Polycope S2 Algébre - 2

`
ALGEBRE ´
LINEAIRE
SEG:S2
Pr. Tazi Ennouri

FSJES Ain Chock
Année universitaire 2020-2021
Table des matières
1 Calcul matriciel 1
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Matrices carrées particulières . . . . . . . . . . . . . . . . . . . . 2
1.3.1 Matrice Diagonale . . . . . . . . . . . . . . . . . . . . . . 2
1.3.2 Matrice nulle et matrice unité . . . . . . . . . . . . . . . . 2
1.3.3 Matrice triangulaire . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Opérations élémentaires sur les matrices . . . . . . . . . . . . . . 3
1.4.1 Égalité de deux matrices . . . . . . . . . . . . . . . . . . . 3
1.4.2 Addition et soustraction de matrices . . . . . . . . . . . . 3
1.4.3 Produit d’une matrice par un réel . . . . . . . . . . . . . . 5
1.4.4 Produit de deux matrices . . . . . . . . . . . . . . . . . . 5
1.5 Transposée d’une matrice . . . . . . . . . . . . . . . . . . . . . . 6
1.5.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5.2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.6 Matrice symétrique et matrice antisymétrique . . . . . . . . . . . 7
1.7 Trace d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . . 8
1.7.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.7.2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.8 Déterminant d’une matrice carrée . . . . . . . . . . . . . . . . . . 10
1.8.1 Déterminant d’une matrice carrée d’ordre 2 . . . . . . . . 10
1.8.2 Déterminant d’une matrice carrée d’ordre 3 par la méthode
de Sarrus . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.8.3 Déterminant d’une matrice carrée d’ordre n > 2 par la
méthode de cofacteurs . . . . . . . . . . . . . . . . . . . . 12
1.8.4 Propriétés des déterminants . . . . . . . . . . . . . . . . . 15
1.9 La comatrice d’une matrice . . . . . . . . . . . . . . . . . . . . . 16
1.10 Inverse d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.10.1 Définition et exemples . . . . . . . . . . . . . . . . . . . . 17
1.10.2 Quelques Propriétés de l’inverse . . . . . . . . . . . . . . . 18
i
TABLE DES MATIÈRES
1.11 Rang d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . 18

1.11.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.11.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.11.3 Transformations élémentaires ne changeant pas le rang d’une
matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.11.4 Propriétés du rang . . . . . . . . . . . . . . . . . . . . . . 20
1.12 La forme normale d’une matrice . . . . . . . . . . . . . . . . . . . 20
1.12.1 Définition et Exemples . . . . . . . . . . . . . . . . . . . . 20
1.12.2 Technique pour trouver la forme normale d’une matrice . . 21
2 Résolution des systèmes d’équations linéaires 23

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3 Opérations élémentaires sur les lignes d’un système . . . . . . . . 24
2.4 Écriture matricielle d’un système linéaire . . . . . . . . . . . . . . 25
2.5 Résolution des systèmes linéaires par la méthode de Cramer . . . 26
2.5.1 Définition d’un système de Cramer . . . . . . . . . . . . . 26
2.5.2 Principe de la méthode de Cramer . . . . . . . . . . . . . 27
2.6 Résolution des systèmes linéaires par la méthode de Gauss . . . . 28
2.6.1 Technique de la méthode de Gauss . . . . . . . . . . . . . 28
2.6.2 Résolution d’un système d’équations à l’aide de matrices . 34
2.7 Application de la méthode de Gauss . . . . . . . . . . . . . . . . . 36
2.7.1 Trouver le rang d’une matrice . . . . . . . . . . . . . . . . 36
2.7.2 Calcul de l’inverse d’une matrice carrée par l’algorithme
de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3 Espaces vectoriels 41
3.1 Définition d’un espace vectoriel . . . . . . . . . . . . . . . . . . . 41
3.2 Sous-espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.3 Combinaisons linéaires . . . . . . . . . . . . . . . . . . . . . . . . 43
3.4 Famille libre, Famille liée, Famille génératrice . . . . . . . . . . . 44
3.4.1 Famille génératrice . . . . . . . . . . . . . . . . . . . . . 44
3.4.2 Famille libre, Famille liée . . . . . . . . . . . . . . . . . . . 44
3.5 Base d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . 45
3.6 Applications linéaires . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.6.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.6.2 Noyau et image d’une application linéaire . . . . . . . . . . 48
ii Algèbre linéaire
Chapitre 1
Calcul matriciel
1.1 Introduction
Dans de nombreuses analyses économiques, les différentes variables sont reliées
entre elles par des équations linéaires. L’algèbre linéaire fournit une notation
claire et précise pour formuler et résoudre de tels problèmes. Dans ce chapitre,
nous allons tout d’abord définir la notion de matrice. Nous nous intéresserons
ensuite aux différents types de matrices et aux opérations usuelles telles que
l’arithmétique, le calcul du déterminant ou de l’inverse.
1.2 Matrices
1.2.1 Définition
Définition 1.2.1. Une matrice peut être considérée comme un tableau rectangu-
laire constitué de nombres, qui a m lignes et n colonnes.
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
A = (aij ) =  ..
 
.. .. .. 
 . . . . 
am1 am2 · · · amn
• aij est appelé élément ou coefficient de la matrice.
• L’élément aij est caractérisé par sa valeur et par sa position.
• i est le no de la ligne et j le no de la colonne.
Définition 1.2.2.
• Une matrice de m lignes et de n colonnes est dite de type (m, n).
• Si m = n la matrice est dite matrice carrée d’ordre n.
• une matrice d’ordre (m × 1)est appelée vecteur-colonne .
• une matrice d’ordre (1 × n)est appelée vecteur-ligne .
1
Calcul matriciel
1.2.2 Exemples
Exemple 1.2.1. La matrice A suivante est carrée d’ordre 3.
 
4 0 −2
A =  17 −9 2 
34 1 −6
Exemple 1.2.2. Les matrices A d’ordre (4 × 1) et B d’ordre (1 × 2) sont respec-

tivement appelées vecteur colonne et vecteur ligne :
 
19
 23 
A=  −25  et B = 101 23

1.3 Matrices carrées particulières

1.3.1 Matrice Diagonale
Définition 1.3.1. On appelle diagonale d’une matrice carrée l’ensemble de
ses coefficients dont l’indice de ligne est égal à l’indice de colonne.
Exemple 1.3.1. A une matrice carrée dordre 3

 
2 7 5
A= 3 0 6 
1 4 1
La diagonale de A est la suite des éléments en gras.
Définition 1.3.2. On appelle matrice diagonale, toute matrice carrée dont

les coefficients sont tous nuls, sauf ceux de la diagonale.
Exemple 1.3.2. A une matrice diagonale dordre 4

 
3 0 0 0
 0 5 0 0 
 
 0 0 7 0 
0 0 0 1
1.3.2 Matrice nulle et matrice unité

Définition 1.3.3. La matrice nulle est une matrice dont tous ses termes sont
nuls, on la note 0
2 Algèbre linéaire
1.4 Opérations élémentaires sur les matrices
Définition 1.3.4. La matrice unité ou matrice identité est une matrice diagonale
dont tous les termes de la diagonale sont égaux à 1. On la note In avec n l’ordre
de la matrice
Exemple 1.3.3. In la matrice identité d’ordre 3
 
1 0 0
 0 1 0 
0 0 1
1.3.3 Matrice triangulaire

Définition 1.3.5. On appelle matrice triangulaire supérieure respective-
ment inférieure, toute matrice carrée dont les coefficients situés en dessous
(respectivement au-dessus) de la diagonale sont tous nuls.
Exemple 1.3.4. A une matrice dordre 3 triangulaire supérieure.
 
7 5 1
 0 2 3 
0 0 4
B une matrice d’ordre 3 triangulaire inférieure.
 
4 0 0
 9 2 0 
11 8 3

1.4.1 Égalité de deux matrices
Définition 1.4.1. Soient deux matrices A = (aij ) et B = (bij ). Ces deux
matrices sont égales si et seulement si :
• elles sont de même ordre
• ∀(i, j) aij = bij
1.4.2 Addition et soustraction de matrices

Définition 1.4.2. A = (aij ) et B = (bij ) sont deux matrices d’ordre (m × n).
• leur somme A + B est définie par la matrice C = (cij ) tel que :
∀(i, j) cij = aij + bij .
• leur soustraction A - B est définie par la matrice D = (dij ) tel que
∀(i, j) dij = aij − bij .
3
Calcul matriciel
Exemple 1.4.1. Soient les matrices A et B suivantes :

   
15 25 1 −20
A =  39 47  et B =  9 7 
2 −8 −10 12
   
16 5 14 45
A + B =  48 54  A − B =  30 40 
−8 4 12 −20
Remarque 1.4.1. La somme et la soustraction de deux matrices d’ordre différent
n’est pas définie
Théorème 1.4.1. Si A , B etC sont des matrices de même ordre, alors nous
avons :
• l’addition des matrices est commutative : A + B = B + A.
• l’addition des matrices est associative : A + (B + C) = (A + B) + C.
• La matrice nulle 0, est l’élément neutre pour l’addition :
A+0=0+A=A
• Si A + B = 0 alors B = −A est appelée matrice opposée de A
Si A = (aij ) alors B = (−aij )
Exemple 1.4.2. Soient les matrices A et B suivantes :

1 −1 6 −5
A= et B =
3 0 2 1

1 + 6 −1 + (−5) 6 + 1 (−5) + (−1)
A+B = = =B+A
3+2 0+1 2+3 1+0

7 −6
A+B =B+A=
5 1
Exemple 1.4.3. Soient les matrices A , B et C suivantes :

1 −1 6 −5 0 2
A= B= et C =
3 0 2 1 2 4

7 −6 0 2 7 −4
(A + B) + C = + =
5 1 2 4 7 5

1 −1 6 −3 7 −4
A + (B + C) = + =
3 0 4 5 7 5
1.4.3 Produit d’une matrice par un réel

Définition 1.4.3. Si λ ∈ R un scalaire et A = (aij ) une matrice, le produit λ.A
est la matrice de même ordre que A, obtenue en multipliant chaque élément aij
de A par λ :
λ.A = A.λ = (λ.aij ).
Exemple 1.4.4. Soit A une matrice d’ordre (4 × 3) .

   
4 6 2 12 18 6
 9 2 5   27 6 15 
A=  ⇒ (3A) =  
 11 8 3   33 24 9 
0 −3 1 0 −9 3
Théorème 1.4.2. Soit A et B deux matrice de même ordre et λ et µ deux

scalaires, on a :
1. λ(A + B) = λA + λB
2. (λ + µ)A = λA + µA
3. (λ.µ)A = λ(µA) = µ(λA)
4. La matrice A multipliée par le scalaire 1 est égale à la matrice A.
5. La matrice A multipliée par le scalaire 0 est égale à la matrice nulle.
6. La matrice nulle multipliée par le scalaire λ est égale à la matrice nulle.
1.4.4 Produit de deux matrices

Définition 1.4.4. Soient A et B deux matrices
• Le produit AB est defini si et seulement si le nombre de colonnes de A est
égal au nombre de lignes de B.
• Si A est d’ordre (m × n) et B d’ordre (n × q) alors le produit AB est defini
par la matrice C = (Cij ) d’ordre (m × q) dont les éléments sont obtenus
par :
Cij = ai1 × b1j + ai2 × b2j + · · · + ain × bnj
n
X
Cij = aik × bkj
k=1
i = 1 · · · m et j = 1 · · · q
On dit que le coefficient Cij est obtenu en multipliant la ième ligne de A par la
jème colonne de B.
5
Calcul matriciel
Exemple 1.4.5. Soient A et B les matrices suivantes :

 
1 2
1 3 0
A= et B =  0 2 
−1 1 2
0 −1

1×1+3×0+0×0 1 × 2 + 3 × 2 + 0 × −1
A.B =
−1 × 1 + 1 × 0 + 2 × 0 −1 × 2 + 1 × 2 + 2 × −1

1 8
A×B =
−1 −2
Théorème 1.4.3. Si A, B et C sont trois matrices dont le produit et la somme
sont définis, nous avons :
1. (AB) C = A (BC) (associativite)
2. A . (B + C) = AB + AC (distributivite à droite).
3. ( A+B) × C = AC + BC (distributivite à gauche).
4. Si In et Ip sont les matrices unité d’ordre n et p et A une matrice d’ordre
(n,p), alors
In .A = A et A.Ip = A
Exemple 1.4.6. Soient A, B et C trois matrices d’ordre 2.

1 −1 6 −5 0 2
A= , B= et C =
3 0 2 1 2 4

4 −6 0 2 −12 −16
(A.B).C = . =
18 −15 2 4 −30 −24

1 −1 −10 −8 −12 −16
A.(B.C) = . =
3 0 2 8 −30 −24
Remarque 1.4.2.
• La multiplication de deux matrices n’est pas commutative
• La division de deux matrices n’existe pas, mais on verra que la multiplication
par l’inverse d’une matrice a des similitudes avec la division dans R.
1.5 Transposée d’une matrice

1.5.1 Définition
Définition 1.5.1. Soit A = (aij ) une matrice d’ordre (n × p), on appelle trans-
popsée de A la matrice t A d’ordre (p × n) définie par
t
A = (a0ij ), avec a0ij = aji ∀ 1 ≤ i ≤ p et∀ 1 ≤ j ≤ n
1.6 Matrice symétrique et matrice antisymétrique
Exemple 1.5.1. Soit la matrice A d’ordre (2 × 3),

 
1 0
1 3 2
A= ⇒ (t A) =  3 1 
0 1 −1
2 −1
Remarque 1.5.1. Le produit d’une matrice et sa transposée est une matrice

carrée
1.5.2 Propriétés
Proposition 1.5.1. Si A et B sont deux matrices dont la somme et le produit
sont définis, on alors les relations suivantes :
• t (A + B) =t A +t B
• t (A.B) =t B.t A
• t (t A) = A
Exemple 1.5.2. Soient A et B deux matrices d’ordre 2.

1 −1 6 −5
A= et B =
3 0 2 1

t 1 3 t 6 2
A= et B =
−1 0 −5 1
Donc
t t 7 5 t4 t18
A+ B = et B. A =
−6 1 −6 −15

7 −6 t 7 5
A+B = ⇒ (A + B) =
5 1 −6 1

4 −6 t 4 18
A.B = ⇒ A.B =
18 −15 −6 −15
1.6 Matrice symétrique et matrice antisymétrique

Définition 1.6.1.
• Une matrice carrée A est dite symétrique ssi
t
A=A
• Une matrice carrée A est dite antisymétrique ssi

t
A = −A
7
Calcul matriciel
Exemple 1.6.1.
• A une matrice symétrique
 
−1 2 4
A= 2 5 9 
4 9 45
• A une matrice antisymétrique
 
0 2 4 −9
 −2 0 −5 3 
 
 −4 5 0 −10 
9 −3 10 0
Remarque 1.6.1.
1. Les éléments de la diagonale principale d’une matrice antisymétrique sont
nuls.
2. Soit A une matrice carrée quelconque :
• A + (t A) est une matrice symétrique
• A − (t A)est une matrice antisymétrique
Exemple 1.6.2. Soit la matrice carrée suivante :
 
1 3 2
A =  0 1 −1 
2 5 4
     
1 3 2 1 0 2 2 3 4
t
A+ A=  0 1 −1  +  3 1 5  =  3 2 4 
2 5 4 2 −1 4 4 4 8
     
1 3 2 1 0 2 0 3 0
A −t A =  0 1 −1  −  3 1 5  =  −3 0 −6 
2 5 4 2 −1 4 0 6 0
1.7 Trace d’une matrice carrée

1.7.1 Définition
Définition 1.7.1. La trace d’une matrice carrée est la somme des éléments
de la diagonale.
Si A = a(ij ) une matrice carrée d’ordre n, on définit sa trace comme suit :
n
X
tr(A) = aii
i=1
1.7 Trace d’une matrice carrée
Exemple 1.7.1. Soit la matrice carrée de l’exemple précédent :

 
1 3 2
A =  0 1 −1  ⇒ tr(A) = 1 + 1 + 4 = 6
2 5 4
1.7.2 Propriétés
Proposition 1.7.1.
• tr(t A) = tr(A).
• Si A et B sont deux matrices carrées de même ordre, alors on a :
tr(A + B) = tr(A) + tr(B).
• Si A est d’ordre (m,n) et B d’ordre (n,m), alors on a :
tr(A.B) = tr(B.A).
Exemple 1.7.2. Soit la matrice carrée de l’exemple précédent, vérifions que
tr(A) = tr(t A)
 
1 3 2
A =  0 1 −1  ⇒ tr(A) = 1 + 1 + 4 = 6
2 5 4
 
1 0 2
t
A =  3 1 5  ⇒ tr(t A) = 1 + 1 + 4 = 6 = tr(A)
2 −1 4
Exemple 1.7.3. Soient les deux matrices A et B suivantes, vérifions que
tr(A) + tr(B) = tr(A + B)

1 −1
A= ⇒ tr(A) = 1 + 0 = 1
3 0

6 −5
B= ⇒ tr(B) = 6 + 1 = 7
2 1

7 −6
A+B = ⇒ tr(A + B) = 7 + 1 = tr(B) + tr(A)
5 1
9
Calcul matriciel
Exemple 1.7.4. Soient la matrice A d’ordre (2,3) et la matrice B d’ordre (3,2)

suivantes :  
0 −1
2 1 −1
A= B= 1 0 
1 2 0
1 1
Nous allons vérifier que tr(A.B)=tr(B.A) :

0 −3
AB = ⇒ tr(A.B) = 0 + (−1) = −1
2 −1
 
−1 −2 0
BA =  2 1 −1  ⇒ tr(B.A) = −1 + 1 + (−1) = −1
3 3 −1
1.8 Déterminant d’une matrice carrée

1.8.1 Déterminant d’une matrice carrée d’ordre 2
Définition 1.8.1. Soit :
a11 a12
A=
a21 a22
Une matrice carrée d’ordre 2, alors le déterminant de A est défini par l’égalité :

a11 a12
|A| = = a11 a22 − a21 a12
a21 a22
Exemple 1.8.1. Trouver le déterminant de la matrice :

3 −2
A=
1 4
Solution
Le déterminant est :

3 −2
|A| = = (3 ∗ 4) − (1 ∗ (−2)) = 12 + 2 = 14
1 4
1.8.2 Déterminant d’une matrice carrée d’ordre 3 par la

méthode de Sarrus
Soit  
a11 a12 a13
A =  a21 a22 a23 
a31 a32 a33
une matrice carrée d’ordre 3
La règle de Sarrus consiste à écrire les trois colonnes de la matrice A et à
répéter dans l’ordre :
• Soit les deux premières lignes en dessous de la matrice A pour obtenir la

matrice augmentée en ligne suivante :
 
a11 a12 a13

 & % 

 a21 a22 a23 
 

 & & 


 % % 

AL =  a
 31 a32 a33 


 & & 


 % % 

 a11 a12 a13 
 
 % & 
a21 a22 a23
Il suffit alors d’effectuer les produits des coefficients de chaque diagonale

et d’en faire la somme si la diagonale est descendante (flèche noire) ou la
différence si la diagonale est ascendante (flèche rouge).
|A| = a11 a22 a33 + a21 a32 a13 + a31 a12 a23 − a21 a12 a33 − a11 a32 a23 − a31 a22 a13
• Soit les deux premières colonnes à droite de la matrice A pour obtenir la

matrice augmentée en colonne suivante :
 
a11 a12 a13 a11 a12

 & & & 


 % % % 

 a21
AC =  a22 a23 a21 a22 


 & & & 

 % % % 
a31 a32 a33 a31 a32
et effectuer les produits des coefficients de chaque diagonale et d’en faire la

somme si la diagonale est descendante (flèche noire) ou la différence si la
diagonale est ascendante (flèche rouge).
|A| = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 − a33 a21 a12 − a32 a23 a11 − a31 a22 a13
Remarque 1.8.1.
ATTENTION : La méthode de Sarrus ne marche que pour les matrices
carrés d’ordre 3
11
Calcul matriciel
Exemple 1.8.2. Calculer le déterminant de la matrice

 
2 −3 1
A =  3 2 −3 
5 4 −2
Solution
 
2 −3 1

 & % 

 3
 2 −3 


 & & 


 % % 

AL = 
 5 4 −2 


 & & 


 % % 

 2
 −3 1 

 % & 
3 2 −3
|A| = 2 ∗ 2 ∗ (−2) + 3 ∗ 4 ∗ 1 + 5 ∗ (−3) ∗ (−3) − 3 ∗ (−3) ∗ (−2) − 2 ∗ 4 ∗ (−3) − 5 ∗ 2 ∗ 1)

= −8 + 12 + 45 − 18 + 24 − 10 = 45
de même si on considère la matrice
 
2 −3 1 2 −3

 & & & 


 % % % 

AC =  3 2 −3 3 2 


 & & & 

 % % % 
5 4 −2 5 4
|A| = 2 ∗ 2 ∗ (−2) + (−3) ∗ (−3) ∗ 5 + 1 ∗ 3 ∗ 4 − (−2) ∗ 3 ∗ (−3) − 4 ∗ (−3) ∗ 2 − 5 ∗ 2 ∗ 1)

= −8 + 45 + 12 − 18 + 24 − 10 = 45
dans les deux cas on trouve la même valeur pour le déterminant.
1.8.3 Déterminant d’une matrice carrée d’ordre n > 2 par

la méthode de cofacteurs
Pour calculer le déterminant d’une matrice d’ordre n > 2, nous allons intro-
duire les notions de sous matrice et de cofacteur qui vont permettre de ramener
le calcul du déterminant d’ordre n au calcul de déterminant d’ordre 2.
Définition 1.8.2.
1. Soit A une matrice carrée d’ordre n, on appelle sous-matrice Aij la ma-
trice d’ordre (n − 1) obtenue en supprimant la i ème ligne et la j ème
colonne de la matrice A.
2. Le déterminant d’une sous-matrice Aij est appelé mineur de l’élément
aij .
3. La signature d’un élément aij est donnée par (−1)i+j .
4. Le cofacteur d’un élément aij est le produit de soin mineur par sa signa-
ture, soit :
(−1)i+j |Aij |.
Exemple 1.8.3. Trouver la sous-matrice A23 , le mineur de a12 et le cofacteur
de a32 de la matrice :  
5 2 −3
 −6 4 7 
8 −1 −4
Solution
La sous matrice
5 2
A23 =
8 −1
Elle est obtenue en éliminant la ligne 2 et la colonne 3 de la matrice A.
Le mineur de a12 est le déterminant de la sous matrice A12 soit :

−6 7
|A12 | = = 24 − 56 = −32
8 −4
Le cofacteur de l’élément a32 est le produit du mineur de a32 par sa signature,
soit :
3+2 5 5
−3
(−1) |A32 | = (−1) = −1(35 − 18) = −17
−6 7
Remarque 1.8.2. La signature est positive lorsque (i + j) est pair et négative
lorsque (i+j) est impair. En pratique, lorsque la signature d’élément est négative,
on change le signe de son mineur pour obtenir le cofacteur et si la signature
est positive, on conserve le même signe. La signature des éléments alterne d’un
élément à l’autre.la signature d’une matrice carrée d’ordre n est :
− . . . (−1)1+j . . . (−1)1+n
 
+
 − + . . . (−1)2+j . . . (−1)2+n 
 .. .. .. .. .. .. 
. . . . . .
 
 
i+1 i+j i+n 
(−1) . . . . . . (−1) . . . (−1)

 
 .. .. .. .. .. .. 
 . . . . . . 
(−1)n+1 . . . . . . (−1)n+j . . . +
13
Calcul matriciel
Définition 1.8.3. Le déterminant d’une matrice carrée d’ordre n est obtenue en

effectuant la somme des produits de chaque élément d’une ligne (ou colonne) par
son cofacteur respective.
Théorème 1.8.1. Si A une matrice carrée d’ordre n, alors,
|A| = ai1 |Ai1 | + ai2 |Ai2 | + . . . + ain |Ain |
pour tout i, 1 ≤ i ≤ n. de même,
|A| = a1j |A1j | + a2j |A2j | + . . . + anj |Anj |
pour tout j, 1 ≤ j ≤ n.
Exemple 1.8.4. Calculer le déterminant de la matrice :
 
3 −2 1
 2 −3 4 
5 −1 2
Solution
Développons le déterminant à partir de la première ligne :

3 −2 1
−3 4

+ 2 2 4 + 1 2 −3

2 −3 4 = 3
−1 2 5 2 5 −1
5 −1 2
Donc

3 −2 1

2 −3 4 = 3(−6 + 4) + 2(4 − 20) + 1(−2 + 15) = −6 − 32 + 13 = −25

5 −1 2
Exemple 1.8.5. Calculer le déterminant de la matrice :

 
3 −2 1 0
 2 −3 4 0 
A=  5 −1 2 0 

4 3 1 9
Solution
Développons le déterminant à partir de la quatrième colonne :

3
−2 1
4+4
|A| = (−1) ∗ 9 2 −3 4 = 9 ∗ (−25) = −225
5 −1 2
1.8.4 Propriétés des déterminants

Les propriétés des déterminants permettent de simplifier le calcul des déter-
minants, surtout pour un déterminant d’ordre élevé.
Théorème 1.8.2. Soit A une matrice carrée d’ordre n.

1. Si tous les éléments d’une ligne ( ou d’une colonne ) de A sont nuls alors
|A| = 0
2. Si deux lignes ou deux colonnes de A sont proportionnelles alors |A| = 0

a11 a12 a13

a21 a22 a23 =0

ka11 ka12 ka13
3. Si on fait une permutation de deux lignes ou de deux colonnes, il faut mul-

tiplier le déterminant par (-1).

a11 a12 a13 a21 a22 a23

a21 a22 a23 = − a11 a12 a13

a31 a32 a33 a31 a32 a33
4. Si chaque élément d’une ligne ( ou de colonne) d’une matrice A est la

somme de deux quantités, alors le déterminant de A peut être écrit comme
une somme de deux déterminants.

a 11 a 12 a 13
a11 a12 a13 a11 a12 a13

a 21 a 22 a 23
= a21 a22 a23 + a21 a22 a23

a31 + b31 a32 + b32 a33 + b33 a31 a32 a33 b31 b32 b33
5. Si on a une ligne (resp. une colonne) combinaison linéaires des autres lignes
(resp.des autres colonnes) alors |A| = 0

a11 a12 a13

a 21 a 22 a23 =0

αa11 + βa21 αa12 + βa22 αa13 + βa23
6. Le déterminant ne change pas si l’on ajoute à une ligne (resp.à une colonne)
une combinaison linéaire des autres lignes (resp. des autres colonnes).

a11 a12 a13 a11 a12 a13

a21 + ka11 a22 + ka12 a23 + ka13 = a21 a22 a23

a31 a32 a33 a31 a32 a33
15
Calcul matriciel
7. Soit A et B deux matrices qui ne diffèrent que par le fait que les éléments
d’une ligne (ou d’une colonne) de la matrice B sont obtenus en multipliants
par k les éléments de même adresse de A. alors
|A| = k|B|

a11 a12 a13 a11 a12 a13

ka21 ka22 ka23 = k a21 a22 a23

a31 a32 a33 a31 a32 a33
8. det(A) = det(t A)
9. det(A.B) = det(A).det(B)
10. Le déterminant d’une matrice triangulaire est égal au produit des éléments
de la diagonale principale.
11. Le déterminant d’une matrice diagonale est égal au produit des éléments de
la diagonale principale.
Remarque 1.8.3. Le déterminant d’une matrice identité (quel que soit son
ordre) est égal à 1.
1.9 La comatrice d’une matrice

Définition 1.9.1. Soit A = (aij ) une matrice carrée d’ordre n.
On appelle comatrice (ou matrice adjointe) de A, la matrice carrée d’ordre n ,
notée com(A) (ou Adj(A) ) définie par :
 
411 412 · · · 41n
 421 422 · · · 42n 
com(A) =  ..
 
.. .. .. 
 . . . . 
4n1 4n2 · · · 4nn
où 4ij = (−1)i+j Aij est le cofacteur associé à l’élément aij de A.
Exemple 1.9.1. Soit

2 −4
A=
−3 1

(−1)1+1 A11 (−1)1+2 A12
com(A) =
(−1)2+1 A21 4 (−1)2+2 A22

1 3
com(A) =
4 2
1.10 Inverse d’une matrice
Exemple 1.9.2. Soit  

1 2 3
B= 0 1 2 
−1 −4 −1
 
1 2 0 2 + 0 1

+
 −4 −
 −1 −1 −1 −1 −4 

 
 
 2 3 1 3 − 1 2

 − −4
com(B) =  +

 −1 −1 −1 −1 −4 

 
 
 2 3 1 3 1 2 
+ − +
1 2 0 2 0 1
 
7 −2 1
com(B) =  −10 2 2 
1 −2 1
1.10 Inverse d’une matrice

1.10.1 Définition et exemples
Définition 1.10.1. On appelle matrice inverse de la matrice carrée A d’ordre n,
la matrice, si elle existe, notée A−1 telle que
A.A−1 = A−1 .A = In
obtenue par la relation suivante

1 t
A−1 = . Com(A).
|A|
Remarque 1.10.1. Une matrice n’est inversible que si son déterminant est non
nul.
Exemple 1.10.1. Soit A une matrice d’ordre 2.

3 1
A=
2 0
Pour calculer son inverse, nous commençons par calculer son déterminant :
det(A) = (3.0) − (2.1) = −2
17
Calcul matriciel
puis la comatrice de A et sa transposée.

0 −2 t 0 −1
com(A) = ⇒ com(A) =
−1 3 −2 3
puis finalemént l’inverse de A.

−1 1 1 0 −1 1 0 1
A = .t com(A) = − =
det(A) 2 −2 3 2 2 −3
1.10.2 Quelques Propriétés de l’inverse

Propriétés 1.10.1. Soit A une matrice d’ordre n inversible
• L’inverse A−1 de A est unique.
• A−1 est inversible et (A−1 )−1 = A
• t A est inversible et (t A)−1 =t (A−1 )
• det(A−1 ) = detA
1
Propriétés 1.10.2. Soient A et B deux matrice d’ordre n.

• Si A est inversible, alors AB = 0 ⇒ B = 0
• Si A et B sont inversibles alors A.B est inversible et
(A.B)−1 = B −1 .A−1
1.11 Rang d’une matrice

1.11.1 Définitions
Définition 1.11.1 (Sous matrice).
Soit A une matrice d’ordre (m × n).
On appelle sous-matrice de A, une matrice qui est obtenue à partir de la
matrice A lorsqu’on élimine une ou plusieurs lignes (ou colonnes)de A.
Définition 1.11.2 (Rang d’une matrice).

Soit A une matrice d’ordre (m × n) On appelle rang d’une matrice l’ordre de
la plus grande sous-matrice carrée dont le déterminant est non nul.
Remarque 1.11.1.
• Le rang d’une matrice A est noté rg(A)
• Si A d’ordre (m × n), alors rg(A) ≤ min(m, n).
1.11 Rang d’une matrice
1.11.2 Exemples
Exemple 1.11.1. Si A est la matrice suivante d’ordre (2 × 3) ; cherchons son
rang :
1 3 2
A=
1 3 1
la sous-matrice
carrée
d’ordre 2, composée de la deuxième et de la troisième
3 2
colonne A1 est inversible det(A1 ) = 3 − 6 = −3 6= 0. II existe donc au
3 1
moins une sous-matrice d’ordre 2 dont le déterminant est différent de zero.Par
conséquent rg(A) = 2
Exemple 1.11.2. Soit  

1 0 1
B =  0 5 −1 
−1 0 −1
On remarque que L3 = −L1 , donc det(B) = 0 ce qui implique
que rg(B) < 3.
5 −1
Considérons maintenant la sous matrice B1 =
0 −1
det(B1 ) = −5 6= 0 ⇒ rg(B) = 2
Remarque 1.11.2.
• Le rang d’une matrice carrée d’ordre n inversible est égal à n (rg(A) = n).
• Si tons les éléments d’une matrice sont nuls, on dit que le rang est zéro.
• Si une matrice A d’ordre (m × n) a un rang maximal rg(A) = min(m, n),
on dit que la matrice a un rang complet.
1.11.3 Transformations élémentaires ne changeant pas le

rang d’une matrice
II est évident que le calcul du rang d’une matrice peut être une opération
très Longue. Prenons le cas d’une matrice carrée d’ordre n. Nous devons d’abord
calculer le déterminant de la matrice elle-même. Si le déterminant est différent
de zéro, le rang est n mais s’il est égal à zéro, il faudra calculer le déterminant
des sous-matrices d’ordre (n - 1). Or, il y en a n2 . Si toutes ces sous-matrices
ont un déterminant nul, il faut passer aux sous-matrices d’ordre (n - 2) et ainsi
de suite. C’est pour cette raison que nous allons voir une méthode qui facilite la
détermination du rang d’une matrice. Cette méthode se base sur les transforma-
tions élémentaires.
Il existe trois types de transformations élémentaires :
19
Calcul matriciel
1. Le fait d’échanger deux lignes (colonnes),
Li ↔ Lj , (Ci ↔ Cj ), ; (i 6= j)
2. Le fait de multiplier une ligne (colonne) par un réel non nul,
Li ↔ αLi , (Ci ↔ αCi ), (α 6= 0)
3. Le fait d’ajouter à une ligne ( colonne)le multiple d’une autre ligne (colonne)
Li ↔ Li + αLj , (Ci ↔ Ci + αCj ), (i 6= j)
Ces transformations élémentaires ne changent pas le rang de la matrice. Ainsi,

nous allons utiliser ces transformations pour réduire une matrice A à sa forme
normale.
1.11.4 Propriétés du rang

Théorème 1.11.1. Soit les matrices Am,n , Bm,n et Dn,p
1. rang(A) = rang(t A)
2. rang(A) ≤ min(m, n)
3. rang(A + B) ≤ rang(A) + rang(B)
4. ran(AD) ≤ min(rang(A), rang(D))
1.12 La forme normale d’une matrice

1.12.1 Définition et Exemples
Définition 1.12.1. Si A est une matrice d’ordre (m × n) sa forme normale est
la suivante :
n−r

r


 p1 0 · · · 0q p0 · · · 0q  
 r 0 1 · · · 0 0 · · · 0 
 . .
.. .. . . . .. . .
.. .. . 
.. 
 . Ir 0
=
 
x0 0 · · · 1y x0 · · · 0y  0 0


p0 0 · · · 0q p0 · · · 0q 
 

.. .. . . . .. . . .
. .. . ..
 
 m−r . . . 
x0 0 · · · 0y x0 · · · 0y
Le rang de cette matrice est r, car la plus grande sous-matrice inversible est
d’ordre r.
1.12 La forme normale d’une matrice
Exemple 1.12.1.
1. La forme normale d’une matrice carrée d’ordre 3 inversible est :
 
1 0 0
Id3 =  0 1 0 
0 0 1
2. La forme normale d’une matrice carrée d’ordre (3 × 2) de rang 2 est :

 
1 0
 0 1 
0 0
1.12.2 Technique pour trouver la forme normale d’une

matrice
Soit une matrice A = (aij ) d’ordre (m × n), on peut obtenir la forme nor-
male de la matrice A et, par conséquent, son rang en procédant d’une manière
systématique :
1. On utilise des transformations élémentaires du type 1 si l’élément en posi-
tion (1,1) est nul.
Si a11 = 0 , L1 ↔ Li tel que ai1 6= 0
2. Pour avoir a11 = 1

1
L1 = L1
a11
3. Pour avoir ai1 = 0, i 6= 1 ;
Li = Li − ai1 L1
4. Pour avoir a1j = 0, j 6= 1 ;

Cj ↔ Cj − a1j C1
5. On répète les points 1 à 4 pour l’élément a22

6. On continue le procédé le long de la diagonale principale .
7. le procédé s’achève lorsque l’on arrive à la fin de la diagonale et tous les
éléments non nuls ont été utilisés.
Exemple 1.12.2. En utilisant la forme normale de la matrice suivante, trouver
son rang.  
0 2 1 2
D= 3 3 6 9 
4 3 3 5
21
Calcul matriciel
Nous appliquons les points 1 à 4 pour l’élément a11

 
3 3 6 9
L1 ↔ L2 D =  0 2 1 2 
4 3 3 5
 
1 1 2 3
L1 = 13 L1 D= 0 2 1 2 
4 3 3 5
 
1 1 2 3
L2 = L2 − 0.L1
D= 0 2 1 2 
L3 = L3 − 4.L1
0 −1 −5 −7
 
C2 = C2 − 1.C1 1 0 0 0
C3 = C3 − 2.C1 D= 0 2 1 2 
C4 = C4 − 3.C1 0 −1 −5 −7
Nous reprenons les points 1 à 4 pour I’élément (2, 2). Le point 1 n’est pas neces-
saire car l’élément (2, 2) = 2 est non nul.
 
1 0 0 0
1
L2 = 21 L2 D =  0 1 2
1 
0 −1 −5 −7
 
1 0 0 0
L3 ↔ L3 + L2 D =  0 1 12 1 
−9
0 0 2 −6
 
1 1 0 0 0
C3 ↔ C3 − 2 C2
D= 0 1 0 0 
C4 ↔ C4 − C2 −9
0 0 2 −6
Appliquons le point 2 à la ligne 3, puis le point 4 à la colonne 4
 
1 0 0 0
1
L3 = −9 L3 ⇒ D =  0 1 0 0 
2 0 0 1 43
 
1 0 0 0
4
C4 = C4 − C3 ⇒ D =  0 1 0 0 
3
0 0 1 0
Donc rg(A)=3
Chapitre 2
Résolution des systèmes

d’équations linéaires
2.1 Introduction
Résoudre un système d’équations linéaires est un problème qui a préocupé
les mathématiciens à presque toutes les époques de l’histoire. Toutes sortes de
solutions ont été imaginées mais l’invention des matrices a permis de systématiser
les méthodes de solution.
Dans ce chapitre, nous allons voir que le calcul matriciel est un outil puissant et
bien adapte à ce genre de problèmes. II permet en effet d’accroitre la vitesse de
résolution de tels systèmes et d’en simplifier considérablement le calcul.
2.2 Définitions
Définition 2.2.1.
• On appelle équation linéaire à p inconnues toute équation de la
forme :
a1 x1 + a2 x2 + ...... + ap xp = b
x1 , x2 ......xp sont les inconnues
a1 , a2 , .......ap , b sont des coefficients numériques appartenant à R
• Un p-uplet (c1 , c2 , .....cp ) d’éléments de R vérifie l’équation ou est
solution de l’équation si l’égalité : a1 c1 + a2 c2 + .... + ap cp = b est
vérifié.
• L’équation 0x1 +0x2 +...+0xp = β est impossible si β 6= 0 indéterminé
si β = 0.
Remarque 2.2.1. Lorsque l’équation comporte peu d’inconnue, on les notes par
commodité : x, y, z, t, ....
23
Résolution des systèmes d’équations linéaires
Définition 2.2.2.
• On appelle système de n équations linéaires à p inconnues le n-
uplet d’équations :
a11 x1 + ... + a1j xj + .... + a1p xp , = b1










 a21 x1 + ... + a2j xj + .... + a2p xp , = b2

 ..
.

(S)
 ai1 x1 + ... + aij xj + .... + aip xp , = bi
..






 .



 an1 x1 + ... + anj xj + .... + anp xp , = bn
Où les coefficients aij et bi (1 ≤ i ≤ n, 1 ≤ j ≤ p) sont des élémets

de R et où les inconnues sont x1 , ....xp .
• La ie équation : a11 x1 + ... + a1j xj + .... + a1p xp , = b1 est notée Li et
appelée ie ligne de (S).
• On appelle système homogène un système dont tous les seconds
membres sont nuls ∀ 1 ≤ i ≤ n, bi = 0.
• Un p-uplet (c1 , c2 , .....cp ) est solution du système (S) s’il est solution
des n équations composants le système.
• Résoudre le système (S) consiste à trouver l’ensemble des solu-
tions de (S).
• Un système n’ayant aucune solution est dit impossible.
• Un système ayant plusieurs solutions est dit indéterminé.
Remarque 2.2.2. Un système homogène admet toujours la solution nulle (0, 0...., 0).
Définition 2.2.3. Deux systèmes S et S’ sont équivalents s’ils ont même

ensemble de solutions.
2.3 Opérations élémentaires sur les lignes d’un

système
Soit (S) un système de n équations linéaires à p inconnues.
Définition 2.3.1. On appelle opération élémentaire sur les lignes d’un système :
• Le fait d’échanger deux lignes, Li ↔ Lj , (i 6= j)

• Le fait de multiplier une ligne par un réel non nul, Li ↔ αLi , (α 6= 0)
• Le fait d’ajouter à une ligne le multiple d’une autre ligne, Li ↔ Li + αLj ,
(i 6= j)
2.4 Écriture matricielle d’un système linéaire
Proposition 2.3.1. En effectuant une opération élémentaire sur les lignes d’un
système (S), on obtient un système (S’) qui lui est équivalent.
Remarque 2.3.1. Il faut faire bien attention à ne faire qu’une opération élé-
mentaire à la fois.
2.4 Écriture matricielle d’un système linéaire

 
x1
 x2 
En introduisant une matrice colonne inconnue X =  , on peut écrire
 
..
 . 
xp
le système (S) comme une équation entre des matrices :
AX = b
Avec    
a11 a12 . . . a1p b1
 a21 a22 . . . a2p   b2 
A= et b = 
   
.. .. .. ..  .. 
 . . . .   . 
an1 an2 . . . anp bn
Remarque 2.4.1.
– A est une matrice d’ordre (n,p) appelée matrice du système S
– X est un vecteur-colonne à p composantes appelé vecteur des inconnues
– b est un vecteur-colonne a n composantes appelé vecteur des constantes.
Définition 2.4.1 (Rang d’un système linéaire).
On appelle le rang d’un système linéaire, celui de sa matrice.
Exemple 2.4.1.
Ecrivons le système d’équations linéaires S1 suivant sous forme matricielle :


 x1 − 2x2 + 3x3 = 16
2x1 + 2x2 − x3 = 0

S1

 x1 + x2 + 5x3 = 11
x1 + x2 − 6x3 = −11

Nous avons quatre équations (n = 4) et trois inconnues (p=3). La matrice des

coefficients A est donc une matrice d’ordre (4 , 3) :
 
1 −2 3
 2 2 −1 
A=  1 1

5 
1 1 −6
25
Le vecteur des inconnues X est un vecteur à trois composantes :

 
x1
X =  x2 
x3
Le vecteur des constantes b est un vecteur à quatre composantes :

 
16
 0 
b=  11 

−11
Nous avons finalement le système suivant :

   
1 −2 3   16
x1
 2 2 −1     0 

 1 . x2  =  
1 5   11 
x3
1 1 −6 −11
Le rang du système S1 est égal à trois puisque le rang de sa matrice associé A est
égal à trois.  
1 −2 3
En effet le déterminant de la sous matrice  1 1 5  est diff érent de 0.
1 1 −6
En effectuant l’opération L3 = L3 − L2 , on obtient

1 −2 3 1 −2 3
3+3
1 −2
1 1 5 = 1 1 5 = −11(−1) = −11(1+2) = −33 6= 0

1 1 −6 0 0 −11 1 1
2.5 Résolution des systèmes linéaires par la mé-

thode de Cramer
La méthode de Cramer dite aussi méthode des déterminants est une méthode
qui est simple dans son application, mais qui peut devenir très fastidieuse lorsque
le nombre de variables devient élevé puisqu’elle repose uniquement sur le calcul
des déterminants.
2.5.1 Définition d’un système de Cramer

Définition 2.5.1. On dit qu’un système linéaire (S) est de Cramer si le nombre
de ses inconnues p est égal au nombre de ces équations n’, c’est à dire un système
de n équations à n inconnues et en plus son ordre est égal à son rang r (n = r).
2.5 Résolution des systèmes linéaires par la méthode de Cramer
Proposition 2.5.1.
• Un système linéaire de n équations à n inconnues est de Cramer si et
seulement le déterminant de la matrice associe est non nul.
• Un système linéaire de n équations à n inconnues est de Cramer s’il admet
une solution unique.
2.5.2 Principe de la méthode de Cramer

La méthode de cramer permet de calculer les valeurs des inconnues en suivant
trois étapes successives :
1. Calculer le déterminant de la matrice A associée au système S. Ce résultat
doit être différent de 0 sinon le système n’a pas de solution.
2. Calculer le déterminant de la matrice Ai obtenue en remplaçant la i eme
colonne par les éléments du vecteur colonne du second membre b
3. Ces deux opérations préalables permettent d’obtenir les solutions du sys-
tème S en posant
|Ai |
xi =
|A|
Exemple 2.5.1.
Résoudre par la méthode de CRAMER le système d’équations suivant :

 2x1 − 3x2 + 5x3 , =-8 ;
4x1 − 2x2 + x3 , =12 ;
x1 + 5x2 − x3 , =-3.

Solution
Le déterminant de la matrice des coefficients est :

2 −3 5

4 −2 1 = 89

1 5 −1
Le déterminant étant différent de zéro, la solution est unique est donnée par :

−8 −3 5

2 −8 5

2 −3 −8

12 −2 1

4 12 1

4 −2 12

−3 5 −1

1 −3 −1

1 5 −3

x1 = 89
= 3 x2 = 89
= −2 x3 = 89
= −4
27
2.6 Résolution des systèmes linéaires par la mé-

thode de Gauss
L’objet de cette section est de présenter une méthode systématique permettant
de transformer un système quelconque en un système équivalent facile à résoudre.
C’est la méthode d’élimination de Gauss qui consiste à éliminer les x1 à partir
de la deuxième ligne en descendant, puis les x2 à partir de la troisième ligne
en descendant et ainsi de suite. Cette méthode de résolution consiste donc à
construire une suite de systèmes équivalents jusqu’à ce qu’on obtienne un système
échelonné.
2.6.1 Technique de la méthode de Gauss

Soit S un système de n équations linéaires à p inconnues.
1. On échange les lignes de 1 à n de telle sorte que le coefficient en x1 , dans
la première ligne soit non nul. C’est notre pivot a11 .
2. On soustrait à la ie ligne un multiple de la première ligne de telle sorte que
le coefficient en x1 de la ie ligne soit nul,
ai1
Li ↔ Li − L1 (2 ≤ i ≤ n)
a11

L1
Le système (S) est transforme en le système équivalent
(S1)
Où (S1 ) est un système de (n−1) équations à (p−1) inconnues : x2 , x3 , ...., xp
3. On applique la méthode décrite dans1. et 2. à (S1 ) qui va être transformé
L2
à son tour en un système équivalent
(S2)
Où (S2 ) est un système de (n−2) équations à (p−2) inconnues : x3 , x4 , ...., xp
4. Le processus s’arrête car à chaque étape, le nombre d’équations et le nombre
d’inconues diminuent
5. On trouve à la fin un système triangulaire, il suffit alors de ”remonter” :
Remarque 2.6.1.
1. Choix des pivots : à chaque étape, si cést possible, on a intérêt à
choisir un pivot simple ( 1 est souvent le meilleur choix ) .
2. Si lors d’une étape apparait une équation de la forme 0 = β
• Si β 6= 0 le processus s’arrête car (S) est impossible.

• Si β = 0 on peut supprimer l’équation (0=0) et continuer la
résolution.
2.6 Résolution des systèmes linéaires par la méthode de Gauss
Exemple 2.6.1. Résoudre



 2x2 + x3 = 2



x1 + 2x2 + x3 = 1




x1 − 2x2 + 2x3 = 3



 x1 + 2x2 + x3 = 1



L1 ↔ L2 2x2 + x3 = 2




x1 − 2x2 + 2x3 = 3


 x1 + 2x2 + x3 = 1
a21

L2 = L2 − a11 L1 = L2 


2x2 + x3 = 2
a31
L3 = L3 − a11 L1 = L3 − L1 



−4x2 + x3 = 2



 x1 + 2x2 + x3 = 1



 
 2x2 + x3 = 2
S

1



−4x2 + x3 = 2

 


 x1 + 2x2 + x3 = 1



 
2x2 + x3 = 2
a32 −4 
L3 = L3 − L2 = L3 − L2 = L3 + 2L2


a22 2


3x3 = 6

 
On obtient alors le système triangulaire supérieur suivant :



 x1 + 2x2 + x3 = 1



2x2 + x3 = 2




3x3 = 6

29
dont la solution est 


 x1 = 1 − 2x2 − x3 = −1



x2 = 12 (2 − x3 ) = 0




x3 = 2

S = {(−1, 0, 2)}


 x1 − x4 = 0




 x1 + 2x2 + x3 + 2x4 = 3


2x1 + 2x2 + 3x3 = 5









x1 − 2x2 + 2x3 + x4 = 4


 x1 − x4 = 0
a21 
L2 = L2 − L
a11 1
= L2 − L1 



2x2 + x3 + 3x4 = 3



a31
L3 = L3 − L
a11 1
= L3 − 2L1
2x2 + 3x3 + 2x4 = 5




a41
L4 = L4 − L = L4 − L1


a11 1


−2x2 + 2x3 + 2x4 = 4



 x1 − x4 = 0




 
2x2 + x3 + 3x4 = 3


 




S 2x2 + 3x3 + 2x4 = 5

1



 

 

 
−2x2 + 2x3 + 2x4 = 4

 


 x1 − x4 = 0




 
2x2 + x3 + 3x4 = 3


 
L3 = L3 − aa32 L2 = L3 − 22 L2 = L3 − L2



22

2x3 − x4 = 2




L4 = L4 − aa42 L2 = L4 − −22
L2 = L4 + L2

 


 22


3x3 + 5x4 = 7

 


 x1 − x 4 = 0




 2x2 + x3 + 3x4 = 3




2x3 − x4 = 2



 
S

2



3x3 + 5x4 = 7

 


 x1 − x4 = 0




2x2 + x3 + 3x4 = 3








 
 2x3 − x4 = 2

 a 43 3 
L = L − L = L − L

4 4 3 4 3
 13
a33 2  x = 4

2 4



 


On obtient le système triangulaire suivant :



 x1 − x4 =0




2x2 + x3 + 3x4 =3






 2x3 − x4 = 2



 13
x = 4

2 4




dont la solution est

8


 x1 = x4 = 13




x2 = 12 (3 − x3 − 3x4 ) = − 13
1






 x3 = 12 (2 + x4 ) = 17
13




x = 8

 4 13



8 1 17 8
Donc S = {( 13 , − 13 , 13 , 13 )}
31



 2x1 + 2x2 + x3 = 2



x1 + 2x2 + x3 = 1




x1 − 2x2 − x3 = 1



 x1 + 2x2 + x3 = 1



L1 ↔ L2 2x1 + 2x2 + x3 = 2




x1 − 2x2 − x3 = 1


a21 x1 + 2x2 + x3 = 1
L2 = L2 = L2 − = L2 − 2L1 
L
a11 1




−2x2 − x3 = 0
L3 = L3 = L3 − aa31
11
L1 = L3 − L1 



−4x2 − 2x3 = 0



 x1 + 2x2 + x3 = 1
 
−2x2 − x3 = 0



 S1
−4x2 − 2x3 = 0

 


 x1 + 2x2 + x3 = 1
 
−2x2 − x3 = 0

a32 −4 
L3 = L3 − L2 = L 3 − L 2 = L 3 − 2L 2
a22 −2


0 = 0

 
On obtient le système triangulaire supérieur suivant :



 x1 + 2x2 + x3 = 1


 −2x2 − x3 = 0

On a alors une infinité de solutions qui ont la forme suivante :


 x1 = 1 − 2x2 − x3 = 1




x2 = − 12 x3 = − 12 λ

λ∈R


x =λ

 3



S = {(1, − 12 λ, λ) avec λ ∈ R}


 2x1 + x2 − 3x3 + 4x4 = 5




3x1 + 5x2 + 2x3 − 3x4 = 8



−x1 + 3x2 + 8x3 − 11x4 = -7







 −x1 + 3x2 + 8x3 − 11x4 = -7




3x1 + 5x2 + 2x3 − 3x4 = 8

L1 ↔ L3


2x + x2 − 3x3 + 4x4 = 5

 1




 −x1 + 3x2 + 8x3 − 11x4 = -7
L2 = L2 − aa21

11
L 1 = L2 + 3L 
1 


14x2 + 26x3 − 36x4 = -13

a31
L3 = L3 − a11 L1 = L3 + 2L1  
7x2 + 13x3 − 18x4 = -9







 −x1 + 3x2 + 8x3 − 11x4 = −7



 
 14x2 + 26x3 − 36x4 = -13
S1




7x2 + 13x3 − 18x4 = -9

 


 −x1 + 3x2 + 8x3 − 11x4 = −7



 
14x2 + 26x3 − 36x4 = -13
a32 7 1 
L3 = L3 − L2 = L3 − L2 = L3 − L2


a22 14 2 

 5
0=


2
La dernière ligne est impossible, donc le système n’a aucune solution.
33
2.6.2 Résolution d’un système d’équations à l’aide de ma-

trices
Lorsque l’on cherche à résoudre un système d’équations, le nom des variables
n’a pas d’importance. Les éléments importants dans un tel système sont le nombre
de variables et le coefficient devant chacune des variables dans chacune des équa-
tions ainsi que les éléments du second membre. Si on se donne le système suivant :

 a11 x1 + ... + a1j xj + .... + a1p xp = b1







 a21 x1 + ... + a2j xj + .... + a2p xp = b2
 ..


.
(S)
 ai1 x1 + ... + aij xj + .... + aip xp = bi
.

..






 a x + ... + anj xj + .... + anp xp = bn
 n1 1


On peut aisément lui associer la matrice (dite matrice augmentée par le second
membre) suivante :
 
a11 a12 . . . a1p b1
 a21 a22 . . . a2p b2 
[A|b] =  ..
 
.. .. .. .. 
 . . . . . 
an1 an2 . . . anp bn
Ici, la barre verticale ne sert qu’à séparer les parties gauches des parties droites
des équations (elle ne sert qu’à faciliter la lecture). Résoudre le système S revient
à échelonner la matrice augmentée [A|b] en effectuant le même genre d’opérations
de Gauss que sur les systèmes d’équations.
Exemple 2.6.5. Résoudre le système suivant :

 x+y+z =1
(S) 3x + 2y + z =6
y−z =3

La matrice augmentée associée est :

 
1 1 1 1

[A|b] =  3 2 1 6 

0 1 −1 3
En utilisant les opérations de Gauss, on obtient une suite de systèmes équivalents.

 
1 1 1 1
(L2 = L2 − 3L1 ) ⇒ [A|b] ∼  0 −1 −2 3 
0 1 −1 3
 
1 1 1 1

(L3 = L3 + L2 ) ⇒ [A|b] ∼  0 −1 −2 3 

0 0 −3 6
En analysant la dernière matrice obtenue, on se rend compte :
1. la dernière ligne de la matrice implique
−3z = 6 ⇔ z = −2
2. La deuxième ligne de la matrice se traduit par l’équation
−y − 2z = 3 ⇒ −y + 4 = 3 ⇒ y = 1
3. la première ligne donne l’équation
x+y+z =1⇒x+1−2=1⇒x=2
Remarque 2.6.2.
1. Résoudre un système d’équations par matrices ou en manipulant directe-
ment les équations revient exactement au même. La seule différence est que
la méthode par matrices est beaucoup moins longue à utiliser puisque nous
n’avons pas besoin de retranscrire les variables (dans cet exemple, x, y et
z) à chaque étape.
2. Résoudre un système d’équations par matrice est plus avantageux lorsque
on résout plusieurs systèmes d’équations qui différent uniquement par le
second membre.
Exemple 2.6.6. Résoudre les systèmes suivants :

 
 x+y+z =1  x+y+z =4
(S1 ) 3x + 2y + z = 6 et (S2 ) 3x + 2y + z = 5
y−z =3 y−z =9
 
On remarque que les deux systèmes ne différent que par leurs seconds membres
b1 et b2 , donc ils ont la même matrice associé A qu’on va augmanter des deux
seconds membres et faire une résolution simultanée.
 
1 1 1 1 4
[A|b1 , b2 ] =  3 2 1 6 5 
0 1 −1 3 9
 
1 1 1 1 4

(L2 = L2 − 3L1 ) ⇒ [A|b] ∼  0 −1 −2 3 −7 

0 1 −1 3 9
35
 
1 1 1 1 4

(L3 = L3 + L2 ) ⇒ [A|b1 , b2 ] ∼  0 −1 −2 3 −7 

0 0 −3 6 2
Donc
 
 x+y+z =1  x+y+z =4
(S1 ). ⇔) −y − 2z = 3 et (S2 ). ⇔) −y − 2z = −7
−3z =6 −3z =2
 
1. Les solutions de S1 sont z = −2; y = 1 et x = 2

2. Les solutions de S2 sont z = − 32 ; y = 25
3
et x = − 11
3
2.7 Application de la méthode de Gauss

2.7.1 Trouver le rang d’une matrice
On peut remarquer que les opérations élémentaires de Gauss figurent parmis
celles qui ne modifient pas le rang d’une matrice. Donc pour calculer le rang d’une
matrice, il suffit de l’échelonner en utilisant la méthode de Gauss et le rang est
alors égal au nombre de lignes non nulles de la matrice échelonnée.
Remarque 2.7.1. Si la matrice A est une matrice triangulaire, son rang est égal
au nombre de pivots non nuls sur la diagonale.
Exemple 2.7.1.  
1 0 9
 0 −4 11  le rang = 2
0 0 0
 
1 5 0
 0 3 21  le rang = 3
0 0 7
 
5 0 11
 0 0 19  le rang = 1
0 0 0
Exemple 2.7.2. Quel est le rang de la matrice A suivante :

 
0 0 1 3
 1
 0 −1 2  
A=  0 0 1 2  
 −2 4 −4 1 
−1 0 3 0
Pour trouver le rang de A, on va l’échelonner en utilisant la méthode Gauss.
 
1 0 −1 2

 0 0 1 3 
L1 ↔ L2 
 0 0 1 2 
 −2 4 −4 1 
−1 0 3 0
 
1 0 −1 2
 0 0 1 3 
L4 = L4 + 2L1  
 0 0 1 2 
L5 = L5 + L1  
 0 4 −6 5 
0 0 2 2
 
1 0 −1 2

 0 4 −6 5 

L2 ↔ L4 
 0 0 1 2 
 0 0 1 3 
0 0 2 2
 
1 0 −1 2
 0 4 −6 5 
L4 = L4 − L3  
 0 0 1 2 
L5 = L5 − 2L3  
 0 0 0 2 
0 0 0 −2
 
1 0 −1 2

 0 4 −6 5 

L5 = L5 + L4 
 0 0 1 2 
 0 0 0 2 
0 0 0 0
Le nombre de lignes non nulles de la matrice échelonnée est 4, donc le rang de

A est égal à 4.
37
2.7.2 Calcul de l’inverse d’une matrice carrée par l’algo-

rithme de Gauss
Pour inverser la matrice A = (aij ) de format (n, n), on utilisera la matrice
augmentée suivante :
 
a11 . . . a1n k 1 . . . 0
(A|I) =  ... . . . ... k ... . . . ... 
 
an1 . . . ann k 0 . . . 1
La transformation de Gauss consiste à transformer ce système en un système

équivalent dont le bloc gauche est l’identité, c’est-à-dire qu’il faut modifier la
matrice (A|I) pour qu’elle devienne de la forme (I|B). La matrice B n’est autre
que la matrice inverse de A : A−1 .
Propriétés 2.7.1. Soit A une matrice inversible d’ordre n.

Par opérations élémentaires sur les lignes, A peut être transformée en In . La suite
des opérations qui transforment A en In , transforment In en A−1 .
Processus pour transformer (A|I) en (I|B) en utilisant la méthode de

Gauss
1. Étape 1 : Transformer la matrice A en une matrice triangulaire supérieure
en utilisant la méthode de Gauss. Vérifier si le rang de A ést égal à l’ordre
de la matrice c’est à dire que tous les éléments de la diagonale sont non nuls :
• Si oui, la matrice est inversible, passer à l’étape 2.

• Sinon, la matrice n’est pas inversible et on arrête le processus.
2. Étape 2 : Pour avoir 1 sur la diagonale, on pose :
1
Li = Li
aii
3. Étape 3 : Pour avoir 0 pour tous les éléments situés au dessus de la diago-
nale, on pose :
Li = Li − aij Lj , pour 1 ≤ i ≤ (j − 1)etj = n, n − 1, .....2
Exemple 2.7.3. Vérifier si la matrice A est inversible, si oui donner son inverse.
 
2 1 3
A =  −1 5 −2 
5 8 7
On augmente la matrice A par I3

 
2 1 3 | 1 0 0
Ag =  −1 5 −2 | 0 1 0 
5 8 7 | 0 0 1
Transformons A en une matrice triangulaire supérieure

 
−1 5 −2 | 0 1 0
L1 ↔ L2  2 1 3 | 1 0 0 
5 8 7 | 0 0 1
 
−1 5 −2 | 0 1 0
L2 = L2 + 2L1 
0 11 −1 | 1 2 0 
L3 = L3 + 5L1
0 33 −3 | 0 5 1
 
−1 5 −2 | 0 1 0
L3 = L3 − 3L1  0 11 −1 | 1 2 0 
0 0 0 | −3 −1 1
On remarque que le nombre de pivots non nuls est égal à 2, donc la matrice A
n’est pas inversible.
Exemple 2.7.4. Donner l’inverse de la matrice suivante :

 
2 1 1
B= 4 1 0 
−2 2 1
On augmente la matrice A par I3

 
2 1 1 | 1 0 0
 4 1 0 | 0 1 0 
−2 2 1 | 0 0 1
Transformons A en une matrice triangulaire supérieure

 
2 1 1 | 1 0 0
L2 = L2 − 2L1 
0 −1 −2 | −2 1 0 
L3 = L3 + L1
0 3 2 | 1 0 1
 
2 1 1 | 1 0 0
L3 = L3 + 3L2  0 −1 −2 | −2 1 0 
0 0 −4 | −5 3 1
39
On remarque que le nombre de pivots non nuls est égal à 3, donc la matrice est
inversible.
Avoir 1 sur la diagonale
L1 = 12 L1 1 12 21 | 12 0
 
0
L2 = −L2  0 1 2 | 2 −1 0 
L3 = − 41 L3 0 0 1 | 54 − 34 − 14
Avoir 0 pour tous les éléments situés au dessus de la diagonale

1
0 | − 18 3 1
 
1 2 8 8
 
1
 
L1 = L1 − L  0 1 0 | −1 1 1
2 3

 2 2 2 
L2 = L2 − 2L3 



 0 0 1 | 5 −3 −1 
4 4 4
1 1
− 81
 
1 0 0 | 8 8
 
1
 
L1 = L1 − L  0 1 0 | −1 1 1
2 2

 2 2 2 
 
0 0 1 | 45 − 34 − 41
Donc
1 1
− 18
 
8 8
 
 1 1 1

 −
A−1

= 2 2 2 
 
 5 

4
− 34 − 14 
Chapitre 3
Espaces vectoriels
3.1 Définition d’un espace vectoriel

Définition 3.1.1.
On appelle espace vectoriel sur R òu R. espace vectoriel tout ensemble
E non vide muni :
1. d’une loi interne Addition , notée +,
+ : E × E −→ E
(u, v) 7−→ u + v
telle que
• + est commutative : ∀(u, v) ∈ E 2 , u + v = v + u

• + est associative : ∀(u, v, w) ∈ E 3 , (u + v) + w = u + (v + w)
• + admet un élément neutre noté OE : ∀u ∈ E, u + OE = u
• ∀u ∈ E, ∃u0 ∈ E symétrique de u tel que
u + u0 = OE , u0 = −u
2. d’une loi externe Multiplication externe , notée .,
. : R × E −→ E
(λ, v) 7−→ λ.v
telle que ∀(λ, µ) ∈ R2 , et∀(u, v) ∈ E 2
• (λ + µ)u = λ.u + µ.u

• λ.(u + v) = λ.u + λ.v
• λ.(µ.u) = (λµ).u
• 1.u = u
41
Espaces vectoriels
Remarque 3.1.1.
• Les éléments de E sont appelés vecteurs
• Les éléments de R sont appelés scalaires
u
• L’ordre λu est à respecter : xλ et n’ont pas de sens.
λ
Exemple 3.1.1.
1. L’ensemble des matrices rélles est un R. espace vectoriel.
2. L’ensemble des fonctions continues C(R) est un R. espace vectoriel.
3. Lénsemble des suites réelles S est un R. espace vectoriel.
4. Rn est un R. espace vectoriel, (n ≥ 1).
• les vecteurs sont les n-uplets (x1 , · · · , xn ) d’éléments de R
• La loi + : (x1 , · · · , xn ) + (y1 , · · · , yn ) = (x1 + y1 , · · · , xn + yn )
• La loi . : λ.(x1 , · · · , xn ) = (λ.x1 , · · · , λ.xn )
Propriétés 3.1.1. Pour tout (u, v) ∈ E 2 et tout (α, β) ∈ R
• α.u = OE ⇔ α = 0 ou u = OE
• -u=(-1).u. on pose u-v=u+(-v)
• (α − β).u = α.u − β.u
3.2 Sous-espace vectoriel

Définition 3.2.1. Soit (E,+,.) un R.espace vectoriel et soit F un sous ensemble
de E ; Si (F,+,.) est lui même un R espace vectoriel, on dit que (F,+,.) est un
sous espace vectoriel de E et note F s.e.v de E.
Proposition 3.2.1. Soit F une partie d’un R espace vectoriel E.
F est un sous espace vectoriel du E si et seulement si
• F 6= ∅ (0E ∈ F )
• ∀(u, v) ∈ F 2 , (u + v) ∈ F
• ∀u ∈ F et ∀λ ∈ R, (λ.u) ∈ F
Exemple 3.2.1. F = {(x, x); x ∈ R} est s.e.v de R2
en effet
• 0R2 = (0, 0) ∈ F
• Soit u et v deux élément de F, montrons que (u + v) ∈ F

u ∈ F ⇒ u = (x, x) x ∈ R 
⇒ u+v = (x, x)+(y, y) = (x + y , x+y) ∈ F
v ∈ F ⇒ v = (y, y) y ∈ R
 | {z }
∈R
• Soit u ∈ F et λ ∈ R, montrons que (λu) ∈ F

u ∈ F ⇒ u = (x, x) x ∈ R ⇒ λu = (|{z}
λx , λx) ∈ F
∈R
3.3 Combinaisons linéaires
Proposition 3.2.2. Si F et G sont deux sous-espaces vectoriels de E, alors F ∩G

est un sous espace vectoriel de E.
Attention : En général F ∪ G n’est pas un s.e.v de E.
Exemple 3.2.2. E = R2 ,
F = {(x, 0)/x ∈ R} et G = {(0, y)/y ∈ R} sont des sous espaces vectoriels de E
F ∪ G = {(x, y)/x = 0 ou y = 0} n’est pas un s.e.v de E :
En effet (1, 0) ∈ F ∪ G et (0, 1) ∈ F ∪ G mais (1, 0) + (0, 1) = (1, 1) ∈
/ F ∪G
3.3 Combinaisons linéaires

À l’aide de deux vecteurs u et v , on peut construire les vecteurs :
2u + v, 4u − 5v, 9u + 13v....
Ce sont tous des combinaisons linaires des vecteurs de la famille {u, v} .
Définition 3.3.1. Soit {u1 , · · · , un } une famille finie de vecteurs d’un R. espace
vectoriel E. On dit qu’un vecteur u de E est combinaison linéaire des vecteurs
{u1 , · · · , un } s’il existe une famille de scalaires {α1 , · · · , αn } telle que
u = α1 u1 + · · · + αn un
Exemple 3.3.1.
E = R2 : tout vecteur (x, y) ∈ R2 est combinaison linéaire des vecteurs (1, 0)
et (0, 1)
∀(x, y) ∈ R2 , (x, y) = x(1, 0) + y(0, 1)
Théorème 3.3.1.
1. Dans un espace vectoriel E , l’ensemble des combinaisons linaires d’une
famille finie de vecteurs {u1 , · · · , un } est un sous espace vectoriel de E en-
gendré par la famille u1 , · · · , un . On le note V ect{u1 , · · · , un } .
2. V ect{u1 , · · · , un } est le plus petit s.e.v de E contenant la famille {u1 , · · · , un }
Remarque 3.3.1. Ce théorème est souvent utilisé en pratique. Pour montrer que
F un sous espace vectoriel de l’espace vectoriel E, on monttre que F est l’ensemble
de toutes les combinaisons linéaires d’un nombre fini de vecteurs de E.
43
Espaces vectoriels
Exemple 3.3.2.
E = {(x, y, z) ∈ R3 /2x + y − z = 0} est un R espace vectoriel.
En effet E ⊂ R3 qui est un espace vectoriel sur R et en plus on a .
∀u = (x, y, z) ∈ E ⇔ z = 2x + y
⇔ u = (x, y, 2x + y)
⇔ u = x(1, 0, 2) + y(0, 1, 1)
E = V ect(u1 , u2 ) avec u1 = (1, 0, 2) et u2 = (0, 1, 1)

donc E s.e.v de R3 et par conséquent E est espace vectoriel sur R
3.4 Famille libre, Famille liée, Famille généra-

trice
Soit E un R. espace vectoriel et {u1 , · · · , un } une famille de n vecteurs de E.
3.4.1 Famille génératrice

Définition 3.4.1. La famille {u1 , · · · , un } est dite famille génératrice de E si
tout vecteur de E est combinaison linéaire des vecteurs de la famille {u1 , · · · , un }
i.e.
∀u ∈ E, ∃{α1 , · · · , αn } ∈ Rn , u = α1 u1 + · · · + αn un
Remarque 3.4.1.
La famille {u1 , · · · , un } est génératrice de E si et seulement si E = vect({u1 , · · · , un })
Exemple 3.4.1.
1. E = R, la famille (1) est une famille génératrice de E.
en effet ∀x ∈ R, x = x.(1)
2. E = R2 , la famille {(1, 0), (0, 1)} est une famille génératrice de E. En effet
∀(x, y) ∈ R2 , (x, y) = x(1, 0) + y(0, 1)
3.4.2 Famille libre, Famille liée

Définition 3.4.2. La famille {u1 , · · · , un } est dite libre ou linéairement in-
dépendante si elle vérifie :
∀(λ1 , . . . , λn ) ∈ Rn : λ1 u1 + . . . + λn un = 0 ⇒ λ1 = . . . = λn = 0
Définition 3.4.3. {u1 , · · · , un } est dite liée ou linéairement dépendante si

elle n’est pas libre. Ce qui signifie
∃(λ1 , . . . , λn ) : (λ1 , . . . , λn ) 6= 0E et λ1 u1 + . . . + λn un = 0
3.5 Base d’un espace vectoriel
Exemple 3.4.2. Soit E = R4 un R. espace vectoriel

1. les vecteurs u1 = (−1, 2, 0, 1), u2 = (0, 1, 0, −1) et u3 = (−2, 5, 0, 1 sont
liés :
En effet ∃(2, 1, −1) ∈ R3 et 2u1 + u2 − u3 = 0
2. les vecteurs u1 = (1, 0, 0, 0), u2 = (0, 1, 0, 0) et u3 = (0, 0, 0, 1) sont libres :
En effet soient λ1 , λ2 etλ3 des vecteurs de R
(λ1 u1 + λ2 u2 + λ3 u3 = 0E ) ⇒ (λ1 , λ2 , λ3 , 0) = 0E
λ1 = 0
(λ1 , λ2 , λ3 , 0) = 0E ⇒ λ2 = 0
λ3 = 0
Théorème 3.4.1. Soit E un R. espace vectoriel et {u1 , · · · , un } une famille de
n vecteurs de E.
({u1 , · · · , un } est liée ) ⇔ ( l’une des ui (1 ≤ i ≤ n) est combinaison linéaire des autres
Exercice 3.4.1. Soit E = R3 .

Considérons les vecteurs suivants u = (1, 2, 1), v = (1, −1, 1) et w = (1, 1, 0)
Etudions la liberté de la famille F = {u = (1, 2, 1), v = (1, −1, 1), w = (1, 1, 0)}
Soient α, β et γ des scalaires telle que αu + βv + γw = 0R3

 α+β+γ =0
αu + βv + γw = 0R3 ⇒ (α + β + γ, 2α − β + γ, α + β) = 0R3 ⇒ 2α − β + γ = 0
α+β =0

Après résolution du système, on obtient α = β = γ = 0, la famille F est donc

libre.
3.5 Base d’un espace vectoriel

Définition 3.5.1. Soit E un R. espace vectoriel et {u1 , · · · , un } une famillede n
vecteurs de E. On dit que {u1 , · · · , un } est une base de E si :
1. {u1 , · · · , un } est une famille génératrice.
2. {u1 , · · · , un } est libre
Remarque 3.5.1. {u1 , · · · , un } est une base de E si :
1. E = vect{u1 , · · · , un }
2. {u1 , · · · , un } est libre
Exemple 3.5.1. Soit E = Rn un R. espace vectoriel.
Soient les vecteurs e1 = (1, 0, · · · , 0), e2 = (0, 1, · · · , 0), ....en = (0, 0, · · · , n).
La famille {e1 , e2 , · · · , en } est une base de E appelée Base canonique de Rn .
45
Espaces vectoriels
Théorème 3.5.1.
Soit E un R.espace vectoriel ; B={u1 , · · · , un } une base de E. Alors tout vec-
teur de E s’écrit de manière unique comme combinaison linéaire des vecteurs
u1 , · · · , un .
Définition 3.5.2.
Si U = λ1 u1 + . . . + λn un est l’écriture de U dans la base B={u1 , · · · , un }. Les
scalaires λ1 , · · · , λn s’appellent ccordonnées ou composantes de U dans la base B.
3.6 Applications linéaires

E et F désignent deux espaces vectoriels
3.6.1 Définitions
Définition 3.6.1. Une application f de E dans F est dite linéaire si :
1. ∀(u, v) ∈ E 2 , f (u + v) = f (u) + f (v)
2. ∀u ∈ E, ∀λ ∈ R f (λu) = λf (u)
On note L(E, F ) l’ensemble des applications de E dans F.
Remarque 3.6.1. On dit aussi que f est un morphisme d’espaces vectoriels.
Proposition 3.6.1 (Caractérisation usuelle des applications linéaires).

Une application f de E dans F est dite linéaire si :
∀(u, v) ∈ E 2 et ∀(λ, µ) ∈ R2 , f (λu + µv) = λf (u)) + µf (v).
Définition 3.6.2. Soit f une application linéaire de E dans F
• Si F = R, on dit que f est une forme linéaire

• Si F = E, on dit que f est un endomorphisme
L’ensemble des endomorphismesde E est noté L(E)
• Si F = R, on dit que f est une forme linéaire
• Si f est bijective, on dit que f est un isomorphisme
• Si f est bijective et E = F , on dit que f est un automorphisme
Propriétés 3.6.1.
Si f est une application linéaire de E dans F , alors
• f (u − v) = f (u) − f (v), ∀(u, v) ∈ E 2
• f (−u) = −f (u), ∀u ∈ E
• f (0E ) = 0F
Exemple 3.6.1.
f: R → R
x 7→ ax (a ∈ R)
est une application linéaire.

C’est la plus simple qui soit, elle est appelée en analyse, fonction linéaire
En effet, pour tout (x, y) ∈ R2 et (λ, µ) ∈ R2 , on
f (λx + µy) = a(λx + µy)

= λ(ax) + µ(ay)
= λf (x) + µf (y). C.Q.F.D.
Exemple 3.6.2.
f: R2 → R3
(x, y) 7→ (x + y, x − y, 2y)
est une application linéaire.
On a pour tous (x, y) ; (x0 , y 0 ) de R2 ,
f ((x, y) + (x0 , y 0 )) = f (x + x0 , y + y 0 )
= ((x + x0 ) + (y + y 0 ), (x + x0 ) − (y + y 0 ), 2(y + y 0 ))
= ((x + y) + (x0 + y 0 ), (x − y) + (x0 − y 0 ), 2y + 2y 0 )
= ((x + y), (x − y), 2y) + ((x0 + y 0 ) + (x0 − y 0 ), 2y 0 )
= f (x, y) + f (x0 , y 0 ).
On a pour tous (x, y) de R2 et tous λ de R
f (λ(x, y)) = f (λx, λy)

= (λx + λy, λx − λy, 2λy)
= λ(x + y, x − y, 2y)
= λf (x, y). C.Q.F.D.
Proposition 3.6.2. Soient E, F , et G des espaces vectoriels.

Si f est une application linéaire de E dans F et g est application linéaire de F
dans G, alors g ◦ f est une application linéaire de E dans G.
Propriétés 3.6.2. Soient E et F deux espaces vectoriels .

Si f et g deux applications linéaire de E dans F , alors ∀(λ, µ) ∈ R, λf + µg est
une application linéaire de E dans F .
L(E, F ) est un espace vectorile sur R
47
Espaces vectoriels
3.6.2 Noyau et image d’une application linéaire

Théorème 3.6.1. Soient E et F deux espaces vectoriels et f : E → F une
application linéaire.
1. Si V est une sous-espace vectoriel de E alors f (V ) est un sous-espace vec-
toriel de F .
2. Si W est un sous-espace vectoriel de F alors f −1 (W ) est un sous-espace
vectoriel de E.
f −1 (W ) est l’image réciproque de W par f .
Définition 3.6.3. Soient E et F deux espaces vectoriels et f : E → F une
application linéaire. On appelle
1. Noyau de f : l’ensemble {u ∈ E/f (u) = 0F } = f −1 ({0F }).
On le note Ker(f ).
2. Image de f : l’ensemble {v ∈ F/∃u ∈ E tel que v = f (u)} = f (E).
On le note Im(f ).
Propriétés 3.6.3. Soient E et F deux espaces vectoriels et f : E → F une
application linéaire.
1. ker(f ) est un sous-espace vectoriel de E.
2. Im(f ) est un sous-espace vectoriel de F .
3. f injective ⇔ ker(f ) = {0E }
4. f surjective ⇔ Im(f ) = F
Remarque 3.6.2.
1. Pour déterminer l’image d’une application linéaire f , on détermine les va-
leurs prises par f , i.e., les y ∈ F tels quŠil existe x ∈ E pour lequel
y = f (x).
2. Pour déterminer le noyau d’une application linéaire f , on résout l’équation
f (x) = 0F d’inconnue x ∈ E
Exemple 3.6.3. Déterminons le noyau et l’image de l’application linéaire
f: R2 → R2
(x, y) 7→ (x + y, x + y).
Solution
1. Im(f ) = {(a, b) ∈ R2 /∃(x, y) ∈ R2 tel que (a, b) = (x + y, x + y)}

a =x+y
(a, b) = (x + y, x + y) ⇔ (S)
b =x+y
Le système S admet des solutions uniquement si a = b
Im(f ) = {(a, a)/a ∈ R}
Im(f ) 6= R2 , donc f n’est pas surjective

2. ker(f ) = {(x, y)/f (x, y) = 0R2 = (0, 0)}
f (x, y) = (0, 0) ⇔ (x + y, x + y) = (0, 0) ⇔ x + y = 0 ⇔ y = −x
ker(f ) = {(x, −x)/x ∈ R}

ker(f ) 6= (0, 0), donc f n’est pas injective.
f: R2 → R2
(x, y) 7→ (x + y, x − y).
Solution
1. Im(f ) = {(a, b) ∈ R2 /∃(x, y) ∈ R2 tel que (a, b) = (x + y, x − y)}

a =x+y
(a, b) = (x + y, x − y) ⇔ (S)
b =x−y
les solutions du système(S) sont x = a+b

2
et y = a−b
2
qui existent pour tous
(a, b) ∈ R2
Im(f ) = R2
f est donc surjective
2. ker(f ) = {(x, y)/f (x, y) = 0R2 = (0, 0)}
f (x, y) = (0, 0) ⇔ (x + y, x − y) = (0, 0) ⇔ x = y = 0
ker(f ) = {(0, 0)} = {0R2 }

f est donc injective.
f est injective et surjective, donc elle est bijective. C’est un automorphisme de

R2 .
f: R3 → R2
(x, y, z) 7→ (x − y, y − z).
49
Espaces vectoriels
1. ker(f ) = {(x, y, z)/f (x, y, z) = 0R2 = (0, 0)}
f (x, y, z) = (0, 0) ⇔ (x − y, y − z) = (0, 0) ⇔ x = y; y = z
ker(f ) = {(x, y, z)/x = y = z)} ⇒ f n’est pas injective.

2. Im(f ) = {(a, b) ∈ R2 /∃(x, y, z) ∈ R3 : (a, b) = f (x, y, z)}

x−y =a y =b+z
(a, b) = (x − y, y − z) ⇔ ⇒
y−z =b x =a+b+z
Im(f ) = R2 ⇒ f est donc surjective

Polycope S2 Algébre - 2

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

Polycope S2 Algébre - 2

Transféré par

Droits d'auteur :

Formats disponibles

`

Pr. Tazi Ennouri

1.11 Rang d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . 18

2 Résolution des systèmes d’équations linéaires 23

Exemple 1.2.2. Les matrices A d’ordre (4 × 1) et B d’ordre (1 × 2) sont respec-

1.3 Matrices carrées particulières

Exemple 1.3.1. A une matrice carrée dordre 3

La diagonale de A est la suite des éléments en gras.

Définition 1.3.2. On appelle matrice diagonale, toute matrice carrée dont

Exemple 1.3.2. A une matrice diagonale dordre 4

1.3.2 Matrice nulle et matrice unité

1.3.3 Matrice triangulaire

1.4 Opérations élémentaires sur les matrices

1.4.2 Addition et soustraction de matrices

Exemple 1.4.1. Soient les matrices A et B suivantes :

• Si A + B = 0 alors B = −A est appelée matrice opposée de A

Si A = (aij ) alors B = (−aij )

Exemple 1.4.2. Soient les matrices A et B suivantes :

1.4.3 Produit d’une matrice par un réel

λ.A = A.λ = (λ.aij ).

Exemple 1.4.4. Soit A une matrice d’ordre (4 × 3) .

Théorème 1.4.2. Soit A et B deux matrice de même ordre et λ et µ deux

1.4.4 Produit de deux matrices

Exemple 1.4.5. Soient A et B les matrices suivantes :

1.5 Transposée d’une matrice

Exemple 1.5.1. Soit la matrice A d’ordre (2 × 3),

Remarque 1.5.1. Le produit d’une matrice et sa transposée est une matrice

Exemple 1.5.2. Soient A et B deux matrices d’ordre 2.

1.6 Matrice symétrique et matrice antisymétrique

• Une matrice carrée A est dite antisymétrique ssi

1.7 Trace d’une matrice carrée

Exemple 1.7.1. Soit la matrice carrée de l’exemple précédent :

tr(A + B) = tr(A) + tr(B).

• Si A est d’ordre (m,n) et B d’ordre (n,m), alors on a :

Exemple 1.7.2. Soit la matrice carrée de l’exemple précédent, vérifions que

tr(A) + tr(B) = tr(A + B)

Exemple 1.7.4. Soient la matrice A d’ordre (2,3) et la matrice B d’ordre (3,2)

1.8 Déterminant d’une matrice carrée

1.8.2 Déterminant d’une matrice carrée d’ordre 3 par la

• Soit les deux premières lignes en dessous de la matrice A pour obtenir la

Il suffit alors d’effectuer les produits des coefficients de chaque diagonale

• Soit les deux premières colonnes à droite de la matrice A pour obtenir la

et effectuer les produits des coefficients de chaque diagonale et d’en faire la

Exemple 1.8.2. Calculer le déterminant de la matrice

|A| = 2 ∗ 2 ∗ (−2) + 3 ∗ 4 ∗ 1 + 5 ∗ (−3) ∗ (−3) − 3 ∗ (−3) ∗ (−2) − 2 ∗ 4 ∗ (−3) − 5 ∗ 2 ∗ 1)

|A| = 2 ∗ 2 ∗ (−2) + (−3) ∗ (−3) ∗ 5 + 1 ∗ 3 ∗ 4 − (−2) ∗ 3 ∗ (−3) − 4 ∗ (−3) ∗ 2 − 5 ∗ 2 ∗ 1)

1.8.3 Déterminant d’une matrice carrée d’ordre n > 2 par

Définition 1.8.3. Le déterminant d’une matrice carrée d’ordre n est obtenue en

|A| = ai1 |Ai1 | + ai2 |Ai2 | + . . . + ain |Ain |

pour tout i, 1 ≤ i ≤ n. de même,

|A| = a1j |A1j | + a2j |A2j | + . . . + anj |Anj |

Développons le déterminant à partir de la première ligne :

Exemple 1.8.5. Calculer le déterminant de la matrice :

Développons le déterminant à partir de la quatrième colonne :

1.8.4 Propriétés des déterminants

Théorème 1.8.2. Soit A une matrice carrée d’ordre n.

3. Si on fait une permutation de deux lignes ou de deux colonnes, il faut mul-

4. Si chaque élément d’une ligne ( ou de colonne) d’une matrice A est la

1.9 La comatrice d’une matrice

où 4ij = (−1)i+j Aij est le cofacteur associé à l’élément aij de A.

Exemple 1.9.1. Soit  

Exemple 1.9.2. Soit  

1.10 Inverse d’une matrice

Exemple 1.9.1. Soit