Cours D'algebre Lineaire

Union-Discipline-Travail
ALGEBRE LINEAIRE
L2 Génie Civil
Enseignant : M. KOSSA 2020-2021
COURS
D’ALGEBRE LINEAIRE
Support de cours d’Algèbre linéaire UTT LOKO L2 GCV Page 2

SOMMAIRE
I. SYSTEME D’EQUATIONS LINEAIRES

1. Introduction aux systèmes d’équations linéaires
2. Définition
3. Différents types de systèmes
4. Systèmes homogènes
5. Résolution par la méthode du pivot de Gauss
5.1. Systèmes échelonnés
5.2. Opérations sur les équations d’un système
5.3. Méthode du pivot de Gauss
5.4. Systèmes homogènes
II. ESPACE VECTORIEL

1. Définition et premières propriétés
2. Sous-espaces vectoriels
3. Combinaison linéaire
4. Sous-espace engendré
5. Intersection de deux sous-espaces vectoriels
6. Somme de deux sous-espaces vectoriels
7. Sous-espaces vectoriels supplémentaire
8. Indépendance linéaire
9. Bases et dimension
9.1. Base
9.2. Dimension
III. MATRICE
1. Définitions
2. Matrices particulières
3. Addition de matrices
4. Multiplication de matrices
4.1. Définition du produit de matrices
4.2. Propriétés du produits de matrices
4.3. Matrice identité
5. Inverse d’une matrice : définition
5.1. Définition
5.2. Propriétés
6. Inverse de matrice : calcul
6.1. Matrice
6.2. Méthode de Gauss pour inverser les matrices
7. Inverse d’une matrice : systèmes linéaires
7.1. matrice et systèmes linéaires
7.2. matrice inversible et systèmes linéaires

8. matrices triangulaire, transposition, trace, matrices symétriques
8.1. matrices triangulaire, matrices diagonales
8.2. la transposition
8.3. matrices symétriques
8.4. matrices antisymétriques
9. Déterminant
9.1. Déterminant en dimension 2 et 3
9.1.2 Matrice
9.1.3 Matrice
9.2. Calcul de déterminants
9.2.1. Cofacteurs
9.2.2. Développement suivant une ligne ou une colonne
9.3. Inverse d’une matrice
9.4. Méthode de Cramer
IV. APPLICATION LINEAIRE
1. Définitions
2. Noyau et image d’une application linéaire
3. Matrice d’une application linéaire

I. SYSTEME D’EQUATIONS LINEAIRES
1. Introduction
L’algèbre linéaire est un outil essentiel pour toutes les branches des
mathématiques appliquées, en particulier lorsqu’il s’agit de modéliser puis
résoudre numériquement des problèmes issus de divers domaines : des sciences
physiques ou mécaniques, des sciences du vivant, de la chimie, de l’économie,
des sciences de l’ingénieur,…
Par exemple, la physique abonde de relations linéaires : les lois fondamentales

du mouvement sont presque toutes linéaires. Les systèmes électriques sont
fondamentalement décrits par des lois linéaires (V=RI, etc.) C’est pourquoi, le
présent cours commence avec une étude des équations linéaires et de leur
résolution.
2. Définitions
Définition 1 (équation linéaire)

On appelle équation linéaire dans les variables (où inconnues) toutes
les de la forme ,
Où et sont des nombres réels donnés.
Définition 2 (système linéaire d’équation linéaire)

Un système linéaire de n équations linéaires à p inconnues est une liste de n
équations linéaires.
On écrit usuellement de tels systèmes en n lignes placées les unes sous les
autres.
Exemple 1
Le système suivant a 2 équations et 3 inconnues :
La forme générale d’un système de n équations à p inconnues est la suivante :

Les nombres , i = 1 ,…, n, j = 1 , … , p, sont les coefficients du système. Ce
sont des données.
Les nombres , i = 1, …, n, constituent le second membre du système et sont
également des données.
Il convient de bien observer comment on a rangé le système en lignes (une ligne
par équation) numérotées de 1 à n par l’indice i, et en colonnes : les termes
correspondant à une même inconnue sont alignés verticalement les uns sous
les autres. L’indice j varie de 1 à p. Il y a donc p colonnes à gauche des signes
d’égalité, plus une colonne supplémentaire à droite pour le second membre. La
notation avec double indice correspond à ce rangement : le premier indice
(ici i) est le numéro de ligne et le second indice (ici j) est le numéro de colonne.
Il est extrêmement important de toujours respecter cette convention.
Dans l’exemple 1, on a n = 2 (nombre d’équations = nombre de lignes), p = 3

(nombre d’inconnues = nombre de colonnes à gauche du signe =) et ,
, , , , , et .
Définition 3 (solution)
Une solution du système linéaire est une liste de p nombres réels
(un p-uplet) tels que si l’on substitue pour , pour ,
etc., dans le système linéaire, on obtient une égalité. L’ensemble des solutions
du système est l’ensemble de tous ces p-uplets.
Exemple 2
Le système
admet comme solution , c’est-à-dire

, ,
Par contre, ne satisfait que la première équation. Ce n’est donc pas une
solution du système.

En règle générale, on s’attache à déterminer l’ensemble des solutions d’un
système linéaire. C’est ce que l’on appelle résoudre le système linéaire. Ceci
amène à poser la définition suivante.
Définition 4
On dit que deux systèmes linéaires sont équivalents s’ils ont le même ensemble
de solutions.
À partir de là, le jeu pour résoudre un système linéaire donné consistera à le

transformer en un système équivalent dont la résolution sera plus simple que
celle du système de départ. Nous verrons plus loin comment procéder de façon
systématique pour arriver à ce but.
3. Différents types de systèmes

Voici un résultat théorique important pour les systèmes linéaires.
Théorème 1
Un système d’équations linéaires n’a soit aucune solution, soit une seule
solution, soit une infinité de solutions.
En particulier, si vous trouvez 2 solutions différentes à un système linéaire,

alors c’est que vous pouvez en trouver une infinité ! Un système linéaire qui n’a
aucune solution est dit incompatible.
4. Systèmes homogènes
Un cas particulier important est celui des systèmes homogènes, pour lesquels
, c’est-à-dire dont le second membre est nul. De tels
systèmes sont toujours compatibles car ils admettent toujours la solution
. Cette solution est appelée solution triviale.
Géométriquement, dans le cas , un système homogène correspond à deux
droites qui passent par l’origine, (0,0) étant donc toujours solution.
5. Résolution par la méthode du pivot de Gauss

5.1 Systèmes échelonnés
Définition 5
Un système est échelonné si :
 le nombre de coefficients nuls commençant une ligne croît strictement
ligne après ligne.
Il est échelonné réduit si en plus :
 le premier coefficient non nul d’une ligne vaut 1 ;

 et c’est le seul élément non nul de sa colonne.
Exemple 3
 n’est pas échelonné (la dernière ligne
commence avec la même variable que la ligne au-dessus)
Il se trouve que les systèmes linéaires sous une forme échelonnée réduite sont
particulièrement simples à résoudre.
Exemple 4
Ce système se résout trivialement en
En d’autres termes, pour toute valeur de réelle, les valeurs de , et

calculées ci-dessus fournissent une solution du système, et on les a ainsi toutes
obtenues. On peut donc décrire entièrement l’ensemble des solutions :
5.2 Opérations sur les équations d’un système

Nous allons utiliser trois opérations élémentaires sur les équations (c’est-à-dire
sur les lignes) qui sont:
1. avec : on peut multiplier une équation par un réel non nul.
2. avec : on peut ajouter à l’équation un
multiple d’une autre équation .
3. : on peut échanger deux équations.

Ces trois opérations élémentaires ne changent pas les solutions d’un système
linéaire ; autrement dit ces opérations transforment un système linéaire en un système
linéaire équivalent.
Exemple 5
Utilisons ces opérations élémentaires pour résoudre le système suivant.
Commençons par l’opération : on soustrait à la deuxième

équation deux fois la première équation. On obtient un système équivalent avec
une nouvelle deuxième ligne (plus simple) :
Puis
On continue pour faire apparaître un coefficient 1 en tête de la deuxième ligne

pour cela on divise la ligne par -3 :
On continue ainsi

On aboutit à un système réduit et échelonné :
On obtient ainsi , et et l’unique solution du système est
.
5.3 Méthode du pivot de Gauss
La méthode du pivot de Gauss permet de trouver les solutions de n’importe quel

système linéaire. Nous allons décrire cet algorithme sur un exemple. Il s’agit
d’une description précise d’une suite d’opérations à effectuer, qui dépendent de
la situation et d’un ordre précis. Ce processus aboutit toujours (et en plus assez
rapidement) à un système échelonné puis réduit, qui conduit immédiatement aux
solutions du système.
Partie A. Passage à une forme échelonnée.
Soit le système suivant à résoudre :
Pour appliquer la méthode du pivot de Gauss, il faut d’abord que le premier

coefficient de la première ligne soit non nul. Comme ce n’est pas le cas ici, on
échange les deux premières lignes par l’opération élémentaire :
Nous avons déjà un coefficient 1 devant le de la première ligne. On dit que

nous avons un pivot en position (1, 1) (première ligne, première colonne). Ce
pivot sert de base pour éliminer tous les autres termes sur la même colonne.
Il n’y a pas de terme sur le deuxième ligne. Faisons disparaître le terme de
la troisième ligne ; pour cela on fait l’opération élémentaire :
Nous avons 1 au coefficient du pivot (2,2) (deuxième ligne, deuxième colonne) :
On fait disparaître le terme de la troisième ligne, puis on fait apparaître un
coefficient 1 pour le pivot de la position (3,3) :
Le système est maintenant sous forme échelonnée.
Partie B. Passage à une forme réduite.
Il reste à le mettre sous la forme échelonnée réduite. Pour cela, on ajoute à une
ligne des multiples adéquats des lignes situées au-dessous d’elle, en allant du
bas à droite vers le haut à gauche.
On fait apparaître des 0 sur la troisième colonne en utilisant le pivot de la
troisième ligne :
On fait apparaître des 0 sur la deuxième colonne (en utilisant le pivot de la

deuxième ligne)

Le système est sous forme échelonnée réduite.
Partie C. Solutions. Le système est maintenant très simple à résoudre :

On a , et et l’unique solution est .
5.4 Systèmes homogènes
Théorème 2
Tout système homogène d’équations linéaires dont le nombre d’inconnues est
strictement plus grand que le nombre d’équations a une infinité de solutions.
Exemple 6
Considérons le système homogène
Sa forme échelonnée réduite est
On pose comme variables libres et pour avoir
, , .
et l’ensemble des solutions :

S
qui est bien infini

II. ESPACE VECTORIEL
1. Définition et premières propriétés
RAPPELS ET NOTATION
1) Soit un ensemble. La notation signifie que « est un élément de

» ou « appartient à ». Par exemple, signifie que est un
réel.
2) Soient et deux ensembles, la notation signifie « est
contenu dans » ou « est un sous-ensemble de ».
3) Soient et deux ensembles. Alors l’ensemble des couples
s’appelle le produit cartésien de et .
Définition 5 (Espace Vectoriel)
Soit un ensemble munie de deux opérations : une addition
Et une multiplication
On dit que , muni des deux opérations est un espace vectoriel si pour tout
et pour tout , on a les propriétés suivantes :
(1) ;
(2) ;
(3) Il existe tel que pour tout ;
(4) Pour tout , il tel que ;
(5) ;
(6) ;
(7) ;
(8) .
Exemple 7 (L’espace vectoriel ).
Posons . Un élément est donc un couple avec élément

de et élément de . Ceci s’écrit

 Définition de l’addition. Si et sont deux éléments de ,
alors :
 Définition de la multiplication par un scalaire. Si est un réel et est

un élément de , alors :
 Le vecteur nul de est (0,0). L’opposé de est que l’on

note aussi
L’exemple suivant généralise le précédent.
Exemple 8 (L’espace vectoriel )
Soit n un entier supérieur ou égal à 1. Posons . Un élément est

donc n-uplet avec des éléments de .
 Définition de l’addition.

Si et sont deux éléments de , alors :
 Définition de la multiplication par un scalaire.
Si est un réel et est un élément de , alors :
le vecteur nul de est . L’opposé de est

, que l’on note aussi .
L’ensemble muni des opérations habituelles d’addition de vecteurs et de

produit d’un vecteur par un scalaire est un espace vectoriel.
Exemple 9
Tout plan passant par l’origine est un espace vectoriel (par rapport aux
opérations habituelles sur les vecteurs).
Le plan donné par une équation de la forme
Où et sont des scalaires non tous nuls.
Notons ce plan. Soient et deux éléments de . Autrement dit
Alors est aussi dans car on a
Les autres propriétés sont aussi faciles à vérifier.
Remarque 1
Attention ! un plan ne contenant pas l’origine n’est pas un espace vectoriel.
2. Sous-espace vectoriel

Définition 6
Un sous-ensemble d’un espace vectoriel est sous-espace vectoriel de si

est un espace vectoriel par rapport aux opérations de .
Il est vite fatiguant de vérifier les 8 propriétés qui font d’un ensemble un espace
vectoriel. Heureusement, il existe une manière rapide et efficace de prouver
qu’un ensemble est un espace vectoriel : grâce à la notion de sous-espace
vectoriel.
Définition 7
Soit un espace vectoriel. Une partie de est appelée un sous-espace vectoriel si :

• ,
• pour tous ,
• pour tout et tout .
Remarque 2
Expliquons chaque condition.
 La première condition signifie que le vecteur nul de doit aussi être dans
. En fait il suffit même de prouver que est non vide.
 La deuxième condition, c’est dire que est stable pour l’addition : la
somme de deux vecteurs de est bien sûr un vecteur de (car est
un espace vectoriel), mais ici on exige que soit un élément de .
 La troisième condition, c’est dire que est stable pour la multiplication
par un scalaire.
Exemple 10 (Exemples immédiats).

L’ensemble est un sous-espace vectoriel de .
En effet :
(a) ,
(b) si et appartiennent à , alors et
donc + et ainsi
appartient à ,
(c) si et , alors donc , d’où
.

3. Combinaisons linéaires
Définition 8
Soit un entier, soient n vecteurs d’un espace vectoriel .
Tout vecteur de la forment
(où sont des éléments de ) est appelé combinaison linéaire des

vecteurs Les scalaires sont appelés coefficients
de la combinaison linéaire.
Remarque 3 : Si , alors et on dit que est colinéaire à .
Exemple 11
Dans l’espace vectoriel , est combinaison linéaire des vecteurs
et car on a l’égalité
Exemple 12

Soient , et les vecteurs de la base standard de
et un vecteur quelconque de . On a :
Ce montre que est une combinaison linéaire de , et . Ainsi tout vecteur

de est combinaison linéaire de , et .
Exemple 13
Soient et deux vecteurs de .
Montrons que est une combinaison de et .
On cherche donc et tels que :
On a donc
Une solution du système est par exemple et .

Ce qui implique que est une combinaison linéaire de et .
On vérifie que l’on a :

Exemple 14
Soient et deux vecteurs de .
Montrons que n’est pas une combinaison de et .
donne le système
Or ce système n’a aucune solution.
4. Sous-espace engendré
Théorème 3
Soient , des vecteurs d’un espace vectoriel .

Alors l’ensemble des combinaisons linéaires de est un sous-espace
vectoriel .
Définition 9
Le sous-espace du théorème précédent est appelé le sous-espace vectoriel
engendré par .
Si l’on pose , alors est noté
ou
.
5. Intersection de deux sous-espaces vectoriels
Proposition 1 (Intersection de deux sous-espaces).

Soient , deux sous-espaces vectoriels d’un espace vectoriel .
L’intersection est un sous-espace vectoriel de .
On démontrerait de même que l’intersection d’une
famille quelconque de sous-espaces vectoriels de est un sous-espace vectoriel
de .
Exemple 15
Soit le sous-ensemble de . défini par :
.
Est-ce que est sous-espace vectoriel de ?
L’ensemble est l’intersection de et , les sous-ensembles de définis par :
et
Ce sont deux plans passant par l’origine, donc des sous-espaces vectoriels de
. Ainsi est un sous-espace vectoriel de , c’est une droite
vectorielle.
Remarque 4

La réunion de deux sous-espaces vectoriels de n’est pas en général un sous-
espace vectoriel de . Prenons par exemple . Considérons les sous-
espaces vectoriels et . Alors
n’est pas un sous-espace vectoriel de . Par exemple,
est la somme d’un élément de et d’un élément de , mais n’est pas dans .
6. Somme de deux sous-espaces vectoriels
Comme la réunion de deux sous-espaces vectoriels et n’est pas en général

un sous-espace vectoriel, il est utile de connaître les sous-espaces vectoriels qui
contiennent à la fois les deux sous-espaces vectoriels et , et en particulier le
plus petit d’entre eux (au sens de l’inclusion).
Définition 10 (Définition de la somme de deux sous-espaces).

Soient et deux sous-espaces vectoriels d’un espace vectoriel . L’ensemble
de tous les éléments , où est un élément de et un élément de , est
appelé somme des sous-espaces vectoriels F et . Cette somme est notée .
On a donc
.

Proposition 2
Soient et deux sous-espaces vectoriels du espace vectoriel .
1) est un sous-espace vectoriel de .
2) est le plus petit sous-espace vectoriel contenant à la fois et .
7. Sous-espaces vectoriels supplémentaires
Définition 11 (Définition de la somme directe de deux sous-espaces).

Soient et deux sous-espaces vectoriels de . et sont en somme directe
dans si
• ,
• . On note alors .
Si et sont en somme directe, on dit que et sont des sous-espaces

vectoriels supplémentaires dans E.
Exemple 16
Est-ce que les sous-espaces vectoriels et de définis par
et
sont supplémentaires dans ?
8. Indépendance linéaire
Définition 12
Soit un ensemble non vide de vecteur d’un espace.
a au moins une solution, notamment la solution triviale

Si cette solution est unique, on dira que est un ensemble linéairement
indépendant, ou que les vecteurs sont linéairement indépendants.
Sinon, on dira que est un ensemble linéairement dépendant, ou que les
vecteurs sont linéairement dépendants.
Remarque 5
Tout vecteur non nul est linéairement indépendant.
En effet implique que ou .
Le vecteur nul est linéairement dépendant car pour tout .
Plus généralement tout ensemble contenant le vecteur nul est linéairement
dépendant.
En effet soient des vecteurs quelconques et . Alors
pour tout .
Exemple 17
Soient , ,
Alors l’ensemble est linéairement dépendant, car

.
Exemple 18
Les polynômes , et forme un
ensemble linéairement dépendant car
Exemple 19
, ,
Les vecteurs de la base standard de . Alors l’ensemble est

linéairement indépendant.
En effet, supposons que .
Alors

Ce qui donne
Et donc , , .
Théorème 4
Un ensemble est linéairement dépendant si et seulement si au moins l’un de des
vecteurs de est une combinaison linéaire des autres vecteurs de .
8.1. Interprétation géométrie de la dépendance linéaire

- Dans ou , deux vecteurs linéairement dépendants si et seulement
s’ils sont colinéaires.
- Dans , trois vecteurs linéairement dépendants si et seulement s’ils sont
sur le plan (coplanaires)
Théorème 5
Soit un sous-ensemble de . Si contient plus de éléments,
alors est linéairement dépendant.
9. Base et dimension
9.1 Base
Définition 13 ( Base d’un espace vectoriel)

Soit un espace vectoriel et un sous-ensemble de . Alors est
un base de si et seulement si les deux conditions suivantes sont vérifiées :
(1) L’ensemble est linéairement indépendant,
(2) L’ensemble engendre , c'est-à-dire .
Théorème 6
Si est une base de l’espace vectoriel , alors tout vecteur
s’exprime de façon unique comme combinaison linéaire d’éléments de :
Avec déterminés de façon unique.
Définition 14 ( Coordonnées par rapport à une base)

Les du théorème précédent sont appélés les coordonnées de dans .
Exemple 19
Les vecteurs et de la figure ci-dessous forment une base du plan car on a
pour tout vecteur du plan ou et sont des nombres réels
uniquement déterminés.
Exemple 20
Soient , , les vecteurs de la base standard de
.
Alors est une base de car est linéairement indépendant et
engendre
Exemple 21 ( Base standard de )
Les vecteurs , ,…, forme une base de ,
appelé base standard de .
Exemple 22
Soient , et .
Montrer que l’ensemble est une base de .
9.2. Dimension
Définition 15
Un espace vectoriel admettant une base ayant un nombre fini d’éléments est
dit de dimension finie

Définition 16 (Dimension d’un espace vectoriel)
La dimension d’un espace vectoriel de dimension finie , notée dim , est par
définition le nombre d’éléments d’une base de .
Théorème 7 (Théorème de la dimension)

Toutes les bases d’un espace vectoriel de dimension finie ont le même nombre
d’éléments.
Méthodologie. Pour déterminer la dimension d’un espace vectoriel, il suffit de

trouver une base de (une famille à la fois libre et génératrice) : le cardinal
(nombre d’éléments) de cette famille donne la dimension de . Le théorème 2
de la dimension prouve que même si on choisissait une base différente alors ces
deux bases auraient le même nombre d’éléments.
Convention. On convient d’attribuer à l’espace vectoriel la dimension 0.
Exemple 23
1. La base canonique de est et La dimension de est donc 2.
2. Les vecteurs , forment aussi une base de , et illustrent qu’une

autre base contient le même nombre d’éléments.
3. Plus généralement, est de dimension , car par exemple sa base
canonique contient éléments.
4. dim car une base de est qui
contient éléments.

III. MATRICE
1. Définition
Définition 17
• Une matrice est un tableau rectangulaire d’éléments de .
• Elle est dite de taille si le tableau possède lignes et colonnes.
• Les nombres du tableau sont appelés les coefficients de .
• Le coefficient situé à la i-ème ligne et à la j-ème colonne est noté .
Un tel tableau est représenté de la manière suivante :
ou ou .
Exemple 24
est une matrice avec, par exemple, et .
Définition 18
• Deux matrices sont égales lorsqu’elles ont la même taille et que les coefficients
correspondants sont égaux.
• L’ensemble des matrices à lignes et colonnes à coefficients dans est noté
.
Les éléments de sont appelés matrices réelles.
2. Matrices particulières
Voici quelques types de matrices intéressantes :

• Si (même nombre de lignes que de colonnes), la matrice est dite matrice
carrée. On note au lieu de .
Les éléments , ,..., forment la diagonale principale de la matrice.
• Une matrice qui n’a qu’une seule ligne ( ) est appelée matrice ligne ou
vecteur ligne. On la note
.
• De même, une matrice qui n’a qu’une seule colonne ( ) est appelée
matrice colonne ou vecteur colonne. On la note
• La matrice (de taille ) dont tous les coefficients sont des zéros est appelée
la matrice nulle et est notée ou plus simplement 0. Dans le calcul matriciel,
la matrice nulle joue le rôle du nombre 0 pour les réels.
3. Addition de matrices
Définition 19 (Somme de deux matrices).

Soient et deux matrices ayant la même taille . Leur somme
est la matrice de taille définie par .
En d’autres termes, on somme coefficients par coefficients. Remarque : on note

indifféremment où pour les coefficients de la matrice A.
Exemple 25
Si et alors .
Par contre si alors n’est pas définie.

Définition 20 (Produit d’une matrice par un scalaire).
Le produit d’une matrice de par un scalaire est la
matrice formée en multipliant chaque coefficient de par . Elle est
notée (ou simplement ).
Exemple 26
Si et alors .
La matrice est l’opposée de et est notée . La différence est
définie par .
Exemple 27
Si et alors
Proposition 3
Soient , et trois matrices appartenant à Soient et
deux scalaires.
1. : la somme est commutative,
2. : la somme est associative,
3. : la matrice nulle est l’élément neutre de l’addition,
4. ,
5. .
4. Multiplication de matrices
4.1. Définition du produit

Le produit de deux matrices et est défini si et seulement si le nombre de
colonnes de est égal au nombre de lignes de .
Définition 21 (Produit de deux matrices) .

Soient une matrice et une matrice . Alors le
produit est une matrice dont les coefficients sont définis par
On peut écrire le coefficient de façon plus développée, à savoir :

.
Il est commode de disposer les calculs de la façon suivante.
Avec cette disposition, on considère d’abord la ligne de la matrice située à

gauche du coefficient que l’on veut calculer (ligne représentée par des dans )
et aussi la colonne de la matrice située au-dessus du coefficient que l’on veut
calculer (colonne représentée par des dans ). On calcule le produit du
premier coefficient de la ligne par le premier coefficient de la colonne ( ),
que l’on ajoute au produit du deuxième coefficient de la ligne par le deuxième
coefficient de la colonne ( ), que l’on ajoute au produit du troisième...
Exemple 28
Soient ,
Un exemple intéressant est le produit d’un vecteur ligne par un vecteur colonne :
Alors est une matrice de taille l’unique coefficient est

. Ce nombre s’appelle le produit scalaire des vecteurs u et v.
Calculer le coefficient dans le produit revient donc à calculer le
produit scalaire des vecteurs formés par la i-ème ligne de et la j-ème colonne
de .
4.2. Propriétés du produit de matrices
Proposition 3
1. : associativité du produit,
2. et : distributivité du produit par
rapport à la somme,
3. et
4.3. La matrice identité
La matrice carrée suivante s’appelle la matrice identité :
Ses éléments diagonaux sont égaux à 1 et tous ses autres éléments sont égaux à
0. Elle se note ou simplement . Dans le calcul matriciel, la matrice identité
joue un rôle analogue à celui du nombre 1 pour les réels. C’est l’élément neutre
pour la multiplication. En d’autres termes :
Proposition 5
Si est une matrice , alors
et .
5. Inverse d’une matrice : Définition
5.1. Définition
Définition 22 (Matrice inverse).

Soit une matrice carrée de taille . S’il existe une matrice carrée de
taille telle que et , on dit que est inversible. On appelle
l’inverse de et on la note .
Exemple 28
Soit . Étudier si est inversible, c’est étudier l’existence d’une

matrice . à coefficients dans telle que et . Or
équivaut à :
Cette égalité équivaut au système :
Sa résolution est immédiate : , , , , . Il n’y a donc
qu’une seule matrice possible, à savoir . Pour prouver qu’elle
convient, il faut aussi montrer l’égalité , dont la vérification
est laissée au lecteur. La matrice A est donc inversible et .
Exemple 29
La matrice . n’est pas inversible. En effet, soit une

matrice quelconque. Alors le produit
ne peut jamais être égal à la matrice identité.
5.2. Propriétés
Unicité
Proposition 6
Si est inversible, alors son inverse est unique.
Inverse de l’inverse
Proposition 7
Soit une matrice inversible. Alors est aussi inversible et on a :

Inverse d’un produit
Proposition 8
Soient et deux matrices inversibles de même taille. Alors AB est inversible
et
6. Inverse d’une matrice : calcul

6.1. Matrices
Considérons la matrice : .
Proposition 9
Si , alors est inversible et
6.2. Méthode de Gauss pour inverser les matrices
La méthode pour inverser une matrice consiste à faire des opérations

élémentaires sur les lignes de la matrice jusqu’à la transformer en la matrice
identité . On fait simultanément les mêmes opérations élémentaires en partant
de la matrice . On aboutit alors à une matrice qui est . La preuve sera vue
dans la section suivante. En pratique, on fait les deux opérations en même temps
en adoptant la disposition suivante : à côté de la matrice que l’on veut
inverser, on rajoute la matrice identité pour former un tableau . Sur les
lignes de cette matrice augmentée, on effectue des opérations élémentaires
jusqu’à obtenir le tableau . Et alors . Ces opérations élémentaires
sur les lignes sont :
1. avec : on peut multiplier une ligne par un réel non nul (ou un
élément de ).
2. avec (et ) : on peut ajouter à la ligne un multiple

d’une autre ligne .
3. : on peut échanger deux lignes.
N’oubliez pas : tout ce que vous faites sur la partie gauche de la matrice
augmentée, vous devez aussi le faire sur la partie droite.
Exemple 30

Calculons l’inverse de .
Voici la matrice augmentée, avec les lignes numérotées :
On applique la méthode de Gauss pour faire apparaître des 0 sur la première

colonne, d’abord sur la deuxième ligne par l’opération élémentaire
qui conduit à la matrice augmentée :
Puis un 0 sur la première colonne, à la troisième ligne, avec :
On multiplie la ligne afin qu’elle commence par 1 :
On continue afin de faire apparaître des 0 partout sous la diagonale, et on

multiplie la ligne . Ce qui termine la première partie de la méthode de Gauss :
puis

Il ne reste plus qu’à « remonter » pour faire apparaître des zéros au-dessus de la
diagonale :
puis
Ainsi l’inverse de est la matrice obtenue à droite et après avoir factorisé tous
les coefficients par , on a obtenu :
7. Inverse d’une matrice : systèmes linéaires
7.1. Matrices et systèmes linéaires
Le système linéaire
peut s’écrire sous forme matricielle

On appelle la matrice des coefficients du système.
est le vecteur du second membre.
Le vecteur est une solution du système si et seulement si .

7.2. Matrices inversibles et systèmes linéaires
Considérons le cas où le nombre d’équations égale le nombre d’inconnues :
Alors est une matrice carrée et un vecteur de . Pour tout

second membre, nous pouvons utiliser les matrices pour trouver la solution du
système linéaire.
Proposition 10
Si la matrice est inversible, alors la solution du système est unique et

est : .
8. Matrices triangulaires, transposition, trace, matrices symétriques

8.1. Matrices triangulaires, matrices diagonales
Soit une matrice de taille . On dit que est triangulaire inférieure si ses
éléments au-dessus de la diagonale sont nuls, autrement dit :
Une matrice triangulaire inférieure a la forme suivante :
On dit que A est triangulaire supérieure si ses éléments en-dessous de la

diagonale sont nuls, autrement dit :

Une matrice triangulaire supérieure a la forme suivante :
Exemple 31
Deux matrices triangulaires inférieures (à gauche), une matrice triangulaire

supérieure (à droite) :
Une matrice qui est triangulaire inférieure et triangulaire supérieure est dite
diagonale. Autrement dit : .
Exemple 32
Exemples de matrices diagonales :
et
8.2. La transposition
Soit la matrice de taille
Définition 22
On appelle matrice transposée de la matrice de taille définie par :

Autrement dit : le coefficient à la place de est . Ou encore la i-ème
ligne de devient la i-ème colonne de (et réciproquement la j-ème colonne
de est la j-ème ligne de ).
Notation : La transposée de la matrice se note aussi souvent
Exemple 32
L’opération de transposition obéit aux règles suivantes :
Théorème 8




 Si est inversible, alors l’est aussi et on a
8.3. La trace
Dans le cas d’une matrice carrée de taille , les éléments , ,...,

sont appelés les éléments diagonaux.
Sa diagonale principale est la diagonale ( , ,..., ).
Définition 23
La trace de la matrice est le nombre obtenu en additionnant les éléments

diagonaux de . Autrement dit,

Exemple 33
 Si alors .
 Si alors .
Théorème 8
Soient et deux matrices . Alors :
 ,
 pour tout ,
 ,
 ,
8.4. Matrices symétriques
Définition 24
Une matrice de taille est symétrique si elle est égale à sa transposée,

c’est-à-dire si , ou encore si pour tout . Les
coefficients sont donc symétriques par rapport à la diagonale.
Exemple 34
Les matrices suivantes sont symétriques :
Exemple 35
Pour une matrice quelconque, les matrices et sont symétriques.
8.5. Matrices antisymétriques
Définition 25

Une matrice de taille est antisymétrique si , c’est-à-dire
pour tout .
Exemple 36
Exemple 37
Toute matrice est la somme d’une matrice symétrique et d’une matrice

antisymétrique.
9. Déterminant
Définition 26
Le déterminant est définie comme une application, qui à une matrice carrée
associe un scalaire :
On note le déterminant d’une matrice par :
ou
9.1. Déterminant en dimension 2 et 3

9.1.1. Matrice
En dimension 2, le déterminant est très simple à calculer :
C’est donc le produit des éléments sur la diagonale principale (en bleu) moins le
produit des éléments sur l’autre diagonale (en orange).
-
+
9.1.2. Matrice
Soit une matrice :
Voici la formule pour le déterminant :
Il existe un moyen facile de retenir cette formule, c’est la règle de Sarrus : on

recopie les deux premières colonnes à droite de la matrice (colonnes grisées),
puis on additionne les produits de trois termes en les regroupant selon la
direction de la diagonale descendante (à gauche), et on soustrait ensuite les
produits de trois termes regroupés selon la direction de la diagonale montante (à
droite).
- - -
+ + +
Exemple 38
Calculons le déterminant de la matrice .
Par la règle de Sarrus :

- - -
+ + +
Attention : cette méthode ne s’applique pas pour les matrices de taille supérieure
à 3. Nous verrons d’autres méthodes qui s’appliquent aux matrices carrées de
toute taille et donc aussi aux matrices .
9.2. Calculs de déterminants
Une des techniques les plus utiles pour calculer un déterminant est le
«développement par rapport à une ligne (ou une colonne)».
9.2.1. Cofacteur
Définition 26
Soit une matrice carrée.
• On note la matrice extraite, obtenue en effaçant la ligne i et la colonne j de

.
• Le nombre est un mineur d’ordre de la matrice A.
• Le nombre est le cofacteur de A relatif au coefficient

.

Exemple 39
. Calculons , , , .
Pour déterminer si ou , on peut se souvenir que

l’on associe des signes en suivant le schéma d’un échiquier :
Donc , , ,...
9.2.2. Développement suivant une ligne ou une colonne
Théorème 9 (Développement suivant une ligne ou une colonne).
Formule de développement par rapport à la ligne :
Formule de développement par rapport à la colonne :

Exemple 40
Retrouvons la formule des déterminants , déjà présentée par la règle de

Sarrus, en développement par rapport à la première ligne.
Exemple 41
On choisit de développer par rapport à la seconde colonne (car c’est là qu’il y a

le plus de zéros) :
(développement par rapport à la deuxième colonne)
on n’oublie pas les signes des cofacteurs et on recommence en développant

chacun de ces deux déterminants
(par rapport à la première colonne)

(par rapport à la deuxième ligne)
9.3. Inverse d’une matrice
Soit une matrice carrée. Nous lui associons la matrice des

cofacteurs, appelée comatrice, et notée Com( ) :
Théorème 10
Soient une matrice inversible, et sa comatrice. On a alors
Exemple 42
Soit . Le calcul donne que . La comatrice s’obtient
en calculant 9 déterminants (sans oublier les signes ). On trouve :
et donc
9.4. Méthode de Cramer
Le théorème suivant, appelé règle de Cramer, donne une formule explicite pour
la solution de certains systèmes d’équations linéaires ayant autant d’équations
que d’inconnues. Considérons le système d’équations linéaires à équations et
inconnues suivant :

Ce système peut aussi s’écrire sous forme matricielle où
Définissons la matrice par
Autrement dit, est la matrice obtenue en remplaçant la j-ème colonne de par

le second membre . La règle de Cramer va nous permettre de calculer la
solution du système dans le cas où en fonction des déterminants des
matrices et .
Théorème 11 (Règle de Cramer).
Soit AX = B un système de n équations à n inconnues. Supposons que

. Alors l’unique solution ( ) du système est donnée par :
Exemple 43
Résolvons le système suivant :
On a

et
La solution est alors

IV. APPLICATIONS LINEAIRES
Rappel
Soit une application quelconque de
 est injective si pour tout (équivaut

à : pour tout ;
 est surjective si pour tout , il existe telle que ;
 est bijective si et seulement si est injective et surjective : pour tout
, il existe un unique tel que .
1. Définition
Soit et deux espace vecteur et une application de .

On dit que est linéaire si et seulement si :
 Pour tout , ;
 Pour tout et pour tout ,
Exemple 44
Soit définie pour tout
Montrons que est une application linéaire :
Soient on a
Soient et , on a :

vérifie les deux propriétés, donc est une application linéaire.
Théorème 12
Soit . est linéaire si seulement si :

Pour tout pour tout
Remarque 6
Si est linéaire alors .
2. Noyau, image d’une application linéaire
Rappels
Soient et , . Par définition :
 L’image de par est

 L’image réciproque de par est
Théorème 13
Soit une application linéaire. Soient un sous-espace vectoriel de

et un sous-espace vectoriel de alors :
 est un sous-espace vectoriel de ;

 est un sous-espace vectoriel de .
Définition 27
Soit une application linéaire. On appelle :
- Noyau de et on note le sous-ensemble de :

- Image de et on note le sous-ensemble de :
Théorème 14
Soit une application linéaire. Alors :
et
sont respectivement des sous-espaces vectoriels de et .
Théorème 15
Soit une application linéaire. Alors :
est injective si et seulement si
Exemple 45
Soit définie pour tout
Déterminons et .
3. Matrice d’une application linéaire
Nous allons voir qu’il existe un lien étroit entre les matrices et les applications
linéaires. À une matrice on associe naturellement une application linéaire. Et
réciproquement, étant donné une application linéaire, et des bases pour les
espaces vectoriels de départ et d’arrivée, on associe une matrice.
Dans cette section, tous les espaces vectoriels sont de dimension finie.
3.1. Matrice associée à une application linéaire
Soient et deux espaces vectoriels de dimension finie. Soient la dimension

de et une base de . Soient la dimension de et
une base de F. Soit enfin une application linéaire.
Les propriétés des applications linéaires entre deux espaces de dimension finie
permettent d’affirmer que :

 l’application linéaire est déterminée de façon unique par l’image d’une
base de , donc par les vecteurs .
 Pour , est un vecteur de et s’écrit de manière
unique comme combinaison linéaire des vecteurs de la base
de Il existe donc n scalaires uniques
(parfois aussi notés ) tels que
Ainsi, l’application linéaire f est entièrement déterminée par les coefficients

. Il est donc naturel d’introduire la définition suivante :
Définition 28
La matrice de l’application linéaire par rapport aux bases et est la matrice

dont la j-ème colonne est constituée par les coordonnées du
vecteur dans la base :
En termes plus simples : c’est la matrice dont les vecteurs colonnes sont l’image
par f des vecteurs de la base de départ , exprimée dans la base d’arrivée . On
note cette matrice .
Remarque 7
• La taille de la matrice dépend uniquement de la dimension de et

de celle de .
• Par contre, les coefficients de la matrice dépendent du choix de la base de

et de la base de .
Exemple 46

Soit l’application linéaire de dans définie par
Il est utile d’identifier vecteurs lignes et vecteurs colonnes ; ainsi peut être vue
comme l’application
a)Soit la base canonique de et la base

canonique de . C’est-à-dire :
Quelle est la matrice de dans les bases et ?

On a La première colonne de la matrice
est donc .
De même La deuxième colonne de la
matrice est donc .
Enfin La troisième colonne de la
matrice est donc .
Ainsi
b)On va maintenant changer la base de l’espace de départ et celle de l’espace

d’arrivée. Soient les vecteurs
On montre facilement que est une base de et

est une base de .
Quelle est la matrice de dans les bases et ?

On a La première colonne de la
matrice est donc .
De même La deuxième colonne de
la matrice est donc .
Enfin La troisième colonne de la
matrice est donc .
Cet exemple illustre bien le fait que la matrice dépend du choix des bases

Cours D'algebre Lineaire

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours D'algebre Lineaire

Transféré par

Droits d'auteur :

Formats disponibles

Union-Discipline-Travail

Support de cours d’Algèbre linéaire UTT LOKO L2 GCV Page 2

I. SYSTEME D’EQUATIONS LINEAIRES

II. ESPACE VECTORIEL

Support de cours d’Algèbre linéaire UTT LOKO L2 GCV Page 3

Support de cours d’Algèbre linéaire UTT LOKO L2 GCV Page 4

Par exemple, la physique abonde de relations linéaires : les lois fondamentales

Définition 1 (équation linéaire)

Définition 2 (système linéaire d’équation linéaire)

Le système suivant a 2 équations et 3 inconnues :

La forme générale d’un système de n équations à p inconnues est la suivante :

Support de cours d’Algèbre linéaire UTT LOKO L2 GCV Page 5

Dans l’exemple 1, on a n = 2 (nombre d’équations = nombre de lignes), p = 3

admet comme solution , c’est-à-dire

Support de cours d’Algèbre linéaire UTT LOKO L2 GCV Page 6

À partir de là, le jeu pour résoudre un système linéaire donné consistera à le

3. Différents types de systèmes

En particulier, si vous trouvez 2 solutions différentes à un système linéaire,

5. Résolution par la méthode du pivot de Gauss

Support de cours d’Algèbre linéaire UTT LOKO L2 GCV Page 7

 n’est pas échelonné (la dernière ligne

commence avec la même variable que la ligne au-dessus)

Ce système se résout trivialement en

En d’autres termes, pour toute valeur de réelle, les valeurs de , et

5.2 Opérations sur les équations d’un système

Support de cours d’Algèbre linéaire UTT LOKO L2 GCV Page 8

Commençons par l’opération : on soustrait à la deuxième

On continue pour faire apparaître un coefficient 1 en tête de la deuxième ligne

Support de cours d’Algèbre linéaire UTT LOKO L2 GCV Page 9

On obtient ainsi , et et l’unique solution du système est

La méthode du pivot de Gauss permet de trouver les solutions de n’importe quel

Partie A. Passage à une forme échelonnée.

Soit le système suivant à résoudre :

Pour appliquer la méthode du pivot de Gauss, il faut d’abord que le premier

Nous avons déjà un coefficient 1 devant le de la première ligne. On dit que

Le système est maintenant sous forme échelonnée.

Partie B. Passage à une forme réduite.

On fait apparaître des 0 sur la deuxième colonne (en utilisant le pivot de la

Support de cours d’Algèbre linéaire UTT LOKO L2 GCV Page 11

Partie C. Solutions. Le système est maintenant très simple à résoudre :

5.4 Systèmes homogènes

Sa forme échelonnée réduite est

On pose comme variables libres et pour avoir

et l’ensemble des solutions :

Support de cours d’Algèbre linéaire UTT LOKO L2 GCV Page 12

1) Soit un ensemble. La notation signifie que « est un élément de

Définition 5 (Espace Vectoriel)

Soit un ensemble munie de deux opérations : une addition

Exemple 7 (L’espace vectoriel ).

Posons . Un élément est donc un couple avec élément

Support de cours d’Algèbre linéaire UTT LOKO L2 GCV Page 13

 Définition de la multiplication par un scalaire. Si est un réel et est

 Le vecteur nul de est (0,0). L’opposé de est que l’on

L’exemple suivant généralise le précédent.

Exemple 8 (L’espace vectoriel )

Soit n un entier supérieur ou égal à 1. Posons . Un élément est

Support de cours d’Algèbre linéaire UTT LOKO L2 GCV Page 14

 Définition de la multiplication par un scalaire.

Si est un réel et est un élément de , alors :

le vecteur nul de est . L’opposé de est

L’ensemble muni des opérations habituelles d’addition de vecteurs et de

Le plan donné par une équation de la forme

Où et sont des scalaires non tous nuls.