Filière SMC2

F F F F F

Polycopie de cours :

ALGÈBRE
LINÉAIRE
ANNÉE UNIVERSITAIRE : 2019/2020
 3 Déterminants 12
3.1 Déterminant d’ordre 2 : . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.1.1 Définition : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.1.2 Exemple : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.2 Déterminant d’ordre 3 : . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

Pr. Nouh IZEM

Pr. Nouh IZEM

3.2.1 Définitions : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Table des matières 3.2.2 Remarques : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2.3 Exemples : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2.4 Propriétés : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2.5 Théorème : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2.6 Conséquence : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1 Applications Linéaires 1
3.3 Déterminant d’ordre n : . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.1 Généralités sur les applications linéaires : . . . . . . . . . . . . . . . . . . . 1
3.3.1 Théorème & Définition : . . . . . . . . . . . . . . . . . . . . . . . . 15
1.1.1 Définitions : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
3.3.2 Remarque : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.1.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
3.3.3 Théorème : Opérations sur les lignes . . . . . . . . . . . . . . . . . 15
1.1.3 Remarque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.3.4 Exemples : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.1.4 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.3.5 Théorème : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.2 Image et Noyau d’une application linéaire : . . . . . . . . . . . . . . . . . . 2
3.3.6 Conséquence : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

Filière SMC2

Filière SMC2
1.2.1 Définitions : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.4 Applications des déterminants : . . . . . . . . . . . . . . . . . . . . . . . . 17
1.2.2 Proposition : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.4.1 Inverse d’une matrice à l’aide du déterminant : . . . . . . . . . . . . 17
1.2.3 Définition : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.4.2 Application des déterminants à l’indépendance linéaire de vecteurs : 18
1.2.4 Remarque : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.4.3 Le rang d’une matrice à l’aide du déterminant : . . . . . . . . . . . 19
1.2.5 Proposition : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.4.4 Résolution d’un système linéaire à l’aide du déterminant : . . . . . 19
1.3 Propriétés des Applications Linéaires . . . . . . . . . . . . . . . . . . . . . 4
1.3.1 Proposition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.2 Proposition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.3 Proposition : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.4 Définition : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.5 Théorème (admis) . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.6 Théorème de la dimension (Théorème du rang) : . . . . . . . . . . . 5
1.3.7 Proposition : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.8 Théorème :(admis) . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2 Matrices 6
2.1 Définitions & notations : . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2 Opérations sur les matrices : . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2.1 Somme, produit par un scalaire : . . . . . . . . . . . . . . . . . . . 7
2.2.2 Produit de deux matrices : . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.3 Transposée d’une matrice : . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.4 Inverse d’une matrice carré : . . . . . . . . . . . . . . . . . . . . . . 8
2.3 Représentation matricielle d’une application linéaire : . . . . . . . . . . . . 9
2.3.1 Proposition : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3.2 Exemples : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3.3 Propriétés : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.4 Remarque Importante : . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.5 Exemple : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

1
 R3 −→ R
e) L’application f : est une forme linéaire.
(x, y, z) 7→ 2x + y − z

1.1.3 Remarque

Pr. Nouh IZEM

Pr. Nouh IZEM

On peut remplacer les deux conditions (i) et (ii) par :
Chapitre 1
∀(x, y) ∈ E 2 , ∀(α, β) ∈ K2 , f (αx + βy) = αf (x) + βf (y)

ou
Applications Linéaires ∀(x, y) ∈ E 2 , ∀α ∈ K, f (αx + y) = αf (x) + f (y).

1.1.4 Propriétés
Dans ce chapitre K désigne R ou C. Si f : E −→ F est une application linéaire alors,
1. f (0E ) = 0F
1.1 Généralités sur les applications linéaires : 2. Pour tout (x1 , x2 , · · · , xn ) ∈ E n , ∀(λ1 , λ2 , · · · , λn ) ∈ Kn .

Filière SMC2

Filière SMC2
1.1.1 Définitions : f (λ1 x1 + λ2 x2 + · · · + λn xn ) = λ1 f (x1 ) + λ2 f (x2 ) + · · · + λn f (xn )
Soient E et F deux K-ev. Une application f : E −→ F est dite linéaire (ou K-linéaire,
Preuve :
ou homomorphisme de K-ev) si et seulement si :
1. Soit λ = 0 et x ∈ E. On a f (λx) = λf (x).
(i) ∀(x, y) ∈ E 2 , f (x + y) = f (x) + f (y)
Or, λx = 0E et λf (x) = 0F , donc f (0E ) = 0F .
(ii) ∀λ ∈ K, ∀x ∈ E, f (λx) = λf (x)
2. On montre cette propriété par récurrence :
On note LK (E, F ) ou L(E, F ) l’ensemble des applications linéaires de E dans F .
• Pour n = 1, on a f (λx1 ) = λf (x1 ) par définition.
ä Si F = K, on dit que f est une forme linéaire. • On suppose que la récurrence est vrai à l’ordre n. Soient u = λ1 x1 + λ2 x2 + · · · +
λn xn et v = λn+1 xn+1 . Alors
ä Si F = E , f est appelée un endomorphisme. L’ensemble des endomorphismes est
noté L(E). f (λ1 x1 + λ2 x2 + · · · + λn xn + λn+1 xn+1 ) = f (u + v) = f (u) + f (v).
ä Un endomorphisme bijectif est appelé automorphisme. Par hypothèse de récurrence f (u) = λ1 f (x1 ) + λ2 f (x2 ) + · · · + λn f (xn ) et par
définition f (v) = λn+1 f (xn+1 ).
ä Un élément de LK (E, F ) bijectif est appelé isomorphisme de E sur F .
Donc
n+1
!
1.1.2 Exemples
X
f λi xi = λ1 f (x1 ) + λ2 f (x2 ) + · · · + λn f (xn ) + λn+1 f (xn+1 ).
i=1
E −→ F
a) L’application θ : est linéaire dite application linéaire nulle.
x 7→ 0F
1.2 Image et Noyau d’une application linéaire :
E −→ F
b) L’application idE : est linéaire dite application linéaire identique. 1.2.1 Définitions :
x 7→ x
Soit f : E −→ F une application, A une partie E et B une partie F .
R2 −→ R2
c) L’application f : est linéaire
(x, y) 7→ (x + y, x)
ä On appelle image de A par f l’ensemble f (A) des images par f des éléments de A.
R3 −→ R3
d) L’application f : est un endomorphisme de R3 . f (A) = {y ∈ F/∃x ∈ A : y = f (x)} = {f (x)/x ∈ A}.
(x, y, z) 7→ (2x + 4y, y + z, 2x − z)

1 2
 ä On appelle image réciproque de B par f l’ensemble f −1 (B) des éléments de E dont 1.2.5 Proposition :
l’image par f est dans B. Soient E, F deux K-ev et f ∈ L(E, F ). Alors, on a les propriétés suivantes :

f −1 (B) = {x ∈ E/f (x) ∈ B}. 1. f est injective ssi Ker(f ) = {0E }.

Pr. Nouh IZEM

2. f est surjective ssi Im(f ) = F .

Pr. Nouh IZEM

ä On dit que f est une application injective ssi :
Preuve :
∀x1 , x2 ∈ E, f (x1 ) = f (x2 ) =⇒ x1 = x2 1. ⇒ Supposons que f est injective.
Soit u ∈ Ker(f ) alors on a f (u) = 0F = f (0E ), donc par injectivité u = 0E . Par
ä On dit que f est une application surjective ssi : conséquent, Ker(f ) = {0E }.
⇐ Réciproquement, supposons que Ker(f ) = {0E }.
∀y ∈ F, ∃x ∈ E, f (x) = y. Soient u, v ∈ E tels que f (u) = f (v), autrement dit f (u − v) = 0F donc u − v ∈
Ker(f ). On en déduit que u − v = 0E , c.-à-d. u = v. Par conséquent f est injective.
ä On dit que f est une application bijective ssi elle est injective et surjective c-à-d :
2. Par définition, f est surjective ssi F = f (E) = Im(f ).
∀y ∈ F, ∃!x ∈ E, f (x) = y.
1.3 Propriétés des Applications Linéaires

Filière SMC2

Filière SMC2
1.2.2 Proposition : 1.3.1 Proposition
Soient E, F deux K-ev et f ∈ L(E, F ). Soient E, F deux K-ev. et f ∈ L(E, F ).

1. Si A est un sous espace vectoriel de E, alors f (A) est un sous espace vectoriel de F . (i)- Si F = {u1 , u2 , · · · , un } engendre E alors f (F) = {f (u1 ), f (u2 ), · · · , f (un )} engendre
Im(f ).
2. Si B est un sous espace vectoriel de F , alors f −1 (B) est un sous espace vectoriel de
(ii)- f est surjective si et seulement pour tout système F générateur de E, f (F) est un
E.
système générateur de F .
Preuve :
(iii)- f est injective si et seulement pour tout système F libre de E, f (F) est un système
1. f (A) 6= ∅ car 0F ∈ f (A). lible de F .
Soient λ ∈ K, (x′ , y ′ ) ∈ (f (A))2 . Donc il existe (x, y) ∈ A2 tel que : x′ = f (x) et
y ′ = f (y). On a alors λx′ + y ′ = λf (x) + f (y) = f (λx + y) ∈ f (A) 1.3.2 Proposition
L(E, F ) est un K-ev pour les lois usuelles. Rappelons que les lois usuelles sur F E sont
2. f (B) 6= ∅ car 0E ∈ f (B).
−1 −1
2 définies par :
Soient λ ∈ K, (x, y) ∈ (f −1 (B)) . Comme f (x) et f (y) ∈ B, alors f (λx + y) = 
E
 ∀f, g ∈ F , ∀x ∈ E, (f + g)(x) = f (x) + f (g)

λf (x) + f (y) ∈ B Et parsuite,
∀λ ∈ K, ∀f ∈ F E , ∀x ∈ E, (λf )(x) = λf (x).


λx + y ∈ f −1 (B).
Preuve : (facile)

1.2.3 Définition : 1.3.3 Proposition :

Soient E,F deux K-ev et f ∈ L(E, F ) Soient E, F , G trois K-ev. On a :

ä On appelle noyau de f , et on note Ker(f ), l’ensemble Ker(f ) = f −1 ({0F }) = {x ∈ ∀f ∈ L(E, F ), ∀g ∈ L(F, G), gof ∈ L(E, G).
E/f (x) = 0F } Preuve :
ä On appelle image de f et on note, Im(f ) l’ensemble f (E) = {f (x)/x ∈ E}.. Soient λ ∈ K, (x, y) ∈ E 2 , on a :
(gof )(λx + y) = g(f (λx + y)) = g(λf (x) + f (y))
1.2.4 Remarque : = λg(f (x)) + g(f (y)) = λ(gof )(x) + (gof )(y).
D’après la proposition précédente, Ker(f ) est un sev de E et Im(f ) est un sev de F . Autrement dit le composée de deux applications linéaires est linéaire.

3 4
1.3.4 Définition :
Soit E, F deux K-ev et f ∈ L(E, F ).
f est un isomorphisme de E sur F si f est bijectif de E sur F . Dans ce cas on dit que E
et F sont isomorphes.

Pr. Nouh IZEM

Pr. Nouh IZEM

1.3.5 Théorème (admis)
Supposons que E et F deux K-ev de dimension finie. Soit {e1 , · · · , en } une base de E
Chapitre 2
et f ∈ L(E, F ).
L’application f est un isomorphisme E sur F ssi {f (e1 ), · · · , f (en )} est une base de F .
En particulier si f est un isomorphisme alors dimE = dimF . Matrices
1.3.6 Théorème de la dimension (Théorème du rang) :
Soient E et F deux K-ev de dimension finie et f ∈ L(E, F ). On appelle le rang de f
et on note rg(f ), l’entier naturel défini par : rg(f ) = dim(Im(f )). Alors, on a le résultat Dans ce chapitre K désigne R ou C.
suivant :
dimE = dim(Ker(f )) + rg(f ).
2.1 Définitions & notations :

Filière SMC2

Filière SMC2
Une matrice à m lignes et n colonnes et à coefficients dans K, est un tableau d’éléments
1.3.7 Proposition : de K qui à m lignes et n colonne. Leur ensemble est noté par Mm,n (K) dont les éléments
Soient E et F deux K-ev de dimension finie et f ∈ L(E, F ). Alors, on a : sont sous la forme suivante :
a11 a12 · · · a1j · · · a1n
 
(a) f est injective ⇔ rg(f ) = dimE. 
 a21 a22 · · · a2j · · · a2n 

··· ··· ··· ··· ··· ···
 
(b) f est surjective ⇔ rg(f ) = dimF. A=





 ai1 ai2 · · · aij · · · ain 

Preuve : 
 ··· ··· ··· ··· ··· ···


am1 am2 · · · amj · · · amn
(a) f est injective ⇔ Ker(f ) = {0E } ä La matrice A est notée A = (aij )16i6m
⇔ dim(Ker(f )) = 0E 16j6n
⇔ rg(f ) = dimE (d’aprés le théorème de rang) ä Si m = n, on dit que A est une matrice carrée d’ordre n et on note Mn (K) l’ensemble
(a) f est surjective ⇔ Im(f ) = F des matrices carrées d’ordre n.
⇔ rg(f ) = dimF ä Si m = 1, on dit que A est une matrice ligne et on note M1,n (K) l’ensemble des
matrices ligne à coefficients dans K.
1.3.8 Théorème :(admis) ä Si n = 1, on dit que A est une matrice colonne et on note Mm,1 (K) l’ensemble des
Soient E et F deux K-ev de dimension finie et f ∈ L(E, F ). Supposons que dimE = matrices colonne à coefficients dans K.
dimF . Alors les propriétés suivantes sont équivalentes :
ä Le vecteur (a11 , a22 , · · · , ann ) d’une matrice carrée A = (aij )16i,j6n s’appelle la dia-
(a) f est injective. gonale principale de A.
(b) f est surjective. ä Soit A = (aij )16i,j6n ∈ Mn (K) une matrice carré.
(c) f est bijective. 
a11 a12 · · · · · · a1n


 a21 a22 · · · · · · a2n 

A=  .. .. .. .. .. 
. . . . . 
 

an1 an2 · · · · · · ann

5 6
 (a)- Si aij = 0, ∀i > j, i, j ∈ {1, 2, · · · , n}. On dit que A est une matrice trian- 2.2.2 Produit de deux matrices :
gulaire supérieure sous la forme
Soient A = (aij ) ∈ Mm,p (K), B = (bij ) ∈ Mp,n (K). On définit le produit A fois B

a11 a12 · · · a1n

par :
p
0 a22 · · · a2n
  X
A · B = (cij )16i6m avec cij = aik bkj

Pr. Nouh IZEM

Pr. Nouh IZEM

 
A=  .. . . . . . 

 . . . .. 

16j6n k=1

0 · · · 0 ann · · · b1j · · ·
 

 · · · b2j · · · 

(b)- Si aij = 0, ∀i < j, i, j ∈ {1, 2, · · · , n}. On dit que A est une matrice trian-
 .. 
.
 
 
gulaire inférieure, elle est sous la forme
· · · bpj · · · 
.. .. .. ..
  
···
 
a11 0 0 . . . .
.. 
   
 ... 
ai1 ai2 · · · aip  
· · · cij · · · 
 a21 a22 .     
A= 
.. .. . .
 
.. .. ..  
.. 
. . . .
 

 . . . 0  
an1 an2 · · · ann Exemple :

(c)- Si aij = 0, ∀i 6= j, i, j ∈ {1, 2, · · · , n}. On dit que A est une matrice diago- ! ! !
1 0 1 0 1 1 0 1

Filière SMC2

Filière SMC2
nale, elle est sous la forme 1)- = .
3 1 2 1 3 5 1 6
0 ···
 
a11 0
a
 
. .. 
a22 . .

 0 .  b
A=     
 .. ... ...  2)- α β γ δ  
= αa + βb + γc + δd.
. 0  c
   
  
0 ··· 0 ann d

En particulier, si aii = 1, ∀i ∈ {1, 2, · · · , n} alors 2.2.3 Transposée d’une matrice :

···
 
1 0 0 On appelle transposée d’une matrice A ∈ Mm,n (K) la matrice notée t A obtenue à par-
 .. ..  tir de A en échangeant les lignes et les colonnes : La première ligne de t A est égale à la
 0 1 . . 
A= 
 .. .. .. 

s’appelle la matrice identité d’ordre n et on la note In première colonne de A, la deuxième ligne de t A est égale à la deuxième colonne de A etc· · ·

. . . 0 

Exemple :

0 ··· 0 1
 
ä Si aij = 0, ∀(i, j) ∈ {1, 2, · · · , m} × {1, 2, · · · , n} alors ! 1 4
1 2 3
(a)- Si A = alors t A = 2 5 
.

4 5 6

···
 
0 0 0 3 6
 .. .. 
 0 0 . . 
A= s’appelle la matrice nulle d’ordre (m, n) et on la note θm,n a
  
 .
 . ... ... 
 . 0 
    b 
0 ··· 0 0 (b)- Si A = a b c d alors t A = 
.

c

 
d
2.2 Opérations sur les matrices :
2.2.4 Inverse d’une matrice carré :
2.2.1 Somme, produit par un scalaire : Définition :
Soient A = (aij ), B = (bij ) ∈ Mm,n (K). On définit la somme de A et B par la matrice Soit A ∈ Mn (K). On dit que A est inversible si il existe une matrice unique B ∈ Mn (K)
notée A + B et définie par A + B = (aij + bij )16i6m . tel que :
16j6n
AB = In = BA.
Soit λ ∈ K. On définit λA par la matrice λA = (λaij )16i6m
16j6n

7 8
La matrice B s’appelle inverse de A et on le note A−1 . Notons que si A est inversible alors d’où : f (X) = x1 f (u1 ) + x2 f (u2 ) + · · · + xn f (un ).
pour tout X, Y ∈ Rn , on a :
Pour tout j ∈ {1, 2, · · · , n} f (uj ) ∈ F , donc il existe (a1j , a2j , · · · , amj ) ∈ Km tel que
AX = Y ⇔ A−1 (AX) = A−1 Y
⇔ (A−1 A)X = A−1 Y f (uj ) = a1j v1 + a2j v2 + · · · + amj vm .

Pr. Nouh IZEM

Pr. Nouh IZEM

⇔ A−1 Y = X
D’où n
X n
X m
X m
X

n
X


Exemples : f (X) = xj f (uj ) = xj aij vi =  aij xj  vi .

j=1 j=1 i=1 i=1 j=1
Pm
1)- In est inversible pour tout n ≥ 1. Posons f (X) = y1 v1 + y2 v2 + · · · + ym vm = i=1 yi vi . En identifiant, on obtient :
 
0 1 1 y1 = a11 x1 + a12 x2 + · · · + a1n xn
2)- Soit A = 1 0 1 . Calculer A−1 .
 
 y2 = a21 x1 + a22 x2 + · · · + a2n xn
1 1 0 .. ..

x1
 
y1
 . .
Soient X =  x2  , Y =  y2  ∈ R3 , on a :
    ym = am1 x1 + am2 x2 + · · · + amn xn
x3 y3
ou encore
y1 a11 a12 · · · a1n x1
        
0 1 1 x1 y1

Filière SMC2

Filière SMC2
AX = Y ⇔ 
1 0 1 
  x2   y2 
   
 y2 


 a21 a22 · · · a2n 
 x2 

=

1 1 0 x3 y3
 ..   .. .. .. ...
 .. 
. . . . .
    
    
· · · amn
 

 x2 + x3 = y1  x2 − x1 = y 1 − y2
 ym am1 am2 xm
⇔ x1 + x3 = y2 ⇔ x1 + x3 = y2 L’application linéaire f est donc parfaitement déterminée par la donnée d’un tableau de m
x1 + x2 = y3 x1 + x2 = y3

 

lignes et de n colonnes, dans lequel se trouvent portées en colonnes les coordonnées dans

1 la base BF de f (u1 ), f (u2 ), · · · , f (un ). Ce tableau est appelé matrice de f relativement

 x1 = (−y1 + y2 + y3 )
2 aux bases BE et BF notée M(f, BE , BF ). D’où la proposition suivante :







1


⇔  x2 = (y1 − y2 + y3 )

 2 2.3.1 Proposition :


Soient E et F deux K-ev de bases respectives BE et BF . Soit f ∈ L(E, F ) alors

1



(y1 + y2 − y3 )
x3 =


2
−1
⇔ X=A Y ∀ X ∈ E, f (X) = M(f, BE , BF )X

On en déduit que 
−1 1 1
 2.3.2 Exemples :
−1 1
A =  1 −1 1  1. Soit f ∈ L(E, F ), BE et BF de E et F : BE = {u1 , u2 , u3 }, BF = {v1 , v2 , v3 , v4 }

2
1 1 −1
f (u1 ) = 2v1 − v2 + v3 ; f (u2 ) = −v3 + v4 ; f (u3 ) = v1 + v4 .
Proposition :
Soient A et B deux matrices inversibles alors AB est inversible d’inverse B −1 A−1 . On a :
f (u1 ) f (u2 ) f (u3 )
2 0 1 v1
 

2.3 Représentation matricielle d’une application li- M(f, BE , BF ) =  −1 0

 0 
 v2
 1 −1 0  v3
 
néaire : 0 1 1 v4
Soient E un K-ev de dimension n, BE = {u1 , u2 , · · · , un } une base de E, F un K-ev de
dimension m, BF = {v1 , v2 , · · · , vm } une base de F . Soit f ∈ L(E, F ), on a :
∀ X ∈ E, ∃(x1 , x2 , · · · , xn ) ∈ Kn tel que X = x1 u1 + x2 u2 + · · · + xn un ,

9 10
2.3.3 Propriétés :
Soient E, F et G trois K-ev de bases respectives BE , BF et BG .

1. M(f + g, BE , BF ) = M(f, BE , BF ) + M(g, BE , BF ).

Pr. Nouh IZEM

Pr. Nouh IZEM

2. M(λf, BE , BF ) = λM(f, BE , BF ).
Chapitre 3
3. Quand f −1 est bien définie alors M(f −1 , BE , BF ) = [M(f, BE , BF )]−1

4. Quand gof est bien définie alors M(gof, BE , BG ) = M(g, BF , BG ) · M(f, BE , BF ).

Déterminants
2.3.4 Remarque Importante :
La matrice M d’une application linéaire f de E dans F dépend des bases que l’on a
choisies dans E et F . Ceci est bien illustré dans l’exemple suivant. Dans ce chapitre K désigne R ou C.

2.3.5 Exemple : 3.1 Déterminant d’ordre 2 :

Filière SMC2

Filière SMC2
Considérons l’application linéaire f suivante :
( 3.1.1 Définition :
R3 −→ R2 a11 a12
!
f: Soit A = ∈ M2 (R).
(x, y, z) 7−→ (2x − y, 3y − 2z) a21 a22
′ ′ ′ a11 a12
Notons par B1 = {e1 , e2 , e3 } et B1 = {e1 , e2 } les bases canoniques respectivement de Le déterminant de A, noté det(A) ou est le scalaire a11 a22 − a21 a12 .
′ ′ a21 a22
R3 et R2 (i.e. e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1), e1 = (1, 0) et e2 = (0, 1)). Soit
On pose
B2 = {u1 , u2 , u3 } une nouvelle base de R3 avec u1 = (1, 1, −1), u2 = (0, 1, 0), u3 = (−1, 1, 0)
′
(vérifier que B2 est bien une base de R3 ! !) et soit B2 = {u′ 1, u′ 2} une nouvelle base de R2
" #
L1
′ ′ ′
avec u1 = (1, 0) et u2 = (1, 1) (vérifier aussi que B2 est bien une base de R2 ! !). ä A = où Li , i = 1, 2 désigne le ième vecteur ligne de A donné par Li =
L2
[ ai1 ai2 ] .

ä A = "(C1 , C#2 ) où Cj , j = 1, 2 désigne le j ème vecteur colonne de A donné par

a1j
Cj = .
a2j

3.1.2 Exemple :
1 3
ä = 1.4 − 2.3 = −2.
2 4

−2 4
ä = (−2).8 − (−3).4 = −4.
−3 8

11 12
3.2 Déterminant d’ordre 3 : 3.2.4 Propriétés :
1. Si on échange deux lignes dans une matrice son déterminant change de signe.
3.2.1 Définitions :

a11 a12 a13
 ä Exemple :
a11 a12 a13 a21 a22 a23

Pr. Nouh IZEM

Pr. Nouh IZEM

Soit A =  ∈ M3 (R).
a21 a22 a23 


a31 a32 a33 a21 a22 a23 = − a11 a12 a13
a22 a23 a a a a a31 a32 a33 a31 a32 a33
On appelle déterminant de A le nombre a11 − a12 21 23 + a13 21 22 ä Conséquence :
a32 a33 a31 a33 a31 a32
a11 a12 a13 Si au moins deux lignes d’une matrice sont égales alors déterminant est nul.
et il est noté aussi det(A) ou a21 a22 a23 a11 a12 a13 a11 a12 a13 a11 a12 a13
a31 a32 a33 En effet : a11 a12 a13 = − a11 a12 a13 ⇒ a21 a22 a23 = 0
On pose a31 a32 a33 a31 a32 a33 a31 a32 a33
2. Le déterminant est linéaire par rapport à chaque ligne.
 
L1
ä A = L2   où Li , i = 1, 2, 3 désigne le ième vecteur ligne de A donné par Li =


L3
ä Exemple : Linéarité par rapport à la 1ère ligne :
[ ai1 ai2 ai3 ] .

Filière SMC2

Filière SMC2
     
ä A = [C , C , C ] où Cj , j = 1, 2, 3 désigne le j ème vecteur colonne de A donné par αL1 + βL′1 L1 L′1
 1 2 3 L2
det   = αdet  L2  + βdet  L2 
    
a1j 
Cj =  a2j  .
  L3 L3 L3
a3j
αa1 + βa′1 αa2 + βa′2 αa3 + βa′3 a1 a2 a3 a′1 a′2 a′3
a a a a a a b1 b2 b3 = α b1 b2 b3 + β b1 b2 b3
ä m11 = 22 23 ; m12 = 21 23 ; m13 = 21 22 s’appellent mineurs relatifs c1 c2 c3 c1 c2 c3 c1 c2 c3
a32 a33 a31 a33 a31 a32
à a11 , a12 et a13 respectivement. ä Conséquence :
(i) Si on ajoute à une ligne dans une matrice une combinaison linéaire des
3.2.2 Remarques : autres lignes, le déterminant ne change pas. En effet :
ä mij est le déterminant de la matrice obtenu en supprimant à la matrice A la ième        
ligne et la j ème colonne. L1 + αL2 + βL3 L1 L2 L3
det 
 L2  = det  L2  + αdet  L2  + βdet  L2 
      

ä On a : det(A) = (−1)1+1 a11 m11 + (−1)1+2 a12 m12 + (−1)1+3 a13 m13 . (1) L3 L3 L3 L3

ä (−1)i+j mij s’appelle cofacteur de aij . Donc    

L1 + αL2 + βL3 L1
ä Quand on écrit (1), on dit qu’on a développé le déterminant selon la 1ère ligne. det 

L2  = det  L2  .
  

L3 L3
ä On peut développer ce déterminant par rapport à d’autres lignes.
(ii) Dans une matrice A, si une ligne est combinaison linéaire des autres alors
det(A) = 0.
3.2.3 Exemples :      
L1 L1 L1
1 0 −1 det 

αL1 + βL3 
 = αdet  L1  + βdet  L3  = 0.
   
1 2 0 2 0 1 L3 L3 L3
det(A) = 0 1 2 =1 −0 −1
1 0 1 0 1 1
1 1 0
= −2 + 1 = −1 3.2.5 Théorème :
Soit A ∈ M3 (R) ; det(A) = det(t A).

13 14
3.2.6 Conséquence : b) Si B est la matrice obtenue en multipliant une ligne de A par λ, alors det(B) =
λdet(A).
Les propriétés sur les déterminants relatives aux lignes sont vraies aussi pour les co-
lonnes. c) Si une matrice B est obtenue en ajoutant à une ligne de la matrice A un multiple
d’une autre de ses lignes, alors det(B) = det(A).

Pr. Nouh IZEM

Pr. Nouh IZEM

3.3 Déterminant d’ordre n : d) Un déterminant est nul si :
• Une ligne est nulle.
3.3.1 Théorème & Définition :
• Deux lignes sont égales ou proportionnelles.
Soit A = ((aij )) ∈ Mn (R), n ≥ 3. Pour tous i, j = 1, · · · n, nous notons Aij la matrice
d’ordre n − 1 déduite de A en supprimant la ième ligne et la j ème colonne de A. En posant : • si une ligne est combinaison linéaire des autres lignes (c-à-d les lignes sont liées).

n
∆i (A) =
X
(−1)i+k aik det(Aik ) 3.3.4 Exemples :
k=1
n
4 5 −2 8 1 4
δj (A) =
X
(−1)k+j akj det(Akj ) a) 8 1 4 = − 4 5 −2 , on a permuté la 1ère ligne avec la deuxième.
k=1 0 7 −5 0 7 −5
On a : 6 21 33
8 7 11

Filière SMC2

Filière SMC2
4 4 3 3
∆i (A) = δj (A), i, j = 1, · · · n. b) 6 7 −2 = 6 7 −2 , car la 1ère ligne est égale à (8 7 11) .
4 4
1 4 0 1 4 0
Le réel ∆i (A) (repect. δj (A)) s’appelle le déterminant de A développé selon la ième ligne c) On ajoute à la 2ème ligne de la matrice A un multiple de sa troisième ligne
a11 a12 · · · a1n
ème
a21 a22 1 −1 −2 1 −1 −2 1 −1 −2
(repect. j colonne) de A. On le note det(A) ou .. .. . . . . 2 2 3 = 2 0 1 + 0 2 2
. . . ..
an1 an2 · · · ann 0 1 1 0 1 1 0 1 1
1 −1 −2 1 −1 −2
• On appelle mineur de l’élément aij le déterminant : det(Aij ). = 2 0 1 +2 0 1 1
0 1 1 0 1 1
• On appelle cofacteur de l’élément aij le nombre : Cij = (−1)i+j det(Aij ).
0 0 0
3.3.2 Remarque : d) a b c = 0, car ce déterminant a une ligne formée par des zéros.
x y z
Le cofacteur d’un élément de la matrice A est donc égal au mineur correspondant x y z
affectée d’un signe + ou d’un signe − selon que la somme i + j est paire ou impaire, ce a b c = 0, car ce déterminant a deux lignes proportionnelles.
qui, graphiquement, correspond à la situation suivante : λx λy λz
+ − + − ··· (−1)1+n 4 2 1
 

 − + · · · (−1)i+j 
 5 3 −2 = 0, car les lignes de ce déterminant sont liées. En effet : L3 = L2 − L1 .
 .. .. 
1 1 −3

 + − . . .


.. ..

. ··· ··· . −
 
3.3.5 Théorème :
 
(−1)n+1 ··· ··· − +
Soit A ∈ Mn (R) ; det(A) = det(t A).
3.3.3 Théorème : Opérations sur les lignes
3.3.6 Conséquence :
Soit A ∈ Mn (R) une matrice carrée.
Les propriétés sur les déterminants relatives aux lignes sont vraies aussi pour les co-
a) Si B est la matrice obtenue en permutant deux lignes de A, alors det(B) = −det(A). lonnes.

15 16
3.4 Applications des déterminants : Corollaire :
Une matrice carré A est inversible si et seulement si son déterminant est non nul.
3.4.1 Inverse d’une matrice à l’aide du déterminant :
Théorème : Exemple :

Pr. Nouh IZEM

Pr. Nouh IZEM

Soit A et B deux éléments de Mn (R), on a :
 
det(AB) = det(A) · det(B) . 1 −1 −2 1 −1 −2
1 −2 1 −1
Soit A = 
2 0 1 
 det(A) = 2 0 1 =− + = −3 6= 0.
2 1 2 0

0 1 1 0 1 1
Corollaire :
Soit A une matrice de Mn (R), on a : Donc A est inversible.
 
1 −1 −1 −1
det(A−1 ) = . 1 t 1
det(A) A−1 = Com(A) = −  −2 1 −5  .

det(A) 3
2 −1 2
Définition :
Soit A = (aij ) ∈ Mn (R).

Filière SMC2

Filière SMC2
La matrice des cofacteurs de A (ou comatrice de A), notée Com(A), est la matrice obtenue
3.4.2 Application des déterminants à l’indépendance linéaire de
de A en remplaçant chaque terme aij par son cofacteur. On a vecteurs :
Soient x1 , x2 , · · · , xp , p vecteurs d’un espace vectoriel de dimension n sur K, rapporté à
C11 C12 · · · C1n
 
une base (u1 , u2 , · · · , un ). (p ≤ n). Si on arrive à extraire un seul déterminant carré d’ordre

C21 C22 · · · C2n 
avec Cij = (−1)i+j det(Aij ). p non nul des coordonnées de x1 , x2 , · · · , xp , alors ces p vecteurs sont libres.
 
Com(A) =  .. .. .. .. ,
. . . .
 
 
Cn1 Cn2 · · · Cnn Exemple :
   
Exemple : 1 4
3 1 4
ä Dans R , x1 = 2  et x2 =  5  sont libres, car le déterminant d’ordre 2,

  
2 5
  
1 −1 −2 3 6
Soit A = 
 2 0 1 
, on a : extrait des coordonnées de x1 et x2 est non nul.
0 1 1      
1 1 0
2 −1 2
     
0 1 2 1 2 0
       
+ − + ä Dans R5 , x1 =

3

, x2 =

0

et x3 =

0

sont libres, car le déterminant

 1 1 0 1 0 1 


 









 −1 −2 1 −2 1 −1



 4 


 1 


 1 

Com(A) =
 − + − 
5 4 4

 1 1 0 1 0 1 

  1 1 0
−1 −2 1 −2 1 −1
 
+ − + d’ordre 3, 2 −1 2 = 6 6= 0 extrait des coordonnées de x1 , x2 et x3 est non nul.
 
0 1 2 1 2 0
  3 0 0
−1 −2 2
= 
 −1 1 −1 
 Remarque :
−1 −5 2
La position des coordonnées doit être la même pour les p vecteurs.
Théorème : Une Formule de l’inverse :
1 t
Soit A = (aij ) ∈ Mn (R). Si A est inversible alors A−1 = Com(A).
det(A)

17 18
3.4.3 Le rang d’une matrice à l’aide du déterminant : ä aij ∈ K, (i, j) ∈ {1, 2, · · · , m} × {1, 2, · · · , n} sont les coefficients du système. Posons
Le rang d’une matrice A est égal à l’ordre maximum d’un déterminant non nul extrait de 
a11 a12 · · · a1n


A. (i.e. pour trouver le rang d’une matrice donnée A, on doit extraire de A un déterminant 
 a21 a22 · · · a2n 

non nul qui soit d’ordre maximum). A=  .. .. .. ..  ∈ Mm,n (R), s’appelle matrice du système.
. . . .

Pr. Nouh IZEM

Pr. Nouh IZEM

 
Le rang d’une matrice A vérifie toujours l’inégalité :
 
am1 am2 · · · amn
rg(A) ≤ inf (nombres de lignes de A, nombres de colonnes de A)
ä Les aij et bi sont les données du système. On appelle solution du système (3.1) tout
n-uplet (x1 , x2 , · · · , xn ) ∈ Kn qui vérifient les m équations du système précédent.
Exemple :
  ä Le système homogène associé à (3.1) est le suivant :
1 2 4 1
a11 x1 + a12 x2 + · · · + a1n xn

ä Trouver le rang de la matrice A =  2 1 2 −1  .
 
 = 0
a21 x1 + a22 x2 + · · · + a2n xn = 0


3 2 4 1 
.. ..
1 2 4 



. .
rg(A) ≤ inf (3, 4) = 3. Si on calcul 2 1 2 , on trouve qu’il est nul (ou encore, am1 x1 + am2 x2 + · · · + amn xn = 0


3 2 4
il est nul puisqu’il a deux colonnes proportionnelles), mais cela ne veut dire que le Interprétation Matricielle :

Filière SMC2

Filière SMC2
rang de A est égal à 2, puisqu’on peut extraire de A un déterminant d’ordre 3 non
1 4 1 Si on note
nul. Par exemple 2 2 −1 = −12. a11 a12 · · · a1n b1 x1
     

3 4 1 
 a21 a22 · · · a2n 


 b2 


 x2 

A=  .. .. .. .. , B=  .. , et X=  .. 
. . . . . .
       
3 −1 4 2      

 0 2 1 1 .
ä Trouver le rang de la matrice A =   am1 am2 · · · amn bm xn
1 −3 0 0 Avec les définitions précédentes le système (3.1) s’écrit matriciellement sous la forme
3 −1 4
0 2 1 = 0, cela n’entraîne pas que le rang de A est égal à 2. AX=B (3.2)
1 −3 0
Résoudre le système (3.1) c’est résoudre cette équation matricielle (3.2).
−1 4 2
Comme 2 1 1 = −3, alors rg(A) = 3. Définition : Système de Cramer
−3 0 0
Le système (3.1) est dit de Cramer si le nombre d’équations est égal au nombre d’in-
connues et si sa matrice est inversible.
3.4.4 Résolution d’un système linéaire à l’aide du déterminant :
Définitions : Théorème : La règle de Cramer
Un système linéaire de m équations et n inconnues est un système d’équations de la Un système de Cramer admet toujours une seule solution dont les composantes sont
forme données par :
a11 x1 + a12 x2 + · · · + a1n xn

 = b1
a11 · · · b1 · · · a1n

 a21 x1 + a22 x2 + · · · + a2n xn = b2


.. .. (3.1) a21 · · · b2 · · · a2n
. . .. .. ...

 


am1 x1 + am2 x2 + · · · + amn xn = bm . .
an1 · · · bn · · · ann det(Ai )
ä Les xi , ∀i ∈ {1, 2, · · · , n} s’appellent les inconnues du système. xi = = , où i ∈ {1, 2, · · · , n}.
det(A) det(A)
ä Le vecteur (b1 , b2 , · · · , bm ) ∈ Km s’appelle le second membre. i.e. on remplace la colonne numéro i de A, par le second membre de (3.1), et on divise par
le det(A).

19 20
Exemple :
Soit
2x + y − z + 3t = 1 2 1 −1 3




Pr. Nouh IZEM

x − y + 3z − t = 0 1 −1 3 −1


(S)  , det(A) = = 97

 4x + y − z − 2t = −1 4 1 −1 −2
x − 2y + z + t = 0 1 −2 1 1


Posons ∆i = det(Ai ), on a :

1 1 −1 3 2 1 −1 3
0 −1 3 −1 1 0 3 −1
∆1 = = −7, ∆2 = = 26.
−1 1 −1 −2 4 −1 −1 −2
0 −2 1 1 1 0 1 1

2 1 1 3 2 1 −1 1
1 −1 0 −1 1 −1 3 0
∆3 = = 23, ∆4 = = 36.
4 1 −1 −2 4 1 −1 −1

Filière SMC2
1 −2 0 1 1 −2 1 0
Alors, d’aprés la règle de Cramer la solution du système (S) est donnée par :

∆1 ∆2 ∆3 ∆4
x= , y= , z= , t=
det(A) det(A) det(A) det(A)

21