Fasc Cours 1

Cours et Exercices résolus d’Algèbre linéaire
NOMBRES COMPLEXES
Dr. AKPATA Edouard

1
CHAPITRE III
NOMBRES COMPLEXES
NOMBRES COMPLEXES
3.1 Définition
On appelle nombre complexe tout couple de nombres réels (a, b)
satisfaisant aux axiomes suivants:
i) (a, b) = (a’, b’) ⇔ a = a’ et b = b’ ( é gal it é) ,
ii) (a, b) + (a’, b’) = (a + a’, b + b’) ( ad d it io n) ,
iii) (a, b) . (a’, b’) = (aa’ – bb’, ab’ + ba’) ( mu l t ip l ica tio n) .
L’ensemble des nombres complexes est noté ℂ.
Donc de ce qui précède, on peut dire que l’ensemble ℂ. des nombres
complexes n’est rien d’autre que l’ensemble IR 2 muni des lois d’égalité,
d’addition et de multiplication ci-dessus.
3.2 Notations définitives

i) Le nombre complexe réel (a, 0) s’écrit a.
Le nombre complexe (0, 0) s’écrit 0 (zéro);
Le nombre complexe (1, 0) s’écrit 1 (unité).
ii) Le nombre complexe (0, 1) est s ymbolisé par la lettre i.
On voit que i 2 = i . i = (0, 1)(0, 1) = (-1, 0) = -1,
c’est-à-dire i 2 = -1 (3. 1)
Le nombre complexe (0, b) = (b, 0) (0, 1) s’écrit bi ou ib et est dit imaginaire
pur.
iii) Tout nombre complexe noté z tel que z = (a, b) = (a, 0) + (0, b)
s’écrit: z = a + bi ou z = a + ib
Les nombres a et b sont respectivement appelés partie réelle et partie
imaginaire du nombre complexe z = a + ib et sont notés:
a = rez et b = imz. (3. 2)
3. 3 Egalité de deux nombres complexes

Soient z = a + ib et z’ = a’ + ib’
z = z’ ⇔ a = a’ et b = b’ (3. 3)
3. 4 Forme algébrique d’un nombre complexe

Un nombre complex e z est dit écrit sous sa forme algébrique s’il est
écrit sous la forme:
z = a + ib, où (a, b) ∈ IR 2 (3. 4)
3. 5 Opérations sur les nombres complexes
1. Somme de deux nombres complexes

On appelle somme de deux nombres complexes z 1 = a 1 + ib 1 et z 2 = a 2 + ib 2
le nombre complexe
z = z 1 + z 2 = (a 1 + a 2 ) + i(b 1 + b 2 ) (3. 5)
Dr. AKPATA Edouard

2
On peut remarquer que l’addition possède les propriétés suivantes:

• z 1 + z 2 = z 2 + z 1 ( co m mu t at i vi té)
• (z 1 + z 2 ) + z 3 = z 1 + (z 2 + z 3 ) ( a s so c ia ti v ité )
2. Différence de deux nombres complexes

On appelle différence de deux nombres complexes z 1 = a 1 + ib 1 et
z 2 = a 2 + ib 2 le nombre complexe
z = z 1 – z 2 = (a 1 – a 2 ) + i(b 1 – b 2 ) (3. 6)
3. Produit de deux nombres complexes

On appelle produit de deux nombres complexes z 1 = a 1 + ib 1 et z 2 = a 2 + ib 2
le nombre complexe
z = z 1 z 2 = (a 1 a 2 – b 1 b 2 ) + (a 1 b 2 + a 2 b 1 ) (3. 7)
On peut vérifier que la multiplication des nombres complexes possède les
propriétés suivantes:
• z 1 z 2 = z 2 z 1 ( co m mu t a ti vi té) ;
• (z 1 z 2 )z 3 = z 1 (z 2 z 3 ) ( a s so c iat i vi té) ;
• (z 1 + z 2 )z 3 = z 1 z 3 + z 2 z 3 ( d is tr ib u ti v it é p ar r a p p o r t à l ’ad d it io n) .
4. Quotient de deux nombres complexes

On appelle quotient de deux nombres complexes z 1 = a 1 + ib 1 et
z 2 = a 2 + ib 2 (z 2 ≠ 0) le nombre complexe
a1a2 + b1b2 a2b1 − a1b2
z = z1 = + i 2 (3. 8)
z2 a2 + b2
2 2 a2 + b22
5. Nombres complexes conjugués

Les nombres complexes z = a + ib et z = a – ib sont dits complexes
conjugués.
Indiquons quelques propriétés de la conjugaison complexe
• z1 + z2 = z1 + z2 ;
• z1 z2 = z1 z2 ;
• (zz ) =
1
2
z1 .
z2
Remarque
Soient z = a + ib ⇒ z = a – ib.
• z + z = 2a soit a = 1 (z + z); (3. 9)
2
• z - z = 2ib soit b = 1 (z - z) . (3. 10)
2i
3. 6 Forme trigonométrique d’un nombre complexe

Tout nombre complexe z = x + iy se représente sur le plan (O; i, j) soit
par un point M de coordonnées (x, y) , soit par un vecteur d’origine O(0, 0) et
d’extrémité M(x, y) . ( Fig. 10 ).
Ce plan sera appelé plan complexe z, l’axe (O; i) , axe réel, l’axe (O; j) , axe
imaginaire, le point M , image de z ou z , affixe de M (Fig. 10) .
Pour repérer un point M sur le plan complexe, il est plus commode
Dr. AKPATA Edouard

3
d’utiliser les coordonnées polaires (r, θ ), où r est la norme du vecteur OM

(Fig. 11 ) . En coordonnées polaires, on a:
x = r cos θ , y = r sin θ d’où z = r (cos θ + isin θ ), (3. 11)
appelé forme trigonométrique du nombre complexe z .
Le rayon polaire r s’appelle module de z et se note  z  . Il est définit de façon

unique par:  z  = x 2 + y 2 . (3. 12)
M
r
θ
O O
Fig. 10 Fig. 11
L’angle polaire θ qui est défini à 2k π près, puisque c’est l’angle d’un
vecteur avec un axe, s’appelle argument de z et se note: Arg z.
On a:
 y
 Arctg pour x > 0
x

 y
 π + Arctg x pour x < 0, y ≥ 0


Arg z = −π + Arcg y pour x < 0, y < 0 (3. 13)
 x

 π pour x = 0, y > 0
 2

 −π pour x = 0, y < 0
 2
Si z = 0 , le module z est nul et l’argument quelconque.
Pour que deux nombres complex es z 1 et z 2 soient égaux, il faut et il suffit
que:
z 1  = z 2  et Arg z 1 = Arg z 2 + 2k π .
Exemple
Trouver l’argument principal et le module du nombre complexe:
z = - sin π − i cos π
8 8
Solution
On a: x = - sin π < 0 ; y = - cos π < 0 . En vertu de (3. 13), on a:
8 8
Arg z = - π + Arctg(ctg ) = - π + Arctg[tg( π − π )] = - π + Arctg(tg 3π )
π
8 2 8 8
= - π + 3π = - − 5π .
8 8
Donc Arg z = −5π , z = sin 2 π + cos 2 π = 1.
8 8 8
Dr. AKPATA Edouard
4
La correspondance entre les nombres complexes et les vecteurs confère une

signification géométrique naturelle à l’addition et la soustraction des nombres
complexes ( Fig. 12 ). Les inégalités suivantes sont immédiates:
• z 1 + z 2  ≤ z 1  + z 2 
• z 1 – z 2  ≥ z 1  - z 2  .
z1 + z2
z2
z1
z1 – z2
Fig. 12
3.7 Forme exponentielle du nombre complexe

Posons cos θ + isin θ = e i θ , donc z = r(cos θ + isin) = re i θ .
z = re i θ , (3. 14)
L’expression (3. 14) est appelée forme exponentielle du nombre complexe z .

Les formes trigonométrique et exponentielle se prêtent bien à la
multiplication et à la division des nombres complexes.
Si z 1 = r 1 eiθ 1 et z 2 = r 2 eiθ 2 , on a:
z 1 z 2 = r 1 r 2 ei(θ1 + θ 2 ) (3. 15)
z 1 z 2 = r 1 eiθ 1 r 2 eiθ 2 = r 1 (cos θ 1 + isin θ 1 ) r 2 (cos θ 2 + isin θ 2 ) =

= r 1 r 2 [(cos θ 1 cos θ 2 - sin θ 1 sin θ 2 ) + i(sin θ 1 cos θ 2 + sin θ 2 cos θ 1 )] =
= r 1 r 2 [cos( θ 1 + θ 2 ) + isin( θ 1 + θ 2 )] = r 1 r 2 ei(θ1 + θ 2 ) ,
autrement dit la multiplication de deux nombres complexes revient à
multiplier leurs modules et à ajouter leurs arguments.
De ce qui précède, on en déduit:
 z 1 z 2  =  z 1  z 2  , Arg(z 1 z 2 ) = Arg z 1 + Arg z 2 + 2k π . k ∈ Z (3. 16)
Si z 1 = r 1 eiθ 1 et z 2 = r 2 eiθ 2 , (z 2 ≠ 0), on a:

iθ 1
z1 = r1e = r1 ei(θ1 − θ 2 ) (3. 17)
z2 r2eiθ 2 r2
Dr. AKPATA Edouard

5
Soit z = re i θ ; Posons z = z1 ⇒ z 1 = zz 2 ⇔ r 1 eiθ1 = reiθ r2eiθ 2 = rr2ei(θ + θ 2 ) ⇒

z2
 r = r1
 r1 = r r2  r2
⇒ ⇒  d’où z1 = r1 ei(θ1 − θ 2 ) .
 θ1 = θ +θ 2 z2 r2
 θ = θ1 − θ 2

Autrement dit la division de deux nombres complexes revient à diviser leurs

modules et à soustraire leurs arguments.
De ce qui précède, on peut déduire que:

z1 = z1 , Arg z1 = Arg z 1 – Arg z 2 + 2k π . (3. 18)
z2 z2 z2
3. 8 Puissance entière d’un nombre complexe

Soit z = re i θ = r(cos θ + isin θ ) . On se propose de calculer z n . D’après
la formule (3. 15), on a:
z n = (re i θ ) n = r n e i n θ = r n (cos n θ + isin n θ ) . (3. 19)
Pour r = 1, on obtient la formule de Moivre ( 1 ) :
(cos θ + isin θ ) n = cos n θ + isin n θ . (3. 20)
3. 9 Racine n i è m e d’un nombre complexe

On dit qu’un nombre complexe Z est la racine n i è m e d’un nombre
complexe z si
Zn = z . (3. 21)
Montrons que tout nombre complexe z ≠ 0 possède n racines n i è m e s distinctes.

Soient z = re i θ , et Z = ρ e i ϕ . En portant dans (3. 21), on obtient:

 ρ = r
n
(1)
 ρ n = r

  ϕ = θ + 2kπ (2)
n inϕ iθ  n ϕ = θ + 2kπ 
ρ e = re ⇒ ou n n (3. 22)
De ce qui précède, l’égalité (1) montre que les racines n i è m e s de z ont toutes
même module et l’égalité (2) que leurs arguments diffèrent d’un multiple
2π
entier de n .
Donc les images de ces racines sont les sommets d’un pol ygone régulier de n
côtés inscrit dans un cercle de rayon n z centré en O. (Fig. 13).
En faisant k = 0, 1, 2, ………….., n-1 dans la formule (3. 22), on obtient n

nombres complex es distincts:
θ + 2kπ
θ + 2kπ θ + 2kπ i
Z k = n z = n r (cos + isin ), ou Z k = n r e n , k = 0, 1,….., n-1 . (3. 23)
n n
(1)
Moivre Abraham de (26.5.1667 – 27.11.1754), Mathématicien anglais
Dr. AKPATA Edouard

6
Z
Z
π Z1 Zo
4
Z2
n = 8
Fig. 13 Fig. 14
Exemple
3
Calculer i.
Solution
iπ
Posons Z 3 = z = i ; Ecrivons Z 3 sous la forme exponentielle: Z 3 = i = e 2 .
En utilisant la formule (3. 23), on obtient:
i(π + 2kπ )
Zk = e 6 3
, k = 0, 1, 2.
D’où:
iπ 3 +i
Z 0 = e 6 = cos π + isin π = ;
6 6 2
i 5π − 3 +i
Z1 = e 6
= cos 5π + isin 5π = ;
6 6 2
i 3π
Z2 = e 2 = cos 3π + isin 3π = -i. (voir Fig. 14).
2 2
Dr. AKPATA Edouard

7
CALCULS MATRICIELS
ESPACES VECTORIELS
Dr. AKPATA Edouard

8
CHAPITRE IV
MATRICES – DETERMINANTS – SYSTEMES D’EQUATIONS

MATRICES
4. 1 Définitions – Généralités
On appelle matrice de t ype (m, n) le tableau à m lignes et à n
colonnes :
 a11........................a1n 
 . ........................ . 
A =  . ........................ .  . (4. 1)
 . ........................ . 
 am1........................amn 
Les nombres a i j sont appelés les éléments ou coefficients de la matrice A.

Les éléments a i 1 , a i 2 , …………a i n (i = 1, 2, ………..m) forment la ligne i de la
a1j
a2j
matrice A, les éléments . (j = 1, 2,…….., n, forment la colonne j de la
.
amj
matrice A.
L’élément a i j se trouve à l’intersection de la ligne i et de la colonne j.
 .. .. ...... 
 .. .. ... . 
A =  .. ..aij . ...  i
 .. .. ...... 
 .. .. ...... 
j
• Si le t ype de la matrice est connu, on la note souvent sous la forme
concise: A = (a i j ).
• Si le nombre de lignes est égal à celui des colonnes (m = n), la matrice
est dite carré d’ordre n, sinon elle est dite rectangulaire .
• Si m= 1 et n > 1, on obtient une matrice ligne (a 1 1 , ………., a 1 n ).
 a11 
 . 
• Si m > 1 et n = 1, on obtient une matrice colonne  .  .
 . 
 am1 
• Deux matrices A = (a i j ) et B = (b i j ) sont égales si leurs éléments
correspondants le sont, c’est-à-dire a i j = b i j pour tous i et j (il est bien sûr
entendu que A et B ont le même nombre de lignes et de colonnes).
• Les éléments a 1 1 , ……………, a n n forment la diagonale principale de la
matrice A.
• On appelle matrice nulle , une matrice dont tous les éléments sont nuls.
• On appelle matrice diagonale , une matrice dont tous les éléments sont
Dr. AKPATA Edouard

9
 a11 .0 .. .. ........0 
 0 a .. .. ........0 
nuls à l’exception de ceux de la diagonale principale  .. .. .. .. ..  .
22
 .. .. .. .. ........0 
 0 .. ....... ...0. ann 
 
• On appelle matrice unité , une matrice diagonale dont tous les éléments
1 0...........0 
 0 ..1............ 
diagonaux sont égaux à l’unité  .. .. .............  . (4. 2)
 .. .. .. 1 0 
 0 .. .. ..0.. 1 
• On appelle matrice triangulaire supérieure ( resp . inférieure) , toute
matrice carrée d’ordre n dont tous les éléments situés en bas (resp. en haut )
de la diagonale principale sont nuls
 a11 a12 ... .......a1n   a11 0 .......... .... 0 

 0 a ... ......a   a a ..0........... 0 
A =  ... 0.. .... ..... ..  B =  ... ..... ........ 0 . 
22 2n 21 22
(4. 3)
 .... ..... 0 ..... ....   ......... ......... .... 0 
 0 ........... ..0 ann   a a ......... ...ann 
   n1 n2 
Ma t ri ce t r ia ng u la i re s u p ér ie ur e Ma t ri ce t r ia ng u la i re i nf ér ie ur e
4. 2 Opérations sur les matrices

Comme les vecteurs, les matrices peuvent être ajoutées, multipliées entre
elles et par un nombre.
i) Somme de deux matrices

La somme de deux matrices A = (a i j ) et B = (b i j ) de genre (m, n) est la
matrice C = (c i j ) d’éléments :
c i j = a i j + b i j (i = 1, …….., m; j = 1,………., n). (4. 4)
On note:
A + B = C (4. 5)
Exemples (n = m =3)
 1 1 0   2 1 0   1+ 2 1+1 0+ 0   3 2 0 
 0 1 0  +  1 3 1  =  0+1 1+3 0+1  =  1 4 1 
 1 0 1   0 1 1   1+ 0 0+1 1+1   1 1 2 
    
ii) Produit d’une matrice par un scalaire

Le produit d’une matrice A = (a i j ) par un scalaire λ est la matrice dont
chaque élément est égal au produit de l’élément correspondant de la matrice A
par λ :
λ A = λ (a i j ) = ( λ a i j ) (i = 1, ……., m; j = 1, ……., n). (4. 6)
Exemple ( λ = 3; i = 3; j = 4)
1 0 2 1   3.1 3.0 3.2 3.1   3 0 6 3 

3 2 0 0 1  =  3.2 3.0 3.0 3.1  =  6 0 0 3 
0 1 0 0   3.0 3.1 3.0 3.0   0 3 0 0 
     .
Dr. AKPATA Edouard
10
iii) Produit de deux matrices rectangulaires

On appelle produit d’une matrice A = (a i j ) de m lignes et k colonnes par
une matrice B = (b i j ) de k lignes et n colonnes la matrice C = (c i j ) de m lignes
et n colonnes dont l’élément c i j est égal à la somme des produits des éléments
de la ligne i de la matrice A par les éléments de la colonne j de la matrice B,
c’est-à-dire:
c i j = a i 1 b 1 j + a i 2 b 2 j + … … … + a i k b k j (i = 1, ……., m; j = 1, …., n) . (4. 7)
Remarque (très important)

La multiplication de deux matrices rectangulaires n’est pas toujours
possible. Pour que le produit de deux matrice A et B existe, il est nécessaire
qu’elles soient conformables , c’est-à-dire que le nombre de colonnes de A
(c’est-à-dire de la 1 è r e matrice) soit égal au nombre de lignes de A (c’est-à-
dire de la 2 e matrice).
Exemples
1.
1 0 1 
 0 1 0  .  0 1 0  =  0.1+1.0+ 0.1 0.0+1.1+ 0.0 0.1+1.0+ 0.1  =  0 1 0 
1 0 1   1.1+ 0.0+1.1  2 0 2 
   1 0 1   1.1+ 0.0+1.1 1.0+ 0.1+1.0
  .
(2, 3 ) ( 3 , 3) (2, 3)
2. Soient A =  1 0 , B =  0 0
0 0   1
 0 
Calculons:
A B =  1
. 0  0 0  0
  1 0 =  0 0
0
 0 0    
B . A =  0 0 1

0  =  0 0
 1 0  0 0   1
 0 
On remarque que A . B ≠ B . A. Autrement dit, la multiplication des matrices
n’est pas commutative.
Remarque
La règle de multiplication est simple à retenir sous la forme suivante:
l’élément c i j de C est égal au produit scalaire du vecteur ligne i de A par le
vecteur colonne j de B.
Exercice
Calculer
 le a un   lion vautour chat 
  
 un a un   dévoré dégusté mangé 
 un avait le   chasseur zèbre poisson 
  
Dr. AKPATA Edouard

11
iv) Propriétés
Soit quatre matrices A, B, C, D.
• (A + B) C = A C + B C ( d is tr ib u ti v it é d e . p ar r ap p o r t à +) ;
• D (B + C) = B D + C D ( d is tr ib u ti v it é d e . p ar r ap p o r t à +) ;
• A (B C) = (A B) C ( a s so ci at i vi té p a r l a lo i .) ;
• (A + B) + C = A + (B + C) ( a s so c iat i vi té p ar la lo i +) .
v) Multiplication d’une matrice par une matrice unité

La matrice unité jouit de la remarquable propriété de ne pas modifier la
matrice par laquelle elle est multipliée. C’est d’ailleurs de là qu’elle tire so n
nom de matrice « unité »; elle est douée de la même propriété que le nombre
« 1 » dans la multiplication des nombres.
Exemple
  1 0
Soient A =  a11 a12  et I =  ;
 a21 a 22  0 1 
Faisons le produit de ces deux matrices:
   1 0   
A x I =  a11 a12    =  a11 a12 
a a
 21 22   0 1 a a
 21 22 
 1 0   a11 a12   
I x A =     =  a11 a12 
 0 1  a21 a 22   a21 a 22 
D’où A x I = I x A = A
4. 3 Transposée d’une matrice

Soit A une matrice de t ype (m x n) définie par:
 a11 . . . . . . a1n 
a . . . . . . a2n 
 21
A =  . . . . . . . . .
 . . . . . . . . 
 am1 . . . . . . amn 
On appelle transposée de la matrice A la matrice notée t A définie par:
 a11 a21 . . am1 

a a . . a 
 12 22 m2

 . . . . . 
t
A =  . . . . . . (4. 8)
 . . . . . 
 . . . . . 
 . . . . . 
 a a . . amn 
 1n 2n 
Autrement dit, les éléments des lignes de la matrice A deviennent les éléments
des colonnes de la matrice t A . Donc si la matrice A est de genre (m, n) , alors
sa transposée t A sera de genre (n, m).
Dr. AKPATA Edouard

12
Exemple
 1 5
 1 2 3 4   
La transposée de la matrice A =   est la matrice A =  2 6  .
t
 5 6 7 8 37
 4 8
 
Propriétés
t t
1. ( A) = A;
t
2. (A + B) = t A + t B;
3. t
( λ A) = λ t A;
t
4. (AB) = t B t A.
4. 4 Théorème
L’ensemble des matrices carrées d’ordre n muni d’une loi d’addition +
et d’une loi de produit d’une matrice par un scalaire est un espace vectoriel
de dimension n 2 .
4. 5 Trace d’une matrice carrée

Soit A une matrice carrée d’ordre n . On appelle trace de la matrice A et
on note tr(A) , la somme de ses éléments diagonaux ; en d’autres termes, si
A = (a i j ), on a:
n n
tr(A) = ∑aij = ∑aii .
i = j =1 i =1
(4. 9)
Ainsi, à une matrice carrée d’ordre n est associée un scalaire et cette

application vérifie les propriétés suivantes :
Propriétés
1. tr(A) = tr( t A);
2. tr(A + B) = tr(A) + tr(B).
En outre, si A et B sont deux matrices rectangulaires telles que les produits
AB et BA existent simultanément, on a :
3. tr(AB) = tr(BA) .
Exemple
1. Soit A =  1 0  ; ⇒ tr(A) = 1 + 4 = 5
 0 4
 1 −2 
2. Soient A =  1 −1 −2  et B =  2 3  ,
 2 0 3  0 −1 
 
 1 −2 
AB =  1 −1 − 2   2 3  =  −1 −3  ⇒ tr(AB) = (-1) + (-7) = -8
 2 0 3   0 −1   2 −7 
 
 1 −2   −3 −1 −8 
BA =  2 3   1 −1 − 2  =  8 − 2 5  ⇒ tr(BA) = (-3) + (-2)+ (-3) = -8.
 0 −1   2 0 3   − 2 0 −3 
   
On conclut que tr(AB) = tr(BA).
4. 6 Transformations élémentaires d’une matrice

Soient A et A des matrices de t ype (m, n) et soient:
Dr. AKPATA Edouard
13
a 1 = (a 1 1 , a 1 2 , ……………, a 1 n )
.
.
a k = (a k 1 , , a k 2 , ………….., a k n )
.
.
a l = (a l 1 , a l 2 , , aln)
.
.
a m = (a m 1 , a m 2 , , a m n ), les lignes successives de la
matrice A.
1. Transformation de type I
On dira que la matrice A se déduit de la matrice A par la transposition de
deux lignes si
a 1 , ……… a l , ……….., a k , …………, a m sont les lignes successives de la
matrice A .
Exemple
 1 0 9  1 0 9
La matrice A =  0 6 1  se déduit de la matrice A=  0 1 0  par la transposition
0 1 0  0 6 1 
   
e e
de la 2 ligne et de la 3 ligne de A , c’est-à-dire a 2 et a 3 de A deviennent
respectivement a 3 et a 2 de A .
2. Transformation de type II
On dira que la matrice A se déduit de la matrice A par la multiplication d’une
ligne par un scalaire β non nul si a 1 , …………., β a k , ……….., a l , ………….., a m
sont les lignes successives de A .
Exemple
 1 0 3  1 0 3
La matrice A =  4 8 6  se déduit de la matrice A =  2 4 3  ( x 2) par la
0 1 2 0 1 2
   
multiplication par 2 de la 2 e ligne de A .
3. Transformation de type III

On dira que la matrice A se déduit de la matrice A par l’addition d’une ligne
au produit d’une autre ligne par un scalaire δ non nul si a 1 , …………, a k ,,
……….., a l + δ a k , ………., a m sont les lignes successives de la matrice A .
Exemple
 1 −12 7   1 0 9
La matrice A =  0 1 0  se déduit de la matrice A =  0 1 0  en additionnant
0 6 1  0 6 1 
   
la 1 è r e ligne de A au produit de la 3 e par (- 2) , c’est-à-dire on a fait:
a 1 + (-2)a 3 de A et le résultat est écrit à la première ligne de A en conservant
les autres lignes.
Dr. AKPATA Edouard
14
On définit de la même façon les transformations élémentaires des

colonnes d’une matrice.
Remarque (très importante!!!)

Il a été bien dit qu’une matrice se déduit d’une autre et non qu’elles
sont égales!!!
Décrivons maintenant la procédure qui permet de réduire une matrice

quelconque à une forme plus simple par les transformations élémentaires ci-
dessus décrites.
Soit A = (a i j ) une matrice non nulle de t ype (m, n) .
Première étape
 a11 . . . . . . a1n 
a . . . . . . a 
 21 2n

Soit A définie par: A =  . . . . . . . .  .
 . . . . . . . . 
 am1 . . . . . . amn 
Par h ypothèse, la matrice A possède des lignes non nulles. Considérons celle
dont le premier élément non nul appartient à la colonne de plus petit numéro
k 1 ≥ 1 . Si l’on interchange cette ligne avec la première à l’aide de la
transformation du t ype I, la matrice A devient:
 0 . 0 a1(k1) . . . a1(n1) 
 1 
 0 . 0 a2k1 . . . a2n 
 0 . 0 . . . . .  , où a1(k1) ≠ 0.
  1
 . . . . . . . . 
 0 . 0 a . . . amn 
 mk1 
Ajoutons à la ligne i (i = 2, ………., m) de la matrice précédente le produit de
la 1 è r e ligne par
− aik
1
.Cette transformation nous donne une matrice dont les éléments de la
a1(k1)
1
colonne k 1 sont tous nuls à l’exception du premier:
 0 . 0 a1(k1) . . . a1(n1) 
 1
(1)

 0 . 0 0 . . . a2n 
 0 . 0 . . . . . 
 
 . . . . . . . . 
 0 . 0 0 . . . amn (1) 
 
ère
La 1 colonne n’est plus affectée par les transformations antérieures.
Deux cas peuvent se présenter :
• Les lignes de la dernière matrice sont toutes nulles, à l’exception de
la première. Alors la procédure est terminée.
• La dernière matrice possède des lignes non nulles autres que la
première.
Dr. AKPATA Edouard

15
Deuxième étape
Choisissons parmi ces lignes celle dont le premier élément non nul
appartient à la colonne de plus petit numéro, par ex emple k 2 (k 1 < k 2 ). En
interchangeant cette ligne avec la deuxième ligne, on obtient :
 0 . 0 a1(k1) . . . a1(n1) 
 1 
 0 . 0 0 ........... 0 a2(2k) ........ a2(2n) 
  , où
2
0 . 0 . ........... . . .
 
 . . . . ............ . . . 
 0 . 0 0 ............ 0 amk ........ amn 
(1) (1)
 2 
a2k ≠ 0 .
(2)
2
Ajoutons à la ligne i (i = 3, ………., m) de la matrice précédente le produit de

− aik(1)
la deuxième ligne par (2) 2 et poursuivons comme dans la 1 è r e étape. Au bout
a2 k
2
d’un nombre de pas inférieur à min(m, n) ,

on est conduit à une matrice de la forme:
 0 .............. 0 ............ ............ ............. ............ 

a1(k1)
 1 
 0 .............. 0 0 ............ 0 a2(2k) ........ ............ 
 ........... .............. ........... .............  ,
2
0 .............. 0 0 (4. 10)

 
 0 .............. 0 0 ............ 0 ark(r)r .............. 
 0 .............. 0 0 ............ 0 0 ............0 
 
a1(k1) ≠ 0, a2(2k) ≠ 0,……………, ark r ≠ 0. (r)
où k 1 < …… < k r et 1 2
La matrice (4. 10) s’appelle matrice en escalier .
On obtient le théorème suivant:
4. 7 Théorème
Toute matrice peut être réduite à une matrice en escalier par un nombre
fini de transformations élémentaires (de types I et III) sur les lignes.
Exemples
1. Réduire la matrice suivante à une matrice en escalier:
0 0 0 0 0 1
 0 −2 3 −4 5
A = 0
0 0 0 0 0 0
0 1 1 1 1 0 

1 è r e étape
Interchangeons la 1 è r e et la 4 e ligne de A :
0 1 1 1 1 0
 0 −2 3 −4 5
A ⇒ A1 =  0
0 0 0 0 0 0
0 0 0 0 0 1 

Dr. AKPATA Edouard

16
2 e étape
Interchangeons la 3 e et la 4 e ligne de A 1 :
0 1 1 1 1 0
 5.
A 1 ⇒ A 2 =  0 0 −2 3 −4
0 0 0 0 0 1
0 0 0 0 0 0 

Ainsi on obtient la matrice en escalier A 2 .
 3 −1 3 2 5 
 
2. Réduire la matrice A =  5 −3 2 3 4  en escalier.
1 −3 −5 0 − 7
 7 −5 1 4 1 
 
1ère étape
Interchangeons la 1 è r e et la 3 e ligne de A :
 1 −3 −5 0 −7 
 5 −3 2 3 4
A ⇒ A1= 
3 −1 3 2 5
 7 −5 1 4 1 

2 e étape
Soustrayons de la 2 e , la 3 e et la 4 e ligne le produit respectif de la 1 è r e
par 5, 3, 7:
 1 −3 −5 0 −7 
 0 12 27 3 39  ,
A1 ⇒ A2 = 
0 8 18 2 26 
 0 16 36 4 50 

3 e étape
Multiplions la 2 e par 1/3, la 3 e par 1/2, la 4 e par 1/2:
 1 −3 −5 0 −7 
 0 4 9 1 13  ,
A2 ⇒ A3 = 
0 4 9 1 13 
 0 8 18 2 25 

4 e étape
Soustrayons de la 3 e et la 4 e ligne respectivement le produit de la 2 e par
1 et 2:
 1 −3 −5 0 −7 
 0 4 9 1 13  ,
A3 ⇒ A4 = 
0 0 0 0 0
 0 0 0 0 −1 

5 e étape
Interchangeons la 3 e et la 4 e ligne:
 1 −3 −5 0 −7 
 1 13 
A4 ⇒ A5 =  0 4 9
0 0 0 0 −1 
 0 0 0 0 0 

On obtient la matrice en escalier A5.
Dr. AKPATA Edouard
17
DETERMINANTS
i) Déterminant d’ordre 1
Soit une matrice A = (a i j ) . On appelle déterminant d’ordre 1 de A, le nombre
noté aij = aij .
Attention! Ce n’est pas la valeur absolue de a i j !!!
Exemple
 1 −12 7 
Soit la matrice A =  0 1 0  ; par exemple −12 = -12 .
0 6 1 
 
ii) Déterminant d’ordre 2

 
Le déterminant d’une matrice A =  a11 a12  est le nombre noté:
 a21 a22 
a11 a12 = a a – a a . (4. 11)
11 22 21 12
a21 a22
Les nombres a 1 1 , a 1 2 , a 2 1 et a 2 2 sont appelés les éléments du déterminant;

Les éléments a 1 1 , a 1 2 et a 2 1 , a 2 2 forment respectivement la première et la
deuxième ligne du déterminant;
Les éléments a 1 1 , a 2 1 et a 1 2 , a 2 2 forment respectivement la première et la
deuxième colonne ;
Les éléments a 1 1 , et a 2 2 forment la diagonale principale et les éléments a 1 2 , et
a 2 1 , la diagonale non principale du déterminant.
Donc pour calculer le déterminant du second ordre, il faut soustraire le
produit des éléments de la diagonale non principale de celui des éléments de
la diagonale principale.
Exemple
Calculer le déterminant ∆ = −1 3
2 4
Solution
∆ = −1 3 = (-1) . 4 – 2 . 3 = -4 – 6 = -10 .
2 4
iii) Déterminant d’ordre 3

 a11 a12 a13 
 
Le déterminant d’une matrice A =  a21 a22 a23  est le nombre noté ∆ :
 a31 a32 a33 
 
a a
11 12 13 a
∆ = a21 a22 a23 = a 1 1 a22 a23 - a 2 1 a12 a13 + a 3 1 a12 a13
a31 a32 a33 a32 a33 a32 a33 a22 a23
Dr. AKPATA Edouard

18
= a 1 1 (a 2 2 a 3 3 – a 3 2 a 2 3 ) – a 2 1 (a 3 3 a 1 2 – a 3 2 a 1 3 ) + a 3 1 (a 2 3 a 1 2 – a 2 2 a 1 3 )
= a11a22a33 – a11a32a23 – a21a33a12 + a21a32a13 + a31a23a12 – a31a22a13
= a11a22a33 + a21a32a13 + a31a23a12 – a11a32a23 – a21a33a12 – a31a22a13.
(4. 12)
Règle de calcul:
On peut se rappeler l’expression de ∆ en remarquant que les produits des
éléments précédés du signe + (resp. du signe – ) sont constitués par les
éléments de la diagonale principale (resp. non principale) et par les sommets
des deux triangles ayant un côté parallèle à cette diagonale principale (resp.
non principale). Ce procédé de calcul s’appelle règle de Sarrus ( 1 ) .
P ro d ui ts d e s é lém en ts P ro d ui t s d e s é l ém ent s
p ré céd é s d u sig ne ( +) p r écéd és d u s ig n e ( – )
Exemple
1 0 −1
Calculer le déterminant suivant: ∆ = 2 4 3 .
3 −1 6
Solution
Appliquons la règle de SARRUS:
∆ = 1.4.6 + 0.3.3 + 2.(-1).(-1) – (-1).4.3 –(-1).3.1 – 2.0.6 = 24 + 2 + 12 + 3
= 29 + 12 = 41.
Remarques
Il est à noter que la règle de SARRUS s’applique seulement aux
déterminants d’ordre 3 .
Dans la formule (4. 12), introduisons les notations suivantes:

M 1 1 = a22 a23 , M 2 1 = a12 a13 , M 3 1 = a12 a13 .
a32 a33 a32 a33 a22 a23
Donc on obtient:
∆ = a11M11 – a21M21 + a31M31
iii) Déterminant d’ordre n
Supposons que le déterminant d’une matrice d’ordre inférieur à n a été

défini. On appellera déterminant de la matrice A d’ordre n définie par:
(1)
P i e r r e S AR R U S ( 1 7 9 8 - 1 8 6 1 ) M a t h é m a t i c i e n f r a n ç a i s .
Dr. AKPATA Edouard

19
 a11............... . ......a1n 
 . ...... . ... . ... . ... . 
A =  . ........................ .  . et on notera dét(A) le nombre:
 . ........................ . 
 an1............ . ... . ...ann 
dét(A) = a 1 1 M 1 1 – a 2 1 M 2 1 + ………………. + (-1) n + 1 a n 1 M n 1 , (4. 13)

où M i 1 (i = 1, ……………., n) est le déterminant de la matrice d’ordre (n - 1)
déduite de la matrice A en supprimant la 1 è r e colonne et la i - è m e ligne.
Notation :
a11 . . . . . . a1n
. . . . . . . .
. . . . . . . .
dét(A) = . . . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
an1 . . . . . . ann
La formule (4. 13) s’appelle développement du déterminant suivant la
première colonne .
La formule (4. 13) peut s’écrire sous la forme condensée:
n
dét(A) = ∑(−1)
i =1
i +1 ai1 M i1
De façon générale, le déterminant d’une matrice d’ordre n est de la forme:
n
dét(A) = ∑(−1)
i =1
i+ j
aij M ij , j =1,………, n . (4. 14)
La formule (4. 14) est le développement du déterminant A suivant la colonne
j.
En changeant le rôle des lignes et des colonnes, on établit par les mêmes
raisonnements que:
n
dét(A) = ∑(−1)
j =1
i+ j
aij M ij , i =1,………, n . (4. 15)
La formule (4. 15) s’appelle développement du déterminant de A suivant la

ligne i.
Exemple
Calculer le déterminant de la matrice triangulaire suivante:
 a11 a12 ... .......a1n 
 
 0 a22 ... ......a2n 
A = ... 0.. .... ..... ..
 .... ..... 0 ..... .... 
 0 ........... ..0 ann 
 
Dr. AKPATA Edouard

20
Solution
a11 . . . . . . a1n
0 a22 . . . . . a2n
. 0 . . . . . . a22 a23..............a2n
0 a33 ..... ....... a3n
dét(A) = . . 0 . . . . . = a
11 .... ................... ....
. . . 0. . . . . ................. ...... ....
. . . . 0. . . . 0 .................0.ann
. . . . . 0 . .
0 . . . . . 0 ann
a33 ..... ..............a2n
0 a44 ..... .......a3n
= a 1 1 a 2 2 .... ................... .... = ……….=
................. ...... ....
0 .................0.ann
= a 1 1 a 2 2 a 3 3 …………a n n .
Donc le déterminant de la matrice triangulaire est égal au produit des
éléments diagonaux .
• Mineur
Le déterminant de la matrice d’ordre (n-1) déduite de la matrice par
suppression de la ligne i et la de colonne j s’appelle mineur de l’élément a i j
et se note M i j .
Donc, par exemple M i 1 est le mineur de l’élément a i 1 .
Exemple
 1 0 3
Soit A =  2 4 3 
0 5 2
 
On a: M 1 1 = 4 3 est le mineur de l’élément 1 (1 è r e ligne, 1 è r e colonne) ,
5 2
1 3
M32 = est le mineur de l’élément 5 (3 e ligne, 2 e colonne) ,
2 3
.
.
.
• Cofacteur
On appelle cofacteur d’un élément d’un déterminant, le mineur de cet élément
multiplié (-1) i + j et se note A i j .
Donc A i j = (-1) i + j M i j , j = 1, ………., n est le cofacteur de l’élément a i j du

déterminant de A .
Remarque
Le cofacteur A i j de l’élément a i j dépend seulement de la position (i, j)
de a i j et pas de sa valeur : si l’on remplace a i j par un autre élément b i j , le
cofacteur A i j ne change pas de valeur.
En se servant des cofacteurs , on peut écrire la formule (4. 14) de la

manière suivante:
Dr. AKPATA Edouard
21
n
dét(A) = ∑a
i =1
ij Aij , j =1,………, n . (4. 16)
En d’autres termes, le déterminant d’une matrice est égal à la somme des
produits des éléments d’une colonne quelconque par leurs cofacteurs
respectifs.
De même, si
n
dét(A) = ∑a
j =1
ij Aij , i =1,………, n (4. 17)
on dira que le déterminant d’une matrice carrée est égal à la somme des
produits des éléments d’une ligne quelconque par leurs cofacteurs respectifs.
4. 9 Propriétés des déterminants
Formulons ces propriétés pour les déterminants d’ordre 3 .

1. Transposition du déterminant
La transposition ne change pas la valeur du déterminant, c’est-à-dire:
dét( t A) = dét(A) ,
c’est-à-dire
a11 a12 a13 a11 a21 a31
a21 a22 a23 = a12 a22 a32
a31 a32 a33 a13 a23 a33
2. Propriété d’antisymétrie (très important)

Un déterminant change de signe si l’on permute deux de ses lignes ou de ses
colonnes, c’est-à-dire
a11 a12 a13 a13 a21 a11

a21 a22 a23 = - a23 a22 a21 ( p er mu t a tio n d e l a 1 è r e et d e l a 3 e li g n e s)
a31 a32 a33 a33 a23 a31
3. Si l’on multiplie tous les éléments d’une ligne ou d’une colonne par un
nombre λ , le déterminant est multiplié par ce nombre λ , c’est-à-dire
λa11 a12 a13 a11 a12 a13

λa21 a22 a23 = λ a21 a22 a23
λa31 a32 a33 a31 a32 a33
4. Si un déterminant a deux lignes identiques ou deux colonnes

identiques , il est nul , c’est-à-dire
a11 a12 a13

a21 a22 a23 = 0 ( 1 è r e et 3 ` e li g ne s s o nt id e n tiq u e s)
a11 a12 a13
Dr. AKPATA Edouard

22
5. Si tous les éléments d’une ligne ou d’une colonne sont nuls, le

déterminant est nul , c’est-à-dire
0 0 0 0 a21 a31
a21 a22 a23 = 0 a22 a32 = 0
a31 a32 a33 0 a23 a33
6. Si les éléments de deux lignes ou de deux colonnes sont

proportionnelles , le déterminant est nul .
Exemple
8 4 7 4 4 7
6 3 9 = 2 3 3 9 = 0 ( 1 è r e et 2 e colonnes sont proportionnelles )
4 2 11 2 2 11
7. Si chaque élément de la colonne n (resp. de la ligne n ) est la somme

de deux termes, le déterminant peut être représenté par la somme de deux
déterminants dont la n è m e colonne ( n è m e ligne) de l’un est composé des 1 e r s
termes de la somme des éléments et la n è m e colonne ( n è m e ligne) de l’autre, des
seconds termes de la somme des éléments, les autres colonnes (resp. lignes)
étant les mêmes pour les trois déterminants, c’est-à-dire
a11 + a11' a12 a13 a11 a12 a13 a11' a12 a13
a21 + a21
' a22 a23 = a21 a22 a23 + a21
' a22 a23 .
a31 + a31
' a32 a33 a31 a32 a33 a31
' a32 a33
8. Un déterminant ne change pas de valeur si on ajoute aux éléments

d’une colonne (resp. ligne) les éléments d’une autre colonne (resp. ligne)
multipliés par un nombre λ , c’est-à-dire
a11 + λa12 a12 a13 a11 a12 a13 λa12 a12 a13 a11 a12 a13
a21 + λa22 a22 a23 = a21 a22 a23 + λa22 a22 a23 = a21 a22 a23
a31 + λ a32 a32 a33 a31 a32 a33 λa32 a32 a33 a31 a32 a33
9. Multiplication des déterminants

Le déterminant du produit de deux matrices A et B est égal au produit des
déterminants de ces matrices:
dét(AB) = dét(A) . dét(B) .
4. 10 Méthodes du calcul du déterminant
1. Méthode par la somme des mineurs affectés de leurs éléments

respectifs (méthode classique)
n
dét(A) = ∑(−1)
i =1
i+ j
aij M ij , j =1,………, n .
2. Méthode par la règle de SARRUS (uniquement pour le déterminant

d’ordre 3 !!!)
Dr. AKPATA Edouard

23
Remarque : Il est conseillé d’utiliser l’une de ces méthodes pour le

déterminant d’ordre 3.
3. Méthode de la diminution de l’ordre

Illustrons cette méthode par un exemple.
Exemple
8 7 2 10 8 7 2 10 9 9 20 20 9 9
−8 2 7 10 = 1 0 9 9 20 = 1 8 −1 −6 0 = -4(-1) 0 −6 −1 =
4 4 4 5 −2 0 −1 −6 0 −2 4 −3 2 2 −3 4
0 4 −3 2 0 4 −3 2
10 9 9 10 9 9
= 4.2 0 −6 −1 = 4.2. 1 0 −6 −1 = 8. 1 .10 −6 −1 = 8[(-6).31 – 39] =
1 −3 4 10 0 −39 31 10 −39 31
= 8(-186 - 39) = -1 800 .
4. Méthode par la réduction à la forme triangulaire

Cette méthode sera également illustrée par un exemple.
Exemple
1 1 1 1 1 1 1 1
1 −1 2 2 = 0 − 2 1 1 = 1.(-2).(-2).(-2) = -8
1 1 −1 3 0 0 −2 2
1 1 1 −1 0 0 0 −2
5. Méthode du pivot
Soit un déterminant ∆ n = det(a i j ) d’ordre n défini par:
a11 ....... ........ a1q ........ a1j ......... a1n

.... ......... ....... ........ ........ ....... ........ .....
ai1 ........ ........ aiq ......... aij ......... ain
∆n = .... ................. ....... ......... ....... ........ ......
.... ................. ........ ........ ........ ........ ......
a p1 ......... ....... a pq ......... a pj ......... a pn
.... .......................... ....... ........ ........ .....
an1 ......... ....... anq ......... anj ......... ann
Supposons que le déterminant ∆ n est transformé de façon que l’élément a p q

prenne la valeur b p q = 1 qu’on appellera le pivot et on note le déterminant
~
obtenu ∆ n = det(b i j ) .
Alors,
Dr. AKPATA Edouard

24
b11 ....... ........ b1q ........ b1j ......... b1n

.... ......... ....... ........ ........ ....... ........ .....
bi1 ........ ........ biq ......... bij ......... bin
~ .... ................. ....... ......... ....... ........ ......
∆n = (4. 18)
.... ................. ........ ........ ........ ........ ......
b p1 ......... ....... 1 ......... bpj ......... bpn
.... .......................... ....... ........ ........ .....
bn1 ......... ....... bnq ......... bnj ......... bnn
Il vient alors que

~ ~
∆ n = (-1) p + q ∆ n −1 , (4. 19)
~ ~
où ∆ n −1 = det ( bij(1) ) est le déterminant d’ordre (n - 1) qui s’obtient de ∆ n en
éliminant la p - i è m e ligne et la q - è m e colonne avec la transformation ultérieure
des éléments d’après la formule:
bij(1) = bij – biqbpj, (4. 20)
~
c’est-à-dire tout élément bij(1) du déterminant ∆ n −1 est égal à l’élément associé
~
b i j du déterminant ∆ n diminué d’un produit de ses « projections » b i q et b p j sur
la colonne et la ligne éliminées du déterminant initial. Cette formule (4. 20)
peut être représentée graphiquement de la manière suivante: ( 1 est le pivot)
biq 1 1 biq
ou
bij bpj bpj bij

a) b)
ou
bij bpj bpj bij
ou
biq 1 1 biq
c) d)
Fig. 15
Ces schémas illustrent les différentes formes qu’on peut rencontrer lors des
calculs; cela dépend de la position de chaque élément par rapport au pivot qui
a sa position fixe.
Exemple
8 7 2 10
−
Calculer le déterminant suivant: ∆4 = 8 2 7 10
4 4 4 5
0 4 −3 2
Dr. AKPATA Edouard
25
Solution
Nous remarquons qu’aucun élément n’est égal à 1 . Donc il va falloir
faire apparaître un élément qui sera égal à 1 . Pour cela, mettons 4, de la
première colonne en facteur:
8 7 2 10 2 7 2 10
− 2 7 10 −
∆ 4 = 4 4 4 5 = 4 12 42 47 10
8 = (en prenant l’élément a 3 1 =1 comme
5
0 4 −3 2 0 4 −3 2
pivot et en supprimant la ligne et la colonne de cet élément, on a:) =
7 −4. 2 2 −4. 2 10 −5. 2

−1 −6 0
= 4.(-1) 3 + 1 2 −4. (−2) 7 −4. (−2) 10 −5. (−2) = 4 10 15 20 =
4 −3 2
4 −4. 0 −3 −4.0 2 −5. 0
1 −6 0
= - 4 −10 15 20 .
− 4 −3 2
Ensuite, en prenant pour pivot a 1 1 = 1, puis procédant de la manière
précédente, on obtient:
− 45 20
∆ 3 = -4 (-1) 1 + 1 = -4 (-90 + 27.20) = -1800 .
− 27 2
Remarque
Pour les calculs des déterminants, il est conseillé d’utiliser les

transformations élémentaires si l’ordre du déterminant considéré est supérieu r
à trois.
MATRICES INVERSES
4. 11 Définitions
• Une matrice dont le déterminant n’est pas nul s’appelle matrice
régulière .
• Une matrice carrée est inversible si elle admet un élément
s ymétrique pour la multiplication; en d’autres termes, une matrice carrée
A d’ordre n est inversible s’il existe une matrice carrée B telle que:
AB = BA = I où I est la matrice unité.
La matrice B est notée: B = A - 1 .
4. 12 Méthodes de construction de la matrice inverse
1. Méthode de Jordan ( 1 )
Il existe une méthode simple et efficace de calcul de la matrice inverse par
des transformations élémentaires.
(1)
J o r d a n M a r i e E n n e mo n d C a m i l l e ( 0 5 . 0 1 . 1 8 3 8 – 2 1 . 0 1 . 1 9 2 2 ) , M a t h é m a t i c i e n f r a n ç a i s .
Dr. AKPATA Edouard

26
• Théorème
Toute matrice régulière peut être réduite à une matrice unité par des
transformations élémentaires.
• Théorème
Pour toute matrice régulière, il existe des matrices élémentaires Q 1 , ……., Q k
telles que:
Qk …………………………Q1A = I (4. 21)
En multipliant les deux membres de ( * ) à droite par la matrice A - 1 , on

obtient:
Q k … … … … … … … … Q 1 AA - 1 = IA - 1 ⇒ Q k … … … … … … … . . Q 1 = A - 1
Abordons maintenant la méthode proprement dite de construction de la

matrice inverse.
Soit A une matrice régulière d’ordre n . Formons la matrice élargi e
(A  I) de genre (n, 2n) .
Par des transformations élémentaires de matrices Q 1 , …………., Q k , on réduit

la matrice A à la matrice unité et la matrice unité à la matrice inverse A - 1 .
Les transformations élémentaires sur les lignes réduisent la matrice élargie à
la matrice (I  A - 1 ) .
Donc pour construire la matrice inverse d’une matrice inverse d’une matrice
carrée régulière A(a i j ) , il faut procéder de la manière suivante:
a) Composons la matrice élargie:
 a11 .... .... .... a1n 1 0 .... .... 0 

 ... .... .... .... ... 0 1 0 .... .. 
 
(A  I) =  ... .... .... .... .... .. .... .... .... .. ,
 ... .... .... .... .... .. .... .... .... .. 
 a .... .... .... ann 0 .............. 1 
 n1 
b) Par des transformations élémentaires sur les lignes de la matrice

(A  I) réduire la matrice A à la forme triangulaire:
 1 a12 .... .... a1n b11 b12 .... .... b1n 

 0 1 .... .... a2n b21 b22 .... .... b2n 

(A  I) ⇒ ( A  B) =  ... .... .... .... .... .. .... .... .... ..  ,
 ... .... .... .... .... .. .... .... .... .. 
 0 .... .... .... 1 bn1 bn2 ......... bnn 

c) Par des transformations élémentaires sur les lignes de la matrice

( A  B) réduire la matrice A à la matrice unité:
Dr. AKPATA Edouard

27
 1 0 .... .... 0 c11 c12 .... .... c1n 

 0 1 0 .... 0 c21 c22 .... ....c2n 

( A  B) ⇒ (I  C)=  ... .... .... .... .... .. .... .... .... ..  .
 ... .... .... .... .... .. .... .... .... .. 
 0 .... .... .... 1 cn1cn2.........cnn 

d) La matrice C obtenue est la matrice inverse de A : C = A - 1 .
Exemple
 1 1 1 1
 1 1 −1 −1  .
Trouver l’inverse de la matrice A définie par: A = 
1 −1 1 −1 
 1 −1 −1 1 

Solution
Composons la matrice élargie:
 1 1 1 1 1 0 0 0 
 1 1 −1 −1 0 1 0 0 
B =  
1 −1 1 −1 0 0 1 0
 1 −1 −1 1 0 0 0 1 
 
1 è r e étape Soustrayons la 1 è r e ligne des autres
 1 1 1 1 1 0 0 0 
 0 0 −2 −2 −1 1 0 0 
B ⇒ B1 =   ;
0 −2 0 −2 −1 0 1 0
 0 −2 −2 0 −1 0 0 1 
 
2 e étape Interchangeons la 2 e et la 3 e lignes
 1 1 1 1 1 0 0 0 
 0 −2 0 −2 −1 0 1 0 
B1 ⇒ B2 =   ;
0 0 −2 −2 −1 1 0 0
 0 −2 −2 0 −1 0 0 1 
 
3 e étape Soustrayons la 2 e ligne de la 4 e ligne
 1 1 1 1 1 0 0 0 
 0 −2 0 −2 −1 0 1 0 
B2 ⇒ B3 =  ;
0 0 −2 −2 −1 1 0 0
 0 0 −2 2 0 0 −1 1 
 
4 e étape Soustrayons la 3 e ligne de la 4 e et divisons toutes les lignes par leurs

éléments diagonaux:
1 1 1 1 1 0 
0 0
 
0 1 0 1 1/ 2 0 − 1/ 2 0 
B3 ⇒ B4 = 
0 0 1 1 1/ 2 − 1/ 2 0 0 
 
0 0 0 1 1 / 4 − 1 / 4 − 1 / 4 1 / 4 

Dr. AKPATA Edouard
28
5 e étape Soustrayons la dernière ligne des trois premières
1 1 1 0 3/ 4 1/ 4 − 1/ 4 
1/ 4
 
0 1 0 0 1/ 4 1/ 4 − 1/ 4 − 1/ 4 
B4 ⇒ B5 =  ;
0 0 1 0 1/ 4 − 1/ 4 1/ 4 − 1/ 4 
 
0 0 0 1 1/ 4 1 / 4 − 1 / 4 1 / 4 

6 e étape Soustrayons la 3 e ligne de la 1 è r e
1 1 0 0 1/ 2 1/ 2 0  0
 
0 1 0 0 1/ 4 1/ 4 − 1/ 4 − 1/ 4 
B5 ⇒ B6 =  ;
0 0 1 0 1/ 4 − 1/ 4 1/ 4 − 1/ 4 
 
0 0 0 1 1 / 4 1 / 4 − 1 / 4 − 1 / 4 

7 e étape Soustrayons la deuxième ligne de la 1 è r e
1 0 0 0 1/ 4 1/ 4 1/ 4 
1/ 4
 
0 1 0 0 1/ 4 1/ 4 − 1/ 4 − 1/ 4 
B6 ⇒ B7 =  ;
0 0 1 0 1/ 4 − 1/ 4 1/ 4 − 1/ 4 
 
0 0 0 1 1 / 4 − 1 / 4 − 1 / 4 1 / 4 

d’où
1 / 4 1 / 4 1/ 4 1/ 4 
 
1 / 4 1 / 4 − 1 / 4 − 1 / 4 
A-1 = .
1/ 4 − 1/ 4 1/ 4 − 1/ 4 
 
1 / 4 − 1 / 4 − 1 / 4 1 / 4 
 
2. Méthode à l’aide des cofacteurs
Soit A = (a i j ) une matrice régulière d’ordre n .

Construisons une matrice carrée B d’ordre n en plaçant en position (i, j)
l’élément égal au cofacteur A j i de l’élément a j i de la matrice A :
 a11 .... ... .... a1n   A11 .... ..... .... An1 
   
 ... .... .... .... ....   .... .......... .... .... 
A =  ... .... .... .... ....  ⇒ B =  .................... .... 
 ... .... a ji .... ....   ..... .... Aji ..... .... 
 a .... .... .... ann   A ..... .... ..... Ann 
 n1   1n 
i j
La matrice B jouit de l’importante propriété suivante:
 det(A) 0 ...... ......... 0 

 0 det(A) ...... ......... .. 
AB = BA =  ...... .......... ........ ......... ..  = det(A) I.
 ...... .......... ........ ......... 0 
 0 .......... ........ 0 det(A) 

Dr. AKPATA Edouard

29
De cette égalité, on obtient:

AB = det(A)I ⇔ A - 1 AB = det(A)A - 1 I ⇔ B = det(A) A - 1
 A11 A 
 ........ ........... ......... n1 
 det(A) det(A) 
 ........ ........... ......... .......... ........ 
 
⇒ A-1 = 1 B = ........ ........... ......... .......... ......... 

(4. 22)
det(A)  
 
 ......... .......... .......... ......... ......... 
 
 A1n A nn 
 det(A) ......... ........... ........ det(A) 
 
La matrice B est appelée matrice adjointe ou co-matrice de A.

De ce qui précède, on peut définir la co-matrice de la manière suivante:
Définition
Soit une matrice carrée A donnée. La matrice B est appelée co-matrice
de la matrice A si on a: AB = BA = det(A)I
Cas particulier: si det(A) = 1, alors B devient la matrice inverse de A.
Remarque (Très importante!!!)

Il est demandé au lecteur de bien voir la disposition des cofacteurs !!!
Exemple
 2 −1 3 
Déterminer l’inverse de la matrice A définie par: A =  −1 3 1 
 3 1 5
 
Solution
2 −1 3
det(A) = −1 3 1 = -10
3 15
A 1 1 = (-1) 1 + 1 3 1 = 14; A 2 1 = (-1) 2 + 1 −1 3 = 8; A 3 1 =(-1) 3 + 1 −1 3 = -10;

1 5 1 5 3 1
−1 1 1 3
A 1 2 = (-1) 1 + 2 3 5 = 8; A 2 2 = (-1) 2 + 2 3 5 = -4; A 3 2 = (-1) 3 + 2 2 3 = -5;
−1 1
A 1 3 = (-1) 1 + 3 −1 3 = -10; A 2 3 = (-1) 2 + 3 2 −1 = -5; A 3 3 = (-1) 3 + 3 2 −1 = 5;

3 1 3 1 −1 3
d’où
 14 8 −10   −7 / 5 4/ 5 1 
A - 1 = 1  8 − 4 −5  =  − 4/ 5 2/ 5 1/ 2  ;
−10  −10 −5 5   1 1/ 2 −1/ 2 
   
Dr. AKPATA Edouard

30
 14 8 −10 
La co-matrice B =  8 − 4 −5  .
 −10 −5 5 
 
Remarque Il est très important de remarquer la disposition selon laquelle les

cofacteurs ont été calculés et les éléments de la co-matrice.
Cas particulier
Inverse de la matrice carrée d’ordre deux
Soit une matrice A définie par:
 
A =  a11 a12  ;
 a21 a22 
La matrice inverse de A notée A - 1 est égale au produit de l’inverse du

déterminant de la matrice par la matrice obtenue en échangeant les éléments
de la diagonale principale et en multipliant les éléments de la diagonale non
principale par (-1), c’est-à-dire:
1  a22 −a12 
A-1 =  −a . (4. 23)
| A|  21 a11 
RANG D’UNE MATRICE

4. 13 Définitions
i. On appelle rang d’une matrice A, l’ordre maximal du mineur non nul
de la matrice A et est noté rg(A) .
• Le mineur non nul M r dont l’ordre est égal au rang de la matrice A
s’appelle mineur principal .
• Les lignes et les colonnes de la matrice A composées des éléments du
mineur principal sont appelées principales .
4. 14 Méthodes de recherche du rang d’une matrice
i) Méthode des mineurs «englobés»

Cette méthode consiste à trouver le mineur non nul du plus grand ordre. Cet
ordre sera le rang de la matrice donnée.
En cherchant le rang d’une matrice, il est conseillé de commencer par le
mineur situé en haut du côté gauche de la matrice.
Exemple
 1 −1 0 
Déterminer le rang de la matrice A suivante: A =  2 0 1
 1 1 1
 
Dr. AKPATA Edouard

31
Solution
 1 −1 0 
A =  2 0 1
 1 1 1
 
Nous remarquons que tous les mineurs d’ordre 1 ne sont pas tous nuls,
par exemple le 1 e r élément n’est pas nul et est égal à 1.
- Le mineur d’ordre 2 noté M 2 = 1 −1 = 2 ≠ 0.
2 0
1 −1 0
- Le mineur d’ordre 3 noté M 3 = det(A) = 2 0 1 = - 1 −1 + 1 −1
1 11 1 1 2 0
=(calcul par la 3 e colonne) = -(1 + 1) + 2 = 0, c’est-à-dire M 3 = 0.
Donc le rang de la matrice est l’ordre maximal du mineur non nul, c’est-à-
dire l’ordre de M 2 , c’est-à-dire 2; rg(A) = 2.
Mais on peut rencontrer les cas où le mineur d’ordre deux situé en haut à
gauche de la matrice est nul, cela ne veut pas dire qu’il faut conclure
immédiatement que le rang de la matrice est égal à 1; il faudra plutôt chercher
un autre mineur d’ordre deux contenu dans la matrice. Si on se rend compte
que tous les mineurs d’ordre deux sont tous nuls, alors on peut conclure que
le rang de la matrice est égal à 1.
Exemple
 2 −4 3 1 0 
 
Soit A =  1 − 2 1 − 4 2  ; déterminer le rang de la matrice A.
0 1 −1 3 1
 4 −7 4 − 4 5 
 
Solution
 2 −4 3 1 0 
 
A =  1 −2 1 −4 2 
0 1 −1 3 1
 4 −7 4 − 4 5 
 
Nous remarquons que le mineur d’ordre 2 situé en haut à gauche de la matrice

A, 2 −4 = 0; ainsi il va falloir chercher un autre mineur d’ordre deux non
1 −2
nul.
Pour cela, fixons celui qui est encadré dans la matrice:
M 2 = −4 3 = -4 + 6 = 2 ≠ 0
−2 1
Le pas suivant est de prendre le mineur d’ordre 3 qui «englobe» M 2
2 −4 3
M 3 = 1 −2 1 = 1 ≠ 0
0 1 −1
(Si M 3 = 0, on allait calculer le deuxième mineur d’ordre 3 englobant M 2
pour voir s’il s’annule ou pas).
Le pas qui suit est de calculer le mineur d’ordre 4 englobant M 3 .
Dr. AKPATA Edouard

32
2 −4 3 1 2 −4 3 0
M4 = 1 − 2 1 − 4 = 0 (à vérifier!) ou M 4 ’ = 1 −2 1 2 = 0 (à vérifier!)
0 1 −1 3 0 1 −1 1
4 −7 4 − 4 4 −7 4 5
Donc le rang de la matrice A, rg(A) = 3.
ii) Méthode par les transformations élémentaires
Proposition 1
Les transformations élémentaires n’augmentent pas le rang d’une
matrice.
Proposition 2
Les transformations élémentaires ne changent pas le rang d’une
matrice.
Remarque
Le nombre de lignes non nulles d’une matrice en escalier est égal à son rang.
Exemple
 0 2 −4 
 −1 − 4 5 
Déterminer le rang de la matrice A suivante: A =  3 1 7 .
 0 5 −10 
 2 3 0 

Solution
Par des transformations élémentaires, on obtient:
 0 2 −4   1 4 −5   1 4 −5 
 −1 − 4 5   2 3 0   0 −5 10 
 3 1 7  ⇒  3 1 7  ⇒  0 −11 22 
 0 5 −10   0 5 −10   0 5 −10 
 2 3 0   0 2 −4   0 2 −4 
  
 1 4 −5   1 4 −5 
 0 1 −2   0 1 −2 
⇒  0 1 −2  ⇒  0 0 0 .
 0 1 −2   0 0 0 
 0 1 −2   0 0 0 
  
Nous remarquons qu’il reste deux lignes non nulles, par conséquent le rang l a
matrice A est 2.
Remarque
Pour déterminer le rang d’une matrice, il est conseillé de passer par les
transformations élémentaires sur sur cette matrice si son ordre est supérieur à
trois.
Dr. AKPATA Edouard

33
SYSTEMES D’EQUATIONS LINEAIRES

 a11 ........................a1n   b1 
 . ........................ .   .
Soit une matrice A =  . ........................ .  et une matrice colonne B =  . 
 . ........................ .   . 
a
 m1 ........................amn   bn 
dont les n premières colonnes ne sont pas nulles.
L’ensemble des relations:
 a11 x1 + ............ . ...............+ a1n xn = b1

 ...... ..................................... ...........
 ...... ................. . ................. ........... , (4. 24)
 ...... ................ . . ................ ...........
am1 x1 + ............ . ...............+amn xn = bm
où a i j (i = 1, ……………, m; j = 1, ……………, n) sont des coefficients donnés,
x 1 , ……………,x n les inconnues et b i (i = 1, …………,m), des termes
constants, s’appelle système de m équations linéaires à n inconnues ou
simplement système linéaire .
On appelle solution de ce s ystème, l’ensemble ordonné de nombres
α 1 , ……………, α n substitués à l’ensemble des inconnues x 1 , …………….,x n ,
transforme chaque équation du s ystème en identité.
Un s ystème linéaire est compatible s’il possède une solution et
incompatible ou impossible sinon.
Un s ystème linéaire compatible est déterminé s’il possède une seul e
solution et indéterminé s’il en possède au moins deux qui sont distinctes.
4. 16 Méthode de résolution d’un système d’équations linéaires.

Traitons le cas où n = 3.
i) Règle de Cramer ( 1 )
Soit un s ystème de trois équations du 1 e r degré à 3 inconnues x, y, z:
 a11 x + a12 y + a13 z = b1


 a21 x + a22 y + a23 z = b2
a31 x + a32 y + a33 z = b3
Soient:
a11 a12 a13 b1 a12 a13 a11 b1 a13 a11 a12 b1
∆ = a21 a22 a23 ; ∆ x = b2 a22 a23 , ∆ y = a21 b2 a23 , ∆ z = a21 a22 b2
a31 a32 a33 b3 a32 a33 a31 b3 a33 a31 a32 b3
les s ystèmes respectivement du s ystème, par rapport à x, y et z.
Nous distinguons deux cas:
1 e r cas: ∆ ≠ 0 .
Si le déterminant du s ystème ∆ ≠ 0 , le s ystème admet une solution
unique:
(1)
Cramer Gabriel (31.7.1704 – 4.1.1752), Mathématicien suisse
Dr. AKPATA Edouard

34
∆y
x = ∆x ; y = ; z = ∆z (4. 25)
∆ ∆ ∆
Les formules (4. 25) s’appellent formules de Cramer .
Si S est l’ensemble des solutions:
 ∆ 
S =  ∆ x ; y ; ∆ z  .
 ∆ ∆ ∆ 
Exemple
Trouver les solutions du s ystème suivant :
 x + 2y + z = 4

3x − 5 y + 3z = 1

2x + 7 y − z = 8
Solution
Calculons le déterminant ∆ du s ystème:
1 2 1
∆ = 3 −5 3 = 33 ≠ 0 ⇒ le s ystème admet une solution unique
2 7 −1
définie par:
4 2 1 1 4 1 1 2 4
1 −5 3 3 1 3 3 −5 1
8 7 −1 ∆ 2 8 −1 2 7 8
x = ∆x = = 33 =1; y = y = = 33 =1; z = ∆ z = = 33 =1.
∆ ∆ 33 ∆ ∆ 33 ∆ ∆ 33
Si S est l’ensemble de solutions:

S = {(1; 1; 1)} .
2 e cas: ∆ = 0 .
Supposons que l’un au moins des déterminants ∆ x , , ∆ y , ∆ z est non nul.
Prenons par exemple: ∆ x ≠ 0 . Alors de la formule: x = ∆ x ⇔ ∆ .x = ∆ x ⇔
∆
0.x= ∆ x , ce qui est impossible (car ∆ x ≠ 0 ); donc le s ystème n’admet pas de
solution.
Conclusion
Le s ystème d’équations linéaires non homogènes n’admet pas de
solution si ∆ = 0 et l’un au moins des déterminants ∆ x , ∆ y et ∆ z est différent
de zéro .
Etudions le cas où ∆ = 0 et ∆ x = ∆ y = ∆ z = 0 .
Dans ce cas précis, le s ystème, soit, possède une infinité de solutions,
soit, n’en possède pas du tout.
Exemple
Résoudre les s ystèmes d’équations linéaires suivants:
Dr. AKPATA Edouard

35
 x+ y+ z=1  x+ y+ z=1
 
2x + y + z = 2 et 2x + 2 y + 2z = 3
 
3x + 2 y + 2z = 3 3x + 3 y + 3z = 4
Solution
1.
 x + y + z = 1 (1)

2x + y + z = 2 (2)

3x + 2 y + 2z = 3 (3)
Calculons les déterminants:
1 1 1 1 1 1 1 1 1 1 1 1
∆ = 2 2 1 = 0; ∆ x = 2 1 1 = 0; ∆ y = 2 2 1 = 0; ∆ z = 2 1 2 = 0.
3 3 2 3 2 2 3 3 2 3 2 3
En faisant (2) – (1) on trouve: x = 1; en mettant cette valeur de x dans (3) on
a: y + z = 0 , c’est-à-dire: y = - z . En posant z = t (t ∈ IR) , on trouve: x = 1;
y = -t; z = t
Si S est l’ensemble de définition, S = { (1; -t; t), t ∈ IR } .
2.
 x + y + z = 1 (1')

2x + 2 y + 2z = 3 (2')

3x + 3 y + 3z = 4 (3')
En calculant les déterminants, on trouve:

∆ = ∆ x = ∆ y = ∆ z = 0. Et de plus, on peut remarquer que en divisant
l’équation (2’) par 2 , on trouve: x + y + z = 3/2 ≠ 1 dans l’équation (1’), ce
qui est incompatible; d’où l’ensemble S de solution est: S = ∅ .
ii) Ecriture matricielle d’un système d’équations linéaires
Considérons de nouveau le s ystème d’équations:
 a11 x + a12 y + a13 z = b1


 a21 x + a22 y + a23 z = b2 (4. 26)
a31 x + a32 y + a33 z = b3
 a11 a12 a13   x  b1 

Soient A =  a21 a22 a23  , X=  y  et b =  b2 
 a31 a32 a33  z  b3 
   
En utilisant la règle de multiplication des matrices, on peut mettre le s ystème
(4. 26) sous la forme matricielle équivalente:
Dr. AKPATA Edouard

36
A X = b, (4. 27)
où A est une matrice donnée; b , une matrice colonne donnée; X , une matrice
colonne inconnue .
Une solution de l’équation (4. 27) est une matrice colonne X qui
transforme l’équation (4. 27) en identité .
Supposons que le déterminant ∆ de la matrice A est non nul. Alors le
s ystème (4.26), c’est-à-dire le s ystème (4. 27) possèdent une solution unique
donnée par la formule de Cramer. On se propose de représenter la solution d e
l’équation (4. 26) sous une forme matricielle.
Si A - 1 est la matrice inverse de A , alors, par la formule (4. 22),
 A11 A21 A31 

 ∆ ∆ ∆ 
 
 A12 A22 A32 
A-1 =  ∆ ∆ ∆  , où A i j est le cofacteur de
 
 A13 A23 A33 

 ∆ ∆ ∆ 
l’éléments a i j de la matrice A .
De l’équation (4. 27), on a:

A X = b
A A X = A-1b
-1
I X = A - 1 b , où I est la matrice unité,
c’est-à-dire X = A-1b. (4. 28)
Il est immédiat de s’assurer que l’expression de X est bien la solution de

l’équation (4. 26).
Remarque
i) Si le déterminant ∆ = 0 , alors la matrice inverse A - 1 n’existe pas;
il va falloir utiliser la méthode de Cramer.
ii) La théorie des matrices et déterminants d’ordre n se construit par
analogie à celle des matrices et déterminants d’ordre 3 .
Exemple
Résoudre le s ystème d’équations :
 x + 2y + z = 1

2x + y + z = −1

 x + 3 y + z = 2
Solution
 1 2 1  1
On a: A =  2 1 1  , b =  − 1  .
 1 3 1  2
   
Dr. AKPATA Edouard

37
det(A) = 1 (à vérifier par le lecteur!), donc la matrice inverse A - 1 existe:
 −2 1 1 
 
A =  −1 0
-1
1  (à vérifier!).
 
 5 −1 −3 

Donc on a:
 x  −2 1   1
1  −1 
      
 y =  −1 0 1   −1  =  1  .
      
z    2  0
   5 −1 −3     
D’où x = -1; y = 1; z = 0.
S = {(-1; 1; 0)}
iii) Méthode en utilisant le rang.

Considérons un s ystème linéaire à m équations à n inconnues;
 a11 x1 + ............ . ...............+ a1n xn = b1
 ...... ..................................... ...........
 ar1 xr + ............. . ...............+ arn xn = br (4. 29)
 ...... ................ . . ................ ...........
am1 x1 + ............ . ...............+amn xn = bm
Soient les matrices A et A suivantes:
 a11 ........................a1n   a11..................a1n b1 

 . ........................ .   . .................. ... . 
A =  ar1..................arn
A =  ar1........................arn 
et 
br  .
 . ........................ . 
 a ........................amn   . .................. ... . 
 m1   am1..................amn bm 
La matrice A qui peut s’écrire encore de la manière suivante : A = (A b) o ù
 b1 
 . 
b =  br  est appelé matrice élargie .
 . 
 bm 
 
4. 17 Théorème
Le s ystème (4. 25) est compatible si et seulement si: rg(A) = rg( A ).
Supposons que rg(A) = rg( A ) = r, c’est-à-dire le s ystème est

compatible. (On peut remarquer que 1 ≤ r ≤ min(m, n)).
Dans ce cas, on laisse tomber les dernières (m - r) équations du s ystème
considéré et on écrit le s ystème d’équations restantes:
Dr. AKPATA Edouard

38
a11 x1 +...................+.a1r xr + a1 r +1 xr +1 +............+a1n xn = b1


 ...... ........................ .......... .......... ................. ....... . . . ..
ar1 x1 +....................+arr xr +ar r +1 xr +1+............+arn xn = br
qui est équivalent au s ystème (4. 25) initial.

Les inconnues x 1 , ……………,x r sont appelées les inconnues principales ;
Les inconnues x r + 1 , …………,x n sont appelées les inconnues non principales .
Du s ystème précédent, tirons les termes contenant les inconnues principales
en fonction de ceux des inconnues non principales et on obtient:
a11 x1 +...................+.a1r xr = b1 −a1 r +1 xr +1 −....................−a1n xn


 ...... ........................ ....... . . ..... .. ........... ........................ .......
ar1 x1 +....................+arr xr = br −ar r +1 xr +1−....................−arn xn
Posons: x r + 1 = c 1 , …………., x n = c n - r , on obtient:
a11 x1 +...................+.a1r xr = b1 −a1 r +1c1 −....................−a1n cn − r


 ...... ........................ ....... . . ..... ..................................... ....... .
ar1 x1 +....................+arr xr = br −ar r +1c1 −....................−arn cn − r
En utilisant les formules de Cramer, les inconnues principales x 1 , …………., x r

seront trouvées et seront de la forme: x 1 (c 1 , …………., c n - r ), ……………………,
x r (c 1 , …………., c n - r ).
La solution générale sera de la forme:

 x1 (c1 , ..............., cn − r ) 
 . 
 . 
 xr (c1 , ..............., cr − r ) 
X = 
c1 . (4. 30)
 . 
 . 
 c 
 n − r 
Exemple 1
2x1 + x2 − x3 −3x4 =2

4x1 + x3 −7x4 =3

Trouver la solution générale du s ystème suivant:  (I)
 2x2 −3x3 + x4 =1

2x1 +3x2 −4x3 −2x4 =3
Solution
Ecrivons la matrice A et A :
Dr. AKPATA Edouard

39
2 1 −1 −3  2 1 −1 −3 2
 −7  ;  −7 3 .
A = 4 0 1 = 4 0 1
0 2 −3 1 A
0 2 −3 1 1
2 3 −4 −2  2 3 −4 −2 3 
 
Cherchons les mineurs : M 2 = 2 1 = -4 ≠ 0;

4 0
2 1 −1
M3 = 4 0 1 = 2 0 1 - 4 1 −1 + 0 1 −1 = -4 + 4 = 0,
0 2 −3 2 −3 2 −3 0 1
d’où rg(A) = rg( A ) = 2; donc le s ystème (I) devient:
2x1 + x2 − x3 − 3x4 = 2
 (x 1 et x 2 sont les in connues p rincip ale s; x 3 e t x 4 , les
4x1 + x3 − 7x4 = 3
inconnue s non princ ipa les) ;
2x1 + x2 = 2 + x3 + 3x4
 ;
4x1 = 3 − x3 + 7x4
Posons : x 3 = c 1 ; x 4 = c 2 , on obtient:
 3 − c1 + 7c2
2x1 + x2 = 2 + c1 + 3c2  x1 = 4

 ⇒  ;
4x1 = 3 − c1 + 7c2  3c1 − c2 +1
 x2 = 2
d’où la solution générale X:
 3 − 1c + 7c 
4 4 1 4 2
1 3 1 
X  2 + 2 c1 − 2 c2  , c 1 , c 2 ∈ IR
 c1 
 c 
 2 
Exemple 2
Discuter le s ystème d’équations suivant:
 x1 + 3x2 + 5x3 + 7x4 + 9x5 = 1


 x1 − 2x2 + 3x3 − 4x4 + 5x5 = 2

 2x1 + 11x2 + 12x3 + 25x4 + 22x5 = 4
Dr. AKPATA Edouard

40
Solution
Déterminons les rangs de la matrice A du s ystème et de la matrice élargie A
 1 3 5 7 9 1
 
A ∼ 1 −2 3 −4 5 2 

 
 2 11 12 25 22 4 
 
1 è r e étape: Ajoutons aux éléments de la 2 e ligne les éléments correspondants

de la 3 e ligne:
 1 3 5 7 9 1
 
A ∼ 3 9 15 21 27 6  ;

 
 2 11 12 25 22 4 
 
2 e étape: Divisons par 3 tous les éléments de la deuxième ligne:
 1 3 5 7 9 1
 
A ∼ 1 3 5 7 9 2 ;

 
 2 11 12 25 22 4 
 
3 e étape: Soustrayons des éléments de la 2 e ligne les éléments correspondants

de la 1 è r e ligne:
 1 3 5 7 9 1
 
A ∼ 0 0 0 0 0 1 ;

 
 2 11 12 25 22 4 
 
4 e étape: Interchangeons la 2 e et la 3 e lignes:
 1 3 5 7 9 1
 
A ∼ 2 11 12 25 22 4 

 
 0 0 0 0 0 1
 
La matrice A est équivalente à la suivante:
 1 3 5 7 9 
   1 3 5 7 9 
A ∼ 0 0 0 0 0  ∼ 
 ;
   2 11 12 25 22 
 2 11 12 25 22   
 
Il aisé de voir que rg(A) = 2 et rg( A ) = 3, c’est-à-dire rg(A) < rg( A ), ce qui
Dr. AKPATA Edouard

41
signifie que le s ystème n’admet pas de solution, c’est-à-dire il est

incompatible.
4. 18 Théorème (récapitulatif très important)
Soient A la matrice associée du s ystème (4. 24) et A sa matrice élargie.

1. Si rg(A) = rg( A ) alors le s ystème admet de solution (c’est-à-dire le
s ystème est compatible:
a) Si rg(A) = rg( A ) = n (où n est le nombre des inconnues),
alors le s ystème admet une solution unique (on dira également
que le s ystème est déterminé).
b) Si rg(A) = rg( A ) = r < n , alors le s ys tème admet une
infinité de solutions. Dans ce cas les r inconnues principales
s’expriment en fonction des (n - r) inconnues non principales qui
prennent à leur tour des valeurs arbitraires (on dira que le
s ystème est indéterminé).
2. Si rg(A) < rg( A ) , alors le s ystème n’admet pas de solution (c’est-à-
dire le s ystème est incompatible.
iv) Méthode de Gauss ( 1 )

La méthode de Gauss consiste à réduire, par des transformations
élémentaires le s ystème donné à un s ystème dont la résolution est plus aisée.
Considérons le s ystème (4. 25) et A la matrice élargie qui lui est
associée:
 a11..................a1n b1 
 . .................. ... . 
A =  ar1..................arn br  .
 . .................. ... . 
 am1..................amn bm 
La matrice A peut être réduite, par des transformations élémentaires, à la
matrice en escalier A ' :
 a1(1k) . ..... ...................... .... .... . 

 1
(2)

 0 a2 k 2 ....... ... ......... ..... .... . 
 0 0 . . 
 
A ' =  ... .. .... ....... .... .... .... ..... .... .
 . (4.31)
.... .. .... ............ ... ..... ..... .... .
 0 0 0 0 ar(r)k r . 
 
 0 0 0 0 0 0 br(r++11) 
 
 
Ainsi le s ystème (4. 29) se transforme de façon analogue.

On distingue deux cas:
(1)
Ga u s s C a r l F r i e d r i c h ( 3 0 . 4 . 1 7 7 7 – 2 3 . 2 . 1 8 5 5 ) , M a t h é m a t i c i e n a l l e m a n d
Dr. AKPATA Edouard

42
1 e r cas: br(r++11) ≠ 0 .
On remarque que la (r+1) è m e équation est de la forme:
0.x 1 + ……………..+ 0.x n = br(r++11) ≠ 0 ; on voit que cette équation n’admet pas
de solution, par conséquent le s ystème (4 29) n’admet pas de solution.
2 e cas: br(r++11) = 0 .
 a1(1k) x1 + a2(1k) x2 + ......... ............... + a1(1k) xn = b1(1)

 1 2 n

 a2(2k) x2 + ......... ......... ..... + a2(2k)n xn = b2(2)
2
Le s ystème devient:  .......... ........................... ........ .. ...
 ............................................... .. ...
 .......... ........ ................... ........... ...
 ar(rk) r xr +..... ....... + ar(rk) n xn = br(r)

i) Si r = n (c’est-à-dire si on a autant d’inconnues que d’équations),

alors le s ystème (4. 29) admet une solution unique.
ii) Si r < n , le s ystème (4. 29) admet une infinité de solutions qu’on
trouvera en exprimant les inconnues principales x 1 , ………….., x r en
fonction des inconnues x r + 1 , ……………, x n non principales en les
remplaçant par des valeurs arbitraires.
Exemple
Résoudre le s ystème d’équations suivant:
 x1 + x2 − x3 + x4 = 4

 2x1 − x2 + 3x3 − 2x4 = 1

 x1 − x3 + 2x4 = 6

 3x1 − x2 + x3 − x4 = 0
Solution
Formons la matrice élargie associée au s ystème:
 1 1 −1 1 4 
 
 2 −1 3 −2 1 
A =  
 1 0 −1 2 6 
 
 
 3 −1 1 −1 0 
Réduisons cette matrice en une matrice en escalier:
1 è r e étape: Soustrayo ns de la 1 è r e ligne (successivement multipliée par 2; 1; 3)

les autres lignes:
Dr. AKPATA Edouard

43
 1 1 −1 1 4 
 
 0 3 −5 4 7 
A ⇒ A1 =  
 0 1 0 −1 −2 
 
 
 0 4 −4 4 12 
2 e étape: Divisons la 4 e ligne par 4 et soustrayons de la 3 e ligne les deux
dernières lignes multipliées par 3:
 1 1 −1 1 4 
 
 0 3 −5 4 7 
A1 ⇒ A2 =  
 0 0 −5 7 13 
 
 
 0 0 −2 1 −2 
3 e étape: Multiplions la 3 e ligne par 2, la 4 e ligne par (-5) et additionnons les

deux lignes:
 1 1 −1 1 4 
 
 0 3 −5 4 7 
A2 ⇒ A3 =  
 0 0 −5 7 13 
 
 
 0 0 0 9 36 
4 e étape: Divisons la 4 e ligne par 4:
 1 1 −1 1 4 
 
 0 3 −5 4 7 
A3 ⇒ A4 =  
 0 0 −5 7 13 
 
 
 0 0 0 1 4 
Ainsi on obtiendra le s ystème analogue suivant:
 x1 + x2 − x3 + x4 =4

 3x2 − 5x3 + 4x4 =7

 − 5x3 + 7x4 =13

 x4 =4
On trouve: x 4 = 4; - 5x 3 + 7.4 = 13 ⇒ -5x 3 = -15 ⇒ x 3 = 3;

3x 2 –5.(3) + 4.4 = 7 ⇒ 3x 2 = 7 – 1 ⇒ x 2 = 2;
Dr. AKPATA Edouard

44
x1 + 2 – 3 + 4 = 4 ⇒ x1 = 1
S = {(1; 2; 3; 4)}.
4. 19 Système d’équations linéaires homogène
Le s ystème d’équations linéaires homogènes est de la forme:
 a11 x1 + . ........... . ...............+ a1n xn = 0

 ...... ...... ............................... .............
 ....... .................. . ................. .............. (4. 32)
 ...... .... . ........... . . ................ ...........
am1 x1 + . ........... . ...............+amn xn = 0
Le s ystème (4. 32) admet toujours de solutions, c’est-à-dire il est toujours

compatible .
Pour l’étude de la compatibilité de ce système, où m = n , on distingue deux
cas:
1 e r cas: ∆ ≠ 0
Si le déterminant du s ystème (4. 32) est différent de zéro, il admet la solution
triviale (0, ……………, 0) .
2 e cas: ∆ = 0
Si le déterminant du s ystème (4. 32) est nul, il admet une infinité de solutions
qui se cherchent par les mêmes méthodes utilisées dans le cas du s ystème
linéaire non homogène.
Le s ystème (4. 32) admet de solution non triviale si et seulement si le
rang de la matrice A, rg(A) = r < n (où n est le nombre d’inconnues).
Dans le cas où m = n , il est conseillé d’utiliser la méthode de Gauss

pour la résolution de ce s ystème.
Exemple
Résoudre le s ystème d’équations suivant:
 3x1 + x2 − 8x3 + 2x4 + x5 = 0


 2x1 − 2x2 − 3x3 − 7x4 + 2x5 = 0

 x1 +11x2 −12x3 +34x4 − 5x5 = 0

 x1 − 5x2 + 2x3 −16x4 + 3x5 = 0
Solution
Soit A la matrice associée à ce s ystème:
Dr. AKPATA Edouard

45
 3 1−8 2 1 
 
 2−2−2−7 2 
A =  
 1 11 −12 34 − 5 
 
 
 1 − 5 2 −16 3 
La matrice A a pour rang, rg(A) = 2 (à vérifier!); Choisissons en qualité de

mineur principal
3 1
M2 = = -8 ≠ 0. Donc le s ystème réduit est:
2 −2
 3x1 + x2 = 8x3 − 2x4 − x5

 ;
 2x1 − 2x2 = 3x3 + 7x4 − 2x5
En posant x 3 = c 1 , x 4 = c 2 , x 5 = c 3 , on obtient:
x 1 = −19 c1 − 3 c2 + 1 c3 , x 2 = −7 c1 + 25 c2 − 1 c3 .
8 8 2 8 8 2
S = {( −19 c1 − 3 c2 + 1 c3 ; −7 c1 + 25 c2 − 1 c3 ; c 1 ; c 2 ; c 3 )}, avec c 1 , c 2 , c 3 ∈ IR.

8 8 2 8 8 2
Dr. AKPATA Edouard

46
CHAPITRE V
ESPACES VECTORIELS – APPLICATIONS LINEAIRES

NOTION D’ESPACE VECTORIEL
5. 1 Définition
On appelle espace vectoriel sur un corps K un ensemble E muni de
deux lois de composition:
• D’une loi interne , application de E x E dans E , appelée addition qui
fait de E un groupe abélien , c’est-à-dire qui satisfait aux axiomes
suivants:
1. ∀ u, v ∈ E, u + v = v + u ( co m mu t at i vi té) ,
2. ∀ u, v, w ∈ E, (u + v) + w = u + (v + w) ( as so c ia ti v ité ),
3. ∃! e = 0 ∈ E, ∀ u ∈ E, u + 0 = u ( élé me n t n e utr e) ,
4. ∀ u ∈ E, ∃ u’ = - u ∈ E, (opposé de u), u + (-u) = 0 (élément
s ymétrique).
• D’une loi externe , application de K x E dans E , appelée multiplication ,
satisfaisant aux axiomes suivants:
5. ∀ u, v ∈ E, ∀ α ∈ K, α (u + v) = α u + α v ( d is tr ib u ti v it é) ,
6. ∀ u ∈ E, ∀ α , β ∈ K, ( α + β ) u = α u + β u ( d is tr ib u ti v it é) ,
7. ∀ u ∈ E, ∀ α , β ∈ K, α ( β u) = ( αβ ) u ( as so c ia ti v ité) ,
8. ∀ u ∈ E, 1.u = u où 1 est l’élément neutre de K .
Les éléments de E sont appelés vecteurs , ceux de K , les scalaires .

L’espace E est réel ou complexe selon que K = IR ou K = C ).
Exemple:
L’ensemble des matrices IR m x n de genre (m x n) muni de l’addition des
matrices et de la multiplication des matrices par un scalaire est un espace
vectoriel.
5. 2 Propriétés
1. L’élément nul 0 est unique.
Soient 0 1 et 0 2 deux zéros de E ; considérons leur somme 0 1 + 0 2 .

Puisque 0 2 est un zéro, l’axiome 3 entraîne que 0 1 + 0 2 = 0 1 . De même,
puisque 0 1 est un zéro, on a: 0 1 + 0 2 = 0 2 , donc 0 1 = 0 2 .
2. Tout élément possède un seul opposé.
Soient u’ et u’’ des vecteurs opposés à u.

Montrons que u’ = u’’.
En effet ,
u’ + u + u’’ = u’ + (u + u’’) = u’ + 0 = u’,
u’ + u + u’’ = (u’ + u) + u’’ = 0 + u’’ = u’’,
c’est-à-dire que u’ = u’’.
Dr. AKPATA Edouard

47
3 0 .u = 0 pour tout vecteur u,

4 - u = ( -1 ) u pour tout vecteur u,
5 α 0 = 0 , pour tout scalaire α ,
6 α u = 0 ⇒ α = 0 ou u = 0.
SOUS-ESPACES VECTORIELS
5. 3 Définition:
Un sous-ensemble S non vide d’un espace vectoriel E est un sous-
espace vectoriel de E si quels que soient u et v de S et pour tout α de
K , on a:
1. u + v ∈ S,
2. α u ∈ S . (5. 1)
Cette définition est équivalente à la suivante:
∀ u, v ∈ S, ∀α , β ∈ K, α u + β v ∈ S. (5. 2)
Exemple :
L’ensemble E 2 des vecteurs du plan est un sous-espace vectoriel de E 3 .
5. 3 Propriétés:
1. Si u 1 , … … … … , u k sont des éléments du sous espace vectoriel S , toute
combinaison linéaire α u 1 + ……….+ α k u k est un élément de S .
2. Tout sous-espace vectoriel S est un espace vectoriel.
Il suffit de s’assurer que S contient le vecteur 0 et tout élément u avec

son opposé. La multiplication par un scalaire étant stable pour tout u de S ,
on a: 0u = 0 ∈ S , (-1) u = -u ∈ S .
5. 4 Somme de sous-espaces vectoriels
i) Définition
Soient S 1 et S 2 des sous-espaces d’un espace vectoriel E . On
appelle somme S 1 + S 2 , des sous-espaces S 1 et S 2 l’ensemble des
vecteurs u de E de la forme u = u 1 + u 2 , où u 1 ∈ S 1 et u 2 ∈ S 2 .
Ainsi S1 + S2 = {u ∈ E / u = u1 + u2 , u1 ∈ S1 , u2 ∈ S2 }
ii) Proposition
La somme S 1 + S 2 est un sous-espace vectoriel de E .
Soient u et v deux vecteurs de S 1 et S 2 respectivement. Par

définition de la somme des sous-espaces, il existe des vecteurs u 1 , v 1 ∈
S 1 , u 2 , v 2 ∈ S 2 et α , β des scalaires tels que :
u = u1 + u2 ⇒ αu = αu1 + αu2
et
v = v1 + v2 ⇒ β v = β v1 + β v2,
alors,
αu + β v = (αu1 + αu 2) + (β v1 + β v2)
= ( α u 1 + β v 1 ) + ( α u 2 + β v 2 );
Dr. AKPATA Edouard
48
Comme ( α u 1 + β v 1 ) ∈ S 1 et ( α u 2 + β v 2 ) ∈ S 2 (car S 1 et S 2 sont des sous-

espaces vectoriels), alors ( α u 1 + β v 1 ) + ( α u 2 + β v 2 ) ∈ S 1 + S 2 , c’est-à-
dire α u + β v ∈ S 1 + S 2 .
iii) Définition
La somme des sous-espaces vectoriels S 1 et S 2 est directe et on la note
S 1 ⊕ S 2 , si la décomposition u = u 1 + u 2 est unique .
5. 5 Propriétés
1. Si le seul élément commun de deux sous-espaces S 1 et S 2 est le

vecteur nul, alors la somme de ces derniers est directes.
2. L’intersection S 1 ∩ S 2 n’est pas vide: elle contient toujours le
vecteur nul 0 .
3. L’intersection S 1 ∩ S 2 est un sous-espace vectoriel de E .
5. 6 Enveloppe linéaire
On appelle enveloppe linéaire L(X ) d’un sous ensemble X d’un espace
vectoriel V , l’ensemble de toutes les combinaisons linéaires de X :
 k 
L(X) =  y = ∑α x j j / x j ∈ X , α j ∈ IR, k = 1, 2, ........ (5. 3)
 j =1 
Propriétés
1. L’enveloppe linéaire L(X) contient l’ensemble X .

2. L’enveloppe linéaire L(X) est un sous-espace vectoriel de V .
3. L’enveloppe linéaire L(X) est le plus petit sous-espace vectoriel
contenant l’ensemble X .
La troisième propriété veut dire que si un sous-espace vectoriel S contient
l’ensemble X , il contiendra aussi son enveloppe linéaire L(X) .
Exemple
Soient les vecteurs u(1, 1, 0) et v(1, 0, 1) de IR 3 .
Déterminer l’enveloppe linéaire L(u, v) des vecteurs u et v.
Solution
1 è r e méthode
Déterminer l’enveloppe linéaire L(u, v) des vecteurs revient à déterminer
l’ensemble des vecteurs w(x, y, z) tels que w = α u + β v; autrement dit trouver
l’équation que vérifient les composantes x, y, z de w quelles que soient les
valeurs de α et β .
 x 1 1
L’écriture w = α u + β v peut s’écrire sous cette forme:  x  = α  1  + β  0  ; ainsi
 z  0 1
 x = α + β
on obtient le s ystème suivant:  y = α ; nous remarquons que
 z = β
Dr. AKPATA Edouard

49
x - y - z = 0 ∀ α , β ∈ IR.
Donc l’ensemble des solutions de l’équation x-y- z = 0 est l’enveloppe
linéaire L(u, v) des vecteurs u et v.
2 e m e méthode
Ecrire que w = α u + β v, cela veut dire que les trois vecteurs sont liés,
autrement dit det(w, u, v) = 0. En effet:
x 11
det(w, u, v) = y 1 0 = 0 ⇔ − y 1 1 + x 1 = 0 ⇔ − y + x − z 0
z 01 01 z1
Donc l’ensemble des solutions de l’équation x-y-z = 0 est l’enveloppe linéaire
L(u, v) des vecteurs u et v.
INDEPENDANCE LINEAIRE DES VECTEURS
5.7 Définition
On dit que le s ystème (u 1 ,………u k ) d’un espace vectoriel E est
générateur si:
∀ u ∈ E ∃ (α1 , α 2 , .........., α k ) / u = α1u1 + α 2u2 + ............ + α k uk (5. 4).
5. 8 Définition
On dit que des vecteurs u 1 ,………u k d’un espace vectoriel E sont
linéairement dépendants s’il existe des nombres α 1 , … … … … α k tous non nuls
tels que α 1 u 1 +………. α k u k = 0 (5. 5).
On dit également que le s ystème (u 1 ,………u k ) est lié .
5. 9 Définition
On dit que des vecteurs u 1 ,………u k d’un espace vectoriel E sont
linéairement indépendants si de l’équation: α 1 u 1 +………. α k u k = 0 entraîne
que α 1 = ………….= α k = 0 . (5. 6)
On dit également que le s ystème (u 1 ,………u k ) est libre .
5. 10 Théorème
Des vecteurs u 1 ,………u k sont linéairement dépendants si et seulement
si l’un d’eux peut être représenté par une combinaison des autres.
Supposons que les vecteurs u 1 ,………u k sont linéairement dépendants et

pour fixer les idées que dans ( * ), le coefficient α k ≠ 0, on a:
α1 α k −1
α 1 u 1 +………. α k u k = 0 ⇒ uk = - u 1 - ………….- uk-1.
αk αk
Réciproquement, si un vecteur est une combinaison linéaire des autres, c’est-
à-dire:
β 1 u 1 + …………+ β k - 1 u k - 1 = u k , en le portant au premier membre, on obtient la
combinaison linéaire:
β 1 u 1 + …………+ β k - 1 u k - 1 + (-1)u k = 0 don’t tous les coefficients sont non tous
nuls (-1 ≠ 0). Donc les vecteurs u 1 ,………u k sont linéairement dépendants.
Dr. AKPATA Edouard

50
5. 11 Théorème
Si un s ystème de vecteurs u 1 ,……u k est linéairement indépendant et si y
= α 1 u 1 +……+. α k u k , les coefficients α 1 , … … … … α k se définissent d’une seule
façon.
Soit y = α 1 u 1 +……+. α k u k ; alors on a:

α 1 u 1 +……+. α k u k = β 1 u 1 + ……+ β k u k d’où ( α 1 - β 1 ) u 1 + …..+ ( α k - β k ) u k = 0;
or u 1 , ………..,u k , sont linéairement indépendants, donc:
α 1 - β 1 = ……= α k - β k = 0, c’est-à-dire: α 1 = β 1 , ………, α k = β k .
5. 12 Théorème
Un s ystème de vecteurs contenant un sous-s ystème linéairement
dépendant est linéairement dépendant.
Supposons que les k premiers vecteurs du s ystème u 1 ,……u k sont

linéairement dépendants et u k + 1 ,…u n sont linéairement indépendants. On a
donc: α 1 u 1 +……+. α k u k = 0 et ( α 1 ,……….. α k ) ≠ (0,…………..0).
En ajoutant les vecteurs u k + 1 ,….…u n avec les coefficients nuls, on obtient la
combinaison linéaire: α 1 u 1 +……+. α k u k + 0 u k + 1 +….…+0 u n =0, donc les
coefficients sont tous non nuls, c’est-à-dire les vecteurs u 1 ,……..,u k ,
u k + 1 ,….…, u n sont linéairement dépendants.
Exemple
Etudier la dépendance linéaire des s ystèmes suivants: S 1 = (u 1 , u 2 , u 3 )
et S 2 = (v 1 , v 2 , v 3 ) avec: u 1 = (1; 0; 0), u 2 = (1; 1; 0), u 3 = (1; 1; 1);
v 1 = (1; 2;0), v 2 =(1; 0; 2), v 3 = (0; -1; 1).
Solution
1 è r e méthode (Par la définition)
1. Soit α , β , γ ∈ IR. Cherchons les valeurs de α , β , et γ pour qu’on ait:
α u 1 + β u 2 + γ u 3 = 0, c’est-à-dire:
1 1  1 α + β + γ = 0  γ = 0
α  0  + β  1  + γ  1 = 0 ⇔ 
      β + γ = 0 ⇔  β = 0 , c’est-à-dire S 1 est un s ystème
 0  0  1  γ =0 α = 0
libre.
2. Soit δ, η , λ ∈ IR. Cherchons les valeurs de δ , η et λ pour qu’on ait:

δ v 1 + ηv 2 + λv 3 = 0, c’est-à-dire:
1 1  0  δ +η = 0 λ = 2 δ
δ  2  + η  0  + λ  −1  = 0 ⇔ 2δ −λ = 0 ⇔ 
0  2  1 2η + λ = 0  η = −δ
 
On obtient: δ v 1 - δ v 2 + 2 δ v 3 = 0 ⇔ v 1 – v 2 + v 3 = 0 ⇔ v 1 = v 2 – v 3 ; autrement
dit les trois vecteurs v 1 , v 2 et v 3 sont liés.
Dr. AKPATA Edouard

51
2 è m e méthode (par le déterminant)

En calculant le déterminant respectif des vecteurs des s ystèmes S 1 et S 2 , on se
rendra compte que celui de S 1 sera différent de zéro et celui de S 2 sera égal à
zéro; ce qui veut dire que S 1 et S 2 sont libre et lié respectivement.
BASE - DIMENSION
5. 13 Définition
On dit qu’un s ystème de vecteurs e 1 , ……….e n d’un espace vectoriel E
est une base de cet espace, si les vecteurs e 1 , ……….e n sont linéairement
indépendants et si chaque vecteur de E se présente par leur combinaison
linéaire; autrement dit si le s ystème de vecteurs { e 1 , ………,e n } est a la fois
libre et générateur.
Remarque
Avec un s ystème de n vecteurs e 1 , ……….e n on peut former n! bases
distinctes différant l’une de l’autre par l’ordre des vecteurs e 1 , ……….e n .
Exemple
Avec le s ystème (e 1 , e 2 , e 3 ) de 3 vecteurs linéairement indépendants, on
peut former les 3! = 6 bases distinctes: (e 1 , e 2 , e 3 ); (e 2 , e 3 , e 1 ); (e 3 , e 1 , e 2 );
(e 2 , e 1 , e 3 ); (e 1 , e 3 , e 2 ); (e 3 , e 2 , e 1 ).
5. 14 Composantes d’un vecteur dans une base
Soit B = (e 1 , e 2 , e 3 ) une base de E . Pour tout vecteur u de E , il existe

alors un ensemble de nombres ( α 1…………α n ) tels que:
n
u = α 1 e 1 +…………..+ α n e n = ∑α e
i =1
i
i . (5. 7)
Les nombres α 1 ,…………, α n sont appelés composantes du vecteur u dans la

base B . Ces composantes sont définies de façon unique en vertu du théorème
3.3.4.
5. 15 Somme de deux vecteurs et multiplication d’un vecteur par un

nombre dans une base donnée
Soit une base B = (e 1 , e 2 , e 3 ), de E .
n n
Soient: u = α 1 e 1 +……….+ α n e n = ∑α i ei et v = β 1 e 1 +………+ β n e n =
i =1
∑β e
i =1
i
i des
vecteurs de E .
On a:
n n n
u + v = ∑α e
i =1
i
i .+ ∑β e
i =1
i
i = ∑(α
i =1
i
+ β i ) ei
c’est-à-dire:
n
u + v = ∑(α
i =1
i
+ β i ) ei (5. 8)
Donc l’addition de vecteurs revient à additionner leurs composantes.
Dr. AKPATA Edouard

52
Soit λ un nombre; on a:
n n
λu = λ ∑α e
i =1
i
i = ∑(λ α ) e
i =1
i
i
n
λu = ∑(λ α ) e
i =1
i
i (5. 9)
Donc la multiplication d’un vecteur par un nombre revient à multiplier ses
composantes par ce nombre.
Remarque
Il est parfois commode de représenter les composantes d’un vecteur
 α1 
n  . 
u = ∑α i ei sous forme du vecteur colonne  .  .
i =1  . 
α n 
 
5. 16 Décomposition d’un système de vecteurs suivant une base donnée
Soient B = (e 1 , e 2 , e 3 ) une base de E et un s ystème de vecteurs

u 1 ,…………….u k .
Décomposition le s ystème suivant la base B :
n n
x1 = ∑α1i ei ,……………………, xk = ∑α ki ei et considérons les vecteurs colonnes de
i =1 i =1
leurs composantes dans la base B :
 α11   α 1k 
 .   . 
 .  ,………………………………,  .  .
 .n   .n
α1   .α k 
5. 17 Théorème
Des vecteurs u 1 ,…………….u k sont linéairement dépendants si et
seulement si les vecteurs colonnes de leurs composantes le sont dans une base
quelconque.
k
Supposons qu’on ait: λ 1 u 1 + … … … … … … … . . + λ k u k = ∑λ
m =1
m um
n
De façon détaillée: (car u m = ∑α
i =1
i
m ei ),
k k n n k
∑λ
m =1
m um = ∑λ (∑α
m =1
m
i =i
i
m ei ) = ∑(∑λ
i =1 m =1
m α mi ) ei = 0 (5. 10)
L’unicité de la composition d’un vecteur suivant une base entraîne:

De:
Dr. AKPATA Edouard

53
k k
∑λm α m1 e1 + ⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯+∑λm α mn = 0 ,
m =1 m =1
on a:
k k
∑λ
m =1
m α m1 = 0, ⋯⋯⋯⋯⋯⋯⋯⋯⋯∑λm α mn = 0,
m =1
c’est-à-dire:
 α11   α 1k   0 
 .   .  .
λ1  .  +⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯+ λk  .  =. (5. 11)
 .n   .n   . 
α1  α k   0 
autrement dit:
λ1u1 + + λ k u k = 0 ; donc la combinaison linéaire des
………………
vecteurs colonnes des composantes u 1 ,…………….u k est également au vecteur

colonne nul.
Réciproquement, si la relation (5. 9) a lieu, on obtient la famille (5. 10) en
reprenant les raisonnements en sens inverse.
5. 18 Théorème
Si une base d’un espace vectoriel E est composée de n vecteurs, tout
s ystème de m ( m > n ) vecteurs est linéairement dépendants.
Corollaire
Les bases de l’espace vectoriel E sont composées d’un même nombre de
vecteurs.
5. 19 Définition
On appelle dimension d’un espace vectoriel E le nombre de vecteurs
d’une base de E .
5. 20 Théorème
Si u 1 ,…………….u k est un s ystème linéairement indépendant de vecteurs
d’un espace vectoriel E tel que k < n , il existe dans E des vecteurs
uk +1 ,………………, un tels que le s ystème u 1 ,…………….u k , uk +1 ,………………, un forme
une base de E .
Exemple
Compléter le s ystème de vecteurs u 1 (1; 2; 0; 1) ,et u 2 (-1; 1; 1; 0) à une
base de l’espace IR 4 .
Solution
Considérons les vecteurs u 3 (1; 0; 0; 0) et u 4 (0; 1; 0; 0) et montrons que le
s ystème (u 1 , u 2 , u 3 , u 4 ) est une base de IR 4 .
Formons la matrice
Dr. AKPATA Edouard
54
 1 2 0 1
 
A =  −1 1 1 0  dont les lignes sont les composantes des vecteurs u 1 , u 2 , u 3 , u 4 ..
1 0 0
 0 1 0 0 0
 
Puisque rg(A) = 4 (à vérifier!), les lignes de A, c’est-à-dire les vecteurs u 1 ,
u 2 , u 3 , u 4 sont linéairement indépendants.
5. 21 Théorème
Pour tous sous-espaces vectoriels S 1 et S 2 de E , ona:
dim (S 1 + S 2 ) = dim S 1 + dim S 2 – dim (S 1 ∩ S 2 ) (5. 12)
La formule (5. 11) est appelée formule des dimensions.
Exemple
CHANGEMENT DE BASE
5. 22 Définition
B = (e 1 ,……………e n ) et B’ = ( e1' ,………………, en' ) des bases de E .
Décomposons les vecteurs de la base B’ suivant ceux de B . On a:
n
e'j = α 1j e1 + ⋯⋯⋯⋯⋯⋯+ α nj en = ∑α ij ei , j =1,………, n.
i =1
Ces relations s’écrivent sous la forme matricielle suivante:
 α11 . . α 1n 
 . .... . 
( e1' ,………………, en' ) = (e 1 ,……………e n )  . . .. . . (5. 13)
 . . .. . 
α n . . . α nn 
 1
 α11 . . α 1n 
 . .... . 
La matrice A =  . . . . .  .s’appelle matrice de passage de la base B à l a
 . . .. . 
α n . . . α nn 
 1
base B’ .
Remarque
Pour déterminer la matrice de passage d’une base B à une base B’ , il
suffit d’écrire en colonne de la matrice les composantes des vecteurs de la
base B’ .
Exemple
Soient B = (e 1 ,……………e n ) la base (appelée base canonique) d’un
espace vectoriel E et u = 2 e 2 – e 3 ; v = e 1 – 3 e 3 ; w = e 1 + e 2 – 2 e 3 .
Déterminer la matrice de passage de la base B à la base B’ = (u, v, w).
Dr. AKPATA Edouard

55
Solution
Si A est la matrice de passage, alors on a:
 0 1 1
A =  2 0 1
 −1 −3 − 2 
 
5. 23 Propriétés
1. det(A) ≠ 0.
Supposons par absurde que det(A) = 0. Ceci exprime que les colonnes
de la matrice sont linéairement dépendants. Vu que ces colonnes sont les
composantes des vecteurs e1' ,………………, en' dans la base B , ces derniers sont
linéairement dépendants en vertu du théorème 3.4.5, ce qui contredit le fait
que B est une base. Donc det(A) ≠ 0.
2. Si α 1 ,…………,α n et α '1 ,…………,α ' n sont les composantes d’un

vecteur u dans les bases B et B’ respectivement, alors:
α1   α '1 
 .   . 
 .  = A . 
 .   . 
α n  α ' n 
   
3. A-1 est la matrice de passage de la base B’ à la base B .
APPLICATIONS LINEAIRES
GENERALITES
5. 24 Définition
Soient E et F deux espaces vectoriels sur un corps commutatif K
( K = IR ou C). On appelle application linéaire f de E dans F , toute
application de E dans F qui possède les deux propriétés suivantes:
1. ∀ u ∈ E , ∀ v ∈ E : f(u + v) = f(u) + f(v) ,
2. ∀ u ∈ E ∀ λ ∈ IR : f( λ u) = λ f(u) .
Les deux propriétés peuvent se résumer en une seule:
∀ u ∈ E , ∀ v ∈ E , ∀ ( α , β ) ∈ IR 2 : f( α u + β v) = α f(u) + β f(v) .
Remarques
1. Quelle que soit l’application linéaire f considérée, l’image du

vecteur nul de E est le vecteur nul de F , autrement dit: f(0 E ) = 0 F
E f
0E 0F F F
Fig.16
En particulier, si λ = -1 , alors on a: f(-u) = - f(u) .
2. i) On dira également que f est un homomorphisme de E dans F .

ii) Si f est bijective , on dit que f est un isomorphisme .
Dr. AKPATA Edouard
56
iii) Si F = E , on dit que f est un endomorphisme et si de plus f est

bijective, alors on dira que c’est un automorphisme .
Exemple
Soit E l’ensemble des applications f de IR * + dans IR indéfiniment
dérivables. On considère l’application ϕ de E dans E définie par :
ϕ (f) = f + 2xf’ .
Montrer que ϕ est un endomorphisme .
Solution
Remarquons tout d’abord que ϕ est bien une application de E dan s
E , puisque f + 2xf’ est indéfiniment dérivable dès que f l’est.
Montrons que ϕ est une application linéaire.
∀ (f 1 , f 2 ) ∈ E 2 , ∀ ( α , β ) ∈ IR 2 , on a:
ϕ ( α f 1 , + β f 2 ) = ( α f 1 + β f 2 ) + 2x( α f 1 + β f 2 )’ ( p ar d é fi n it io n )
= α f 1 + β f 2 + 2x[( α f 1 )’ + ( β f 2 )’] ( d ér ivée d e l a so m me d e d e u x fo nc tio n s)
= α f 1 + β f 2 + 2x( α f 1 )’ + 2x( β f 2 )’ ( d i st r ib u ti v ité d e . p ar r ap p o r t à + )
= α f 1 + β f 2 + 2x α f 1 ’ + 2x β f 2 ’
= α f 1 + 2x α f 1 ’ + β f 2 + 2x β f 2 ’
= α (f 1 + 2xf 1 ’) + β (f 2 + 2xf 2 ’) ( mi s e e n f ac te ur d e α e t β )
= αϕ (f 1 ) + βϕ (f 2 ) , donc on a démontré que:
ϕ ( α f 1 + β f 2 = αϕ (f 1 ) + βϕ (f 2 ) , c’est-à-dire que ϕ est une application linéaire
de E dans E d’où ϕ est un endomorphisme.
5. 25 Détermination d’une application linéaire

Soit B = (e 1 ,……………e n ) une base de E . Une application linéaire f
de E dans F est complètement déterminée si les images des éléments
e 1 ,……………e n de la base B e1' = f(e1 ) ,……………, en' = f(en ) sont connues.
Soient u = a 1 e 1 + … … … … … … +a n e n un élément de E et son image u’ par f

dans F . Alors on a:
u’ = f(u) = f(a 1 e 1 + … … … . … … … +a n e n )
= a 1 f(e 1 ) + … … … … … … … + a n f(e n ) ; c’est-à-dire
u’ = a 1 f(e 1 ) + … … … … … … … + a n f(e n )
u’ = a 1 e1' +⋯⋯⋯⋯+ an en'
Conséquence
Pour montrer qu’une application linéaire vérifie certaines conditions,
il suffit de vérifier que les transformés (ou images) des vecteurs de base
vérifient ces conditions.
5.26 Définitions
i) Forme linéaire : On appelle forme linéaire , toute application

linéaire de E dans IR .
Dr. AKPATA Edouard
57
ii) Image d’une partie, P, de E : On appelle image d’une partie, P,

de E et on la note f(P) , l’ensemble des images par f des éléments
de P .( Fig.17.a ) .
E f F E F
f
f
P f(P) Imf
Fig.17.a Fig.17.b
En particulier, l’image de E lui-même est noté f(E) ou encore Imf ( Fig.17.b ).

On a évidemment: Imf ⊆ F .
iii) Rang d’une application linéaire : On appelle rang d’une

application linéaire, la dimension de f(E) , si elle existe et on
note: rang(f) = dim f(E) .
iv) Image réciproque d’une partie, P’, de F : On appelle image

réciproque d’une partie, P’ , de F , et on note: f - 1 (P’) ,
l’ensemble des éléments de E qui ont pour images les éléments
de P’ (Fig.18.a) .
-1
E f E f 0F F
-1
f
-1
f (P’) P’ Kerf
Fig.18 . a Fig.18.b
Cas particulier (très important)
v) Noyau d’une application linéaire : On appelle noyau d’une

application linéaire et l’on note N (f) ou Kerf , l’ensemble des
éléments de E qui ont pour image l’élément nul 0 F de F , c’est-à-
dire l’image réciproque de {0 F }.
Autrement dit: N (f) = Kerf = f - 1 (0 F ) = {u ∈ E: f(u) = 0 F }
Les éléments de N (f) constituent donc l’ensemble des solutions de
l’équation: f(u) = 0 F (Fig.18.b) .
Remarque
Cet ensemble N (f) n’est jamais vide puisque f(0) = 0 ∈ Kerf .
Dr. AKPATA Edouard

58
5. 27 Théorème
Kerf est un sous-espace de E .
1. Kerf ≠ ∅ , car 0 = f(0) ∈ Kerf .

2. ∀ u ∈ Kerf, ∀ v ∈ Kerf, on a :
f(u + v) = f(u) + f(v) ( car f e s t u ne ap p l ica tio n li né air e)
= 0 F + 0 F ( c ar u ,v ∈ Ke rf)
= 0 F , cela veut dire que (u + v) ∈ Kerf.
3. ∀ u ∈ Kerf, ∀ α ∈ K, on a:
f( α u) = α f(u) ( car f e s t u ne ap p li ca tio n li n éair e)
= α 0 F ( car u ∈ K e rf)
= 0 F , cela veut dire que α u ∈ Kerf .
De ce qui précède, on conclut que Kerf est bel et bien un sous-espace
vectoriel de E .
5. 28 Théorème
Pour qu’une application linéaire f de E dans F soit injective , il faut et
il suffit que Kerf = {0}
i) Condition nécessaire : f injective ⇒ Kerf = {0} .

Soit f est injective, c’est-à-dire ∀ (u, v) ∈ E 2 , f(u) = f(v) ⇒ u = v
c’est-à-dire f(u) = f(v) ⇒ u – v = 0 ;
or f(u) = f(v) ⇔ f(u) – f(v) = 0
⇔ f(u - v) = 0 ( car f e s t l i néa ir e)
⇒ (u – v) ∈ Kerf, or u – v = 0 ( car f e st ij ec ti v e)
⇒ 0 ∈ Kef
⇒ f(0) = 0 ⇒ Kerf = {0}.
ii) Condition suffisante : Kerf = {0} ⇒ f injective

Soit u et v deux éléments de Kerf
u ∈ Kerf ⇒ f(u) = 0 ⇒ f(u) = f(v) = 0 ,
v ∈ Kerf ⇒ f(v) = 0 
or f(u) = f(v) ⇔ f(u) – f(v) = 0
⇔ f(u - v) = 0 ( car f es t l i néa ir e)
⇒ (u - v) ∈ Kerf = {0} ⇒ u – v = 0 ⇒ u = v;
c’est-à-dire f(u) = f(v) ⇒ u = v d’où f est injective.
5. 29 Théorème
Si E et F ont même dimension on a l’équivalence:
Kerf = {0 E } ⇔ f est bijective .
5. 30 Théorème
Imf est un sous-espace vectoriel de F .
Soient y 1 et y 2 deux éléments de Imf . Cela veut dire qu’il existe dans
E des éléments x 1 et x 2 tels que: y 1 = f(x 1 ) et y 2 = f(x 2 ) .
Soient deux réels α et β . On a:
α y 1 + β y 2 = α f(x 1 ) + β f(x 2 ) = f( α x 1 + β x 2 ) ( c ar f es t l i né air e ) .
Dr. AKPATA Edouard

59
Ce qui veut dire qu’il existe un élément X ∈ E , avec X = α x 1 + β x 2 , tel que Y

= f(X) où Y = α y 1 + β y 2 ∈ Imf d’où Imf est un sous-espace vectoriel de F .
5. 31 Théorème
La dimension de E est la somme de la dimension de l’image f( E ) de E
par l’application f et de la dimension du no yau de f , en d’autres termes:
dim E = dim Kerf + dim Imf
Remarques
1.
i) Si f est injective, c’est-à-dire Kerf = {0} , alors dim E = dim Imf ( car
d im Ke r f = 0 ) .
iii) dim E = dim Imf ⇔ l’image de toute base de E est une base de
f( E ) .
2. Pour un espace vectoriel E de dimension finie. Si f est une

application linéaire bijective (c’est-à-dire f est un isomorphisme),
alors f est à la fois injective et surjective, c’est-à-dire f( E ) = F et
dim E = dim Imf = dim f( E ) = dim F d’où dim E = dim F .
5. 32 Matrice associée d’une application linéaire
Soit deux espaces vectoriels E et F définis sur un corps commutatif

K , tels que dim E = 2 , dim F = 3 . Soient B 1 = {e 1 , e 2 } une base de E et
B 2 = { e1' , e2' , e3' } une base de F .
On appelle L ( E , F ), l’ensemble des applications linéaires définies de
E dans F .
Soit f ∈ L ( E , F ). Définissons f(e 1 ) et f(e 2 ) dans la base B 2 :
 f(e1 ) = a11 e1' + a21 e2' + a31 e3'

 f(e ) = a e' + a e ' + a e'
 2 12 1 22 2 32 3
Pour tout u ∈ E , on peut décomposer u dans la base B de la manière suivante:

u = u 1 e 1 + u 2 e 2 , or f(u) = v = v1 e1' + v2 e2' + v3 e3' ; f étant une application
linéaire, on a:
v = f(u) = u 1 f(e 1 ) + u 2 f(e 2 )
= u 1 (a11 e1' + a21 e2' + a31 e3' ) + u2 (a12 e1' + a22 e2' + a33 e3' )
= (a 1 1 u 1 + a 1 2 u 2 ) e1' + (a 2 1 u 1 + a 2 2 u 2 ) e2' + (a 3 1 u 1 + a 3 3 u 2 ) e3' = v1 e1' + v2 e2' + v3 e3' ,
ce qui nous permet d’écrire:
 v1 = a11 u1 + a12 u2

v2 = a21 u1 + a22 u2 (5. 14)
v3 = a31 u1 + a33 u2
Le s ystème (5. 13) est appelé la forme analytique de l’application linéaire f
Soit A la matrice suivante issue du s ystème (5. 14):
f(e 1 ) f(e 2 )
Dr. AKPATA Edouard
60
 a11 a12 
 
A =  a21
 a31
a22  .
 a32 
Examinons le cas général:

Considérons deux espaces vectoriels E et F de dimension finie, telles
que dim E = n et dim F = m . Soient B 1 = { e 1 ,……..,e n } et B 2 = { e1' ,………,em' } les
bases respectives de E et de F .
Soit f ∈ L( E , F ); on rappelle que f est déterminée de manière unique dès
qu’on fixe les images:
 f(e1 ) = a11 e1' +⋯⋯⋯⋯⋯+ am1 em'

 ...................................................
 ................................................... ,
 ...................................................
 f(en ) = a1n e1' +⋯⋯⋯⋯⋯+ amn em'
m
c’est-à-dire f (e j ) = ∑ a e′ ,
i =1
ij i 1≤ j ≤ n
n
∀ u ∈ E , u = u 1 e 1 + ……………….+ u n e n = ∑u
j =1
j ej.
m
L’image de u par f est v , (v ∈ F ) tel que v = v1 e1' +⋯⋯⋯⋯+ vm em' = ∑vi ei'
i =1
n n
f étant linéaire, alors on a: v = f(u) = f(∑u j e j ) = ∑u j f(e j ).
j =1 j =1
En utilisant les propriétés d’associativité et de commutativité de l’addition

vectorielle et la multiplication externe, on peut écrire:
n n m m n m n
v = f(u) = ∑u j f(e j ) = ∑u j ∑aij ei' = ∑(∑aij u j ) ei' = ∑vi ei' ⇒ vi = ∑aij u j ,
j =1 j =1 i =1 i =1 j =1 i =1 j =1
1 ≤ i ≤ m.
en d’autres termes:
v1 = a11 u1 +⋯⋯⋯⋯⋯⋯+ a1n un
...................................................
................................................... (5. 15)
...................................................
 vm = am1 u1 +⋯⋯⋯⋯⋯+ amn un
Le s ystème (5. 15) est appelé forme analytique de f.
Soit A la matrice issue de ce s ystème (5.15), on a:
f(e 1 ) f(e n )
 a11.............................a1n 
 ... ... ... ... ... ...... ... 
A =  ... ... ... ... ... ...... ...  .
 ... ... ... ... ... ...... ... 
 am1 ... ... ... ... .........amn 
Dr. AKPATA Edouard
61
La matrice A est appelée matrice associée de f.

Ainsi, à toute application linéaire on peut associer une matrice.
5. 33 Théorème (très important)

Soit f une application linéaire définie dans un espace vectoriel E , de
matrice associée A.
f est bijective si et seulement si dét(A) ≠ 0 .
5. 34 Détermination du noyau et de l’image d’une application linéaire

Soient Kerf et Imf respectivement le no yau et l’image de l’application
linéaire définie dans un espace vectoriel E . Soit A la matrice associée de f.
On a les propositions suivantes:
i) dim Imf = rg(A) où rg(A) est le rang de la matrice A.
ii) dim Kerf = dim E – rg(A) .
Exemple
Soit E un espace vectoriel de base canonique B = (e 1 , e 2 , e 3 ).
Considérons une application linéaire f ayant pour matrice associée A définie
par:
1 2 1 
A = 1 0 −1 .
1 1 0 
 
Déterminer l’image Imf et le no yau Kerf de f.
Solution
Par définition v ∈ Imf si et seulement si on peut trouver un vecteur
 x
u  y  ∈ E , tel que v = f(u) = A(u) ou encore:
z
 
1 2 1   x  1   2  1
v = A(u) = 1 0 −1 .  y  = x 1 + y  0  + z  −1 (5. 16)
1 1 0   z   1   1   0
     
L’égalité (5. 15) montre que l’image Imf de f se confond avec l’enveloppe
linéaire du s ystème de vecteurs colonnes de la matrice A. Ce qui veut dire qu e
le rang de f est égal à celui de la matrice A qui est égal à deux (à vérifier!).
Donc nous pouvons prendre deux vecteurs colonnes quelconques des trois qui
engendreront l’image Imf de f. Par exemple nous pouvons prendre
1   2
v 1 = 1 , v2 =  0  .
1  1
D’où Imf est de dimension deux, donc le plan vectoriel engendré par les
vecteurs v 1 et v 2 .
Comme indication on peut déjà savoir que le no yau Kerf de f sera de

dimension 1 (3 – 2 = 1), c’est-à-dire une droite vectorielle.
De façon analogue, u ∈ Kerf ⇔ f(u) = A(u) = 0 ou encore
Dr. AKPATA Edouard

62
1 2 1   x   0
A(u) = 1 0 −1 .  y  =  0  .
1 1 0   z   0
   
Ce qui veut dire que le no yau Kerf est l’ensemble des solutions du s ystème
homogène suivant:
 x + 2y + z = 0  x = z y
x −z = 0 ⇔  x = -y = z ou x = = z
 x + y =0  x = − y 1 −1 1
D’où le no yau Kerf est la droite d’équation x = - y = z ou engendrée par le
vecteur u(1; -1; 1).
5. 35 Composition des applications linéaires

Soit L ( E , F ) l’ensemble des applications linéaires de E dans F . Dans
cet ensemble, on définit les opérations suivantes:
i) Addition
On appelle somme des applications f 1 et f 2 et l’on note f 1 + f 2 ,
l’application f qui à tout élément u de E associe l’élément f(u) tel que
f(u) = (f 1 + f 2 )(u) = f 1 (u) + f 2 (u) .
ii) Multiplication par un scalaire

On appelle produit de l’application f par le scalaire λ , l’application
( λ f)(u) = λ f(u) .
Remarque
1. ( L , +) est un groupe abélien;
2. L ( E , F ) muni des deux opérations précédentes est un espace
vectoriel sur IR.
iii) Composition de deux applications linéaires
Soient E , F et G trois espaces vectoriels sur IR et soit f une
application linéaire de E dans F et g une application linéaire de F
dans G . On appelle application composée de f par g et l’on note
( g f ), l’application de E dans G qui à tout élément u ∈ E associ e
l’élément (g ° f)(u) ∈ G définie par:
(g ° f)(u) = g[f(u)] .
5. 36 Théorème
La composée de deux applications linéaires est une application
linéaire.
Soient f, g ∈ L ( E , F ) x L ( F , G ) et α , β ∈ IR on a:
(g ° f)( α u + β v) = g[f( α u + β v)]
= g[ α f(u) + β f(v)]
= g( α f(u)) + g( β f(v))
= α g[f(u)] + β g[f(v)]
= α g ° f(u) + β g ° f(v).
D’où g ° f est une application linéaire.
Dr. AKPATA Edouard

63
5. 37 Théorème
La composition des applications linéaires est distributive par rapport
à l’addition.
[g ° (f 1 + f 2 )] (u) = g[(f 1 + f 2 )(u)]

= g[f 1 (u) + f 2 (u)]
= (g ° f 1 )(u) + (g ° f 2 )(u)
= [(g ° f 1 ) + (g ° f 2 )] (u), soit g ° (f 1 + f 2 ) = g ° f 1 + g ° f 2 d’où la
distributivité à droite est vérifiée.
De même on verrait que: (g 1 + g 2 ) ° f = g 1 ° f + g 2 ° f; c’est-à-dire que la
distributivité à gauche est également vérifiée.
Dr. AKPATA Edouard

64

Fasc Cours 1

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

Fasc Cours 1

Transféré par

Droits d'auteur :

Formats disponibles

Cours et Exercices résolus d’Algèbre linéaire

Dr. AKPATA Edouard

3.2 Notations définitives

3. 3 Egalité de deux nombres complexes

3. 4 Forme algébrique d’un nombre complexe

3. 5 Opérations sur les nombres complexes

1. Somme de deux nombres complexes

Dr. AKPATA Edouard

On peut remarquer que l’addition possède les propriétés suivantes:

2. Différence de deux nombres complexes

3. Produit de deux nombres complexes

4. Quotient de deux nombres complexes

5. Nombres complexes conjugués

3. 6 Forme trigonométrique d’un nombre complexe

Dr. AKPATA Edouard

d’utiliser les coordonnées polaires (r, θ ), où r est la norme du vecteur OM

Le rayon polaire r s’appelle module de z et se note  z  . Il est définit de façon

La correspondance entre les nombres complexes et les vecteurs confère une

3.7 Forme exponentielle du nombre complexe

L’expression (3. 14) est appelée forme exponentielle du nombre complexe z .

z 1 z 2 = r 1 eiθ 1 r 2 eiθ 2 = r 1 (cos θ 1 + isin θ 1 ) r 2 (cos θ 2 + isin θ 2 ) =

Si z 1 = r 1 eiθ 1 et z 2 = r 2 eiθ 2 , (z 2 ≠ 0), on a:

Dr. AKPATA Edouard

Soit z = re i θ ; Posons z = z1 ⇒ z 1 = zz 2 ⇔ r 1 eiθ1 = reiθ r2eiθ 2 = rr2ei(θ + θ 2 ) ⇒

Autrement dit la division de deux nombres complexes revient à diviser leurs

De ce qui précède, on peut déduire que:

3. 8 Puissance entière d’un nombre complexe

3. 9 Racine n i è m e d’un nombre complexe

Montrons que tout nombre complexe z ≠ 0 possède n racines n i è m e s distinctes.

En faisant k = 0, 1, 2, ………….., n-1 dans la formule (3. 22), on obtient n

Dr. AKPATA Edouard

Dr. AKPATA Edouard

Dr. AKPATA Edouard

MATRICES – DETERMINANTS – SYSTEMES D’EQUATIONS

Les nombres a i j sont appelés les éléments ou coefficients de la matrice A.

Dr. AKPATA Edouard

 a11 a12 ... .......a1n   a11 0 .......... .... 0 

4. 2 Opérations sur les matrices

i) Somme de deux matrices

ii) Produit d’une matrice par un scalaire

λ A = λ (a i j ) = ( λ a i j ) (i = 1, ……., m; j = 1, ……., n). (4. 6)

1 0 2 1   3.1 3.0 3.2 3.1   3 0 6 3 

iii) Produit de deux matrices rectangulaires

Remarque (très important)

Dr. AKPATA Edouard

v) Multiplication d’une matrice par une matrice unité

4. 3 Transposée d’une matrice

 a11 a21 . . am1 

Dr. AKPATA Edouard

4. 5 Trace d’une matrice carrée

Ainsi, à une matrice carrée d’ordre n est associée un scalaire et cette

4. 6 Transformations élémentaires d’une matrice

3. Transformation de type III

On définit de la même façon les transformations élémentaires des

Remarque (très importante!!!)

Décrivons maintenant la procédure qui permet de réduire une matrice

colonne k 1 sont tous nuls à l’exception du premier:

Dr. AKPATA Edouard

Ajoutons à la ligne i (i = 3, ………., m) de la matrice précédente le produit de

d’un nombre de pas inférieur à min(m, n) ,

 0 .............. 0 ............ ............ ............. ............ 

0 .............. 0 0 (4. 10)

La matrice (4. 10) s’appelle matrice en escalier .