Filière

Génie Informatique

Module
Mathématiques I

Élément de module

Algèbre Linéaire

Pr. Hicham LEBZIOUI

2

2
Table des matières

1 Calcul matriciel 5
1.1 Définitions et exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Opérations sur les matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.1 Somme de deux matrices . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.2 Multiplication d’une matrice par un scalaire . . . . . . . . . . . . . 8
1.2.3 Produit de deux matrices . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.3.1 Produit d’une matrice ligne par une matrice colonne . . . 8
1.2.3.2 Produit de deux matrices . . . . . . . . . . . . . . . . . . 9
1.3 Propriétés des opérations sur les matrices . . . . . . . . . . . . . . . . . . . 10
1.4 Transposée d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5 Déterminant d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . . . 11
1.5.1 Déterminant d’une matrice carrée d’ordre 2 . . . . . . . . . . . . . 11
1.5.2 Déterminant d’une matrice carrée d’ordre 3 . . . . . . . . . . . . . 12
1.6 Inverse d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.7 Rang d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

2 Système d’équations linéaires 19

2.1 Écriture matricielle d’un système Linéaire . . . . . . . . . . . . . . . . . . 20
2.2 Résolution par inversion de la matrice . . . . . . . . . . . . . . . . . . . . . 20
2.3 Méthode de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4 Méthode du pivot de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.5 Systèmes homogènes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

3
4 TABLE DES MATIÈRES

3 Espace vectoriel 27
3.1 Définitions et exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2 Sous-espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3 Famille génératrice, libre et base . . . . . . . . . . . . . . . . . . . . . . . . 29
3.4 Applications linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.5 Matrice d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . 33

4
Chapitre 1

Calcul matriciel

1.1 Définitions et exemples

Définition 1.1 Une matrice de taille (n, m) est un tableau de nombres réels qui contient
n lignes et m colonnes.

Exemple 1.1 soit

! !
1 2 2 3 1
A= et B = et C = (1, −5, 2, 8)
−3 0 −1 2 −5

Alors :
– A est une matrice de taille (2,2).
– B est une matrice de taille (2,3).
– C est une matrice de taille (1,4).

Notations :
* L’ensemble des matrices de taille ( n, m ) est noté Mn,m (R).
* si n = m, abors on dit que la matrice est une matrice carrée.

5
6 CHAPITRE 1. CALCUL MATRICIEL

* Une matrice A de taille (n, m) peut être notée par :

 
a11 a12 . . . a1m
 
 a21 a22 . . . a2m 
.. .. ..  ou A = (aij )
 
16i6n
. . .

 
  16j6m
an1 an2 . . . anm

avec aij est le nombre situé a la i ème ligne et la j ème colonne.

Exemple 1.2 soit  

1 2 −5
 
A=
 0 1  1
−3 2 −8

alors, la taille de A est (3,3). On a aussi a23 = 1 et a31 = −3.

Matrices particulières :

– La matrice dont les coefficients sont tous nuls

 
0 ... 0
 . .
 .. . . ...


 
0 ... 0

s’appelle la matrice nulle.

– La matrice carrée (de taille (n,n)) dont les coefficients sont tous nuls sauf les éléments
de la diagonale qui valent 1, s’appelle la matrice identité et notée In .
 
1 ... 0
 . . .. 
. ..
 .
In =  . 

0 ... 1

– Une matrice qui contient une seule ligne, s’appelle une matrice ligne, par exemple
A = (1, 0, −5, 8).

6
CHAPITRE 1. CALCUL MATRICIEL 7

– Une matrice qui contient une seule collone, s’appelle une matrice collone, par exemple
 
6
 
B=  −9 

7

Par exemple,  
! 1 0 0
1 0
et
 
I2 = I3 =  0 1 0 
0 1  
0 0 1
– Une matrice triangulaire est une matrice carrée dont les éléments au-dessous (ou
au-dessus) de la diagonale principale sont tous nuls. Par exemple
 
a a12 . . . a1n
 11 
 0 a22 . . . a2n 
 . .. . . .. 
 
 .. . . . 
 
0 0 . . . ann

– Une matrice diagonale est une matrice carrée dont les éléments non diagonaux sont
tous nuls. Par exemple,  
a1 0 ... 0
 
 0 a2 ... 0 
 
 ... ... ...... ... 
 
0 0 ... an

1.2 Opérations sur les matrices

1.2.1 Somme de deux matrices

Définition 1.2 Soient A = (aij ) 1≤i≤n
et B = (bij ) 1≤i≤n
deux matrices de même
1≤j≤m 1≤j≤m
taille. La somme des deux matrices A et B est la matrice notée A + B et définie par
A + B = (aij + bij ) 1≤i≤n
1≤j≤m

7
8 CHAPITRE 1. CALCUL MATRICIEL

Exemple 1.3 Soient

! !
1 2 −5 −8 7 11
A= et B=
3 8 10 0 2 −6
alors !
−7 9 6
A+B =
3 10 4
Remarque 1.4 On a A + 0 = 0 + A = A, pour toute matrice A.

1.2.2 Multiplication d’une matrice par un scalaire

Définition 1.3 Soient A = (aij ) 1≤i≤n
une matrice et α ∈ R. La multiplication de la
1≤j≤m
matrice A par le scalaire α est la matrice notée α.A définie par α.A = (α.aij ) 1≤i≤n
.
1≤j≤m

Exemple 1.5 Soit

   
1
1 2 −5 2
1 − 52
1
alors
   
A= 3 1
 3 1 ,
0 
2
A=
 2 2
0 

−4 8 2 −2 4 1
.

1.2.3 Produit de deux matrices

1.2.3.1 Produit d’une matrice ligne par une matrice colonne
 
b1
 . 
Définition 1.4 Soit A = (a1 , . . . , an ) une matrice ligne de taille (1, n) et B =  . 
 . 
bn
une matrice colonne de taille (n, 1). Le produit de A par B (dans cet ordre) est le nombre
définie par
 
b1 n
 .  X
A × B = (a1 , . . . , an ) ×  ..  = a1 b1 + a2 b2 + . . . + an bn = ai b i .
 
i=1
bn

8
CHAPITRE 1. CALCUL MATRICIEL 9

Exemple 1.6
 
2
 
(1, 9, −3) × 
 −5  = 1 × 2 + 9 × (−5) + (−3) × 0 = −43.

0
 
4
 
 −1 
(1, 0, −3, 2) × 
  = 1 × 4 + 0 × (−1) + (−3) × 0 + 2 × 5 = 14.
 0 

5

1.2.3.2 Produit de deux matrices

Définition 1.5 Soit A ∈ Mn,m (R) et B ∈ Mm,p (R) deux matrices telles que le nombre
de colonnes de A est égale au nombre de lignes de B. Notons
 
L1
 
 L2 
A =  .  et B = (C1 , C2 , . . . , Cp )
 
 .. 
 
Ln

où Li est la ligne de rang i de A, et Ci est la collone de rang i de B. Le produit de A par

B est la matrice de taille (n, p) définie par
 
L1 C1 L1 C2 . . . L1 Cp
 
 L2 C1 L2 C2 . . . L2 Cp 
A×B = .
 
 .. .
.. .
.. 

 
Ln C1 Ln C2 . . . Ln Cp

Exemple 1.7 Soient les matrices

   
! 2 3 2 1 −3
1 2 −3 
 et C =  5 −4
  
A= , B= −1 0 .
0 
2 −1 5   
4 1 0 −2 8

9
10 CHAPITRE 1. CALCUL MATRICIEL

Alors
! !
1 × 2 + 2 × (−1) − 3 × 4 1 × 3 + 2 × 0 − 3 × 1 −12 0
A×B = = ,
2 × 2 − 1 × (−1) + 5 × 4 2 × 3 − 1 × 0 + 5 × 1 25 11
et !
12 −1 −27
A×C = .
−1 −4 34
Remarque 1.8 Dans l’exemple précédent, on ne peut pas calculer B × C car le nombre
de colonnes de B est différent du nombre de lignes de C.

1.3 Propriétés des opérations sur les matrices

Exemple 1.9 On considère les matrices
! !
1 2 1 1
A= et B = .
3 4 0 2
On a
! ! ! !
1 2 1 1 1·1+2·0 1·1·2·2 1 5
AB = = =
3 4 0 2 3·1+4·0 3·1+4·2 3 11
! ! ! !
1 1 1 2 1·1+1·3 1·2+1·4 4 6
et BA = = =
0 2 3 4 0·1+2·3 0·2+2·4 6 8
Donc, on constate que le produit des matrices n’est pas commutatif. C’est à dire que
AB 6= BA en général.

En revanche, on peut vérifier facilement que les propriétés suivantes restent vraies.

Théorème 1.10 Pour toute matrice A, B, C et tout scalaire k, on a :

– (AB)C = A(BC) (associativité).
– A(B + C) = AB + AC (distributivité à gauche).
– (B + C)A = BA + CA (distributivité à droite).
– k(AB) = (kA)B = A(kB) où k est un scalaire.
– AIn = In A = A.
– A0 = 0A = 0.

10
CHAPITRE 1. CALCUL MATRICIEL 11

1.4 Transposée d’une matrice

Définition 1.6 La matrice transposée d’une matrice A, écrite At , est la matrice obtenue
en écrivant les lignes de A en colonnes :
 t  
a11 a12 . . . a1n a11 a21 . . . am1
   
 a21 a22 . . . a2n  =  a12 a22 . . . am2
  
 
 ...... ...... ... ...   ... ... ... ... 
   
am1 am2 . . . amn a1n a2n . . . ann

Observons que si A est une matrice m × n, alors At est une n × m matrice.

Exemple 1.11  
!t 1 4
1 2 3  
= 2 −5 
4 −5 −6  
3 −6
La transposition des matrices satisfait aux propriétés suivantes :
t
Théorème 1.12 (i) (A + B)t = At + B t (ii) (At ) = A (iii) (kA)t = kAt , pour k
t t t
scalaire (iv) (AB) = B A

Preuve. TD.

1.5 Déterminant d’une matrice carrée

1.5.1 Déterminant d’une matrice carrée d’ordre 2

!
a11 a12
Définition 1.7 Soit A = une matrice carrée d’ordre 2.
a21 a22
a11 a12
Le déterminant de A est le nombre noté det A ou et défini par
a21 a22

a11 a12
det A = = a11 a22 − a12 a21 .
a21 a22

11
12 CHAPITRE 1. CALCUL MATRICIEL

Exemple 1.13
4 −5
= 4(−2) − (−5)(−1) = −13
−1 −2

1.5.2 Déterminant d’une matrice carrée d’ordre 3

 
a11 a12 a13
Définition 1.8 Soit A = 
 
a 21 α22 a 23
 une matrice d’ordre 3. Le déterminant de
 
a31 α32 a33
A est définie par

a11 a12 a13

a22 a23 a21 a23 a21 a22
det A = a21 α22 a23 = a11 − a12 + a13
a32 a32 a31 a33 a31 a32
a31 α32 a33

Remarque 1.14 Le déterminant d’une matrice carrée d’ordre 3 est une combinaison
linéaire des trois déterminants du second ordre dont les coefficients (avec des signes al-
ternés) forment la première ligne de la matrice donnée. Remarquons que chaque matrice
2 × 2 peut être obtenue en supprimant, dans la matrice initiale, la ligne et la colonne
contenant le coefficient. On pourra faire ceci à la première colonne aussi.

Exemple 1.15

2 3 4
6 7 5 7 5 6
5 6 7 =2 −3 +4 = 2(6 − 63) − 3(5 − 56) + 4(45 − 48) = 27
9 1 8 1 8 9
8 9 1

2 3 −4
−4 2 0 2 0 −4
0 −4 2 =2 −3 +(−4) = 2(−20+2)−3(0−2)−4(0+4) = −46
−1 5 1 5 1 −1
1 −1 5

Remarque 1.16 De la même façon, on définit le déterminant d’une matrice carré d’ordre
4, ou en général, d’ordre n. On peut développer un déterminant suivant n’importe quelle
ligne (ou colonne), mais les facteurs de la ligne sont affectés par (−1)i+j .

12
CHAPITRE 1. CALCUL MATRICIEL 13

Exemple 1.17 Calculons le premier déterminant de l’exemple précédent, en développant

suivant la deuxième colonne.

2 3 4
5 7 2 4 2 4
5 6 7 = −3 +6 −9 = 27
8 1 8 1 5 7
8 9 1

Quand n augmente, le nombre de termes dans le déterminant devient très grand. En

conséquence, on utilise des méthodes indirectes pour calculer les déterminants, plutôt
que la définition. En fait, nous allons donner un certain nombre de propriétés sur les
déterminants qui vont nous permettre d’écourter considérablement le calcul.

Théorème 1.18 Les déterminants d’une matrice A et de sa transposée At sont égaux.

Remarque 1.19 Soit A une matrice carrée.

1) Si A a une ligne (colonne) de zéros, alors det A = 0.
2) Si A a deux lignes (colonnes) identiques, alors det A = 0.
3) Si A est triangulaire, c’est-à-dire A est constituée de zéros au-dessus ou au dessous de
la diagonale, alors det A = produit des éléments diagonaux. Ainsi en particulier det I = 1
où I est la matrice identique.

Théorème 1.20 Soit B la matrice obtenue à partir de la matrice A :

1) par multiplication d’une ligne (colonne) de A par un scalaire k ; alors det B = k det A.
2) en échangeant deux lignes (colonnes) de A : alors det B = − det A.
3) en additionnant un multiple d’une ligne (colonne) de A à un autre ; alors det B = det A

Exemple 1.21 Calculons le déterminant de

 
5 4 2 1
 
 2 3 1 −2 
A=  −5 −7 −3

 9 

1 −2 −1 4

Remarquons que 1 apparait dans la seconde ligne et la troisième colonne. Effectuons les
opérations suivantes sur A, où Ri note la i ème ligne : ( 1 ) addition −2R2 à R1 , (2)

13
14 CHAPITRE 1. CALCUL MATRICIEL

addition de 3R2 à R3 , (3) addition de 1R2 à R4 . On a

5 4 2 1 1 −2 0 5
2 3 1 −2 2 3 1 −2
det A = =
−5 −7 −3 9 1 2 0 3
1 −2 −1 4 3 1 0 2
Si nous développons par rapport à la troisième colonne, nous devons négliger tous les
termes contenant 0. Ainsi
1 −2 0 5
1 −2 5
2 3 1 −2
det A = (−1)2+3 =− 1 2 3
1 2 0 3
3 1 2
3 1 0 2
D’où ( )
2 3 1 3 1 2
det A = − +2 +5 = 38
1 2 3 2 3 1
Théorème 1.22 Le déterminant est une fonction multiplicative, c’est-à-dire que le dé-
terminant d’un produit de deux matrices A et B est égal au produit de leurs déterminant :
det(AB) = det A det B.

Preuve. TD.

1.6 Inverse d’une matrice

Définition 1.9 Une matrice carrée A est dite inversible s’il existe une matrice B telle
que AB = BA = I, où I est la matrice identité.

Remarque 1.23 La matrice B est unique ; car

AB1 = B1 A = I et AB2 = B2 A = I implique B1 = B1 I = B1 (AB2 ) = (B1 A) B2 = IB2 = B2 .

Une telle matrice B est appelée l’inverse de la matrice A et est notée par A−1 . Remarquons
que la relation précédente est symétrique ; c’est-à-dire que si B est l’inverse de A, alors A
est l’inverse de B.

14
CHAPITRE 1. CALCUL MATRICIEL 15

! !
2 5 3 −5
Exemple 1.24 Soit A = et B = . On a
1 3 −1 2
! ! ! !
2 5 3 −5 6 − 5 −10 + 10 1 0
AB = = =
1 3 −1 2 3−3 −5 + 6 0 1
et ! ! ! !
3 −5 2 5 6 − 5 15 − 15 1 0
BA = = =
−1 2 1 3 −2 + 2 −5 + 6 0 1
donc A est inversible et son inverse est A−1 = B.

Nous montrerons que pour les matrices carrées, AB = I si et seulement si BA = I; ainsi

il suffira de montrer qu’un seul produit est égal à I pour prouver que deux matrices sont
inverses l’une de l’autre, comme dans l’exemple suivant.

Exemple 1.25
      
1 0 2 −11 2 2 −11 + 0 + 12 2 + 0 − 2 2 + 0 − 2 1 0 0
      
 2 −1  =  −22 + 4 + 18 4 + 0 − 3 4 − 1 − 3  =  0 1 0 
  −4
3  0 1

     
4 1 8 6 −1 −1 −44 − 4 + 48 8 + 0 − 8 8 + 1 − 8 0 0 1

Ainsi les deux matrices sont inversibles, et sont les inverses l’une de l’autre.
!
a b
Calculons maintenant l’inverse d’une matrice générale 2 × 2, A = . Déterminons
c d
les scalaires x, y, z, w tels que
! ! ! ! !
a b x y 1 0 ax + bz ay + bw 1 0
= ou =
c d z w 0 1 cx + dz cy + dw 0 1
ce qui se résume à la résolution des deux systèmes suivants d’équations linéaires à deux
inconnues : ( (
ax + bz = 1 ay + bw = 0
et
cx + dz = 0 cy + dw = 1
Les deux systèmes admettent une !
solution unique si et seulement si ad − bc 6= 0. Remar-
a b
quons que si on pose A = , alors les systèmes admettent une solution unique si
c d

15
16 CHAPITRE 1. CALCUL MATRICIEL

et seulement si det A 6= 0. On peut montrer facilement que si det A 6= 0 alors les solutions
sont
d d −b −b −c −c a a
x= = , y= = , z= = , w= =
ad − bc det A ad − bc det A ad − bc det A ad − bc det A
D’où !
1 d −b
A−1 = (1.1)
det A −c a
Le but du paragraphe suivant est de donner une formule semblable à (1.1), pour le
calcul de l’inverse d’une matrice inversible d’ordre n.

Définition 1.10 Considérons une matrice carrée A = (aij ) d’ordre n × n. Soit Mij la
sous-matrice carrée (n − 1) × (n − 1) de A, obtenue en supprimant la i ème ligne et la j
ème colonne de A. Le cofacteur cij est le nombre définie par :

cij = (−1)i+j det Mij .

Il faut souligner que Mij note une matrice alors que cij note un scalaire.
 
2 3 4 !
2 3
Exemple 1.26 Soit A =  5 6  . Alors M23 = 8 9 et
 
 7 
8 9 1

2 3
c23 = (−1)2+3 = −(18 − 24) = 6
8 9

Définition 1.11 Considérons une matrice carrée A = (aij ) de taille n × n.

 
a11 a12 . . . a1n
 
 a21 a22 . . . a2n 
A=  ...... ......

 ... ...  
an1 an2 . . . ann

La comatrice de A est la matrice notée par Com(A) est définie par Com(A) = (cij ), où
les cij sont les cofacteurs de A.

16
CHAPITRE 1. CALCUL MATRICIEL 17

 
2 3 −4
Exemple 1.27 Soit A =   . Les cofacteurs de A sont
 
 0 −4 2 
1 −1 5

−4 2 0 2 0 −4
c11 = + = −18, c12 = − = 2, c13 = + =4
−1 5 1 5 1 −1
3 −4 2 −4 2 3
c21 = − = −11, c22 = + = 14, c23 = − =5
−1 5 1 5 1 −1
3 −4 2 −4 2 3
c31 = + = −10, c32 = − = −4, c33 = + = −8
−4 2 0 2 0 −4

Donc la comatrice de A est

 
−18 2 4
 
Com(A) = 
 −11 14 5 

−10 −4 −8

Théorème 1.28 Pour une matrice carrée quelconque A

A · (Com(A))t = (Com(A))t · A = det A · I

où I est la matrice identique. Ainsi, si det A 6= 0, alors

1
A−1 = (Com(A))t
det A
Preuve. TD.
Remarquons que le théorème précédent nous donne une méthode importante pour
obtenir l’inverse d’une matrice donnée.

Exemple 1.29 Considérons la matrice A de l’exemple précédent pour laquelle det A =

−46. Nous avons
      
2 3 −4 −18 −11 −10 −46 0 0 1 0 0
t
      
A (Com(A)) =  0 −4
 2 
  2 14 −4  = 
  0 −46 0  = −46  0 1 0 
 

1 −1 5 4 5 −8 0 0 −46 0 0 1
= −46I = det AI

17
18 CHAPITRE 1. CALCUL MATRICIEL

Donc,
   
−18/ − 46 −11/ − 46 −10/ − 46 9/23 11/46 5/23
1
A−1 = (Com(A))t = 
   
2/ − 46 14/ − 46 −4/ − 46  =  −1/23 −7/23 2/23 
det A    
4/ − 46 5/ − 46 −8/ − 46 −2/23 −5/46 4/23
 
1 1 1
Exercise 1.30 Trouver l’inverse de A = 
 
 0 1 1 

0 0 1

1.7 Rang d’une matrice

Définition 1.12 Soit A une matrice de taille (n, m). Le rang de la matrice A noté rg(A)
est la taille de la plus grande matrice carrée de déterminant non-nul qu’on peut extraire
de la matrice A.
 
−1 1 0 2
Exemple 1.31 Soit A =  . Vérifier que rg(A) = 2.
 
 2 3 −1 4 
1 4 −1 6

18
Chapitre 2

Système d’équations linéaires

Définition 2.1 Un système d’équations linéaires de m équations et n inconnus est de la

forme



 a11 x1 +a12 x2 +a13 x3 + ··· +a1n xn = b1




 a21 x1 +a22 x2 +a23 x3 + ··· +a2n xn = b2
 .. .. .. .. .
= ..

 . . . .


 ai1 x1 +ai2 x2 +ai3 x3 + ··· +ain xn = bi

 .. .. .. .. ..



 . . . . = .

am1 x1 +am2 x2 +am3 x3 + ··· +amn xn = bm


avec les aij , bi sont des nombres connus et les xj sont les inconnus. La résolution du
système est la détermination de tout les (x1 , . . . , xn ) qui vérifient le système.

Exemple 2.1 Le système suivant a 2 équations et 3 inconnues :

(
x1 − 3x2 + x3 = 1
−2x1 + 4x2 − 3x3 = 9

(12, 0, −11), (7, −1, −9), (2, −2, −7) sont des solutions de ce système.

19
20 CHAPITRE 2. SYSTÈME D’ÉQUATIONS LINÉAIRES

2.1 Écriture matricielle d’un système Linéaire

Tout système linéaire peut être écrit sous la forme matricielle AX = b avec
     
a11 . . . a1n x1 b1
 . . .  .   . 
. .. ..  , X =  ..  et b =  ..  .

A=  .     
am1 . . . amn xn bm

Exemple 2.2 Le système :

(
x1 − 3x2 + x3 = 1
−2x1 + 4x2 − 3x3 = 9

peut s’écrire sous la forme matricielle AX = b avec

 
! x1 !
1 −3 1 1
, X =  x2 et b =
 
A=   .
−2 4 −3  9
x3

2.2 Résolution par inversion de la matrice

Soit le système linéaire AX = b, avec A une matrice carrée. Si A est inversible alors
le système admet une solution unique X = A−1 b.

Exemple 2.3 Résoudre les systèmes suivants par inversion de la matrice.


( 
 2x + y − z = 5
2x + y = 4 
et x + y + 2z = 1
x+y = 3 

 x + 3y + 5z = 2

2.3 Méthode de Cramer

Définition 2.2 Un système d’équations linéaires AX = b est dit de Cramer si la matrice
A est une matrice carrée inversible.

20
CHAPITRE 2. SYSTÈME D’ÉQUATIONS LINÉAIRES 21

Remarque 2.4 Un système de Cramer admet une seule solution.

Théorème 2.5 Soit AX = b un système de Cramer. Posons ∆ = det A 6= 0. Alors la

solution du système est donnée par
∆k
xk = , k = 1, . . . , n.
∆
où ∆k est le déterminant de la matrice carrée formée en remplaçant la k -ième colonne
de A par le vecteur colonne b.

Exemple 2.6 Résoudre les systèmes suivants en utilisant la méthode de Cramer :


( 
 2x + y − z = 5
2x + y = 4 
et x + y + 2z = 1
x+y = 3 

 x + 3y + 5z = 2

Proposition 2.1 Un système d’équations linéaires n’a soit aucune solution, soit une seule
solution, soit une infinité de solutions.

2.4 Méthode du pivot de Gauss

Définition 2.3 Un système est dit échelonné si le nombre de coefficients nuls commen-
çant une ligne croît strictement ligne après ligne.

Exemple 2.7

 2x1 + 3x2 + 2x3 − x4 = 5


−x2 − 2x3 = 4 est échelonné


3x4 = 1



2x + 3x2 + 2x3 − x4 = 5
 1


−2x3 = 4 n’est pas échelonné


x3 + x4 = 1


21
22 CHAPITRE 2. SYSTÈME D’ÉQUATIONS LINÉAIRES

Il se trouve que les systèmes linéaires sous une forme échelonnée réduite sont particuliè-
rement simples à résoudre.

Exemple 2.8 Le système linéaire suivant à 3 équations et 4 inconnues est échelonné et

réduit. 
x + 2x3 = 25
 1


x2 − 2x3 = 16


x4 = 1


Ce système se résout trivialement en


x = 25 − 2x3
 1


x2 = 16 + 2x3


x4 = 1


L’ensemble des solutions est

S = {(25 − 2x3 , 16 + 2x3 , x3 , 1) | x3 ∈ R}

Nous allons utiliser trois opérations élémentaires sur les équations (c’est-à-dire sur les
lignes) qui sont :
1. Li ← λLi avec λ 6= 0 : on peut multiplier une équation par un réel non nul.
2. Li ← Li + λLj avec λ ∈ R (et j 6= i ) : on peut ajouter à l’équation Li un multiple
d’une autre équation Lj . 3. Li ↔ Lj : on peut échanger deux équations.
Ces trois opérations élémentaires ne changent pas les solutions d’un système linéaire.

Exemple 2.9 Utilisons ces opérations élémentaires pour résoudre le système suivant.

 x +y +7z = −1 (L1 )


2x −y +5z = −5 (L2 )

 −x −3y −9z = −5 (L )

3

Commençons par l’opération L2 ← L2 − 2L1 : on soustrait à la deuxième équation deux

fois la première équation. On obtient un système équivalent avec une nouvelle deuxième

22
CHAPITRE 2. SYSTÈME D’ÉQUATIONS LINÉAIRES 23

ligne (plus simple) :




 x + y + 7z = −1
−3y − 9z = −3 L2 ← L2 − 2L1

 −x − 3y − 9z = −5


Puis L3 ← L3 + L1 :

 x + y +7z = −1


−3y −9z = −3 L3 ← L3 + L1

 −2y −2z = −6


On continue pour faire apparaitre un coefficient 1 en tête de la deuxième ligne ; pour cela
on divise la ligne L2 par -3 :

 x + y +7z = −1


1
y +3z = 1 L2 ← − L2
 3
 −2y −2z = −6


On continue ainsi
 
 x + y + 7z = −1  x + y + 7z = −1

 

y + 3z = 1 y + 3z = 1
 
4z = −4 L3 ← L3 + 2L2 z = −1 L3 ← 14 L3

 


On obtient ainsi x = 2, y = 4 et z = −1 et l’unique solution du système est (2,4,-1) .

La méthode utilisée pour cet exemple s’appelle la méthode du pivot de Gauss. Cette
méthode permet de trouver les solutions de n’importe quel système linéaire. Nous al-
lons décrire cet algorithme sur un exemple. Il s’agit d’une description précise d’une suite
d’opérations à effectuer, qui dépendent de la situation et d’un ordre précis. Ce proces-
sus aboutit toujours (et en plus assez rapidement) à un système échelonné, qui conduit
immédiatement aux solutions du système.
Exemple 2.10 Soit le système suivant à résoudre :


 −x2 + 2x3 + 13x4 = 5

x1 − 2x2 + 3x3 + 17x4 = 4


−x1 + 3x2 − 3x3 − 20x4 = −1


23
24 CHAPITRE 2. SYSTÈME D’ÉQUATIONS LINÉAIRES

Pour appliquer la méthode du pivot de Gauss, il faut d’abord que le premier coefficient
de la première ligne soit non nul. Comme ce n’est pas le cas ici, on échange les deux
premières lignes par l’opération élémentaire L1 ↔ L2 :



 x1 − 2x2 + 3x3 + 17x4 = 4 L1 7→ L2
−x2 + 2x3 + 13x4 = 5

 −x + 3x − 3x − 20x = −1

1 2 3 4

Nous avons déjà un coefficient 1 devant le x1 de la première ligne. On dit que nous avons
un pivot en position (1,1) (première ligne, première colonne). Ce pivot sert de base pour
éliminer tous les autres termes sur la même colonne. Il n’y a pas de terme x1 sur le
deuxième ligne. Faisons disparaitre le terme x1 de la troisième ligne ; pour cela on fait
l’opération élémentaire L3 ← L3 + L1 :

x − 2x2 + 3x3 + 17x4 = 4
 1


−x2 + 2x3 + 13x4 = 5


x2 − 3x4 = 3 L3 ← L3 + L1


On change le signe de la seconde ligne (L2 ← −L2 ) pour faire apparâtre 1 au coefficient
du pivot (2,2) (deuxième ligne, deuxième colonne) :

 x1 − 2x2 + 3x3 + 17x4 = 4


x2 − 2x3 − 13x4 = −5 L2 ← −L2

x2 − 3x4 = 3



On fait disparaitre le terme x2 de la troisième ligne, puis on fait apparaitre un coefficient

1 pour le pivot de la position (3,3) :

 x1 − 2x2 + 3x3 + 17x4 = 4


x2 − 2x3 − 13x4 = −5

2x3 + 10x4 = 8 L3 ← L3 − L2



 x1 − 2x2 + 3x3 + 17x4 = 4


x2 − 2x3 − 13x4 = −5

x3 + 5x4 = 4 L3 ← 12 L3



24
CHAPITRE 2. SYSTÈME D’ÉQUATIONS LINÉAIRES 25

Le système est sous forme échelonnée. Le système est maintenant très simple à résoudre.
En choisissant x4 comme variable libre, on peut exprimer x1 , x2 , x3 en fonction de x4 :

x1 = 4x4 − 2, x2 = 3x4 + 3, x3 = −5x4 + 4

Ce qui permet d’obtenir toutes les solutions du système :

S = {(4x4 − 2, 3x4 + 3, −5x4 + 4, x4 ) | x4 ∈ R}

Exercise 2.11 Résoudre les systèmes linéaires suivants par la méthode du pivot de Gauss :

 2x + y + z = 3


x − y + 3z = 8

+ 2y − = −3

 x z

 2x1 +

 4x2 − 6x3 − 2x4 = 2
3x1 + 6x2 − 7x3 + 4x4 = 2

 5x + 10x − 11x + 6x = 3

1 2 3 4

2.5 Systèmes homogènes

Un système est dit homogène si b1 = b2 = . . . = bm = 0. Un système homogène admet
toujours une solution car (0, 0, . . . , 0) est toujours une solution du système.

Proposition 2.2 Si X et Y sont deux solutions d’un système homogène alors aX + bY

est aussi une solution du système pour tout a, b ∈ R.

Remarque 2.12 Si un système homogène est de Cramer alors il admet la seule solution
triviale (0, 0, . . . , 0)

Exercise 2.13 Résoudre le système homogène suivant par la méthode du pivot de Gauss :

 x1 + 5x2 − 2x3 − 2x4 = 0


2x1 + 6x2 − 7x3 + 4x4 = 0

 3x + 10x − 11x + 6x = 0

1 2 3 4

25
26 CHAPITRE 2. SYSTÈME D’ÉQUATIONS LINÉAIRES

26
Chapitre 3

Espace vectoriel

3.1 Définitions et exemples

Définition 3.1 Soit V un ensemble non vide ayant les deux lois, addition et multiplica-
tion par un scalaire, qui font correspondre à u, v ∈ V une somme u + v ∈ V et à un u ∈ V
quelconque et k ∈ R un produit ku ∈ V . V est alors appelé espace vectoriel sur R (et les
éléments de V sont appelés vecteurs) si les axiomes suivantes sont vérifiés :
[A1 ] : Quels que soient les vecteurs u, v, w ∈ V, (u + v) + w = u + (v + w).
[A2 ] : Il existe un vecteur de V, noté 0 et appelé vecteur nul tel que u + 0 = 0 + u = u quel
que’soit u ∈ V .
[A3 ] : Quel que soit le vecteur u ∈ V, il existe un vecteur de V, noté −u, pour lequel
u + (−u) = (−u) + u = 0.
[A4 ] : Quels que soient les vecteurs u, v ∈ V, u + v = v + u.
[M1 ] : Quel que soit le scalaire k ∈ R et quels que soient les vecteurs u, v ∈ V, k(u + v) =
ku + kv.
[M2 ] : Quels que soient les scalaires a, b ∈ R et quel que soit le vecteur u ∈ V, (a + b)u =
au + bu.
[M3 ] : Quels que soient les scalaires a, b ∈ R et quel que soit le vecteur u ∈ V, (ab)u =
a(bu).
[M4 ] : Pour le scalaire 1 ∈ R, 1u = u quel que soit le vecteur u ∈ V .

27
28 CHAPITRE 3. ESPACE VECTORIEL

Exemple 3.1 1. Rn muni des deux opérations

(a1 , a2 , . . . , an ) + (b1 , b2 , . . . , bn ) = (a1 + b1 , a2 + b2 , . . . , an + bn )

k (a1 , a2 , . . . , an ) = (ka1 , ka2 , . . . , kan )

est un espace vectoriel.

2. Soit Mn,m (R) l’ensemble des matrices n × m muni des deux lois : addition des
matrices et multiplication d’une matrice par un scalaire. Alors Mn,m (R) est un
espace vectoriel.
3. Soit V l’ensemble des polynômes a0 + a1 t + a2 t2 + . . . + an tn muni des deux lois :
addition des polynômes et multiplication par un scalaire. Alors V est un espace
vectoriel. (Même chose pour l’ensemble des fonctions de R à valeurs dans R).
4. Montrer pourquoi V = [−3, 3] n’est pas un espace vectoriel ?
5. L’ensemble des nombres complexes C est un espace vectoriel sur R.

3.2 Sous-espace vectoriel

Définition 3.2 Soit W un sous-ensemble d’un espace vectoriel. W est appelé sous-espace
de V si W est lui-même un espace vectoriel par rapport aux lois d’addition vectorielle et
de multiplication par un scalaire définies sur V .

Proposition 3.1 W est un sous-espace vectoriel de V si et seulement si :

(i) 0 ∈ W .
(ii) av + bw ∈ W quel que soit a, b ∈ R et v, w ∈ W .

Exemple 3.2 1. Soit V un espace vectoriel quelconque. L’ensemble {0} constitué du

seul vecteur nul, ainsi que l’espace entier V sont des sous-espaces vectoriels de V .
2. Soit V l’espace vectoriel R3 . L’ensemble des vecteurs W dont la dernière composante
est nulle, W = {(a, b, 0)/a, b ∈ R}, est un sous-espace de V .
3. Soit V l’espace vectoriel des polynômes. L’ensemble W des polynômes de degré
6 n, n étant fixé, est un sous-espace vectoriel de V .

28
CHAPITRE 3. ESPACE VECTORIEL 29

Exercise 3.3 1. Montrer que l’ensemble

F = {(x, y, z) ∈ R3 /3x − 2y + z = 0}

est un sous espace vectoriel de R3 .

2. Montrer que l’ensemble

F 0 = {(x, y, z) ∈ R3 /x − 3y + 2z − 1 = 0}

n’est pas un sous espace vectoriel de R3 .

Proposition 3.2 L’ensemble des solutions d’un système homogène

a11 x1 + a12 x2 + · · · + a1n xn = 0

a21 x1 + a22 x2 + · · · + a2n xn = 0
······
am1 x1 + am2 x2 + · · · + amn xn = 0

est un sous-espace vectoriel de Rn .

Définition 3.3 Soit V un espace vectoriel sur le corps R et soient v1 , . . . , vn ∈ V . Un

vecteur quelconque de V, de la forme

a1 v1 + a2 v2 + · · · + an vn

où les ai ∈ R, est appelé une combinaison linéaire de v1 , . . . , vn .

Exercise 3.4 Dans R2 , est ce qu’on peut écrire (3, −2) comme combinaison linéaire de
(1, 2) et (4, −5). Même question pour (1, 8) est les vecteurs (3, 4) et (6, 8).

3.3 Famille génératrice, libre et base

Définition 3.4 Soit {v1 , . . . , vn } une famille de vecteurs d’un espace vectoriel V . On dit
que la famille {v1 , . . . , vn } est génératrice de V si ∀x ∈ V , x est combinaison linéaire de
v1 , . . ., vn

29
30 CHAPITRE 3. ESPACE VECTORIEL

Exemple 3.5 1. Montrer que les vecteurs e1 = (1, 0) et e2 = (0, 1) constitue une
famille génératrice de R2 .
2. Montrer que les polynômes 1, X et X 2 constitue une famille génératrice de l’espace
des polynômes de degré inférieur ou égale à 2.

Définition 3.5 (Famille libre) Soit V un espace vectoriel, et {v1 , . . . , vn } une famille
de vecteurs de V . On dit que {v1 , . . . , vn } est une famille libre si
n
X
λi vi = 0 =⇒ λi = 0, (∀i = 1, . . . , n, )
i=1

Exemple 3.6 1. Montrer que la famille {e1 , e2 , e3 } où e1 = (1, 0, 0), e2 = (1, 1, 0) et

e3 = (1, 1, 1) constitue une famille libre de l’espace vectoriel R3 .
2. Montrer que les polynômes 1, X et X 2 constitue une famille libre de l’espace des
polynômes de degré inférieur ou égale à 2.

Définition 3.6 Une base d’un espace vectoriel est une famille génératrice et libre.

Exemple 3.7 Soient e1 = (1, 0, . . . , 0), e2 = (0, 1, 0, . . . , 0),. . ., en = (0, . . . , 0, 1) des

vecteurs de l’espace vectoriel Rn . Montrer que la famille {e1 , . . . , en } est une base de Rn .
Cette base s’appelle la base canonique de Rn .

Exemple 3.8 Montrer que les vecteurs e1 = (1, 2) et e2 = (2, 1) constituent une base de
R2 .

Théorème 3.9 Soient {e1 , . . . , en } et {v1 , . . . , vm } deux bases d’un espace vectoriel V .
Alors n = m. Le nombre n s’appelle la dimension de l’espace vectoriel V .

Exemple 3.10 1. dim Rn = n.

2. Déterminer la dimension de l’espace des polynômes de degré ≤ 2.
3. Déterminer la dimension de l’espace des matrices carrés 2 × 2.

30
CHAPITRE 3. ESPACE VECTORIEL 31

Théorème 3.11 Soit V un espace vectoriel et {v1 , . . . , vn } une base de V . Alors pour
tout v ∈ V , il existe un seul (x1 , . . . , xn ) ∈ Rn tel que

v = x1 v1 + . . . + xn vn .

(x1 , . . . , xn ) s’appelle les coordonnées de v dans la base {v1 , . . . , vn }.

Exemple 3.12 1. Déterminer les coordonnées du vecteur v = (3, −4) dans la base
e1 = (1, 0) et e2 = (0, 1).
2. Même question pour la base e1 = (1, 2) et e2 = (2, 1).

Proposition 3.1 Soit V un espace vectoriel de dimension n. Si (x1 , . . . , xn ) et (y1 , . . . , yn )

sont respectivement les coordonnées des vecteurs u et v dans la base B, alors les coor-
données de u + v et αu dans la base B sont respectivement (x1 + y1 , . . . , xn + yn ) et
(αx1 , . . . , αxn ), avec α ∈ R.

Remarque 3.13 Un sous espace vectoriel vu comme espace vectoriel admet aussi une
base et une dimension.

Exemple 3.14 Soit F le sous espace vectoriel de R3 définie par

F = {(x, y, z) ∈ R3 /x + y + z = 0}.

Déterminer une base de F , et déduire la dimension de F .

3.4 Applications linéaires

Définition 3.7 Soient E et F deux espaces vectoriels et f une application de E dans F .
On dit que f est une application linéaire si

∀v, w ∈ E f (v + w) = f (v) + f (w)

∀v ∈ E, ∀λ ∈ R f (λv) = λf (v)

31
32 CHAPITRE 3. ESPACE VECTORIEL

Exemple 3.15 Montrer que l’application

f: R2 −→ R
(x, y) −→ x + y

est linéaire.

Remarque 3.16 Si f : E −→ F est une application linéaire alors f (0E ) = 0F .

Théorème 3.17 Soient E et F deux espaces vectoriels, et f une application linéaire de

E dans F .
1. Si A est un sous-espace vectoriel de E, alors

f (A) = {f (v), v ∈ A}.

est un sous-espace vectoriel de F .

2. Si B est un sous-espace vectoriel de F , alors

f −1 (B) = {v ∈ E, f (v) ∈ B}

est un sous-espace vectoriel de E.

Preuve. Exercice. 

Définition 3.8 Soient E, F deux espaces vectoriels et f une application linéaire de E

dans F . On appelle
1. Image de f et on note Im(f ) le sous-espace vectoriel de F :

Im(f ) = f (E) = {f (v), v ∈ E}

2. Noyau de f et on note Ker (f ) le sous-espace vectoriel de E :

Ker(f ) = f −1 ({0F }) = {v ∈ E, f (v) = 0F }

3. Le rang de f noté rg(f ) est définie par rg(f ) = dim Im(f )

Exemple 3.18 Soit f l’application linéaire de l’exemple 3.15. Déterminer une base de
ker f et dim ker f .

32
CHAPITRE 3. ESPACE VECTORIEL 33

Proposition 3.3 Soient E et F deux espaces vectoriels et f une application linéaire de

E dans F . L’application f est
1. surjective si et seulement si Im (f ) = F . (ou d’une manière équivalente rg(f ) = dim F ).
2. injective si et seulement si Ker(f ) = {0E }.

Preuve. Exercice. 

Théorème 3.19 Soient E et F deux espaces vectoriels et f une application linéaire de

E dans F. Alors on a
dim(Ker(f )) + rg(f ) = dim(E)

3.5 Matrice d’une application linéaire

Définition 3.9 Soient E et F deux espaces vectoriels de dimensions respectives p et n,
B = (e1 , . . . , ep ) une base de E, C = (f1 , . . . , fn ) une base de F et f une application
linéaire de E dans F . On appelle matrice de f dans B et C et on note Mat B,C (u) la
matrice de la famille u(B) = (u (e1 ) , . . . , u (ep )) dans la base C. Si : E = F et B = C,
alors la matrice MatB,B (u) est simplement notée Mat B (u).

Exemple 3.20 Soit f l’application linéaire

f: R3 −→ R2
(x, y, z) −→ (x + 2y, −3x + y)

33
34 CHAPITRE 3. ESPACE VECTORIEL

1. Déterminer la matrice de f relativement aux bases canoniques de R3 et R2 .

2. Soit B = {e1 , e2 , e3 } une base de R3 , avec e1 = (2, 0, 0), e2 = (2, 2, 0) et e3 = (2, 2, 2).
Soit C = {f1 , f2 } une base de R2 avec f1 = (1, 1) et f2 = (1, −1). Déterminer la
matrice de f relativement aux bases B et C.

Proposition 3.2 Soient f une application linéaire de E dans F , et g une application

linéaire de F dans G. Soient B, C et D des bases de E, F et G resp. Alors

MB,D (g ◦ f ) = MC,D (g) × MB,C (f ).

Proposition 3.3 Soit f une application linéaire d’un espace vectoriel E vers un espace
vectoriel F . Soit M la matrice de f relativement aux deux bases B et C de E et F resp.
Alors
1. rg(f ) = rg(M ).
2. f est bijective si et seulement si M est inversible.

34