COURS D’ALGÈBRE LINÉAIRE, FONCTIONS

DE PLUSIEURS VARIABLES
UNIVERSITÉ POLYTECHNIQUE DE
BINGERVILLE (UPB)

Enseignant : Dr Tersia M.C. GBADIE

LICENCE 1 SEA & SEG (2023-2024)

2
Table des matières

1 Matrice 7

2 Résolution de système d’équations linéaires 9

2.1 Définition et forme matricielle . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1.2 Forme matricielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2 Méthodes de résolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.1 Méthode par inversion de matrice . . . . . . . . . . . . . . . . . . 11
2.2.2 Méthode de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2.3 Méthode par élimination ou méthode de Gauss-Jordann . . . . . 13

3 Espaces vectoriels 15
3.1 Définition et propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2 Sous-espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.3 Indépendance et dépendance linéaire . . . . . . . . . . . . . . . . . . . . 18
3.4 Base et dimension d’espace vectoriel . . . . . . . . . . . . . . . . . . . . . 19
3.5 Sous-espaces supplémentaires . . . . . . . . . . . . . . . . . . . . . . . . . 19

4 Applications linéaires 21
4.1 Définition, vocabulaire et caractérisation (propriétés) . . . . . . . . . . . 21
4.2 Image directe et noyau d’une application linéaire . . . . . . . . . . . . . . 21

3
4 TABLE DES MATIÈRES
Introduction

5
6 TABLE DES MATIÈRES
Chapitre 1

Matrice

7
8 CHAPITRE 1. MATRICE
Chapitre 2

Résolution de système d’équations

linéaires

La méthode de base pour résoudre un système d’équations linéaires est de rempla-

cer le système par un autre, plus simple, ayant le même ensemble de solutions. Ceci
se fait par une succession d’opérations élémentaires. Ces opérations élémentaires ne
changent pas l’ensemble des solutions du sytème d’équations.

2.1 Définition et forme matricielle

2.1.1 Définition
Définition 2.1.1 1. Une d’équations linéaires à n inconnues x1 , x2 , · · · , xn est une équa-
tion de premier degré qui peut être exprimée sous la forme a1 x1 + a2 x2 + · · · + an xn = b,
où a1 , a2 , · · · , an , les coefficients des variables, et b, sont des constantes réelles.
2. Un système d’équations linéaires est un système de m équations à n inconnues, comme
suit : 

 a11 x1 + a12 x2 + · · · + a1n xn = b1
 a21 x1 + a22 x2 + · · · + a2n xn = b2

(S) : ..


 .
 a x + a x + ··· + a x = b
m1 1 m2 2 mn n m

où le nombre réel aij est le coefficient de la j−ème inconnue dans la i−ème équation.
Exemples 2.1.1 

 3x − 4y + 2z = 10
2x + 2y − z = 2

(S1 ) :

 5x − 3y + 4z = 23
x + 5y − 8z = −25


Définition 2.1.2 1. Une solution d’un système d’équations linéaires de la forme



 a11 x1 + a12 x2 + · · · + a1n xn = b1
 a21 x1 + a22 x2 + · · · + a2n xn = b2

(S) : ..


 .
 a x + a x + ··· + a x = b
m1 1 m2 2 mn n m

9
10 CHAPITRE 2. RÉSOLUTION DE SYSTÈME D’ÉQUATIONS LINÉAIRES

est une suite de nombres s1 , s2 , s3 , · · · , sn telle que, si nous remplaçons x1 par s1 , x2 par
s2 , x3 par s3 , · · · , xn par sn dans chacune des équations du système (S), nous obtenons
une égalité vraie entre les deux membres.
Cette solution est notée par le n−uplet (s1 , s2 , s3 , · · · , sn ).
2. L’ensemble-solution d’un système d’équations, noté SRn , est l’ensemble de toutes les so-
lutions du système.
Exemples 2.1.2 Vérifions que (2, 1, 4) est une solution du système d’équations linéaires (S1 )
suivant. 

 3x − 4y + 2z = 10
2x + 2y − z = 2

(S1 ) :

 5x − 3y + 4z = 23
x + 5y − 8z = −25


Définition 2.1.3 Un système d’équations linéaires est dit

1. compatible (cohérent ou non contradictoire) lorsqu’il a au moins une solution ;
2. incompatible (incohérent ou contradictoire) lorsqu’il n’a aucune solution. Nous écri-
vons alors SRn = ∅.
Autrement dit, un système d’équations linéaires n’a soit aucune solution (système est incom-
patible), soit une seule solution (matrice est inversible), soit une infinité de solutions (nombre
d’inconnues supérieur au nombre d’équations).

2.1.2 Forme matricielle

Soit le système suivant :


 a11 x1 + a12 x2 + · · · + a1n xn = b1
 a21 x1 + a22 x2 + · · ·

+ a2n xn = b2
(S) : ..


 .
 a x + a x + ··· + amn xn = bm
m1 1 m2 2

La forme matricielle de ce système d’équations est :

AX = B
avec  
a11 a12 · · ·a1n
 a21 a22 · · ·a2n 
A=
 
.. 
 . 
am1 am2 · · ·amn
 
x1
 x2 
la matrice (des coefficients) associée au système, X =  ..  la matrice des variables
 
 . 
xn
 
b1
 b2 
et B =  ..  la matrice des constantes.
 
 . 
bm
2.2. MÉTHODES DE RÉSOLUTION 11

Définition 2.1.4 Nous obtenons la matrice augmentée associée au système en <oubliant> les
variables xi et les signes <+> et <=>. La matrice augmentée associée au système est :
 
a11 a12 · · · a1n | b1
 a21 a22 · · · a2n | b2 
à = 
 
.. 
 . 
am1 am2 · · · amn | bm


 3x − 4y + 2z = 10
2x + 2y − z = 2

Exemples 2.1.3 (S1 ) :

 5x − 3y + 4z = 23
x + 5y − 8z = −25


2.2 Méthodes de résolution

Définition 2.2.1 Résoudre un sytème d’équations linéaires c’est trouver l’ensemble des solu-
tions de ce sytème.

Nous ne reprendrons pas les méthodes classiques connues : méthode par combinaison
et par substitution. Nous présentons ici trois autres méthodes.

2.2.1 Méthode par inversion de matrice



 a11 x1 + a12 x2 + · · · + a1n xn = b1
 a21 x1 + a22 x2 + · · ·

+ a2n xn = b2
Soit le système d’équations linéaires (S) : ..


 .
 a x + a x + ··· + amn xn = bm
m1 1 m2 2
de forme matricielle AX = B.

Théorème 2.2.1 Si A est inversible, alors le système AX = B admet une et une seule
solution pour toute matrice B de taille n × 1. Cette solution est donnée par

X = A−1 B

Exemples 2.2.1  Résolvons, le système d’équations linéaires suivants à l’aide de la matrice

 x + 2y + z = 2
inverse. (S2 ) : 3x − y + 2z = 15
4x − z = −1

La forme matricielle de (S2 ) est
    
1 2 1 x 2
 3 −1 2   y  =  15 
4 0 −1 z −1
| {z } | {z } | {z }
A X B
12 CHAPITRE 2. RÉSOLUTION DE SYSTÈME D’ÉQUATIONS LINÉAIRES

1 2 1
det(A) = 3 −1 2 = 27 6= 0. Donc A est inversible et
4 0 −1  
1 2 5
−1 1 1 
A = adj(A) = 11 −5 1 .
det(A) 27
 4 8 −7
      
1 2 5 2 27 1
−1 1    15  = 1  −54  =  −2 .
Ainsi X = A B = 11 −5 1
27 27
4 8 −7 −1 135 5
SR3 = {(1, −2, 5)}.
Exercices 2.2.1 Résoudre le système d’équations suivants en utilisant la méthode de la matrice
inverse.
 −2x + 2y + z = 4
(S3 ) : x + 3y − 2z = −2
2x + y − 2z = 3


2.2.2 Méthode de Cramer

Cette méthode utilise le calcul du déterminant. Il est donc primordial de bien maî-
triser les règles de calcul du déterminant d’une matrice.
Définition 2.2.2 Le système est dit de Cramer si les deux conditions suivantes sont réalisées :
(i) n = p ;
(ii) M est inversible.
Théorème 2.2.2 Soit AX = B la forme matricielle d’un système de n équations à n incon-
nues. Si det(A) 6= 0 alors l’unique solution du système est donnée par
det(A1 ) det(A2 ) det(An )
x1 = , x2 = , · · · , xn =
det(A) det(A) det(A)
où Aj est la matrice obtenue en remplaçant la j−ème colonne de A par le second membre B.
Remarques 2.2.1 La règle de Cramer ne peut pas être utilisée directement pour résoudre un
système d’équations linéaires lorsque :
• le nombre d’équations n’est pas égal au nombre d’inconnues ;
• le déterminant de la matrice des coefficients est égal à zéro.
Exemples
 2.2.2 Résolvons les systèmessuivants à l’aide
 de laméthode
 de Cramer.
  (S4 ) :
 2x + 3y − z = 1 2 3 −1 x 1
4x + 3y + 2z = 5 où A =  4 3 2  , X = y et B = 5 .
  
x − y + z = 2 1 −1 1 z 2

On a det(A) = 5 6= 0. Alors (S4 ) admet une unique solution et nous avons
1 3 −1
5 3 2
det(A1 ) 2 −1 1 7
x= = = .
det(A) 5 5
2.2. MÉTHODES DE RÉSOLUTION 13

2 1 −1
4 5 2
det(A2 ) 1 2 1 −3
y= = = .
det(A) 5 5
2 3 1
4 3 5
det(A3 ) 1 −1 2 0
z= = = .
det(A) 5 5
 
7 −3
D’où l’ensemble des solution est SR3 = , ,0 .
5 5

 2.2.2 Résoudre le système suivant à l’aide de la règle de Cramer.

Exercices
3x + y = 1
(S5 ) :
−4x + 5y = 7

2.2.3 Méthode par élimination ou méthode de Gauss-Jordann

Définition 2.2.3 1. Lorsqu’on effectue les opérations élémentaires sur un système (S1 ) on
obtient un système (S2 ) qui est équivalente.
2. Deux systèmes d’équations linéaires (S1 ) et (S2 ) à n variables équivalents ont le même
ensemble-solution.

Remarques 2.2.2 Il est toujours possible de transformer, en un nombre fini d’opérations élé-
mentaires, une matrice augmentée en une matrice augmentée échelonnée équivalente.
Notons que cette dernière matrice augmentée échelonnée n’est pas unique, car le résultat dépend
des opérations faites sur les lignes.

Dans cette méthodes, nous utiliserons la matrice augmentée associée au système d’équa-
tion linéaire.
.
Théorème 2.2.3 1. Si rang(A) = rang(A..B) alors le système est Système compatible :
a) lorsque rang(A) = n, l’équation admet une unique solution.
b) lorsque rang(A) < n, on a une infinité de solutions.
.
2. Si rang(A) < rang(A..B) alors le système est incompatible. Il n’admet donc aucune
solution.
14 CHAPITRE 2. RÉSOLUTION DE SYSTÈME D’ÉQUATIONS LINÉAIRES


 2x − y − z = 1
Exemples 2.2.3 Soit (S6 ) : 3x + 4y − 2z = 0
3x − 2y + 4z = −1

La matrice augmentée associée au système (S6 ) est :
 
2 −1 −1 | 1
à =  3 4 −2 | 0 
3 −2 4 | −1

   
2 −1 −1 | 1 2 −1 −1 | 1
à =  3 4 −2 | 0  ∼  0 11 −1 | −3  L2 ← 2L2 − 3L1
3 −2 4 | −1 0 −1 11 | −5 L3 ← 2L3 − 3L1
 
2 −1 −1 | 1
∼  0 11 −1 | −3 
0 0 120 | −58 L3 ← 11L3 + L2
1


 x =

 10
19

∼ y=−
 60
 z = − 29



60
 
1 19 29
Donc SR3 = ,− ,− .
10 60 60

 3x − 2y − 4z = 0
Exercices 2.2.3 Résoudre le système (S7 ) : x + 3y − 2z = 0
5x − y + 2z = 0

Chapitre 3

Espaces vectoriels

La structure d’espace vectoriel intervient dans une grande partie de mathéma-

tiques : elle réalise un lien fondamental entre l’algèbre et la géométrie.
À l’issue de ce chapitre, l’étudiant sera capable de :
• Définir les espaces vectoriels et sous-espaces vectoriels
• Faire la différence entre famille libre, génératrice et base
• Déterminer la dimension d’un espace vectoriel
• Montrer que deux sous-espace sont supplémentaires

3.1 Définition et propriétés

Dans tout ce chapitre, K = R ou C un corps commutatif et E un espace vectoriel de
dimension finie.

Définition 3.1.1 1. Loi de composition interne

Soit E un ensemble non vide. Une loi de composition interne, notée additivement "+"
sur E est une application de E × E dans E, définie par :

+: E×E →E
(a, b) 7→ a + b

On dit que a + b est le composé de a et b pour la loi +.

La notation (E, +) représente l’ensemble E muni de la loi de composition interne +.
2. Loi de composition externe
Soit E et K deux ensembles non vides. Une loi de composition externe, notée multi-
plicativement "·" sur E, est une application de K × E dans E , notée

·: K×E →E
(α, a) 7→ α · a

On dit que α · a est le composé de α et a pour la loi "·".

15
16 CHAPITRE 3. ESPACES VECTORIELS

Exemples 3.1.1 1. Soit E = R l’ensemble des nombres réels. L’addition définie par :

+: R×R→R
(a, b) 7→ a + b

est une loi de composition interne sur R.

2. Soit E = Mn,p (R) l’ensemble des matrices réelles de taille n × p. L’addition de matrices
définie par :
+ : Mn,p (R) × Mn,p (R) → Mn,p (R)
(A, B) 7→ A + B
est une loi de composition interne sur Mn,p (R).
3. Soit E = Mn,p (R) l’ensemble des matrices réelles de taille n × p. La multiplication d’une
matrice par un scalaire (réel) définie par :

· : R × Mn,p (R) → Mn,p (R)

(α, A) 7→ α · A

est une loi de composition externe sur Mn,p (R).

Définition 3.1.2 Un espace vectoriel E sur K est un ensemble muni d’une loi de composi-
tion interne, notée "+", et d’une loi de composition externe, notée "·" (E, +, ·), vérifiant des
conditions précises.
La loi de composition interne "+" vérifie les propriétés suivantes :
1. u + v = v + u, ∀u, v ∈ E.
2. u + (v + w) = (u + v) + w, ∀u, v, w ∈ E.
3. Il existe un élément neutre 0E ∈ E tel que u + 0E = 0E + u = u, ∀u ∈ E.
4. Tout vecteur u ∈ E admet un symétrique (ou opposé) u0 tel que u + u0 = 0E . Cet élément
u0 est noté −u.
La loi de composition externe "·" vérifie les propriétés suivantes :
1’. α · (β · u) = (αβ) · u, ∀α, β ∈ K, u ∈ E.
2’. α · (u + v) = α · u + α · v, ∀α ∈ K, u, v ∈ E.
3’. (α + β) · u = α · u + β · u, ∀α, β ∈ K, u ∈ E.
4’. 1 · u = u, ∀u ∈ E.
On dit que E est un K−espace vectoriel ou espace vectoriel sur K, ses éléments sont appelés
vecteurs et ceux de K des scalaires.

Exemples 3.1.2 1. E = R2 est un espace vectoriel sur R.

Loi interne : Pour x = (x1 , x2 ) et y = (y1 , y2 ) ∈ R2 , on pose :

x + y = (x1 , x2 ) + (y1 , y2 ) = (x1 + y1 , x2 + y2 )

Loi externe : Pour x = (x1 , x2 ) ∈ R2 et α ∈ R, on pose :

αx = α(x1 , x2 ) = (αx1 , αx2 )

3.2. SOUS-ESPACE VECTORIEL 17

2. Soit E = Mn,p (R) l’ensemble des matrices réelles de taille n × p. E = Mn,p (R) muni des
lois définies dans les points 2. et 3. de l’exemple 3.1.1 est un espace vectoriel sur R.
Soit E un espace vectoriel sur le corps commutatif K. Notons :
(i) 0K : le zéro de K, c-est-à-dire, l’élément neutre du groupe additif (K; +).
(ii) 0E : le vecteur nul, c’est-à-dire, l’élément neutre du groupe additif (E; +).
(iii) 1 = 1K : l’élément unité du corps K.
Propriétés 3.1.1 1. ∀x ∈ E, 0K · x = 0E
2. ∀α ∈ K, α · 0E = 0E
3. ∀α ∈ K, et x ∈ E, αx = 0E ⇒ α = 0K ou x = 0E
4. (−α) · x = −(α · x) = α(−x), ∀α ∈ K, x ∈ E.

3.2 Sous-espace vectoriel

Définition 3.2.1 Soit E un K−espace vectoriel, et F un sous-ensemble non vide de E.
On dit que F est un sous-espace vectoriel de E si et seulement si :
1. 0E ∈ F .
2. u + v ∈ F, ∀u, v ∈ F .
3. α · u ∈ F, ∀α ∈ K, u ∈ F .
Tout K sous-espace vectoriel de E est un K−espace vectoriel.
Remarques 3.2.1 Soit E un K−espace vectoriel, et F un sous-ensemble non vide de E.
F est un sous-espace vectoriel de E si et seulement si :
α · u + v ∈ F, ∀α ∈ K, ∀u, v ∈ F
Exemples 3.2.1 Soit E = R2 est un espace vectoriel sur R. Soit F = {(x, y) ∈ E tel que x −
2y = 0}.
Alors, F est un sous-espace vectoriel de E.
Définition 3.2.2 Soit E un K−espace vectoriel, l’ensemble réduit au singleton vecteur nul
{0E } est un sous-espace vectoriel de E , ainsi que E lui-même.
1. Le sous-espace vectoriel nul {0E } et E sont dit sous-espaces vectoriels triviaux de E.
2. Tout autre sous-espace vectoriel F de E est dit sous-espace vectoriel propre de E, et
vérifie : {0E } ⊂ F ⊂ E.
Proposition 3.2.1 Soit E un K−espace vectoriel. Alors l’intersection de deux sous-espaces
vectoriels de E est un sous-espaces vectoriel de E.
Exercices 3.2.1 Soient F et G deux sous-espaces vectoriels d’un K−espace vectoriel E de di-
mension finie. Est-ce que F ∪ G est un sous-espace vectoriel ? Si non, pour quelle condition
F ∪ G serait un sous-espace vectoriel.
Proposition 3.2.2 Soit E un K−espace vectoriel de dimension finie et F ⊂ E un sous-espace
vectoriel de E. Alors F est de dimension finie et dim F ≤ dim E. De plus, si dim F = dim E,
alors F = E.
18 CHAPITRE 3. ESPACES VECTORIELS

3.3 Indépendance et dépendance linéaire

Définition 3.3.1 Soit Soit E un K−espace vectoriel.
Combinaison linéaire :
Soit F = {u1 , u2 , · · · , un } une famille d’éléments de E.
On dit qu’un vecteur u de E est une combinaison linéaire d’éléments de F s’il existe des sca-
laires α1 , α2 , · · · , αn dans K tels que :

u = α1 · · · u1 + α2 · · · u2 + · · · + αn · · · un

Les scalaires α1 , α2 , · · · , αn sont appelés coefficients de la combinaison linéaire.

Exemples 3.3.1 1. Montrer que le vecteur v = (−3, 3, 2) de R3 est une combinaison li-
néaire des vecteurs v1 = (1, 2, −3), v2 = (1, 1, −2) et v3 = (1, −1, 1).
2. Montrer que le vecteur w = (4, −1, 8) de R3 n’est pas une combinaison linéaire des
vecteurs u = (1, 2, −1), v2 = (6, 4, 2).

Définition 3.3.2 Famille Génératrice :

Soit F = {u1 , u2 , · · · , un } une famille d’éléments de E.
F est une famille génératrice de E, si tout vecteur u de E est une combinaison linéaire d’élé-
ments de F.
En d’autres termes :

∀u ∈ E, ∃α1 , α2 , · · · , αn , tels que u = α1 · · · u1 + α2 · · · u2 + · · · + αn · · · un

On dit que E est engendré par la famille F, et on note E =< F > (ou E = vect(F)).

Remarques 3.3.1 vect(F) est le plus petit sous-espace vectoriel de E contenant. C’est aussi
l’intersection de tous les sous-espaces vectoriels de E contenant F.

Exemples 3.3.2 La famille {e1 = (1, 0), e2 = (0, 1)} est une famille génératrice de R2 .
En effet, pour tout élément

u = (x, y) ∈ R2 , u = (x, y) = (x, 0) + (0, y) = x(1, 0) + y(0, 1) = xe1 + ye2

Exercices 3.3.1 1. Trouver une famille génératrice de R3 .

2. Soit E un sous-espace vectoriel de R3 défini par E = {(x, y, z) ∈ R3 /x + y = 0}.
Montrer que {(1, −1, 0), (0, 0, 1)} est une famille génératrice de E.
3. Soit F un sous-ensemble de R3 défini par F = {(x, y, z) ∈ R3 /x + 2y − z = 0}.
(a) Vérifier que F est un sous-espace vectoriel de R3 .
(b) Donner 3 familles génératrices différentes de F .

Définition 3.3.3 Soit F = {u1 , u2 , · · · , un } une famille d’éléments de E et A une matrice

associée à la famille F. Alors rang(F) = rang(A).
3.4. BASE ET DIMENSION D’ESPACE VECTORIEL 19

Famille Libre et famille liée :

Définition 3.3.4 Soit F = {u1 , u2 , · · · , un } une famille d’éléments de E.
• F est dite une famille libre (ou linéairement indépendante) si toute combinaison linéaire
de vecteurs de F nulle entraîne que tous les coefficients sont nuls.
En d’autres termes :
Soit α1 , α2 , · · · , αn ∈ K, α1 · · · u1 + α2 · · · u2 + · · · + αn · · · un ⇒ α1 = α2 = · · · =
αn = 0.
1. Dans le cas contraire, la famille est dite liée (ou linéairement dépendante). En d’autres
termes, une famille de vecteurs est liée si elle contient au moins un vecteur qui est une
combinaison linéaire des autres vecteurs.

: Si vérifient alors Dans le cas contraire, la famille est dite liée (ou linéairement
dépendante). , une famille de vecteurs est liée si elle contient au moins un vecteur qui
est une combinaison linéaire des autres vecteurs.

3.4 Base et dimension d’espace vectoriel

Définition 3.4.1 Soient F et G deux sous-espaces vectoriels d’un K-espace vectoriel E de
dimension finie, on a :
1. F + G =< F ∪ G > : l’espace engendré par F ∪ G.
2. dim(< F ∪ G >) = dim(F + G) = dim F + dim G − dim(F ∩ G).

3.5 Sous-espaces supplémentaires

20 CHAPITRE 3. ESPACES VECTORIELS
Chapitre 4

Applications linéaires

4.1 Définition, vocabulaire et caractérisation (propriétés)

4.2 Image directe et noyau d’une application linéaire

21