ALGEBRE LINEAIRE

Adolphe CODJIA

Edition 2021
Table des matières

1 MATRICES 2
1.1 Présentation des matrices de type (p; q) sur un corps K commutatif . . . . 2
1.2 Quelques matrices de type (p; q) . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 OPERATIONS SUR LES MATRICES . . . . . . . . . . . . . . . . . . . . 5
1.3.1 Somme de deux matrices de même type . . . . . . . . . . . . . . . 5
1.3.2 Egalité de deux matrices de même type . . . . . . . . . . . . . . . . 5
1.3.3 Multiplication par un scalaire d’une matrice . . . . . . . . . . . . . 6
1.3.4 Produit de deux matrices . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Trace d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5 Matrices inversibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.6 Matrices équivalentes et matrices semblables . . . . . . . . . . . . . . . . . 9
1.7 Opérations élémentaires sur les matrices . . . . . . . . . . . . . . . . . . . 11
1.8 Les opérations élémentaires sur les matrices avec les matrices élémentaires 12
1.9 Matrices échelonnées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.9.1 Inversion d’une matrice par les opérations élémentaires sur les ma-
trices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.10 Rang d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

2 CALCUL DE DÉTERMINANTS 25
2.1 Déterminant d’une matrice carrée d’ordre 2 . . . . . . . . . . . . . . . . . 25
2.2 Déterminant d’une matrice carrée d’ordre 3 . . . . . . . . . . . . . . . . . 25
2.2.1 Calcul d’un déterminant d’ordre 3 par la méthode de Sarrus . . . . 25
2.2.2 Calcul du déterminant par le développement suivant une ligne ou
une colonne. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3 Calcul du déterminant d’une matrice carrée d’ordre n supérieur ou égal à 3 28
2.4 Propriétés des déterminants . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.5 Inverse d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.5.1 Propriétés de la matrice inverse . . . . . . . . . . . . . . . . . . . . 34
2.5.2 Inversion d’une matrice par sa comatrice . . . . . . . . . . . . . . . 35
2.5.3 Démontration de la méthode d’inversion d’une matrice par sa co-
matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.6 Rang d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

3 RÉSOLUTION D’UN SYSTEME D’EQUATIONS LINÉAIRES 39

3.1 Résolution du système (S) avec la matrice augmentée . . . . . . . . . . . . 41
3.2 Méthode de résolution d’un système de Cramer . . . . . . . . . . . . . . . 43
3.2.1 Résolution d’un système de Cramer par l’inversion de la matrice
associée au système . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

1
TABLE DES MATIÈRES

3.2.2 Résolution d’un système de Cramer par des déterminants . . . . . . 44

3.3 Résolution d’un système avec le rang de la matrice associée connu . . . . . 44
3.4 Systèmes échelonnés ou Méthode du pivot . . . . . . . . . . . . . . . . . . 45
3.5 Calcul de l’inverse d’une matrice par la résolution de systèmes . . . . . . . 47
3.5.1 Une première méthode(mais souvent fastidieuse) . . . . . . . . . . . 47
3.5.2 Une deuxième méthode . . . . . . . . . . . . . . . . . . . . . . . . . 47

4 ESPACES VECTORIELS 50
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.2 Dé…nition d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . 51
4.3 Dé…nition générale d’un espace vectoriel sur un corps commutatif (K; ~; |) 52
4.3.1 Tableau de simularité . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.3.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.4 Suite liée de vecteurs. Suite libre de vecteurs . . . . . . . . . . . . . . . . . 54
4.5 Espaces vectoriels de dimension …nie . . . . . . . . . . . . . . . . . . . . . 55
4.5.1 Espace vectoriel ayant un nombre …ni de générateurs . . . . . . . . 55
4.5.2 Base d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . 56
4.5.3 Déterminant d’une suite de vecteurs d’un K-espace vectoriel E de
dimension …nie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.6 Sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.6.1 Exemples de sous-espaces vectoriels . . . . . . . . . . . . . . . . . . 59
4.7 Sous-espaces vectoriels d’un espace vectoriel de dimension …nie . . . . . . . 59
4.7.1 Rang d’une suite …nie de vecteurs . . . . . . . . . . . . . . . . . . . 59
4.8 Sous-espaces supplémentaires . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.9 Somme de n sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . 63
4.10 Produit de deux espaces vectoriels sur un même corps commutatif K . . . 64

5 APPLICATIONS LINÉAIRES 65
5.1 Image et Noyau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.1.1 Le théorème noyau-image . . . . . . . . . . . . . . . . . . . . . . . 67
5.1.2 Rang d’une application linéaire . . . . . . . . . . . . . . . . . . . . 67
5.1.3 Projections et symétries linéaires . . . . . . . . . . . . . . . . . . . 68
5.2 Opérations sur les applications linéaires . . . . . . . . . . . . . . . . . . . . 69
5.2.1 L’espace vectoriel LK (E; F ) . . . . . . . . . . . . . . . . . . . . . . 69
5.2.2 Composition des applications linéaires . . . . . . . . . . . . . . . . 69
5.3 Espace vectoriel quotient . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.3.1 Construction de l’espace vectoriel quotient de E par F . . . . . . . 69
5.3.2 Problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.4 Matrice d’une application linéaire f : E ! F . . . . . . . . . . . . . . . . . 71
5.4.1 Changement de bases . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.4.2 Déterminant d’une suite de vecteurs d’un K-espace vectoriel E de
dimension …nie(Rappel,suite et …n) . . . . . . . . . . . . . . . . . . 75
5.4.3 Déterminant et trace d’un endomorphisme sur un K-espace vectoriel
E de dimension …nie . . . . . . . . . . . . . . . . . . . . . . . . . . 76

i
INTRODUCTION

La Géométrie des Grecs(et l’Arithmétique) est(sont) l’origine arbitraire de

notre repère temporel, puis vint René Descartes qui, avec son système de repère
et de coordonnées, a fait émergé l’algèbre de la géométrie et la géométrie
de l’algèbre, le tout sous le vocable de géométrie analytique ou d’algèbre linéaire
quitte à se passer de l’intuition géométrique immédiate.
L’algèbre est la science des équations, et la théorie des modèles, cette science
des équations consiste à :
1. la recherche de l’ensemble des solutions d’équations
(avec le constat qu’il y a stabilité de cet ensemble moyennant
certaines lois de compositions internes ou externes, ce qui donnera le point 2.) ;
2. Structuration de l’ensemble des solutions d’équations, c’est-à-dire munir
cet ensemble de loi de composition interne ou de loi de composition externe
(moyennant un ou des ensembles structurés) avec des propriétés avérées.
3. Etudier les applications entre des ensembles structurés de même type
avec la propriété de la transparence des structures en présence,
ces applications sont appélées homomorphismes ;
4. Structuration de l’ensemble des homomorphismes.
Le nom de l’algèbre est lié au nom des équations auquelles on a a¤aire.
Exemple : Les équations linéaires constituent les ingrédients de l’algèbre linéaire,
les équations polynômiales constituent les ingrédients de l’algèbre des polynômes.
Le rôle de l’algèbre linéaire est de traiter pêle-mêle des équations linéaires,
la structuration naturelle de l’ensemble des solutions d’équations linéaires qui est
une structure d’espace vectoriel et les calculs possibles avec les vecteurs ou les
homomorphismes linéaires ou leurs représentations moyennant des bases sur
les espaces vectoriels en question.
En ce qui concerne ce cours, c’est à la fois une invitation au voyage dans les contrées
de l’algèbre linéaire, et un accompagnement à l’embarcadaire d’où
le voyage est solitaire. Bon voyage !

1
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; +; ).
Dé…nition p et q étant deux entiers, p 1; q 1,
une matrice p q ou de type (p; q) est, par dé…nition, un tableau rectanglaire
de scalaires(ou nombres) appartenant à K, rangés horizontalement ou verticalement,
où une rangée horizontale est appelée ligne et une rangée verticale est
appelée colonne. Les rangées …gurent 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.
Soit :
0 1 2 3
a11 a12 a1q a11 a12 a1q
B a21 a22 a2q C 6 a2q 7
B C 6 a21 a22 7
A = B .. .. C = 6 .. .. 7
@ . . A 4 . . 5
ap1 ap2 apq ap1 ap2 apq
une matrice à p lignes et q colonnes d’éléments aij 2 K ; l’élément aij s’appelle terme,
coe¢ cient ou composante de la matrice A ; l’indice i correspond à la ligne de aij ,
l’indice j à la colonne de aij . On emploie aussi la notation

A = (aij ) 1 i p .
1 j q

a14
a24
Ceci est la 2eme ligne : a21 a22 a2q ; la 4ieme colonne est : .. .
.
ap4
Pour A = (aij ) 1 i p,
1 j q

2
CHAPITRE 1. MATRICES

2 3
L1
6 L2 7
6 7
6 L3 7
6 .. 7
6 7
on peut écrire une matrice suivant ses lignes : A = 6 . 7; 1 i p,
6 7
6 Li 7
6 .. 7
4 . 5
Lp
ou suivant ses colonnes : A = C1 C2 C3 Cj Cq ;1 j q
Exemple 2 3
1 2 3 4 5 6
6 2 7
9 11 3 7
A=6 4 3
21 7 c’est une matrice de type (4; 6)
2 0 8 9 15 5
1
4 75 3
7 i 5+i
1
Ici l’élément a14 = 4, a22 = , a35 = 9, a33 = 0, a43 = , a46 = 5 + i.
3

1.2 Quelques matrices de type (p; q)

a) Matrice uniligne : p = 1, q quelconque
M = a11 a12 a1q .
M est de type (1; q).
Exemple
M= 1 5 7 78 de type (1; 4) 2 3
a11
6 a21 7
6 7
b) Matrice unicolonne : q = 1, p quelconque M = 6 .. 7.
4 . 5
ap1
M est de type (p; 1).
Exemple 2 3
1
6 2 7
6 7
6 3 7
M =6 7
6 4 7 est de type (6; 1)
6 7
4 5 5
6
c) Matrice nulle de type (p; q)
C’est la matrice à2p lignes
3 et q colonnes dont les composantes sont toutes nulles.
0 0
Exemple : A = 4 0 0 5, elle est de type (3; 2).
0 0
d) Matrice carrée d’ordre n = p = q
C’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.

3
CHAPITRE 1. MATRICES

Example
2 3
8
1 4 3
A= 4 9 47 2 5 c’est une matrice carrée d’ordre 3 et les
0 1 3
4
éléments diagonaux sont : a11 = 1 ; a22 = ; a33 = 3. Les éléments de la
7
4 8
contre diagonale principale sont : a31 = 0 ; a22 = ; a13 = .
7 3
e) Matrice diagonale
C’est une matrice carrée telle que tous les termes en dehors de la diagonale principale
sont nuls.
Exemples :
2 3
1 0 0
2 0
A1 = 4 0 0 0 5 ; A2 = .
0 6
0 0 3
f) Matrice unité(ou identité) d’ordre n
C’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 .
Exemples 2 3
2 3 1 0 0 0
1 0 0 6 0 1 0 0 7
1 0
I2 = , 4
I3 = 0 1 0 5, I4 = 64 0 0 1 0 5.
7
0 1
0 0 1
0 0 0 1
g) Matrice triangulaire supérieure :
C’est une matrice carrée telle que tous les termes en-dessous de la diagonale
principale sont nuls(a
2 ij = 0 si i > j).
3
1 5 0 1
6 0 0 4 0 7
Exemple : A = 6 4 0 0 1
7.
2 5
0 0 0 3
h) Matrice triangulaire inférieure :
C’est une matrice carrée telle que tous les termes au-dessus de la diagonale
principale sont nuls(a
2 ij = 0 si i < j). 3
1 0 0 0
6 0 7 0 0 7
Exemple : B = 6 4 5
7.
8 1 0 5
6 4 1 9
i) Matrice en bloc
C’est une matrice de type (m; n) dans laquelle on trouve des matrices
bien établies.
Soient M 2 Mr (K), N 2 Mrs (K), P 2 Ms (K) et Q 2 Msr (K) alors
M N
A= est en bloc par exemple.
Q P

4
CHAPITRE 1. MATRICES

Exemple : 2 3
15 4 0 0 0 0 1
6 3 5 4 0 0 7 15 4 0 0 0
6 7
A=6 7
6 0 1 5 4 0 7 où M =
@ 3 5 4 0 0 A,
4 0 0 1 5 20 5 0 1 5 4 0
0 0 0 1 25
0 0 1 5 20 M
N= ,Q= et alors A = .
0 0 0 1 25 N Q
j) Transposée d’une matrice :
On appelle transposée de la matrice A = (aij ) 1 i p la matrice A0 = a0ij 1 i q
1 j 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. 2 3
1 4
1 2 1+i
Exemple : A = ; (t A) = 4 2 6 5.
4 6 8
1+i 8
k) Opposée d’une matrice :
C’est la matrice obtenue en prenant l’opposée de chaque terme :

si A = (aij ) 1 i p ( A) = ( aij ) 1 i p .
1 j q 1 j q

1 2 1+i ( 1) 2 (1 + i)
Exemple : soit A = ; on a : ( A) =
4 6 8 4 ( 6) ( 8)
1 2 (1 + i)
ainsi ( A) = .
4 6 8

1.3 OPERATIONS SUR LES MATRICES

1.3.1 Somme de deux matrices de même type
On dé…nit la matrice C = A + B; de type (p; q) ; somme des deux matrices de
type (p; q), par ses coe¢ cients : cij = aij + bij , 1 i p; 1 j q.
2 1 1 i 3 1 1+i
Exemple : 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)
A + ( A) = +
3 1+i 2 ( 3) ( 1 + i) 2
0 0 0
= .
0 0 0

1.3.2 Egalité de deux matrices de même type

Deux matrices A = (aij ) 1 i p et B = (bij ) 1 i p , de type (p; q)
1 j q 1 j q
à coe¢ cients dans K sont égales si A B = 0Mpq (K).

5
CHAPITRE 1. MATRICES

Contre-exemple
2 3 2 3
0 1 8 0 1 8
A = 4 1 0 0 5 et B = 4 1 0 0 5, on a :
82 0 0 3 2 8 3 1 0
0 0 0 0 0 0
A B = 4 0 0 0 5 6= 4 0 0 0 5, donc A 6= B.
0 1 0 0 0 0
Remarques
1)Soit A 2 Mpq (K), on a : (t A) 2 Mqp (K) et (t (t A)) = A.
2) Soit A 2 Mn2(K), si on a : (3t A) = A, on
2 dit que A est3 une matrice symétrique.
2 1 8 2 1 8
Exemple : A = 4 1 3 0 5, (t A) = 4 1 3 0 5 = A.
8 0 1 8 0 1
t
3)Soit A 2 Mn (K), si on a : ( A) = A, on dit que A est une matrice
antisymétrique.
2 3 2 3
0 1 8 0 1 8
Exemple : A = 4 1 0 0 5, (t A) = 4 1 0 0 5= A
8 0 0 8 0 0
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 coe¢ cients aij sont nuls dite matrice nulle 0Mpq (K) .
La matrice opposée à A = (aij ) est la matrice ( A) de coe¢ cients ( aij ).
Remarque
Soient A, B 2 Mpq (K), on a : (t (A + B)) = (t B) + (t A).

1.3.3 Multiplication par un scalaire d’une matrice

Soit 2 K, la matrice A est par dé…nition, la matrice de coe¢ cient aij , où A = (aij ).
C’est le produit du scalaire par la matrice A 2 Mpq (K) noté A.
Exemple
2 1 + 2i 1 i
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
La multiplication":" d’un scalaire 2 K par une matrice A 2 Mpq (K) est telle que
A 2 Mpq (K), on dit que la multiplication ":" est une loi de composition externe
dans Mpq (K) car l’opérande 2 K mais pas à Mpq (K).

Propriétés de la multiplication par un scalaire d’une matrice

(i) 1:A = A, pour tout élément A 2 Mpq (K).1 étant l’élément neutre de (K ; ).
(ii) ( A) = ( ) A, pour tout élément A 2 Mpq (K), 8 , 2 K.
(iii) (A + B) = A + B, 8 2 K, 8A,B 2 Mpq (K).
(iv) ( + ) A = A + A, 8 , 2 K, pour tout élément A 2 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 d’un scalaire par une matrice) véri…ant les propriétés
sus-mentionnées fait de Mpq (K) un K-espace vectoriel.

6
CHAPITRE 1. MATRICES

Remarque
Soient A 2 Mpq (K), on a : (t ( A)) = (t A), 2 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 2 Mm;n (K), B = (bij ) 1 i n 2 Mn;p (K) ,
1 j n 1 j p
X
n
on pose : AB = C = (cij )1 i m 2 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 ieme ligne de A par celles de la j eme colonne
de B dans l’ordre et on fait la somme des di¤érents produits.
On a symboliquement du point de vu des types de matrices
(m; n) (n; p) = (m; p).
Exemples
2 3
1 3
3 1 2 1
A = 4 4 1 5; B = ;
1 3 4 7
0 2 2 3
1 3
3 1 2 1
A B = AB = 4 4 1 5
1 3 4 7
2 0 2 3
1 3+3 1 1 ( 1) + 3 ( 3) 1 2+3 4 1 1+3 7
=4 4 3+1 1 4 ( 1) + 1 ( 3) 4 2+1 4 4 1+1 7 5
02 3 + 2 1 0 ( 31) + 2 ( 3) 0 2+2 4 0 1+2 7
0 8 10 20
= 4 11 1 4 3 5.
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.
Remarque
1 4 3 4
Soient A = et B =
3 2 3 0
15 4 15 20
on a : AB = 6= = BA.
15 12 3 12
Ainsi
Proposition
le produit de matrices n’est pas commutatif.
Dé…nition
Quand on a deux matrices carrées A et B telles que A B = B A
on dit que A et B commutent(ou permutent).
Exemple
1 2 0 12
Soient A = et B = 1 1 , on constate que
2 0 2 4

7
CHAPITRE 1. MATRICES

1 2 0 12 0 12 1 2
AB = 1 1 = 1 1 = BA
2 0 2 4 2 4
2 0
Ainsi A et B commutent mais le produit de matrices n’est pas commutatif.
Aussi A et B sont dites commutantes(permutantes).
Remarques
1.Formule du binôme de Newton
8A; B 2 Mn (K), commutant(permutant) e.i. A B = B A, on a :
X n Xn
n
(A + B) = {n A B =
k n k k
{kn B n k Ak ;
k=0 k=0
n!
n 1, n 2 N, {kn = .
k! (n k)!
2. 8A 2 Mn (K) avec A 6= 0Mn (K) , on a A0 = In .
Propriétés
1. A (B + C) = AB + AC, 8A 2 Mmn (K), 8B, C 2 Mnp (K) ; ceci est la
distributivité à gauche de la multiplication par rapport à l’addition.
2. (A + B) C = AC + BC, 8A, B 2 Mmn (K), 8C 2 Mnp (K) ; ceci est la
distributivité à droite de la multiplication par rapport à l’addition.
Vu 1) et 2) la multiplication est distributive par rapport à l’addition.
3. 8 2 K, 8A 2 Mmn (K), 8B 2 Mnp (K),
( A) B = A ( B) = (AB).
4. 8A 2 Mmn (K),8B 2 Mnp (K) ; 8C 2 Mpr (K),
(AB) C = A (BC) = ABC ; ceci est l’associativitité de la multiplication des
matrices.
5. ( (AB)) = (t B) (t A), 8A 2 Mpn (K) ; 8B; 2 Mnq (K) .
t

6. Ip :A = A = A:In , 8A 2 Mpn (K), IP , In sont unitées d’ordre resp. p, n.

1.4 Trace d’une matrice carrée

Dé…nition
Etant donné A = (aij ) 2 Mn (K) une matrice carrée d’ordre n
(nombre de lignes = nombre de colonnes=n), on dé…nit une application
Xn
tr de Mn (K) sur K nommée trace telle que tr (A) = aii .
i=1
Mn (K) est l’ensemble des matrices de type (n; n), dites aussi matrices carrée
d’ordre n.
Exemple 0 1
7 1 0 2
B 4 5 11 5 C
Soit A = B@ 1
2 C,
2 3 4 A
74 9 0 2
2
alors tr (A) = 7 + ( 5) + ( 3) + = 1= = tr (t A).
2 2 2
Propriété
Etant données deux matrices A; B 2 Mn (K),
i) tr (A + B) = tr (A) + tr (B)
ii) tr ( A) = tr (A) ; 2 K.
iii) tr (AB) = tr (BA).

8
CHAPITRE 1. MATRICES

iv) tr (A) = tr (t A).

Je rappelle que K est un corps commutatif.
Preuve
iii) 8A; B 2 Mn (R), !
X n Xn Xn
tr (AB) = (AB)kk = Aki Bik
k=1 k=1! i=1 !
X n Xn Xn Xn X
n
= Bik Aki = Bik Aki = (BA)ii
k=1 i=1 i=1 k=1 i=1
= tr (BA).
Xn X
n
t t
iv) tr ( A) = ( A)kk = Akk = tr (A).
k=1 k=1
Remarques
1)(Mn (K) ; +; ) est un anneau unitaire non commutatif .
L’élément unité se note In . Ainsi 8A 2 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.

1.5 Matrices inversibles

Dé…nition
A 2 Mn (K) est dite inversible s’il existe B 2 Mn (K) telle que AB = BA = In .
1
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).
Exemple
1 2 0 12 1 0
Soient A = et B = 1 1 on a : AB = BA = I2 = .
2 0 2 4
0 1
Ainsi A est inversible d’inverse B et inversemment ou A et B sont inverses l’une
de l’autre.
Proposition
le produit de matrices inversibles est inversible.
Proposition
L’ensemble GLn (K) des matrices carrées d’ordre n inversibles est un groupe
multiplicatif appelé le groupe linéaire.

1.6 Matrices équivalentes et matrices semblables

Dé…nitions
i) Deux matrices A; B 2 Mpq (K) sont équivalentes s’ils existent P 2 Mp (K)
inversible et Q 2 Mq (K) inversible telle que A = P BQ , P 1 AQ 1 = B.
ii) Deux matrices A; B 2 Mn (K) sont semblables s’il existe P 2 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).

9
CHAPITRE 1. MATRICES

Exemples 2 3 2 3
5 2 4 7 1 0 0 0
i) Soient A = 4 3 2 0 1 5 et R = 4 0 1 0 0 5
2 1 0 2 33 2 0 0 03 0
0 0 1 5 2 0
Soit P = 4 1
0 5 5 0 4
avec P = 3 2 1 5
2 2
1 1 2 2 31 2 0 0 3 2 3
0 0 1 5 2 0 1 0 0
On constate que P P 0 = 4 12 0 5 54
2
3 2 1 5=4 0 1 0 5
2 32 1 1 2 3 1 20 0 3 0 0 1
5 2 0 0 0 1 1 0 0
Aussi P 0 P = 4 3 2 1 5 4 21 0 5 5
2
= 4 0 1 0 5
1 0 0 1 1 2 0 0 1
1 0
Donc P est 2 inversible d’inverse 3 P = P2 3
1 0 2 3 1 0 2 3
6 0 1 3 4 7 6 4 7
Soit Q = 6 7 avec Q0 = 6 0 1 3 7
4 0 0 1 0 5 4 0 0 1 0 5
0 0 0 1 0 0 0 1
2 32 3 2 3
1 0 2 3 1 0 2 3 1 0 0 0
6 0 1 3 4 7 6 4 7 6 7
On constate que QQ0 = 6 76 0 1 3 7=6 0 1 0 0 7
4 0 0 1 0 54 0 0 1 0 5 4 0 0 1 0 5
0 0 0 1 0 0 0 1 0 0 0 1
2 32 3 2 3
1 0 2 3 1 0 2 3 1 0 0 0
6 0 1 3 4 7 6 0 1 3 4 7 6 7
et Q0 Q = 6 76 7=6 0 1 0 0 7
4 0 0 1 0 5 4 0 0 1 0 5 4 0 0 1 0 5
0 0 0 1 0 0 0 1 0 0 0 1
Ainsi Q est inversible d’inverse Q 1 = Q0 2 3
2 32 3 1 0 2 3
0 0 1 5 2 4 7 6
4 1 5 54 56 0 1 3 4 77
Aussi P AQ = 0 3 2 0 1 4 0 0 1
2 2 0 5
1 1 2 1 0 2 3
0 0 0 1
2 3
2 3 1 0 2 3
1 0 2 3 6 0 1 3 4 7
P AQ = 4 0 1 3 4 56 4 0 0 1
7
0 5
0 0 0 0
2 3 0 0 0 1
1 0 0 0
P AQ = 0 1 0 0 5 = R
4
0 0 0 0
P AQ = R.
On a bien P AQ = R avec P 2 M3 (R) inversible, A 2 M34 (R) et Q 2 M4 (R) inversible
donc A et R sont 2 équivalentes. 3 2 3
2 1 1 1 21 3
2
ii) Soient M = 4 2 3 2 5 et D = 4 0 12 3 5
2
3 11
2 1 1 2
3 2 3 0 2 2 3
1 1
1 0 1 4 2 4
avec P = 4 0 1 1 5 et P 0 = 4 14 12 1 5
4
1 1 1
1 2 1 4 2 4

10
CHAPITRE 1. MATRICES

2 32 3 1 1
3 2 3
1 0 1 4 2 4
1 0 0
On a : P P 0 = 4 0 1 1 54 1
4
1
4
1
2
5=4 0 1 0 5
1 1 1
2 31 1
2 1 32
1
4 2 4 3 2 0 0 13
4 2 4
1 0 1 1 0 0
Aussi P 0 P = 4 41 12 1 54
4
0 1 1 5=4 0 1 0 5
1 1 1
4 2 4
1 2 1 0 0 1
1 0
Ainsi P est inversible d’inverse P = P
On constate2que : 32 32 3
3 1 1
4 2 4
2 1 1 1 0 1
P 1 M P = 4 14 21 1 54
4
2 3 2 54 0 1 1 5
1 1 1
2 4 1 2 3 43 1 1 2 1 2 1
1 2 2
P 1 M P = 4 0 12 3 5
2
= D.
3 11
0 2 2
donc M et D sont sont semblables.
Remarque
Deux matrices semblables sont équivalentes.Mais deux matrices
équivalentes ne sont pas nécessairement semblables, il su¢ t qu’elles
ne soient pas carrées.

1.7 Opérations élémentaires sur les matrices

Dé…nition
Soit A 2 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.
Exemple
3 1 2 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 B 0 .
2. Permuter les colonnes(resp. lignes) de A.
Exemple 2 3
1 3
soit A = 4 4 1 5 permutons L1 et L3 , on a :
2 0 2 3
0 2
0
A = 4 4 1 5.
1 3
Evidemment on a A équivalente à A0 , ce qui se note : A A0
qui se lit A équivalente à A0 .
3. Multiplier une colonne(resp. ligne) de A par un élément de K :
on parle de dilatation ou d’a¢ nité sur A.

11
CHAPITRE 1. MATRICES

Exemple 2 3
1 3
soit A = 4 4 1 5 faisons 4L2 , on a :
2 0 2 3
1 3
0
A = 4 16 4 5.
0 2
Evidemment on a A équivalente à A0 , ce qui se note : A A0
qui se lit A équivalente à A0 .
Dé…nition
Les matrices Eij 2 Mpq (K) tels que aij = 1 et ars = 0,
si r 6= i ou s 6= j, sont les matrices
X élémentaires de Mpq (K).
Soit A = (aij ) 2 Mpq (K),on a A = aij Eij .
1 i p
1 j q 1 i p
1 j q
Exemples 2 3
2 3 0 0
0 0 0 0 6 0 0 7
E23 = 0 0 1 0 5 2 M34 (R), E42 = 6
4 7
4 0 0 5 2 M42 (R)
0 0 0 0
2 3 2 3 2 03 1 2 3
a11 a12 a11 0 0 a12 0 0
A = 4 a21 a22 5 = 4 0 0 5 + 4 0 0 5 + 4 a21 0 5
a2
31 a32
3 2 0 0 3 20 0 3 0 0
0 0 0 0 0 0
+ 4 0 a22 5 + 4 0 0 5 + 4 0 0 5
2 0 03 2a31 0 3 02 a32 3 2 3
a11 a12 1 0 0 1 0 0
A = 4 a21 a22 5 = a11 4 0 0 5 + a12 4 0 0 5 + a21 4 1 0 5
2 a31 a332 2 0 30 2 0 30 0 0
0 0 0 0 0 0
+a22 4 0 1 5 +a31 4 0 0 5 + a32 4 0 0 5
2 0 0 3 1 0 0 1
a11 a12
A = 4 a21 a22 5 = a11 E11 + a12 E12 + a21 E21 + a22 E22 +a31 E31 + a32 E32
a31 a32
X
A= aij Eij 2 M32 (R)
1 i 3
1 j 2

1.8 Les opérations élémentaires sur les matrices avec

les matrices élémentaires
D’abord, il est nécessaire de savoir que 8Eij , Ekl 2 Mp (K), on a : Eij :Ekl = jk Eil , où
1 si j = k
jk = .
0 si j 6= k
X
Soit A = (aij ) 2 Mpq (K), alors A = aij Eij , et
1 i p
1 j q 1 i p
1 j q

12
CHAPITRE 1. MATRICES

X X
8Ekl 2 Mp (K), Ekl :A = aij Ekl Eij = aij li Ekj
1 i p 1 i p
1 j q 1 j q
2 3
X 0
= alj Ekj = 4 al1 al2 al(q 1) alq 5 k ieme ligne de A a récuperé
.
1 j q 0 la lieme ligne de A
X X
Aussi 8Ekl 2 Mq (K), AEkl = aij Eij Ekl = aij jk Eil
1 i p 1 i p
1 j q 1 j q
2 3
a1k
6 7
a2k
X 6 7
6 7..
= aik Eil = 6 0 0 7 .
6 7
1 i p 4 a(p 1)k 5
apk
"
lieme colonne de A
a recuperé la k ieme colonne de A
de là, on comprend ce qui suit :
Soit A 2 Mpq (K). On appelle opérations élémentaires sur A l’un des
produits suivants :
1.a.Soit r 6= s, A (Iq + Ers ), Ers 2 Mq (K), c’est ajouter à la colonne s de A
le produit par un élément de K de la colonne r, on parle de transvection
sur les colonnes de A.
b).Soit r 6= s, (Ip + Ers ) A, Ers 2 Mp (K), c’est ajouter à la ligne r de A
le produit par un élément de K de la ligne s, on parle de transvection
sur les lignes de A.
2.a.Soit r 6= s, (Ip Err Ess + Ers + Esr ) A, Err ; Ess ; Ers ; Esr 2 Mp (K),
c’est permuter les lignes r et s de A.
b) Soit r 6= s, A (Iq Err Ess + Ers + Esr ), Err ; Ess ; Ers ; Esr 2 Mq (K),
c’est permuter les colonnes r et s de A.
3.a. (Ip + ( 1) Err ) A, Err 2 Mp (K), c’est multiplier la ligne r de A par un
élément de K : on parle de dilatation ou d’a¢ nité sur A.
b. A (Iq + ( 1) Err ), Err 2 Mq (K), c’est multiplier la colonne r de A par un
élément de K : on parle de dilatation ou d’a¢ nité sur A.
Pratiquement, cela se fait aisément en augmentant la matrice A par la matrice
identité de même nombre de lignes que A, à la suite de la dernière colonne de A,
quand l’on e¤ectue des opérations élémentaires sur les lignes, à la …n des
opérations sur les lignes, on obtient à la place de la matrice identité,
la matrice L par laquelle, il faudra multiplier par A, comme suit :
L:A pour avoir la transformation obtenue de A.
En ce qui concerne les opérations sur les colonnes, on augmente la matrice A par la
matrice identité de même nombre de colonnes que A, à la suite de la dernière ligne
de A, à la …n des opérations sur les colonnes, on obtient à la place de la matrice
identité, la matrice C par laquelle, il faudra multiplier par A, comme suit :
AC pour avoir la transformation obtenue de A.
Remarque
Les matrices L et C supra, sont dites matrices produit de matrices d’opérations
élémentaires sur A.

13
CHAPITRE 1. MATRICES

Dé…nition
Les matrices :
1. (Iq + ( 1) Err ), Err 2 Mq (K) ;
2. (Ip + ( 1) Err ), Err 2 Mp (K) ;
3. r 6= s, (Iq Err Ess + Ers + Esr ), Err ; Ess ; Ers ; Esr 2 Mq (K) ;
4. r 6= s, (Ip Err Ess + Ers + Esr ), Err ; Ess ; Ers ; Esr 2 Mp (K) ;
5. r 6= s, (Ip + Ers ), Ers 2 Mp (K) ;
6. r 6= s, (Iq + Ers ), Ers 2 Mq (K)
sont dites matrices d’opérations élémentaires. En somme,
Dé…nition
Toute matrice par laquelle, on multiplie une matrice A pour obténir une matrice
semblable à A est une matrice produit de matrices d’opérations élémentaires sur A.
Proposition(preuve avec le chapitre II)
det ((Iq + Ers )) = det ((Ip + Ers )) = 1 6= 0,
det (Ip Err Ess + Ers + Esr ) = det (Iq Err Ess + Ers + Esr ) = 1 6= 0,
det (Ip + ( 1) Err ) = det (Iq + ( 1) Err ) = 6= 0 car 2 K , donc
Toute matrice d’opération élémentaire est inversible.
Proposition
Toute matrice carrée inversible est le produit de matrices d’opérations élémentaires.
Preuve
il su¢ t de se souvenir que toute matrice A carrée inversible est équivalente à la
matrice identité de même ordre que A, moyennant des opérations élémentaires.

1.9 Matrices échelonnées

Dé…nitions
i) Une matrice est échelonnée si :
le nombre de zéros commençant une ligne(resp. colonne) croît strictement ligne
par ligne(resp. colonne par colonne)jusqu’à ce qu’il ne reste plus que des zéros ou
qu’il n’ait plus de ligne(resp. colonne).
Exemples 2 3 2 3
4 0 5 8 1 1 4 0 5 8 1 1
6 0 1 2 3 0 2 7 6 2 7
a) A1 = 6 7 ; A2 = 6 0 1 2 3 0 7
4 0 0 7 9 10 15 5 4 0 0 7 9 10 15 5
0 0 0 3 1 9 0 0 0 0 0 0
sont des 2 matrices échelonnées3 suivant2les lignes. 3
4 0 0 0 4 0 0 0 0
6 11 7 0 0 7 6 0 0 7
b) B1 = 6 7 ; B2 = 6 11 7 0 7
4 5 0 9 0 5 4 5 0 9 0 0 5
0 0 1 3 0 0 1 3 0
sont des matrices échelonnées suivant les colonnes.
ii) Elle est échelonnée réduite à ligne canonique si en plus :
le premier coe¢ cient non nul d’une ligne (non nulle) vaut 1 ;
et c’est le seul élément non nul de sa colonne.

14
CHAPITRE 1. MATRICES

Exemples
2 3 2 3
1 0 0 0 1 1 1 0 0 8 1 1
6 0 1 0 0 0 2 7 6 2 7
A1 = 6 7 ; A2 = 6 0 1 0 3 0 7
4 0 0 1 0 10 15 5 4 0 0 1 9 10 15 5.
0 0 0 1 1 9 0 0 0 0 0 0
iii) Elle est échelonnée réduite à colonne canonique si en plus :
le premier coe¢ cient non nul d’une colonne (non nulle) vaut 1 ;
et c’est le seul élément non nul de sa ligne.
Exemples
2 3 2 3
1 0 0 1 0 0 0 0
6 0 1 0 7 6 7
B1 = 6 7 ; B2 = 6 0 1 0 0 0 7.
4 0 0 1 5 4 0 0 1 0 0 5
0 0 3 0 0 0 1 0
iv) Elle est échelonnée réduite quand elle est à la fois échelonnée réduite à ligne
et colonne canoniques.
Exemples
2 3
1 0 0 0 0
6 0 1 0 0 0 7
C1 = 6 7
4 0 0 1 0 0 5 = I4 0 ;
0 0 0 1 0
2 3
1 0 0 0 0
6 0 1 0 0 0 7 I3 0
C2 = 6 7
4 0 0 1 0 0 5= 0 0 ;
0 0 0 0 0
et toutes les matrices unités(ou identités) In , n 2 N .
sont des matrices échelonnées réduites.
Remarque
Dans la réduite d’une matrice non nulle échelonnée réduite,
il y a dans la première moitié ou dans le premier quart du haut une matrice
unité(ou identité), In pour un certain n 2 N, ou la reduite est carrément
une matrice identité.
v) Echélonner réduire une matrice A c’est lui trouver une matrice échélonnée
réduite A0 qui lui soit équivalente.
Lemme
Les opérations élémentaires sur les matrices servent à échelonner des matrices et
les éléments non nuls d’une ligne ou (resp.d’une colonne) qui permette
d’avoir des zéros sur les lignes qui suivent ou (resp.les colonnes qui suivent)
sont appelés pivots.
Exemples
a) Échélonnage
2 suivant
3 2 les lignes d’une 3 matrice
1 3 2 1 3 2
A=4 4 1 0 5'4 0 11 8 5 L2 4L1
2 25 4 0 3 11 8 L3 + 2L1
1 3 2
A'4 0 11 8 5 .
0 0 0 L3 + L2
Les pivots ici, ont été : 1 ; 11.

15
CHAPITRE 1. MATRICES

b)
2 Échélonnage à ligne 3 canonique
2 d’une matrice
3
0 3 2 1 1 3 4 2 L3
4 2 5 1 6 5'4 0 1 9 10 5 L2 + 2L3
21 3 4 2 3 0 3 2 21 L1 3
1 0 23 28 L1 3L2 1 0 0 5 L1 + 23 L
29 3
'4 0 1 9 10 5 L2 '4 0 1 0 1 5 L2 + 29
9
L3 .
1
0 0 29 29 L3 + 3L2 0 0 1 1 L
29 3
Les pivots sont réduits à 1 à chaque fois.
c) Échélonnage suivant les colonnes d’une matrice
C C2 2C3 C1 4C3
2 3 2 3 3
4 2 1 1 0 0
6 6 2 3 7 6 3 4 6 7
B=6 4 0 1
7'6 7'
1 5 4 1 3 4 5
2 1 3 3 5 10
2C3 3C2
2 3
1 0 0
6 3 4 0 7
B'6 4 1 3
7.
1 5
3 5 5
Les pivots ici, ont été : 1 ; 4.
d) Échélonnage à colonne canonique d’une matrice
1 3 1 2
2 3 24 C1 C2 4 C13 C3 4 C1 C4 4 C1
4 3 1 2 1 0 0 0
C= 0 4 9 1 0 ' 0 5 4 9 1 0 5
0 0 8 9 0 0 8 9
1 1
2 9 C2 C3 39 C2
1 0 0 0
4
C' 0 1 0 0 5
0 0 8 9
1 9
2 C C3
8 3 4 C
8 3
1 0 0 0
C' 0 1 0 0 5
4
0 0 1 0
Les pivots sont réduits à 1 à chaque fois.
Remarque
Une matrice A est inversible si et seulement si, échelonnée reduite elle est
équivalente à une matrice identité de même ordre que A.

1.9.1 Inversion d’une matrice par les opérations élémentaires

sur les matrices
Exemples
I) Avec opérations
2 élémentaires
3 2 sur
3 les lignes :
1 1 1 1 0 0
Soit A = 4 1 1 0 5 ' 4 0 1 0 5 donc A est inversible.
1 0 1 0 0 1
On augmente la matrice A de la matrice unité de même nombre de ligne que A
à la suite de la dernière colonne de A comme suit :

16
CHAPITRE 1. MATRICES

2 3
6 7
6 1 1 1 1 0 0 7
6 7
6 1 1 0 0 1 0 7 = M et l’on cherchera à échelonner réduire la matrice A
6 7
4 1 0 1 0 0 1 5
| {z }| {z }
A I3

2Ceci étant, déroulons : 3 2 3

1 1 1 1 0 0 1 1 1 1 0 0
4 1 1 0 0 1 0 5 4 0 2 1 1 1 0 5 L2 L1
1 0
2 1 0 0 1 3 0 1 2 21 0 1 L3 L1 3
1 1 1
1 1 1 1 0 0 1 0 2 2 2
0 L1 L2
4 0 1 1 1 1
0 5 1
L 4 0 1 1 1 1
0 5
2 2 2 2 2 2 2 2
3 1 1 1 1 1 2 2
2 0 0 2
1
2
1
2
1
13 L3 2 L2 0 0 1 3 3 3
L
3 3
1 0 0 3 3 3 1
4 0 1 0 1 2 1 5 L1 L
2 3 .
3 3 3 1
L2 2 L3
0 0 1 13 1
3
2
3
Comme l’échelonnage de la matrice A sous la réduite
2 1 à donner la3matrice identité,
1 1
3 3 3
alors la matrice A est inversible d’inverse A 1
=4 1
3
2
3
1
3
5.
1 1 2
3 3 3
II) Avec opérations élémentaires sur les colonnes
On augmente la matrice A de la matrice unité de même nombre de colonne
que
2 A à la suite3 de la dernière ligne de A comme suit :
1 1 1
6 1 1 0 7
6 7
6 1 0 1 7
6 7 = N et l’on cherchera à échelonner la matrice A sous
6 1 0 0 7
6 7
4 0 1 0 5
0 0 1
la forme échelonné réduite
Ceci étant, déroulons :
C -C C3 -C1 C1 + 12 C2 - 12 C2 C3 - 12 C2
2 3 2 2 1 3 2 3
1 1 1 1 0 0 1 0 0
6 1 1 0 7 6 1 7 6 0 1 0 7
6 7 6 1 2 7 6 1 7
6 1 0 1 7 6 1 1 2 7 6 2 1 3 7
6 7 6 7 6 2 2 7
6 1 0 7
0 7 6 16 1 1 7 6 1 1 1 7
6 7 6 2 2 2 7
4 0 1 0 5 4 0 1 0 5 4 1 1 1 5
2 2 2
0 0 1 0 0 1 0 0 1

C1 + 13 C3 C2 + 13 C3 2
C3
2 33
1 0 0
6 0 1 0 7 2 3
6 7 1 1 1
6 0 0 1 7 3 3 3
6 7)A 1
=4 1 2 1 5.
6 1 1 1 7 3 3 3
6 3 3 3 7 1 1 2
4 1 2 1 5 3 3 3
3 3 3
1 1 2
3 3 3

17
CHAPITRE 1. MATRICES

1.10 Rang d’une matrice

Proposition
Le rang d’une matrice échelonnée ou échelonnée reduite est égale au nombre de
ses lignes non nulles(si l’échelonnage a été e¤ectué avec les opérations élémentaires
sur les lignes) ou au nombre de colonnes non nulles(si l’échelonnage a été e¤ectué avec
les opérations élémentaires sur les colonnes).
Remarque
Pour trouver le rang d’une matrice, il su¢ t de l’échelonner.
Exemples
2 3
4 0 5 8 1 1
6 0 1 2 3 0 2 7
A1 = 6 4 0 0
7 ) rg (A1 ) = 4 ;
7 9 10 15 5
0 0 0 3 1 9
2 3
4 0 5 8 1 1
6 0 1 2 3 0 2 7
A2 = 6 4 0 0
7 ) rg (A2 ) = 3 ;
7 9 10 15 5
0 0 0 0 0 0
2 3
4 0 0 0 0
6 11 7 0 0 0 7
B1 = 6 4 5 0
7 ) rg (B1 ) = 4 ;
9 0 0 5
0 0 1 3 0
2 3
4 0 0 0
6 11 7 0 0 7
B2 = 6 4 5 0
7 ) rg (B2 ) = 4.
9 0 5
0 0 1 3
Proposition
rg (A) = rg (t A) pour tout type de matrice A.
Proposition
Deux matrices sont équivalentes ssi elles ont le même rang.
Preuve
Soient A; B 2 Mpq (K) de même rang, alors ils existent P1 , P2 2 GLP (K)
et Q1 ; Q2 2 GLq (K) telles que
P1 AQ1 = R = P2 BQ2 () P2 1 P1 AQ1 Q2 1 = B avec
P2 1 P1 2 GLP (K) et Q1 Q2 1 2 GLq (K), ce qui veut dire que A et B sont
équivalentes. GLP (K) est l’ensemble des matrices carrées d’ordre p inversibles.
R est la matrice échelonnée réduite à la fois de A et de B, dé…nissant le même rang
pour A et B.
Remarque
Toute opération élémentaire sur une matrice A, produit une matrice A0 qui est
équivalente à A. Donc rg (A) = rg (A0 ).

18
CHAPITRE 1. MATRICES

Remarque
Le rang de A est indépendante des opérations élémentaires ayant permis son
échelonnage ou son échelonnage réduit.
Exemple2 3
5 2 4 7
Soit A = 4 3 2 0 1 5, recherchons le rang de A.
1 0 2 3
Nous allons faire des opérations élémentaires sur les lignes de A en
augmentant A de la matrice identité de même nombre de lignes que A,
à la suite de la dernière colonne de A. Et on fait les opérations
élémentaires
2 sur la matrice
3 augmentée. Ainsi d’entée, on a :
6 7 2 2 4 7 1
3 1
6 5 2 4 7 1 0 0 7 1 5 5 5 5
0 0 L
5 1
6 7 4 0 4 12 16 3 5
6 3 2 0 1 0 1 0 7 5 5 5 5
1 0 L2 35 L1
6 7 2 6 8 1
4 1 0 2 3 0 0 1 5 0 5 5 5 5
0 1 L3 15 L1
| {z }| {z }
A I3
2 3
6 1 0 2 3 1 1
0 7 L1 1 L2
6 2 2 7 2
6 0 1 3 4 3 5
0 7 5
L
6 4 4 7 4 2
4 0 0 0 0 1 1
1 5 L3 + 1 L2
2 2 2
| {z }| {z }
R0 P
Evaluons
2 :1 32 3 2 3
1
2 2
0 5 2 4 7 1 0 2 3
PA = 4 3
4
5
4
0 54 3 2 0 1 5 = 4 0 1 3 4 5.
1 1
2 2
1 1 0 2 3 0 0 0 0
0
On a donc : P A = R .
Dé…nition
R0 est dite matrice échélonnée à lignes canoniques de A car le premier terme
non nul d’une ligne non nulle est 1.
Remarques
1.Le meilleur choix pour opérations élémentaires sur lignes ou colonnes
d’une matrice de type (p; q) : il faut choisir de travailler sur les lignes si p < q sinon
sur les colonnes.
2. Quand on veut travailler avec deux éléments d’une même ligne, il faut opérer avec
les colonnes.
3.Quand on veut travailler avec deux éléments d’une même colonne, il faut opérer
avec les lignes.
4.On peut d’or et déjà compter le nombre de lignes non nulles de R0
(parce qu’on a travaillé sur les lignes), et ce nombre est égal au rang de A.
Il en serait de même si on avait travaillé sur les colonnes.
Suite de ce qui précède.
On continue les opérations élémentaires sur les colonnes cette fois-ci,
en augmentant R0 à la suite de sa troisième ligne par la matrice identité de
même nombre de colonnes que R0 , c’est-à-dire :

19
CHAPITRE 1. MATRICES

C3 -2C1 C4 -3C1 C3 +3C2 C4 +4C2

2 3 2 3 2 3
1 0 2 3 1 0 0 0 1 0 0 0
6 0 1 3 4 7 6 0 1 3 4 7 6 0 1 0 0 7
6 7 6 7 6 7
6 0 0 0 0 7 6 0 0 0 0 7 6 0 0 0 0 7
6 7 6 7 6 7
6 1 0 0 7 6 1 0 7 6 3 7
6 0 7 6 2 3 7 6 1 0 2 7.
6 0 1 0 0 77 6 7 6 4 7
6 6 0 1 0 0 7 6 0 1 3 7
4 0 0 1 0 5 4 0 0 1 0 5 4 0 0 1 0 5
0 0 0 1 0 0 0 1 0 0 0 1
2 3
2 3 1 0 32
1 0 0 0 6 0 1 3 4 7
Ici on a : R = 4 0 1 0 0 5 et on pose Q=6 4 0 0 1
7.
0 5
0 0 0 0
0 0 0 1
Evaluons : 2 3
2 1 1
32 3 1 0 2 3
0 5 2 4 7 6
2 2
54 3 2 0 1 56 0 1 3 4 7 7
P AQ = 4 3 5
0 4 0 0 1
4
1
4
1 0 5
2 2
1 1 0 2 3
0 0 0 1
2 3
2 3 1 0 2 3 2 3
1 0 2 3 6 0 1 3 1 0 0 0
4 7
P AQ = 4 0 1 3 4 56 4 0 0 1
7=4 0 1 0 0 5
0 5
0 0 0 0 0 0 0 0
0 0 0 1
Donc P AQ = 2 R. 3 2 3
1 0 2 3 1 0 2 3
6 0 1 3 4 7 6 4 7
Ainsi ayant Q = 6 7, avec Q0 = 6 0 1 3 7
4 0 0 1 0 5 4 0 0 1 0 5
0 0 0 1 0 0 0 1
2 32 3 2 3
1 0 2 3 1 0 2 3 1 0 0 0
6 0 1 3 4 7 6 4 7 6 7
on a : QQ0 = 6 76 0 1 3 7=6 0 1 0 0 7
4 0 0 1 0 54 0 0 1 0 5 4 0 0 1 0 5
0 0 0 1 0 0 0 1 0 0 0 1
2 32 3 2 3
1 0 2 3 1 0 2 3 1 0 0 0
6 0 1 3 4 7 6 4 7 6 7
de même Q0 Q = 6 76 0 1 3 7 = 6 0 1 0 0 7.
4 0 0 1 0 5 4 0 0 1 0 5 4 0 0 1 0 5
0 0 0 1 0 0 0 1 0 0 0 1
1 0
Donc Q est 2 inversible d’inverse 3 Q = Q2. 3
1 1
2 2
0 5 2 0
Ayant P = 4 3
4
5
4
0 5, avec P 0 = 4 3 2 0 5
1 1
2 2
1 1 0 1
on a : 2 3 2 3 2 3
1 1
2 2
0 5 2 0 1 0 0
PP0 = 4 3
4
5
4
0 54 3 2 0 5 = 4 0 1 0 5
1 1
2 22
1 13 20 1 0 30 12 3
1 1
5 2 0 2 2
0 1 0 0
de même P 0 P = 4 3 2 0 5 4 3
4
5
4
0 5=4 0 1 0 5
1 1
1 0 1 2 2
1 0 0 1
1 0
Donc P est inversible d’inverse P = P .
Comme on a : P AQ = R et que P et Q sont des matrices carrées inversibles
d’ordre respectif 3 et 4 on a bien A est équivalente à R et le rang de A est 2.

20
CHAPITRE 1. MATRICES

Proposition
Soit A 2 Mn (K), A est inversible si et seulement si le rang de A est égal à n.
Proposition
Deux matrices carrées semblables, ont nécessairement
la même trace et le même rang.
Remarque
1 2 1 0
Voici deux matrices carrées A = 1 et B = ,
2
1 0 0
Le 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.
Exercice 1
A l’aide des opérations élémentaires sur les lignes ou colonnes, 2 décrire l’ensemble
3
1 1 a b
des triplets réels (a; b; c) rendant le rang de la matrice M = 4 1 2 b c 5
2 1 c a
égal à 2.
Correction
2 de l’exo. 31 2 3
1 1 a b 1 1 a b
M = 4 1 2 b c 5 4 0 3 b + a c + b 5 L2 + L1
2 2 1 c a 0 3 3 c 2a a 2b L3 2L1
1 1 a b
4 0 3 b+a c+b 5
0 0 b a+c a b+c L3 + L2
b a+c=0
Alors M serait de rang 2 si ) 2c = 0 , c = 0 ) a = b
a b+c=0
Dés lors pour tout triplet (a; a; 0), 8a 2 R va entrainer que le rang de M est 2.
Exercice 2
1) Réduire2à la forme échélonnée
3 puis à la forme ligne canonique les matrices suivantes
2 3 4 2 3
6 3 7 0 3 2 1
1 5 7
A1 = 6 4 1 0 A2 = 4 2 5 1 6 5
1 5
1 3 4 2
0 2 4
Si pour i = 1, 2, Bi est la forme ligne canonique de Ai déterminer la matrice Pi telle
que Bi = Pi Ai .
2) Réduire à la forme échélonnée puis à la forme colonne canonique les matrices
précédentes.
Si pour i = 1, 2, Ci est la forme ligne canonique de Ai déterminer la matrice Qi telle
que Ci = Ai Qi .
Correction de l’exo.2
1) On augmente la matrice A1 à la suite de sa dernière colonne par la matrice I4
car le nombre de lignes de A1 est 4.
Aussi on échelonne réduire à ligne canonique la matrice A1
2avec les opérations élémentaires 3 sur2 les lignes : 3
2 3 4 1 0 0 0 1 0 1 0 0 1 0 L3
6 3 1 5 0 1 0 0 7 6 0 1 7 6 7
2 0 1 3 0 7 L2 + L3
6 '
4 1 0 1 0 0 1 0 5 4 0 3 6 1 0 2 0 5 L1 + 2L3
0 2 4 0 0 0 1 0 2 4 0 0 0 1

21
CHAPITRE 1. MATRICES

2 3
1 0 1 0 0 1 0
6 0 1 2 0 1 3 0 7
'6
4 0
7 L + 3L2 .
0 0 1 3 11 0 5 3
L4 2L2
0 0 0 0 2 6 1
Evaluons
2 : 3 2 3 2 3 2 3
0 0 1 0 0 0 1 0 2 3 4 1 0 1
6 0 1 3 0 7 7 6 0 1 3 0 7 6 3 7 6 1 7
5 7 6 06 1 2 7
6 A1 = 6 = 7
4 1 3 11 0 5 4 1 3 11 0 5 4 1 0 1 5 4 0 0 0 5
0 2 6 1 0 2 6 1 0 2 4 0 0 0
2 3 2 3
1 0 1 0 0 1 0
6 0 1 2 7 6 0 1 3 0 7
Ainsi B1 = 6 7
4 0 0 0 5 et P1 = 4 1 3
6 7
11 0 5
0 0 0 0 2 6 1
On
2 refait la même chose pour A
32 2 ; on aura donc : 3
0 3 2 1 1 0 0 1 3 4 2 0 0 1 L3
4 2 5 1 6 0 1 0 5'4 0 1 9 10 0 1 2 5 L2 + 2L3
21 3 4 2 0 0 1 03 3 2 1 1 0 0 L1
1 0 23 28 0 3 5 L1 3L2
'4 0 1 9 10 0 1 2 5 L2
2 0 0 29 29 1 3
23 18 7
6 3 L3 + 3L2
23
1 0 0 5 29 29 29
L1 + 29 L3
'4 0 1 0 1 299 2
29
4
29
5 L2 + 9 L3 .
29
1 3 6 1
0 0 1 1 29 29 29
L
29 3
Evaluons
2 23 : 3 2 23 32 3
18 7 18 7
29 29 29 29 29 29
0 3 2 1
4 9 2 4 5
A2 = 4 29 9 2 4 54
2 5 1 6 5
29 29 29 29 29
1 3 6 1 3 6
29 29 29 29 2 29 29 31 3 4 2
1 0 0 5
4
= 0 1 0 1 5
2 3 0 20 1 1 3
23 18 7
1 0 0 5 29 29 29
Ainsi B2 = 4 0 1 0 1 5 et P2 = 4 29 9 2
29
4 5
29
.
1 3 6
0 0 1 1 29 29 29
2) On augmente la matrice A1 à la suite de sa dernière ligne par la matrice I3
car le nombre de colonnes de A1 est 3.
Aussi on échelonne réduire à colonne canonique la matrice A1 avec
les opérations élémentaires sur les colonnes :
1
C C2 + 32 C1 C2 +2C1
2 21
2 3 3
2 3 4 1 0 0
6 3 1 5 7 6 23 11 7
6 7 6 1 23 11 7
6 1 0 1 7 6 2 3 7
6 7 6 2 7
6 0 2 4 7 6 0 2 4 7
6 7 6 7
6 1 0 0 7 6 1 3
2 7
6 7 6 2 2 7
4 0 1 0 5 4 0 1 0 5
0 0 1 0 0 1

22
CHAPITRE 1. MATRICES

3 2
C1 - 11 C C C3 -2C2
2 2 11 2 3
1 0 0
6 0 1 0 7
6 7
6 1 3
0 7
6 11 11 7
6 6 4
0 7
6 11 11 7
6 1 3
1 7
6 11 11 7
4 3 2
2 5
11 11
0 0 1
.
Evaluons : 2 3 2 3
2 1 3 2 3 3 4 2 1 3
3 1 0 0
1 6 1
11 11 3 1 5 7 11 11 6 0 1 0 7
A1 4 11 3
2 5=6
2
4 1
74 3 2
2 5=6 7
11 0 1 5 11 11 4 1
11
3
11
0 5
0 0 1 0 0 1 6 4
0 2 4 0
2 3 11 11
2 1 3
3 1 0 0
1 6 0
11 11 1 0 7
Ainsi : Q1 = 4 3 2
2 5 et C1 = 6
4 1
7.
11 11
11
3
11
0 5
0 0 1 6 4
11 11
0
On refait la même chose pour A2 ; on aura donc :
-C4 C2 +3C4 C3 +2C4 C1
2 3 2 3
0 3 2 1 1 0 0 0
6 2 5 1 6 7 6 6 23 13 2 7
6 7 6 7
6 1 3 4 2 7 6 2 3 8 1 7
6 7 6 7
6 1 0 0 0 7 7 6 0 0 0 1 7
6 6 7
6 0 1 0 0 7 6 0 1 0 0 7
6 7 6 7
4 0 0 1 0 5 4 0 0 1 0 5
0 0 0 1 1 3 2 0
C1 -3C4 - 21 C4 C3 + 13 C C2 + 23
2 4
C
2 3 2 4
1 0 0 0
6 0 1 0 0 7
6 7
6 5 1 29 29 7
6 2 2 2 7
6 3 1 13 23 7
6 2 2 2 7
6 0 0 0 1 7
6 7
4 0 0 1 0 5
1 0 2 3
10 1 2
C1 + 29 C3 C2 + 29 C3 29 C3 C4 -C3
2 3
1 0 0 0
6 0 1 0 0 7
6 7
6 0 0 1 0 7
6 7
6 - 22 8 13 7
6 29 - 29 29 5 7
6 0 0 0 1 7
6 7
4 10 1 2
1 5
29 29 29
9 2 4
29 29 29
1

23
CHAPITRE 1. MATRICES

Evaluons
2 :22 3 2 3
8 13
5 2 3 22 8 13
5
29 29 29 0 3 2 1 6 29 29 29
6 0 0 0 1 7 0 0 0 1 7
A2 6 7=4 2 5 1 6 56 7
4 10 1 2
1 5 4 10 1 2
1 5
29 29 29 1 3 4 2 29 29 29
9 2 4 9 2 4
29 29 29
1 2 3 29 29 29
1
1 0 0 0
4
= 0 1 0 0 5
0 0 1 0
2 3
22 8 13
5 2 3
29 29 29 1 0 0 0
6 0 0 0 1 77
Ainsi Q2 = 6
4 et C2 = 4 0 1 0 0 5.
10
29
1
29
2
29
1 5
9 2 4 0 0 1 0
29 29 29
1

24
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
Soit A = : On appelle déterminant de A le nombre ad bc.
c d
a b
On note dét A ou .
c d
Exemple
1 3 1 3
A= ; det A = =2 ( 1) 3 4= 14
4 2 4 2

2.2 Déterminant d’une matrice carrée d’ordre 3

2 3
a11 a12 a13
Soit A = 4 a21 a22 a23 5. 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

2.2.1 Calcul d’un déterminant d’ordre 3 par la méthode de Sar-

rus
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 parallèlement 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 principale 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

25
CHAPITRE 2. CALCUL DE DÉTERMINANTS

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

2.2.2 Calcul du déterminant par le développement suivant une

ligne ou une colonne.
Dé…nition
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
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.
Exemple2 3
a11 a12 a13
Soit A = 4 a21 a22 a23 5
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
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
qui est : et son cofacteur est :
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
qui est : et son cofacteur est :
a31 a32
a21 a22 a21 a22
C13 = ( 1)1+3 = = X13 .
a31 a32 a31 a32

26
CHAPITRE 2. CALCUL DE DÉTERMINANTS

Methode
Developpement suivant la 1ere 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, 0 1
a12
développons det A suivant la 2ieme colonne de A qui est : @ a22 A , 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 .

Exemples pratiques
2 3 2 3
1 2 3 0 0 5
A=4 3 0 1 5, B = 4 4 1 2 5.
1 4 5 2 2 0
1 2 3
det A = 3 0 1 développons suivant la 2eme ligne.
1 4 5
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 1ere 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 = 72.
1 4
C’est plus long à calculer.
Développons det B suivant la 1ere 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 1ere colonne

27
CHAPITRE 2. CALCUL DE DÉTERMINANTS

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 2ieme 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 = ( 4) (10) (10) + 0 = 50.
2 2
C’est plus long à e¤ectuer que les précédents.
Remarques
(i) Quand l’on a choisi une ligne ou une colonne suivant laquelle le calcul du
déterminant 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 développé l’ordre de la matrice dont on calcule le déterminant
s’abaisse.

2.3 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 développons
suivant une ligne ou une colonne.

Exemple
2 3
1 0 2 0
6 2 3 1 4 7
A=6 4 3 2
7,
1 0 5
4 5 1 0
développons suivant la 4eme colonne ; det A :
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.

28
CHAPITRE 2. CALCUL DE DÉTERMINANTS

Aussi det A avec le développement suivant la deuxième ligne de A sera

bien long à écrire en e¤et :
1 0 2 0
2 3 1 4
det A =
3 2 1 0
4 5 1 0
0 2 0 1 2 0
det A = 2 ( 1)2+1 2 1 0 + 3 ( 1)2+2 3 1 0
5 1 0 4 1 0
1 0 0 1 0 2
+ ( 1) ( 1)2+3 3 2 0 + 4 ( 1)2+4 3 2 1 .
4 5 0 4 5 1
Théorème
Soit A = (aij )1 i; j n .
Déterminant de A développé par rapport à la i-ième ligne :
X
n
det (A) = ai1 Ci1 + ai2 Ci2 + ::: + ain Cin = aik Cik .
k=1
Déterminant de A développé par rapport à la j-ième colonne :
X
n
det (A) = a1j C1j + a2j C2j + ::: + anj Cnj = akj Ckj .
k=1
Remarque
Pour développer suivant les lignes ou les colonnes, il vaut mieux choisir celles
qui renferment le plus de zéros pour réduire le nombre de calculs.

2.4 Propriétés des déterminants

1) (i) Soient A et B deux matrices carrées d’ordre n sur un corps K(commutatif).
Alors on a : det (AB) = det A det B
(det (AB) = det A det B = det B det A = det (BA)).
Exemple2 3 2 3
1 2 3 0 0 5
Soit A = 4 3 0 1 5, B = 4 4 1 2 5
21 4 5 32 2 2 03 2 3
1 2 3 0 0 5 14 4 1
on a : AB = 4 3 0 1 54 4 1 2 5=4 2 2 15 5
1 4 5 2 2 0 6 14 13
14 4 1
det (AB) = 2 2 15 = 3600
6 14 13
on sait ausi 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.
(ii) 8 2 K; 8A 2 Mn (K), alors det ( A) = ordre(A) det A = n det A.
Exemple0 0 11 0 1
1 2 3 1 2 3
det @2 @ 0 3 1 AA = 23 det @ 0 3 1 A.
0 0 2 0 0 2
(iii) Soit A 2 Mn (K), det (A) = det (t A).

29
CHAPITRE 2. CALCUL DE DÉTERMINANTS

2) 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.
Exemples
0 1
1 2 3
A=@ 0 3 1 A;
0 0 2
1 2 3
det A = 0 3 1 = 1 3 ( 2) = 6.
0 0 2
2 3
2 0 0 0
6 0 3 0 0 7
B=6 4 0 0
7;
1 0 5
0 0 0 5
2 0 0 0
0 3 0 0
det B = = 2 3 ( 1) ( 5) = 30.
0 0 1 0
0 0 0 5
2 3
1 0 0 0
6 0 1 0 0 7
I4 = 64 0 0 1 0 5
7

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
3) Le déterminant ne change pas quand on ajoute à une ligne une combinaison
des autres lignes ; en particulier, on peut remplacer une ligne par la somme de
toutes les lignes ou encore ajouter à une ligne multiplié par une autre ligne où
est un scalaire non nul.
(Dans la propriété 3) en remplacant ligne(s) par colonne(s), on a le même résultat).

Exemple
1 2 3
det A = 3 0 1 ; en ajoutant à la 3eme ligne, deux fois la 1ere ligne, on a :
1 4 5
1 2 3
det A = 3 0 1 , je développe par rapport à la 2eme colonne,
3 0 11
3 1
det A = ( 2) = 2 (33 + 3) = 72.
3 11

Remarque
Il est plus intéressant de faire des manipulations (légitimes) qui font
apparaître des zéros dans le déterminant a…n d’en faciliter le
calcul(voir supra).

30
CHAPITRE 2. CALCUL DE DÉTERMINANTS

4) Le déterminant d’une matrice dont une ligne ou une colonne est formée 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
1 2 3
det A = 3 6 1 = 0, car la 2eme colonne est égale à deux fois la
1 2 5
ere
1 colonne.
5) Le déterminant est linéaire en ses lignes et colonnes respectivement.
(pour ne pas dire multilinéaire suivant les lignes ou les colonnes)
Cela signi…e : étant donnée A une matrice carrée 2 d’ordre3 n ; on a :
L1
6 L2 7
6 7
6 L3 7
6 . 7
6 7
A = C1 C2 C3 Ci Cn = 6 .. 7 ; 1 i n.
6 7
6 Li 7
6 . 7
4 .. 5
Ln
0
(i) det C1 C2 C3 Ci + Ci Cn =
det C1 C2 C3 Ci Cn + det C1 C2 C3 Ci0 Cn
2 3 2 3 2 3
L1 L1 L1
6 L2 7 6 L2 7 6 L2 7
6 7 6 7 6 7
6 L3 7 6 L3 7 6 L3 7
6 .. 7 6 . 7 6 . 7
6 7 6 7 6 7
ou (i0 ) det 6 . 7 = det 6 .. 7 + det 6 .. 7.
6 7 6 7 6 7
6 Li + L0i 7 6 Li 7 6 L0i 7
6 .. 7 6 . 7 6 . 7
4 . 5 4 .. 5 4 .. 5
Ln Ln Ln
Exemples
2 a + b b2 2 a b2 2 b b2
(i) a a b2 b = a a b + a b2 b
2 3 2 3 2
a a + b ab a a ab a b ab
2
2 b b 2 a b2
= a a b + a b2 b
2 2
a b ab a a3 ab
avec a; b 2 K un corps.
2 b2 a + b b 2 + b 2 a b2 b2 b b
(i0 ) a a b = a a b + a a b
a2 a3 ab a2 a3 ab a2 a3 ab
b2 a b 2 b b2
= a a b + a a b
2 3
a a ab a2 a3 ab
avec a; b 2 K un corps.

31
CHAPITRE 2. CALCUL DE DÉTERMINANTS

(ii)
det C1 C2 C3 Ci Cn = det C1 C2 C3 Ci Cn ;
2 3 2 K un corps.
2 3
L1 L1
6 L2 7 6 L2 7
6 7 6 7
6 L3 7 6 L3 7
6 . 7 6 . 7
6 7 6 7
ou (ii)0 det 6 .. 7 = det 6 .. 7 ;
6 7 6 7
6 Li 7 6 Li 7
6 . 7 6 . 7
4 .. 5 4 .. 5
Ln Ln
2 K un corps.
Exemple
1 2 17 3 1 2 3
(ii) 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
0
(ii) 3 0 1 = ( 23) 3 0 1
3 0 11 3 0 11
6) Le déterminant une forme alternée : cela signi…e étant donnée A une matrice
carrée2 d’oredre
3 n à coe¢ ents dans K, det A 2 K, et avec
L1
6 L2 7
6 7
6 L3 7
6 7
6 .. 7
6 . 7
6 7
A=6 L 7
6 . i 7 = C1 C2 C3 Ci Cj Cn ; 1 i; j n.
6 .. 7
6 7
6 L 7
6 j 7
6 . 7
4 .. 5
Ln
2 3 2 3
L1 L1
6 L2 7 6 L2 7
6 7 6 7
6 L3 7 6 L3 7
6 7 6 7
6 .. 7 6 .. 7
6 . 7 6 . 7
6 7 6 7
det A = det C1 C2 C3 Ci Cj Cn = det 6 Li 7 = det 6 Lj
6 . 7 6 .
7
7
6 .. 7 6 .. 7
6 7 6 7
6 L 7 6 L 7
6 j 7 6 i 7
6 . 7 6 . 7
.
4 . 5 4 .. 5
Ln Ln

32
CHAPITRE 2. CALCUL DE DÉTERMINANTS

2 3 2 3
L1 L1
6 L2 7 6 L2 7
6 7 6 7
6 L3 7 6 L3 7
6 7 6 7
6 .. 7 6 .. 7
6 . 7 6 . 7
6 7 6 7
, det 6
6
Lj 7=
7 det 6
6
Li 7=
7 det A
6 .. 7 6 .. 7
6 . 7 6 . 7
6 Li 7 6 Lj 7
6 7 6 7
6 .. 7 6 .. 7
4 . 5 4 . 5
Ln Ln
det A = det C1 C2 C3 Ci Cj Cn
det A = det C1 C2 C3 Cj Ci Cn ,
det C1 C2 C3 Cj Ci Cn = det A ; 1 i; j n.
Tout ceci signi…e que lorsqu’on permute deux lignes (ou deux colonnes) dans
un déterminant le déterminant est changé en son opposé.

Exemple
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
car j’ai permuté la 2ieme et la 3ieme lignes.
M N
7) Soient M 2 Mr (K), N 2 Mrs (K) et P 2 Ms (K) alors = jM j jP j.
0 P
A1
0 A2 Y
n
8) Soient Ai 2 Mri (K) où 1 i n, alors .. = jAi j.
0 0 . i=1
0 0 0 An
9) Si deux matrices A; B 2 Mn (K) sont semblables, i.e. A = P 1 BP .
8m 2 K, 8k 2 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
1)Lorsque deux matrices carrées sont semblables, elles ont nécessairement
les mêmes trace, rang et déterminant. Mais cela ne su¢ t pas pour être semblables.
2)Ausi 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.

Remarque
2 1 0 1
Voici deux matrices carrées A = ,B=
1 ,
1 2
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 1 =
2
1 2
1 1 0
1 2 2 1 0 1
= .
0 0 1 0 0 0

33
CHAPITRE 2. CALCUL DE DÉTERMINANTS

1 0 2 1
Soit P = 1 ,Q= , ce sont deux matrices
2
1 1 0
inversibles et on a : P AQ = B, donc A et B sont équivalentes,
mais seraient semblables si P 1 = Q, alors qu’avec
1 0 1 0
P 1 = 1 P = I2 , on a
2
1 2
1
1 0 2 1
P 1= 1 6= Q = , donc on peut conclure
2
1 1 0
que A et B ne sont 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 su¢ santes.

2.5 Inverse d’une matrice carrée

Dé…nition
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.
Exemple
1 3
2 3
A= . On véri…e que pour B = 51 52 ,
1 1 5 5
on a : AB = BA = I2 .
Donc A est inversible et B est inverse de la matrice A.
Dé…nition
Etant données deux matrices A et B tel que AB = BA, on dit que A et B commutent.
Proposition
Deux matrices qui commutent sont carrées de même ordre.
Théorème
Une matrice carrée A est inversible si et seulement si son déterminant est non nul.
Si A est inversible, son inverse est unique et inversible.
1
On la note A 1 et on a : det (A 1 ) = = (det A) 1 .
det A
Exemple
2 3 1 32
A= , det A = 2 6= 0 donc A est inversible, avec B = ,
2 2 1 1
2 3 1 23 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
Proposition
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.

2.5.1 Propriétés de la matrice inverse

Si A et B sont inversibles de même ordre, on a :

34
CHAPITRE 2. CALCUL DE DÉTERMINANTS

1
1. (A 1 ) = A
2. ( A) 1 = 1 :A 1 , où 2 K .
1
3. (t (A 1 )) = (t (A))
1
4. (AB) = B 1 A 1 .
Exercice
Montrer que :
1. A (In + A) 1 = (In + A) 1 A, Si (In + A) est inversible avec A 2 Mn (K).
2. A (In + A) 1 + (In + A) 1 = In , Si (In + A) est inversible avec A 2 Mn (K).
3. A (In + BA) 1 = (Im + AB) 1 A, si A 2 Mmn (K) et B 2 Mnm (K) avec
(In + BA) et (Im + AB) sont inversibles.
4. En déduire que : (Im + AB) 1 + A (In + BA) 1 B = Im .
Proposition de réponse.
1. (In + A) (In + A) 1 = In ) A (In + A) (In + A) 1 = A:In = A )
(A + A2 ) (In + A) 1 = A , (In + A) A (In + A) 1 = A ,
(In + A) 1 (In + A) A (In + A) 1 = (In + A) 1 A ,
In :A (In + A) 1 = (In + A) 1 A , A (In + A) 1 = (In + A) 1 A.
2. Evaluons : (In + A) 1 + (In + A) 1 A = (In + A) 1 (In + A) = In .
3. (In + BA) (In + BA) 1 = In ) A (In + BA) (In + BA) 1 = A:In = A
, (A:In + A (BA)) (In + BA) 1 = A , (Im :A + (AB) A) (In + BA) 1 = A
, (Im + AB) A (In + BA) 1 = A ,
(Im + AB) 1 (Im + AB) A (In + BA) 1 = (Im + AB) 1 A ,
(Im A) (In + BA) 1 = (Im + AB) 1 A , A (In + BA) 1 = (Im + AB) 1 A.
4. Evaluons (Im + AB) 1 + A (In + BA) 1 B = (Im + AB) 1 + (Im + AB) 1 AB
d’après la question 3. De là, on a :
(Im + AB) 1 + A (In + BA) 1 B = (Im + AB) 1 + (Im + AB) 1 AB
= (Im + AB) 1 (Im + AB) = Im .

2.5.2 Inversion d’une matrice par sa comatrice

Dé…nition
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 ieme ligne et la j eme 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
appelée la comatrice de A. le determinant extrait Xij est appelé le mineur de aij .
Exemple 2 3
a11 a12 a1(j 1) a1j a1(j+1) a1n
6 a21 a22 a2(j 1) a2j a2(j+1) a2n 7
6 .. .. .. .. .. .. 7
6 7
6 . . . . . . 7
6 7
6 a(i 1)1 a(i 1)2 a(i 1)(j 1) a(i 1)j a(i+1)(j+1) a(i 1)n 7
Avec A = 6 7,
6 ai1 ai2 ai(j 1) aij ai(j+1) ain 7
6 7
6 a(i+1)1 a(i+1)2 a(i+1)(j 1) a(i+1)j a(i+1)(j+1) a(i+1)n 7
6 .. .. .. .. .. .. 7
4 . . . . . . 5
an1 an2 an(j 1) anj an(j+1) ann

35
CHAPITRE 2. CALCUL DE DÉTERMINANTS

a11 a12 a1(j 1) a1(j+1) a1n

a21 a22 a2(j 1) a2(j+1) a2n
.. .. .. .. ..
. . . . .
Xij = a(i 1)1 a(i 1)2 a(i 1)(j 1) a(i+1)(j+1) a(i 1)n .
a(i+1)1 a(i+1)2 a(i+1)(j 1) a(i+1)(j+1) a(i+1)n
.. .. .. .. ..
. . . . .
an1 an2 an(j 1) an(j+1) ann
On constate que 81 i; j n, Cij = Xij si (i + j) est pair et
Cij = Xij si (i + j) est impair.
Exemple
2 pratique 3
1 3 2
A=4 0 1 3 5. 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 1 2
Le cofacteur de a32 = 5 est C32 = ( 1)3+2 = 3, on a X32 = .
0 3 0 3
Ainsi de suite. 2 3
9 3 1
La comatrice de A est donc comA = 4 8 4 2 5.
7 3 1

2.5.3 Démontration de la méthode d’inversion d’une matrice

par sa comatrice
En reprenant la formule du déterminant de A développé par rapport
à la i-ième ligne : det (A) = ai1 Ci1 + ai2 Ci2 + ::: + ain Cin .
Remplaçons les aij , 81 j n, par ceux d’une autre ligne,
disons la k-ième ligne, avec k 6= i, nous obtenons :
det (A0 ) = ak1 Ci1 + ak2 Ci2 + ::: + akn Cin = 0, car A0 n’est rien d’autre que
la matrice A dans laquelle la i-ième ligne est remplacer par la k-ième ligne, avec k 6= i,
donc A0 a deux lignes identiques : la i-ième ligne et la k-ième ligne, avec k 6= i,
ainsi det (A0 ) développé suivant la i-ième ligne est :
det (A0 ) = ak1 Ci1 + ak2 Ci2 + ::: + akn Cin et est égal à 0, car dans det (A0 ),
il y a deux lignes identiques.
En résumé,
det (A) si i = k
on a : ak1 Ci1 + ak2 Ci2 + ::: + akn Cin = .
0 si i 6= k 2 3
C11 C12 C1n
6 C21 C22 C2n 7
6 7
Considérons la matrice des cofacteurs com (A) = C = 6 .. . . 7.
4 . . 5
Cn1 Cn2 Cnn
2 3 2 3
a11 a12 a1n C11 C21 Cn1
6 a21 a22 7 6
a2n 7 6 C12 C22 Cn2 7
6 7
Evaluons A: (t C) = 6 .. . . 7 : 6 .
. . . 7
4 . . 5 4 . . 5
an1 an2 ann C1n C2n Cnn

36
CHAPITRE 2. CALCUL DE DÉTERMINANTS

2 3
det (A) 0 0
6 . .. 7
6 0 det (A) . . . 7
=6 .. .. .. 7 = det (A) In .
4 . . . 0 5
0 0 det (A)
car dans le produit A: (t C), l’élément de la i-ième ligne et de la j-ième colonne est :
det (A) si i = j
ai1 Cj1 + ai2 Cj2 + ::: + ain Cjn = .
0 si i 6= j
On a (t C) :A = A: (t C) = det (A) In .
Proposition
Pour tout A 2 Mn (K), on a :
(det A) :In = A:com (t A) = com (t A) :A = A (t comA) = (t comA) :A
car (t comA) = com (t A).
Théorème
1 1
Si A est une matrice inversible alors 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.
Remarque
det (Aij )
En somme, si A est inversible d’ordre n, (A 1 )ji = , où 1 i; j n et
det A
ij
A est la matrice obtenue en supprimant la ligne i et la colonne j de A.
1 det (Aij ) 1 det (Aji )
Aussi (A )ji = , (A )ij = avec 1 i; j n et
det A det A
ji
A est la matrice obtenue en supprimant la ligne j et la colonne i de A.
Dé…nition
Pour tout A 2 Mn (K), la matrice (t comA) = com (t A) s’appelle la matrice
adjointe de A.
Remarque
1
Soit une matrice inversible A, son inverse est notée A 1 6= qui n’existe pas.
A

Exemple
2 3
1 0 1
Soit A = 4 3 1 5 5, A est -elle inversible ?
2 3 6
1 0 1 0 0 1
det A = 3 1 5 = 2 1 5 = 2, à la 1ere colonne, j’ai fait la
2 3 6 4 3 6
1ere colonne plus la 3eme colonne a…n d’avoir plus de zéro dans mon déterminant
pour ne pas avoir beaucoup de termes à développer. Comme det A = 2 6= 0,
alors A est inversible.
1 1 1
A = com (t A) = (t com (A)).
det
2 A 3 det A
1 3 2
(t A) = 4 0 1 3 5,
12 5 6 3
9 3 1
com (t A) = 4 8 4 2 5 = (t com (A)).
7 3 1

37
CHAPITRE 2. CALCUL DE DÉTERMINANTS

2 3 2 9 3 1
3
9 3 1
1 2 2 2
A 1
= 4 8 4 2 5=4 4 2 1 5.
2 7 3 1
7 3 1 2 2 2

2.6 Rang d’une matrice

Proposition
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.
Exemples 2 3
1 2 3 4 5 6
1)Soit A = 4 4 9 15 1 8 7 5 ; alors rg (A) 3.
1
71 45 0 17
0 2 1
1 2 3 4
B 1 5 7 C
2) Soit A = B C
@ 17 1 3 11 A ) det (A) = 36 99 6= 0
1
2
8 9 10
) rg (A) = 4.
Proposition
Soit A = (aij ) 1 i n alors rgA est le plus grand entier naturel s
1 j m
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).
Exemple
2 0 5 1 2 0
A= , on a = 4 6= 0 comme 2 rgA,
1 2 3 1 1 2
donc rgA = 2.
Remarque
rg (A) = 0 , toutes les composantes de la matrice A sont nulles.

38
Chapitre 3

RÉSOLUTION D’UN SYSTEME

D’EQUATIONS LINÉAIRES

Dé…nitions
(i) De maniére générale, on appelle équation linéaire d’inconnues x1 ; ... ; xn
(une combinaison linéaire des x1 ; ... ; xn égaliant b)
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.
(ii) Résoudre une équation signi…e donc la rendre explicite, c’est-à-dire
rendre plus apparentes les valeurs que les inconnues peuvent prendre.
(iii) Une solution de l’équation linéaire (E) est un n-uple (s1 ; ::::; sn ) de
valeurs respectives des inconnues x1 ; ... ; xn qui satisfont l’équation (E).
Autrement dit : a1 s1 + ::: + an sn = b.
Exemple
2x1 + 4x2 3x3 = 9 est une équation linéaire d’inconnues x1 , x2 , x3 .
Dé…nition
Un ensemble …ni d’équations linéaires d’inconnues x1 ; ... ; xn s’appelle
un système d’équations linéaires d’inconnues x1 ; ... ; xn .
Exemples
x1 3x2 + x3 = 1
(i) (S1 ) , (S1 ) est un système de deux équations
2x1 + 4x2 3x3 = 9
à trois inconnues
8 : x1 , x2 , x3 .
< x1 3x2 = 1
(ii) (S2 ) , x2 3x3 = 9 (S2 ) est un système de trois équations
:
x4 3x5 = 8
à cinq inconnues : x1 , x2 , x3 , x4 , x5 .
(iii) Le système
x1 3x2 + x3 = 1
2x1 + 4x2 3x3 = 9
admet comme solution
x1 = 18; x2 = 6; x3 = 1.
Par contre
x1 = 7 ; x 2 = 2 ; x3 = 0
ne satisfait que la première équation. Ce n’est donc pas une solution

39
CHAPITRE 3. RÉSOLUTION D’UN SYSTEME D’EQUATIONS LINÉAIRES

du système.
Dé…nition
Un système d’équations est dit incompatible ou inconsistant s’il n’admet
pas de solutions, c’est-à-dire que l’ensemble solution c’est l’ensemble vide.
Exemple
Le système linéaire
x1 + x2 = 1
2x1 + 2x2 = 1
est clairement incompatible donc SR2 = fg = ?.
Dé…nitions
Soient n; m 1.
On appelle système de m équations à n inconnues tout système (S) de la
forme :8
>
> a11 x1 + a12 x2 + ::: + a1n xn = b1 (E1 )
>
< a21 x1 + a22 x2 + ::: + a2n xn = b2 (E2 )
(S) , .. .. .. ,
>
> . . .
>
: a x + a x + ::: + a x
m1 1 m2 2 mn n = b (E )
m m
où aij ; bi sont des scalaires donnés ; x1 ; x2 ; :::; xn sont des inconnues et
(Ei ) la i-ième équation de (S) ; 81 i m.
(i) 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 coé¢ cients de
l’inconnue xj dans les di¤érentes équations du système de la première équation(E1 )
à la dernière équation(Em ) ; 81 j n.
(ii) Les (bi )1 i m sont les seconds membres de (S) , et (S) est dit homogène si bi = 0
81 i m.
Ecriture 2matricielle3 2 (S). 3
de
x1 b1
6 .. 7 6 .. 7
Soit X = 4 . 5 ; B = 4 . 5. Alors (S) () AX = B.
xn bm
Exemples
1)Considérons
8 le système linéaire
< x1 + 7x3 = 1
(S) , 2x1 x2 + 5x3 = 5
:
x1 3x2 9x3 = 7
Sa matrice2 associée est 3
1 0 7
A= 4 2 1 5 5;
2 31 32 9 3
x1 1
4
X = x2 ; B = 5 4 5 5. Alors (S) () AX = B
x3 7
2)Considérons
8 le système linéaire homogène
< x1 + 7x3 = 0
(S) , 2x1 x2 + 5x3 = 0
:
x1 3x2 9x3 = 0
Sa matrice associée est

40
CHAPITRE 3. RÉSOLUTION D’UN SYSTEME D’EQUATIONS LINÉAIRES

2 3
1 0 7
A=4 2 1 5 5;
2 31 32 93
x1 0
X = 4 x2 5 ; B = 4 0 5. Alors (S) , AX = B = 0M31 (R) .
x3 0

3.1 Résolution du système (S) avec la matrice aug-

mentée
Je rappelle
8 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
Dé…nition
Nous obtenons la matrice augmentée associée au système (S) en
adjoingnant 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
2 matrice augmentée associée3 au système (S) est alors :
a11 a12 a1n b1
6 a21 a22 a2n b2 7
6 7
6 .. .. .. .. .. 7 = A B ;
4 . . . . . 5
am1 am2 amn bm
2 3
a11 a12 a1n
6 a21 a22 a2n 7
6 7
où A = 6 .. .. .. .. 7 la matrice associée à (S)
4 . . . . 5
am1 am2 amn
2 3
b1
6 b2 7
6 7
et B = 6 .. 7 la matrice colonne des seconds membres de (S).
4 . 5
bm
Exemple
Considérons
8 le système linéaire
< x 1 + 7x 3 = 1
2x1 x2 + 5x3 = 5
:
x1 3x2 9x3 = 5
Sa
2 matrice augmentée 3 est
1 0 7 1
4 2 1 5 5 5= A B ;
1 23 9 5 3
1 0 7
où A = 4 2 1 5 5 la matrice associée à (S)
1 3 9

41
CHAPITRE 3. RÉSOLUTION D’UN SYSTEME D’EQUATIONS LINÉAIRES

2 3
1
et B = 4 5 5 la matrice colonne des seconds membres de (S).
5
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.
Proposition
Soit (S) , AX = B, si A B ' A0 B 0 alors (S) , A0 X = B 0 .
Exemple
Utilisons
8 ces opérations élémentaires pour résoudre le système suivant.
< x1 + x2 + 7x3 = 1
(S) , 2x1 x2 + 5x3 = 5
:
x1 3x2 9x3 = 5
La
2 matrice augmentée associée au système est :
3
1 1 7 1
4 2 1 5 5 5, on va chercher à échelonner réduire à ligne
1 3 9 5
canonique la matrice du système en faisant des opérations élémentaires
sur les lignes(que sur les lignes qui représentent les équations) de la
matrice
2 augmentée ; on3a : 2 3
1 1 7 1 1 1 7 1
4 2 1 5 5 5 4 0 3 9 3 5 L2 2L1
21 3 9 35 0 2 2 2 6 L3 + L1
3
1 1 7 1 1 1 7 1
4 0 1 3 1 5 1 L2 4 0 1 3 1 5
3
1
2 0 1 1 3 3 2 L3 20 0 2 2 3 L3 L2
1 0 4 2 L1 L2 1 0 0 2 L1 4L3
4 0 1 3 1 5 4 0 1 0 4 5 L2 3L3 .
1
0 0 1 1 L
2 3
02 0 1 312 3 2 3
1 0 0 x1 2
ce qui donne matriciellement : (S) , 4 0 1 0 5 4 x2 5 = 4 4 5 ,
8 0 0 1 x3 1
< x1 = 2
x2 = 4
:
x3 = 1
D’où SR3 = f(2; 4; 1)g.

42
CHAPITRE 3. RÉSOLUTION D’UN SYSTEME D’EQUATIONS LINÉAIRES

Nous remarquons que les opérations élémentaires peuvent être faites

uniquement sur la matrice augmentée pour revenir à la …n au système
d’équations. C’est ce que nous avons fait.
On obtient ainsi l’unique solution du système : x1 = 2, x2 = 4 et x3 = 1.
Donc SR3 = f(2; 4; 1)g.
Remarque très importante
Quand on …nit de résoudre une équation ou un systéme d’équations,
il faut toujours donné l’ensemble solution clairement.
Proposition
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

Dé…nition
Le système (S) est dit de Cramer, si dans le système (S) le nombre
d’équations est égal au nombre d’inconnues et det A 6= 0(, A est inversible).
où A est la matrice associée au système (S).

3.2.1 Résolution d’un système de Cramer par l’inversion de la

matrice associée au système
Théorème
Tout système de Cramer (S) admet une solution unique X = A 1 B.
Exemple 8
< x 2y + z = 3
( ), 2x y + z = 1
:
x y+z = 0 2 3
1 2 1
La matrice associée à ( ) est A = 4 2 1 1 5
1 1 1
et det (A) =23 6= 0 ; c’est donc
3 un système de Cramer.
0 13 31
A 1 = 4 1 23 31 5,
2 31 1 12 3 2 32 3 2 1 3
x 3 0 31 31 3 3
4
on a alors y = A5 14 5
1 = 4 2
1 3 3 1 54
1 5 = 4 37 5.
z 0 1 1 1 0 2
1 7
Donc SR3 = ; ; 2 .
3 3

43
CHAPITRE 3. RÉSOLUTION D’UN SYSTEME D’EQUATIONS LINÉAIRES

3.2.2 Résolution d’un système de Cramer par des déterminants

8
>
> a11 x1 + a12 x2 + ::: + a1n xn = b1
>
< a21 x1 + a22 x2 + ::: + a2n xn = b2
Soit ( ) , .. .. .. ,
>
> . . .
>
: a x + a x + ::: + a x
n1 1 n2 2 nn n = bn
un système de n équations à n inconnues de Cramer.
On appelle déterminant du système ( ) le nombre = det A, où A est
la matrice associée a ( ).
On appelle déterminant de xi le nombre xi égal au déterminant de
la matrice obtenue en remplaçant dans A la ieme colonne par les éléments
respectifs des seconds membres c’est-à-dire b1 ; b2 ; :::; bn .
Théorème
x1 x2 xn
( ) étant de Cramer, SKn = ; ; ::::; c’est-à-dire
que ( ) admet une solution unique.
Exercice
8
< x 2y + z = 3
( ), 2x y + z = 1 .
:
x y+z = 0
Réponse 2 3
1 2 1
La matrice associée à ( ) est A = 4 2 1 1 5,
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
1 7
Donc SR3 = ; ; 2 .
3 3

3.3 Résolution d’un système avec le rang de la ma-

trice 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 ) ()

44
CHAPITRE 3. RÉSOLUTION D’UN SYSTEME D’EQUATIONS LINÉAIRES

8
> b (a1r+1 xr+1 + a1r+2 xr+2 + ::: + a1n xn )
>
>
> a11 x1 + a12 x2 + ::: + a1r xr = |1 {z }
>
> c1 (xr+1 ; xr+2 ; :::; xn )
>
>
>
> b (a2r+1 xr+1 + a2r+2 xr+2 + ::: + a2n xn )
>
< a21 x1 + a22 x2 + ::: + a2r xr |2 {z }
=
c2 (xr+1 ; xr+2 ; :::; xn )
>
> .. .. ..
>
> . . .
>
>
>
> bm
(amr+1 xr+1 + amr+2 xr+2 + ::: + amn xn )
>
> | {z }
>
: am1 x1 + am2 x2 + ::: + amr xr =
cm (xr+1 ; xr+2 ; :::; xn )
Soit A0 = (aij )1 i; j r avec r = rgA0 donc det A0 6= 0
0
(s ) est un système de Cramer qu’on doit résoudre avec les (xr+i )1 i (n r)
comme inconnues secondaires(c’est-à-dire des paramètres).
2eme cas : r < m (voir système échelonné à la suite).
Dé…nition(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
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 coe¢ cients
…gurant en-dessous de la diagonale sont nuls.
Cela revient à dire que 8i > 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
8 qu’il est trigonal).
> a11 x1 + a12 x2 +
> +a1n xn = b1
>
< a22 x2 + +a2n xn = b2
... ..
>
> .
>
: ann xn = bn
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 e¤et 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)

45
CHAPITRE 3. RÉSOLUTION D’UN SYSTEME D’EQUATIONS LINÉAIRES

!
1 X
n
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 coe¢ cient 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 véri…ée, le système n’admet pas de solutions ;
si au contraire cette condition est véri…ée, toute solution de xk convient
et l’on peut poursuivre l’algorithme. Il y a alors une in…nité 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 coe¢ cients
diagonaux sont non nuls.
(b) Si8 m < n : on a :
>
> a11 x1 + a12 x2 + +a1n xn = b1
>
< a22 x2 + +a2n xn = b2
. .. .. .. :
>
> . .
>
: a x
mm m =b m
Dans ce cas, on …xe arbitrairement les valeurs des variables xm+1 à xn .
On est alors ramené au cas précédent, simple à résoudre lorsque tous
les coe¢ cients diagonaux sont non nuls, nécessitant une discussion sinon.
(c) Si m > n :
8
> 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 véri…ées, on se ramène au cas ci-dessus. D’où, là encore,
l’intérêt de l’obtention de coe¢ cients diagonaux non nuls.
Exemple 8 8
< 2x y z = 1 (E1 ) < 2x y z = 1 (E1 )
Soit (S) , 3x + 4y 2z = 0 (E2 ) , 6y 6z = 1 (E2 E3 )
: :
8 3x 2y + 4z = 1 (E3 ) y 11z = 5 (3E1 2E3 )
1
< 2x y z = 1 (E1 ) ) x = 10
, 6y 6z = 1 (E2 ) ) y = 1960
.
: 29
60z = 29 (6E3 E2 ) ) z = 60

46
CHAPITRE 3. RÉSOLUTION D’UN SYSTEME D’EQUATIONS LINÉAIRES

1 19 29
Donc SR3 = ; ; .
10 60 60

3.5 Calcul de l’inverse d’une matrice par la résolution

de systèmes
3.5.1 Une première méthode(mais souvent fastidieuse)
Soit A = (aij )1 i; j n une matrice inversible, B = (xij )1 i; j n
son inverse, alors AB = In .
Pour
2 trouver
3 2 la 1ere
3 colonne de B, on résoud le système :
x11 1
6 x21 7 6 0 7
6 7 6 7
A 6 .. 7 = 6 .. 7.
4 . 5 4 . 5
xn1 0
eme
Pour
2 trouver la3j 2colonne 3 de B,on résoud le système :
x1j 0
6 x 2j 7 6 .. 7
6 7 6 . 7
6 .. 7 6 7
6 . 7 6 0 7
6 7 6 7
A6 xjj 7 = 6 1 7 ! seule la j eme coordonnée est égale à 1.
6 7 6 7
6 x(j+1)j 7 6 0 7
6 .. 7 6 7
4 . 5 4 ... 5
xnj 0

3.5.2 Une deuxième méthode

:
Exercice 2 3
1 1 1
Soit A = 4 1 1 0 5, montrer que A est inversible et déterminer A 1 .
1 0 1
Réponse 2 3 2 3
x1 y1
det A = 3 6= 0 ) A est inversible ; soit X = 4 x2 5 ; Y = 4 y2 5,
x3 y3
1 0
puisque que si A est inversible
2 on a 3: (S)
2 ,3AX 2= Y , 3 X = A Y , (S ).
1 1 1 x1 y1
(S) , AX = Y () 4 1 1 0 5 4 x2 5 = 4 y2 5 ()
8 1 0 1 x3 y3
< x1 + x2 + x3 = y 1
(S) , x1 x2 = y2 ()
:
8 x1 x3 1 = y3
< x1 = 3 y1 + 31 y2 + 13 y3
0
(S ) , x2 = 13 y1 2
y + 13 y3 , X = A 1 Y
3 2
:
x3 = 13 y1 + 31 y2 2
y
3 3
0
La matrice associée à (S ) est l’inverse de A donc :

47
CHAPITRE 3. RÉSOLUTION D’UN SYSTEME D’EQUATIONS LINÉAIRES

2 1 1 1
3
3 3 3
A 1
=4 1
3
2
3
1
3
5.
1 1 2
3 3 3
Remarques
Le système (S) a pour matrice associée A la matrice dont
on cherche l’inverse A 1 , et on constitue deux matrices colonnes
d’inconnues X et Y en posant (S) , AX = Y dès lors les composantes de X
sont appelées les anciennes inconnues et celles de Y , les nouvelles. Comme
A est inversible, on a : (S) , AX = Y , X = A 1 Y , (S 0 ). Dans le système
(S 0 ) on a exprimé les anciennes inconnues en fonction des nouvelles et alors
la matrice associée à (S 0 ) est visiblement l’inverse de A c’est-à-dire A 1 .
Exercice 2 3
1 2 0
Montrer que la matrice A = 4 2 1 0 5 est inversible et calculer son inverse par
0 5 1
trois méthodes di¤érentes.
Proposition de correction
Inversion de A si possible à l’aide de trois méthodes :
1ere Méthode d’inversion par la comatrice de A
Calculons le déterminant de A :
1 2 0
det A = 2 1 0 = 5 6= 0 ) A est inversible et
0 5 1
1 1
A 1= com (t A) = (t comA)
2 det A 3 det A
1 2 0
A=4 2 1 0 5)
20 5 1 3 2 3
1 2 0 1 2 0
(t A) = 4 2 1 5 5 ) com (t A) = 4 2 1 0 5
0 0 1 2 10 53 5
1 2 0
1 14
et A = 1 t
com ( A) = 2 1 0 5
det A 5
2 1 2 3 10 5 5
5 5
0
= 4 2 1
0 5 = A 1.
5 5
2 1 1
ieme
2 Méthode par les opérations élémentaires sur A I3 :
J’ai choisi de faire les opérations élémentaires sur les lignes de A I3 .
A
Mais on aurait pu faire les opérations élémentaires sur les colonnes de
I3
je
2 vous y invite. 3 2 3
1 2 0 1 0 0 1 2 0 1 0 0
4 2 1 0 0 1 0 5'4 0 5 L1
0 2 1 0 5
L2 + 2L1
20 5 1 0 0 1
1 2
3 0 5 1 0 0 1
1 0 0 5 5
0 L1 + 25 L2
'4 0 1 0 2
5
1
5
0 5 1
L
5 2
0 0 1 2 1 1 L3 L2

48
CHAPITRE 3. RÉSOLUTION D’UN SYSTEME D’EQUATIONS LINÉAIRES

2 1 2
3 2 1 2 3
1 0 0 5 5
0 5 5
0
' 4 0 1 0 25 15 0 5 ) A 1 = 4 25 15 0 5.
0 0 1 2 1 1 L3 2 1 1
ieme 1
3 Méthode l’établissement de 2 (S)3, AX 2 0=3Y en (S) , X = A Y :
x x
Soit le système : AX = Y , A y = y 0 5 = Y
4 5 4
8 8 z z0
< x + 2y = x0 < x = 51 x0 + 25 y 0
, 2x + y = y 0 , y = 25 x0 + 15 y 0 , (S 0 )
: 0 :
5y z = z z 2= 2x0 + y 0 z 03
1 2
5 5
0
0
La matrice associé à (S ) est 4 2 1
0 5 c’est l’inverse de A
5 5
2 1 1
1
c’est-à-dire A . Car avec A inversible ; on a :
AX = Y , X = A 1 Y .

49
Chapitre 4

ESPACES VECTORIELS

4.1 Introduction
!
Dans P l’ensemble des vecteurs du plan, on a :
! !
(i) 8!u ;!
v 2 P;! u +! v 2 P on dit que "+" est une loi de
!
composition interne sur P avec les propriétés suivantes :
!
(1) !u + (!v +! w ) = (!u +! v)+! w ; 8!
u ;!v ;!
w 2 P.
!
On dit que la loi "+" est associative dans P
! ! ! ! !
(2) Le vecteur 0 2 P véri…e : 8! u 2 P; ! u + 0 = 0 +! u =! u.
!
On dit que la loi "+" admet un élément neutre dans P qui est ici
! ! !
0 2 P dit vecteur nul de P .
! ! !
(3) 8!u 2 P , on a : ( ! u ) 2 P et ! u +( ! u)=( ! u)+! u = 0.
!
On dit que tout élément ! u 2 P admet un symétrique unique qui est
!
( ! u) 2 P.
!
(4) !u +! v =! v +! u ; 8!u ;! v 2 P.
!
On dit que la loi "+" est commutative dans P
!
Dès lors, on dit que P ; + est un groupe commutatif ou abélien
! !
(ii) 8 2 (R; +; ), 8! u 2 P, ! :u = ! u 2 P on dit que ":" est
!
une loi de composition externe sur P au moyen du corps (R; +; )
avec les propriétés suivantes :
!
(5) 1!u =! u , 8! u 2 P .(1 est l’élément neutre de (R; ))
!
(6) ( ! u)=( )! u , 8!u 2 P , 8 ; 2 R.
!
(7) (! u +! v)= ! u + ! v ; 8 2 K; 8! u ;!v 2 P.
!
(8) ( + ) ! u = ! u + ! u , 8 ; 2 R, 8! u 2 P.
!
On a ainsi une structure d’espace vectoriel sur P et
!
on dit que P ; +; : est un R-espace vectoriel.
Dans la suite on va généraliser la situation ci-dessus dans le sens :
!
1. Remplacer P par un ensemble non vide E, qui muni de "+" loi de
composition interne sur E et ":" loi de composition externe sur E au
moyen d’un corps (K; +; (notée aussi ":")) quelconque. Ici K =(R ou C).
Tel que conformément aux éléments de E on a les propriétés (1) à (8).
et ainsi avoir encore une structure d’espace vectoriel sur E et dire
alors (E; +; :) est un K-espace vectoriel.

50
CHAPITRE 4. ESPACES VECTORIELS

2. On pourrait aussi changer diversement les symboles des lois qui sont en jeu
dans 1. par exemple : (E; +; :) qui devient (E; ; ) et (K; +; (notée aussi ":"))
devant (K; ~; |) avec les propriétés (1) à (8) assurées, et ainsi avoir encore
une structure de K-espace vectoriel sur E.

4.2 Dé…nition d’un espace vectoriel

Dé…nition
Un groupe commutatif (E; +) est un ensemble E 6= ? muni d’une loi de
composition interne (x + y) 2 E, dé…nie pour tous éléments x et y de E,
ayant les propriétés suivantes :
(1) Associativité : x + (y + z) = (x + y) + z; 8x; y; z 2 E
(2) Il existe un élément neutre 0 2 E qui véri…e : 8x 2 E; x + 0 = 0 + x = x.
(3) Tout élément x de E possède un symétrique, noté x 2 E tel que
x + ( x) = ( x) + x = 0.
(4) Commutativité : x + y = y + x, 8x; y 2 E.
Dé…nition 1 : 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 élément
2 K et tout élément x 2 E, un élément de E; noté :x = x;avec les propriétes
suivantes :
(5) 1x = x, tout élément x 2 E.(1 est l’élément neutre (K; ))
(6) ( x) = ( ) x; tout élément x 2 E, 8 ; 2 K.
(7) (x + y) = x + y, 8 2 K, 8x; y 2 E.
(8) ( + ) x = x + x, 8 ; 2 K; tout élément x 2 E.
Aussi on dit que (E; +; :) est un K-espace vectoriel.
Dé…nitions
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 2 K tel que
y = x.
Remarque
Nous laissons au lecteur le soin de distinguer l’élément neutre de (E; +).
(qu’on pourrait écrire ~0 ou 0E ou simplement 0 s’il n’y pas de confusion possible),
qui est un vecteur, appelé vecteur nul de E, de l’élément nul 0 de K
(qu’on pourrait écrire 0K ), qui est un scalaire.
Ces éléments véri…ent les règles de calcul suivantes :
Tout élément x 2 E 0K :x = 0E , d’après (8) si = :
Tout élément x 2 E; 8 2 K; :x = 0E () = 0K ou x = 0E :
On a en outre : ( x) = ( ) x = x; tout élément x 2 E; 8 2 K:
Et, en particulier ( 1) x = (1:x) = x:
Remarque
Tout ensemble non vide (E; >; ?) muni de deux lois de composition : ">" la première,
une loi de composition interne tel que (E; >) soit un groupe commutatif
car véri…ant les propriétés (1) jusqu’à (4) et "?" la deuxième loi
étant une loi de composition externe sur E moyennant un ensemble de
scalaires 2 K un corps commutatif et véri…ant relativement

51
CHAPITRE 4. ESPACES VECTORIELS

les propriétés (5) jusqu’à (8) est dit un K-espace vectoriel.En e¤et :

4.3 Dé…nition générale d’un espace vectoriel sur un

corps commutatif (K; ~; |)
Ici (K; ~; |) est un corps commutatif dont l’élément neutre de la deuxième loi
est noté e| et l’élément neutre de la première loi est e~ .
Soit E un ensemble non vide muni d’une loi de composition interne notée " ",
de sorte que (E; ) soit un groupe commutatif d’élément neutre e .
Aussi, on munit E d’une loi de composition externe " " sur K, c’est-à-dire
: E K ! E, (x; ) 7 ! x,
Si on a :
(1) e| x = x, tout élément x 2 E.
(2) ( x) = ( | ) x, tout élément x 2 E, 8 ; 2 K.
(Ceci semble être l’associativité de la loi" ", mais comme ; 2 K,
n’a pas de sens dans K, au vu du calcul vectoriel dans le plan,
il conviendrait de poser ( | ) au lieu de ).
(3) (x y) = ( x) ( y), 8 2 K; 8x; y 2 E.
(la loi de composition externe sur E est distributive à droite
(car la loi de composition externe " " sur K a le scalaire à gauche :
(x; ) 7 ! x) par rapport à la loi de composition interne sur E)
(4) ( ~ ) x = ( x) ( x), 8 ; 2 K; tout élément x 2 E.
(la loi de composition externe sur E semble distributive de " " par
rapport à la loi"~" 1 ere loi de composition interne sur K, où dans
le dévéloppé pour une question de de…nition "~" est remplacée par " "
la loi de composition interne sur E, car ( x) ; ( x) 2 E et
( x) ~ ( x) n’a pas de sens dans E, d’où le remplacement ).
En plus d’avoir (E; ) comme un groupe commutatif, nous dirons que
(E; ; ) a une structure d’espace vectoriel sur le corps commutatif (K; ~; |).

52
CHAPITRE 4. ESPACES VECTORIELS

4.3.1 Tableau de simularité

! ! !
P ; +; : ; 8!
u ;!
v 2 P;! u +! v 2 P, (E; ; ) ;8x; y 2 E; x y 2 E,
!
8 2 (R; +; ), :! u = !u 2P 8 2 (K; ~; |), !
u 2E
(1) !u + (! v +!w ) = (!
u +! v)+! w; (1) x
(y z) = (x y) z;
! ! ! !
8u; v; w 2 P 8x; y; z 2 E
! ! ! ! ! ! ! ! !
(2) 0 2 P ; 8 u 2 P ; u + 0 = 0 + u = u . (2) e 2 E ; 8x 2 E;
x e =e x = x.
! ! ! !
(3) 8 u 2 P , ( u ) 2 P et (3) 8x 2 E, symet (x) 2 E,
! ! ! ! !
u +( u)=( u)+ u = 0. x symet (x) = symet (x) x = e .
! ! ! ! ! ! !
(4) u + v = v + u ; 8 u ; v 2 P . (4) x y = y x; 8x; y 2 E.
! ! ! !
(5) 1 u = u , 8 u 2 P .(1 est l’élt neutre de (R; )) (5) e| x = x, 8x 2 E.
!
(6) ( ! u)=( )!u , 8!u 2 P , 8 ; 2 R. (6) ( x) = ( | ) x; 8x 2 E;
8 ; 2 K.
! ! ! ! ! ! !
(7) ( u + v ) = u + v ; 8 2 K; 8 u ; v 2 P . (7) (x y) = ( x) ( y),
8 2 K, 8x; y 2 E.
! ! ! ! !
(8) ( + ) u = u + u , 8 ; 2 R, 8 u 2 P . (8) ( ~ ) x = ( x) ( x),
8 ; 2 K, 8x 2 E.
Dé…nitions
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 2 K tel que
y= x.
Remarques
Le vecteur nul de (E; ; ) est l’élément neutre e .
Ici e~ et e| sont des scalaires éléments neutres respectifs de ~; |.
Ces éléments véri…ent les règles de calcul suivantes :
Tout élément x 2 E e~ x = e , d’après (4) si = symet~ ( ).
(Soulignons que symet~ ( ) est le symétrique de par rapport à la loi ~.
Et que symet~ ( ) ~ = ~symet~ ( ) = e~ .)
Tout élément x 2 E; 8 2 K; x = e () = e~ ou x = e .
On a en outre : symet (x) = (symet~ ( )) x = symet ( x),
tout élément x 2 E; 8 2 K.
Et, en particulier (symet~ (e| )) x = symet (e| x) = symet (x).

4.3.2 Exemples
a) Soit K = R ou C et n un entier naturel non nul.
On munit l’ensemble Kn des lois dé…nies par les formules ci-dessous :
8 (u1 ; u2 ; :::::; un ) ; (v1 ; v2 ; :::::; vn ) 2 Kn ;
(u1 ; u2 ; :::::; un ) + (v1 ; v2 ; :::::; vn ) = (u1 + v1 ; u2 + v2 ; :::::; un + vn ) :
8 (u1 ; u2 ; :::::; un ) 2 Kn , 8 2 K;
(u1 ; u2 ; :::::; un ) = ( u1 ; u2 ; :::::; un ) :
Ces lois font de Kn un K-espace vectoriel.
b) L’ensemble C [x] des polynômes à une variable x et à coe¢ cients 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

53
CHAPITRE 4. ESPACES VECTORIELS

de c par un polynôme .
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.
Dé…nition
Soit une suite (x1 ; x2 ; :::::; xn ) de n vecteurs d’un (K; +; )-espace vectoriel (E; +; :) ;
une combinaison nlinéaire de cette suite est un élément de E de la forme :
P
y= i xi = 1 x1 + 2 x2 + ::::: + n xn
i=1
où 1 ; 2 ; :::::; n sont des scalaires de K ce sont les coé¢ cients de
la combinaison linéaire ; aussi dit-on que y est combinaison linéaire des
vecteurs x1 ; x2 ; ::::; xn .
Aussi 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 :
y = ( 1 x1 ) ( 2 x2 ) ::::: ( n xn )
où 1 ; 2 ; :::::; n sont des scalaires de K ce sont les coé¢ cients de
la combinaison linéaire.
Exemple
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)).

4.4 Suite liée de vecteurs. Suite libre de vecteurs

Dé…nition 3. 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
1 ; 2 ; :::::; n 2 K, non tous nuls, tels que :
Pn
(9) : i xi = 1 x1 + 2 x2 + ::::: + n xn = 0
i=1
On dit également, par abus de langague, que les vecteurs de la suite sont liés,
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 indépendants ;
ceci signi…e que l’égalité (9) entraîne 1 = 2 = ::::: = n = 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.
Exemples
x 4y + 6z = 0
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.

54
CHAPITRE 4. ESPACES VECTORIELS

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 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 2 de correction 3 2 3
1 2 1 u 1 2 1 u
1. Soit A = 4 1 0 1 5 v 4 0 2 2 5 v u
1 2 3 w 0 4 4 w+u
2 3
1 2 1 u
A 4 0 2 2 5 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 fu; v; wg est une famille liée et la relation de dépendance
liant les vecteurs : u; v; w est : 2v u + w = ~0.
2. u = ( 1; 2 2; 5); v = (2;33; 4); w 2= (7; 0; 7). 3
1 2 5 u 1 2 5 u
Soit B = 4 2 3 4 5 v 4 0 7 14 5 v + 2u
7 0 7 w 0 14 28 w + 7u
2 3
1 2 5 u
B 4 0 7 14 5 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 fu; v; wg est une famille liée et la relation de dépendance
liant les vecteurs : u; v; w est :
1 1
3u 2v + w = ~0 , u = (2v w) , v = (3u + w) , w = 2v 3u.
3 2
Propriété 1
Pour qu’une suite de vecteurs x1 ; x2 ; :::::; xn soit liée, il faut et il su¢ t
que l’un d’eux soit une combinaison linéaire des autres.
Théorème 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.

4.5 Espaces vectoriels de dimension …nie

4.5.1 Espace vectoriel ayant un nombre …ni de générateurs
Dé…nition 4.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 linéaire 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

55
CHAPITRE 4. ESPACES VECTORIELS

8 (x; y; z) 2 R3 , on a (x; y; z) = x (1; 0; 0) + y (0; 1; 0) + z (0; 0; 1)

donc R3 = fx (1; 0; 0) + y (0; 1; 0) + z (0; 0; 1) ; x; y; z 2 Rg
ainsi la famille f(1; 0; 0) ; (0; 1; 0) ; (0; 0; 1)g est génératrice de R3 .
Le théorème 1 entraîne immédiatement :
Propriété 2
Soit E un K-espace vectoriel ayant n générateurs. Alors toute suite
de (n + 1) vecteurs de E est liée.

4.5.2 Base d’un espace vectoriel

Dé…nition 5. 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 3
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 su¢ t que tout
vecteur y 2 E s’exprime de façon unique sous la forme :
y = 1 x1 + ::::: + n xn i 2 K; i 2 f1; 2; ::::; ng.
eme
i s’appelle la i coordonnée du2 vecteur
3 y par rapport à la base (x1 ; x2 ; :::::; xn ).
1
6 2 7
6 7
et alors la matrice colonne Y = 6 .. 7 est la matrice colonne des coordonnées du
4 . 5
n
vecteur y dans la base (x1 ; x2 ; :::::; xn ).
Le théorème suivant exprime l’invariance du nombre d’éléments d’une base.
Théorème 2
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.
Dé…nition 6. Soit E un K-espace vectoriel non réduit à f0E g.
On dit que E est de dimension …nie 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
dimE ou (dimK E).
Remarques
a) Si E = f0E g ; il n’y a pas de base ; on dit encore que E est de dimension nulle et
on pose dim E = 0.
b) Un K-espace vectoriel non nul de dimension …nie, admet une in…nité de bases.
Exemple : 8 2 R , (( ; 0) ; (0; )) est une base du R-espace vectoriel R2 .
c) Dans un K-espace vectoriel de dimension …nie n, toute famille de vecteurs
de E, de cardinal strictement inférieur à n, ne peut être génératrice, avec possibilité
d’indépendance linéaire.
d) Dans un K-espace vectoriel de dimension …nie 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 …nie n, seule une famille de vecteurs
de E, de cardinal égal à n, peut être une base de E. C’est dire qu’une famille de

56
CHAPITRE 4. ESPACES VECTORIELS

vecteurs libres de E a pour cardinal maximal n et une famille de vecteurs générateurs

de E a pour cardinal minimal n.

Exemples
a° ) Soit K = R ou C et n un entier naturel non nul. Le K-espace vectoriel 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 ieme coordonnée, toutes les autres
coordonnées sont nulles.
b° ) Soit Cn [X] le C-espace vectoriel des polynômes à une variable complexes 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 dim E = n + 1.
Plus généralement 8a 2 C, on véri…e que
1; x a; (x a)2 ; :::::; (x a)n est aussi une base de E.
Ainsi il y a bien une in…nité de bases de Cn [X].
c° ) Il ne faut pas croire que tout espace vectoriel soit de dimension …nie.
Le C-espace vectoriel C [x] de tous les polynômes complexes n’est pas de
dimension …nie ; 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 …nie est dit de dimension in…nie.
Proposition
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 sontX les matrices élémentaires de Mpq (K).
Soit A = (aij ) 2 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.
Exemples
a° ) 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 .
b° ) 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 isomorphe à Kq , donc de dimension
0 q. 1
a11
B a21 C
B C
c° ) Une matrice p 1 a la forme B = B .. C.
@ . A
ap1
On l’appelle matrice colonne ou unicolonne appartenant à l’espace Mp1 (K)
qui est isomorphe à Kp , donc de dimension p.

57
CHAPITRE 4. ESPACES VECTORIELS

d° ) 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.

4.5.3 Déterminant d’une suite de vecteurs d’un K-espace vecto-

riel E de dimension …nie
Dé…nition
Soit S = (V1 ; V2 ; ::::; Vn ) une suite de n vecteurs d’un K-espace vectoriel
E de dimension n. Soit une base , de E, le déterminant de la suite S dans
la base , est noté
det (S) = V1 V2 Vn , où Vj constituent la j ieme colonne avec
les coordonnées de Vj dans la base . 81 j n.
Exemple
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 : 2 3
1 0 0 1 0 0
det (S) = 6 3 0 = 15. Soit A = 4 6 3 0 5,
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.
Proposition
Soit S = (V1 ; V2 ; ::::; Vn ) une suite de n vecteurs d’un K-espace vectoriel E de
dimension n. Soit une base , de E,
a) Si det (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 det (S) = 0, alors la suite S est liée ou linéairement dépendante.

4.6 Sous-espaces vectoriels

Dé…nition 2 : Une partie non vide F d’un (K; +; )-espace vectoriel (E; +; :) est un
sous-espace vectoriel de E si elle véri…e les deux propriétés suivantes :
1° ) (F; +) est un sous-groupe de (E; +)
2° ) 8 2 K, 8x 2 F; :x 2 F .
(i.e. la loi de composition externe sur E est stable dans F .)
Les opérations dé…nies dans E sont donc également dé…nies 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
8 de E caractérisé par les deux
F 9 propriétés suivantes :
< 0E 2 F =
8x; y 2 F :x+y 2F () 0E 2 F et 8 , 2 K, 8x, y 2 F , x + y 2 F .
: ;
8 2 K; 8x 2 F; :x 2 F .
De même :
8 9
< 0E 2 F =
8x; y 2 F :x+y 2F () 0E 2 F et 8 2 K, 8x, y 2 F , x + y 2 F .
: ;
8 2 K; 8x 2 F; :x 2 F .
Remarque

58
CHAPITRE 4. ESPACES VECTORIELS

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.

4.6.1 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 :f0E g
est un sous-espace vectoriel de E , ainsi que E lui-même.
Le sous-espace vectoriel nul f0E g 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 véri…e : f0E g F E.
c) L’ensemble Cn [x] des polynômes complexes de degré inférieur ou égal à n 2 N ,
forme un sous-espace vectoriel de C [x].

4.7 Sous-espaces vectoriels d’un espace vectoriel de

dimension …nie
Proposition
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.
La propriété suivante nous sera utile dans cette étude.
Propriété 4
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 …nie et dimE n.
Corollaire 1
Soit E un K-espace vectoriel de dimension …nie et F E un sous-espace vectoriel
de E. Alors F est de dimension …nie et dimF dimE. De plus, si dim F = dim E,
alors F = E.
Une autre conséquence de la propriété 4 est la suivante :
Corollaire 2
Soit E un espace vectoriel ayant n générateurs x1 ; x2 ; :::::; xn ; alors E est
un espace vectoriel de dimension …nie et dim E n.

4.7.1 Rang d’une suite …nie de vecteurs

Considérons une suite (x1 ; x2 ; :::::; xn ) de n vecteurs d’un K-espace vectoriel E,
de dimension …nie ou non. Le sous-espace F engendré par cette suite admet
n générateurs x1 ; x2 ; :::::; xn ; c’est donc, d’après le corollaire 2,
un espace vectoriel de dimension …nie r n.
Dé…nition 6.

59
CHAPITRE 4. ESPACES VECTORIELS

1. On appelle rang r d’une suite(famille) …nie de n vecteurs

d’un K-espace vectoriel, la dimension r de l’espace vectoriel F engendré par
ces vecteurs. Ou l’on dira que F est de codimension (n r). On note r n.
2. Aussi le rang r d’une suite(famille) …nie de n vecteurs d’un K-espace vectoriel,
est le nombre maximum de vecteurs de la suite(famille) …nie de n veteurs, qui
soient libres dans la suite en question.
Remarques
Sur un K-espace vectoriel E, de dimension n, muni d’une base. Considérons
une famille S de vecteurs de E. Le rang de S est le rang de la A matrice
constituée en lignes ou en colonnes des coordonnées des vecteurs de S.
A est dite une matrice associée à la suite S. Ainsi rang (S) = rang (A)
1. S est génératrice de E ssi le rang de S = n = rang (A)
2. S est libre ssi le rang de S =Cardinal de S(CardS)=rang(A)
3. S est liée ssi le rang de S est stritement inférieur au Cardinal de S(CardS)
4. S est une base de E ssi le rang de S = n =Cardinal de S(CardS)=rang(A)
5. Soit F =< S >, alors dim F = rang (S) = rang (A)
Proposition
1)Soient F et G deux sous-espaces vectoriels d’un K-espace vectoriel E de dimension
…nie, 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
La réunion de deux sous-espaces vectoriels d’un K-espace vectoriel E de dimension
…nie n’est pas necessairement un sous-espace vectoriel de E.
Dé…nition
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
Si v1 ; v2 ; v3 2 E,
vect (v1 ; v2 ; v3 ) = f v1 + v2 + v3 ; ; ; 2 Kg =< v1 ; v2 ; v3 >
c’est l’ensemble des combinaisons linéaires des vecteurs v1 ; v2 ; v3 .
Proposition
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
Soient F et G deux sous-espaces vectoriels d’un K-espace vectoriel E de dimension
…nie, 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
Si dim E = n, n générateurs de E forment une base de E.

60
CHAPITRE 4. ESPACES VECTORIELS

EXERCICE 1
R4 est muni de sa base canonique (t1 ; t2 ; t3 ; t4 ). On considère les vecteurs :
e1 = (1; 2; 3; 4) ; e2 = (1; 1; 1; 3) ; e3 = (2; 1; 1; 1) ; e4 = ( 1; 0; 1; 2) ; e5 = (2; 3; 0; 1).
Soient E l’espace vectoriel engendré par e1 ; e2 ; e3 et F par e4 et e5 .
Calculer les dimensions respectives de E, F , E \ F et E + F .
Proposition de correction de l’exo.1
Soit S1 = fe1 ; e2 ; e3 g ; S2 = fe4 ; e5 g
E =< e1 ; e22; e3 >= vect (S31 ) et2F =< e4 ; e5 >= 3 vect (S2 )
1 2 3 4 1 0 0 2
Soit ME = 4 1 1 1 3 5 4 0 1 0 9 5 ;
2 1 1 1 0 0 1 4
ME est une matrice associée à la suite ou à2 la famille S1 . 3
1 0 0 2
Le rang de ME est la dimension de E, vu 4 0 1 0 9 5
0 0 1 4
le rang de M 2E est 3, donc
3 2 dim E =
3 3.
1 2 1 0
6 0 3 7 6 0 1 7
Soit MF = 6 4 1 0 5'4 0 0 5
7 6 7

2 1 0 0
MF est une matrice associée à la suite ou à2 la famille 3 S2 .
1 0
6 0 1 7
Le rang de MF est la dimension de F , vu 6 4 0 0 5
7

0 0
le rang de MF est 2, donc dim F = 2.
Soit S3 = fe1 ; e2 ; e3 ; e4 ; e5 g
E + F =< e1 ;2 e2 ; e3 ; e4 ; e5 >= vect
3 (S23 ) 3
1 2 3 4 1 0 0 0
6 1 1 1 3 7 6 0 1 0 0 7
6 7 6 7
Soit ME+F = 6 6 2 1 1 1 7 6 0 0 1 0 7
7 6 7
4 1 0 1 2 5 4 0 0 0 1 5
2 3 0 1 0 0 0 0
ME+F est une matrice associée à la suite ou à la famille 2 S3 . 3
1 0 0 0
6 0 1 0 0 7
6 7
Le rang de ME+F est la dimension de E + F , vu 6 6 0 0 1 0 7
7
4 0 0 0 1 5
0 0 0 0
le rang de ME+F est 4, donc dim (E + F ) = 4.
Pour …nir on sait que : E + F = vect (E [ F ) =< E [ F >
dim (E + F ) = dim E + dim F dim (E \ F ) ,
dim (E \ F ) = dim E + dim F dim (E + F ) = 3 + 2 4 = 1.
EXERCICE 2
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

61
CHAPITRE 4. ESPACES VECTORIELS

Proposition de correction de l’exo.2

1. u = (7; 12) ; v = (18; 13) ; w = ( 4; 17)
La famille F = fu; v; wg R2 et le CardF =3 > dim R2 = 2
donc la famille F est liée dans R2 .
2. u = ( 2 1; 0; 2) ; v = (1;33; 1) ; w2= (0; 1; 1) 3
1 0 2 u 1 0 2 u
Soit A = 4 1 3 1 5 v 4 0 3 3 5 v+u
2 0 13 1 w 0 1 1 w
1 0 2 u
A 4 0 3 3 5 v+u délà on a bien :
2 0 0 6 3 3w + (v + u)
1 0 2
A 4 0 3 3 5 )le rang de A : rg (A) = 3
0 0 6
aussi la famille G = fu; v; wg R3 et le sous-espace vectoriel engendré
par G = fu; v; wg c’est-à-dire < u; v; w > est de
dimension rg (A) = 3 = CardG donc la famille G est libre dans R3 .
Remarque
En formant une matrice A constituée en ligne ou en colonne des coordonnées
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 = fu; vg R4
aussi"soit #
15 27 6 12 u
A= 5 9
1 2 v
2 2
15 27 6 12 u
0 0 0 0 6v + u ) 6v + u = ~0
4
La famille H = fu; vg R est donc liée car il y a une relation
de dépendance entre les vecteurs : u; v qui est : 6v + u = ~0.

4.8 Sous-espaces supplémentaires

Dé…nition 8
Soit E un K-espace vectoriel. Deux sous-espaces vectoriels F et G de E sont appelés
supplémentaires si tout élément x 2 E s’écrit d’une façon et d’une seule sous
la forme : x = y + z; y 2 F; z 2 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 = f0E g.
Théorème 3
Soit E un K-espace vectoriel de dimension …nie, F et G deux sous-espaces
vectoriels de E de bases respectives et . Les trois propriétés ci-dessous
sont équivalentes :
(a) F et G sont supplémentaires
(b) F \ G = f0E g et dim E = dimF + dimG.
(c) rang ( [ ) = dimF + dimG = dim E, alors [ est une base de E.

62
CHAPITRE 4. ESPACES VECTORIELS

Théorème 4. (De la base incomplète).

Soit E un K-espace vectoriel de dimension …nie n.
1. 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.

4.9 Somme de n sous-espaces vectoriels

Dé…nition
On appelle somme de F1 ; F2 ;...,Fn , n sous-espaces vectoriels de E
Xn
et on note Fi l’ensemble fx1 + x2 + ::: + xn ; xi 2 Fi pour 1 i ng.
i=1
X
n
C’est dire que Fi = fx1 + x2 + ::: + xn ; xi 2 Fi pour 1 i ng.
i=1
Proposition
La somme de F1 ; F2 ;...,Fn , n sous-espaces vectoriels de E,
Xn
Fi = fx1 + x2 + ::: + xn ; xi 2 Fi pour 1 i ng est un sous-espace
i=1
vectoriel de E.
Proposition
Si les Fi sont de dimension …nie, alors !
Xn Xn X
n
Fi est de dimension …nie et dim Fi dim (Fi ).
i=1 i=1 i=1
Dé…nition
X
n
On dit que la somme Fi est directe si
i=1
8 (x1 ; x2 ; :::; xn ) 2 F1 F2 ... Fn ; x1 + x2 + ::: + xn = 0E )
x1 = x2 = ::: = xn = 0E .
M n
Dans ce cas, on note F1 F2 ... Fn = Fi
i=1
Mn
Aussi tout élément de F1 F2 ... Fn = Fi s’écrit de manière
i=1
unique comme somme d’éléments des Fi .
Proposition
Si les Fi sont de dimension …nie, alors !
Mn M n Xn
Fi est de dimension …nie et dim Fi = dim (Fi ).
i=1 ! i=1 i=1
Xn Xn Xn Mn
Aussi (dim Fi = dim (Fi )), Fi = Fi .
i=1 i=1 i=1 i=1
X
n M
n
Fi = Fi veut dire que l’on a une somme directe des Fi .
i=1 i=1

63
CHAPITRE 4. ESPACES VECTORIELS

4.10 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 dé…nissant :

l’addition comme le produit de deux groupes additifs :

(x1 ; x2 ) + (y1 ; y2 ) = (x1 + y1 ; x2 + y2 )
et la multiplication de (x1 ; x2 ) par 2 K :
(x1 ; x2 ) = ( x1 ; x2 ).
Dé…nition 9. 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 : Les deux sous-espaces
vectoriels de E : F1 = f(x1 ; 0) ; x1 2 E1 g ; F2 = f(0; x2 ) ; x2 2 E2 g véri…ent :

Propriété 5. F1 et F2 sont deux sous-espaces supplémentaires de E,

et on a donc : E = F1 F2 .
Propriété 6. Si E1 et E2 sont de dimension …nie, alors E est de dimension …nie et
on a : dim E = dim (E1 E2 ) = dim E1 + dim E2
Dans la dé…nition d’un produit, on peut avoir E1 = E2 ; on dé…nit ainsi E1 E1
que l’on note aussi E12 .
La dé…nition du produit de deux espaces vectoriels se généralise au produit
E1 E2 ::::: En d’un nombre …ni de K-espaces vectoriels E1 ; E2 ; ::::::; En et,
en particulier on peut avoir E1 E1 ::::: E1 = E1n .
| {z }
n fois

64
Chapitre 5

APPLICATIONS LINÉAIRES

Dé…nition 0 (d’une 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) 8x 2 E, 8y 2 E, f (x>y) = f (x) f (y).
(ii) 8x 2 E, 8 2 K, f ( ?x) = ~f (x).
Remarques
(i) et (ii) () 8x, y 2 E, 8 , 2 K, f (( ?x) > ( ?y)) = f ( ?x) f ( ?y)
= ( ~f (x)) ( ~f (y))
(i) et (ii) () 8x, y 2 E, 8 2 K, f (( ?x) >y) = f ( ?x) f (y) = ( ~f (x)) f (y).
Dé…nition 1 (d’une 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 :
(1) 8x 2 E, 8y 2 E, f (x + y) = f (x) + f (y).
(2) 8x 2 E, 8 2 K, f ( x) = f (x).
Propriétés
a° ) On déduit de (1) en posant y = x = 0E 2 E, f (0E ) = 0F 2 F .
On a également f ( x) = f (x).
b° ) (1) et (2) () 8x, y 2 E; 8 ; 2 K, f ( x + y) = f (x) + f (y)
(1) et (2) () 8x, y 2 E; 8 2 K, f ( x + y) = f (x) + f (y)
c° ) Soit E munit d’une base = (e1 ; e2 ; :::::; en ), 2 3
1
P
n 6 2 7
6 7
pour tout y 2 E, 9! 1; 2 ; :::::; n 2K; y = i ei ; où Y = 6 .. 7
i=1 4 . 5
n
est la matrice colonne des coordonnées de y 2 E dans de la base
P
n P
n
= (e1 ; e2 ; :::::; en ), d’où f (y) = f i ei = i f (ei ) ; donc étant donnée
i=1 i=1
= (e1 ; e2 ; :::::; en ) et f ( ) = (f (e1 ) ; f (e2 ) ; :::::; f (en )) qui est l’action de f sur
une 2
base de 3 E, on peut déterminer f (y) , 8y 2 E, dès qu’on connait
1
6 2 7
6 7
Y = 6 .. 7 qui est la matrice colonne des coordonnées de y 2 E dans
4 . 5
n

65
CHAPITRE 5. APPLICATIONS LINÉAIRES

de la base = (e1 ; e2 ; :::::; en ). On peut dire que f est complètement

déterminée par son action sur une base de E.
Remarques
1) Une application linéaire f est une application d’un K-espace vectoriel E dans
un K-espace vectoriel F , telle que l’image d’une combinaison linéaire de vecteurs
de E est égale à une combinaison linéaire de l’image des vecteurs de E, avec les
mêmes coe¢ cients de combinaison par rapport à un vecteur x de E et son image
f (x).
2) Une application f entre deux K-espaces vectoriels E et F est linéaire
ssi les expressions images de f (x), pour x 2 E, sont combinaison linéaire des
coordonnées de x 2 E, moyennant une base de E.
Exemple
Cette expression : a1 x1 +:::+an xn est linéaire en x1 ; x2 ; :::; xn , car combinaison linéaire
des x1 ; ... ; xn ; mais pas celle-ci : a1 x1 + ::: + an xn + b.
Exemples
a) Soit f : R2 ! R2 , (x; y) 7 ! (2x + y; 0) est une application linéaire
de R2 dans R2 .
b) Soit g : R ! R2 , (x; y) 7 ! (4; x 9y) n’est pas une application linéaire
2

de R2 dans R2 , car g (0; 0) = (4; 0) 6= (0; 0) vecteur nul de R2 .

5.1 Image et Noyau

Dé…nition 2 (du noyau d’une application linéaire)
Le noyau d’une application linéaire f : E ! F est l’ensemble des vecteurs x 2 E tels
que f (x) = 0F . Il est noté Ker f . D’où Ker f = fx 2 E; f (x) = 0F g.
Exemple
Soit f : R2 ! R2 , (x; y) 7 ! (2x + y; 0) une application linéaire de R2 dans R2 .
ker f = f(x; y) 2 R2 ; f (x; y) = (0; 0)g
2x + y = 0
f (x; y) = (0; 0) ) ) 2x + y = 0 ) y = 2x , x = 21 y
0=0
ker f = f(x; 2x) ; x 2 Rg =< (1; 2) >) dim ker f = 1.
Lemme 1. Le noyau de f est un sous-espace vectoriel de E.
Proposition 1. Une application linéaire f : E ! F est
injective si et seulement si Ker f = f0E g.
Dé…nition 3 (de l’image d’une application linéaire)
L’image d’une application linéaire 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 2 E avec f (x) = y: On la note f (E) ou encore Im f .
Im f = fy 2 F , 9x 2 E ; f (x) = yg = f f (x) ; x 2 Eg = f (E).
Exemples
1. Soit f : R2 ! R2 , (x; y) 7 ! (2x + y; 0) une application linéaire de R2 dans R2 .
Im f = f (R2 ) = ff (x; y) ; (x; y) 2 R2 g = f(2x + y; 0) ; x; y 2 R2 g
= fx (2; 0) + y (1; 0) ; x; y 2 R2 g =< (2; 0) ; (1; 0) >=< (1; 0) >.
2. Soit g : R2 ! R3 ; (x; y) 7! (x y; x + y; x + 2y) une application linéaire de R2
dans R3 .
Im g = g (R ) = fg (x; y) ; (x; y) 2 R2 g = f(x y; x + y; x + 2y) ; x; y 2 R2 g
2

Im g = fx (1; 1; 1) + y ( 1; 1; 2) ; x; y 2 R2 g =< (1; 1; 1) ; ( 1; 1; 2) >.

Lemme 2 L’image de f est un sous-espace vectoriel de F .

66
CHAPITRE 5. APPLICATIONS LINÉAIRES

Remarques
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.
Proposition 2
Une application linéaire f : E ! F est surjective si et seulement si Im f = F .
Dé…nition 4 (d’un 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 isomorphes 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 isomorphisme 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 = f0E g et f (E) = F .
Théorème 1
Soient E et F deux K-espaces vectoriels de dimension …nie
et une application linéaire f : E ! F . Alors :
(a) f est un isomorphisme entre E et F .
m
(b) dimE = dimF et Kerf = f0E g .
m
(c) dimE = dimF et Im f = F
Lemme 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 2
Soient E et F deux K-espaces vectoriels et une application linéaire f : E ! F .
Si la dimension de E est …nie, il en est de même des dimensions de Kerf et
de f (E) = Im f et l’on a : dim E = dim f (E) + dim Ker f .
Lemme 4
Soient E de dimension …nie et une application linéaire f : E ! F .
Alors f (E)=Im f est de dimension …nie.
Corollaire. Avec les hypothèses du théorème 2 :
Ker f = f0E g , dim Im f = dim f (E) = dim E.

5.1.2 Rang d’une application linéaire

Dé…nition 5. Le rang d’une application linéaire f : E ! F .
Avec E de dimension …nie est par dé…nition la dimension
de l’image f (E) = Im f .

67
CHAPITRE 5. APPLICATIONS LINÉAIRES

Exemples
a° ) L’application f : E ! F qui, à tout vecteur x 2 E associe le vecteur nul 0F
de F est linéaire. On a Im f = f0F g 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 2 E, associe le vecteur x est
linéaire. Ker f = f0g, 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 2 E;
on peut faire correspondre sa composante y 2 F dé…nie par :
x = y + z, y 2 F , z 2 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 …nie, on véri…e 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 véri…e directement que Ker f = f0g ; 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 Im f 6= f0g et Im 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.

5.1.3 Projections et symétries linéaires

Introduction
Soit E est un K-espace vectoriel et F et G deux sous-espaces
vectoriels de E tel que E = F G alors
8x 2 E, x = xF + xG avec xF 2 F et xG 2 G de façon unique.
La projection PF sur F parallèlement à G est telle que
8x 2 E, PF (x) = xF et PF PF = PF (on dit que PF est un projecteur).
Aussi 8x 2 E, PF (x) = xF = xF + xG xG = (IdE PG ) (x)
La projection PG sur G parallèlement à F est telle que
8x 2 E, PG (x) = xG et PG PG = PG .
Aussi 8x 2 E, PG (x) = xG = xG + xF xF = (IdE PF ) (x)
La symétrie SF par rapport à F parallèlement à G est telle que
8x 2 E, SF (x) = xF xG = 2xF (xF + xG ) = (2PF IdE ) (x)
8x 2 E, SF (x) = xF xG = (xF + xG ) 2xG = (IdE 2PG ) (x).
et SF SF = IdE (on dit que SF est une involution).

68
CHAPITRE 5. APPLICATIONS LINÉAIRES

La symétrie SG par rapport à G parallèlement à F est telle que

8x 2 E, SG (x) = xG xF = (2PG IdE ) (x) = (IdE 2PF ) (x).
et SG SG = IdE .
Aussi SG = SF = 2PG IdE = IdE 2PF .
Dé…nition
Les PF et PG dé…nies supra, sont appélées projections vectorielles
Aussi les SF et SG dé…nies supra, sont appélées symétries vectorielles
c’est clair que projection et symétrie vectorielles sont des applications
linéaires.

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 dé…nit f + g : E ! F par : 8x 2 E; (f + g) (x) = f (x) + g (x).

On véri…e que f + g est bien une application linéaire de E dans F .
On l’appelle somme de f et g.
Produit de 2 K par f 2 LK (E; F ). Il est dé…nit par : 8x 2 E; ( f ) (x) = f (x).
On véri…e que f 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.

5.2.2 Composition des applications linéaires

Soit E, F et G trois K-espaces vectoriels. Etant donné une application linéaire
f : E ! F et une application linéaire g : F ! G, on véri…e immédiatement que
g f : E ! G est une application linéaire de E dans G. En particulier,
si E = F = G, nous dé…nissons une loi de composition interne dans
LK (E; E) = LK (E) = EndK (E) avec la loi" " des compositions des
applications qu’on appelle la multiplication.
Proposition 4. L’addition et la multiplication" " dé…nies dans LK (E)
en font un anneau non commutatif.
Remarque. Le composé de deux isomorphismes est un isomorphisme et donc,
en particulier, le composé de deux automorphismes de E est un automorphisme.
Si E est de dimension …nie, l’ensemble des automorphismes de E constitue
le groupe des unités(l’ensemble des éléments inversbles) de l’anneau LK (E).

5.3 Espace vectoriel quotient

5.3.1 Construction de l’espace vectoriel quotient de E par F
Soit E un K-espace vectoriel et F un sous-espace vectoriel de E.

69
CHAPITRE 5. APPLICATIONS LINÉAIRES

Soit R une relation dé…nie dans E par : x, y 2 E; xRy () x y 2 F ;

on montre que R est une relation d’équivalence et compatible avec l’addition dans E,
c’est-à-dire : , xRy et zRt ) (x + z) R (y + t). Ce qui permet de dé…nir
une opération sur l’ensemble E=F = E=R par : x + y = x + y.
où x est la classe de x modulo F . cette opération donne à E=F une structure de groupe
abélien et l’application ' : E ! E=F , telle que ' (x) = x est un morphisme de groupe,
qu’on appelle le morphisme canonique de E sur E=F . Outre leur structure de groupe,
E et F ont maintenant une structure d’espace vectoriel et nous allons complèter
ces résultats en dé…nissant sur E=F une structure d’espace vectoriel.
Proposition 5. La relation R est compatible avec la multiplication par un scalaire,
c’est-à-dire :8 2 K, xRy ) x R y:
De là on dé…nit pour 2 K et x 2 E=F , x = x, ( )
ce qui est une opération externe dans E=F .
Proposition 6. Le groupe quotient E=F muni de l’opération externe ( )
devient un espace vectoriel sur K et l’application ' : E ! E=F
est linéaire et surjective.
Remarque
Le noyau et l’image de ' en tant qu’application linéaire sont le noyau et l’image
de ' en tant que morphisme de groupe abélien. En particulier, on a Ker ' = F .
Dé…nition 6. L’espace vectoriel obtenu à partir de E et de son sous-espace F
par la construction précédente s’appelle l’espace vectoriel quotient de E par F
et se note E=F . L’application linéaire surjective ' : E ! E=F s’appelle l’application
linéaire canonique de E sur l’espace vectoriel quotient E=F .
En particulier si F = f0g, E=F = E et si F = E; E=F = f0g.
La construction de l’espace vectoriel quotient de E par F est valable
en dimension …nie ou non. Si E est de dimension …nie, E=F est aussi de
dimension …nie.

5.3.2 Problème
La construction de l’espace vectoriel quotient de E par F donne une solution
au problème suivant : étant donné un K-espace vectoriel E et un sous-espace
vectoriel F , trouver un espace vectoriel E 0 sur K et une application linéaire surjective
f : E ! E 0 dont le noyau est F . Lorsque E est de dimension …nie, on obtient
aisément une solution du problème de la façon suivante : prenant un sous-espace
supplémentaire G de F dans E ; la projection p : E ! G de E sur G
parallèlement à F est une application linéaire surjective de noyau F .
Théorème 3
Soit f : E ! E 0 une application linéaire surjective de l’espace vectoriel E sur
l’espace vectoriel E 0 et F son noyau. L’espace E 0 est isomorphe à
l’espace quotient E=F par un isomorphisme tel que :f = ' ; où ' est
l’application linéaire canonique de E sur E=F . Suivant le diagramme suivant
'
E ! E=F
f
& #
E0
Corollaire 1 du théorème 3
Toutes les solutions du problème sont des espaces vectoriels
isomorphes entre eux.

70
CHAPITRE 5. APPLICATIONS LINÉAIRES

Corollaire 2 du théorème 3
Si E est de dimension …nie et F un sous-espace vectoriel de E,
on a : dim E=F =dim E dim F , et dim E=F s’appelle la codimension
de F dans E, et se note co dim F , ainsi co dim F = dim E=F .
Dé…nition
Soit f une application linéaire de E ! F deux K-espaces vectoriels de
dimension …nie chacun. On appelle conoyau de f , et on le note Co ker f
l’espace quotient F= Im f . De là si f est surjective alors Co ker = f0F g.

5.4 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,
= (e1 ; :::; ep ) une base de E, 0 = (t1 ; :::; tq ) une base de F et
f : E ! F une application linéaire de E dans F ; f est complètement déterminée
par son action sur la base , c’est-à-dire que f est entièrement dé…nie par les
P q
f (ej ) = aij ti ; aij 2 K, j = 1; 2; :::; p.Ainsi les coordonnées de f (ej )
i=1 2 3
a1j
6 a2j 7
6 7
dans la base 0 = (t1 ; :::; tq ) constitue la matrice colonne suivante :6 .. 7.
4 . 5
aqj
Proposition
Etant donné f : E ! F une application linéaire de E dans F des K-espaces
vectoriels avec E de dimension …nie, muni d’une base = (e1 ; :::; ep ),
alors Im f =< f (ei ), 1 i p >.
Dé…nition On appelle matrice de l’application linéaire f : E ! F;
relativement aux bases et 0 , avec = (e1 ; :::; ep ) et 0 = (t1 ; :::; tq )
(on sait que f est entièrement dé…nie par les f (ej ) 2 F , pour tout j 2 [j1; pj]),
est la matrice de type (q; p) :
0f (e1 ) ; f (e2 ) ; :::; f (ep1)
a11 a12 ::: a1p t1
B a21 a22 ::: a2p C t2
B C
M 0 (f ) = B .. .. . . .. C ..
@ . . . . A .
aq1 aq2 ::: aqp tq
2 3
a1j
6 a2j 7
6 7
dont la j eme colonne (j = 1; 2; :::; p) est constituée par les coordonnées 6 .. 7
4 . 5
aqj
0
du vecteur f (ej ) par rapport à la base . C’est pourquoi nous avons écrit f (e1 )
au dessus de la première colonne, ...., f (ep ) au-dessus de la pieme colonne.
Lorsque E = F , l’application linéaire f est un endomorphisme de E et nous
pouvons choisir = 0 . La matrice M (f ) s’appelle la matrice de
l’endomorphisme relativement à la base de E.
Remarque
De façon symbolique, on peut écrire :

71
CHAPITRE 5. APPLICATIONS LINÉAIRES

(f (e1 ) ; f (e2 ) ; :::; f (ep )) = (t1 ; :::; tq ) M 0 (f )

soit f ( ) = 0 M 0 (f ), tout ceci est symbolique.
Exemple : Soit f un endomorphisme de R3 dé…ni par :
(x; y; z) 7 ! (2x y z; x z; x y 2z) ; où 2 R.
Soit = (e1 = (1; 0; 0) ; e2 = (0; 1; 0) ; e3 = (0; 0; 1)) la base canonique de R3 .
Pour trouver la matrice de f relativement à la base associé à l’ensemble de
depart et à l’ensemble d’arrivé, il faut calculer :
f (e1 ) = (2; 1; ) ; f (e2 ) = ( 1; 0; 2 1) ; f (e3 ) = ( 31; 1; 2).
2 1 1
Et la matrice en question est M = 4 1 0 1 5.
1 2
Proposition
Soient E, F , G trois K-espaces vectoriels de dimension …nie munis de bases
respectives , 0 , et f 2 LK (E; F ) et g 2 LK (F; G) alors g f 2 LK (E; G)
M (g f ) = M 0 (g) M 0 (f ).
Proposition
Soient E et F deux K-espaces vectoriels de dimensions respectives p et q,
Munis respectivement des bases = (e1 ; :::; ep ) et 0 = (t1 ; :::; tq )
L’application de LK (E; F ) dans Mqp (K) dé…nie par f 7! M 0 (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.
Dem :
Moyennant = (e1 ; :::; ep ) et 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 2 entre 3 F et K .
q

x1
6 .. 7
Ainsi 8x 2 E, 9!x = 4 . 5 2 Kp matrice colonne qui représente
xp
les coordonnées du vecteur x 2 E dans la base de sorte que
p
X
symboliquement : x = x = xi ei .
i=1
Il sera de même 2
de F 3c’est-à-dire :
y1
6 7
8y 2 F , 9!y = 4 ... 5 2 Kq matrice colonne qui représente
0

yq
les coordonnées du vecteur y 2 F dans la base 0 de sorte que
q
0
X
0
symboliquement : y = y = yi ti .
i=1
De là l’application linéaire f : (E; ) ! (F; 0 ) peut être dé…nie comme suit :
a) f (x) = y on n’a pas utilisé les bases en présence.
0
b) f x = y on a utilisé les bases en présence, ce qui permettra de déterminée
0
f à la donnée de M 0 (f ) en posant : f x = M 0 (f ) x = (f (x)) 0 = y .
Avec les données de f , et 0 on a naturellement M 0 (f ).
Corollaire L’espace vectoriel LK (E; F ) est de dimension …nie n = pq.
Remarques
1° ) Les espaces vectoriels LK (E; F ) et Mqp (K) sont isomorphes mais
cet isomorphisme dépend des bases et 0 choisies dans E et F .

72
CHAPITRE 5. APPLICATIONS LINÉAIRES

On devrait le noter : M 0 : 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
coe¢ cients appartiennent à un corps K peut toujours être considérée 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 .

5.4.1 Changement de bases

Matrice de passage
Soient = (e1 ; :::; en ), 0 = e01 ; :::; e0n deux bases de E.
On voudrait avoir la matrice de : IdE : (E; 0 ) ! (E; ) telle que x 7 ! x.
(E; ) signi…e que le K-espace vectoriel de dimension …nie E, est muni de la base .
X n
n 0
On sait que 81 j n, 9! ( 1j ; 2j; :::; nj ) 2 K ; ej = ij 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 :
0 0 0
0 e1 ; e2 ; ::: ; en 1
11 12 ::: 1n e1
B 21 ::: C
2n C e2
B 22
M 0 (IdE ) = B .. .. . . .. C ..
@ . . . . A .
n1 n2 ::: nn en
On appelle matrice de passage de la base à la base 0 ,
la matrice : M at 0 (IdE ) = P = ( ij )1 i , j n = P 0 .
Comme l’application IdE est bijective, alors P = P 0 est inversible.
En pratique donc,
la matrice P = ( ij )1 i , j n = P 0 est telle que la j ieme colonne
est formée par les coordonnées du vecteur e0j dans la base = (e1 ; :::; en ).
Et P 1 = P 0 est la matrice de passage de la base 0 à la base .

Formule de changement de bases

Soit f 2 LK (E; F ) et (E; ), (F; )
Id f Id
Soit (E; 0 ) ! E
(E; ) ! (F; ) ! F
(F; 0 )
On a bien f = IdF f IdE )
M at 0 0 (f ) = M at 0 0 (IdF f IdE ) = M at 0 (IdF ) M at (f ) M at 0 (IdE ).
Soit maintenant u 2 LK (E; E) , u 2 EndK (E), on a
IdE u IdE
(E; 0 ) ! (E; ) ! (E; ) ! (E; 0 ), et u = IdE u IdE )
M at 0 0 (u) = M at 0 0 (IdE u IdE ) = M at 0 (IdE ) M at (u) M at 0 (IdE ).
Comme (IdE ) est une bijection de E dans E, alors M at 0 (IdE ) est inversible et
1
M at 0 (IdE ) = M at 0 (IdE ) . De là on a la proposition suivante :
Proposition
Soient = (e1 ; :::; en ) ; 0 = e01 ; :::; e0n deux bases de E; u 2 LK (E ),
P = P 0 = M at 0 (IdE ), A = M at (u; ) = M at (u),
A0 = M at (u; 0 ) = M at 0 0 (u)

73
CHAPITRE 5. APPLICATIONS LINÉAIRES

= M at 0 0 (IdE u IdE ) = M at 0 (IdE ) M at (u) M at 0 (IdE ).,

1
or M at 0 (IdE ) = M at 0 (IdE ) , donc :
A0 = P 1 AP , A = P A0 P 1 .
Proposition
Soit u un endomorphisme d’un K-espace vectoriel de dimension …nie E,
muni d’une base et A = M at (u; ) = M at (u).
u est un automorphisme de E ssi det A 6= 0 et A 1 = M at (u 1 ; ) = M at (u 1 ).
Exercice 2 3 2 3
0 1 1 0 0 0 0 0
6 0 0 1 0 7 6 0 0 1 1 7
Montrer que les matrices A = 6 7 6
4 0 0 0 0 5 et B = 4 0 0 0 1 5 sont
7

0 0 0 0 0 0 0 0
semblables.
Proposition de solution
La solution revient à trouver quatre vecteurs v1 ; v2 ; v3 ; v4 2 R4 tel que :
Av1 = 0, Av2 = 0, Av3 = v2 , Av4 = v2 + v3 et det (v1 ; v2 ; v3 ; v4 ) 6= 0.
Dès lors ;
Av1 = 0, je propose dans la base canonique de R4 , v1 = (0; 0; 0; 1)
Av2 = 0, je propose dans la base canonique de R4 , v2 = (1; 0; 0; 0)
Av3 = v2 , je propose dans la base canonique de R4 , v3 = (0; 1; 0; 0)
Av4 = v2 + v3 , je propose dans la base canonique de R4 , v4 = (0; 0; 1; 0).
0 1 0 0
0 0 1 0
Soit = fv1 ; v2 ; v3 ; v4 g, on a det = = 1 6= 0.
0 0 0 1
1 0 0 0
2 3
0 1 0 0
6 0 0 1 0 7
De là soit P = Ppass( a ) = P = 6 7
4 0 0 0 1 5, alors on a :
1 0 0 0
1
B = P AP , A et B sont semblables.

Remarque :
Soit x 2 E, soient = (e1 ; :::; en ), 0 = e01 ; :::; e0n deux bases de E,
symboliquement on notera :
x= x et 0 = P 0 ici est considérée comme une matrice uniligne :
e1 e2 en et 0 est considérée comme une matrice uniligne :
e01 e02 e0n .
Aussi on a : (ei ) = P 0 (ei ) , 8i 2 f1; 2; :::; ng, (e0i ) et (ei ) sont les
0

coordonnées de e0i et ei dans la base = (e1 ; :::; en ).

Proposition
) ; 0 =1 e01 ; :::; e0n deux bases de E.
Soient = (e1 ; :::; en0
x1
B x2 C
B C
Soit x 2 E, et x = B .. C= les coordonnées de x dans la base .
@ . A
xn

74
CHAPITRE 5. APPLICATIONS LINÉAIRES

0 1
x01
B x02 C
0B C 0
et x = B .. C= les coordonnées de x dans la base
@ . A
x0n
0 0
1
alors x = (P 0 = P) x ,x = P 0 =P x .

5.4.2 Déterminant d’une suite de vecteurs d’un K-espace vecto-

riel E de dimension …nie(Rappel,suite et …n)
Dé…nition
Soit S = (V1 ; V2 ; ::::; Vn ) une suite de n vecteurs d’un K-espace vectoriel
E de dimension n. Soit une base , de E, le déterminant de la suite S dans
la base , est noté
det (S) = V1 V2 Vn , où Vj constituent la j ieme colonne avec
les coordonnées de Vj dans la base . 81 j n.
Exemple
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 : 2 3
1 0 0 1 0 0
det (S) = 6 3 0 = 15. Soit A = 4 6 3 0 5,
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.
Proposition
Soit S = (V1 ; V2 ; ::::; Vn ) une suite de n vecteurs d’un K-espace vectoriel E de
dimension n. Soit une base , de E,
a) Si det (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 det (S) = 0, alors la suite S est liée ou linéairement dépendante.
Remarque
Soient deux bases = (e1 ; e2 ; :::; en ) et 0 = (t1 ; t2 ; :::; tn ) d’un K-espace vectoriel E
de dimension n.
P 0 = t1 t2 tn où tj constituent la j ieme colonne avec les coordonnées de
tj dans la base . 81 j n,
et det P 0 = det ( 0 ) = t1 t2 tn . Je rappelle que P 0 est la matrice de
0
passage de la base à la base .
Proposition
Soit S = (V1 ; V2 ; ::::; Vn ) une suite de n vecteurs d’un K-espace vectoriel E de
dimension n. Soit deux base , 0 de E, alors :
det (S) = V1 V2 Vn = det ( 0 ) det 0 (S)
0 0 0
= t1 t2 tn V1 V2 Vn
det (S) = det P 0 det 0 (S).

75
CHAPITRE 5. APPLICATIONS LINÉAIRES

5.4.3 Déterminant et trace d’un endomorphisme sur un K-espace

vectoriel E de dimension …nie
Proposition
Soit un endomorphisme f d’un K-espace vectoriel E de dimension …nie,
Moyennant une base sur E qui existe en pareille situation, on peut dé…nir :
det (f ) = det (M (f )) = det M 0 0 (f ) et
T race (f ) = T race (M (f )) = T race M 0 0 (f ) .
Pour Toute autre base 0 de E.
Dem :
On sait que M 0 0 (f ) = P 10 M (f ) P 0 et que :
1
det M 0 0 (f ) = det P 0 M (f ) P 0

1
= det P 0 det (M (f )) det P 0

1
= det P 0 det (M (f )) det P 0
1
= det P 0 det P 0 det (M (f ))(car K est un corps commutatif)
= det (M (f )).
1
Aussi T race M 0 0 (f ) = T race P 0 M (f ) P 0

1
= T race P 0 P 0 M (f ) = T race (M (f )).
Exercice
3
Soit f un endomorphisme de 2 R de matrice
3 A dans la base canonique 0 = (e1 ; e2 ; e3 )
1 2 3
dé…nie par : A = 4 1 4 5 5.
2 3 0 2 2
2
Soit X 0 = 4 3 5 les coordonnées d’un vecteur x1 dans la base 0 .
4
1. Calculer f (x1 ) dans la base 0 .
2. Soient u1 = e1 + e2 + e3 , u2 = e1 + 3e2 + 2e3 , u3 = e1 + 2e2 + e3 .
a) Montrer que = (u1 ; u2 ; u3 ) est une base de R3 .
b) Déterminer la matrice de passage P de la base 0 à la base .
c) Déterminer la matrice de passage P 0 de la base à la base 0 .
d) Donner les coordonnées X du vecteur x1 dans la base de deux façons.
e) Déterminer la matrice D de f dans la base de deux façons.
f) Calculer f (x1 ) dans la base , de deux façons.
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 2 N.
Proposé de solution 2 3 2 3
2 8
1. (f (x1 )) 0 = M at (f; 0 ; 0 ) X 0 = A 4 3 5 = 4 10 5.
4 2
2.
a) Avec = (u1 ; u2 ; u3 ) R3 et Card ( ) = 3 = dim R3 ,
1 1 1
on va calculer det ( ) = 1 3 2 = 1 6= 0, donc est une base de R3 .
1 2 1

76
CHAPITRE 5. APPLICATIONS LINÉAIRES

b) La matrice 2 de passage 3 P de la base 0 à la base est :

1 1 1
P =P 0 =4 1 3 2 5
1 2 1
c) La matrice de passage P 0 de la 0 base à la base
1 0 est :
1 1 1
1
P0 = P 0 = P 0 =P 1=@ 1 0 1 A.
2 31 1 2
1
d) On a X = P 0 X 0 = 4 6 5 d’une façon
7
l’autre 2façon serait
3 par exemple de noter que
2
X 0 = 4 3 5 = au1 + bu2 + cu3
2 4 3 2 3 2 3
1 1 1
X 0=a 1 4 5 + b 3 + c 2 5 et en résolvant le
4 5 4
1 2 1
système on trouve bien a 0 = 1, b = 6, 1 c = 7.
0 0 0
e) On a : D = P 1 AP = @ 0 1 0 A d’une façon
0 0 2
l’autre façon est de calculer et résoudre successivement
2 3 2 :3 2 3
1 1 1
(S1 ) , (f (u1 )) 0 = au1 + bu2 + cu3 = a 4 1 5 + b 4 3 5 + c 4 2 5,
21 3 22 3 21 3
1 1 1
0 0 0
(S2 ) , (f (u2 )) 0 = a u1 + b u2 + c u3 = a 1 4 5 + b 3 + c 2 5,
4 5 4
21 3 22 3 21 3
1 1 1
00 00 00
(S3 ) , (f (u3 )) 0 = a u1 + b u2 + c u3 = a 1 4 5 4 5
+ b 3 + c 2 5, 4
1 2 1
je rappelle que0les (Si ) pour 1i =0 1, 2, 3, sont 1des systèmes à résoudre.
a a0 a00 0 0 0
Et alors D = @ b b0 b00 A = @ 0 1 0 A.
c c0 c00 0 0 20 12 3 2 3
0 0 0 1 0
f) (f (x1 )) = M at (f; ; ) X = DX = @ 0 1 0 A 4 6 5 = 4 6 5.
0 0 2 7 14
Pour la deuxième façon, on rappelle qu’à la question 1. on a calculer
f (x1 ) dans la2 base3 0 , de là on fait la mise2en équation3 2 suivante
3 2: 3
8 1 1 1
4 5
(f (x1 )) 0 = 10 = au1 + bu2 + cu3 = a 1 4 5 +b 3 +c 2 5
4 5 4
2 1 2 1
en résolvant le système ci-dessus, on trouve 8 bien a2 = 0, b = 6, c = 14.
2 1
>
> A = P D P
<
1 1 A3 = P D 3 P 1
g) On a D = P AP , A = P DP ) .
>
> A4 = P D 4 P 1
: n
A = P Dn P 1 , n 2 N

77
CHAPITRE 5. APPLICATIONS LINÉAIRES

Il faut
0savoir que1 0 1 0 1
0 0 0 0 0 0 0 0 0
D= @ 0 1 0 A ) Dn = @ 0 1n 0 A=@ 0 1 0 A, n 2 N.
0 0 2 00 0 2n 10 0 0 2n 1 0 1
1 1 1 0 0 0 1 1 1
Ainsi : n 2 N, An = P Dn P 1
= @ 1 3 2 A @ 0 1 0 A @ 1 0 1 A
n
0 11 2 1 0 0 2 1 1 2
2n 1 2n 1 2n+1

An = @ 2n+1 3 2n+1 3 2n+2 A.

2n 2 2n 2 2n+1

78
CHAPITRE 5. APPLICATIONS LINÉAIRES

TRAVAUX DIRIGÉS
Calcul matriciel

Exercice 1
On considère les matrices suivantes :
2 3
2 1 0
4 5 2 0 1 0
A= 1 0 2 5, B = , C= :
3 1 2 0 3
3 1 1
Calculer, parmi les produits matriciels suivants, ceux qui ont un sens :

AB, BA, A2 , AC, CA, C 2 , BC, CB, B 2 .

Exercice 2
On considère
2 la matrice 3
1 1 1
A= 4 1 1 0 5
1 0 1
3
1. Calculer (A + I3 ) où I3 désigne la matrice unité de M3 (R).
2. En déduire :
a) L’expression de An où n 2 N.
b) Que A est inversible. Donner son inverse.
c) Une extension de An où n 2 Z.
Exercice 3 2 3
1 1 1
Les matrices : A = 4 2 2 2 5
2 3 3 3 3
0 1 0
et B = 4 0 0 0 5 sont-elles semblables ?
0 0 0
Exercice 4
Montrer que
2 la matrice 3
1 5 3
A= 4 1 1 3 5
3 2 8
est un diviseur de zèro sur M3 (R) cela signi…e :
trouver une matrice B non nulle telle que AB = 0.
Exercice 5
I) Les nombres 204; 527 et 255 étant divisibles par 17,
démontrer que le déterminant suivant l’est aussi sans calculer 4.

2 0 4
4= 5 2 7
2 5 5
:

79
CHAPITRE 5. APPLICATIONS LINÉAIRES

II) Calculer les déterminants suivants :

1 1 1 1 1 1 0 1 1
40 = 1 0 1 41 = b + c c + a a + b 42 = 1 0 1
1 1 0 bc ca ab 1 1 0

Exercice 6
Soit M 2 M2 4 (R) : 3
a b c d
6 b a d c 7
M =6 4 c
7.
d a b 5
d c b a
1) Donner la transposée (t M ), de la matrice M .
2) Calculer M: (t M ) et (t M ) :M , ces deux matrices commutent-elles ?
3) Déterminer le déterminant de M en sachant qu’il est positif.
4) A quelle condition M est-elle inversible ? Donner sa matrice inverse.
Exercice 7
Déterminer, suivant les valeurs du paramètre a, le rang des matrices0suivantes : 1
0 1 0 1 0 1 1 1 1
1 1 a a 1 a2 B 1 3 3 2 1 C
A=@ 1 1 a 2 A; B = @ a2 a a A ; C=B @
C.
2 0 a 3 1 A
a+1 2 3 1 a a3
4 3 1 0 1+a
Exercice 8
I) Résoudre
8 les systèmes d’équations linéaires
8 suivants :
< 2x y z = 4 < 3x + y + z = 1
a) 3x + 4y 2z = 11 ; b) x y + 2z = 2 ;
: :
3x 2y + 4z = 11 x + 3y 3z = 3
8
>
> x + y 3z = 1
<
2x + y 2z = 1
c) :
>
> x+y+z = 3
:
x + 2y 3z = 1
II) Résoudre
8 et discuter suivant les valeurs du paramètre réel m le système suivant :
< 2x + (m 1) y 3mz = 2
x 2 (m 1) y + mz = 1 .
:
x + (m 1) y 2mz = 2m
Exercice 9
Z
Déterminer 2 de façon que le système homogène :
8 5Z
< 3 x + 4y + 3z = 0
3x + 3 y =0
:
3x + 3y z =0
admette des solutions non nulles, et résoudre.
Exercice 10
3
Discuter
8 et résoudre le système sur R :
< ax + by + cz = 1
cx + ay + bz = 1 ; (a; b; c) 2 R3 .
:
bx + cy + az = 1

80
CHAPITRE 5. APPLICATIONS LINÉAIRES

Exercice 11
Discuter
8 et résoudre le système sur C3 :
< x + y + 2z =0
x+ y+ z = 0 où 2 C.
: 2
x+ y+ z =0

Espaces vectoriels et applications linéaires

Mise en bouche
EXERCICE 1.1
Soit R+ muni de la loi de composition interne dé…nie par a b = ab,
8a; b 2 R+ et de la loi de composition externe telle que
a = a ; 8a 2 R+ , 8 2 R.
Montrer que R+ ; ; est un R-espace vectoriel.
EXERCICE 1.2
Considérons les opérations suivantes : : R2 R2 ! R2 et : R2 R ! R2 .
Dans quels cas la structure (R2 ; ; ) est-elle un espace vectoriel sur R ?
8 (x1 ; y1 ) ; (x2 ; y2 ) 2 R2 , 8 2 R.
p p 3 p p 5
1. (x1 ; y1 ) (x2 ; y2 ) = 3 x + 3 x
1 2 ; 5 y1 + 5 y2 ; (x1 ; y1 ) = x1 3 ; x1 3
;
2. (x1 ; y1 ) (x2 ; y2 ) = (x1 + y1 ; 0) ; (x1 ; y1 ) = (x1 ; 0) ;
3. (x1 ; y1 ) (x2 ; y2 ) = (y1 + y2 ; x1 + x2 ) ; (x1 ; y1 ) = (y1 ; x1 ).

Série A
Exercice 1
Dans R2 , on pose : (x; y) + (x0 ; y 0 ) = (x + x0 ; y + y 0 ) et (x; y) = ( x; 0) ;
2 R: Ces deux lois de composition dé…nissent-elles sur R2
une structure d’espace vectoriel sur R?
Exercice 2
I) Montrer que les vecteurs suivants de R3 sont linéairement
dépendants et préciser leur relation de dépendance :
a) u = (1; 2; 1); v = (1; 0; 1); w = ( 1; 2; 3)
b) u = ( 1; 2; 5); v = (2; 3; 4); w = (7; 0; 7).
II) Préciser si les familles constituées des vecteurs suivants sont liés ou libres.
a) u = (7; 12); v = (18; 13); w = ( 4; 17)
b) u = ( 1; 0; 2); v = (1; 3; 1); w = (0; 1; 1)
5 9
c) u = (15; 27; 6; 12); v = ( ; ; 1; 2):
2 2
III) Déterminer tous les vecteurs (x; y; z) de R3 tels que le système suivant soit libre :

f(1; 0; 0); (0; 1; 1); (x; y; z)g

Exercice 3
On considère les sous-ensembles suivants dé…nis par des conditions sur
les composantes d’un vecteur a = (x1 ; x2 ; x3 ; x4 ) de R4 .
Indiquer ceux qui sont des sous-espaces vectiriels et
préciser alors leur dimension.

81
CHAPITRE 5. APPLICATIONS LINÉAIRES

E1 = fx 2 R4 j x2 = 0g ; E2 = fx 2 R4 j x2 0g ; E3 = fx 2 R4 j x1 = x2 + x3 g ;
E4 = fx 2 R4 j x3 x4 = 0g ; E5 = fx 2 R4 j x1 2 Qg ; E6 = fx 2 R4 j x2 = x21 g :

Exercice 4
On considère E = R2 [X], l’espace vectoriel des polynômes de degré inférieur ou égal
à 2 à coe¢ cients réels muni de sa base canonique B = (1; x; x2 ).
1. Montrer que B1 = (1; 1 + x; 1 + x + x2 ) est une base de E.
2
2. 0 = 2x1+ 3x + 4 dans la base B1 .
Ecrire f (x)
2
3. Soit P = @ 1 A dans la base B1 ; quelles sont
5
ses composantes dans la base B ?
4. Le système S = (3 + 2x + 2x2 ; 1 + 3x + 2x2 ; 3 5x 2x2 ) est-il une base
de E ? Si non, indiquer une relation qui lie les trois polynômes. Déterminer
la dimension du sous espace vectoriel de E engendré par ce système
Exercice 5
Soit F le sous-espace vectoriel de R3 engendré par les vecteurs :

u = (2; 1; 0); v = ( 1; 0; 1); w = (4; 1; 2)

a) Déterminer la dimension et une base de F et écrire la forme générale d’un élément de
F.
b) Montrer que G = f(0; + ; ) j 2 R, 2 Rg est un sous-espace vectoriel de R3
dont on déterminera la dimension et une base.
c) Déterminer la dimension et une base de la somme et de l’intersection des sous-espaces
vectoriels F et G.
d) Déterminer les coordonnées des vecteurs de la base canonique de R3 dans la nouvelle
base de F + G.
Exercice 6
Dans le R- espace vectoriel E = R3 , on considère les ensembles
F et G dé…nis comme suit :
F = f(a 3b; 2a + 3b; a) ; (a; b) 2 R2 g ; G = f(x; y; z) 2 E; x + 2y = 0g.
1. Prouver que les ensembles F et G sont des sous-espaces vectoriels
de E pour lesquels on donnera une base et la dimension.
2. Déterminer le sous-espace vectoriel F \ G.
Exercice 7
Préciser si les applications f : R3 ! R3 et g : R2 ! R3
dé…nies ci-après sont linéaires ou non :

f (x; y; z) = (x + y; y + z; z 1) ;
g(x; y) = (x; y; m) où m est un paramètre réel.

Exercice 8

Trouver un endomorphisme de R3 dont le noyau soit le sous-espace

vectoriel engendré par les vecteurs
u = (1; 0; 0) et v = (1; 1; 1). Est-il unique ?

82
CHAPITRE 5. APPLICATIONS LINÉAIRES

Exercice 9
Soit f l’application linéaire de R4 dans R3 dé…nie par :

f (x; y; z; t) = (6x y + az 2t; 15x + y + 3z + 5t; 3x y + 5z t).

1. Montrer que cette application n’est pas injective et déterminer

les valeurs du réel a pour lesquelles elle est surjective.
2. Donner une base du noyau de f .
Exercice 10
Soient R3 , l’espace vectoriel de base canonique B = (e1 ; e2 ; e3 )
et f l’endomorphisme de R3 dé…ni par :
f (e1 ) = e1 + 3e2 ; f (e2 ) = 2e1 + e3 ;
f (e3 ) = e1 + 2e2 + e3 .
1. Déterminer la matrice A associée à f .
2. Déterminer une base de Ker (f ) et de Im (f ).
3. Soit u = e1 + e2 e3 , montrer que (u; f (u) ; f 2 (u)) est une base de R3
et déterminer la matrice de f dans cette base.
4. Montrer que le système (u; e1 ; e2 ) est une base de R3 et déterminer la
matrice de f dans cette base.
Exercice 11
3
Soit f un endomorphisme de 2 R de matrice3 A dans la base canonique 0 = (e1 ; e2 ; e3 )
1 2 3
dé…nie par : A = 4 1 4 5 5.
0 2 2
1. Déterminer la matrice dé…nie par : (A I3 ) où I3 est la matrice d’ordre 3
et 2 R.
2. Calculer le polynôme P ( ) = det (A I3 ). En déduire les solutions de
l’équation P ( ) = 0.
3. Déterminer une base de chacun des sous-espaces vectoriels de R3 dé…nis par
E i = ker (f i IdR3 ), où i couvre les solutions de P ( ) = 0
et IdR3 est l’application identité de R3 .
4. Soient u1 = e1 + e2 + e3 , u2 = e1 + 3e2 + 2e3 , u3 = e1 + 2e2 + e3 .
a) Montrer que = (u1 ; u2 ; u3 ) est une base de R3 .
b) Déterminer la matrice de passage P de la base 0 à la base .
c) Déterminer la matrice D de f dans la base par la formule D = P 1 AP .
d) Donner l’expression 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 2 N.

83
CHAPITRE 5. APPLICATIONS LINÉAIRES

Série B
Exercice 1
Soit E = f(x; y) 2 R2 = y = 2xg: Montrer que E est un sous-espace vectoriel
de R2 et déterminer une base de E:

Exercice 2
On considère R3 muni de la base canonique = fe1 ; e2 ; e3 g :
Soient !
u = e1 + 2e2 + e3 , ! v = 2e1 + e2 e3 , ! w m = me2 e3 ; m 2 R
! ! !
1) Pour quelles valeurs de m, Sm = f u ; v ; w m g est-il une base de R3 ?
En déduire que S1 est une base de R3 :
2) Déterminer la matrice de passsage de la base à la base S1 :
3) Déterminer la matrice de passage de la base S1 à la base :
! !
4) Soit H = ( 5; 1; 2). Quelles sont les coordonnées de H dans la base S1 ?
5) On considère l’application linéaire
fm : R3 ! R3 : (x; y; z) 7! (x + 2y + z; 2x + y z; my z):
a) Quelle est la matrice de fm dans la base ?
b) Dans quels cas fm est-elle un automorphisme de R3 ?
En déduire que f0 et f1 sont des automorphismes de R3 :
c) Trouver (x; y; z) tel que f1 (x; y; z) = (0; 1; 7) et calculer ( f1 ) 1 (2; 5; 0):

Exercice 3 0 1 0 1
3 0 2 2 3 1
Soient les matrices : A = @ 4 2 0 A ; B = @ 2 i 2 A;
0 1 1 i 1 i 2 0
0 2 2
2 4 3
C=@ 3 1 1 A et D = .
5 11 2
3 1 1
1° ) Calculer si possible les matrices suivantes : E = AB et E 0 = BA
que peut-on conclure ?
2° ) Calculer si possible les matrices : F = AD et F 0 = DA.
3° ) Calculer C 3 . En déduire que C n’est pas inversible.

Exercice 4 0 1 0 1
1 2 5 2 0 2
On considère les matrices A = @ 3 2 3 A;B = @ 1 4 2 A
0 21 6 0 0 1 0
x
et T = @ y A:
z
1° ) Montrer que A et B Sont inversible et déterminer leur inverse.
Mêmes questions pour C=AB. 0 1
2
2° ) Résoudre dans IR3 l’équation matricielle CT = @ 0 A :
m
Exercice 5
1 1
On considère la matrice A = 2 M2 (R) :
1 0
a) Montrer que A2 = A I2 :

84
CHAPITRE 5. APPLICATIONS LINÉAIRES

b) Calculer A3
c) Montrer que, si p est un entier positif, on a :
A3p = ( 1)p I2 , A3p+1 = ( 1)p A , A3p+2 = ( 1)p (A I2 ) :
d) Les suites réelles (un ) et (vn ) sont dé…nies par les relations de récurrence :
un+1 = un + vn ; vn+1 = un et par la donnée de u1 et v1 :
Calculer un et vn en fonction de u1 , v1 et n, en particulier
pour n = 3p; n = 3p + 1 ; n = 3p + 2; p 2 N.

Exercice 6
Soit E un R - espace vectoriel de dimension 3 et = (e1 ; e2 ; e3 ) une base de E.
On considère l’application R - linéaire u : E ! E dé…nie par :
u (e1 ) = e1 + e2 + 2e3 , u (e2 ) = u (e1 ), u (e3 ) = e1 e2 .
Soit M la matrice de u dans la base : On pose :
f1 = e2 + e3 , f2 = e1 + e3 , f3 = e1 + e2 et & = (f1 ; f2 ; f3 ).
1) Écrire la matrice M .
2) Calculer la dimension de Ker (u), le rang de u et le rang de M .
3) Montrer que & est une base de E.
4) Soit P la matrice de passage de la base à la base & et
N la matrice de u dans la base &:
4-a) Déterminer les matrices P; P 1 et N:
4-b) Pour tout entier k 1, calculer N k et en déduire M k :

Exercice 7 0 1
31 1
1° ) Inverser si possible la matrice : Am = @ 31 m A:
m 4 2 1
3
2° ) Résoudre dans IR en discutant éventuellement suivant les valeurs de m
le système
8 :
P < 3x + y z = m
( 1) 3x + y mz = 3 et
:
8 (m 4) x 2y z = 1
P < 3x + y z = 1
( 2) 3x + y + z = 3 avec les formules de Cramer
:
5 x 2y z = 1

85
CHAPITRE 5. APPLICATIONS LINÉAIRES

Série C
Exercice 1
Sur l’ensemble Pn0 des polynômes à une indéterminée X de coé¢ cients réels,
de degré égal à l’entier positif n, on dé…nit l’addition de deux polynômes P et Q par :

(P + Q)(X) = P (X) + Q(X)

et la multiplication par un scalaire réel par :

( P )(X) = P (X):

a) Examiner si l’ensemble Pn0 muni de ces deux lois est un espace vectoriel.
b) Même question pour l’ensemble Pn des polynômes à une indéterminée X,
de degré inférieur ou égal à l’entier n. Montrer que l’ensemble In
des polynômes P de Pn tels que :

P (X) + P ( X) = 0

est un espace vectoriel dont on déterminera la dimension et une base.

Exercice 2
Sur l’ensemble S des suites numériques u=(un )n2N on dé…nit l’addition de
deux suites u et v par u + v = (un + vn )n2N
et la multiplication par un scalaire réel par :

u = ( un )n2N

1. Montrer que S est un espace vectoriel.

2. Montrer que l’ensemble F des suites de Fibonaci qui véri…ent la relation de
récurrence un+2 = un+1 + un est un espace vectoriel dont on déterminera
la dimension.
Exercice 3
1. On considère les sous-ensembles suivants dé…nis par des conditions sur
les composantes d’un vecteur a = (x1 ; x2 ; x3 ; x4 ) de R4 .
Indiquer ceux qui sont des sous-espaces vectiriels et préciser alors leur dimension.
E1 = fx 2 R4 j x2 = 0g ; E2 = fx 2 R4 j x2 0g ;
E3 = fx 2 R4 j x1 = x2 + x3 g ; E4 = fx 2 R4 j x3 x4 = 0g ;
E5 = fx 2 R4 j x1 2 Qg ; E6 = fx 2 R4 j x2 = x21 g :
Exercice 4
Déterminer si les ensembles suivants sont des sous-espaces vectoriels de
l’espace vectoriel E des fonctions dérivables sur R :
E1 = ff 2 E j f 2 = f 0 g ; E2 = ff 2 E j f (x) = xf 0 (x) ; 8x 2 Rg :
Exercice 5
I) Montrer que les vecteurs suivants de R3 sont linéairement dépendants
et préciser leur relation de dépendance :

86
CHAPITRE 5. APPLICATIONS LINÉAIRES

a) u = (1; 2; 1); v = (1; 0; 1); w = ( 1; 2; 3)

b) u = ( 1; 2; 5); v = (2; 3; 4); w = (7; 0; 7).
II) Préciser si les familles constituées des vecteurs suivants sont liés ou libres.
a) u = (7; 12); v = (18; 13); w = ( 4; 17)
b) u = ( 1; 0; 2); v = (1; 3; 1); w = (0; 1; 1)
5 9
c) u = (15; 27; 6; 12); v = ( ; ; 1; 2):
2 2
III) Déterminer tous les vecteurs (x; y; z) de R3 tels que le système suivant soit libre :

f(1; 0; 0); (0; 1; 1); (x; y; z)g

:
IV) A partir du système libre fe1 ; :::; en g d’un espace vectoriel E,
on construit les vecteurs :

j = e1 +e2 +:::+ej pour j = 1; 2; :::; n. Montrer que f 1 ; 2 ; :::; ng est aussi un système libre.
V) Si b1 = (1; 1; 1; 1) ; b2 = (1; 1; 1; 1) ; b3 = (1; 1; 1; 1); b4 = (1; 1; 1; 1) consti-
tient une base de R4 ,

déterminer les coordonnées du vecteur x = (1; 2; 1; 1) dans cette base.

VI) Montrer que le sous-ensemble E, ci-après est un sous-espace vectoriel de R4
dont on déterminera la dimension et une base.

E = f( ;2 ; +2 ; )j 2 R; 2 Rg
:
VII) Montrer que les polynômes P1 , P2 , P3 dé…nis ci-après forment une base
de l’espace vectoriel des polynômes
à une indéterminée X, de degré inférieur ou égal à deux :

P1 (X) = X 2 ; P2 (X) = (X 1)2 ; P3 (X) = (X + 1)2 .

Exprimer les polynômes Q et R suivants dans cette base :

Q(X) = 12 ; R(X) = 3X 2 10X + 1.

VIII) Soit E l’espace vectoriel des fonctions réelles continues et dérivables sur R et
F l’ensemble des fonctions numériques f dé…nies par :
8
< x+ si x < 0
2
f (x) = ax + bx + c si 0 x 1 .
:
x+ si 1 < x

Exprimer les constantes réelles , , , en fonction des trois réels a, b, c pour que
F soit un sous-espace vectoriel de E. Déterminer alors la dimension et
une base de F .

87
CHAPITRE 5. APPLICATIONS LINÉAIRES

IX) Soit F le sous-espace vectoriel de R3 engendré par les vecteurs :

u = (2; 1; 0) ; v = ( 1; 0; 1) ; w = (4; 1; 2)
a) Déterminer la dimension et une base de F et écrire la forme générale d’un
élément de F .
b) Montrer que G = f(0; + ; ) j 2 R; 2 Rg est
3
un sous-espace vectoriel de R dont on déterminera la dimension et une base.
c) Déterminer la dimension et une base de la somme et de l’intersection
des sous-espaces vectoriels F et G.
d) Déterminer les coordonnées des vecteurs de la base canonique de R3
dans la nouvelle base de F + G.
X) Dans l’espace vectoriel R3 [X] des polynômes de degré inférieur ou égal à 3,
on considère les polynômes suivants de l’indéterminée X :

P1 (X) = 5+X+X 2 +X 3 ; P2 (X) = 1+6X+3X 2 +X 3 ; P3 (X) = 16+3X 2X 3 ;

P4 (X) = 3+4X+4X 2 +X 3 ; P5 (X) = 6+3X+X 2 ; P6 (X) = 3+6X+10X 2 +3X 3 ;

P7 (X) = 3 X 3X 2 X 3.
Déterminer la dimension et une base des espaces vectoriels F et G engendré
respectivement par les familles fP1 ; P2 ; P3 ; P4 g et fP5 ; P6 ; P7 g,
puis des espaces vectoriels F \ G et F + G:
XI) Soit F et G les sous-espaces vectoriels de R4 engendrés par les familles
respectives fu1 ; u2 ; u3 g et fv1 ; v2 g ; où :

u1 = (1; 0; 4; 2) ; u2 = (1; 2; 3; 1) ; u3 = (1; 2; 5; 3) ; v1 = (4; 2; 0; 1) ; v2 = (1; 4; 2; 1) .

a) Déterminer la dimension et une base des espaces vectoriels F et G.

b) Montrer que les sous-espaces F et G sont supplémentaires.
Exercice 6
Préciser si les applications f : R3 ! R3 et g : R2 ! R3
dé…nies ci-après sont linéaires ou non :

f (x; y; z) = (x + y; y + z; z 1); g(x; y) = (x; y; m) où m est un paramètre réel.

Exercice 7
Trouver un endomorphisme de R3 dont le noyau soit le sous-espace vectoriel
engendré par les vecteurs u = (1; 0; 0) et v = (1; 1; 1). Est-il unique ?
Exercice 8
Soit f l’application linéaire de R4 dans R3 dé…nie par :

88
CHAPITRE 5. APPLICATIONS LINÉAIRES

f (x; y; z; t) = (6x y + az 2t; 15x + y + 3z + 5t; 3x y + 5z t).

Montrer que cette application n’est pas injective et déterminer les valeurs
du réel a pour lesquelles elle est surjective. Donner une base du noyau de f .
Exercice 9
Vous répondrez par Vrai ou faux avec justi…cation
a) A un homomorphisme donné f correspond une in…nité de matrices
qui lui sont associées.
b) L’application identique d’un espace vectoriel E de dimension …nie
se traduit par la même matrice dans toutes les bases de E.
c) Si le produit matriciel AB = 0, alors A = 0 ou B = 0.
d) Si A et B sont deux matrices carrées de même ordre inversibles,
alors leur somme est inversible, avec

1 1
(A + B) =A + B 1.
e) Si A est une matrice inversible, sa transposée admet comme
inverse la transposée de A 1 .
f) Si AB = I, alors A et B sont deux matrices inverses l’une de l’autre.
g) Deux matrices distinctes ont deux déterminants distincts.
h) Pour tout entier n et toute matrice carrée A : detAn = (det A)n .
Exercice 10
1 0 1 1
On considère les matrices : A = B= .
1 2 1 0
Calculer A2 + 2AB + B 2 et comparer avec (A + B)2 . Commenter.
Exercice 11
Si M et N sont deux matrices de types respectifs (m; n) et (n; m) telles que M N = I,
montrer que la matrice P = N M est idempotente, c’est-à-dire que P 2 = P .
En déduire que P est diviseur à droite et à gauche de zéro.
Exercice 12
On considère les matrices suivantes :
2 3
2 1 0
5 2 0 1 0
A=4 1 0 2 5, B = , C= .
3 1 2 0 3
3 1 1
Calculer, parmi les produits matriciels suivants, ceux qui ont un sens :

AB, BA, A2 , AC, CA, C 2 , BC, CB, B 2 .

Exercice 13
Montrer que les vecteurs suivants forment une base de R3 :

1 = (1; 0; 1) ; 2 = ( 1; 1; 0) ; 3 = (2; 1; 1) .
On dé…nit alors l’application f de R3 dans R4 par les images,
exprimées dans la base canonique de R4 :

89
CHAPITRE 5. APPLICATIONS LINÉAIRES

f ( 1 ) = (1; 1; 1; 0) ; f ( 2 ) = ( 1; 1; 1; 0) ; f ( 3 ) = (0; 1; 1; 1) .
Déterminer la matrice A qui représente f lorsque R3 est muni de la basef 1 ; 2 ; 3 g
et la matrice B lorsque R3 est muni de la base canonique.
A-t-on une relation matricielle entre A et B ?
Exercice 14
On considère l’homomorphisme f de R4 dans R3 dé…ni par :

f (x; y; z; t) = (x + t; x + y + t; y + z + t) .
Déterminer la matrice de cette application linéaire lorsque R4 est
muni de la base formée des vecteurs :
u1 = (1; 1; 1; 1; ) ; u2 = (1; 1; 1; 0) ; u3 = (1; 1; 0; 0) ; u4 = (1; 0; 0; 0)
et R3 de la base :

v1 = (0; 0; 1) ; v2 = (0; 1; 1) ; v3 = (1; 1; 1) .

Déterminer le noyau et l’image (Imf ) de f .

Exercice 15
I) Les nombres 204; 527 et 255 étant divisibles par 17,
démontrer que le déterminant suivant l’est aussi :

2 0 4
4= 5 2 7
2 5 5
:
II) Calculer les déterminants suivants :
1 1 1 1 1 1 0 1 1
40 = 1 0 1 41 = b + c c+a a+b 42 = 1 0 1
1 1 0 bc ca ab 1 1 0
3 1 1 1 0 a b c
1 3 1 1 a 0 c b
43 = 44 = où a; b; c 2 R
1 1 3 1 b c 0 a
1 1 1 3 c b a 0
III) Exprimer le déterminant d’ordre n suivant en fonction de 4n 1 et 4n 2 :

2 1 0 0
1 2 1 0 0
.. .. .. . . ..
0 . . . . .
4n = .. . . .. .. .. .
. . . . . 0
.. ... ... ...
. 1
0 0 1 2

On en déduira ensuite 4n 4n 1 , puis 4n .

Exercice 16
Déterminer le rang des matrices suivantes et inverser celles qui sont inversibles
(suivant les valeurs du paramètre réel a).

90
CHAPITRE 5. APPLICATIONS LINÉAIRES

2 3 2 3
1 2 1 2 a 1 3
1 a
A1 = , A2 = 4 1 0 1 5 , A3 = 4 1 1 a 2 5,
a 2
3 2 2 2 3 2 a

2 3 2 3
2 1 3 1 2 0 2 0 2
6 3 1 2 0 7 6 0 1 0 1 0 7
A4 = 6
4 1
7 , A5 = 6 7
3 4 2 5 4 2 1 0 2 1 5
4 3 1 1 0 1 0 1 0
Exercice 17
I) Résoudre
8 les systèmes d’équations linéaires
8 suivants :
< 2x y z = 4 < 3x + y + z = 1
a) 3x + 4y 2z = 11 , b) x y + 2z = 2 ,
: :
3x 2y + 4z = 11 x + 3y 3z = 3
8 8
>
> x + y 3z = 1 >
> x+y+z+t+u = 7
< <
2x + y 2z = 1 3x + 2y + z + t 3u = 2
c) , d)
>
> x+y+z = 3 >
> y + 2z + 2t + 6u = 23
: :
x + 2y 3z = 1 5x + 4y + 3z + 3t u = 12
II) Résoudre et discuter suivant les valeurs du paramètre réel m
les système suivants : 8
8 > mx + y + t = m+1
< 2x + (m 1) y 3mz = 2 >
<
x + my + z = m 1
a) x 2 (m 1) y + mz = 1 , b)
: >
> y + mz + t = m+1
x + (m 1) y 2mz = 2m :
x + z + mt = m 1

TRAVAUX DIRIGES EN CBG1 Bioscience & STRM

Calculs Matriciels

Exercice 1
1. Déterminer les réels x et y tels que les matrices A et B suivantes soient égales :

1 3 0 1 3 x 1 + 2y
A= et B =
3 2x + 3y 4 3 7 4
0 1
1 1 a
2. @
Soit la matrice A = 1 1 b A. Déterminer a; b et c pour que la matrice A2
1 1
2 2
c
soit la matrice0nulle. 1 0 1
1 1 4 1 0 0
3. Soient P = @ 1 1 4 A ; I3 = @0 1 0A et M = P + I3 .
1 1
2 2
2 0 0 1
a. Montrer que P 2 est une matrice nulle.
b. Exprimer M 2 et M 3 en fonction des matrices P et I.
c. Montrer que 8n 2 N ; M n = nP + I3 .

91
CHAPITRE 5. APPLICATIONS LINÉAIRES

d. On pose Sn = M + M 2 + ::: + M n , avec n 2: Exprimer Sn en fonction de

P , I3 et n.
Exercice 2
0 1
5 6 6
I- On donne la matrice A = @0 1 0 A.
3 3 4
(a) Calculer : A3 3A 2I.
1 1
(b) = (A2 3I).
En déduire que A est inversible et que son inverse est A
2
0 1 0 1
1 1 2 1 0 0
II- On considère les matrices suivantes : B = @1 2 1A et I = @0 1 0A.
2 1 1 0 0 1
1. Calculer B 2 et B 3 :
2. On pose D = B 2 + 4B + I et C = B 3 + 4B 2 + B 4I.
a- Calculer D et C.
b- Montrer que C = BD 4I.
c- En déduire que la matrice B est inversible et trouver sa matrice inverse
B 1.
Exercice 3
0 1 0 1
1 1 1 1 0 0
I- Soit A = @ 3 5 3 A et I3 = @0 1 0A.
1 1 1 0 0 1
1- a. Calculer A3 + 3A2 + 16A + 12I.
b. En déduire l’existence d’une matrice P telle que AP = I.
c.
Donner une écriture de P sous forme de matrice.
0 1 0 1
a b c 1 0 0
II- On donne les matrices M = @0 a b A et I = @0 1 0A où a; b; c 2 R.
0 0 a 0 0 1
1- Supposons que a = 3, b = 2, c = 1. Montrer que M est inversible et calculer
son inverse.
2- On pose : a = b = 1 et c = 0.
a. Déterminer la matrice B = A I ; calculer B 2 et B 3 . En déduire B n
pour tout n 3.
b. Exprimer A en fonction de B et I et calculer An en fonction de I, n et B
(se servir du binôme de Newton). En déduire alors A20 (donner l’expression
et la forme matricielle).

Calculs de Déterminant

92
CHAPITRE 5. APPLICATIONS LINÉAIRES

Exercice 1
Soit les matrices suivantes :
0 1 0 1
3 2 4 2 1 4
M = @2 4 5A et A = @5 2 3A
1 8 2 8 7 3
A- 1. i. Déterminer les cofacteurs de tous les éléments de M .
ii. En déduire le déterminant de M . Dire si det(M ) 6= 0.
1
iii. Si oui, Calculer la matrice P = Com(M )t , où Com(M ) désigne la
det(M )
comatrice de la matrice M .
iv. Que représente la matrice P pour la matrice M ?
v. Déterminer B = 50M . Montrer que det(B) = 503 det(M ).
0 1
1 0 0 0 0
B 5 2 3 5 1C
B C
B
2. Soit la matrice N = B 8 15 10 20 0C 3
C Montrer que det(N ) = 5 det(M ).
@ 9 5 40 10 0A
1 10 20 25 0
B- Reprendre la question 1) pour la matrice A: (A ne pas traiter au TD)
Exercice 2
Calculer les déterminants suivants à l’aide de la méthode de développement :

2 1 5 10 3 3
D1 = , D2 = , D3 = ,
3 4 1 2 2 1
2 0 3 1 2 3 0 1 1
D4 = 2 3 1 , D5 = 4 5 6 , D7 = 1 0 1 ,
5 1 0 1 2 3 1 1 0
1 0 0 1 1 1 0 0
0 1 1 0 1 0 1 0
D8 = , D9 = .
1 0 1 0 0 0 1 1
0 1 0 1 0 0 1 1
Exercice 3
Calculer à l’aide de la méthode de Sarrus les déterminants suivants :
8 5 21 4 5 3 5 4 2
4 6 1 = 595, 3 2 1 = 108, 3 5 1 = 199
1 12 7 1 7 4 6 2 5
Exercice 4
Dire pourquoi les déterminants suivants sont nuls sans calcul formel :
1 2 3 3 4 5
0 0
1 = 4 5 6 , 2 = , 3 = 1 0 2,
1 0
2 4 6 2 4 3
2 1 3 3 0 1 1 1
0 2 1 6 2 3 4 6
4 = , 5 = .
5 1 0 3 5 3 8 7
10 3 7 9 2 2 5 5

Système d’équations linéaires

93
CHAPITRE 5. APPLICATIONS LINÉAIRES

Exercice 1 0 1 0 1 0 1
2 1 1 x 0
Soit les matrices A = @ 1 3 1 A, X = @y A et B = @ 1 A.
1
2
1 1 z 2
Résoudre l’équation matricielle AX = B.
Exercice 2
On considère le système d’équations
8
< x 3y = a
(S) x y=b
:
x + 3y + 2z = c:

1- Montrer que résoudre (S), équivaut à résoudre une équation de la forme : M X = B

où M , X et B sont des matrices à déterminer.
2- a. Calculer M 2 et M 3 .
b. Exprimer M 3 en fonction de I3 .
1
3- a. Montrer que M X = B , X = M 2 B.
8
b. En déduire la résolution de (S):
c. Donner les solutions de (S) lorsque : a = 3, b = 5 et c = 4.
Exercice 0
3 1 0 1
1 1 1 1 0 0
Soit A = @ 3 5 3 A et I3 = @0 1 0A.
1 1 1 0 0 1
1- a. La matrice A est-elle inversible ? Si oui, justi…er puis déterminer son inverse.
b. En déduire la résolution du système suivant :
8
< x+y+z =2
3x + 5y + 3z = 1
:
x+y z = 3

2- Résoudre, à partir des résultats précédent uniquement, le système suivant :

8 2 2
>
> y z 4
< x2 = e
>
x6 y 10 z 6 = e2
>
> 2 2
: x y = e 6:
>
z2
Exercice 4
I- On donne les vecteurs suivants : a1 = 2 1 4 , a2 = 3 5 1 ,
t
a3 = 1 2 3 et B = 1100 880 1980 .
Soit A la matrice dans laquelle la première, la deuxième et la troisième colonne sont
respectivement constituées des coordonnées de a1 ; a2 et a3 .
0 1t
2 1 4
1) Montrer que A = @ 3 5 1 A .
1 2 3

94
CHAPITRE 5. APPLICATIONS LINÉAIRES

2) Montrer que la matrice A est inversible et déterminer A 1 .

II-
1) Résoudre le système d’équations :
8
< 2x + 3y + z = 1100
x + 5y + 2z = 880
:
4x + y + 3z = 1980

On pourra remarquer que dans ce système, tous les éléments du second membre
sont multiples de 22.
2) L’entreprise CBG-Technologie fabrique trois types d’articles X; Y; Z. Chaque
article passe successivement dans trois ateliers : atelier 1 ; atelier 2 et atelier 3.
Le temps de passage dans les ateliers sont donnés dans le tableau suivant :

X Y Z
Atelier 1 20 30 10
Atelier 2 10 50 20
Atelier 3 40 10 30
Au cours d’un programme de fonctionnement annuel, les charges horaires des
ateliers ont été de 110000 heures pour l’atelier 1, de 88000 heures pour l’atelier
2 et de 198000 heures pour l’atelier 3.

Déduire de la question II-1, déterminer le nombre de chaque type d’articles

qui a été fabriqué.

Espaces Vectoriels-Applications Linéaires

Exercice 1
1. On pose E = R2 . Doté des lois suivantes, E est - il un espace vectoriel ?
(a) L’addition : E E ! E ; ((x1 ; y1 ); (x2 ; y2 )) ! (x1 + x2 ; y1 + y2 )
et la multiplication R E ! E ; ( ; (x; y)) ! ( x; 0).
(b) L’addition : E E ! E ; ((x1 ; y1 ); (x2 ; y2 )) ! (x1 3x2 ; y1 + x1 y2 )
et la multiplication R E ! E ; ( ; (x; y)) ! ( 2x; y).
2. Soit L l’ensemble des suites réelles qui tendent vers 0.
Montrer que (L; +; ) est un R-espace vectoriel.
3. Est ce que les ensembles suivants sont des espaces vectoriels ?
(a) A = ensemble des fonctions polynômes.
(b) B = ensemble des fonctions polynômes de degré supérieur ou égal à 2:
(c) C = ensemble des fonctions polynômes degré strictement inférieur à 2:
Exercice 2
Parmi les ensembles suivants reconnaître ceux qui sont des sev de R2 ou R3 :
E1 = f(x; y; z) 2 R3 =x + 2y 3z = 0g
E10 = f(x; y; z) 2 R3 =xy = 0g
E2 = f(x; y) 2 R2 =2x 3y > 0g

95
CHAPITRE 5. APPLICATIONS LINÉAIRES

E20 = f(x; y; z) 2 R3 =x2 + xy + y 2 0g

E3 = ff 2 F(R; R)=f (0) = 1g
E30 = ff 2 F(R; R)=f (1) = 0g
EXERCICE 3
1) Dans R3 déterminer les sous espaces vectoriels engendrés par A = f(1; 1; 1) ; (1; 0; 1)g.
2) Soit F = f(x; y; z) 2 R3 = x + 2y z = 0g Montrer qu’il existent deux vecteurs
qui engendrent F:
3) Dans R3 ; on considère, F = f(x; 0; 0) ; x 2 Rg et G = f(x; x; 0) ; x 2 Rg
a. Montrer F et G sont des sous espaces vectoriels de R3 :
b. Déterminer F + G.
EXERCICE 4
1- Dans R2 ; montrer que (1; 2) ; (2; 3) ; (2; 2) forme un système générateur.
2- Montrer que R2 = V ect f(1; 1) ; (2; 3)g
1. Les familles de vecteurs suivantes sont-elles libres ? : A1 = f(1; 2; 3); (4; 5; 6); ( 1; 2; 3)g ;
A2 = f1; cos(x); cos(2x)g ; A3 = f1; 1 + x; x2 g ; A4 = f(1; 0; 3), (2; 1; 1), (3; 1; 2)g.

EXERCICE 5
I. Parmi les applications suivantes quelles sont celles qui sont linéaires ? Si oui quelles
sont celles qui sont injectives, surjectives, bijectives ?
a) f : R2 ! R2 , (x; y) 7 ! (2x + y; 3x 2y)
b) f : R2 ! R2 , (x; y) 7 ! (x + y; xy)
2 2
c) f :R !R , (x; y) 7 ! (x + 1; y)
d) f : R2 ! R3 , (x; y) 7 ! (x + y; x; 0)
II. Soit E l’espace vectoriel des fonctions de R dans R, deux fois dérivables et '
l’application :

f : E !E
y 7 ! y 00 + y 0 2y.

Montrer que ' est une application linéaire.

EXERCICE 6
I. Soit les systèmes B1 = fv1 ; v2 ; v3 g et B = fe1 ; e2 ; e3 g où on a : v1 = (1; 0; 1) ;
v2 = (1; 1; 1) et v3 = (0; 1; 1) puis e1 = (1; 2; 0) ; e2 = (0; 1; 0) et e3 = (0; 0; 1)
1) Montrer que B1 et B sont des bases de R3 .
2) Écrire les vecteurs (3; 4; 5) puis (a; b; c) en fonction des vecteurs la base B1 .
II. Soit f : R3 ! R3 une application linéaire dé…nie par :

f (v1 ) = (0; 5; 1) = u1
f (v2 ) = (3; 1; 2) = u2
f (v3 ) = (1; 6; 0) = u3 .

96
CHAPITRE 5. APPLICATIONS LINÉAIRES

1) Exprimer en fonction de u1 ; u2 et u3 les vecteurs f (3; 4; 5) et f (a; b; c).

2) En déduire l’expression de f sur R3 .
3) Déterminer Ker(f ) et Im(f ).
3) l’application est - elle bijective ? Justi…er
III. On désir écrire la matrice de f dans la base B.
1) Exprimer chacun des vecteurs u1 ; u2 ; u3 dans la base B1 .
2) En déduire f (v1 ) ; f (v2 ) et f (v3 ) dans la base B1 .
3) Reécrire f (v1 ) ; f (v2 ) et f (v3 ). dans la base B.
0 1
: : :
4) Écrire les matrices AB1 = @: : :A ;
0 1 0 : 1 : :
: : : : : :
@
AB = : : : A @
et P = : : :A.
: : : : : :
NB : P est la matrice de passage de la base B1 à la base B. Les matrices AB et
AB1 sont les matrices de f dans les bases B et B1 respectivement.
1
4) Montrer que P est inversible et calculer P
1
4) Montrer que AB = P AB1 P .
EXERCICE 7
1. Soit k un réel.
(a) Déterminer les valeurs de k pour lesquelles les vecteurs u et v sont orthogonaux
dans R4 ; où u = (k; 1; k; 3)t et v = (k; 3; 2; 6)t .
p
(b) Déterminer les valeurs de k pour lesquelles kwk = 39 où w = (1; k; 2; 5)t 2
R4 .
(c) Déterminer les valeurs de k pour lesquelles d(x; y) = 6 où x = (2; k; 1; 4)t et
y = (3; 1; 6; 3)t .
2. Soit L la droite passant par le point A = (2; 3; 1) et parallèle au vecteur ! u =
t
(1; 4; 1) . Déterminer l’équation du plan qui contient la droite L et le point B =
(1; 2; 1).

97
Bibliographie

[1] Jean-Marie Monier, Algèbre MPSI, Cours et 700 Exercices Corrigés,

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

98