Cours Algebre Lineaire

Éléments d’Algèbre Linéaire
Notes de cours de Mathématiques

Première Année - S2
Sciences Économiques et Gestion
Abdelghani Benjouad Mustapha Serhani

Département d’Économie
Février 2020
Table des matières
1 Préliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1 Produit cartésien d’ensembles 5
1.2 Calcul dans Rn 7
1.3 Applications 9
1.4 Injection, Surjection, Bijection 10
1.5 Lois de composition 12
2 Espaces vectoriels sur R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

2.1 Définition et propriétés 15
2.2 Sous-espace vectoriel sur R 16
2.3 Familles et combinaisons linéaires 17
2.4 Famille génératrice, bases et dimension 18
2.5 Exercices 23
3 Applications linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.1 Définitions et propriétés 25
3.2 Image, noyau et rang 26
3.3 Exercices 29
4 Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.1 Définitions 31
4.2 Matrices particulières 32
4.3 Matrices triangulaires et matrices diagonales 32
4.4 Opérations sur les matrices 33
4.5 Matrices symétriques 39
4.6 Matrices antisymétriques 39
4.7 Inverse d’une matrice 40
4.8 Exercices 44
5 Matrices et applications linéaires . . . . . . . . . . . . . . . . . . . . . . . 45

5.1 Rang d’une famille de vecteurs 45
5.2 Rang d’une matrice 46
5.3 Matrice échelonnée 46
5.4 Matrice d’une application linéaire 50
5.5 Changement de bases 51
5.6 Exercices 54
6 Déterminants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
6.1 Déterminant en dimension 2 et 3 55
6.2 Définition du déterminant 57
6.3 Propriétés du déterminant 58
6.4 Calculs de déterminants d’ordre n 59
6.6 Déterminant et base 63
6.7 Exercices 64
7 Systèmes linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
7.1 Introduction aux systèmes d’équations linéaires 65
7.2 Systèmes linéaires 66
7.3 Résolution par la méthode de Cramer 67
7.4 Résolution par la méthode du pivot de Gauss 68
7.5 Exercices 70
1. Préliminaires
1.1 Produit cartésien d’ensembles

1.1.1 Produit cartésien de deux ensembles
Soient E et F deux ensembles.
Définition 1.1.1 Le produit cartésien des ensembles E et F est l’ensemble des couples
(x, y) tels que x ∈ E et y ∈ F. On note
E × F = {(x, y) | x ∈ E et y ∈ F}.
Exemple 1.1 On considère E = {x1 , x2 , x3 } et F = {y1 , y2 }, alors le produit cartésien

de E et F est défini par
E × F = {(x1 , y1 ), (x1 , y2 ), (x2 , y1 ), (x2 , y2 ), (x3 , y1 ), (x3 , y2 )}.

Le produit cartésien n’est pas commutatif, c.à.d.

E × F 6= F × E,
(sauf si E ≡ F).
Autrement dit, si x ∈ E et y ∈ F, alors
(x, y) ∈ E × F et (y, x) ∈ F × E.
En cas d’ensembles finis, le cardinal (nombre des éléments) de E × F est donné par la
relation
card(E × F) = card(E).card(F).
Pour l’exemple précédent
card(E × F) = 3.2 = 6
6 Chapitre 1. Préliminaires
Exercice 1.1 Déterminer l’ensemble E × F et calculer son cardinal dans les cas sui-
vants :
1. E = {3, 5, 8} et F = {2, 5}.
2. E = {−1, 4} et F = {−3, 6 − 2}
3. E = {a, b, c} et F = {a, c, d, e}

1.1.2 L’ensemble R2
En utilisant la définition (1.1.1) pour E = R et F = R, on peut définir l’ensemble R2
comme le produit cartésien de E et F.
Définition 1.1.2 L’ensemble R2 est le produit cartésien de R avec R :
R2 := R × R = {(x, y) | x ∈ R et y ∈ R}.
Les éléments de R2 s’appellent des couples.
→
− → −
Dans le plan muni d’un repère (O, i , j ), on identifie le couple (x, y) ∈ R2 au
−−→
vecteur OM tel que M a pour coordonnées cartésiennes (x, y). c’est pour cela que les
éléments de R2 sont désignés comme des vecteurs du plan.
1.1.3 Produit cartésien de plusieurs ensembles

Soient Ei , i = 1, .., n des ensembles.
Définition 1.1.3 Le produit cartésien des ensembles Ei , i = 1, .., n est l’ensemble des
n-uplets (x1 , ..., xn ) tels que xi ∈ Ei ∀ i = 1, .., n. On note
E1 × E2 × .. × En = {(x1 , ..., xn ) | xi ∈ Ei , ∀ i = 1, .., n}.
Pour n = 3,
E1 × E2 × E3 = {(x1 , x2 , x3 ) | x1 ∈ E1 , x2 ∈ E2 x3 ∈ E3 }.
Dans ce cas les éléments (x1 , x2 , x3 ) ∈ E1 × E2 × E3 s’appellent des triplets.
De même, en cas d’ensembles finis, le cardinal de E1 × E2 × .. × En est donné par la relation
n
card(E1 × E2 × .. × En ) = ∏ card(Ei ).
i=1
1.2 Calcul dans Rn 7
Exercice 1.2 Déterminer l’ensemble E1 × E2 × .. × En et calculer son cardinal dans

les cas suivants :
1. E1 = {0, 2}, E2 = {−1, 1} et E3 = {4, 6, 7}
2. E1 = {a, b, c}, E2 = {a, d} et E3 = {a, e, f }
3. E1 = {a, b}, E2 = {a, c}, E3 = {b, c} et E4 = {c, d}

1.1.4 L’ensemble Rn
En utilisant la définition (1.1.3) pour Ei = R, i = 1, .., n, on peut définir l’ensemble Rn
comme le produit cartésien de Ei pour i = 1, .., n.
Définition 1.1.4 L’ensemble Rn est le produit cartésien de R, n fois
Rn := |R × R {z
× ... × R} = {(x1 , ..., xn ) | xi ∈ R, ∀ i = 1, .., n}.
n f ois
Pour n = 3, on définit R3 = R × R × R, les éléments de R3 sont les triplets (x, y, z).
→
− →− → −
Dans l’espace muni d’un repère (O, i , j , k ), on identifie le triplet (x, y, z) ∈ R3 au
−−→
vecteur OM tel que M a pour coordonnées cartésiennes (x, y, z). Les éléments de R3 sont
donc identifiés aux vecteurs dans l’espace à trois dimension.
1.2 Calcul dans Rn

1.2.1 Addition
Soient X = (x1 , ..., xn ), Y = (y1 , ..., yn ) ∈ Rn , on définit la somme de X et Y de la
manière suivante :
Définition 1.2.1 La somme de X et Y , notée X +Y est un élément de Rn , définit par
X +Y = (x1 , ..., xn ) + (y1 , ..., yn ),

= (x1 + y1 , ..., xn + yn ).
Exemple 1.2 Dans R2 , soient les deux couples X = (2, 4), Y = (−5, 1) , alors
X +Y = (2, 4) + (−5, 1),
= (−3, 5).
On peut généraliser cette opération à plusieurs éléments :
(7, −2) + (0, 6) + (−4, 9) = (7 + 0 − 4, −2 + 6 + 9)

= (3, 13).
Dans R3 , considérons les deux triplets X = (1, 12, 7), Y = (8, −6, 0) , alors
X +Y = (1, 12, 7) + (8, −6, 0),
= (9, 6, 7).
De même, on peut généraliser cette opération à plusieurs éléments
(13, −2, 2) + (−3, 2, 4) + (5, 0, −1) = (13 − 3 + 5, −2 + 2 + 0, 2 + 4 − 1),
= (15, 0, 5).

1.2.2 Multiplication par un réel

Soient X = (x1 , ..., xn ) ∈ Rn , λ ∈ R, on peut définir la multiplication de X par le
scalaire (réel) λ comme suit :
Définition 1.2.2 La multiplication de X par λ , notée λ .X est un élément de Rn , définit
par
λ .X = λ .(x1 , ..., xn ),
= (λ x1 , ..., λ xn ).
Exemple 1.3 Dans R2 , soient le couple X = (1, −7) et λ = 3 , alors

λ .X = 3.(1, −7),
= (3, −21).
Dans R3 , considérons le triplet X = (1, 12, 7), λ = −2 , alors
λ .X = −2(1, 12, −7),
= (−2, −24, 14).

Remarque 1.2.1 Nous verrons dans le chapitre 2, que ces deux opérations ont des pro-
priétés très importantes qui vont conduire à définir la notion d’espace vectoriel.
1.3 Applications 9
1.3 Applications
1.3.1 Définitions
Soient E et F deux ensembles.
Définition 1.3.1 Une application f de E dans F est une relation qui met en corres-
pondance tout élément de E avec un élément unique de F.
Si l’application f associe à l’élément de x de E l’élément y de F, on écrit :
f :E −→ F
x 7−→ y = f (x)
y est appelé l’image de x et x l’antécédent de y.

Exemple 1.4
f est une application f n’est pas une application
1.3.2 Image d’une application

Soient f une application de E dans F, A une partie de E, et B une partie de F.
Définition 1.3.2 On appelle image de A par f , le sous-ensemble de F défini par :
f (A) = {y ∈ F|∃x ∈ A : y = f (x)}.
Si A = E, on note f (E) = Im f .
On a aussi :
f (A) = { f (x) ∈ F|x ∈ A}.
1.3.3 Image réciproque d’une application

Définition 1.3.3 On appelle image réciproque de B par f , le sous-ensemble de E
défini par :
f −1 (B) = {x ∈ E| f (x) ∈ B}.
Si B = F, on a f −1 (F) = E.
F IGURE 1.1 – Illustration de l’Image d’une application f
1.4 Injection, Surjection, Bijection

Soient E et F deux ensembles et f une application de E dans F.
Définition 1.4.1 f est dite injective si tout élément de F est l’image d’un élément au
plus de E.
Exemple 1.5
f est une application injective f n’est pas une application injective
Proposition 1.4.1 f est injective si et seulment si :
∀(x, y) ∈ E × E, f (x) = f (y) =⇒ x = y.
Autrement dit, pour α ∈ F donné, l’équation
f (x) = α
admet au plus une solution dans E.
Définition 1.4.2 f est dite surjective si tout élément de F est l’image d’un élément au
moins de E.
Exemple 1.6
1.4 Injection, Surjection, Bijection 11
f est une application sujective f n’est pas une application sujective
Proposition 1.4.2 f est surjective si et seulment si :
f (E) = F.
Autrement dit, pour α ∈ F donné, l’équation
f (x) = α
admet au moins une solution dans E.

Définition 1.4.3 f est dite bijective si elle est à la fois injective et surjective.
Autrement dit, f est bijective de E dans F lorsque tout élément de F admet un et un seul
antécédent dans E :
∀y ∈ F, ∃!x ∈ E : y = f (x).
Définition 1.4.4 Soit f une application bijective de E dans F.

Pour tout y de F il existe un et un seul x de E tel que y = f (x). En posant x = f −1 (y),
nous définissons une application réciproque (elle aussi bijective) de F dans E et notée
f −1 .
∀(x, y) ∈ E × F : y = f (x) ⇐⇒ x = f −1 (y).
Proposition 1.4.3 Soit f une application bijective de E dans F, alors :
f −1 o f = idE et f o f −1 = idF .
Exemple 1.7
Illustration d’une application bijective

Illustration d’une application réciproque
1.5 Lois de composition

1.5.1 Loi de composition interne (l.c.i)
Définition 1.5.1 Soit E un ensemble. Une loi de composition interne sur E est une
application de E × E dans E. Si on la note
? : E ×E → E
(a, b) 7→ a ? b
on dit que a ? b est le composé de a et b pour la loi ?.
Exemple 1.8
— Sur E = Z, l’addition définie par
+ : Z×Z → Z
(a, b) 7→ a + b
la multiplication
× : Z×Z → Z
(a, b) 7→ a × b
sont des lois de composition internes.

— Sur E = R2 , l’addition
E ×E → E
((x, y), (x0 , y0 )) 7→ (x + x0 , y + y0 )
est une loi interne.
— La multiplication par un scalaire

R×E → E
(λ , (x, y)) 7→ (λ x, λ y)
n’est pas une loi interne, car son ensemble de départ n’est pas E × E.
1.5 Lois de composition 13
Définition 1.5.2 Soit ? une l.c.i sur un ensemble E. On dit que
— la loi ? est commutative si pour tous les éléments x, y de E, on a
x ? y = y ? x.
— la loi ? est associative si pour tous les éléments x, y, z de E, on a
(x ? y) ? z = x ? (y ? z).
1.5.2 Loi de composition externe (l.c.e)

Définition 1.5.3 On appelle loi de composition externe sur E et à opérateurs dans R
une application de R × E dans E.
Une loi de composition externe est notée multiplicativement : si λ ∈ R et x ∈ E, le

composé de λ et x se note λ × x :
× : R×E → E
(λ , x) 7→ λ × x
Exemple 1.9 Soit E = R2 . L’application qui à λ de R et x = (x1 , x2 ) de R2 associe

λ × x = (λ × x1 , λ × x2 ) est une loi de composition externe.
Définition 1.5.4 On dit qu’un élément e de E est neutre pour la loi ? si :
∀x ∈ E, x ? e = e ? x = x.
Exemple 1.10
— 0 est un élément neutre de (N, +), (Z, +) et (R, +).
— 1 est élément neutre de (N, ×), (Z, ×) et (R, ×).

Définition 1.5.5 Soit E un ensemble muni d’une l.c.i ? admettant un élément neutre
e ∈ E. Soit deux éléments x et x0 de E.
Si x ? x0 = x0 ? x = e, x0 est dit élément symétrique de x.
Exemple 1.11
— Tout nombre réel x possède un symétrique pour l’addition, noté −x.
1
— Tout nombre réel non nul possède un symétrique pour la multiplication, noté .
x

1.5.3 Groupe abélien

Définition 1.5.6 Un groupe est un ensemble G, muni d’une l.c.i notée ?, vérifiant les
propriétés :
1. associative : ∀x, y, z ∈ G (x ? y) ? z = x ? (y ? z),
2. elle admet un élément neutre : ∃e ∈ G, ∀x ∈ G x ? e = e ? x = x,
0
3. tout élément est symétrique : ∀x ∈ G, ∃x ∈ G x ? x0 = x0 ? x = e.
Si de plus la loi ? est commutative, le groupe est dit commutatif (on dit aussi abélien).
Exemple 1.12
— (Z, +), (Q, +), (R, +) sont des groupes abéliens.
— (Q∗ , ×), (R∗ , ×) sont des groupes abéliens.
— (Q, ×), (R, ×) ne sont pas des groupes.
— (N, +), (Z∗ , ×) ne sont pas des groupes.

2. Espaces vectoriels sur R
2.1 Définition et propriétés

Un espace vectoriel est un ensemble d’objets (appelés vecteurs) que l’on sait additionner
et multiplier par un réel.
Définition 2.1.1 Soit E un ensemble muni d’une l.c.i notée + et d’une l.c.e notée ·
(dot). On dit que (E, +, ·) est un R-espace vectoriel ssi :
1. (E, +) est un groupe abélien
(a) ∀(x, y, z) ∈ E 3 , (x + y) + z = x + (y + z) (Associativité)
(b) ∃0E ∈ E tel que ∀x ∈ E, x + 0E = 0E + x = x (0E Elément neutre)
(c) ∀x ∈ E, ∃y ∈ E : x + y = y + x = 0E (on notera y = −x : Opposé)
(d) ∀(x, y) ∈ E 2 , x + y = y + x. (Commutativité)
2. l’opération · est une loi de composition externe telle que :
(a) ∀(λ , µ) ∈ R2 , ∀x ∈ E, λ · (µ · x) = (λ µ) · x
(b) ∀x ∈ E, 1 · x = x
(c) ∀(λ , µ) ∈ R2 , ∀x ∈ E, (λ + µ) · x = λ · x + µ · x
(d) ∀λ ∈ R, ∀(x, y) ∈ E 2 , λ · (x + y) = λ · x + λ · y
Les éléments de E sont appelés vecteurs et ceux de R sont appelés scalaires.

Exemple 2.1
— R : ensemble des réels.
— Rn : ensemble des n−uplets de réels, notation : (x1 , x2 , . . . , xn ).
— RN : l’ensemble des suites réelles.

Proposition 2.1.1 Soit un espace vectoriel E. Alors on a les propriétés suivantes

1. ∀λ ∈ R, ∀u ∈ E : λ u = 0 =⇒ λ = 0 ou u = 0
16 Chapitre 2. Espaces vectoriels sur R
2. ∀λ ∈ R, ∀(u, v) ∈ E 2 : λ (u − v) = λ u − λ v
3. ∀(λ , µ) ∈ R2 , ∀u ∈ E : (λ − µ)u = λ u − µu
Une vérification essentielle : Un espace vectoriel contient toujours l’élément 0.

Exercice 2.1 Déterminer si les ensembles :
E = {(x, y) ∈ R2 , 0 < x < 1, 0 < y < 1},
F = {(x, y) ∈ R2 , 0 ≤ x ≤ 1, 0 ≤ y ≤ 1},
sont des espaces vectoriels.
E n’est pas un espace vectoriel car (0, 0) ∈

/ E.
F n’est pas un espace vectoriel car (0.2, 0.7) ∈ F et (0.2, 0.6) ∈ F, mais
(0.2, 0.7) + (0.2, 0.6) = (0.4, 1.3) ∈
/ F.
2.2 Sous-espace vectoriel sur R

Définition 2.2.1 Soit E un R-espace vectoriel et F un sous-ensemble de E. On dit que
F est un sous-espace vectoriel de E ssi F vérifie :
1. F est non vide (F 6= ∅),
2. pour tout couple (x, y) d’éléments de F, x + y est un élément de F,
3. pour tout élément x de F et tout réel λ , λ x est un élément de F.
Définition 2.2.2 — Stabilité par combinaisons linéaires. Soient u, v ∈ F, soient

λ , µ ∈ R, F est un sous-espace vectoriel de E ssi λ u + µv ∈ F
Exemple 2.2
— {0} et E sont des sous-espaces vectoriels de E. Ils sont appelés sous-espaces tri-
viaux.
— {0} × R est un sous-espace vectoriel de R2 .
— Considérons dans R2 les deux parties :
A = {(x, 0) ∈ R2 |x ∈ R} et B = {(0, y) ∈ R2 |y ∈ R}
A et B sont deux sous-espaces vectoriels de R2 .
— Une droite qui passe par l’origine est un s.e.v de R2 .
— Un plan qui passe par l’origine est un s.e.v de R3 .

Proposition 2.2.1 Si A et B sont deux s.e.v de E alors A ∩ B est un s.e.v de E.
Remarque 2.2.2 La réunion de deux s.e.v peut ne pas être un s.e.v.

En effet, considérons dans R2 les deux parties :
A = {(x, 0) ∈ R2 |x ∈ R} et B = {(0, y) ∈ R2 |y ∈ R}
2.3 Familles et combinaisons linéaires 17
On a (1, 0) ∈ A ∪ B et (0, 1) ∈ A ∪ B mais (1, 0) + (0, 1) = (1, 1) ∈

/ A∪B
Théorème 2.2.3 Tout sous espace vectoriel de E est un espace vectoriel.
Exercice 2.2 Déterminer si l’ensemble
F = {(x, y, z,t) ∈ R4 ; x = y = 2z = 4t}
est un espace vectoriel.
F 6= ∅ car (0, 0, 0, 0) ∈ F.
Soient X = (x, y, z,t) et X 0 = (x0 , y0 , z0 ,t 0 ) deux éléments de F. Alors
X + X 0 = (x + x0 , y + y0 , z + z0 ,t + t 0 )
est aussi élément de F. En effet, x + x0 = y + y0 = 2z + 2z0 = 2(z + z0 ) = 4t + 4t 0 = 4(t +t 0 ).
De même, on prouve que pour tout λ ∈ R, λ X est un élément de F. F est donc un s.e.v
de R4 . Alors F est donc un espace vectoriel.
2.3 Familles et combinaisons linéaires

Définition 2.3.1 — Famille de vecteurs. Une famille de n vecteurs d’un espace
vectoriel E est un n-uplet (v1 , v2 , . . . , vn ) où les vi sont des vecteurs de E.
Dans une famille de vecteurs l’ordre est important. On ne travaillera ici qu’avec
des familles finies de vecteurs.
Exemple 2.3
— {1, 2, 3} est une famille de 3 vecteurs de R.
— {(1, 2), (2, 3), (3, 4)} est une famille de 3 vecteurs de R2 .

Définition 2.3.2 — Combinaison linéaire. Soit (v1 , v2 , ..., vn ) une famille de vecteurs
n
d’un e.v E. On appelle combinaison linéaire des (vi )i=1...n toute somme ∑ λivi, où
i=1
pour tout i, λi est un réel.
Exemple 2.4
v1 + v2 + v3 est une combinaison linéaire de (v1 , v2 , v3 ).
2v1 − v2 + 3v3 est une autre combinaison linéaire de (v1 , v2 , v3 ).
Il existe une infinité de combinaisons linéaires.

On regroupe tous ces éléments dans un même ensemble noté : vect(v1 , v2 , v3 ) où
< v1 , v2 , v3 >.
Proposition 2.3.1 Soit (v1 , . . . , vn ) une famille de vecteurs d’un e.v E.

— Alors l’ensemble vect(v1 , . . . , vn ) est un s.e.v de E.
— On l’appelle le sous-espace engendré par la famille (v1 , . . . , vn ).
— C’est le plus petit s.e.v de E contenant les vecteurs v1 , . . . , vn .
Exercice 2.3 Le vecteur (3, −1, −3) est-il combinaison linéaire des vecteurs

(1, −1, 2), (5, −3, 1), (−2, 2, −4) ?
On cherche trois réels a, b, c tels que
(3, −1, −3) = a(1, −1, 2) + b(5, −3, 1) + c(−2, 2, −4)
⇐⇒  (3, −1, −3) = (a + 5b − 2c, −a − 3b + 2c, 2a + b − 4c)

 a + 5b − 2c = 3
b = 1 (L1 ← L1 + L2 )
⇐⇒ −a − 3b + 2c = −1 ⇐⇒
a = 2c − 2
2a + b − 4c = −3

On a donc, par exemple,
(3, −1, −3) = 4(1, −1, 2) + 1(5, −3, 1) + 3(−2, 2, −4)
et donc (3, −1, 3) est une combinaison linéaire des vecteurs ((1, −1, 2), (5, −3, 1), (−2, 2, −4)).
On remarque ici que le choix des réels a, b, c n’est pas unique.
2.4 Famille génératrice, bases et dimension

2.4.1 Famille génératrice
Définition 2.4.1 Soit E un R-espace vectoriel.
Une famille v1 , . . . , v p de vecteurs de E est dite génératrice de E ssi pour tout u ∈ E,
p
il existe (λ1 , ..., λ p ) ∈ R p tel que u = ∑ λi vi .
i=1
On a donc E = vect(v1 , ..., v p ).
Exercice 2.4 Déterminer une famille génératrice du s.e.v suivant de R3 :
F = {(x, y, z) ∈ R3 ; x + 2y − z = 0}
3
 y, z) ∈ R , On a (x, y, z)
Soit (x, ∈ F ⇐⇒ x = −2y + z
 x = −2y + z  x = −2 × y + 1 × z
⇐⇒ y = y ⇐⇒ y = 1×y+0×z
z =  z   z = 0×y + 1 ×
z
 
    
x −2 1 −2 1
⇐⇒ y = y 1 + z 0 . Posant u1 = 1
        et u2 = 0

z 0 1 0 1
On a donc F = vect(u1 , u2 ). Cette solution n’est pas unique.

F est le plan passant par l’origine et dirigé par les vecteurs (u1 , u2 ).
2.4.2 Famille libre

Définition 2.4.2 Soit E un R-espace vectoriel.
— Une famille finie (v1 , ..., v p ) de vecteurs de E est dite libre (ou les vecteurs
v1 , ..., v p sont linéairement indépendants) ssi pour tout (λ1 , ..., λ p ) ∈ R p on a :
p
∑ λivi = 0 =⇒ [λ1 = ... = λ p = 0].
i=1
— Une famille qui n’est pas libre est dite liée.
Exercice 2.5 Montrer que la famille {u1 = (0, 1, 1), u2 = (1, 0, 1), u3 = (1, 1, 0)} est
libre ?
Soient (λ1 , λ2 , λ2 ) ∈ R3 , on a l’équation λ1 u1 + λ2 u2 + λ3 u3 = 0 est équivalente suc-

cessivement aux systèmes :
        
0 λ2 λ3 0  λ2 + λ3 = 0 (L1 )
λ1  +  0  + λ3  = 0 ⇐⇒ λ1 + λ3 = 0 (L2 )
0 0 λ1 + λ2 = 0 (L3 )

λ1 λ2
 
 λ2 + λ3 = 0  λ2 + λ3 = 0
⇐⇒ λ1 + λ3 = 0 ⇐⇒ λ1 + λ3 = 0
λ1 − λ3 = 0 (L3 − L1 → L3 ) 2λ1 = 0 (L3 + L2 → L3 )
 
⇐⇒ λ1 = λ2 = λ3 = 0.
Alors, la famille {u1 , u2 , u3 } est libre.
Exemple 2.5 — Famille liée.
Soit la famille {u1 = (1, 0, 2), u2 = (0, 3, 0), u3 = (2, 9, 4)} de R3 .
Remarquons que :
         
2 2 0 1 0
u3 = 9 = 0 + 9 = 2 0 + 3 3 = 2u1 + 3u2 .
        
4 4 0 2 0
Il en résulte que : 2u1 + 3u2 − u3 = 0. Donc la famille {u1 , u2 , u3 } est liée.

Proposition 2.4.1 Soit E un espace vectoriel :

— Si on change l’ordre des vecteurs d’une famille libre, on obtient encore une
famille libre.
— Toute sous-famille d’une famille libre est une famille libre.
— Si v 6= 0 alors la famille {v} est libre.
— La famille {0} est liée.
— Si la famille {v1 , ..., v p } est libre et si W est une combinaison linéaire des
vecteurs v1 , ..., v p alors les coefficients de W sont uniques.
2.4.3 Bases et dimension

Définition 2.4.3 Soit E un e.v. On dit que la famille (e1 , ..., en ) est une base de E ssi
elle est libre et génératrice de E.
Conséquence : Si (e1 , ..., en ) est une base de E alors

— pour tout élément v ∈ E, il existe n réels a1 , · · · , an uniques tels que
v = a1 e1 + · · · + an en
— ces réels s’appellent les coordonnées du vecteur v dans la base (e1 , ..., en ).
Définition 2.4.4 On définit, pour tout entier i = 1, . . . , n , le vecteur ei de Rn par :
ei = (0, ..., 0 , 1 , 0, ..., 0)

|{z}
ième place
La famille (e1 , ..., en ) est la base canonique de Rn .
Exemple 2.6 {e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1)} est la base canonique de R3 .
Définition 2.4.5 — Dimension finie.

1. Un espace vectoriel E est dit de dimension finie si E admet une famille généra-
trice finie.
2. La dimension de E est le nombre d’éléments (cardinal) commun de toutes ses
bases. Ce nombre est noté dim E.
3. Par convention on dira que l’espace {0} est de dimension 0.
Théorème 2.4.2 Soit E un espace de dimension finie non réduit à {0}.
— Alors toutes les bases de E ont le même nombre d’éléments.

— Ce nombre est appelé dimension de l’espace vectoriel E et est noté dim E.
— Par convention on dira que l’espace {0} est de dimension 0.
Corollaire 2.4.3 Tout espace vectoriel de dimension finie, non réduit à {0} admet au
moins une base.
Par convention ∅ est une base de {0}.
Exemple 2.7 L’espace vectoriel (Rn , +, ·) est de dimension finie : dim(Rn ) = n.
Pour calculer la dimension d’un espace vectoriel donné.
On dois trouver une base et ensuite on peux dire que le nombre de

vecteurs que contient la base est la dimension que’on cherche.
Exercice 2.6 Soit l’e.v F = {(x, y, z) ∈ R3 | x + 2y − z = 0.} Calculer dim(F)?
Soit u = (x, y, z) ∈ F
       
x −2y + z −2y z
On a : u ∈ F ⇐⇒ y =    y  =  y  + 0

z z 0 z
   
−2 1
⇐⇒ u = y 1 + z 0 = yu1 + zu2
  
0 1
⇐⇒ F = vect(u1 , u2 ). Donc la famille B = {u1 , u2 } est génératrice de F.
Comme B est libre : 
 −2λ1 + λ2 = 0
ie : λ1 u1 + λ2 u2 = 0 =⇒ λ1 = 0 =⇒ λ1 = λ2 = 0,
λ2 = 0

on déduit que B est une base de F. Donc dim F = 2.
Proposition 2.4.4 Soit E un espace de dimension finie n (dim E = n)

1. Toute famille libre de n vecteurs est une base de E
2. Toute famille génératrice de n vecteurs est une base de E
3. Toute famille libre possède au plus n vecteurs.
4. Toute famille génératrice possède au moins n vecteurs.
Soit F un sous espace vectoriel de E, alors

1. dim F ≤ dim E
2. dim F = dim E ⇐⇒ E = F.
Si on connais déjà la dimension n de E :
1. Si on donne une famille de strictement plus ou strictement moins de
n vecteurs que n alors cette famille n’est pas une base de E.
2. Si on donne une famille comprenant n vecteurs et qu’on dois démontrer que
c’est une base on peux montrer que cette famille est libre ou génératrice.
La phrase suivante est entièrement fausse :

— Comme dim E = n et que la famille (v1 , · · · , vn ) contient n vecteurs, cette
famille est génératrice, libre ou une base !
Exercice 2.7 Les familles suivantes forment-elles des bases de R3 ?

1. B1 = {(1, −1, 0), (2, −1, 2)}
2. B2 = {(1, 1, 3), (3, 4, 5), (−2, 5, 7), (8, −1, 9)}
3. B3 = {(1, 2, 3), (0, −1, 3), (−2, 0, 5)}

1. B1 est une famille à 2 éléments dans R3 (un espace de dimension 3). Ce n’est pas
une base de R3 .
2. De même, B2 à 4 éléments ne peut pas être une base de R3 .
3. B3 est une famille à 3 éléments, il suffit de montrer qu’elle est libre.
Soient u1 = (1, 2, 3), u2 = (0,−1, = (−2,
3), u3   0, 5).
On a:  
1 0 −2 0
λ1 u1 + λ2 u2 + λ3 u3 = 0 ⇐⇒ λ1 2 + λ2 −1 + λ3 0 = 0
      
3 3 5 0
 
 λ1 − 2λ3 = 0  λ1 = 2λ3
=⇒ 2λ1 − λ2 = 0 =⇒ λ2 = 2λ1 = 4λ3 =⇒ λ1 = λ2 = λ3 = 0
3λ1 + 3λ2 + 5λ3 = 0 23λ3 = 0 =⇒ λ3 = 0
 
On déduit que la famille B est libre donc elle constitue une base de R3 .
2.5 Exercices 23
2.5 Exercices
Exercice 2.1 Parmi les ensembles suivants, lesquels sont, ou ne sont pas, des sous-espaces
vectoriels ?
1. E1 = {(x, y, z) ∈ R3 ; x + y + 3z = 0} ;
2. E3 = {(x, y, z,t) ∈ R4 ; x = y = 2z = 4t} ;
3. E4 = {(x, y) ∈ R2 ; xy = 0} ;
4. E5 = {(x, y) ∈ R2 ; x ≥ 0} ;
5. R2 × {0} ;
6. R2 × {0, 1}.
Exercice 2.2 Les vecteurs u suivants sont-ils combinaison linéaire des vecteurs ui ?
1. u = (1, 2) ; u1 = (1, −2), u2 = (2, 3).
2. u = (2, 5, 3) ; u1 = (1, 3, 2), u2 = (1, −1, 4).
3. u = (3, 1, m) ; u1 = (1, 3, 2), u2 = (1, −1, 4) (discuter suivant la valeur de m).
Exercice 2.3
1. Soit la famille S = {a = (1, 0, 0), b = (0, 1, 0), c = (2, 5, 0)}.
S est-elle libre ? génératrice de l’espace R3 ?
2. Considérons les vecteurs u = (1, 4, −3), v = (−4, −4, 8) et w = (−3, 0, 5).
La famille {u, v, w} est-elle libre ? génératrice de R3 ?
Exercice 2.4 On considère la famille de R3 ,
B = {u1 = (1, 2, 1), u2 = (2, 1, 3), u3 = (1, 1, 2)}.
1. Quelle est l’ordre de S ?

2. Quelle le rang de S ? Que peut-on déduire ?
3. Ecrire le vecteur v = (6, 7, 8) dans la base B.
4. On note t1 = (1, 0, 0), t2 = (1, 1, 0) et t3 = (1, 1, 1). Montrer que la famille B1 =
{t1 ,t2 ,t3 } est libre.
5. Que peut-on en conclure ?
6. Déterminer les coordonnées de tout vecteur w = (x, y, z) de R3 dans la base B1 .
7. En déduire les coordonnées du vecteur v dans la base B1
Exercice 2.5 On considère le sous ensemble de R3 défini par
P = {(x, y, z) ∈ R3 ; 2x + 3y − z = 0}.
1. Montrer que P est un sev de R3 .

2. Montrer que B = {u1 = (1, 0, 2), u2 = (0, 1, 3)} est une famille libre de P.
3. Montrer que P = vect{u1 , u2 }.
4. En déduire une base de P.
5. Quelles sont les coordonnées de tout vecteur v = (x, y, z) de P dans la base B ?
3. Applications linéaires
3.1 Définitions et propriétés

Définition 3.1.1 Soit E et F deux R-espaces vectoriels et f une application de E vers
F. On dit que f est une application linéaire ou encore un morphisme de E dans F
ssi :
1. ∀(u, v) ∈ E 2 , f (u + v) = f (u) + f (v)
2. ∀u ∈ E, ∀λ ∈ R, f (λ u) = λ f (u)
On note L (E, F) l’ensemble des applications linéaires de E dans F.
Définition 3.1.2 — Endomorphisme. Un endomorphisme de E est une application

linéaire f de E dans E.
Proposition 3.1.1 Soient E et F deux espaces vectoriels. f est une application linéaire
de E dans F ssi :
∀(u, v) ∈ E 2 , ∀(λ , µ) ∈ R2 , f (λ u + µv) = λ f (u) + µ f (v)
Soit f une application linéaire de E dans F, alors :

1. ∀(u, v) ∈ E 2 , ∀(λ , µ) ∈ R2 ,
f (λ u + µv) = λ f (u) + µ f (v)
2. f (0E ) = 0F
3. ∀u ∈ E, f (−u) = − f (u)
Exemple 3.1
1. f1 : R → R définie par f1 (x) = ax, a ∈ R, ( f1 est un endomorphisme de R)

26 Chapitre 3. Applications linéaires
2. f2 : R2 → R définie par f2 (x, y) = x + y , ( f2 est une forme linéaire)

3. f3 : R2 → R2 définie par f3 (x, y) = (2x, x − y), ( f2 est un endomorphisme de R2 )

3.2 Image, noyau et rang

3.2.1 Image et noyau d’une application linéaire
Soient E et F deux espaces vectoriels et f ∈ L (E, F).
Définition 3.2.1 — Im f . On appelle image de l’application linéaire f , et on note
Im( f ), l’ensemble suivant :
Im( f ) = { f (u) | u ∈ E}
Définition 3.2.2 — ker f . On appelle noyau de l’application linéaire f , et on note

ker( f ), l’ensemble suivant :
ker( f ) = {u ∈ E | f (u) = 0F }
Exercice 3.1 Soit f : R2 → R2 l’application linéaire définie par
f (x, y) = (x + y, x − y).
Déterminer le noyau et l’image de f .
Commençons par déterminer le noyau de f .
(x, y) ∈ ker f ⇐⇒ f (x, y) = (0, 0)

x+y = 0 x+y = 0
⇐⇒ ⇐⇒ ⇐⇒ (x, y) = (0, 0)
x−y = 0 2x = 0
On en déduit que ker( f ) = {(0, 0)}.
Déterminons maintenant l’image de f.
(u, v) ∈ Im( f ) ⇐⇒ ∃(x, y) ∈ R2 , (u, v) = f (x, y)

2 u = x+y
⇐⇒ ∃(x, y) ∈ R ,
v = x−y

u = x+y
⇐⇒ ∃(x, y) ∈ R2 ,
u + v = 2x
u−v
2 2 = y
⇐⇒ ∃(x, y) ∈ R , u+v
2 = x

u+v u−v
⇐⇒ (x, y) = , .
2 2
Donc pour n’importe quel (u, v) ∈ R2 on trouve un antécédent (x, y) = ( u+v u−v
2 , 2 ) qui
vérifie donc f (x, y) = (u, v). D’où Im f = R2 .
3.2 Image, noyau et rang 27
Théorème 3.2.1 Soient :

1. E un espace vectoriel de dimension finie n
2. F un espace vectoriel quelconque
3. (e1 , · · · , en ) une base de E
4. f ∈L (E, F)
Alors f (e1 ), · · · , f (en ) est une famille génératrice de Im f
c’est-à-dire :
Im f = vect{ f (e1 ), · · · , f (en )}.
f (x, y) = (x + y, x − y).
Déterminer une base de Im( f ).

1 0
On note e1 = , e2 = la base canonique de R2 .
0 1
D’après le théorème précédent,
Im f = vect( f (e1 ), f (e2 ))
Or
1 1
f (e1 ) = = f1 , f (e2 ) = = f2
1 −1
Ainsi, la famille génératrice trouvée { f1 , f2 } est libre (ie : f1 et f2 ne sont pas propor-
tionnels) ; Alors la famille { f1 , f2 } est une base de Im f et donc dim(Im f ) = 2.
3.2.2 Rang d’une application linéaire

Définition 3.2.3 On appelle rang de f la dimension de l’image de f : rang( f ) = dim(Im f )
Théorème 3.2.2 — Théorème du rang. Soit f ∈ L (E, F), avec E espace vectoriel
de dimension finie et F espace vectoriel quelconque. Alors on a l’égalité suivante :
dim E = dim(Ker f ) + rang f
Proposition 3.2.3 Soit f ∈ L (E, F). Alors

1. f est injective ⇔ Ker f = {0E }
2. f est surjective ⇔ Im f = F
Théorème 3.2.4 Soit f ∈ L (E, F). Si f est bijective (isomorphisme), alors

1. Si B = {e1 , e2 , . . . , en } est une base de E, alors B0 = { f (e1 ), f (e2 ), . . . , f (en )} est
une base de F.
2. dim E = dim F
28 Chapitre 3. Applications linéaires
Corollaire 3.2.5 Soit f ∈ L (E, F). alors :

1. rang f = dim E ⇐⇒ f injective
2. rang f = dim F ⇐⇒ f surjective
3. rang f = dim E = dim F ⇐⇒ f bijective (isomrphisme)
4. Si dim E = dim F, alors
f injective ⇐⇒ f surjective ⇐⇒ f bijective
f (x, y) = (x + y, x − y).
f est elle injective, surjective, bijective ?

0
On a : ker f = =⇒ f est injective
0
D’après le théorème du rang, on a :
rang f = dim R2 − dim(ker f ) = 2 − 0 = 2
Donc Im f = R2 car Im f est un s.e.v de R2 =⇒ f est surjective

Alors f est bijective. f est appellée automorphisme de R2 .
3.3 Exercices 29
3.3 Exercices
Exercice 3.1 Dire si les applications suivantes sont des applications linéaires :
1. f (x, y, z) = (2x − y + z, x − z).
2. f (x, y) = (x + y, x − 2y, 0).
3. g(x, y) = (x + y, x − 2y, 1).
4. h(x, y) = x2 − y2 .
Exercice 3.2 Soit f l’application linéaire définie par
f (x, y, z,t) = (x − y + t, −x − y − 4z, x + 2z + t)
1. Déterminer une base de Ker( f ).

2. Déterminer dim(Im( f )). En déduire une base de Im( f ).
Exercice 3.3 Soit f une application linéaire définie par
f (x, y, z) = 2x − y + 3z.
1. Décrire Ker( f ).
2. Démontrer que Ker( f ) = vect{(1, 2, 0), (0, 3, 1)}.
3. Donner une base de Ker( f ) et en déduire sa dimension.
4. Quelle est le rang de f , rg( f ).
Exercice 3.4
Déterminer parmi les applications linéaires suivantes les quelles sont des endomorphismes,
des automorphismes, des applications injectives et des applications surjectives :
1. f (x, y) = (3x + y, x − y).
1
2. f (x, y) = (3x + y, x + y).
3
3. f (x, y, z) = (x + 2y − z, x − z)
4. f (x, y) = (x + y, x − y, 2x + y) ;
5. f (x, y, z) = (x + 2y + z, 4x − z, −x + 2y + 2z)
6. Pour chaque application ci-dessus, déterminer le rg( f ).
4. Matrices
4.1 Définitions
Définition 4.1.1
— Une matrice A est un tableau d’éléments de R.
— Elle est dite de taille n × p si le tableau possède n lignes et p colonnes.
— Le coefficient situé à la ième ligne et à la jème colonne est noté ai, j .
Définition 4.1.2
— Deux matrices sont égales lorsqu’elles ont la même taille et que les coefficients
correspondants sont égaux.
— L’ensemble des matrices à n lignes et p colonnes à coefficients dans R est noté
Mn,p (R).
Un tel tableau est représenté de la manière suivante :

 
a1,1 a1,2 . . . a1, j . . . a1,p
a2,1 a2,2 . . . a2, j . . . a2,p 
 
 ... ... ... ... ... ... 
A=  ai,1 ai,2 . . . ai, j . . .

 ai,p 

 ... ... ... ... ... ... 
an,1 an,2 . . . an, j . . . an,p
ou
A = ai, j 1≤i≤n .
1≤ j≤p
Exemple 4.1
1 −2 5
A=
0 3 7
est une matrice 2 × 3 avec, par exemple, a1,1 = 1 et a2,3 = 7.
32 Chapitre 4. Matrices
4.2 Matrices particulières

— Si n = p, la matrice est dite matrice carrée.
 
a1,1 a1,2 . . . a1,n
a2,1 a2,2
 . . . a2,n 

 .. .. ... .. 
 . . . 
an,1 an,2 . . . an,n
Les éléments a1,1 , a2,2 , . . . , an,n forment la diagonale principale de la matrice.

— Une matrice qui n’a qu’une seule ligne (n = 1) est appelée matrice ligne. On la note

A = a1,1 a1,2 . . . a1,p .
— De même, une matrice qui n’a qu’une seule colonne (p = 1) est appelée matrice
colonne. On la note  
a1,1
a2,1 
A =  ..  .
 
 .
an,1
— La matrice (de taille n × p) dont tous les coefficients sont des zéros est appelée la
matrice nulle et est notée 0n,p ou plus simplement 0. Dans le calcul matriciel, la
matrice nulle joue le rôle du nombre 0 pour les réels.
— La matrice carrée suivante s’appelle la matrice identité :
 
1 0 ... 0
 0 1 ... 0 
In = 
 
.... . . .. 
 . . . . 
0 0 ... 1
Ses éléments diagonaux sont égaux à 1 et tous ses autres éléments sont égaux à 0.
Elle se note In ou simplement I. Dans le calcul matriciel, la matrice identité joue un
rôle analogue à celui du nombre 1 pour les réels.
4.3 Matrices triangulaires et matrices diagonales

Une matrice triangulaire inférieure a la forme suivante :
a11 0 · · · 0
 
. . 
a21 a22 . . .. 

L= . .. . .
 ..

. . 0
an1 an2 · · · ann
Autrement dit :
i < j =⇒ ai j = 0.
Une matrice triangulaire supérieure a la forme suivante :

 
a11 a12 . . . a1n
 0 a22 . . . a2n 
U =  ..
 
 . . . . . . . .. 
. 
0 . . . 0 ann
Autrement dit :
i > j =⇒ ai j = 0.
Une matrice qui est triangulaire inférieure et triangulaire supérieure est dite diago-
nale.  
a11 0 . . . 0
. . 
 0 a22 . . .. 

D= . .. ..
 ..

. . 0
0 . . . 0 ann
Autrement dit :
i 6= j =⇒ ai j = 0.
Exemple 4.2
Matrice 
triangulaire 
inférieure Matrice triangulaire supérieure Matrice
 diagonale

4 0 0 1 0 0
0 −1 0 5 1 0 −1 0
0 −2
3 −2 3 0 0 2

4.4 Opérations sur les matrices

Définition 4.4.1 — Somme de deux matrices. Soient A et B deux matrices ayant la
même taille n × p. Leur somme C = A + B est la matrice de taille n × p définie par
ci j = ai j + bi j .
En d’autres termes, on somme coefficient par coefficient. Remarque : on note indiffé-

remment ai j où ai, j pour les coefficients de la matrice A.

3 −2 0 5
Exemple 4.3 Soient A = et B=
1 7 2 −1
Alors
3 + 0 −2 + 5 3 3
A+B = = .
1+2 7−1 3 6

0 −2
Par contre si B = alors A + B0 n’est pas définie.
8

     
−7 2 1 2 3 21 −6
Exercice 4.1 Soient A =  0 −1, B = 2 3 1, C =  0 3 .
1 −4 3 2 1 −3 12
Calculer toutes les somme possibles de deux de ces matrices.
Seule la sommes A +C est possible.

     
−7 2 21 −6 14 −4
A +C =  0 −1 +  0 3 = 0 2
1 −4 −3 12 −2 8
4.4.1 Produit d’une matrice par un scalaire

— Produit d’une matrice par un scalaire. Le produit
Définition 4.4.2 d’une ma-
trice A = ai j de Mn,p (R) par un scalaire α ∈ R est la matrice αai j formée en
multipliant chaque coefficient de A par α. Elle est notée α · A (ou simplement αA).
Exemple 4.4

1 2 3 2 4 6
Si A= et α =2 alors αA = .
0 1 0 0 2 0

— La matrice (−1)A est l’opposée de A et est notée −A.

— La différence A − B est définie par A + (−B).
Proposition 4.4.1 Soient A, B et C trois matrices appartenant à Mn,p (R). Soient α ∈ R

et β ∈ R deux scalaires.
1. A + B = B + A : la somme est commutative,
2. A + (B +C) = (A + B) +C : la somme est associative,
3. A + 0 = A : la matrice nulle est l’élément neutre de l’addition,
4. (α + β )A = αA + β A,
5. α(A + B) = αA + αB.
Le produit AB de deux matrices A et B est défini si et seulement si le

nombre de colonnes de A est égal au nombre de lignes de B.
4.4.2 Produit de deux matrices

Définition 4.4.3 Soient A = (ai j ) une matrice n × p et B = (bi j ) une matrice p × q.
Alors le produit C = AB est une matrice n × q dont les coefficients ci j sont définis par :
p
ci j = ∑ aik bk j
k=1
de façon plus développée
ci j = ai1 b1 j + ai2 b2 j + · · · + aik bk j + · · · + aip b p j .

Calculer le coefficient ci j dans le produit A × B revient donc à calculer le produit
scalaire de la i-ème ligne de A et la j-ème colonne de B.
Il est commode de disposer les calculs de la façon suivante.
 
×

 × 
 ←B
 × 
   × 
|
   | 
A→  
× × × × − − − ci j
 ← AB

Avec cette disposition, on considère d’abord la ligne de la matrice A située à gauche du

coefficient que l’on veut calculer (ligne représentée par des × dans A) et aussi la colonne
de la matrice B située au-dessus du coefficient que l’on veut calculer (colonne représentée
par des × dans B). On calcule le produit du premier coefficient de la ligne par le premier
coefficient de la colonne (ai1 × b1 j ), que l’on ajoute au produit du deuxième coefficient de
la ligne par le deuxième coefficient de la colonne (ai2 × b2 j ), que l’on ajoute au produit du
troisième. . .
Exercice 4.2 Calculer le produit des deux matrices :
 
1 2
1 2 3
A= , B = −1 1
2 3 4
1 1

c11 c12
On dispose d’abord le produit correctement : la matrice obtenue est de
c21 c22
taille 2 × 2.  
1 2
N
−1 1 ←− 3 × 2
1 1

1 2 3 c11 c12
2 × 3 −→ ←− 2 × 2
2 3 4 c21 c22
avec
c11 = (1 × 1) + (2 × (−1)) + (3 × 1) = 2
c12 = (1 × 2) + (2 × 1) + (3 × 1) = 7
c21 = 2 × 1 + 3 × (−1) + 4 × 1 = 3
c22 = 2 × 2 + 3 × 4 + 4 × 1 = 11
Un exemple intéressant est le produit d’un vecteur ligne par un vecteur colonne :
 
v1
v2 
u = u1 u2 · · · un v =  .. 
 
.
vn
Alors u.v est une matrice de taille 1 × 1 dont l’unique coefficient est
u1 v1 + u2 v2 + · · · + un vn
Ce nombre s’appelle le produit scalaire des vecteurs u et v.
Calculer le coefficient ci j dans le produit A × B revient donc à calculer le produit

scalaire de la i-ème ligne de A et la j-ème colonne de B.
Pièges à éviter :
1- Le produit de matrices n’est pas commutatif en général.
AB 6= BA
Exemple 4.5 On a

5 1 2 0 14 3
=
3 −2 4 3 −2 −6
mais
2 0 5 1 10 2
= .
4 3 3 −2 29 −2

2- AB = 0 n’implique pas A = 0 ou B = 0.
On peut avoir A 6= 0 et B 6= 0 mais AB = 0.
Exemple 4.6

0 −1 2 −3 0 0
A= B= et AB = .
0 5 0 0 0 0

3- AB = AC n’implique pas B = C.
On peut avoir AB = AC et B 6= C.
Exemple 4.7

0 −1 4 −1 2 5
A= B= C=
0 3 5 4 5 4
et

−5 −4
AB = AC = .
15 12

Proposition 4.4.2
1. A(BC) = (AB)C : associativité du produit
2. A(B + C) = AB + AC et (B + C)A = BA + CA : distributivité du produit
par rapport à la somme
3. A · 0 = 0 et 0 · A = 0.
4.4.3 Puissance d’une matrice

Dans l’ensemble Mn (R) des matrices carrées de taille n × n, la multiplication des
matrices est une opération interne :
si A, B ∈ Mn (R) alors AB ∈ Mn (R).
Définition 4.4.4 Pour tout A ∈ Mn (R), on définit les puissances successives de A par
A0 = In et A p+1 = A p × A pour tout p ∈ N.
Autrement dit,
A p = |A × A ×
{z· · · × A}
p facteurs
.
 
1 0 1
Exercice 4.3 Calculer A p avec A = 0 −1 0.
0 0 2
On calcule A2 , A3 et A4 et on obtient :
   
1 0 3 1 0 7
A2 = 0 1 0 A3 = A2 × A = 0 −1 0
0 0 4 0 0 8
 
1 0 15
A4 = A3 × A = 0 1 0  .
0 0 16
L’observation de cespremières puissances permet de penser que la formule est A p =

2p − 1

1 0
0 (−1) p 0 . On peut démontrer ce résultat par récurrence.
0 0 2p
4.4.4 La transposition
Définition 4.4.5 La matrice transposée A ∈ Mm,n (R) est la matrice notée AT ∈ Mn,m (R)
, obtenue en échangeant les lignes et les colonnes de A.
Soit A la matrice de taille n × p
 
a11 a12 . . . a1p
 a21 a22 . . . a2p 
A =  .. ..  .
 
..
 . . . 
an1 an2 . . . anp
La matrice transposée de A est la matrice AT de taille p × n

 
a11 a21 . . . an1
a12 a22 . . . an2 
AT =  ..
 
.. .. 
 . . . 
a1p a2p . . . anp
Théorème 4.4.3 Soient A et B deux matrices dans Mm,n (R) et α ∈ R :

1. (A + B)T = AT + BT
2. (αA)T = αAT
3. (AT )T = A
4. (AB)T = BT AT
Exemple 4.8
 T  
1 2 3 1 4 −7
 4 5 −6 = 2 5 8
−7 8 9 3 −6 9
 
1
T
(1 − 2 5) = −2

5

4.4.5 La trace
Dans le cas d’une matrice carrée de taille n × n, les éléments a11 , a22 , . . . , ann de la
diagonale principale sont appelés les éléments diagonaux.
Définition 4.4.6 La trace de la matrice carrée A est le nombre obtenu en addition-
nant les éléments diagonaux de A. Autrement dit,
tr(A) = a11 + a22 + · · · + ann .

4.5 Matrices symétriques 39
Exemple 4.9
2 1
— Pour A = , tr(A) = 2 + 5 = 7.
0 5 
1 1 2
— Pour B =  5 2 8 , tr(B) = 1 + 2 − 10 = −7.
11 0 −10

Théorème 4.4.4 Soient A et B deux matrices carrées et α ∈ R. Alors :

1. tr(A + B) = tr(A) + tr(B),
2. tr(αA) = α tr(A) pour tout α ∈ R,
3. tr(AT ) = tr(A),
4. tr(AB) = tr(BA).
4.5 Matrices symétriques

Définition 4.5.1 Une matrice A de taille n × n est symétrique si elle est égale à sa
transposée, c’est-à-dire si
A = AT ,
ou encore si ai j = a ji pour tout i, j = 1, . . . , n.
Les coefficients sont donc symétriques par rapport à la diagonale.
Exemple 4.10 Les matrices suivantes sont symétriques :

 
−1 0 5
0 2 0 2 −1
2 4
5 −1 0

4.6 Matrices antisymétriques

Définition 4.6.1 Une matrice A de taille n × n est antisymetrique si
AT = −A,
c’est-à-dire si ai j = −a ji pour tout i, j = 1, . . . , n.
Exemple 4.11  
0 4 2
0 −1 −4 0 −5
1 0
−2 5 0

Remarquons que les éléments diagonaux d’une matrice antisymétrique sont toujours
tous nuls.
Exemple 4.12 Toute matrice est la somme d’une matrice symétrique et d’une matrice
antisymétrique.
Preuve : Soit A une matrice. Définissons B = 21 (A + AT ) et C = 12 (A − AT ). Alors d’une

part A = B +C ; d’autre part B est symétrique, car BT = 12 (AT + (AT )T ) = 12 (AT + A) = B ;
et enfin C est antisymétrique, car CT = 12 (AT − (AT )T ) = −C.
Exemple :

2 10 2 9 0 1
Pour A = alors A = + .
8 −3 9 −3 −1 0
| {z } | {z }
symétrique antisymétrique
4.7 Inverse d’une matrice

4.7.1 Définition
Définition 4.7.1 Soit A une matrice carrée de taille n × n. A est dite inversible s’il
existe une matrice carrée B de taille n × n telle que
AB = In et BA = In
On appelle B l’inverse de A et on la note A−1 .
— Plus généralement, quand A est inversible, pour tout p ∈ N, on note :
A−p = (A−1 ) p = A −1 −1 −1
| A {z· · · A } .
p facteurs
— L’ensemble des matrices inversibles de Mn (R) est noté GLn (R).

Exercice 4.4 Calculer l’inverse de la matrice

1 2
A=
0 3

Étudier si A est inversible, c’est étudier l’existence d’une matrice

a b
B= telle que AB = I et BA = I.
c d
Or AB = I équivaut à :

1 2 a b 1 0
AB = I ⇐⇒ =
0 3 c d 0 1
a + 2c b + 2d 1 0
⇐⇒ =
 3c 3d 0 1

 a + 2c = 1
b + 2d = 0

⇐⇒

 3c = 0
3d = 1

Sa résolution est immédiate : a = 1, b = − 32 , c = 0, d = 13 .

1 − 23

Il n’y a donc qu’une seule matrice possible, à savoir B = .
0 13
Pour prouver qu’elle convient, il faut aussi montrer l’égalité BA = I...
La matrice A est donc inversible et
1 − 23

−1
A =
0 13
.
Proposition 4.7.1 Soit A une matrice carrée de taille n × n.

— Si A est inversible, alors son inverse est unique.
— Si A est inversible, alors A−1 est aussi inversible et on a :
(A−1 )−1 = A
— Si A et B sont inversibles, alors AB est inversible et on a :
(AB)−1 = B−1 A−1
— Si A est inversible, alors sa transposée AT est inversible et on a :
(AT )−1 = (A−1 )T
4.7.2 Inverse d’une matrice 2 × 2

a b
Considérons la matrice : A = .
c d
Proposition 4.7.2 Si ad − bc 6= 0, alors A est inversible et

−1 1 d −b
A =
ad − bc −c a

1 2
Exercice 4.5 Calculer l’inverse de la matrice A =
0 3
On a (1 × 3) − (0 × 2) = 3 6= 0, la matrice A est donc inversible et

1 − 23

−1 1 3 −2
A = =
3 0 1 0 13
.
4.7.3 Méthode de Gauss pour inverser les matrices

Voici la démarche pratique de la méthode :
1. A côté de la matrice A, on rajoute la matrice identité I pour former un tableau (A|I)

2. Sur les lignes de la matrice augmentée (A|I), on effectue des opérations élémentaires
jusqu’à obtenir le tableau (I|B). Et alors B = A−1 .
La méthode consiste à faire des opérations élémentaires sur les lignes de la matrice
A jusqu’à la transformer en la matrice identité I par les étapes suivantes :
1. on rend la matrice A triangulaire −→ A1

2. on rend la matrice A1 diagonale −→ A2
3. on tranforme la matrice A2 en matrice identité −→ I
Ces opérations élémentaires sur les lignes sont :

1. Li ← λ Li avec λ ∈ R∗ : multiplier une ligne par un réel non nul.
2. Li ← Li + λ L j avec λ ∈ R∗ (et j 6= i) : ajouter à la ligne Li un multiple d’une autre
ligne L j .
3. Li ↔ L j : échanger deux lignes.
 
1 2 1
Exercice 4.6 Calculer l’inverse de A =  4 0 −1 .
−1 2 2
Voici la matrice augmentée, avec les lignes numérotées :

 
1 2 1 1 0 0 L1
(A | I) =  4 0 −1 0 1 0  L2
−1 2 2 0 0 1 L3
On applique la méthode de Gauss pour faire apparaître des 0 sur la première colonne,
d’abord sur la deuxième ligne par l’opération élémentaire L2 ← L2 − 4L1 qui conduit à la
matrice augmentée :
 
1 2 1 1 0 0 L1
 0 −8 −5 −4 1 0  L2 ←L2 −4L1
−1 2 2 0 0 1 L3
Puis un 0 sur la première colonne, à la troisième ligne, avec L3 ← L3 + L1

 
1 2 1 1 0 0 L1
 0 −8 −5 −4 1 0  L2
0 4 3 1 0 1 L3 ←L3 +L1
On multiplie la ligne L2 afin qu’elle commence par 1 :

 
1 2 1 1 0 0 L1
 0 1 5 1 −1 0  L2 ←− 81 L2
8 2 8
0 4 3 1 0 1 L3
On continue afin de faire apparaître des 0 partout sous la diagonale.

 
1 2 1 1 0 0 L1
 0 1 5 1 −1 0  L2
8 2 8
0 0 12 −1 12 1 L3 ←L3 −4L2
puis  
1 2 1 1 0 0 L1
 0 1 5 1 −1 0  L2
8 2 8
0 0 1 −2 1 2 L3 ←2L3
Il ne reste plus qu’à remonter pour faire apparaître des zéros au-dessus de la diagonale :
 
1 2 1 1 0 0 L1
 0 1 0 7 − 3 − 5  L2 ←L2 − 58 L3
4 4 4
0 0 1 −2 1 2 L3
puis
1 0 0 − 12 21 1
 
2 L1 ←L1 −2L2 −L3
 0 1 0 7 −3 −5  L2
4 4 4
0 0 1 −2 1 2 L3
Ainsi l’inverse de A est la matrice obtenue à droite et après avoir factorisé tous les
coefficients par 41 , on a obtenu :
 
−2 2 2
1
A−1 =  7 −3 −5
4
−8 4 8
Pour se rassurer sur ses calculs, on n’oublie pas de vérifier rapidement que
A × A−1 = I
.
4.8 Exercices
Calculer lamatriceC telle que C− 2A + 3B = 0, dans les cas suivants :
Exercice 4.1
2 1 5 −2 3 −1
1. A = ;B=
7 −3 −5  8 4 −6
2 1 −2 3
2. A = 7 −3 ; B =  8 4
5 −5  −1 −6 
2 3 −3 1 2 −2
3. A =  6 −4 9  ; B =  4 −3 6 
−9 12 −2 −6 8 −1
Exercice 4.2 Considérons les matrices suivantes


  : 
1 1 2 −1 −1 1
2 1 4 −3 −1
A= ;B= ; C = 1 0 1 ; D =  1 0 1 ;
2 1 −2 1 1
  1 −1 0 0 1 0
−3
E = 1 2 −2 ; F = 3 

1
Si elles ont un sens, calculer les matrices AB, BA, BC, CB, CD, CE, FC, DE, EF, FE.
     
1 2 −1 1 2 3 1 0 −1
Exercice 4.3 Soient A1 =  3 0 4  ; A2 =  2 3 1 ; A3 =  2 1 0 
−2 1 −1 −3 1 2 −1 1 −2
des matrices carrées. Pour i = 1, 2, 3
1. Calculer la transposée de Ai .
2. Calculer la trace de Ai .
3. Trouver une matrice symétrique Bi et une matrice antisymétrique Ci telles que :
Ai = Bi +Ci .
4. Calculer A21 , A22 , A33 .
   
1 2 3 2 4 1
1 −1 1 −2
Exercice 4.4 Soient A = ;B= ; C = 0 1 2 ; D = 2 5 1 ;
2 −3 3 −6
0 4 6 1 2 1
des matrices carrées. En utilisant la méthode du pivot de Gauss vérifier si ces matrices sont
inversibles et calculer, si c’est possible, leurs inverses.
5. Matrices et applications linéaires
5.1 Rang d’une famille de vecteurs

Définition 5.1.1 Soit E un espace vectoriel et soit {v1 , . . . , v p } une famille finie de
vecteurs de E. Le rang de la famille {v1 , . . . , v p } est la dimension du sous-espace
vectoriel Vect(v1 , . . . , v p )
Autrement dit :
rang(v1 , . . . , v p ) = dimVect(v1 , . . . , v p )
Proposition 5.1.1 1. 0 ≤ rang(v1 , . . . , v p ) ≤ p : le rang est inférieur ou égal au

nombre d’éléments dans la famille.
2. rang(v1 , . . . , v p ) ≤ dim E : le rang est inférieur ou égal à la dimension de l’espace
E.
3. Le rang d’une famille libre {v1 , . . . , v p } vaut p
Exercice 5.1 Quel est le rang de la famille suivante ?

     
1 0 −1
0 1 1
v1 = 
1
 v2 = 
1
 v3 = 
0

0 1 1

— Ce sont des vecteurs de R4 donc rang(v1 , v2 , v3 ) ≤ 4.

— Comme il n’y a que 3 vecteurs alors rang(v1 , v2 , v3 ) ≤ 3.
— Le vecteur v1 est non nul donc rang(v1 , v2 , v3 ) ≥ 1.
46 Chapitre 5. Matrices et applications linéaires
— Il est clair que v1 et v2 sont linéairement indépendants donc
rang(v1 , v2 , v3 ) ≥ rang(v1 , v2 ) = 2
Il reste donc à déterminer si le rang vaut 2 ou 3.

On cherche si la famille {v1 , v2 , v3 } est libre ou liée en résolvant le système linéaire
λ1 v1 + λ2 v2 + λ3 v3 = 0
On trouve v1 − v2 + v3 = 0. La famille est donc liée. Ainsi :
rang(v1 , v2 , v3 ) = dim(Vect(v1 , v2 , v3 )) = dim(Vect(v1 , v2 )) = 2
5.2 Rang d’une matrice

Définition 5.2.1 On définit le rang d’une matrice comme étant le rang de ses vec-
teurs colonnes (ou lignes).
Exercice 5.2 Quel est le rang de la matrice
1 2 − 12 0

A=
2 4 −1 0

Le rang de la matrice est le rang de la famille de vecteurs de R2 :

1
1 2 −2 0
C1 = ,C2 = ,C3 = ,C4 =
2 4 −1 0
.
Tous ces vecteurs sont colinéaires à C1 , donc dimVect(C1 ,C2 ,C3 ,C4 ) = 1.
c.à.d : rang(C1 ,C2 ,C3 ,C4 ) = 1 et ainsi
rang(A) = 1
Remarque 5.2.1 Soit A ∈ Mm,n (R) une matrice de n lignes et m colonnes, alors
1 ≤ rang(A) ≤ min{n, m}.
Proposition 5.2.2
rang(A) = rang(AT )
5.3 Matrice échelonnée

5.3.1 matrice échelonnée par rapport aux colonnes
Définition 5.3.1 On dit qu’une matrice est échelonnée par rapport aux colonnes si
le nombre de zéros commençant une colonne croît strictement colonne après colonne,
jusqu’à ce qu’il ne reste plus que des zéros.
Autrement dit, la matrice transposée est échelonnée par rapport aux lignes.
Exemple 5.1 — Matrice échelonnée par colonnes. Les ∗ désignent des coefficients
quelconques, les + des coefficients non nuls :
 
+ 0 0 0 0
∗ 0 0 0 0
 
E = ∗ + 0 0 0
∗ ∗ + 0 0
∗ ∗ ∗ + 0

Proposition 5.3.1 Le rang d’une matrice échelonnée par colonnes est égal au nombre
de colonnes non nulles.
Par exemple, dans la matrice échelonnée E, 4 colonnes sur 5 sont non nulles, donc rang(E) = 4 .
5.3.2 matrice échelonnée par rapport aux lignes

Pivot d’une ligne :
Définition 5.3.2 On appelle pivot d’une ligne d’une matrice, la première valeur non
nulle de cette ligne.
Exemple 5.2 Soit la materice

 
0 0 3 −1 2
1 0 2 4 0
A= 
0 5 −1 0 1
0 0 0 0 6

Le pivot de la ligne 1 est a1,3 = 3.

Matrice échelonnèe selon les lignes :

Définition 5.3.3 Une matrice A ∈ Mm,n (R) sera dite échelonnèe par rapport aux les
lignes si :
1. chaque pivot d’une ligne est décalé à la droite du pivot de la ligne qui la précède.
2. Tous les éléments de la colonne sous un pivot sont nuls.
3. Si une ligne est totalement nulle alors toutes les lignes qui l’a suivent sont aussi
nulles.
Exemple 5.3 Considérons les matrices
   
0 1 3 −1 2 0 −1 2 −5 3
0 0 2 4 0 ; B = 0 0 4 7 0 ;
 
A=
0 0 0 −1 1 0 0 0 0 1 
0 0 0 0 6 0 0 0 0 0
   
0 0 2 −1 1 0 4 1 −1 3
0 0 0 3 0 ; D = 0 0 5 8 0
 
C=
0 0 2 0 −2 1
0 0 0 0
0 0 0 0 0 0 −1 0 6 0

A, B, C sont échelonnées selon les lignes mais D n’est pas échelonnée.
Proposition 5.3.2 Le rang d’une matrice échelonnée par lignes est égal au nombre
de lignes non nulles.
Par exemple, dans l’exemple ci-dessus, la matrice A a 4 lignes sur 4 non nulles, donc
rang(E) = 4 .
La matrice B a 3 lignes sur 4 non nulles, donc rang(E) = 3 .
La matrice C a 2 lignes sur 4 non nulles, donc rang(E) = 2 .
Méthodologie
Proposition 5.3.3 — Opérations sur les colonnes conservant le rang. Le rang
d’une matrice ayant les colonnes C1 ,C2 , . . . ,C p n’est pas modifié par les trois opérations
élémentaires suivantes :
1. Ci ← λCi avec λ 6= 0 : on peut multiplier une colonne par un scalaire non nul.
2. Ci ← Ci + λC j avec λ ∈ R (et j 6= i) : on peut ajouter à la colonne Ci un multiple
d’une autre colonne C j .
3. Ci ↔ C j : on peut échanger deux colonnes.
Proposition 5.3.4 — Opérations sur les lignes conservant le rang. Le rang d’une
matrice ayant les lignes L1 , L2 , . . . , Ln n’est pas modifié par les trois opérations élémen-
taires suivantes :
1. Li ← λ Li avec λ 6= 0 : on peut multiplier une ligne par un scalaire non nul.
2. Li ← Li + λ L j avec λ ∈ R (et j 6= i) : on peut ajouter à la ligne Li un multiple
d’une autre colonne L j .
3. Li ↔ L j : on peut échanger deux lignes.
Comment calculer le rang d’une matrice ou d’un système de vecteurs ?

1. On transforme la matrice A en une matrice échelonnée par rapport aux colonnes
(resp. rapport aux lignes) par la méthode de Gauss sur les colonnes (resp. sur
les lignes).
2. Le rang de la matrice est alors le nombre de colonnes non nulles (resp. nombre des
lignes non nulles).
Exercice 5.3 Calculer le rang de la matrice suivante :
 
1 2 3 −1
A = 2 0 2 2  .
3 6 1 2

Par des opérations élémentaires sur les colonnes, on obtient :

   
1 2 3 −1 C2 ← C2 − 2C1 1 0 0 0
A = 2 0 2 2 ∼ C3 ← C3 − 3C1 : B1 = 2 −4 −4
   4
3 6 1 2 C4 ← C4 +C1 3 0 −8 5
   
1 0 0 0 1 0 0 0
C3 ← C3 −C2
∼ : B2 = 2 −4 0 0 ∼ C4 ← 8C4 + 5C3 : B3 = 2
   −4 0 0
C4 ← C4 +C2
3 0 −8 5 3 0 −8 0
La matrice B3 est échelonnée et a 3 colonnes non nulle, donc
rang(A) = rang(B3 ) = 3 .
IAppliquons sur la même matrice les opérations sur les lignes :

   
1 2 3 −1 1 2 3 1
A = 2 0 2 2  ∼ L2 ← L2 − 2L1 : A1 = 0 −4 −4 4
3 6 1 2 3 6 1 2
 
1 2 3 −1
∼ L3 ← L3 − 3L2 : A2 = 0 −4 −4 4 

0 0 −8 5
La matrice A2 est échelonnée et a 3 lignes non nulle, donc
rang(A) = rang(A2 ) = 3 .
Théorème 5.3.5 — Matrice inversible et rang. Une matrice carrée de taille n est
inversible ou régulière ou encore non singulière si et seulement si elle est de rang n.
5.4 Matrice d’une application linéaire

5.4.1 Définition
Soient E et F deux espaces vectoriels de dimension finie
— dim E = p et B = (e1 , . . . , e p ) une base de E
— dim F = n et B 0 = ( f1 , . . . , fn ) une base de F
— f : E → F une application linéaire
Définition 5.4.1 — Matrice associée à une application linéaire. La matrice de f
par rapport aux bases B et B 0 est la matrice (ai, j ) ∈ Mn,p (R) dont la j-ème colonne
est constituée par les coordonnées du vecteur f (e j ) dans la base B 0 :
f (e1 ) . . . f (e j ) . . . f (e p )
 
f1 a11 a1 j ... a1p
f2  a21 a2 j ... a2p 
MatB,B0 ( f ) = .. 
 
.. .. .. .. 
.  . . . . 
fn an1 an j ... anp
Exemple 5.4 Soit f l’application linéaire de R3 dans R2 définie par

2x − y + z
f (x, y, z) =
3x + 2y − 3z
Soient B3 = (e1 , e2 , e3 ) la base canonique de R3 et B2 = ( f1 , f2 ) la base canonique de R2 .

On a
2 1 0
f (e1 ) = f (1, 0, 0) = = 2× +3× = 2 f + 3 f2
3 0 1 1
−1 1 0
f (e2 ) = f (0, 1, 0) = = −1 × +2× = − f1 + 2 f2
2
0 1
1 1 0
f (e3 ) = f (0, 0, 1) = = −3× = f1 − 3 f2
−3 0 1
La matrice de f dans les bases B3 et B2 est :

2 −1 1
MatB2 ,B3 ( f ) =
3 2 −3
On a donc,
 
x
2 −1 1  
f (x, y, z) = y
3 2 −3
z

Exercice 5.4 Quelle

 est
 la matrice
  de f dans
 les
 bases suivantes ?
0 1 1
— B30 0   0   0
= e1 = 1 , e2 = 0 , e3 = 1 une base de R3

1
1 0
1 1
— B20 = f10 = 12 , f20 = 12 une base de R2 .
1 −1

Il faut exprimer f (e01 0 ) et f (e0 ) en fonction de ( f 0 , f 0 ). On a

), f (e
2 3 1 2
0 0 0 0 −1
f (e1 ) = f (0, 1, 1) = = − f1 + f2 =
−1 1 B0
2
3 3
f (e02 ) = f (1, 0, 1) = = 3 f10 + 3 f20 =
0 3 0
B 2
1 6
f (e03 ) = f (1, 1, 0) = = 6 f10 − 4 f20 =
5 −4 B0
2
La matrice de f dans les bases B30 et B20 est :

−1 3 6
MatB20 ,B30 ( f ) =
1 3 −4
5.4.2 Opérations sur les applications linéaires

Proposition 5.4.1 Soient f , g : E → F deux applications linéaires et soient BE une
base de E et BF une base de F. Alors :
— MatBE ,BF ( f + g) = MatBE ,BF ( f ) + MatBE ,BF (g)
— MatBE ,BF (λ f ) = λ MatBE ,BF ( f )
Soit h : F → G une application linéaire et soit BG une base de G. Alors :
MatBE ,BG (h ◦ f ) = MatBF ,BG (h) × MatBE ,BF ( f )
5.4.3 Matrice d’un isomorphisme

Théorème 5.4.2 Soit f : E → F une application linéaire. Soient B une base de E, B 0
une base de F
— f est un isomorphisme si et seulement si sa matrice associée MatB,B0 ( f ) est
inversible.
et on a −1
−1
MatB0 ,B ( f ) = MatB,B0 ( f )
5.5 Changement de bases

5.5.1 Matrice de passage d’une base à une autre
Définition 5.5.1 Soit B une base de E. Soit B 0 une autre base de E.
On appelle matrice de passage de la base B vers la base B 0 , et on note PB,B0 , la
matrice dont la j-ème colonne est formée des coordonnées du j-ème vecteur de la
base B 0 , par rapport à la base B.
Exemple 5.5 Soit l’espace vectoriel réel R2 . On considère

1 1 0 1 5
B = e1 = , e2 = et B = f1 = , f2 = .
0 1 2 4
Quelle est la matrice de passage de la base B vers la base B 0 ?
Il faut exprimer f1 et f2 en fonction de (e1 , e2 ).

On calcule que :

−1 1
f1 = −e1 + 2e2 = f2 = e1 + 4e2 =
2 B 4 B
La matrice de passage est donc :

−1 1
PB,B0 =
2 4
5.5.2 Formule de changement de base

— Soient E et F deux espaces vectoriels de dimension finie.
— Soit f : E → F une application linéaire.
— Soient BE , BE0 deux bases de E.
— Soient BF , BF0 deux bases de F.
— Soit P = PBE ,BE0 la matrice de passage de BE à BE0 .
— Soit Q = PBF ,BF0 la matrice de passage de BF à BF0 .
— Soit A = MatBE ,BF ( f ) la matrice de l’application linéaire f de la base BE vers la
base BF .
— Soit B = MatBE0 ,BF0 ( f ) la matrice de l’application linéaire f de la base BE0 vers la
base BF0 .
Théorème 5.5.1 Formule de changement de base :
B = Q−1 AP
Exercice 5.5 Soit u l’application linéaire de R3 dans R2 dont la matrice dans leur base
canonique respective (B3 et B2 ) est

2 −1 1
A= .
3 2 −3
Soient B3 = {e1 , e2 , e3 }
la base
 canonique
3 B2 = { f1 , f2 } celle de R2 .
  de R et 
0 1 1
Soient B3 = e1 = 1 , e2 = 0 , e3 = 1 une base de R3
0 0 0 0
1 1 0

1 1 1
et B2 = f1 = 2
0 0 0 1
, f2 = 2 une base de R2 . Quelle est la matrice de u dans
1 −1
ces nouvelles bases ?
Matrices de passage :
 
0 1 1
1 1 1
P = PB3 ,B30 =  1 0 1  et Q = PB2 ,B20 = .
2 1 −1
1 1 0
Si B est la matrice de u dans les nouvelles bases, alors la formule du changement de base
nous dit que B = Q−1 AP. Or,
−1 1 1
Q =
1 −1
de sorte que
−1 3 6
B= .
1 3 −4
5.5.3 Matrices semblables

Définition 5.5.2 Soient A et B deux matrices de Mn (R). On dit que la matrice B est
semblable à la matrice A s’il existe une matrice inversible P ∈ Mn (R) telle que
B = P−1 AP
.
5.6 Exercices
Exercice 5.1 Monter que deux matrices semblables ont même rang, même trace et même
déterminant.
Exercice 5.2 On dit que deux matrices A, B ∈ Mn,p (R) sont équivalentes si et seulement
s’il existe P matrice carrée inversible de format n et Q matrice carrée inversible de format
p telles que
B = QAP.
1. Montrer que
rang(A) = rang(B).
2. Montrer que si deux matrices sont semblables alors elles sont équivalentes.
3. La réciproque est-elle vraie ? dans le cas contraire donner un contre exemple.
Exercice 5.3 Soient trois vecteurs u1 ,u2 ,u3 formant une base de R3 . On note f l’applica-
tion linéaire définie par
f (u1 ) = u3 , f (u2 ) = −u1 + u2 + u3 et f (u3 ) = u3 .
1. Ecrire la matrice A de f dans la base (u1 , u2 , u3 ). Déterminer le noyau de cette

application.
2. On pose v1 = u1 − u3 , v2 = u1 − u2 et v3 = −u1 + u2 + u3 . Calculer u1 , u2 et u3 en
fonction de v1 , v2 , v3 . Les vecteurs v1 , v2 et v3 forment-ils une base de R3 ?
3. Calculer f (v1 ), f (v2 ) et f (v3 ) en fonction de v1 , v2 et v3 . Ecrire la matrice B de f
dans la base (v1 , v2 , v3 ) et trouver la nature de l’application f .
4. On pose  
1 1 −1
P =  0 −1 1  .
−1 0 1
Vérifier que P est inversible et calculer P−1 . Quelle relation lie A, B, P et P−1 .
Exercice 5.4 Soient u1 = (1, 2) et u2 = (1, 3) deux vecteurs de R2 .

1. Montrer que (u1 , u2 ) est une base de R2 .
2. Soit f l’application linéaire dont la matrice dans la base canonique (e1 , e2 ) est
donnée par :
−2 1
A= .
−6 3
Calculer f (u1 ) et f (u2 ). Puis, la matrice B de f dans la base (u1 , u2 ).
3. Qelles sont les matrices de passage de la base (e1 , e2 ) à la base (u1 , u2 ) et de la base
(u1 , u2 ) à la base (e1 , e2 ). Quel est le lien entre A et B ?
6. Déterminants
6.1 Déterminant en dimension 2 et 3

En dimension 2, le déterminant est très simple à calculer :

a b
det = ad − bc.
c d
C’est donc le produit des éléments sur la diagonale principale en bleu moins le produit
des éléments sur l’autre diagonale en orange.
Soit A une matrice 3 × 3 :

 
a11 a12 a13
A = a21 a22 a23  .
a31 a32 a33
Voici la formule pour le déterminant :
det(A) =a11 a22 a33 + a12 a23 a31 + a13 a21 a32
− a31 a22 a13 − a32 a23 a11 − a33 a21 a12
56 Chapitre 6. Déterminants
6.1.1 Règle de Sarrus

1. On recopie les deux premières colonnes à droite de la matrice
2. On additionne les produits de trois termes en les regroupant selon la direction de la
diagonale descendante
3. On soustrait ensuite les produits de trois termes regroupés selon la direction de la
diagonale montante (à droite).
det A =a11 a22 a33 + a12 a23 a31 + a13 a21 a32
−a31 a22 a13 − a32 a23 a11 − a33 a21 a12
Attention : cette méthode ne s’applique pas pour les matrices de

taille supérieure à 3. Nous verrons d’autres méthodes qui s’appliquent
aux matrices carrées de toute taille et donc aussi aux matrices 3 × 3.
 
2 1 0
Exercice 6.1 Calculer le déterminant de la matrice A = 1 −1 3.
3 2 1
Par la règle de Sarrus :

6.2 Définition du déterminant 57
det A = 2 × (−1) × 1 + 1 × 3 × 3 + 0 × 1 × 2
−3 × (−1) × 0 − 2 × 3 × 2 − 1 × 1 × 1 = −6.
6.1.2 Interprétation géométrique du déterminant

Donnons nous deux vecteurs v1 = ( ac ) et v2 = db du plan R2 . Ces deux vecteurs v1 , v2

déterminent un parallélogramme.
Proposition 6.1.1 L’aire du parallélogramme est donnée par la valeur absolue du

déterminant :
a b

A = det(v1 , v2 ) = det = |ad − bc|.

c d
6.2 Définition du déterminant

Théorème 6.2.1 — Existence et d’unicité du déterminant. Il existe une unique
application de Mn (R) dans R, appelée déterminant, telle que
(i) le déterminant est linéaire par rapport à chaque vecteur colonne, les autres
étant fixés
(ii) si une matrice A a deux colonnes identiques, alors son déterminant est nul
(iii) le déterminant de la matrice identité In vaut 1.
On note le déterminant d’une matrice A = (ai j ) par :

a11 a12 · · · a1n

a21 a22 · · · a2n
det(A) ou .. .

.. ..
. . .

an1 an2 · · · ann
Si on note Ci la i-ème colonne de A, alors

det(A) = C1 C2 · · · Cn = det(C1 ,C2 , . . . ,Cn ) .
Exemple 6.1
6 5 4 6 1 4

7 −10 −3 = 5 × 7 −2 −3

12 25 −1 12 5 −1
Car la seconde colonne est un multiple de 5.

3 2 4 − 3 3 2 4 3 2 3

7 −5 3 − 2 = 7 −5 3 − 7 −5 2

9 2 10 − 4 9 2 10 9 2 4
Par linéarité sur la troisième colonne.

4 2 8 4 2 4

3 −5 6 = 2 × 3 −5 3 = 0

5 2 10 5 2 5
Les colonnes C1 et C3 sont identiques.

6.3 Propriétés du déterminant
Soit A ∈ Mn (R) une matrice ayant les colonnes C1 ,C2 , . . . ,Cn . On note E la matrice
obtenue par une des opérations élémentaires sur les colonnes, qui sont :
1. Ci ← λCi avec λ 6= 0 : E est obtenue en multipliant une colonne de A par un scalaire
non nul. Alors : det(E) = λ1 det(A)
2. Ci ← Ci + λC j avec λ ∈ R (et j 6= i) : E est obtenue en ajoutant à une colonne de A
un multiple d’une autre colonne de A. Alors : det(E) = det(A)
3. Ci ↔ C j : E est obtenue en échangeant deux colonnes distinctes de A. Alors :
det(E) = − det(A).
Proposition 6.3.1 — Déterminants de matrices particulières. Le déterminant d’une

matrice triangulaire supérieure (ou inférieure) ou diagonale est égal au produit des
termes diagonaux.
Exercice 6.2 Calculer det(A), où

 
0 3 2
A = 1 −6 6
5 9 1

6.4 Calculs de déterminants d’ordre n 59

0 3 2

det(A) = 1 −6 6
5 9 1
(opération C1 ↔ C2 pour avoir un pivot en haut à gauche)

3 0 2

= (−1) × −6 1 6
9 5 1
(C1 ← 13 C1 , linéarité par rapport à la première colonne)

1 0 2

= (−1) × 3 × −2 1 6 C3 ← C3 − 2C1
3 5 1

1 0 0

= (−1) × 3 × −2 1 10 C3 ← C3 − 10C2
3 5 −5

1 0 0

= (−1) × 3 × −2 1 0
3 5 −55
= (−1) × 3 × (−55) car la matrice est triangulaire
= 165
Proposition 6.3.2 Soient A et B deux matrices carrées.

1. det(AB) = det(A) · det(B)
2. Une matrice carrée A est inversible si et seulement si son déterminant est non
nul. De plus si A est inversible, alors :
1
det A−1 =

det(A)
3. det AT = det(A)

6.4 Calculs de déterminants d’ordre n

6.4.1 Le Cofacteur
Définition 6.4.1 Soit A = ai j ∈ Mn (R) une matrice carrée.
— On note Ai j la matrice extraite, obtenue en effaçant la ligne i et la colonne j
de A.
— Le nombre Ci j = (−1)i+ j det(Ai j ) est le cofacteur de A relatif au coefficient ai j .
 
1 2 3
Exemple 6.2 Soit A = 4 2 1. Calculons A32 et C32 .
0 1 1
1 3
A32 = C32 = (−1)3+2 det(A32 ) = (−1) × (−11) = 11.
4 1
6.4.2 Développement suivant une ligne ou une colonne
Théorème 6.4.1
1. Formule de développement par rapport à la ligne i :
n n
det(A) = ∑ (−1)i+ j ai j det(Ai j ) = ∑ ai jCi j
j=1 j=1
2. Formule de développement par rapport à la colonne j :

n n
i+ j
det(A) = ∑ (−1) ai j det(Ai j ) = ∑ ai jCi j
i=1 i=1

4 0 3 1

4 2 1 0
Exercice 6.3 Calculer : det(A) =
0 3 1 −1
1 0 2 3

On choisit de développer par rapport à la seconde colonne (car c’est là qu’il y a le

plus de zéros) :
det(A) = 0C12 + 2C22 + 3C32 + 0C42

on n’oublie pas les signes des cofacteurs

4 3 1 4 3 1

= +2 0 1 −1 −3 4 1 0
1 2 3 1 2 3

4 3 1 4 3 1

= +2 0 1 −1 −3 4 1 0
1 2 3 1 2 3

1 −1 3 1 3 1
= +2 +4 −0 +1
2 3 2 3 1 −1
(par rapport à la première colonne)

3 1 4 1 4 3
−3 −4 +1 −0
2 3 1 3 1 2
(par rapport à la deuxième ligne)
= 83
6.5 Inverse d’une matrice

6.5.1 Inverse par comatrice
Définition 6.5.1 — Comatrice. Soit A ∈ Mn (R) une matrice carrée. Nous lui associons
la matrice des cofacteurs (Ci j ) , appelée comatrice, et notée : Com(A) = (Ci j )
Théorème 6.5.1 Une matrice A est inversible si et seulement si det(A) 6= 0.

On a alors
1
A−1 = [Com(A)]T
det(A)
Exercice 6.4 Calculer l’inverse de la matrice suivante :

 
1 1 0
A= 0 1 1 
1 0 1

Le calcul donne que det(A) = 2. La comatrice de A s’obtient en calculant 9 détermi-

nants 2 × 2 (sans oublier les signes +/−). On trouve :
 
1 1 −1
Com(A) = −1 1 1
1 −1 1
et donc  
1 −1 1
1 1
A−1 = · [Com(A)]T =  1 1 −1
det(A) 2
−1 1 1
6.5.2 Inverse par Pivot de Gauss

Parmi les méthodes les plus pratique pour calculer l’inverse d’une matrice, on trouve la
méthode du Pivot de Gauss. On met à gauche la matrice à inverser, et à droite la matrice
identité (du même ordre que la matrice à inverser). On réalise ensuite une suite d’opérations
élémentaires sur les lignes (ou les colonnes) de la matrice à inverser pour la ramener à
l’identité. La même suite d’opérations élémentaires sont effectuées sur la matrice identité
se qui aboutit à la fin à l’inverse de la matrice de départ.
Exemple 6.3 Considérons la matrice à inverser
 
0 1 3
 2 0 0
−1 1 0
on a det(A) = 6 6= 0, donc A est inversible.

Ecrivons cette matrice à côté de la matrice identité d’ordre 3.
   
0 1 3 1 0 0
A =  2 0 0 | I3 = 0 1 0
−1 1 0 0 0 1
On va réaliser des opérations élémentaires sur les lignes de A pour la transformer en I3 et

par suite transformer I3 de gauche en A−1 .
Opérations :
1
• L1 ↔ L2 : permuter la ligne 1 avec la ligne 2 divisée préalablement par 2, on obtient
2
   1 
1 0 0 0 0
A1 =  0 1 3 | 1 02 0
 
−1 1 0 0 0 1
• L3 ← L3 + L1 : La ligne 3 reçoit la ligne 3 plus la ligne 1.

 
1
0 2 0
 
1 0 0
A2 = 0 1 3 | 1 0 0
 
 1 
0 1 0
0 1
2
• L3 ← L2 − L3 : La ligne 3 reçoit la ligne 2 moins la ligne 3.
 
1
0 2 0
 
1 0 0
A3 = 0 1 3 | 1 0 0
 
0 0 3
 1 
1 − −1
2
6.6 Déterminant et base 63
• L2 ← L2 − L3 : La ligne 2 reçoit la ligne 2 moins la ligne 3.

1
 
  0 0
1 0 0  2 
 1 
A4 = 0 1 0 |  0 1 
0 0 3
 2 
 1 
1 − −1
2
1 1
• L3 ← L3 : La ligne 3 reçoit de l’ancienne ligne 3.
3 3
1
 
  0 0
1 0 0  2 
 1 
A5 = 0 1 0 |  0 2 1 
0 0 1 1 1 1
− −
3 6 3
Ainsi A5 = I3 d’où
1
 
0 0
 2 
1
A−1 = 
 
0 2
1 
1 1 1
− −
3 6 3

6.6 Déterminant et base

Soit E un espace vectoriel de dimension n. On veut décider si n vecteurs v1 , v2 , . . . , vn
forment une base de E.
Pour cela, on écrit la matrice A ∈ Mn (R) dont la j-ème colonne est

formée du vecteur v j . Le calcul de déterminant apporte la réponse à
notre problème.
Théorème 6.6.1 Les vecteurs (v1 , v2 , . . . , vn ) forment une base de E si et seulement si
det(A) = det(v1 , v2 , . . . , vn ) 6= 0.
6.7 Exercices
Exercice 6.1 Calculer les déterminants suivants :

1 0 6
7 11
det(A) = ; det(B) = 3 4 15;
−8 4
5 6 21

0 1 1 0
2 −1 3
1 0 0 1
det(C) = ; det(D) = 3 3 0.
1 1 0 1

1 −2 3
1 1 1 0
Exercice 6.2 Déterminant de Vandermonde

Montrer que
t12 ... t1n−1

1 t1

1 t2 t22 ... t2n−1
det(A) = = Π1≤i≤ j≤n (ti − t j )
... ... ... ... ...
1 tn tn2 ... tnn−1
Exercice 6.3 Calculer les déterminants suivants :

a + b a ... a a1 a2 ... an

. ..
. .
a a+b .. . a1 a1 . . ..

det(A) = . .. .. ; det(B) = . .
.. .. . . . . . a2

. . a

a ... a a + b a ... a a
1 1 1
Exercice 6.4 Calculer l’inverse des matrices suivantes par la méthode du Pivot de Gauss.
 
1 2 3
7 11
A= ; B = 2 3 1;
−8 4
3 1 2
 
1 2 −0
C = 1 −1 1 .
0 −2 3
Exercice 6.5 Calculer l’inverse (dans le cas où c’est possible) des matrices suivantes par
la méthode des comatrices.
 
1 0 6
3 5
A= ; B = 3 4 15;
−1 9
5 6 21
   
0 2 1 2 −1 3
C = 1 −1 0 ; D = 3 3 0.
3 1 −2 1 −2 3
7. Systèmes linéaires
7.1 Introduction aux systèmes d’équations linéaires

Cas de deux droites dans le plan :
— L’équation d’une droite dans le plan (Oxy) s’écrit
ax + by = e
où a, b et e sont des constantes réels
— Cette équation s’appelle équation linéaire à deux variables (ou inconnues) x et y.
Exemple 7.1
a) 2x + 3y = 6 est une équation linéaire
√
b) 2x + y2 = 1 ou y = sin(x) ou x = y, ne sont pas des équations linéaires.

Intersection de deux droites :

Un point (x, y) ∈ D1 ∩ D2 s’il est solution du système :

ax + by = e (D1 )
(S)
cx + dy = f (D2 )
Trois cas se présentent :
1. D1 et D2 se coupent en un seul point. Alors le système a une seule solution.

x + y = −1
Exemple :
x−y = 1
2. D1 et D2 sont parallèles. Alors le système n’a pas de solution.

x + y = −1
Exemple :
x+y = 1
66 Chapitre 7. Systèmes linéaires
3. D1 et D2 sont confondues et, dans ce cas, le système a une infinité de solutions.

x+y = −1
Exemple :
2x + 2y = −2
Cas de deux plans dans l’espace :

Dans l’espace (Oxyz), une équation linéaire est l’équation d’un plan :
ax + by + cz = d, (a, b, c) 6= (0, 0, 0)
— L’intersection de deux plans dans l’espace correspond au système suivant à 2 équa-

tions et à 3 inconnues :

ax + by + cz = d
a x + b0 y + c0 z = d 0
0
Trois cas se présentent alors :

— Les plans sont parallèles (et distincts) et il n’y a alors aucune solution au système.
— Les plans sont confondus et il y a une infinité de solutions au système.
— Les plans se coupent en une droite et il y a une infinité de solutions.
7.2 Systèmes linéaires

La forme générale d’un système linéaire de n équations à p inconnues est la suivante :
+a12 x2 +a13 x3 + · · · +a1p x p


 a11 x1 = b1 (← éq. 1)
+a22 x2 +a23 x3 + · · · +a2p x p



 a21 x1 = b2 (← éq. 2)
 .. .. .. .. .

= ..

. . . .
 ai1 x1 +ai2 x2 +ai3 x3 + · · · +aip x p = bi (← éq. i)
 ... .. .. .. .


= ..


 . . .
+an2 x2 +an3 x3 + · · · +anp x p

an1 x1 = bn (← éq. n)
— ai j , i = 1, . . . , n, j = 1, . . . , p, sont les coefficients du système. Ce sont des données.

— bi , i = 1, . . . , n, constituent le second membre du système et sont également des
données.
Théorème 7.2.1 Un système d’équations linéaires n’a soit aucune solution, soit
une seule solution, soit une infinité de solutions.
Définition 7.2.1 — Système homogène.

— Un système est dit homogène si b1 = b2 = · · · = bn = 0, c’est-à-dire dont le
second membre est nul.
— De tels systèmes sont toujours compatibles car ils admettent toujours la solution
s1 = s2 = · · · = s p = 0. Cette solution est appelée solution triviale.
7.3 Résolution par la méthode de Cramer 67
7.3 Résolution par la méthode de Cramer

Un système linéaire à n équations et n inconnues peut s’écrire sous forme matricielle
AX = B où
     
a11 a12 · · · a1n x1 b1
 a21 a22 · · · a2n 

 x2
   b2 
A= ..  , X =  ..  et B =  .
   
.. .. ..
 . . .   .   . 
an1 an2 · · · ann xn bn
Définissons la matrice A j ∈ Mn (R) par
 
a11 . . . a1, j−1 b1 a1, j+1 . . . a1n
 a21 . . . a2, j−1 b2 a2, j+1 . . . a2n 
A j =  ..
 
.. .. .. .. 
 . . . . . 
an1 . . . an, j−1 bn an, j+1 . . . ann
Théorème 7.3.1 — Règle de Cramer. Soit AX = B un système de n équations à

n inconnues. Supposons que det(A) 6= 0. Alors l’unique solution (x1 , x2 , . . . , xn ) du
système est donnée par :
det(A1 ) det(A2 ) det(An )

x1 = x2 = ... xn = .
det(A) det(A) det(A)
Exercice 7.1 Résolvez le système suivant :


 x1 + 2x3 = 6
−3x1 + 4x2 + 6x3 = 30
−x1 − 2x2 + 3x3 = 8.

On a
   
1 0 2 6
A =  −3 4 6  B =  30 
−1 −2 3 8
avec les matrices de cramer
     
6 0 2 1 6 2 1 0 6
A1 =  30 4 6  A2 =  −3 30 6  A3 =  −3 4 30 
8 −2 3 −1 8 3 −1 −2 8
et
det(A) = 44 det(A1 ) = −40 det(A2 ) = 72 det(A3 ) = 152.
La solution est alors
det(A1 ) 10 det(A2 ) 18 det(A3 ) 38
x1 = =− x2 = = x3 = =
det(A) 11 det(A) 11 det(A) 11
Résolution par inversion de matrice

Soit AX = B un système de n équations à n inconnues.
— Si le déterminant de la matrice A est non nul, alors la matrice A est inversible.
— L’unique solution du système est donnée par
X = A−1 B
7.4 Résolution par la méthode du pivot de Gauss

7.4.1 Systèmes échelonnés
Définition 7.4.1 Un système est échelonné si :
— le nombre de coefficients nuls commençant une ligne croît strictement ligne après
ligne.
Il est échelonné réduit si en plus :
— le premier coefficient non nul d’une ligne vaut 1 et c’est le seul élément non nul
de sa colonne.
Exemple
 7.2
 2x1 +3x2 +2x3 −x4 = 5
— −x2 −2x3 = 4 est échelonné (mais pas réduit).
3x4 = 1


 x1 +2x3 = 25
— x2 −2x3 = 16 est échelonné et réduit. Ce système se résout tri-
x4 = 1

vialement en 
 x1 = 25 − 2x3
x2 = 16 + 2x3
x4 = 1.

On peut donc décrire entièrement l’ensemble des solutions :
S = (25 − 2x3 , 16 + 2x3 , x3 , 1) | x3 ∈ R .

7.4.2 Résolution par la méthode du pivot de Gauss

La méthode du pivot de Gauss est une méthode pour transformer un système en un
autre système équivalent (ayant les mêmes solutions) qui est échelonné et réduit, donc
facile à résoudre.
Les opérations autorisées pour transformer ce système sont :

1. Li ← λ Li avec λ 6= 0
2. Li ← Li + λ L j avec λ ∈ R (et j 6= i)
3. Li ↔ L j
7.4 Résolution par la méthode du pivot de Gauss 69
Exemple 7.3 Soit le système suivant à résoudre :


 −x −3y −9z = −5 (L1 )
2x −y +5z = −5 (L2 )
x +y +7z = −1

(L3 )

Pour appliquer la méthode du pivot de Gauss, on échange les lignes L1 et L3 : par

l’opération élémentaire L1 ↔ L3 :

 x +y +7z = −1 (L1 )
2x −y +5z = −5 (L2 )
−x −3y −9z = −5

(L3 )
Nous avons un coefficient 1 devant le x de la première ligne. On dit que nous avons un
pivot en position (1, 1) (première ligne, première colonne). Ce pivot sert de base pour
éliminer tous les autres termes sur la même colonne.
Par les opération L2 ← L2 − 2L1 puis L3 ← L3 + L1 : On obtient un système équivalent
plus simple :

 x +y +7z = −1
−3y −9z = −3 L2 ←L2 −2L1
−2y −2z = −6

L3 ←L3 +L1
On continue pour faire apparaître un coefficient 1 en tête de la deuxième ligne ; pour

cela on divise la ligne L2 par −3 :

 x +y +7z = −1
y +3z = 1 L2 ← − 13 L2
−2y −2z = −6

On continue ainsi
 
 x +y +7z = −1  x +y +7z = −1
y +3z = 1 y +3z = 1
4z = −4 L3 ←L3 +2L2 z = −1 L3 ← 14 L3
 

 x +y +7z = −1
y +3z = 1
z = −1 L3 ← 14 L3

Le système est maintenant sous forme échelonnée. Il reste à le mettre sous la forme
échelonnée réduite.

 x +y = 6 L1 ←L1 −7L3
y = 4 L2 ←L2 −3L3
z = −1

On aboutit à un système réduit et échelonné :


 x = 2 L1 ←L1 −L2
y = 4
z = −1

On obtient ainsi l’unique solution du système : (2, 4, −1).

7.5 Exercices
Exercice 7.1 Résoudre les systèmes suivants

 x + y + z = 0
x − y = 0
x + 4y + z = 0.


 x + y + 2z = 5
x − y − z = 1
x + z = 3.


 3x − y + 2z = a
−x + 2y − −3z = b
x + 2y + z = c.

Exercice 7.2 Résoudre les systèmes suivants selon la valeur de a

ax + y = 2
(a2 + 1)x + 2ay = 1.

(a + 1)x + (a − 1)y = 1
(a − 1)x + (a + 1)y = 1.
Exercice 7.3 Résoudre le système par la méthode du Pivot de Gauss


 x + my + 2z = m
−2x + y + (m − 2)z = 1
mx + y + 2z = 2m − 1.

Exercice 7.4 Pour tout a réel, on considère la matrice A

 
a 1 1 1
1 a 1 1
A=
1

1 a 1
1 1 1 a
et le système linéaire (S) définis par :
   
x 1
 y  1 
A· z  = 1 
  
t 1
1. Discuter le rang de A suivant les valeurs de a.
2. Pour quelles valeurs de a le système (S) est-il de Cramer ?
3. Lorsqu’il est de Cramer, résoudre (S) avec un minimum d’opérations (on pourra
montrer d’abord que l’on a nécessairement x = y = z = t).
4. Retrouver 3 par application des formules de Cramer.

Cours Algebre Lineaire

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours Algebre Lineaire

Transféré par

Droits d'auteur :

Formats disponibles

Éléments d’Algèbre Linéaire

Notes de cours de Mathématiques

Abdelghani Benjouad Mustapha Serhani

2 Espaces vectoriels sur R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

5 Matrices et applications linéaires . . . . . . . . . . . . . . . . . . . . . . . 45

1.1 Produit cartésien d’ensembles

Exemple 1.1 On considère E = {x1 , x2 , x3 } et F = {y1 , y2 }, alors le produit cartésien

Le produit cartésien n’est pas commutatif, c.à.d.

Les éléments de R2 s’appellent des couples.

1.1.3 Produit cartésien de plusieurs ensembles

E1 × E2 × .. × En = {(x1 , ..., xn ) | xi ∈ Ei , ∀ i = 1, .., n}.

Exercice 1.2 Déterminer l’ensemble E1 × E2 × .. × En et calculer son cardinal dans

Pour n = 3, on définit R3 = R × R × R, les éléments de R3 sont les triplets (x, y, z).

1.2 Calcul dans Rn

X +Y = (x1 , ..., xn ) + (y1 , ..., yn ),

(7, −2) + (0, 6) + (−4, 9) = (7 + 0 − 4, −2 + 6 + 9)

1.2.2 Multiplication par un réel

Exemple 1.3 Dans R2 , soient le couple X = (1, −7) et λ = 3 , alors

Si l’application f associe à l’élément de x de E l’élément y de F, on écrit :

y est appelé l’image de x et x l’antécédent de y.

f est une application f n’est pas une application

1.3.2 Image d’une application

f (A) = {y ∈ F|∃x ∈ A : y = f (x)}.

1.3.3 Image réciproque d’une application

F IGURE 1.1 – Illustration de l’Image d’une application f

1.4 Injection, Surjection, Bijection

f est une application injective f n’est pas une application injective

Proposition 1.4.1 f est injective si et seulment si :

∀(x, y) ∈ E × E, f (x) = f (y) =⇒ x = y.

Autrement dit, pour α ∈ F donné, l’équation

f est une application sujective f n’est pas une application sujective

Proposition 1.4.2 f est surjective si et seulment si :

Autrement dit, pour α ∈ F donné, l’équation

admet au moins une solution dans E.

Définition 1.4.4 Soit f une application bijective de E dans F.

∀(x, y) ∈ E × F : y = f (x) ⇐⇒ x = f −1 (y).

Proposition 1.4.3 Soit f une application bijective de E dans F, alors :

Illustration d’une application bijective

Illustration d’une application réciproque

1.5 Lois de composition

on dit que a ? b est le composé de a et b pour la loi ?.

— La multiplication par un scalaire

— la loi ? est associative si pour tous les éléments x, y, z de E, on a

1.5.2 Loi de composition externe (l.c.e)

Une loi de composition externe est notée multiplicativement : si λ ∈ R et x ∈ E, le

Exemple 1.9 Soit E = R2 . L’application qui à λ de R et x = (x1 , x2 ) de R2 associe

Définition 1.5.4 On dit qu’un élément e de E est neutre pour la loi ? si :

1.5.3 Groupe abélien

— (Z, +), (Q, +), (R, +) sont des groupes abéliens.

— (Q∗ , ×), (R∗ , ×) sont des groupes abéliens.

— (Q, ×), (R, ×) ne sont pas des groupes.

— (N, +), (Z∗ , ×) ne sont pas des groupes.

2.1 Définition et propriétés

Les éléments de E sont appelés vecteurs et ceux de R sont appelés scalaires.

Proposition 2.1.1 Soit un espace vectoriel E. Alors on a les propriétés suivantes

Une vérification essentielle : Un espace vectoriel contient toujours l’élément 0.

E = {(x, y) ∈ R2 , 0 < x < 1, 0 < y < 1},

E n’est pas un espace vectoriel car (0, 0) ∈

2.2 Sous-espace vectoriel sur R

Définition 2.2.2 — Stabilité par combinaisons linéaires. Soient u, v ∈ F, soient

Proposition 2.2.1 Si A et B sont deux s.e.v de E alors A ∩ B est un s.e.v de E.

Remarque 2.2.2 La réunion de deux s.e.v peut ne pas être un s.e.v.

On a (1, 0) ∈ A ∪ B et (0, 1) ∈ A ∪ B mais (1, 0) + (0, 1) = (1, 1) ∈

Théorème 2.2.3 Tout sous espace vectoriel de E est un espace vectoriel.