Algèbre 2

Cours déstiné aux étudiants de la première année F.P.S.T (Section B)

Ecole Nationale Polytechnique d’Oran-Maurice Audin

W. Batat

2021-2022
Table des matières

1 Espaces vectoriels 3
1.1 Espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.1 Règles de calcul dans les espaces vectoriels . . . . . . . . . . . . . . . . . 4
1.1.2 Exemples classiques d’espaces vectoriels . . . . . . . . . . . . . . . . . . . 4
1.2 Sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Quelques exemples de sous-espaces vectoriels . . . . . . . . . . . . . . . . 6
1.2.2 Encore des exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.3 Quelques propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Somme et somme directe de sous-espaces vectoriels . . . . . . . . . . . . . . . . 7
1.4 Combinaison linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.1 Famille libre, famille liée . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.2 Famille génératrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5 Bases et dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5.1 Quelques exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.5.2 Diverses propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5.3 Théorème de la base incomplète . . . . . . . . . . . . . . . . . . . . . . . 14

2 Applications linéaires 15
2.1 Applications linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.1 Quelques exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2 Opérations sur les applications linéaires . . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Image et noyau d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . 17
2.4 Image d’une application linéaire en dimension …nie . . . . . . . . . . . . . . . . 18
2.5 Rang d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.6 Caractérisation de l’injection, de la surjection et de la bijection . . . . . . . . . . 19

3 Matrices et Déterminants 20
3.1 Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.1.1 Matrices particulières . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2 Opérations sur les matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.3 Espace vectoriel des matrices et base canonique . . . . . . . . . . . . . . . . . . 25
3.4 Transposée d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.5 Trace d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

1
 2

3.6 Matrices inversibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

3.6.1 Diverses propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.7 Matrice associée à une application linéaire . . . . . . . . . . . . . . . . . . . . . 28
3.8 Application linéaire associée à une matrice . . . . . . . . . . . . . . . . . . . . . 30
3.9 Correspondance entre les opérations sur les applications linéaires et celles sur les
matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.10 Matrice de passage d’une base à une base . . . . . . . . . . . . . . . . . . . . . . 31
3.11 Changement de coordonnées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.12 E¤et d’un changement de base sur la matrice d’une application linéaire . . . . . 33
3.13 Déterminant d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.13.1 Déterminant d’une matrice carrée d’ordre 2 . . . . . . . . . . . . . . . . 34
3.13.2 Déterminant d’une matrice carrée d’ordre 3 . . . . . . . . . . . . . . . . 34
3.13.3 Propriétés du déterminant . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.13.4 Quelques exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.14 Calcul de l’inverse d’une matrice inversible . . . . . . . . . . . . . . . . . . . . . 38
3.15 Rang d’une matrice rectangle ou carrée . . . . . . . . . . . . . . . . . . . . . . . 40

4 Résolution de systèmes linéaires 41

4.1 Systèmes linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.2 Système linéaire de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.2.1 Résolution de système de Cramer par l’inversion de la matrice du système 43
4.2.2 Résolution de système de Cramer par la méthode de Cramer . . . . . . . 44
4.3 Résolution d’un système linéaire non de Cramer . . . . . . . . . . . . . . . . . . 45
4.3.1 Exemples concrets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.4 Exercice récapitulatif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
Chapitre 1

Espaces vectoriels

1. Espaces vectoriels.
2. Règles de calcul dans les espaces vectoriels.
3. Exemples classiques d’espaces vectoriels.
4. Sous-espace vectoriel d’un espace vectoriel.
5. Intersection, somme et somme directe de sous-espaces vectoriels.
6. Famille libre, liée et génératrice.
7. Base et dimension d’un espace vectoriel.

1.1 Espaces vectoriels

Soient | un corps commutatif et E un ensemble non vide E muni d’une loi de composition
interne, notée additivement + :

E E ! E
(u; v) ! u + v

et d’une loi de composition externe, notée multiplicativement :

| E ! E
( ; u) ! u

On dit que E est un |-espace vectoriel (ou un espace vectoriel sur |) et on note (E; +; :), si les
conditions suivantes sont satisfaites
1) (E; +) est un groupe abélien
2) 8u; v 2 E; 8 2 | : (u + v) = u+ v
3) 8 ; 2 |; 8u 2 E : ( + ) u = u+ u
4) 8 ; 2 |; 8u 2 E : ( ) u = ( u)
5) 8u 2 E : 1| u = u

3
 4

1.1.1 Règles de calcul dans les espaces vectoriels

– Soit (E; +; :) un |-espace vectoriel. Notons par
– 0| : l’élément neutre de | pour la première loi interne.
– 1| : l’élément neutre de | pour la deuxième loi interne.
– 0E : l’élément neutre de E pour la loi interne +.
– On a les propriétés suivantes :
1) 8u 2 E : 0| u = 0E
2) 8 2|: 0E = 0E
3) 8u 2 E : ( 1| ) u = u = 1| ( u)
4) 8 2 |; 8u 2 E : ( u = 0E ) () ( = 0| _ u = 0E )

1.1.2 Exemples classiques d’espaces vectoriels

– Les éléments de E sont appelés des vecteurs et ceux de | sont des scalaires.
Voici quelques ensembles, naturellement munis d’une addition et d’une multi-
plication externe :
– f0E g : le singleton contenant seulement le vecteur nul est un espace vectoriel particulier.
– Tout corps commutatif est un espace vectoriel sur lui même. En particulier :
– (R; +; :) : l’ensemble des réels, muni de l’addition et de la multiplication par un
réel, est un espace vectoriel sur R.
– (C; +; :) : l’ensemble des complexes, muni de l’addition et de la multiplication
par un complexe, est un espace vectoriel sur C.
– (C; +; :) : l’ensemble des complexes, muni de l’addition et de la multiplication par
un réel, est un espace vectoriel sur R.
– Rn = f(x1 ; x2 ; ::; xn ) ; x1 ; x2 ; ::; xn 2 Rg : l’ensemble des n-uplets de réels (couples pour
n = 2, triplets pour n = 3, . . . ), muni de l’addition
(x1 ; x2 ; ::; xn ) + (y1 ; y2 ; ::; yn ) = (x1 + y1 ; x2 + y2 ; ::; xn + yn )
et de la multiplication par un réel
: (x1 ; x2 ; ::; xn ) = ( x1 ; x2 ; ::; xn )
est un R-espace vectoriel.
– L’élément neutre de Rn par rapport à la loi interne est 0Rn = (0; 0; ::; 0).
– Le symétrique de (x1 ; x2 ; ::; xn ) par rapport à la loi interne de Rn est (x1 ; x2 ; ::; xn ) =
( x1 ; x2 ; ::; xn ).
– De façon plus générale, si f(Ei ; +Ei ; :Ei )gi=1;:;n est une famille d’espaces vectoriels sur un
même corps commutatif |. L’ensemble produit :
E1 E2 ::: En = f(x1 ; x2 ; ::; xn ) ; x1 2 E1 ; x2 2 E2 ; ::; xn 2 En g
muni de la loi interne
(x1 ; x2 ; ::; xn ) + (y1 ; y2 ; ::; yn ) = (x1 +E1 y1 ; x2 +E2 y2 ; ::; xn +En yn )
 5

et de la multiplication par un scalaire

: (x1 ; x2 ; ::; xn ) = ( :E1 x1 ; :E2 x2 ; ::; :En xn )

est un |-espace vectoriel.

– L’élément neutre de E1 E2 ::: En par rapport à la loi interne est 0E1 E2 ::: En =
(0E1 ; 0E2 ; ::; 0En ).
– Le symétrique de (x1 ; x2 ; ::; xn ) par rapport à la loi interne de E1 E2 ::: En est
(x1 ; x2 ; ::; xn ) = ( x1 ; x2 ; ::; xn ).
– F(R; R) : l’ensemble des fonctions réelles, muni des lois usuelles d’addition des fonctions,
et de multiplication par un réel :

8x 2 R : (f + g)(x) = f (x) + g(x)

8x 2 R : ( :f )(x) = (f (x))

est un R-espace vectoriel.

– RN : l’ensemble des suites réelles, muni des lois usuelles d’addition des suites, et de mul-
tiplication d’une suite par un scalaire :

8n 2 N : (un )n + (vn )n = (un + vn )n

8n 2 N : :(un )n = ( un )n

est un R-espace vectoriel.

– |[X] : l’ensemble des polynômes à une indeterminée X et à coe¢ cients dans le corps |
(| = R ou C), muni des lois usuelles d’addition des polynômes, et de multiplication d’un
polynôme par un scalaire, est un |-espace vectoriel.

1.2 Sous-espaces vectoriels

Soit (E; +; :) un |-espace vectoriel.
– Une partie F de E est dite sous-espace vectoriel (s.e.v) de E, si

1) 0E 2 F (ou F 6= ?)
2) 8u; v 2 F : u + v 2 F (F est stable pour +)
3) 8u 2 F; 8 2 | : u2F (F est stable pour )

– On peut aussi réunir les deux dernières conditions en une seule :

1) 0E 2 F
F est s.e.v de E ,
2) 8u; v 2 F; 8 ; 2|: u+ v 2F

– Une conséquence immédiate de la dé…nition :

– f0E g et l’espace total E sont des sous-espaces vectoriels de E, appelés sous-espaces
vectoriels triviaux.
– Tout sous-espace vectoriel d’un espace vectoriel est un espace vectoriel.
 6

1.2.1 Quelques exemples de sous-espaces vectoriels

– C(R; R) : l’ensemble des fonctions continues sur R est un sous-espace vectoriel de F(R; R).
– |n [X] : l’ensemble des polynômes de degré n est un sous-espace vectoriel de |[X].
– Considérons dans R3 , l’ensemble

F = f(x; y; z) 2 R3 ; x + y + z = 0g

– On a 0R3 = (0; 0; 0) 2 F car 0 + 0 + 0 = 0.

– Soient à pérsent u; v 2 F et ; 2 R, montrons que u + v 2 F . On a

u 2 F , u = (x; y; z) et x + y + z = 0
v 2 F , u = (x0 ; y 0 ; z 0 ) et x0 + y 0 + z 0 = 0

Par suite u + v = ( x + x0 ; y + y 0 ; z + z 0 ) et on a

x + x0 + y + y 0 + z + z 0 = (x + y + z) + (x0 + y 0 + z 0 ) = 0

u + v 2 F: F est alors un sous-espace vectoriel de R3 .

1.2.2 Encore des exemples

– Considérons dans R3 , l’ensemble

F = f(x; y; z) 2 R3 ; x + y + z = ag avec a 2 R

– Si a 6= 0; alors 0R3 = (0; 0; 0) 2

= F car 0+0+0 = a 6= 0. Ainsi, F n’est pas un sous-espace
vectoriel.
– Si a = 0; on retrouve l’exemple précédent. Dans ce cas F est un sous-espace vectoriel.
– Considérons dans F(R; R), l’ensemble des fonctions croissantes :

F = ff 2 F(R; R) : f croissanteg

F n’est pas un sous-espace vectoriel de F(R; R). En e¤et, si on prend une fonction crois-
sante f :
f croissante , 8x1 ; x2 2 R : x1 x2 ) f (x1 ) f (x2 )
alors f n’est plus croissante.

1.2.3 Quelques propriétés

1. L’intersection de deux sous-espaces vectoriels d’un espace vectoriel est un sous-espace
vectoriel.
2. La réunion de deux sous-espaces vectoriels n’est pas en général un sous-espace vectoriel :
prenons comme exemple

E = R2 ; F1 = f0g R et F2 = R f0g
 7

F1 et F2 sont des sous-espaces vectoriels de R2 . Cependant, F1 [F2 n’est pas un sous-espace

vectoriel de R2 . En e¤et,
u = (0; 1) 2 F1 2 F1 [ F2
v = (1; 0) 2 F2 2 F1 [ F2
mais
u + v = (0; 1) + (1; 0) = (1; 1) 2
= F1 [ F2

1.3 Somme et somme directe de sous-espaces vectoriels

Soient E un |-espace vectoriel, E1 et E2 deux sous-espaces vectoriels de E.
– On appelle somme de E1 et E2 et on note E1 + E2 le sous-ensemble de E, contenant tous
les vecteurs de E qui s’expriment comme somme d’un élément de E1 et d’un élément de
E2 :
E1 + E2 = fu1 + u2 ; u1 2 E1 et u2 2 E2 g
– E1 + E2 est un sous-espace vectoriel de E.
– Si de plus, E1 \ E2 = f0E g on dira que la somme E1 + E2 est une somme directe et on la
note E1 E2 .
– On dit que deux sous-espaces vectoriels E1 et E2 sont supplémentaires dans E, et on écrit
E = E1 E2 , si E est somme directe de E1 et E2 , c’est à dire, si les deux assertions
suivantes sont rsatisfaites
1) E = E1 + E2
2) E1 \ E2 = f0E g
Supposons que E1 et E2 sont supplémentaires dans E : E = E1 E2
– La première condition E = E1 + E2 signi…e que E E1 + E2 et E1 + E2 E, en omettant
la deuxième inclusion, la condition se traduit donc par

8u 2 E : 9u1 2 E1 ; 9u2 2 E2 ; u = u1 + u2

– La deuxième condition E1 \ E2 = f0E g signi…e que E1 \ E2 f0E g et f0E g E1 \ E2 ,

en omettant la deuxième inclusion, la condition se traduit donc par

8u 2 E : u 2 E1 \ E2 ) u = 0E

– Ainsi donc,

8u 2 E : 9u1 2 E1 ; 9u2 2 E2 ; u = u1 + u2
E = E1 E2 ,
8u 2 E : u 2 E1 \ E2 ) u = 0E

– On peut aussi réunir ces deux conditions en une seule :

E = E1 E2 , 8u 2 E : 9!u1 2 E1 ; 9!u2 2 E2 ; u = u1 + u2

– Pour montrer que deux sous-espaces vectoriels E1 et E2 sont en somme directe, on véri…e
simplement que E1 \ E2 = f0E g.
 8

– Pour montrer que deux sous-espaces vectoriels E1 et E2 sont supplémentaires dans E :

– on commence par montrer qu’ils sont en somme directe, c’est à dire, on montre que
E1 \ E2 = f0E g :
8u 2 E : u 2 E1 \ E2 ) u = 0E
on prend donc un vecteur u 2 E1 \ E2 et montre que u = 0E .
– ensuite on montre que E = E1 + E2 :

8u 2 E : 9u1 2 E1 ; 9u2 2 E2 ; u = u1 + u2

c’est à dire, on prend un vecteur u 2 E et on suppose qu’il s’écrit sous forme u = u1 +u2
avec u1 2 E1 et u2 2 E2 . On utilise ensuite les propriétés de E1 et E2 pour essayer de
trouver les deux vecteurs u1 et u2 .

1.4 Combinaison linéaire

– On appelle combinaison linéaire de vecteurs u1 ; ::; un de E tout vecteur u qui peut s’écrire
P
n
u= 1 u1 + :: + n un = i ui avec 1 ; ::; n 2|
i=1

Les scalaires 1 ; ::; n sont appelés coe¢ cients de la combinaison linéaire.

– On note par Cfu1 ; ::; un g (ou V ectfu1 ; ::; un g ou hfu1 ; ::; un gi) l’ensemble de toutes les
combinaisons linéaires de fu1 ; ::; un g :

Cfu1 ; ::; un g = f 1 u1 + :: + n un ; 1 ; ::; n 2 |g

– Cfu1 ; ::; un g est un sous-espace vectoriel de E.

– On a toujours fu1 ; ::; un g Cfu1 ; ::; un g.
– Cfu1 ; ::; un g est le plus petit sous-espace vectoriel (au sens de l’inclusion) de E contenant
fu1 ; ::; un g.
– Cfu1 ; ::; un g est appelé le sous-espace vectoriel engendré par fu1 ; ::; un g.
Exemple 1
– Dans R2 le vecteur u = (4; 11) est une combinaison linéaire des vecteurs u1 = (2; 1) et
u2 = (1; 4).
– En e¤et, pour ce faire, on doit trouver 1 ; 2 2 R tels que

u= 1 u1 + 2 u2

– On a alors
2 +1 2 =4 1 =3
)
1+4 2 = 11 2 = 2
Par conséquent
u = 3u1 2u2
 9

Exemple 2
– Dans R3 le vecteur u = (0; 1; 7) n’est pas une combinaison linéaire des vecteurs u1 =
(2; 1; 5) et u2 = ( 1; 2; 1).
– En e¤et, supposons que u est une combinaison liénaire de u1 ; u2 , il existe alors 1 ; 2 2 R
tels que
u = 1 u 1 + 2 u2
D’où le système suivant :
8 8
< 2 1 2 =0 < 1 = 51
2
1+2 2 =1 ) 2 = 5
: :
5 1+ 2 =7 5 15 + 2
5
= 7
5
6= 7

Exemple 3
– Dans R[X] le polynôme P = 2X 2 + 3X 21 est une combinaison linéaire des polynômes
P1 = X 2 2X et P2 = 3 + X. En e¤et, pour ce faire, on doit trouver 1 ; 2 2 R tels que

P = 1 P1 + 2 P2

On a alors

2X 2 + 3X 21 = X 2 2X + 2 ( 3 + X)
1
= X 2 + ( 2 2 1) X 3 2
81 8
< 1=2 < 1=2
) 2 2 1 = 3 ) 2 = 7
: :
3 2 = 21 7 2(2) = 3
) P = 2P1 + 7P2

1.4.1 Famille libre, famille liée

Soit fu1 ; ::; un g une famille de vecteurs de l’espace vectoriel E.
1. La famille fu1 ; ::; un g est dite libre, ou encore les vecteurs u1 ; ::; un sont dits linéairement
indépendants, si

8 1 ; ::; n 2|: 1 u1 + :: + n un = 0E ) 1 = :: = n = 0|

Autrement dit, une famille est libre lorsque la seule combinaison linéaire de ses vecteurs
qui donne le vecteur nul est celle dont tous les coe¢ cients sont nuls.
2. Une famille qui n’est pas libre est dite liée. Les vecteurs qui ne sont pas linéairement
indépendants sont dits linéairement dépendants, c’est à dire,

9 1 ; ::; n 2|: 1 u1 + :: + n un = 0E et ( 1 ; ::; n) 6= (0; ::; 0)

Autrement dit, une famille est liée lorsqu’il existe une combinaison linéaire de ses vecteurs
qui donne le vecteur nul et dont les coe¢ cients ne sont pas tous nuls.
 10

Diverses propriétés
1. Une famille d’un seul vecteur non nul est libre.
2. Une famille qui contient le vecteur nul est liée.
3. Une famille de vecteurs est liée si et seulement si au moins un des vecteurs de cette famille
est combinaison linéaire des autres vecteurs.
4. Toute famille contenant une famille liée est liée.
5. Toute famille inclue dans une famille libre est libre.

Quelques exemples
Exemple 1
– Dans Rn les vecteurs

e1 = (1; 0; ::; 0); e2 = (0; 1; ::; 0); ::; en = (0; 0; ::; 1)

sont linéairement indépendants. En e¤et, supposons que l’on ait une combinaison liénaire
nulle de e1 ; ::; en :

1 e1 + 2 e2 + :: + n en = 0Rn avec 1 ; ::; n 2R

c’est à dire

1 (1; 0; ::; 0) + 2 (0; 1; ::; 0) + :: + n (0; 0; ::; 1) = (0; 0; ::; 0)

On a alors
( 1 ; 0; ::; 0) + (0; 2 ; ::; 0) + :: + (0; 0; ::; n) = (0; 0; ::; 0)
Ainsi donc
( 1; 2 ; ::; n) = (0; 0; ::; 0)
Exemple 2
– Dans R3 les vecteurs u1 = (3; 3; 1); u2 = (1; 1; 0) et u3 = (1; 1; 1) sont linéairement dépen-
dants. En e¤et, supposons que l’on ait une combinaison liénaire nulle de u1 ; u2 ; u3 :

1 u1 + 2 u2 + 3 u3 = 0R3 avec 1; 2; 3 2R

D’où le système suivant :

8 8
< 3 +1 +
2 3 =0 < 1 2R
3 1+ 2+ 3 =0 ) 2 = 2 1
: :
1+ 3 = 0 3 = 1

– Il existe alors des scalaires non tous nuls et tels que 1 u1 + 2 u2 + 3 u3 = 0R3 .
– De plus, on a

1 u1 + 2 u2 + 3 u3 = 0R3 ) 1 (u1 2u2 u3 ) = 0R3

 11

– On a alors, pour 1 6= 0, la relation suivante

u1 = 2u2 + u3

Exemple 3
– Dans F(R; R) les fonctions

x ! f1 (x) = x; x ! f2 (x) = sin x; x ! f3 (x) = cos x

sont linéairement indépendantes. En e¤et, supposons que l’on ait une combinaison liénaire
nulle de f1 ; f2 ; f3 :

1 f1 + 2 f2 + 3 f3 = 0F (R;R) avec 1; 2; 3 2R

Cela équivau à
8x 2 R : 1 f1 (x) + 2 f2 (x) + 3 f3 (x) =0
c’est à dire
8x 2 R : x + 2 sin x + 3 cos x = 0
En particulier, 8 8
< pour x = 0 : 3 =0 < 3 =0
pour x = 2 : 12 + 2 = 0 ) 2 =0
: :
pour x = : 1 3 = 0 1 =0

1.4.2 Famille génératrice

Soit fu1 ; ::; un g une famille de vecteurs de l’espace vectoriel E.
– La famille fu1 ; ::; un g est dite génératrice de l’espace vectoriel E, si tout vecteur de E est
une combinaison linéaire des vecteurs u1 ; ::; un :

8u 2 E; 9 1 ; ::; n 2|:u= 1 u1 + :: + n un

– On dit aussi que la famille fu1 ; ::; un g engendre l’espace vectoriel E, ou encore, l’espace
vectoriel E est engendré par la famille fu1 ; ::; un g.
– Cette notion est liée à la notion de sous-espace vectoriel engendré. En e¤et : les vecteurs
fu1 ; ::; un g forment une famille génératrice de E si et seulement si

E = Cfu1 ; ::; un g

– Si la famille de vecteurs fu1 ; ::; un g engendre E et si l’un des vecteurs, par exemple up ,
est combinaison linéaire des autres, alors la famille fu1 ; ::; un gnfup g est encore une famille
génératrice de E :
E = Cfu1 ; :; up 1 ; up+1 ; ::; un g
 12

Quelques exemples
Exemple 1
– Dans Rn les vecteurs
e1 = (1; 0; ::; 0); e1 = (0; 1; ::; 0); ::; en = (0; 0; ::; 1)
engendrent l’espace vectoriel Rn (i.e. forment une famille génératrice de Rn ). En e¤et, tout
vecteur u de Rn ; est un n-uplet, c’est à dire, u s’écrit sous la forme
u=( 1; 2 ; ::; n) avec 1 ; ::; n 2R
Ce qui est équivalent à
u = 1 (1; 0; ::; 0)
+ 2 (0; 1; ::; 0) + :: + n (0; 0; ::; 1)
u = 1 e1 + 2 e2 + :: + n en

Cela signi…e que u est une combinaison liénaire des vecteurs fe1 ; ::; en g. On a alors,
Rn = Cfe1 ; ::; en g
Exemple 2
– Dans Rn [X], les polynômes
1; X; X 2 ; :::; X n
engendrent l’espace vectoriel Rn [X] (i.e. forment une famille génératrice de Rn [X]).
– En e¤et, tout polynôme P de Rn [X]; s’écrit sous la forme
P = a0 + a1 X + a2 X 2 + ::: + an X n avec a0 ; ::; an 2 R
– Cela signi…e que P est une combinaison liénaire des vecteurs f1; X; X 2 ; :::; X n g.
– On a alors,
Rn [X] = Cf1; X; X 2 ; :::; X n g

1.5 Bases et dimension

Soit fu1 ; ::; un g une famille de vecteurs d’un espace vectoriel E.
– La famille fu1 ; ::; un g est dite base de E, si elle est libre et génératrice de E.
– Si fu1 ; ::; un g est une base de E. Alors, tout vecteur u de E s’écrit de manière unique
comme combinaison linéaire des u1 ; ::; un :
8u 2 E; 9! 1 ; ::; n 2|:u= 1 u1 + :: + n un

les scalaires i ; i = 1::n, sont appelés les coordonnées de u dans la base fu1 ; ::; un g.
– Un espace vectoriel E est dit de dimension …nie s’il admet une famille génératrice …nie.
– Si E un espace vectoriel de dimension …nie. Alors toutes les bases de E ont le même
nombre e d’éléments. Ce nombre est appelé dimension de E et est noté dim| E ou tout
simplement dim E.
– Lorsque l’espace vectoriel est réduit à 0E , on posera par convention dimf0E g = 0.
 13

1.5.1 Quelques exemples

1. Dans l’espace vectoriel Rn , les vecteurs

e1 = (1; 0; ::; 0); e2 = (0; 1; ::; 0); ::; en = (0; 0; ::; 1)

forment une base de Rn , appelée base canonique de Rn . On a alors

dim Rn = n

Les coordonnées d’un vecteur dans la base canonique ne sont rien d’autre que ses compo-
santes.
2. Dans Rn [X], les polynômes
1; X; X 2 ; :::; X n
forment une base de Rn [X], appelée base canonique de Rn [X]. Ainsi,

dim Rn [X] = n + 1

Notons que la dimension dépend non seulement de l’espace vectoriel E mais aussi du corps
|. Voici un exemple :
1. L’espace vectoriel C sur C a pour base f1g et sa dimension sur le corps C est 1 :

dimC C = 1

En e¤et, soit z est un nombre complexe, on a alors

z = 1:z

ce qui signi…e que f1g est une famille génératrice de C, et comme 1 est non nul alors la
famille f1g est libre.
2. L’espace vectoriel C sur R a pour base f1; ig et sa dimension sur le corps R est 2 :

dimR C = 2

En e¤et, soit z est un nombre complexe, il existe donc deux réels et tels que

z= +i = (1) + (i)

ce qui signi…e que f1; ig est une famille génératrice de C. De plus, f1; ig est une famille
libre.
 14

1.5.2 Diverses propriétés

– Soit E un espace vectoriel de dimension …nie et B une famille de vecteurs de E. Supposons
que dim E = cardB. Alors,

B est une base de E , B est libre , B est génératrice de E

– Soient E un espace vectoriel de dimension …nie et F et G deux sous-espaces vectoriels de

E. On a les propriétés suivantes

1) F G ) dim F dim G
2) F = G ) dim F = dim G
3) dim F = dim G ; F = G
4) (dim F = dim G) et (F G ou G F ) ) F = G
5) dim(F + G) = dim F + dim G dim(F \ G)
6) dim(F G) = dim F + dim G

1.5.3 Théorème de la base incomplète

– Le théorème de la base incomplète dit : Dans un espace vectoriel de dimension …nie, toute
famille libre peut se compléter en une base de l’espace vectoriel.
– Tout sous-espace vectoriel F d’un espace vectoriel E de dimension …nie n, admet un
supplémentaire.
– Supposons que dim F = p et soit BF = fu1 ; ::; up g une base de F , on complète BF en
une base fu1 ; ::; up ; up+1 ; ::; un g de E, ensuite on prend l’espace vectoriel engendré par
fup+1 ; ::; un g. On a alors E = F G et G = Cfup+1 ; ::; un g.
– On peut monter que deux sous-espaces sont supplémentaires dans un espace vectoriel de
dimension …nie, en utilisant
– la dimension : soient alors E un espace vectoriel de dimension …nie et F et G deux
sous-espaces vectoriels de E :

E=F G , F \ G = f0E g et dim E = dim F + dim G

– les bases : soient BF une base de F et BG une base de G :

E=F G , BF [ BG forme une base de E

Chapitre 2

Applications linéaires

1. Introduction des applications linéaires.

2. Espace vectoriel des applications linéaires.
3. Noyau et image d’une application linéaire.
4. Rang d’une application linéaire.
5. Caractérisation de l’injection, de la surjection et de la bijection.

2.1 Applications linéaires

Soient | un corps commutatif, E et F deux |-espaces vectoriels.
– Une application f : E ! F est appelée une application linéaire ou un homomorphisme si,
1) 8 u; v 2 E : f (u + v) = f (u) + f (v)
2) 8u 2 E; 8 2 | : f ( u) = f (u)
– On peut aussi véri…er qu’une application est linéaire en une seule relation :
8u; v 2 E; 8 ; 2 | : f ( u + v) = f (u) + f (v)
– C’est à dire, l’image d’une combinaison linéaire est une combinaison linéaire des images.
– Bien noter que si f est une application linéaire de E dans F , alors l’image du vecteur nul
0E de E est le vecteur nul 0F de F :
f (0E ) = 0F
Notation 1 On note L(E; F ) l’ensemble des applications linéaires de E dans F , et L(E) si
E = F.
De…nition 2 Soient E et F deux |-espaces vectoriels. On appelle
– endomorphisme de E; toute application linéaire de E dans E.
– isomorphisme de E dans F , toute application linéaire bijective de E dans F .
– automorphisme de E, toute application linéaire bijective de E dans E.
– forme linéaire sur E; toute application linéaire de E dans le corps |.

15
 16

2.1.1 Quelques exemples

Exemple 1
– L’application nulle est une application linéaire.
– L’application identique est une application linéaire.
Exemple 2
Considérons l’application

f : R2 ! R2
(x; y) ! f (x; y) = (2x + y; x y)

On a pour tous (x; y) ; (x; y) 2 R2 et ; 2 R : f ( (x; y) + (x; y)) =

= f ( x + x; y + y)
= (2 ( x + x) + y + y; x + x ( y + y))
= (2 x + y; x y) + (2 x + y; x y)
= (2x + y; x y) + (2x + y; x y)
= f (x; y) + f (x; y)

f est alors une application linéaire.

Exemple 3
Considérons l’application

f : R2 ! R 3
(x; y) ! f (x; y) = (x + y; 3x; y + 1)

On a f (0; 0) = (0; 0; 1) 6= (0; 0; 0); l’application f n’est pas donc linéaire.

Exemple 4
Considérons l’application
f : R[X] ! R[X]
P ! f (P ) = P 0
On a pour tous P; Q 2 R[X] et ; 2R:

f ( P + Q) = ( P + Q)0
= P 0 + Q0
= f (P ) + f (Q)

f est alors une application linéaire.

2.2 Opérations sur les applications linéaires

Addition et produit par un scalaire
1. La somme de deux applications linéaires est linéaire.
 17

2. Le produit d’une application linéaire par un scalaire est linéaire.

3. (L(E; F ); +; :), l’ensemble des applications linéaires de E dans F , muni de l’addition et
de la multiplication par un scalaire
8 f; g 2 L(E; F ); 8u 2 E : (f + g) (u) = f (u) + g(u)
8 f 2 L(E; F ); 8 2 |; 8u 2 E : ( :f ) (u) = f (u)
est un espace vectoriel sur |.
Composée de deux applications
1. La composée de deux applications linéaires est linéaire.
2. L’application réciproque d’une application linéaire bijective est linéaire.

2.3 Image et noyau d’une application linéaire

Soit f une application linéaire de E dans F .

Image d’une application linéaire

– On appelle image de f , noté Im(f ) ou encore f (E), le sous-ensemble de F dé…ni par
Im(f ) = ff (u); u 2 Eg F
Im(f ) est un sous-espace vectoriel de F .

Noyau d’une application linéaire

– On appelle noyau de f , noté Ker(f ), le sous-ensemble de E dé…ni par
Ker(f ) = fu 2 E : f (u) = 0F g E
Ker(f ) est un sous-espace vectoriel de E.
Exemple
– Considérons l’application linéaire
f : R 3 ! R3
(x; y; z) ! f (x; y; z) = ( x + y; x 2y + z; 2z 2y)
– Le noyau de f est donné par
Ker(f ) = f(x; y; z) 2 R3 : f (x; y; z) = 0R3 g
= f(x; y; z) 2 R3 : ( x + y; x 2y + z; 2z 2y) = 0R3 g
8 8 9
< < x+y =0 =
3
= (x; y; z) 2 R : x 2y + z = 0
: : ;
2z 2y = 0
= (x; y; z) 2 R3 : x = y = z
= f(x; x; x) ; x 2 Rg = fx (1; 1; 1) ; x 2 Rg
 18

– Ker(f ) est alors le sous-espace vectoriel engendré par le vecteur (1; 1; 1).
– A présent, on détermine l’image de l’application linéaire

f : R 3 ! R3
(x; y; z) ! f (x; y; z) = ( x + y; x 2y + z; 2z 2y)

– On a l’image de f est donnée par

Im(f ) = ff (x; y; z) ; (x; y; z) 2 R3 g

= f( x + y; x 2y + z; 2z 2y); (x; y; z) 2 R3 g
= f( x; x; 0) + (y; 2y; 2y) + (0; z; 2z); x; y; z 2 Rg
= fx( 1; 1; 0) + y(1; 2; 2) + z(0; 1; 2); x; y; z 2 Rg

– Remarquons que ( 1; 1; 0) + (1; 2; 2) = (0; 1; 2). Par suite

Im(f ) = hf( 1; 1; 0); (1; 2; 2)gi

– Im(f ) est alors le sous-espace vectoriel engendré par la famille de vecteurs f( 1; 1; 0); (1; 2; 2)g.

2.4 Image d’une application linéaire en dimension …nie

– Soit f une application linéaire de E dans F .
– Supposons que E est de dimension …nie n.
– On se donne fu1 ; u2 ; :::; un g une base de E.
– On a alors :

Im(f ) = ff (u); u 2 Eg
= ff ( 1 u1 + 2 u2 + ::: + n un ); 1 ; 2 ; ::; n 2 |g
= f 1 f (u1 ) + 2 f (u2 ) + ::: + n f (un ); 1 ; 2 ; ::; n 2 |g

– En dimension …nie, le sous-espace vectoriel Im(f ) est toujours engendré par la famille des
vecteurs
Im(f ) = hff (u1 ); f (u2 ); :::; f (un )gi

2.5 Rang d’une application linéaire

De…nition 3 Soient E et F deux espaces vectoriels de dimension …nie, et f une application
linéaire de E dans F . On appelle rang de f; noté rg(f ), la dimension de Im(f ) :

rg(f ) = dim Im(f )

En dimension …nie, la dimension de l’espace de départ est la somme de la dimension de

l’image et de la dimension du noyau : c’est le théorème du rang.
 19

Theorem 4 Soient E et F deux |-espaces vectoriels de dimension …nie, et f une application

linéaire de E dans F . On a
dim E = dim Ker (f ) + dim Im (f ) = dim Ker (f ) + rg(f )

Il est à noter que rg(f ) min(dim E; dim F ).

2.6 Caractérisation de l’injection, de la surjection et de

la bijection
On peut caractériser la surjectivité et l’injectivité d’une application linéaire :
Theorem 5 Soient E et F deux |-espaces vectoriels et f une application linéaire de E dans
F . On a
1) f est injective , Ker (f ) = f0E g
2) f est surjective , Im (f ) = F
Si de plus, E et F sont de dimension …nie, alors
1) f est injective , rg (f ) = dim E
2) f est surjective , rg (f ) = dim F
En particulier, si dim E = dim F
f est bijective , f est injective , f est surjective

Remarque 6 Si E et F n’ont pas la même dimension ou si, ils sont de dimension in…nie,
l’équivalence du théorème précédent n’est pas vraie.
f est bijective < f est injective < f est surjective

Example 7 L’application linéaire dé…nie par

f : R[X] ! R[X]
P ! f (P ) = P 0
est surjective mais n’est pas injective.
Une autre caractérisation de la surjectivité et l’injectivité d’une application linéaire :
Theorem 8 Soient E et F deux |-espaces vectoriels de dimension …nie et f une application
linéaire de E dans F . Alors
1. f est injective , l’image de toute famille libre dans E est une famille libre dans F .
2. f est surjective , l’image de toute famille génératrice de E est une famille génératrice
de F .
3. f est bijective , l’image de toute base de E est une base F .
Chapitre 3

Matrices et Déterminants

1. Matrices.
2. Opérations sur les matrices.
3. Espace vectoriel des matrices et base canonique.
4. Trace et transposition d’une matrice.
5. Matrices inversibles.
6. Matrice associée à une application linéaire.
7. Application linéaire associée à une matrice.
8. E¤et d’un changement de bases sur la matrice d’une application linéaire.
9. Déterminant d’une matrice carrée, et propriétés.
10. Application au calcul de l’inverse d’une matrice inversible.
11. Rang d’une matrice.

3.1 Matrices
Dans toute la suite | = R ou C et m; n 2 N

De…nition 9 Une matrice A de type (m,n) à coe¢ cients dans K est un tableau rectangulaire
à m lignes et n colonnes d’éléments de |. Un tel tableau est représenté sous la forme
0 1
a11 a12 a1n
B a21 a22 a2n C
B C
A = B .. .. .. C
@ . . . A
am1 am2 amn

où aij ; 1 i m et 1 j n, sont des scalaires dans |.

– Les scalaires aij sont appelés coe¢ cients de la matrice A.
– On note la matrice par A = (aij )1 i m;1 j n .

20
 21

– aij est situé à la ligne i et à la colonne j.

Notation 10 L’ensemble des matrices de type (m; n) et à coe¢ cients dans |, sera noté Mm;n (|).

Example 11 La matrice 0 1
1
i 4 2
B 2 3 4 C
A=B
@ 5
C
0 6 A
1 2i 1
est une matrice de type (4; 3) et on a A 2 M4;3 (C). On a, par exemple
1
a13 = ; a22 = 3; a42 = 2i.
2

3.1.1 Matrices particulières

1. La matrice de type (m; n) dont tous les coe¢ cients sont nuls est appelée la matrice nulle,
On la note 0Mm;m (|) : 0 1
0 0 0
B 0 0 0 C
B C
0Mm;m (|) = B .. .. .. C
@ . . . A
0 0 0
2. Une matrice de type (1; n) est appelée matrice ligne, On la note

A= a11 a12 a1n

3. Une matrice de type (n; 1) est appelée matrice colonne, On la note

0 1
a11
B a21 C
B C
A = B .. C
@ . A
am1

Matrices carrées
1. Une matrice ayant le même nombre de lignes et colonnes n; est appelée matrice carrée
d’ordre n, et on note l’ensemble de toutes les matrices carrées d’ordre n par Mn (|) au lieu
de Mn;n (|) 0 1
a11 a12 a1n
B a21 a22 a2n C
B C
A = B .. .. .. C 2 Mn (|)
@ . . . A
an1 an2 ann
Les éléments a11 ; a22 ; :::; ann forment la diagonale principale de la matrice A.
 22

1 si i = j
2. La matrice carrée (aij ) 2 Mn (|) telle que aij = est appelée matrice
0 si i =
6 j
unité, notée par 0 1
1 0
B C
In = @ ... . . . ... A
0 1

aii si i = j
3. La matrice carrée (aij ) 2 Mn (|) telle que aij = est appelée matrice
0 si i = 6 j
diagonale 0 1
a11 0
B .. ... .. C
@ . . A
0 ann

aij si i j
4. La matrice carrée (aij ) 2 Mn (|) telle que aij = est appelée matrice
0 si i > j
triangulaire supérieure 0 1
a11 a1n
B .. .. .. C
@ . . . A
0 ann

aij si i j
5. La matrice carrée (aij ) 2 Mn (|) telle que aij = est appelée matrice
0 si i < j
triangulaire inférieure.

3.2 Opérations sur les matrices

Egalité de deux matrices
De…nition 12 Deux matrices A = (aij ) et B = (bij ); de même type (m; n) sont égales si

8i 2 f1; ::; mg; 8j 2 f1; ::; ng : aij = bij

Addition de deux matrices

De…nition 13 Soient A = (aij ) et B = (bij ) deux matrices de même type (m; n).
La somme de ces deux matrices est une matrice de même type C = (cij ) telle que

8i 2 f1; ::; mg; 8j 2 f1; ::; ng : cij = aij + bij

1 1 2 1 1+2 1+1 3 0
Example 14 + = = :
2 3 5 0 2+5 3+0 7 3
 23

Multiplication par un scalaire

De…nition 15 Le produit d’une matrice A = (aij ) par un scalaire , noté A, est la matrice
obtenue en multipliant chaque élément aij de A par
0 1
a11 a12 a1n
B a21 a22 a2n C
B C
A = ( aij ) = B .. .. .. C
@ . . . A
am1 am2 amn

2 5 1 0 4 10 2 0
Example 16 Si A = alors 2:A = :
4 1 7 3 8 2 14 6

Propriétés
Proposition 17 1. L’addition est une loi de composition interne, et on a, (Mm;n (|); +) est
un groupe abélien

A+B =B+A commutativité

(A + B) + C = A + (B + C) associativité
A + 0Mn (|) = A = 0Mn (|) + A élément neutre
A + ( A) = 0Mn (|) = ( A) + A symétrique d’un élément

2. La multiplication d’une matrice par un scalaire est une loi de composition externe véri…ant,
pour tout ; 2 | et A; B 2 Mm;n (|);

(A + B) = B + A
( + )A = A + A
( )A = ( A)
1:A = A

Multiplication de deux matrices

De…nition 18 Soient A = (aik ) une matrice de type (m; n) et B = (bkj ) une matrice de (n; p).
Le produit de ces deux matrices, dans cet ordre, est une matrice C = (cij ) de type (m; p), où le
coe¢ cient cij de C est obtenu en sommant les produits des éléments de la ième ligne de A par
les éléments de la jème colonne de B.
P
n
C = AB , cij = ai1 b1j + ai2 b2j + + ain bnj = aik bkj
k=1

Remarque 19 Le produit de deux matrices n’est dé…nie que si, le nombre de colonnes de la
première matrice coincide avec le nombre de lignes de la deuxième matrice.
 24

0
1
1 0
1 2 3
Example 20 Soient A = et B = @ 3 1 A.
4 5 6
0 2
Le produit AB est bien dé…nie et on a
0 1
1 0
1 2 3 @
AB = 3 1 A
4 5 6
0 2
(1)( 1) + 2:3 + 3:0 (1)(0) + 2:1 + 3:( 2)
AB =
(4)( 1) + 5:3 + 6:0 (4)(0) + 5:1 + 6:( 2)
5 4
AB =
11 7

Cependant le produit BA n’existe pas car le nombre de colonnes de B est di¤érent du nombre
de lignes de A.

Il est à noter que :

1. Le produit matriciel n’est pas, en général, commutatif : AB 6= BA.
2. Le produit matriciel est nul si l’une des matrices est nulle

(A = 0 ou B = 0) ) AB = 0

mais AB = 0 n’implique pas (A = 0 ou B = 0). En e¤et,

0 1 2 3 0 0
AB = = mais A 6= 0 et B 6= 0
0 5 0 0 0 0

0 1
3. L’égalité AB=AC n’entraîne pas nécessairement B=C. En e¤et, soient A = ;B =
0 3
4 1 2 5
et C = ;
5 4 5 4

0 1 4 1 5 4
AB = =
0 3 5 4 15 12
0 1 2 5 5 4
AC = =
0 3 5 4 15 12

Ainsi AB = AC mais B 6= C.

Diverses propriétés
1. Le produit matriciel est associatif

8A 2 Mm;n (|); B 2 Mn;p (|); 2 Mp;r (|) : (AB)C = A(BC)

 25

2. Le produit matriciel est distributif par rapport à l’addition

8A 2 Mm;n (|); B; C 2 Mn;p (|) : A(B + C) = AB + AC

8A; B 2 Mm;n (|); C 2 Mn;p (|) : (A + B)C = AC + BC

3. La matrice unité est l’élément neutre pour le produit matriciel

8A 2 Mm;n (|) : AIn = A = Im A

4. Pour toutes matrices A 2 Mm;n (|); B 2 M(n;p) (|) et 2 |; on a

( A) B = (AB) = A( B)

3.3 Espace vectoriel des matrices et base canonique

Theorem 21 (Mm;n (|); +; :) l’ensemble des matrices de type (m; n), muni de l’addition de deux
matrices et de la multiplication par un scalaire, est un |-espace vectoriel, de dimension mn:
De plus, pour tout i 2 f1; ::; mg; j 2 f1; ::; ng la famille des matrices fEij g dont tous les
coe¢ cients sont nuls sauf celui de la ième ligne, j-ième colonne qui est égal à 1. constitue une
base de l’espace vectoriel Mm;n (|), appelée base canonique de Mm;n (|):

Example 22 La base canonique de l’espace vectoriel des matrices de type (2; 3) est

1 0 0 0 1 0 0 0 1
E11 = ; E12 = ; E13 =
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
E21 = ; E22 = ; E23 =
1 0 0 0 1 0 0 0 1

3.4 Transposée d’une matrice

De…nition 23 On appelle transposée d’une matrice A de type (m; n) et de terme général aij ,
la matrice de type (n; m), notée t A obtenue en échangeant les lignes et les colonnes de même
indice i de A :
A = (aij ) , t A =t (aij ) = (aji )
ou encore 0 1 0 1
a11 a12 a1n a11 a21 am1
B a21 a22 a2n C B a12 a22 am2 C
B C t B C
A=B .. .. .. C, A=B .. .. .. C
@ . . . A @ . . . A
am1 am2 amn a1n a2n amn
Une matrice carrée A 2 Mn (|) est dite symétrique si t A = A, et elle dite anti-symétrique si
t
A = A:
 26

Example 24 Soit A la matrice réelle à 3 lignes et 4 colonnes dé…nie par

0 1
1 0 2 3
A = @ 2 10 5 6 A
7 0 1 2
Sa transposée sera donc une matrice à 4 lignes et 3 colonnes, égale à
0 1
1 2 7
B 0 10 0 C
t
A=B @ 2
C
5 1 A
3 6 2
Propriétés
1. Pour toute matrice A 2 Mm;n (|), on a
t t
( A) = A
2. Pour toutes matrices A; B 2 Mm;n (|) et 2 |, on a
t
(A + B) =t A +t B
t
( A) = (t A)
Ainsi, la transposition est une application linéaire.
3. Pour toute matrice A 2 Mm;n (|) et B 2 Mn;p (|), on a
t
(AB) = (t B) (t A)

3.5 Trace d’une matrice carrée

De…nition 25 La trace d’une matrice carrée A 2 Mn (|), notée T r(A), est dé…nie comme la
somme de ses coe¢ cients diagonaux, c’est à dire, si A = (aij ) alors
P
n
T r(A) = aii :
i=1

On a les propriétés suivantes

1. Pour toute matrice A 2 Mm;n (|), on a
T r (t A) = T r(A)
2. Pour toutes matrices A; B 2 Mm;n (|) et 2 |, on a
T r (A + B) = T r(A) + T r(B)
T r ( A) = T r (A)
3. Pour toute matrice A 2 Mm;n (|) et B 2 Mn;p (|), on a
T r (AB) = T r (BA) :
 27

3.6 Matrices inversibles

De…nition 26 Une matrice carrée A d’ordre n est dite inversible ou régulière ou encore non
singulière s’il existe une matrice carrée B d’ordre n, appelée matrice inverse de A et notée :
B = A 1 , telle que
AB = In = BA
L’ensemble des matrices carrées inversibles d’ordre n, sera noté GLn (|).
Remarque 27 1. La matrice unité In est une matrice inversible et on a
1
(In ) = In
2. La matrice nulle 0Mn (|) n’est pas inversible, car
8A 2 Mn (|) : A:0Mn (|) = 0Mn (|) 6= In :
1 2
Example 28 Soit A = ; montrer que A est inversible et donner son inverse.
0 3
x y
Il s’agit de trouver une matrice de même type B = telle que AB = I2 = BA: On
z t
a
1 2 x y 1 0
AB = I2 , =
0 3 z t 0 1
x + 2z 2t + y 1 0
AB = I2 , =
3z 3t 0 1
8 8
>
> x + 2z = 1 >
> x=1
< <
2t + y = 0 y = 32 1 2
3
AB = I2 , ) )B= 1
>
> 3z = 0 >
> z=0 0 3
: :
3t = 1 t = 13
1
De plus, on a BA = I2 . Ainsi A est inversible et on a A = B.
3 0
Example 29 Considérons la matrice A = , étudier si A est inversible.
5 0
x y
Il s’agit d’étudier l”existence d’une matrice de même type B = telle que AB =
z t
I2 = BA: On a
3 0 x y 1 0
AB = I2 , =
5 0 z t 0 1
3x 3y 1 0
AB = I2 , =
5x 5y 0 1
8 8
>
> 3x = 1 >
> x = 31
< <
3y = 0 y=0
AB = I2 , )
>
> 5x = 0 >
> x=0
: :
5y = 1 y = 15
 28

Ce qui est impossible. Ainsi, A n’est pas inversible.

3.6.1 Diverses propriétés

1. Si A est une matrice inversible, alors son invesre est unique.
2. L’inverse d’une matrice inversible est aussi inversible et son inverse est la matrice elle
même.
8A 2 GLn (|) : A 1 2 GLn (|) et (A 1 ) 1 = A.
3. Le produit de deux matrices inversibles est aussi inversible
1
8A; B 2 GLn (|) : AB 2 GLn (|) et (AB) = B 1A 1.

4. La transposée d’une matrice inversible est aussi inversible

8A 2 GLn (|) :t A 2 GLn (|) et (t A) 1

=t (A 1 ).

5. Soient A; B deux matrices de Mn (|) et C une matrice inversible d’ordre n. On a

AC = BC ) A = B:

3.7 Matrice associée à une application linéaire

– Soit E un espace vectoriel de dimension n et BE = fu1 ; ::; un g une base de E.
– Soit F un espace vectoriel de dimension m et BF = fv1 ; ::; vm g une base de F .
– f : E ! F une application linéaire.
– Considérons dans F , les vecteurs f (u1 ) ; ::; f (un ), comme BF une base de F . Chaque
vecteur f (ui ) ; i = 1::n; va s’écrire comme combinaison linéaire de vecteurs de BF :
8
>
> f (u1 ) = a11 v1 + a12 v2 + ::: + a1m vm
>
< f (u2 ) = a21 v1 + a22 v2 + ::: + a2m vm
.. .. ..
>
> . . .
>
: f (u ) = a v + a v + ::: + a v
n n1 1 n2 2 nm m

où aij 2 |; i = 1::n et j = 1::m.

– Notons par Mf (BE ; BF ) la matrice de type (m; n), dont les colonnes sont formées par les
coordonnées de vecteurs f (u1 ); ::; f (un ) par rapport à la base BF = fv1 ; ::; vn g de F :

f (u ) f (u2 ) ::: f (un )

0 1 1
a11 a12 a1n v1
B a21 a22 a2n C v2
B C
Mf (BE ; BF ) = B .. .. .. C ..
@ . . . A .
am1 am2 amn vm
 29

– Mf (BE ; BF ) est appelée matrice associée à l’application f par rapport aux bases BE =
fu1 ; ::; un g et BF = fv1 ; ::; vn g.
– La matrice associée à l’application identique est la matrice unité.

Example 30 Considérons l’application linéaire

f : R2 ! R 3
(x; y) ! f (x; y) = (x + y; x y; 2x + 3y)

Déterminer Mf (BR2 ; BR3 ), la matrice associée à f par rapport aux bases

BR2 = fe1 = (1; 0); e2 = (0; 1)g

BR3 = fu1 = (1; 0; 0); u2 = ( 1; 1; 0); u3 = (2; 3; 1)g

– Il s’agit donc d’écrire les vecteurs images f (e1 ); f (e2 ) sous forme une combinaison linéaire
de la base BR3 = fu1 ; u2 ; u3 g.
– On doit alors chercher des scalaires ; ; et 0 ; 0 ; 0 tels que

f (e1 ) = u1 + u2 + u3
f (e2 ) = 0
u1 + 0 u2 + 0 u3

– On commence par déterminer les coordonnées de f (e1 ) = (1; 1; 2) :

8 8
< +2 =1 < = 12
+3 =1 ) =7
: :
= 2 = 2
) f (e1 ) = 12u1 + 7u2 2u3

– De même, on détermine les coordonnées de f (e2 ) = (1; 1; 3) :

8 0 0
8 0
< +2 0 =1 < = 15
0 0 0
+3 = 1 ) = 10
: 0 : 0
=3 =3
) f (e2 ) = 15u1 10u2 + 3u3

– Ainsi donc, la matrice associée à f par rapport aux bases BR2 ; BR3 est

f (e1 ) f (e2 )
0# #
1
12 15 u1
Mf (BR2 ; BR3 ) = @ 7 10 A u2
2 3 u3
 30

3.8 Application linéaire associée à une matrice

– Soit à présent une matrice A 2 Mm;n (|). La question qui se pose :
– Existent-ils des espaces vectoriels E et F sur |, des bases BE et BF sur E et F respecti-
vement, et une application linéaire f de E dans F tels que A = Mf (BE ; BF ) ?
– Pour répondre à cette question on choisit, de manière naturelle, les espaces vectoriels
E = |n et F = |m et les bases canoniques sur chacun de ces espaces.
– A toute matrice A = (aij ) de type (m; n) et à coe¢ cients dans |, on associe une application
linéaire f; dé…nie comme suit

f : |n ! |m
0 1
a11 a12 a1n 0 1
B C x1
B a21 a22 a2n CB .. C
(x1 ; ::; xn ) ! f (x1 ; ::; xn ) = B .. .. .. C@ . A
@ . . . A
xn
am1 am2 amn

On dira que f est l’application linéaire canoniquement associée à A.

0 1
1 0 1 3
Example 31 Considérons la matrice A = @ 3 2 1 0 A.
2 1 5 2
L’application linéaire canoniquement associée à la matrice A est donnée par

f : R 4 ! R3
1 0
0 x1 1
1 0 1 3 B x2 C
(x1 ; x2 ; x3 ; x4 ) ! f (x1 ; x2 ; x3 ; x4 ) = @ 3 2 1 0 AB C
@ x3 A
2 1 5 2
x4
f (x1 ; x2 ; x3 ; x4 ) = (x1 x3 + 3x4 ; 3x1 + 2x2 x3 ; 2x1 x2 + 5x3 2x4 )

3.9 Correspondance entre les opérations sur les applica-

tions linéaires et celles sur les matrices
Matrice associée à une combinaison linéaire d’applications linéaires

Theorem 32 – Soient E et F deux espaces vectoriels sur le même corps |, de dimension

respectivement égale à n et m.
– Soient BE une base de E et BF une base de F .
– Soient f : E ! F et g : E ! F deux applications linéaires. On a alors, pour tout 2 | :

Mf +g (BE ; BF ) = Mf (BE ; BF ) + Mg (BE ; BF )

M f (BE ; BF ) = :Mf (BE ; BF )
 31

– La matrice associée à une combinaison linéaire d’applications linéaires est la combinaison

linéaire des matrices associées à chacune d’elle.

Matrice associée à la composée de deux applications linéaires

Theorem 33 – Soient E; F et G trois espaces vectoriels sur le même corps |, de dimension

respectivement égale à n; m et p.
– Soient BE une base de E, BF une base de F et BG une base de G.
– Soient f : E ! F et g : F ! G deux applications linéaires. On a alors
Mg f (BE ; BG ) = Mg (BF ; BG ) :Mf (BE ; BF )
– La matrice associée à la composition de deux applications linéaires est le produit des ma-
trices associées à chacune d’elle, dans le même ordre.

Matrice associée à un isomorphisme

Theorem 34 – Soient E et F deux espaces vectoriels sur |, et de même dimension.

– Soient BE une base de E et BF une base de F .
– Soient f : E ! F une application linéaire et Mf (BE ; BF ) la matrice associée à f par
rapport aux bases BE ,BF . On a alors
f est bijective , Mf (BE ; BF ) est une matrice inversible
– Dans ce cas, on a
1
Mf 1 (BF ; BE ) = (Mf (BE ; BF ))
– La matrice associée à l"application inverse d’un isomorphisme est l’inverse de la matrices
associée à cet isomorphisme.

3.10 Matrice de passage d’une base à une base

– Dans cette partie du cours, on s’intéresse aux changements de base dans un espace vectoriel
de dimension …nie.
– Soit alors, E un |-espace vectoriel de dimension …nie n.
– Soient BE = fu1 ; ::; un g une base de E et BE0 = fu01 ; ::; u0n g une autre base de E.
– On appelle matrice de passage de la base BE à la base BE0 et on note P (BE ; BE0 ), la matrice
carrée d’ordre n dont la ième colonne est formée par les coordonnées du ième vecteur de
la base BE0 , par rapport à la base BE :

u01 u02 ::: u0n

0# # #
1
#

: : : u1
B : : : C u2
B C
P (BE ; BE0 ) = B .. .. .. C ..
@ . . . A .
: : : um
 32

Example 35 – Considérons dans R2 , les deux bases suivantes B = fu1 = (1; 2); u2 =
(2; 3)g et B 0 = fu01 = (2; 0); u02 = ( 1; 1)g.
– Déterminer P (B; B 0 ), la matrice de passage de B à B 0 .

– La matrice P (B; B 0 ) est dé…nie comme suit :

u01 u02
# #
0
u1
P (B; B 0 ) = 0
u2
0 0
– Il s’agit donc, de trouver des scalaires ; et ; tels que

u01 = u1 + u2
u02 = 0 u1 + 0 u2

– On commence par déterminer les coordonnées de u01 = (2; 0) :

+2 =2 = 6
) ) u01 = 6u1 + 4u2
2 +3 =0 =4

– De même, on détermine les coordonnées de u02 = ( 1; 1) :

+2 = 1 =5
) ) u01 = 5u1 3u2
2 +3 =1 = 3

– Ainsi donc, la matrice de passage de B à B 0 est

u01 u02
# #

6 5 u1
P (B; B 0 ) =
4 3 u2

3.11 Changement de coordonnées

– A présent, on étudie les e¤ets d’un changement de base sur les coordonnées d’un vecteur.
– Soit E un |-espace vectoriel de dimension …nie n.
0 0 0
– Soient BE = fu1 ; ::; un g une
0 base1de E et BE = fu1 ; ::; un g une autre base de E.
x1
B .. C
– Soit x 2 E et soit X = @ . A la colonne des coordonnées de x dans la base BE et
xn
0 1
0
x1
B .. C
X = @ . A la colonne des coordonnées de x dans la base BE0 .
0

x0n
 33

– On se pose la question suivante : comment calculer les coordonnées de x dans la nouvelle

base BE0 = fu01 ; ::; u0n g ?
– Posons P = P (BE ; BE0 ), la matrice de passage de BE à BE0 .
– La matrice de passage de BE à la base BE0 est inversible et on a
1
(P (BE ; BE0 )) = P (BE0 ; BE )

– La colonne des coordonnées de x dans la base BE0 se déduit de la formule suivante

0 1 0 1
x1 x01
B C B C
X = P:X 0 c’est à dire @ ... A = P @ ... A
xn x0n

– On a la la formule équivalente
X0 = P 1
:X

3.12 E¤et d’un changement de base sur la matrice d’une

application linéaire
– Soient E et F deux |-espaces vectoriels de dimension …nie n, et f : E ! F une application
linéaire.
– Soient BE ; BE0 deux bases de E et BF ; BF0 deux bases de F . Posons :
– A = Mf (BE ; BF ) la matrice associée à f par rapport aux bases BE ; BF .
– A0 = Mf (BE0 ; BF0 ) la matrice associée à f par rapport aux bases BE0 ; BF0 .
– P = P (BE ; BE0 ), la matrice de passage de BE à BE0 .
– Q = P (BF ; BF0 ), la matrice de passage de BF à BF0 .
– On a alors
A0 = Q 1 :A:P
– En particulier, si E = F
A0 = P 1
:A:P

3.13 Déterminant d’une matrice carrée

De…nition 36 Soit n 2 N et | = R ou C, et A = (aij )i;j=1::n 2 Mn (|), une matrice carrée
d’ordre n, et soit Aij la matrice d’ordre n 1 obtenue en supprimant la ligne i et la colonne j
de la matrice A.
On appelle déterminant de la matrice A et on note det A ou jAj, le scalaire dé…nie, pour
i 2 f1::ng …xé, par
8 n
< P ( 1)i+j a det(A ) si n 2
ij ij
En développant selon i : det A = j=1
:
a11 si n = 1
 34

– On peut aussi …xer une colonne j au lieu d’une ligne i, et on a

8 n
< P ( 1)i+j a det(A ) si n 2
ij ij
En développant selon j : det A =
: i=1
a11 si n = 1

– det(Aij ) est appelé mineur de A.

3.13.1 Déterminant d’une matrice carrée d’ordre 2

a11 a12
– Soit A = 2 M2 (|).
a21 a22
– On …xe par exemple la première ligne, i.e. i = 1. Ainsi,

X
2
det A = ( 1)1+j a1j det(A1j )
j=1

= ( 1)1+1 a11 det(A11 ) + ( 1)1+2 a12 det(A12 )

– On a A11 = (a22 ) et A12 = (a21 ). Par conséquent

a11 a12
det A = a11 a22 a12 a21 =
a21 a22

– Le déterminant à l’ordre 2, revient simplement à faire une di¤érence de produits en croix.

3.13.2 Déterminant d’une matrice carrée d’ordre 3

0 1
a11 a12 a13
– Soit A = @ a21 a22 a23 A 2 M3 (|).
a31 a32 a33
– On …xe par exemple la deuxième ligne, i.e. i = 2. Ainsi,

X
3
det A = ( 1)2+j a2j det(A2j )
j=1

det A = ( 1)2+1 a21 det(A21 ) + ( 1)2+2 a22 det(A22 )

+( 1)2+3 a23 det(A23 )
a12 a13 a11 a13 a11 a12
det A = a21 + a22 a23
a32 a33 a32 a33 a31 a32
 35

Illustration du calcul de déterminant d’une matrice carrée d’ordre 3

– E¤ectuant, par exemple, le développement suivant la deuxième ligne :

a11 a12 a13

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

De façon plus générale :

– Pour n = 4, un calcul sémilaire au précédent amènera des mineurs d’ordre 3.
– Lorsque n 4, le calcul se fera par récurrence sur l’ordre des matrices considérées.
– Plus l’ordre de la matrice est élevé, plus son déterminant est long à calculer.
– Plus le nombre de mineurs à calculer est faible, plus le calcul est simple.
– A…n de simpli…er le calcul du déterminant, on e¤ectue donc le développement par rapport
à une ligne ou une colonne comprenant le plus de zéros.

3.13.3 Propriétés du déterminant

Règles de calculs
1. Quand une ligne (ou une colonne) est composée uniquement de zéro, alors le déterminant
est nul.
2. Le déterminant d’une matrice diagonale ou triangulaire est égal au produit des coe¢ cients
diagonaux. En particulier, det In = 1.
3. Si deux lignes (ou deux colonnes) sont identiques ou proportionnelles alors le déterminant
s’annule.
4. De façon plus générale, si une ligne (ou une colonne) est combinaison linéaire des autres,
alors le déterminant s’annule.
5. On ne change pas la valeur du déterminant d’une matrice en ajoutant à une ligne (ou à
une colonne) une combinaison linéaire des autres.
6. Le déterminant change de signe lorsqu’on permute deux lignes (ou deux colonnes).
 36

7. Ces règles de calculs conduisent à faire apparaitre un maximum de zéros sur une même
ligne ou une même colonne en ajoutant des combinaisons linéaires de lignes ou de colonnes,
et développer par rapport à cette ligne ou colonne.

Propriétés du déterminant
Donnons maintenant quelques propriétés importantes du déterminant
1. Une matrice et sa transposée ont le même déterminant, c’est-à-dire

8A 2 Mn (|) : det At = det A

2. On a
n
8A 2 Mn (|); 8 2 | : det( A) = det A
3. Le déterminant du produit de deux matrices carrées est égal au produit des déterminants
de ces deux matrices :

8A; B 2 Mn (|) : det(A:B) = det A: det B

4. Une conséquence immédiate est que si une matrice est inversible, alors son déterminant
est non nul et l’on a la relation
1 1
8A 2 GLn (|) : det A = (det A)

5. On peut en déduire une condition nécessaire et su¢ sante extrêmement pratique pour
qu’une famille de n vecteurs d’un espace vectoriel de dimension n soit libre : soit alors
v1 ; ::; v n une famille de n vecteur d’un |-espace vectoriel de dimension n :

fv1 ; ::; v n g es libre , det(V1 ; ::; V n ) 6= 0

où Vi désigne la matrice colonne formée par les coordonnées de vi par rapport à une base
de cet espace.
6. Bien noter que le déterminant n’est pas linéaire, c’est à dire, si A; B 2 Mn (|) et un
scalaire, alors

det(A + B) 6= det A + det B

det( A) 6= det A

3.13.4 Quelques exemples

Exemple 1
Considérons le déterminant
c1 c2 c3
1 1 0
2 0 1
11 3 4
 37

Remarquons que la première colonne est une combinaison linéaire des autres colonnes :
c1 = c2 + 2c3 . On a alors
1 1 0
2 0 1 = 0:
11 3 4
Ainsi, les vecteurs c1 = (1; 2; 11); c2 = (1; 0; 3); c3 = (0; 1; 4) sont linéairement dépen-
dants.
Exemple 2
2 1 3
Considérons le déterminant 1 1 2 . On a
3 5 1
c2 + c1 c3 2c1
c1 c2 c3 # #
2 1 3 2 3 3 2 3 3 2 3 7
1 1 2 = 1 0 2 = 1 0 2 = 1 0 0
3 5 1 3 8 1 3 8 1 3 8 5
Développons ce déterminant par rapport à la deuxième ligne qui compte un maximum de zéros.
2 3 7
1 0 0 3 7
= = 41
+ 8 5
3 8 5
Exemple 3
Considérons le déterminant
0 4 2 1 l1
2 1 3 2 l2
=
3 1 2 4 l3
1 2 1 2 l4
A…n de simpli…er le calcul, on propose de faire apparaitre des zéros de tel sorte que soit
un déterminant d’une matrice triangulaire supérieure.
Tout d’abord, on commence par échanger la dernière ligne avec la première (le déterminant
change donc de signe) :
1 2 1 2 l4
2 1 3 2
=
3 1 2 4
0 4 2 1 l1
A présent, on fait apparaitre un zéro sur la deuxième et la troisième ligne en ajoutant (-2)x
la première ligne à la seconde ligne, et (3)x la première ligne à la troisième ligne :
1 2 1 2 l1
0 5 1 6 l2 2l1 = l20
=
0 7 5 10 l3 + 3l1 = l30
0 4 2 1 l4 = l40
 38

On peut aussi faire apparaitre un zéro sur la troisième et la quatrième ligne en ajoutant ((7/5))x
la deuxième ligne à la troisième ligne, et (-(4/5))x la deuxième ligne à la quatrième ligne :

1 2 1 2 1 2 1 2
0 5 1 6 l20 8 1 0 5 1 6
= 32 8 = : :
0 0 5 5
l30 + 75 l20 5 5 0 0 4 1
6 19 4 0 00
0 0 5 5
l40 l
5 2
0 0 6 19 l4

En…n, en ajoutant (-(6/4))x la troisième ligne à la quatrième ligne. On aura

1 2 1 2
8 1 0 5 1 6
= : :
5 5 0 0 4 1 l30
35 00 6 0
0 0 0 2 l4 l
4 3

Le déterminant d’une matrice triangulaire est égal au produit des coe¢ cients diagonaux. On a
alors
1 2 1 2
8 1 1 0 5 1 6
= : :
5 5 2 0 0 4 1
0 0 0 35
8 1 1
= : : (1)(5)(4)(35)
5 5 2
= 112

3.14 Calcul de l’inverse d’une matrice inversible

De…nition 37 Soit A = (aij ) une matrice carrée d’ordre n. On appelle comatrice de A, la
matrice carrée d’ordre n, notée comA = (cij ) dé…nie à partir des mineurs de A, par :

8i; j 2 f1; ::; ng : cij = ( 1)i+j det Aij

où Aij désigne la matrice d’ordre n 1 obtenue en supprimant la ligne i et la colonne j de la

matrice A.

Theorem 38 Soit A = (aij ) une matrice carrée d’ordre n. Alors, A est inversible si et seulement
si, det A 6= 0. Dans ce cas, on a
t comA
A 1 = det A

où t comA est la transposée de la comatrice de A.

Exemple de calcul de l’inverse d’une matrice

 39

Considérons dans M3 (R) la matrice

0 1
1 2 3
A= @ 2 4 0 A
3 1 1
t comA
On a det A = 22, la matrice A est alors inversible et on a A 1 = det A
.
Calculons la comatrice de la matrice A :
0 1
4 0 2 0 2 4
B + 1 1 3 1
+
3 1 C
B C
B 2 3 1 3 1 2 C
comA = B B + C
C
B 1 1 3 1 3 1 C
@ 2 3 1 3 1 2 A
+ +
4 0 2 0 2 4
On a alors 0 1
4 2 10
comA = @ 5 8 7 A
12 6 8
Il s’en suit que
t
1 comA
A =
det0
A 1
4 5 12
1@
A 1
= 2 8 6 A
22
10 7 8
0 2 5 6
1
11 22 11
A 1
= @ 1
11
4
11
3
11
A
5 7 4
11 22 11

Conclusion
Pour calculer l’inverse d’une matrice carrée
1. On commence par calculer son déterminant, s’il est non nul la matrice est inversible sinon
la matrice n’est pas inversible.
2. Ensuite, on calcule la comatrice de la matrice considérée comme suit :
2.1 On a¤ecte du signe + ou - suivant la relation ( 1)i+j , i désigne la position de la ligne
et j désigne la position de la colonne.
2.2 Après avoir placé les signes dans la comatrice, on pose devant chaque signe le mineur
correspondant (i.e. le déterminant de la matrice obtenue en supprimant la ligne i et
la colonne j de la matrice).
3. En…n, la matrice inverse est la transposée de la comatrice divisée par le déterminant.
 40

3.15 Rang d’une matrice rectangle ou carrée

– Soit A 2 Mm;n (|). Rappelons que les mineurs de A sont les déterminants d’ordres inférieurs
que l’on extrait de A.
– On appelle rang de A, noté rgA, la taille du plus grand mineur de A non nul. Ainsi,

il existe un mineur d’ordre r non nul

rgA = r ,
tous les mineurs d’ordre r + 1 sont nuls
– Si A est une matrice à m lignes et n colonnes, son rang est inférieur ou égal à m et à n,
donc au minimum de m et de n :
rgA min(m; n)
– Si A est une matrice inversible d’ordre n, alors son rang est égale à n :
8A 2 Mn (|) : det A 6= 0 ) rgA = n
Exemple 1
Considérons la matrice 0 1
2 1 0
A= @ 0 1 3 A
0 0 3
– A étant une matrice dans M3 (R); on a alors rgA 3. De plus, det A = (2)(1)( 3) =
6 6= 0. Ainsi, rgA = 3.
Exemple 2
Considérons la matrice 0 1
1 3
A=@ 1 0 A
2 0
1 3
– A étant une matrice dans M3;2 (R); par suite rgA min(3; 2) = 2. On a = 3 6=
1 0
0. D’où, rgA = 2.
Exemple 3
Considérons la matrice 0 1
1 0 3
A=@ 1 1 3 A
2 2 6
– A étant une matrice dans M3 (R); par suite rgA 3.
– Remarquons que la troisième colonne de A est égale à (3)x la première. On a alors,
det A = 0. Par conséquent, rgA 2.
– De plus, il exsite un mineur de A d’ordre 2,
0 3
= 3 6= 0
1 3
Ainsi donc, rgA = 2.
Chapitre 4

Résolution de systèmes linéaires

1. Systèmes linéaires.
2. Système de Cramer.
3. Résolution de système de Cramer par l’inversion de la matrice du système.
4. Résolution de système de Cramer par la méthode de Cramer.
5. Résolution d’un système linéaire non de Caramer .
6. Exemples concrets.
7. Exercice récapitulatif.

4.1 Systèmes linéaires

Le but de ce cours est de développer des méthodes pour résoudre des systèmes linéaires.
Dans toute la suite | = R ou C.

De…nition 39 On appelle système linéaire de n équations à p inconnues (x1 ; x2 ; ::; xp ) tout

système de la forme 8
>
> a11 x1 + a12 x2 + ::: + a1p xp = b1
>
< a21 x1 + a22 x2 + ::: + a2p xp = b2
(S) .. .. ..
>
> . . .
>
: a x + a x + ::: + a x = b
n1 1 n2 2 np p n

– Les coe¢ cients aij ; 1 i n et 1 j p, sont des scalaires dans |.

– Le n-uplet (b1 ; b2 ; ::; bn ) est appelé second membre du système (S).
– Le p-uplet (x1 ; x2 ; ::; xp ) de scalaires est appelé solution du système, s’il véri…e toutes les
équations du système (S).
– Le système (S) est dit homogène si b1 = b2 = ::: = bn = 0.

Ecriture matricielle d’un système linéaire

41
 42

– Tout système linéaire (S)

8
>
> a11 x1 + a12 x2 + ::: + a1p xp = b1
>
< a21 x1 + a22 x2 + ::: + a2p xp = b2
(S) .. .. ..
>
> . . .
>
: a x + a x + ::: + a x = b
n1 1 n2 2 np p n

– peut s’écrire sous la forme matricielle suivante AX=B :

0 10 1 0 1
a11 a12 a1p x1 b1
B a21 a22 C B C B
a2p CB x2 C B b2 C
B C
B .. .. .. CB .. C = B .. C
@ . . . A@ . A @ . A
an1 an2 anp xp bn
| {z }| {z } | {z }
A X B

– La matrice A = (aij )1 i n;1 j p est appelée matrice du système (S).

Example 40 Considérons le système linéaire suivant
8
< x1 2x2 + 3x3 5x4 = 3
(S) 2x1 + x2 3x3 = 4
:
4x2 x3 + 2x4 = 7
– L’écriture matricielle du système (S) est alors
0 1
0 1 x1 0 1
1 2 3 5 B C 3
x2
@ 2 1 3 0 AB @
C=@ 4 A
A
x3
0 4 1 2 7
| {z } x4 | {z }
A | {z } B
X

4.2 Système linéaire de Cramer

De…nition 41 Soit (S) un système linéaire de n équations à n inconnues. On dit qu’il est de
Cramer si sa matrice est inversible.
– Un système linéaire (S) de n équations à n inconnues AX = B; dont la matrice A 2 Mn (|)
est …xée, est de Cramer si et seulement si det A 6= 0.
– Un système linéaire de Cramer admet une unique solution.
– Un système linéaire homogène de Cramer a une solution et une seule qui est la solution
triviale (0,0,..,0).
Example 42 Considérons le système suivant
8
< 2x 3y + z = 1
(S) : x y 2z = 4
:
3x + y 4z = 5
 43

– Le nombre
0 d’équations
1 =le nombre des inconnues=3.
2 3 1
–A=@ 1 1 2 A est une matrice carrée d’ordre 3 et on a det A = 22 6= 0.
3 1 4
– Le système (S) est alors un système linéaire de Cramer.

4.2.1 Résolution de système de Cramer par l’inversion de la matrice

du système
Etapes de résolution par l’inversion
– Soit (S) un système linéaire de n équations à n inconnues.
– On commence par écrire le système sous sa forme matricielle AX = B avec A 2 Mn (|).
– Ensuite, on véri…e si le système est de Cramer.
– Si det A = 0, alors (S) n’est pas un système de Cramer.
– Si det A 6= 0. Le système (S) est de Cramer :
– il admet donc une unique solution X;
– X = A 1 B, avec
t
ComA
A 1=
det A
Example 43 Résoudre, par la méthode de l’inversion, le système linéaire suivant
8
< 2x + y + z = 1
(S) : x+z =1
:
x + y + 2z = 2

– Le nombre
0 d’équations
1 =le nombre des inconnues=3.
2 1 1
– A = @ 1 0 1 A, est une matrice carrée d’ordre 3 et on a det A = 2 6= 0. A est alors
1 1 2
inversible.
– Le système (S) est alors un système linéaire de Cramer.
1
– (S) étant
0 un
1 système de Cramer, il admet donc une unique solution X = A B avec
1
B = @ 1 A.
2
t
– Calculons A 1 = ComA det A
; on a
0 1
0 1 1 1 1 0
B + 1 2 1 2
+
1 1 C
B C
B 1 1 2 1 2 1 C
ComA = B B + C
C
B 1 2 1 2 1 1 C
@ 1 1 2 1 2 1 A
+ +
0 1 1 1 1 0
 44

– On a alors 0 1
1 1 1
t
1 ComA @ 2
1
2
3 1
2
A
A = = 2 2 2
det A 1 1 1
2 2 2
– Par conséquent
0 1 1 1
10 1 0 1
2 2 2
1 2
X = A 1B = @ 1
2
3
2
1
2
A@ 1 A = @ 2 A
1 1 1
2 2 2
2 1
0 1
2
– X = @ 2 A est alors l’unique solution du système (S).
1
– L’ensemble des solutions de (S) :

Sol = f(2; 2; 1)g

4.2.2 Résolution de système de Cramer par la méthode de Cramer

Etapes de résolution par la formule de Cramer
– Soit (S) un système linéaire de n équations à n inconnues.
– On commence par écrire le système sous sa forme matricielle AX = B avec
0 1
a11 a12 a1n 0 1
B a21 a22 b
B a2n CC
1
B . C
A = B .. .. .. C et B = @ .. A
@ . . . A
bn
an1 an2 ann

– Ensuite, on véri…e si le système est de Cramer.

– Si det A = 0, alors (S) n’est pas un système de Cramer.
– Si det A 6= 0. Le système (S) est de Cramer
0 : 1
x1
B .. C
– il admet donc une unique solution X = @ . A, avec
xn

iè m e c o lo n n e
0 # 1
a11 : : : b1 : : : a1n
det Ai B a21 b2 a2n C
B C
8i 2 f1; ::; ng : xi = et Ai = B .. .. C
det A @ . . A
an1 : : : bn : : : ann

– Ai est la matrice obtenue, en remplaçant la ième colonne de A par le second membre B.

 45

Example 44 Reprenons le système de l’exemple précédent,

8
< 2x + y + z = 1
(S) : x+z =1
:
x + y + 2z = 2
On porpose cette fois ci de le résoudre par la méthode de Cramer.
– On a alors : (S) , AX = B avec
0 1 0 1
2 1 1 1
A = @ 1 0 1 A et B = @ 1 A
1 1 2 2
– On a det A = 2 6= 0. Le0
système
1 (S) est alors un système linéaire de Cramer. Il admet
x
une unique solution X = @ y A avec
z
1 1 1
det Ax 1 4
x = = 1 0 1 = =2
det A 2 2
2 1 2
2 1 1
det Ay 1 4
y = = 1 1 1 = = 2
det A 2 2
1 2 2
2 1 1
det Az 1 2
z = = 1 0 1 = = 1
det A 2 2
1 1 2
0 1
2
– X = @ 2 A est alors l’unique solution du système (S).
1

4.3 Résolution d’un système linéaire non de Cramer

– Un système linéaire (S) : AX = B n’est pas de Cramer, si
– le nombre d’équations n et le nombre d’inconnues p coincident et det A = 0, le déter-
minant de la matrice du système est nul, ou
– le nombre d’équations n et le nombre d’inconnues p di¤èrent (La matrice A n’est alors
pas carrée).
– Par exemple, le système suivant
8 0 1 0 1
< x + 2y + 3z = 1 1 2 3 1
x + 2z = 6 () AX = B, @ A
1 0 2 ,B= @ 6 A
:
2x + 5z = 7 0 2 5 7
n’est pas de Cramer, car le nombre d’équations=le nombre d’inconnues=3 et, det A = 0:
 46

– Le système suivant est clairement, pas un système de Cramer

7x + 3y 2z + 3t = 3
2x 5y + 5z t = 2

Etapes de résolution d’un système non de Cramer

– Soit (S) un système linéaire de n équations à p inconnues et qui ne soit pas de Cramer.
– On commence par écrire le système sous sa forme matricielle AX = B avec
0 1
a11 a12 a1p 0 1
B a21 a22 C b1
B a2p C B . C
A = B .. .. .. C et B = @ .. A
@ . . . A
bn
an1 an2 anp

– Ensuite, on détermine rgA, le rang de la matrice du système (S).

– Posons rgA = r; et soit Ar la matrice qui donne le rang de la matrice A. Supposons, sans
restreindre au cas général, que la matrice Ar est la matrice formée par les r première lignes
et r première colonnes dont le déterminant est non nul.
– Considérons le système, noté, (Sr ) formé par la matrice Ar :
8
>
> a11 x1 + a12 x2 + ::: + a1r xr = b1 a1r+1 xr+1 ::: a1n xn
>
< a21 x1 + a22 x2 + ::: + a2r xr = b2 a2r+1 xr+1 ::: a2n xn
(Sr ) .. .. ..
>
> . . .
>
: a x + a x + ::: + a x = b
r1 1 n2 2 rr r r arr+1 xr+1 ::: arn xn

– (Sr ) est alors un système de Cramer (puisque det Ar 6= 0).

det(Ar )i
– Il existe donc une unique solution (x1 ; :::; xr ) du système (Sr ), telle que xi = det Ar
pour
tout i = 1; ::; r et
iè m e c o lo n n e
0 # 1
a11 : : : b1 a1r+1 xr+1 ::: a1n xn : : : a1r
B a21 b2 a2r+1 xr+1 ::: a2n xn a2r C
B C
(Ar )i = B .. .. C
@ . . A
ar1 : : : br arr+1 xr+1 ::: arn xn : : : arr

Deux cas peuvent se présenter :

– Si r=n, i.e., le rang de la matrice du système est égale au nombre d’équations du système
initial.
– Si r = p; on a alors le nombre d’équations et d’inconnues coincident et det A 6= 0. Le
système initial (S) devient un système de Cramer et sa résolution se fait par l’une des
méthodes développées précédemment.
– Si r < p; p étant le nombre d’inconnues.
– Les xr+1 ; :::; xp seront considérés comme des paramètres dans le système (Sr ).
 47

– Dans ce cas, le système initial (S) admet une in…nité de solutions. On a alors, l’ensemble
des solutions du système (S) est donné par
Sol = f(x1 ; :::; xr ; xr+1 ; :::; xp ) ; xr+1 ; :::; xp 2 Rg
– Si r<n, i.e., le rang de la matrice du système est strictement inférieur au nombre d’équa-
tions du système initial.
– Dans ce cas, on remplace la solution (x1 ; :::; xr ) dans les n r équations restantes de
(S) : 8
>
> ar+11 x1 + ar+12 x2 + ::: + ar+1p xp = br+1
>
< ar+21 x1 + ar+22 x2 + ::: + ar+2p xp = br+2
n r équations : .. .. ..
>
> . . .
>
: a x + a x + ::::::::: + a x = b
n1 1 n2 2 np p n

– si, l’une des n r équations n’est pas satisfaite, on dira que (S) n’admet pas de solutions.
– si, toutes les équations restantes sont satisfaites, et si r < p; on dira que (S) admet une
in…nité de solutions :
Si r < p : Sol = f(x1 ; :::; xr ; xr+1 ; :::; xp ) ; xr+1 ; :::; xp 2 |g
– et si r = p; la solution (x1 ; :::; xr ) est aussi la solution de (S) :
Si r = p : Sol = f(x1 ; :::; xr )g

4.3.1 Exemples concrets

Cas : le nombre d’équations > le nombre d’inconnues
– Résoudre le système linéaire suivant
8
< 2x + 3y = 3
(S) : x 2y = 5
:
3x + 2y = 7
– On a : (S) , AX = B avec
0 1 01
2 3 3
@ x
A= 1 2 A;X = et B = @ 5 A
y
3 2 7
– Le système (S) n’est pas de Cramer, car le nombre d’équations=3 et le nombre d’inconnues
=2.
2 3
– On a, rgA = 2 puisque = 7 6= 0. Considérons le système, noté, (Sr ) formé par
1 2
2 3
la matrice Ar = :
1 2
2x + 3y = 3
(Sr ) :
x 2y = 5
 48

– (Sr ) est un système de Cramer. Il admet donc une unique solution

det Arx 1 3 3 21
x = = = =3
det Ar 7 5 2 7
det Ary 1 2 3 7
y = = = = 1
det Ar 7 1 5 7
– Reste à remplacer l’unique solution (x; y) = (3; 1) dans la dernière équation du système
(S) :
3x + 2y = 3(3) + 2( 1) = 7
– (x; y) = (3; 1) est aussi une solution du système (S) et on a

Sol = f(3; 1)g

Cas : le nombre d’équations < le nombre d’inconnues

– Résoudre le système linéaire suivant
8
< 2x + 5y + 2z 4u + 3t = 0
(S) : x 3y z 2u t = 0
:
4x 2y + 3z + 2u + t = 0

– On a : (S) , AX = B avec
0 1
0 1 x
2 5 2 4 3 B y C
B C
A= @ 1 3 1 2 1 A et X = B
B z C
C
4 2 3 2 1 @ u A
t

– Le système (S) n’est pas de Cramer, car le nombre d’équations=3 et le nombre d’inconnues
=5.
2 5 2
– On a, rgA = 3 puisque 1 3 1 = 37 6= 0. Considérons le système, noté, (Sr )
40 2 3 1
2 5 2
formé par la matrice Ar = @ 1 3 1 A:
4 2 3
8
< 2x + 5y + 2z = 4u 3t
(Sr ) : x 3y z = 2u + t
:
4x 2y + 3z = 2u t

– (Sr ) est un système de Cramer. Il admet donc une unique solution (x; y; z) :
det Arx det Ary det Arz
x= ; y= ;z =
det Ar det Ar det Ar
 49

– On a alors
4u 3t 5 2
1 13t 84u
x = 2u + t 3 1 =
37 37
2u t 2 3
2 4u 3t 2
1 15t 40u
y = 1 2u + t 1 =
37 37
4 2u t 3
2 5 4u 3t
1 5t + 110u
z = 1 3 2u + t =
37 37
4 2 2u t
– Ainsi, (x; y; z) = 13t 3784u ; 15t 3740u ; 5t+110u
37
est l’unique solution du système (Sr ), ici u et t
sont considérés comme des paramètres.
– On a alors, l’ensemble de solutions du système initial (S).
13t 84u 15t 40u 5t + 110u
Sol = ; ; ; u; t ; u; t 2 R
37 37 37
Cas : le nombre d’équations = le nombre d’inconnues
– Résoudre le système linéaire suivant
8
< x + 2y z = 0
(S) : 2x + 7y 2z = 0
:
x + 3y + z = 0
– On a : (S) , AX = B avec
0 1 0 1
1 2 1 x
A=@ 2 7 2 A et X = @ y A
1 3 1 z
– On a det A = 0. Le système (S) n’est pas de Cramer.
2 1
– On a, rgA = 2 puisque = 3 6= 0. Considérons le système, noté, (Sr ) formé par
7 2
2 1
la matrice Ar = :
7 2
2y z= x
(Sr ) :
7y 2z = 2x
– (Sr ) est un système de Cramer. Il admet donc une unique solution
det Ary 1 x 1
y = = =0
det Ar 3 2x 2
det Arz 1 2 x 3x
z = = = =x
det Ar 3 7 2x 3
 50

– Reste à remplacer l’unique solution (y; z) = (0; x) dans la dernière équation du système
(S) :
x + 3y + z = x + 3(0) + (x) = 0
– L’ensemble des solutions du système (S) est alors donné par

Sol = f(x; 0; x); x 2 Rg

4.4 Exercice récapitulatif

Exercise 45 Résoudre, selon les valeurs de 2 R, le système linéaire suivant
8
< x + y + (1 2 )z = 2(1 + )
(S ) : (1 + )x (1 + )y + (2 + )z = 0
:
2x 2 y + 3z = 2(1 + )

– Tout d’abord, on commence par écrire le système sous sa forme matricielle AX = B :

0 1 0 1
1 1 1 2 2(1 + )
A=@ 1+ (1 + ) 2 + A et B = @ 0 A
2 2 3 2(1 + )

– Ensuite, on véri…e si le système est de Cramer ou pas.

– Le nombre d’équations égal au nombre d’inconnues, on doit alors calculer det A; le déter-
minant de la matrice du système.
– On a alors
1 1 1 2
det A = 1 + (1 + ) 2 + = 4 ( + 1) ( 1)
2 2 3
– Deux cas peuvent se présenter
– Si 2 R f0; 1; 1g, dans ce cas det A 6= 0, le système (S ) est de Cramer. Il admet
donc une unique solution (x; y; z) :

det Ax det Ay det Az

x= ; y= ;z =
det A det A det A
 51

– On a alors
2(1 + ) 1 1 2
0 (1 + ) 2+
2(1 + ) 2 3 1
x = =
4 ( + 1) ( 1) 2( 1)
1 2(1 + ) 1 2
1+ 0 2+
2 2(1 + ) 3 2 +3
y = =
4 ( + 1) ( 1) 2( 1)
1 1 2(1 + )
1+ (1 + ) 0
2 2 2(1 + ) +1
z = =
4 ( + 1) ( 1) 1
– Ainsi donc, (S ) admet une solution unique et l’ensemble de solutions est donné par
1 2 +3 +1
Si 2R f0; 1; 1g : Sol = ; ;
2( 1) 2( 1) 1
– Si 2 f0; 1; 1g, dans ce cas det A = 0, le système (S ) n’est pas de Cramer. On a alors,
trois cas à traiter.
– Si = 0, le système n’est pas de Cramer et il est donné par
8
< x+y+z =2
(S0 ) : x y + 2z = 0
:
2x + 3z = 2
– La matrice du système (S0 ) est alors
0 1
1 1 1
A=@ 1 1 2 A
2 0 3
1 1
– On a, rgA = 2 puisque = 2 6= 0. Considérons le système, noté, (S0r ) formé par
2 0
1 1
la matrice Ar = :
2 0
x y = 2z
(S0r ) :
2x = 2 3z
– (S0r ) est un système de Cramer. Il admet donc une unique solution
det Arx 1 2z 1 2 3z
x = = =
det Ar 2 2 3z 0 2
det Ary 1 1 2z 2+z
y = = =
det Ar 2 2 2 3z 2
 52

– Reste à remplacer l’unique solution (x; y) = ( 2 23z ; 2+z

2
) dans la première équation du
système initial (S0 ) :
2 3z 2+z
x+y+z = + +z =2
2 2
– Ainsi donc, (S0 ) admet une in…nité de solutions et l’ensemble de solutions est donné par
2 3z 2 + z
Si = 0 : Sol = ( ; ; z); z 2 R
2 2
– Si = 1, le système n’est pas de Cramer et il est donné par
8
< x + y + 3z = 0
(S 1 ) : z=0
:
2x + 2y + 3z = 0
– La matrice du système (S 1 ) est alors
01
1 1 3
A=@ 0 0 1 A
2 2 3
1 3
– On a, rgA = 2 puisque = 1 6= 0. Considérons le système, noté, (S 1r ) formé par
0 1
1 3
la matrice Ar = :
0 1
y + 3z = x y= x
(S 1r ) : )
z=0 z=0
– (S 1r ) est un système de Cramer. Il admet donc une unique solution (y; z) = ( x; 0).
– Reste à remplacer l’unique solution (y; z) = ( x; 0) dans la dernière équation du système
initial (S 1 ) :
2x + 2y + 3z = 2x + 2 ( x) + 3 (0) = 0
– Ainsi donc, (S 1 ) admet une in…nité de solutions et l’ensemble de solutions est donné par
Si = 1 : Sol = f(x; x; 0); x 2 Rg
– Si = 1, le système n’est pas de Cramer et il est donné par
8
< x+y z =4
(S1 ) : 2x 2y + 3z = 0
:
2x 2y + 3z = 4
– Remarquons que les deux dernières équations ne sont pas compatibles. Par conséquent,
(S1 ) n’admet pas de solutions. D’où
Si = 1 : Sol = ;