REPUBLIQUE DEMOCRATIQUE DU CONGO

ENSEIGNEMENT SUPERIEUR ET UNIVERSITAIRE

UNIVERSITE PROTESTANTE DE LUBUMBASHI

COURS D’ALGEBRE LINEAIRE

Destiné aux étudiants de premier bachelier polytechnique

ANNEE – ACADEMIQUE : 2021 - 2022

 -1-

INTRODUCTION

1. OBJET DU COURS
L’algèbre linéaire est un langage universel qui sert à décrire de nombreux
phénomènes en mécanique, électronique, et économie, par exemple. Il n’est donc pas
étonnant de retrouver cette matière enseignée au début de nombreux cursus
universitaires car elle est nécessaire pour pouvoir exprimer des concepts plus avancées
les années suivantes. Ainsi il est crucial pour les étudiants d’en maîtriser son
vocabulaire et sa grammaire au plus tôt. Pourtant, même si elle est un domaine
des mathématiques, il n’est pas nécessaire d’être un mathématicien averti pour
l’apprendre, fort heureusement.

En effet, les traitements des vastes ensembles des données nécessite au préalable
une mise sous une forme appropriée des informations disponibles. Et le plus
couramment on recourt à des listes ou des tableaux. Ainsi, ces listes (ou vecteurs) et
tableaux (matrices) sont des grandeurs physiques de dimension élevées résumant l’état
d’un ensemble d’éléments (chiffres) suivant la position que chacun occupe. Leur
traitement permet de dégager d’autres renseignements plus utiles. C’est pourquoi, à
l’issu de ce cours, un étudiant en informatique devra être capable de :
1. Distinguer une grandeur scalaire de la vectorielle et la matricielle ;
2. Effectuer les différentes opérations possibles sur ces grandeurs ;
3. Construire un système d’opérations linéaires et d’en déterminer sa solution si elle
existe.

Pour y parvenir, quelques pré-requis sont recommandés. C’est ainsi que l’étudiant
est sensé maîtrisé :
- La représentation d’un point dans le plan cartésien ;
- Les notions sur les ensembles et les opérations telles que la réunion, l’intersection,
la complémentarité, …
- Les notions sur la structure algébrique telles que : les groupes, le groupe abélien,
l’anneau, …

2. PLAN DU COURS

INTRODUCTION ................................................................................................................. 1
1. OBJET DU COURS..................................................................................................... 1
2. PLAN DU COURS ...................................................................................................... 1
3. BIBLIOGRAPHIE ....................................................................................................... 2
CHAPITRE I : CALCUL VECTORIEL ......................................................................... 3
1.1. DEFINITION ............................................................................................................... 3
1.2. OPERATIONS SUR LES VECTEURS ...................................................................... 3
1.3. PRODUIT SCALAIRE ................................................................................................ 4
1.4. DISTANCE ET NORME D’UN VECTEUR .............................................................. 5
 -2-

1.5. ANGLE FORME PAR DEUX VECTEURS ............................................................... 6

1.6. LE PRODUIT EXTERIEUR ....................................................................................... 8
1.7. ESPACE VECTORIEL................................................................................................ 8
1.7.1. DEFINITION ............................................................................................................. 8
1.7.2. SOUS ESPACE VECTORIEL (sev) ........................................................................ 9
1.7.3. COMBINAISONS LINEAIRES, FAMILLES LIBRES, LIEES ET
GENERATRICES ...................................................................................................... 9
1.7.4. ESPACE VECTORIEL DE DIMENSION FINIE................................................ 10
1.7.5. CARACTERISATION DES SOUS-ESPACE VECTORIELS DE DIMENSION
FINIE......................................................................................................................... 11
1.7.6. APPLICATIONS LINEAIRES .............................................................................. 13
CHAPITRE II : MATRICE D’UNE APPLICATION LINEAIRE ......................... 15
2.1. DEFINITION ............................................................................................................. 15
2.2. DEFINITIONS GENERALES .................................................................................. 20
2.3. OPERATION SUR LES MATRICES ....................................................................... 22
2.4. CHANGEMENT DE BASE ...................................................................................... 26
2.5. RANG D’UNE MATRICE ........................................................................................ 28
2.6. TRACE D’UNE MATRICE CARREE ..................................................................... 28
2.7. TRANSFORMATION ELEMENTAIRE D’UNE MATRICE ................................. 29
2.8. DETERMINANT D’UNE MATRICE CARREE...................................................... 30
2.9. MATRICE INVERSE ................................................................................................ 31
2.10. DIAGONALISATION D’UNE MATRICE CARREE ............................................. 34
CHAPITRE III : SYSTEMES D’EQUATIONS LINEAIRES ............................... 38
3.1. DEFINITIONS ET NOTATIONS ............................................................................. 38
3.2. SYSTEMES EN ECHELONS ................................................................................... 41
3.3. EQUIVALENCE DES SYSTEMES – OPERATIONS ELEMENTAIRES ............. 43
3.4. SYSTEMES HOMOGENES. .................................................................................... 47
3.5. AUTRES METHODES DE RESOLUTION DES SYSTEMES D’EQUATIONS
LINEAIRES ............................................................................................................... 49

3. BIBLIOGRAPHIE
1. FRANCIS G. FLOREY, Elementary linear algebra with application, New Jersey,
1979.
2. HOFFMAN, KENNETH and RAY KUNZE, Linear algebra, 4th ed. N.J. 1991.
3. NERING, EVRA D., Linear algebra and theory, New-York, 1983.
4. Noble BEN, Applied linear, New-york, 1989.
5. GILLES OUELLET, Vecteurs et matrices : Théorie, exemples, problèmes, les
éditions : Le griffon d’argile, 1987.
 -3-

CHAPITRE I : CALCUL VECTORIEL

1.1. DEFINITION
La grandeur X = (x1, x2, …, xn) est appelée vecteur.
xj (j = 1, 2, …, n) est la composante du vecteur X occupant la position j.
n est la dimension ou l’ordre du vecteur X.
On note aussi X⃗.
Tout vecteur X = (x1, x2, …, xn) a pour origine O⃗ et extrémité le point de coordonnées
(x1, x2, …, xn)

N.B : - Si la dimension n = 1, le vecteur se réduit à un scalaire, c’est-à-dire un

nombre ;
- Si la dimension n ˃ 3, la représentation graphique du vecteur devient
ambiguë.

Un vecteur X est caractérisé par une origine, un sens et une distance.

Deux vecteurs X = (x1, x2, …, xn) et Y = (y1, y2, …, yn) sont égaux si x1 = y1, x2 = y2,
…, xn = yn. En d’autres termes deux vecteurs sont égaux si les composantes de la
même position sont égales.
Exemple : Le vecteur (1, 2, 3, 4) est différent de (3, 2, 1, 4)
Un vecteur est positif si toutes ses composantes sont positives ou nulles
Exemple : X = (3, 5, 10, 0, 1) est positif ;
Y = (7, 9, -1, 6, 5) n’est pas positif

Un vecteur est nul si toutes ses composantes sont nulles

Exemple : Z = (0, 0, 0, 0)

1.2. OPERATIONS SUR LES VECTEURS

a. Somme :
Si X = (x1, x2, …, xn) et Y = (y1, y2, …, yn) sont deux vecteurs de dimension n
alors : X  Y = (x1  y1, x2  y2, …, xn  yn)
Exemple : X = (2, -1, 3)
Y = (1, 6, 5)
X + Y = Z = (3, 5, 8)
X  Y = (1, -7, -2)

Soient A(x1, y1) et B(x2, y2) le vecteur v⃗ = AB a pour origine le point A et pour
extrémité B, il a la même distance et le même sens que le vecteur B – A = (x2 – x1,
y2 – y1)
Exemple : Soit A(1, 4) et B(5, 3) représenter graphiquement le vecteur v⃗ = AB et
comparer avec le vecteur B – A.
B – A = (4, -1)
 -4-

b. Multiplication par un scalaire :

Si X = (x1, x2, …, xn) et   IR, alors X = (x1, x2, …, xn).
Les vecteurs X et X sont homothétiques, c’est-à-dire ils ont même origine et
même sens si  ˃ 0, sens opposés si  ˂ 0.
1
Exemple : Soit X = (2, 3), Déterminer 2X,  X
2
1  3
2X = (4, 6) ;  X =   1 ;  
2  2

Exemple 2 : Soient X = (1, 1, 2, 4, 3) et Y = (2, 4, 5, 1, 0) ; calculer 2X – 3Y ?

2X – 3Y = 2(1, 1, 2, 4, 3)  3(2, 4, 5, 1, 0)
2X – 3Y = (2, 2, 4, 8, 6)  (6, 12, 15, 3, 0) = (4, 14, 19, 5, 6)

REMARQUE : L’addition et/ ou la soustraction de deux ou plusieurs vecteurs n’est

possible que si ces vecteurs ont même dimension.

THEOREME
Soient X = (x1, x2, …, xn) et Y = (y1, y2, …, yn) deux vecteurs de IRn, alors :
a) X + Y = Y + X : la commutativité ;
b) Si O = (0, 0, …, 0)  IR, X + O = X : O = (0, 0, …, 0) est un élément neutre ;
c) X + (X) = X + X = O : X est l’opposé du vecteur X ;
d) Si ,   IR, ( + )X = X + X : multiplication par un scalaire ;
e) Si   IR, (X + Y) = X + Y.

EXERCICES
Si P = (3, 2, 1) ; Q = (-1, 2, 3) et S = (2, -3, 4), calculer :
a) P + Q d) (P + Q) + S g) (2 + 3)P
b) Q – S e) P + (Q + S) h) 3(P + Q)
c) 3P + 2S f) 2P + 3Q i) 3P + 3Q

1.3. PRODUIT SCALAIRE

Soient X⃗ = (x1, x2, …, xn) et Y⃗ = (y1, y2, …, yn) ; on appelle produit scalaire des
vecteurs X⃗ et Y⃗ noté X⃗. Y⃗ la quantité scalaire donnée par :

X⃗. Y⃗ = XY

C’est donc la somme des produits des composantes de X et de Y occupant la

même position.

Exemple : X⃗ = (1, -3, 4) et Y⃗ = (2, 1, 5). Calculer X⃗. Y⃗ ?

X⃗. Y⃗ = 1*2 + (-3)*1 + 4*5 = 2 – 3 + 20 = 19
 -5-

THEOREME
Soient X⃗ et Y⃗ deux vecteurs de IRn, alors :
a) X⃗. Y⃗ = Y⃗. X⃗ ;
b) Si   IR, λX⃗. Y⃗ = X⃗. λY⃗ = λ(Y⃗. X⃗) ;
c) X⃗ + Y⃗ Z⃗ = X⃗. Z⃗ + Y⃗. Z⃗ où Z  IRn ;
d) X⃗. X⃗ > 0, X⃗. X⃗ = 0 ssi X⃗ = 0

Exemple 1 : Soient X⃗ = (2, -1, 4) ; Y⃗ = (3, 2, 1) ; Z⃗ = (2, 2, 3)

a) X⃗. Y⃗ = (2, -1, 4).(3, 2, 1) = 6 – 2 + 4 = 8
Y⃗. X⃗ = (3, 2, 1).(2, -1, 4) = 6 – 2 + 4 = 8
b) Si  = 5, 5X⃗. Y⃗ = 5*8 = 40
5Y⃗ = 5(3, 2, 1) = (15, 10, 5) et
X⃗5Y⃗ = (2, -1, 4)(15, 10, 5) = 30 – 10 + 20 = 40
c) X⃗ + Y⃗ Z⃗ = {(2, -1, 4) + (3, 2, 1)}.(2, 2, 3) = (5, 1, 5)(2, 2, 3)
X⃗ + Y⃗ Z⃗ = 10 + 2 + 15 = 27
X⃗. Z⃗ = (2, -1, 4)(2, 2, 3) = 4 – 2 + 12 = 14
Y⃗. Z⃗ = (3, 2, 1)(2, 2, 3) = 6 + 4 + 3 = 13
X⃗. Z⃗ + Y⃗. Z⃗ = 14 + 13 = 27
d) X⃗. X⃗ = (2, -1, 4). (2, -1, 4) = 4 + 1 + 16 = 21

Exemple 2 : Soit le vecteur X⃗ = (2, 3), déterminer un vecteur Y⃗ tel que le produit
scalaire X⃗. Y⃗ soit nul.
3
X⃗ = (2, 3) X⃗. Y⃗ = 2y1 + 3y2 = 0  y1   y 2
2
Posons y2 = 4, y1 = -6 ; d’où Y⃗ = (-6, 4)
Posons y2 = -2, y1 = 3 ; d’où Y⃗ = (3, -2)
Deux vecteurs sont perpendiculaires si leur produit scalaire est nul.

1.4. DISTANCE ET NORME D’UN VECTEUR

Soit X = (x1, x2, …, xn) un vecteur de IRn, la norme du vecteur X est un scalaire noté
X tel que :

X⃗ = X⃗. X⃗ = x

La norme d’un vecteur X⃗ donne la longueur de ce vecteur.

Exemple : Calculer la norme des vecteurs suivants :

A⃗ = (3, 4) ; B⃗= (-1, 3, 1, 5) ; C⃗= (1, 2, -4)
A⃗ = 3² + 4² = √9 + 16 = 5
 -6-

B⃗ = (−1) + 3 + 1² + 5² = √1 + 9 + 1 + 25 = 6

C⃗ = 1² + 2² + (−4)² = √1 + 4 + 16 = √21

PROPRIETES
La norme d’un vecteur X⃗ de IRn vérifie les propriétés suivantes :
a) X⃗ ≥ 0, X⃗ = 0 ssi X⃗ = O⃗
b) λX⃗ = ‖λ‖ X⃗ ∀λ ∈ ℝ
c) X⃗ + Y⃗ = X⃗ Y⃗
La norme permet en outre le calcul de la distance euclidienne « d » entre deux points
de IRn. Ainsi, si X et Y sont deux points de IRn la distance séparant X et Y notée d(A,
B) est donnée par :
d(X, Y) = X⃗ − Y⃗
Cette distance d(X, Y) vérifie les propriétés suivantes :
a) d(X, Y) ≥ 0, on a d(X, Y) = 0 ssi X = Y ;
b) d(X, Y) = d(Y, X) : symétrie ;
c) d(X, Y) ≤ d(X, Z) + d(Z, Y) : inégalité triangulaire.
Si X⃗ = 1 alors le vecteur X⃗ est dit normé.
⃗
Si X⃗ est un vecteur quelconque non nul, alors Y⃗ = ⃗
est un vecteur normé.
Exemple : Normer les vecteurs suivants : A= (3, 4) ; C= (1, 2, -4)
1 3 4
A⃗ = √9 + 16 = 5  (3, 4) =  ,  est normé
5 5 5
1  1 2 4 
A⃗ = √1 + 4 + 16 = √21  (1, 2, -4) =  , , 
21  21 21 21 
est normé

1.5. ANGLE FORME PAR DEUX VECTEURS

Soient X⃗ = (x1, x2, …, xn) et Y⃗ = (y1, y2, …, yn) deux vecteur de IRn, alors l’angle formé
par X⃗ et Y⃗,  est donné par :
X⃗. Y⃗
cos (θ) =
X⃗ Y⃗

Exemple : Calculer l’angle formé par les vecteurs :

a) X = (1, 3) et Y = (-2, 5) ;
b) X = (1, 0, 4) et Y = (2, 2, -9)
a) X.Y = -2 + 15 = 13
X⃗ = √1 + 9 = √10
 -7-

Y⃗ = √4 + 25 = √29
X⃗. Y⃗ 13
cos(θ) = = = 0,763386285 ⇒ θ = 40,23636°
X⃗ Y⃗ √10√29
b) X.Y = 2 + 0  36 = 34
X⃗ = √1 + 16 = √17
Y⃗ = √4 + 4 + 81 = √89
X⃗. Y⃗ −34
cos(θ) = = = −0,874096644 ⇒ θ = 150,938°
X⃗ Y⃗ √17√89

REMARQUES :
0 si λ  0
1. Si X⃗ = λY⃗,   IR , alors  = 
180 si λ  0
π
2. Si X⃗. Y⃗= 0 alors Cos  = 0   = ; donc X⃗ est perpendiculaire à Y⃗.
2

REMARQUE
Lorsqu’un vecteur est normé, chacune de ses composantes peut être exprimée en
fraction de cosinus. On appelle ces cosinus « cosinus directeurs »

Exemple 1 : Soit A = (3, 4), trouver les cosinus directeurs de A.

3 4
A = (3, 4) ; A = 5, le vecteur normé est  ;   (Cos , Cos )
5 5
Comme Cos² + Cos² = 1 ; on a : Cos  = Sin 
3
D’où Cos  =   = 53,13010235° et  = 36,86989764°
5

Exemple 2 : Soit B = (2, -3, 5) ; Trouver les cosinus directeurs de B.

B = (2, -3, 5) ; B  4  9  25  38
 2 3 5 
Le vecteur normé est  ; ;  = (Cos , Cos )
 38 38 38 
2
Ainsi Cos  = = 0,324442842   = 71,06817682°
38
3
Cos  =  = 0,486664263   = 119,1215681°
38
5
Cos ζ = = 0,81110705  ζ = 35,79575992°
38
 -8-

1.6. LE PRODUIT EXTERIEUR

Soient X⃗ = (x1, x2, …, xn) et Y⃗ = (y1, y2, …, yn), le produit extérieur des vecteurs X⃗ et Y⃗
de IR 3 est un vecteur à la fois perpendiculaire à X⃗ et à Y⃗. Il est donc perpendiculaire
au plan formé par X⃗ et Y⃗.
On note X⃗ΛY⃗ et on a :
⃗ı ⃗ȷ k⃗
⃗ ⃗
XΛY = x x x = (x y − x y , x y − x y , x y − x y )
y y y
Propriétés
X⃗ΛY⃗ = −Y⃗ΛX⃗ : Anticommutativité
X⃗ΛY⃗ = O⃗

1.7. ESPACE VECTORIEL

1.7.1. DEFINITION
Soit un corps commutatif ( = = )
Soit E un ensemble dont les éléments sont appelés des vecteurs. On muni E de :
 La loi interne « + » (addition vectoriel) : (x, y)E², (x + y)E
 La loi externe « * » (multiplication vectorielle) :  x  E ,   , (x)E
(E, +, *) est un espace vectoriel (ev) sur ( -ev) si :
1) (E, +) est un groupe commutatif
 l’addition est associative : (x, y, z)E3, (x + y) + z = x + (y + z)
 l’addition est commutative : (x, y)E2, x + y = x + y
 il existe un élément neutre OEE tel que  x  E, x + OE = x
  x  E,  ! x ’ E t e l q u e x + x ’ = x ’ + x = OE (x ’e s t appelle
l’opposé de x et se note (-x)
2) La loi externe doit vérifier :
  ,  ( x , y)  E ² ,  ( x + y) =  x +  y
  (  1 ,  2 )  ,  x  E , ( 1 +  2 ) x =  1 x +  2 x
  (  1 ,  2 )  ,  x  E ,  1 (  2 x ) = ( 1 . 2 ) x
  x  E, 1 . x = x
Propriétés :
Si E est un -ev, on a :
λ=0
1) xE,  , x = OE 
ou x = 0
2) (-)x = -(x) = (-x)
n n
= et E = .( ,+,*) est un -ev
 -9-

1.7.2. SOUS ESPACE VECTORIEL (sev)

1) Définition
Soit E un K-ev et F  E est un sev si :
 F
 la loi interne « + » est stable dans F : (x, y)F², (x + y)F
 la loi externe « * » est stable dans F : xF,  , (x)F
2) Remarque : Si E est un -ev, {OE} et E sont 2 sev de E.
L’ensemble des vecteurs X = (x1, x2) du plan

Exemple 1 : Dans l’espace 3 les vecteurs X = (0, x2, x3) forment un sous-
espace vectoriel. De même pour ceux qui s’écrivent par exemple
(x1, 3x1, x3).
Exemple 2 : Démontrer que l’ensemble des vecteurs s’écrivant (x1, 3x1, 5) ne
forme pas un sous-espace 3.
Solution : Car cet ensemble ne possède pas l’élément neutre (0, 0, 0).

1.7.3. COMBINAISONS LINEAIRES, FAMILLES LIBRES, LIEES ET

GENERATRICES
Définition 1 : Soit E un -ev et {Xi}iI une famille d’éléments de E. on appelle
combinaison linéaire de la famille {Xi}iI, l’expression :
n

λ X
i 1
i i = 1X1 + 2X2 + … + nXn avec iK.

n
Définition 2 : On dit que la famille {Xi}iI est libre si λ X
i 1
i i = OE  i=0

iI.
Définition 3 : On dit que la famille {Xi}iI est liée si elle n’est pas libre :
∃ λ ,…,λ ≠ (0, … , 0) tq λx =O
∈

Définition 4 : On appelle famille génératrice de E une famille telle que tout

élément de E est une combinaison linéaire de cette famille :
xE, ∃(λ ) ∈ tq x = λx
∈

Définition 5 : On dit que la famille {Xi}iI est une base de E si {Xi}iI est une
famille libre et génératrice.
Propriété : On dit que la famille {Xi}iI est une base de E ssi XE, X s’écrit
de manière unique :
 - 10 -

X= λx
∈
Tout espace vectoriel possède une base, non unique. Deux bases d’un même
espace ont le même nombre d’éléments et ce nombre est la dimension de
l’espace vectoriel.
Remarque : La famille (e1, e2, …, en) avec :
e1 = (1, 0, 0, …, 0) ;
e2 = (0, 1, 0, …, 0) ;
…
en = (0, 0, 0, …, 1)
constitue la base canonique de n.

Propriétés :
 {x} est une famille libre  x  0
 Toute famille contenant une famille génératrice est génératrice
 Toute sous-famille d’une famille libre est libre
 Toute famille contenant une famille liée est liée
 Toute famille {v1, v2, …, vp} dont l’un des vecteurs vi est nul, est liée.

1.7.4. ESPACE VECTORIEL DE DIMENSION FINIE

1) Définitions :
 Soit {Xi}iI une famille S d’éléments de E. On appelle cardinal de S le
nombre d’éléments de S.
 E est un ev de dimension finie si E admet une famille génératrice de
cardinal fini.
2) Théorème :
Toutes les bases d’un même ev E ont le même cardinal. Ce nombre
commun est appelé la dimension de E. On note dim E
3) Corollaire ;
Dans un ev de dimension n, on a :
- Toute famille libre a au plus n éléments
- Toute famille génératrice a au moins n éléments
4) Remarque : Si dim E = n, pour montrer qu’une famille de n éléments est
une base de E, il suffit de montrer qu’elle est libre ou bien génératrice.
5) Exercice :
Dans 3, soit e1 = {1, 0, 0}, e2 = {1, 0, 1} et e3 = {0, 1, 2}. Montrer que
{e 1 ,e 2 ,e 3 } est une base de 3.

λx =0
∈
 - 11 -

λ (1,0,0) + λ (1,0,2) + λ (0,1,2) = 0

λ +λ = 0 (1 )
λ = 0 (2)
λ + 2λ = 0 (3)
(2) dans (3) : 2 = 0 (3’)
(3’) dans (1) : 1 = 0
3
Conséquence {e 1 ,e 2 ,e 3 } est une base de
1 1 0
0 0 1
0 1 2
= (1 ∗ 0 ∗ 2 + 0 ∗ 1 ∗ 0 + 0 ∗ 1 ∗ 1) − (0 ∗ 0 ∗ 0 + 1 ∗ 1 ∗ 1 + 2 ∗ 0 ∗ 1)
= −1 ≠ 0
Le rang de cette famille est 3

6) Théorème de la base incomplète

Soit E un ev de dimension finie et I, une famille libre de E. Alors, il existe
une base B de cardinal fini qui contient I

1.7.5. CARACTERISATION DES SOUS-ESPACE VECTORIELS DE

DIMENSION FINIE
Soit E un K-ev de dimension n et F un sev de E
 dim F  dim E
 dim F = dim E  F = E

1. Coordonnées d’un vecteur

Définition
Soit E un K-ev de dimension n en B = {xi, …, xn} une base de E ; c’est-à-
dire xE, x s’ecrit de manière unique, les scalaires 1, …, n sont appelés
les coordonnes de x dans la base B.

2. Rang d’une famille de vecteurs. Sous-espaces engendrés.

a. Définition 1
Soit G = {x1, …, xp}
Le sev F des combinaisons linéaires des vecteurs x1, …, xp est appelé
sous-espace engendré par G et se note : F = VectG = Vect{x1, …, xp}

F = x ∈ E/x = λ x avec (λ , … , λ ) ∈ ℝ
 - 12 -

b. Remarque
F = Vect{x1, …, xp}  {x1, …, xp} est une famille génératrice de F.
c. Définition 2
La dimension de F s’appelle le rang de la famille G : dim G = rg G
d. Propriétés :
Soit G = {x1, …, xp}
 rg G  p
 rg G = p  G est libre
 on ne change pas le rang d’une famille de vecteurs :
- en ajoutant à l’un d’eux une combinaison linéaire des autres
- en multipliant l’un d’eux par un scalaire non nul
- en changeant l’ordre des vecteurs

3. Détermination du rang d’une famille de vecteurs

Théorème : Soit E un K-ev de dimension finie n et B = {e1, …, en} une base
de E. si {x1, …, xp} est une famille d’éléments de E (p  n) telle que les xi
s’écrivent :

x = α,e

avec i,j  0 et i,j = 0 pour j  i, alors {x1, …, xp} est libre.

Application : Méthode des zéros échelonnés

Soit E un ev de dimension finie n et B = {e1, …, en} une base de E.
Pour déterminer le rang d’une famille G = {x1, …, xp} avec p  n :
1) On écrit sur p colonnes et n lignes les vecteurs x1, …, xn dans la base B
2) En utilisant les propriétés relatives au rang d’une famille de vecteurs, on
se ramène à la disposition du théorème précédent.
Exercice : Déterminer le rang de la famille {a1, a2, a3} avec a1 = (1,4,7),
a2 = (2,5,8), a3 = (3,6,1)

λx =0 ⇒ λ (1,4,7) + λ (2,5,8) + λ (3,6,1) = 0

∈

λ + 2λ + 3λ = 0 (1)
4λ + 5λ + 6λ = 0 (2)
3λ + 6λ + λ = 0 (3)
1 2 3
4 5 6
7 8 1
= (1 ∗ 5 ∗ 1 + 4 ∗ 8 ∗ 7 + 7 ∗ 2 ∗ 6) − (7 ∗ 5 ∗ 7 + 6 ∗ 8 ∗ 1 + 1 ∗ 4 ∗ 2)
= 12 ≠ 0
Le rang de cette famille est 3
 - 13 -

4. Existence de sous-espaces supplémentaires en dimension

finie, bases et sous-espaces supplémentaires
Propositions :
Soit E un ev de dimension finie n
1) Tout sev F admet au moins un sous-espace supplémentaire ; c’est-à-dire
qu’il existe un sev G tq E = F+G
2) Soient F   et G   deux sev de E et soit B1 une base de F et B2 une
base de G. la famille {B1, B2} est une base ssi E = F+G
3) Soient G et G’ deux sous-espaces supplémentaires de F dans E, alors G et
G’ ont la même dimension : dim G = dim G’ = dim E = dim F

5. Caractérisation des sous-espaces supplémentaires par la

dimension
Corollaire
Soit E un ev de dimension finie
F ∩ G = {O }
F + G = E ssi
dim E = dim F + dim G

1.7.6. APPLICATIONS LINEAIRES

Soit f une application linéaire de E dans F
i. f est injective si (x, y)E², f(x) = f(y)  x = y
(équivaut à (x, y)E², x  y  f(x)  f(y))
ii. f est surjective si yF, xE tq y = f(x)
iii. f est bijective ssi injective et surjective : yF, ! xE tq y = f(x)

1. Définition
Soient E et F deux -ev ( = ou ) et une application f de E dans F.
On dit que f est linéaire ssi :
(x, y)E² et (, )K² ; f(x + y) = f(x) + f(y)
Remarques :
1) f : E  F est une application linéaire ssi :
∀x ∈ E et ∀λ ∈ 𝕂, f(λx) = λf(x)
∀(x, y) ∈ E , f(x + y) = f(x) + f(y)
2) f(OE) = OF

2. Image et noyau d’une application linéaire

Soit f une application linéaire de E dans F
1) On appelle image de f et on note Im(f) le sous ensemble de F défini par :
Im(f) = {yF/xE, f(x) = y}
 - 14 -

2) On appelle noyau de f et on note Ker(f) le sous ensemble de E définie par

: Ker(f) = {xE/ f(x) = 0}
Théorème 1 :
Im(f) est un sev de F
Ker(f) est un sev de E
Théorème 2 :
Soit f une application linéaire de E dans F
f est injective ssi ker(f) = {OE}

3. Applications linéaires en dimension finie

Propriétés
Soit f une application linéaire de E dans F avec dim E = n
 f est injective ssi f transforme toute base de E en une famille libre
de F
 f est surjective ssi l’image de toute base de E est une famille
génératrice de F
 f est bijective ssi l’image de toute base de E est une base de F

Rang d’une application linéaire

Définition : Le rang d’une application linéaire f est égal à la dimension de
Im(f) : rg(f) = dim(Im(f))
Propriétés :
1) On a toujours rg(f)  dim(f)
2) f est surjective ssi rg(f) = dim F
3) f est injective ssi rg(f) = dim E
4) f est bijective ssi rg(f) = dim E = dim F
Remarque : Si f est un endomorphisme de E, alors ; f injective  f surjective
 f bijective

4. Théorème fondamental
Soit f une application linéaire de E dans F avec dim E = n, alors dim(Im(f)) +
dim(ker(f)) = dim E
Remarque : ce n’est vrai qu’en dimension finie !

Exemple 1:
a) f(x1, x2) = 2x1 – 5x2 est une application de IR² → IR ;
b) f(x1, x2, x3) = (x1 – x3, 4x1 + x2) est une application de IR 3 → IR² ;
c) f(x1, x2) = (3x2, x2 – x1, 2x1 + x2) est une application de IR² → IR 3 .
 - 15 -

CHAPITRE II : MATRICE D’UNE APPLICATION

LINEAIRE
2.1. DEFINITION
Soit f une application linéaire de E, espace vectoriel de dimension n, dans F de
dimension p définie par :
 x1   y1 
   
x2   y2 
X=    
f
f(x) = Y =  
... ...
   
x  y 
 n  p
Ainsi y1 = f1(x) = a11x1 + a12x2 + … + a1nxn.
y2 = f2(x) = a21x1 + a22x2 + … + a2nxn.
…
yp = fp(x) = ap1x1 + ap2x2 + … + apnxn.
qu’on exprime à l’aide des tableaux, comme :

 y1   f 1   a 11 x 1  a 12 x 2  ...  a 1n x n   a 11 a 12 ... a 1n  x 1 
        
y
 2   f  a 21 x 1  a 22 x 2  ...  a 2n x n   a 21 a 22 .... a 2n  x 2 
Y=   =  2  (X)=f(x) = 
... ... ...    ... ... ... ....  ... 
        
 y  f   a x  a x  ...  a x  a a p2 ... a pn  x n 
 p  n  p1 1 p2 2 pn n   p1

Y = A.X.
A est appelé matrice de l’application linéaire f. elle dépend au choix des bases de E
et de F. Elle est d’ordre (p x n).

Exemples
 2 0
a) A =   transforme IR² → IR²
  1 3
 3 2
 
b) B =  1 1  transforme IR² → IR3
 0 2
 
 1 0  2 3
c) C =   transforme IR4 → IR²
 2 3 4 1

 5  2 0  5  10 
Dans le cas a) soit X =    IR², on a AX =        IR²
7   1 3  7  16 
 3 2  29 
 5   5   
Cas b) X =    IR², est transformé en Y = AX =  1 1     12 
7  0 2  7   14 
   
 - 16 -

 1
 
  2
Cas c) Soit X =    IR4 est transformé en Y = AX
0
 
 1
 
 1
 
 1 0  2 3   2   4 
Y =       IR²
 2 3 4 1 0    7 
 
 1
 

L’application f : IRn → IRp est dite linéaire si elle vérifie les deux conditions
suivantes :
(1) f(x + x') = f(x) + f(x')  x, x'  IRn ;
(2) f(x) = .f(x),   IR et  x  IRn ;
Ceci a pour conséquence, si A est la matrice de l’application linéaire f, alors  x 
IRn,  x'  IRn et   IR, on a :
(1) A(X + X') = AX + AX'
(2) A(X) = AX.

Exemple 1
 3 2
   5  2
Soit A =  1 1  ; X =   ; X' =   et  = 3, on a :
 0 2 7  1
 
 3 2  3 2  3 2
  5   2  ?   5    2 
(1)  1 1       1 1     1 1  
 0 2  7    1  0 2  7   0 2   1
     
 3 2  29   4 
  7  ?    
 1 1     12    1
 0 2  6   14    2 
     
 33   33 
 ? 
 13    13  oui
12   12 
   

 3 2  3 2  3 2  29 
   5  ?   5    15  ?  
(2)  1 1 3.   3. 1 1     1 1    3 12 
 0 2   7   0 2  7   0 2  21  14 
       
 - 17 -

 87   87 
 ? 
 36    36  oui
 42   42 
   
Exemple 2
Déterminer la matrice de l’application linéaire f : IR² → IR3 qui transforme les
1  2
1   2    
vecteurs B1 =   et B2 =   en les vecteurs A1 =  0  et A2 =   1
 2   3  2  0
   
 a 11 a 12 
 
On a : A(3, 2) =  a 21 a 22 
a a 32 
 31
AB1  A1 (1)

AB2  A 2 (2)

 a 11 a 12  1 a 11  2a 12  1 (1)
  1    
De (1) AB1 =  a 21 a 22     0   a 21  2a 22  0 (2)
2
a
 31 a 32    2  a  2a  2 (3)
 31 32

 a 11 a 12   2  2a 11  3a 12  2 (4)
   2    
De (2) AB2 =  a 21 a 22      1   2a 21  3a 22   1 (5)
3
a
 31 a 32    0   2a  3a  0
 31 32 (6)

Résolution des systèmes d’équation

(1)  a 11  2a 12  1 2

( 4)  2a 11  3a 12  2 1
a12 = 4 et a11 = 1 – 8 = 7

( 2)  a 21  2a 22  0 2

(5)  2a 21  3a 32  1 1
a22 = 1 et a21 = 2

(3)  a 31  2a 32  2 2

( 6)  2a 31  3a 32  0 1
a32 = 4 et a31 = 2 – 8 = 
 - 18 -

  7 4
 
Finalement la matrice A est : A =  2  1
  6 4
 

DEFINITION
Soit f : IRn → IRp une application linéaire de matrice A, alors l’ensemble des
antécédents de 0 de f est un sous-espace vectoriel de IRn ; c’est l’ensemble des
solutions du sytème homogène de matrice A. Ce sous-espace est appelé noyau de f, et
noté Ker(f).

 1 2 1
Exemple 1 : Soit f : IR3 → IR2 de matrice A =   déterminer le Ker(f)
  1 4 1
 x1 
 1 2 1   0   x  2x 2  x 3  0 (1)
On a : AX = 0    x 2       1
  1 4 1 x   0   x 2  4x 2  x 3  0 (2)
 3
(1) + (2)  6x2 + 2x3 = 0  x3 = 3x2
de (1) : x1 = 2x2 – x3 = 2x2 + 3x2 = x2
 x2 
 
Solution X =  x 2  , posons = x2
  3x 
 2

 1
 
X =   1   IR
  3
 
  1 
   
Donc Ker(f) = α 1 où α  IR 
   3 
   
 1 2  2
3 3
 
Exemple 2 : Soit f : IR → IR de matrice A =  2 3  1
 1 1  7 
 
On a Ker(f) = {(0, 0, 0)}

DEFINITION
On appelle transformation linéaire de IRn toute application linéaire f : IRn → IRn ayant
la propriété suivante : tout vecteur Y de IRn admet un antécédent X unique par f. on dit
aussi que f est une bijection de IRn sur lui-même.
- 19 -
 - 20 -

2.2. DEFINITIONS GENERALES

On appelle matrice de type (n, p) à coefficients dans ( = ou ), un tableau
de n*p éléments de rangés sur n-lignes et p-colonnes :

a a … a
a a … a
A= … …
… …
a a … a

En abrégé, on note A = (aij)1in et 1jp

On désigne par Mn,p( ) l’ensemble des matrices à coefficients dans à n-lignes et p-
colonnes
Cas particuliers :
 Si n = p, on dit que la matrice est carrée.
 Si n = 1, M1,p est l’ensemble des matrices lignes ; c’est un vecteur ligne.
 Si p = 1, M1,p est l’ensemble des matrices colonnes ; c’est un vecteur colonne.
 Si les coefficients sont tq aij = 0 pour i  j, on dit que la matrice est triangulaire
supérieure
Exemple
 2 1 7
 
 4 3 6
A=  matrice à 4 ligne et 3 colonne A = A(4, 3)
1 0 0
 
 1 1 5
 
1
 
A =  3  vecteur colonne à 3 lignes : A = A(3, 1)
 6
 
A = 4  1 7 6  vecteur ligne à 4 colonne A(1, 4)

a) La matrice transposée d’une matrice A(p, n) est la matrice A(p, n) = (bij) telle que bij =
aji pour  i = 1, 2, …, n et  j = 1, 2, …, p.
La transposée d’un vecteur colonne X de IRn est X' = (x1, x2, …, xn)

Exemple 1 : Soient les matrices A et B suivantes, déterminer leurs transposées.

 1 2 3 1 4 0
   
A = 4 6 7 → A' =  2 6 2 
0 2 1 3 7 1
   
 - 21 -

2 3  5
 2 0  1 3  
  0 1 7 
B =  3 1 4 6 → B' = 
  5 7 2 1 1 4 2 
   
3 6 1 

 4
 
  1
Exemple 2 : La transposée de C =  0  est C' = 4  1 0 1 2 
 
 1
 2
 

b) Une matrice carrée A est symétrique si A' = A

Exemple :
 2 1 4 7
 
 1 6 0 2
A=  est symétrique.
4 0 1  3
 
 7 2  3 5 
 

c) La matrice carrée est diagonale si aij = 0  i ≠ j

Exemple :
 1 0 0 0
4 0 0  
   0 3 0 0
A =  0  7 0 ; B= 
0 0 0 0 0
 0 1 
 0

 0 0 5 

N.B : Toute matrice diagonale est symétrique.

Les éléments aij de A tels que i = j appartiennent à la diagonale principale de A.

Pour toute matrice A, on a (A')' = A

d) La matrice identité ou unité In est une matrice diagonale dont tous les éléments non
nuls sont égaux à 1.

Exemple :
1 0 0
 
A =  0 1 0
0 0 1
 
 - 22 -

2.3. OPERATION SUR LES MATRICES

a) LA SOMME
La somme de deux matrice A(p, n) et B(p, n) est une matrice C(p, n) :
C = A + B telle que cij = aij + bij ;  i = j

Exemple :
 2  1 3  6 5 1
A =   ; B =  
 4 1 1   1 4 3
8 4 4
C = A + B =  
3 5 4
 4  6 2
D = A – B =  
 5  3  2 
N.B : L’addition ou la soustraction de deux matrices n’est possible que si celles-
ci ont mêmes dimensions.

1 −1 0 0 1 0
Soient A = 0 0 2 et B = −4 1 −2
2 3 1 11 0 −1
1 −1 0 0 1 0 1 0 0
A+B= 0 0 2 + −4 1 −2 = −4 1 0
2 3 1 11 0 −1 13 3 0
1 −1 0 2 −2 0
2A = 2 ∗ 0 0 2 = 0 0 4
2 3 1 4 6 2

b) LA MULTIPLICATION PAR UN SCALAIRE

Le produit par un scalaire k d’une matrice A est la matrice B = kA de terme
général : bij = k.aij

Exemple :
 2  1 3  4 2  6
Avec A =   ; on a : B = -2A =   et
 4 1 1   8  2  2
 1 3
1  1  
C = A 2 2
2  2 1 1

 2 2
 - 23 -

c) LE PRODUIT DE DEUX MATRICES

Le produit de deux matrices A(n, p) et B(p, q) est une matrice C(n, q) : C = A x B telle
p
que cij = a
k 1
ik b kj

Si A est associée à une application linéaire f de E dans F, et B à une application

linéaire g de F dans G, alors C est associée à l’application linéaire gOf de E dans
G.
IRn  
f
IRp g
IRq

gOf

REMARQUE :
On ne peut faire le produit de deux matrices que si le nombre de colonnes de la
première est égal au nombre de lignes de la seconde.

Exemple : Soif f l’application linéaire de IR² dans IR² définie par :

x   x  y x   2x  y
 et g de IR² dans IR² définie par : 
 y  x  y  y   x  2y
Pour déterminer la composée gOf, il suffit de faire une substitution ; on remplace x
et y dans la définition analytique de g par les composantes de f, on obtient ainsi :
x' = 2(x + y) + (x – y) = 3x + y
y' = (x + y) + 2(x – y) = 3x  y

On remarque que gOf est encore une application linéaire de IR² dans IR², de
 3 1
matrice  
 3 1

Applications :
x   x  y x   2x  y x   2x   y
f:  →g:  
 y  x  y  y  x  2y y   x   2y
x   2(x  y)  (x  y)  3x  y
alors 
 y  (x  y)  2(x  y)  3x  y
1 1  2 1
L’application f a pour matrice A =   et g pour B =   .
1 1  1 2
3 1
L’application composée gOf aura pour matrice B.A =  
3 1
En général, soit A(m, n) et B(n, p), on a : Am, n x Bn, p = Cm, p
On a :
 - 24 -

 a 11 a 12 ... a 1n   c11 c12 ... c1j ... c1p 

   
 a 21 a 22 ... a 2n  b11 b12 ... b1j ... b1p   c 21 c 22 ... c 2j ... c 2p 
 
 ... ... ... ...  b 21 b 22 ... b 2j ... b 2p   ... ... ... ... ... ... 
   
 a i1 a i2 ... a in  ... ... ... ... ... ...   c i1 c i2 ... c ij ... c ip 
 
 ... ... ... ...  b n1 b n2 ... b nj ... b np   ... ... ... ... ... ... 

a a m2 ... a mn  c c m2 ... c mj ... c mp 
 m1  m1
Où cij = ai1b1j + ai2b2j + … + ainbnj

Exemples.
 1
 
  2
a) 3  1 4 0   = 17 : scalaire ;
3
 
 1
 
 2
 1  1 0 2    9 
   1  
b)  0 1 3 4     11 : vecteur colonne ;
2 0
 0  1 3   13 
 3
 1 1 0 2
 
c) 2  1 3 0 1 3 4   8  3  6 9  : vecteur ligne ;
2 0  1 3 

 1 0 1 2 4 2 3
   
 2 0  2 4 8 4 6
d)   10  1 2 4  2 3   0 1 2 4 2  3  : matrice ;
   
 0 0 0 0 0 0 0
   
 3 0  3 6 12  6 9
 1 3
 1 0 1 2    1 1
  0  1  
e)  3 2 1  2     3 9  : matrice ;
 4 2 0  3  2 2  
  1 0   1 10 
 
 1 2 0
 
f) Soit A =  3 1 1 calculer A3
 2 0 1
 
 1 2 0  1 2 0 7 0 2
2     
A = A.A =  3 1 1. 3 1 1   2 7 2 
 2 0 1  2 0 1  0 4 1
    
 7 0 2   1 2 0    3 14 2 
3  2    
A = A .A =  2 7 2  3 1 1   23 11 9 
 0 4 1 2 0 1  14 4 5 
    
 - 25 -

N.B : En règle général A.B ≠ B.A

Exemple :
 1 2 0  2 1 6
   
A =  3 1 1 et B = 4 3 1
 2 0 1  1 0 1
   
  1 2 0  2  1 6   6 7  4
    
A.B =  3 1 1 4 3 1  11 0 20 
 2 0 1 1 0 1  5  2 13 
    
 2  1 6   1 2 0   7 3 5 
    
B.A =  4 3 1 3 1 1   7 11 4 
 1 0 1 2 0 1  1 2 1
    
N.B : Si on a A.B = B.A, on dit que A et B sont commutable

Exemple :
 6  5 17   2 1 6
   
A =  21 5 28  et B = 4 3 1 ; on a :
 3 1 7  1 0 1
   
 6  5 17  2  1 6   9  21 48 
    
A.B =  21 5 28  4 3 1   90  6 159 
 3  1 7  1 0 1  9  6 24 
    
 2  1 6  6  5 17   9  21 48 
    
B.A =  4 3 1 21 5 28    90  6 159 
 1 0 1 3  1 7   9  6 24 
    

PROPRIETES DES OPERATIONS SUR LES MATRICES

a) A.(B.C) = (A.B).C
b) A.(B + C) = A.B + A.C
c) A.B ≠ B.C : En général
d) A.(B) = A.B
e) (A + B)' = A' + B'
f) (A.B)' = B'A'
 - 26 -

2.4. CHANGEMENT DE BASE

2.4.1. Formule matricielle de Y = AX
Soit f₤(E, F) avec dim E = n et dim F = p
A = (aij)1in et 1jp Matrice associée à f.

Soit x = x e avec B = {e , … , e } base de E

et y = f(x) = y e avec B = e , … , e base de F

f(x) = f xe = f(x e ) = x f(e ) = x a e

f(x) = xa e

donc

y = xa

AX et Y, on fait correspondre deux vecteurs colonnes X et Y et on a la matrice

A suivante :
x y a11 a12 … a1p
a21 a22 … a2p
X = … , Y = … et A = ⇒ Y = AX
x y … … … …
an1 an2 … anp
Exercice :
Soit f : 4  3
(x1, x2, x3, x4)  (y1, y2, y3, y4) tq
y = 2x − x + x
y = 3x − x + x
y =x −x +x +x
1) Déterminer la matrice A associée à f
2) Déterminer Ker(f)

2.4.2. Matrice de passage

a) Définition
Soient B = {e1, …, en} et B = e , … , e
B s’appelle ancienne base de E et B’ nouvelle base de E. on a :

e = α e ∀j pour 1 ≤ j ≤ n
 - 27 -

On appelle matrice de passage de B à B’ la matrice dont les colonnes sont

constituées des coordonnées des nouveaux vecteurs e écrites dans
l’ancienne base.

e e … e
α α … α e
… α e
P = α… α
… … … …
α α … α e

b) Proposition :
Soit E un K-ev de dimension p, alors :
 Toute matrice de passage est inversible
 Si PBB’ est la matrice de passage de B et B’ alors (PBB’)-1
est la matrice de passage de B’ et B et (PBB’)-1 = PB’B

c) Effet d’un changement de base sur les coordonnées d’un vecteur

Soit P la matrice de passage de B à B’
xE, soit X le vecteur colonne des coordonnées de x dans l’ancienne
base B et X’ le vecteur colonne de x dans la nouvelle base B’.
Alors X’ = P-1X
d) Effet d’un changement de base sur la matrice d’une application linéaire
Proposition :
Soient E et F deux K-ev ayant pour anciennes bases respectivement BE et
BF.
Soient B’E et B’F deux nouvelles bases de E et F.
Soit P la matrice de passage de BE à B’E et Q la matrice de passage de BF à
B’F.
Pour toute application linéaire de E dans F, soit M sa matrice associée dans
les anciennes bases (BE et BF).
Alors, la nouvelle matrice N dans les nouvelles bases (B’E et B’F) est
donnée par la formule suivante : N = Q-1MP (formule de changement de
base)
Corollaire :
Soit f un endomorphisme de E, M sa matrice associée dans l’ancienne base
B et N sa matrice associée dans la nouvelle base B’.
Soit P la matrice de passage de B à B’.
Alors N = P-1MP
Remarque : dans la matrice de passage, on écrit les éléments de la
nouvelle base en fonction des éléments de l’ancienne base.
 - 28 -

Remarques
 N = P-1MP
PN = PP-1MP = IMP  PNP-1 = M
 Si N est une matrice diagonale :
M = (PNP ) = PNP ∗ PNP ∗ … ∗ PNP

Mn = PNnP-1
λ 0 0
Comme N est diagonale : N = 0 … 0
0 0 λ
λ 0 0
Donc N = 0 … 0 ⟹ calcul de Mn
0 0 λ

2.5. RANG D’UNE MATRICE

Soit AMn,p( ), on appelle rang de A le rang du système composé par ses
vecteurs colonnes.
Le rang de A est le rang de toute application linéaire représentée par A

2.6. TRACE D’UNE MATRICE CARREE

La trace d’une matrice carrée A, notée tr(A) est la somme de ses éléments
diagonaux.
n
tr(A) = a
i 1
ii

La trace de la matrice unité In vaut n.

Exemple :
2 5 6
 
A =  4  1 7  ; tr(A) = 2 + (-1) + 5 = 6
 3  3 5
 

PROPRIETES
a) tr(A + B) = tr(A) + tr(B) ;
b) tr(A) = tr(A) ;
c) tr(A') = tr(A) ;
d) tr(AB) = tr(BA) si ce produit est possible
 - 29 -

2.7. TRANSFORMATION ELEMENTAIRE D’UNE MATRICE

Soit une matrice à p lignes et n colonnes
 a 11 a 12 ... a 1n 
 
 a 21 a 22 ... a 2n 
A= 
... ... ... ... 
 
a a p2 ... a pn 
 p1
Désignons par L1 = a 11 a 12 ... a 1n  , …, Lp = a p1 a p2 ... a pn  les lignes de
cette matrice.

La matrice A peut être transformée en B qui lui est semblable à l’aide de l’une de
trois opération élémentaires suivantes :
1. multiplier une ligne Li par une constante , on a : Li ← Li ;
2. échanger les lignes Li et Lj, on écrit :Li Lj ou bien Li ↔ Lj ;
3. remplacer la ligne Li en combinant avec la ligne Lj telle que : Li ← Li + Lj.

EXEMPLE :
A l’aide des opérations élémentaires, transformer les matrices suivantes en matrices
échelonnées ;
 2 1 6  0 2 6 2
   
a) A =  4 3 1 et B =  4  6 8 4
 1 0 1   2  4 2 4
   
Solution :
 
 2  1 6  L2 ← L2 – 2L1 2 1 6
  0
A =  4 3 1 1 5  11
L 3 ← L3  L1  1 
 1 0 1 2 0  2
 
 2 
 
 2 1 6
1  0 5  11
L3 ← L3  L2 
10 9
0 0  
 10 
 0 2 6 2  4  6 8 4  4  6 8 4
    1  
B =  4 6 8 4  L1 ↔ L2  0 2 6 2  L3 ← L3  L1  0 2 6 2
 2  4 2
 2 4    2  4 2 4
 
 0  7 6 6
 
 4  6 8 4
7  
L3 ← L3  L2  0 2 6 2
2 0
 0 27 13 
 - 30 -

2.8. DETERMINANT D’UNE MATRICE CARREE

Soit A(n, n) une matrice carrée telle que A = (aij)n,n.
On appelle mineur Aij de aij la matrice déduite de A en supprimant la ième ligne et
la jème colonne de A.
Le déterminant de A est un nombre réel qui vaut :
n n
A   (1) i 1 a 1i . A1i =  (1) i 1
a i1 . A i1
i 1 i 1

Développement Développement
sur la 1ère ligne sur la 1ère colonne

Le déterminant d’une matrice d’ordre 2.

Le déterminant de A(2, 2) = (aij) est égal à : A  a 11a 22  a 12 a 21

REMARQUES :
- Le déterminant d’une matrice diagonale est le produit de ses éléments diagonaux.
- Le déterminant d’une matrice régulière est non nul.
- Si A et B sont deux matrices carrées (n x n) alors : AB  BA  A . B
- Si k est un scalaire quelconque, A une matrice carrée (n x n) alors : kA  k n A ;
- Le développement d’un déterminant à partir des mineurs peut se faire sur une
ligne ou colonne quelconque. On préfère la ligne ou la colonne qui contient
beaucoup des zéros ;
- Toute transformation élémentaire d’une ligne (ou colonne) de la forme :
Li ←Li + Lj (ou Ci ← Ci + Cj) ne modifie pas la valeur du déterminant ;
- En multipliant une ligne ou une colonne par une constante k, le déterminant de la
nouvelle matrice sera k fois le déterminant de A ;
- En permutant deux lignes ou deux colonnes d’une matrice ; le déterminant
change de signe.
Exemple : calculer le déterminant de la matrice A suivante :
 3 2 4
 
A =   1 6 5
 0 7 3
 
Développement sur la 3ème ligne :
A  ( 1) 31 a 31 A 31  ( 1) 3 2 a 32 A 32  ( 1) 3 3 a 33 A 33
 2 4
Où A31 =   ; A 31 = 2.5 – 6.4 = 10 – 24 = 14
 6 5
 3 4
A32 =   ; A 32 = 3.5 – (1).4 = 15 + 4 = 19
  1 5
 3 6
A33 =   ; A 33 = 3.2 – (1).6 = 6 + 6 = 12
 1 2
 - 31 -

Finalement :
A = 0.(14) – 7.(19) + 3.12 = 169

EXERCICES
Calculer les déterminants des matrices suivantes au développement sur la dernière
colonne :
11  1 4 1 1
 7 4 3 0 a a a a  
   0 6 1 7 4
 5 2 1 3 a b b b 
A=  ; B= a C = 5 4 1  2 0
6 9 4 1 b c c  
   9 3 5 10 0
 1 0 2 0 
a b c d
  
 6 6 3 2 0

2.9. MATRICE INVERSE

Une matrice carrée A(n, n) est dite inversible, régulière ou non singulière, s’il
existe B(n, n) telle que A.B = B.A = In ;
La matrice inverse de A est notée A-1.

INVERSE MATRICIELLE : METHODE DE PIVOT

Cette méthode consiste à transformer la matrice A en In à l’aide des opérations
élémentaires sur (A| I)
Exemple 1 : Déterminer l’inverse de la matrice A suivante à l’aide de la méthode
de PIVOT.

 2 1 6
 
A=  4 3 1  On a :
 1 0 1
 
1
2 −1 61 0 0 1 − 31 0 0
L ← L ⎛ 2 1 ⎞
(A|I) = 4 3 10 1 0 ≈ ⎜ 3 10 0⎟
1 0 10 0 1 L ← L 1 4
4 40 0 1
⎝1 0 1 ⎠
0 1 1 1 0 1 0 0 1
3 10 0 1 3 3 1
⎛1 1 ⎞ L ←L −L ⎛0 − 0 −1⎞
L ↔L ⎜ 4 40 0⎟ L ← L − L ≈ ⎜ 4 4 4 ⎟
1 4 1 1
1 − 3 1 0 0 0 − 2 0 −1
⎝ 2 ⎠ ⎝ 2 2 ⎠
0 0 1
L ← L 1 0 1 1 4
≈ 0 1 −1 0 −
L ← −2L 0 1 −4 3 3
−1 0 2
 - 32 -

0 0 1
1 4
⎛1 0 1
0 − ⎞
L ← L − L ≈ ⎜0 1 −1 3 3⎟
0 0 −3 1 10
−1 −
⎝ 3 3⎠
0 0 1
⎛1 0 1 0 1 −4 ⎞
L ← − L ≈ ⎜0 1 −1 3 3⎟
0 0 11 1 10
−
⎝ 3 9 9⎠
1 1 19
− −
⎛1 3 9 9⎞
L ←L −L 0 0 1 4 22⎟
≈ ⎜0 1 0 −
L ←L +L ⎜0 3 9 9⎟
0 1
1 1 10
⎝ − ⎠
3 9 9
  1 3  1 9 19 9    3  1 19
  1 
D’où A = 
-1 1 3 4 9  22 9    3 4  22
 1 3 1 9  10 9  9  3 1  10
   

Exemple 2 :

 2 3 1
 
A=  3 6 2 
 1 2  1
 
3 1 1
−2 3 11 0 0 1 − − − 0 0
L ← L ⎛ 2 2 2 ⎞
(A|I) = 3 6 20 1 0 ≈ ⎜ 2 1
1 2 −1 0 0 1 L ← L 1 2 0 0⎟
3 3
⎝1 2 −1 0 0 1⎠
3 1 1 3 1 1
1 − − − 0 0 1 − − − 0 0
⎛ 2 2 2 ⎞ ⎛ 2 2 2 ⎞
L ←L −L 7 7 1 1 2 1 1
⎜ ⎟ L L ≈ ⎜0 0⎟
L ← L − L ⎜0 2 6 2 3
0
⎟ 7 ⎜
1
3 7
0
⎟
7 1 1 7 1 1
⎝0 2
−
2 2
0 1⎠ ⎝0 2
−
2 2
0 1⎠

2 1
1 0 0 − 0
L ←L + L ⎛ 1 7 7 ⎞
0 1 1
≈⎜ 3 0 0⎟
L ←L − L ⎜ 5 7 ⎟
0 0 − 1
⎝ 3 0 − 1⎠
3
 - 33 -

2 1
− 0
2 ⎛1 0 0 7 7 ⎞
1 1
L ← − L ≈ ⎜0 1 0 0⎟
7 ⎜ 3 7 ⎟
0 0 1 1 3
⎝ 0 − ⎠
5 5
2 1
− 0
⎛1 7 7 ⎞
1 0 0 1 1
L ← L − L ≈ ⎜0 1 0 0 ⎟
3 ⎜0 7 5⎟
0 1
1 3
⎝ 0 − ⎠
5 5
2 1
− 0
⎛ 7 7 ⎞ 1 −10 5 0
1 1
A =⎜ 0 ⎟= 5 0 0
⎜ 7 5 ⎟ 35 0 7 −21
1 3
⎝ 0 5
− ⎠
5

Exemple 3
 3 1 5
 
A=   1 6  1 
 1 13 3 

1 5 1
3 1 5 1 0 0 1 0 0
(A|I) = −1 6 −1 0 1 0 L ← L ≈ 3 3 3
−1 6 −1 0 1 0
1 13 30 0 1
1 13 30 0 1
1 5 1 1 5
1 0 0 1 1
⎛ 3 3 3 ⎞ L2 ← 2 L ⎛ 3 3 0 0⎞
L ←L +L ⎜ 19 2 1 19 2 1 3
L ← L − L ⎜0 3 1 0⎟ ≈ ⎜0 1 1 ⎟
3 3 ⎟ L3 ← 3 L ⎜ 9 0 0⎟
38 4 1 38 3
1 6
⎝0 − 0 1⎠ ⎝ 0 1 0 0 0⎠
3 3 3 9
1
13 0 0
⎛1 0 3 ⎞
L ←L − L 8 1
≈⎜ 1 0 0⎟ ∶ A est singulière
L ←L −L ⎜0 1 6 ⎟
9 1
0 0 0 0 − 0⎠
⎝ 6
 - 34 -

2.10. DIAGONALISATION D’UNE MATRICE CARREE

Objectif : on veut trouver une base B’ de E ou trouver une matrice P inversible telle
que A’ = P-1AP avec A’ matrice diagonale
1) Définition
 Soit E un K-ev de dimension n et f₤(E). On dit que f est diagonalisable s’il
existe une base B’ de E et (1, …, n)Kn tq f(e ) = λ e
 On dit que AMn(K) est diagonalisable si elle est semblable à une matrice
diagonale, c’est-à-dire s’il existe une matrice P inversible tq la matrice
A’ = P-1AP est diagonale
2) Valeurs propres et vecteurs propres.
a) Définition
Soit E un K-ev et f₤(E).
 On dit que K est valeur propre de f s’il existe xE tq x  OE et f(x) = x
 On dit que x est vecteur propre de f associé à .
b) Remarques
 f est diagonalisable ssi il existe une base de E formée de vecteurs propres.
 Sur la diagonale principale de la matrice diagonale apparaissent les valeurs
propres.
c) Théorème
Si les valeurs propres sont 2 à 2 distinctes, alors la famille constituée par les
vecteurs propres associés à ces valeurs propres est libre.
d) Corollaire
Si dim E = n et que f admet n valeurs propres distinctes, alors f est
diagonalisable.
3) Polynôme caractéristique
Le polynôme Pn() = det(A – In) s’appelle le polynôme caractéristique de A.
Les valeurs propres de A sont les racines de ce polynôme de degré n
Résumé
1) Les valeurs propres l sont les solutions de l’équation : det(A – In) = 0
2) Les vecteurs propres V sont les solutions de l’équation : (A – In)*V = 0
Remarques :
 On calcule un vecteur propre pour chaque valeur propre
 Lorsqu’on exprime la matrice dans la base constituée par les vecteurs propres,
on obtient une matrice diagonale dont les éléments diagonaux sont les valeurs
propres de la matrice.
 Le rang de A est égal au nombre d’éléments diagonaux non nuls de D
 - 35 -

1 4
Exemple 1 : On considère la matrice A =   suivante :
3 5
1) Calculer le polynôme caractéristique de A.
2) Trouver les valeurs propres de A.
3) Pour chaque valeur propre, déterminer les sous-espaces propres correspondant.
4) Calculer D = MatB(f), représentation matricielle de f dans la nouvelle base.
Solution :
Polynôme caractéristique :
1 4 1 0
P (λ) = −λ
3 5 0 1
1 λ 4
Pn() = = ( – 1)( – 5) – 12 = ²  6 + 5 – 12
3 5λ
Recherche des valeurs propres
Pn() = ²  6 + 5 – 12 = 0
²  6 – 7 = 0 : équation caractéristique ;
Δ' = 9 + 7 = 16
 7  λ1 valeur propre
1, 2 = 3 ± 4 = 
 1  λ 2 valeur propre
Recherche des vecteurs propres.
a) Pour 1 = 7
 x1  1  7 4  x 1   0   6x 1  4x 2  0
Soit X =           
x2   3 5  7  x 1   0   3x 1  2x 2  0
6 3
x2 = x1 = x1
4 2
x 1 1
E = Ker(f) = X = 3 =x 3 ; x ∈ℝ v = 3
x
2 2 2
b) Pour 2 = 1
x  1  1 4  x 1   0  2x  4x 2  0
Soit X =  1           1
x2   3 5  1 x 1   0   3x 1  6 x 2  0
1
x2 =  x1
2
x 1 1
X= 1 =x 1 v = 1
− x − −
2 2 2
1 1
7 0
D= P= 3 1
0 −1 −
2 2
 - 36 -

Exemple 2 :
6 −2 4
B= 0 3 0
14 1 5
Polynôme caractéristique
6 − λ −2 4
Pn() = 0 3−λ 0 = (3 – )[(6 – )(5 – ) – 56] = (3 – ² - 11 – 26)
14 1 5−λ
Recherche des valeurs propres
Pn() = (3 – ² - 11 – 26) = 0
1 = 3 ; ² - 11 – 26 = 0
Δ = 121 + 4.26 = 225 = 15²
11  15  13
2, 3 = 
2  2
Les valeurs propres sont : 1 = 13 ; 2 = 3 ; 3 = 2

Recherche des vecteurs propres

a) Pour 1 = 13.
 x1   6  13 2 4  x 1   0 
      
Soit X =  x 2    0 3  13 0  x 2    0 
x   11 1 5  13  x 3   0 
 3 
 7 x 1  2x 2  4x 3 0

  10x 2  0  x2  0
 14x  x2  8x 3 0
 1

7
x3 = x1
4
1 1
X=x 0 v = 0

b) Pour 2 = 3.
 x1  6  3  2 4  x 1   0 
      
Soit X =  x 2    0 3  3 0  x 2    0 
x   11 1 5  3  x 3   0 
 3 

 3x 1  2x 2  4x 3 0
  x1 = 0
 x1  x 2  2x 3 0
x2 = 2x3
0 0 0
X = 2x = x −2 v = −2 ‖v ‖ = 0² + (−2) + 1² = √5
x 1 1
 - 37 -

Le vecteur normé est :

0 0
2 2√5
⎛− ⎞ ⎛− ⎞
v = ⎜ √5⎟ = ⎜ 5 ⎟
1 √5
⎝ √5 ⎠ ⎝ 5 ⎠
c) Pour 3 = 2.
 x1  6  2 2 4  x 1   0 
      
Soit X =  x 2    0 3 2 0  x 2    0 
x   11 1 5  2  x 3   0 
 3 

 8x 1  2x 2  4x 3 0

  5x 2  0  x2  0
14x  x2  7x 3 0
 1
x3 = 2x1
x 1 1
X= 0 =x 0 v = 0 ‖v ‖ = 1² + 0² + (−2)² = √5
−2x −2 −2
Le vecteur normé est :
1 √5
⎛ √5⎞ ⎛ 5 ⎞
v =⎜ 0 ⎟=⎜ 0 ⎟
2 2√5
− −
⎝ √5⎠ ⎝ 5 ⎠
4√65 √5
0
⎛ 65 5 ⎞
13 0 0
⎜ 2√5 ⎟
D= 0 3 0 P=⎜ 0 − 0 ⎟
0 0 −2 ⎜ 5 ⎟
7√65 √5 2√5
⎝ 65 −
5 5 ⎠
 - 38 -

CHAPITRE III : SYSTEMES D’EQUATIONS

LINEAIRES
3.1. DEFINITIONS ET NOTATIONS
Voici d’abord des exemples de systèmes d’équations linéaires :
i. 2x = 3
2x  3y  1
ii. 
 x  2y  2
 x1  x 2  x 3  0

iii.  2x 1  x 2  2 x 3  1
 x  2x  4x  2
 1 2 3

 x 1  2x 2  3x 3  x 4  1

iv.   x2  x3  1
 2 x  7x  3x  2x  2
 1 2 3 4

Les deux premiers sont plus familier ; une équation à une inconnue ; deux
équations à deux inconnues. Le troisième est un système de trois équations à trois
inconnues et le dernier un système de trois équations à quatre inconnues.
Dans les deux premiers exemples, on a choisi les variables X et Y comme inconnues
tandis que dans les deux derniers on a choisi des notations à indices pour désigner les
inconnues ; c’est ce type de notations que nous utiliserons constamment dans la suite.
Dans tous les systèmes précédents, chaque équation est de la forme :
F(X) = b
Où X : désigne un vecteur de IRn (n = 1, 2, …) ;
F : désigne une fonction linéaire sur IRn ;
b : est un nombre réel donné.
C’est pour cette raison qu’on parle d’équations linéaires.

Exemple : Dans l’exemple 4), la première équation peut se noter :

 x1 
 
x 
f1(x1, x2, x3, x4) = f1(X) = 1.x1 + 2.x2 + 3.x3 – 1.x4 = 1 où X =  2 
x
 3
x 
 4
La deuxième équation est : f2(X) = 0.x1  1.x2 + 1.x3 + 0.x4 = 1

On appelle système de p-équations linéaires à n-inconnues x1, x2, … xn, un système (S)
de la forme :
 - 39 -

a 11 x 1  a 12 x 2  ...  a 1n x n  b1
a x  a x  ...  a x  b
 21 1 22 2 2n n 2

...
a p1 x 1  a p2 x 2  ...  a pn x n  b p

Où les quantités aij et bi représentent des nombres réels donnés appelés coefficients du
système.
 x1 
 
x 
On appelle solution de (S) tout vecteur X =  2  de IRn dont les coordonnées vérifiant
...
 
x 
 n
les p-équations simultanément.
Résoudre (S), c’est déterminer l’ensemble de ses solutions.

REMARQUE
Dans la notation aij, le nombre i indique le numéro de l’équation et j le numéro de
l’inconnue à laquelle ce coefficient est attaché. On lit :
Pour a12 : « a un deux » et non « a douze »

NOTATION MATRICIELLE
L’exemple 4) ci-dessus peut s’écrire :
 x1 
 
x 
f1(X) = 1 2 3  1 2  = 1
x
 3
x 
 4
 x1 
 
x 
f2(X) = 0  1 1 0 2  = 1
x
 3
x 
 4
 x1 
 
x 
f3(X) =  2  7  3 2  2  = 2
x
 3
x 
 4
Il est plus agréable d’adopter la notation économique suivante :
x 
 1 2 3  1 1   1
  x   
 0 1 1 0  2     1
 2  7  3 x
 2  3   2 
x4 
 - 40 -

De façon générale, le système (S) s’écrira :

 a 11 a 12 ... a 1n  x 1   b1 
    
 a 21 a 22 ... a 2n  x 2   b 2 
 ... 
... ... ...  ...   ... 
    
a
 p1 a p2 ... a pn  x n   b n 

Le tableau à p-lignes et n-colonnes des coefficients aij s’appelle la MATRICE du

système d’équation (S). On dit que c’est une matrice p x n en convenant de désigner
d’abord le nombre de ligne p et ensuite le nombre de colonnes n.

Le système (S) peut aussi se mettre sous forme de sa matrice complète, à p-lignes et
(n+1)-colonnes :
 a 11 a 12 ... a 1n b1 
 
 a 21 a 22 ... a 2n b 2 
(S) = 
... ... ... ... ... 
 
 a p1 a p2 ... a pn b p 


La barre verticale n’est utile que pour éviter de confondre les coefficients des
inconnues avec les nombres figurant au second membre des équations.

EXEMPLES
0 1 3 1
3) Le système de matrice complète   a pour forme :

0 0 1 2
 0x 1  x 2  3x 3  1  x  3x 3  1
 soit  2
0x 1  0x 2  x 3  2  x3  2

C’est un système de deux équations à trois inconnues ; l’ensemble de ses solutions

est un vecteur de IR3 de la forme :
 x1 
 
X =   5  où x1  IR
 2
 

1 3 1
4) La matrice complète   correspond au système de deux équations à deux

 0 1 2 

  5
inconnues. Il a pour solution unique X =  
 2
 - 41 -

1 3 2 1
5) Le système de matrice complète   représente le système :

 0 0 0 0 
 1x 1  3x 2  2x 3  1
  x1 + 3x2 + 2x3 = 1
0x 1  0x 2  0x 3  0
L’ensemble des solutions est un vecteur de IR3 de la forme :
1  3x 2  2x 3 
 
X=  x2  où x2 et x3  IR
 x3 
 
 1 3 2 1
6) La matrice complète   représente le système :

 0 0 0 1 
1x 1  3x 2  2x 3  1
  0 = 1 : faux
0x 1  0x 2  0x 3  1
Il n’a aucune solution.

3.2. SYSTEMES EN ECHELONS

a) Définition :
On appelle matrice en échelons une matrice telle que :
1. Les coefficients principaux des lignes 1, 2, … sont situés dans les colonnes
des numéros strictement croissants.
Le coefficient principal d’une ligne est le premier coefficient non nul de cette
ligne.
2. Si une ligne a tous ses coefficients nuls, il en est de même des lignes
suivantes.
Un système d’équations linéaires est dit en échelons si sa matrice complète est
en échelons. Une inconnue est principale si l’un de ses coefficients est
principal.

b) Exemples
 - 42 -

Systèmes Matrices complètes.

Les inconnues encadrées Les coefficients encadrés
s’appellent inconnues principales s’appellent coefficients
principaux
x 1  2x 2  1  1 2 1
(S1)   
x2 1  0 1 1
  
x 1  2 x 2  3x 3  4 x 4  4 1  2 3  4 4
  
(S2)  x 2  2 x 3  x 4  3  0 1  2 1  3
 2x 3  5 0 0 2 0 5 
 
  2 1 1 1 1 
2x 1  x 2  x 3  x 4  1  
 0 0 1 2 0
(S3)  x 3  2x 4  0 0 0 0 3 1
 3x 4  1  
0 0 0 0 0 
  
 00
  5  3 2 3 1 2 
5x 1  3x 2  2 3 x 3  x 4  1  
  0 1 1 2 5 
(S4)  x 2  x 3  2x 4  0 0 0 0 3  1
 3x 4  1  
0 0 0 0 2 
  
 02

c) Résolution des systèmes en échelons

Le principe est très simple. On résout en effet, les équations successivement
en partant de la dernière.

Exemples : cfr. (S1), (S2), (S3) et (S4)

1. (S1) : Les deux inconnues sont principales ; le système admet une solution
  1
unique : X =   .
 1
On dit qu’il est déterminé.
2. (S2) : Les inconnues principales sont x1, x2 et x3. chaque choix d’une
valeur numérique pour l’inconnue non principale x4 détermine une
solution du système.
5
x3 = équation 3
2
x2 = 3 + 2x3 – x4 = 2 – x4 équation 2
1
x1 = 4 + 2x2 – 3x3 + 4x4 = + 2x4 équation 1
2
L’ensemble des solutions de (S2) est donc formé des vecteurs :
 - 43 -

1  1  2
  2x 4     
2  1  4   1
X=  2  x   x
4
2  5
4  0  où x4  IR
 52     
   0  1
 x4     

Un tel système qui a plusieurs solutions est dit indéterminé.

3. (S3) : Les inconnues principales sont x1, x3 et x4. la dernière équation est
vérifiée par tout vecteur et n’intervient donc pas. Chaque choix d’une
valeur numérique pour l’inconnue non principale (ou secondaire) x2
détermine une solution du système.
1
x4 = équation 3
3
2
x3 = 2x4 =  équation 2
3
1
x1 = 4 + 2x2 – 3x3 + 4x4 = + 2x4 équation 1
2
L’ensemble des solutions de (S3) est donc formé des vecteurs :
 1   0   1 2
 x2     
 2  1 0   1
X =  x2      x2 où x2  IR
  2 3  2   2 3 0
 
   13   1
 13     

4. (S4) : La dernière équation (0 = 2) n’a aucune solution ; il en est a fortiori

de même du système. Il est donc inutile de tenter de le résoudre. Le
système (S4) est dit incompatible ou impossible.
Remarquer que cette incompatibilité correspond au fait que le dernier
coefficient principal de la matrice complète du système se trouve dans la
dernière colonne.

3.3. EQUIVALENCE DES SYSTEMES – OPERATIONS ELEMENTAIRES

a. DEFINITION
Deux systèmes d’équations linéaires à n-inconnues sont dits équivalents s’ils ont
les mêmes solutions ; plus précisément si l’ensemble des solutions de l’un (dans
IRn) est égal à l’ensemble des solutions de l’autre.
 x  2x 2  1
Exemple : Considérons le système (S) :  1
 2 x 1  3 x 2  5
 - 44 -

x  2x 2  1
Le système (S') :  1 obtenu en éliminant x1 dans la 2ème équation de
  7 x 2  7
(S) est équivalent à (S). Le système (S') est en échelons et déterminé ; son unique
  1
solution est X =  
 1
1 2 1 1 2 1
La matrice complète de (S) est   et celle de (S') est

 
2  7  7
 2  3  5  
Si on appelle L1 = (1 2 1) 1ère ligne de (S)
L2 = (2 3 5) 2ème ligne de (S)
On a pour (S') : L1  L1 et L 2  L 2  2L1

b. OPERATIONS ELEMENTAIRES
Soit une matrice à p-lignes et m-colonnes représentant un système (S) :
 a 11 a 12 ... a 1m 
 
a
 21 a 22 ... a 2m 
(S) = 
... ... ... ... 
 
a a ... a 
 p1 p2 pm 
Désignons par L1 = a 11 a 12 ... a 1m  , …, L1 = a p1 a p2 ... a pm  les vecteurs
lignes de cette matrice.
On appelle opération élémentaire chacune des règles suivantes, ayant pour effet de
former, à partir d’une matrice (S) donnée, une nouvelle matrice (S').
1. Choisir deux entiers i et j avec 1 ≤ i ˂ j ≤ p et échanger les lignes Li et Lj de
(S). les autres lignes restant inchangées ; on écrit symboliquement Li Lj
ou bien Li ↔ Lj ;
2. Choisir deux entiers i et j distincts et un nombre réel  et remplacer la ligne Li
de (S) par Li = Li + Lj : on écrit symboliquement :
Li ← Li + Lj
Ainsi, on a :Li = a i1 a i2 ... a im 
Lj = λa j1 λa j2 ... λa jm 
Li + Lj = a i1  λa j1 a i2  λa j2 ... a im  λa jm 

Exemple : A l’aide des opérations élémentaires, trouver une matrice échelonnée

équivalente à la matrice du système (S) suivant :
 0 1 1 2
 
 1 2 3 1
  1 2  1  1
 
 - 45 -

 0 1 1 2  1 2 3 1  1 2 3 1
     
 1 2 3 1  L1 ↔ L2  0 1  1 2  L3 ← L3 + L 1  0 1 1 2
  1 2  1  1   1 2  1  1 0 4 2 0
     
1 2 3 1
 
L3 ← L3  4L2  0 1  1 2  : Matrice échelonnée.
 0 0 6  8
 

Exemple : Résoudre le système (S) suivant à partir d’un système équivalent et

échelonné.
 x2  x3  2

(S) : x 1  2x 2  3x 3  1
  x  2x  x  1
 1 2 3

 0 1 1 2
 
La matrice complète de (S) est :  1 2 3 1
  1 3  1  1
 
Transformations élémentaires de (S)
 0 1 1 2  1 2 3 1 1 2 3 1
     
 1 2 3 1  L1 ↔ L2  0 1  1 2  finalement  0 1  1 2 
  1 3  1  1   1 3  1  1  0 0 6  8
     
8 4
de (1) : 6x3 = 8  x3 =  
6 3
4 2
de (2) : x2 – x3 = 2  x2 = 2 + x3 = 2  
3 3
4 12 11
de (3) : x1 + 2x2 + 3x3 = 1  x1 = 1 – 2x2 – 3x3 = 1   
3 3 3
 11 
 
 3
2
(S) adment l’unique solution X = 
 3
 4
 
 3

EXERCICES
 2 2 7  1
 
Soit (S) =  3  1 2 4 
1 1 3 1

 - 46 -

Déterminer la matrice (S') obtenue en appliquant successivement à (S) les

opérations élémentaires. Résoudre le système de 3 équations à 3 inconnues dont
la matrice complète est (S) (La dernière colonne de (S) correspond aux seconds
membres des équations).

 2 2 7  1 1 1 3 1
L2 ← L2  3L1
   
(S) =  3  1 2 4  L1 ↔ L3  3 1 2 4 L3 ← L3 L1
1 1 3 1  2 2 7  1
  
1 1 3 1
 
0  4  7 1
0 0 1  3 


de (3) : x3 = 3
de (2) : 4x2 – 7x3 = 1  4x2 = 1 – 7x3 = 1 + 21 = 20 ; x2 = 5
de (1) : x1 + x2 + 3x3 = 1  x1 = x2 – 3x3 + 1 = 5 + 9 + 1 = 5

THEOREME
Soit (S) une matrice dont la première colonne n’est pas nulle (c’est-à-dire contient
au moins un coefficient non nul). Par une succession convenable d’opérations
élémentaires, la matrice (S) peut être transformée en une matrice (S') dont la première
colonne a tous ses coefficients nuls, sauf le premier.
En effet, soit ai1 un coefficient non nul de la première colonne de (S). Il suffit de
procéder comme suit :
2) Echanger les lignes L1 et Li (si i ≠ 1). Le coefficient a11 de la nouvelle matrice est
alors non nul.
a j1
3) Pour j = 2, …, p faire l’opération suivante : Lj ← Lj  L1
a 11
a j1
La première coordonnée de la nouvelle ligne Lj sera alors : a j1  a 11 = 0
a 11

Le coefficient ai1 choisi pour exécuter cette procédure s’appelle le PIVOT de la

procédure.

Exemple : Transformer
 2 2 7  1  2
   
(S) =  3  1 2 4  en une matrice dont la première colonne est  0
1 1 3 1  0
  
 - 47 -

Solution :
 2 2 7  1 L2 ← L2  3 L1 2 2 7  1
  2  
 3 1 2 4  0  4  17 2 11 2 
1 1 3 1
 1 L3 ← L3  L1 0
 0  1 2 3 2 
2

3.4. SYSTEMES HOMOGENES.

a. DEFINITION
Un système d’équations linéaires est dit homogène si les coefficients des seconds
membres bi sont tous nuls.
Un système homogène n’est jamais incompatible, car le vecteur nul est toujours une
solution.

Exemple :
x 1  2x 2  3x 3  0

2x 1  x 2  3x 3  0
3x  2x  x  0
 1 2 3

La matrice complète d’un système homogène a sa dernière colonne nulle. Cette

propriété ne sera pas modifiée par les opérations élémentaires. La méthode du PIVOT
le transformera en un système en échelon, lui-même homogène, pour lequel on
calculera les inconnues principales en fonction des inconnues non principales.

N.B : Si un système homogène (S) en échelon n’a pas d’inconnues secondaires, il

admet pour seule solution le vecteur nul.

Exemple 1
x 1  2x 2  3x 3  0

2x 1  x 2  3x 3  0
3x  2x  x  0
 1 2 3

On a :
 1 2 3 0  L ← L  2L 1 2 3 0
  2 2 1   4
 2 1 3 0  L3 ← L3 L1  0  3  3 0  L3 ← L3  L2
 1 2 1 0  0  4  8 0 3
   
1 2 3 0
 
 0  3  3 0 
0 0  4 0 

Ainsi ; 4x3 = 0  x3 = 0, x2 = 0 et x1 = 0
 - 48 -

Exemple 2.
1 1 0  3  1
 
 1 1 2 1 0
Résoudre le système homogène dont la matrice est : 
4 2 6 3  4
 
2 4 2 4  7 

On a :
1 1 0  3 1 0 1 1 0  3 1 0
  L2 ← L2  L1  
 1 1 2 1 0 0 L3 ← L3 L1 0  2 2 2 1 0
4  2 6 3  4 0 L4 ← L4 L1 0  6 6 15  3 0 
   
2 4  2 4  7 0  0 2  2 10 0 0 
   
1 1 0 3 1 0
 
L3 ← L3 L2  0  2 2 2 1 0 4
0 L ← L  L3
L4 ← L4 L2 9  3 0
4 4
0 0 3
 
0 0 0 12  4 0 

1 1 0  3 1 0
 
0  2 2 2 1 0
0 0 0 9  3 0
 
0 0 0 0 0 0 
 

Les variables secondaires sont : x3 et x5

Les variables principales : x1, x2 et x4

On a :
1
de (3) : 9x4 – 3x5 = 0  x4 = x5
3
2
de (2) : 2x2 + 2x3 + 2x4 + x5 = 0  2x2 + 2x3 + x5 + x5 = 0
3
5 5
2x2 + 2x3 + x5 = 0  x2 = x3 + x5
3 3
5
de (1) : x1 + x2 – 3x4 – x5 = 0  x1 = –x2 + 3x4 + x5 = – x3 – x5 + x5 + x5
3
7
x 1 = – x3 + x5
6
 - 49 -

 7  7
  x3  x5  
  1  
 6    6
 x  5x    1 5

D’où la solution X = 
3
6
5
  x 3  1  x 5  6  Où x3 et x5  IR
x3  0    0
 1   0  1
 0  x5   0  
 "    3
 0  x 5  1

THEOREME
Soit (S) un système homogène de p-équations linéaires à n-inconnues, avec p ˂ n (il y
a moins d’équations que d’inconnues). Alors (S) est toujours indéterminé, c’est-à-dire
qu’il admet des solutions autres que le vecteur nul.

3.5. AUTRES METHODES DE RESOLUTION DES SYSTEMES

D’EQUATIONS LINEAIRES
3.5.1. METHODE MATRICIELLE
Soit le système sous forme matricielle suivante b = AX où A est une matrice
carrée.
Alors la solution du système existe si A est régulière.
On a : X = A-1b

3.5.2. METHODE DE CRAMER

Soit le système donné sous forme matricielle par AX = b où A est une matrice
carrée régulière avec :

 a 11 a 12 ... a 1n   b1   x1 
     
a a 22 ... a 2n   b2  x2 
A =  21 ; b=   ; X=  
... ... ... ...  ... ...
     
a a n2 ... a nn  b  x 
 n1  n  n
Alors la solution du système est :
1   
x1 = ; x2 = 2 ; x3 = 3 ; … ; xn = n
A A A A
où A est le déterminant principal du système et :

b1 a 12 ... a 1n a 11 b1 a 13 ... a 1n
b2 a 22 ... a 2n a b2 a 23 ... a 2n
Δ1 = ; Δ2 = 21 ;…;
... ... ... ... ... ... ... ... ...
bn a n2 ... a nn a n1 bn a n3 ... a nn
 - 50 -

a 11 a 12 ... a 1, n -1 b1
a 21 a 22 ... a 2, n -1 b2
Δn =
... ... ... ... ...
a n1 a n2 ... a n, n -1 bn

N.B : Δi s’obtient en remplaçant la ième colonne de A par le vecteur b des

coefficients

 2x 1  x 2  x 3  5

Exemple :  x 1  x 2  x 3  1 x1 = 2 ; x2 = 2 ; x3 = -1
x  2x  3x  3
 1 2 3

EXERCICES : Résoudre les systèmes suivants :

 2x 1  x 2  x 3  0

a)  x 1  x 2  x 3  2
x  x  3x  2
 1 2 3

 2x 1  x 2  x 3  3

b)  x1  x 2  x 3  0
4x  3x  2x  -4
 1 2 3

 2x 1  x 2  x 3  5

c)  x 1  x 2  x 3  1
x  2 x  3x  3
 1 2 3

 2x 1  x 2  5x 3  x 4  5
 x  x  2x  x  6
 1 2 3 4
d) 
 2x 1  2x 2  x 3  x 4  0
3x 1  x 2  3x 3  2x 4  12

 2x 1  3x 2  x 3  4x 4  4
 x 1  3x 2  x 3  2x 4  0

e) 
 4x 1  3x 2  2x 3  4x 4  8
12x 1  12x 2  5x 3  4x 4  8