´ x3 .
Finalement : t “ px1 ` x2 ´ x3 qu ` p´x2 ` x3 qv ` p´x1 ` x3 qw .
Exercice C.3. (6 points) » fi » fi

-1 6 -6 1 0 0
— ffi — ffi
On considère les matrices suivantes : M = -6 ffi et I3 = 0 ffi .
— ffi — ffi
— -2 7 — 0 1
– fl – fl
-1 4 -4 0 0 1
1. Calculer T rpM q la trace de la matrice M . 1 point
Réponse :
La trace de la matrice est la somme des éléments diagonaux. On a : T rpM q “
´1 ` 7 ´ 4 “ 2.
2. Calculer M 2 et M 3 . 2 points
Réponse : » fi
-5 12 -6
— ffi
2
Les calculs donnent : M “ M ˚ M = — -6 -6 ffi et
— ffi
13
– fl
-3 6 -2
» fi
-13 30 -18
— ffi
M 3 “ M 2 ˚ M = — -14 -18 ffi.
— ffi
31
– fl
-7 16 -10
61
3. Calculer le déterminant de M par deux méthodes différentes que vous préciserez.
2 points
Réponse : (1 point par type de méthode)
‚ On peut calculer le déterminant de M par la méthode des cofacteurs ou par la
méthode de Sarius (car on a une matrice d’ordre 3). On note par detpM q le déter-
minant de la matrice M .
‚ Par cofacteur : (1 point)
“ ‰ “ ‰ “ ‰
detpM q “ ´1 p7ˆ´4q´p4ˆ´6q ´6 p´2ˆ´4q´p´1ˆ´6q ´6 p´2ˆ4q´p´1ˆ7q .
“ ‰ “ ‰ “ ‰
detpM q “ ´1 ´ 28 ` 24 ´ 6 8 ´ 6 ´ 6 ´ 8 ` 7 “ 4 ´ 12 ` 6 “ ´2.
Par Sariusˇ : (1 point) ˇ
ˇ ˇ
ˇ ´1 6 ´6 ˇ ´1 6
ˇ ˇ
detpM q “ ˇ ´2
ˇ ˇ
7 ´6 ˇ ´2 7
ˇ ˇ
ˇ ˇ
ˇ ´1 4 ´4 ˇ ´1 4
“ ‰ “
detpM q “ p´1 ˆ 7 ˆ ´4q ` p6 ˆ ´6 ˆ ´1q ` p´6 ˆ ´2 ˆ 4q ´ p´1 ˆ 7 ˆ ´6q `
‰
p4 ˆ ´6 ˆ ´1q ` p´4 ˆ ´2 ˆ 6q .
detpM q “ p28 ` 36 ` 48q ´ p42 ` 24 ` 48q “ 64 ´ 66 “ ´2.
4. Montrer que M 3 ´ 2M 2 ´ M ` 2I3 “ 0. 1 point

Réponse :
On pose : A “ M 3 ´ 2M 2 ´ M ` 2I3 . On a :
» fi » fi » fi
-13 30 -18 -5 12 -6 -1 6 -6
A = — -14 -18 ffi - 2 — -6 -6 ffi - — -2 ffi +
31 13 7 -6
-7 16 -10 -3 6 -2 -1 4 -4
1 0 0 -3 6 -6 3 -6 6 0 0 0
2— 0 = — -2 5 -6 ffi + — 2 6 ffi = — 0 0 ffi.
1 0 ffi -5 0
– fl – fl – fl – fl
0 0 1 -1 4 -6 1 -4 6 0 0 0
62
D Élément de corrigé du Devoir année 2013-2014
Exercice D.1. 1. Dans R3 muni des lois habituelles, les parties suivantes sont-elles
des sous-espaces vectoriels : 4 points
(
F1 “ px1 , x2 , x3 q P R3 | x1 ´ x2 ` x3 “ 0 et 2x1 ` x2 ` x3 “ 0
! )
F2 “ pα ´ β, α ` β, α ´ 3βq | α, β P R
2. Soit α P R et E “ FpR, Rq l’ensemble des applications de R dans R. Les sous-

ensembles suivants sont-ils des sous-espaces vectoriels de E. 6 points
! ) ! ) ! )
F1 “ f P E | f paire ; F2 “ f P E | f pαq “ 0 ; F3 “ f P E | f croissante .
Exercice D.2. Soient F1 “ tpx1 , x2 q P R2 : x2 “ 2x1 u de R2 , F2 “ tpx1 , x2 , x3 q P R3 :

x22 “ x1 et x3 “ 0u et F3 “ tpx1 , x2 , x3 q P R3 : x1 “ 0 et 2x1 ` x2 ´ x3 “ 0u de R3 ,
muni des lois habituelles de l’espace vectoriel R2 et R3 respectivement.
Répondre par vrai ou faux :
Ì Â
1. Le sous-ensemble F1 n’est pas un R-espace vectoriel. vrai faux 1 point
Ì Â
2. Le sous-ensemble F2 est un R-espace vectoriel. vrai faux 1 point
Ì Â Ì
3. Une base de F3 est donné par le vecteur : p0, 1, ´1q p0, 1, 1q p2, 1, ´1q
1 point
Exercice D.3. Dans l’espace vectoriel R3 , on note : u1 “ p1, 0, ´1q, u2 “ p2, 1, ´1q et
u3 “ p3, 2, 0q. On note D “ V ectpu1 q et E “ V ectpu2 , u3 q.
1. Montrer tu2 , u3 u est une famille libre de R3 . En déduire la dimension de E.

Solution :
‚ 1.5 points Soient α, β P R tel que αu2 ` βu3 “ 0 ùñ αp2, 1, ´1q ` βp3, 2, 0q “
$
’
’
’ 2α ` 3β “ 0 $
& & α“0
0 ðñ α ` 2β “ 0 ùñ . D’où la famille tu2 , u3 u une libre.
’
’ % β“0
’
% ´α “ 0
‚ 1.5 points Les vecteurs u2 et u3 forment donc une famille libre et génératrice de
E donc une base et alors dimpEq “ 2.
2. A quelle condition un vecteur px, y, zq appartient-il à E ? 2 points

Solution :
Un vecteur px, y, zq appartient à E ðñ Dα, β P R tel que
63
$
’
’
’ 2α ` 3β “ x p1q
&
αp2, 1, ´1q ` βp3, 2, 0q “ px, y, zq ðñ Dα, β P R : α ` 2β “ y p2q ðñ
’
’
’
% ´α “ z p3q
$
’
’
’ 2α ` 3β “ x p1q
&
Dα, β P R : β “ ´x ` y 2.p2q ´ p1q ðñ
’
’
’
% 2β “ y ` z p3q ` p2q
$
’
’
’ 2α ` 3β “ x p1q
&
Dα, β P R : β “ ´x ` y 2.p2q ´ p1q “ p3q ðñ
’
’
’
% 2β “ y ` z p3q ` p2q “ p4q
$
’
’
’ 2α ` 3β “ x p1q
&
Dα, β P R : β “ ´x ` y p3q
’
’
’
% 0 “ 2x ´ 3y ` z p4q ´ 2.p3q
D’où : 2x ´ 3y ` z “ 0 si et seulement si px, y, zq P E.

À
3. Montrer que D et E sont supplémentaires, c’est-à-dire si D E “ R3 . 2 points
Solution :
On a : 2 ˆ 1 ´ 3 ˆ 0 ` p´1q “ 1 ‰ 0 ùñ u1 R E. Donc D X E “ t0R3 u.
À
De plus dimpDq ` dimpEq “ 1 ` 2 “ 3 “ dimpR3 q, par conséquent D E “ R3 .
E Logiciels pour le calcul matriciel

Cette partie est une à l’apprentissage du logiciel scilab pour le calcul matriciel.
Scilab est un logiciel de calcul numérique développé par l’Institut National de Recherche
en Informatique et en Automatique (INRIA), un institut de recherche français en ma-
thématiques et informatique. Il est entièrement libre et gratuit, contrairement au logiciel
commercial Matlab.
Pour télécharger Scilab, rendez-vous sur l’adresse du site officiel : http://www.scilab.
org/. On peut le télécharger directement par exemple à l’adresse http://www.scilab.
org/download/index_download.php?page=release.html.
Il permet de faire très rapidement des calculs matriciels, résoudre des systèmes linéaires,
simuler des équations différentielles, etc.
On peut utiliser Scilab de trois manières différentes :
64
1. A travers la console (fenêtre Scilab principale), en tapant directement les com-
mandes. L’avantage est bien sûr la simplicité d’utilisation. Toutefois, dès que l’on
souhaite écrire un programme de plus d’une ligne, cela devient vite trop compliqué.
De plus, si l’on veut relancer des lignes de commandes, il faut retaper les lignes une
à une.
–->4*5+1
ans =
21.
2. En écrivant les commandes dans un fichier à l’aide d’un traitement de texte, puis
on l’exécutant dans Scilab avec la commande exec.
Cette méthode est indispensable dès que l’on souhaite faire un programme un peu
long ou que l’on veut pouvoir modifier facilement des paramètres du programme
sans avoir à tout retaper.
Exemple : on tape dans le fichier 4*5+1, on sauvegarde (par exemple dans
C/Documents/Algebre/) sous le nom calcul.sce, et on tape dans la fenêtre prin-
cipale de Scilab.
–->exec(’C/Documents/Algebre/calcul.sce’);
ans =
21.
NB : Le point-virgule signifie que le résultat de la commande (ici l’appel du pro-
gramme) ne doit pas s’afficher. Sans le point-virgule, Scilab va réécrire toutes les
commandes du programme.
3. Enfin, en écrivant dans un fichier séparé une fonction, par exemple

function x=calcul()
x=4*5+1;
endfunction;
On sauvegarde le fichier sous le nom calcul.sce, et on tape dans la fenêtre Sci-
lab getf(’C/Documents/Algebre/calcul.sce’);. Maintenant, Scilab connait une
nouvelle fonction baptisée calcul que l’on peut appeler :
–->calcul
ans =
65
21.
Voici un tableau avec quelques opérateurs de calcul.
Opérateurs Signification
+ addition de matrices
- soustraction de matrices
* produit de matrices
inv(A) inverse de la matrice carrée A
rank(A) rang de la matrice A (nombre de colonnes ou de lignes indépendantes)
det(A) déterminant de la matrice carrée A
A’ transposée de la matrice X
/ division à droite : A / B est équivalent à : A * inv(B)
z division à gauche : A z B est équivalent à : inv(A) * B
eye (p,n) matrice identité de taille p ˆ n
ones (p,n) matrice unité de taille p ˆ n
zeros (p,n) matrice nulle de taille p ˆ n
Illustrations de quelques exemples : Pour débuter, nous reprenons ¨

l’exemple 2.14
˛ du
1 5 3
˚ ‹
cours. La matrice A matrice carrée est de taille 3 ˆ 3, définie par A “ ˚ 0 4 1 ‹
˚ ‹
˝ ‚
2 8 6
–-> A = [1 5 3 ; 0 4 1 ; 2 8 6]
A =
1. 5. 3.
0. 4. 1.
2. 8. 6.
Pour avoir l’élément de la deuxième ligne et la troisième colonne :
–-> A = (2,3)
ans =
1.
Pour avoir la première ligne :
–-> A(1,:)
ans =
66
1. 5. 3.
Pour avoir la deuxième colonne :
–-> A(:,2)
ans =
5.
4.
8.
Pour avoir la transposée de la matrice A :
–-> A’
ans =
1. 0. 2.
5. 4. 8.
3. 1. 6.
Pour obtenir l’inverse de la matrice A :
–-> inv(A)
ans =
8. - 3. - 3.5
1. 0. - 0.5
- 4. 1. 2.
Vérification :
–-> B=A*inv(A)
B =
1. 0. 0.
0. 1. 0.
0. 0. 1.
Pour calculer le déterminant de A :
–-> det(A)
ans =
2.
Pour calculer le A2 .
–-> A*A
67
ans =
7. 49. 26.
2. 24. 10.
14. 90. 50.
Pour avoir une matrice identité d’ordre 3 (3 lignes et 3 colonnes) :
–-> eye(3,3)
ans =
1. 0. 0.
0. 1. 0.
0. 0. 1.
Pour avoir une matrice unité à 3 lignes et 4 colonnes
–-> ones(3,4)
ans =
1. 1. 1. 1.
1. 1. 1. 1.
1. 1. 1. 1.
Pour avoir une matrice nulle à 3 lignes et 4 colonnes
–-> zeros(3,4)
ans =
0. 0. 0. 0.
0. 0. 0. 0.
0. 0. 0. 0.
Pour faire la somme de deux
¨ matrices. ˛
Nous reprenons
¨ l’exemple
˛ 2.7, où les deux matrices
1 1 2 4 6 ´6
sont données par : A “ ˝ ‚ et B “ ˝ ‚.
20 5 ´2 1 0 7
–-> A=[1 1 2; 20 5 -2]

A =
1. 1. 2.
20. 5. - 2.
–-> B=[4 6 -6; 1 0 7]
B =
68
4. 6. - 6.
1. 0. 7.
–-> A+B
ans =
5. 7. - 4.
21. 5. 5.
Pour avoir le produit d’un scalaire 3 avec A, c’est à dire 3A
–-> 3*A
ans =
3. 3. 6.
60. 15. - 6.
Pour faire le produit de deux matrices. Nous reprenons
¨ l’exemple
˛ 2.11,öù les deux˛ ma-
1 2 0 2 0
˚ ‹ ˚ ‹
trices, notées C et D, sont données par : C “ ˚ ´1 ´2 1 ‹ et D “ ˚ 3 2 ‹.
˚ ‹ ˚ ‹
˝ ‚ ˝ ‚
0 4 5 ´1 ´3
–-> C=[1 2 0; -1 -2 1; 0 4 5]
C =
1. 2. 0.
- 1. - 2. 1.
0. 4. 5.
–-> D=[2 0; 3 2; -1 -3]
D =
2. 0.
3. 2.
- 1. - 3.
–-> C*D
ans =
8. 4.
- 9. - 7.
7. - 7.
69
Références
[1] Roger P., Mathématiques pour l’économie et la gestion. Application avec Excel, Edi-
teur : Pearson Education, France. Octobre 2006.
[2] Thiam M., Cours d’Algébre, première année FASEG.
[3] Aubonnet F., Guinin D., et Joppin B., Précis de mathématiques : Algèbre 2. 2ème
édition, Editions Bréal, 1988.
[4] Bouzitat C., Pradel J., Mathématiques : Fonctions de plusieurs varibles-Optimisation,

Editions Cujas.
[5] Calvo B., Doyen J., Calvo A., et Boschet F., Exercices d’algèbre, 1er cycle, 2ème
année, Editions Armand Colin, Collection U 1984.
[6] Deschamps C., Ramis E., et Odoux J., Cours de mathématiques spéciales Tome 2 :
Algèbre et applications à la géométrie.
[7] Ferrier O., Maths pour économistes, l’ Analyse en Economie, vol1, vol2, Editions De
Boeck Bruxelles, 2003.
[8] Lesieur L., Temam R., et Lefevre J., Compléments d’algèbre linéaire, maths spéciales :
1ère et 2ème années, Editions Armand Colin, Collection U 1978.
[9] Liret F., et Martinais D., Mathématiques pour le DEUG, Algèbre et géométrie, 2ème
année, Cours et exercices avec solutions, Editions Dunod Paris, 1997.
[10] Michel P., Cours de Mathématiques pour économistes, Editions Economica,Paris,

1989.
[11] Pécastaings F., et Sevin J., Chemins vers L’Algèbre. Tome 2 : Exercices avec solutions
et rappels de cours, Editions Vuibert, 1980.
[12] Rivaud J., Algèbre linéaire. Tome 1 : Exercices avec solutions, Editions Vuibert,
1978
[13] Seymour L., Algèbre linéaire, cours et problèmes, Serie Schaum.
[14] Sureau H., et Sureau Y., Algèbre linéaire, DEUG scientifiques : 1ère et 2ème années,
Volumes 1 et 2, Editions Armand Colin, Collection Flash U– Séries mathématiques
1987.
70
[15] Varian Hal R., Microecomics Analysis, Editions W.W.Norton Company New York,
1992.
[16] Wade A., Les mathématiques de l’analyse économique moderne, Editions Economica,
2007.
71

Cours Algebre Lineaire

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

Cours Algebre Lineaire

Transféré par

Droits d'auteur :

Formats disponibles

Cours Algèbre Linéaire :

Espaces Vectoriels réels

Université Cheikh Anta Diop de Dakar (UCAD)

Dr. Babacar M. NDIAYE. Année 2014-2015.

Table des matières

B Devoir année 2012-2013 56

C Examen année 2012-2013 (corrigé) 57

D Élément de corrigé du Devoir année 2013-2014 63

E Logiciels pour le calcul matriciel 64

Dans tout ce qui suit : K “ R, muni des lois + et . naturelles.

1.1.1 Définition d’un espace vectoriel

1. L’addition est une loi de composition interne sur E : @pu, vq P E2 , u ` v existe et :

2. L’addition est associative, c’est à dire :

4. Tout vecteur u de E possède un symétrique appelé opposé de u, c’est à dire :

Le vecteur v est alors noté -u.

5. L’addition est commutative, ce qui s’écrit :

@pu, vq P E2 , u`v “v`u

Ce qui rend le groupe (E,+) commutatif ou abélien.

6. C’est une loi de composition externe sur E : @u P E, @α P K, α.u existe et : α.u P E

7. La multiplication par un scalaire est associative :

@pα, βq P K2 , @u P E, αpβ.uq “ pαβq.u

8. La multiplication par un scalaire est distributive par rapport à l’addition dans K :

9. La multiplication par un scalaire est distributive par rapport à l’addition dans E :

10. Le nombre 1 est l’élément neutre de la multiplication par un scalaire :

Remarque 1.1. Les éléments de E sont appelés « vecteurs » et ceux de R « scalaires ».

Remarque 1.4. Les propriétés suivantes sont importantes :

(iii) @u P E et @α P R on a : α.u = 0 ðñ (α = 0 ou u=0)

(iv) @α P R, @u P E, p´αq.u “ α.p´uq “ ´pα.uq

(v) @pu, vq P E2 , @α P R, α.pu ´ vq “ α.u ´ α.v

(vi) @pα, βq P R2 , @u P E, pα ´ βqu “ α.u ´ β.u

(viii) @pu, vq P E2 , il existe un unique vecteur tel que w tel que v “ u ` w

1.1.2 Quelques exemples

Le plan vectoriel, noté R2 , est l’ensemble des couples xT “ px1 , x2 q où xi P R pour i “ 1, 2.

et la multiplication par un scalaire par :

pα.f qpuq “ αf puq

pour tout couple pf, gq P ApRn q et tout vecteur u P Rn .

1. les ensembles de n-uplets de réels Rn ,

2. les ensembles de fonctions définies sur I (éventuellement R), à valeurs dans R,

3. les ensembles de polynômes à coefficients réels : RrXs et Rn rXs,

4. les ensembles de suites réelles Rn ,

5. les ensembles de matrices carrées ou rectangles à coefficients réels : Mn , Mpn,pq .

Que se passe t-il quand on considère un sous-ensemble d’un espace vectoriel ?

Définition 1.2. Soit E un espace vectoriel et F un sous-ensemble non vide de E. F est

X La Définition 1.2 a une expression relativement complexe mais sa signification est

Définition 1.3. Soit E un espace vectoriel et F un sous-ensemble non vide de E. Fest

@pα, βq P R2 , @pu, vq P F2 , α.u ` β.v P F

Soit E “ R3 et F1 un sous-ensemble de E défini par :

z1 ` z2 ` z3 “ αx1 ` βy1 ` αx2 ` βy2 ` αx3 ` βy3

Par conséquent, F1 est un sous-espace vectoriel de E.

Le sous-ensemble t0E u “ t0u réduit au vecteur nul est un sous-espace vectoriel de E.

X Conséquence : Une intersection de deux sous-espaces vectoriels de E va toujours

Proposition 1.1. L’intersection de deux sous-espaces vectoriels de E est un sous-espace

Démonstration. Soient Fet G deux sous-espaces vectoriels de E.

et montrons que F1 X F2 est un sous-espace vectoriel de R3 .

On a vu précédemment que la somme des composantes de z est nulle.

et cherchons à vérifier si elle est satisfaite.

z1 ´ 2z2 ` 3z3 “ αpx1 ´ 2x2 ` 3x3 q ` βpy1 ´ 2y2 ` 3y3 q

Comme x et y sont dans F2 , on en déduit :

X Montrons que, en revanche, F1 Y F2 n’est pas un sous-espace vectoriel en choisis-

On vérifie immédiatement que z n’appartient ni à F1 ni à F2 .

F12 est un s.e.v. de E “ R3 . Cette remarque se généralise à la proposition suivante.

F est un s.e.v. de E. On dit alors que F est la somme de F1 , F2 ,..., Fk , et on note

a) On appelle somme directe de F “ F1 ` ... ` Fk le s.e.v. de E, lorsqu’il existe, tel