Algèbre Linéaire

Filières Ingénieurs
Fatiha AKEF

Cours d’Algèbre Linéaire destiné aux étudiants en première année des filières Ingénieurs :
GLSID, BDCC et CCN
 Algèbre Linéaire

Table des matières

Chapitre 1 ................................................................................................................................................ 2
Espaces Vectoriels .................................................................................................................................. 2
I. Structure d’espace vectoriel sur un corps commutatif ............................................................... 2
II. Sous-espace vectoriel ................................................................................................................. 4
III. Base d’un espace vectoriel ................................................................................................... 6
Chapitre 2 .............................................................................................................................................. 13
Applications Linéaires ........................................................................................................................... 13
I. Définition d’une application linéaire ......................................................................................... 13
II. Image et noyau d’une application linièaire ............................................................................... 14
III. Rang d’une application linéaire .......................................................................................... 16
Chapitre 3 .............................................................................................................................................. 18
Matrices ................................................................................................................................................. 18
I. Matrice d’une application linéaire.......................................................................................... 18
II. Opération sur les matrices ........................................................................................................ 20
III. Matrices carrées ................................................................................................................... 23
IV. Matrice de changement de base ....................................................................................... 25
Chapitre 4 .............................................................................................................................................. 30
Déterminants - Systèmes Linéaires .................................................................................................... 30
I. Forme n-linéaire alternée - déterminant ................................................................................ 30
II. Développement d’un déterminant .......................................................................................... 35
III. Systèmes Linéaires ............................................................................................................... 37
IV. Système de Cramer.............................................................................................................. 38
V. Système homogènes ................................................................................................................ 41

F. AKEF Page 1
 Algèbre Linéaire

Chapitre 1

Espaces Vectoriels

I. Structure d’espace vectoriel sur un corps commutatif

1) Lois externes
Définition
Etant donné un ensemble E, et un ensemble . On appelle loi de composition externe
entre éléments de E et éléments de , toute application f de  E dans E
f :  E E
(, a) f(, a)
f(, a) est le composé de  et de a pour loi externe considérée
On note en général f(, a) par .a ou  a on dira dans ce cas que la loi externe est
une multiplication externe
 s’appelle domaine d’opérateur

2) Structure d’espace vectoriel sur un corps commutatif K

Définition
Etant donné un corps commutatif K, d’éléments neutres 0k et 1k
On dit qu’un ensemble E muni d’une loi de composition interne notée « + » et d’une
loi de composition externe notée « . », dont le domaine d’opérateurs est K a une
structure d’espace vectoriel sur K si

1) (E, +) est un groupe commutatif

2)a,bE ,K
.(a + b) = .a + .b
(+ ).a = .a + .b
3)aE ,K
.(.a) = ().a
4)aE
1k.a = a

Les éléments de E sont appelés vecteurs

K s’appelle le corps de base de l’espace vectoriel E
Les éléments de K s’appellent scalaires

Exemples
a) (ℝn, +, .) est un espace vectoriel sur ℝ pour tout nℕ*
(x1, x2, …, xn) + (y1, y2, …, yn) = (x1+y1, x2+y2,…, xn+yn)
(x1, x2, …, xn) = (x1, x2,…, xn)

F. AKEF Page 2
 Algèbre Linéaire

b) l’ensemble des fonctions numériques à variable réelle ℱ(ℝ, ℝ) est un espace

vectoriel sur ℝ pour l’addition des fonctions et pour la multiplication d’une
fonction par un réel. Il en est de même pour (𝒫𝑛 ,+, .). 𝒫𝑛 étant l’ensemble des
fonctions polynômes de degré  n

3) Règles de calcul dans l’espace vectoriel (E, +, .)

a) Règles de calcul du groupe (E, +)
(a, b, c)E3 a = b  a + c = b + c
(x, a, b)E3 x + a = b  x = b + (-a)  x = b – a
(a, b)E3- (a + b) = (-a) + (-b)
b) (, x)KE ⃗0 l’élément neutre de (E, +)
⃗ ( = 0 ou x = ⃗0 )
.x = 0

Démonstration
Soit K soit xE
.(x + ⃗0 ) = .x⃗ (car x + ⃗0 = x)
.(x + ⃗0 ) = .x⃗ + .0
⃗ d’où

⃗ = ⃗0
.0

( + 0).x = .x (car  + 0 = )

= .x + 0.x⃗ d’où

0.x = ⃗0

Propriétés
1)K* x,yE

.x = .y  x = y

.x = .y -1.(.x) = -1.(.y)  (-1.).x = (-1.).y 1.x = 1.y  x = y

2) KxE
(-).x = -(.x) = .(-x)

(-).x = (-1).x = -1.(.x) = -(.x) = (.(-1)).x = .(-1.x) = .(-x)

F. AKEF Page 3
 Algèbre Linéaire

3)(,)K2xE yE
(-).x = .x -.x
.(x – y) = .x -.y

II. Sous-espace vectoriel

1) Définition
Etant donné un espace vectoriel (E, +, .)et une partie F de E non vide. On dit que F
est un sous espace vectoriel de (E, +, .) si et seulement si (F, +, .)est un espace
vectoriel

2) Propriétés caractéristiques du sous-espace vectoriel

Conditions nécessaires et suffisantes

Théorème

(F, +, .) est un sous-espace vectoriel de (E, +, .) si et seulement si

a) F   CNS (1)
b) F est stable pour « + » et « . »

Démonstration
Soit (E, +, .) un espace vectoriel et F une partie non vide de E
C.N.S(1) : Il faut que F soit stable pour les deux lois « + » et « . »
c-à-d
1)(x, y)F2 x + yF
2)(, x)KF xF
Supposons que 1) et 2) sont vérifiées
Soit xF (F )
-x = -1.x d’après 2)-xF donc (F, +, .) est un groupe.
Les autres axiomes d’espace vectoriel vrais dans E, le sont dans F

Théorème

(F, +, .) est un sous-espace vectoriel de (F, +, .) si et seulement si

a) F  CNS (2)
b) (, )K2(x, y)F2x +yF

Démonstration
CNS (1)  CNS (2) ?
(, )K2 (x, y)F2 xF , yF d’où x +yF

F. AKEF Page 4
 Algèbre Linéaire

CNS (2)  CNS (1) ?

(, )K2(x, y)F2x +yF
 = 0 y = ⃗0xF F stable pour « . »
 =  = 1Kx+yF F stable pour « + »

3) Sous-espace vectoriel engendré par une famille de vecteurs

Définition
Soit n scalaires 1, 2,…, n et n vecteurs x1, x2,…, xn
On appelle combinaison linéaire des n vecteurs le vecteur
n

x = 1 x1 + 2 x2 + ⋯ + n xn = ∑ ixi
i=1
Définition
On appelle famille (ou système) de vecteurs de E toute partie finie de E

Proposition
L’ensemble des combinaisons linéaires des vecteurs d’une famille de E est un sous-
espace vectoriel de E

Preuve
Soit S = {x1, …, xn} une famille de E et F l’ensemble des combinaisons linéaires des
éléments de S.
⃗0 = 0x1+ 0x2 +…+ 0xnF F

Soit (u, v)F2 u = 1x1 + 2x2 + … + nxn

v = 1x1 + 2x2 + … + nxn
Soit (, )K2u + v = [(1 + 1) x1 + (2 + 2) x2 + .. + (n + n) xn]F
Donc(F, +, .) est un sous-espace vectoriel de (E, +, .)

Définition
Le sous-espace vectoriel constitué par les combinaisons linéaires des vecteurs d’une
famille {x1, …, xn} s’appelle le sous-espace vectoriel engendré par cette famille
On dit alors que cette famille est une famille (ou système) génératrice (générateur) du
sous-espace vectoriel et on note F = Vec(x1, … , xn)

Remarque
Si la famille S = {x1, …, xn} engendre F on a 𝑈F (1,…, n)Kn tel que
n

𝑈 = ∑ i xi = 1 x1 + ⋯ + n xn
i=1
Exemples
1) E = ℝ3 et F = {(x1, x2, x3) / x3 = 0}

F. AKEF Page 5
 Algèbre Linéaire

F est un sous-espace vectoriel de ℝ3 car F = Vect((1,0,0),(0,1,0))

2) E = ℱ(ℝ, ℝ) et F est le sous ensemble des fonctions continues
F est un sous espace vectoriel de E mais F n’a pas de système générateur

Proposition
E espace vectoriel, F1, F2 sous espace vectoriel alors F1  F2 sous espace vectoriel

Définition :
F1 + F2 = {xE /  x1F1, x2F2 x = x1 + x2} appelé somme des sous espaces vectoriels
F1 et F2

Propositon
F1 + F2 est un sous espace vectoriel de E
(Démonstration facile)

Exemple
P = ensemble des fonctions polynômes
A = ensemble de tous les polynômes de la forme : a + bx
T = ensemble de tous les polynômes de la forme : a + bx + cx2
F = ensemble de tous les polynômes de la forme : bx + cx2
G = ensemble de tous les polynômes de la forme : cx2
A, T, F, G sous espace vectoriel de P
A + F = T et A  F  {0p}
A + G = T et A  G = {0p}, T est« somme directe » deA etG notéeT=AG

III. Base d’un espace vectoriel

1) dépendance et indépendance linéaire
Soit n vecteurs x1, x2,…, xn d’un espace vectoriel et n scalaire 1,…, n
On considère x = 1 x1+ … + n xn
On a : 1 = 2 = … = n = 0  x = 1 x1 + 2 x2 + … + n xn = 0
L’implication réciproque est en général fausse 1(1, 2) + 1(1, 2) = (0, 0)

Définition
Les vecteurs x1, x2, … ,xn sont dits linéairement indépendantes si
1 x1 + 2 x2 +…+ n xn= 0  1 = 2 =… = n = 0
On dit aussi que les vecteurs (xi) forment une famille (ou système) libre

F. AKEF Page 6
 Algèbre Linéaire

Définition
Au contraire, s’il existe n scalaires 1,…, n non tous nuls tels que
1 x1 + 2 x2 +…+ n xn= 0 , on dit que les vecteurs x1, x2, … ,xn sont linéairement dépendants
On dit aussi que les vecteurs (xi) forment une famille (ou système) liée

Remarque
Dans le cas d’une famille liée, l’un des vecteurs peut s’exprimer comme combinaison
linéaire des autres

Exemples
a) Dans ℝ2
Pour que deux vecteurs du plan soient linéairement dépendants il faut et il suffit que
1⃗V1 + 2⃗V2 = ⃗0 avec (1  0 ou 2  0) ou que ⃗V2 = V ⃗ 1 ou que ⃗V1 = ’V ⃗ 2 c’est à
dire qu’ils sont parallèles ou confondues, on dit dans ce cas qu’ils sont colinéaires
b) Dans ℝ3
(1, 0, 0) , (0, 1, 0) et (0, 0, 1) sont linéairement indépendants

Remarques
a) Si n vecteurs sont linéairement indépendants il en est de même de p vecteurs
quelconques d’entre eux
Si en effet les p vecteurs x1, … , xp étaient dépendants, il existerait p scalaires
1,…, p non tous nuls 1 x1 + 2 x2 +…+ p xp = 0
 en choisissant p+1 = … = n = 0 : 1 x1 + p xp+…+ p+1 xp+1 + … + n xn = 0
 x1, … ,xn dépendants (contradiction)
b) On démontre de la même façon si n vecteurs x1,…, xn sont linéairement
dépendants, il en est de même de tout système de n + p vecteurs
x1, … ,xn, xn+1,…, xn+p

2) base d’un espace vectoriel

n vecteurs e1,…, en forment une base de l’espace vectoriel E ssi
1- ils sont linéairement indépendants
2- ils sont générateurs de E c’est à dire si tout vecteur x de E peut s’écrire sous
la forme x = x1 e1 + x2 e2 +…+ xnen

Remarque : La décomposition précédente du vecteur x relativement à la base

(e1, e2 ,…, en ) est unique.
En effet, s’il existait en effet deux décompositions de K
x = 𝐶 = ∑ ′i ei  ∑(i − ′i )ei = 0 i − ′i = 0
les scalaires 1,…, n sont donc déterminés par la donnée de x, ils sont appelés
composants de x par rapport à la base (e1, e2 ,…, en ).

F. AKEF Page 7
 Algèbre Linéaire

Exemples
Dans l’ensemble des vecteurs du plan ℝ2, deux vecteurs non colinéaires définissent une
base. On utilise le fait que tout vecteur du plan ⃗V peut donc s’écrire :
⃗ = (x,y) = x i + y j où (i, j) est la base canonique ℝ2
V
2) Dans ℝ3 e1 = (1, 0, 0) , e2 = (0, 1, 0) , e3 = (0, 0, 1) forment une base
x ℝ3 x = (x1, x2, x3 ) = x1 e1+ x2 e2 + x3 e3 (donc (ei) génératrice)
1 e1+ 2 e2 + 3 e3 = (1, 2, 3 ) = ⃗0  1 = 2 = 3 = 0 (donc (ei) libre)
(ei) famille génératrice et libre  (ei) base
(e1, e2, e3 ) appelée base canonique de ℝ3

Exercices
1) Montrer que (1, 1) et (3, 2) sont linéairement indépendants
2) Trouver les coordonnés de (1, 0) par rapport aux deux vecteurs (1, 1) et (1, 2)
2 1
(réponse : (3 , − 3))
3) Montrer que les vecteurs (1, 1) et (1, 2) forment une base de ℝ2
4) Trouver les coordonnés du vecteur X par rapport aux vecteurs A, B et C.
X = (1, 0, 0) A = (1, 1, 1) B = (-1, 1, 0) C = (1, 0, -1)
5) Soient (a, b) et (c, d) deux vecteurs du plan
a) Montrer que : {(a,b), (c,d)} est un système lié  ad bc = 0
b) En déduire que : {(a,b), (c,d)} est un système libre  ad bc  0
6) Soient f1 et f2 les fonctions définies sur ]1, 1[ par
1 1
x]1, 1[ , f1 (x) = et f2 (x) =
x−1 x+1
a) Montrer que le système de vecteurs {f1 , f2} est libre
b) Montrer que la fonction f : ]1, 1[ ℝ
2
x 
x2 −1
appartient à Vect(f1 , f2)

Théorème 1 ( très important )

Soit {x1, … , xn} une famille de n vecteurs d’un espace vectoriel E. Soit p > n et soit
{y1, … , yp} une famille de p combinaisons linéaires des vecteurs x1, … , xn. Alors la
famille {y1, … ,yp} est liée

Démonstration
Elle se fait par récurrence sur n
* n = 1 : on a y1 = 1 x1 y2 = 2 x1
si1 = 0 y1 et y2 sont liés 1. y1 + 0. y2 = 0
1 2
si 1 0 , on a x1 = y1 et y2 - y1 = 0
1 1

F. AKEF Page 8
 Algèbre Linéaire

Le théorème étant vérifié pour n = 1, supposons le vrai pour n et démontrons le pour

n+1
* Soit y1, … , yn+2 des combinaisons linéaires de {x1, … , xn+1} on peut écrire

y1 = 1 x1 + z1 , …, zn+2 = n+2 x1 + zn+2 où z1 , …, zn+2 sont des combinaisons

linéaires de {x1, … , xn+1}

* si 1 = 2 = … = n+1 = 0 , y1, … , yn+1 sont des combinaisons linéaires de

{x1, … , xn+1}, donc y1, … , yn+1 sont linéairement dépendants d’où y1, … , yn+2 sont
linéairement dépendants
Si l’un des j (1  j  n+1) est non nul, en échangeant éventuellement l’ordre des yj,
1 1
on peut supposer que c’est 1. On a alors : x1 = y1 z1 et
1 1
2 2
y2= 2 x1 + z2 = y1 z1 + z2
1 ⏟
1
z′2
2 n+2
on obtient ainsi y2  y1 = z2′ , … , yn+2  ′
y1 = zn+2 où z2′ , … zn+2
′
sont (n+1)
1 1
combinaisons linéaires de la famille {x1, … , xn+1}
D’après l’hypothèse de récurrence, z2′ , … zn+2
′
sont liés par
′ ′ ′
𝛼′2 z2 + … + 𝛼 𝑛+2 zn+2 =0
𝛼 𝛼𝑛+2
D’où 𝛼 ′ 2 (𝑦2 − 𝛼2 𝑦1 ) + ⋯ + 𝛼 ′ 𝑛+2 (𝑦𝑛+2 − 𝑦1 ) = 0 où l’un des nombres
1 𝛼1
𝛼′2 + … + 𝛼 ′ 𝑛+2 n’est pas nul et la famille {y1, … , yn+2} est liée

Exemple
S = {𝑥1 , 𝑥2 , 𝑥3 }
Prenons
𝑦1 = 𝑥1 + 𝑥2 + 𝑥3 𝑦3 = 𝑥1 + 𝑥2 − 𝑥3
𝑦2 = 𝑥1 − 𝑥2 + 𝑥3 𝑦4 = −𝑥1 + 𝑥2 + 𝑥3
Quels que soient 𝑥1 , 𝑥2 , 𝑥3 la famille {𝑦1 , 𝑦2 , 𝑦3 , 𝑦4} est liée
(On ajoutant membre à membre 𝑦1 + 𝑦2 + 𝑦3 + 𝑦4 = 2𝑦1 −𝑦1 + 𝑦2 + 𝑦3 + 𝑦4 = 0)

Corollaire
Soit E un espace vectoriel engendré par n vecteurs x1, … ,xn
(tout vecteur de E est une combinaison linéaire de x1, … ,xn)
Alors toute famille de p > n vecteurs de E est liée

F. AKEF Page 9
 Algèbre Linéaire

Théorème 2
Soit E un espace vectoriel ayant une base {x1, … , xn}
1° Toute autre base de E est formée de n éléments
2° Toute famille libre {y1, … , yn }est une base de E
3° Toute famille génératrice{y1, … , yn } est une base

Démonstration
*Soit {e1, … ,ep} une autre base
 Si p > n, d’après le théorème 1, la famille {e1, … , ep} est liée, car e1, … , ep
sont des combinaisons linéaires de {x1, … , xn}, impossible {e1, … , ep} base
 Si n > p , la suite {x1, … , xn} liée, puisque x1, … , xn sont des combinaisons
linéaires de {e1, … , ep} et c’est impossible
Donc n = p

*Soit {y1, … ,yn} une suite libre de vecteurs de E

Pour démontrer que c’est une base, il suffit de montrer que y1, … , yn engendre E
Soit zE, d’après le théorème1 {y1, … , yn, z} liée puisque les (n+1) vecteur sont des
combinaisons linéaires de (x1, … , xn)
1 y1 + … + n yn +  z = 0 1 , … , n, n’étant pas tous nuls
1 n
 0 z =  y1 …. yn
 
Ce qui prouve que z est combinaison linéaire de (y1, … , yn)

Définition
Soit E un espace vectoriel non réduit à {0}
On dit que E est de dimension finie, s’il existe un entier n et une base de E formée
de n éléments
Alors, toute base de E est formée de n éléments, cet entier n s’appelle la dimension
de E et se note dimk E

Remarque
Si E = {0} , on pose dimk E = 0

Exemples
dimℝ ℂ = 2
dimℂ ℂ = 1
P : n’est pas de dimension finie
P est un espace vectoriel de dimension infinie

F. AKEF Page 10
 Algèbre Linéaire

Propriété
Soit E un espace vectoriel sur un corps K
Si toutes les familles de (n+1) vecteurs sont liés, alors E est un espace vectoriel de dimension
finie et dimk E ≤ n

Preuve (facultatif)
Soit m le plus petit entier ayant la propriété que toutes familles de m+1 vecteurs soient liés
On a m ≤ n
Donc il existe (x1, … ,xn) famille libre dans E
Alors que pour tout x ∈ E, nous avons (x1, … ,xn,x) famille liée
D’où x est combinaison linéaire de x1,x2… ,xn. Donc (x1, … ,xn) est une base de E

Conséquences

1) Conséquence 1
Soit E un espace vectoriel de dimension finie et F un sous espace vectoriel de E
Alors F est de dimension finie et dimk F ≤ dimk E

Preuve
découle du théorème 1

2) Conséquence 2
Soit E un espace vectoriel de dimension finie et F un sous espace vectoriel de E
Si dimk F = dimk E alors F = E

Preuve
dimk F = dimk E = n, il existe alors une famille libre (ou génératrice) dans F de n éléments
c’est donc une base de E

3) Conséquence 3
Soit E un espace vectoriel engendré par { x1, … , xn }
Alors E est de dimension finie et dimk E ≤ n

Preuve
découle du théorème 1

Théorème 3 : Soit E un espace vectoriel sur K et soient F et G deux sous espaces vectoriels
de E. Alors dimk (F + G) = dimk F + dimk G - dimk (F  G)

Rang d’une famille de vecteurs

Soit E un espace vectoriel et {x1, … , xn } une famille de n vecteurs
On appelle rang de famille {x1, … , xn } le nombre r maximum d’éléments des familles libres
que l’on peut extraire de la famille {x1, … , xn}

F. AKEF Page 11
 Algèbre Linéaire

Le sous espace vectoriel F engendré par x1, … ,xn possède une base de r vecteurs parmi
x1, … , xn

Remarque
Si dimk E = n et si {x1, … , xn} est une famille génératrice (ou une famille libre) de E,
alors {x1, … , xn} est une base de E

Théorème de la base incomplète

Soit E un espace vectoriel de dimension finie n sur un corps K
Pour tout famille libre {y1, … , yp} de E (p  n), on peut trouver
q = n  p vecteurs z1, … , zq de E tels que (y1, … , yp, z1, … , zq ) soit une base de E

Définition : Soit E un espace vectoriel sur K et soient F, G et H trois sous espaces vectoriels
de E. On écrit H = F  G si et seulement si :
1. H = F + G
2. F  G = {0K}
F  G est appelé somme directe de F et G (exemple : voir fin paragraphe II)

Théorème 4 : Soit E un espace vectoriel sur K et soient F et G deux sous espaces vectoriels
de E tels que E = F  G. Alors dimk E = dimk F + dimk G

Preuve
E = F  G signifie que E = F + G et F  G = {0K}
Alors d’après le théorème 3, nous avons :
dimk E = dimk F + dimk G - dimk (F  G) = dimk F + dimk G - dimk {0K} = dimk F + dimk G

Théorème 5 : Soit E un espace vectoriel sur K et soient F et G deux sous espaces vectoriels
de E. Alors les trois propositions sont équivalentes :
1. E = F  G
2. E = F + G et dimk E = dimk F + dimk G
3. F  G = {0K} et dimk E = dimk F + dimk G

Variante du théorème de la base incomplète

Tout sous espace vectoriel F de E admet un supplémentaire G
E = F  G, et on a : dimk E = dimk F + dimk G

F. AKEF Page 12
 Algèbre Linéaire

Chapitre 2

Applications Linéaires

I. Définition d’une application linéaire

1) Définition
Soient E et F deux espaces vectoriels sur un même corps K. On appelle application
linéaire de E dans F toute application telle que :
(x, y)E2 f(x + y) = f(x) + f(y)
K xE f(.x) =  f(x)

Exemples
1) Espace vectoriel sur ℝ , soit aℝ f : ℝℝ
x ax
2) pr1 :ℝ2ℝ pr2 : ℝ2ℝ
(x, y)  x (x, y)  y
Dans le cas particulier où F = ℝ (ou ℂ) l’application linéaire f : E ℝ est appelée
forme linéaire
Si F = E, l’application linéaire f : E E est appelée endomorphisme de E
On appelle isomorphisme de E vers F une application linéaire bijective de E vers F,
on dit que E et F sont isomorphes
On appelle automorphisme de E un endomorphisme bijectif de E

Notation
L’ensemble des applications linéaires de E vers F est noté ℒ(E, F), l’ensemble des
endomorphismes de E est noté ℒ(E)

2) Premières propriétés
a) Soit fℒ(E, F) gℒ(F, G) alors gofℒ(E, G)

b)f application linéaire de E dans E si et seulement si

(x, y)E2(, )K2 f(x + y) = f(x) + f(y)

c)fℒ(E, F) f(OE) = OF
En effet f(x + OE) = f(x) + f(OE ) = f(x) f(OE) = OF
d)xE f( x) =  f(x)

F. AKEF Page 13
 Algèbre Linéaire

II. Image et noyau d’une application linièaire

1) Image d’une application linéaire
Définition
Soit fℒ(E, F)
On appelle image de f et on note Im f l’ensemble des éléments y de f tels qu’il
existe au moins xE avec y = f(x)

Propriété
Im f est un sous espace vectoriel de F

2) Noyau d’une application linéaire

Définition
Soit fℒ(E, F), on appelle noyau de f et on note N(f) ou Ker f l’ensemble des
éléments de E qui ont, par f, OF comme image Ker f = {xE , f(x) = OF}

Exemple
Ker pr1 = {(0, y), yℝ}

Propriété
Ker f est un sous espace vectoriel de E.

Lemme :
F injective  Ker f = {OE}

Preuve
f injective
Soit xKer f f(x) = f(OE)  x = OE.
RéciproquementKer f = {OE}
Soit x,yE f(x) = f(y)  f(x  y) = OF  x  yKer f  x  y = OE  x = y

3) Propriétés
a) Soit fℒ(E, F)
Si (e1, e2, …, en) est une base de E alors (f(e1), f(e2), …, f(en)) est une famille
génératrice de Im f
En effet : yIm f xE f(x) = y
( 1, …, n)Kn , x = 1 e1+ … + n en , alors f(x) = f (i ei)
y = f(x) = 1 f(e1) + … + n f(en)
Attention
(f(e1) , … ,f(en)) n’est pas obligatoirement une base de Im f
(par exemple si ker f ≠ {0E})

F. AKEF Page 14
 Algèbre Linéaire

b) fℒ(E, F)
Si f est injective l’image d’une famille libre de E par f est une famille libre de F
En effet : soit (e1, …, en) une famille libre de E. Soit 1, …, nn scalaires tels que
1 f(e1) + 2 f(e2) + …+n f(en) = OF
f(1 e1+ 2 e2 +… + n en) = OF
Or f est injective, d’après le lemme Ker f = {OE} d’où 1 e1+ … + n en = OE
Comme { e1, …, en } libre 1 = 2 = … = n = 0 (f(e1) , f(e2) , … ,f(en)) est libre

Corollaire
Si f est un isomorphisme de E vers F, l’image par f d’une base de E est une base
de F

Proposition :
Une application linéaire de E vers F qui transforme une base de E en une base de F
est un isomorphisme

Preuve
Soient fℒ(E, F) et (e1, …, en) une base de E
(f(e1) , … ,f(en)) une base de F
Soit yF y1, …, yn n scalaires tels que
y = y1 f(e1) + y2 f(e2) + …+ yn f(en) = f(y1 e1 + y2 e2 +… + ynen)
xE x = y1 e1 +… + ynen y = f(x)  f est surjective
Soit xKer f  x1, …, xn n scalaires
x = (x1 e1+ x2 e2 +… + xnen ) f(x) = OF f(x1 e1 + x2 e2 +… + xnen) = OF
x1 f(e1) + …+ xn f(en) = OF x1 = x2 = … = xn = 0
x = 0e1 +… + 0en = OE Ker f ={OE} f est injective

Résumé
f isomorphisme  l’image d’une base par f est une base

Remarque
Si (e1, …, en) est une base de E, f est définie par f(e1) , f(e2) , … ,f(en)
xE ( x1, x2 ,…, xn)Kn x = x1 e1 + x2 e2 +… + xnen
 f(x) = x1 f(e1) + x2 f(e2) + …+ xn f(en)

Théorème
(E, +, .) et (F, +, .) isomorphes  dimk E = dimk F

Démonstration
<=) Dimk E = dimk F  E et F isomorphes

F. AKEF Page 15
 Algèbre Linéaire

Soit B = (e1, …, en) une base de E, B = (e1′ , … , e′n ) une base de F

Soit f l’application linéaire de E vers F définie par
f(ei) = e′i i{e1, …, en}
f transforme B en B d’où f est un isomorphisme

Remarque
On en déduit que tout espace vectoriel sur ℝ de dimension n est isomorphe à ℝn

III. Rang d’une application linéaire

Soient E et F deux espaces vectoriels de dimensions finies n et p respectivement et f
une application linéaire de E dans F
Im f est un sous espace vectoriel de F
Alors Im f est de dimension finie et dimk(Im f)  p = dimk F

Définition :
On appelle rang d’une application linéaire f d’un espace vectoriel E de dimension
finie dans un espace vectoriel F la dimension de l’image Im f

Théorème
Soit f une application linéaire d’un espace vectoriel E de dimension n dans un espace
vectoriel F de dimension p, son rang r = dimk (Im f) est donné par
Dimk E = dimk (Im f) + dimk (Ker f)

Démonstration
Soit E un espace vectoriel de dimension n
Soit {x1, …, xq} une famille libre de E Alors il existe ℓ vecteurs (ℓ = n  q), y1, …, yℓ

tels que {x1, …, xq, y1, …, yℓ} est une base de E.

Appliquons le théorème de la base incomplète pour démontrer ce théorème
Soit {e1, …, eq} une base de Ker f
D’après le théorème de la base incomplète il existe (np) vecteurs eq+1, …, en tel que
{e1, …, eq, eq+1, …, en} est une base de E
f(e1), …, f(eq), f(eq+1),…, f(en) forment une famille génératrice de Im f
De plus f(e1) = … = f(eq) = OF car e1, …, eqKer f
Alors les (np) vecteurs f(eq+1),…, f(en) engendrent Imf
On va montrer qu’ils sont linéairement indépendants
Si 1 f(eq+1) + …+ nq f(en) = OF
f (1 eq+1 + …+ nq en) = OF
Comme eq+1, …, en n’appartiennent pas au noyau de f on a : 1 eq+1 + …+ nq en =
OE1 = … = nq = OF car (eq+1, …, en) sont linéairement indépendants
D’où{f(eq), f(eq+1),…, f(en)} est une base de Im f c’est à dire

F. AKEF Page 16
 Algèbre Linéaire

Dimk(Im f) = n  q = dimk E dimk Ker f

dimk E = dimk(Im f) + dimk(Ker f)

Corollaires
1) si f est injective Ker f = {OE }dimk(Ker f) = 0 et r = n = dimk E
f injective dimk (Im f) = dimk E
2) f surjective Im f = F r = dimk F
f surjective dimk (Im f) = dimk F
3) f bijective  r = n = p =dimk E = dimk F

4) Structure Algébrique de ℒ(E, F)

(ℒ(E, F), +, .)espace vectoriel
Si F = E (ℒ(E), +, o) est un anneau

Remarque
Le composé de deux isomorphismes est un isomorphisme

F. AKEF Page 17
 Algèbre Linéaire

Chapitre 3

Matrices

I. Matrice d’une application linéaire

Soient E et F deux espaces vectoriels sur K de dimension n et p rapportés aux bases

respectives (e1, …, en) et (1, …, p) et f une application linéaire de E dans F. f est
déterminé par la donnée des composantes des vecteurs f(e1), f(e2),…, f(en) relativement
à la base (1, …, p) de F.

f(e1 ) = a11 1 + a21 2 + ⋯ + ap1 p

{ f(e2 ) = a12 1 + a22 2 + ⋯ + ap2 p
………
f(en ) = a1n 1 + a21 2 + ⋯ + apn p

Soit x E et y F l’image de x par l’application linéaire f : y = f(x)

D’une part x s’écrit d’une manière unique comme combinaison linéaire des (ej )1  j  n
x = x1 e1+ …+ xn en
Et d’autre part y s’écrit d’une manière unique comme combinaison linéaire des (i ) 1  i  p
y = y1 1 + y2 2 +…+ ypp
y = y1 1 + y2 2 +…+ ypp
= f(x)
= f(x1 e1+ …+ xn en)
= x1 f(e1) + x2 f(e2) +… + xnf(en)
= (a11 x1 + a12 x2 + … + a1nxn ) 1 + (a21 x1 + a22 x2 +…+ a2nxn ) 2 +
… + (ap1 x1 + ap2 x2 + … + apnxn ) p

D’où :
y1 = a11 x1 + a12 x2 + ⋯ + a1n xn
{ 2 = a21 x1 +…a22
y x + ⋯ + a2n xn
… …2
yp = ap1 x1 + ap2 x2 + ⋯ + apn xn

L’application linéaire est donc parfaitement définie par la donnée du tableau suivant
de p lignes et n colonnes :
f(e1) f(e2) f(en)
a11 a12 … a1n 1
a21 a22 … a2n 2
( ⋮ ⋮ aij ⋮ ) ⋮
ap1 ap2 … apn p

F. AKEF Page 18
 Algèbre Linéaire

Ce tableau à p lignes et n colonnes est appelé matrice de l’application linéaire f

relativement aux bases (e1, e2 ,…, en) et (1, 2 ,…, p)
On note
y1 a11 a12 … a1n x1
y2 a21 a22 … a2n ⋮
( ⋮ ) =( ⋮ ⋮ aij ⋮ )( ⋮ )
yp ap1 ap2 … apn xn
Produit ligne colonne
n

Pour i = 1, … , p ∶ yi = ∑ aij xj
j=1
La matrice est notée A =(aij )1  i  p
1  j n

Exemples
1) Matrice d’une projection

ℝ3ℝ2 P(i)= i P(j)= j ⃗ )= ⃗0

P(k
La matrice de ℛ relativement aux bases {i, j, ⃗k} et {i, j} :
P(i) P(j) P(k ⃗)
1 0 0 i
( )
0 1 0 j
2)Matrice d’une rotation
Soit ℛ la rotation plane de centre O et d’angle 
ℛ(i)= cosi + sinj
 
ℛ(j)= cos( + 2) i+ sin( + 2) j
=  sini + cosj
ℛ(i) ℛ(i)
cosθ − sinθ i
La matrice de ℛ relativement à la base {i, j} : ( )
sinθ cosθ j

Exercice
Déterminer la matrice d’une rotation autour de l’axe (OZ)

ℛ(i) = cosi + sinj

ℛ(j) =  sini + cosj
⃗) = k
ℛ(k ⃗

La matrice de ℛ relativement à la base {i, j, ⃗k} :

cosθ −sinθ 0
P = ( sinθ cosθ 0)
0 0 1

F. AKEF Page 19
 Algèbre Linéaire

Notation
l’ensemble des matrices p lignes et n colonnes est noté Mp,n(K).
Soit fℒ(E, F), (e1,…, en) base de E, (1,…, p) base de F
On associe à f la matrice à p lignes et n colonnes
f(ej)
a11 a12 … a1j … a1n ε1
⋮ ⋮
A = ai1 aij ain ⋮
⋮ ⋮
a
( p1 … … apj … a ε
pn ) p

pour j = 1, … , n ∶ f(ej ) = ∑ aij εi

i=1

Inversement, on peut considérer toute matrice (p, n) comme représentant d’une

application linéaire de E dans F rapportés à deux bases données
D’où l’application ℒ(E, F) Mp,n(K) est une bijection

II. Opération sur les matrices

1) Egalité de deux matrices

f, gℒ(E, F) A = (aij) et B = (bij) leurs matrices associées

Si f = g alors f(ej) = g(ej) pour 1  j  n

p p

∑ aij εi = ∑ bij εi  aij = bij

i=1 i=1
def
A=B → aij= bij 1ip 1jn

L’application ℒ(E, F)  Mp,n(K)

FA est bijective

2) Somme de deux matrices

(f + g) (ej) = f(ej) + g(ej)
p

= ∑(aij + bij ) εi
i=1

cij = aij + bij

C=A+B C = (cij)

F. AKEF Page 20
 Algèbre Linéaire

Exemple . . . . . .
(. . ) + (. .) = (. .)

L’addition ainsi définie est une loi de composition interne

On vérifie qu’elle munit l’ensemble des matrices (p, n) d’une structure de groupe
abélien
L’élément neutre est la matrice nulle

3) Produit par un scalaire

Soit   K, A  Mp,n(K) A = (aij )1  i  p
1  j n

 A = (cij )1  i  p est telle que cij =  aij

1  j n

On vérifie les axiomes de la structure d’espace vectoriel sur le corps K

 (A + B) = A + B
( + ) A = A + A
 (A) = () A
1k A = A

Corollaire
L’ensemble des matrices p lignes et n colonnes Mp,n(K) muni des deux lois précédentes
possède une structure d’espace vectoriel sur K (K = ℝ ou sur ℂ)

Exercice
a c
Exprimer la matrice M = ( ) comme combinaison linéaire de 4 matrices
b d

Cas général
L’espace vectoriel des matrices p lignes et n colonnes Mp,n(K) est de dimension n.p

4) Produit de deux matrices

Soient E, F, G trois espaces vectoriels
fℒ(E, F)
gℒ(F, G)
gofℒ(E, G) EFG EG
f g gof

Soit A et B les matrices respectives de f et g relativement aux bases

(e1 ,…, en) , (1 ,…, p) , (1 ,…, q) de E, F et G
Cherchons C la matrice de gof
On a

F. AKEF Page 21
 Algèbre Linéaire

pour j = 1, … , n f(ej ) = ∑ aij εi

i=1

pour i = 1, … , p g(i ) = ∑ bki k

k=1
p

donc gof(ej ) = g[f(ej )] = ∑ aij g(εi )

i=1
p q q p

= ∑ aij ( ∑ bki k ) = ∑ ∑ aij bki k

i=1 k=1 k=1i=1
q p

or gof(ej ) = ∑ Ckj k donc Ckj = ∑ bki aij

k=1 i=1

Ckj = bk1 a1j + bk2 a2j + … + bkiaij +… + bkpapj

a1j
a2j
⋮ ième
aij j colonne
⋮
( apj )
( bk1 bk2 … bki … bkp ) ( Ckj )
kième lignes

On dit que le produit de deux matrices s’effectue ligne par colonnes

Exemple
1 2 2 −1 0
Soit A = ( 0 4) B=( 3 1 5)
−1 0 −2 0 1

2 −1 0 1 2 2 0
BA= ( 3 1 5) ( 0 4) = (−2 10 )
−2 0 1 −1 0 −3 −4

Exercices
1) Vérifier l’associativité du produit matriciel ABC sur les matrices :

F. AKEF Page 22
 Algèbre Linéaire

0 1 −1 1 −1 0 3
1 0 −2
A=( ) , B = (2 0 3) , C = (3 0 1 2)
2 3 1
1 −1 2 1 1 −2 0
cos − sin
2) Soit A = ( )
sin cos
Calculer A2, A3. Déduire An

1 1 1
3) même question pour A = (1 1 1 ) (An = 3n1 A)
1 1 1

Propriété du produit matriciel

* Le produit matriciel n’est pas commutatif
* Le produit matriciel est associatif
* Le produit matriciel est distributif par rapport à l’addition
* A = 0 ou B = 0  AB = 0, mais la réciproque est fausse :
AB = 0 ⇏ A = 0 ou B = 0
Contre exemple
−1 0 0 0 0
0 0 0
A=( ) et B = ( 1 0) BA = (0 0 0)
1 2 3
5 0 0 0 0

III. Matrices carrées

1) Définition
On appelle matrice carrée d’ordre n, la matrice d’une application linéaire d’un espace
vectoriel E de dimension n vers lui-même

Notation : L’ensemble des matrices carrées d’ordre n est noté Mn(K)

Mn(K) possède pour l’addition et la multiplication une structure d’anneau unitaire

1 0
1
I= 1 matrice unité d’ordre n
⋱
(0 1)

AI = IA = A
La matrice unité I représente, dans une base de E, l’application identique de E

Remarque
L’anneau des matrices carrées (Mn(K), +, .)
1) n’est pas commutatif
2) n’est pas intègre ( car il possède des diviseurs de zéro )
1 2 2 −4 0 0
( ) ( ) = ( )
0 0 −1 2 0 0

F. AKEF Page 23
 Algèbre Linéaire

2) Matrices inversibles
Une matrice carrée A d’ordre n est inversible s’il existe une matrice carrée B d’ordre
n telle que AB = BA = I

La matrice B est appelée matrice inverse de A on la note A1

A A1 = A1 A = I
Si f et g sont leurs applications linéaires correspondantes
gof = fog = idE
C’est à dire g = f 1

Inversement
Si f est inversible A l’est aussi et A1 est la matrice de f1

Exemples
1° f rotation de centre O et d’angle 
cos − sin
A=( )
sin cos
f 1 rotation de centre O et d’angle ()
cos(−) − sin(−) cos sin
A1 = ( ) = ( )
sin(−) cos(−) −sin cos
1 0
On a bien A A1 = A1 A = ( )
0 1

1 0 1 0
2° A = ( ) A1 = ( 1 1)
−1 2
2 2

1 1 1
3° Trouver l’inverse de la matrice A = (0 1 1)
0 0 1

en utilisant leurs applications linéaires associées

3) Matrice transposée
On appelle matrice transposée d’une matrice A = (aij), la matrice notée tA obtenue par
un échange de ligne et de colonnes tA = (aji)

Exercice
Ecrire les transposées des matrices :
0 1 −1
1 0 −2
B=( ) A = (2 0
et 3)
2 3 1
1 −1 2
Vérifier sur les matrices précédentes la formule générale
t
(BA) = tA .tB
F. AKEF Page 24
 Algèbre Linéaire

Exercice
On donne la matrice :
0 1 1
A = (1 0 1 )
1 1 0
et on considère l’endomorphisme f de l’espace ℝ3 dont la matrice relativement à la
base canonique est A
1) Calculer les coordonnées y1, y2, y3 de y = f(x) en fonction des coordonnées x1, x2,
x3 de x
2) Montrer que A est inversible puis A1 de deux manières différentes :
a. En agissant sur les vecteurs de la base canonique
b. En agissant sur les coordonnées x1, x2, x3 de x et les coordonnées y1, y2, y3 de y

IV. Matrice de changement de base

1) Définition
Soit E un espace vectoriel de dimension n rapporté à la base ℬ = (e1, e2,…, en)
Soit ℬ = (e1′ , e′2 , … , e′n ) une autre base de E

e1′ = a11 e1 + a21 e2 + ⋯ + an1 en

{⋮
e′n = a1n e1 + a2n e2 + ⋯ + ann en

On appelle matrice de passage de la base ℬ à la base ℬ la matrice carrée P dont les

colonnes contiennent les composantes des vecteurs de ℬ par rapport à ℬ .
e1′ … … … e′n
a11 … a1n e1
a a2n e2
P = ( 21⋮ ⋮ ) ⋮|
an1 … ann e𝑛

Cette matrice P peut être considérée comme la matrice de l’application linéaire de E

par rapport aux bases ℬ et ℬ : f(e𝑖 ) = e′i pour i = 1, …, n (f isomorphisme)
P étant inversible, sa matrice P1 est la matrice de passage de la base ℬ à la base ℬ
(P1 est la matrice associée à f 1)

Exemple
Dans ℝ² ℬ = (e1, e2) ℬ = (e1′ , e′n )

F. AKEF Page 25
 Algèbre Linéaire

1 1⁄ 1⁄
e1′ = 2 (e1 + e2 )
{ P = ( 2 2 )
1
e′2 = 2 (e1 − e2 ) 1⁄ 1
− ⁄2
2
Inversement
e1 = (e1′ + e′2 ) 1 1
{ d’où P 1 = ( )
e2 = (e1′ − e′2 ) 1 −1

2) 𝐀𝐧𝐜𝐢𝐞𝐧𝐧𝐞𝐬 𝐜𝐨𝐦𝐩𝐨𝐬𝐚𝐧𝐭𝐞𝐬 𝐝′ 𝐮𝐧 𝐯𝐞𝐜𝐭𝐞𝐮𝐫 𝐞𝐧 𝐟𝐨𝐧𝐜𝐭𝐢𝐨𝐧 𝐝𝐞𝐬 𝐧𝐨𝐮𝐯𝐞𝐥𝐥𝐞𝐬

Soit xE x de composantes x1 , … , xn dans la base ℬ et x1′ , … , xn′ dans la base ℬ
x = x1 e1+ x2 e2 +...+xn en
= x1′ e1′ + x2′ e′2 + ⋯ + xn′ e′n

e1′ … … e′n
a11 … a1n e1
P =( ⋮ ⋮ ) ⋮
an1 … ann e𝑛

D’où x = x1′ (a11 e1+… + an1 en) + x2′ (a12 e1+… + an2 en) + … + xn′ (a1n e1+… + ann en)
x = (a11 x1′ + ⋯ + a1n xn′ ) e1 + (a21 x1′ + ⋯ + a2n xn′ ) e2 +… + (an1 x1′ + ⋯ + ann xn′ )en .
c-à-d
𝑋1 = a11 x1′ + ⋯ + a1n xn′
⋮
𝑋𝑛 = an1 x1′ + ⋯ + ann xn′

Sous forme matricielle

x1 a11 … a1n x1′
(⋮) = ( ⋮ ⋮ )( ⋮ )
xn an1 … ann xn′
x1 x1′
X=( ⋮ ) X = ( ⋮ )
xn xn′

X = P X

Exemple
Matrice de rotation des axes dans le plan

cos − sin
P =( )
sin cos
⃗ = x i⃗ + y j⃗ = xi⃗  + yj⃗ 
V
x x
On a donc (y) = P ( )
y

F. AKEF Page 26
 Algèbre Linéaire

x = x cos − y sin
C’est à dire {
y = x sin + y cos

3) Effet d’un changement de base sur la matrice d’une application linéaire

Soit fℒ(E, F) dimk E = n dimk F = p
 soit A la matrice de f relativement aux bases (e1, …, en) et (1, …, p) de E et F
respectivement
Soit A la matrice de f relativement aux nouvelles bases (e1′ , … , e′n ) et (1′ , … , ′p )

Cherchons la relation entre A et A’ connaissant les matrices de passage

P de (e1, …, en) à (e1′ , … , e′n )

Q de (1, …, p) à (1′ , … , ′p )
f
E → F
A
(ei) → (j)
P Q

A′
(e′i ) → (′j )

Soit xE et y = f(x)

x = x1 e1+ x2 e2 +...+ xn en = x1′ e1′ + x2′ e′2 + ⋯ + xn′ e′n
′
y = y11+ y22 +...+ ynp = y1′ 1′ + y2′ 2 + ⋯ + yn′ ′p

x1 x1′ y1 y1′
On pose X = ( ⋮ ) X = ( ⋮ ) Y=( ⋮ ) Y = ( ⋮ )
xn xn′ yp yp′
On a
d’une part, pour les matrices associées à f A et A

Y=AX
}
Y = A X

d’autre part, pour les matrices de changements de bases P et Q

X = P X
}
Y = Q Y

On obtient Q Y = Y = A X = A P X′

F. AKEF Page 27
 Algèbre Linéaire

Donc Y = Q1 A P X
Or Y = A X
Donc A X = Q1 A P X
On obtient finalement A = Q−1 A P

On dit que les matrices A et A sont équivalentes

Deux matrices équivalentes représentent donc la même application linéaire dans deux
systèmes de bases différentes
En particulier si E = F , P et Q sont identiques (P = Q) et dans ce cas

A = P −1 A P

Les matrices A et A sont semblables

Exercice
1 −2
Soit f une application linéaire qui a pour matrice A = ( ) dans la base (e1, e2)
−2 1
Déterminer sa matrice A dans la base (e1′ , e′2 ) définie par

1
e1′ = (e1 + e2 )
{ 2
1
e′2 = (e1 − e2 )
2
V. Compléments
1) Matrices carrées particulières
a- Matrices diagonales
b- Matrices triangulaires supérieures ou inférieures
c- Matrices symétriques A = tA

2) Rang d’une matrice

Définition
c1 cn
a11 … a1n
Soit A = ( ⋮ ⋮ )
ap1 … apn

On appelle rang r(A) de la matrice A le rang du système des n vecteurs colonnes

c1,…, cn

Remarque

F. AKEF Page 28
 Algèbre Linéaire

A peut être considérée comme la matrice d’une application linéaire f de KnKp .

Donc le rang de A est le rang de f
r(A) = r(f) = dim f(Kn)

Propriétés
Si A est la matrice associée à une application linéaire f de Kn vers Kp (K = ℝ ou ℂ)
Alors les nombres suivants sont les mêmes
 Le rang de A
 Le rang du système des vecteurs colonnes de A
 Le rang du système des vecteurs lignes de A
 Le rang de f
 DimK Im f

F. AKEF Page 29
 Algèbre Linéaire

Chapitre 4

Déterminants- Systèmes Linéaires

I. Forme n-linéaire alternée - déterminant

1) Forme bilinéaire alternée – Déterminant d’ordre deux
Définition
E espace vectoriel sur ℝ
Une forme bilinéaire sur E est une application de E E dans ℝ, (x, y) (x, y)
linéaire par rapport à x et y

x, x1, x2E y, y1, y2Eℝ

1)( x1 + x2, y) = ( x1, y) + ( x2, y)
(x, y) = (x, y)

2)(x, y1 + y2) = (x, y1) + (x, y2)

(x, y) = (x, y)

Si de plus (x, y) = (y, x) la forme bilinéaire est dite alternée (ou antisymétrique)

Remarque
Cette condition équivaut à (x, x) = 0 xE

Cas particulier où 𝐝𝐢𝐦ℝ E = 2

dimℝ E = 2
Soit alors (e1, e2) base de E
« Déterminant » de deux vecteurs x et y dans la base (e1, e2)
x = a11 e1 + a21 e2
y = a12 e1 + a22 e2
(x, y) = ( a11 e1 + a21 e2 , a12 e1 + a22 e2)
= a11a12 ( e1, e2) + a11 a22 ( e1, e2) + a21 a12 ( e2, e1) + a21 a22 ( e2, e2)
Or  est alternée (e1, e1) = (e2, e2) = 0
(e2, e1) = (e1, e2)

D’où finalement (x, y) = (a11 a22 a21 a12) ( e1, e2)

Définition
(a11 a22 a21 a12) est appelé déterminant des vecteurs x et y dans la base (e1, e2).
On note
a11 a12
det (x, y) = |a | = a11 a22 – a21 a12
(e1 ,e2 ) 21 a 22

F. AKEF Page 30
 Algèbre Linéaire

On a donc

φ(x, y) = det (x, y)(e1 , e2 )

(e1 ,e2 )

( e1, e2) est une constante, alors

(x, y) det (x, y) = 1est une forme bilinéaire alternée

(e1 ,e2 )

et det (e1 , e2 ) =1
(e1 ,e2 )

2) Forme n-linéaire alternées – Déterminants d’ordre n

Définition

E espace vectoriel de dimension n sur ℝ

 : Enℝ
(x1, x2, …, xn) ( x1, x2, …, xn)

est une forme n-linéaire alternée si

est linéaire par rapport à chacun des vecteurs

( x1, …,  xi + xi′ , …, xn) = (x1,…, xi , …, xn ) + (x1, …,xi′ , …, xn ) i{1,…, n}

est alternée :
( x1,…, xi , …, xj ,…, xn ) = ( x1,…, xj , …, xi ,…, xn)

Premières propriétés
* si deux vecteurs sont égaux alors = 0
En effet, si xi = xj =  = 0

* si deux vecteurs sont proportionnels alors = 0

En effet, si xi = xjℝ
( x1,…, xi , …, xj ,…, xn ) = ( x1,…, xj , …, xj ,…, xn ) = 0

Pour  = 0  = 0 : si un vecteur est nul alors  = 0

( x1,…, 0 , …, xn ) = 0

Conséquence
Si dans (x1, …, xn) on ajoute à un vecteur une combinaison linéaire des autres, la
valeur de  ne change pas

F. AKEF Page 31
 Algèbre Linéaire

Démonstration

 x1 , … , xi−1 , xi + ∑ j xj , xi+1 , … , xn =
j=1
j  i
( )
∑nj= 1 j (x1 , … , xi−1 , xj , xi+1 , … , xn ) + ( x1 , … , xi , … , xn ) =(x1, …, xi, …, xn)
j  i

Calcul de  dans une base de E

E espace vectoriel de dimension n , (e1, …, en) base de E
n

x1 = a11 e1 + a21 e2 + ⋯ + an1 en = ∑ ak1 ek

k= 1
n

x2 = a12 e1 + a22 e2 + ⋯ + an2 en = ∑ aℓ2 eℓ

ℓ = 1
…………………. ………………….
n

xn = a1n e1 + a2n e2 + ⋯ + ann en = ∑ apn ep

p= 1

n n n

(x1 , xi , … , xn ) =  ( ∑ ak1 ek , ∑ aℓ2 eℓ , … . , ∑ apn ep )

k= 1 ℓ= 1 p= 1
n n n

= ∑ ak1 ∑ aℓ2 … . ∑ apn (ek , eℓ , … , ep )

k= 1 ℓ= 1 p= 1

= ∑ ak1 aℓ2 … apn (ek , eℓ , … , ep )

(k,ℓ,… ,p)

(x1 , … , xn ) = ∑ (−1)I ak1 aℓ2 … apn (e1 , e2 , … , en )

(k,ℓ,… ,p)

« I » étant le nombre d’inversion par rapport à l’ordre habituel (1, 2, …, n)

Définition :
Le scalaire ∑(1)Iak1 aℓ2 … apn est appelé déterminant des n vecteurs x1, x2,.., xn
dans la base (e1, e2, …, en)

F. AKEF Page 32
 Algèbre Linéaire

Notation
a11 a12 … a1n
a a22 … a2n
det (x1 , x2 , … , xn ) = | 21 | = ∑(−1)𝐈 ak1 ap2 − apn
(e1 ,e2 ,…,en ) ⋮ ⋮
an1 an2 … ann

φ(x1 , x2 , … , xn ) = det (x1 , x2 , … , xn )(e1 , e2 , … , en )

(ℓ1 ,ℓ2 ,…,ℓn )

3) Propriétés
L’application : En  K
(x1, …, xn) det (x1, …, xn)
est une forme n-linéaire alternée c’est à dire

1) det(x1, …, xi, xi′ , …, xn) = det(x1, …, xi, …, xn) + det(x1, …,xi′ , …, xn)
det(x1, …, xi, …, xn ) = det(x1, …, xi, …, xn )

2)det(x1, …, xi, …,xj , …, xn) = det(x1, …, xj, …,xi , …, xn)

3)det(e1, e2, …, en) = 1

Dans la pratique on retiendra

1° si l’on multiplie les éléments d’une colonne (ou d’une ligne) par un scalaire  le
déterminant est multiplié par 
2°si l’on permute deux colonnes (ou deux lignes) le déterminant change de signe

Exemple
Soit D le déterminant diagonal d’ordre n

a11 0 … 0 1 0 … 0
0 a12 0
| = a11 a12 … ann | 0 1 0| = a a … a
D=| 11 12 nn
⋮ ⋱ ⋮ ⋮ ⋱ ⋮
0 0 … ann 0 … … 1

Conséquences
1) Si xi = 0 det(x1, …, xi, …, xn) = 0
Si xi = xj det(x1, …, xi, xj,…, xn) = 0

Un déterminant dont une colonne est composé de 0, ou deux colonnes sont

proportionnelles (ou identiques) est nul

(Même énoncé pour les lignes)

2)det ( x1 , … , xi + ∑nj= 1 j xj , … , xn ) = det(x1 , … , xi , … , xn )

j  i
Important
On ne change pas la valeur d’un déterminant en ajoutant à une colonne (ou à une
ligne) une combinaison linéaire des autres colonnes (ou lignes)

F. AKEF Page 33
 Algèbre Linéaire

Exemple
Calcul du déterminant

1 1 1
D=| a b c |
b+c c+a a+b

On ajoutant la seconde ligne à la dernière

1 1 1 1 1 1
D =| a b c | = (a + b + c) = | a b c|
a+b+c a+b+c a+b+c 1 1 1

D=0

Théorème
(x1, x2, …, xn) dépendant det (x1, x2, …, xn) = 0

Démonstration
Soit x1, x2,…, xn n vecteurs dépendants
Il existe alors xi parmi les vecteurs x1, x2, …, xn tel que
n

x i = ∑ j x j
j= 1
j  i

det (x1, x2, …, xn) = det (x1,… ,∑jxj, …, xn)

= ∑ j det(x1 , … , xj , … , xn ) = 0
j
Réciproquement
Soit n vecteurs x1, x2,…, xn tels que det (x1, x2,…, xn) = 0

Si x1, x2,…, xn étaient indépendants, ils formeraient une base de E

On pourrait décomposer chaque vecteur ej
n

ej = ∑ ij xi
i= 1
D’où
det (e1 , e2 , … , en ) = [∑(−1)𝐈 k1 , ℓ2 , … , pn ] det (x1 , x2 , … , xn ) = 0
(e1 ,…,en ) (e1 ,…,en )

Contradiction avec det (e1, e2, …, en) = 1

Corollaire
n vecteurs x1, x2,…, xn sont linéairement indépendants si et seulement si leur
déterminant est non nul

F. AKEF Page 34
 Algèbre Linéaire

II. Développement d’un déterminant

1) n = 2
a11 a12
On a vu que |a a22 | = a11 a22  a12 a22
21

2) n = 3
a11 a12 a13
Soit a
D = | 21 a22 a23 |
a31 a32 a33

Il y a (3!=6) permutations de (1, 2, 3), dont 3 contiennent un nombre pair d’inversions

(1, 2, 3) d’où le terme + a11 a22 a33

(2, 3, 1) d’où le terme + a21 a32 a13
(3, 1, 2) d’où le terme + a31 a12 a23

et 3 contiennent un nombre impair d’inversions

(1, 3, 2) d’où le terme  a11 a32 a23

(3, 2, 1) d’où le terme  a31 a22 a13
(2, 1, 3) d’où le terme  a21 a12 a33

Finalement
D = a11 a22 a33+ a21 a32 a33 + a31 a12 a13  a11 a32 a23  a31 a22 a13  a21 a12 a33

en ordonnant par rapport aux termes de la 1ère colonne

a11 a12 a13

|a21 a22 a23 | = a11 (a22 a33 a32 a23) + a21 (a32 a13 a12 a33) + a31 (a12 a23 a22 a13)
a31 a32 a33
a22 a23 a12 a13 a12 a13
D = a11 |a a33 | a21 |
a32 a33 | + a31 |
a22 a23 |
32

D = a11 A11 + a21 A21 + a31 A31

3) Généralisation
a11 a12 … a1n
a a22 … a2n
Soit D = det(x1, x2,…, xn ) = | 21 |
⋮ ⋮
an1 an2 … ann
n

On a ∶ x1 = ∑ ai1 ℓi , d′ où
i= 1

F. AKEF Page 35
 Algèbre Linéaire

D = det (∑ ai1 ei , x2 , … , xn ) = ∑ ai1 det(ei , x2 , … , xn )

i= 1
En posant Ai1 = det(ei, x2,…, xn )

D = a11 A11 + a21 A21 +… + an1 An1

Calcul de A11
1 a12 … a1n
0 a22 … a2n
A11 = det(e1, x2,…, xn ) = | |
⋮ ⋮
0 an2 … ann

A11 = ∑ (−1)I ak1 , aℓ2 , … , apn

(k,ℓ,…,p)

si k  1 ak1 = 0
Or {
si k = 1 ak1 = 1

Donc A11 = ∑ (−1)I aℓ2 , … , apn = ∑ (−1)I aℓ2 , … , apn

(1,ℓ,…,p) (ℓ,…,p)

Puisque les permutations (1, ℓ, …, p) et (ℓ, …, p) ont même nombre d’inversions

a22 … a2n
A11 = D11 = | ⋮ ⋮ |
an2 … ann
D11 : moneur de a11

Calcul de A21

0 a12 … a1n
1 a22 a2n
A21 =det(e1, x2,…, xn ) = ||0 a32 a3n |
|
⋮ ⋮
0 an2 … ann

1 a22 … a2n a12 … a1n

0 a12 a1n
a3n
A21 = ||0 a32 a3n | = − |a32 | =  D21
| ⋮ ⋮
⋮ ⋮ an2 …
… ann ann
0 an2

D’une façon générale, on démontrera que le développement de D par rapport à la

jième colonne peut s’écrire

F. AKEF Page 36
 Algèbre Linéaire

D = a1 j A1 j+ ...+ ai j Ai j + … + an j An j avec Ai j = (1)i + j Di j

Di j : mineur de ai jreprésentant le déterminant d’ordre (n  1) obtenu par suppression

dans D de la ième ligne et la jème colonne

Vocabulaire
Aijest appelé cofacteur de ai j

Exemples
x a a
 Calculer D = |a x a |
a a x

Par addition des colonnes

x + 2a a a 1 a a
D = |x + 2a x a| = (x + 2a) |1 x a|
x + 2a a x 1 a x

En retranchant la 1ème ligne des deux suivantes :

1 a a
D = (x + 2a) |0 x−a 0 |
0 0 x−a

D’oùD = (x + 2a) (x  a)2

1 a a2
 Calculer D = |1 b b2 | (déterminant de VAN DER MONDE)
1 c c2

En retranchant la 2ème ligne de la 1eret la 3éme colonne conduit à

0 a−b (a − b)(a + b) 0 1 a+b

D =|0 b − c (b − c)(b + c) | = (a  b) (b  c)|0 1 b + c|
1 c c2 1 c c2

Le développement par rapport à la 1ére colonne conduit à

D = (a b) (b  c)(c  a)

III. Systèmes Linéaires

1) Définition et écriture vectoriel d’un système linéaire

Définition
On appelle système linéaire de n équations à p inconnues un système de la forme

F. AKEF Page 37
 Algèbre Linéaire

a11 x1 + a12 x2 + ⋯ + a1p xp = b1

a
(𝟏) { 21 x1 + a22 x2 + ⋯ + a2p xp = b2
…………………………….
an1 x1 + an2 x2 + ⋯ + anp xp = bn
aijet bijréels (ou complexes)
x1, x2,…, xpinconnues.

Forme matricielle
a11 … a1p x1 b1
( ⋮ ⋮
⋮ )( ) = ( ⋮ )
an1 … anp xp bn

A = (aij) est la matrice du système

Ecriture vectorielle d’un système linéaire

Dans l’espace vectoriel E rapporté à une base (e1, e2, …, en)
Considérons les vecteurs colonnes de la matrice du système A = (aij)
a11 a1i a1p
a21 a2i a 2p
A1 = ( ⋮ ) , … , Ai = ( ⋮ ) , … , Ap = ( ⋮ )
an1 ani anp
b1
b
Soit B = ( 2)
⋮
bn
Le système (1) est équivalent à l’équation vectorielle

x1 A1 + x2 A2 + … + xpAp = B

Résoudre (1) revient donc à écrire le vecteur B en combinaison linéaire des vecteurs
A1 , A2 , … , Ap de E

IV. Système de Cramer

1) Définition
On appelle système de Cramer un système linéaire dans lequel
1) Le nombre d’équations est égal au nombre d’inconnues (n = p)
2) Les vecteurs colonnes sont linéairement indépendants

Soit un tel système

a11 x1 + a12 x2 + ⋯ + a1n xn = b1
{ a21 x + a x2 + ⋯ + a2n xn = b2
… …1 … … 22
………………….
an1 x1 + an2 x2 + ⋯ + ann xn = bn

F. AKEF Page 38
 Algèbre Linéaire

ou sous forme vectorielle

x1 A1 + x2 A2 + … + xn An = B
avecdet(A1 , A2 , … , An)  0

dimℝ E = n
A1 , A2 , … , An linéairement indépendants forment une base de E
Dans cette base le vecteur B admet donc un ensemble de composantes (x1, x2, …, xn)
unique

Calcul des inconnues

det (B, A2 , … , An) = det (x1 A1 + x2A2 +… + xnAn ,…, A2 , … , An)
= x1det (A1, A2 , … , An)
det(B, A2 , …, An )
x1= (det ( A1 , … , An)  0 )
det(A1 , A2 , …, An )

De même

det (A1, A2 , … , Ai1 , B, Ai+1, … , An) = xi det (A1, A2 , … , Ai , … , An)

det(A1 ,A2 ,… ,Ai1 ,B,Ai+1 ,… ,An )
xi =
det(A1 , A2 , …, An )

Théorème
Un système de Cramer admet une solution unique donnée par les formules

a11 a12 … b1 … a1n

| ⋮ ⋮ ⋮ ⋮ |
Di an1 an2 … bn … ann
x i= = a11 a12 … a1i … a1n (i i n)
D
| ⋮ ⋮ ⋮ ⋮ |
an1 an2 … ani … ann

Exercice
Résoudre le système
2x − y + 3z = 1
{ x+y−z= 2
3x + y + 2z = 1

2) Application : Inverse d’une matrice carrée

Soit A une matrice carrée inversible
Il existe une matrice B tel que : A B = B A = I

F. AKEF Page 39
 Algèbre Linéaire

y1 a11 … a1n x1 x1 b11 … b1n y1

(⋮)= ( ⋮ ⋮ )( ⋮ )( ⋮ ) = ( ⋮ ⋮ )( ⋮ )
yn an1 … ann xn xn bn1 … bnn yn

Trouver bij revient à résoudre en x le système

y1 = a11 x1 + ⋯ + a1n xn
{ ……………………………
yn = an1 x1 + ⋯ + ann xn
La solution est unique si det A = |aij |  0

Une condition nécessaire et suffisante pour qu’une matrice carrée soit inversible et que son
déterminant ne soit pas nul

Les formules de Cramer donnent

a11 … y1 … a1n
| ⋮ ⋮ |
Di an1 … yn … ann
xi = = a11 … a1i … a1n
D
| ⋮ ⋮ |
an1 … ani … ann

on développe Di par rapport aux éléments de ième colonnes

n

Di = ∑ Aji yj
j= 1
Aji représentant le cofacteur de yj dans Di , soit encore de aji dans D
n
Aji
donc xi = ∑ y
D j
j= 1
n

par ailleurs xi = ∑ bij yj

j= 1
Donc
Aji
bij = Aij = (−1) Dij
D

On introduit la matrice des cofacteurs ou la matrice adjointe de la matrice A

adj A = (Aij)

Finalement
t
−1
(adj A)
A =
det A

F. AKEF Page 40
 Algèbre Linéaire

Exemples
a b 1 a −b
1) Inverse de A = ( ) A1 = ( )
c d ad−bc −c d
0 0 1
2) Inverse de A = (1 0 0)
0 1 0
det A = 1
adj A = A
0 1 0
A1 = t(adj A) = (0 0 1)
1 0 0

V. Système homogènes
1) Système de n équations à p inconnus
Soit le système de n équations à p inconnues :
a11 x1 + ⋯ + a1p xp = b1
(𝟏) { … … … … … … … … … …
an1 x1 + ⋯ + anp xp = bn
Sous forme vectorielle :
(2) x1 A1 + x2A2 +… + xpAp= B

(1) Admet des solutions si et seulement si B appartient au sous espace vectoriel

engendré par A1, A2,… ,Ar

Soit par exemple une base de ce sous espace (quitte à changer la numérotation)

Définitions

 Par définition r est le rang de la famille (A1, A2,… ,Ap)

On démontre que dans ce cas le déterminant D d’ordre r, formé dans r premières

lignes et colonnes de la matrice

a11 … a1r … a1p

D
ar1 … ar2 … a1p
… … … … …
a
( n1 … anr … anp )
n’est pas nul

 D  0 est appelé déterminant principal du système

 Les r premières équations sont appelées équations principales et x1, x2,… ,xr
sont les inconnues principales

A1, A2,… ,Ar et B sont linéairement dépendants, il en résulte

F. AKEF Page 41
 Algèbre Linéaire

Conditions de compatibilité
 as où r = n  1
La condition de dépendance s’écrit

a11 … a1r b1
⋮ 𝐷 ⋮ ⋮
S = det (A1, A2,… ,Ar, B) =| a
r1 arr br | = 0
an1 bn

S est appelé déterminant caractéristique

Le déterminant caractéristique traduit la compatibilité de la nième équation avec les r
équations principales

 Dans le cas général on démontre que la condition de dépendance de A1, A2,… ,Ar et
B se traduit par les (n – r) équations de comptabilité suivantes

a11 … a1r b1
⋮ ⋮ ⋮
Sq = | a arr br | = 0 avec r + 1  q  n
r1
an1 bn

Ces (n  r) déterminants Sq sont appelés déterminants caractéristiques

Résolution
L’équation (2) s’écrit
x1 A1 +… + xrAr = B  xr+1 Ar+1 -… -xpAp

On se ramène à un système de Cramer de r équations à r inconnues

Les inconnues non principales xr+1 ,… + xp sont arbitraires
Le système est dit indéterminé d’ordre p  r

Exemples
 Résoudre le système
x − y − 2z = 1
−2x + y + 4z = −3
{
3x + 2y − 6z = 8
4x + 2y − 8z = 10
a) rang du système

1 −1
D= | | = −1 (par exemple)
−2 1

Système de rang 2, x et y inconnues principales

b) Conditions de compatibilité
Les déterminants caractéristiques relatifs aux équations (3) et (4) sont nuls
S3 = S4 = 0

c) Résolution

F. AKEF Page 42
 Algèbre Linéaire

x = 2 + 2z et y=1

Le système est indéterminé d’ordre 1

2) Discuter et résoudre le système

x + y + z = 1
{x + y + z = 1 (ℝ)
x + y + z = 1

D = (+2) ( 1)2

 Si 2  1 Système de Cramer
1
x = y = z =  +2

 =  2 Système impossible (car  = 9  0)

 = 1 Le système est équivaut àx + y + z = 1
Le système est indéterminé d’ordre 2

2) Systèmes homogènes
Un système linéaire est dit homogène si b1 = b2 = … = bn= 0

On a alors x1 A1 + x2 A2 +… + xnAn = 0

Cette équation admet toujours la solution banale x1 = x2 =… = xp = 0 (solution nulle)

Cette solution unique si les vecteurs A1, A2 ,… ,An sont linéairement indépendant
Sinon,
le système admet d’autres solutions que la solution nulle, elles sont calculées en
appliquant la méthode générale

Exemple
Résoudre le système
x + 2y + 3z = 0
{
x + y − 4z = 0
On obtient
5
x = z
3
{ 7
y = z
3

Sous une forme plus symétrique

x y z
= =
5 7 3
Remarque
En général les solutions du système

ax + by + cz = 0
{
ax + by − cz = 0

F. AKEF Page 43
 Algèbre Linéaire

peuvent s’écrire
x y z
= =
bc − cb ca − ac ab − ba

Cas particulier n = p
La condition nécessaire et suffisante pour qu’un système homogène de n équations à
n inconnues admette d’autres solutions que la solution nulle est que son déterminant
soit nul

Exercice : Résoudre le système

x + 2y − z = 0
{ 2x − y + z = 0
x − 3y + 2z = 0

F. AKEF Page 44