Algèbre 2 UIST

ALGEBRE
2021 - 2022
Table des matières
1 MATRICES 4
1.1 Présentation des matrices de type (p, q) sur un corps K commutatif . . . . 4
1.2 Différents types de matrices . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Matrice uniligne : p = 1, . . . . . . . . . . . . . . . . . . . . . . 5
1.2.2 Matrice unicolonne : q = 1, . . . . . . . . . . . . . . . . . . . . 6
1.2.3 Matrice nulle de type (p, q) . . . . . . . . . . . . . . . . . . . . 6
1.2.4 Matrice carrée d’ordre n . . . . . . . . . . . . . . . . . . . . . . 6
1.2.5 Matrice diagonale . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.6 Matrice unité (ou identité) d’ordre n . . . . . . . . . . . . . . . 7
1.2.7 Matrice triangulaire supérieure : . . . . . . . . . . . . . . . . . . 7
1.2.8 Matrice triangulaire inférieure : . . . . . . . . . . . . . . . . . . 8
1.2.9 Matrice en bloc . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.10 Transposée d’une matrice : . . . . . . . . . . . . . . . . . . . . 8
1.2.11 Opposée d’une matrice : . . . . . . . . . . . . . . . . . . . . . . 9
1.3 OPERATIONS SUR LES MATRICES . . . . . . . . . . . . . . . . . . . 9
1.3.1 Egalité de deux matrices de même type . . . . . . . . . . . . . . 9
1.3.2 Somme de deux matrices de même type . . . . . . . . . . . . . . 10
1.3.3 Multiplication par un scalaire . . . . . . . . . . . . . . . . . . . 11
1.3.4 Produit de deux matrices . . . . . . . . . . . . . . . . . . . . . 11
1.4 Trace d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5 Matrices inversibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6 Opérations élémentaires sur les matrices . . . . . . . . . . . . . . . . . . 17
1.7 Rang d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2 CALCUL DE DÉTERMINANTS 20
2.1 Déterminant d’une matrice carrée d’ordre 2 . . . . . . . . . . . . . . . . 20
2.2 Déterminant d’une matrice carrée d’ordre 3 . . . . . . . . . . . . . . . . 20
2.3 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.3.1 Calcul d’un déterminant d’ordre 3 par la méthode de Sarrus . . . 21
1
TABLE DES MATIÈRES
2.3.2 Calcul du déterminant par le développement suivant une ligne ou

une colonne. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4 Calcul du déterminant d’une matrice carrée d’ordre n supérieur ou égal à 3 24
2.5 Propriétés des déterminants . . . . . . . . . . . . . . . . . . . . . . . . 26
2.6 Inverse d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . . . . 31
2.6.1 Définitions et propriétés . . . . . . . . . . . . . . . . . . . . . . 31
2.6.2 Propriétés de la matrice inverse . . . . . . . . . . . . . . . . . . 31
2.6.3 Inversion d’une matrice par sa comatrice . . . . . . . . . . . . . 32
2.6.4 Inversion d’une matrice par la méthode du pivot de Gauss . . . . 34
2.7 Rang d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3 RÉSOLUTION D’UN SYSTEME LINÉAIRE 36

3.1 Résolution du système (S) avec la matrice augmentée . . . . . . . . . . . 38
3.2 Méthode de résolution d’un système de Cramer . . . . . . . . . . . . . . 40
3.2.1 Résolution d’un système de Cramer par l’inversion de la matrice
associée au système . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2.2 Résolution d’un système de Cramer par des déterminants . . . . . 41
3.3 Résolution d’un système avec le rang de la matrice associée connu . . . . 42
3.4 Systèmes échelonnés ou Méthode du pivot . . . . . . . . . . . . . . . . . 42
3.5 Calcul de l’inverse d’une matrice par la résolution de systèmes . . . . . . 44
4 ESPACES VECTORIELS 46
4.1 Définition d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . 46
4.1.1 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.2 Sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.2.1 Exemples de sous-espaces vectoriels . . . . . . . . . . . . . . . . 49
4.3 Suite liée de vecteurs. Suite libre de vecteurs . . . . . . . . . . . . . . . . 49
4.4 Espaces vectoriels de dimension finie . . . . . . . . . . . . . . . . . . . 51
4.4.1 Espace vectoriel ayant un nombre fini de générateurs . . . . . . . 51
4.4.2 Base d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . . 51
4.4.3 Déterminant d’une suite de vecteurs d’un K-espace vectoriel E
de dimension finie . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.5 Sous-espaces vectoriels d’un espace vectoriel de dimension finie . . . . . 54
4.5.1 Rang d’une suite finie de vecteurs . . . . . . . . . . . . . . . . . 54
4.6 Sous-espaces supplémentaires . . . . . . . . . . . . . . . . . . . . . . . 57
4.6.1 Théorème de la base incomplète . . . . . . . . . . . . . . . . . . 57
4.7 Produit de deux espaces vectoriels sur un même corps commutatif K . . . 57
2
TABLE DES MATIÈRES
5 APPLICATIONS LINÉAIRES 59
5.1 Image et Noyau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.1.1 Le théorème noyau-image . . . . . . . . . . . . . . . . . . . . . 61
5.1.2 Rang d’une application linéaire . . . . . . . . . . . . . . . . . . 62
5.2 Opérations sur les applications linéaires . . . . . . . . . . . . . . . . . . 63
5.2.1 L’espace vectoriel LK (E, F ) . . . . . . . . . . . . . . . . . . . . 63
5.3 Matrice d’une application linéaire f : E → F . . . . . . . . . . . . . . . 63
5.3.1 Changement de bases . . . . . . . . . . . . . . . . . . . . . . . . 65
de dimension finie(Rappel,suite et fin) . . . . . . . . . . . . . . . 67
5.3.3 Déterminant et trace d’un endomorphisme sur un K -espace vec-
toriel E de dimension finie . . . . . . . . . . . . . . . . . . . . . 68
3
Chapitre 1
MATRICES
1.1 Présentation des matrices de type (p, q) sur un corps

K commutatif
Soit (K, +, ×) un corps commutatif. Comme exemples de corps commutatifs, vous
avez : (R, +, ×) et (C, +, ×).
Définition 1.1.1. p et q sont deux entiers tels que p ≥ 1, q ≥ 1.

• Une matrice p × q ou de type (p, q) est, par définition, un tableau : de scalaires (ou
nombres) appartenant à K, rangés horizontalement ou verticalement.
• Une rangée horizontale est appelée ligne et une rangée verticale est appelée co-
lonne.
• Les rangées figurent dans deux parenthèses ou deux crochets et la matrice est
désignée par une lettre majuscule.
• Le nombre de rangées horizontales est le nombre de lignes p et le nombre de rangées
verticales est le nombre de colonnes q.
• Les nombres dans le tableau sont appelés les termes, coefficients ou composantes
de la matrice
• Le coefficient de la matrice A qui se trouve à l’intersection de la i-ème ligne et de
la j-ème colonne est noté aij ou [A]i,j :
◦ i représente l’indice de ligne.
◦ j représente l’indice de colonne.
• Soit A une matrice de type (p, q).
– On a    
a11 a12 · · · a1q a11 a12 · · · a1q
 a21 a22 · · · a2q   a21 a22 · · · a2q 
   
A=  .. = .
..   .. 
 . .   .. . 

ap1 ap2 · · · apq ap1 ap2 · · · apq
4
MATRICES
– On emploie aussi la notation
A = (aij ) 1≤ i ≤ p .
1≤ j ≤ q
a14
a24
Ceci est la 2ème ligne : a21 a22 · · · a2q ; la 4ième colonne est : . .
..
ap4
• L’ensemble des matrices à n lignes et p colonnes à coefficients dans k est noté
Mn,p (k). Les éléments de Mn,p (R) sont appelés matrices réelles.
Exemple 1.1.1. Soit

 
1 2 3 4 5 6
7
 −2 π 21
−9 −11 3 
A= .
 
 −3 −2 0 8 9 15 
1
−4 75 − 3 −7π i 5+i
A est une matrice de type (4, 6).

1
Ici l’élément a14 = 4, a22 = π, a35 = 9, a33 = 0, a43 = − , a46 = 5 + i.
3
1.2 Différents types de matrices

1.2.1 Matrice uniligne : p = 1,
Définition 1.2.1. Une matrice M qui n’a qu’une seule ligne (p = 1) est appelée matrice
ligne ou vecteur ligne. On la note
h i
M = a11 a12 · · · a1q .
M est de type (1, q).
Exemple 1.2.1.
h i
M= −1 5 7 78
est de type (1, 4)
5
MATRICES
1.2.2 Matrice unicolonne : q = 1,

Définition 1.2.2. Une matrice qui n’a qu’une seule colonne (p = 1) est appelée matrice
colonne ou vecteur colonne. On la note
 
a11
 a21 
 
M =  ..  .

 . 
ap1
M est de type (p, 1).
Exemple 1.2.2.
 
1
2
 
 
 
 3 
M = 

 4 

 
 5 
6
est de type (6, 1)
1.2.3 Matrice nulle de type (p, q)

Définition 1.2.3. La matrice nulle de type (p, q) est la matrice à p lignes et q colonnes
dont les composantes sont toutes nulles.
Exemple 1.2.3. Soit

 
0 0
A =  0 0 .
 
0 0
A est la matrice nulle de type (3, 2).
1.2.4 Matrice carrée d’ordre n

Définition 1.2.4. Une matrice carrée d’ordre n est une matrice à n lignes et n colonnes,
les termes aii sont les éléments diagonaux et forment la diagonale principale. L’autre
diagonale du tableau carré s’appelle la contre diagonale principale.
L’ensemble des matrices carrée d’ordre n à coefficients dans K est noté Mn (K).
6
MATRICES
Exemple 1.2.4.
 
1 4 83
A =  −9 47 −2 
 
0 1 3
4
est une matrice carrée d’ordre 3 et les éléments diagonaux sont : a11 = 1 ; a22 = ;
7
4
a33 = 3. Les éléments de la contre diagonale principale sont : a31 = 0 ; a22 = ;
7
8
a13 = .
3
1.2.5 Matrice diagonale

Définition 1.2.5. Une matrice diagonale est une matrice carrée telle que tous les termes
en dehors de la diagonale principale sont nuls.
Exemple 1.2.5.
 
1 0 0 " #
2 0
A1 =  0 0 0  ; A2 = .
 
0 −6
0 0 3
1.2.6 Matrice unité (ou identité) d’ordre n

Définition 1.2.6. La matrice unité (ou identité) d’ordre n est la matrice diagonale d’ordre
n telle que tous les termes de la diagonale principale sont égaux à 1 (et les autres nuls).
On la note In .
Exemple 1.2.6.
 
  1 0 0 0
" # 1 0 0
1 0  0 1 0 0 
I2 = , I3 =  0 1 0  , I4 =  .
   
0 1  0 0 1 0 
0 0 1
0 0 0 1
1.2.7 Matrice triangulaire supérieure :

Définition 1.2.7. Une matrice triangulaire supérieure est une matrice carrée telle que
tous les termes en-dessous de la diagonale principale sont nuls (aij = 0 si i > j).
Exemple 1.2.7.
 
1 5 0 1
 0 0 −4 0 
A= .
 
 0 0 1 −2 
0 0 0 −3
7
MATRICES
1.2.8 Matrice triangulaire inférieure :

Définition 1.2.8. Une matrice triangulaire inférieure est une matrice carrée telle que
tous les termes au-dessus de la diagonale principale sont nuls(aij = 0 si i < j).
Exemple 1.2.8.
 
1 0 0 0
 0 7 0 0 
B= .
 
 5 −8 −1 0 
−6 4 −1 −9
1.2.9 Matrice en bloc

Définition 1.2.9. Une matrice en bloc est une matrice de type (m, n) dans laquelle on
trouve des matrices bien établies. Soient M ∈ Mr (K), N ∈ Mrs (K), P ∈ Ms (K) et
Q ∈ Msr (K) alors
" #
M N
A= est en bloc.
Q P
Exemple 1.2.9.
 
15 4 0 0 0
 
 3 5 4 0 0 15 4 0
 

 
A= 0 1 5 4 0  où M = 
 3 5 4 ,


 0 0 1 5 20 0 1 5
 

0 0 0 1 25
 
0 0 ! !
0 0 1 5 20
N = 0 0 , Q= et P = ‘
 
0 0 0 1 25
4 0
1.2.10 Transposée d’une matrice :

Définition 1.2.10. On appelle transposée de la matrice A = (aij ) 1≤ i ≤ p la matrice
1≤ j ≤ q
A0 = a0ij

1≤ i ≤ q
1≤ j ≤ p
où a0ij = aji .
La transposée de A est notée (t A) ; c’est la matrice dont les colonnes sont les lignes de A
et vice versa.
8
MATRICES
Exemple 1.2.10.
 
" # −1 4
−1 2 1 + i
Soit A = . On a (t A) =  2 −6 .
 
4 −6 −8
1 + i −8
1.2.11 Opposée d’une matrice :

Définition 1.2.11. L’opposée d’une matrice A est la matrice obtenue en prenant l’oppo-
sée de chaque terme de A. elle est notée −A :
si A = (aij ) 1≤ i ≤ p , alors −A = (−aij ) 1≤ i ≤ p .
1≤ j ≤ q 1≤ j ≤ q
Exemple 1.2.11.
" #
−1 2 1 + i
soit A = . On a :
4 −6 −8
" # " #
− (−1) −2 − (1 + i) 1 −2 − (1 + i)
(−A) = = .
−4 − (−6) − (−8) −4 6 8
1.3 OPERATIONS SUR LES MATRICES

1.3.1 Egalité de deux matrices de même type
Définition 1.3.1. Deux matrices A = (aij ) 1≤ i ≤ p et B = (bij ) 1≤ i ≤ p , de type (p, q)
1≤ j ≤ q 1≤ j ≤ q
sont égales si leurs coefficients aij et bij sont égaux, quels que soient i = 1, 2, ..., p et
j = 1, 2, ..., q.
Contre-exemple
 1.3.1.   
0 1 −8 0 1 −8
Soit A =  −1 0 0  et B =  −1 0 0 . On a A 6= B car
   
8 −1 0 8 0 0
a32 = −1 6= 0 = b32 .
Remarque 1.3.1. Soit A ∈ Mpq (K), on a : (t A) ∈ Mqp (K) et (t (t A)) = A.
Définition 1.3.2. Soit A ∈ Mn (K), si on a : (t A) = A, on dit que A est une matrice

symétrique.
Exemple 1.3.1.
   
−2 1 −8 −2 1 −8
A =  1 3 0  est une matrice symétrique, car (t A) =  1 3 0  = A.
   
−8 0 1 −8 0 1
9
MATRICES
Définition 1.3.3. Soit A ∈ Mn (K), si on a : (t A) = −A, on dit que A est une matrice
antisymétrique.
Exemple 1.3.2.
 
0 1 −8
A =  −1 0 0  est une matrice antisymétrique, car
 
8 0 0
 
0 −1 8
t
( A) =  1 0 0  = −A
 
−8 0 0
1.3.2 Somme de deux matrices de même type

On définit la matrice C = A + B, de type (p, q) , somme des deux matrices de type
(p, q), par ses coefficients : cij = aij + bij , 1 ≤ i ≤ p, 1 ≤ j ≤ q.
Exemple 1.3.3. :
" # " #
2 −1 1−i 3 1 −1 + i
A= ; B= ,
−3 −1 + i 2 −3 1 i
" # " #
2+3 −1 + 1 1 − i + (−1 + i) 5 0 0
A+B = = .
−3 + (−3) −1 + i + 1 2+i −6 i 2 + i
" # " # " #
2 −1 1−i −2 − (−1) − (1 − i) 0 0 0
A+(−A) = + = .
−3 −1 + i 2 − (−3) − (−1 + i) −2 0 0 0
Exemple 1.3.4.
! ! !
3 −2 0 5 3 3
Si A = et B= alors A+B = .
1 7 2 −1 3 6
!
−2
Par contre si B0 = alors A + B0 n’est pas définie.
8
On a ainsi une loi de composition interne : l’addition, qui fait de l’ensemble Mpq (K)
des matrices p × q un groupe commutatif. L’ élément neutre est la matrice dont tous les
coefficients aij sont nuls dite matrice nulle 0 . La matrice opposée à A = (aij ) est la
matrice (−A) de coefficients (−aij ).
Remarque 1.3.2. ( i) On a une loi de composition interne ∗ dans un ensemble E, si

les deux opérades a, b et la résultante a ∗ b appartiennent à E.
( ii) Soient A, B ∈ Mpq (K), on a : (t (A + B)) = (t B) + (t A).
10
MATRICES
1.3.3 Multiplication par un scalaire

Soit λ ∈ K, la matrice λA est par définition, la matrice de coefficient λaij , où A =
(aij ).
C’est le produit de la matrice A ∈ Mpq (K) par le scalaire λ notée λA.
" #
2 −1 + 2i 1 − i
Exemple 1.3.5. A = ;
−3 −1 + i 0
" # " #
2×2 2 × (−1 + 2i) 2 (1 − i) 4 −2 + 4i 2 − 2i
2A = = .
2 × (−3) 2 (−1 + i) 2×0 −6 −2 + 2i 0
Remarque 1.3.3. La multiplication"." par un scalaire λ ∈ K d’une matrice A ∈

Mpq (K) est telle que
λA ∈ Mpq (K), on dit que la multiplication "." est une loi de composition externe
dans Mpq (K) car l’opérade λ ∈ K mais pas à Mpq (K).
Propriétés de la multiplication par un scalaire d’une matrice
(i) 1.A = A, pour tout élément A ∈ Mpq (K).1 étant l’élément neutre de (K∗ , ×).
(ii) α (βA) = (αβ) A, pour tout élément A ∈ Mpq (K), ∀α,β ∈ K.
(iii) α (A + B) = αA + αB, ∀α ∈ K, ∀A,B ∈ Mpq (K).
(iv) (α + β) A = αA + βA, ∀α,β ∈ K, pour tout élément A ∈ Mpq (K).
Ainsi l’addition qui fait de l’ensemble Mpq (K) des matrices de type (p, q) un groupe
commutatif en association avec la loi de composition externe (qui est la multiplicationon
par un scalaire, d’une matrice) vérifiant les propriétés sus-mentionnées fait de Mpq (K) un
K -espace vectoriel.
Remarque 1.3.4. Soient A ∈ Mpq (K), on a : (t (λA)) = λ (t A), λ ∈ K.
1.3.4 Produit de deux matrices

Le produit de matrices est sous condition :
A×B est possible si le nombre de colonnes de A est égal au nombre de lignes de B.
Soient A = (aij )1≤ i ≤ m ∈ Mm,n (K), B = (bij ) 1≤ i ≤ n ∈ Mn,p (K) ,

1≤ j ≤ n 1≤ j ≤ p
n
X
on pose : AB = C = (cij )1≤ i ≤ m ∈ Mm,p (K) , où cij = aik bkj
1≤ j ≤ p
k=1
(on dit que l’on fait li-col, c’est-à-dire ligne par colonne) est le produit de
la matrice A par B. En fait pour obtenir le terme cij de la matrice A × B = AB,
on multiplie les composantes de la ième ligne de A par celles de la j ème colonne
11
MATRICES
de B dans l’ordre et on fait la somme des différents produits.

On a symboliquement du point de vu des types de matrices
(m, n) (n, p) = (m, p) .
Remarque 1.3.5. On peut écrire le coefficient de façon plus développée, à savoir :
cij = ai1 b1j + ai2 b2j + · · · + aik bkj + · · · + aip bpj .
Il est commode de disposer les calculs de la façon suivante.

 
×
 × 
 ←B
 

 × 
×
   
|
   | 
A→  ← AB
   
 
× × × × − − − cij 
Avec cette disposition, on considère d’abord la ligne de la matrice A située à gauche

du coefficient que l’on veut calculer (ligne représentée par des × dans A) et aussi la
colonne de la matrice B située au-dessus du coefficient que l’on veut calculer (colonne
représentée par des × dans B). On calcule le produit du premier coefficient de la ligne
par le premier coefficient de la colonne (ai1 ×b1j ), que l’on ajoute au produit du deuxième
coefficient de la ligne par le deuxième coefficient de la colonne (ai2 × b2j ), que l’on ajoute
au produit du troisième. . .
Exemple 1.3.6.
 
! 1 2
1 2 3
A= B = −1 1
 
2 3 4
1 1
On dispose d’abord le produit correctement (à gauche) : la matrice obtenue est de
taille 2 × 2. Puis on calcule chacun des coefficients, en commençant par le premier coef-
ficient c11 = 1 × 1 + 2 × (−1) + 3 × 1 = 2 (au milieu), puis les autres (à droite).
    
1 2 1 2 1 2
−1 1 −1 1 −1 1
     
! 1 1! ! 1 1! ! 1 1!
1 2 3 c11 c12 1 2 3 2 c12 1 2 3 2 7
2 3 4 c21 c22 2 3 4 c21 c22 2 3 4 3 11
12
MATRICES
Remarque 1.3.6. Un exemple intéressant est le produit d’un vecteur ligne par un vecteur
colonne :  
b1
 b2 
 
u = a1 a2 · · · an v=  .. 

.
bn
Alors u × v est une matrice de taille 1 × 1 dont l’unique coefficient est a1 b1 + a2 b2 + · · · +
an bn . Ce nombre s’appelle le produit scalaire des vecteurs u et v. Calculer le coefficient
cij dans le produit A × B revient donc à calculer le produit scalaire des vecteurs formés
par la i-ème ligne de A et la j-ème colonne de B.
Exemple 1.3.7. Soit

 
−1 3 " #
3 −1 2 1
A =  −4 1  et B= ;
 
1 −3 4 7
0 2
Déterminons si possible A × B et B × A.
!
3 −1 2 1
1 −3 4 7
   
−1 3 −1 × 3 + 3 × 1 −1 × (−1) + 3 × (−3) −1 × 2 + 3 × 4 −1 × 1 + 3 × 7
−4 1 −4 × 3 + 1 × 1 −4 × (−1) + 1 × (−3) −4 × 2 + 1 × 4 −4 × 1 + 1 × 7
   
0 2 0×3+2×1 0 × (−1) + 2 × (−3) 0×2+2×4 0×1+2×7
 
−1 × 3 + 3 × 1 −1 × (−1) + 3 × (−3) −1 × 2 + 3 × 4 −1 × 1 + 3 × 7
A × B = AB =  −4 × 3 + 1 × 1 −4 × (−1) + 1 × (−3) −4 × 2 + 1 × 4 −4 × 1 + 1 × 7 
 
0×3+2×1 0 × (−1) + 2 × (−3) 0×2+2×4 0×1+2×7

 
0 −8 10 20
=  −11 1 −4 3 
 
2 −6 8 14
B × A n’est pas un produit possible car le nombre de colonnes de B égalant 4 n’est
pas égal au nombre de lignes de A qui est 3.
Nous allons donner quelques pièges à éviter
Remarque 1.3.7 (Premier piège à éviter). Le produit de matrices n’est pas commutatif
en général. En effet, il se peut que AB soit défini mais pas BA, ou que AB et BA soient
tous deux définis mais pas de la même taille. Mais même dans le cas où AB et BA sont
définis et de la même taille, on a en général AB 6= BA.
13
MATRICES
" # " #
1 −4 3 −4
Exemple 1.3.8. Soient A = et B =
−3 2 −3 0
" # " #
15 −4 15 −20
on a : AB = 6= = BA.
−15 12 −3 12
Ainsi le produit de matrices n’est pas commutatif.
Remarque 1.3.8 (Deuxième piège à éviter). AB = 0 n’implique pas A = 0 ou B = 0.

Il peut arriver que le produit de deux matrices non nulles soit nul. En d’autres termes, on
peut avoir A 6= 0 et B 6= 0 mais AB = 0.
Exemple 1.3.9.
! ! !
0 −1 2 −3 0 0
A= B= et AB = .
0 5 0 0 0 0
Remarque 1.3.9 (Troisième piège à éviter). AB = AC n’implique pas B = C. On

peut avoir AB = AC et B 6= C.
Exemple 1.3.10.
! ! ! !
0 −1 4 −1 2 5 −5 −4
A= B= C= et AB = AC = .
0 3 5 4 5 4 15 12
Remarque 1.3.10. 1 (Mn (K) , +, ×) est un anneau unitaire non commutatif.

L’élément unité se note In . Ainsi ∀A ∈ Mn (K), AIn = In A = A.
" # " #
1 0 0 0
2 Avec A = 6= 0M2 (C) et B = 6= 0M2 (C) ; on a :
2 0 1 2
" #" # " #
1 0 0 0 0 0
AB = = donc
2 0 1 2 0 0
(Mn (K) , +, ×) est un anneau non intègre.
Définition 1.3.4. Quand on a deux matrices carrées A et B telles que A × B = B × A

on dit que A et B commutent (ou permutent).
" # " #
1 −2 0 12
Exemple 1.3.11. Soient A = et B = , on constate que
2 0 − 12 41
" #" # " #" #
1 −2 0 12 0 12 1 −2
AB = = = BA
2 0 − 21 14 − 21 14 2 0
Ainsi A et B commutent mais le produit de matrices n’est pas commutatif.
Aussi A et B sont dites commutantes(permutantes).
14
MATRICES
Remarque 1.3.11. 1 Formule du binôme de Newton ∀A, B ∈ Mn (K), commutant

(permutant) e.i. A × B = B × A, on a :
n
X n
X
n
(A + B) = {kn An−k B k = {kn B n−k Ak ;
k=0 k=0
n!
n ≥ 1, n ∈ N, {kn = .
k! (n − k)!
2 ∀A ∈ Mn (K) avec A 6= 0Mn (K) , on a A0 = In .
Propriété 1.3.1. 1 A (B + C) = AB + AC, ∀A ∈ Mmn (K) , ∀B, C ∈ Mnp (K) ;

ceci est la distributivité à gauche de la multiplication par rapport à l’addition.
2 (A + B) C = AC +BC, ∀A, B ∈ Mmn (K) , ∀C ∈ Mnp (K) ; ceci est la dis-
tributivité à droite de la multiplication par rapport à l’addition. Vu 1) et 2) la mul-
tiplication est distributive par rapport à l’addition.
3 ∀λ ∈ K, ∀A ∈ Mmn (K), ∀B ∈ Mnp (K), (λA) B = A (λB) = λ (AB).
4 ∀A ∈ Mmn (K),∀B ∈ Mnp (K) , ∀C ∈ Mpr (K), (AB) C = A (BC) = ABC ;
ceci est l’associativitité de la multiplication des matrices.
5 (t (AB)) = (t B) (t A), ∀A ∈ Mpn (K) , ∀B, ∈ Mnq (K).
6 Ip .A = A = A.In , ∀A ∈ Mpn (K), IP , In sont unitées d’ordre resp. p, n.
1.4 Trace d’une matrice carrée

Définition 1.4.1. Etant donné A = (aij ) ∈ Mn (K) une matrice carrée d’ordre n
(nombre de lignes = nombre de colonnes=n), on définit une application tr de Mn (K)
n
X
sur K nommée trace telle que tr (A) = aii . Mn (K) est l’ensemble des matrices de
i=1
type (n, n), dites aussi matrices carrée d’ordre n.
 
7 −1 0 −2
 −4 −5 11 5 
2 
Exemple 1.4.1. Soit A =  ,

 1 2 −3 4 
π
74 9 0 2
π π π−2
alors tr (A) = 7 + (−5) + (−3) + = − 1 = = tr (t A).
2 2 2
Propriété 1.4.1. Etant données deux matrices A, B ∈ Mn (K),
i) tr (A + B) = tr (A) + tr (B)
ii) tr (AB) = tr (BA).
iii) tr (A) = tr (t A).
15
MATRICES
Je rappelle que K est un corps commutatif.
Démonstration. i) Pour tout 1 ≤ i ≤ n, le coefficient (i, i) de A + B est aii + bii .

ii) ∀A, B ∈ Mn (R),
n n n
!
X X X
tr (AB) = (AB)kk = Aki Bik
k=1 k=1 i=1
n n
! n n
! n
X X X X X
= Bik Aki = Bik Aki = (BA)ii
k=1 i=1 i=1 k=1 i=1
= tr (BA)
n
X n
X
t
t

iii) tr ( A) = A kk = Akk = tr (A).
k=1 k=1
1.5 Matrices inversibles

Définition 1.5.1. A ∈ Mn (K) est dite inversible s’il existe B ∈ Mn (K) telle que
1
AB = BA = In . B est appelée l’inverse de A et se note B = A−1 6= qui n’existe pas.
A
(B et A sont des matrices carrées de même ordre).
" # " #
1 −2 0 12
Exemple 1.5.1. Soient A = et B = on a :
2 0 − 12 41
" #
1 0
AB = BA = I2 = .
0 1
Ainsi A est inversible d’inverse B et inversemment ou A et B sont inverses l’une de l’autre.
Proposition 1.5.1. le produit de matrices inversibles est inversible.
Proposition 1.5.2. L’ensemble GLn (K) des matrices carrées d’ordre n inversibles est
un groupe multiplicatif appelé le groupe linéaire.
Définition 1.5.2. i) Deux matrices A, B ∈ Mpq (K) sont équivalentes s’ils existent
P ∈ Mp (K) inversible et Q ∈ Mq (K) inversible telle que A = P BQ ⇔ P −1 AQ−1 =
B.
ii) Deux matrices A, B ∈ Mn (K) sont semblables s’il existe P ∈ Mn (K) inversible
telle que A = P −1 BP ⇔ P A = BP ⇔ P AP −1 = B ⇔ AP −1 = P −1 B ce qui
entrainera que tr (A) = tr (B).
16
MATRICES
1.6 Opérations élémentaires sur les matrices

Définition 1.6.1. Soit A ∈ Mpq (K). On appelle opérations élémentaires sur A l’une des
transformations suivantes :
1 Ajouter à une colonne(resp. ligne) de A le produit par un élément de K∗ d’une autre
colonne(resp. ligne) : on parle de transvection sur les colonnes (resp. lignes) de A.
2 Permuter les colonnes(resp. lignes) de A.
3 Multiplier une colonne(resp. ligne) de A par un élément de K∗ : on parle de dilata-
tion ou d’affinité sur A.
" #
3 −1 2 1
Exemple 1.6.1. soit B = en faisant C10 = C1 + (−2) C3 on a :
1 −3 4 7
" # " #
3 + (−2) × 2 −1 2 1 −1 −1 2 1
B0 = = .
1 + (−2) × 4 −3 4 7 −7 −3 4 7
Evidemment on a B équivalente à B 0 , ce qui se note : B ∼ B 0 qui se lit B équivalente
à B0.
 
−1 3
Exemple 1.6.2. soit A =  −4 1  permutons L1 et L3 , on a :
 
0 2
 
0 2
A =  −4 1 . Evidemment on a A équivalente à A0 , ce qui se note : A ∼ A0 qui
0  
−1 3
se lit A équivalente à A0 .
 
−1 3
Exemple 1.6.3. soit A =  −4 1  faisons 4L2 , on a :
 
0 2
 
−1 3
0
A =  −16 4 .
 
0 2
Evidemment on a A équivalente à A0 , ce qui se note : A ∼ A0
qui se lit A équivalente à A0 .
Définition 1.6.2. Les matrices Eij ∈ Mpq (K) tels que aij = 1 et ars = 0, si r 6= i ou
s 6= j, sont les matrices élé mentaires de Mpq (K).X
Soit A = (aij ) ∈ Mpq (K),on a A = aij Eij .
1≤ i ≤ p
1≤ j ≤ q 1≤ i ≤ p
1≤ j ≤ q
17
MATRICES
 
  0 0
0 0 0 0  0 0 
Exemple 1.6.4. E23 =  0 0 1 0  ∈ M34 (R), E42 =   ∈ M42 (R)
   
 0 0 
0 0 0 0
0 1
 
a11 a12
Soit A =  a21 a22 . On a :
 
a31 a32
           
a11 0 0 a12 0 0 0 0 0 0 0 0
A =  0 0  +  0 0  +  a21 0  +  0 a22  +  0 0  +  0 0 
           
0 0 0 0 0 0 0 0 a31 0 0 a32
         
1 0 0 1 0 0 0 0 0 0
= a11  0 0  + a12  0 0  + a21  1 0  + a22  0 1  + a31  0 0  +
         
0 0 0 0 0 0 0 0 1 0
 
0 0
a32  0 0 
 
0 1
= a11 E11 + a12 E12 + a21 E21 + a22 E22 + a31 E31 + a32 E32
X
= aij Eij ∈ M32 (R)
1≤ i ≤ 3
1≤ j ≤ 2
1.7 Rang d’une matrice

Proposition 1.7.1. Etant donnée une matrice A ∈ Mpq (K), à l’aide des opérations
élémentaires sur A, A sera semblable à une matrice de la forme suivante :
" #
Ir 0r(q−r)
R=
0(p−r)r 0(p−r)(q−r)
où r ≤ inf (p, q), Ir est la matrice unité d’ordre r et 0st est la matrice identiquement
nulle avec s lignes et t colonnes. R est la matrice échélonnée réduite de A. On appelle
l’entier r le rang de la matrice A et il se note rg (A) = r = rg (t A).
Remarque 1.7.1. Le rang de A est indépendante des opérations élémentaires pouvant

permettre d’avoir R.
Proposition 1.7.2. Deux matrices sont équivalentes ssi elles ont le même rang.
Proposition 1.7.3. Deux matrices carrées semblables, ont nécessairement la même trace
et le même rang.
18
MATRICES
" # " #
1 2 1 0
Remarque 1.7.2. Voici deux matrices carrées A = et B = , Le
− 12 −1 0 0
rang de A = le rang de B = 1, mais elles ne sont pas semblables car tr (A) = 0 6=
1 = tr (B), alors que si elles étaient semblables, elles devraient avoir nécessairement la
même trace.
19
Chapitre 2
CALCUL DE DÉTERMINANTS
Le déterminant est un simple scalaire (nombre) calculé à partir des éléments d’une
matrice carrée. Ce scalaire est nul si la matrice carrée en question est non inversible.
2.1 Déterminant d’une matrice carrée d’ordre 2

" #
a b
Définition 2.1.1. Soit A = . On appelle déterminant de A le nombre ad − bc.
c d
a b
On note det A ou .
c d
" #
−1 3 −1 3
Exemple 2.1.1. A = ; det A = = 2 × (−1) − 3 × 4 = −14
4 2 4 2
2.2 Déterminant d’une matrice carrée d’ordre 3
2.3 Définition
 
a11 a12 a13
Définition 2.3.1. Soit A =  a21 a22 a23 . On appelle déterminant de A le nombre
 
a31 a32 a33
a11 a22 a33 + a12 a23 a31 + a13 a21 a32 − a31 a22 a13 − a32 a23 a11 − a33 a21 a12 .
a11 a12 a13

On note det A ou a21 a22 a23 .
a31 a32 a33
20
2.3.1 Calcul d’un déterminant d’ordre 3 par la méthode de Sarrus

On complète par les deux premières colonnes la suite de la troisième colonne (ou par
les deux premières lignes la suite de la troisième ligne) et on fait les produits 3 à 3 parallè-
lement à la diagonale principale et les produits 3 à 3 parallèlement à la contre-diagonale
principale ensuite, on somme en comptant les produits parallèles à la diagonale princi-
pale positivement et ceux de la contre-diagonale principale négativement.
a11 a12 a13 a11 a12

det A = a21 a22 a23 a21 a22
a31 a32 a33 a31 a32
= (a11 a22 a33 + a12 a23 a31 + a13 a21 a32 ) − (a31 a22 a13 + a32 a23 a11 + a33 a21 a12 )
Ou
a11 a12 a13

det A = a21 a22 a23
a31 a32 a33
a11 a12 a13
a21 a22 a23
= (a11 a22 a33 + a12 a23 a31 + a13 a21 a32 ) − (a31 a22 a13 + a32 a23 a11 + a33 a21 a12 )
Remarque 2.3.1. : La méthode de Sarrus ne s’applique qu’au déterminant d’ ordre 3

au plus
2.3.2 Calcul du déterminant par le développement suivant une ligne

ou une colonne.
Définition 2.3.2. Soit A = (aij )1≤ i, j ≤n . Pour l’élément aij , Xij le déterminant obtenu
en éliminant la ligne et la colonne de aij est son mineur ; le nombre Cij = (−1)i+j Xij
est son cofacteur.
Remarque 2.3.2. Pour tout aij élément de A matrice carrée, si (i + j) est paire Xij et
Cij sont égaux sinon ils sont opposés l’un à l’autre.
 
a11 a12 a13
Exemple 2.3.1. Soit A =  a21 a22 a23 
 
a31 a32 a33

Quand on élimine la ligne et la colonne de a11 , on obtient X11 son mineur
a22 a23
qui est : et son cofacteur est :
a32 a33
21
a22 a23 a22 a23

C11 = (−1)1+1 × = = X11 .
a32 a33 a32 a33
quand on élimine la ligne et la colonne de a12 , on obtient X12 son mineur
a21 a23
a31 a33
a21 a23 a21 a23
C12 = (−1)1+2 × =− = −X12
a31 a33 a31 a33
quand on élimine la ligne et la colonne de a13 , on obtient X13 son mineur
a21 a22
a31 a32
a21 a22 a21 a22
C13 = (−1)1+3 × = = X13 .
a31 a32 a31 a32
Methode
Développement suivant la 1ère ligne pour calculer det A ;

on a : det A = a11 × C11 + a12 × C12 + a13 × C13 .
Ainsi :
a22 a23 a21 a23
det A = a11 × (−1)1+1 × + a12 × (−1)1+2 ×
a32 a33 a31 a33
a21 a22
+a13 × (−1)1+3 ×
a31 a32
= a11 (a22 a33 − a32 a23 ) − a12 (a21 a33 − a31 a23 )
+a13 (a21 a32 − a31 a22 )
= (a11 a22 a33 + a12 a23 a31 + a13 a21 a32 )
− (a31 a22 a13 + a32 a23 a11 + a33 a21 a12 ) .
det A s’obtient aussi par le développement
  suivant une colonne, développons det A
a12
ième
suivant la 2 colonne de A qui est :  a22  , on a :
 
a32
a21 a23 a11 a13
det A = a12 × (−1)1+2 × + a22 × (−1)2+2 ×
a31 a33 a31 a33
a11 a13
+a32 × (−1)3+2 ×
a21 a23
= (a11 a22 a33 + a12 a23 a31 + a13 a21 a32 )
− (a31 a22 a13 + a32 a23 a11 + a33 a21 a12 )
det A = a12 × C12 + a22 × C22 + a32 × C32 .
22
Exemples pratiques
 
−1 −2 3
Exemple 2.3.2. A =  3 0 1 ,
 
−1 4 5
−1 −2 3
det A = 3 0 1
−1 4 5
Développons suivant la 2ème ligne.
−2 3 −1 −2
det A = 3 × (−1)1+2 × + 1 × (−1)2+3 ×
4 5 −1 4
= −3 (−2 × 5 − 4 × 3) − 1 × (−1 × 4 − (−1) × (−2))
= −3 (−22) − (−6) = 72.
En développant det A suivant la 1ère ligne on a :
0 1 3 1
det A = (−1) × (−1)1+1 × + (−2) × (−1)1+2 ×
4 5 −1 5
3 0
+3 × (−1)1+3 ×
−1 4
= 72.
C’est plus long à calculer.

 
0 0 −5
Exemple 2.3.3. B =  −4 −1 2  .
 
2 −2 0
Développons det B suivant la 1ère ligne :
0 0 −5
−4 −1
det B = −4 −1 2 = (−5) × (−1)1+3 ×
2 −2
2 −2 0
= −5 × (−4 × (−2) − (−1) × 2) = −50.
Développons det B suivant la 1ère colonne
23
0 0 −5
det B = −4 −1 2
2 −2 0
0 −5 0 −5
= (−4) × (−1)1+2 × + 2 × (−1)1+3 ×
−2 0 −1 2
= − (−4) × (0 × 0 − (−2) × (−5)) + 2 (0 × 2 − (−1) × (−5))
= −40 − 10
= −50
Le calcul de det B avec le développement suivant la 2ième ligne
0 0 −5
det B = −4 −1 2
2 −2 0
0 −5 0 −5
= (−4) × (−1)1+2 × + (−1) × (−1)2+2 ×
−2 0 2 0
0 0
+2 × (−1)2+3 ×
2 −2
= (−4) (10) − (10) + 0
= −50
C’est plus long à effectuer que les précédents.
Remarque 2.3.3.
(i) Quand l’on a choisi une ligne ou une colonne suivant laquelle le calcul du détermi-
nant d’une matrice sera développé,le déterminant est égal à la somme des produits
de chaque élément de ladite ligne ou colonne par son cofacteur.
(ii) En choisissant une colonne ou une ligne où il y a plus de zéros , on a moins de
termes dans le développé.
(iii) Par cette méthode du développement suivant une ligne ou une colonne, on constate
que dans le déveppé l’ordre de la matrice dont on calcule le déterminant s’abaisse.
2.4 Calcul du déterminant d’une matrice carrée d’ordre

n supérieur ou égal à 3
On se ramène à des calculs de déterminants d’ordre inférieur à n en développant sui-
vant une ligne ou une colonne.
24
 
−1 0 2 0
 2 3 −1 4 
Exemple 2.4.1. A =  .
 
 −3 2 −1 0 
4 5 −1 0
Développons suivant la 4ème colonne :
−1 0 2 0
−1 0 2
2 3 −1 4 2+4
det A = = 4 × (−1) × −3 2 −1
−3 2 −1 0
4 5 −1
4 5 −1 0
" #
−1 2 −1 2
= 4 2× −5×
4 −1 −3 −1
= 4 [2 (1 − 8) − 5 (1 + 6)]
= 4 (−14 − 35)
= 4 (−49)
= −196
Aussi det A avec le développement suivant la deuxième ligne de A sera bien long à
écrire en effet :
−1 0 2 0
2 3 −1 4
det A =
−3 2 −1 0
4 5 −1 0
0 2 0 −1 2 0
2+1 2+2
det A = 2 × (−1) × 2 −1 0 + 3 × (−1) × −3 −1 0
5 −1 0 4 −1 0
−1 0 0 −1 0 2
2+3 2+4
= + (−1) × (−1) × −3 2 0 + 4 × (−1) × −3 2 −1
4 5 0 4 5 −1
Théorème 2.4.1. Soit A = (aij )1≤ i, j ≤ n .
Déterminant de A développé par rapport à la i-ième ligne :
n
X
det (A) = ai1 Ci1 + ai2 Ci2 + ... + ain Cin = aik Cik .
k=1
Déterminant de A développé par rapport à la j-ième colonne :

n
X
det (A) = a1j C1j + a2j C2j + ... + anj Cnj = akj Ckj .
k=1
25
Remarque 2.4.1. Pour développer suivant les lignes ou les colonnes, il vaut mieux choi-
sir celles qui renferment le plus de zéros pour réduire le nombre de calculs.
2.5 Propriétés des déterminants

Propriété 2.5.1. (i) Soient A et B deux matrices carrées d’ordre n. Alors on a :
det (AB) = det A × det B.
Exemple 2.5.1.
   
−1 −2 3 0 0 −5
Soit A =  3 0 1 , B =  −4 −1 2 
   
−1 4 5 2 −2 0
    
−1 −2 3 0 0 −5 14 −4 1
on a : AB =  3 0 1   −4 −1 2  =  2 −2 −15 
    
−1 4 5 2 −2 0 −6 −14 13
14 −4 1
det (AB) = 2 −2 −15 = −3600.
−6 −14 13
On sait aussi que det A = 72 et det B = −50 et det A × det B = 72 × (−50) = −3600.
On a bien det (AB) = det A × det B.
Propriété 2.5.2. (ii) ∀λ ∈ K, ∀A ∈ Mn (K), alors
det (λA) = λordre(A) det A = λn det A.
Exemple 2.5.2.
    
1 2 3 1 2 3
det 2  0 3 −1  = 23 det  0 3 −1  .
    
0 0 −2 0 0 −2
Propriété 2.5.3. Le déterminant d’une matrice triangulaire, en particulier celui d’une

matrice diagonale, est égal au produit des éléments diagonaux (c’est-à-dire des éléments
de la diagonale principale). Par conséquent le déterminant d’une matrice unité est égale
à 1.
Exemple 2.5.3.
 
1 2 3
A =  0 3 −1  ;
 
0 0 −2
26
1 2 3
det A = 0 3 −1 = 1 × 3 × (−2) = −6.
0 0 −2
 
2 0 0 0
 0 3 0 0 
B= ;
 
 0 0 −1 0 
0 0 0 −5
0 02 0
3 00 0
det B = = 2 × 3 × (−1) × (−5) = 30.
0 −1 0
0
0 0 −5
0
 
1 0 0 0
 0 1 0 0 
I4 = 
 

 0 0 1 0 
0 0 0 1
1 0 0 0
0 1 0 0
det I4 = =1×1×1×1=1
0 0 1 0
0 0 0 1
Propriété 2.5.4. Le déterminant ne change pas quand on ajoute à une ligne une com-
binaison des autres lignes ; en particulier, on peut remplacer une ligne par la somme de
toutes les lignes ou encore ajouter à une ligne λ multiplié par une autre ligne où λ est un
scalaire non nul.
Remarque 2.5.1. Dans la propriété 2.5.4, en remplacant ligne(s) par colonne(s), on a

le même résultat.
Exemple 2.5.4.
−1 −2 3
det A = 3 0 1 , en ajoutant à la 3ème ligne, deux fois la 1ère ligne, on a :
−1 4 5
−1 −2 3
det A = 3 0 1 , je développe par rapport à la 2ème colonne,
−3 0 11
3 1
det A = − (−2) × = 2 (33 + 3) = 72.
−3 11
Remarque 2.5.2. Il est plus intéressant de faire des manipulations (légitimes) qui font
apparaître des zéros dans le déterminant afin d’en faciliter le calcul(voir supra).
27
Propriété 2.5.5. Le déterminant d’une matrice dont une ligne ou une colonne est for-
mée de zéros est un déterminant nul. Le déterminant d’une matrice dont une ligne (resp.
une colonne) est une combinaison des autres lignes (resp. des autres colonnes) est un
déterminant nul.Aussi si deux lignes(resp.deux colonnes) sont proportionnelles dans un
déterminant, le déterminant est nul.
Exemple 2.5.5.
−1 −2 3
det A = 3 6 1 = 0, car la 2ème colonne est égale à deux fois la 1ère colonne.
−1 −2 5
Propriété 2.5.6. Le déterminant est linéaire en ses lignes et colonnes respectivement.
(pour ne pas dire multilinéaire suivant les lignes ou les colonnes) Cela signifie : étant
donnée A une matrice carrée d’ordre n ; on a :
h i
1 Si A = C1 C2 C3 · · · Ci + Ci0 · · · Cn , avec 1 ≤ i ≤ n, alors
h i
det A = det C1 C2 C3 · · · Ci + Ci0 · · · Cn
h i h i
= det C1 C2 C3 · · · Ci · · · Cn + det C1 C2 C3 · · · Ci · · · Cn 0
 
L1
 
 L2 
 
 L 
 3 
 .
..

, avec 1 ≤ i ≤ n, alors
2 Si A =  
 Li + L0i 
 
 .. 

 . 

Ln
     
L1 L1 L1
     
 L2   L2   L2 
     
 L   L   L 
 3   3   3 
 ..   . 
.
 . 
.
det A = det   .  = det  .  + det  . 
    
 Li + L0i 
 0 
 Li   Li 
   

 .
..


 .
 .. 
  . 
 .. 
     
Ln Ln Ln
h i
3 Si β ∈ K et A = C1 C2 C3 · · · βCi · · · Cn , avec 1 ≤ i ≤ n, alors
h i
det A = det C1 C2 C3 · · · βCi · · · Cn
h i
= β det C1 C2 C3 · · · Ci · · · Cn
28
 
L1
 

 L2



 L3


 ..
4 Si β ∈ K et A = 
 , avec 1 ≤ i ≤ n, alors
 .
 γLi 
 
 . 
 .. 
 
Ln
   
L1 L1
   



L2 
 L2 




L3 
 L3 

  ..  .. 
det A = det 

 = γ det 
 .  . 

 γLi  Li
   
 
 .   .. 
 ..   . 
   
Ln Ln
Exemple 2.5.6.
2 a + b b2 2 a b2 2 b b2
1 (i) a a − b2 b = a a b + a −b2 b avec a, b ∈ K un
a2 a3 + b ab a2 a3 ab a2 b ab
corps.
2 − b2 a + b b 2 + b 2 a b2 −b2 b b
2 a a b = a a b + a a b avec a, b ∈ K un
2 3
a a ab a2 a3 ab a 2
a3 ab
corps.
Exemple 2.5.7.
−1 −2 17 × 3 −1 −2 3
1 det A = 3 0 17 × 1 = det A = 17 × 3 0 1
−3 0 17 × 11 −3 0 11
−23 × (−1) −23 × (−2) −23 × 3 −1 −2 3
2 3 0 1 = (−23) × 3 0 1
−3 0 11 −3 0 11
Propriété 2.5.7. Le déterminant une forme alternée : c’est-à-dire que lorsqu’on per-
mute deux lignes (ou deux colonnes) dans un déterminant le déterminant est changé en
son opposé.
29
Exemple 2.5.8.
−1 −2 3 −1 −2 3
det A = 3 0 1 = 72, mais −3 0 11 = −72 = − det A
−3 0 11 3 0 1
ième ième
car j’ai permuté la 2 et la 3 lignes.
Propriété 2.5.8.
1 Soit A ∈ Mn (K), det (A) = det (t A).

M N
2 Soient M ∈ Mr (K), N ∈ Mrs (K) et P ∈ Ms (K) alors = |M | |P |.
0 P
A1 ∗ ∗ ∗
n
0 A2 ∗ ∗ Y
3 Soient Ai ∈ Mri (K) où 1 ≤ i ≤ n, alors ... = |Ai |.
0 0 ∗ i=1
0 0 0 An
Propriété 2.5.9. Si deux matrices A, B ∈ Mn (K) sont semblables, i.e. A = P −1 BP .

∀m ∈ K, ∀k ∈ N∗ , comme (A + mIn )k = P −1 (B + mIn )k P , alors rang (A + mIn )k =
rang (B + mIn )k , det (A + mIn )k = det (B + mIn )k et trace (A + mIn )k = trace (B + mIn )k .
Remarque 2.5.3. 1 Lorsque deux matrices carrées sont semblables, elles ont né-
cessairement les mêmes trace, rang et déterminant. Mais cela ne suffit pas pour
être semblables.
2 Aussi est-il clair que deux matrices qui n’ont pas la même trace ou pas le même
rang ou pas le même déterminant, ne peuvent être semblables.
" # " #
1 2 0 1
Remarque 2.5.4. Voici deux matrices carrées A = ,B = ,
− 12 −1 0 0
On a le rang de A = au rang de B = 1, det (A) = det (B) = 0,
tr (A) = tr (B) = 0, mais A et B ne sont pas semblables car
" # " #! " # " # " # " #

1 0 1 2 −2 1 1 2 −2 1 0 1
1
× × = × = .
2
1 − 21 −1 1 0 0 0 1 0 0 0
" # " #
1 0 −2 1
Soit P = 1
,Q = , ce sont deux matrices inversibles et on a :
2
1 1 0
P AQ = B, donc A et B sont équivalentes, mais seraient semblables si P −1 = Q, alors
qu’avec " # " #
1 0 1 0
P× = × P = I2 , on a
− 12 1 − 12 1
30
" # " #
1 0 −2 1
P −1 = 6= Q = , donc on peut conclure que A et B ne sont
− 12 1 1 0
pas semblables, alors qu’elles ont le même rang, le même déterminant, et la même trace.
En résumé : Avoir le même rang , le même déterminant, et la même trace, pour

des matrices carrés de même ordre, sont des conditions nécessaires pour qu’elles soient
semblables, mais pas suffisantes.
2.6 Inverse d’une matrice carrée

2.6.1 Définitions et propriétés
Définition 2.6.1. Une matrice carrée A d’ordre n est inversible s’il existe une matrice
(carrée d’ordre n) B telle que A × B = B × A = In . B est alors appelée inverse de la
matrice A et est aussi notée A−1 .
1
Remarque 2.6.1. Soit une matrice inversible A. Soit A−1 son inverse. On a A−1 6= .
A
1
n’existe pas.
A
Exemple 2.6.1.
" # " #
1 3
2 3
Soit A = . On vérifie que pour B = 51 5
−2
. On a : AB = BA = I2 .
1 −1 5 5
Donc A est inversible et B est inverse de la matrice A.
Définition 2.6.2. Etant données deux matrices A et B tel que AB = BA, on dit que A
et B commutent.
Proposition 2.6.1. Deux matrices qui commutent sont carrées de même ordre.
Proposition 2.6.2. Deux matrices A et B carrées de même ordre n tel que AB = In (ou
BA = In ) sont inversibles et d’inverse l’une de l’autre.
2.6.2 Propriétés de la matrice inverse

Propriété 2.6.1. Si A et B sont inversibles de même ordre, on a :
1 Si A est inversible, alors son inverse est unique.

1
2 Si A est inversible, alors det(A−1 ) = .
det(A)
−1
3 (A−1 ) = A;
4 (λA)−1 = λ−1 .A−1 , où λ ∈ K∗ :
31
−1
5 (t (A−1 )) = (t (A)) ;
6 (AB)−1 = B −1 A−1 .
" #
2 3
Exemple 2.6.2. A = , det A = −2 6= 0 donc A est inversible, avec B =
2 2
" #
3
−1 2
,
1 −1
" #" # " #
2 3 −1 32 1 0
on constate que : AB = =
2 2 1 −1 0 1
1 1 1
donc A−1 = B et det B = det A−1 =− = = .
2 (−2) det A
2.6.3 Inversion d’une matrice par sa comatrice

Définition 2.6.3. Soit A = (aij )1≤ i, j ≤ n . On appelle cofacteur de l’élément aij le
nombre
Cij = (−1)i+j Xij
où Xij est le déterminant obtenu en éliminant la ième ligne et la j ème colonne de A.
La matrice des cofacteurs de A est la matrice notée

com (A) = (−1)i+j Xij = (Cij )1≤ i, j ≤ n
1≤ i, j ≤ n
et appelée la comatrice de A. le determinant extrait Xij est appelé le mineur de aij .
Exemple 2.6.3 (Exemple pratique).

 
1 3 −2
Soit A =  0 −1 3  . Notons A = (aij )1≤ i, j ≤ 3 .
 
−1 −5 6
−1 3 −1 3
Le cofacteur de a11 = 1 est C11 = (−1)1+1 × = 9, on a X11 =
−5 6 −5 6
1 −2
Le cofacteur de a32 = −5 est C32 = (−1)3+2 × = −3, on a
0 3
1 −2
X32 = . Ainsi de suite.
0 3
32
La comatrice de A est donc

 
−1 3 0 3 0 −1
 (−1)1+1 (−1)1+2 (−1)1+3 

 −5 6 −1 6 −1 −5 

 
 
 
 2+1 3 −2 1 −2 1 3 
comA =   (−1) (−1)2+2 (−1)2+3 
 −5 6 −1 6 −1 −5 

 
 
 
 (−1)3+1 3 −2 1 −2 1 3
 
(−1)3+2 (−1)3+3 
−1 3 0 3 0 −1
 
9 −3 −1
=  −8 4 2 
 
7 −3 −1
Définition 2.6.4.
Pour tout A ∈ Mn (K), la matrice (t comA) = com (t A) s’appelle la matrice adjointe de
A.
Théorème 2.6.1.
Si A est une matrice inversible alors
1 1
A−1 = × com t A = × t com (A)

det A det A
où (t A) désigne la transposée de A, com (t A) désigne la comatrice de la transposée de A
et (t com (A)) désigne la transposée de la comatrice de A.
" #
a b
Exemple 2.6.4. Soit A = une matrice inversible. On a :
c d
" #
−1 1 t
1 d −b
A = × com (A) =
det A ad − bc −c a
 
1 0 −1
Exemple 2.6.5. Soit A =  3 −1 −5  , A est -elle inversible ?
 
−2 3 6
1 0 −1 0 0 −1
det A = 3 −1 −5 = −2 −1 −5 = 2,
−2 3 6 4 3 6
à la 1ère colonne, j’ai fait la 1ère colonne plus la 3ème colonne afin d’avoir plus de
zéro dans mon déterminant pour ne pas avoir beaucoup de termes à développer. Comme
1 1
det A = 2 6= 0, alors A est inversible. A−1 = × com (t A) = × (t com (A)).
det A det A
33
   
1 3 −2 9 −3 −1
t
com t A =  −8 4 t
 
A =  0 −1 3  , 2 = com (A)
 
−1 −5 6 7 −3 −1
9 −3 −1
 
 
9 −3 −1 2 2 2
−1 1  
A =  −8 4 2 = −4 2 1 .
  
2  7 −3 −1 
7 −3 −1
2 2 2
2.6.4 Inversion d’une matrice par la méthode du pivot de Gauss

La méthode du pivot de Gauss consiste à effectuer des opérations élémentaires sur une
matrice A, carrée d’ordre n et inversible, afin de la transformer en une matrice identité.
Les mêmes opérations sont aussi effectuées sur la matrice In . Lorsque A devient In , In à
son tour devient A−1 .
Remarque 2.6.2. Soit A une matrice carrée d’ordre n.

• Si l’algorithme fait passer de A à In alors la matrice A est inversible et il fait passer
In à A−1 ;
• Si non A n’est pas inversible.
Exemple 2.6.6.
   
a11 a12 a13 b11 b12 b13
Si A = a21 a22 a23  est inversible avec A−1 = b21 b22 b23 , on a
   
a31 a32 a33 b31 b32 b33

   
a11 a12 a13 1 0 0 1 0 0 b11 b12 b13
 a21 a22 a23 0 1 0  −→ (Opérations sur les lignes) →  0 1 0 b21 b22 b23 
   
a31 a32 a33 0 0 1 0 0 1 b31 b32 b33
Exemple 2.6.7.
 
0 1 −1
Soit A =  1 1 1 . On a
 
−1 1 1
34
   
0 1 −1 1 0 0 1 1 1 0 1 0
 L1 ←→ L2
 1 1 1 0 1 0  ∼  0 1 −1 1 0 0 
  
L2 ←→ L1
−1 1 1 0 0 1 −1 1 1 0 0 1 L3 ← L3 + L1
 
1 1 1 0 1 0 L1 ← L1 − L2
∼  0 1 −1 1 0 0 
 
0 2 2 0 1 1 L3 ← L3 − 2L2
 
1 0 2 −1 1 0
∼  0 1 −1 1 0 0 
 
0 0 4 −2 1 1 L3 ← 41 L3
 
1 0 2 −1 1 0
 L1 ← L1 − 2L3
∼  0 1 −1 1 0 0 

L2 ← L2 + L3
0 0 1 − 24 41 41
 
1 0 0 0 42 − 42
2 1 1
∼  0 1 0
 
4 4 4 
2 1 1
0 0 1 −4 4 4
   
2
0 4
− 24 0 2 −2
 1
Donc A est inversible et A−1 =  2 1 1
=  2 1 1 
 
4 4 4 4
− 24 1
4
1
4
−2 1 1
2.7 Rang d’une matrice

Proposition 2.7.1. A = (aij ) 1≤ i ≤ n . On a rgA ≤ min (n, m).
1≤ j ≤ m
Si m = n, et que rgA = n ⇐⇒ det A 6= 0.
Proposition 2.7.2. Soit A = (aij ) 1≤ i ≤ n alors rgA est le plus grand entier naturel
1≤ j ≤ m
s qui est tel qu’on puisse extraire de A une matrice d’ordre s de déterminant 6= 0 (avec
permutation des colonnes(resp. lignes) de A si necessaire).
!
2 0 5 −1 2 0
Exemple 2.7.1. A = , on a = 4 6= 0 comme 2 ≥ rgA,
1 2 3 1 1 2
donc rgA = 2.
Corollaire 2.7.1. Soit A = (aij ) 1≤ i ≤ n , rg (t A) = rgA.

1≤ j ≤ m
Remarque 2.7.1. rg (A) = 0 ⇔ toutes les composantes de la matrice A sont nuls.
35
Chapitre 3
RÉSOLUTION D’UN SYSTEME

LINÉAIRE
Définition 3.0.1. De maniére générale, on appelle équation linéaire d’inconnues x1 ;

... ; xn toute égalité de la forme : a1 x1 + ... + an xn = b ⇐⇒ (E) où a1 ; ... ; an et b
sont des nombres(réels ou complexes) Il importe d’insister ici que ces équations linéaires
sont implicites, c’est-à-dire qu’elles décrivent des relations entre les inconnues, mais ne
donnent pas directement les valeurs que peuvent prendre ces inconnues.
Résoudre une équation signifie donc la rendre explicite, c’est-à-dire rendre plus appa-
rentes les valeurs que les inconnues peuvent prendre. Une solution de l’équation linéaire
(E) est un n-uple (s1 ; ....; sn ) de valeurs respectives des inconnues x1 ; ... ; xn qui satis-
font l’é quation (E).
Autrement dit : a1 s1 + ... + an sn = b.
Exemple 3.0.2. −2x1 + 4x2 − 3x3 = 9 est une équation linéaire d’inconnues x1 , x2 , x3 .
Définition 3.0.2. Un ensemble fini d’équations linéaires d’inconnues x1 ; ... ; xn s’ap-

pelle un système d’équations linéaires d’inconnues x1 ; ... ; xn .
Exemple 3.0.3. Le système

(
x1 − 3x2 + x3 = 1
−2x1 + 4x2 − 3x3 = 9
admet comme solution x1 = −18; x2 = −6; x3 = 1. Par contre x1 = 7 ; x2 = 2 ; x3 = 0

ne satisfait que la première équation. Ce n’est donc pas une solution du système.
Définition 3.0.3. Un système d’équations est dit incompatible ou inconsistant s’il n’ad-
met pas de solutions, c’est-à-dire que l’ensemble solution c’est l’ensemble vide.
36
RÉSOLUTION D’UN SYSTEME LINÉAIRE
Exemple 3.0.4. Le système linéaire

(
x 1 + x2 = 1
2x1 + 2x2 = 1
est clairement incompatible donc SR2 = {} = ∅.
Définition 3.0.4. Soient n, m ≥ 1. On appelle système de m équations à n inconnues

tout système (S)
 de la forme :

 a11 x1 + a12 x2 + ... + a1n xn = b1 (E1 )

 a21 x1 + a22 x2 + ... + a2n xn

= b2 (E2 )
(S) ⇐⇒ . .. .. ,

 .. . .


 a x + a x + ... + a x = bm (Em )
m1 1 m2 2 mn n
où aij , bi sont des scalaires donnés ; x1 , x2 , ..., xn sont des inconnues et
(Ei ) la i-ième équation de (S) ; ∀1 ≤ i ≤ m.
La matrice A = (aij )1≤ i ≤ m est la matrice associée à (S)(dite aussi la matrice de
1≤ j ≤ n
(S)).
Il est à noter que la j-ième colonne de A est composée des coéfficients de
l’inconnue xj dans les différentes équations du système de la première é quation(E1 )
à la dernière équation(Em ) ; ∀1 ≤ j ≤ n.
Les (bi )1≤ i ≤ m sont les seconds membres de (S) , et (S) est dit homogène si bi = 0
∀1 ≤ i ≤ m.
Ecriture matricielle de (S).

   
x1 b1
 .   . 
Soit X =  ..  ; B =  .. . Alors (S) ⇐⇒ AX = B.
xn bm
Exemple 3.0.5. Considérons le système linéaire



 x1 + 7x3 = −1
(S) ⇐⇒ 2x1 − x2 + 5x3 = −5

−x1 − 3x2 − 9x3 = 7

Sa matriceassociée est 
1 0 7
A =  2 −1 5  ;
 
−1 −3 −9
   
x1 −1
X =  x2  ; B =  −5 . Alors (S) ⇐⇒ AX = B
   
x3 7
37
Exemple 3.0.6. Considérons le système linéaire homogène



 x1 + 7x3 = 0
(S) ⇐⇒ 2x1 − x2 + 5x3 = 0

−x1 − 3x2 − 9x3 = 0

Sa matriceassociée est 
1 0 7
A =  2 −1 5  ;
 
−1 −3 −9
   
x1 0
X =  x2  ; B =  0 . Alors (S) ⇐⇒ AX = B = 0M31 (R) .
   
x3 0
3.1 Résolution du système (S) avec la matrice augmentée

Je rappellele système
 a11 x1 + a12 x2 + ... + a1n xn
 = b1

 a21 x1 + a22 x2 + ... + a2n xn

= b2
(S) ⇐⇒ .. .. .. .


 . . .

 a x + a x + ... + a x
m1 1 m2 2 mn n = bm
Définition 3.1.1. Nous obtenons la matrice augmentée associée au système (S) en ad-
joingnant à la dernière colonne de la matrice du système A une colonne constituée des bi ,
les seconds membres des équations de (S).
De là : La matrice augmentée associée au système (S) est alors :
 
a11 a12 · · · a1n b1
 a21 a22 · · · a2n b2 
 
.
 . .. .. .. .. 
 .
 . . . . . 
am1 am2 ··· amn bm
Exemple 3.1.1. Considérons le système linéaire



 x1 + 7x3 = −1
2x1 − x2 + 5x3 = −5

−x1 − 3x2 − 9x3 = −5

Sa matrice augmentée est  

1 0 7 −1
 2 −1 5 −5  .
 
−1 −3 −9 −5
38
La méthode de base pour résoudre un système d’équations linéaires est de remplacer

le système par un autre, plus simple, ayant le même ensemble de solutions.
Ceci se fait par une succession d’opérations, appelées opérations élémentaires : qui consiste
à : au choix
(1) multiplier une équation par une constante non nulle ;
(2) permuter deux équations ;
(3) ajouter un multiple d’une équation à une autre équation.
Les opérations (1), (2) et (3) ne changent pas l’ensemble des solutions.
Elles correspondent à des opérations élémentaires sur les lignes de la
matrice augmentée.
Ces opérations sont les suivantes :
(1) multiplier une ligne par une constante non nulle ;
(2) permuter deux lignes ;
(3) ajouter un multiple d’une ligne à une autre ligne.
Exemple 3.1.2. Utilisons ces opérations élémentaires pour résoudre le système suivant.


 x1 + x2 + 7x3 = −1
(S) ⇔ 2x1 − x2 + 5x3 = −5

−x1 − 3x2 − 9x3 = −5

La matrice augmentée associée au système est :

 
1 1 7 −1
 2 −1 5 −5 
 
−1 −3 −9 −5
en faisant des opérations élémentaires sur les lignes (que sur les lignes qui repré-
sentent
 les équations) de la matrice
  augmentée ; on a : 
1 1 7 −1 1 1 7 −1
 2 −1 5 −5  ≈  0 −3 −9 −3  L2 − 2L1
   
−1 −3 −9 −5 0 −2 −2 −6 L + L1
   3
1 1 7 −1 1 1 7 −1
 1
≈  0 1 3 1  − 3 L2 ≈  0 1 3 1 
  
0 1 1 3 −1L 0 0 −2 2 L − L2
  2 3   3
1 0 4 −2 L1 − L2 1 0 0 2 L1 − 4L3
≈ 0 1 3 1  ≈  0 1 0 4  L2 − 3L3 .
   
1
0 0 1 −1 − 2 L3 0 0 1 −1
    
1 0 0 x1 2
ce qui donne matriciellement : (S) ⇔  0 1 0   x2  =  4  ⇔
    
0 0 1 x3 −1
39

 x1 = 2

x2 = 4

x3 = −1

D’où SR3 = {(2, 4, −1)}. Nous remarquons que les opérations élémentaires peuvent
être faites uniquement sur la matrice augmentée pour revenir à la fin au système d’équa-
tions. C’est ce que nous avons fait. On obtient ainsi l’unique solution du système : x1 = 2,
x2 = 4 et x3 = −1.
Donc SR3 = {(2; 4; −1)}.
Remarque 3.1.1 (Remarque très importante). Quand on finit de résoudre une équation
ou un systéme d’équations, il faut toujours donné l’ensemble solution clairement.
Proposition 3.1.1. Etant donné un sytème (S) de matrice A et de matrice augmentée

M , le système est compatible (c’est-à-dire n’admet pas l’ensemble vide comme solution)
ssi le rang de A est égal au rang de M i.e. rg (A) = rg (M ).
3.2 Méthode de résolution d’un système de Cramer

Définition 3.2.1. Le système (S) est dit de Cramer si m = n et si det A 6= 0 . C’est dire
que dans le système (S) le nombre d’équations est égal au nombre d’inconnues ; aussi A
est ici la matrice du système (S).
3.2.1 Résolution d’un système de Cramer par l’inversion de la ma-

trice associée au système
Théorème 3.2.1. Tout système de Cramer (S) admet une solution unique X = A−1 B.
Exemple 3.2.1.

 x − 2y + z = 3

(Σ) ⇐⇒ 2x − y + z = 1

−x − y + z = 0

 
1 −2 1
La matrice associée à (Σ) est A =  2 −1 1 
 
−1 −1 1
et det (A) =3 6= 0 ; c’est donc
 un système de Cramer.
1 −1
0 3 3
−1
A =  −1 32 13 ,
 
−1 1 1
40
        
1 −1 1
x 3 0 3 3
3 3
−1  2 1     −7 
on a alors  y  = A  1  =  −1   1  =  3 .
   
3 3
z 0 −1 1 1 0 −2

1 −7
Donc SR3 = ; ; −2 .
3 3
3.2.2 Résolution d’un système de Cramer par des déterminants



 a11 x1 + a12 x2 + ... + a1n xn = b1

 a21 x1 + a22 x2 + ... + a2n xn = b2

Soit (Σ) ⇐⇒ .. .. ,
 ...
 . .


 a x + a x + ... + a x = bn
n1 1 n2 2 nn n
un système de n équations à n inconnues de Cramer. On appelle déterminant du sys-
tème (Σ) le nombre ∆ = det A, où A est la matrice associée a (Σ).
On appelle déterminant de xi le nombre ∆xi égal au déterminant de la matrice obtenue
en remplaçant dans A la ième colonne par les éléments respectifs des seconds membres
c’est-à-dire b1 , b2 , ..., bn .

n ∆x1 ∆x2 ∆xn
Théorème 3.2.2. (Σ) étant de Cramer, l’unique solution dans k est : ; ; ....; .
∆ ∆ ∆

 x − 2y + z = 3

Exercice 3.2.1. (Σ) ⇐⇒ 2x − y + z = 1 .

−x − y + z = 0

Réponse  
1 −2 1
La matrice associée à (Σ) est A =  2 −1 1 ,
 
−1 −1 1
1 −2 1
∆ = det A = 2 −1 1
−1 −1 1
1 −2 −1
= 2 −1 0 = 3 (je rappelle que j’ai fait col3 + col2 )
−1 −1 0
3 −2 1 1 3 1
∆x = 1 −1 1 = 1 ; ∆y = 2 1 1 = −7 ;
0 −1 1 −1 0 1
1 −2 3
∆z = 2 −1 1 = −6 ;
−1 −1 0
∆x 1 ∆y −7 ∆z −6
x= = ;y= = ; z= = = −2
∆ 3 ∆ 3 ∆ 3
41

1 −7
Donc SR3 = ; ; −2 .
3 3
3.3 Résolution d’un système avec le rang de la matrice

associée connu
Soit A = (aij )1≤ i ≤ m , la matrice de (S) , et soit r = rgA.
1≤ j ≤ n
1er cas : m = r < n,
(S) ⇐⇒ (S 0 ) ⇐⇒

 b1 − (a1r+1 xr+1 + a1r+2 xr+2 + ... + a1n xn )
a11 x1 + a12 x2 + ... + a1r xr =

 | {z }

c1 (xr+1 , xr+2 , ..., xn )





b − (a2r+1 xr+1 + a2r+2 xr+2 + ... + a2n xn )


|2

 a21 x1 + a22 x2 + ... + a2r xr

= {z }
c2 (xr+1 , xr+2 , ..., xn )
.. .. ..


. . .





bm − (amr+1 xr+1 + amr+2 xr+2 + ... + amn xn )



am1 x1 + am2 x2 + ... + amr xr =

 | {z }

cm (xr+1 , xr+2 , ..., xn )

0 0 0
Soit A = (aij )1≤ i, j ≤ r avec r = rgA donc det A 6= 0
(s 0 ) est un système de Cramer qu’on doit ré soudre avec les (xr+i )1≤ i ≤(n−r)
comme inconnues secondaires(c’est-à-dire des paramètres).
2ème cas : r < m (voir système échelonné à la suite).
Définition(rappel)
On appelle opérations élémentaires dans un système ;
les opérations de l’une des formes suivantes :
a) Echanger deux lignes du système.
b) Multiplier une ligne par une constante non nulle.
c) Rajouter à une ligne du système un multiple d’une autre ligne du
système. (une ligne ici est une équation du système)
Remarque 3.3.1.
Les opérations élémentaires transforment un système en un système

équivalent. On peut donc transformer un système linéaire par une
succession d’opérations élémentaires en un système échelonné.
3.4 Systèmes échelonnés ou Méthode du pivot

On dit qu’un système est échelonné si et seulement si tous les coefficients
figurant en-dessous de la diagonale sont nuls.
42
Cela revient à dire que ∀i > j, aij = 0.

Autant dire qu’un système échelonné se présente sous l’une des trois
formes suivantes :
(a) Si m = n
(un tel système est dit carré et l’on dit d’un système carré échelonné
 qu’il est trigonal).
 a11 x1 + a12 x2 + · · · +a1n xn = b1


a22 x2 + · · · +a2n xn = b2


... ..


 .

 a x =b
nn n n
Dans ce premier cas il est facile de résoudre le système lorsque tous
les termes diagonaux sont non nuls. on utilise
l’algorithme de la remontée :
bn
la dernière équation donne en effet la valeur xn = ,
ann
puis l’avant-dernière ligne donne la valeur
1
xn−1 = bn−1 − a(n−1)n xn et, plus généralement,
a(n−1)(n−1) !
n
1 X
on obtient : xk = bk − akj xj ,
akk j=k+1
ce qui permet de calculer les xk successifs par ordre décroissant de
l’indice k. Le système admet une unique solution, et cela quel que
puisse être le second membre.
Un système ayant cette propriété s’appelle un système de Cramer.
Si, au cours de cet algorithme, on trouve un coefficient diagonal nul
dans une ligne, par exemple la ligne k, alors on ne peut pas trouver
la valeur de xk .
La ligne correspondante introduit une condition de compatibilité.
Si cette condition n’est pas vérifiée, le système n’admet pas de solutions ;
si au contraire cette condition est vérifiée, toute solution de xk convient
et l’on peut poursuivre l’algorithme. Il y a alors une infinité de solutions,
paramétrées par la valeur de xk .
Cette situation peut d’ailleurs se rencontrer plusieurs fois au cours de
la remontée, induisant une discussion plus approfondie.
On voit par là l’intérêt des systèmes triangulaires dont les coefficients
diagonaux sont non nuls.
(b) Si m < n : on a :
43


 a11 x1 + a12 x2 + · · · +a1n xn = b1

a22 x2 + · · · +a2n xn = b2


... .. .. .


 . .

 amm xm = bm
Dans ce cas, on fixe arbitrairement les valeurs des variables xm+1 à xn .
On est alors ramené au cas précédent, simple à résoudre lorsque tous
les coefficients diagonaux sont non nuls, nécessitant une discussion sinon.
(c) Si m > n :



 a11 x1 + a12 x2 + · · · +a1n xn = b1



 a22 x2 + · · · +a2n xn = b2
.. ..

 ..
.



 . .
ann xn = bn .

0 = bn+1





 .. ..



 . .

 0 = bm
Dans ce cas les dernières lignes donnent directement des conditions de
compatibilité.
Lorsqu’elles sont vérifiées, on se ramène au cas ci-dessus. D’où, là encore,
l’intérêt de l’obtention de coefficients diagonaux non nuls.
 

 2x − y − z = 1 (E 1 )  2x − y − z = 1
 (E1 )
Exemple 3.4.1. Soit (S) ⇔ 3x + 4y − 2z = 0 (E2 ) ⇔ 6y − 6z = 1 (E2 − E3 )
 
3x − 2y + 4z = −1 (E3 ) y − 11z = 5 (3E1 − 2E3 )
 

1
 2x − y − z = 1
 (E1 ) ⇒ x = 10
19
⇔ 6y − 6z = 1 (E2 ) ⇒ y = − 60 .
 29
−60z = 29 (6E3 − E2 ) ⇒ z = − 60


1 19 29
Donc SR3 = ;− ;− .
10 60 60
3.5 Calcul de l’inverse d’une matrice par la résolution de

systèmes
Exercice 3.5.1.
:  
1 1 1
Soit A =  1 −1 0 , montrer que A est inversible et calculer A−1 .
 
1 0 −1
Réponse
44
   
x1 y1
det A = 3 ; soit X =  x2  ; Y =  y2 ,
   
x3 y
   3  
1 1 1 x1 y1
(S) ⇔ AX = Y ⇐⇒  1 −1 0   x2  =  y2  ⇐⇒
    
1 0 −1 x3 y3

 x1 + x2 + x3 = y1

(S) ⇔ x1 − x2 = y2 ⇐⇒

x − x3 = y3

 1
1 1 1
 x1 = 3 y1 + 3 y2 + 3 y3

(S 0 ) ⇔ x2 = 13 y1 − 23 y2 + 13 y3

x3 = 13 y1 + 13 y2 − 23 y3

La matrice associée à (S 0 ) est l’inverse de A donc :
 
1 1 1
3 3 3
A−1 =  1
− 23 1
.
 
3 3
1 1
3 3
− 23
45
Chapitre 4
ESPACES VECTORIELS
Définition 4.0.1. Loi de composition interne

Soit 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
Définition 4.0.2. Loi de composition externe

SoitE et K deux ensembles non vide. Une loi de composition externe, notée multipli-
cativement "." sur E est une application de K × E dans E, définie par :
+ : K × E −→ E
(α, a) 7−→ α.a
On dit que α.a est le composé de α et a pour la loi ”.” .
4.1 Définition d’un espace vectoriel

Définition 4.1.1. Un groupe commutatif (E, +) est un ensemble E 6= ∅ muni d’une loi
de composition interne (x + y) ∈ E, définie pour tous éléments x et y de E, ayant les
propriétés suivantes :
1 Associativité :
x + (y + z) = (x + y) + z, ∀x, y, z ∈ E
2 Il existe un élément neutre 0 ∈ E qui vérifie : ∀x ∈ E, x + 0 = 0 + x = x.
46
ESPACES VECTORIELS
3 Tout élément x de E possède un symétrique, noté −x ∈ E tel que x + (−x) =

(−x) + x = 0.
4 Commutativité : x + y = y + x, ∀x, y ∈ E.
Définition 4.1.2. Soit (E, +) un groupe commutatif et (K, +, ×) un corps commutatif.

Nous dirons que (E, +) est un espace vectoriel sur K
(qui est appelé le corps de base de l’espace vectoriel)
s’il existe une loi de composition externe "." associant à tout él ément
α ∈ K et tout élément x ∈ E, un élément de E, noté α.x = αx,avec les propriétes
suivantes :
(5) 1x = x, tout élément x ∈ E.(1 est l’élément neutre (K, ×))
(6) α (βx) = (α × β) x, tout élément x ∈ E, ∀α, β ∈ K.
(7) α (x + y) = αx + αy, ∀α ∈ K, ∀x, y ∈ E.
(8) (α + β) x = αx + βx, ∀α, β ∈ K, tout élément x ∈ E.
Aussi on dit que (E, +, .) est un K-espace vectoriel.
Définition 4.1.3. 1.Un élément x de (E, +, .) un K-espace vectoriel(qu’on pourrait écrire ~x )

est dit
vecteur et ceux de K scalaires.
2.Deux vecteurs x et y de E sont dit colinéaires s’il existe λ ∈ K tel que
y = λx.
Définition 4.1.4. 1.Un élément x de (E, ⊕, ⊗) un K-espace vectoriel(qu’on pourrait

écrire ~x ) est dit
vecteur et ceux de K scalaires.
2.Deux vecteurs x et y de E sont dit colinéaires s’il existe λ ∈ K tel que
y = λ ⊗ x.
4.1.1 Exemples
a) Soit K = R ou C et n un entier naturel non nul.
On munit l’ensemble Kn des lois définies par les formules ci-dessous :
∀ (u1 , u2 , ....., un ) , (v1 , v2 , ....., vn ) ∈ Kn ,
(u1 , u2 , ....., un ) + (v1 , v2 , ....., vn ) = (u1 + v1 , u2 + v2 , ....., un + vn ) .
∀ (u1 , u2 , ....., un ) ∈ Kn , ∀α ∈ K,
α (u1 , u2 , ....., un ) = (αu1 , αu2 , ....., αun ) .
Ces lois font de Kn un K-espace vectoriel.
b) L’ensemble C [x] des polynômes à une variable x et à coefficients dans C
est un espace vectoriel sur le corps des nombre complexes, l’addition étant celle
des polynômes et la multiplication par un nombre complexe c le produit d’un
47
ESPACES VECTORIELS
polynôme par c.
Ce même ensemble est aussi un espace vectoriel sur le corps R des nombres réels avec
une loi externe de multiplication par un nombre réel.On dit que C [x] est un espace
vectoriel complexe si son corps de base est C Si le corps de base est R,
on dit qu’on a un espace vectoriel réel.
c) L’ensemble Mpq (K) des matrices de type (p, q) muni de l’addition est un groupe
commutatif en association avec la loi de composition externe
(qui est la multiplicationon par un scalaire complexe ou réel, d’une matrice)
fait de Mpq (K) un K-espace vectoriel avec K = C ou R.
Définition 4.1.5. Soit une suite (x1 , x2 , ....., xn ) de n vecteurs d’un (K, +, ×)-espace
vectoriel (E, +, .) ;
une combinaison linéaire de cette suite est un élément de E de la forme :
Xn
y= αi xi = α1 x1 + α2 x2 + ..... + αn xn
i=1
où α1 , α2 , ....., αn sont des scalaires de K ce sont les coéfficients de
la combinaison linéaire.
Aussi une suite (x1 , x2 , ....., xn ) de n vecteurs d’un (K, ♥, ♣)-espace
vectoriel (E, ⊕, ⊗) ;une combinaison liné aire de cette suite est un élément
de E de la forme :
y = (α1 ⊗ x1 ) ⊕ (α2 ⊗ x2 ) ⊕ ..... ⊕ (αn ⊗ xn )
où α1 , α2 , ....., αn sont des scalaires de K ce sont les coéfficients de
la combinaison linéaire.
Exemple 4.1.1. Dans R2 , x = −2 (1, 4) + 7 (−4, 5) − 3 (6, 9) est une combinaison de la

suite de vecteurs((1, 4) ; (−4, 5) , (6, 9)).
4.2 Sous-espaces vectoriels

Définition 4.2.1. Une partie non vide F d’un (K, +, ×)-espace vectoriel (E, +, .) est
un sous-espace vectoriel de E si elle vérifie les deux propriétés suivantes :
1˚) (F, +) est un sous-groupe de (E, +)
2˚) ∀α ∈ K, ∀x ∈ F, α.x ∈ F .
(i.e. la loi de composition externe sur E est stable dans F .)
Remarque 4.2.1. Les opérations définies dans E sont donc également définies dans F
et lui confère une structure d’espace vectoriel sur K.
Aussi un sous-espace vectoriel d’un K-espace vectoriel E est un sous-ensemble
F 6= ∅ de E caractérisé par les deux propriétés suivantes :
48
ESPACES VECTORIELS
( )
∀x, y ∈ F :x+y ∈F
⇐⇒ ∀α, β ∈ K, ∀x, y ∈ F, αx + βy ∈ F .
∀α ∈ K, ∀x ∈ F, α.x ∈ F.
De
( même : )
∀x, y ∈ F :x+y ∈F
⇐⇒ ∀α ∈ K, ∀x, y ∈ F, αx + y ∈ F .
∀α ∈ K, ∀x ∈ F, α.x ∈ F.
Remarque 4.2.2. Tout sous-ensemble non vide F d’un K-espace vectoriel E qui est
tel que toute combinaison linéaire de ses éléments lui appartiennent est un sous-espace
vectoriel de E.
4.2.1 Exemples de sous-espaces vectoriels

a) L’ensemble F des combinaisons linéaires de la suite (x1 , x2 , ....., xn ) est un sous-
espace vectoriel de E.
Nous appellerons ce sous-espace vectoriel F le sous-espace engendré par la suite
(x1 , x2 , ....., xn ).
b) 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.
Le sous-espace vectoriel nul {0E } et E sont dit sous-espaces vectoriels triviaux de
E.
Tout autre sous-espace vectoriel F de E est dit sous-espace vectoriel propre de E,et
vérifie : {0E } ⊂ F ⊂ E.
c) L’ensemble Cn [x] des polynômes complexes de degré inférieur ou égal à n ∈ N∗ ,
forme un sous-espace vectoriel de C [x].
4.3 Suite liée de vecteurs. Suite libre de vecteurs

Définition 4.3.1. Soit (E, +, .) un K-espace vectoriel,on dit que la suite de vecteurs
(x1 , x2 , ....., xn ) est liée si l’on peut trouver des scalaires
α1 , α2 , ....., αn ∈ K, non tous nuls, tels que :
Pn
(9) : αi xi = α1 x1 + α2 x2 + ..... + αn xn = 0
i=1
On dit également, par abus de langague, que les vecteurs de la suite sont lié s,
ou encore linéairement dépendants.
Si la suite (x1 , x2 , ....., xn ) n’est pas liée, on dit qu’elle est libre, ou encore
que x1 , x2 , ....., xn sont libres ou linéairement indé pendants ;
ceci signifie que l’égalité (9) entraîne α1 = α2 = ..... = αn = 0.
Si la suite (x1 , x2 , ....., xn ) est libre , il en est de même de toute suite
partielle et, en particulier, tous les éléments xi de la suite sont distincts.
49
ESPACES VECTORIELS
(
x − 4y + 6z = 0
Exemple 4.3.1. 1.Soit x (1, 4) + y (−4, 5) + z (6, 9) = (0, 0) ⇔
4x + 5y + 9z = 0
22 5
⇒ x = − z; y = z
7 7
avec z réel quelconque, ainsi ((1, 4) ; (−4,
( 5) , (6, 9)) est une suite liée.
x − 4y = 0
2. Soit x (1, 4) + y (−4, 5) = (0, 0) ⇔ ⇒ x = y = 0.
4x + 5y = 0
Ainsi ((1, 4) ; (−4, 5)) est une suite libre.
Exercice 4.3.1. Montrer que les vecteurs suivants de R3 sont linéairement

dépendants et préciser leur relation de dépendance :
1. u = (1, 2, −1); v = (1, 0, 1); w = (−1, 2, −3)
2. u = (−1, 2, 5); v = (2, 3, 4); w = (7, 0, −7).
Proposition de correction   
1 2 −1 u 1 2 −1 u
1. Soit A =  1 0 1  v ≈  0 −2 2  v − u
   
−1 2 −3 w 0 4 −4 w+u
 
1 2 −1 u
A ≈  0 −2 2  v−u
 
0 0 0 w + u + 2 (v − u) ⇒ w + u + 2 (v − u) = ~0
w + u + 2 (v − u) = ~0 ⇔ w + u + 2 (v − u) = 2v − u + w = ~0 ; donc
la famille {u, v, w} est une famille liée et la relation de dé pendance liant les vecteurs :
u, v, w est : 2v − u + w = ~0.
2. u = (−1, 2, 5); v = (2,3, 4); w = (7, 0, −7). 
−1 2 5 u −1 2 5 u
Soit B =  2 3 4  v ≈  0 7 14  v + 2u
   
7 0 −7 w 0 14 28 w + 7u
 
−1 2 5 u
B ≈  0 7 14  v + 2u
 
0 0 0 w + 7u − 2 (v + 2u) ⇒ w + 7u − 2 (v + 2u) = ~0
w + 7u − 2 (v + 2u) = ~0 ⇔ w + 7u − 2 (v + 2u) = 3u − 2v + w = ~0 ; donc
la famille {u, v, w} est une famille liée et la relation de dé pendance
liant les vecteurs : u, v, w est : 3u − 2v + w = ~0.
Propriété 4.3.1. Pour qu’une suite de vecteurs x1 , x2 , ....., xn soit liée, il faut et il suffit
que l’un d’eux soit une combinaison linéaire des autres.
Théorème 4.3.1. Soit (x1 , x2 , ....., xn ) une suite de n vecteurs d’un espace vectoriel E.
Soit (y1 , y2 , ....., yn+1 ) une suite de (n + 1) combinaisons linéaires des vecteurs x1 , x2 , ....., xn .
Alors la (y1 , y2 , ....., yn+1 ) est liée.
50
ESPACES VECTORIELS
4.4 Espaces vectoriels de dimension finie

4.4.1 Espace vectoriel ayant un nombre fini de générateurs
Définition 4.4.1. On dit qu’un K-espace vectoriel E possède n générateurs x1 , x2 , ....., xn ,
si x1 , x2 , ....., xn sont des vecteurs de E et si tout vecteur de E est une combinaison li-
néaire de (x1 , x2 , ....., xn ). Il en résulte que E coïncide avec l’ensemble des combinaisons
linéaires de (x1 , x2 , ....., xn ) et est donc l’espace engendré par cette suite.
Exemple 4.4.1. ∀ (x, y, z) ∈ R3 , on a (x, y, z) = x (1, 0, 0) + y (0, 1, 0) + z (0, 0, 1)

donc R3 = {x (1, 0, 0) + y (0, 1, 0) + z (0, 0, 1) ; x, y, z ∈ R}
ainsi la famille {(1, 0, 0) , (0, 1, 0) , (0, 0, 1)} est génératrice de R3 .
Le théorème 4.3.1 entraîne immédiatement :
Propriété 4.4.1. Soit E un K-espace vectoriel ayant n générateurs. Alors toute suite de
(n + 1) vecteurs de E est liée.
Proposition 4.4.1. Tout sous ensemble non vide d’un espace vectoriel E engendré par
une famille de
vecteurs de E, est un sous-espace vectoriel de E , aussi tout sous-espace vectoriel
de E, est un sous ensemble de E engendré par une famille de vecteurs de E.
4.4.2 Base d’un espace vectoriel

Définition 4.4.2. Soit E un K-espace vectoriel. On dit que la suite (x1 , x2 , ....., xn )
est une base de E, si l’on a les deux propriétés suivantes :
1˚) x1 , x2 , ....., xn sont des générateurs de E.
2˚) La suite (x1 , x2 , ....., xn ) est libre.
Propriété 4.4.2. Soit x1 , x2 , ....., xn des vecteurs de E un K-espace vectoriel. Pour que
la suite
(x1 , x2 , ....., xn ) soit une base de E, il faut et il suffit que tout
vecteur y ∈ E s’exprime de façon unique sous la forme :
y = α1 x1 + ..... + αn xn αi ∈ K; i ∈ {1, 2, ...., n}.
ème
αi s’appelle la i coordonnée du vecteur y par rapport à la base (x1 , x2 , ....., xn ).
Le théorème suivant exprime l’invariance du nombre d’éléments d’une base.
Théorème 4.4.1. Soit E un K-espace vectoriel ayant une base (x1 , x2 , ....., xn ).
Toute autre base de E est formée de n éléments . Toute suite libre (y1 , y2 , ....., yn )
est une base de E. Aussi toute suite génératrice (z1 , z2 , ..., zn ) est une base de E.
51
ESPACES VECTORIELS
Définition 4.4.3. Soit E un K-espace vectoriel non réduit à {0E }.

On dit que E est de dimension finie s’il existe un entier naturel n et une base de E
composée de n éléments.Alors, d’après le théorème 2, toute base de E est formée de n
éléments ; cet entier naturel n s’appelle la dimension de E et se note dim E ou (dimK E).
Remarque 4.4.1. a) Si E = {0E } , il n’y a pas de base ; on dit encore que E est de
dimension nulle et on pose dimE = 0.
b) Un K-espace vectoriel non nul de dimension finie, admet une infinité de bases.
∀λ ∈ R∗ , ((λ, 0) ; (0, λ)) est une base du R-espace vectoriel R2 .
c) Dans un K-espace vectoriel de dimension finie n, toute famille de vecteurs de E,
de cardinal strictement inférieur à n, ne peut être génératrice, avec possibilité d’indépen-
dance linéaire.
d) Dans un K-espace vectoriel de dimension finie n, toute famille de vecteurs de E, de
cardinal strictement supérieur à n, ne peut être libre, avec possibilité d’être génératrice.
e) Dans un K-espace vectoriel de dimension finie n, seule une famille de vecteurs de
E, de cardinal égal à n, peut être une base de E.
Exemples
Exemple 4.4.2. Soit K = R ou C et n un entier naturel non nul. Le K-espace vecto-

riel Kn a une base dite base canonique (e1 , e2 , ....., en ) où le vecteur ek est le vecteur
(0, 0, .., 0, 1, 0, ..., 0) , le 1 étant la k ième coordonnée, toutes les autres coordonnées sont
nulles.
Exemple 4.4.3. Soit Cn [X] le C-espace vectoriel des polynômes à une variable com-
plexes de degré inférieur ou égal à n, avec le polynôme nul. La suite de polynômes
(1, x, x2 , ....., xn ) forme une base de E.
Donc dimE = n + 1.
Plus généralement ∀a ∈ C, on vérifie que
1, x − a, (x − a)2 , ....., (x − a)n est aussi une base de E.

Ainsi il y a bien une infinité de bases de Cn [X].
Exemple 4.4.4. Il ne faut pas croire que tout espace vectoriel soit de dimension finie.
Le C-espace vectoriel C [x] de tous les polynômes complexes n’est pas de dimension
finie ; s’il était de dimension n, n + 1 polynômes quelconques seraient liés ;
or la suite (1, x, x2 , ....., xn ) est une suite libre de n + 1 vecteurs.
Un espace vectoriel qui n’est pas de dimension finie est dit de dimension infinie.
Proposition 4.4.2. L’ensemble (Mpq (K) , +, .) des matrices p×q est un espace vectoriel
sur K, une de ses bases est constituée par les matrices Eij tels que aij = 1 et ars = 0, si
r 6= i ou s 6= j. Ceux sont les matrices élémentaires de Mpq (K).
52
ESPACES VECTORIELS
X
Soit A = (aij ) ∈ Mpq (K), alors A = aij Eij ce qui entrainera que
1≤ i ≤ p
1≤ j ≤ q 1≤ i ≤ p
1≤ j ≤ q
la dimension de Mpq (K) sur K est pq.
Exemple 4.4.5. Une base de l’espace vectoriel M23 (R) est constitué par les matrices :
" # " # " #
1 0 0 0 1 0 0 0 1
E11 = ; E12 = ; E13 = ,
0 0 0 0 0 0 0 0 0
" # " # " #
0 0 0 0 0 0 0 0 0
E21 = ; E22 = ; E23 = .
1 0 0 0 1 0 0 0 1
Donc la dimension de M23 (R) est 6.!
2 5 −7
Ainsi la matrice A = appartenant à M23 (R) s’écrit :
9 8 4
A = 2E11 + 5E12 − 7E13 + 9E21 + 8E22 + 4E23 .

Exemple 4.4.6. Une matrice 1 × q a la forme A = a11 a12 · · · a1q .
on l’appelle matrice ligne ou uniligne appartenant à l’espace M1q (K) qui est iso-
morphe à Kq , donc de dimension q.
 
a11
 a21 
 
Exemple 4.4.7. Une matrice p × 1 a la forme B =   .. .

 . 
ap1
On l’appelle matrice colonne ou unicolonne appartenant à l’espace Mp1 (K)
qui est isomorphe à Kp , donc de dimension p.
Exemple 4.4.8. Une matrice n × n est dite matrice carrée d’ordre n appartenant à
l’espace vectoriel des matrices notée Mn (K).Il est de dimension n2 sur K.

de dimension finie
Définition 4.4.4. Soit S = (V1 , V2 , ...., Vn ) une suite de n vecteurs d’un K-espace vec-
toriel E de dimension n. Soit une base β, de E, le déterminant de la suite S dans la base
β, est noté
det (S) = V1β V2β · · · Vnβ ,
β
où Vjβ constituent la j ième colonne avec les coordonnées de Vj dans la base β. ∀1 ≤ j ≤

n.
Exemple 4.4.9. Soient V1 = (1, −6, 8), V2 = (0, −3, 11), V3 = (0, 0, −5) trois vecteurs
du R-espace vectoriel R3 , et S = (V1 , V2 , V3 ).
53
ESPACES VECTORIELS
Comme cardinal de (S) noté Card (S) = 3 = dim R3 alors on peut évaluer le détermi-
nant de S :  
1 0 0 1 0 0
det (S) = −6 −3 0 = 15. Soit A =  −6 −3 0 ,
 
8 11 −5 8 11 −5
on a det (S) = det A = det (t A).
On peut donc saisir les coordonnées des Vj en colonne ou en ligne.
Proposition 4.4.3. Soit S = (V1 , V2 , ...., Vn ) une suite de n vecteurs d’un K-espace
vectoriel E de dimension n. Soit une base β, de E,
a) Si detβ (S) 6= 0, alors la suite S est libre ou linéairement indépendante et comme
Card (S) = dim E, donc S est une base de E.
b) Si detβ (S) = 0, alors la suite S est liée ou liné airement dépendante.
4.5 Sous-espaces vectoriels d’un espace vectoriel de di-

mension finie
La propriété suivante nous sera utile dans cette étude.
Propriété 4.5.1. Soit E un K-espace vectoriel et n ≥ 0 un entier naturel. Supposons

que toutes les suites de (n + 1) vecteurs de E soient liées. Alors E est un espace vectoriel
de dimension finie et dim E ≤ n.
Corollaire 4.5.1. 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 dimF ≤ dimE. De plus, si dim
F = dim E, alors
F = E.
Une autre conséquence de la propriété 4 est la suivante :
Corollaire 4.5.2. Soit E un espace vectoriel ayant n générateurs x1 , x2 , ....., xn , alors

E est un espace vectoriel de dimension finie et dim E ≤ n.
4.5.1 Rang d’une suite finie de vecteurs

Considérons une suite (x1 , x2 , ....., xn ) de n vecteurs d’un K-espace vectoriel E,
de dimension finie ou non. Le sous-espace F engendré par cette suite admet n géné-
rateurs x1 , x2 , ....., xn ; c’est donc, d’après le corollaire 2,
un espace vectoriel de dimension finie r ≤ n.
54
ESPACES VECTORIELS
Définition 4.5.1. On appelle rang r d’une suite finie de n vecteurs

d’un K-espace vectoriel, la dimension r de l’espace vectoriel F engendré par
ces vecteurs. On a r ≤ n.
Proposition 4.5.1. 1)Soient F et G deux sous-espaces vectoriels d’un K-espace vecto-

riel E de dimension
finie, F ∪ G est un sous-espace vectoriel ssi F ⊂ G ou G ⊂ F .
2) F ∩G est un sous-espace vectoriel de E. Comme quoi l’intersection de sous-espaces
vectoriels est un sous-espace vectoriel.
3) Si F ⊂ G et dim F = dim G alors F = G.
Remarque 4.5.1. La réunion de deux sous-espaces vectoriels d’un K-espace vectoriel

E de dimension finie n’est pas necessairement un sous-espace vectoriel de E.
Définition 4.5.2. Soit un sous-ensemble non vide A inclus dans un K-espace vectoriel
E, vect (A) =< A > est appelé le sous-espace vectoriel engendré par A et c’est le plus
petit sous-espace vectoriel de E contenant A.
Aussi vect (A) =< A > est l’intersection des tous les sous-espaces vectoriels de E
contenant A.
Remarque 4.5.2. Si v1 , v2 , v3 ∈ E,
vect (v1 , v2 , v3 ) = {αv1 + βv2 + γv3 ; α, β, γ ∈ K} =< v1 , v2 , v3 >
c’est l’ensemble des combinaisons linéaires des vecteurs v1 , v2 , v3 .
Proposition 4.5.2. Soient A et B des parties d’un K-espace vectoriel E ;
1 vect (vect (A)) = vect (A)

2 Si A ⊂ B ⇒ vect (A) ⊂ vect (B)
3 vect (A ∪ B) = vect (A) + vect (B).
4 si A est un sous-espace vectoriel de E, alors vect (A) = A.
Proposition 4.5.3. 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).
Remarque 4.5.3. Si dim E = n, n générateurs de E forment une base de E.
55
ESPACES VECTORIELS
Exercice 4.5.1. Préciser si les familles constituées des vecteurs suivants sont liés ou
libres.
1. u = (7, 12); v = (18, −13); w = (−4, 17)
2. u = (−1, 0, 2); v = (1, 3, 1); w = (0, 1, −1)
5 9
3. u = (15, −27, −6, 12); v = (− , , 1, −2).
2 2
Proposition de correction
1. u = (7, 12); v = (18, −13); w = (−4, 17)
La famille F = {u, v, w} ⊂ R2 et le CardF =3 > dim R2 = 2
donc la famille F est liée dans R2 .
2. u = (−1, 0, 2); v = (1,3, 1); w= (0, 1, −1) 
−1 0 2 u −1 0 2 u
Soit A =  1 3 1  v ≈  0 3 3  v + u
   
0 1 −1 w 0 1 −1 w
 
−1 0 2 u
A≈ 0 3 3  v+u délà on a bien :
 
0 0 6 −3w + (v + u)
 
−1 0 2
A ≈  0 3 3  ⇒le rang de A : rg (A) = 3
 
0 0 6
aussi la famille G = {u, v, w} ⊂ R3 et le sous-espace vectoriel engendré
par G = {u, v, w} c’est-à-dire < u, v, w > est de
dimension rg (A) = 3 = CardG donc la famille G est libre dans R3 .
Remarque 4.5.4. En formant une matrice A constituée en ligne ou en colonne des coor-
données des vecteurs d’une famille donnée F ; lorsque le rang de A est égal au cardinal
de F, la famille F est libre sinon elle est liée.
5 9
3. u = (15, −27, −6, 12); v = (− , , 1, −2).
2 2
La famille H = {u, v} ⊂ R4
aussisoit 
15 −27 −6 12
A= 5 9  u
− 1 −2 v
" 2 2 #
15 −27 −6 12 u
≈
0 0 0 0 6v + u ⇒ 6v + u = ~0
La famille H = {u, v} ⊂ R4 est donc liée car il y a une relation de dépendance entre
les vecteurs : u, v qui est : 6v + u = ~0.
56
ESPACES VECTORIELS
4.6 Sous-espaces supplémentaires

4.6.1 Théorème de la base incomplète
Définition 4.6.1. Soit E un K-espace vectoriel. Deux sous-espaces vectoriels F et G de
E sont appelés supplémentaires si tout élément x ∈ E s’écrit d’une façon et d’une seule
sous la forme :
x = y + z, y ∈ F, z ∈ G.
On dit encore que E est la somme directe de F et G et on écrit :
E =F ⊕G⇔E =F +G et F ∩ G = {0E } .
Théorème 4.6.1. Soit E un K-espace vectoriel de dimension finie, F et G deux sous-

espaces vectoriels de E. Les deux propriétés ci-dessous sont équivalentes :
(a) F et G sont supplémentaires
(b) F ∩ G = {0E } et dim E = dimF + dimG.
Théorème 4.6.2 (De la base incomplète). 1. Soit E un K-espace vectoriel de dimension

finie n. Pour toute suite libre
(y1 , y2 , ....., yp ) de E (p ≤ n), on peut trouver q = n − p vecteurs
z1 , z2 , ....., zq de E tels que (y1 , y2 , ....., yp , z1 , z2 , ....., zq ) soit une base de E.
2. Tout sous-espace vectoriel F de E admet un supplémentaire G.
4.7 Produit de deux espaces vectoriels sur un même corps

commutatif K
Soit E1 et E2 deux K- espaces vectoriels . On peut munir l’ensemble produit
E = E1 × E2 d’une structure de K-espace vectoriel en définissant :
l’addition comme le produit de deux groupes additifs :

(x1 , x2 ) + (y1 , y2 ) = (x1 + y1 , x2 + y2 ) et la multiplication de (x1 , x2 ) par α ∈
K:
α (x1 , x2 ) = (αx1 , αx2 ).
Définition 4.7.1. L’espace vectoriel E ainsi construit s’appelle le produit des espaces
vectoriels E1 et E2 et se note : E = E1 × E2 . Le vecteur nul de E est 0E = (0E1 , 0E2 )
où 0E1 est le vecteur nul de E1 et 0E2 le vecteur nul de E2 .
Propriété 4.7.1. Les deux sous-espaces vectoriels de E : F1 = {(x1 , 0) , x1 ∈ E1 } et

F2 = {(0, x2 ) , x2 ∈ E2 } vérifient : F1 et F2 sont deuxsous-espaces supplémentaires de
E, et on a donc : E = F1 ⊕ F2 .
57
ESPACES VECTORIELS
Propriété 4.7.2. Si E1 et E2 sont de dimension finie, alors E est de dimension finie et

on a :
dim E = dim (E1 × E2 ) = dim E1 + dim E2 .
Remarque 4.7.1. 1 Dans la définition d’un produit, on peut avoir E1 = E2 ; on

définit ainsi E1 × E1 que l’on note aussi E12 .
2 La définition du produit de deux espaces vectoriels se généralise au produit E1 ×
E2 × ..... × En d’un nombre fini de K-espaces vectoriels E1 , E2 , ......, En et, en
particulier on peut avoir
E1 × E1 × ..... × E1 = E1n .
| {z }
n fois
58
Chapitre 5
APPLICATIONS LINÉAIRES
5.1 Image et Noyau

Définition 5.1.1 (Application linéaire). Soient (E, >, ⊥) et (F, ∗, ♥) deux K-espaces
vectoriels et f : E → F une application de E dans F .
On dit que f est une application linéaire si elle possède les deux propriétés suivantes :
(i) ∀x ∈ E, ∀y ∈ E , f (x>y) = f (x) ∗ f (y)
(ii) ∀x ∈ E, ∀α ∈ K, f (α⊥x) = α♥f (x).
Remarque 5.1.1.
(i) et (ii) ⇐⇒ ∀x, y ∈ E, ∀α, β ∈ K, f ((α⊥x) > (β⊥y)) = (α♥f (x)) ∗ (β♥f (y))
(i) et (ii) ⇐⇒ ∀x, y ∈ E, ∀α ∈ K, f ((α⊥x) >y) = (α♥f (x)) ∗ f (y).
Définition 5.1.2 (Application linéaire). Soient (E, +, .) et (F, +, .) deux K -espaces vec-
toriels et f : E → F une application de E dans F . On dit que f est une application
linéaire si elle possède les deux propriétés suivantes :
(1) ∀x ∈ E, ∀y ∈ E , f (x + y) = f (x) + f (y).
(2) ∀x ∈ E, ∀α ∈ K, f (αx) = αf (x).
Remarque 5.1.2. Une application f entre deux K -espaces vectoriels E et F est linéaire
ssi les expressions images de f (x), pour x ∈ E, sont linéaires par rapport aux
coordonnées de x ∈ E, moyennant une base sur E .
Exemple 5.1.1. Cette expression : a1 x1 + ... + an xn est linéaire en x1 , x2 , ..., xn , mais

pas celle-ci
a1 x1 + ... + an xn + b.
Propriété 5.1.1. a˚) On déduit de (1) en posant y = x = 0E ∈ E, f (0E ) = 0F ∈ F.

On a également f (−x) = −f (x) .
b˚) (1) et (2) ⇐⇒ ∀x, y ∈ E, ∀α, β ∈ K, f (αx + βy) = αf (x) + βf (y)
59
(1) et (2) ⇐⇒ ∀x, y ∈ E, ∀α ∈ K, f (αx + y) = αf (x) + f (y)

c˚) Soit E munit d’une base (e1 , e2 , ....., en ) ,
Pn
pour tout y ∈ E, ∃!α1 , α2 , ....., αn ∈ K; y = αi ei ;
n i=1
P P n
d’où f (y) = f αi ei = αi f (ei ) ; et on constate que f est complètement
i=1 i=1
déterminée par son action sur une base de E.
Exemple 5.1.2. Soit f : R2 −→ R2 , (x, y) 7−→ (2x + y, 0) est une application linéaire
de R2 dans R2 .
Exemple 5.1.3. Soit g : R2 −→ R2 , (x, y) 7−→ (4, x − 9y) n’est pas une application
linéaire de R2 dans R2 , car g (0, 0) = (4, 0) 6= (0, 0) vecteur nul de R2 .
Définition 5.1.3 ( noyau d’une application linéaire). Le noyau d’une application li-
néaire f : E → F est l’ensemble des vecteurs x ∈ E tels que f (x) = 0. Il est noté Ker
f. D’où Ker f = {x ∈ E; f (x) = 0F }.
Exemple 5.1.4. Soit f : R2 −→ R2 , (x, y) 7−→ (2x + y, 0) une application linéaire de

R2 dans R2 .
ker f = (x, y) ∈ R2 ; f (x, y) = (0, 0)

(
2x + y = 0
f (x, y) = (0, 0) ⇒ ⇒ 2x + y = 0 ⇒ y = −2x
0=0
ker f = {(x, −2x) ; x ∈ R} =< (1, −2) >⇒ dim ker f = 1.
Lemme 5.1.1. Le noyau de f est un sous-espace vectoriel de E.
Proposition 5.1.1. . Une application linéaire f : E → F est injective si et seulement

si Ker f = {0E }.
Définition 5.1.4 (de l’image d’une application linéaire). L’image d’une application li-
néaire f : E → F est l’ensemble image de E par l’application f , c’est-à-dire l’ensemble
des vecteurs appartenant à F tels qu’il existe au moins un vecteur x ∈ E avec f (x) = y.
On la note f (E) ou encore ImIm f .
ImIm f = {y ∈ F , ∃x ∈ E ; f (x) = y} = { f (x) ; x ∈ E} = f (E).
Lemme 5.1.2. L’image de f est un sous-espace vectoriel de F .
Remarque 5.1.3. 1)L’image par une application linéaire f : E → F d’un sous-espace

vectoriel de E est un sous-espace vectoriel de F .
2) Aussi l’image reciproque de f d’un sous-espace vectoriel de F est un sous-espace
vectoriel de E.
60
Proposition 5.1.2. Une application linéaire f : E → F est surjective si et seulement si

ImIm f = F .
Définition 5.1.5 ( Isomorphisme). 1 Une application linéaire f : E → F est un

isomorphisme si elle est injective et surjective. On dit alors que E et F sont iso-
morphes par f.
2 Une application linéaire f : E → E est un endomorphisme. Un endomorphisme
qui est bijectif est un automorphisme.
3 Deux espaces E et F sont isomorphes noté(E ' F ), s’il existe au moins un iso-
morphisme f de E sur F .
4 Si f : E → F est un isomorphisme, il existe une application inverse f −1 ; et f −1
est un isomorphisme de F sur E.
5 f : E → F est un isomorphisme ⇐⇒ Ker f = {0E } et f (E) = F .
Théorème 5.1.1. Soient E et F deux K -espaces vectoriels de dimension finie et une

application linéaire f : E → F. Alors :
(a) f est un isomorphisme entre E et F.

m
(b) dimE = dimF et Kerf = {0E } .
m
(c) dimE = dimF et ImImf = F
Lemme 5.1.3. Soit (x1 , x2 , ....., xn ) une suite libre de vecteurs de E et une
application linéaire f : E → F injective. Alors (f (x1 ) , f (x2 ) , ....., f (xn ))
est une suite libre dans F .
5.1.1 Le théorème noyau-image

Théorème 5.1.2. Soient E et F deux K -espaces vectoriels et une application linéaire
f : E → F . Si la dimension de E est finie, il en est de même des dimensions de Kerf et
de f (E) = ImImf et l’on a : dim E = dim f (E) + dim Ker f .
Lemme 5.1.4. Soient E de dimension finie et une application linéaire f : E → F .

Alors f (E) = ImImf est de dimension finie.
Corollaire 5.1.1. Avec les hypothèses du théorème 5.1.2 :

Ker f = {0E } ⇐⇒ dim ImImf = dim f (E) = dim E.
61
5.1.2 Rang d’une application linéaire

Définition 5.1.6. . Le rang d’ une application liné aire f : E → F .
Avec E de dimension finie est par définition la dimension
de l’image f (E) = ImImf .
Exemples
a˚) L’application f : E → F qui, à tout vecteur x ∈ E associe le vecteur nul 0F

de F est linéaire. On a ImIm f = {0F } et le rang de f est nul.Le noyau ker f = E.
b˚) L’application f de E dans E qui, à tout vecteur x ∈ E, associe le vecteur x est
linéaire. Ker f = {0}, f (E) = E. On l’appelle l’identité IdE .
C’est un isomorphisme de E sur E,ou automorphisme de E.
c˚) Si E est un espace vectoriel sur le corps K et a 6= 0 un élément de K,
l’application f :x 7−→ ax est une application linéaire de E sur E et
c’est un automorphisme(homothétie vectorielle).
d˚) Soit F et G deux sous-espaces supplémentaires dans E. A tout vecteur x ∈ E,
on peut faire correspondre sa composante y ∈ F définie par :
x = y + z, y ∈ F , z ∈ G.
L’application f : x 7−→ y est une application linéaire de E dans F qu’on appelle
projection sur F parallèlement à G. Le noyau de f est G et l’image f (E) est F .
Si E est de dimension finie, on vérifie directemnet le théorème noyau-image
sur les dimensions.
e˚) Soit E = Cn [X] le C-espace vectoriel des polynômes complexes de degré
inférieur ou égal à n, avec le polynôme nul. L’application f : P 7−→ P + P 0 , où P 0
est
le polynôme dérivé de P , est une application linéaire de E dans E, on dit encore que
c’est un C-endomorphisme de E.
On vérifie directement que Ker f = {0} ; il résulte alors du théorème 1 que f est
un automorphisme de E donc est surjective.
f˚) Une application linéaire de E un K-espace vectoriel dans K s’appelle une forme
linéaire sur E (K est un espace vectoriel sur lui-même). Soit f une forme linéaire
non nulle sur un K-espace vectoriel E de dimension n. On a ImIm f 6= {0} et ImIm
f ⊂ K;
donc l’image de f , espace de dimension 1 appelé droite vectorielle
(à cause de sa dimension qui est 1) et le noyau de f est de dimension n − 1
et on dit que c’est un hyperplan de E.
Un K-espace vectoriel de dimension 2 est appelé plan vectoriel.
L’ensemble des formes linéaires de E se note E ∗ ou LK (E, K)
c’est un -espace vectoriel appelé le dual de E.
62
5.2 Opérations sur les applications linéaires

5.2.1 L’espace vectoriel LK (E, F )
Soit E et F deux K-espaces vectoriels. Appelons LK (E, F ) l’ensemble des
applications linéaires de E dans F .
Somme de deux applications linéaires
Soit f et g deux applications linéaires de E dans F .
On définit f + g : E → F par : ∀x ∈ E, (f + g) (x) = f (x) + g (x).

On vérifie que f + g est bien une application linéaire de E dans F .
On l’appelle somme de f et g.
Produit de α ∈ K par f ∈ LK (E, F ). Il est définit par : ∀x ∈ E, (αf ) (x) = αf (x).
On vérifie que αf est bien une application linéaire de E dans F .
Proposition 3
Les deux opérations précédentes confèrent à l’ensemble LK (E, F ) une
structure d’espace vectoriel sur K.
5.3 Matrice d’une application linéaire f : E → F

Relativement à des bases données de E et de F .
Soit E et F deux espaces vectoriels de dimensions respectives p et q sur K,
β = (e1 , ..., ep ) une base de E, β 0 = (t1 , ..., tq ) une base de F et
f : E → F une application linéaire de E dans F ; f est complè tement déterminée
par son action sur la base β, c’est-à-dire que f est entièrement dé finie par les
P q
f (ej ) = aij ti , aij ∈ K, j = 1, 2, ..., p.Ainsi les coordonnées de f (ej )
i=1  
a1j
a
 
 2j 
dans la base β 0 = (t1 , ..., tq ) constitue la matrice colonne suivante : . .
. 
 . 
aqj
Proposition 5.3.1. Etant donné f : E → F une application linéaire de E dans F des

K-espaces vectoriels avec E de dimension finie, muni d’une base β = (e1 , ..., ep ), alors
ImImf =< f (ei ), 1 ≤ i ≤ p >.
Définition 5.3.1. On appelle matrice de l’application linéaire f : E → F, relativement

aux bases β et β 0 , avec β = (e1 , ..., ep ) et β 0 = (t1 , ..., tq )
(on sait que f est entièrement définie par les f (ej ) ∈ F , pour tout j ∈ [|1, p|]),
est la matrice de type (q, p) :
63
f
(e1 ) ; f (e2 ) ; ...; f (ep )
a11 a12 ... a1p t1
 a21 a22 ... a2p  t2
 
Mβ 0 β (f ) =  .
 .. . . ..  ..
 . . . . .   .
aq1 aq2 ... aqp tq
 
a1j
a2j
 
ème
 
dont la j colonne (j = 1, 2, ..., p) est constitué e par les coordonnées  .. 
.
 
 
aqj
0
du vecteur f (ej ) par rapport à la base β . C’est pourquoi nous avons écrit f (e1 )
au dessus de la première colonne, ...., f (ep ) au-dessus de la pième colonne.
Lorsque E = F , l’application linéaire f est un endomorphisme de E et nous
pouvons choisir β = β 0 . La matrice Mββ (f ) s’appelle la matrice de
l’endomorphisme relativement à la base β de E.
Remarque 5.3.1. De façon symbolique, on peut écrire :

(f (e1 ) , f (e2 ) , ..., f (ep )) = (t1 , ..., tq ) Mβ 0 β (f )
soit f (β) = β 0 Mβ 0 β (f ), tout ceci est symbolique.
Exemple 5.3.1. Soit f un endomorphisme de R3 défini par :

(x, y, z) 7−→ (2x − y − z; x − z; λx − y − 2z) , où λ ∈ R.
Soit β = (e1 ; e2 ; e3 ) la base canonique de R3 .Pour trouver la matrice
de f relativement à la base β associé à l’ensemble de depart et à l’ensemble
d’arrivé, il faut calculer : f (e1 ) = (2; 1; λ) ;
f (e2 ) = (−1; 0; −1) ; f (e3 ) = (−1;  −1; −2). 
2 −1 −1
Et la matrice en question est M =  1 0 −1 .
 
λ −1 −2
Proposition 5.3.2. Soient E, F , G trois K-espaces vectoriels de dimension finie munis

de bases
respectives β, β 0 ,γ et f ∈ LK (E, F ) et g ∈ LK (F, G) alors g ◦ f ∈ LK (E, G)
Mγβ (g ◦ f ) = Mγβ 0 (g) × Mβ 0 β (f ).
Proposition 5.3.3. Soient E et F deux K -espaces vectoriels de dimensions respectives

p et q,
Munis respectivement des bases β = (e1 , ..., ep ) et β 0 = (t1 , ..., tq )
L’application de LK (E, F ) dans Mqp (K) définie par f 7→ Mβ 0 β (f ) est un
isomorphisme de l’espace vectoriel des applications linéaires de E dans F
sur l’espace vectoriel des matrices de type(q, p) sur K.
64
Démonstration. :
Moyennant β = (e1 , ..., ep ) et β 0 = (t1 , ..., tq ) respectivement sur E et F deux
K-espaces vectoriels de dimensions respectives p et q, il y a isomorphisme entre
E et Kp et isomorphisme entre F et Kq .
 
x1
 . 
Ainsi ∀x ∈ E, ∃!xβ =  ..  ∈ Kp matrice colonne qui représente
xp
les coordonnées du vecteur x ∈ E dans la base β de sorte que
p
X
β
symboliquement : x = β × x = xi ei .
i=1
 F c’est-à-dire
Il sera de même de  :
y1
0  . 
∀y ∈ F , ∃!y β =  ..  ∈ Kq matrice colonne qui représente
yq
les coordonnées du vecteur y ∈ F dans la base β 0 de sorte que
q
X
0 β0
symboliquement : y = β × y = yi ti .
i=1
De là l’application linéaire f : (E, β) −→ (F, β 0 ) peut être définie comme suit :
a) f (x) = y on n’a pas utilisé les bases en présence.
0
b) f xβ = y β on a utilisé les bases en présence, ce qui permettra de déterminée
0
f à la donnée de Mβ 0 β (f ) en posant : f xβ = Mβ 0 β (f ) × xβ = (f (x))β 0 = y β .
Avec les données de f , β et β 0 on a naturellement Mβ 0 β (f ).
Corollaire 5.3.1. L’espace vectoriel LK (E, F ) est de dimension finie n = pq.
Remarque 5.3.2. 1˚) Les espaces vectoriels LK (E, F ) et Mqp (K) sont isomorphes mais
cet isomorphisme dépend des bases β et β 0 choisies dans E et F .
On devrait le noter : Mβ 0 β : LK (E, F ) → Mqp (K).
Il est déterminé par le choix de ces bases.
2˚) Il résulte de la proposition 1 qu’une matrice q × p quelconque dont les
coefficients appartiennent à un corps K peut toujours être considé rée comme
la matrice d’une application linéaire d’un espace vectoriel E de dimension p
sur K dans un espace vectoriel F de dimension q sur K,
par exemple de E = Kp dans F = Kq .
5.3.1 Changement de bases

Matrice de passage
Soient β = (e1 , ..., en ), β 0 = e01 , ..., e0n deux bases de E.

On voudrait avoir la matrice de : IdE : (E, β 0 ) −→ (E, β) telle que x 7−→ x.
65
(E, β) signifie que le K-espace vectoriel de dimension finie E, est muni de la base β.
n
X
n 0
On sait que ∀1 ≤ j ≤ n, ∃! (α1j , α2j, ..., αnj ) ∈ K ; ej = αij ei .
i=1
Ainsi d’après ce qui précède en matière de la matrice d’une
application linéaire relativement à des bases sur les espaces
de départ et d’arrivé, on a :
; e02 ; ... ; e0n
e01  
α11 α12 ... α1n e1
 α21 α22 ... α2n  e2
 
Mββ 0 (IdE ) =   .. .. . . .. 
 .
 . . . .  ..
αn1 αn2 ... αnn en
On appelle matrice de passage de la base β à la base β 0 ,
la matrice : M atββ 0 (IdE ) = P = (αij )1≤ i , j ≤ n = Pββ 0 .
Comme l’application IdE est bijective, alors P = Pββ 0 est inversible.
En pratique donc,
la matrice P = (αij )1≤ i , j ≤ n = Pββ 0 est telle que la j −ième colonne
est formée par les coordonnées du vecteur e0j dans la base β = (e1 , ..., en ).
Et P −1 = Pβ 0 β est la matrice de passage de la base β 0 à la base β.
Formule de changement de bases
Soit f ∈ LK (E, F ) et (E, β), (F, γ)

IdE f IdF
Soit (E, β 0 ) −→ (E, β) −→ (F, γ) −→ (F, γ 0 )
On a bien f = IdF ◦ f ◦ IdE ⇒
M atγ 0 β 0 (f ) = M atγ 0 β 0 (IdF ◦ f ◦ IdE ) = M atγ 0 γ (IdF )×M atγβ (f )×M atββ 0 (IdE ).
Soit maintenant u ∈ LK (E, E) ⇐⇒ u ∈ EndK (E), on a
IdE u IdE
(E, β 0 ) −→ (E, β) −→ (E, β) −→ (E, β 0 ), et u = IdE ◦ u ◦ IdE ⇒
M atβ 0 β 0 (u) = M atβ 0 β 0 (IdE ◦ u ◦ IdE ) = M atβ 0 β (IdE )×M atββ (u)×M atββ 0 (IdE ).
Comme (IdE ) est une bijection de E dans E, alors M atβ 0 β (IdE ) est inversible et
M atβ 0 β (IdE ) = (M atββ 0 (IdE ))−1 . De là on a la proposition suivante :
Proposition 5.3.4. Soient β = (e1 , ..., en ) , β 0 = e01 , ..., e0n deux bases de E, u ∈

LK (E ),
P = Pββ 0 = M atββ 0 (IdE ), A = M at (u, β) = M atββ (u),
A0 = M at (u, B 0 ) = M atβ 0 β 0 (u)
= M atβ 0 β 0 (IdE ◦ u ◦ IdE ) = M atβ 0 β (IdE ) × M atββ (u) × M atββ 0 (IdE ).,
or M atβ 0 β (IdE ) = (M atββ 0 (IdE ))−1 , donc :
A0 = P −1 AP ⇔ A = P A0 P −1 .
Proposition 5.3.5. Soit u un endomorphisme d’un K-espace vectoriel de dimension finie

E,
66
muni d’une base β et A = M at (u, β) = M atββ (u).

u est un automorphisme de E ssi det A 6= 0 et A−1 = M at (u−1 , β) = M atββ (u−1 ).
Remarque 5.3.3. Soit x ∈ E, soient β = (e1 , ..., en ), β 0 = e01 , ..., e0n deux bases de

E,
symboliquement on notera :
x = β × xβ et β 0 = βPββ 0 ici β est considérée comme une matrice uniligne :

e1 e2 · · · en et β 0 est considérée comme une matrice uniligne :

e01 e02 · · · e0n .
Aussi on a : (e0i )β = Pββ 0 (ei )β , ∀i ∈ {1, 2, ..., n}, (e0i )β et (ei )β sont les
coordonnées de e0i et ei dans la base β = (e1 , ..., en ).
Proposition 5.3.6. Soient β = (e1 , ..., en ) , β 0 = e01 , ..., e0n deux bases de E.

 
x1
x
 
 2 
Soit x ∈ E, et xβ =   .. = les coordonnées de x dans la base β.

 . 
xn
 
0
x1
 0 
0
 x2  0
et xβ =  .. = les coordonnées de x dans la base β

 . 
x0n
0 0
alors xβ = (Pββ 0 = P ) × xβ ⇔ xβ = (Pβ 0 β = P −1 ) × xβ .

de dimension finie(Rappel,suite et fin)
Définition 5.3.2. Soit S = (V1 , V2 , ...., Vn ) une suite de n vecteurs d’un K-espace vec-
toriel
E de dimension n. Soit une base β, de E, le déterminant de la suite S dans
la base β, est noté
detβ (S) = V1β V2β · · · Vnβ , où Vjβ constituent la j ième colonne avec
les coordonnées de Vj dans la base β. ∀1 ≤ j ≤ n.
Exemple 5.3.2. Soient V1 = (1, −6, 8), V2 = (0, −3, 11), V3 = (0, 0, −5) trois vecteurs
du R-espace
vectoriel R3 , et S = (V1 , V2 , V3 ).
Comme cardinal de (S) noté Card (S) = 3 = dim R3 alors on peut évaluer le
déterminant de S :
67
 
1 0 0 1 0 0
det (S) = −6 −3 0 = 15. Soit A =  −6 −3 0 ,
 
8 11 −5 8 11 −5
t
on a det (S) = det A = det ( A).
On peut donc saisir les coordonnées des Vj en colonne ou en ligne.
vectoriel E de
dimension n. Soit une base β, de E,
a) Si detβ (S) 6= 0, alors la suite S est libre ou linéairement indépendante et comme
Card (S) = dim E, donc S est une base de E.
b) Si detβ (S) = 0, alors la suite S est liée ou liné airement dépendante.
Remarque 5.3.4. Soient deux bases β = (e1 , e2 , ..., en ) et β 0 = (t1 , t2 , ..., tn ) d’un K-
espace vectoriel E
de dimension
n.
Pββ 0 = t1 tβ2 · · · tβn où tβj constituent la j ième colonne avec les coordonnées
β
de
tj dans la base β. ∀1 ≤ j ≤ n,
et det (Pββ 0 ) = detβ (β 0 ) = tβ1 tβ2 · · · tβn . Je rappelle que Pββ 0 est la matrice
de
passage de la base β à la base β 0 .
vectoriel E de
dimension n. Soit deux base β, β 0 de E, alors :
detβ (S) = V1β V2β · · · Vnβ = detβ (β 0 ) × detβ 0 (S)
0 0 0
= tβ1 tβ2 · · · tβn × V1β V2β · · · Vnβ
detβ (S) = det (Pββ 0 ) × detβ 0 (S).
5.3.3 Déterminant et trace d’un endomorphisme sur un K -espace

vectoriel E de dimension finie
Proposition 5.3.9. Soit un endomorphisme f d’un K-espace vectoriel E de dimension
finie,
Moyennant une base β sur E qui existe en pareille situation, on peut définir :
det (f ) = det (Mββ (f )) = det (Mβ 0 β 0 (f )) et
T race (f ) = T race (Mββ (f )) = T race (Mβ 0 β 0 (f )).
Pour Toute autre base β 0 de E.
68
−1
Démonstration. On sait que Mβ 0 β 0 (f ) = Pββ 0 × Mββ (f ) × Pββ 0 et que :
−1

det (Mβ 0 β 0 (f )) = det Pββ 0 × Mββ (f ) × Pββ 0
−1

= det Pββ 0 × det (Mββ (f )) × det (Pββ 0 )
= (det (Pββ 0 ))−1 × det (Mββ (f )) × det (Pββ 0 )
= (det (Pββ 0 ))−1 × det (Pββ 0 ) × det (Mββ (f ))(car K est un corps commutatif)
= det (Mββ (f )).
−1

Aussi T race (Mβ 0 β 0 (f )) = T race Pββ 0 × Mββ (f ) × Pββ 0
−1

= T race Pββ 0 × Pββ 0 × Mββ (f ) = T race (Mββ (f )).
Exercice 5.3.1. Soit f un endomorphisme de R3 de matrice A dans la base canonique

β0 = (e1 , e2 , e3 )  
1 2 −3
définie par : A =  1 4 −5 .
 
0 2 −2
 
2
Soit Xβ0 =  −3  les coordonnées d’un vecteur x1 dans la base β0 .
 
−4
1. Calculer f (x1 ) dans la base β0 .
2. Soient u1 = e1 + e2 + e3 , u2 = e1 + 3e2 + 2e3 , u3 = e1 + 2e2 + e3 .
a) Montrer que β = (u1 , u2 , u3 ) est une base de R3 .
b) Déterminer la matrice de passage P de la base β0 à la base β.
c) Déterminer la matrice de passage P 0 de la base β à la base β0 .
d) Donner les coordonnées Xβ du vecteur x1 dans la base β de deux façons.
e) Déterminer la matrice D de f dans la base β de deux faç ons.
f) Calculer f (x1 ) dans la base β, de deux faç ons.
g) Donner l’expressi on de A à partir de celle de D ci-dessus.
Donner A2 , A3 , A4 en fonction de P , D et P −1 .
Déterminer explicitement An avec n ∈ N.
Proposé de solution    
2 8
1. (f (x1 ))β0 = M at (f, β0 , β0 ) Xβ0 = A  −3  =  10 .
   
−4 2
2.
a) Avec β = (u1 , u2 , u3 ) ⊂ R3 et Card (β) = 3 = dim R3 ,
1 1 1
on va calculer det (β) = 1 3 2 = −1 6= 0, donc β est une base de R3 .
1 2 1
b) La matrice de passage P de la base β0 à la base β est :
69
 
1 1 1
P = Pβ 0 β =  1 3 2 
 
1 2 1
c) La matrice de passage P 0 de la base β à la base β0 est :
1 −1 1
0 −1 −1
P = Pββ0 = (Pβ0 β ) = P =  −1 0 1 .
 
1 1 −2
 
1
d) On a Xβ = Pββ0 × Xβ0 =  −6  d’une façon
 
7
l’autre 
façon serait
 par exemple de noter que
2
Xβ0 =  −3  = au1 + bu2 + cu3
 
−4
     
1 1 1
Xβ0 = a  1  + b  3  + c  2  et en résolvant le
     
1 2 1
système on trouve bien a =1, b = −6, c = 7.
0 0 0
e) On a : D = P −1 AP =  0 1 0  d’une façon
 
0 0 2
l’autre façon est de calculer et résoudre successivement
  :   
1 1 1
(S1 ) ⇔ (f (u1 ))β0 = au1 + bu2 + cu3 = a  1  + b  3  + c  2 ,
     
1 2 1
     
1 1 1
0 0 0
(S2 ) ⇔ (f (u2 ))β0 = a u1 + b u2 + c u3 = a  1  + b  3  + c  2 ,
     
1 2 1
     
1 1 1
00 00 00
(S3 ) ⇔ (f (u3 ))β0 = a u1 + b u2 + c u3 = a  1  + b  3  + c  2 ,
     
1 2 1
je rappelle queles (Si ) pouri = 1,  2, 3, sont des
 systèmes à résoudre.
0 00
a a a 0 0 0
 0 00
Et alors D =  b b b  =  0 1 0 .
  
c c0 c00 0 0 2
    
0 0 0 1 0
f) (f (x1 ))β = M at (f, β, β) Xβ = DXβ =  0 1 0   −6  =  −6 .
    
0 0 2 7 14
Pour la deuxième façon, on rappelle qu’à la question 1. on a calculer
f (x1 ) dans la base β0 , de là on fait la mise en é quation suivante :
70
       
8 1 1 1
(f (x1 ))β0 =  10  = au1 + bu2 + cu3 = a  1  + b  3  + c  2 
       
2 1 2 1
 a = 0,2 b = −6,
en résolvant le système ci-dessus, on trouve bien c = 14.
2 −1

 A = P D P
A3 = P D3 P −1


−1 −1
g) On a D = P AP ⇐⇒ A = P DP ⇒ 4 4 −1
.


 A = P D P
A = P Dn P −1 , n ∈ N
 n
Il fautsavoir que     
0 0 0 0 0 0 0 0 0
D =  0 1 0  ⇒ Dn =  0 1n 0  =  0 1 0 , n ∈ N.
     
0 0 2 0 0 2n 0 0 2n
   
1 1 1 0 0 0 1 −1 1
Ainsi : n ∈ N, An = P Dn P −1 =  1 3 2   0 1 0   −1 0 1 
   
1 2 1 0 0 2n 1 1 −2
 
n n n+1
2 −1 2 1−2
An =  2n+1 − 3 2n+1 3 − 2n+2 .
 
2n − 2 2n 2 − 2n+1
71
Bibliographie
[1] Jean-Marie Monier, Algèbre MPSI, Cours et 700 Exercices Corrig és, 3ème édition,
DUNOD
[2] J.-P.Lecoutre, P. Pilibossian, Travaux Dirigés, Algèbre, 2ème édition, DUNOD
[3] J.Lelong-Ferrand, J.M. Arnaudiès, Cours de Mathématiques, Tome 1, Algèbre, 3ème
édition, DUNOD.
[4] Claude Boy, Alain Nizard, Prépas TD Algèbre, Exercices et corrigés, Armand Colin.
[5] Algèbre linéaire de Prof. Eva Bayer Fluckiger ; Dr. Philippe Chabloz
72

Algèbre 2 UIST

Transféré par

Droits d'auteur :

Formats disponibles

Algèbre 2 UIST

Transféré par

Informations du document

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

Algèbre 2 UIST

Transféré par

Droits d'auteur :

Formats disponibles

ALGEBRE

2.3.2 Calcul du déterminant par le développement suivant une ligne ou

3 RÉSOLUTION D’UN SYSTEME LINÉAIRE 36

1.1 Présentation des matrices de type (p, q) sur un corps

Définition 1.1.1. p et q sont deux entiers tels que p ≥ 1, q ≥ 1.

– On emploie aussi la notation

Exemple 1.1.1. Soit

A est une matrice de type (4, 6).

1.2 Différents types de matrices

M est de type (1, q).

1.2.2 Matrice unicolonne : q = 1,

M est de type (p, 1).

1.2.3 Matrice nulle de type (p, q)

Exemple 1.2.3. Soit

1.2.4 Matrice carrée d’ordre n

1.2.5 Matrice diagonale

1.2.6 Matrice unité (ou identité) d’ordre n

1.2.7 Matrice triangulaire supérieure :

1.2.8 Matrice triangulaire inférieure :

1.2.9 Matrice en bloc

1.2.10 Transposée d’une matrice :

1.2.11 Opposée d’une matrice :

1.3 OPERATIONS SUR LES MATRICES

Remarque 1.3.1. Soit A ∈ Mpq (K), on a : (t A) ∈ Mqp (K) et (t (t A)) = A.

Définition 1.3.2. Soit A ∈ Mn (K), si on a : (t A) = A, on dit que A est une matrice

1.3.2 Somme de deux matrices de même type

Remarque 1.3.2. ( i) On a une loi de composition interne ∗ dans un ensemble E, si

1.3.3 Multiplication par un scalaire

Remarque 1.3.3. La multiplication"." par un scalaire λ ∈ K d’une matrice A ∈

Propriétés de la multiplication par un scalaire d’une matrice

Remarque 1.3.4. Soient A ∈ Mpq (K), on a : (t (λA)) = λ (t A), λ ∈ K.

1.3.4 Produit de deux matrices

A×B est possible si le nombre de colonnes de A est égal au nombre de lignes de B.

Soient A = (aij )1≤ i ≤ m ∈ Mm,n (K), B = (bij ) 1≤ i ≤ n ∈ Mn,p (K) ,

de B dans l’ordre et on fait la somme des différents produits.

Remarque 1.3.5. On peut écrire le coefficient de façon plus développée, à savoir :

cij = ai1 b1j + ai2 b2j + · · · + aik bkj + · · · + aip bpj .

Il est commode de disposer les calculs de la façon suivante.

Avec cette disposition, on considère d’abord la ligne de la matrice A située à gauche

Exemple 1.3.7. Soit

0 2 0×3+2×1 0 × (−1) + 2 × (−3) 0×2+2×4 0×1+2×7

0×3+2×1 0 × (−1) + 2 × (−3) 0×2+2×4 0×1+2×7

Nous allons donner quelques pièges à éviter

Remarque 1.3.8 (Deuxième piège à éviter). AB = 0 n’implique pas A = 0 ou B = 0.

Remarque 1.3.9 (Troisième piège à éviter). AB = AC n’implique pas B = C. On

Remarque 1.3.10. 1 (Mn (K) , +, ×) est un anneau unitaire non commutatif.

Définition 1.3.4. Quand on a deux matrices carrées A et B telles que A × B = B × A

Remarque 1.3.11. 1 Formule du binôme de Newton ∀A, B ∈ Mn (K), commutant

Propriété 1.3.1. 1 A (B + C) = AB + AC, ∀A ∈ Mmn (K) , ∀B, C ∈ Mnp (K) ;

1.4 Trace d’une matrice carrée

Je rappelle que K est un corps commutatif.

Démonstration. i) Pour tout 1 ≤ i ≤ n, le coefficient (i, i) de A + B est aii + bii .

1.5 Matrices inversibles

Ainsi A est inversible d’inverse B et inversemment ou A et B sont inverses l’une de l’autre.

Proposition 1.5.1. le produit de matrices inversibles est inversible.

1.6 Opérations élémentaires sur les matrices

1.7 Rang d’une matrice

Remarque 1.7.1. Le rang de A est indépendante des opérations élémentaires pouvant

2.1 Déterminant d’une matrice carrée d’ordre 2

2.2 Déterminant d’une matrice carrée d’ordre 3