Unversité Amadou Mahtar Mbow, Dakar Senegal

STA
MPI-SML

Mr. Thierno M.M. Sow

Cours de Algébre 2
 Resumé

L’algèbre générale et l’algèbre linéaire sont des outils fondamentaux dans les disciplines
mathématiques modernes (analyse, analyse fonctionnelle, probabilité, physique mathéma-
tique, etc.). Elles constituent par conséquent des éléments essentiels du bagage mathéma-
tique indispensable aux mathématiciens, physiciens, ingénieurs et autres scientifiques. Le
cours d’algèbre 2 que nous soumettons aujourd’hui au public s’adresse aux étudiants en
mathématiques du premier cycle des universités et aux étudiants préparant l’entrée dans
les grandes écoles scientifiques. Il peut également être utile aux scientifiques qui désirent
se recycler en mathématiques et à tous ceux qui veulent acquérir de bonnes connaissances
de base en algèbre. Il est structuré en trois parties, la première est consacrée à l’introduc-
tion aux espaces vectoriels, la deuxième partie nous aborderons les applications linéaires
et la troisième partie est consacrée aux matrices.

1
 CHAPITRE 1

Introduction aux espaces vectoriels

2
 CHAPITRE 2

Applications linéaires et Matrices

Les espaces vectoriels ont été définis dans les Chapitres 1, 2 et nous avons mis en évi-
dence quelques-unes de leurs principales propriétés. Dans ce chapitre, d’une part on va
introduire un outil important en mathématique appelé application linéaire qui va permettre
d’interconnecter les éléments de différents espaces vectoriels. D’autre part à l’aide des ap-
plications linéaires, on va introduire les matrices qui constituent un outil mathématique
permettant d’étudier, de comprendre et de résoudre beaucoup de problèmes issus des ma-
thématiques, physique, économie, médecine, science de l’ingénieur ect..

2.1 Applications linéaires

Définition 2.1 Soit f une application de E à valeurs dans F :

(1) f est injective si ∀(x, y) ∈ E × E, f (x) = f (y) =⇒ x = y (équivaut à : ∀(x, y) ∈

E × E, x , y =⇒ f (x) , f (y)).

(2) f est surjective si ∀ y ∈ F, ∃ x ∈ E tel que f (x) = y.

(3) f est bijective si et seulement si f est injective et surjective.

3
4 Applications linéaires et Matrices

2.1.1 Définition d’une application linéaire

Soit E et F deux K-espaces vectoriels (K = R ou C) et f une application de E dans F.
On dit que f est linéaire si et seulement si ∀(x, y) ∈ E × E et ∀(λ, µ) ∈ K × K

f (λx + µy) = λ f (x) + µ f (y).

Remarque 2.2 f : E → E est une application linéaire si et seulement si

∀x ∈ E, λ ∈ K, f (λx) = λ f (x)
(
(2.1)
∀(x, y) ∈ E × E, f (x + y) = f (x) + f (y).

Exercice 2.3 Soit f : E → E est une application linéaire alors f (0E ) = 0F .

Solution : Soit x ∈ E et λ ∈ K, on a λ f (x) − λ f (x) = 0E . En utilisant le fait que f est un
application linéaire on a λ f (x) − λ f (x) = 0F =⇒ f (λx) + f (−λx) = f (λx − λx) = 0F . Or
λx − λx = 0E . Donc f (λx − λx) = f (0E ) = 0F .

Exercice 2.4 On définit l’application de f de R2 dans R par

f (x, y) = x + y.

Est-ce une application linéaire ?

Solution : Soi z = (x, y) ∈ R2 , w = (a, b) ∈ R2 et λ ∈ K

f (z+w) = f ((x, y)+(a, b)) = f (x+a, y+b) = x+a+y+b = (x+y)+(a+b) = f (x, y)+ f (a, b) = f (z)+ f (w).
(2.2)
f (λ(x, y)) = f (λx, λy) = λx + λy = λ(x + y) = λ f (x, y). (2.3)

(2.2) et (2.3) =⇒ f est une application linéaire.

2.1.2 Image et noyau d’une application linéaire

(1) On appelle image de f et on note Im(f) le sous-ensemble de F défini par :
n o
Im( f ) = y ∈ F : ∃ x ∈ E, f (x) = y

(2) On appelle noyau de f et on note Ker(f) le sous-ensemble de E défini par :

n o
Ker( f ) = x ∈ E : f (x) = 0F .

4
5 Applications linéaires et Matrices

Remarque 2.5 Notons que Ker( f ) , ∅, car f (0E ) = 0F donc 0E ∈ Ker( f ).

Théorème 2.6 Soit f : E → F est une application linéaire

(1) Im( f ) est un sous-espace de F.

(2) Ker( f ) est un sous-espace de E.

Preuve. (1) Montrons que Im( f ) est un sous-espace de F. Soit y1 , y2 ∈ Im( f ) et λ, β ∈ K.

En utilisant les propriétés de f et Im( f ), on a y1 , y2 ∈ Im( f ) =⇒ ∃ (x1 , x2 ) ∈ E×E tel que
f (x1 ) = y1 , f (x2 ) = y2 =⇒ λy1 + βy2 = λ f (x1 ) + β f (x2 ) = f (λx1 + βx2 ) =⇒ λy1 + βy2 ∈
Im( f ). D’oú Im( f ) est un sous-espace de F.

(2) Montrons que Ker( f ) est un sous-espace de E. Soit x1 , x2 ∈ Ker( f ) et λ, β ∈ K. En

utilisant les propriétés de f et Ker( f ), on a x1 , x2 ∈ Ker( f )
=⇒ f (x1 ) = 0F , f (x2 ) = 0F . f (λx1 + βx2 ) = λ f (x1 ) + β f (x2 ) = λ0F + β0F = 0F =⇒
λx1 + βx2 ∈ Ker( f ). D’oú Ker( f ) est un sous-espace de E.

Théorème 2.7 Soit f une application linéaire de E dans F.

1.) f surjective si et seulement si im( f ) = F.
2.) f injective si et seulement si Ker( f ) = {0E }.

Définition 2.8 (1) Une application linéaire f de E dans F est un homomorphisme de E

dans F.

(2) Si f est un homomorphisme bijectif de E dans F, alors f −1 est linéaire et f est un

isomorphisme de E dans F.

(3) Si E = F, f est un endomorphisme de E.

(4) Si f est un endomorphisme bijectif, f est un automorphisme.

Notations :
L(E, F) est l’ensemble des applications linéaires (= homomorphismes) de E dans F.
L(E) est l’ensemble des endomorphismes de E.

2.2 Applications linéaires en dimension finie

Propriété 2.9 Soit f une application linéaire de E dans F avec dimE = n.

5
6 Applications linéaires et Matrices

(1) f est injective si et seulement si f transforme toute base de E en une famille libre de F.

(2) f est surjective si et seulement si l’image de toute base de E est une famille généra-
trice de F.

(3) f est bijective si et seulement si l’image de toute base de E est une base de F.

2.2.1 Rang d’une application linéaire

Définition 2.10 Le rang d’une application linéaire f est égal à la dimension de Im( f ) :
rg( f ) = dim(Im f ).

Propriété 2.11 (1) On a toujours rg( f ) ≤ dimE.

(2) f est surjective si et seulement si rg( f ) = dimF.

(3) f est injective si et seulement si rg( f ) = dimE.

(4) f est bijective siet seulement si rg( f ) = dimE = dimF.

Remarque 2.12 Si f est un endomorphisme de E, alors :

f injective ⇐⇒ f surjective ⇐⇒ f bijective.

Théorème 2.13 (Théorème fondamental) Soit f une application linéaire de E dans F

avec dimE = n, alors dim(Im f ) + dim(Ker f ) = dimE.

Remarque 2.14 Si ce n’est vrai qu’en dimension finie !

2.3 Exercices corrigés

Exercice 2.15 Montrer que la fonction partie entiére n’est pas linéaire sur R.
Solution : On a E(−2.3 + 2.3) = E(0) = 0 et E(−2.3) + E(2.3) = −3 + 2 = −1. Donc
E(−2.3 + 2.3) , E(−2.3) + E(2.3).
On en conclut E n’est pas linéaire car E(x + y) , E(x) + E(y) ∀ x, y ∈ R.

Exercice 2.16 On définit l’application f de R2 dans R par

f (x, y) = y2 .

Est-ce un homomorphisme d’espace vectoriel ?

6
7 Applications linéaires et Matrices

Solution : Cherchons d’abord si

f ((x, y) + (a, b)) = f (x, y) + f (a, b)?

f ((x, y) + (a, b)) = f (x + a, y + b) = (y + b)2
f (x, y) + f (a, b) = y2 + b2 .
Comme y2 + b2 , (y + b)2 ,
l’application donnée n’est pas un homomorphisme d’espaces vectoriels.

Exercice 2.17 L’application de R3 dans R2 définie par ;

f (x, y, z) = (x + y + z, 2y − z)
est-elle une application linéaire ?
Cette application est elle surjective ?est-elle injective ?

Solution : Voyons si les deux conditions pour que f soit une application linéaire sont
vérifiées

f ((x, y, z) + (a, b, c)) = f (x + a, b + y, c + z)

= (x + a + y + b + z + c, 2(y + b) − (z + c))
f (x, y, z) + f (a, b, c) = (x + y + z + a + b + c, 2y + 2b − z − c).

Les couples images sont égaux.

f (α(x, y, z)) = f (αx, αy, αz)

= (αx + αy + αz, 2αy − αz)
α f (x, y, z) = α(x + y + z, 2y − z) = (αx + αy + αz, 2αy − αz).

f est une application linéaire de R3 dans R2 .

f est surjective si :

∀ (a, b) ∈ R2 , ∃ (x, y, z) ∈ R3 , f (x, y, z) = (a, b)

c’est à dire

 x+y+z=a



(2.4)
 2y − z = b.




7
8 Applications linéaires et Matrices

f est donc surjective.

f est injective si :
f (x, y, z) = f (a, b, c) =⇒ (x, y, z) = (a, b, c)

c’est à dire

 x+y+z=a+b+c



(2.5)
 2y − z = 2b − c.




De telles égalités n’entrainent pas :x = a, y = b, z = c =⇒ (x, y, z) , (a, b, c). L’application

f n’est pas injective.

2.4 Matrices
Définition 2.18 On appelle matrice de type (n, p) à coefficients dans R, un tableau de n.p
éléments de R rangés sur n lignes et p colonnes :
a11 a12 . . . a1p 
 
a a . . . a2p 
A =  21 22 .
 . . . . . . . . . 
an1 a22 . . . anp


En abrégé, on note A = (ai j ) avec 1 ≤ i ≤ n, et 1 ≤ j ≤ p.

On désigne par Mn,p (R) l’ensemble des matrices à coefficients dans R, à n lignes et p
colonnes.
Application :
1. L’Université Amadou Mahtar Mbow de Dakar désire organiser un voyage et de-
mande les tarifs à trois compagnies de transport A, B et C qui proposent les condi-
tions suivantes :

Tableau
Compagnies PER PAT Etudiant
Compagnie A 350 250 100
Compagnie B 300 180 70
Compagnie C 500 400 300

8
9 Applications linéaires et Matrices

On peut alors créer une matrice M dont les lignes correspondent aux compagnies
et les colonnes aux différents type de les tarifs. La matrice M est alors une matrice
(3 × 3) :  
350 250 100
 
M = 300 180 70  .
 
 
500 400 300

On considére le tableau ci-dessous :

Tableau
PROMO 1 PROMO 2 PROMO 3
Filles 40 50 10
Garçons 30 18 7

2. Le tableau sera représenté par la matrice suivante :

 
40 50 10
  .
 
30 18 7 

Cette matrice a deux lignes et trois colonnes : elle est de taille (2, 3). Naturelle-
ment les matrices sont toutes indiquées lorsque l’information a deux caractères
(deux dimensions).

3. On étudie la mobilité urbaine sur les villes de Diamniadio, Lac rose, Sendou et
Touba dialaw

9
10 Applications linéaires et Matrices

Velo Auto Train Bateau

Diamniadio 40 50 10 20
Sendou 30 18 7 7
Lac rose 100 180 14 27
Toubab dialaw 34 28 17 47

On peut alors créer une matrice de moblité P dont les lignes correspondent aux
Villes et les colonnes les moyens de transport. La matrice P est alors une matrice
(4 × 4) :  
 40 50 10 20
 
 30 18 7 7 
  .
 
100 180 14 27
 
34 28 17 47
Cas particuliers :
Si n = p, on dit que la matrice est carrée.

Si n = 1 M1,p (R) est l’ensemble des matrices lignes.

Si p = 1 Mn,1 (R) est l’ensemble des matrices collonnes.

Si les coefficients sont tq ai j = 0 pour i > j, on dit que la matrice est triangulaire supé-
rieure.

Si les coefficients sont tq ai j = 0 pour i ≤ j, on dit que la matrice est triangulaire inférieure.

Si les coefficients sont tq ai j = 0 pour i , j, on dit que la matrice est diagonale.

Exemple 2.19 Donnons la nature des matrices suivantes :

 
! ! 1 0 0
1 1 2
A1 = , A2 = , A3 = 0 1 0 .
 
0 0 4
0 0 1
 

10
11 Applications linéaires et Matrices

A1 ∈ M2,1 (R) (matrice colonne).

A2 ∈ M2,2 (R) (matrice triangulaire supérieure).
A3 ∈ M3,3 (R) (matrice diagonale mais plus précisement matrice identitée).

2.4.1 Matrice associée à une application linéaire

Soit E et F deux ev de dimensions finies p et n respectivement.
B = {e1 , ..., e p } une base de E et B = {e1 , ..., en } une base de F.
0 0 0

Xn
0 0 0 0
Soit f ∈ L(E, F) et on pose f (e j ) = ai j ei = a1 j e1 + a2 j e2 + . . . . . . . . . . . . + an j en .
i=1
On définit une matrice M = (ai j )1≤i≤n, 1≤ j≤p
 
a11 a12 . . . a1p 
 
a21 a22 . . . a2p 
M =   .
 . . . ... . . . 
 
an1 a22 . . . anp

M est appelée la matrice associée à f dans les bases B et B . On la note MBB0 ( f ).

0

Remarque 2.20 La matrice d’une application linéaire dépend des bases choisies (B et
0
B ).

Exercice 2.21
S oit f : R3 → R3
(2.6)
(x1 , x2 , x3 ) 7→ f (x1 , x2 , x3 ) = (2x1 + x2 + x3 , x1 + 2x2 + x3 , x1 + x2 ).

1) Montrer que f est un endomorphisme de R3 .

2) Déterminer la matrice associée à f dans la base canonique de R3 .

Remarque 2.22 Soient x = (x1 , x2 , x3 ) et y = (y1 , y2 , y3 ). On a

x + y = (x1 , x2 , x3 ) + (y1 , y2 , y3 ) = (x1 + y1 , x2 + y2 , x3 + y3 ).

11
12 Applications linéaires et Matrices

Solution : 1) Montrons que f est un endomorphisme de R3 .

Soient x = (x1 , x2 , x3 ) et y = (y1 , y2 , y3 ). On a

f (x + y) = f (x1 + y1 , x2 + y2 , x3 + y3 )
= (2(x1 + y1 ) + x2 + y2 + x3 + y3 , x1 + y1 + 2(x2 + y2 ) + x3 + y3 , x1 + y1 + x2 + y2 )
= (2x1 + 2y1 + x2 + y2 + x3 + y3 , x1 + y1 + 2x2 + 2y2 + x3 + y3 , x1 + y1 + x2 + y2 )
= (2x1 + x2 + x3 , x1 + 2x2 + x3 , x1 + x2 ) + (2y1 + y2 + y3 , y1 + 2y2 + y3 , y1 + y2 )
= f (x) + f (y).

Soit x = (x1 , x2 , x3 ) et λ ∈ R. On a

f (λx) = f (λx1 , λx2 , λx3 )

= (2λx1 + λx2 + λx3 , λx1 + 2λx2 + λx3 , λx1 + λx2 )
= λ(2x1 + x2 + x3 , x1 + 2x2 + x3 , x1 + x2 )
= λ f (x).

Donc f est un endomorphisme de R3 .

Déterminons la matrice associée à f dans la base canonique de R3 . On a f (x1 , x2 , x3 ) =
(2x1 + x2 + x3 , x1 + 2x2 + x3 , x1 + x2 ). On a f (x1 , x2 , x3 ) est un vecteur de R3 . Pour former
la matrice associée à f dans la base canonique de R3 . On a 2x1 + x2 + x3 est la premiére
composante de f (x1 , x2 , x3 ) Comme f est définie de R3 à valeurs dans R3 , on aura une
Matrice 3 × 3. Pour la linge 1 les coefficients sont donnés par 2x1 + x2 + x3 (premiére
composante) et on a11 = 2 (coefficient de x1 ), a12 = 1 (coefficient de x2 ) et a13 = 1
(coefficient de x3 ). Pour la linge 2 les coefficients sont donnés par x1 +2x2 + x3 ( Deuxiéme
composante) et on a21 = 1 (coefficient de x1 ), a22 = 2 (coefficient de x2 ) et a23 = 1
(coefficient de x3 ). Pour la linge 3 les coefficients sont donnés par x1 + x2 = x1 + x2 + 0x3
( Troisiéme composante) et on a31 = 1 (coefficient de x1 ), a32 = 1 (coefficient de x2 ) et
a33 = 0 (coefficient de x3 ). La matrice associée à f dans la base canonique de R3 est
 
2 1 1
 
1 2 1 .
 
 
1 1 0

12
13 Applications linéaires et Matrices

Théorème 2.23 L’application qui à f ∈ L(E, F) fait correspondre MBB0 ( f ) est bijective.
Autrement dit à toute application linéaire on peut associer une matrice.

2.4.2 Opérations sur les matrices

Addition interne et multiplication externe Soit A = (ai j ) ∈ Mn,p (R) et B = (bi j ) ∈
Mn,p (R). Alors :

A + B = (ai j + bi j ) ∈ Mn,p (R).

∀ λ ∈ R, λA = (λai j ) ∈ Mn,p (R.

Exemple 2.24    
1 −1 0  0 1 0 
A = 0 0 2 et B = −4 1 −2 .
   
2 3 1 11 0 −1
   

On a    
 1 0 0 2 −2 0
A + B = −4 1 0 et 2A = 0 0 4 .
   
13 3 0 4 6 2
   

Produit de deux matrices

Soit E, F, G trois K-ev de bases respectives B = {e1 , ..., en }, B = {e1 , ..., em } et B =
0 0 0 00

{e1 , ..., e p }. Soit f : E → F de matrice associée MBB0 ( f ) ∈ Mm,n . Soit g : F → G de

00 00

matrice associée MB0 B00 ( f ) ∈ M p,m (K). On a (g ◦ f ) ∈ L(E, G), on détermine la matrice
associée de cette application linéaire :
m
X m
X p p
m X
0
X 00
 X 00
g ◦ f (ei ) = g( f (ei )) = a ji g(e j ) = a ji bk j ek = bk j a ji ek .
j=1 j=1 k=1 j=1 k=1

m
X
On pose cki = bk j a ji .
j=1
p
X 00
Donc g ◦ f (ei ) = cki ek .
k=1
La matrice associée à (g ◦ f ) est MBB00 ( f ) ∈ M p,n .

Remarque 2.25 Pour que le produit existe, il faut que l’on ait M p,m × Mm,n = M p,n .

13
14 Applications linéaires et Matrices

En pratique :
MBB00 (g ◦ f ) = MB0 B00 (g) × MBB0 ( f ).
    
 . . . . . . . . . . . .  . . . . . . a1i . . . . . . . . . . . . . . .
     
 . . . . . . . . . . . .  . . . . . . a2i . . . . . . . . . . . . . . .
  

. . . . . . . . . = . . . . . . cki . . . .

  
bk1 bk2 . . . bkm  . . .
 
    
 . . . . . . . . . . . .  . . . . . . ami . . . . . . . . . . . . . . .
     
. . . . . . . . . . . .  . . . . . . ami . . . . . . . . . . . . . . .
 

Le coefficient de la k éme ligne et de la i éme colonne est cki = bk1 a1i + . . . . . . + bkm ami .

Exemple 2.26  
! 1 0 
1 0 0
A= et B = 0 −1 .
 
2 −1 0 2×3
2 1 3×2
 

Calculons A.B. On a !
1 0
A.B = .
2 1 2×2

Remarque 2.27 A.B , B.A (Donc la multiplication matricielle n’est pas commutative).
Dans le cas précédent A.B ∈ M2×2 et B.A ∈ M3×3 . Donc (A + B)2 = A2 + A.B + B.A + B2 .

Propriété 2.28 Si les produits sont définis :

1. A.(B.C) = (A.B).C.
2. A.(B + C) = (A.B) + (A.C).
3. (B + C).A = (B.A) + (C.A).
4. ∀ λ ∈ K, λ(A.B) = (λA).B.

Remarque 2.29 ∃ (A, B) ∈ Mn (K)2 tel que A , 0, B , 0 et AB = 0.

! !
1 0 0 0
A= et B = .
0 0 0 1

A , 0, B , 0 et AB = 0.

Définition 2.30 A ∈ Mn (K) est inversible ssi ∃ B ∈ Mn (K) tel que A.B = B.A = In .

14
15 Applications linéaires et Matrices

Remarque 2.31 In est la matrice identité de Mn (K)

 1 0 . . . . . . . . . 
 
. . . 1 . . . . . . . . . 
In =   .
. . . . . . . . . . . . 
...... 1

0 0
Si n = 2 on a !
1 0
I2 = .
0 1
Propriétés de la matrice identité
1) A.In = In .A = A.
2) In est inversible :In −1 = In .

2.4.3 Méthode pour trouver l’inverse d’une matrice

Exemple 2.32 Trouver l’inverse de
!
1 0
A= .
2 −1
! !
a b 1 0
On cherche B = tel que A.B = = I2 .
c d 0 1
!
a b
Or, A.B = . Donc, par identification
2a − c 2b − d
a=1



 b=0




(2.7)



 2a − c = 0
 2b − d = 1



équivaut à
a=1



b=0




(2.8)




 c=2
d = −1



Théorème 2.33 Soit f une application linéaire de E dans F et A = MBB0 ( f ) avec B une
0
base de E et B une base de F. A est inversible ssi f est un isomorphisme de E dans F et
A−1 = MB0 B ( f −1 ).
Théorème 2.34 Soit A ∈ Mn (K). A est inversible si et seulement si la famille des vecteurs
colonnes de A est une base de E.
Théorème 2.35 Si A et B sont des matrices inversibles de Mn (K), alors A.B est inversible
et (A.B)−1 = B−1 .A−1 .

15
16 Applications linéaires et Matrices

2.4.4 Formule matricielle de Y = AX

Soit f ∈ L(E, F) avec dimE = n et dimF = p.
A = ai j 1≤i≤p, 1≤ j≤n matrice associée à f.


n p
yi e~i 0 avec B =
X X
x = x j e~j avec B = {e~1 , . . . . . . , e~n } base de E et y = f (x) =
0

j=1 i=1

{e~1 0 , . . . . . . e~p 0 } base de F.

n n n n p p
n X
~ xi ai j e~i 0 .
X X X X X  X  
f (x) = f x j e~j = f x j e~j = x j f e~j = ai j ei =
0




xj
j=1 j=1 j=1 j=1 i=1 j=1 i=1

n 
X 
Par identification on a yi = x j ai j .
j=1
A x et y, on fait correspondre deux vecteurs colonnes X et Y et on a la matrice A suivante :
 
    a11 a12 . . . a1n 
 x1   y1   
    a21 a22 . . . a2n 
X = . . .  , Y = . . .  et   =⇒ Y = AX.
   
 . . . . . . . . . 
    
x  y 
n n  
a p1 a22 . . . a pn
Exercice 2.36
S oit f : R4 → R3
(x1 , x2 , x3 , x4 ) 7→ (y1 , y2 , y3 ) tel que
y1 = 2x1 − x2 + x3 (2.9)
y2 = 3x2 − x3 + x4
y3 = x1 − x2 + x3 + x4 .
1) Déterminer la matrice A associée à f
2) Déterminer Ker( f ).

Solution : 1) La matrice A associée à f

 
2 −1 1 0
 
0 3 −1 1 .
 
 
1 −1 1 1
Déterminons Ker( f ).
On a
n o
Ker( f ) = x ∈ R4 : f (x) = 0R3 .

16
17 Applications linéaires et Matrices

A x on fait correspondre un vecteur colonne X on a (x1 , x2 , x3 , x4 ) ∈ Ker( f ) ⇐⇒ AX = 0R3

 
 x1 
 
 x2 
avec X =   . Donc déterminer Ker( f ) revient à résoudre le systéme suivant
 x3 
 
x4
 




 2x1 − x2 + x3 = 0


3x2 − x3 + x4 = 0 (2.10)





 x1 − x2 + x3 + x4 = 0



2.4.5 Rang d’une matrice

Définition 2.37 Soit A ∈ Mn,p (K), on appelle rang de A le rang du système composé par
ses vecteurs colonne.

Théorème 2.38 Le rang de A est le rang de toute application linéaire représentée par A.

2.5 Matrices particulières

Définition 2.39 Si A = ai j 1≤i≤n, 1≤ j≤p , la transposée de A, notée At est la matrice At =


ai j 1≤i≤p, 1≤ j≤n .

Propriété 2.40 1. (A + B)t = At + Bt

2. (λA)t = λAt
3. (At )t = A
4. (A.B)t = Bt .At
5. rg(At ) = rg(A)
On dit que A est symétrique si et seulement si At = A.
On dit que A est antisymétrique si et seulement si At = −A.

Exemple 2.41  
2 −1 1 0
A = 0 3 −1 1 .
 
1 −1 1 1
 

On a  
 2 0 1 
−1 3 −1
At =   .
 1 −1 1 

0 1 1

17
18 Applications linéaires et Matrices

2.5.1 Déterminants et matrices

Soit A ∈ M2 (K). On appelle déterminant de A le déterminant des vecteurs lignes (ou
colonne) de A.  
a11 a12 
A =   .

a21 a22 

a11 a12
det(A) = = a11 .a22 − a12 a21 .
a21 a22

Théorème 2.42 Soit (A, B) ∈ (M2 (K))2 .

det(A.B) = det(A).det(B) = det(B).det(A).

2.5.2 Déterminant d’ordre 3

Soit la matrice  
a11 a12 a13 
 
A = a21 a22 a23  .
 
 
a
31 a32 a33


Notations :
On note Ai j la matrice déduite de A en supprimant la ligne i et la colonne j
On note (−1)i+ j .det(Ai j ) le cofacteur de l’élément ai j et det(Ai j ) s’appelle déterminant
mineur.
En pratique, on développe le déterminant de A au moyen des cofacteurs relatifs à la 1 ère
ligne (ou la 1 ère colonne).

a11 a12 a13

det(A) = a21 a22 a23
a31 a32 a33
= a11 .(−1)1+1 .det(A11 ) + a12 (−1)1+2 .det(A12 ) + a13 (−1)1+3 .det(A13 )
a22 a23 a21 a23 a21 a22
= a11 − a12 + a13
a32 a33 a31 a33 a31 a32
= a11 (a22 a33 − a23 a32 ) − a12 .(a21 a33 − a23 a31 ) + a13 .(a21 a32 − a22 a31 ).

18
19 Applications linéaires et Matrices

2.5.3 Déterminant d’une matrice carrée d’ordre n

On a les résultats et les règles de calcul suivants :
detA = 0 si deux colonnes sont égales ou proportionnelles ou si une colonne est nulle
detA change de signe si on permute deux colonnes
detA ne change pas de valeur si on substitue à la colonne i par la colonne i + k j ( j étant
une autre colonne)
detA est multiplié par λ si on remplace la colonne j par λ j.

Proposition 2.43 A une matrice carrée d’ordre n, on a

n
X
det(A) = ai j (−1)i+ j det(Ai j ),
j=1

avec i fixé et Ai j est la sous matrice de A obtenue en éliminant la ligne i et j.

Remarque 2.44 Ces propriétés sont aussi valables pour les lignes.
Le déterminant d’une matrice triangulaire est égal au produit des coefficients de la dia-
gonale.

Propriété 2.45 det(A.B) = det(A).det(B).

det(At ) = det(A).

2.5.4 Comatrice
Définition 2.46 Soit M ∈ Mn (K). On appelle comatrice de M, notée com(M), la matrice
n
X
des cofacteurs avec com(M) est de méme taille que M et Mi j == (−1)i+ j det(Mi j ).
j=1

2.5.5 Matrices inversibles

Théorème 2.47 Soit M ∈ Mn (K), M est inversible ssi det(M) , 0.
1
On a alors M −1 = com(M)t et M −1 est appelée matrice inverse de M.
det(M)
Propriété 2.48 Soit A et B deux matrices carrées d’ordre n telles que det(A) , 0 et
det(B) , 0
1
1. det(A−1 ) =
det(A)
2. (A−1 )−1 = A
3. (A.B)−1 = B−1 .A−1
4. (A−1 )t = (At )−1 .

19
20 Applications linéaires et Matrices

2.5.6 Déterminant d’un endomorphisme de E

Définition 2.49 Soit f ∈ L(E). On appelle déterminant de f et on note det( f ) le détermi-
nant de sa matrice associée dans une base quelconque.

Remarque 2.50 det( f ) ne dépend pas de la base considérée.

On cherche que le déterminant des matrices carrées.

2.5.7 Rang d’une matrice

1. rgA = rg f = dim(Im f )
2. rgA = rang du système composé par les vecteurs colonnes de la matrice
3. rgA = rang du système composé par les vecteurs lignes de la matrice
4. rgA = taille de la plus grande matrice carrée extraite de A.

2.6 Système linéaire de n équations à n inconnues






 a11 x1 + a12 x2 + . . . + a1n xn = b1

 a21 x1 + a22 x2 + . . . + a2n xn = b2




(2.11)
......








 an1 x1 + an2 x2 + . . . + ann xn = bn



En utilisant la formulation matricielle : Posons

 
    a11 a12 . . . a1n 
 x1   b1   
a21 a22 . . . a2n 
    
X = . . . , B = . . .  et A =   .
  
 . . . ... . . . 
 
x   
n n b  
an1 an2 . . . ann


Donc on peut écrire le système A.X = B

Si det(A) , 0, A est inversible et on peut calculer X = A−1 B.

Définition 2.51 (S ) est dit système de Cramer si det(A) , 0

⇐⇒ X = A−1 B
⇐⇒ (S ) possède une unique solution
⇐⇒ l’application linéaire associée à f est une bijection sur E.

20
21 Applications linéaires et Matrices

Exemple 2.52 Résoudre le système suivant :

4x1 + 5x2 = 3
(
(2.12)
2x1 + 3x2 = 1.

Solution : En utilisant la formulation matricielle : Posons

     
 x1  3  4 5
X =   , B =   et A = 
   
 .

x2 1 2 3

On a
4 5
det(A) = = 4 ∗ 3 − 2 ∗ 5 = 12 − 10 = 2 =⇒ det(A) , 0.
2 3
Donc le systméme (2.12) admet une unique solution et A−1 existe. D’oú X = A−1 .B.

21