Table des matières

1 Ensembles et Espaces vectoriels réels 4

1.1 Ensembles : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.1 Définition des ensembles : . . . . . . . . . . . . . . . . . 4
1.1.2 Inclusion, union, intersection, complémentaire : . . . . . . 4
1.1.3 Produit cartésien : . . . . . . . . . . . . . . . . . . . . . 5
1.2 Espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.1 Structure d’espace vectoriel réel . . . . . . . . . . . . . . 6
1.2.2 Quelques règles de calcul . . . . . . . . . . . . . . . . . . 7
1.2.3 Produit d’espaces vectoriels . . . . . . . . . . . . . . . . 7
1.3 Sous espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.1 Caractérisation d’un sous-espace vectoriel . . . . . . . . . 8
1.3.2 Somme de sous espaces vectoriels . . . . . . . . . . . . . 8
1.4 Combinaisons linéaires et générateurs . . . . . . . . . . . . . . . 9
1.4.1 Combinaison linéaire . . . . . . . . . . . . . . . . . . . . 9
1.4.2 Espace vectoriel engendré et Famille génératrice . . . . . 10
1.5 Famille libre et famille liée . . . . . . . . . . . . . . . . . . . . . 10
1.6 Ordre et rang d’une famille de vecteurs . . . . . . . . . . . . . . . 11
1.7 Base d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . . 11
1.8 Espace vectoriel de dimension fini . . . . . . . . . . . . . . . . . 12

2 Matrices 13
2.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.1 Matrices particulières . . . . . . . . . . . . . . . . . . . . 13
2.3 Matrices carrées . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3.1 Diagonale d’une matrice carrée . . . . . . . . . . . . . . 14
2.3.2 Matrice diagonale . . . . . . . . . . . . . . . . . . . . . . 14
2.3.3 Matrice triangulaire . . . . . . . . . . . . . . . . . . . . . 14
2.3.4 Matrice symétrique . . . . . . . . . . . . . . . . . . . . . 15
2.3.5 Matrice antisymétrique . . . . . . . . . . . . . . . . . . . 15
2.4 Opérations sur les matrices . . . . . . . . . . . . . . . . . . . . . 15

1
Pr. A.AZZAYANI Cours d’Algèbre 1

2.4.1 Egalité . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.4.2 Addition . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.4.3 Multiplication par un scalaire . . . . . . . . . . . . . . . 16
2.4.4 Produit de deux matrices . . . . . . . . . . . . . . . . . . 16
2.4.5 Puissance d’une matrice . . . . . . . . . . . . . . . . . . 16
2.4.6 Propriétés de l’ensemble des matrices . . . . . . . . . . . 17
2.4.7 Matrice inversible . . . . . . . . . . . . . . . . . . . . . . 17
2.5 Matrice inverse : Méthode de Gauss-Jordan . . . . . . . . . . . . 17
2.5.1 Principe de la méthode . . . . . . . . . . . . . . . . . . . 17
2.5.2 Méthode de calcul . . . . . . . . . . . . . . . . . . . . . 18
2.6 Matrice associée à un système de vecteurs . . . . . . . . . . . . . 18

3 Applications et applications linéaires 19

3.0.1 Image directe, image réciproque : . . . . . . . . . . . . . 19
3.0.2 Antécédents : . . . . . . . . . . . . . . . . . . . . . . . . 20
3.1 Injection, surjection, bijection : . . . . . . . . . . . . . . . . . . . 20
3.1.1 Injection, surjection : . . . . . . . . . . . . . . . . . . . . 20
3.1.2 Bijection : . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2 Ensembles finis : . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2.1 Cardinal . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2.2 Injection, surjection, bijection et ensembles finis : . . . . . 22
3.3 Applications linéaires . . . . . . . . . . . . . . . . . . . . . . . . 22

4 Déterminant d’une matrice carée 23

4.1 Calcul d’un déterminant d’ordre n . . . . . . . . . . . . . . . . . 23
4.2 Propriétés des déterminants . . . . . . . . . . . . . . . . . . . . . 23
4.3 Inversion d’une matrice par la méthode des cofacteurs . . . . . . . 24
4.4 Rang d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . 25

2
Introduction

Le but de ce cours est de permettre aux étudiants de la 1ère année du cycle Li-
cence en Economie et Gestion de s’approfondir aux notions de base des structures
algébriques ainsi qu’introduire les notions de l’algèbre linéaire. A ce propos, ce
cours est composé de quatres chapitres.
Le premier chapitre, précise les structures des espaces et sous-espaces vectoriels
réels, avec ces définitions. aussi bien on discutra, les définitions et les propriétés
de : Combinaison linéaire - Système générateur, famille libre - famille liée, Ordre
et rang d’une famille de vecteurs et base d’un espace vectoriel.

Le chapitre deux se focalisera sur : Définition des matrices, matrices particu-

lières, matrices carrées, opérations sur les matrices, matrice inverse : Méthode de
Gauss-Jordan, matrice associée à un système de vecteurs, matrice d’une applica-
tion linéaire et en fin le changement de base.
Dans le troisième chapitre, on parlera d’une façon plus général, des applications
et des applications linéaires, définitions et opérations ainsi que l’image, le noyau
et le rang d’une application linéaire.
Le chapitre quatre sera consacré au calcul de déterminants et ces propriétés, l’in-
version d’une matrice par la méthode des cofacteurs ainsi que le rang d’une ma-
trice et le rang d’une application. linéaire

3
Chapitre 1

Ensembles et Espaces vectoriels

réels

1.1 Ensembles :
1.1.1 Définition des ensembles :
Définition 1. 1. un ensemble est une collection d’éléments ;
2. un ensemble particulier est l’ensemble vide, noté  qui est l’ensemble ne
contenant aucun élément ;
3. si x est un élément d’un ensemble E, et x ∈
/ E dans le cas contraire.
Exemple 2. -
-
-
-
-
-

1.1.2 Inclusion, union, intersection, complémentaire :

Définition 3. 1. L’inclusion : E ⊂ F si tout élément de E est aussi un élément
de F. Autrement dit : ∀x ∈ E ⇒ x ∈ F . On dit alors que E est un sous-
ensemble de F ou une partie de F ;
2. L’égalité : E = F si et seulement si E ⊂ F et F ⊂ E ;
3. On note P(E) l’ensemble des parties d’un ensemble E ;
4. Complémentaire : Soit E un ensemble et A ⊂ E, on note : CA l’ensemble
x∈E/x∈ / A;

4
Pr. A.AZZAYANI Cours d’Algèbre 1

5. Union : Soit A et B deux parties de l’ensemble E, on note : A∪B l’ensemble

x ∈ E / x ∈ A ou x ∈ B ;
6. Intersection : Soit A et B deux parties de l’ensemble E, on note : A ∩ B
l’ensemble x ∈ E / x ∈ A et x ∈ B ;

Exemple 4. -
-
-
-
-
-

Proposition 5. Soient A, B, C des parties d’un ensemble E.

1. A ∩ B = B ∩ A ;
2. A∩(B ∩C) = (A∩B)∩C (on peut donc écrire A∩B ∩C sans ambigüité) ;
3. A ∩  = , A ∩ A = A, A ⊂ B ⇔ A ∩ B = A ;
4. A ∪ B = B ∪ A ;
5. A∪(B ∪C) = (A∪B)∪C (on peut donc écrire A∪B ∪C sans ambigüité) ;
6. A ∩  = A, A ∪ A = A, A ⊂ B ⇔ A ∪ B = B ;
7. A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C) ;
8. A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C) ;
9. C(CA ) = A ;
10. A ⊂ B ⇔ CB ⊂ CA ;
11. C( A ∩ B) = CA ∪ CB ;
12. C( A ∪ B) = CA ∩ CB

1.1.3 Produit cartésien :

Soient E et F deux ensembles. Le produit cartésien, noté E ×F , est l’ensemble
des couples (x, y) où x ∈ E et y ∈ F .

Exemple 6. -
-
-
-
-
-

5
Pr. A.AZZAYANI Cours d’Algèbre 1

1.2 Espaces vectoriels

Au lycée, vous avez travaillé avec des vecteurs traditionnellement notes ~u,
dans le plan ou dans l’espace à trois dimensions. Vous vous êtes representé un
vecteur par une flèche.

1.2.1 Structure d’espace vectoriel réel

Un vecteur est utilisé pour faire de la géometrie. En physique, un vecteur
sert dans un premier temps à représenter une force. On va voir qu’un vecteur
est d’abord une notion algébrique (définie par le calcul et non pas par un dessin)
et qu’un vecteur peut être bien autre chose que cette flèche : une fonction, une
suite, un polynome, et bien d’autres objets encore pourront avoir.
Les calculs sur les vecteurs que vous avez effectués au lycée utilisaient deux opé-
rations. La première est l’addition des vecteurs notée + qui est une loi de compo-
sition interne sur E l’ensemble des vecteurs :

E×E →E

(~u, ~v ) 7→ ~u + ~v
deuxième est la multiplication d’un vecteur par un nombre : λ.~u. Cette multipli-
cation n’est pas une loi de composition interne puisque les deux objets λ et ~u ne
sont pas de même nature (λ est un nombre et ~u est un vecteur). On a besoin d’une
nouvelle notion, la notion de loi de composition externe :

Définition 7. Une loi de composition externe (l.d.c.e) sur E de domaine R est une
application de R × E dans E :

R×E →E

(λ, ~u) 7→ λ.~u

Définition 8. Soit G un ensemble non vide muni d’une loi de composition interne :
une application g : G×G → G, pour laquelle on note ∀u, v ∈ G, g(u, v) = u+v.
On dit que (G, +), ou simplement G, est un groupe si :
(i) la loi + est associative, i.e., u, v, w ∈ G, u + (v + w) = (u + v) + w ;
(ii) la loi + possède un élement neutre, i.e., ∃e ∈ G : ∀u ∈ G u + e = e + u = u ;
(iii) tout élement u de G possède un symetrique x0 , i.e., ∀u ∈ G, ∃v ∈ G :
u + v = v + x = e. On designe ce symétrique par u−1 et on l’appelle inverse de
x.
Si de plus la loi + est commutative, i.e., ∀u, v ∈ G u + v = v + u, on dit que le
groupe G est commutatif ou abelien.

6
Pr. A.AZZAYANI Cours d’Algèbre 1

Définition 9. Soit E un ensemble non vide muni d’une loi de composition interne
notée + et d’une loi de composition externe de domaine R notée.
(E, +, .) est un R-espace vectoriel (ou espace vectoriel sur R) si et seulement si :
1) (E,+) est un groupe commutatif.
2) La loi . verifie les quatre axiomes :
i. ∀(u, v) ∈ E 2 , ∀λ ∈ R, λ.(u + v) = λ.u + λ.v
ii. ∀u ∈ E, ∀(λ, µ) ∈ R2 , (λ + µ).u = λ.u + µ.u
iii. ∀u ∈ E, ∀(λ, µ) ∈ R2 , λ.(µ.u) = (λ × µ).u
iv. ∀u ∈ E, 1.u = u.
Les élements de E sont les vecteurs et les élements de R sont les scalaires ou plus
simplement les nombres.

Exemple 10. (R2 , +, .) (resp. (R3 , +, .) ) est un R-espace vectoriel.

1.2.2 Quelques règles de calcul

Théorème 11. Soit (E, +, .) un R-espace vectoriel.
1) ∀~u ∈ E, 0.~u = ~0, et ∀λ ∈ R, λ.~0 = ~0.
2) ∀(λ, ~u) ∈ R × E, λ.~u = ~0 ⇔ λ = 0 ou ~u = ~0
3) ∀(λ, ~u) ∈ R × E, (−λ).~u = λ.(−~u) = −λ.~u 4) ∀(λ, ~u, ~v ) ∈ R × E × E,
λ.(~u − ~v ) = λ.~u − λ.~v
5) (λ, µ, ~u) ∈ R × R × E, (λ − µ).~u = λ.~u − µ.~u

Exemple 12. Soit (E, +, .) un R-espace vectoriel. Montrons que la commutativité

de l’addition est une conséquence des autres axiomes de la structure d’espaces
vectoriels.

1.2.3 Produit d’espaces vectoriels

Soient (E1 , +, .), (E2 , +, .),... (En , +, .) des n R-espace vectoriel (n ≥ 2). On
définit sur le produit cartésien E1 × E2 × ... × En les lois produits :
1) ∀(u~1 , u~2 , ..., u~n ); (v~1 , v~2 , ..., v~n ) ∈ (E1 × E2 × ... × En )2 , (u~1 , u~2 , ..., u~n ) +
(v~1 , v~2 , ..., v~n ) = ((u~1 + v~1 ), (u~2 + v~2 ), ..., (u~n + v~n ))
2) ∀ (λ; (u~1 , u~2 , ..., u~n )) ∈ R×(E1 ×E2 ×...×En ), λ.(u~1 , u~2 , ..., u~n ) = (λ.u~1 , λ.u~2 , ..., λ.u~n )

Théorème 13. ((E1 × E2 × ... × En ), +, .) est un R-espace vectoriel.

1.3 Sous espaces vectoriels

Définition 14. Un sous ensemble F d’un espace vectoriel E est dit sous espace
vectoriel (s.e.v.) de E ssi :

7
Pr. A.AZZAYANI Cours d’Algèbre 1

1) F 6=  ;
2) F est stable pour + : (∀u, v ∈ F , u + v ∈ F ) ;
3) F est stable pour . : (∀(λ, u) ∈ R × F , λ.u ∈ F ).

Exemple 15. -
-
-
-
-
-

La réunion de deux sous espaces vectoriels n’est en général pas un sous

espace vectoriel.

Théorème 16. L’intersection de plusieurs sous espaces vectoriels d’un espace

vectoriel réel E est un sous espace vectoriel de E .

1.3.1 Caractérisation d’un sous-espace vectoriel

Dans ce qui suit, on n’écrit plus les flèches de vecteurs.

Théorème 17. Soit (E, +, .) un R-espace vectoriel. Soit F une partie de E.

F est un sous-espace vectoriel de l’espace vectoriel (E, +, .) si et seulement si F
contient 0 et F est stable pour + et .
Plus explicitement, F est un sous-espace vectoriel de l’espace vectoriel (E, +, .)
si et seulement si
1) 0E ∈ F ;
2) ∀(u, v) ∈ F 2 ,∀(λ, µ) ∈ R2 λ.u + µ.v ∈ F

Exemple 18. On munit R3 des operations usuelles.

1 F = {u = (x, y, z) ∈ R3 /x + y − 2z = 0} est un sous-espace vectoriel de
(R3 , +, .)
2) F = {u = (x, y, z) ∈ R3 /x + y − 2z = 1} n’est pas un sous-espace vectoriel
de (R3 , +, .)
3) F = {u = (x, y, z) ∈ R3 /xy = 0} n’est pas un sous-espace vectoriel de (R3 , +, .)

1.3.2 Somme de sous espaces vectoriels

Définition 19. Soit (E, +, .) un espace vectoriel et soient E1 et E2 deux sous
espaces vectoriels de (E, +, .).

8
Pr. A.AZZAYANI Cours d’Algèbre 1

1) La somme des sous espaces vectoriels E1 et E2 , notée par E1 + E2 , est égale

à:
E1 + E2 = {u ∈ E/∃(u1 , u2 ) ∈ E1 × E2 /u = u1 + u2 }
2) La somme directe des sous espaces vectoriels E1 et E2 , notée par E1 ⊕ E2 , est
égale à :

E1 ⊕ E2 = {u ∈ E/∃!(u1 , u2 ) ∈ E1 × E2 /u = u1 + u2 }

3) Si E = E1 ⊕ E2 , alors les sous espaces vectoriels E1 et E2 sont dits sous

espaces supplémentaires de E .

Exemple 20. Soit (E, +, .) un R-espace vectoriel. Soient F et G deux sous-

espaces vectoriels de (E, +, .).
On montre que F ∪ G est un sous-espace de l’espace vectoriel (E, +, .) si et
seulement si F ⊂ G ou G ⊂ F .

Théorème 21. Soit (E, +, .) un R-espace vectoriel. Soient E1 et E2 deux sous-

espaces vectoriels de (E, +, .).
Alors E1 + E2 et E1 ⊕ E2 sont aussi des sous-espaces vectoriels de (E, +, .).

Théorème 22. Soit (E, +, .) un R-espace vectoriel. Soient E1 et E2 deux sous-

espaces vectoriels de (E, +, .).
Alors E = E1 ⊕ E2 si et selement si E = E1 + E2 et E1 ∩ E2 = 0E .

Exemple 23.

1.4 Combinaisons linéaires et générateurs

1.4.1 Combinaison linéaire
Soit A un sous ensemble de (E, +, .).

Définition 24. Les vecteurs de la forme :

λ1~a1 + ... + λn~an

avec λ1 ; ...; λn ∈ R et ~a1 ; ...; ~an ∈ A sont appelés des combinaisons linéaires de
vecteurs de A.
L’ensemble de toutes les combinaisons linéaires de vecteurs de A est notée :

V ect(A) := {λ1~a1 + ... + λn~an /λ1 ; ...; λn ∈ R, ~a1 ; ...; ~an ∈ A}

9
Pr. A.AZZAYANI Cours d’Algèbre 1

Théorème 25. Pour tout sous-ensemble A d’un espace vectoriel (E, +, .), les pro-
priétés suivantes sont vérifiées : 1) L’ensemble Vect(A) est un sous-espace vecto-
riel de (E, +, .).
2) A ⊂ V ect(A)
3) Tout sous-espace vectoriel Z de (E, +, .) contenant A contient aussi Vect(A)

A ⊂ V ect(A) ⊂ Z

1.4.2 Espace vectoriel engendré et Famille génératrice

Définition 26. Le sous-espace vectoriel Vect(A) est appelé le (sous-)espace vec-
toriel engendré par A. C’est le plus petit sous-espace vectoriel contenant A.

Définition 27. Lorsque le sous-espace vectoriel engendré par A vaut l’espace vec-
toriel (E, +, .) tout entier, on dit que la famille de vecteurs A engendre (E, +, .)
ou que c’est une famille génératrice.
Dit autrement, cela signifie que tout vecteur de (E, +, .) peut s’écrire sous la
forme d’au moins une combinaison linéaire de vecteurs de A :

~u = λ1~a1 + ... + λn~an

Exemple 28.

1.5 Famille libre et famille liée

Définition 29. Soit ~a1 ; ...; ~an n vecteurs de l’espace vectoriel (E, +, .).
La famille {~a1 ; ...; ~an } est une famille libre si :

λ1~a1 + ... + λn~an = 0E ⇒ λ1 = ... = λn = 0

Cela signifie qu’il n’y qu’une seule manière d’écrire le vecteur nul comme com-
binaison linéaire de vecteurs ~a1 ; ...; ~an , c’est-à-dire avec la combinaison linéaire
triviale où tous les coefficients sont nuls.
A l’inverse, une famille de vecteurs ~a1 ; ...; ~an d’un espace vectoriel (E, +, .) est
dite liée si elle n’est pas libre. Cela signifie que le vecteur nul peut d’écrire avec
au moins une combinaison linéaire non triviale de vecteurs (E, +, .) :

λ1~a1 + ... + λn~an = 0E

avec au moins un λi 6= 0

Exemple 30.

10
Pr. A.AZZAYANI Cours d’Algèbre 1

Théorème 31. Une famille de vecteurs est liée ssi un des vecteurs de cette famille
est combinaison linéaire des autres vecteurs de la famille.
Si un des vecteurs d’une famille est combinaison linéaire des autres vecteurs de
la famille alors tout vecteur de cette famille est combinaison linéaire des autres
vecteurs de la famille.

Théorème 32. 1) Le vecteur 0E n’appartient à aucune famille libre de E.

2) ∀~u ∈ E/~u 6= 0E , la famille {~u} est libre.
3) Toute famille de vecteurs extrait d’une famille libre est libre.
4) Toute famille de vecteurs contenant une famille liée est liée.

1.6 Ordre et rang d’une famille de vecteurs

Définition 33. 1)L’ordre d’une famille est le nombre de vecteurs de la famille.
2) Le rang d’une famille est égal au plus grand nombre de vecteurs linéairement
indépendants que l’on peut extraire de cette famille.

Théorème 34. 1) Une famille de vecteurs est libre ssi son rang est égal à son
ordre.
2) Dans une famille liée de rang r, les vecteurs libres extraits en nombre r sont
dits vecteurs principaux, les autres sont dits non principaux et sont combinaison
linéaire des premiers.
3) Le rang d’une famille de vecteurs est égal à la dimension de l’espace engendré
par ces vecteurs.

1.7 Base d’un espace vectoriel

Définition 35. Une base d’un espace vectoriel E est tout système libre de vecteurs
générateurs de E.

Exemples :
1) (1,0),(0,1) est une base de R2 .
2) 1,0),(0,1),(1,1) n’est pas une base de R2 .
3) (1,0,0),(0,1,0),(0,0,1) est une base de R3 : on l’appelle la base canonique de R3 .

Théorème 36. Une famille de vecteurs {u1 , ....., un } est une base de E ssi tout
vecteur de E s’écrit de manière unique comme combinaison linéaire des vecteurs
u1 , ....., un :
∀u ∈ E, ∃!λ1 , ...., λn ∈ R/ u = λ1 u1 + .... + λn un

11
Pr. A.AZZAYANI Cours d’Algèbre 1

1.8 Espace vectoriel de dimension fini

Définition 37. 1) Un espace vectoriel réel est dit de dimension finie s’il admet
une base constituée d’un nombre fini n de vecteurs.
2) Le nombre n s’appelle la dimension de l’espace. On note dimE = n.

Rn est un espace vectoriel réel de dimension n.

Théorème 38. Si E est un espace vectoriel réel de dimension n, alors :

1) Toutes les bases de E ont le même ordre égal à n.
2) L’ordre de tout système générateur de E est supérieur à n.
3) L’ordre de tout système libre de E est inférieur à n.
4) Si l’ordre d’un système libre ou générateur de E est égal à n, alors ce système
est une base de E.
5) Si F est un sous espace vectoriel de E, alors F est un espace vectoriel réel de
dimension fini m, avec m ≤ n. Si de plus m = n, alors F ≡ E.
6) Si E1 et E2 sont deux sous espaces vectoriels de E, alors :
- dim(E1 + E2 ) = dimE1 + dimE2 − dim(E1 ∩ E2 )
- dim(E1 ⊕ E2 ) = dimE1 + dimE2 .

Théorème 39. Soit E un espace vectoriel réel de dimension fini.

1) Si E1 et E2 sont deux sous espaces vectoriels supplémentaires de E , E =
E1 ⊕ E2 , alors dimE = dimE1 + dimE2 .
2)Si B1 = {u1 , ..., um } et B1 = {v1 , ..., vm } sont deux bases respectives de E1 et
E2 , alors B = B1 ∪ B2 = {u1 , ..., u1 , v1 , ..., vm } est une base de E.
3) Maintenant si B = B1 ∪ B2 = {u1 , ..., u1 , v1 , ..., vm } est une base de E, alors
E = E1 ⊕ E2 .

12
Chapitre 2

Matrices

2.1 Généralités
2.2 Définitions
Définition 40. On appelle une matrice A, de type (n, p) (n, p ∈ N∗) à coefficients
réels, un tableau de n lignes et p colonnes constituées de nombres réels, dits co-
efficients de la matrice A. On note par :

 
a11 a12 ... a1p

 a21 a22 ... a2p 

A=
 : : ... : 

 : : ... : 
an1 an2 ... anp
On appelle le coefficient aij de la matrice A, l’élément d’intersection de la ligne i
et la colonne j.
On note M (n, p) l’ensemble des matrices de type (n, p).
Exemple 41.

2.2.1 Matrices particulières

Matrice ligne : C’est toute matrice A de type (1, p), (A ∈ M (1, p))
Matrice colonne : C’est toute matrice A de type (n, 1), (A ∈ M (n, 1))
Matrice nulle : C’est la matrice de M (n, p) dont tous les coefficients aij son nuls.
On note 0n,p
Matrice unité ou identité : C’est la matrice de M (n, n) dont les coefficients aij
vérifient aii = 1, aij = 0 si i 6= j

13
Pr. A.AZZAYANI Cours d’Algèbre 1

Matrice opposée : La matrice opposée d’une matrice A de M (n, p) c’est la ma-

trice B de M (n, p) dont les coefficients sont les opposés de ceux de la matrice A.
On note B = (−A) i.e : bij = −aij
Matrice transposée : La matrice transposée d’une matrice A de M (n, p) c’est
la matrice B de M (p, n) dont les lignes sont les colonnes de la matrice A et les
colonnes sont les lignes de la matrice A. On note B = At , i.e : bij = aji
Exemple 42.

2.3 Matrices carrées

On appelle matrice carrée d’ordre n toute matrice de type (n, n).
On note M (n) l’ensemble des matrices de type (n, n).

2.3.1 Diagonale d’une matrice carrée

Définition 43. Soit A une matrice carrée d’ordre n. Les coefficients aij sont dits
éléments ou coefficients diagonaux de la matrice A et constitue la diagonale prin-
cipale de la matrice A.
Exemple 44.

2.3.2 Matrice diagonale

Définition 45. Soit A une matrice carrée d’ordre n. On dit que la matrice A est
une matrice diagonale si tous les éléments non diagonaux de la matrice sont nuls :
aij = 0 si i 6= j.
Exemple 46.

2.3.3 Matrice triangulaire

Définition 47. Soit A une matrice carrée d’ordre n. On dit que A est une matrice
triangulaire inférieure si tous ses éléments au dessus de la diagonale principale
sont nuls aij = 0 si i < j.
On dit que A est une matrice triangulaire supérieure si tous ses éléments au des-
sous de la diagonale principale sont nuls aij = 0 si i > j.
Exemple 48.
Remarque :
Si une matrice A est triangulaire supérieure alors sa matrice transposée At est
triangulaire inférieure et inversement.

14
Pr. A.AZZAYANI Cours d’Algèbre 1

2.3.4 Matrice symétrique

Définition 49. Soit A une matrice carrée d’ordre n. On dit que la matrice A est
une matrice symétrique si elle est égale à sa matrice transposée : A = At

Exemple 50.

2.3.5 Matrice antisymétrique

Définition 51. Soit A une matrice carrée d’ordre n. On dit que la matrice A
est une matrice antisymétrique si sa matrice transposée est égale à sa matrice
opposée : At = (−A).

Exemple 52.

Remarque
Tous les éléments diagonaux d’une matrice antisymétrique sont nuls :

2.4 Opérations sur les matrices

2.4.1 Egalité
Définition 53. Deux matrices A et B de M (n, p) sont égales si elles ont les mêmes
coefficients :
A ≡ B ssi bij = aij . Et on a
At ≡ B t ssi A ≡ B

Exemple 54.

2.4.2 Addition
Définition 55. Soient A et B deux matrices de M (n, p). La matrice C de M (n, p)
définie par :
cij = aij + bij s’appelle la matrice somme des matrices A et B. On note C =
A + B.

Propriétés
1) ∀A, B, C ∈ M (n, p) : (A + B) + C = A + (B + C)
2) ∀A, B ∈ M (n, p) : A + B = B + A
3) ∀A, B ∈ M (n, p) : (A + B)t = At + B t

Exemple 56.

15
Pr. A.AZZAYANI Cours d’Algèbre 1

2.4.3 Multiplication par un scalaire

Définition 57. Soient A une matrice de M (n, p) et α un réel (α ∈ R). La matrice
C de M (n, p) définie par : cij = αaij s’appelle la matrice produit externe de la
matrice A par le scalaire α. On note C = α.A.
Propriétés
1) ∀A, B ∈ M (n, p) ∀α, β ∈ R : (α + β).A = α.A + β.B
2) ∀A, B ∈ M (n, p) ∀α ∈ R : α.(A + B) = α.A + α.B

Exemple 58.

2.4.4 Produit de deux matrices

Définition 59. Soient A une matrice de M (n, m) et B une matrice de M (m, p).
La matrice C de M (n, p) définie par :
k=1
X
cij = aik bkj s’appelle la matrice produit de la matrice A par la matrice B.
m
1) On note C = A × B.
2) On ne peut effectuer la multiplication de deux matrices A et B que si le nombre
des colonnes de la matrice A est égal au nombre de lignes de la matrice B (ici m
).
Propriétés
1) ∀A ∈ M (n, p) ∀B ∈ M (m, p) ∀C ∈ M (p, q) : (A × B) × C = A × (B × C) ∈
M (n, q)
2) ∀A ∈ M (n, p) ∀B, C ∈ M (m, p) : A × (B + C) = A × B + A × C ∈ M (n, p)
3) ∀A ∈ M (n, p) ∀B ∈ M (m, p) : (A × B)t = At × B t ∈ M (p, n)
Exemple 60.

2.4.5 Puissance d’une matrice

Définition 61. Soit A une matrice carrée d’ordre n (A ∈ M (n)) . On définit les
puissances de la matrice A par :
Ap = A × A × .... × A pour p fois.
Théorème 62. Soient A et B deux matrices carrées d’ordre n (A, B ∈ M (n)).
Si les matrices A et B commutent (A × B = B × A) , alors :
k=0
X
p
(A + B) = Cpk Ap−k .B k
p

16
Pr. A.AZZAYANI Cours d’Algèbre 1

Cette formule s’appelle la formule de Newton.

Exemple 63.

2.4.6 Propriétés de l’ensemble des matrices

M(n) est un espace vectoriel réel de dimension n2 :
1) La matrice nulle est l’élément neutre pour la loi + .
2) Le symétrique de la matrice A pour la loi + est égal à sa matrice opposée.
3) B = {Eij , 1 ≤ i, j ≤ n} est une base de M (n),
Eij )m n = 1 si (i, j) = (m, n) et Eij )m n = 1 si (i, j) 6= (m, n).
4) La base B s’appelle la base canonique de M (n). La matrice identité est l’éle-
ment neutre pour la loi ×.

2.4.7 Matrice inversible

Définition 64. Une matrice carrée A d’ordre n (A ∈ M (n)) est dite inversible s’il
existe une matrice carrée B d’ordre n (B ∈ M (n)) telle que : A × B = B × A =
In .
1) On note B = A−1
2) La matrice B = A−1 s’appelle la matrice inverse de la matrice A.

Théorème 65. Si deux matrices A et B de M (n) sont inversibles alors la matrice

A × B est inversible et (A × B)−1 = B −1 × A−1 .
En particulier si une matrice A de M (n) est inversible alors la matrice (A)p ,
p ∈ N∗ est inversible et (Ap )−1 = (A−1 )p .

Exemple 66.

2.5 Matrice inverse : Méthode de Gauss-Jordan

2.5.1 Principe de la méthode
La majorité des méthodes de calcul de l’inverse d’une matrice demande une
connaissance de la notion de déterminant.
Dans ce paragraphe, on va discuter une méthode dans laquelle on utilisera pas
cette notion. Cette méthode, dite méthode de Gauss-Jordan, consiste à transformer
la matrice A en In et par la même occasion la matrice In en A−1 en utilisant des
opérations élémentaires sur les lignes de la matrice, type addition à chaque ligne
d’une combinaison linéaire des autres lignes, multiplication d’une ligne par un
scalaire ou permutation des lignes.

17
Pr. A.AZZAYANI Cours d’Algèbre 1

Si au bout d’un certain nombre de transformations, on voit apparaître à la place

de la matrice A, une matrice avec une ligne identiquement nulle, il devient alors
impossible de faire apparaître les coefficients de la matrice In dans la matrice A.
On en conclut que la matrice A est non inversible.

2.5.2 Méthode de calcul

On écrit la matrice A dans la colonne gauche et la matrice In dans la colonne
droite, et on effectue les transformations adéquates sur les lignes de la matrice
A et de la matrice In pour faire apparaître au fur et à mesure les coefficients de
la matrice In à gauche et les coefficients de la matrice A−1 apparaîtront ainsi à
droite ;
1) On écrit A à gauche et In à droite ;
2) On multiplie la 1ère ligne par 12 : L1 ← 12 .L1 ;
3) On ajoute à la 2ème ligne la 1ère ligne : L2 ← L1 + L2 ;
4) On ajoute à la 3ème ligne la 1ère ligne multipliée par (−2) : L3 ← L3 − 2L1 ;
5) On échange la 2ème ligne et la 3ème ligne : L2 ↔ L3 ;
6) On ajoute à la 1ère ligne la 2ème ligne multipliée par −3
2
: L1 ← L1 − −32
L2 ;
7) On ajoute à la 3ème ligne la 2ème ligne multipliée par 2 : L3 ← L3 + 12 L2 ;
1

8) On ajoute à la 1ère ligne la 3ème ligne : L1 ← L1 + L3 ;

9) On multiplie la 3ème ligne par (2) : L3 ← 2L3 ;
10) On voit ainsi apparaître à la place de la matrice A la matrice identité In . La
matrice qui apparaît simultanément à la place de la matrice identité In n’est autre
que la matrice A−1 .

2.6 Matrice associée à un système de vecteurs

Définition 67. Soit (E, +, .) un espace vectoriel réel de dimension n, muni d’une
base B = {e1 , ..., en }.
Soit un système de p vecteurs de E, S = {u1 , ..., up }.
1) On appelle la matrice du système S, relativement à la base B, la matrice A où
la colonne j de la matrice A est formée des coordonnées du vecteur uj du système
S dans la base B.

Exemple 68.

18
Chapitre 3

Applications et applications linéaires

De manière générale en mathématiques, c’est l’étude des applications entre

objets qui nous intéressent le plus, par exemple, parce qu’elles nous donne des
informations sur les objets eux-mêmes.
ce chapitre nous étudierons la bonne notion d’application entre espaces vectoriel :
les applications linéaires.

Définition 69. Une application (ou une fonction) f : E → F , c’est la donnée

pour chaque élément x ∈ E d’un unique élément de F noté f(x).

Définition 70. Deux applications f, g : E → F sont égales si et seulement si

pour tout x ∈ E, f(x) = g(x). On note alors f = g.

Définition 71. Soient f : E → F et g : F → G alors gof : E → G est

l’application définie par gof (x) = g(f (x)).

3.0.1 Image directe, image réciproque :

Soient E, F deux ensembles.

Définition 72. 1. Soit A ⊂ E et f : E → F , l’image directe de A par f est

l’ensemble
f (A) = f (x)/x ∈ A
2. Soit B ⊂ F et f : E → F , l’image réciproque de B par f est l’ensemble

f −1 (B) = x ∈ E/f (x) ∈ B

Remarque 73. 1. f(A) est un sous-ensemble de F, f −1 (B) est un sous-ensemble

de E ;
2. La notation "f −1 (B)" est un tout, rien ne dit que f est un fonction bijective (voir

19
Pr. A.AZZAYANI Cours d’Algèbre 1

plus loin). L’image réciproque existe quelque soit la fonction ;

3. L’image directe d’un singleton f (x) = f (x) est un singleton. Par contre l’image
réciproque d’un singleton f −1 (y) dépend de f. Cela peut être un singleton, un
ensemble à plusieurs éléments ; mais cela peut-être E tout entier (si f est une
fonction constante) ou même l’ensemble vide (si aucune image par f ne vaut y).

3.0.2 Antécédents :
Fixons y ∈ F . Tout élément x ∈ E tel que f(x)=y est un antécédent de y.
En termes d’image réciproque l’ensemble des antécédents de y est f −1 (y).

Exemple 74. -
-
-
-
-
-

3.1 Injection, surjection, bijection :

3.1.1 Injection, surjection :
Soit E, F deux ensembles et f : E → F une application.

Définition 75. – f est injective si pour tout x, x0 ∈ E avec f(x)= f(x’) alors x
= x’. Autrement dit

∀x, x0 ∈ E, f (x) = f (x0 ) ⇒ x = x0

– est surjective si pour tout y ∈ F , il existe x ∈ E tel que y = f(x). Autrement

dit :
∀y ∈ F, ∃x ∈ E/y = f (x)
– Une autre formulation : f est surjective si et seulement si f(E)=F.

Remarque 76. – f est injective si et seulement si tout élément y de F a au plus

un antécédent (et éventuellement aucun) ;
– f est surjective si et seulement si tout élément y de F a au moins un antécé-
dent.

20
Pr. A.AZZAYANI Cours d’Algèbre 1

3.1.2 Bijection :
Définition 77. f est bijective si elle injective et surjective. Cela équivaut à : pour
tout y ∈ F il existe un unique x ∈ E tel que y=f(x). Autrement dit :

∀y ∈ F, ∃!x ∈ E/y = f (x)

Proposition 78. Soit E, F des ensembles et f : E → F une application.

1. L’application f est bijective si et seulement si il existe une application g :
F → E telle que f og = idF et gof = idE .
2. Si f est bijective alors l’application g est unique et elle aussi est bijective.
L’application g s’appelle la bijection réciproque de f et est notée f −1 De
plus (f −1 )−1 = f
Proposition 79. Soient f : E → F et g : F → G des applications bijectives.
L’application gof est bijective et sa bijection réciproque est
(gof )−1 = f −1 og −1

3.2 Ensembles finis :

3.2.1 Cardinal
Définition 80. Un ensemble E est fini s’il existe un entier n ∈ N et une bijection
de E vers 1, 2, ..., n. Cet entier n est unique et s’appelle le cardinal de E (ou le
nombre d’éléments) et est noté CardE.
Exemple 81. -
-
-
-
-
-
Proposition 82. 1. Si A est un ensemble fini et B ⊂ A alors B est aussi un en-
semble fini et CardB ≤ CardA ;
2. Si A, B sont des ensembles finis disjoints (c’est-à-dire A ∩ B = ) alors
Card(A ∪ B) = CardA + CardB ;
3. Si A est un ensemble fini et B ⊂ A alors Card(A B) = CardA − CardB. En
particulier si B ⊂ A et CardA = CardB alors A = B ;
4. Enfin pour A, B deux ensembles finis quelconques :
Card(A ∪ B) = CardA + CardB − Card(A ∩ B)

21
Pr. A.AZZAYANI Cours d’Algèbre 1

3.2.2 Injection, surjection, bijection et ensembles finis :

Proposition 83. Soit E, F deux ensembles finis et f : E → F une application : 1.
Si f est injective alors CardE ≤ CardF ;
2. Si f est surjective alors CardE ≥ CardF ;
3. Si f est bijective alors CardE = CardF .

Proposition 84. Soit E, F deux ensembles finis et f : E → F une application. Si

CardE = CardF alors les assertions suivantes sont équivalentes : i. f est injec-
tive ;
ii. f est surjective ;
iii. f est bijective.

3.3 Applications linéaires

Comme un espace vectoriel est la donnée dŠun ensemble et de deux lois, on
étudie les applications ensemblistes entre deux espaces vectoriels qui respectent
la somme des vecteurs et la multiplication par les scalaires. Plus précisément, cela
correspond à la définition suivante.

Définition 85. Soient E et F deux espaces vectoriels réels. On dit qu’une ap-
plication f de E vers F est une application linéaire ssi : i) ∀(x, y) ∈ E 2 :
f (x + y) = f (x) + f (y) ;
ii) ∀(α, y) ∈ IR × E : f (α.x) = α.f (x) ;
ssi ∀(α, β) ∈ IR2 ,∀(x, y) ∈ E 2 : f (α.x + β.y) = α.f (x) + β.f (y)

Définition 86. Soient E et F deux espaces vectoriels réels, et f une application

linéaire de E vers F .
1) On dit que f est un endomorphisme ssi E = F .
2) On dit que f est un isomorphisme ssi f est bijective.
3) On dit que f est un automorphisme ssi E = F et f est bijective.

22
Chapitre 4

Déterminant d’une matrice carée

4.1 Calcul d’un déterminant d’ordre n

Définition 87. Soit A = (aij )1≤i,j≤n une matrice carrée d’ordre n (A ∈ M (n)).
1) On appelle le mineur de l’élément aij , le déterminant de la matrice carrée Aij
d’ordre n − 1, obtenue en supprimant dans la matrice A la ligne i et la colonne j.
2) On note detAij ou ∆ij .

Exemple 88.

Définition 89. Soit A = (aij )1≤i,j≤n une matrice carrée d’ordre n (A ∈ M (n)).
Le déterminant d’ordre n de la matrice A est défini par :
1) La formule du développement du déterminant de la matrice A suivant la ligne
i: n
X
∀1 ≤ i ≤ n detA = (−1)i+k aik detAik
k=1
2) La formule du développement du déterminant de la matrice A suivant la co-
lonne j :
Xn
∀1 ≤ j ≤ n detA = (−1)j+k akj detAkj
k=1

Exemple 90.

4.2 Propriétés des déterminants

1) Un déterminant est nul si :
a. L’une des colonnes ou l’une des lignes est nulle.
b. Deux colonnes ou deux lignes sont égales ou proportionnelles.

23
Pr. A.AZZAYANI Cours d’Algèbre 1

c. Une ligne ou une colonne est une combinaison linéaire des autres lignes ou co-
lonnes.
2) Un déterminant change de signe si l’on effectue un nombre impair de permu-
tations (si par exemple, on permute deux lignes uniquement ou deux colonnes
uniquement).
3) Un déterminant est linéaire par rapport à chaque ligne et à chaque colonne (si
l’on multiplie tous les éléments d’une ligne ou d’une colonne par le même sca-
laire, le déterminant est multiplié par ce scalaire).
4) Un déterminant ne change pas si :
a. On permute simultanément deux lignes et deux colonnes
b. On échange les lignes et les colonnes det(At ) = detA
c. On ajoute à une ligne (respectivement une colonne), une combinaison linéaire
des autres lignes (respectivement colonnes).
5) Une matrice carrée est inversible ssi son déterminant est non nul.
6) Le déterminant du produit de deux matrices est égal au produit des détermi-
nants des deux matrices.
7) Le déterminant de l’inverse d’une matrice inversible est égal à l’inverse du dé-
terminant de cette matrice. 8)Un système de vecteurs est libre ssi le déterminant
de la matrice de ce système dans une base donnée est non nul.
9) Le déterminant d’une matrice triangulaire est égal au produit de ces éléments
diagonaux.

4.3 Inversion d’une matrice par la méthode des co-

facteurs
Définition 91. Soit A = (aij )1≤i,j≤n une matrice carrée d’ordre n (A ∈ M (n)).
Soit Aij la matrice carrée d’ordre n − 1 obtenue en supprimant dans la matrice
A la ligne i et la colonne j .
1) On appelle cofacteur du coefficient aij le nombre (−1)i+j det(Aij ).
2) On appelle comatrice ou matrice des cofacteurs de la matrice A la matrice :
C(A) = (cij )1≤i,j≤n définie par : cij = (−1)i+j det(Aij )

Etapes de l’inversion : 1) On vérifie si la matrice A est inversible. Pour cela,

on calcule son déterminant :
a. Si detA = 0 alors A n’est pas inversible.
b. Si detA 6= 0 alors A est inversible, et on passe aux étapes suivantes
2) On détermine la comatrice de la matrice A : C(A)
3) On détermine la transposée de la comatrice de la matrice A : C t (A)
4) On en déduit l’inverse de la matrice A :
A−1 = detA
1
(C t (A))

24
Pr. A.AZZAYANI Cours d’Algèbre 1

Exemple 92.

4.4 Rang d’une matrice

Définition 93. Soit A une matrice de M (n, p). On appelle le rang de la matrice
A l’ordre de la plus grande matrice carrée inversible extraite de la matrice A. On
note rg(A).
1) Le rang de la matrice nulle est égal à 0.
2) Si une matrice A de M (n, p) est non nulle, alors 1 ≤ rg(A) ≤ M in(n, p) .

Exemple 94. : Exemple de calcul de rang d’une matrice :

25