2021-2022 COURS D’ALGEBRE 2

Licence 1-IGL

Dr KRAMOH Yao
UNIVERSITE NANGUI ABROGOUA
 1
Cours d’Analyse 1-Dr KRAMOH
 Chapitre 1 : ESPACES VECTORIELS

Dans ce chapitre, 𝕂 désigne le corps des nombres réels ou le corps des nombres complexes
(𝕂 = ℝ ou 𝕂 = ℂ).

I. DEFINITIONS

I.1. Espace vectoriel

Un 𝕂 −espace vectoriel est un non vide 𝐸 muni :
• d'une Loi de Composition Interne (LCI) +, c’est-à-dire une application de 𝐸 × 𝐸 ⟶ 𝐸
𝐸×𝐸 ⟶𝐸
définie par :
(𝑢, 𝑣) ⟼ 𝑢 + 𝑣
• d'une Loi de Composition Externe (LCE) ., c’est-à-dire une application de 𝕂 × 𝐸 ⟶ 𝐸
𝕂×𝐸 ⟶ 𝐸
définie par :
(𝜆, 𝑣) ⟼ 𝜆. 𝑣
vérifiant les propriétés suivantes :
i) Pour tout (𝑢, 𝑣) ∈ 𝐸 2 , 𝑢 + 𝑣 = 𝑣 + 𝑢
ii) Pour tout (𝑢, 𝑣, 𝑤) ∈ 𝐸 3 , 𝑢 + (𝑣 + 𝑤) = (𝑢 + 𝑣) + 𝑤
iii) Il existe un élément neutre 0𝐸 ∈ 𝐸 tel que : Pour tout 𝑢 ∈ 𝐸, 𝑢 + 0𝐸 = 𝑢
iv) Tout 𝑢 ∈ 𝐸 admet un élément symétrique 𝑢′ ∈ 𝐸 tel que 𝑢 + 𝑢′ = 0𝐸
v) Pour tout 𝑢 ∈ 𝐸, 1. 𝑢 = 𝑢
vi) Pour tous 𝜆, 𝜇 ∈ 𝕂, 𝑢 ∈ 𝐸, 𝜆(𝜇. 𝑢) = (𝜆𝜇). 𝑢
vii) Pour tous 𝜆 ∈ 𝕂, 𝑢, 𝑣 ∈ 𝐸, 𝜆. (𝑢 + 𝑣) = 𝜆. 𝑢 + 𝜆. 𝑣
viii) Pour tous 𝜆, 𝜇 ∈ 𝕂, 𝑢 ∈ 𝐸, (𝜆 + 𝜇). 𝑢 = 𝜆. 𝑢 + 𝜇. 𝑢.
I.2. Terminologies et notations

• On appelle les éléments de 𝐸 des vecteurs. Au lieu de 𝕂 −espace vectoriel, on dit aussi
espace vectoriel sur 𝕂.
• Les éléments de 𝕂 seront appelés des scalaires.
• L’élément neutre 0𝐸 s’appelle aussi le vecteur nul.
Il ne doit pas être confondu avec l’élément 0 de 𝕂. Lorsqu’il n’y aura pas de risque de
confusion, 0𝐸 sera aussi noté 0.
• Le symétrique −𝑢 d’un vecteur 𝑢 ∈ 𝐸 s’appelle aussi l’opposé.
• La loi de composition interne sur 𝐸 (notée usuellement +) est appelée couramment
l’addition et 𝑢 + 𝑢′ est appelée somme des vecteurs 𝑢 et 𝑢′.
• La loi de composition externe sur 𝐸 est appelée couramment multiplication par un scalaire.
La multiplication du vecteur 𝑢 par le scalaire 𝜆 sera souvent notée simplement 𝜆𝑢, au lieu
de 𝜆. 𝑢.

2
Cours d’Analyse 1-Dr KRAMOH
 I.3. Règles de calculs
Soit 𝐸 un espace vectoriel sur 𝕂.
1. ∀𝑢 ∈ 𝐸, 0. 𝑢 = 0𝐸
2. ∀𝜆 ∈ 𝕂, 𝜆. 0𝐸 = 0𝐸
3. ∀𝑢 ∈ 𝐸, (−1)𝑢 = −𝑢
4. 𝜆. 𝑢 = 0𝐸 ⟺ 𝜆 = 0 ou 𝑢 = 0𝐸 .
L’opération qui à (𝑢, 𝑣) ∈ 𝐸 2 associe 𝑢 + (−1)𝑣 est appelée la soustraction. Le vecteur
𝑢 + (−1)𝑣 est noté 𝑢 − 𝑣. Les propriétés suivantes sont vérifiées :
𝜆(𝑢 − 𝑣) = 𝜆𝑢 − 𝜆𝑣 et (𝜆 − 𝜇). 𝑢 = 𝜆. 𝑢 − 𝜇. 𝑢, Pour tous 𝜆, 𝜇 ∈ 𝕂 et pour tout (𝑢, 𝑣) ∈ 𝐸 2 .

II. SOUS-ESPACES VECTORIELS

Il est clair que c’est très fatidique de montrer les huit propriétés pour montre qu’un ensemble
est un espace vectoriel. En règle générale, on montre que cet ensemble est un sous-espace
vectoriel.
II.1. Définition
Soit 𝐸 un espace vectoriel sur 𝕂. Une 𝐹 de 𝐸 est un sous-espace de 𝐸 si :
1. 0𝐸 ∈ 𝐹 (on dit que 𝐹 est non vide)
2. Pour tout (𝑢, 𝑣) ∈ 𝐹 2 , 𝑢 + 𝑣 ∈ 𝐹
3. Pour tout 𝜆 ∈ 𝕂 et pour tout 𝑢 ∈ 𝐹, 𝜆𝑢 ∈ 𝐹.
Remarque : les points 2. et 3. peuvent se résumer en un seul point. C’est-à-dire :
Pour tous 𝜆, 𝜇 ∈ 𝕂, Pour tout (𝑢, 𝑣) ∈ 𝐹 2 , 𝜆𝑢 + 𝜇𝑣 ∈ 𝐹.

Exemple : Montrer que l’ensemble 𝐹 = {(𝑥, 𝑦) ∈ ℝ2 /𝑥 + 𝑦 = 0} est un sous-espace vectoriel

de ℝ2 .

• 0ℝ2 = (0,0) ∈ 𝐹, car 0 + 0 = 0.

• Soit 𝑢 = (𝑥, 𝑦) ∈ 𝐹, 𝑣 = (𝑥′, 𝑦′) ∈ 𝐹.
𝑢 + 𝑣 = (𝑥 + 𝑥 ′ , 𝑦 + 𝑦′)
𝑢 = (𝑥, 𝑦) ∈ 𝐹 ⟹ 𝑥 + 𝑦 = 0
} ⟹ (𝑥 + 𝑦) + (𝑥′ + 𝑦′) = 0
𝑣 = (𝑥′, 𝑦′) ∈ 𝐹 ⟹ 𝑥′ + 𝑦′ = 0
⟹ (𝑥 + 𝑥′) + (𝑦 + 𝑦′) = 0 ⟹ 𝑢 + 𝑣 ∈ 𝐹.
• Soit 𝑢 = (𝑥, 𝑦) ∈ 𝐹 et 𝜆 ∈ 𝕂.
𝜆𝑢 = (𝜆𝑥, 𝜆𝑦)
𝑢 = (𝑥, 𝑦) ∈ 𝐹 ⟹ 𝑥 + 𝑦 = 0 ⟹ 𝜆(𝑥 + 𝑦) = 0 ⟹ 𝜆𝑥 + 𝜆𝑦 = 0 ⟹ 𝜆𝑢 ∈ 𝐹.
Conclusion : 𝐹 = {(𝑥, 𝑦) ∈ ℝ2 /𝑥 + 𝑦 = 0} est un sous-espace vectoriel de ℝ2 .
II.2. Théorème
Soient 𝐸 un 𝕂 −espace vectoriel et 𝐹 un sous-espace vectoriel de 𝐸. Alors 𝐹 est lui-même
un 𝕂 −espace vectoriel pour les lois induites par 𝐸.
II.3. Proposition : Soient 𝐸 un 𝕂 −espace vectoriel et 𝐹 un sous-espace vectoriel de 𝐸. Alors les
3
Cours d’Analyse 1-Dr KRAMOH
sous-espaces triviaux de 𝐸 est {0𝐸 }.
II.4. Combinaison linéaire
Définition : Soit 𝑛 ≥ 1 un entier, soient 𝑣1 , 𝑣2 , … , 𝑣𝑛 , 𝑛 vecteurs d’un 𝕂 −espace vectoriel 𝐸.
Tout vecteur 𝑢 de la forme 𝑢 = 𝜆1 𝑣1 + 𝜆2 𝑣2 + ⋯ + 𝜆𝑛 𝑣𝑛 (où 𝜆1 , 𝜆2 , … , 𝜆𝑛 sontdes éléments
De 𝕂) estappelé combinaison linéaire des vecteurs 𝑣1 , 𝑣2 , … , 𝑣𝑛 . Les scalaires 𝜆1 , 𝜆2 , … , 𝜆𝑛 sont
appelés coefficients de la combinaison linéaire.
Remarque : Si 𝑛 = 1, alors 𝑢 = 𝜆1 𝑣1 et on dit que les vecteurs 𝑢 et 𝑣1 sont colinéaires.
Exemples :

1. Dans le ℝ −espace vectoriel ℝ3 , (3,3,1) est combinaison linéaire des vecteurs (1,1,0) et
(1,1,1) car on a l’égalité (3,3,1) = 2(1,1,0) + (1,1,1).
2. Dans le ℝ −espace vectoriel ℝ2 , le vecteur 𝑢 = (2,1) n’est pas colinéaire au vecteur
𝑣1 = (1,1). En effet, supposons qu’il existe un réel 𝜆 ∈ ℝ tel que 𝑢 = 𝜆𝑣1 ; ce qui
équivaut à l’égalité (2,1) = (𝜆, 𝜆). Donc 𝜆 = 2 = 1 (absurde).
II.5. Familles libre, familles liées, familles génératrices et base
Définitions : Soient 𝑣1 , 𝑣2 , … , 𝑣𝑛 , 𝑛 vecteurs d’un 𝕂 −espace vectoriel 𝐸.
1. On dit que la famille {𝑣1 , 𝑣2 , … , 𝑣𝑛 } est liée s’il un des vecteurs s’écrit comme
combinaison linéaire des autres vecteurs. C’est-à-dire qu’il existe des scalaires
𝜆1 , 𝜆2 , … , 𝜆𝑛 , non tous nuls tel que : 𝜆1 𝑣1 + 𝜆2 𝑣2 + ⋯ + 𝜆𝑛 𝑣𝑛 = 0𝐸 .
Exemple :
Dans le ℝ −espace vectoriel ℝ3 , la famille {𝑣1 , 𝑣2 , 𝑣3 } tel que 𝑣1 = (3,3,1), 𝑣2 = (1,1,0) et
𝑣3 = (1,1,1) est une famille liée, car on a (3,3,1) − 2(1,1,0) − (1,1,1) = 0ℝ3 et donc
𝑣1 − 2𝑣2 − 𝑣3 = 0ℝ3 .
2. On dit que la famille {𝑣1 , 𝑣2 , … , 𝑣𝑛 } est libre (ou les vecteurs 𝑣1 , 𝑣2 , … , 𝑣𝑛 sont
linéairement indépendants) si aucun des vecteurs ne peut s’écrire comme combinaison
linéaire des autres vecteurs. C’est-à-dire :
𝜆1 𝑣1 + 𝜆2 𝑣2 + ⋯ + 𝜆𝑛 𝑣𝑛 = 0𝐸 ⟹ 𝜆1 = 𝜆2 = 𝜆𝑛 = 0.
Exemple :
Dans le ℝ −espace vectoriel ℝ2 , la famille {𝑣1 , 𝑣2 } tel que 𝑣1 = (2,1), 𝑣2 = (1,1) est une
famille libre. En effet, posons 𝜆1 𝑣1 + 𝜆2 𝑣2 = (0,0), où 𝜆1 , 𝜆2 ∈ ℝ.
2𝜆 + 𝜆2 = 0
⟺ 𝜆1 (2,1) + 𝜆2 (1,1) = (0,0) ⟺ (2𝜆1 + 𝜆2 , 𝜆1 + 𝜆2 ) = (0,0) ⟺ { 1
𝜆1 + 𝜆2 = 0
2𝜆1 + 𝜆2 = 0
⟺ {
−𝜆1 − 𝜆2 = 0

𝜆1 = 0 et 𝜆2 = 0.

4
Cours d’Analyse 1-Dr KRAMOH
 3. On dit que la famille {𝑣1 , 𝑣2 , … , 𝑣𝑛 } est une famille génératrice si tout vecteur 𝑢 de 𝐸
comme combinaison linéaire des vecteurs de cette famille. On dit aussi que 𝐸 est
engendré par la famille {𝑣1 , 𝑣2 , … , 𝑣𝑛 } et on écrit : 𝐸 = 〈𝑣1 , 𝑣2 , … , 𝑣𝑛 〉. Une famille
génératrice aussi noté 𝑉𝑒𝑐𝑡(𝑣1 , 𝑣2 , … , 𝑣𝑛 ).
𝑢 ∈ 𝑉𝑒𝑐𝑡(𝑣1 , 𝑣2 , … , 𝑣𝑛 ) ⟺ il existe 𝜆1 , 𝜆2 , … , 𝜆𝑛 tel que 𝑢 = 𝜆1 𝑣1 + 𝜆2 𝑣2 + ⋯ + 𝜆𝑛 𝑣𝑛 .
4. On dit que la famille {𝑣1 , 𝑣2 , … , 𝑣𝑛 } est une base de 𝐸 si elle est à la fois génératrice et
libre.
Exemple :
Dans le ℝ −espace vectoriel ℝ2 , la famille {𝑣1 , 𝑣2 } tel que 𝑣1 = (2,1), 𝑣2 = (1,1) est
une base de ℝ2 .
On a déjà montré que cette famille est libre. Il reste à montrer qu’elle est génératrice.
Soit 𝑢 = (𝑥, 𝑦) ∈ 𝐸 tel que 𝑢 = 𝜆1 𝑣1 + 𝜆2 𝑣2
2𝜆 + 𝜆2 = 𝑥 (1)
⟺ (𝑥, 𝑦) = (2𝜆1 + 𝜆2 , 𝜆1 + 𝜆2 ) ⟺ { 1
𝜆1 + 𝜆2 = 𝑦 (2)
(1) − (2) ⟹ 𝜆1 = 𝑥 − 𝑦 et (2) ⟹ 𝜆2 = 𝑦 − 𝜆1 ⟹ 𝜆2 = −𝑥 + 2𝑦
Donc ∀𝑢 = (𝑥, 𝑦) ∈ 𝐸, ∃! (𝜆1 = 𝑥 − 𝑦, 𝜆2 = −𝑥 + 2𝑦) ∈ ℝ2 tel que
𝑢 = 𝜆1 𝑣1 + 𝜆2 𝑣2 . {𝑣1 , 𝑣2 } est une famille génératrice.
Conclusion : {𝑣1 , 𝑣2 } est une base de ℝ2 .
5. On appelle dimension (ou rang) d’une famille ℱ = {𝑣1 , 𝑣2 , … , 𝑣𝑛 }, noté dim(ℱ) (ou
𝑟𝑔(ℱ)) le plus grand nombre de vecteurs linéairement indépendants de cette famille.
Exemple :
Dans le ℝ −espace vectoriel ℝ3 , la famille ℱ = {𝑣1 , 𝑣2 , 𝑣3 } tel que 𝑣1 = (3,3,1),
𝑣2 = (1,1,0) et 𝑣3 = (1,1,1), 𝑟𝑔(ℱ) = 2. En effet, on a déjà montré que cette famille
est liée. Mais on peut montrer par exemple que {𝑣1 , 𝑣2 } est une famille libre.
II.5. Intersection, somme, somme directe
Proposition : l’intersection de deux sous-espaces vectoriels d’un même 𝕂 −espace vectoriel 𝐸
est un sous-espace vectoriel.
Définition : Soit 𝐹 et 𝐺 deux sous-espaces vectoriels d’un 𝕂 −espace vectoriel 𝐸. On appelle
somme de 𝐹 et 𝐺, l’ensemble des vecteurs 𝑢 de 𝐸 tel que 𝑢 = ⏟
𝑢1 + 𝑢
⏟2 . On note donc :
∈𝐹 ∈𝐺

𝐹 + 𝐺 = {𝑢1 + 𝑢2 , 𝑢1 ∈ 𝐹 et 𝑢2 ∈ 𝐺}.
Définition : Soit 𝐹 et 𝐺 deux sous-espaces vectoriels d’un 𝕂 −espace vectoriel 𝐸. 𝐹 et 𝐺 sont
Somme directe de 𝑬 si :

• 𝐹 ∩ 𝐺 = {0𝐸 }
• 𝐹+𝐺 =𝐸
La somme directe de 𝐹 et 𝐺 est notée : 𝐹⨁𝐺. Si 𝐹 et 𝐺 sont somme directe de 𝐸, on dit que 𝐹
et 𝐺 sont des sous-espaces vectoriels supplémentaires dans 𝐸.

5
Cours d’Analyse 1-Dr KRAMOH
 Proposition : 𝐹 et 𝐺 sont supplémentaires dans 𝐸 si et seulement si tout élément de 𝐸 s’écrit
d’une manière unique comme la somme d’un élément de 𝐹 et d’un élément de 𝐺.
Exemple : Soit 𝐹 = {(𝑥, 0)/𝑥 ∈ ℝ} et 𝐺 = {(0, 𝑦)/𝑦 ∈ ℝ}. Montrons que 𝐹⨁𝐺 = ℝ2 .

• Montrons que 𝐹 ∩ 𝐺 = {0ℝ2 }

Soit 𝑢 = (𝑥, 𝑦) ∈ 𝐹 ∩ 𝐺
(𝑥, 𝑦) ∈ 𝐹 ⟹ 𝑦 = 0
(𝑥, 𝑦) ∈ 𝐺 ⟹ 𝑥 = 0
Par conséquent 𝑢 = (0,0). D’où 𝐹 ∩ 𝐺 = {0ℝ2 }.
• Montrons que 𝐹 + 𝐺 = ℝ2

Soit 𝑢 = (𝑥, 𝑦) ∈ ℝ2 . Alors 𝑢 = ⏟ (0, 𝑦) ⟹ ℝ2 = 𝐹 + 𝐺.

(𝑥, 0) + ⏟
∈𝐹 ∈𝐺
Conclusion : 𝐹⨁𝐺 = ℝ2 .

III. APPLICATION LINEAIRE

III.1. Définitions
Soit 𝐸 et 𝐹 deux 𝕂 −espaces vectoriels.
Une application 𝑓 ∶ 𝐸 ⟶ 𝐹 est appelée application linéaire si :
Pour tous 𝑢, 𝑣 ∈ 𝐸, 𝜆 ∈ 𝕂,
• 𝑓(𝑢 + 𝑣) = 𝑓(𝑢) + 𝑓(𝑣)
• 𝑓(𝜆𝑢) = 𝜆𝑓(𝑢)
Remarques
- Les deux points de la définition précédente peuvent s’écrire en un seul point. C’est-à-dire :
∀𝑢, 𝑣 ∈ 𝐸, ∀𝜆, 𝜇 ∈ 𝕂, 𝑓(𝜆𝑢 + 𝜇𝑣) = 𝜆𝑓(𝑢) + 𝜇𝑓(𝑣).
- Condition nécessaire : si 𝑓 est une application linéaire, alors 𝑓(0𝐸 ) = 0𝐹 .
On note ℒ(𝐸, 𝐹) l’ensemble des applications linéaires de 𝐸 dans 𝐹, et ℒ(𝐸) si 𝐸 = 𝐹. Une
application de 𝐸 dans 𝐸 est appelée endomorphisme de 𝑬.
Proposition : (ℒ(𝐸), +,∘) est un anneau, où «∘ » est la composition d’applications.
Définitions :
- Une application linéaire 𝐸 dans 𝐹 est appelée isomorphisme si elle bijective.
- Un endomorphisme qui est aussi un isomorphisme est appelé automorphisme de 𝐸.
L’ensemble des automorphismes de 𝐸 est noté 𝐺𝐿(𝐸). (𝐺𝐿(𝐸),∘) est un groupe.
- L’image réciproque d’un sous-espace vectoriel de 𝐸 par une application linéaire 𝐸 dans 𝐹
est un sous-espace vectoriel de 𝐹.
III.2. Noyau, Image

6
Cours d’Analyse 1-Dr KRAMOH
Définitions :
- On appelle noyau d’une application linéaire 𝑓 ∈ ℒ(𝐸, 𝐹), le sous-espace vectoriel de 𝐸,
noté ker 𝑓 et défini par :
ker 𝑓 = {𝑢 ∈ 𝐸/𝑓(𝑢) = 0𝐹 }.
- On appelle image d’une application linéaire 𝑓 ∈ ℒ(𝐸, 𝐹), le sous-espace vectoriel de 𝐹,
noté Im 𝑓 et défini par :
Im 𝑓 = {𝑦 = 𝑓(𝑢)/𝑢 ∈ 𝐸}.
Théorème : 𝑓 ∈ ℒ(𝐸, 𝐹) est injective si et seulement si ker 𝑓 = {0𝐸 }.
Théorème : 𝑓 ∈ ℒ(𝐸, 𝐹) est surjective si et seulement si Im 𝑓 = 𝐹.
Proposition :

Si (𝑣𝑖 )𝑖=1,…,𝑛 est une famille génératrice de 𝐸, alors Im 𝑓 = 𝑉𝑒𝑐𝑡(𝑓(𝑣𝑖 ), 𝑖 = 1, … , 𝑛 ).

III.2. Théorème des dimensions

Si 𝑓 ∈ ℒ(𝐸, 𝐹), alors dim(ker 𝑓) + dim(Im 𝑓) = dim(𝐸).

7
Cours d’Analyse 1-Dr KRAMOH
 Chapitre 2 : CALCUL MATRICIEL

Dans ce chapitre, 𝕂 désigne le corps des nombres réels ou le corps des nombres complexes
(𝕂 = ℝ ou 𝕂 = ℂ).

I. GENERALITES

I.1. Définitions
• Une matrice 𝐴 est un tableau rectangulaire d’éléments de 𝕂.
• Elle est dite de type (𝑚, 𝑛) (ou de taille 𝑚 × 𝑛 ) si le tableau possède 𝑚 lignes et 𝑛
colonnes.
• Les nombres du tableau sont appelés les éléments de A.
• L’élément situé à la 𝑖 −ème ligne et à la 𝑗 −ème colonne est noté 𝑎𝑖𝑗 .
• L’ensemble des matrices de type (𝑚, 𝑛) à coefficients dans 𝕂 est noté ℳ𝑚,𝑛 (𝕂).
• Si 𝐴 ∈ ℳ𝑚,𝑛 (𝕂), on note alors : 𝐴 = (𝑎𝑖𝑗 )1≤𝑖≤𝑚 .
1≤𝑗≤𝑛
• Une matrice 𝐴 de type (𝑚, 𝑛) se présente sous la forme :
𝑎11 𝑎12 … 𝑎1𝑗 … 𝑎1𝑛
𝑎21 𝑎22 … 𝑎2𝑗 … 𝑎2𝑛
… … … … … …
𝐴= 𝑎 𝑎 … 𝑎𝑖𝑗 … 𝑎𝑖𝑛 .
𝑖1 𝑖2
… … … … … …
( 𝑚1𝑎 𝑎 𝑚2 … 𝑎𝑚𝑗 … 𝑎𝑚𝑛 )
Exemples :
1 6 0
𝐴=( ) ∈ ℳ2,3 (ℝ) : matrices réelles deux lignes trois colonnes.
−3 −5 1
3 1
𝐵 = ( 0 1) ∈ ℳ3,2 (ℝ) : matrices réelles trois lignes deux colonnes.
−1 0
Remarque : Les matrices peuvent aussi s’écrire avec des crochets à la place des parenthèses.
I.2. Matrices particulières
I.2.1. Matrice carrée
On appelle matrice carrée d’ordre 𝒏, une matrice 𝑛 lignes 𝑛 colonnes (𝑚 = 𝑛). L’ensemble des
matrices carrées d’ordre 𝑛 à coefficients dans 𝕂 est noté ℳ𝑛 (𝕂).
Si 𝐴 ∈ ℳ𝑛 (𝕂) alors 𝐴 se présente sous la forme :
𝑎11 𝑎12 … 𝑎1𝑖 … 𝑎1𝑛
𝑎21 𝑎22 … 𝑎2𝑖 … 𝑎2𝑛
… … … … … …
𝐴= 𝑎 𝑎𝑖2 … 𝑎𝑖𝑖 … 𝑎𝑖𝑛 .
𝑖1
… … … … … …
(𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑖 … 𝑎𝑛𝑛 )
Les éléments 𝑎11 , 𝑎22 , … , 𝑎𝑖𝑖 , … , 𝑎𝑛𝑛 forment la diagonale principale de 𝐴 (on dit aussi que
𝑎11 , 𝑎22 , … , 𝑎𝑖𝑖 , … , 𝑎𝑛𝑛 sont les éléments diagonaux de 𝐴).

8
Cours d’Analyse 1-Dr KRAMOH
 I.2.2. Matrice ligne
La matrice qui n’a qu’une seule ligne (𝑚 = 1) est appelé matrice ligne ou vecteur ligne. Son
type est (1, 𝑛) et se présente comme suit :
𝐴 = (𝑎11 𝑎12 … 𝑎1𝑗 … 𝑎1𝑛 ).
I.2.3. Matrice colonne
La matrice qui n’a qu’une seule colonne (𝑛 = 1) est appelé matrice colonne ou vecteur
colonne. Son type est (𝑚, 1) et se présente comme suit :
𝑎11
𝑎21
…
𝐴= 𝑎 .
𝑖1
…
(𝑎𝑛1 )
I.2.4. Matrice nulle
On appelle matrice nulle de type (𝑚, 𝑛), la matrice noté 0 ∈ ℳ𝑚,𝑛 (𝕂) dont tous les éléments

sont nuls.
0 0 … 0 … 0
0 0 … 0 … 0
… … … … … …
0= .
0 0 … 0 … 0
… … … … … …
(0 0 … 0 … 0)
I.2.5. Matrices triangulaires

• On appelle matrice triangulaire supérieure une carrée d’ordre 𝑛 dont tous les éléments
situés au-dessous de la diagonale principale sont nuls.
1 0 2
Exemple : 𝐴 = (0 −4 3) est une matrice triangulaire supérieure.
0 0 1
• On appelle matrice triangulaire inférieure une carrée d’ordre 𝑛 dont tous les éléments
situés au-dessus de la diagonale principale sont nuls.
1 0 0
Exemple : 𝐴 = (0 5 0) est une matrice triangulaire inférieure.
7 10 0
I.2.6. Matrice diagonale
Une matrice diagonale est une matrice carrée qui est à la fois triangulaire supérieure et
inférieure.
−2 0 0
Exemple : 𝐴 = ( 0 5 0) est une matrice diagonale.
0 0 5

9
Cours d’Analyse 1-Dr KRAMOH
 I.2.7. Matrice unité
On appelle matrice unité d’ordre 𝑛, noté 𝐼𝑛 (ou plus fréquemment 𝐼), la matrice diagonale dont
tous les éléments diagonaux valent 1.
Exemple :
1 0 0
𝐼3 = (0 1 0) est la matrice unité d’ordre 3.
0 0 1
1 0
𝐼2 = ( ) est la matrice unité d’ordre 2.
0 1
I.3. Opérations sur les matrices
I.3.1. Egalité entre deux matrices
On dit que deux matrices 𝐴 et 𝐵 sont égales si elles sont du même type et que les éléments
correspondants sont tous égaux. 𝐴 = (𝑎𝑖𝑗 )1≤𝑖≤𝑚 et 𝐵 = (𝑏𝑖𝑗 )1≤𝑖≤𝑚 sont égales si et seulement
1≤𝑗≤𝑛 1≤𝑗≤𝑛
si : 𝑎𝑖𝑗 = 𝑏𝑖𝑗 , ∀1 ≤ 𝑖 ≤ 𝑚, 1 ≤ 𝑗 ≤ 𝑛.

Exemple :
1 −2 𝑎 𝑐
𝐴=( ) et 𝐵 = ( )
−1 3 𝑏 𝑑
𝑎=1
𝑏 = −1
𝐴=𝐵 ⟺ { .
𝑐 = −2
𝑑=3
I.3.2. Somme de deux matrices ou somme matricielle
La somme de deux matrices 𝐴 et 𝐵 n’est possible que si elles sont du même type. Dans ces
conditions, la somme revient à additionner les éléments correspondants. Soit 𝐴 = (𝑎𝑖𝑗 )1≤𝑖≤𝑚
1≤𝑗≤𝑛
et 𝐵 = (𝑏𝑖𝑗 )1≤𝑖≤𝑚 deux matrices.
1≤𝑗≤𝑛
𝐴 + 𝐵 = (𝑎𝑖𝑗 + 𝑏𝑖𝑗 )1≤𝑖≤𝑚 .
1≤𝑗≤𝑛

Exemple :
1 −2 𝑎 𝑐
𝐴=( ) et 𝐵 = ( )
−1 3 𝑏 𝑑
1+𝑎 −2 + 𝑐
𝐴+𝐵 =( ).
−1 + 𝑏 3+𝑑
I.3.3. Multiplication d’une matrice par un scalaire
Soit 𝐴 = (𝑎𝑖𝑗 )1≤𝑖≤𝑚 ∈ ℳ𝑚,𝑛 (𝕂) une matrice et 𝜆 un scalaire (𝜆 ∈ 𝕂). Le produit
1≤𝑗≤𝑛
𝜆𝐴 ∈ ℳ𝑚,𝑛 (𝕂) tel que : 𝜆𝐴 = (𝜆𝑎𝑖𝑗 )1≤𝑖≤𝑚 .
1≤𝑗≤𝑛

Exemple :

10
Cours d’Analyse 1-Dr KRAMOH
 1 −2 𝑎 𝑐
𝐴=( ) et 𝐵 = ( )
−1 3 𝑏 𝑑
𝜆 −2𝜆 𝜆𝑎 𝜆𝑐
𝜆𝐴 = ( ) et 𝜆𝐵 = ( ), (𝜆 ∈ 𝕂).
−𝜆 3𝜆 𝜆𝑏 𝜆𝑑
I.3.4. Transposée d’une matrice
Soit 𝐴 = (𝑎𝑖𝑗 )1≤𝑖≤𝑚 ∈ ℳ𝑚,𝑛 (𝕂) une matrice. La transposée de la matrice 𝐴 est l’opération
1≤𝑗≤𝑛
qui consiste à transformer les lignes de 𝐴 en colonne et vice-versa. La matrice obtenue est de
type (𝑛, 𝑚) et noté 𝑡𝐴 (ou 𝐴𝑡 ou 𝑇𝐴 ou 𝐴𝑇 ) tel que 𝑡𝐴 ∈ ℳ𝑛,𝑚 (𝕂) tel que :
𝑡
𝐴 = (𝑎𝑗𝑖 ) 1≤𝑗≤𝑛 .
1≤𝑖≤𝑚
Exemple :
3 1
1 6 0
𝐴=( ) ∈ ℳ2,3 (ℝ) et 𝐵 = ( 0 1) ∈ ℳ3,2 (ℝ)
−3 −5 1
−1 0
1 −3
𝑡 3 0 −1
𝐴 = (6 −5) ∈ ℳ3,2 (ℝ) et 𝑡𝐵 = ( ) ∈ ℳ2,3 (ℝ).
1 1 0
0 1
I.3.5. Multiplication de deux matrices ou multiplication matricielle
I.3.5.1. Définition et formule
La multiplication 𝐴𝐵 de deux matrices 𝐴 et 𝐵 n’est possible que si le nombre de colonnes de
𝐴 est égal au nombre de lignes de 𝐵. Si 𝐴 = (𝑎𝑖𝑗 )1≤𝑖≤𝑚 ∈ ℳ𝑚,𝑝 (𝕂) et
1≤𝑗≤𝑝
𝐵 = (𝑏𝑖𝑗 ) 1≤𝑖≤𝑝 ∈ ℳ𝑝,𝑛 (𝕂) alors le produit matriciel 𝐶 = 𝐴𝐵 = (𝑐𝑖𝑗 )1≤𝑖≤𝑚 ∈ ℳ𝑚,𝑛 (𝕂) tel
1≤𝑗≤𝑛 1≤𝑗≤𝑛
que : 𝑐𝑖𝑗 = ∑𝑝𝑘 𝑎𝑖𝑘 𝑏𝑘𝑗 .
Exemple :
3 1
1 6 0
𝐴=( ) ∈ ℳ2,3 (ℝ) et 𝐵 = ( 0 1) ∈ ℳ3,2 (ℝ)
−3 −5 1
−1 0
3 1
1 6 0 3 7
𝐴𝐵 = ( ) ( 0 1) = ( ) ∈ ℳ2 (ℝ)
−3 −5 1 −10 −8
−1 0
3 7
𝐴𝐵 = ( ) ∈ ℳ2 (ℝ).
−10 −8
3 1 0 13 1
1 6 0
𝐵𝐴 = ( 0 1) ( ) = (−3 −5 1) ∈ ℳ3 (ℝ)
−3 −5 1
−1 0 −1 −6 0
0 13 1
𝐵𝐴 = (−3 −5 1) ∈ ℳ3 (ℝ).
−1 −6 0
Remarque : La multiplication matricielle n’est pas commutative ; en général, 𝐴𝐵 ≠ 𝐵𝐴.
I.3.5.2. Propriétés
Le produit matriciel vérifie les propriétés suivantes :
1. 𝐴(𝐵𝐶) = (𝐴𝐵)𝐶 associativité
2. 𝐴(𝐵 + 𝐶) = 𝐴𝐵 + 𝐴𝐶 distributivité par rapport à l’addition
3. 0𝐴 = 0 (si possible) et 𝐴0 = 0 (si possible), où 0 est une matrice nulle.
4. 𝐼𝐴 = 𝐴 (si possible) et 𝐴𝐼 = 𝐴 (si possible), où 𝐼 est une matrice unité.

11
Cours d’Analyse 1-Dr KRAMOH
 I.3.6. Puissances de matrices
Soit 𝐴 une matrice carrée d’ordre 𝑛. On peut alors définir les puissances successives :

𝐴0 = 𝐼, 𝐴𝑘+1 = 𝐴𝑘 𝐴 = 𝐴𝐴𝑘 ; 𝐴𝑘 = ⏟
𝐴 × 𝐴 × … × 𝐴, 𝑘 ∈ ℕ.
𝑘 𝑓𝑎𝑐𝑡𝑒𝑢𝑟𝑠

1 0 1
Exemple : 𝐴 = (0 −1 0)
0 0 2
1 0 2𝑛 − 1
𝑛
Montrons par récurrence que : ∀𝑛 ∈ ℕ, 𝐴 = (0 (−1)𝑛 0 )
0 0 2𝑛
1 0 2𝑛 − 1
Soit 𝒫(𝑛) la proposition : ∀𝑛 ∈ ℕ, 𝐴𝑛 = (0 (−1)𝑛 0 )
0 0 2𝑛
• Initialisation : 𝑛 = 0
1 0 0 1 0 20 − 1
𝐴0 = 𝐼 = (0 1 0) + (0 (−1)0 0 ) ⟹ 𝒫(0) est vraie.
0 0 1 0 0 20
• Hérédité
1 0 2𝑛 − 1
Supposons 𝒫(𝑛) vraie ; c’est-à-dire : 𝐴𝑛 = (0 (−1)𝑛 0 ),𝑛 ∈ ℕ
0 0 2𝑛
Montrons que 𝒫(𝑛 + 1) est vraie.
1 0 1 1 0 2𝑛 − 1 1 0 2𝑛 − 1 + 2𝑛
𝐴𝑛+1 = 𝐴𝐴𝑛 = (0 −1 0) (0 (−1)𝑛 0 ) = (0 (−1)𝑛+1 0 )
0 0 2 0 𝑛 𝑛+1
0 2 0 0 2

1 0 2𝑛+1 − 1
𝑛+1
𝐴 = (0 (−1)𝑛+1 0 ) ; donc 𝒫(𝑛 + 1) est vraie.
𝑛+1
0 0 2
1 0 2𝑛 − 1
Conclusion : ∀𝑛 ∈ ℕ, 𝐴𝑛 = (0 (−1)𝑛 0 ).
0 0 2𝑛
I.3.6. Formule du Binôme de Newton
Soit 𝐴 et 𝐵 deux matrices carrées d'ordre 𝑛 tel que 𝐴𝐵 = 𝐵𝐴, c’est-à-dire les éléments de
ℳ𝑛 (𝕂) qui commutent pour la multiplication et 𝑝 ∈ ℕ. On a la formule suivante :

(𝐴 + 𝐵)𝑝 = ∑𝑝𝑘=0 𝐶𝑝𝑘 𝐴𝑘 𝐵 𝑝−𝑘 = 𝐵 𝑝 + 𝐴𝐵 𝑝−1 + 𝐶𝑝2 𝐴2 𝐵 𝑝−2 + ⋯ + 𝐴𝑃

1 1 1 1 0 1 1 1
0 1 2 1 0 0 2 1
Exemple : Soit 𝐴 = ( ). On pose 𝐵 = 𝐴 − 𝐼 = ( ),
0 0 1 3 0 0 0 3
0 0 0 1 0 0 0 0

12
Cours d’Analyse 1-Dr KRAMOH
 1 0 0 0
0 1 0 0
𝐼=( ).
0 0 1 0
0 0 0 1

1. Calculons 𝐵 𝑘 , pour 𝑘 = 0, … ,4
0 1 1 1 0 1 1 1 0 0 2 4
0 0 2 1 0 0 2 1 0 0 0 6
𝐵2 = ( )( )=( )
0 0 0 3 0 0 0 3 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0
0 1 1 1 0 0 2 4 0 0 0 6
0 0 2 1 0 0 0 6 0 0 0 0
𝐵3 = ( )( )=( )
0 0 0 3 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0
0 1 1 1 0 0 0 6 0 0 0 0
0 0 2 1 0 0 0 0 0 0 0 0
𝐵4 = ( )( )=( ) = 0.
0 0 0 3 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0
2. Déduisons-en 𝐴𝑝 , 𝑝 ∈ ℕ
𝐵 =𝐴−𝐼 ⟹ 𝐴=𝐵+𝐼
(𝐴 + 𝐵)𝑝 = ∑𝑝𝑘=0 𝐶𝑝𝑘 𝐴𝑘 𝐵 𝑝−𝑘 = 𝐵 𝑝 + 𝐴𝐵 𝑝−1 + 𝐶𝑝2 𝐴2 𝐵 𝑝−2 + ⋯ + 𝐴𝑃
𝐴𝑝 = (𝐵 + 𝐼)𝑝 = ∑𝑝𝑘=0 𝐶𝑝𝑘 𝐵 𝑘 𝐼 𝑝−𝑘 = ∑𝑝𝑘=0 𝐶𝑝𝑘 𝐵 𝑘 , or ∀𝑘 ≥ 4, 𝐵 𝑘 = 0
⟹ 𝐴𝑝 = 𝐼 + 𝐵 + 𝐶𝑝2 𝐵 2 + 𝐶𝑝3 𝐵 3
𝑝(𝑝−1) 𝑝(𝑝−1)(𝑝−2)
⟹ 𝐴𝑝 = 𝐼 + 𝐵 + 𝐵2 + 𝐵3
2 6

1 0 0 0 0 1 1 1 0 0 2 4 0 0 0 6
⟹ 𝐴 = (0 1 0 0 0 0 2 1
𝑝 𝑝(𝑝−1) 0 0 0 6 𝑝(𝑝−1)(𝑝−2) 0 0 0 0
)+( )+ 2 ( )+ ( )
0 0 1 0 0 0 0 3 0 0 0 0 6 0 0 0 0
0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0
1 𝑝 𝑝2 𝑝(𝑝2 − 𝑝 + 1)
⟹ 𝐴 = (0
𝑝 1 2𝑝 𝑝(3𝑝 − 2) ).
0 0 1 3𝑝
0 0 0 1

II. DETERMINANT D’UNE MATRICE CARREE

II.2. Définition
Soit 𝐴 une matrice carrée d’ordre 𝑛 tel que :
𝑎11 𝑎12 … 𝑎1𝑖 … 𝑎1𝑛
𝑎21 𝑎22 … 𝑎2𝑖 … 𝑎2𝑛
… … … … … …
𝐴= 𝑎 𝑎 … 𝑎𝑖𝑖 … 𝑎𝑖𝑛 .
𝑖1 𝑖2
… … … … … …
(𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑖 … 𝑎𝑛𝑛 )
On appelle déterminant de 𝐴, le scalaire noté :

13
Cours d’Analyse 1-Dr KRAMOH
 𝑎11 𝑎12 … 𝑎1𝑖 … 𝑎1𝑛
𝑎21 𝑎22 … 𝑎2𝑖 … 𝑎2𝑛
|… … … … … …|
det 𝐴 = 𝑎
| 𝑖1 𝑎𝑖2 … 𝑎𝑖𝑖 … 𝑎𝑖𝑛 |
… … … … … …
𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑖 … 𝑎𝑛𝑛
II.2. Méthodes de calcul de déterminant
II.2.1. Méthode de Sarrus
La méthode de Sarrus est utilisée uniquement dans les calculs des déterminants des matrices
carrées d’ordre 3.
Le principe est le suivant :
- On recopie les deux premières lignes (ou les deux premières colonnes) au-dessous (ou à la
suite) de la matrice.
- On retranche de la somme des produits des éléments diagonaux, la somme des produits
des éléments des diagonales secondaires.
𝑎11 𝑎12 𝑎13
Soit 𝐴 = (𝑎21 𝑎22 𝑎23 )
𝑎31 𝑎32 𝑎33
𝑎11 𝑎12 𝑎13
𝑎11 𝑎12 𝑎13 𝑎11 𝑎12 𝑎21 𝑎22 𝑎23
𝑎21 𝑎22 𝑎23 𝑎21 𝑎22 ou 𝑎31 𝑎32 𝑎33
𝑎31 𝑎32 𝑎33 𝑎31 𝑎32 𝑎11 𝑎12 𝑎13
𝑎21 𝑎22 𝑎23
det 𝐴 = (𝑎11 𝑎22 𝑎33 + 𝑎12 𝑎23 𝑎31 + 𝑎13 𝑎21 𝑎32 ) − (𝑎13 𝑎22 𝑎31 + 𝑎11 𝑎23 𝑎32 + 𝑎12 𝑎21 𝑎33 ).
Exemple :
1 5 −2
𝐴 = (2 0 4 )
3 2 −1
1 5 −2 1 5
2 0 4 2 0
3 2 −1 3 2
det 𝐴 = (1 × 0 × (−1) + 5 × 4 × 3 + (−2) × 2 × 2) − (3 × 0 × (−2) + 2 × 4 × 1 +
(−1) × 2 × 5)
det 𝐴 = 52 + 2 = 54.

II.2.2. Méthode des cofacteurs

II.2.2.1. Mineurs
Soit 𝐴 une matrice carrée d’ordre 𝑛 tel que :

14
Cours d’Analyse 1-Dr KRAMOH
 𝑎11 𝑎12 … 𝑎1𝑖 … 𝑎1𝑛
𝑎21 𝑎22 … 𝑎2𝑖 … 𝑎2𝑛
… … … … … …
𝐴= 𝑎 𝑎𝑖2 … 𝑎𝑖𝑖 … 𝑎𝑖𝑛 .
𝑖1
… … … … … …
(𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑖 … 𝑎𝑛𝑛 )
On appelle mineur 𝑖𝑗 de la matrice 𝐴, le déterminant de la matrice obtenue après
suppression de la 𝑖è𝑚𝑒 ligne et de la 𝑗è𝑚𝑒 colonne. Il est noté ∆𝑖𝑗 .
1 5 −2
Exemples : 𝐴 = (2 0 4 ).
3 2 −1
2 4
- ∆12 = | | = −2 − 12 = −14.
3 −1
5 −2
- ∆12 = | | = −5 + 4 = −1.
2 −1
II.2.2.2. Cofacteurs
Soit 𝐴 une matrice carrée d’ordre 𝑛 tel que :
𝑎11 𝑎12 … 𝑎1𝑖 … 𝑎1𝑛
𝑎21 𝑎22 … 𝑎2𝑖 … 𝑎2𝑛
… … … … … …
𝐴= 𝑎 𝑎𝑖2 … 𝑎𝑖𝑖 … 𝑎𝑖𝑛 .
𝑖1
… … … … … …
(𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑖 … 𝑎𝑛𝑛 )
On appelle cofacteur 𝑖𝑗 de la matrice 𝐴, le nombre réel, noté 𝑐𝑜𝑓(𝑎𝑖𝑗 ) et défini par :
𝑐𝑜𝑓(𝑎𝑖𝑗 ) = (−1)𝑖+𝑗 ∆𝑖𝑗 .
1 5 −2
Exemples : 𝐴 = (2 0 4 ).
3 2 −1
- 𝑐𝑜𝑓(𝑎12 ) = (−1)1+2 ∆12 = −(−14) = 14.
- 𝑐𝑜𝑓(𝑎21 ) = (−1)2+1 ∆21 = −(−1) = 1.
II.2.2.3. Principe de la méthode des cofacteurs
On choisit une ligne ou une colonne suivant laquelle on effectue le calcul. On obtient les
formules suivantes :
- Suivant la ligne 𝑖
det 𝐴 = ∑𝑛𝑗=1 𝑎𝑖𝑗 × 𝑐𝑜𝑓(𝑎𝑖𝑗 ).
- Suivant la colonne 𝑗
det 𝐴 = ∑𝑛𝑖=1 𝑎𝑖𝑗 × 𝑐𝑜𝑓(𝑎𝑖𝑗 ).
1 5 −2
Exemples : 𝐴 = (2 0 4 ).
3 2 −1

Suivant la ligne 2

det 𝐴 = ∑𝑛𝑗=1 𝑎2𝑗 × 𝑐𝑜𝑓(𝑎2𝑗 ) = 𝑎21 × 𝑐𝑜𝑓(𝑎21 ) + 𝑎22 × 𝑐𝑜𝑓(𝑎22 ) + 𝑎23 × 𝑐𝑜𝑓(𝑎23 ),

15
Cours d’Analyse 1-Dr KRAMOH
 𝑎22 = 0 ⟹ det 𝐴 = 𝑎21 × 𝑐𝑜𝑓(𝑎21 ) + 𝑎23 × 𝑐𝑜𝑓(𝑎23 )
𝑐𝑜𝑓(𝑎21 ) = (−1)2+1 ∆21 = −(−1) = 1.
1 5
𝑐𝑜𝑓(𝑎23 ) = (−1)2+3 ∆23 = − | | = −(2 − 15) = 13
3 2
⟹ det 𝐴 = 2 × 1 + 4 × 13 = 2 + 52 = 54.
Suivant la colonne 2
det 𝐴 = ∑𝑛𝑖=1 𝑎𝑖2 × 𝑐𝑜𝑓(𝑎𝑖2 ) = 𝑎12 × 𝑐𝑜𝑓(𝑎12 ) + 𝑎22 × 𝑐𝑜𝑓(𝑎22 ) + 𝑎32 × 𝑐𝑜𝑓(𝑎32 ),
𝑎22 = 0 ⟹ det 𝐴 = 𝑎12 × 𝑐𝑜𝑓(𝑎12 ) + 𝑎32 × 𝑐𝑜𝑓(𝑎32 )
𝑐𝑜𝑓(𝑎12 ) = (−1)1+2 ∆12 = −(−14) = 14.
1 −2
𝑐𝑜𝑓(𝑎32 ) = (−1)3+2 ∆32 = − | | = −(4 + 4) = −8
2 4
⟹ det 𝐴 = 5 × 14 + 2 × (−8) = 70 − 16 = 54.
Remarques :
i) On choisit en général la ligne ou la colonne qui contient le plus de zéros possibles pour
alléger le calcul.
ii) Peu importe la ligne ou la colonne choisie, le déterminant reste inchangé.
II.2. Propriétés des déterminants
Soit 𝐴 et 𝐵 deux matrices carrées d’ordre 𝑛 et 𝜆 un scalaire.
1. det(𝐴 + 𝐵) ≠ det(𝐴) + det(𝐵)
2. det(𝐴𝐵) = det(𝐴) × det(𝐵) ; par conséquent : det(𝐴𝑛 ) = (det(𝐴))𝑛 .
3. det(𝜆𝐴) = 𝜆𝑛 det(𝐴)
4. Lorsqu’on permute deux lignes (ou deux colonnes) d’une matrice carrée, son déterminant
change de signe.
5. Si une ligne (ou une colonne) d’une matrice carrée est combinaison linéaire de deux ou
plusieurs lignes (ou colonnes), alors le déterminant de cette matrice est nul.
6. Lorsqu’on fait des combinaisons linéaires sur des lignes ou sur des colonnes d’une matrice
carrée, son déterminant reste inchangé.
7. Si 𝐴 = (𝑎𝑖𝑗 )1≤𝑖,𝑗≤𝑛 est une matrice triangulaire, alors det(𝐴) = ∏𝑛𝑖=1 𝑎𝑖𝑖 .
1 5 −2
Exemple : 𝐴 = (2 0 4 ).
3 2 −1
1 5 −2
det(𝐴) = |2 0 4 | 𝐶2 ⟵ 𝐶2 − 5𝐶1 ; 𝐶3 ⟵ 𝐶3 + 2𝐶1
3 2 −1
1 0 0
−10 8
det(𝐴) = |2 −10 8| = | | = −50 + 104 = 54.
−13 5
3 −13 5

III. INVERSION D’UNE MATRICE CARRE

16
Cours d’Analyse 1-Dr KRAMOH
III.1. Définition
Une matrice carrée 𝐴 d’ordre 𝑛 est inversible si et seulement si son déterminant est non nul.
𝐴 inversible ⟺ det(𝐴) ≠ 0. Dans ces conditions, il existe une matrice carrée 𝐵 d’ordre 𝑛 tel
que : 𝐴𝐵 = 𝐵𝐴 = 𝐼, où 𝐼 est la matrice unité correspondante. La matrice carrée 𝐵 d’ordre 𝑛 est
appelée matrice inverse (ou l’inverse) de 𝐴 et notée 𝐴−1 .
III.2. Méthodes de calcul d’inverse d’une matrice carrée
III.2.1. Méthode directe
Soit une matrice carrée 𝐴 d’ordre 𝑛 est inversible.
Dans cette méthode, on détermine une matrice carrée 𝐵 d’ordre 𝑛, inversible tel que :
𝐴𝐵 = 𝐵𝐴 = 𝐼. On en déduit que 𝐴−1 = 𝐵.
0 1 1 1 0 0
Exemple : Soit 𝐴 = (1 0 1) et 𝐼 = (0 1 0).
1 1 0 0 0 1
1. Calculons 𝐴2 et exprimer 𝐴2 en fonction de 𝐴 et de 𝐼.
0 1 1 0 1 1 2 1 1
𝐴2 = 𝐴𝐴 = (1 0 1) (1 0 1) = (1 2 1)
1 1 0 1 1 0 1 1 2
2 1 1 0 1 1 2 0 0 0 1 1 1 0 0
𝐴2 = (1 2 1) ⟹ 𝐴2 = (1 0 1) + (0 2 0) = (1 0 1) + 2 (0 1 0)
1 1 2 1 1 0 0 0 2 1 1 0 0 0 1
⟹ 𝐴2 = 𝐴 + 2𝐼.
2. Déduisons-en que 𝐴 est inversible et calculons son inverse
1
𝐴2 = 𝐴 + 2𝐼 ⟹ 𝐴𝐴 − 𝐴 = 2𝐼 ⟹ (𝐴𝐴 − 𝐴) = 𝐼
2
1 1
⟹ 𝐴 (2 (𝐴 − 𝐼)) = (2 (𝐴 − 𝐼)) 𝐴 = 𝐼.
1
Donc il existe une matrice carrée 𝐵 = 2 (𝐴 − 𝐼) tel que : 𝐴𝐵 = 𝐵𝐴 = 𝐼.
1
𝐴 est donc inversible et son inverse est : 𝐴−1 = 2 (𝐴 − 𝐼).
0 1 1 1 0 0 −1 1 1
1 1
⟹ 𝐴−1 = 2 [(1 0 1) − (0 1 0)] = 2 ( 1 −1 1 )
1 1 0 0 0 1 1 1 −1
−1 1 1
1
𝐴−1 = 2 ( 1 −1 1 ).
1 1 −1
III.2.2. Méthode de Gauss
Soit une matrice carrée 𝐴 d’ordre 𝑛 est inversible et 𝐼 est la matrice unité correspondante.
On pose 𝑀 = (𝐴|𝐼). Puis on fait des combinaisons linéaires sur les lignes de 𝑀 jusqu’à
obtenir (𝐼| 𝐴−1 ), 𝐴−1 est la matrice inverse de 𝐴.
0 1 1 1 0 0
Exemple : Soit 𝐴 = (1 0 1) et 𝐼 = (0 1 0).
1 1 0 0 0 1
−1
Déterminons la matrice inverse 𝐴 de la matrice 𝐴.
0 1 11 0 0
Posons : 𝑀 = (1 0 1|0 1 0)
1 1 00 0 1
𝐿1 ⟷ 𝐿2

17
Cours d’Analyse 1-Dr KRAMOH
 1 0 10 1 0
~ (0 1 1|1 0 0)
1 1 00 0 1
𝐿3 ⟵ 𝐿3 − 𝐿1 − 𝐿2
1 0 1 0 1 0
~ (0 1 1 | 1 0 0)
0 0 −2 −1 −1 1
1
𝐿3 ⟵ − 2 𝐿3
1 0 10 1 0
~ (0 1 1|11 01 0)
1
0 0 1 2 2 −2
𝐿1 ⟵ 𝐿1 − 𝐿3 et 𝐿2 ⟵ 𝐿2 − 𝐿1
1 1 1 1 1 1
−2 −2
1 0 0 2 2 2 2 −1 1 1
1 1 1 1 1 1 1
~ 0 1 0|| 2 − 2 2 = (𝐼| 𝐴 ), 𝐴 = 2 − 2 2 = 2 ( 1 −1 1 ).
−1 −1

0 0 1 1 1 1 1 1 1 1 1 −1
−2 −2
( 2 2 ) ( 2 2 )
III.2.3. Méthode des cofacteurs
Soit une matrice carrée 𝐴 d’ordre 𝑛 est inversible, d’inverse 𝐴−1 .
1 1
𝐴−1 = det 𝐴 𝑡𝑐𝑜𝑚(𝐴) = det 𝐴 𝐶𝑜𝑚( 𝑡𝐴), où 𝑐𝑜𝑚(𝐴) = (𝑐𝑜𝑓(𝑎𝑖𝑗 )) .
1≤𝑖,𝑗≤𝑛
0 1 1 1 0 0
Exemple : Soit 𝐴 = (1 0 1) et 𝐼 = (0 1 0).
1 1 0 0 0 1
Déterminons la matrice inverse 𝐴−1 de la matrice 𝐴.
0 1 1
1 1 1 0
det 𝐴 = |1 0 1| = − | |+| | = 2.
1 0 1 1
1 1 0
0 1 1 1 1 0
| | −| | | |
1 0 1 0 1 1 −1 1 1
1 1 0 1 0 1
𝑐𝑜𝑚(𝐴) = − | | | | −| | = ( 1 −1 1 )
1 0 1 0 1 1
1 1 0 1 0 1 1 1 −1
|
( 0 1 | − | | | |
1 1 1 0 )
−1 1 1 −1 1 1
1
⟹ 𝑡𝑐𝑜𝑚(𝐴) = ( 1 −1 1 ) et donc 𝐴−1 = 2 ( 1 −1 1 ).
1 1 −1 1 1 −1
III.3. Propriétés sur les inverses de matrices carrées
Soit 𝐴 et 𝐵 deux matrices carrées d’ordre 𝑛 d’inverses 𝐴−1 , 𝐵 −1 .
1. (𝐴 + 𝐵)−1 ≠ 𝐴−1 + 𝐵 −1
2. (𝐴𝐵)−1 = 𝐵 −1 𝐴−1
1
3. det 𝐴−1 = det 𝐴.

18
Cours d’Analyse 1-Dr KRAMOH
 Chapitre 3 : MATRICES ET APPLICATIONS LINEAIRES

I. DEFINITIONS
I.1. Base canonique
Soit 𝐸 𝕂 −espace vectoriel de dimension 𝑛. On appelle base canonique de 𝐸, la base
ℬ0 = (𝑒1 , 𝑒2 , … , 𝑒𝑖 , … , 𝑒𝑛 ),
avec 𝑒1 = (1,0, … ,0, … ,0), 𝑒2 = (0,1, … ,0, … ,0), …, 𝑒𝑖 = (0,0, … ,1, … ,0), …,
𝑒𝑛 = (0,0, … ,0, … ,1).
Exemples :
- La base canonique de ℝ2 est ℬ0 = (𝑒1 , 𝑒2 ), avec 𝑒1 = (1,0), 𝑒2 = (0,1).
- La base canonique de ℝ3 est ℬ0 = (𝑒1 , 𝑒2 , 𝑒3 ), avec 𝑒1 = (1,0,0), 𝑒2 = (0,1,0),
𝑒3 = (0,0,1).
I.2. Base d’un espace vectoriel
Soit 𝐸 𝕂 −espace vectoriel de dimension 𝑛. La famille ℬ = (𝑣1 , 𝑣2 , … , 𝑣𝑖 , … , 𝑣𝑛 ) est une base
de de 𝐸 si et seulement si det(𝑣1 , 𝑣2 , … , 𝑣𝑖 , … , 𝑣𝑛 ) ≠ 0.
Exemple : 𝐸 = ℝ3 .
ℬ = (𝑣1 , 𝑣2 , 𝑣3 ), avec 𝑣1 = (1,0,0), 𝑣2 = (1,1,0), 𝑒3 = (1,0,1).
Montrer que ℬ est une base de ℝ3 .
1 1 1 1 0 0
det(𝑣1 , 𝑣2 , 𝑣3 ) = |0 1 0| = |1 1 0| = 1 ≠ 0.
0 0 1 1 0 1
Donc ℬ = 1 , 𝑣2 , 𝑣3 est une base de ℝ3 .
(𝑣 )

I.3. Matrice de passage

Soit ℬ = (𝑢1 , 𝑢2 , … , 𝑢𝑖 , … , 𝑢𝑛 ) et ℬ′ = (𝑣1 , 𝑣2 , … , 𝑣𝑖 , … , 𝑣𝑛 ) deux bases d’un 𝕂 −espace
Vectoriel 𝐸. On appelle matrice de passage de la base ℬ à la base ℬ ′ , la matrice 𝑃 définie par :
𝑣1 𝑣2 … 𝑣𝑖 … 𝑣𝑛
𝑢1
𝑢2
…
𝑃 = ℳ𝑎𝑡ℬ⟶ℬ′ = 𝑢𝑖
…
( ) 𝑢𝑛
Exemple : 𝐸 = ℝ3 .

Soit base canonique de ℝ3 est ℬ0 = (𝑒1, 𝑒2 , 𝑒3 ), avec 𝑒1 = (1,0,0), 𝑒2 = (0,1,0),

𝑒3 = (0,0,1). ℬ = (𝑣1 , 𝑣2 , 𝑣3 ), avec 𝑣1 = (0,1,1), 𝑣2 = (1,0,1), 𝑒3 = (1,1,0).

19
Cours d’Analyse 1-Dr KRAMOH
 0 1 1
det(𝑣1 , 𝑣2 , 𝑣3 ) = |1 0 1| = 2 ≠ 0.
1 1 0
Donc ℬ = (𝑣1 , 𝑣2 , 𝑣3 ) est une base de ℝ3 .
Soit 𝑃 matrice de passage de ℬ0 à ℬ.
𝑣1 𝑣2 𝑣3

0 1 1 𝑒1 𝑣1 = (0,1,1) = (0,1,0) + (0,0,1) = 0𝑒1 + 𝑒2 + 𝑒3

𝑃 = ℳ𝑎𝑡ℬ⟶ℬ′ = (1 𝑒
0 1) 2 , car {𝑣2 = (1,0,1) = (1,0,0) + (0,0,1) = 𝑒1 + 0𝑒2 + 𝑒3 .
1 1 0 𝑒3 𝑣3 = (1,1,0) = (1,0,0) + (0,1,0) = 𝑒1 + 𝑒2 + 0𝑒3
0 1 1
D’où 𝑃 = (1 0 1).
1 1 0
I.4. Coordonnées d’un vecteurs d’une base à une autre
Soit ℬ = (𝑢1 , 𝑢2 , … , 𝑢𝑖 , … , 𝑢𝑛 ) et ℬ′ = (𝑣1 , 𝑣2 , … , 𝑣𝑖 , … , 𝑣𝑛 ) deux bases d’un 𝕂 −espace
Vectoriel 𝐸 et 𝑃 la matrice de passage de ℬ à ℬ ′ . Soit un vecteur donné par ses
coordonnées 𝑋 dans la base ℬ et ses coordonnées 𝑌 dans ℬ ′ . On obtient alors la relation :
𝑌 = 𝑃−1 𝑋, 𝑃 −1 étant la matrice inverse de 𝑃. 𝑃 −1 est aussi la matrice de passage de ℬ′ à ℬ.
Exemple : 𝐸 = ℝ3 .
Soit base canonique de ℝ3 est ℬ0 = (𝑒1 , 𝑒2 , 𝑒3 ),
ℬ = (𝑣1 , 𝑣2 , 𝑣3 ), avec 𝑣1 = (0,1,1), 𝑣2 = (1,0,1), 𝑒3 = (1,1,0).
1
Soit 𝑢 = (1) un vecteur donné par ses coordonnées dans ℬ0 .
1
Donnons les coordonnées de 𝑢 dans ℬ.
0 1 1
On sait que la matrice de passage de ℬ0 à ℬ est 𝑃 = (1 0 1) et que 𝑢 a pour
1 1 0
1 −1 1 1
1
coordonnées dans ℬ : 𝑢 = 𝑃 −1 (1), avec 𝑃 −1 = 2 ( 1 −1 1 ).
1 1 1 −1
−1 1 1 1 1
1 1
Donc 𝑢 = 2 ( 1 −1 1 ) (1) = 2 (1).
1 1 −1 1 1
1
2
1
D’où 𝑢 a pour coordonnées 2
dans ℬ.
1
(2)

20
Cours d’Analyse 1-Dr KRAMOH
II. MATRICE D’UNE APPLICATION LINEAIRE

II.1. Définition
Soit 𝐸 et 𝐹 deux 𝕂 −espaces vectoriels de bases canoniques respectives

ℬ0 = (𝑒1 , 𝑒2 , … , 𝑒𝑖 , … , 𝑒𝑝 ) et ℬ′0 = (𝜀1 , 𝜀2 , … , 𝜀𝑖 , … , 𝜀𝑛 ) et 𝑓 ∈ ℒ(𝐸, 𝐹).

La matrice de l’application linéaire 𝑓 est de type (𝑛, 𝑝) et définie par :

𝑓(𝑒1 ) 𝑓(𝑒2 ) … 𝑓(𝑒𝑖 )… 𝑓(𝑒𝑝 )

𝜀1
𝜀2
…
ℳ𝑎𝑡ℬ0 ,ℬ′ 0 (𝑓) = 𝜀𝑖 .
…
( 𝜀
) 𝑛
ℝ3 ⟶ ℝ2
𝑥
Exemple : Soit 𝑓 ∶ .
(𝑦) ⟼ (2𝑥 + 𝑧, 2𝑦 + 𝑧)
𝑧
- La base canonique de ℝ2 est ℬ′0 = (𝜀1 , 𝜀2 ), avec 𝑒1 = (1,0), 𝑒2 = (0,1).
- La base canonique de ℝ3 est ℬ0 = (𝑒1 , 𝑒2 , 𝑒3 ), avec 𝑒1 = (1,0,0), 𝑒2 = (0,1,0),
𝑒3 = (0,0,1).
𝑓(𝑒1 ) = 𝑓(1,0,0) = (2,0) : 𝑓(𝑒2 ) = 𝑓(0,1,0) = (0,2) ; 𝑓(𝑒3 ) = 𝑓(0,0,1) = (1,1)
𝑓(𝑒1 ) 𝑓(𝑒2 ) 𝑓(𝑒3 )
2 0 1 𝜀1
Donc ℳ𝑎𝑡ℬ0 ,ℬ′ 0 (𝑓) = ( )
0 2 1 𝜀2
2 0 1
D’où ℳ𝑎𝑡ℬ0 ,ℬ′ 0 (𝑓) = ( ).
0 2 1
II.2. Matrice d’un endomorphisme d’une base à une autre
Soit 𝐸 un 𝕂 −espace vectoriel de bases canonique ℬ0 = (𝑒1 , 𝑒2 , … , 𝑒𝑖 , … , 𝑒𝑛 ) et 𝑓 ∈ ℒ(𝐸).
La matrice de l’endomorphisme 𝑓 est une matrice carrée d’ordre 𝑛 et définie par :
𝑓(𝑒1 ) 𝑓(𝑒2 ) … 𝑓(𝑒𝑖 )… 𝑓(𝑒𝑛 )
𝑒1
𝑒2
…
𝐴 = ℳ𝑎𝑡ℬ0 (𝑓) = 𝑒𝑖
…
( ) 𝑒𝑛
Soit ℬ = (𝑢1 , 𝑢2 , … , 𝑢𝑖 , … , 𝑢𝑛 ) une autre base de 𝐸 et 𝐵 La matrice de 𝑓 dans ℬ. Soit 𝑃 la
matrice de passage de ℬ0 à ℬ.
Alors on a la relation suivante : 𝐵 = 𝑃−1 𝐴𝑃, 𝑃 −1 étant la matrice inverse de 𝑃.

21
Cours d’Analyse 1-Dr KRAMOH
 ℝ3 ⟶ ℝ3
𝑥
Exemple : Soit 𝑓 ∶ un endomorphisme.
(𝑦) ⟼ (2𝑥 + 𝑧, 2𝑦 + 𝑧, 𝑥 + 𝑦 + 𝑧)
𝑧
Soit base canonique de ℝ3 est ℬ0 = (𝑒1 , 𝑒2 , 𝑒3 ), ℬ = (𝑣1 , 𝑣2 , 𝑣3 ), avec 𝑣1 = (0,1,1),
𝑣2 = (1,0,1), 𝑒3 = (1,1,0).
Donnons la matrice de 𝑓 dans chaque base.
- Dans ℬ0
𝑓(𝑒1 ) = 𝑓(1,0,0) = (2,0,1) ; 𝑓(𝑒2 ) = 𝑓(0,1,0) = (0,2,1) ; 𝑓(𝑒3 ) = 𝑓(0,0,1) = (1,1,1)
2 0 1
Donc 𝐴 = ℳ𝑎𝑡ℬ0 (𝑓) = (0 2 1).
1 1 1
- Dans ℬ
0 1 1
On sait que la matrice de passage de ℬ0 à ℬ est 𝑃 = (1 0 1) et que sa matrice inverse
1 1 0
−1 1 1
1
est 𝑃−1 = 2 ( 1 −1 1 ).
1 1 −1
Soit 𝐵 = ℳ𝑎𝑡ℬ (𝑓). On a la relation suivante : 𝐵 = 𝑃−1 𝐴𝑃.
−1 1 1 2 0 1 0 1 1
1
Donc 𝐵 = 2 ( 1 −1 1 ) (0 2 1) (1 0 1)
1 1 −1 1 1 1 1 1 0
−1 1 1 1 3 2 4 0 2
1 1
𝐵 = 2 ( 1 −1 1 ) (3 1 2) = 2 (0 4 2)
1 1 −1 2 2 2 2 2 2
D’où
2 0 1
𝐵 = (0 2 1).
1 1 1
II.3. Matrice de la composition de deux endomorphismes
La matrice de l’endomorphisme 𝑓 est une matrice carrée d’ordre 𝑛 et définie par :
𝐴 = ℳ𝑎𝑡ℬ0 (𝑓) et 𝐵 = ℳ𝑎𝑡ℬ0 (𝑔).

La matrice de l’endomorphisme ℎ = 𝑔 ∘ 𝑓 est 𝐶 = 𝐵𝐴.

22
Cours d’Analyse 1-Dr KRAMOH
 Chapitre 4 : SYSTEMES D’EQUATIONS LINEAIRES

I. DEFINITIONS

I.1. Equation linéaire

On appelle équation linéaire à 𝑛 inconnues, toute relation de la forme :
𝑎1 𝑥1 + 𝑎2 𝑥2 + ⋯ + 𝑎𝑛 𝑥𝑛 = 𝑏, où 𝑥1 , 𝑥2 , … , 𝑥𝑛 sont les inconnues, 𝑎1 , 𝑎2 , … , 𝑎𝑛 sont des
scalaires donnés appelés coefficients de l’équations et 𝑏 est un scalaire donné, appelé second
membre de l’équation.
I.2. Système d’équations linéaires
Un système d’équations linéaires à 𝑚 équations à 𝑛 inconnues est une liste de 𝑚 équations
linéaires à 𝑛 inconnues. On écrit usuellement de tels systèmes en 𝑚 lignes placées les unes
sous les autres. Il se présente comme suit :
𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑗 𝑥𝑗 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1
𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑗 𝑥𝑗 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2
…
(𝑆)
𝑎𝑖1 𝑥1 + 𝑎𝑖2 𝑥2 + ⋯ + 𝑎𝑖𝑗 𝑥𝑗 + ⋯ + 𝑎𝑖𝑛 𝑥𝑛 = 𝑏𝑖
…
𝑎
{ 𝑚1 1 𝑥 + 𝑎 𝑥
𝑚2 2 + ⋯ + 𝑎 𝑚𝑗 𝑥𝑗 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 𝑏𝑚
I.3. Forme matricielle d’un système
Soit un système d’équations linéaires (𝑆) :
𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑗 𝑥𝑗 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1
𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑗 𝑥𝑗 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2
…
(𝑆)
𝑎𝑖1 𝑥1 + 𝑎𝑖2 𝑥2 + ⋯ + 𝑎𝑖𝑗 𝑥𝑗 + ⋯ + 𝑎𝑖𝑛 𝑥𝑛 = 𝑏𝑖
…
{ 𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑗 𝑥𝑗 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 𝑏𝑚
𝑎11 𝑎12 … 𝑎1𝑗 … 𝑎1𝑛 𝑥1 𝑏1
𝑎21 𝑎22 … 𝑎2𝑗 … 𝑎2𝑛 𝑥2 𝑏2
… … … … … … … …
On pose : 𝐴 = 𝑎 𝑎 … 𝑎 … 𝑎 ,𝑋 = 𝑥 ,𝑏 = .
𝑖1 𝑖2 𝑖𝑗 𝑖𝑛 𝑗 𝑏𝑖
… … … … … … … …
(𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚𝑗 … 𝑎𝑚𝑛 ) (𝑥𝑛 ) (𝑏𝑚 )
L’équation 𝐴𝑋 = 𝑏 est appelée la forme linéaire du système d’équations linéaires (𝑆). 𝐴 est
appelée la matrice associée au système, 𝑋 est le vecteur inconnu et 𝑏 le vecteur second
membre du système.
I.4. Différents types de systèmes
Théorème : Un système d’équations linéaires n’a soit aucune solution, a soit une seule solution,
a soit une infinité de solutions.
- Un système qui n’admet aucune de solution est dit incompatible. Sinon il est compatible.
- Un système qui n’admet aucune de solution ou admet une infinité de solutions est dit mal
posé. Autrement dit, un système 𝐴𝑋 = 𝑏 est mal posé si et seulement si : det 𝐴 = 0.

23
Cours d’Analyse 1-Dr KRAMOH
 - Un système est dit de Cramer s’il comporte autant d’équations que d’inconnues et qu’il
admet une solution unique. Autrement dit, le système 𝐴𝑋 = 𝑏 est dit de Cramer si et
seulement si : det 𝐴 ≠ 0.
- Un système est dit homogène si son second membre est nul. Si un tel système admet une
solution unique, alors cette solution est la solution triviale : {(0,0, … ,0, … ,0)}. Sinon il est
admet une infinité de solution. Par conséquent, l’ensemble des solutions d’un système
homogène est un sous-espace vectoriel.

II. METHODES DE RESOLUTIONS DES SYSTEMES D’EQUATIONS

Les méthodes de résolution des systèmes d’équations les plus usuelles sont : la méthode de
Cramer, la méthode d’inversion de matrice et la méthode de pivot de Gauss.

II.1. Méthode de Cramer

Soit (𝑆) un système de Cramer de forme matricielle : 𝐴𝑋 = 𝑏.
La méthode de Cramer (aussi appelée méthode des déterminants) consiste à déterminer
successivement les valeurs des inconnues 𝑥𝑗 . On calcule d’abord ∆= det 𝐴 ≠ 0. Pour
déterminer la valeur de 𝑥𝑗 , on calcule ∆𝑗 où ∆𝑗 est le déterminant de la matrice de la matrice
obtenue après avoir remplacé la 𝑗 − è𝑚𝑒 colonne de la matrice 𝐴 le second membre du
système.
Exemple : Résolvons le système (𝑆) suivant :
𝑦+𝑧 =0
{𝑥 + 𝑧 = 1 (𝑆)
𝑥+𝑦 =2
- Forme matricielle
0 1 1 𝑥 0
On pose : 𝐴 = (1 0 1), 𝑋 = (𝑦) et 𝑏 = (1).
1 1 0 𝑧 2
La forme matricielle de (𝑆) est : 𝐴𝑋 = 𝑏.
- Résolution par la méthode de Cramer
0 1 1
∆= det 𝐴 = |1 0 1| = 2.
1 1 0
0 1 1
∆ 1 1 1 0
𝑥 = ∆1 , avec ∆1 = |1 0 1| = − | |+| | = −(−2) + 1 = 3.
2 0 2 1
2 1 0
3
Donc 𝑥 = 2.
0 0 1
∆2 1 1
𝑦 = ∆ , avec ∆2 = |1 1 1| = | | = (2 − 1) = 1.
1 2
1 2 0
1
Donc 𝑦 = 2.
0 1 0
∆3 1 1
𝑧 = ∆ , avec ∆3 = |1 0 1| = − | | = −(2 − 1) = −1.
1 2
1 1 2
1
Donc 𝑧 = − 2.

24
Cours d’Analyse 1-Dr KRAMOH
 3 1 1
𝑆ℝ3 = {(2 , 2 , − 2)}.

II.2. Méthode d’inversion de matrice

Cette méthode est souvent utilisée lorsqu’on a préalablement inversé la matrice associée.
Soit (𝑆) un système de Cramer de forme matricielle : 𝐴𝑋 = 𝑏 et 𝐴−1 la matrice inverse de
𝐴.
On obtient : 𝐴𝑋 = 𝑏 ⟺ 𝑋 = 𝐴−1 𝑏.
Exemple : Résolvons le système (𝑆) suivant :
𝑦+𝑧=0
{𝑥 + 𝑧 = 1 (𝑆)
𝑥+𝑦 =2
- Forme matricielle
0 1 1 𝑥 0
On pose : 𝐴 = (1 0 1), 𝑋 = (𝑦) et 𝑏 = (1).
1 1 0 𝑧 2
La forme matricielle de (𝑆) est : 𝐴𝑋 = 𝑏.
- Résolution par la méthode inversion de matrice
−1 1 1
1
𝐴𝑋 = 𝑏 ⟺ 𝑋 = 𝐴−1 𝑏, avec 𝐴−1 = 2 ( 1 −1 1 )
1 1 −1
3
𝑥 −1 1 1 0 3 𝑥 2
1 1 1
⟺ (𝑦) = 2 ( 1 −1 1 ) (1 ) = 2 ( 1 ) ⟺ ( 𝑦 ) = 2
𝑧 1 1 −1 2 −1 𝑧 1
−2
( )
3 1 1
𝑆ℝ3 = {(2 , 2 , − 2)}.
II.3. Méthode de pivot de Gauss
Soit (𝑆) un système de forme matricielle : 𝐴𝑋 = 𝑏. On pose : 𝑀 = (𝐴|𝑏). Puis on
échelonne la matrice 𝑀 et enfin, on conclut.
Exemples : Résolvons les systèmes (𝑆) suivants :
𝑦+𝑧=0
1. { 𝑥 + 𝑧 = 1 (𝑆)
𝑥+𝑦 =2
- Forme matricielle
0 1 1 𝑥 0
𝑦
On pose : 𝐴 = (1 0 1), 𝑋 = ( ) et 𝑏 = (1).
1 1 0 𝑧 2
La forme matricielle de (𝑆) est : 𝐴𝑋 = 𝑏.
- Résolution par la méthode de pivot de Gauss
0 1 10
On pose : 𝑀 = (𝐴|𝑏) = (1 0 1|1)
1 1 02
𝐿1 ⟷ 𝐿2
1 0 11
~ (0 1 1|0)
1 1 02
𝐿3 ⟵ 𝐿3 − 𝐿1 − 𝐿2

25
Cours d’Analyse 1-Dr KRAMOH
 1 0 1 1
~ (0 1 1 |0)
0 0 −2 1
1
𝐿3 ⟵ − 2 𝐿3
1 0 1 1
~ (0 1 1| 01)
0 0 1 −2
𝐿1 ⟵ 𝐿1 − 𝐿3 et 𝐿1 ⟵ 𝐿1 − 𝐿3
3
1 0 0 2
1
~ 0 1 0|| 2
0 0 1 1
−2
( )
3 1 1
𝑆ℝ3 = {(2 , 2 , − 2)}.
𝑦+𝑧 = 0
2. {𝑥 + 𝑧 = 1 (𝑆)
𝑥 + 𝑦 + 2𝑧 = 1
- Forme matricielle
0 1 1 𝑥 0
On pose : 𝐴 = (1 0 1), 𝑋 = (𝑦) et 𝑏 = (1).
1 1 2 𝑧 1
La forme matricielle de (𝑆) est : 𝐴𝑋 = 𝑏.
- Résolution par la méthode de pivot de Gauss
0 1 10
On pose : 𝑀 = (𝐴|𝑏) = (1 0 1|1)
1 1 21
𝐿1 ⟷ 𝐿2
1 0 11
~ (0 1 1|0)
1 1 21
𝐿3 ⟵ 𝐿3 − 𝐿1 − 𝐿2
1 0 11
~ (0 1 1|0)
0 0 00
La dernière ligne de la dernière matrice implique que : 0. 𝑧 = 0 (vrai ∀𝑧 ∈ ℝ)
La deuxième ligne implique que : 𝑦 + 𝑧 = 0 ⟺ 𝑦 = −𝑧
La dernière ligne implique que : 𝑥 + 𝑧 = 1 ⟺ 𝑥 = 1 − 𝑧.
𝑆ℝ3 = {(1 − 𝑧, −𝑧, 𝑧), 𝑧 ∈ ℝ}.
𝑦+𝑧 = 0
3. {𝑥 + 𝑧 = 1 (𝑆)
𝑥 + 𝑦 + 2𝑧 = 3
- Forme matricielle
0 1 1 𝑥 0
On pose : 𝐴 = (1 0 1), 𝑋 = (𝑦) et 𝑏 = (1).
1 1 2 𝑧 1
La forme matricielle de (𝑆) est : 𝐴𝑋 = 𝑏.
- Résolution par la méthode de pivot de Gauss

26
Cours d’Analyse 1-Dr KRAMOH
 0 1 10
On pose : 𝑀 = (𝐴|𝑏) = (1 0 1|1)
1 1 23
𝐿1 ⟷ 𝐿2
1 0 11
~ (0 1 1|0)
1 1 23
𝐿3 ⟵ 𝐿3 − 𝐿1 − 𝐿2
1 0 11
~ (0 1 1|0)
0 0 02
La dernière ligne de la dernière matrice implique que : 0. 𝑧 = 2 (absurde).
𝑆ℝ3 = 𝜙.

27
Cours d’Analyse 1-Dr KRAMOH
 TRAVAUX DIRIGES

Fiche 1 : Espaces vectoriels

EXERCICE 1 (Combinaison linéaire et système d’équations linéaires)

Un bijoutier vend des bagues contenant en une de l’or, du cuivre et l’argent.
Emile achète pour sa mère une bague contenant 2𝑔 d’or, 5𝑔 de cuivre et 4𝑔 d’argent. Il la
paie 4.066.933,4 𝐹.
Paulin achète pour sa mère une bague contenant 3𝑔 d’or, 5𝑔 de cuivre et 1𝑔 d’argent. Il la
paie 3.476.572,1 𝐹.
Frédéric achète pour sa chérie une bague contenant 5𝑔 d’or, 12𝑔 de cuivre et 9𝑔 d’argent.
Combien va-t-il payer ?
Combien coûte 1𝑔 d’or, 1𝑔 du cuivre et 1𝑔 d’argent contenus dans ces bagues ?
EXERCICE 2 (Sous-espaces vectoriels)
Parmi les ensembles suivants, lesquels sont des sous-espaces vectoriels ? Préciser en une
base et sa dimension.
1. 𝐸1 = {(𝑥, 𝑦, 𝑧) ∈ ℝ3 /𝑥 + 𝑦 + 3𝑧 = 0} ;
2. 𝐸2 = {(𝑥, 𝑦, 𝑧) ∈ ℝ3 /𝑥 + 𝑦 + 3𝑧 = 2} ;
3. 𝐸3 = {(𝑥, 𝑦, 𝑧) ∈ ℝ3 /𝑥 + 𝑦 = 𝑥 − 𝑧} ;
4. 𝐸4 = {(𝑥, 𝑦, 𝑧) ∈ ℝ3 /𝑥 + 𝑦 − 𝑧 = 0}
5. 𝐸5 = {(𝑥, 𝑦, 𝑧) ∈ ℝ3 /𝑥𝑦 = 0} ;
EXERCICE 3 (Réunion de sous-espaces vectoriels)
Soit 𝐸 un espace vectoriel et soient 𝐹 et 𝐺 deux sous-espaces vectoriels de 𝐸. Montrer que
𝐹 ∪ 𝐺 est encore un sous-espace vectoriel de 𝐸 si et seulement si 𝐹 ⊂ 𝐺 ou 𝐺 ⊂ 𝐹.
EXERCICE 4 (Changement de base)
Montrer que les vecteurs (0,1,1,1), (1,0,1,1), (1,1,0,1) et (1,1,1,0) forment une base de
ℝ4 .
Calculer les coordonnées des vecteurs (1,1,1,1) et (1,0,0,1) dans cette base.
EXERCICE 5 (Sous-espaces vectoriels)
Parmi les ensembles suivants, lesquels sont des sous-espaces vectoriels ?
1. 𝐸1 = {𝑃 ∈ ℝ[𝑋]/𝑃(0) = 𝑃(2)} ;
2. 𝐸2 = {𝑃 ∈ ℝ[𝑋]/𝑃′(0) = 2} ;
3. 𝐸3 = {𝑓 ∈ ℱ(ℝ, ℝ)/𝑓(0) = 1} ;
4. 𝐸4 = {𝑓 ∈ ℱ(ℝ, ℝ)/𝑓(1) = 0} ;
5. 𝐸5 = {(𝑥, 𝑦) ∈ ℝ2 /𝑥 + 𝑚𝑦 ≥ 1} ;
6. 𝐸6 = {(𝑥, 𝑦) ∈ ℝ2 /𝑥 − 𝑦 + 𝑚 = 0 et 𝑥 + 𝑚𝑧 = 0, 𝑚 ∈ ℝ}.

28
Cours d’Analyse 1-Dr KRAMOH
 Fiche 2 : Matrices
EXERCICE 1 (Somme matricielle-Produit matriciel)
On donne les matrices suivantes :
−1 −2
1 2 3 −1 −2
𝐴=( ) ;𝐵 =( ) et 𝐶 = (−2 −4).
2 4 6 −2 −1
−3 −6
1. Calculer (si possible) les sommes suivantes : 𝐴 + 𝐵, 𝐴 + 𝐶, 𝐵 + 𝐶, 𝑡𝐴 + 𝐶, 𝐴 + 𝑡𝐶 ,
𝑡
𝐴 − 𝐶 et 𝐴 − 𝑡𝐶 .
2. Calculer (si possible) les sommes suivantes : 𝐴𝐵, 𝐴𝐶, 𝐵𝐶, 𝐵𝐴, 𝐶𝐴, 𝐶𝐵, 𝐵 𝑡𝐶 .
3. Soit 𝑀 et 𝑁 deux matrices. A quelles conditions les opérations 𝑀 + 𝑡𝑁 et 𝑀 𝑡𝑁 sont-
elles possibles ?
EXERCICE 3 (Calcul de puissance matricielle)
On donne les matrices suivantes :
1 1 0 1 0 0
𝐴 = (0 1 1) et 𝐵 = 𝐴 − 𝐼, où 𝐼 = (0 1 0).
0 0 1 0 0 1
1. Calculer 𝐵 2 , 𝐵 3 . En déduire 𝐵 𝑘 pour 𝑘 ≥ 3.
2. Exprimer 𝐴𝑛 , 𝑛 ∈ ℕ en fonction de 𝐵 et de 𝐼. En déduire 𝐴𝑛 en fonction de 𝑛.
EXERCICE 4 (Calcul de déterminants)
1. Déterminer sans calculer les déterminants suivants :
1 4 5 1 4 5 2 4 −3 2 4 −3
∆1 = |2 5 7| ; ∆2 = |2 5 7 | ; ∆3 = |4 8 −6| ∆4 = |−13 4 5 |.
3 6 9 3 12 15 6 12 −9 0 0 0
2. On donne les matrices suivantes :
4 −7 0 −1 10 0 0 0
0 3 6 −2 1 10 0 0
𝐴=( ) et 𝐵 = ( )
0 0 2 8 1 2 10 0
0 0 0 1 1 2 3 10
Calculer det 𝐴 et det 𝐵. En déduire det 𝐴 et det(𝐴𝐵).
3. Calculer 𝐴𝐵, échelonner 𝐴𝐵 et confirmer le résultat de det(𝐴𝐵) précédent.
4. Calculer par deux méthodes le déterminant de la matrice suivante :
1 2 3
𝐴 = (3 2 1).
1 3 2
EXERCICE 5 (Matrice inversible)
1. On donne la matrice suivante :
cos 𝜃 − sin 𝜃
𝐴=( ).
sin 𝜃 cos 𝜃

29
Cours d’Analyse 1-Dr KRAMOH
 a) Calculer 𝑡𝐴𝐴 et 𝐴 𝑡𝐴.
b) En déduire que 𝐴 est inversible et donner sa matrice inverse 𝐴−1 .
2. On donne la matrice suivante :
1 0 2
𝑀 = (0 −1 1).
1 −2 0
a) Calculer 𝐴3 ainsi que 𝐴3 − 𝐴.
b) En déduire que 𝐴 est inversible et donner sa matrice inverse 𝐴−1 .
c) Retrouver 𝐴−1 par la méthode de Gauss.
EXERCICE 6 (Matrice inverse)
On donne la matrice suivante :
1 2 3
𝐴 = (0 1 2 )
0 4 6
1. Montrer que 𝐴 est inversible et déterminer son inverse 𝐴−1 .
2. En déduire la matrice 𝐵 tel que :
1 0 0
2𝐵𝐴 = (0 1 0).
0 −2 1
1 𝑥
3. Résoudre l’équation : 𝐴𝑋 = 𝑏, 𝑏 = (1) et 𝑋 = (𝑦).
1 𝑧

Fiche 3 : Applications linéaires

EXERCICE 1 (Applications linéaires et somme directe)
Soit 𝐸 = ℝ3 . On note ℬ = (𝑒1 , 𝑒2 , 𝑒3 ) la base canonique de 𝐸 et 𝑓 un endomorphisme de
𝐸 défini par :
𝑓(𝑒1 ) = −2𝑒1 + 2𝑒3 ; 𝑓(𝑒2 ) = 3𝑒2 ; 𝑓(𝑒3 ) = −4𝑒1 + 4𝑒3 .
1. Déterminer une base de ker 𝑓. 𝑓 est-il injectif ? peut-il être surjectif ? pourquoi ?
2. Déterminer une base de Im 𝑓. Quel est le rang de 𝑓 ?
3. Montrer que 𝐸 = ker 𝑓 ⨁ Im 𝑓.
EXERCICE 2 (Changement de base)
Soit 𝐸 un ℝ −espace vectoriel de dimension 3 muni d’une base ℬ = (𝑒1 , 𝑒2 , 𝑒3 ).
Soit 𝑓 un endomorphisme de 𝐸 défini par sa matrice dans ℬ :
0 1 1
𝐴 = 1 1 0).
(
−1 1 2
𝑢1 = 𝑒2 − 𝑒3 ; 𝑢2 = 𝑒1 + 𝑒2 + 𝑒3 ; 𝑢3 = 𝑒1 − 𝑒2 + 𝑒3 .

30
Cours d’Analyse 1-Dr KRAMOH
1. Montrer que ℬ′ = (𝑢1 , 𝑢2 , 𝑢3 ) est une base est une base de 𝐸.
2. Déterminer de deux façons la matrice de 𝑓 dans ℬ ′ .
3. Donner l’expression de 𝑓 dans les deux bases.
EXERCICE 3 (Application non linéaire)

L’application 𝑓 ∶ ℝ2 ⟶ ℝ2 , (𝑥, 𝑦) ⟼ (𝑥 + 𝑦, 𝑥𝑦) est-elle une application linéaire ?

EXERCICE 4 (Application linéaire de ℝ𝟑 dans ℝ𝟐 )

Soit 𝑓 l’application de ℝ3 dans ℝ2 définie par :
𝑓(𝑥, 𝑦, 𝑧) ⟼ (𝑥 − 𝑧, 𝑥 + 𝑦).
1. Montrer que 𝑓 est une application linéaire.
2. Déterminer ker 𝑓 et Im 𝑓.
3. 𝑓 est-elle injectif ? Surjectif ?
EXERCICE 5 (Endomorphisme dans un espace vectoriel quelconque de dimension 𝟑)
Soit 𝐸 un espace vectoriel de dimension 3 sur un corps 𝕂 et (𝑒1 , 𝑒2 , 𝑒3 ) une base de 𝐸. Soit
𝐼𝐸 l’application identité de 𝐸. On considère l’application linéaire 𝑓 de 𝐸 dans 𝐸 définie par :
𝑓(𝑒1 ) = 2𝑒2 + 3𝑒3 ; 𝑓(𝑒2 ) = 2𝑒1 − 5𝑒2 − 8𝑒3 ; 𝑓(𝑒3 ) = −𝑒1 + 4𝑒2 + 6𝑒3 .
1. Etudier le sous-espace ker(𝑓 − 𝐼𝐸 ) : dimension et base.
2. Etudier le sous-espace ker(𝑓 2 + 𝐼𝐸 ) : dimension et base.
3. Montrer que la réunion des deux dernières bases précédentes constitue une base de 𝐸.
4. Quelle est la matrice de 𝑓 et celle de 𝑓 2 dans cette nouvelle base ?

Fiche 4 : Systèmes d’équations linéaires

EXERCICE 1 (Système d’équations linéaires avec paramètre)
Discuter et résoudre le système suivant en fonction des valeurs du paramètre réel 𝑎.
𝑎𝑥 + 𝑦 + 𝑧 + 𝑡 = 1
𝑥 + 𝑎𝑦 + 𝑧 + 𝑡 = 1
{ .
𝑥 + 𝑦 + 𝑎𝑧 + 𝑡 = 1
𝑥 + 𝑦 + 𝑧 + 𝑎𝑡 = 1
EXERCICE 2 (Résolution de systèmes d’équations linéaires)
Résoudre les systèmes d’équations suivants :
𝑥 + 2𝑦 − 3𝑧 = −1 𝑥 + 2𝑦 + 𝑧 + 2𝑡 = 𝑎
(𝑆1 ) : { 2𝑥 + 5𝑦 + 3𝑧 = 0 (𝑆2 ) : {−2𝑥 − 4𝑦 − 2𝑧 − 4𝑡 = 𝑏
3𝑥 − 𝑦 − 𝑧 = 1 −𝑥 − 2𝑦 − 𝑧 − 2𝑡 = 𝑐

31
Cours d’Analyse 1-Dr KRAMOH
 3𝑥 − 𝑦 + 2𝑧 = 2
(𝑆3 ) : { −𝑥 + 2𝑦 − 3𝑧 = 3 .
𝑥 + 2𝑦 + 𝑧 = 4
EXERCICE 2 (Résolution de systèmes d’équations linéaires)
Montrer que l’ensemble des solutions de (Σ) est un sous-espace vectoriel de ℝ𝑛 . Donnez-
en une base et sa dimension.
𝑥 + 3𝑦 + 2𝑧 = 0
1. (Σ) : { 𝑥 + 𝑦 + 𝑧 + 𝑡 = 0 .
𝑥−𝑡 =0
𝑦+𝑧=0
2. (Σ) : {𝑥 + 𝑧 = 0.
𝑥+𝑧 =0

32
Cours d’Analyse 1-Dr KRAMOH