Institut Supérieure de l’Afrique de l’Ouest

(ISAO)
L’ALGEBRE, UN OUTIL DE
MODELISATION MATHEMATIQUE
Dr URIEL AGUEMON
[Link]@[Link]
[Link]@[Link]
0022995634470(numéro whatsapp)

15 mars 2024
2
Table des matières

Introduction 7

1 LOGIQUE ET ELEMENTS DE LA THEORIE DES EN-

SEMBLES 11
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2 Ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3 Les quantificateurs . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4 Inclusion, égalité, complémentaire . . . . . . . . . . . . . . . . 12
1.5 Intersection, Union . . . . . . . . . . . . . . . . . . . . . . . . 13
1.6 Assertions, prédicats, propositions . . . . . . . . . . . . . . . . 13
1.7 Assertions logiquement équivalentes . . . . . . . . . . . . . . . 15
1.8 Les Méthodes de démonstration . . . . . . . . . . . . . . . . . 15
1.8.1 Démonstration par contre exemple . . . . . . . . . . . 15
1.8.2 Démonstration directe . . . . . . . . . . . . . . . . . . 16
1.8.3 Démonstration par contraposée . . . . . . . . . . . . . 16
1.8.4 Démonstration d’une équivalence . . . . . . . . . . . . 16
1.8.5 Démonstration par l’absurde . . . . . . . . . . . . . . . 16
1.8.6 Démonstration par récurrence . . . . . . . . . . . . . . 16
1.9 Image directe, image réciproque . . . . . . . . . . . . . . . . . 17
1.10 Relation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.10.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . 17
1.10.2 Relation d’équivalence . . . . . . . . . . . . . . . . . . 18
1.10.3 Relation d’ordre . . . . . . . . . . . . . . . . . . . . . . 19
1.11 Exercices de renforcement . . . . . . . . . . . . . . . . . . . . 20
1.12 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

2 MATRICES 23
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2 Opérations sur les matrices . . . . . . . . . . . . . . . . . . . . 25
2.3 Déterminant d’une matrice . . . . . . . . . . . . . . . . . . . . 29
2.3.1 Déterminant d’une matrice carré de taille 2. . . . . . . 29

3
4 TABLE DES MATIÈRES

2.3.2 Déterminant d’une matrice carrée de taille 3 . . . . . . 29

2.3.3 Règles de calcul du déterminant . . . . . . . . . . . . . 30
2.4 Inverse d’une matrice . . . . . . . . . . . . . . . . . . . . . . . 31
2.4.1 Matrice inversible . . . . . . . . . . . . . . . . . . . . . 31
2.4.2 Calcul de l’inverse d’une matrice . . . . . . . . . . . . 32
2.5 Systèmes d’équations linéaires . . . . . . . . . . . . . . . . . . 33
2.5.1 La méthode de pivot de Gauss . . . . . . . . . . . . . . 34
2.5.2 La méthode matricielle . . . . . . . . . . . . . . . . . . 36
2.5.3 La méthode des déterminants . . . . . . . . . . . . . . 37
2.6 Exercices de renforcement . . . . . . . . . . . . . . . . . . . . 37
2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

3 GROUPES 41
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.2 Les lois de composition interne . . . . . . . . . . . . . . . . . . 41
3.2.1 Ordre d’un groupe . . . . . . . . . . . . . . . . . . . . 42
3.2.2 Sous-groupe . . . . . . . . . . . . . . . . . . . . . . . . 42
3.2.3 Sous-groupes distingués . . . . . . . . . . . . . . . . . 43
3.2.4 Morphisme de groupes . . . . . . . . . . . . . . . . . . 43
3.2.5 Noyau-Image . . . . . . . . . . . . . . . . . . . . . . . 44
3.3 Groupes symétriques . . . . . . . . . . . . . . . . . . . . . . . 45
3.3.1 Cycles . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.3.2 Signature d’une permutation . . . . . . . . . . . . . . . 46
3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

4 ESPACES VECTORIELS 49
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.2 Histoire des espaces vectoriels . . . . . . . . . . . . . . . . . . 49
4.3 Espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.3.1 Loi de composition externe . . . . . . . . . . . . . . . . 51
4.3.2 Définition d’un espace vectoriel . . . . . . . . . . . . . 51
4.3.3 Sous-espaces vectoriels . . . . . . . . . . . . . . . . . . 52
4.3.4 Base d’un espace vectoriel . . . . . . . . . . . . . . . . 53
4.4 Applications linéaires . . . . . . . . . . . . . . . . . . . . . . . 59
4.4.1 Noyau, image d’une application linéaire . . . . . . . . . 60
4.4.2 Matrice d’une application linéaire . . . . . . . . . . . . 61
4.4.3 Changement de bases . . . . . . . . . . . . . . . . . . . 62
4.5 Exercices de renforcement . . . . . . . . . . . . . . . . . . . . 63
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
TABLE DES MATIÈRES 5

5 DIAGONALISATION ET
TRIGONALISATION DE MATRICES 65
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.2 Eléments propres . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.2.1 Valeurs propres, vecteurs propres . . . . . . . . . . . . 65
5.2.2 Sous-espaces propres . . . . . . . . . . . . . . . . . . . 66
5.2.3 Polynôme caractéristique . . . . . . . . . . . . . . . . . 66
5.3 Diagonalisabilité . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.3.1 Matrice ou endomorphisme diagonalisable . . . . . . . 66
5.3.2 Critères de diagonalisabilité . . . . . . . . . . . . . . . 67
5.3.3 Les différentes étapes pour diagonaliser une matrice . . 67
5.4 Exercices d’application sur la diagonalisation de matrice . . . 68
5.5 Trigonalisation . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.5.1 Matrice ou endomorphisme trigonalisable . . . . . . . . 71
5.5.2 Critères de trigonalisabilité . . . . . . . . . . . . . . . . 71
5.5.3 Les différentes étapes pour trigonaliser une matrice . . 71
5.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

Conclusion 73
6 TABLE DES MATIÈRES
Introduction

Le mot « mathématique » vient du grec, par l’intermédiaire du latin.

Le mot (máthēma) signifie « science, connaissance » ; il a donné naissance à
l’adjectif (mathematikos), d’abord « relatif au savoir » puis « qui concerne les
sciences mathématiques ». Cet adjectif a été adopté en latin (mathematicus)
et par la suite (« mathématique » en français).
Les mathématiques (ou la mathématique) sont un ensemble de connais-
sances résultant de raisonnements logiques appliqués à des objets divers tels
que les ensembles, les nombres, les structures (ensembles munis de fonctions
et de relations définies sur cet ensemble.), les transformations ainsi qu’aux
relations et opérations mathématiques qui existent entre ces objets.
Le premier signe d’apparition des mathématiques dans le monde est l’os
d’Ishango découvert dans les années 1950 par le géologue belge Jean de Hein-
zelin de Braucourt dans des couches de cendres volcaniques au bord du lac
Édouard dans la région d’Ishango au Congo belge (aujourd’hui République
démocratique du Congo), près de la frontière ougandaise. Cet os a été daté
de 20 mille ans avant Jésus-christ. C’est bien la preuve que l’afrique est le
berceau des mathématiques. Les ossements sont exposés de façon permanente
au Muséum des sciences naturelles de Belgique à Bruxelles. Les pêcheurs de
la region d’Ishango se servaient des encoches sur cet os pour se partager le
butin de la pêche. C’est un calculatrice préhistorique.
Il y a dix mille ans de cela, l’homme invente l’agriculture : il se met à
cultiver et à élever, et ne vit plus seulement des hasards de la cueillette et
la chasse. Il devient sédentaire et s’attache à sa terre. En plusieurs endroits
de la planète, ce changement cause un vrai bouleversement : entre le VIe
et le IIe millénaire avant notre Ère, plusieurs grandes sociétés organisées
prennent forme, en Mésopotamie, en Égypte, en Chine et en Inde. Des civi-
lisations apparaissent également en Amérique du Sud.[1] L’écriture apparaît
dans les civilisations mésopotamienne, égyptienne et chinoise vers 3000 avant
J.-C. C’est également dans ces trois civilisations que l’on trouve les premières
traces d’existence de techniques mathématiques : les premiers systèmes de
numération et les méthodes de calculs qui en permettent la manipulation

7
8 TABLE DES MATIÈRES

servent à la gestion (gestion du calendrier, gestion des réserves, transactions

commerciales, collecte des impôts...) tandis qu’une géométrie élémentaire
permet de résoudre les questions de mesure (volumes de grain et aire des
champs, problèmes liés à la construction d’édifices...) [1] Les techniques ma-
thématiques utilisées dans ces trois civilisations possèdent plusieurs points
communs. D’une part, elles sont mises en œuvre pour résoudre les mêmes
types de problème pratique. Ensuite, leur usage est réservée à l’élite admi-
nistrative. Enfin, la forme de ces mathématiques est celle d’un ensemble de
procédures présentées sur des exemples numériques concrets ; aucun concept
général n’est dégagé, aucun formalisme n’est utilisé. [1]
Les mathématiques ont donc été inventées pour résoudre des
problèmes pratiques dans la société. Elles n’avaient aucunement
un caractère purement abstrait. Il est donc important de voir les
mathématiques comme des outils d’aide à la prise de décision afin
de profiter de toutes leurs richesses.
En mathématiques, il existe plusieurs branches. Parmi ces branches, fi-
gure l’algèbre. L’algèbre a d’abord été une branche des mathématiques qui
concernait les règles des opérations sur les nombres et la résolution des équa-
tions pour devenir plus tard une théorie des opérations puis des propriétés
sur les êtres mathématiques en général.
Deux mille ans avant J.C., babyloniens et égyptiens savent résoudre des
problèmes concrets du premier et second degré en utilisant des propriétés sur
les opérations sans aucune notation symbolique.
Il y a un peu plus de 2000 ans, les chinois connaissaient des méthodes pour
résoudre les systèmes linéaires proches de notre méthode des combinaisons
linéaires.
Chez les grecs, les nombres sont intimement liés à des concepts géomé-
triques, de ce fait, ils n’apporteront pas de techniques nouvelles de calculs.
Ils s’attacheront à passer par des constructions à la règle et au compas
pour représenter les solutions qui sont nécessairement des rationnels positifs.
L’amorce du symbolisme en algèbre voit le jour dans Les arithmétiques
avec Diophante d’Alexandrie (IIIe siècle) qui introduit un certain nombre
d’abréviations. Les raisonnements restent cependant écrits en toute lettre.
Sa notation est dite syncopée, ce qui signifie que les mots sont remplacés par
des abréviations. Diophante utilise des techniques algébriques sans faire réfé-
rence à la géométrie et par là, il s’oppose radicalement aux méthodes passées
des géomètres grecs.
Le développement de l’algèbre s’opère dans le monde arabo-musulman.
Il s’est effectué en deux temps. Au VIIe et VIIIe siècle, les mathématiciens
héritent du savoir passé (grec, indien, . . .) et entre dans une longue période
de traduction. Puis à partir du IXe siècle, de nouveaux travaux voient le jour.
TABLE DES MATIÈRES 9

Selon l’historien Ahmed Djebbar, l’acte de naissance officiel de l’algèbre

en tant que discipline vient avec le savant perse Muhammad ibn Musa al-
Khwarizmi (790 ; 850). Dans un premier ouvrage, il expose le système décimal
et les règles du calcul indien. Avec le Kitâb al-jabr wa al-muqâbala (Le
livre du rajout et de l’équilibre), rédigé entre 813 et 833 et dédié au calife
al Mamum, al Khwarizmi pose les bases des méthodes algébriques de résolu-
tion des équations ainsi qu’une synthèse des règles héritées des grecs et des
textes néo-persans. En grande partie, l’ouvrage traite de problèmes de la vie
courante (partages d’héritage, droits de succession, échanges commerciaux,
arpentages des terres. . .) Son algèbre reste sans symbolisme aucun, même
pour les nombres.
A partir du début du XVe siècle, les recherches mathématiques vont pé-
riclitées dans le monde arabe pour se propager en Europe en passant par
l’Espagne musulmane.
Au XVe et XVIe siècle, l’algèbre prend son essor avec des méthodes de
résolution pour des équations du 3e et 4e degré et l’apparition des nombres
complexes. Les premières traductions de traités arabes comme le Livre d’al-
gèbre d’al Khwarizmi ou le Livre complet d’Abu Kamil commencent à faire
leur apparition. L’Italie prend une certaine avance dans la réalisation de co-
pies des ouvrages arabes. Cela s’explique par la constitution d’une grande
classe de marchands ayant besoin de manuels de calcul.
Avec le français François Viète (1540 ; 1603), l’algèbre prend un nouveau
tournant. Il conçoit l’écriture d’expressions à plusieurs inconnues et à coeffi-
cients littéraux. Ce qui permet d’apporter des méthodes de résolution dans
des cas généraux. Il conserve une conception géométrique puisque les lettres
représentent des grandeurs géométriques mais il n’hésite pas à dépasser la
dimension 3 ce qui étonne Stifel qui qualifie sa vision de contre-nature.
Viète peut être considéré comme le créateur du symbolisme mathématique
moderne.
Avec René Descartes (1596 ; 1650), l’algèbre devient une branche totale-
ment indépendante des mathématiques. C’est lui qui met en place les nota-
tions modernes que nous connaissons en algèbre, comme par exemple l’expo-
sant pour les puissances.
Le terme "algèbre" devient alors synonyme de "calcul littéral". René Des-
cartes et Pierre de Fermat introduisent, également, ce que l’on appelle tou-
jours dans les collèges et aux lycées, la "géométrie analytique" autrement dit
la géométrie des coordonnées : les courbes et les surfaces sont représentées
par des équations que l’on manipule au moyen de l’algèbre.
Du 17eme au 19eme , siècle, de nombreux savants ont contribué au dévelop-
pement de l’algèbre. Parmi ceux-ci, nous pouvons citer Bézout, Leibniz, Van-
dermonde, Laplace, Cramer, Kronecker, Hamilton, Evariste Galois, Jacobi,
10 TABLE DES MATIÈRES

Boole, Dedekind, Grassmann, Frobenius, Cayley, Sylvester, Gauss, Cauchy.

CHAPITRE 1

LOGIQUE ET ELEMENTS DE LA
THEORIE DES ENSEMBLES

1.1 Introduction
L’objectif de ce cours de LOGIQUE ET ELEMENTS DE LA THEO-
RIE DES ENSEMBLES est de donner à l’étudiant toutes les outils indis-
pensables pour lui permettre de pouvoir mener un raisonnement mathéma-
tique. Ce cours sera aussi utile en analyse, toujours dans le but de faire des
démonstrations.

1.2 Ensembles
Définition 1. Un ensemble est un regroupement dans une même entité de
certains objets bien déterminé[Link] objets sont appelés les éléments de l’en-
semble. Un ensemble est souvent désigné par une lettre majuscule.

Notations
1. Il est d’usage de noter les éléments d’un ensemble E par des lettres
minuscules.
2. Pour signifier que x est dans l’ensemble E, on écrit x ∈ E. Dans le cas
contraire, on écrit x ̸∈ E.
Présentation Un ensemble peut-être donné de deux manières différentes :
1. En extension : on dresse la liste de tous les éléments de l’ensemble.
Exemple 1. Considérons l’ensemble E des nombres entiers naturels
inférieurs ou égales à 6. E = {0, 1, 2, 3, 4, 5, 6}.
2. En compréhension : on énonce une propriété caractérisant les éléments
de l’ensemble. Considérons l’ensemble E des nombres entiers naturels
inférieurs ou égales à 6. E = {x ∈ N, x ≤ 6}.

11
12CHAPITRE 1. LOGIQUE ET ELEMENTS DE LA THEORIE DES ENSEMBLES

1.3 Les quantificateurs

Définition 2. 1. Le quantificateur universel noté ∀(lire pour tout ou
quelque soit) sert à exprimer le fait que tous les éléments d’un en-
semble vérifient une propriété donnée.
2. Le quantificateur existentiel noté ∃(lire il existe au moins un) sert
à exprimer le fait qu’au moins un élément d’un ensemble vérifie une
propriété donnée.

Exemple 2. 1. ∀x ∈ N, x ≥ 0.
2. ∃x ∈ C, x2 = −1.
a
3. ∀r ∈ Q, ∃(a, b) ∈ Z × Z⋆ , r = .
b

1.4 Inclusion, égalité, complémentaire

1. On dit qu’un ensemble A esy inclu(ou contenu) dans E ou que A est
une partie de E ou encore que E contient A lorsque tout élément de
A appartient à E. on note A ⊂ E. Formellement, on a :

A ⊂ E si et seulement si ∀x ∈ A, x ∈ E.

L’ensemble des parties de E est noté P(E).

2. Soient E et F deux ensembles. On dit que E et F sont égaux et on
note E = F si et seulement si E ⊂ F et F ⊂ E. Formellement, on a :

E = F si et seulement si E ⊂ F et F ⊂ E.

3. Soit A ∈ P(E), c’est-à-dire A ⊂ E. On appelle complémentaire de A

dans E, le sous-ensemble de E noté CEA , constitué des éléments de E
qui n’appartiennent pas à A. Ainsi, on a :

CEA = {x ∈ E, x ̸∈ A}

Exemple 3. Considérons les ensembles A = {2k, k ∈ Z} et

B = {2k + 1, k ∈ Z}

CZA = B et CZB = A.
1.5. INTERSECTION, UNION 13

1.5 Intersection, Union

Soit E un ensemble, soient A, B des parties de E.
1. L’union de A et de B notée A∪B (lire A union B) est le sous ensemble
de E constitué des éléments de E appartenant à A ou à B.

A ∪ B = {x ∈ E, x ∈ A ou x ∈ B}

2. L’intersection de A et de B notée A ∩ B (lire A inter B) est le sous

ensemble de E constitué des éléments de E appartenant à A et à B.

A ∩ B = {x ∈ E, x ∈ A et x ∈ B}

3. A et B sont disjoints lorsque A ∩ B = ∅.

4. (A ∩ B) ⊂ A et (A ∩ B) ⊂ B.
5. A ⊂ (A ∪ B) et B ⊂ (A ∪ B).
6. Soient E un ensemble,A1 , . . . , An des parties de E.
On dit que la famille (Ai )i∈{1,2,...,n} est une partition de E lorsque :
(a) Ai ∩ AJ = ∅, ∀(i, j) ∈ {1, . . . , n}2 , i ̸= j.
(b) A1 ∪ A2 ∪ · · · ∪ An = E.
Exemple 4. Soit E un ensemble, soit A une partie de E.
(A, CEA ) est une partition de E.

1.6 Assertions, prédicats, propositions

Définition 3.
On appelle assertion, toute enoncé pour lequel on peut répondre sans ambi-
guité par vraie ou faux, mais jamais les deux à la fois.

Exemple 5. 1. L’assertion 20 ≤ 5 est une assertion fausse.

2. x ≥ 10 n’est pas une proposition car elle n’admet pas de valeur de
vérité.
3. ∀x ∈ R, x ≥ 0 est une assertion fausse.

Définition 4. Un prédicat est un enoncé contenant une ou plusieurs lettres

appelées variables tel que, quand on remplace cette(ou ces )variable(s) par un
(ou des) éléments d’un ensemble donné, on obtient une assertion.
14CHAPITRE 1. LOGIQUE ET ELEMENTS DE LA THEORIE DES ENSEMBLES

Exemple 6. P (n) : “ 2 est un diviseur de n ” est un prédicat à une variable.

P (7) : “ 2 est un diviseur de 7 ” est une assertion fausse.
P (6) : “ 2 est un diviseur de 6 ” est une assertion vraie.

√ 7. P (x,
Exemple √A) : “ x ̸∈ A ” est un prédicat à deux variables.
P ( 2, Q) : “ 2 ̸∈ Q ” est une assertion vraie.
P (4, Q) : “ 4 ̸∈ Q ” est une assertion fausse.

Définition 5. Une proposition est une assertion vraie.

Définition 6. — On appelle négation d’une proposition P , la proposi-

tion notée ⌉P qui est vraie lorsque P est faux et qui est faux lorsque
P est vraie.
— Si P et Q sont deux propositions, la proposition P ou Q notée P Q
W
n’est vraie que si l’une au moins des propositions P et Q est vraie.
Les propositions P et Q sont reliées par le connecteur logique ≪ ou ≫
noté .
W
— La proposition P et Q notée P Q n’est vraie que si les deux proposi-
V
tions P et Q sont simultanément vraies. V Les propositions P et Q sont
reliées par le connecteur logique et noté .
— La proposition P implique Q noté P =⇒ Q n’est fausse que lorsque P
est vraie et Q est fausse.
— La proposition P équivaut à Q noté P ⇐⇒ Q n’est vraie que lorsque
P =⇒ Q et Q =⇒ P sont simultanément vraies.

Lorsqu’on écrit P =⇒ Q, on dit que P est une condition suffisante de

P =⇒ Q et que Q est une condition nécessaire de P =⇒ Q.
Lorsqu’on écrit P ⇐⇒ Q, on dit que P est une condition nécessaire et
suffisante pour qu’on ait Q.
Les différentes définitions enumérées dans le point de logique sont consi-
gnés dans le tableau suivant :
W V
P Q P Q P Q P =⇒ Q Q =⇒ P P ⇐⇒ Q
V V V V V V V
V F V F F V F
F V V F V F F
F F F F V V V
1.7. ASSERTIONS LOGIQUEMENT ÉQUIVALENTES 15

1.7 Assertions logiquement équivalentes

Soient P et Q deux assertions. Si P est vraie lorsque Q est vraie et P est
fausse lorsque Q est fausse. On dit que P et Q sont logiquement équivalentes
et on note P ≡ Q.

Exercice 1. 1. Etablir la table de vérité de ⌉Q =⇒⌉P.

2. Que pouvez vous dire des tables de vérité de ⌉Q =⇒⌉P et de P =⇒ Q?
3. Etablir la table de vérité de (⌉P ) Q.
W

4. Que pouvez vous dire des tables de vérité de (⌉P ) Q et de P =⇒ Q?

W

Remarque 1. 1. ⌉Q =⇒⌉P est la contraposée de P =⇒ Q.

2. Q =⇒ P est la réciproque de P =⇒ Q.

Propriété 1. Soient P et Q deux assertions.

1. ⌉(⌉P ) ≡ P.
2. P Q ≡ Q P.
V V

3. P Q ≡ Q P.
W W

4. P =⇒ Q ≡ (⌉P Q).
W

5. ⌉(P =⇒ Q) ≡ (P ⌉Q).
V

6. P =⇒ Q ≡ (⌉Q =⇒⌉P ).
7. ⌉(P Q) ≡ (⌉P ⌉Q).
V W

8. ⌉(P Q) ≡ (⌉P ⌉Q).

W V

9. P ⇐⇒ Q ≡ Q ⇐⇒ P.
10. ⌉(P Q) ≡ (⌉P ⌉Q).
W V

11. ⌉(∀x ∈ E, P (x)) ≡ (∃x ∈ E, ⌉P (x)).

12. ⌉(∃x ∈ E, P (x)) ≡ (∀x ∈ E, ⌉P (x)).

Exemple 8. La négation de l’assertion : "Je suis béninois et je ne vais pas

à Paris" est : " Je ne suis pas béninois ou je vais à Paris."

1.8 Les Méthodes de démonstration

1.8.1 Démonstration par contre exemple
Elle consiste à trouver une exception à une règle donnée.

Exercice 2. A-t-on ∀x ∈ R
I , sin(x) = x?
16CHAPITRE 1. LOGIQUE ET ELEMENTS DE LA THEORIE DES ENSEMBLES

1.8.2 Démonstration directe

Pour démontrer l’implication P =⇒ Q, on peut supposer que l’hypothèse
P est vraie et par une succession d’implications, établir que la conclusion Q
est vraie.

1.8.3 Démonstration par contraposée

S’il est difficile de procéder par la méthode directe pour montrer que
P =⇒ Q, il suffit de montrer que ⌉Q =⇒⌉P.

1.8.4 Démonstration d’une équivalence

Pour démontrer l’équivalence P ⇐⇒ Q, on démontre (P =⇒ Q) puis
(Q =⇒ P ).

1.8.5 Démonstration par l’absurde

Pour démontrer l’implication P =⇒ Q, on suppose que P est vraie et
que Q est fausse, puis par des enchaînements de propositions déduites, on
aboutit à une contradiction ou absurdité.

1.8.6 Démonstration par récurrence

Soit P (n) une propriété dépendant d’un entier naturel n avec n ≥ n0 , n0 ∈
N.
Pour montrer par récurrence que "∀n ∈ N, n ≥ n0 , P (n)" est vraie, on pro-
cède comme suit :
1. On montre P (n0 ).
2. On fixe k ∈ N, k ≥ n0 .
3. On suppose que P (k) est vraie et on montre que P (k + 1) est vraie.
4. On conclut que :

∀n ∈ N, n ≥ n0 , P (n) est vraie

n+1
X n
X
Exercice 3. 1. Ecrire i2 en fonction de i2
i=1 i=1
n
X n(n + 1)(2n + 1)
2. Montrer que ∀n ∈ N , ⋆ 2
i =
i=1
6
1.9. IMAGE DIRECTE, IMAGE RÉCIPROQUE 17

Définition 7. 1. Un nombre entier relatif a est pair s’il existe k ∈ Z,

a = 2k.
2. Un nombre entier relatif a est impair s’il existe k ∈ Z, a = 2k + 1.
Exercice 4. Soit a ∈ Z.
1. Montrer que si a est impair, alors a2 est impair.
2. Donner la contraposée de la propriété suivante : si a est impair, alors
a2 est impair.
3. Déduire que si a2 est pair, alors a est pair.
4. Raisonner par l’absurde pour montrer que si a2 est pair alors a est
pair.
5. Montrer que a est pair si et seulement si a2 est pair.

1.9 Image directe, image réciproque

Soit f définie de E vers F une application. On appelle :
1. Image directe d’un sous-ensemble non vide A de E, le sous-ensemble
de F noté f (A) défini par :
f (A) = {f (x), x ∈ A}
f (A) = {y ∈ F, ∃x ∈ A, y = f (x)}
Ainsi, y ∈ f (A) ⇐⇒ ∃x ∈ A, y = f (x).
2. Image réciproque d’un sous-ensemble B de F par f, le sous-ensemble
de E noté f −1 (B) défini par :
f −1 (B) = {x ∈ E, f (x) ∈ B}
Ainsi x ∈ f −1 (B) ⇐⇒ f (x) ∈ B.

1.10 Relation
1.10.1 Généralités
Définition 8. Soient E et F deux ensembles. Une relation(ou correspon-
dance) R de E vers F est définie pour tout triplet (E, R, F ) où R est une
partie de E × F.
Définition 9. Une correspondance de E vers E est appelée relation binaire
dans E.
Une relation binaire R dans un ensemble E est dite :
1. Réflexive si et seulement si : ∀x ∈ E, xRx.
18CHAPITRE 1. LOGIQUE ET ELEMENTS DE LA THEORIE DES ENSEMBLES

2. Symétrique si et seulement si : ∀(x, y) ∈ E 2 , (xRy =⇒ yRx).

3. Antisymétrique si et seulement si :
∀(x, y) ∈ E 2 , (xRy et yRx =⇒ x = y).
4. Transitive si et seulement si : ∀(x, y, z) ∈ E 3 , (xRy et yRz =⇒ xRz).

1.10.2 Relation d’équivalence

Définition 10. Soit R une relation d’équivalence dans un ensemble E. On
dit que R est une relation d’équivalence dans E si et seulement si R est
réflexive, symétrique et transitive.

Etant donné une relation d’équivalence, on identifie les éléments qui sont
en relation en introduisant les classes d’équivalences.

Définition 11. Soit R une relation d’équivalence dans un ensemble E. On

appelle classe d’équivalence d’un élément x de E le sous-ensemble de E, noté
x̄, défini par : x̄ = {y ∈ E, xRy}.
Tout élément de x̄ est appelé un représentant de la classe x̄. L’ensemble
des classes d’équivalence se nomme ensemble quotient de E par R et est noté
E/R.

Propriété 2. Soit R une relation d’équivalence dans un ensemble E. On a :

1. ∀x ∈ E, x ∈ x̄.
2. ∀(x, y) ∈ E 2 , y ∈ x̄ ⇐⇒ x̄ = ȳ.
3. ∀(x, y) ∈ E 2 , x̄ = ȳ ou x̄ ∪ ȳ = ∅.

Exercice 5. 1. Soit n ∈ N. Montrer que la congruence modulo n

∀(x, y) ∈ Z2 , x ≡ y[n] ⇐⇒ ∃k ∈ Z, x − y = kn est une relation
d’équivalence dans Z.
2. Soit x ∈ Z. Déterminer x̄.
3. En déduire n̄, 0̄ puis comparer n̄ et 0̄.

Exemple 9. On suppose que n ∈ N⋆ . Soit x ∈ Z et r le reste de la division

euclidienne de x par n. ∃q ∈ Z, x = nq + r avec r ∈ {0, 1, . . . , n − 1}

x = nq + r =⇒ x̄ = r̄ car n̄ = 0̄.

Z/nZ = {x̄, x ∈ Z}

Z/nZ = {r̄, r ∈ {0, 1, 2, . . . , n − 1}}

1.10. RELATION 19

¯ 1}
Z/nZ = {0̄, 1̄, 2̄, . . . , n −
Par exemple, on a :
Z/2Z = {0̄, 1̄}
Avec 0̄ = {2k, k ∈ Z} et 1̄ = {2k + 1, k ∈ Z}.

Exercice 6. On considère la relation binaire R définie sur N par :

∀(p, q) ∈ N2 , pRq ⇐⇒ ∃k ∈ Z, p2 − q 2 = 5k

Montrer que R est une relation d’équivalence.

1.10.3 Relation d’ordre

Définition 12. Soit R une relation binaire dans un ensemble E. On dit que
R est une relation d’ordre si et seulement si R est réflexive, antisymétrique
et transitive.

Exercice 7. ∀(x, y) ∈ R2 , xRy ⇐⇒ x ≤ y.

Montrer que R est une relation d’ordre sur R.
20CHAPITRE 1. LOGIQUE ET ELEMENTS DE LA THEORIE DES ENSEMBLES

Exercice 8. Soit f une fonction définie de R vers R. Soit R la relation

définie par :
∀(x, y) ∈ R2 , xRy ⇐⇒ f (x) = f (y).
1. Montrer que R est une relation d’équivalence sur R.
2. Déterminer x̄ dans chacun des cas suivants :
(a) f (x) = x2
(b) f (x) = 3x
(c) f (x) = |x|

1.11 Exercices de renforcement

n
X n(n + 1)
Exercice 9. 1. Montrer que i= et que
i=1
2
n
X n(n + 1)(2n + 1)
i2 = , ∀n ∈ N⋆ .
i=1
6
2. En déduire sans raisonner par récurrence que :
n
X n(n + 1)(n + 2)
i(i + 1) = , ∀n ∈ N.
i=1
3

3. Montrer que ∀n ∈ N, 2n ≤ (n + 1)!

4. Soient A, B deux sous-ensembles de E.
Montrer que A ̸= B =⇒ A ∩ B ̸= A ∪ B.
Exercice 10. Soit x0 ∈ R et g une application de R vers R. On considère
les assertions
suivantes :
A : ∀ε ≥ 0, ∃α ≥ 0, ∀x ∈ R, |x − x0 | ≤ ε =⇒ |g(x) − g(x0 )| ≤ α.
B : ∃x ∈ R, 5 ≤ g(x) ≤ 8.
C : ∀ε ≥ 0, ∃n0 ∈ N, ∀n ∈ N, n ≥ n0 =⇒ |un − 3| ≤ ε.
1. Donner la négation des assertions A, B et C.
2. Donner la contraposée des assertions A et C.
Exercice 11. 1. Soit a ∈ Z. Montrer que a2 est pair si et seulement si
a est pair.
√
2. Montrer que 2 ̸∈ Q.
√
3. Montrer que 1 + 2 ̸∈ Q.
1.11. EXERCICES DE RENFORCEMENT 21

Exercice 12. Soient U et V deux ensembles et f : U → V, une fonction.

Soient R, S, T trois sous-ensembles de U et soient K, L deux sous-ensembles
de V.
1. Donner la contraposée de la proposition suivante puis démontrer que
cette contraposée est vraie.

R ̸= T =⇒ (S ∩ R ̸= S ∩ T ) ou (S ∪ R ̸= S ∪ T )

2. Démontrer que :
(a) K ⊂ L =⇒ f −1 (K) ⊂ f −1 (L).
(b) R ⊂ f −1 (f (R)).
(c) f (f −1 (K)) ⊂ K.
(d) f −1 (K ∩ L) = f −1 (K) ∩ f −1 (L).
(e) f −1 (K ∪ L) = f −1 (K) ∪ f −1 (L).
√ √
Exercice 13. 1. Montrer que 2 ̸∈ Q puis montrer que 5 + 2 ̸∈ Q.
2. Montrer que ∀n ∈ N tel que n ≥ 2, on a (n + 2)! ≥ 2n+1 .
3. On définit sur R la relation xRy si et seulement si
x2 − y 2 = x − y.
(a) Montrer que R est une relation d’équivalence sur R.
(b) Déterminer la classe d’équivalence x̄ d’un élément x de R.
(c) En déduire la classe d’équivalence de 1 et la classe d’équivalence
1
de .
2
Exercice 14. Soient P et Q des propositions.
1. Montrer que P =⇒ Q a la même table de vérité que (non(P ))V Q.
2. En déduire la négation de P =⇒ Q.
3. Donner la contraposée de P =⇒ Q et la réciproque de P =⇒ Q.
4. Montrer que P =⇒ Q a la même table de vérité que sa contraposée.
Soit P l’énoncé : En circulation, le feu est vert. Soit Q l’énoncé : Je
passe à moto. Soit R l’énoncé : Si en circulation, le feu est vert, alors
je passe à moto. Traduire l’énoncé R en utilisant les énoncés P et Q.
5. Donner la négation de R, la réciproque de R et la contraposée de R.
22CHAPITRE 1. LOGIQUE ET ELEMENTS DE LA THEORIE DES ENSEMBLES

1.12 Conclusion
Des méthodes de démonstration ont été exposés dans ce chapitre à savoir
la démonstration directe, la démonstration par contraposée, la démonstration
par l’absurde et la démonstration par récurrence. Elles constituent des outils
absolument indispensables pour un étudiant désireux de suivre une formation
d’ingénieur.
CHAPITRE 2

MATRICES

2.1 Introduction
Exercice 15. Une société fournit en légumes des supermarchés de la ville
d’Abomey-Calavi. Elle vend 60 kg de petits pois, 257 kg de pommes de terre
et 72 kg de carottes au supermarché Azumar. Elle vend 45 kg de petits pois,
187 kg de pommes de terre et 59 kg de carottes au supermarché Ereva. Elle
vend 73 kg de petits pois, 225 kg de pommes de terre et 82 kg de carottes au
supermarché du pont. Enfin, cette société vend 65 kg de petits pois, 168 kg de
pommes de terre et 62 kg de carottes au supermarché d’Arconville.
1. Construire un tableau dans lequel figurent en colonnes les supermar-
chés et sur chaque ligne, disposer les légumes vendus.
2. (a) Quel est le poids total des carottes vendues à tous les supermarchés?
(b) Quel est le poids total des pommes de terre vendus à tous les
supermarchés?
(c) Quel est le poids total des petit pois à tous les supermarchés?

Le tableau qui a été construit dans l’exercice introductif 15 est appelé

matrice dans le vocabulaire mathématique. Les matrices sont des tableaux
rectangulaires de nombres.
Au niveau historique, on peut indiquer qu’au troisième siècle, le mathémati-
cien chinois Liu Hiu a résolu ses systèmes linéaires ayant jusqu’à 06 incon-
nues. Il représentait ces systèmes grâce à des tableaux et avait découvert la
méthode qu’on appelle aujourd’hui méthode de pivot de Gauss pour les
résoudre.
En 1693, toujours pour résoudre des systèmes linéaires, Leibniz invente
la notion de déterminant. Cette notion est approfondie par Cramer qui dé-
couvre en 1750 la méthode qui porte son nom. Il faut attendre le dix neuvième
siècle pour que la notation matricielle sous forme de rectangle de nombres
apparaisse. En effet, Arthur Cayley(1821 − 1895) et son ami James Sylvester

23
24 CHAPITRE 2. MATRICES

(1814 − 1897), des mathématiciens anglais utilisent pour la première fois la

notation matricielle. Ils estimaient que cette notation simplifiait la résolution
des systèmes d’équations linéaires. Cette technique a par la suite été popu-
larisée par le physicien allemand Werner Heisenberg au milieu des années
1920. Aujourd’hui, les matrices sont utilisées dans des domaines tels que la
génétique, l’économie pour analyser les données statistiques.
Tout au long de ce chapitre, K désigne R ou C, n, m, p et q sont des
entiers naturels non nuls.

Définition 13. On appelle matrice de taille (n, p) d’éléments de K, tout

tableau rectangulaire A de n lignes et p colonnes de la forme :
 
a11 a12 . . . a1p
 a21 a22 . . . a2p 
A =  .. .. . . .. 
 
 . . . . 
an1 an2 . . . anp
On note souvent A = (Aij )1≤i≤n,1≤j≤p . l’élément Aij est sur la i-ème ligne
et la j-ème colonne. L’ensemble des matrices de taille n × p, sur K se note
Mn,p (K).

Exemple 10.  
−4 0
5 6
 1 −8 ∈ M4,2 (R).
A= 

3 46
 
−4 0 2
B= 5 6 7 ∈ M3,3 (R).
1 −8 3

Les matrices particulières

1. Lorsque n = 1, la matrice de taille (n, p) est appelée vecteur ligne ou
matrice uniligne.
Exemple 11. C = (3 56 8 0 − 4) ∈ M1,5 (R).
2. Lorsque p = 1, la matrice de taille (n, p) est appelée vecteur colonne
ou matrice unicolonne.
Exemple 12.  
−4 + 5i
D =  5i  ∈ M3,1 (C).
1 + 6i
2.2. OPÉRATIONS SUR LES MATRICES 25

3. Lorsque n = p, la matrice de taille (n, p) possède n lignes et n colonnes.

On parle de matrice carrée de taille n. L’ensemble des matrices car-
rées de taille n se note Mn (K). (a11 , a22 , a33 , . . . , ann ) est appelé la
diagonale de A.
Exemple 13.  
−4 0 2
B= 5 6 7 ∈ M3 (R).
1 −8 3

4. Une matrice diagonale est toute matrice carrée A = (Aij )1≤i≤n,1≤j≤n

∀(i, j) ∈ {1, . . . , n}2 , aij = 0, si i ̸= j.
Exemple 14.  
−4 0 0
B =  0 6 0
0 0 3
est une matrice diagonale.
5. Une matrice triangulaire supérieure est toute matrice carrée A =
(Aij )1≤i≤n,1≤j≤n telle que Aij = 0 si i > j.
Exemple 15.  
−4 0 2 −6
0 6 7 4
E=
0

0 3 5
0 0 0 −5
E est une matrice triangulaire supérieure.
6. Une matrice triangulaire inférieure est toute matrice carrée A = (Aij )1≤i≤n,1≤j≤n
telle que Aij = 0 si i < j.
Exemple 16.  
−4 0 0 0
7 6 0 0
F = 
 4 45 3 0 
3 4 1 −5
F est une matrice triangulaire inférieure.

2.2 Opérations sur les matrices

Addition de deux matrices
On additionne que des matrices de même taille.
26 CHAPITRE 2. MATRICES

Si A = (aij )1≤i≤n,1≤j≤n ∈ Mn,p (K) et Si B = (bij )1≤i≤n,1≤j≤n ∈ Mn,p (K),

alors A + B = (aij + bij )1≤i≤n,1≤j≤n ∈ Mn,p (K). Ainsi, pour calculer A + B,
nous additionnons les éléments de A et de B qui sont à la même position.

Exemple 17.  
−4 0
5 6
A=
 1 −8


3 46
et  
5 8
3 7 
B=
1 −8


3 −4
Calculer A + B.

Multiplication d’une matrice par un scalaire

Soient A = (aij )1≤i≤n,1≤j≤n ∈ Mn,p (K) et α ∈ K. Alors
αA = (αaij )1≤i≤n,1≤j≤n ∈ Mn,p (K).
Pour calculer αA, on multiplie chacun des éléments de A par α.

Exemple 18.  
−4 0
5 6
A=
 1 −8


3 46
Calculer 3A.

Transposée d’une matrice

On appelle transposée d’une matrice A ∈ Mn,p (K), l’élément de Mp,n (K),
noté At ou AT dont les lignes sont dans l’ordre les colonnes de A.

Exemple 19.  
−4 0
5 6
A= 
1 −8
3 46
,  
−2 3 −7 8
3 0 −8 7 
G=
−7 −8

6 −20
8 7 −20 4
2.2. OPÉRATIONS SUR LES MATRICES 27

et  
0 3 −4 5
−3 0 6 −8
H=
 4 −6 0

9
−5 8 −9 0
Calculer Gt et H t .

Matrice symétrique
Une matrice symétrique est toute matrice carrée A = (aij )1≤i≤n,1≤j≤n telle
que aij = aji , ∀(i, j) ∈ {1, . . . , n}2 , en d’autres termes, At = A.

Exemple 20.  
−2 3 −7 8
3 0 −8 7 
G= 
−7 −8 6 −20
8 7 −20 4
G est une matrice symétrique.

Matrice antisymétrique
Une matrice antisymétrique est toute matrice carrée A = (aij )1≤i≤n,1≤j≤n
telle que aij = −aji , ∀(i, j) ∈ {1, . . . , n}2 .

Exemple 21.  
0 3 −4 5
−3 0 6 −8
H=
 4 −6 0

9
−5 8 −9 0
H est une matrice antisymétrique.

Propriété 3. Soient A, B ∈ Mn,p (K) et soit α ∈ K. Alors

1. (A + B)t = At + B t .
2. (αA)t = αAt .

Produit de deux matrices

Soient A et B deux matrices. Le produit de A par B noté AB n’a de sens
que lorsque le nombre de colonne de A est égal au nombre de ligne de B.
Si A = (aik )1≤i≤n,1≤k≤p ∈ Mn,p (K) et B = (bkj )1≤k≤p,1≤j≤m ∈ Mp,m (K)
alors AB = (cij )1≤i≤n,1≤j≤m ∈ Mn,m (K) où ∀(i, j) ∈ {1, . . . , n} × {1, . . . , m},
p
X
cij = aik bkj
k=1
28 CHAPITRE 2. MATRICES

Exemple 22. On donne

 
1 2 −1
A= 2 3 4 
−2 0 5
et  
1 2 1
B = 4 1 1
0 1 2
1. Calculer AB et BA.
2. Comparer AB et BA.
Propriété 4. Soient (A, A1 , A2 ) ∈ [Mn,p (K)]3 et (B, B1 , B2 ) ∈ [Mn,p (K)]3 .
On a :
1. AB ̸= BA en général.
2. (AB)t = B t At .
3. A(B1 + B2 ) = AB1 + AB2 .
4. (A1 + A2 )B = A1 B + A2 B.
5. (AB)C = A(BC).
Définition 14. La matrice suivante est appelée la matrice nulle de Mn,p (K).
 
0 0 ... 0
0 0 . . . 0
0n,p =  .. . .
 
0 . . 0

0 0 ... 0

C’est une matrice n lignes et p colonnes.

Propriété 5. Soit A ∈ Mp,m (K) et soit B ∈ Mq,n (K). On a : 0n,p A = 0n,m
et B0n,p = 0q,p .
Définition 15. La matrice diagonale suivante est appelée matrice unité de
Mn (K).  
1 0 ... 0
0 1 . . . 0
In =  ..
 
0 . 1 0

0 0 ... 1
Propriété 6. In vérifie pour toute matrice A ∈ Mn (K), AIn = In A = A.
En particulier, la matrice unité de :
2.3. DÉTERMINANT D’UNE MATRICE 29

1. M2 (K) est  
1 0
I2 =
0 1
2. M3 (K) est  
1 0 0
I3 = 0 1 0
0 0 1
3. M4 (K) est  
1 0 0 0
0 1 0 0
I4 = 
0

0 1 0
0 0 0 1

2.3 Déterminant d’une matrice

On ne calcule le déterminant que d’une matrice carrée à n lignes, n co-
lonnes. Si A est une matrice carré de taille n, le déterminant de A est noté
det(A) et det(A) est un nombre réel.

2.3.1 Déterminant d’une matrice carré de taille 2.

 
a b
Soit A = une matrice carré de taille 2.
c d
a b
det(A) = .
c d

det(A) = ad − bc

2.3.2 Déterminant d’une matrice carrée de taille 3

 
a b c
Soit A = d e f  une matrice carré de taille 3.
g h i
Le déterminant d’une matrice carrée de taille 3 se calcule en faisant le
développement suivant une ligne ou suivant une colonne.

Développement suivant la première ligne

e f d f d e
det(A) = (−1)1+1 a + (−1)1+2 b + (−1)1+3 c
h i g i g h
30 CHAPITRE 2. MATRICES

e f d f d e
det(A) = a −b +c
h i g i g h
Développement suivant la deuxième colonne

d f a c a c
det(A) = (−1)1+2 b + (−1)2+2 e + (−1)3+2 h
g i g i d f

d f a c a c
det(A) = −b +e −h
g i g i d f
 
1 2 1
Exercice 16. Soit A = 1 0 0
1 −2 1
1. Calculer det(A) en faisant le développement suivant la :

(a) première colonne.

(b) deuxième colonne.
(c) troisième colonne.
(d) première ligne.
(e) deuxième ligne.
(f ) troisième ligne.

2. Qu’est ce que vous constatez ?

 

 1 1 1 2
1 2 3 −1 0 2 1
Exercice 17. Soient B = 4 5 6 et C = 
1

0 1 0
7 8 9
1 0 3 0
Calculer det(B) et det(C).

2.3.3 Règles de calcul du déterminant

Propriété 7. Soient (A, B) ∈ [Mn (K)]2 et soit α ∈ K.
1. det(AB) = det(A)det(B).
2. det(At ) = det(A).
3. det(αA) = αn det(A).
2.4. INVERSE D’UNE MATRICE 31

4. échanger deux lignes (ou deux colonnes) revient à multiplier le déter-

x a u u a x
minant par −1. y b v =− v b y
z c w w c z
x+t a u x a u t a u
5. y+s b v = y b v + s b v
z+d c w z c w d c w
x a u x a u x a u
6. y+s b+t v+d = y b v + s t d
z c w z c w z c w
t a u t a u
7. αs αb αv =α s b v
d c w d c w
αt a u t a u
8. αs b v = α s b v
αd c w d c w
9. Le déterminant de A ne change pas si on ajoute à une colonne ou
à une ligne une combinaison lineaire des autres colonnes ou lignes.
a x u a + αb + βc x + αy + βz u + αv + βw
b y v = b y v
c z w c z w
L1 ← L1 + αL2 + βL3 .
a x u a x + αa + βu u
b y v = b y + αb + βv v
c z w c z + αc + βw w
C2 ← C2 + αC1 + βC3 .

2.4 Inverse d’une matrice

2.4.1 Matrice inversible
Définition 16. Une matrice carré A ∈ Mn (K) est dite inversible lorsqu’il
existe une matrice carré B ∈ Mn (K) telle que AB = BA = In . La matrice
B est appelée l’inverse de A et est noté A−1 .
 
1 2
Exercice 18. On donne A =
1 −3
1. Calculer A2 + 2A.
2. Déduire que A est inversible et déterminer son inverse A−1 .
32 CHAPITRE 2. MATRICES

Propriété 8. Soient (A, B) ∈ [Mn (K)]2 .

1. Si A est inversible, alors A−1 est inversible et (A−1 )−1 = A.
2. Si A est inversible, alors At est inversible et (At )−1 = (A−1 )t .
3. Si A et B sont inversibles, alors AB est inversible et (AB)−1 =
B −1 A−1 .

Critère d’inversibilité
Soit A ∈ Mn (K).
A est inversible ⇐⇒ det(A) ̸= 0.

Remarque 2. Si A est inversible, alors det(A−1 )det(A) = 1.

2.4.2 Calcul de l’inverse d’une matrice

Soit A = (aij )1≤i,j≤n ∈ Mn (K).
Pour tout (i, j) ∈ {1, . . . , n}2 , notons Aij , la matrice carrée de taille
(n − 1), obtenue à partir de A en supprimant la ligne i et la colonne j de A.
1. On appelle cofacteur de la place (i, j) de A, le nombre noté ∆ij , donné
par ∆ij = (−1)i+j det(Aij ).
2. On appelle matrice des cofacteurs ou comatrice de A, la matrice carrée
de taille n notée com(A) donnée par :
 
∆11 ∆12 . . . ∆1n
 ∆21 ∆22 . . . ∆2n 
com(A) =  ..
 
.. .. .. 
 . . . . 
∆n1 ∆n2 . . . ∆nn
   
a11 a12 a22 −a21
En particulier, si A = alors com(A) =
a21 a22 −a12 a11
 
a11 a12 a13
Exercice 19. Soit A = a21 a22 a23 
a31 a32 a33
Ecrire com(A).

Formule de l’inverse d’une matrice

Si A est une matrice inversible, alors :

1
A−1 = (com(A))t
det(A)
2.5. SYSTÈMES D’ÉQUATIONS LINÉAIRES 33
 
  0 1 1
1 2
Exercice 20. On donne A = et B = 1 0 2
1 −3
1 −1 −1

1. Montrer que A et B sont inversibles.

2. Déterminer A−1 et B −1 .

2.5 Systèmes d’équations linéaires

1. On appelle système de n équations linéaires à p inconnues à coefficients
dans K, tout système (S) de la forme :



 a11 x1 + a12 x2 + · · · + a1p xp = b1




a21 x1 + a22 x2 + · · · + a2p xp = b2








a31 x1 + a32 x2 + · · · + a3p xp = b3




 .. .. .. .. ..



 . . . . .




 a x + a x + ··· + a x = bn
n1 1 n2 2 np p

où ∀(i, j) ∈ {1, . . . , n} × {1, . . . , p}, aij ∈ K et bi ∈ K et x1 , x2 , . . . , xp

sont les inconnues.

2. Une solution de (S) est un élément (α1 , α2 , . . . , αp ) ∈ Kp pour lequel

toutes les équations de (S) sont satisfaits.

3. Résoudre (S), c’est déterminer toutes les solutions de (S).

Un systèmes d’équations linéaires peut-être résolu en utilisant l’une des

méthodes suivantes :

1. La méthode du pivot de Gauss.

2. La méthode matricielle.

3. La méthode des déterminants.

34 CHAPITRE 2. MATRICES

2.5.1 La méthode de pivot de Gauss

Tout système (S) d’équations linéaires


 a11 x1 + a12 x2 + · · · + a1p xp = b1




a21 x1 + a22 x2 + · · · + a2p xp = b2








a31 x1 + a32 x2 + · · · + a3p xp = b3




 .. .. .. .. ..



 . . . . .




 a x + a x + ··· + a x = bn
n1 1 n2 2 np p

peut-être transformé à l’aide des opérations élémentaires :

Li ↔ Lj , Li ← αLi + βLj (α ∈ R⋆ ) et β ∈ R en un système équivalent
′
(S ) de la forme :


 a′11 x1 + a′12 x2 + · · · + a′1p xp = b′1




a′22 x2 + · · · + a′2p xp = b′2









 ..

 .

a′rr xr + · · · + a′rp xp = b′r









= b′r+1




 0



= b′n

0


où le système (S ′ ) est appelé une forme échelonné de (S).

Remarque 3. 1. La forme échelonné (S ′ ) de (S) est caractérisée par :
∀i > k, a′ik = 0.
2. Il existe un entier naturel non nul r tel que a′11 ̸= 0, a′22 ̸= 0, . . . , a′rr ̸=
0 et a′ir = 0 si i > r.
L’entier r est déterminé de manière unique pour chaque système li-
néaire et est appelé le rang de (S) et est noté rg(S).
3. On a toujours r ≤ min{p, n}.
Propriété 9. 1. Si l’un des b′r+1 , . . . , b′n est non nul, alors le système
(S) est incompatible, c’est-à-dire n’admet aucune solution. Dans le
cas contraire, b′r+1 = · · · = b′n = 0, le système est compatible.
2.5. SYSTÈMES D’ÉQUATIONS LINÉAIRES 35

2. Si le système (S) est compatible et r < p, alors (S) admet une infinité
de solutions et on peut exprimer r inconnues en fonction de (p − r)
inconnues.
3. Un système compatible admet une solution unique si et seulement si
r = p.

Définition 17. Soit A ∈ Mn,p (K). On appelle rang de A et on note rg(A),

la taille maximale de la sous-matrice carrée extraite de A, de déterminant
non nul.

Propriété 10. Soit (S) un système d’équations linéaires dont une matrice
est A. Alors rg(S) = rg(A).

Propriété 11. Soit A ∈ Mn,p (K). On a :

1. rg(A) ≤ min{p, n}.
2. rg(At ) = rg(A).
3. Le rang de A ne change pas lorsqu’on permute deux lignes ou deux
colonnes de A.
4. Le rang de A ne change pas lorsqu’on ajoute à une ligne (respective-
ment une colonne) une combinaison linéaire des autres lignes(respectivement
des autres colonnes).

Propriété 12. Soit A ∈ Mn (K). A est inversible ⇐⇒ rg(A) = n.

Exercice 21. 1. Déterminer le rang, le nombre de solutions des sys-

tèmes (S1 ) et (S2 ) donnés respectivement par :


 x − y + 3z = −2



(S1 ) 2x + 3y + 2z = 1




x + 4y − z = 2


et 

 x1 + x4 = 2



(S2 ) x3 + x4 = −1




x1 − x2 = 1


2. Résoudre les systèmes (S1 ) et (S2 ).

36 CHAPITRE 2. MATRICES


1 −1 3
3. Déterminer le rang des matrices suivantes : A = 2 3 2  et
  1 4 −1
1 0 0 1
B = 0 0 1 1
1 −1 0 0


2 4 2
 1 −2 −1
Exercice 22. On donne les matrices suivantes : A = 
3
,
5 1
−2 1 8
   
1 2 3 1 2 1
B = 4 5 6 et C = 1 3 −3
7 8 9 1 4 −4
1. Déterminer le rang de A, B et C.
2. Les matrices B et C sont-elles inversibles ?

2.5.2 La méthode matricielle

Nous regarderons le cas où n = p.
On écrit que :
(S) ⇐⇒ AX = B
où  
a11 a12 ... a1n
 a21 a22 ... a2n 
 
A =  a31 a32 ... a3n
 

 .. .. .. 
 . . ... . 
an1 an2 . . . ann
   
b1 x1
 b2   x2 
   
B =  b3  et X =  x3 
   
 ..   .. 
. .
bn xn

Si det(A) ̸= 0 alors A est inversible et nous pouvons déduire que :

X = A−1 B.
A est appelé la matrice du système (S).
2.6. EXERCICES DE RENFORCEMENT 37

2.5.3 La méthode des déterminants

Définition 18. Un système (S) est dit de Cramer lorsqu’il y a n inconnues,
n équations et le déterminant de la matrice du système est différent de zéro.

On utilise la méthode des déterminants lorsque le système (S) est dit de

Cramer.

Etapes pour la méthode des déterminants

On considère le système (S).
On peut procéder comme suit :
1. Calculer det(A) et montrer que det(A) ̸= 0.
2. Pour tout j ∈ {1, 2, . . . , n}, on note Aj la matrice obtenue en sub-
stituant la colonne j de A par la seule colonne de B et calculer
∆xj = det(Aj ).
L’ensemble solution de (S) est :
( !)
∆x1 ∆x2 ∆xn
S= , ,...,
∆ ∆ ∆

Exercice 23. Un agriculteur a livré à sa coopérative 30 t de blé, 45 t de riz

et 75 t de sorgho. Il a reçu un chèque de 234 M€. Le prix de la tonne de blé
est la moyenne du prix de la tonne de riz et du prix de la tonne de sorgho.
D’autre part, s’il avait livré une tonne de chacun de ces produits, il aurait
reçu 5,1 M€. Désignons par x, y et z les prix respectifs, en M€, d’une tonne
de blé, d’une tonne de riz et d’une tonne de sorgho.
1. Traduire cette situation sous forme de systèmes d’équations.
2. Résoudre le système d’équations en utilisant :
(a) La méthode du pivot de Gauss.
(b) La méthode matricielle.
(c) La méthode des déterminants.
3. Quel est le prix payé à la tonne de chacun des produits livrés ?

2.6 Exercices de renforcement

Exercice 24. On considère le problème de migration de population entre la
ville d’Abomey-Calavi et la ville de Cotonou. Chaque année, un mouvement
de population entre ces deux villes s’opère de la façon suivante :
38 CHAPITRE 2. MATRICES

1. la moitié des habitants d’Abomey-Calavi partent habiter à Cotonou,

alors que l’autre moitié reste résidante à Abomey-Calavi.
2. un quart des habitants de Cotonou rejoignent la ville d’Abomey-Calavi,
les trois quarts restant à Cotonou.
Notons cn la proportion de la population totale qui habite à Cotonou au terme
de la n−ième année et an la proportion de population qui habite à Abomey-
Calavi au terme de cette même année. S’agissant de proportion de population,
on a, pour toute année n, an + cn = 1, en particulier a0 + c0 = 1.
1. Exprimer an+1 en fonction de an et de cn .
2. Exprimer cn+1 en fonction de an et de cn .
3. En déduire le système d’équations décrivant l’évolution des deux
populations.
4. Mettre ce système sous la forme :
   
an+1 an
=M
cn+1 cn

où M est une matrice carrée de taille 2 qu’il faut déterminer.

5. Enoncer le principe de la démonstration par récurrence.
6. 
On  suppose que la répartition de population initiale, l’année 0, est
a0
c0
Montrer par récurrence que, pour tout n,
   
an n a0
=M
cn c0
 
an
où est la répartition de population la n−ième année.
cn
     
0.5 0.25 1 0 1 −1
7. On pose M = ,D= et P =
0.5 0.75 0 0.25 2 1
Montrer que M = P DP . −1

8. Montrer par récurrence que ∀n ∈ N, M n = P Dn P −1 .

9. En déduire lim M n .
n→+∞
 
an
10. Calculer lim .
n→+∞ cn

11. En déduire à long terme, la proportion de la population d’Abomey-

Calavi et la proportion de la population de Cotonou.
2.6. EXERCICES DE RENFORCEMENT 39

Exercice 25. Sur le marché, deux produits A et B sont en concurrence.

On suppose que d’une année à une autre, 60% de la clientèle reste fidèle à A
tandis que 30% de la clientèle de B passe à A. Il n’y a pas de fuite de clientèle
vers d’autres produits concurrents et il n’y a pas abandon de consommation
de ces produits.  
a0
On note P0 = les parts de marché de A et B en 2020.
b0  
an
On désire calculer Pn = les parts de marché de A et B en 2020 + n.
bn
1. Calculer P1 et P2 .
2. Démontrer que Pn+1 = M Pn avec M une matrice carrée d’ordre 2 à
préciser.
3. En déduire par récurrence que, ∀n ∈ N, Pn = M n P0 .
4. Calculer M 2 − 1.3M + 0.3I2 .
5. En déduire que M est inversible et déterminer son inverse M −1 en
fonction de M et de I2 .
6. Montrer que :
M 2 − M = 0.3(M − I2 ) et que M n − M n−1 = 0.3n−1 (M − I2 ).
7. Calculer M n et en déduire Pn pour tout n ≥ 1.

 26. On pose  D = P AP avec 

−1
Exercice
2 1 1 1 2 0 0 0
1 2 1 1 0 1 0 0
P = 1 1 2 1 et D = 0 0 1 0
  

1 1 1 2 0 0 0 1
1. Déterminer les réels u et v tels que P 2 + uP = vI4 .
2. Justifier que P est inversible puis déterminer son inverse P −1 .
3. Donner l’expression de A en fonction de P, D et P −1 .
4. Montrer que ∀n ∈ N⋆ , An = P Dn P −1 .
 n 
2 0 0 0
 0 1 0 0
5. Montrer par récurrence que ∀n ∈ N⋆ , Dn =   0 0 1 0


0 0 0 1
Exercice 27. Soit λ un paramètre réel. Considérons la matrice Bt donnée
par :  
1 0 1
Bt =  −1 2 1 (t ∈ R)
2−t t−2 t
40 CHAPITRE 2. MATRICES

1. Déterminer det(Bt − λI3 ) sous forme factorisée.

2. En déduire λ tel que det(Bt − λI3 ) = 0.
3. En déduire suivant les valeurs de t, le nombre de valeurs de λ.
4. Déterminer λ tel que det(B5 − λI3 ) = 0.

Exercice 28. Soit λun paramètre réel. Considérons la matrice A donnée

1 0 1
par : A = −1 2 1
−1 1 3
1. Déterminer det(A − λI3 ) sous forme factorisée.
2. En déduire λ tel que det(A − λI3 ) = 0.

2.7 Conclusion
Le cours sur les matrices est un cours très important pour faire de la
modélisation mathématique. Il est donc nécessaire pour l’étudiant de s’ap-
proprier les propriétés mathématiques des matrices, des déterminants. Ces
outils seront encore utilisés pour le cours sur les espaces vectoriels et pour le
cours de diagonalisation et de trigonalisation de matrices.
CHAPITRE 3

GROUPES

3.1 Introduction
La théorie des groupes formalise les propriétés de plusieurs des opérations
bien connues entre des objets mathématiques divers comme les nombres, les
vecteurs, les matrices, les fonctions. D’autre part, elle donne un contexte
clair pour discuter de transformations de toutes sortes : rotations, transla-
tions, symétries, etc. Elle est essentielle pour comprendre des aspects fonda-
mentaux de la physique (théorie de la relativité, théorie des quantas), de la
chimie (calcul des isomères), de la cristallographie (symétries des cristaux),
de la cryptographie à clé publique (système RSA, courbes elliptiques).Elle
joue aussi un rôle fondamental en théorie de Galois, qui étudie la résolution
d’équations polynomiales. C’est à Galois qu’on doit le terme « groupe ».

3.2 Les lois de composition interne

Soit E un ensemble non vide. On appelle loi de composition interne sur
E, toute application : ⋆ : (x, y) ∈ E 2 7−→ x ⋆ y ∈ E. Une loi de composition
interne peut-être notée ⋆, ×, +, T, ...
Méthode 1. Montrer que ⋆ est une loi de composition interne sur E revient
à montrer que : ∀(x, y) ∈ E 2 , x ⋆ y ∈ E.
Exemple 23. L’addition usuelle + et la multiplication usuelle × sont des
lois de composition interne dans Z,N, Q, R, C, Mn,p (R).
Définition 19. Un magma est tout couple (E, ⋆) où E est un ensemble non
vide et ⋆ est une loi de composition interne sur E.
Exercice 29. On considère sur R − {1} la correspondance ⋆ donnée par :
∀(x, y) ∈ (R − {1})2 , x ⋆ y = x + y − xy. Montrer que (R − {1}, ⋆) est un
magma.

41
42 CHAPITRE 3. GROUPES

Définition 20. Un groupe est tout couple (G, ⋆) où G est un ensemble non
vide, ⋆ une loi de composition interne sur G vérifiant :
1. ⋆ est associative sur G : ∀(x, y, z) ∈ G3 , (x ⋆ y) ⋆ z = x ⋆ (y ⋆ z).
2. ⋆ possède un élément neutre : ∃e ∈ G, ∀x ∈ G, x ⋆ e = x et e ⋆ x = x.
3. Chaque élément de G est symétrisable pour ⋆ :
∀x ∈ G, ∃x0 ∈ G, x ⋆ x0 = e et x0 ⋆ x = e.
Si de plus, ⋆ est commutative (∀(x, y) ∈ G2 , x ⋆ y = y ⋆ x), le groupe (G, ⋆)
est dit commutatif ou abélien.

Exercice 30. On considère sur R − {1} la correspondance ⋆ donnée par :

∀(x, y) ∈ (R − {1})2 , x ⋆ y = x + y − xy. Montrer que (R − {1}, ⋆) est un
groupe abélien.

Exercice 31. On considère l’ensemble

 
x x x
A = {M (x) := x x x , x ∈ R⋆ }
x x x
muni de la multiplication × des matrices. Montrer que (A, ×) est un groupe
abélien.

3.2.1 Ordre d’un groupe

Définition 21. Un groupe (G, ⋆) est dit fini lorsque G est un ensemble fini.
Dans ce cas, le cardinal de G est appelé l’ordre de G et est noté θ(G).

Propriété 13. Soit (G, ⋆) un groupe. alors, on a :

1. (eG )′ = eG (l’élément neutre a pour symétrique lui-même).
2. ∀x ∈ G, (x′ )′ = x.
3. ∀(x, y) ∈ G2 , (x ⋆ y)′ = (y ′ ⋆ x′ ).

3.2.2 Sous-groupe
Définition 22. (H, ⋆) est un sous-groupe de (G, ⋆) si H ⊂ G et (H, ⋆) est
un groupe.

Exemple 24. 1. Soit (G, ⋆) un groupe. Alors {eG } et G sont des sous-
groupes de G appelés sous-groupes triviaux de G.
2. (Z, +) est un sous-groupe de (Q, +).
3.2. LES LOIS DE COMPOSITION INTERNE 43

Propriété 14. (Caractérisation des sous-groupes) (H, ⋆) est un sous-groupe

de (G, ⋆) si :
1. eG ∈ H.
2. ∀(x, y) ∈ H 2 , x ⋆ y ∈ H.
3. ∀x ∈ H, x′ ∈ H.
Propriété 15. (Autre caractérisation des sous-groupes) (H, ⋆) est un sous-
groupe de (G, ⋆) si :
1. eG ∈ H.
2. ∀(x, y) ∈ H 2 , x ⋆ y ′ ∈ H
Exercice 32. Montrer que nZ est un sous-groupe de (Z, +).

3.2.3 Sous-groupes distingués

Définition 23. Soit (G, ⋆) un groupe. Un sous-groupe H de G est dit distin-
gué dans G si :
∀(g, h) ∈ G × H, g ⋆ h ⋆ g ′ ∈ H.

3.2.4 Morphisme de groupes

Définition 24. Soient (G, ⋆) et (F, T ) deux groupes et f : G → F une
application. On dit que f est un morphisme de groupe si :

∀(x, y) ∈ G2 , f (x ⋆ y) = f (x)T f (y)

1. Un endomorphisme de groupe est un morphisme d’un groupe dans lui-

même.
2. Un isomorphisme de groupe est un morphisme bijectif.
3. Un automorphisme de groupe est un endomorphisme bijectif.
Exemple 25. 1. ln : (]0, +∞[, .) → (R, +) est un isomorphisme de
groupes.
2. exp : (R, +) → (R⋆ , .) est un morphisme de groupes.
Théorème 1. Soit f : (G, ⋆) → (F, T ) une application. Si f est un isomor-
phisme de groupes et (G, ⋆) est un groupe, alors (F, T ) est un groupe.
Propriété 16. Soient (G, ⋆) et (F, T ) deux groupes et f : G → F un mor-
phisme de groupes. Nous avons les propriétés suivantes :
1. f (eG ) = eF .
44 CHAPITRE 3. GROUPES

2. ∀x ∈ G, f (x′ ) = (f (x))′ .
3. Si f est un isomorphisme de groupes, alors f −1 : (F, T ) → (G, ⋆) est
un isomorphisme de groupes.
4. La composée de deux morphismes de groupes est un morphisme de
groupes.

3.2.5 Noyau-Image
Définition 25. Soient (G, ⋆) et (F, T ) deux groupes et f : G → F un mor-
phisme de groupes. On appelle :
1. Noyau de f, le sous-groupe de G noté kerf donné par :
kerf = {x ∈ G, f (x) = eF }
2. Image de f, le sous-groupe de F noté Imf donné par :
Imf = f (G) = {f (x), x ∈ G}

Propriété 17. Soient (G, ⋆) et (F, T ) deux groupes et f : G → F un mor-

phisme de groupes.
1. f est injectif ⇐⇒ Kerf = {eG }.
2. f est surjectif ⇐⇒ Imf = F.

Exercice 33. Soit n ∈ N⋆ . Posons E = {1; 2; ...; n}. Montrer que l’ensemble
des applications bijectives de E dans E muni de la loi ◦ de la composition des
applications est un groupe. Ce groupe est appelé groupe symétrique de degré
n et est noté Sn .
 
4x 4x
Exercice 34. On considère l’ensemble S = { , x ∈ R⋆ } muni de la
4x 4x
multiplication × des matrices.
1. Justifier que S est non vide et que × est une loi de composition interne
dans S.  
4 5
2. La matrice appartient-elle à S?
2 4
3. Montrer que (S, ×) est un groupe commutatif.

Exercice 35. On pose H = R − {− 12 } et on définit la loi ⋆ par :

∀(x, y) ∈ H 2 , x ⋆ y = x + y + 2xy
1. Montrer que ⋆ est une loi de composition interne (lci) sur H.
2. Montrer que (H, ⋆) est un groupe abélien.
3.3. GROUPES SYMÉTRIQUES 45

3.3 Groupes symétriques

Soit n ∈ N⋆ . On sait que l’ensemble des applications bijectives de {1; 2 . . . n}
dans lui même, muni de la loi ◦ de composition des applications est un groupe.
Ce groupe est appélé le groupe symétrique de degré n et est noté Sn . Chaque
élément σ de Sn est appelé permutation de {1; 2 . . . n} et se note :
 
1 2 ... n
σ=
σ(1) σ(2) . . . σ(n)

L’application  identité de {1;

 2 . . . n} est
1 2 ... n
Id{1;2...n} =
1 2 ... n
C’est l’élément neutre du groupe (Sn , ◦). Le groupe Sn est d’ordre n!.
Exercice 36. On considère les permutations suivante de S5 :
 
1 2 3 4 5
σ=
2 3 4 5 1
 
1 2 3 4 5
τ=
3 4 1 5 2
1. Déterminer σ −1 , τ −1 , σ ◦ τ et τ ◦ σ.
2. Comparer σ ◦ τ et τ ◦ σ.
3. Le groupe (S5 , ◦) est-il commutatif ?

3.3.1 Cycles
Définition 26. 1. On appelle p-cycle, toute permutation σ ∈ Sn pour
laquelle il existe (a1 , a2 , . . . , ap ) ∈ {1; 2 . . . n}p avec ai ̸= aj , ∀i ̸= j tel
que :
— ∀k ∈ {1, . . . , p − 1}, σ(ak ) = ak+1 .
— σ(ap ) = a1 .
— ∀i ∈ {1, . . . , n} − {a1 , . . . , ap }, σ(i) = i
On la note
 
a1 a2 . . . ap−1 ap
σ=
a2 a3 . . . ap a1
Ou simplement σ = a1 a2 . . . ap−1 ap

2. L’ensemble {a1 , a2 , . . . , ap } est appelé le support du p-cycle σ. Ainsi,

un p-cycle est encore appelé cycle de longueur p.
46 CHAPITRE 3. GROUPES

3. Un cycle de longueur 2 est appelé transposition.

4. Une permutation σ ∈ Sn est appelé cycle si et seulement s’il existe
p ∈ {2; 3, . . . , n} tel que σ soit un p-cycle.
Théorème 2. Tout cycle σ = a1 a2 . . . ap−1 ap est décomposable en

produit de transpositions.
(a1 a2 . . . ap−1 ap ) = (a1 a2 )(a2 a3 ) . . . (ap−1 ap ).
Par exemple, on a : (2 5 6 8 7) = (2 5)(5 6)(6 8)(8 7).
Définition 27. (Cycles disjoints) Deux cycles σ1 = (a1 a2 . . . ap−1 ap ) et
σ2 = (b1 b2 . . . bp−1 bp ) sont dits disjoints si
{a1 ; a2 , . . . , ap−1 , ap } ∩ {b1 ; b2 , . . . , bp−1 , bp } = ∅.
Par exemple, dans S5 , (1 3) et (2 4 5) sont disjoints car {1; 3} ∩
{2; 4; 5} = ∅.
Propriété 18. 1. Toute permutation est décomposable en produit de cycles
disjoints.
2. Deux cycles disjoints σ et τ commutent c’est à dire σ ◦ τ = τ ◦ σ.
3. L’ordre d’un p-cycle σ ∈ Sn est sa longueur p. L’ordre p d’un élément
σ est le plus petit entier naturel non nul tel que σ p = IdSn .
4. Si σ ∈ Sn se décompose comme σ = σp1 σp2 . . . σpk où ∀i ∈ {1, . . . , k},
les σpi sont des pi -cycles disjoints alors, l’ordre de σ est θ(σ) =
ppcm(p1 , p2 , . . . , pk ).
5. Toute permutation est décomposable en produit de transpositions.

3.3.2 Signature d’une permutation

Définition 28. Soit σ ∈ Sn .
1. On dit que σ présente une inversion sur (i, j) ∈ {1; . . . ; n}2 si : i < j
et σ(i) > σ(j). Le nombre d’inversions de σ est noté I(σ).
2. On appelle signature de σ le nombre noté ε(σ) = (−1)I(σ)
Remarque 4. Si τ est une transposition alors ε(σ) = −1.
Théorème 3. L’application ε : σ ∈ Sn 7−→ ε(σ) ∈ {−1; 1} est un morphisme
du groupe (Sn , ◦) dans le groupe ({−1; 1}, ×).
Théorème 4. Si une décomposition de σ ∈ Sn en produit de transpositions
est :
σ = σ1 ◦ σ2 ◦ · · · ◦ σp alors, ε(σ) = (−1)p .
3.4. CONCLUSION 47

Exercice 37. On considère les permutations suivantes :

 
1 2 3 4 5 6 7 8
σ=
3 2 8 6 1 7 4 5
 
1 2 3 4 5 6 7 8 9
τ=
1 5 3 7 6 2 4 9 8
1. Déterminer σ −1 ,τ −1 ,σ ◦ τ et τ ◦ σ.
2. Ecrire σ et τ sous forme d’un produit de cycles disjoints.
3. Ecrire σ et τ sous forme d’un produit de transpositions.
4. En déduire la signature de σ et la signature de τ.
5. Déterminer σ 2017 en produit de cycles disjoints.

3.4 Conclusion
La théorie des groupes est née de la convergence de plusieurs domaines :
théorie des nombres, géométrie, résolution d’équations algébriques au XIX
ème siècle. Elle a des applications en physique et en chimie. Pour ces ap-
plications, il est nécessaire de comprendre les propriétés mathématiques des
groupes.
48 CHAPITRE 3. GROUPES
CHAPITRE 4

ESPACES VECTORIELS

4.1 Introduction
Des notions physiques telles que la force ou la vitesse sont caractérisées
par une direction, un sens et une intensité. Ce triple caractère est à l’ori-
gine de la notion de vecteur. Bien que leur nature soit d’abord géométrique,
c’est leur aptitude à se lier les unes aux autres, donc leur comportement
algébrique, qui retient l’attention des scientifiques. L’importance du calcul
vectoriel donc provient de son utilisation intensive en physique et dans les
sciences de l’ingénieur.
L’idée du cours sur les espaces vectoriels est de généraliser la notion de
vecteur (d’une droite, d’un plan ou de l’espace) à des objets ayant des com-
portements similaires et appartenant à d’autres ensembles qui héritent alors
de l’appelation espaces de vecteurs ou espaces vectoriels.

4.2 Histoire des espaces vectoriels

Utilisés depuis Cardan en 1545, les nombres complexes étaient vus avec
méfiance par un grand nombre de mathématiciens. La première tentative de
représentation géométrique des nombres complexes fut faite par Wallis au
dix-septième siècle. Un Norvégien, Wessel, publie en 1799 une interpréta-
tion des nombres complexes avec une tentative d’extension à l’espace. Son
travail est resté longtemps inconnu. D’autres mathématiciens travaillent et
publient indépendamment : Buée en 1805 "Mémoire sur les quantités imagi-
naires", Argand en 1806 "Essai sur la manière de représenter les quantités
imaginaires dans les constructions géométrique", Warren en 1828, "Traité sur
la représentation géométrique des racines carrées des quantités négatives",
Mourey en 1828 "La vraie théorie des quantités négatives et des quantités
prétendument imaginaires". Gauss publie en 1831 l’exposé qui fut le plus
connu du fait de la célébrité de son auteur.

49
50 CHAPITRE 4. ESPACES VECTORIELS

Ces mathématiciens ont travaillé indépendamment les uns des autres, ce

qui montre l’importance de ce sujet à cette époque. C’est la découverte de la
représentation géométrique des nombres complexes qui a convaincu beaucoup
de mathématiciens de la légitimité du calcul avec les nombres complexes. Par
la suite, une extension à l’espace a été faite suite aux travaux sur les nombres
complexes. Deux mathématiciens ont découvert l’extension à l’espace du cal-
cul vectoriel : Hamilton (1843) et Grassmann (1844)
Hamilton conçoit les nombres complexes comme des couples de nombres
réels et fait une extension à des n-uplets. Il introduit le produit scalaire et le
produit vectoriel.
Concernant Grassmann(1809-1877), après ses études de théologie et de
philologie à Berlin, il retourne dans sa ville de Stettin et étudie seul les
mathématiques, la physique et les sciences naturelles. Il développe un système
de calcul vectoriel. Il montre comment ses idées peuvent être utilisées pour
assurer les fondements de la géométrie, représenter les forces et les vitesses,
étudier les centres de gravité.
Par ailleurs, Möbius (1790-1868), professeur à l’université de Leipzig, à
partir de 1815, n’a pas construit un calcul vectoriel, mais un calcul sur les
points : il publie son calcul barycentrique en 1827. Il fut en correspondance
avec Grassmann. Son travail fut bien accueilli par les milieux mathématiques
de son temps.
De plus, Bellavitis (1803-1880), professeur à l’université de Padoue en
Italie, publie en 1835 son calcul sur les équipollences, où il désigne par lignes
équipollentes nos vecteurs actuels. Il définit la somme dans l’espace, et dans
le plan un produit. L’oeuvre de Bellavitis est importante pour toutes les
applications qu’il a données de son calcul en mathématiques et en physique.
Les premiers mathématiciens à s’intéresser vraiment à l’oeuvre de Grass-
mann sont les Italiens : Cremona (1860), Bellavitis, Peano puis des compa-
triotes de Grassmann Hankel (1867) un élève de Riemann, Clebsch (1872),
Victor Schlegel (1869), Klein. Schlegel diffuse l’oeuvre de Grassmann à ses
élèves, écrit un livre pour exposer ses idées et une bibliographie de Grass-
mann. Gibbs (USA) et Klein collecteront ses oeuvres et les publieront de
1894 à 1911.
Pour finir, Maxwell (1831-1879) publie en 1860 son traité d’électricité et
de magnétisme où tout est écrit en coordonnées. Lors d’une réédition en 1873
de ce traité, il introduit en parallèle à l’écriture en coordonnées une écriture
en vecteurs. Il utilise le produit scalaire et le produit vectoriel.
L’oeuvre de Maxwell fut essentielle pour le développement du calcul vec-
toriel car tous les physiciens devront désormais se familiariser avec ce calcul
pour lire ses articles d’électricité. On peut voir les travaux d’Hamilton et de
Maxwell comme une tentative pour algébriser la physique.
4.3. ESPACES VECTORIELS 51

4.3 Espaces vectoriels

Tout au long de ce chapitre, K désigne R ou C.

4.3.1 Loi de composition externe

On appelle loi de composition externe sur un ensemble non vide E à
domaine d’opérateurs K, toute application :

• : (α, u) ∈ K × E 7−→ α • u

4.3.2 Définition d’un espace vectoriel

Définition 29. On appelle espace vectoriel sur K ou K− espace vectoriel,
tout triplet (E, +, .) où E est un ensemble non vide, + est une loi de compo-
sition interne sur E, . est une loi de composition externe sur E à domaine
d’opérateurs K tels que :
1. (E, +) est un groupe abélien.
2. La loi externe . vérifie :
(a) ∀(α, β) ∈ K2 , ∀u ∈ E, (α + β)u = αu + βu.
(b) ∀α ∈ K, ∀(u, v) ∈ E 2 , α(u + v) = αu + αv.
(c) ∀(α, β) ∈ K2 , ∀u ∈ E, (α.β)u = α.(βu)
(d) ∀u ∈ E, 1K .u = u
Les éléments de E sont appelés des vecteurs et sont notés →
−
u ,→
−
v ,→
−
w,...
ou simplement u, v, w, . . .
3. L’élément neutre du groupe (E, +) est appelé le vecteur nul et est noté
−
→
0E ou simplement 0E .
4. Le K− espace vectoriel (E, +, .) est simplement noté E.

Exemple 26. Soit n ∈ N⋆ . (Rn , +, .) est un R− espace vectoriel.

Propriété 19. Soit E un K− espace vectoriel.

1. ∀u ∈ E, 0K .u = 0E .
2. ∀α ∈ K, α.0E = 0E .
3. ∀(α, u) ∈ K × E, αu = 0E ⇐⇒ α = 0K ou u = 0E .
52 CHAPITRE 4. ESPACES VECTORIELS

4.3.3 Sous-espaces vectoriels

Définition 30. Soient E un K− espace vectoriel et F une partie de E. On
dit que F est un sous-espace vectoriel de E lorsque F est lui-même un K-
espace vectoriel.

Première caractérisation d’un sous-espace vectoriel

Soient E un K− espace vectoriel et F une partie de E. Alors F est un
sous-espace vectoriel de E si et seulement si :
1. 0E ∈ F.
2. ∀(u, v) ∈ F 2 , u + v ∈ F.
3. ∀(α, u) ∈ K × F, αu ∈ F.

Exercice 38. On considère l’ensemble F = {(x, y, z) ∈ R3 , 2x−3y +4z = 0}

Montrer que F est un sous-espace vectoriel de R3 .

Deuxième caractérisation d’un sous-espace vectoriel

Propriété 20. Soient E un K− espace vectoriel et F une partie de E. Alors
F est un sous-espace vectoriel de E si et seulement si :
1. 0E ∈ F.
2. ∀(u, v) ∈ F 2 , ∀α ∈ K, u + αv ∈ F.

Exercice 39. On considère l’ensemble F = {(x, y, z) ∈ R3 , 2x−3y +4z = 0}

Montrer que F est un sous-espace vectoriel de R3 en utilisant la deuxième
caractérisation.

Sous-espace vectoriel engendré

Combinaison linéaire
Définition 31. Soit L = (u1 , u2 , . . . , up ) une famille de vecteurs d’un K−
espace vectoriel E et u ∈ E. On dit que u est une combinaison linéaire de
u1 , u2 , . . . , up lorsque :
p
X
∃(α1 , α2 , . . . , αp ) ∈ Kp , u = αi ui
i=1

Exercice 40. On donne u = (−1, 1, 1), v = (1, −1, 1) et w = (1, 1, −1).

Le vecteur w est-il une combinaison linéaire des vecteurs u et v?
4.3. ESPACES VECTORIELS 53

Sous-espace vectoriel engendré par une famille

Définition 32. Soit L = (u1 , u2 , . . . , up ) une famille de vecteurs d’un K−
espace vectoriel E. L’ensemble des combinaisons linéaires des vecteurs de L
est un sous-espace vectoriel de E engendré par la famille L. On dit aussi que
L génère vect(L) ou L est une famille génératrice de vect(L).
p
X
vect(L) = { αi ui , (α1 , α2 , . . . , αp ) ∈ Kp }
i=1

p
X
Ainsi , w ∈ vect(L) ⇐⇒ ∃(α1 , α2 , . . . , αp ) ∈ K , w = p
αi ui
i=1

Et , vect(L) = vect(u1 , u2 , . . . , up ).
Exercice 41. Déterminer le sous-espace vectoriel de R3 engendré par la
famille L = (u, v) avec u = (3, 1, 0) et v = (−4, 0, 1).
Exercice 42. Montrer que l’ensemble F = {(x, y, z) ∈ R3 ; 2x − y + 3z = 0}
est un sous-espace vectoriel de R3 dont on donnera une famille génératrice.

4.3.4 Base d’un espace vectoriel

Famille génératrice d’un espace vectoriel
Définition 33. Soit E un K− espace vectoriel. On dit qu’une famille L
est une famille génératrice de E ou que L génère E lorsque E = vect(L).
autrement dit,
p
X
p
E = vect(L) ⇐⇒ ∀w ∈ E, ∃(α1 , α2 , . . . , αp ) ∈ K , w = αi ui .
i=1

Famille libre d’un espace vectoriel

Définition 34. Soit L = (u1 , u2 , . . . , up ) une famille de vecteurs d’un K−
espace vectoriel E.
1. On dit que L est libre si :
p
X
p
∀(α1 , . . . , αp ) ∈ K , αi ui = 0E =⇒ α1 = α2 = · · · = αp = 0K .
i=1

On dit aussi que dans ce cas, les vecteurs u1 , u2 , . . . , up sont linéaire-

ment indépendants.
54 CHAPITRE 4. ESPACES VECTORIELS

2. L est une famille libre si L n’est pas une famille liée.

Exercice 43. Traduire en utilisant la négation de la définition de famille

libre que L n’est pas une famille liée.

Remarque 5. 1. L = (u) est libre ⇐⇒ u ̸= 0E .

2. La famille (u, v) est liée ⇐⇒ u et v sont colinéaires.
3. La famille (u, v, w) est liée ⇐⇒ u, v et w sont coplanaires.

Exercice 44. On donne u = (1, −2, 1), v = (−2, 3, −3) et w = (0, −1, −1).
Montrer que L = (u, v, w) est une famille liée de R3 .

Définition 35. On appelle base d’un K− espace vectoriel E, toute famille

libre et génératrice de E.

Exercice 45. On donne u = (−1, 1, 1), v = (1, −1, 1) et w = (1, 1, −1).

Montrer que L = (u, v, w) est une base de R3 .

Exercice 46. On donne u = (1, 0, 0), v = (0, 1, 0) et w = (0, 0, 1). Montrer

que L = (u, v, w) est une base de R3 . Cette base est appelée la base canonique
de R3 .
     
1 0 0 1 0 0
Exercice 47. On pose A = ,B= ,C= et
0 0 0 0 1 0
 
0 0
D= .
0 1
Montrer que la famille L = (A, B, C, D) est une base de M2 (R).
La famille L = (A, B, C, D) est appelée la base canonique de M2 (R).

Propriété 21. Une famille β = (e1 , e2 , . . . , en ) d’un K− espace vectoriel E

est une base de E si et seulement si :

∀u ∈ E, ∃!(x1 , . . . , xn ) ∈ Kn , u = x1 e1 + x2 e2 + · · · + xn en .

Les scalaires x1 , . . . , xn pris dans cet ordre sont appelés les coordonnées(ou
composantes) du vecteur   u dans (ou relativement à) la base β.
x1
 x2 
La matrice X =  ..  est appelée matrice colonne des composantes du
 
.
xn
vecteur u dans(ou relativement à) la base β.
4.3. ESPACES VECTORIELS 55

Exemple 27. Soit u ∈ Rn . Alors ∃(x1 , . . . , xn ) ∈ Rn tel que

X n
u= xi ei où (e1 , . . . , en ) est la base canonique de Rn . Ainsi les coor-
i=1
données de u dans la base canonique de Rn sont x1 , . . . , xn .
   
a b 1 0
Exercice 48. Soit M = ∈ M2 (R). On pose A = ,
c d 0 0
   
0 1 0 0
B= ,C= et
0 0 1 0
 
0 0
D= .
0 1
Déterminer les coordonnées de M dans la base (A, B, C, D) de M2 (R).

Exercice 49. On donne u = (−1, 1, 1), v = (1, −1, 1) et w = (1, 1, −1).

On pose L = (u, v, w), une base de R3 .
Donner les composantes de b = (2, 4, 6) dans la base L.

Espace vectoriel de dimension finie

Définition 36. un K− espace vectoriel est dit de dimension finie lorsqu’il

possède une famille génératrice finie. Dans le cas contraire, E est dit de
dimension infinie. Tout au long de ce cours, nous nous intéresserons unique-
ment aux espaces vectoriels de dimension finie.

Propriété 22. Soit E un K− espace vectoriel de dimension finie avec E ̸=

{0E }. Alors E possède une base ayant un nombre fini n ∈ N⋆ de vecteurs.
De plus, toute autre base de E possède aussi n vecteurs. L’entier naturel n
est appelé la dimension de E et est noté dimK (E) ou simplement dim(E) s’il
n’y a pas de confusion.

Exemple 28. 1. dimK (Kn ) = n.

2. dimK (Mn,m (K)) = nm. En particulier dimK (Mn (K)) = n2 .

Remarque 6. 1. {0E } n’a pas base et dimK ({0E }) = 0.

2. La dimension d’un K− espace vectoriel dépend de K.
en effet, dimC (C) = 1 mais dimR (C) = 2 car
∀z ∈ C, ∃!(x, y) ∈ R2 , z = x(1) + y(i).
Donc (1, i) est une base de C.
56 CHAPITRE 4. ESPACES VECTORIELS

Déterminant d’une famille de n vecteurs en dimension n

Définition 37. Soit E un K− espace vectoriel de dimension finie non nulle
n et β = (ε1 , ε2 , . . . , εn ) une base de E.
Soit L = (u1 , u2 , . . . , un ) une famille de vecteurs de E avec :

u1 = a11 ε1 + a21 ε2 + · · · + an1 εn

u2 = a12 ε1 + a22 ε2 + · · · + an2 εn

u3 = a13 ε1 + a23 ε2 + · · · + an3 εn
.. .. .. .. ..
. . . . .
un = a1n ε1 + a2n ε2 + · · · + ann εn
On appelle détermiant de L, le scalaire noté det(L) ou det(u1 , u2 , . . . , un )
donné par :

a11 a12 ... a1n

a21 a22 ... a2n
det(L) = a31 a32 ... a3n
.. .. ..
. . ... .
an1 an2 . . . ann

Propriété 23. L est libre ⇐⇒ det(L) ̸= 0.

Exercice 50. On donne u = (2, −4, 2), v = (−4, 6, −6) et w = (0, −2, −2).
On pose L = (u, v, w).
1. Calculer det(L).
2. L est-elle une famille libre de R3 .
3. Répondre aux même questions pour L = (u, v, w) avec u = (−1, 1, 1),
v = (1, −1, 1) et w = (1, 1, −1).

Rang d’une famille de vecteurs

Définition 38. Soit L = (u1 , . . . , up ) une famille de vecteurs d’un K− espace
vectoriel E. On appelle rang de L et on note rg(L) l’entier naturel qui est
égal à dimK [vect(L)]

Propriété 24. Soit E un K− espace vectoriel muni d’une base β = (ε1 , ε2 , . . . , εn )

et L = (u1 , u2 , . . . , um ) une famille de vecteurs de E avec :

u1 = a11 ε1 + a21 ε2 + · · · + an1 εn

4.3. ESPACES VECTORIELS 57

u2 = a12 ε1 + a22 ε2 + · · · + an2 εn

u3 = a13 ε1 + a23 ε2 + · · · + an3 εn
.. .. .. .. ..
. . . . .
um = a1m ε1 + a2m ε2 + · · · + anm εn
 
a11 a12 . . . a1m
 a21 a22 . . . a2m 
 
1. rg(L) = rg  a31 a32 . . . a3m 
 
 .. .. .. 
 . . ... . 
an1 an2 . . . anm
2. rg(L) ≤ inf{n, m}.
3. L est libre ⇐⇒ rg(L) = m.
Exercice 51. On donne u = (2, −4, 2), v = (−4, 6, −6) et w = (0, −2, −2).
On pose L = (u, v, w).
1. Calculer rg(L).
2. Répondre à la même question pour L = (u, v, w) avec u = (−1, 1, 1),
v = (1, −1, 1) et w = (1, 1, −1).
Propriété 25. Soit E un K− espace vectoriel de dimension non nulle n.
Alors
1. Toute famille génératrice de E contient au moins n vecteurs.
2. Toute famille génératrice de E de n vecteurs est une base de E.
3. Toute famille libre de E possède au plus n vecteurs.
4. Toute famille libre de E de n vecteurs est une base de E.

Théorème de la base incomplète

Soit E un K− espace vectoriel de dimension finie non nulle n. Toute
famille libre de p vecteurs (p strictement inférieur à n) de E, peut-être com-
pletée en une base de E.
Théorème 5. Soit E un K− espace vectoriel de dimension finie non nulle n
et L = (u1 , . . . , up ) une famille libre de vecteurs de E. Soit u ∈ E. Si u ̸∈ L,
alors L1 = L ∪ {u} = (u1 , u2 , . . . , up , u) est une famille libre de E.
Exercice 52. On donne L = (u, v) avec u = (1, 1, 1) et v = (−1, −1, 1).
1. Montrer que L est une famille libre de R3 .
2. Compléter la famille L en une base de R3 .
58 CHAPITRE 4. ESPACES VECTORIELS

Somme de deux sous-espaces vectoriels

Définition 39. Soient E un K− espace vectoriel, F et G deux sous-espaces
vectoriels de E.
1. On appelle somme de F et de G le sous-espace vectoriel de E noté
F + G défini par : F + G = {u + v, (u, v) ∈ F × G}
2. La somme F + G est dite directe (on dit aussi que F et G sont en
somme directe ) si : ∀w ∈ (F + G), ∃!(u, v) ∈ F × G, w = u + v.
On note dans ce cas F + G = F
L
G.
3. F et G sont dits supplémentaires dans et on note G si
L
E E = F
F + G = E et F + G = F
L
G.

Propriété 26. Soit E un K− espace vectoriel de dimension finie et F un

sous-espace vectoriel de E. On a :
1. F est de dimension finie et dimK (F ) ≤ dimK (E).
Si de plus, dimK (F ) = dimK (E), alors F = E.
2. Théorème de Grassmann
Si F et G sont deux sous-espaces vectoriels de E, alors :

dimK (F + G) = dimK (F ) + dimK (G) − dimK (F ∩ G).

Propriété 27. Soient F et G sont deux sous-espaces vectoriels de E. on a :

1. F et G sont en somme directe ⇐⇒ F ∩ G = {0E }.
2. Si F = vect(u1 , u2 , . . . , up ) et s’il existe i ∈ {1, . . . , p} tel que
p
X
ui = αj uj , j ̸= i, alors F = vect(u1 , . . . , ui−1 , ui+1 , . . . , up ).
j=1

3. Si F = vect(v1 , . . . , vq ) et G = vect(w1 , . . . , ws ) alors

F + G = vect(v1 , . . . , vq , w1 , . . . , ws ).

Caractérisation des sous-espaces vectoriels supplémentaires

Soient F et G deux sous-espaces vectoriels de E de dimension finie.
M
F G = E ⇐⇒ (F ∩ G = {0E } et F + G = E.)
Autre caractérisation des sous-espaces vectoriels supplémentaires
Soient F et G deux sous-espaces vectoriels de E de dimension finie.
M
F G = E ⇐⇒ (F ∩ G = {0E } et dimK (E) = dimK (F ) + dimK (G).)
4.4. APPLICATIONS LINÉAIRES 59

Exercice 53. On donne F = {(x, y, z) ∈ R3 , x − y + 2z = 0} et G =

{(x, y, z) ∈ R3 , x + 2y − z = 0}.
1. Déterminer une base éventuelle et la dimension de F, G et de F ∩ G.
2. Déterminer une base éventuelle et la dimension de F + G.
3. A-t-on F G = R3 ?
L

Exercice 54. On donne le sous-espace vectoriel F = vect(u1 , u2 ) avec

u1 = (−1, 1, 0) et u2 = (1, −1, 1) et les sous ensembles
G = {(x, y, z) ∈ R3 , x − y + z = 0}, H = {(x, −x, 0), x ∈ R}.
1. Déterminer une base éventuelle et la dimension de
F, G, H, F ∩ G, G ∩ H, F + G, G + H et F ∩ H.
2. Les sous-espaces vectoriels F et G sont-ils en somme directe ?
3. Les sous-espaces vectoriels G et H sont-ils en somme directe ?
4. A-t-on F G = R3 et G H = R3 ?
L L

4.4 Applications linéaires

Définition 40. Soient E et F deux K− espaces vectoriels.
On appelle application linéaire de E dans F toute application f : E → F
vérifiant :
1. ∀(u, v) ∈ E 2 , f (u + v) = f (u) + f (v).
2. ∀α ∈ K, ∀v ∈ E, f (αv) = αf (v).
1. On l’appelle aussi morphisme de (E, +, .) dans (F, +, .). L’ensemble
des applications linéaires de E dans F est noté L(E, F ).
2. Un endomorphisme de E est toute application linéaire de E dans E.
Leur ensemble est noté L(E, E).
3. Si f ∈ L(E, E) et f est bijective, alors on dit que f est un automor-
phisme de E.

Exercice 55. On donne :

f : (x, y, z) ∈ R3 7−→ (2x − y + 3z; x − 3y + z) ∈ R2 .

Montrer que f est une application linéaire.

Autre caractérisation de la notion d’application linéaire

60 CHAPITRE 4. ESPACES VECTORIELS

Définition 41. Soient E et F deux K− espaces vectoriels.

On appelle application linéaire de E dans F toute application f : E → F
vérifiant :
∀α ∈ K, ∀(u, v) ∈ E 2 , f (u + αv) = f (u) + αf (v).

Exercice 56. On donne :

f : (x, y, z) ∈ R3 7−→ (2x − y + 3z; x − y + z; 3x + 2z) ∈ R3 .

Montrer que f est un endomorphisme de R3 .

Propriété 28. Soient E, F, G des K− espaces vectoriels et f : E → F, g :

F → G des applications linéaires. Alors on a :
1. f (0E ) = 0F .
2. Si f : E → F est un isomorphisme alors f −1 : F → E est aussi un
isomorphisme.
3. g ◦ f : E → G est une application linéaire.

4.4.1 Noyau, image d’une application linéaire

Définition 42. Soient E, F des K− espaces vectoriels et f : E → F une
application lineaire.
1. On appelle noyau de f, le sous-espace vectoriel de E noté Kerf donné
par : Kerf = {u ∈ E, f (u) = 0F }.
2. On appelle image de f le sous-espace vectoriel de F noté Imf donné
par : Imf = {f (u), u ∈ E}

Propriété 29. Soient E, F des K− espaces vectoriels et f : E → F une

application lineaire. on a :
1. f est injective ⇐⇒ Kerf = {0E }.
2. f est surjective ⇐⇒ Imf = F.

Exercice 57. On donne :

f : (x, y, z) ∈ R3 7−→ (2x − y + 3z; x − 3y + z) ∈ R2 .

1. Déterminer une base éventuelle et la dimension de Kerf et de Imf.

2. L’application f est-elle injective? surjective?

Propriété 30. Soit f : E → F une application lineaire.

4.4. APPLICATIONS LINÉAIRES 61

1. Si β = (u1 , u2 , . . . , up ) est une famille génératrice de E, alors

Imf = vect(f (u1 ), f (u2 ), . . . , f (up )).
2. Si E est de dimension finie, alors
Imf est de dimension finie et dim(Imf ) ≤ dimK (E).
La dimension de Imf est appelée le rang de f et est noté rg(f ).
De plus, on a :
dimK (E) = dimK (Kerf ) + dimK (Imf ) ou encore

dimK (E) = dimK (Kerf ) + rg(f ) C’est la formule du rang

Exercice 58. Soit E un K− espace vectoriel muni d’une base β = (u, v, w)
et f l’endomorphisme de E donné par : f (u) = −u + v + w, f (v) = 2u − v + w
et f (w) = v + 3w.
1. Déterminer une base éventuelle et la dimension de Kerf.
2. Déduire le rang de f.
3. L’application f est-elle surjective?
4. Déterminer une base de Imf.
Propriété 31. Soient f : E → F et g : F → G des applications linéaires.
Alors g ◦ f : E → G est aussi une application linéaire.

4.4.2 Matrice d’une application linéaire

Définition 43. Soient f : E → F une application linéaire, U = (u1 , u2 , . . . , up )
une base de E et V = (v1 , v2 , . . . , vn ) une base de F. Posons :
f (u1 ) = a11 v1 + a21 v2 + · · · + an1 vn
f (u2 ) = a12 v1 + a22 v2 + · · · + an2 vn
f (u3 ) = a13 v1 + a23 v2 + · · · + an3 vn
..
.
f (up ) = a1p v1 + a2p v2 + · · · + anp vn
On appelle matrice de f relativement aux bases U et V de E et F , la
matrice notée matU,V (f ) donnée par :
 
a11 a12 . . . a1p
 a21 a22 . . . a2p 
 
matU,V (f ) =  a31 a32 . . . a3p 
 
 .. .. .. 
 . . ... . 
an1 an2 . . . anp
62 CHAPITRE 4. ESPACES VECTORIELS

Remarque 7. matU,V (f ) n’est pas en générale une matrice carrée. Elle l’est
si dim(E) = dim(F ).

Propriété 32. Soient E, F et G des K− espaces vectoriels de dimension

finie muni des bases respectives U, V, W , f : E → F et g : F → G des
applications linéaires.
1. f est bijective ⇐⇒ det(matU,V (f )) ̸= 0. Dans ce cas :

matV,U (f −1 ) = [matU,V (f )]−1

2.
matU,W (g ◦ f ) = [matV,W (g)] × [matU,V (f )].

Exercice 59. On considère les applications linéaires :

f : (x, y, z) ∈ RI 3 → (x + y, y − z) ∈ R I 2.
g : (x, y) ∈ RI 2 → (y, −y + x, x) ∈ R I 3.
On note U = (e1 , e2 , e3 ) la base canonique de R
I 3 , V = (e′1 , e′2 ) celle de R
I2
et W = (w1 , w2 ) une autre base de R I avec w1 = (1, 1) et w2 = (−1, 1).
2

1. Déterminer matU,V (f ), matU,W (f ), matV,U (g) et matW,U (g).

2. Déterminer matV,W (f ◦ g).
3. L’application f ◦ g est-elle bijective ?
4. Déterminer matW,V (g −1 ◦ f −1 ).

4.4.3 Changement de bases

Matrice de passage
Définition 44. Soit E un K− espace vectoriel de dimension finie non nulle
n, muni de deux bases , U = (u1 , u2 , . . . , un ) et V = (v1 , v2 , . . . , vn ).
On appelle matrice de passage de la base U à la base V , la matrice carrée
notée PU,V dont la j−ème colonne est la matrice colonne du j−ème vecteur
Vj de V dans la base U. Plus précisement si :

v1 = a11 u1 + a21 u2 + · · · + an1 un

v2 = a12 u1 + a22 u2 + · · · + an2 un
v3 = a13 u1 + a23 u2 + · · · + an3 un
.. .. .. .. ..
. . . . .
vn = a1n u1 + a2n u2 + · · · + ann un
4.5. EXERCICES DE RENFORCEMENT 63

Alors, on a :  
a11 a12 ... a1n

 a21 a22 ... a2n 

PU,V =
 a31 a32 ... a3n 
.. .. ..

. . .
 
 ... 
an1 an2 ... ann

Propriété 33. PU,V est inversible et PU,V

−1
= PV,U .

Effets de changements de base

Propriété 34. Soit E un K− espace vectoriel de dimension finie non nulle
n, muni de deux bases, U et V. Soit w un vecteur de E, X et Y les matrices
colonnes des composantes de w respectivement dans U et V. Alors on a :
−1
Y = PU,V X

Propriété 35. Soit E un K− espace vectoriel de dimension finie non nulle

muni de deux bases, U1 et U2 et f : E → E Alors on a :

matU2 (f ) = PU−1
1 ,U2
matU1 (f )PU1 ,U2

Propriété 36. Soient E, F deux K− espaces vectoriels de dimensions finies

non nulles munis des bases respectives U et V et f : E → F une application
linéaire.
Soit (u, v) ∈ E × F dont les matrices colonnes des composantes sont X
et Y dans les bases U et V respectivement. Alors on a :

f (U ) = V ⇐⇒ Y = matU,V (f )X.

4.5 Exercices de renforcement

Exercice 60. Soit E un K− espace vectoriel muni d’une base C = (e 1 , e2 , e3 ) 
1 1 2
et f l’endomorphisme de E dont la matrice dans la base C est : A = −1 2 −1
2 1 −1
1. Déterminer une base éventuelle et la dimension de Kerf et Imf.
2. On donne u = −e1 + 2e2 + e3 . calculer f (u).
3. On considère la famille β de E, donnée par β = (u1 , u2 , u3 ) avec
u1 = e2 + e3 , u2 = e1 + e3 et u3 = e1 + e2 .
(a) Montrer que β est une base de E.
64 CHAPITRE 4. ESPACES VECTORIELS

(b) Déterminer la matrice de passage de la base C à la base β puis en

déduire la matrice de passage de la base β à la base C.
(c) Déterminer les coordonnées de u dans la base β.
(d) Déterminer la matrice de f dans la base β de deux manières.

Exercice 61. On considère les ensembles A et B donnés par :

 
x y
A={ ∈ M2 (R), x + t = y − z = 0.}
z t
 
x y
B={ ∈ M2 (R), x − t = −y + z = 0.}
z t
1. Montrer que A et B sont des sous-espaces vectoriels de M2 (R).
2. Donner une base et la dimension de A et de B.
3. Déterminer A ∩ B et A + B.
4. Déterminer une base éventuelle et la dimension de A ∩ B et de A + B.
5. A-t-on A + B = M2 (R)?

4.6 Conclusion
Les espaces vectoriels sont des outils de modélisation mathématique.
Leurs propriétés ont été abordées dans ce chapitre. Les espaces vectoriels
seront exploités avec les matrices dans le prochain chapitre. De ce fait, il est
important pour l’étudiant de s’approprier les propriétés de ces espaces afin
de mieux comprendre leur utilité.
CHAPITRE 5

DIAGONALISATION ET
TRIGONALISATION DE MATRICES

5.1 Introduction
Ce chapitre utilise certaines notions abordées dans les chapitres précé-
dents. En effet, nous utilisons :
1. la démonstration directe et la démonstration par récurrence utilisées
dans le chapitre 1.
2. les matrices, les déterminants et leurs propriétés utilisées dans le cha-
pitre 2.
3. les espaces vectoriels utilisés dans le chapitre 4.
La maitrise de ces connaissances constituent des prérequis pour s’appro-
prier les notions abordées dans ce chapitre.

5.2 Eléments propres

5.2.1 Valeurs propres, vecteurs propres
Définition 45. E est un espace vectoriel sur le corps commutatif K, f est
un endomorphisme de E et A une matrice carré n × n sur K.
— λ ∈ K est une valeur propre de f (ou de A) lorsqu’il existe un vecteur
non nul u de E tel que f (u) = λu(ou lorsqu’il existe u un vecteur non
nul de Kn telle que Au = λu.)
— u ∈ E(ou u ∈ Kn ) est un vecteur propre de f (ou de A) lorsque u ̸= 0E
(ou X ̸= 0Kn ) et qu’il existe λ ∈ K tel que f (u) = λu. On dit alors
que u est un vecteur propre associé à la valeur propre λ de f (ou de
A).
L’ensemble des valeurs propres de f (ou de A) se note SpK (f )(ou
SpK (A)) le spectre de f (ou le spectre de A).

65
66CHAPITRE 5. DIAGONALISATION ETTRIGONALISATION DE MATRICES
   
1 2 1
Exercice 62. On donne A = ,u=
2 1 −1
1. Montrer que u est un vecteur propre de A.
2. Montrer que 3 est une valeur propre de A.

Théorème 6. Soit f un endomorphisme du K-espace vectoriel E de dimen-

sion finie n et B une base de E. On pose A = matB (f ).
1. λ ∈ SpK (f ) ⇐⇒ λ ∈ SpK (A).
2. λ ∈ SpK (A) ⇐⇒ det(A − λIn ) = 0.

5.2.2 Sous-espaces propres

Définition 46. Soit λ une valeur propre de f , un endomorphisme de E ou
(A ∈ Mn (K).) On appelle sous-espace vectoriel propre associé à la valeur
propre λ, le sous-espace vectoriel de E (ou de Kn ) défini par :

Eλ = ker(f − λIdE ) = {u ∈ E; f (u) = λu}( ou Eλ = {u ∈ Kn ; Au = λu}).

Exercice 63. En se reférrant à l’exemple précédent, calculer E3 .

5.2.3 Polynôme caractéristique

Définition 47. On appelle polynôme caractéristique de A ∈ Mn (K), l’ap-
plication définie sur K par P (λ) = det(A − λIn ), ∀λ ∈ K.
 
4 0 0
Exercice 64. Soit la matrice A donnée par : A = 1 5 −1
1 1 3
Déterminer le polynôme caractéristique de A.

5.3 Diagonalisabilité
5.3.1 Matrice ou endomorphisme diagonalisable
Définition 48. 1. Une matrice A ∈ Mn (K) est diagonalisable si et
seulement s’il existe une matrice P et une matrice diagonale D ∈
Mn (K) telle que A = P DP −1 .
2. Un endomorphisme f de E est diagonalisable si et seulement s’il existe
une base U de E telle que matU (f ) soit diagonale.
5.3. DIAGONALISABILITÉ 67

5.3.2 Critères de diagonalisabilité

Théorème 7. Soit f un endomorphisme de E et soit A ∈ Mn (K).
1. A est diagonalisable si et seulement s’il existe une base de Kn formée
de vecteurs propres de A.
2. f est diagonalisable si et seulement s’il existe une base de E, formée
de vecteurs propres de f.
3. Si f ou A admet n valeurs propres distinctes, alors f ou A est diago-
nalisable.
Théorème 8. Soit E un K-espace vectoriel de dimension finie n et soit f
un endomorphisme de E. Soit :
1. (λi ) la famille des valeurs propres distinctes deux à deux de f.
2. (Eλi ) la famille des sous-espaces propres associés respectivement aux
valeurs propres λi .
f (ou A) est diagonalisable si dimK (Eλi ) = ri où ri est l’ordre de multi-
plicité de λi dans le polynôme caractéristique.
Par exemple si P (λ) = (λ − 4)2 (λ + 3), on dira que 4 a pour multiplicité
2 et −3 a pour multiplicité 1.

5.3.3 Les différentes étapes pour diagonaliser une ma-

trice
Pour diagonaliser f un endomorphisme d’un K-espace vectoriel E(ou de
matrice A relativement à une base B), on peut procéder comme suit :
1. Chercher λ tels que det(A − λIn ) = 0.
2. Pour chaque λ calculé, on détermine Eλ , le sous-espace propre associé
à λ puis on déduit une base et la dimension de Eλ .
3. Si l’ordre de multiplicité d’une valeur propre est égal à la dimension du
sous-espace propre associé, on déduit que f ou A est diagonalisable.
4. On détermine une base U de E, constituée de vecteurs propres de f
ou de A.
5. On écrit la matrice D = matU (f ).
6. On écrit que A = P DP −1 .
 
1 2 2
Exercice 65. 1. Diagonaliser les matrices suivantes : A = 2 1 2
  2 2 1
5 8 −7
et B = −2 −3 2 
2 4 −4
68CHAPITRE 5. DIAGONALISATION ETTRIGONALISATION DE MATRICES
 
0 −1 1
2. Les matrices suivantes sont-elles diagonalisables ? : C = −2 −1 0
  1 −1 0
2 0 1
et D =  1 1 1 
−2 0 −1

5.4 Exercices d’application sur la diagonalisa-

tion de matrice
Dans le cadre de notre cours, nous présentons une application de la no-
tion de diagonalisation issue de la dynamique des populations. La dynamique
des populations cherche à expliquer l’évolution dans le temps de populations
biologiques. On peut s’intéresser à des populations humaines, animales, vé-
gétales, ou encore microbiennes.

Exercice 66. Cet exercice est un problème de migration de populations entre

deux zones géographique. On considère le problème de migration de population
entre les zones urbaines et les zones rurales. Chaque année, un mouvement
de population entre ces deux zones s’opère de la façon suivante :
1. la moitié des habitants en zone urbaine partent habiter en zone rurale,
alors que l’autre moitié reste résidante en zone hurbaine.
2. un quart des habitants en zone rurale rejoignent une zone hurbaine,
les trois quarts restant en zone rurale.
Notons rk la proportion de la population totale qui habite en zone rurale au
terme de la k−ième année et uk la proportion de population qui habite en
zone urbaine au terme de cette même année. S’agissant de proportion de
population, on a, pour toute année k, uk + rk = 1, en particulier u0 + r0 = 1.
1. Exprimer uk+1 en fonction de uk et de rk .
2. Exprimer rk+1 en fonction de uk et de rk .
3. En déduire le système d’équations décrivant l’évolution des deux po-
pulations.
4. Mettre ce système sous la forme :
   
uk+1 u
=A k
rk+1 rk

où A est une matrice carrée de taille 2 qu’il faut déterminer.

5.4. EXERCICES D’APPLICATION SUR LA DIAGONALISATION DE MATRICE69

5. 
On  suppose que la répartition de population initiale, l’année 0, est
u0
Montrer par récurrence que, pour tout k,
r0
   
uk k u0
=A
rk r0
 
uk
où est la répartition de population la k−ième année.
rk
6. Diagonaliser la matrice A.
7. Montrer que ∀k ∈ N, Ak = P Dk P −1 .
8. En déduire lim Ak .
k→+∞
 
uk
9. Calculer lim .
k→+∞ rk

10. En déduire à long terme, la proportion de la population en zone urbaine

et la proportion de la population en zone rurale.
11. Les zones urbaines seront-elles complètement désertées ?

Exercice 67. La population de lapins dans un parc se partage en deux classes

d’âge : les jeunes et les vieux. On note un le nombre de lapins jeunes au cours
de l’année de rang n et vn le nombre de lapins vieux au cours de l’année de
rang n. On suppose que d’une année à l’autre :
1. Premièrement, 50% des lapins jeunes passent dans la classe des vieux.
2. Deuxièmement, le taux de mortalité est de 25% dans la classe des
jeunes et de 75% dans la classe des vieux.
3. Troisièmement, le taux de natalité est de 200% pour la classe des
vieux, les jeunes n’étant pas encore en mesure de se reproduire.
Enfin, on introduit chaque année dans le parc 20 jeunes lapins supplémen-
taires. Au début de l’étude, c’est à dire l’année de rang 0, il y a 400 jeunes
lapins et 100 vieux lapins.
1. Au bout d’une année, (a) Combien de lapins deviennent vieux ?
(b) Combien de jeunes lapins meurent ?
(c) Combien de vieux lapins meurent ?
2. En déduire u1 et v1 .
3. Exprime un+1 et vn+1 en fonction de un et de vn .
4. Onnote
un
Un =
vn
70CHAPITRE 5. DIAGONALISATION ETTRIGONALISATION DE MATRICES

Déterminer la matrice carrée A et la matrice colonne B telle que

Un+1 = AUn + B.
5. Soit I2 la matrice carrée de taille 2 Montrer que la matrice E = I2 − A
est inversible et déterminer son inverse.
6. Déterminer la matrice unicolonne C telle que C = AC + B.
7. Soit la matrice Vn telle que pour tout entier naturel n, Vn = Un − C.
Montrer que Vn+1 = AVn .  
0.25 2
8. On suppose que A =
0.5 0.25

Diagonaliser A puis montrer par récurrence que ∀n ∈ N, An = P Dn P −1 .

9. Montrer par récurrence que ∀n ∈ N, V n = An V0 puis calcule Vn en
fonction de n.
10. Calculer Un en fonction de n.
11. En déduire un et vn en fonction de n.
un
12. Calculer lim . Interpréter ce résultat.
n→+∞ vn

Exercice 68. On s’intéresse à une population de souris femelles

sachant que :
- chacune de ces souris donne naissance en moyenne à une femelle pen-
dant sa première année de vie et à 8 femelles pendant sa deuxième année ;
- la probabilité pour qu’une souris survive une deuxième année est de 0.25
et il n’y a aucune chance qu’elle survive au-delà d’un an.
On distingue donc deux catégories de souris : les juvéniles âgées de moins
d’un an et les adultes dont l’âge est compris entre un an et deux ans.
Notons, pour tout instant n (le temps étant compté en années, de sorte
que n est entier) jn le nombre de souris juvéniles, an le nombre de souris
adultes et cn = jn + an le nombre total de souris dans la population étudiée.
On pose :
j
Vn = n
an
1. Exprimer jn+1 en fonction de an et de jn puis an+1 en fonction de an
et de jn .
2. Justifier que Vn+1 = AVn où A est une matrice à déterminer.
3. Onsupposeque
1 8
A=
0.25 0
Diagonaliser A puis montrer par récurrence que ∀n ∈ N, An = P Dn P −1 .
4. Montrer par récurrence que Vn = An V0 .
5. Calculer Vn en fonction de n.
6. En déduire an , jn puis cn en fonction de n.
5.5. TRIGONALISATION 71

cn+1
7. Calculer lim .
n→+∞ cn
Interpréter ce résultat.

5.5 Trigonalisation
5.5.1 Matrice ou endomorphisme trigonalisable
Définition 49. 1. Une matrice A ∈ Mn (K) est trigonalisable si et seule-
ment s’il existe une matrice P et une matrice triangulaire T ∈ Mn (K)
telle que A = P T P −1 .
2. Un endomorphisme f de E est trigonalisable si et seulement s’il existe
une base U de E telle que matU (f ) soit triangulaire.

5.5.2 Critères de trigonalisabilité

Lorsqu’une matrice ou un endomorphisme n’est pas diagonalisable, on le
trigonalise.

5.5.3 Les différentes étapes pour trigonaliser une ma-

trice
Pour trigonaliser f un endomorphisme d’un K-espace vectoriel E(ou de
matrice A relativement à une base B), on peut procéder comme suit :
1. Chercher λ tels que det(A − λIn ) = 0.
2. Pour chaque λ calculé, on détermine Eλ , le sous-espace propre associé
à λ puis on déduit une base et la dimension de Eλ .
3. Si l’ordre de multiplicité d’une valeur propre n’est pas égal à la di-
mension du sous-espace propre associé, on déduit que f ou A n’est
pas diagonalisable, f ou A est donc trigonalisable.
4. On cherche une famille libre maximale L de vecteurs propres de f ou
de A.
5. On complète L en une base U de E, constituée de vecteurs propres de
f ou de A.
6. On écrit la matrice triangulaire T = matU (f ).
7. On écrit que A = P T P −1 .
 
4 0 0
Exercice 69. Les matrices suivantes sont-elles trigonalisables ? : E = 1 5 −1 ,
1 1 3
72CHAPITRE 5. DIAGONALISATION ETTRIGONALISATION DE MATRICES
   
6 −6 5 2 0 1
F = −4 −1 10 et G =  1 1 0
7 −6 4 −1 1 3

5.6 Conclusion
Ce chapitre peut-être vu comme un chapitre d’application aux matrices
et aux espaces vectoriels car ce sont les outils de base qui y sont abordés.
Conclusion

Depuis le cours secondaire, beaucoup d’élèves ont un très mauvais rap-

port avec les mathématiques. Certains disent que les mathématiques sont
purement abstraites, d’autres disent qu’elles sont difficiles et ne servent à
rien, absolument rien. L’objectif principal de ce cours était de permettre aux
étudiants de voir de manière concrète des applications des mathématiques
dans le but de leur permettre de changer leur rapport avec les mathéma-
tiques. Il était donc nécessaire de situer les mathématiques comme des outils
d’aide à la prise de décision. Ce cours d’algèbre est un cours de modélisation
mathématique utilisant la logique et les éléments de la théorie des ensembles,
les matrices, les espaces vectoriels, la diagonalisation et la trigonalisation de
matrices. Ces outils mathématiques montrent à quel point les mathématiques
sont au cœur de nos vies car elles peuvent être utilisées pour comprendre le
monde qui nous entoure. Il revient donc aux enseignants de mathématiques
de valoriser les mathématiques comme outils d’aide à la prise de décision
afin de permettre à leurs étudiants de voir de manière tangible l’utilité des
mathématiques.

73
74CHAPITRE 5. DIAGONALISATION ETTRIGONALISATION DE MATRICES
Bibliographie

[1] Pierre Baumann UFR de mathématique et d’informatique, Université

Louis Pasteur, HISTOIRE DES MATHÉMATIQUES, 2005.
[2] Cours d’algèbre du cycle préparatoire père aupiais(cppa), Prof Kpame-
gan Bernadin, Prof Attan Sylvain, 2021.
[3] François Bergeron, Introduction à la théorie des groupes (à partir de
notes de Luc Bélair et Christophe Hohlweg), 13 décembre 2015.
[4] NOTES DE COURS D’ALGEBRE, Eugène C. EZIN, Institut de Mathé-
matiques et de Sciences Physiques, Faculté des Sciences et Techniques
(FAST)
[5] Cousquer.E. "Le calcul vectoriel", dans "La rigueur et le calcul". Cedic,
1982, 7 pages. Présentation résumée de l’histoire de la représentation
géométrique des nombres complexes et du calcul vectoriel.

75