Bien sûr !
Voici un cours structuré sur l'algèbre de prépa MPSI, avec une approche complète et
détaillée, suivie d'exercices corrigés.
1. Introduction à l'algèbre linéaire et aux espaces vectoriels
1.1. Définition d'un espace vectoriel
Un espace vectoriel EE sur un corps KK est un ensemble muni de deux opérations :
● Addition de vecteurs : pour tous u,v∈Eu, v \in E, u+v∈Eu + v \in E.
● Multiplication par un scalaire : pour tout λ∈K\lambda \in K et v∈Ev \in E,
λv∈E\lambda v \in E.
Ces opérations doivent satisfaire 8 axiomes (commutativité, associativité, etc.).
1.2. Exemples d'espaces vectoriels
● Rn\mathbb{R}^n avec les opérations usuelles.
● L'ensemble des polynômes à coefficients dans R\mathbb{R}, noté R[X]\mathbb{R}[X].
● Les suites réelles RN\mathbb{R}^{\mathbb{N}}.
1.3. Sous-espaces vectoriels
Un sous-espace vectoriel FF de EE est un sous-ensemble de EE qui est lui-même un espace
vectoriel pour les mêmes opérations.
Critères de sous-espace :
1. Le vecteur nul est dans FF.
2. FF est stable par addition : si u,v∈Fu, v \in F, alors u+v∈Fu + v \in F.
3. FF est stable par multiplication par un scalaire : si u∈Fu \in F et λ∈K\lambda \in K,
alors λu∈F\lambda u \in F.
1.4. Base et dimension d'un espace vectoriel
● Une base de EE est un ensemble de vecteurs linéairement indépendants qui
engendrent EE.
● La dimension de EE, notée dim(E)\dim(E), est le nombre de vecteurs dans une base de
EE.
2. Matrices et systèmes linéaires
2.1. Matrices
Une matrice est un tableau de nombres (ou d'éléments d'un corps KK), et une matrice AA de
taille m×nm \times n est une fonction qui associe à chaque couple d'indices (i,j)(i,j) l'élément
aija_{ij}.
2.2. Rang d'une matrice
Le rang d'une matrice AA, noté rang(A)\text{rang}(A), est la dimension du sous-espace vectoriel
engendré par ses lignes (ou ses colonnes). C'est également le nombre de pivots non nuls dans
la forme échelonnée de AA.
2.3. Résolution de systèmes linéaires
Un système linéaire Ax=bA \mathbf{x} = \mathbf{b} peut être résolu par :
● La méthode de Gauss : réduction de la matrice augmentée [A∣b][A | \mathbf{b}] à sa
forme échelonnée.
● Le théorème de Cramer : valable lorsque le rang de la matrice AA est maximal et
donne une solution unique.
2.4. Inverse d'une matrice
Une matrice carrée AA est invertible si et seulement si son rang est égal à sa taille, i.e.,
rang(A)=n\text{rang}(A) = n. L'inverse de AA est noté A−1A^{-1}, et satisfait A×A−1=IA \times
A^{-1} = I où II est la matrice identité.
3. Applications linéaires et diagonalisabilité
3.1. Applications linéaires
Une application linéaire f:E→Ff : E \to F entre deux espaces vectoriels EE et FF sur KK est
une fonction qui vérifie :
● f(u+v)=f(u)+f(v)f(u + v) = f(u) + f(v)
● f(λv)=λf(v)f(\lambda v) = \lambda f(v)
3.2. Matrice associée à une application linéaire
Soit EE et FF des espaces vectoriels de dimension nn et mm respectivement, et f:E→Ff : E \to
F une application linéaire. Il existe une unique matrice A∈Mm,n(K)A \in M_{m,n}(K) telle que
f(x)=Axf(\mathbf{x}) = A\mathbf{x} pour tout x∈E\mathbf{x} \in E.
3.3. Diagonalisation
Une matrice AA est diagonalisable s'il existe une matrice inversible PP telle que P−1APP^{-1}
A P est une matrice diagonale. Les valeurs propres de AA sont les éléments de la diagonale de
cette matrice.
Exercices corrigés
Exercice 1 : Résolution d'un système linéaire
Résoudre le système suivant par la méthode de Gauss :
(123456789)(x1x2x3)=(61524)\begin{pmatrix} 1 & 2 & 3 \\ 4 & 5 & 6 \\ 7 & 8 & 9 \end{pmatrix}
\begin{pmatrix} x_1 \\ x_2 \\ x_3 \end{pmatrix} = \begin{pmatrix} 6 \\ 15 \\ 24 \end{pmatrix}
Solution :
● On commence par écrire la matrice augmentée :
[12364561578924]\left[ \begin{array}{ccc|c} 1 & 2 & 3 & 6 \\ 4 & 5 & 6 & 15 \\ 7 & 8 & 9 & 24
\end{array} \right]
● Appliquons la réduction de Gauss :
○ Soustrayons 4 fois la première ligne de la deuxième et 7 fois la première ligne de
la troisième :
● [12360−3−6−90−6−12−18]\left[ \begin{array}{ccc|c} 1 & 2 & 3 & 6 \\ 0 & -3 & -6 & -9 \\ 0
& -6 & -12 & -18 \end{array} \right]
○ Divisons la deuxième ligne par -3 :
● [123601230−6−12−18]\left[ \begin{array}{ccc|c} 1 & 2 & 3 & 6 \\ 0 & 1 & 2 & 3 \\ 0 & -6 &
-12 & -18 \end{array} \right]
○ Ajoutons 6 fois la deuxième ligne à la troisième :
● [123601230000]\left[ \begin{array}{ccc|c} 1 & 2 & 3 & 6 \\ 0 & 1 & 2 & 3 \\ 0 & 0 & 0 & 0
\end{array} \right]
● Le système est donc sous-déterminé, et il y a une infinité de solutions. Les variables
x1x_1 et x2x_2 peuvent être exprimées en fonction de x3x_3, avec :
x1=6−2x2−3x3,x2=3−2x3x_1 = 6 - 2x_2 - 3x_3, \quad x_2 = 3 - 2x_3
Exercice 2 : Trouver la base de l'espace vectoriel engendré
Soit l'espace vectoriel EE de R4\mathbb{R}^4 engendré par les vecteurs :
v1=(1,2,0,1),v2=(2,4,1,3),v3=(0,1,1,1),v4=(3,6,1,4)v_1 = (1, 2, 0, 1), \quad v_2 = (2, 4, 1, 3),
\quad v_3 = (0, 1, 1, 1), \quad v_4 = (3, 6, 1, 4)
Solution :
● On forme la matrice des coefficients des vecteurs et on applique la réduction de Gauss
pour déterminer les vecteurs linéairement indépendants. A=(1203241601111314)A =
\begin{pmatrix} 1 & 2 & 0 & 3 \\ 2 & 4 & 1 & 6 \\ 0 & 1 & 1 & 1 \\ 1 & 3 & 1 & 4
\end{pmatrix} Après réduction de Gauss, on obtient une matrice équivalente avec 2
pivots, donc la dimension de l'espace est 2. Les deux vecteurs linéairement
indépendants qui forment une base de EE sont v1v_1 et v3v_3.
Ce cours couvre une introduction à l'algèbre linéaire et fournit des exercices clés avec des
solutions détaillées. Pour aller plus loin, il serait utile de pratiquer des exercices
