Académique Documents
Professionnel Documents
Culture Documents
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
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.
E E ! E
(u; v) ! u + v
| 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) 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 )
1) 0E 2 F
F est s.e.v de E ,
2) 8u; v 2 F; 8 ; 2|: u+ v 2F
F = f(x; y; z) 2 R3 ; x + y + z = 0g
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
F = f(x; y; z) 2 R3 ; x + y + z = ag avec a 2 R
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.
E = R2 ; F1 = f0g R et F2 = R f0g
7
8u 2 E : 9u1 2 E1 ; 9u2 2 E2 ; u = u1 + u2
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
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
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 .
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
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,
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
sont linéairement indépendants. En e¤et, supposons que l’on ait une combinaison liénaire
nulle de e1 ; ::; en :
c’est à dire
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
– Il existe alors des scalaires non tous nuls et tels que 1 u1 + 2 u2 + 3 u3 = 0R3 .
– De plus, on a
u1 = 2u2 + u3
Exemple 3
– Dans F(R; R) les fonctions
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
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
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
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
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) 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
Applications linéaires
15
16
f : R2 ! R2
(x; y) ! f (x; y) = (2x + 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 : R2 ! R 3
(x; y) ! f (x; y) = (x + y; 3x; y + 1)
f ( P + Q) = ( P + Q)0
= P 0 + Q0
= f (P ) + f (Q)
– 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)
– Im(f ) est alors le sous-espace vectoriel engendré par la famille de vecteurs f( 1; 1; 0); (1; 2; 2)g.
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
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
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
20
21
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
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.
1 1 2 1 1+2 1+1 3 0
Example 14 + = = :
2 3 5 0 2+5 3+0 7 3
23
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
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
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.
(A = 0 ou B = 0) ) AB = 0
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
( A) B = (AB) = A( B)
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
AC = BC ) A = B:
– 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.
f : R2 ! R 3
(x; y) ! f (x; y) = (x + y; x y; 2x + 3y)
– 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
– 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
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
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 )
: : : 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 .
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
+2 =2 = 6
) ) u01 = 6u1 + 4u2
2 +3 =0 =4
+2 = 1 =5
) ) u01 = 5u1 3u2
2 +3 =1 = 3
u01 u02
# #
6 5 u1
P (B; B 0 ) =
4 3 u2
x0n
33
– On a la la formule équivalente
X0 = P 1
:X
X
2
det A = ( 1)1+j a1j det(A1j )
j=1
a11 a12
det A = a11 a22 a12 a21 =
a21 a22
X
3
det A = ( 1)2+j a2j det(A2j )
j=1
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
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 :
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 :
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
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
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
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
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
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.
41
42
– 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.
– 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) :
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
7x + 3y 2z + 3t = 3
2x 5y + 5z t = 2
– 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
– 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
– 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