Algèbre Prepo - I-1 - 010908

UNIVERSITE DE MBUJIMAYI
Fondation Cardinal J.A. Malula
Faculté des Sciences Appliquées
Pré polytechnique
B.P. 225
ALGEBRE
(Notes de cours)
1
Assistant Aimé Alain KALALA NKASHAMA
Ingénieur Civil Mécanicien
Année académique : 2010-2011
1
[email protected] ; GSM : (243)815197245/(243)993520946/(243)856112714
Notes de cours d’Algèbre
Table des matières
CHAPITRE 1 NOTION D’ENSEMBLE
1.1 Définition …………………………………………… 6

1.2 Ensemble fondamentaux ………………………… 6
1.3 Comparaison d’ensemble……………………… 7
1.3.1 égalité des ensembles …………………………… 7
1.3.2 inclusion …………………………………………… 7
1.4 0pération sur les ensembles …………………… 7
1.4.1 Intersection ………………………………………… 7
1.4.2 Réunion ……………………………………………. 8
1.4.3 Différence de deux ensembles …………………. 8
1.4.4 Proposition ………………………………………… 8
1.4.5 Théorème ………………………………………….. 9
1.4.6 Famille d’ensembles …………………………….. 9
1.4.6.1 Remarque ……………………………………….. 9
1.4.6.2 Réunion d’une famille d’ensemble ………….. 9
1.4.6.3 Remarque ……………………………………….. 9
1.4.6.4 Intersection d’une famille d’ensemble ……… 10
1.4.6.5 Remarque ………………………………………. 10
Exercices
CHAPITRE 2 RELATION
1. produit cartésien……………………………………… 13
2. remarque ……………………………………………… 13
3. Définition ……………………………………………… 13
4. Notation ………………………………………………. 13
5. Remarque ……………………………………………. 13
6. Définition ……………………………………………… 13
Aimé Alain KALALA NKASHAMA U.M. 2010 - 2011
[- 1 -]
7. Exemple ………………………………………………. 14
8. Relation dans un ensemble ……………………. 14
8.1 Définition ………………………………………… 14
8.2 Remarque et notation ………………………… 14
8.3 Réflexivité ………………………………………. 14
8.4 Transitivité ……………………………………… 14
8.5 Symétrie…………………………………………. 15
8.6 Antisymétrie ……………………………………. 15
8.7 Relation d’équivalence ……………………….. 15
8.8 Partition d’ensemble …………………………. 16
8.9 Classes d’équivalence ………………………. 17
8.10 Proposition …………………………………… 17
8.11 Théorème …………………………………….. 17
8.12 Remarque …….……………………………… 18
8.13 Relation d’ordre ……………………………… 18
8.14 Relation induite ……………………………… 19
8.15 Proposition …………………………………… 19
8.16 Remarques ………………………………….. 20
8.17 chaîne ………………………………………… 20
9. Fonction ………………………………………… 22
9.1 Définition ……………………………………… 22
9.2 Image ………………………………………….. 22
9.3 Injection ……………………………………….. 23
9.4 Surjection …………………………………….. 23

[- 2 -]
9.5 Bijection ………………………………………. 24
9.6 Proposition…………………………………. 24
9.7 Identité ……………………………………… 25
9.8 Inverse ………………………………………. 25
9.9 Fonction inversible ………………………… 25
9.10 Lemme de Serre ………………………… 27
9.11 Théorème ………………………………… 28
Exercices
CHAPITRE 3 LOIS DE COMPOSITION
3.1 Loi de composition externe ………………. 31
3.2 Loi de composition interne ………………. 31
3.2.1 Définition …………………………………. 31
3.2.2 Notation …………………………………… 31
3.2.3 Exemple ………………………………….. 31
3.2.4 Remarque ……………………………….. 31
3.2.5 Commutativité …………………………… 32
3.2.6 Associativité ……………………………… 32
3.2.7 Elément neutre …………………………. 32
3.2.8 Elément régulier ………………………… 32
3.2.9 Monoïde ………………………………….. 33
3.2.10 Elément symétrique ………………….. 33
Exercices
CHAPITRE 4 GROUPES
4.1 Définition ………………………………….. 36

[- 3 -]
4.2 Caractérisation …………………………… 36
4.3 Sous-groupe ……………………………. 40
4.3.1 Loi induite ……………………………. 40
4.3.2 Définition …………………………….. 41
4.3.3 Homomorphisme des groupes ….. 43
4.3.4 Définitions ………………………….. 45
Exercices
CHAPITRE 5 MATRICES
5.1 Définition ……………………................ 47
5.2 0pérations ……………………………. 47
5.3 Matrices particulières ………………. 50
5.4 Déterminant …………………………. 52
Exercices
CHAPITRE 6 ANNEAUX ET CORPS
6.1 Anneaux ……………………………… 68
6.2 Sous-anneaux ………………………. 68
6.3 Corps ………………………………… 70
6.4 Sous-corps …………………………. 70
Exercices
CHAPITRE 7 ESPACES VECTORIELS
7.1 Définition …………………………… 73
7.2 Notation ……………………………. 73
7.3 Sous-espace vectoriel …………… 75
7.4 Caractérisation des sous-espaces vectoriels 76

[- 4 -]
7.5 Autre manière d’exprimer la caractérisation 77

des sous-espaces vectoriels
7.6 Proposition ……………………………... 77
7.7 Proposition et définition ………………. 77
7.8 Propriétés ………………………………. 77
7.9 Partie libre ……………………………… 80
7.10 Partie génératrice ……………………. 81
7.11 Base …………………………………… 82
7.12 Dimension d’un espace vectoriel 82
7.13 Applications linéaires ………………. 83
Exercices
CHAPITRE 8 SYSTEME D’EQUATIONS LINEAIRES
8.1 Définition ………………………………. 88
8.2 Système homogène …………………. 88
8.3 Ecriture abrégée ……………………… 88
8.4 Solution d’un système ………………. 89
8.5 Résolution d’un système admettant exactement 90
Une solution
8 .6 Résolution simultanée de plusieurs systèmes 90
8.7 Résolution d’un système dans le cas général 92
Exercices
CHAPITRE 9 DIAGONALISATION ET TRIGONALISATION DES MATRICES 97
BIBLIOGRAPHIE

[- 5 -]
Chapitre I
Notions des ensembles

1.1 Définition
Par ensemble, on entend toute collection d’objets bien spécifiés.
Les objets constituants la collection sont des éléments. Les ensembles sont notés par des
lettres de l’alphabet ou des signes
Remarque
- Etant donné un ensemble, on doit être capable de dire qu’un objet x appartient ou
non à cet ensemble ; un objet ne peut être à la fois dans l’ensemble et en dehors de
l’ensemble
- Si x est un élément de A, on note et on lit : x appartient à A ou x est un élément
de A et dans le cas contraire on note
Définition
Un ensemble donné peut être défini soit en compréhension soit en extension.
a) Définition en compréhension
La définition d’un ensemble en compréhension consiste à donner une propriété

caractéristique de cet ensemble.
Ex. A est un ensemble de 6 voyelles de l’alphabet français
b) Définition en extension
On dit qu’un ensemble A est défini en extension si on donne :
- La liste complète des éléments placés entre accolades et séparés par une virgule
Ex. , , , , ,
- Pour définir un ensemble en extension, on peut donner une liste partielle des
éléments de cet ensemble placés entre accolades et suivis des points de suspension.
Ex. B 0,5,10, …
- On peut définir un ensemble en extension, en donnant une liste partielle des

éléments de cet ensemble placés entre accolades suivis et précédés des points de
suspension
Ex. … , 3, 2, 1,0,1,2,3, …
Un ensemble sans éléments est dit ensemble vide et on le représente par ,

[- 6 -]
Un singleton ou ensemble singleton est un ensemble contenant qu’un seul élément tandis
qu’un ensemble à deux éléments est dit ensemble paire
1.2 Ensemble fondamentaux

- ensemble vide
- ensemble des entiers naturels
- ensemble des entiers relatifs

- ensemble des rationnels : , , ! " 0#

Remarque
L’ordre des éléments dans un ensemble ne compte pas ; ainsi donc :
, $, %, 2,5 5, $, %, 2,
1.3 comparaison des ensembles

1.3.1 Égalité des ensembles
Deux ensembles A et B sont égaux s’ils ont les mêmes éléments et on écrit A = B.
& ' ( , & ! ( &, .
Si A et B ne sont pas égaux, alors on écrit A " &
1.3.2 Inclusion
Soient A et B deux ensembles, on dit que A est inclus dans B (A* &+ si tout élément de A
est aussi élément de B et dans ces conditions, A est appelé partie de B ou sous-ensemble
de B
Si il existe un élément de A qui n’est pas dans B, alors on écrira A, & et on lira A n’est pas
inclus dans B.
Si A est un ensemble, l’ensemble des parties de A (-.++ est un ensemble tel que .
-.+ : .
Ex. A = , 0; -.+ 0 , , 0, , 01
Remarque
On voit que pour deux ensembles A et B, A=B ⇔ on a à la fois A* & ! & *
1.4 Opérations sur les ensembles

1.4.1. Intersection (2)
Soient A et B deux ensembles. Par intersection de A et B notée A2 &, on entend l’ensemble

des éléments x qui appartiennent à la fois à A et à B
A2 3 4: 4 5 67 4 3
Deux ensembles dont l’intersection est vide sont disjoints.

[- 7 -]
1.4.2. La réunion (8)
Soient A et B deux ensembles, par réunion de A et B notée A8B, on entend l’ensemble des
éléments appartenant à A ou à B.
A8B 4: 4 5 9: 4 3
1.4.3. Différence de deux ensembles
Soient A et B deux ensembles, par A\B (A moins B ou A – B) on entend l’ensemble des

éléments x dans A qui ne sont pas dans B.
A\B : ! &
Remarque
Si l’ensemble B est une partie de A, alors A – B est notée ;=< et est appelé complémentaire
de B dans A.
&
En d’autres termes si B* , > ?@ A\B ;
1.4.4. Proposition
Soient A, B, C trois ensembles
1) A2B B2A
2) A8B B8A
3) A 2 .B 8 C+ .A 2 B+ 8 .A 2 C+
4) A 8 .B 2 C+ .A 8 B+ 2 .A 8 B+
Preuve
.1+ A 2 B ? B 2 A
A 2 B x: x A et x B
: x B et x A
B2A
Par conséquent A 2 B B 2 A
.2+A 8 B ? B 8 A
A 8 B x: x A ou x B
=: B ou x A
B8A
Par conséquent A 8 B B 8 A
.3+A 2 .B 8 C+ ? .A 2 B+ 8 .A 2 C+
x A 2 .B 8 C+⇔ x A et x .B 8 C+
⇔ x A et .x B ou x C+
[- 8 -]
⇔.x A et x B+ou .x A et x C+
⇔.A 2 B+ 8 .A 2 C+
Par conséquent A 2 .B 8 C+ .A 2 B+ 8 .A 2 C+
.4+A8 .B 2 C+ ? .A 8 B+ 2 .A 8 B+
A8 .B 2 C+⇔ x A ou x .B 2 C+
⇔. A+ ou .x B et x C+
⇔. A ou x B+ et .x A ou x C+
⇔.A 8 B+ 2 .A 8 C+
Par conséquent A8 .L 2 M+ .N 8 L+ 2 .N 8 L+
1.4.5. Théorèmes
1) A\.B 2 C+ .A\B+ 8 .A\C+
2) A\.B 8 C+ .A\B+ 2 .A\C+
Ces égalités sont dites lois de Morgan
Preuve
(1) A\.B 2 C+ ? .A\B+ 8 .A\C+
X A\.B 2 C+⇔ x A et x .B 2 C+
⇔ x A et .x B ou x C+
⇔.x A et x B+ ou .x A et x C+
⇔.A\B+ 8 .A\C+
Par conséquent A\.L 2 M+ .N\L+ 8 .N\M+
(2) A\.B 8 C+ ? .A\B+ 2 .A\C+
X A\.B 8 C+⇔ x A et x .B 8 C+
⇔ x A et .x B et x C+
⇔.x A et x B+ et .x A et x C+
⇔.A\B+ 2 .A\C+
Par conséquent N\.L 8 M+ .N\L+ 2 .N\M+
Exercice
Montrer que pour tout ensemble M, on a -.O+ , O
N.B. l’unique ensemble V tel que (x, x V s’appelle ensemble vide et se note Q
Il faut aussi noter que l’ensemble vide est le seul ensemble inclus dans tous les autres.

[- 9 -]
1.4.6. Famille d’ensemble

Par ¨famille d’ensemble¨ on entend un ensemble ayant pour éléments des ensembles.
Ex.1 la famille d’ensemble R 01,2,3, Q, 11
EX.2 S 01, 11ceci est un ensemble simple ayant pour éléments le singleton 1 et 1
Ex.3 T 0Q, , $, , 1, Q1
Posons BU Q, BV , $, BW , 1, BX Q
D’où T BU , BV , BW , BX BYZ : t [ 1,2,3,4#
Posons s 1,2,3,4
On a ainsi T 0BYZ : t [ s1
S est appelé ensemble des indices.
1.4.6.1Remarque
On peut encore définir une famille d’ensemble comme suit :
Soit s un ensemble donné alorsR Y : ! @, où

(! @, A] est ensemble et R est appelé famille dh ensemble indexée par S.
SiS , alors la famille d’ensemble T 0BYZ : t [ 1 et est appelée suite d’ensemble
1.4.6.2 Réunion d’une famille d’ensemble
Soit R Y : ! @une famille d’ensemble, l’ensemble k Rdont les éléments appartiennent
à au moins Y est appelé l’union de la famille d’ensemble.
Ex. soit T 0Q, 1,2,3, , 3, l1
m T 0Q 8 1,2,3 8 , 3, l1 Q, 1,2,3, , l 1,2,3, , l
1.4.6.3 Remarques
1) l’union d’une famille d’ensemble n’est pas nécessairement une famille d’ensemble
Ex.1 : soit T 0 , $, Q1; k T , $
Ex.2 : R 0 1, Q# ; k R 0 , Q1
2) Si T BY : t s,
Alors k T kBY : t s k BY ! n
3) si T est une suite d’ensemble alors

[- 10 -]
m T o p m T m &
rU
1.4.6.4 Intersection d‘une famille d’ensembles
Soit T BY : t s une famille d’ensemble.
L’intersection de la famille d’ensemble T !é s Test un ensemble ayant pour éléments les

éléments communs aux BY ; en d’autres termes l’intersection de T : (! n, &Y
t T tBY : t s t BY !n
1.4.6.5 Remarques
1) si Test une suite d’ensembles, alors

uq
t T t &
rU
2) a. si n 1,2,3, … , alors :

t T t &v
vrU
b. si n 1,2,3, … , alors :

m T m &v
vrU
Exercices
1) Montrer que $, %si et seulement si $ %

2) Si a, b, c, d sont des éléments alors montrer que :
0 , , $1 0%, %, o1Ssi a c et b d
3) Montrer que * n@ Q
Résolution (1)
Condition nécessaire
Hypothèse $, %
Thèse $%
Condition suffisante
Hypothèse $%
Thèse $, %

[- 11 -]
C.N.
$, % ; b $, % ' $ ' $ .+
c b, c ' % ' % .2+
En combinant (i) et (2i), on trouve que $%
C.S.
$, % , .% ? x ? y x !yè@ $ %+ ' $, % {|}o.

[- 12 -]
Chapitre II
Relations
1. Définition (produit cartésien)
Soient A et B deux ensembles, le produit cartésien de A et B noté ~ & (A croix B) est un
ensemble dont les éléments sont les couples (x, y) avec x ! & ; en d’autres termes :
N ~ L ., +: 5 67 3
2. Remarque
Les couples (a, b) et (c, d) sont égaux si et seulement si a = c et b = d ; en d’autres termes
l’ordre dans un couple est très important.
Ex. .3,1+ " .1,3+
3. Définition
Soient AU , AV , … , A des ensembles . le produit cartésien de AU , AV , … , A est un ensemble dont
les éléments sont les n-uplesU , V , … , ; en d’autres termes :
Le produit cartésien AU ~ AV ~ … ~ A ∏[rU A[ .
Ou encore AU ~ AV ~ … ~ A .U , V … , +: v v , 1
4. Notation
Si A = B alors ~ & ~ V
Si U V alors AU ~ AV ~ … ~ A ∏vrU v
5. Remarque
A ~ B Q n@ Q &Q
6. Définition (relation)
Soient A et B deux ensembles. Une relation de A vers B est une partie du produit cartésien
~ &.

[- 13 -]
7. Exemples
1) Soient deux ensembles A a, b, c; B 1,0
. , 0+, .$, 1+est une relation de A vers B
A ~ B .a, 1+, .a, 0+, .b, 1+, .b, 0+, .c, 1+, .c, 0+
2) De même Q ! ~ & sont des relations de A vers B car ce sont des parties du
produit cartésien ~ &
8. Relation dans A
8.1 Définition
Soit A un ensemble. Toute relation binaire de A vers A est appelée relation dans A.
8.2 Remarque et notation

Soient A et B deux ensembles et une relation de A vers B.
Si (x, y) alors on note
Si (x, y) alors on note y
8.3 Définition (réflexivité)

Une relation dans A est dite réflexive si ( , en d’autres termes tout élément de A
est bouclé
Exemple
Soit une relation définie sur comme suit :
( x, y , x y ⇔ k tel que x y k
Est réflexive ⇔( ,
l; l x ?l0
' par conséquent est réflexive
8.4 Définition (transitivité)

Soit A un ensemble et une relation dans A. est dite transitive si pour tout x, y, z , on
a : ⇒
Exemples
1) La relation @! x ? >>è> à … dans l’ensemble des droites du plan

[- 14 -]
2) La relation @! é > à … o @
8.5 Définition (symétrie)

Soit une relation dans A, est symétrique si pour x, y , on a : ⇒
Exemples
1) La relation x ? % x>é ! ? … o @ -.+

2) La relation @! x? ? % … o @ 2,3,4,7
8.6 Définition (anti – symétrie)
Soit une relation dans A, est antisymétrique si elle vérifie la propriété suivante :
x y et y x ⇒ x y
Exemple
Considérons l’ensemble qui a pour éléments A a, b, c et l’ensemble des parties de -.+.
é.
Soient M et N -.+. tel que O O *
O⇔M N¢
O
O⇔ N M
Alors est anti – symétrique
8.7 Relation d’équivalence

Une relation sur A est dite d’équivalence si elle est à la fois réflexive, symétrique et
transitive.
Pour illustrer cette notion, considérons cet exemple :
Soit l’ensemble des droites du plan et considérons une relation sur définie par :
dU dV ££ dV . Montrer que telle que défini est une relation d’équivalence.
est réflexive : car ( d , d ££ o
est symétrique : car ( oU , oV , , oU ££ oV ⇒dV ££ dU
est transitive : car (oU , oV , oW ,
Si oU ££ oV ! oV ££ oW > ?@ oU ££ oW
Donc est une relation d’équivalence.

[- 15 -]
8.8 Partition d’ensemble

Soit A " Q un ensemble et T une partie de l’ensemble des parties de A c.-à-d. -.+
T est une partition de A Ssi elle vérifie simultanément les trois propriétés suivantes :
1) Chaque élément de T est non vide

2) Les éléments de T sont deux à deux disjoints
3) L’union de T couvre A c.-à-d. k T
Exemple
Soient A a, b, c , -.A+ 0 , a, b, c, a, b, a, c, b, c, A1, T 0a, b, c1
Montrer que T est une partition de A.
En effet, T * -.A+ p a " Q , b, c " Q; a 2 b, c Q, k T 0a 2 b, c1 , $, %
Donc T est une partition de A
Remarque
On ne peut pas partitionner un ensemble vide ; en d’autres termes, on ne peut pas trouver
l’ensemble des parties de l’ensemble vide.
Exercices
1) Soient 1 et B 1,2
Lesquelles des affirmations suivantes est vraie :
1. A * B 2. A B 3. A B 4. 1 B, 5. 1 * B
2) Soient A a, B 0a, a1
Lesquelles des affirmations suivantes sont vraies :
1. A * B 2. A B 3. A B
3) Démontrer que A ~ .B 8 C+ .A ~ B+ 8 .A ~ C+
4) Montrer les relations suivantes :
a) -.A 2 B+ -.A+ 2 -.B+

b) -.A+ 8 -.B+ -.A 8 B+
5) Soit E , $, %
Dans chacun des cas suivants, vérifier si la relation dans E est transitive. Justifier :
a) .a, b+, .b, c+, .a, c+

b) .a, a+, .a, b+
c) .a, b+, .b, b+

[- 16 -]
d) .a, a+, .b, b+, .c, c+

e) . , +, .$, $+, .a, b+, .b, a+
f) . , b+, .b, c+, .c, a+
g) .a, a+, .a, b+, .b, a+
h) .a, a+, .a, b+
i) .a, a+, .a, b+, .b, b+
6) La relation d’inclusion dans -.+ est-elle une équivalence ?
7) Montrer que :
a) A¤ \B ¤ B\A
b) A 2 .B\C+ .A 2 B+\.A 2 C+
8.9 Classe d’équivalence

Soit un ensemble A muni d’une relation d’équivalence .
Pourx A, on appelle ¨classe d’équivalence¨ de x modulo notée¥ {, l’ensemble

suivant : ¦ N:
Exemple
A a, b, c
. , +, . , $+, . , %+, .$, $+, .%, +, .$, %+, .$, +, .%, $+, .%, %+
Ca , $, %
8.10 Proposition
Soit un ensemble A muni d’une relation d’équivalence .
Si , > ?@ > %> @@ ¥ @! o}}é? ! o > h @ $> o , en d’autres termes si

alors¥ " Q.
Preuve
Puisque st une relation d’équivalence, alors elle réflexive, donc x x ; par conséquentx
x¦⇒x¦ " Q.
8.11 Théorème
Dans un ensemble A" Q muni d’une relation d’équivalence, les classes d’équivalence non
disjointes sont confondues, en d’autres termes :
Si Cx 2 Cy " Q alors Cx = Cy
Preuve
Considérons une relation d’équivalence sur A" Q et x, y A tels que Cx2 Cy " Q et
montrons que Cx = Cy

[- 17 -]
Soit
¨é©[[][ª
z Cx2 Cy ««««« z Cx et z
Cy .par dé©inition de lh intersection+
¨é©[[][ª
«««««« x z et y z . par dé©inition de la classe dh é| > % +
¬é©[[][ª
««««« x z et z y. par symétrie de +
¬é©[[][ª
««««« x y .i+ .x ? !? @!!é o +
Soit t Cx ⇔ x t .par dé©inition de la classe dh équivalence+ ⇔ t x .symétrie de +
Donc avec (i) t x et x y⇒t y .x ? !?@!!é o +
⇒y t .x ? @ é!? o +
⇔t { .x ? oé}! o > %> @@ oh é| > % +
Donc ( t Cx, t { ⇒ Cx * Cy .1+
En procédant de la même manière, on montre Cy * Cx (2)
En combinant (1) et (2), on trouve que Cx = Cy Cqfd
8.12 Remarque
Une relation d’équivalence sur un ensemble non vide permet une partition sur cet ensemble.
Preuve
Soit A " Q et une relation d’équivalence sur A.
¥ :

: Ensemble quotient de A par relation d’équivalence

1) Chaque élément de " Q car en effet ( A, x Cx ⇒ Cx " Q

2) En vertu du théorème 8.11, deux classes d’équivalences différentes sont disjointes
C.-à-d. ® 2 ¦ Q
3) Montrons enfin que l’union des classes d’équivalence est égale à A c.-à-d.
k { (Exercice)
(x A+
8.13 Relation d’ordre

Soit A un ensemble et une relation dans A.
est une relation d’ordre si elle est à la fois :

[- 18 -]
- Réflexive
- Transitive ; et
- Antisymétrique
Exemples
1) Dans , considérons ¨inférieure ou égale¨ (+ est une relation d’ordre

2) Soient A un ensemble et -.+ l’ensemble des parties de A, alors l’inclusion .¯+ est une
relation d’ordre sur -.+
N.B : il ya deux sortes des relations d’ordre à savoir :
Ordre total
Ordre partiel
Relation d’ordre total et relation d’ordre partiel

* L’ordre est dit total si tous les éléments sont deux à deux comparables ; en d’autres
termes soit @ !
Exemple
Soit .A, + un ensemble ordonné, la relation est un ordre total car :
(x, y A: x y ou y x
* L’ordre est dit partiel si on peut des éléments qui ne sont comparables : en d’autres
termes ( , , x y ou y x
Exemple
Soit .-.A+, ¯+ avec A a, b est une relation d‘ordre partiel.
8.14 Relation induite

Soit A un ensemble et une relation dans A et F une partie de A.° * + alors la relation
définie par ( x, y F, x ² y ⇒ x y est appelée ¨relation induite¨ ; c’est donc une relation
dans F.
Proposition (1)
Soit A un ensemble et une relation définie sur A et ° * .
Supposons réflexive, transitive, symétrique et antisymétrique alors ³ l’est aussi

Si est une relation d’équivalence sur A alors ³ l’est aussi sur F
Si est une relation d’ordre sur A, alors ³ l’est aussi sur F
Preuve
A) supposons réflexive et montrons que ³ l’est aussi
En effet, ( x F ⇒ x A .car F * A+
est réflexive ⇒ x ⇒x ² x

[- 19 -]
Ceci étant vrai ( °, alors ³ est aussi réflexive.
B) supposons que est symétrique et montrons que ³ l’est aussi
Si ( , °, x y alors en vertu de la définition de ³ , on a :
x ² y ⇒ x y
⇒ (Par symétrie +
⇒ y ² x (Par définition de ³ +
Donc x ² y ⇒y ² x d’où ³ est symétrique
On démontre de la même pour la transitivité et l’antisymétrie
Proposition (2)
Si ., + est totalement ordonné, alors .°, ³ + est totalement ordonné avec ° *
Preuve
En vertu des propositions (1), nous savons que .F, ² + est ordonné ; il nous reste à montrer
que l’ordre sur .F, ² + est total.
En effet, ( x, y F ⇒ , A .car F * A+
⇒ x y ou y x .car est totale+
⇒ x ² y ³ .par dé©inition de ² +
Donc x ² y ³ montrent que .F, ² + est totalement ordonné
8.16. Remarque
.A, +Peut être partiellement ordonné alors que (F, ² + est totalement ordonné avec F*
8.17 Chaîne
Une chaîne est une partie totalement ordonnée (par ordre induit) d’un ensemble totalement
ordonné.
8.18 Éléments remarquables d’un ensemble ordonné

1) Plus grand élément
Soit .A, + un ensemble ordonné et ´
a´ est appelé plus grand élément de .A, +, si (a A, a a´
Exemple
Dans .-.A+, +, A est le plus grand élément

[- 20 -]
Remarque
Le plus grand élément peut ou ne pas exister même si l’ensemble est totalement ordonné
Exemple
., +n’a pas de plus grand élément
2) L’élément maximal
Soit .E, + un ensemble ordonné et ´ , ´ est appelé élément maximal de .E, + si :
( E, ´ ⇒ x a´
Exemple
Considérons S 0Q, , $, %, o1.S, *+
, $, %, oSont des éléments maximaux de .S, *+ car ( BU S, B´ * BU ⇒B´ BU
Proposition (unicité du plusgrand élément)
Si le plus grand élément existe dans un ensemble ordonné, alors il est unique.
Preuve
Considérons .E, + un ensemble ordonné, x´ et xU tous deux plus grands éléments et

montrons que x¶ xU .
(1) Comme ´ est le plus grand élément de .E, + alors :
( x[ E, x[ x´ et en particulier pour i 1 ⇒xU x´ .i+
(2) De même U est le plus grand élément de .E, + alors :
´ U .2+
En combinant (i) et (2i), et en fonction de l’antisymétrie de .E, + on a :
xU x´ et ´ U ⇒x¶ U %|}o
Remarque
L’élément maximal dans un ensemble ordonné n’est pas nécessairement unique.
3) Le plus petit élément
Soit .E, + un ensemble ordonné et x´ E.
´ est appelé le plus petit élément de (, + si ( x E, x´ x
Exemple
Soit A a, b, c et -.A+l’ensemble des parties de A, alors Q est le plus petit élément de
.-.A+, *+.
[- 21 -]
En effet, ( & -.A+, Q * B
4) élément minimal
Soit .E, + un ensemble ordonné et x´ E.
´ est appelé élément minimal si (x E, x x´ ⇒ x x´
Proposition (unicité du plus petit élément)
Si le plus petit élément existe dans un ensemble ordonné, alors il est unique.
Remarque
Il n’y pas d’unicité d’élément minimal
9. Fonction
9.1 Définition
Soient A et B deux ensembles.
Une relation T de A vers B est application ou fonction si :
- ( , & ! > | T
L’unique &! >| T est noté y T.x+
Exemples
1) T: · ¸
X º f.x+ 2x » 3
Alors f est une application
2) Soit g: ·
X º g.x+ √x
Alors g n’est pas une fonction
3) f: Q · A est une fonction
4) } p A · Q est une fonction si A " Q

9.2 Définition (image)
Soit }: · & une application
º }.+
Alors l’image de f notée ¾} }¿Àest p
ÁÂÃ 3: 4 5: Ã.4+

[- 22 -]
A: Domaine de dé©inition
B: Codomaine de dé©inition
9.3 Injection
a) Définition
Soit }: · & une application º }.+
} est une injection si pour U ! V , 4Å " 4Æ ⇒Ã.4Å + " Ã.4Æ +
b) Exemple et contre exemple

1) }: ·
· }.+ 2 » 1
} est une injection car pour xU , xV , 2xU » 1 " 2xV » 1
⇒ 2U " 2V
⇒U " V
Par conséquent }.U + " }.V +
2) y p ·
º y.+ V
y n’est pas une injection
c) Notation
Si }: · &est une injection, alors on notera :
}p ·&
Si A * B, lh injection p }p ·&
X º f.x+
Est appelée injection canonique et est notée :
}pÈ&
º }.+
9.4 Surjection
a) Définition
Soit }: · & une application

º }.+
} est une surjection si ( &, ! > | Ã.4+
b) Notation
[- 23 -]
Si }: · &est une surjection, alors on note : º }.+
}: · &
º }.+
9.5 Bijection
a) Définition
}: A · B est une bijection si f est à la fois injective et surjective.
9.6Composition
Soient }: A · B et : B · C, alors la composition f suivie de g notée } (g rond f) est
une application :
}: A · C
º }.+ É Ê}.+Ë
Proposition
La composition est associative ; en d’autres termes y . }+.+ .y + }.+
Preuve
Ì Í Î
Soient A · B · C · D et montrons que h o .g of+.x+ .h og+o f.x+
Deux fonctions }: · & ! : Ð · Ñ sont égales si on a simultanément :
(1) A = H et B = K
(2) ( x B, f.x+ g.x+
(3) h o .g of+: A · D
.h o g+o f: A · D
( x A, h . }+.+ ? .y + }.+
h o .g o f+.x+ h.g o f+.x+ .par dé©inition de la composition+
h ÒgÊf.x+ËÓ .par dé©inition de la composition+
.h o g+f.x+
Exemple
soient }: · : ·
x º f.x+ √x º g.x+ x V » 2
}.+ g Êf.x+Ë gÊ√xË x » 2
Proposition

[- 24 -]
(1) la composition de deux injections est une injection

(2) la composition de deux surjections est une surjection
(3) la composition de deux bijections est une bijection
Preuve
Ì Í
(1) Soient A · B · C
Alors ( xU , xV A, xU " xV ⇒ f .xU + " f .xV +. car f est injective+
⇒ gÊf.xU +Ë " gÊf.xV +Ë
⇒ g o f.xU + " g o f.xV +
En résumé ( xU , xV A, xU " xV ⇒ g o f.xU + " g o f.xV +, donc g o f est aussi injective

Ì Í
(2) Considérons A · B · C
En effet, ( z C, y B tel que z g. +.+
( y B, x A tel que y f.x+.2i+
(i) et (2i) 'z gÊf.x+Ë g o f .x+ , donc g o f est aussi surjective {|}o
(3) en combinant (i) et (2i), on a g o f qui est aussi bijective Cqfd
9.7 Définition (identité)

Soit A un ensemble. L’identité sur A notée IdÕ 1 est l’application :
A
IdÕ : A · A
X Ö IdÕ .x+ x
×. S. Pour tout ensemble A, l’identité sur A st une bijection
9.8 Définition (inverse)

Soit }: A · B une application
x º f.x+
Une fonction : B · A est appelée inverse de f si elle vérifie simultanément les propriétés
suivantes :
(1) g f .x+ IdÕ .x+

(2) f o g .x+ IdØ .x+
Dans ces conditions, on note : Ù ÃÚÅ
9.9 Définition (fonction inversible)

Une fonction }: A · B est inversible si elle admet un inverse.
Proposition

[- 25 -]
Soient }: · & ! : & · , > h ?@ o };
> ?@ ( , &, }.+ n@ . +
Preuve
Supposons f(x) = y et montrons que g(y) = x
En effet, g(y) = g (f(x)) car y = f(x)
= g o f (x)
= IdÕ .x+ car g o f IdÕ
=x
Donc g(y) = x
Supposons que g(y) = x et montrons que f(x) = y
En effet, f(x) = f (g(y)) car x = g(y)
= f o g (y)
= IdØ .y+ car f o g = IdØ
=y
Donc f(x) = y Cqfd
Proposition (unicité de l’inverse)

L’inverse d’une fonction est unique.
Preuve
Soient }: A · B, , y: B · A telles que g et h sont des inverses de f.
On voit que f o h = Id=
C.-à-d. ( y B, f o h .y+ y .i+
Û gÊf og .y+Ë
En effet, g.y+
.[+
.g o f+ h.y+
IdÕ Êh.y+Ë car g o f IdÕ
h.y+
Donc g.y+ h.y+, ce qui prouve l’unicité de l’inverse

[- 26 -]
Proposition
Soit }: · &
Xº }.+
Alors f est une injection si et seulement si pour x, y , }.+ }. + '
Preuve
Supposons f injective et montrons que x = y ' f(x) =f(y)
f Injective implique : x " y ⇒ f.x+ " f.y+ par dé©inition de lh injection .i+
Par négation de (i), on a : x y ⇒ f.x+ f.y+
Supposons que si f(x) = f(y), alors x = y et montrons que f est injective.
Si x " y, on a nécessairement f.x+ " f.y+.i+
Par négation de (i), on obtient x = y ' f(x) = f(y).
Ce qui prouve que f est une injection Cqfd
Exemple
Montrons que }: · est une injection
x º 2x 3
en effet, ( x, y : f.x+ f.y+
' 2x – 3 = 2y – 3
⇒ 2x = 2y
⇒x = y
Donc si f.x+ f.y+, alors x = y ; d’où l’injectivité de f
9.10 Lemme de Serre

(1) Si Ù 9 Ã est injective, alors Ã est injective
(2) Si Ù 9 Ã est surjective, alors g est surjective
Preuve
(1) Supposons g o f injective et montrons que f l’est aussi.
En effet, pour U , V tels que f.xU + f.xV +, on a :
g Êf.xU +Ë gÊf.xV +Ë car g o f est injective
⇒ f.xU + f.xV +

[- 27 -]
'xU xV
En résumé : pour U , V , f.xU + f.xV +'xU xV ; d’où l’injectivité de f
(2) Supposons g o f surjective et montrons que g l’est aussi

Ì Í
En effet soient A · B · C
( z C, x A tel que:
z g o f.x+ par surjectivité de g of
= g (f(x)) par définition
( y B, x A tel que y f.x+.i+
Û . +
'Ü
.v+
Ainsi ( Ü {, &! >| Ü . +; oh ù > @ ?Þ %!!é o
9.11 Théorème
Soit }: A · B une fonction.
} est inversible si et seulement si f est bijective.
Preuve
Supposons que f est inversible et montrons que f est une bijection.
En effet, f étant inversible, g of IdÕ et f o g IdØ ;
L’identité étant bijective, on a g of IdÕ est bijective et f o g IdØ est bijective.
On sait que : une bijection est à la fois réflexive et surjective c.-à-d.U & tel que y f.x+
On aura ainsi :
- g o f qui est injective ' f est injective (Lemme de Serre) (i)

- f o g qui est surjective' f est surjective (Lemme de Serre) (2i)
(i) et (2i) montrent que f est bijective ;
Supposons que f est bijective et montrons que f est inversible.
} est bijective si ( , U & tel que y f.x+
Pour p B · A
Y º g.y+ x
Montrons que f o g IdØ et g o f IdÕ

[- 28 -]
Pour x A, il existe un et un seul y B tel que y f.x+.
Par conséquent :
g o f .x+ gÊf.x+Ë g.y+ x Idà
f o g .y+ f Êg.y+Ë f.x+ y IdØ
Donc g f ÚU {|}o
Exercices
1) construire un contre-exemple montrant que A 8 .B\C+ " .A 8 B+ á .A 8 C+

2) soit A x⁄x , 1 x 10.
Soit ã la relation définie par x ã y si et seulement si 2 est le plus grand commun

diviseur de x et y. cette relation est-elle réflexive ? , symétrique ?, antisymétrique ?,
transitive ?
3) soient }: A · B et : B · C deux applications.g o f surjective et g injective, en déduire

que f est surjective.
Ì Í Î
4) Soient trois applications A · B · C · D telles que g o f et h o g sont bijectives.
Démontrer que f, g, et h sont bijectives.
5) Soit f: A · A une application. Démontrer que les propriétés suivantes sont
équivalentes :
(i) f est bijective et f f ÚU
(ii) f o f 1A
Si f vérifie (i) et (ii), on dit alors que f est involutive.
6) Soient }: E · F, : F · G, y: G · L des applications. Montrer que si deux d’entre elles

sont injectives (respectivement surjectives) et la troisième surjective (respectivement
injective), alors }, , y sont bijectives
7) Considérons les relations suivantes définies dans :
a) : a pour carré …
b) æ: a pour cube …
c) ç: a pour racine carrée algébrique …
d) è: a pour racine cubique …
1° Lesquelles sont fonctionnelles et lesquelles ne le sont pas ?
2° Sur quel sous-ensemble de , les relations non fonctionnelles deviennent-elles

fonctionnelles ?

[- 29 -]
3° Considérer les relations sur les parties de où elles sont fonctionnelles et discuter
de leur bijectivité et leur injectivité (éventuellement en terme de restriction et
correstriction).
8) Montrer que A é B B é A
×. S. Soient les ensembles A et B, la différence symétrique de A et B notée A é B est un

ensemble ayant pour élément les éléments de A qui n’appartiennent pas à B et ceux de B
qui n’appartiennent pas à A ; en d’autres termes ; N é L .N á L+ 8 .L á N+.

[- 30 -]
Chapitre III
Lois de composition
3.1. Lois de composition externe
1) Définition
Soient A et B deux ensembles.
Par loi de composition externe sur B à scalaire dans A, on entend toute application de A ~ B
dans B ; en d’autres termes, les éléments de A sont appelés des scalaires.
2) Exemple
Soit l’ensemble des droites réelles. Alors l’application :
T: ~ ·
.Α, d+ · α. d est une loi externe sur à scalaire dans A
3.2 Loi de composition interne

1) Définition
Soit A un ensemble.
Par loi de composition interne sur A, on entend toute application de A ~ A dans A
2) Notation
Les lois de composition sont généralement notées par : ì, í, ,é, …
3) Exemples
1. + est une loi interne sur alors que – ne l’est pas
2. Soit B un ensemble, alors l’union (8+ et l’intersection .2+ sont des lois internes sur
-.B+
4) Remarque
Soit un ensemble muni d’une loi interneí. Pour x, y A, on note x í y au lieu de í .x, y+

[- 31 -]
5) Définition (commutativité)
Une loi interne ìsur A est dite commutative si :

( , , xìyyìx
Exemple
L’union et l’intersection sont des lois commutatives sur -.+ mais la soustraction n’est pas
commutative sur
6) Définition (associativité)
Une loi ì est dite associative sur A, si ( x, y, z A, x ì .y ì z+ .x ì y+ ì z
Exemple
+, ~ sont des lois associatives dans
7) Elément neutre
Soit A un ensemble muni d’une loi de composition interne ì et soit e .
- est dit neutre à droite si ( A, x ì e x

- est dit neutre à gauche si ( x A, e ì x x
est dit neutre si il est à la fois neutre à gauche et neutre à droite.
Proposition (unicité de l’élément neutre)
Si la loi admet un neutre, celui-ci est unique.
Preuve
Soient eU , eV deux neutres sur .E,ì+, montrons que U V.
- Pour U neutre, on a eU ì eV eV .+

- Pour V neutre, on a eU ì eV V .+
(i) et (ii) ⇒ U V {|}o
8+ Définition (élément régulier)
Soit A un ensemble muni d’une loi interne ì et a A. ( +
- est dit régulier à droite si ( x, y A, x ì a¨ y ì a¨ ⇒ x y

- est dit régulier à gauche si ( x, y A aÍ ì x aÍ ì y ⇒ x y
est régulier si il est à la fois régulier à droite et à gauche.

[- 32 -]
Exemple et contre-exemple
1) Tout élément est régulier pour l’addition dans

2) 0 n’est pas régulier pour la multiplication dans
3) Q n’est pas régulier pour l’intersection sur -.+
9) Définition (monoïde)
On appelle monoïde tout .A,ì+ où A est un ensemble et ì une loi de composition sur A
associative et admettant un élément neutre.
Le monoïde est dit abélien si et seulement si en outre la loi ì est commutative.
Exemple
1) ., »+ est un monoïde abélien dont l’élément neutre est 0

2) .ì ,~+ est un monoïde abélien dont l’élément neutre est 1
3) Soit A un ensemble, alors les couples .-.A+,2+ et .-.A+,8+ sont des monoïdes
abéliens.
4) Soit n ì , l’ensemble ~ ~ ~ … ~ muni de l’addition définie par :
.αU , αV , … , α + » .βU , βV , … , β + .αU » βU , αV » βV , … , α » β + est un monoïde
abélien dont l’élément neutre est .0,0, … ,0+
10) Elément symétrique
Soit.A,ì+ un monoïde.
Pour x A, y A, est appelé élément symétrique ou inverse ou réciproque de x si :
( N, ì ì .éðéñò òóô õ N ö÷óô ðø ð÷ù ì+et x est dit appelé symétrisable

si il admet un symétrique
11) Proposition (unicité de l’élément symétrique)
Si x est symétrisable, alors son symétrique est unique et est souvent noté ÚU ¥
Preuve
Soit A un ensemble et .
Soient xU , xV les symétriques de x. montrons que xU xV
On a :xU xU ì e car e est le neutre de A
xU ì .x ì xV + car xV est symétrique
.U ì x+ ì xV par associativité de ì

[- 33 -]
e ì xV car xU est symétrique
V est le neutre ; donc xU xV Cqfd
12) Proposition
Dans un monoïde.,ì+, tout élément symétrisable est régulier.
Preuve
aìx aìy
⇒ ÚU
ì . ì x+ aÚU ì .a ì y+
⇒.aÚU ì a+ ì x .aÚU ì a+ ì y
⇒eìx eìy ⇒ x y {|}o
13) Proposition
Soit .,ì) un monoïde.
Si admet un symétrique à droite noté x et un symétrique à gauche noté y, alors
Preuve
En effet, x e ì x car e est le neutre
. ì )ìx car y ì a e
y ì .a ì x) car .A,ì)est un monoïde
yìe car a ì x e
Donc {|}o
14) Proposition
Soit .,ì) un monoïde.
Si x est symétrisable de symétrique ¥ , alors ¥ est symétrisable de symétrique x ; autrement dit

ü
15) Proposition

[- 34 -]
Dans un monoïde, si x et y sont symétrisables de symétriques ¥ et ¦ alors ì est

symétrisable de symétrique ¦ ì ¥
Preuve
En effet, x ì y ì .y¦ ì x¦+ x ì .y ì y¦+ ì x¦
x ì e ì x¦
x ì x¦ e
De même, y¦ ì x¦ ì .x ì y+ y¦ ì .x¦ ì x+ ì y
y¦ ì y
e
Donc ¦¦¦¦¦¦
ì ¥ ì ¦
Exercices
1) Soit A un ensemble, montrer que .-.A+,2+ et .-.A+,8+ sont des monoïdes. Si oui,
qu’ils sont réguliers
2) On définit sur la loi ì par : a ì b 2ab » a´ avec a´ ©ixé. .,ì+ est-il un monoïde ?
3) On définit sur la loi ì par : a ì b a » b » ´ avec a´ ©ixé. montrer que .,ì+ est un
monoïde. Chercher les éléments symétrisables.
4) Lesquelles des correspondances suivantes définissent une loi de composition interne
sur l’ensemble cité ?:
ý
A. Sur , à .x, y+ on associe
þ
ý
B. Sur 0, à .x, y+ on associe
þ
C. Sur , à .x, y+ on associe xy » 1

D. Sur , à .x, y+ on associe y ý
E. Sur , à .x, y+ on associe le plus grand entier strictement inférieur à xy
5) Quel est le neutre pour la loi ì définie dans par : x ì y 2y 2x » 2y 5

6) Soit E " Q muni d’une loi de composition interne notéeì. A tout élément a de E, on
associe les applications de E · Efà et g à définies par : (x E, fà .x+ a ì x et g à .x+
x ì a. Montrer que si a admet un symétrique ¦ alors les applications
fà et g à sont bijectives
7) Soit E un ensemble muni d’une loi ì définie comme suit :
( .a, b+, .ah , bh + E, on a .a, b+ ì .ah , bh + .aah , abh » ah b+ .E ~ +. Chercher le
symétrique du couple .a, b+s’il existe pour cette loi.

[- 35 -]
Chapitre IV
Groupes
4.1 Définition et caractérisation
4.1.1 Définition
Soit E un ensemble et ì une loi de composition interne sur E.
.E,ì+est un groupe si ì vérifie simultanément les propriétés suivantes :
- * est partout définie et associative,

- * admet un élément neutre
- Tout élément de E est symétrisable.
En d’autres termes, un groupe est un monoïde dans lequel chaque élément est symétrisable.
Le groupe est dit abélien si sa loi de groupe est commutative.
Exemples
1) ., ») est un groupe abélien

2) .ì ,~) n’est pas un groupe
4.2 Caractérisation du groupe
Soit .G,ì) un ensemble muni d’une loi de composition.
Les propriétés suivantes sont équivalentes :
1) .G,ì) est un groupe

2) * est associative,
· e G te que (x G, x ì e x
· ( x G, x h G tel que x ì x h e
3) * est associative,
· ( , $ , tel que a ì x b et ( , $ , tel que y ì a b

[- 36 -]
Preuve
1° a) 1) ' 2)
ìest associative car .G,ì+ est une structure de groupe.
Puisque .G,ì+ est un groupe, alors ì admet un élément neutre, soit e ; donc ( G, x ì e x
La deuxième propriété est vérifiée.
D’autre part, ( x G, G tel que x ì x h e
x ì x h x h ì x ecar.G,ì+ est un groupe
⇒ x’ (le symétrique) vérifie la troisième propriété de 2)
b) de 2), on sait que * est associative.
Montrons maintenant que ( x , x h ì x e¨
En effet, on sait que ( x , x h G tel que x ì x h e¨
En appliquant cette propriété a x’ de G, on aura :
( x h G, x hh G tel que x h ì x hh e¨
x h ì x x h ì x ì e¨
x h ì x ì x h ì x hh
.x h ì x+ ì .x h ì x hh +
x h ì .x ì x h + ì x hh
x h ì e¨ ì x hh
h ì x hh e¨ x ì x h
Donc x h ì x x ì x h . Par conséquent tout élément de G est symétrisable.
Il reste à montrer que ( x G, e¨ ì x x
En effet, e¨ ì x .x ì x h + ì x
x ì .x h ì x+
x ì e¨ x
Donc ( x G, e G p e¨ ì x x ì e¨

[- 37 -]
Par conséquent, est le neutre.
%+ 1) ⇒ 3)
( a, b G, L’équation a ì x b admet une solution.
En effet, en considérant x ah ì b où ah est le symétrique de a, on a p

a ì x a ì ah ì b .a ì
a
h
+ ì b b.

Exemple
E 1
( x, y E, x í y x » y » xy
a+ Montrer que í est interne sur E
En effet, pour x, y E ⇔ x " 1 et y " 1,
x í y x » y » xy
x » .1 » x+y
x » .1 » x+y 1
⇔.x » 1+ » .1 » x+y 0
⇔.x » 1+.y » 1+ 0
⇔ x = -1 ou y = -1 ce qui est absurde
Par conséquent, x í y existe c.-à-d. x í y E
b+ Montrer que í est partout définie
En effet í est partout définie car x í y existe
c+ í confère à E la structure de groupe
1° associativité
( x, y, z E, x í .y í z+ ? .x í + í Ü
x í .y í z+ x » .y í z+ » x.y í Ü+

[- 38 -]
x » .y » z » yz+ » x.y » z » yz+
= .x » y » z » yz » xy » xz » xyz

. » y » xy+ » Ü. » » + » Ü

.
» y » xy+ » Ü » . » y » xy+ Ü

.x í + í Ü
Donc í est associative
2° Elément neutre
( x, e E,
Xí ? ! e í ?
xí » » eí »»
» » »»
⇒ e.x » 1+ 0 ⇒ e.1 » x+ 0
⇔ e 0 .avec x " 1+ ⇔ e 0 .avec x " 1+

Donc e = 0
3° Elément symétrique
( , x ÚU E,
x í ÚU ? !x ÚU í ?
x í ÚU » ÚU » xx ÚU x ÚU í ÚU » x » x ÚU x
» ÚU » xx ÚU 0 ÚU » x » x ÚU x 0
⇒ x » x ÚU .1 » x+ 0 ÚU .1 » + » 0
Úý Ú
⇒ x ÚU Uuý ÚU Uu

[- 39 -]
Úý
ÚU ÚU ' x ÚU
Uuý
Donc x í Uuý 0
Úý
o+ Trouver la solution générale de l’équationa í x b.
En effet, a í x a » x » ax
a í x b ' a » x » ax b
' x.a » 1+ b a
Úà
' àuU
En particulier, pour a = 5 et b = 7 on a :
75 1
x
5»1 3
4.3 Sous – groupe
4.3.1 Définition (loi induite)
Soit E muni d’une loi de composition interne notée ì et A * .
Définissons ì< de la manière suivante :
( , y A, x ìÕ y x ì y
Alors ì< est appelée loi induite sur A par ì .
A est dit stable pour ì si et seulement si ( , , x ì y A.
En d’autres termes A est stable si et seulement si ì< est une loi interne.
Proposition
Si ì est associative (respectivement commutative) alors ì< est associative (respectivement

commutative)
Preuve
Associativité
( , , Ü , ì< . ì< Ü+ É ì . ì Ü+

[- 40 -]
.x ì y+ ì z . car ì est associative+
. ì< + ì< Ü Cqfd
Commutativité
( x, y A, x ì< ì
yìx
= ì< {|}o
4.3.2 Définition (sous – groupe)
Soit .E,ì+ un groupe et Q " A * E.
A est un sous-groupe se E si et seulement si .A,ì< + est un groupe
Exemple
., »+ est un groupe
., »+ est un sous-groupe de ., »+
Théorème
Soient .E, »+ un groupe et Q " H * E .H est une partie non vide de E+.
H est un sous groupe de E si et seulement si ( x, y¦ H, x ì y¦ H .( x¦, y H, x¦ ì y H+
Preuve
Elle est triviale.
Car si H est un sous-groupe alors x, y¦ H, ( x¦, y H, x ì y¦.x¦ ì y H+
Comme H " Q, soit a H, en vertu de l’hypothèse sur H, a ì a¦ e ⇒ a ì a¦ H c-à-d. que le

neutre appartient à H (i)
Montrons maintenant que x H, x¦ H.
En effet, si x H et e Ð, alors e ì x H en vertu de lh hypothèse

[- 41 -]
x¦ e ì x¦ H
Donc tout élément de H est symétrisable (2i)
En combinant (i) et (2i), on obtient.H,ì+ est un sous-groupe Cqfd
Exemple
Soit .G,ì+ un groupe.
Définissons H p ì ì .
Alors montrer que Ð< est un sous-groupe de .G,ì+
Solution
(1) En effet,H< " Q % ? H<

(2) Montrons que si x H, alors x¦ H c-à-d. a ì x¦ ? x¦ ì a
En effet, a ì x¦ e ì a ì x¦
. ì x¦+ ì a ì x¦. car e x¦ ì x+
x¦ ì .x ì a+ ì x¦
¥ ì .a ì x+ ì x¦
x¦ ì a ì .x ì x¦+
x¦ ì a ì e x¦ ì a .car e est le neutre+
a ì x¦ x¦ ì a par conséquent ¥ Ð
(3) Montrons enfin que si x, y Hà alors x ì y Hà , en d’autres termes :

a ì .x ì y+ ? .x ì y+ ì a
En effet, a ì .x ì y+ .a ì x+ ì y .par associativité de ì+
.x ì a+ ì y . car x Hà +
x ì .a ì y+. par associativité de ì+
x ì .y ì a+. car y Hà +
.x ì y+ ì a
On a ainsi a ì .x ì y+ .x ì y+ ì a
Par conséquent x ì y Hà

[- 42 -]
Donc .Hà ,ì+ est un sous-groupe de .G,ì+{|}o
4.3.3 Homomorphisme de groupe
Soient .G,ì+ et .H, í+ deux groupes.
Définition
Une application }: .G,ì+ · .H, í+ est un homomorphisme de groupe si
x º f.x+
( x, y G, f.x ì y+ f.x+ í f.y+
Exemple
Soit }: ., »+ · . , . +

X º f.x+
( x, y , f.x » y+ eýuþ eý . eþ f.x+. f.y+ .avec f.x+ eý et f.y+ eþ
Donc f est un homomorphisme de groupe
Remarque
On sait que dans un groupe, le seul élément idempotent est le neutre ; ainsi donc, si .G,ì+
est un groupe et a G tel que a ì a a, alors a e.
Proposition
Soit }: .G,ì+ · .H, í+un homomorphisme de groupe. Alors :
1) }. +
¦¦¦¦¦¦
2) }.¥ + }.+ (
Preuve
1) f.e + }. ì +
}. + í }. +
Dans .H, í+, f.e + est idempotent (en vertu de la remarque ci-haut)
'}. + í }. + }. +
2) ( x G, f.x+ í f.x¦+ f.x ì x¦+ f.e + e (i)

[- 43 -]
F.x¦+ í f.x+ f.x¦ ì x+ f.e + e .2i+
ÚU
¦¦¦¦¦¦
En combinant (i) et (2i) on a: }.¥ + }.+ oh !? @! ? @}. ÚU + Ê}.+Ë
4.3.4 Définitions
1) Un monomorphisme de groupe est un homomorphisme qui est injectif.

2) Un épimorphisme de groupe est un homomorphisme de groupe qui est surjectif
3) Un isomorphisme de groupe est un homomorphisme de groupe bijectif
4) Un endomomorphisme est un homomorphisme d’un groupe dans lui-même
5) Un automorphisme de groupe est un endomorphisme bijectif
Proposition
Soient .,ì+ ! .Ð, í+ deux groupes et }: .G,ì+ · .H, í+un homomorphisme de groupe.
(1) Par noyau de f noté Kerf ou on entend : 4 76 :6 Ã.4+ 6
(2) Par image de f, notée Imf ou f(G), on entend : : 4 6 Ã.4+
(i) Kerf est un sous-groupe de .G,ì+
(ii) Imf est un sous-groupe de .H,ì+
Preuve
(i) Kerf " Q car Kerf .1+
x Kerf ' x¦ Kerf

?
en effet, x Kerf⇔}.+

' ¦¦¦¦¦
f.x¦+ f.x+
Donc x Kerf ' x¦ Kerf .2+
x, y Kerf ⇒ f.x ì y+ f.x+ í f.y+ e
Donc ( x, y Kerf ⇒ x ì y Kerf .3+
(1), (2), (3) montrent que Kerf est un sous-groupe de .G,ì+ par la caractérisation de sous-
groupe.

[- 44 -]
Exercices
1) Sur ., T+, on définit la loi T par :
aTb ab » b » a
a) Montrer que T est associatif et commutative

b) T possède un élément neutre, si oui le trouver et en déduire l’élément symétrique
c) Trouver l’élément régulier respectivement à gauche et à droite
d) ., T+ est-il un groupe commutatif ?
2) Soit E un ensemble non vide.

Considérons ã l’ensemble des bijections de E dans E
Alors montrer que .ã , + est un groupe appelé groupe de symétrie
3) Soit ., »+ un groupe commutatif.
Montrer que ( m , m mz: z Zest un sous-groupe de ., »+

[- 45 -]
Chapitre V
Les matrices
5.1 Définition
Une matrice est un tableau des chiffres rangés en lignes et en colonnes.
L’ordre d’une matrice est le couple dont la première composante est le nombre de lignes et
la deuxième composante est le nombre des colonnes de la matrice.
Exemple
5 8 20
AÒ Ó
100 0 1
A est d’ordre (2,3) car elle a deux ligne et trois colonnes.
Une matrice n’ayant qu’une seule ligne est dite matrice ligne.
Exemple
.5 8 20+
Une matrice n’ayant qu’une seule colonne est dite matrice colonne.
Exemple
& 0
100
1
5.2 Opération sur les matrices
5 .2.1 addition matricielle
Pour additionner deux matrices, il faut qu’elles soient de même ordre (même nombre de
lignes et de colonnes) et la somme est une matrice de même et dont les éléments sont
obtenus en faisant la somme des éléments correspondants.
Si A et B sont deux matrices d’ordre (m, n), alors :
C=A+B est d’ordre (m, n) et Mù, øù » !ù

[- 46 -]
Exemple
6
2 4 0 0
AÒ Óet B Ò Ó
7 1 0
6 7 6»1
2 4 0 0 2»0 4»0 2 4
CA»B Ò Ó»Ò ÓÒ ÓÒ Ó
1 0 7»0 7 7
5.2.2 Multiplication par un scalaire
Soit A une matrice d'ordre (m, n) et # un réel.
Le produit scalaire #.A est une matrice d’ordre (m, n) dont les éléments sont obtenus en
multipliant chaque élément par #.
Exemple
A 0 0 1
1 2 3
, α 10
0 0 1 Õr.W,W+
B α. A 0 10
10 20 30
0
0 0 10 Ør.W,W+
5.2.3 Transposée d’une matrice
® ou trÕ ou encore A]$ est la matrice dont les lignes sont

La transposée de la matrice A notée A
les colonnes de A et les colonnes sont les lignes de A
Exemple
6
2 0 1
AÒ Ó A.2,3+
1 0
® 0 0 A
2 1
A ® .3,2+
1 6
5.2.4 Définition (matrice carré)
On appelle matrice carré, une matrice dont le nombre de lignes est égal au nombre des
colonnes.
Exemple
A 1 0 1
1 1 0
A.3,3+
0 8 100
[- 47 -]
5.2.5 Définition (matrice symétrique)
Une matrice carré A est dite symétrique si elle coïncide avec sa transposée.
Exemple
A 3 0 1 ® 3 0 1 A

1 3 2 1 3 2
et A
2 1 50 2 1 50
Remarque
On peut également définir la matrice symétrique de la manière suivante : c’est la matrice

telle que ( i, j 1, … , n a[ % a% [
5.2.6 Définition (trace d’une matrice)
Soit & ' & une matrice carrée

UU U
U
Par trace de A notée tr.A+, on entend la somme des éléments diagonaux. En d’autres
termes tr.A+ ∑ a[[
Exemple
7 9
+
Å 8
A) -
2 0 1
tr.A+ 1 » 5 1 » 0 3
7 15 8 ,
3 1 Å
5.2.7 Produit matriciel
Pour multiplier deux matrices, il faut que le nombre des colonnes de la première matrice soit
égal au nombre des lignes de la deuxième matrice et la matrice produit aura pour nombre
des lignes celui des lignes de la première matrice et pour nombre des colonnes celui de la
deuxième matrice
Si A & ' & et B & ' & alors

UU U $UU $U.
U $U .
A~B & ' &

%UU %U.
%U %.
Avec Mù ∑ò/rÅ øù/ !/

[- 48 -]
Exemple
et B 8 1 1
1 1 3
1 3 1
AÒ Ó
1 2 0
7 2 1
16 4 7
CA~B Ò Ó
15 1 5
Remarque
Il est à noter que le produit de deux matrices n’est défini que quand le nombre des colonnes
de la première matrice est égal au nombre des lignes de la deuxième matrice.
Il faut également remarquer qu’on peut trouver deux matrices A et B telles que A ~ B existe
mais B ~ A n’est pas définie. De même, on peut trouver deux matrices A et B telles que
A ~ B et B ~ A existent mais A ~ B " B ~ A
Par conséquent, le produit matriciel n’est pas commutatif.
Exemples
1) A 3 1
1 4
1 1 0
et B Ò Ó
2 3 1
0 2
9 11
A. B 1 6 1 " B. A Ò
4
4 3
Ó
6
7 13
4 2
2) A 3 7 0 et B 1 1 2
1 4 3 1 2 3
3 1 0 2 3 1
A. B 4 1 23
1 3 2
3 1 0
5.3 Quelques types des matrices particulières
1) Matrice unitaire
Une matrice carrée d’ordre n est dite unitaire ou unité et notée I si ( i " j, i 1, … , n ;
Þ 1, … , n et a[[ 1 ! v0 0
Exemples

[- 49 -]
1 0 0 0
IX ) -I Ò
0 1 0 0 1 0
Ó
0 0 1 0 V 0 1
0 0 0 1
2) Matrice scalaire
Une matrice carrée d’ordre n est dite scalaire
( i, j 1, … , n j " i, a[[ α ! v0 0 avec α
Exemples
Si α 5 si α 10
5 0 0 0
A) -
0 5 0 0 10 0
BÒ Ó
0 0 5 0 0 10
0 0 0 5
3) Matrice nulle
La matrice m x n dont tous les éléments sont nuls est appelée matrice nulle
Exemple
& ' &

0 0
0 0
4) Matrice triangulaire supérieure

Une matrice carrée est dite triangulaire supérieure si ( i j 1, … , n v0 0 et au
moins un élément au-dessus de la diagonale principale est non nul
5) Matrice triangulaire inférieure
Une matrice triangulaireinférieure est une matrice carrée telle que tous les éléments
au-dessus de la diagonale sont nuls et au moins un élément en dessous de la diagonale
principale est non nul.
Exemple
A 1 2 0
1 0 0
0 1 1
6) Matrice diagonale
La matrice diagonale est une matrice carrée telle que ( i j 1, … , n i " j ⇒ a[% 0 et
au moins un élément de la diagonale principale est non nul.
Exemple

[- 50 -]
A 0 0 0
0 0 0
0 0 1
5.4 Déterminant
5.4.1 Définition
Soit une matrice carrée A & ' & ,

UU U
U
|A| det A 2 & ' & 2

UU U
U
5.4.2 Calcul des déterminants
alors det A |a| a

a) Si le déterminant est d’ordre 1(c.-à-d.la matrice sous-jacente est d’ordre 1 ou A = (a) ),
Exemples
1) .8+; det A |8| 8

2) A .16+; det A |16| 16
aUU aUV
b) Si le déterminant est d’ordre 2 c.-à-d.A Òa aVV Ó , alors :
VU
det A 3a aVV 3 .aUU . aVV + .aVU . aUV

aUU aUV
VU
Exemple
Ó , det A 3 3 .1.4+ .2.3+ 10

1 3 1 3
AÒ
2 4 2 4
c)Si le déterminant est d’ordre 3, on peut utiliser la règle de Sarrus2
aUU aUV aUW aUU aUV aUW

Si A VU
a aVV aVW alors det A 2 VU
a aVV aVW 2
aWU aWV aWW aWU aWV aWW
2
Pierre Sarrus (1798 – 1861), mathématicien Français
[- 51 -]
det A 2aVU aVW 2 aVU

aUU aUV aUW aUU aUV
aVV aVV
aWU aWV aWW aWU aWV
= .aUU.aVV . aWW » aUV . aVW . aWU » aUW . aVU . aWV + . aWU . aVV . aUW » aWV . aVW . aUU » aWW . aVU . aUV)
Exemple
2 1 1 , calculer det

1 1 2
1 2 1
det A 2 2 1 12 6
1 1 2
1 2 1
C) si le déterminant est d’ordre supérieur ou égale à 4, on utilise la technique qui consiste à
developper le déterminant suivant une ligne ou une colonne.
Rappel
Soit A .a[% + une matrice carré d’ordre n>1
1° Developement du déterminant suivant une colonne
|A| 4.1+[u% a[% 5A[% 5

j 1, … , n
[rU
2° Developpement du détrminant suivant une ligne
|A| 4.1+[u% a[% 5A[% 5

i 1, … , n
%rU
• 5A[% 5 est appelée mineur d’indice i, j

• .1+[u% 5A[% 5 est appelé cofacteur de a[%
• Le signe .1+[u% varie selon le tableau suivant :
» » »
8 » » ;
7» » »:
» »
6» » »9

[- 52 -]
Exemple
1 1 1 0
A) - , calculer det A
3 2 2 1
1 3 1 2
0 1 1 1
1 1 1 0
det A < <
3 2 2 1
1 3 1 2
0 1 1 1
Developpons ce déterminant suivant la 2ème ligne :
|A| 4.1+[u% a[% 5A[% 5

%rU
.1+VuU . 3 23 1 22 » .1+VuV . 2 2 1 1 22 » .1+VuW . 2 2 1 3 22 »

1 1 0 1 1 0 1 1 0
1 1 1 0 1 1 0 1 1
.1+VuX . 1 2 1 3 1 2
1 1 1
0 1 1
24 8 8 0 40
5.4.3 Propriétés des déterminants
(1) Si dans un déterminant, une rangée (ligne ou colonne) est nulle, alors le déterminant est
nul.
Exemple
A 1 3 ; det A 2 1 3 20

0 0 0 0 0 0
2 2
100 500 1000 100 500 1000
(2) Le déterminant de A est égale à celui de la transposée de A
Exemple
1 3 1 2
Soit la matrice A Ò Ó, alors A]$ Ò Ó
2 1 3 1
det A |A| 3 3 7 3 3 |A]$ |

1 3 1 2
2 1 3 1
(3) Si on permute deux rangées parallèles d’un déterminant, sa valeur change seulement de
signe.
[- 53 -]
Exemple
Soit A 1 1 1,
1 0 2
det A 4 5 1
2 1 2
Soit Ah 1 1 1,
0 1 2
det Ah 5 4 1
1 2 2
Comme conséquence, un déterminant ayant deux rangées parallèles identiques est nul.
(4) Si on multiplie tous les éléments d’une même rangée d’un déterminant par un nombre =,
alors le nouveau déterminant vaut = multiplié par l’ancien déterminant.
Exemple
A 4 0 6 , det A 34 » 18 52, soit = 2 Ah =A 2. 4 0 6

6 3 2 6 3 2
2 4 9 2 4 9
4 0 6 , det Ah 68 » 36 104 2 ~ 52 2 ~ det A

6 3 2
2 4 9
Conséquences
- Si on change de signe, tous les éléments d’une rangée d’un déterminant, le

déterminant aussi change de signe.
- On peut mettre en évidence un facteur commun à tous les éléments d’unerangée
- Un déterminant dont deux rangées parallèles sont proportionnelles est nul.
(5) Si les éléments d’une rangée sont des sommes de deux termes, le déterminant vaut la
somme des deux déterminants.
Exemple
A 2 0 1 » 2
1 2 3 1
7 1 63
det A 2 2 0 12 » 2 2 0 »22 33 » 40 7

1 2 3 1 2 1
7 1 6 7 1 3

[- 54 -]
(6) La valeur d’un déterminant ne change pas quand on ajoute aux éléments d’une rangée
les équimultiples des éléments correspondants d’une ou plusieurs autres rangées
parallèles.
Exemple
A 1 1 1 , det A 21 1 12 15

2 5 2 2 5 2
1 3 4 1 3 4
Ah 1 » 1 1 » 3 0 4 5 , det Ah 15 det A

2 5 2 2 5 2
1»4
1 3 4 1 3 4
5.4.4 Exemples d’application des déterminants
5.4.4.1 Rang d’une matrice A ì>
On appelle rang de la matrice A noté rg.A+ l’entier naturel r minn, ptel que :
- Il existe au moins une sous matrice carré d’ordre r dont le déterminant est non nul
- Toute sous-matrice carrée d’ordre ? ? a son déterminant nul.
Exemple
Soit A 2 4 2 10
1 2 1 5
3 6 3 10
Soient
Ah 2 4 2 et Ahh 4 2 10 les sous matrices carrées de A dh ordre 3

1 2 1 2 1 5
3 6 3 6 3 10
det Ah det Ahh 0
2 10
En considérons Ahhh Ò Ó une sous matrice carrée dh ordre 2, det Ahhh 50 " 0
3 10
Donc le rang de Êrg.A+Ë 2
5.3.4.2 Autres méthodes de la recherche du rang d’une matrice
a) définition (matrice échelonnée)
Une matrice A est une matrice échelonnée ou est mise sous forme échelonnée si le
nombre des zéros précédant le premier élément non nul d’une ligne augmente de lignes en

[- 55 -]
lignes jusqu’à ce qu’il n’t ait plus de lignes. En d’autres termes, s’il existe des éléments non
nuls aU%@ , aV%A , … , a$%B où jU C jV C C j$
Avec la propriété v0 0 pour i r, j j$ et pour i ? ?.
Les éléments aU%@ , aV%A , … , a$%B sont appelés éléments distingués ou remarquables de la
matrice échelonnée.
b) Exemple
80 ;
2 3 2 0 4 5 6 1 2 4
1+ A 7 80 3;
: 2+ B
0 7 1 3 2 0 0
6
6 09
0 0 0 0 0 2 0 0 0
60 0 0 0 0 0 09 0 0
0 1 3 0 0 4 0
80 0;
3+ C 7
0:
0 0 1 0 3
0 0 0 0 1 0
60 0 0 0 0 0 19
c) Matrice échelonnée réduite ou simplifiée
Une matrice échelonnée est dite matrice échelonnée réduite ou simplifiée par les lignes
si les éléments distingués :
- Sont les seuls éléments non nuls dans leurs colonnes respectives
- Valent chacun 1
Exemple
Matrice 3)
5.4.4.3 Equivalence ligne et opération élémentaire
1) Equivalence ligne
Une matrice A est dite équivalente à la matrice B si B peut être obtenue à partir de A par un
nombre fini d’opérations élémentaires sur les lignes.
2) Opérations élémentaires
1. On peut inter changer ou permuter la ièD ligne par la jèD colonne

Lv E F
2. On peut multiplier la ièD ligne par un scalaire non nul
L[ E kL[ , k"0
èD
3. On peut remplacer la i lignepar k fois la jèD ligne plus la ièD ligne.

[- 56 -]
Sur le plan pratique, on applique les opérations 2 et 3 dans un premier stade, d’où
l’expression :
On peut remplacer la èG par K’ fois la Þ èG ligne plus K fois (avec k" 0) la ièG ligne.
L[ » k h LH » K L[
5.4.4.4 Algorithme de réduction à la forme échelonnée
1° Supposons que la jèG colonne soit la première colonne avec un élément non nul.
Echangeons les lignes de sorte que le premier élément non nul soit dans la première ligne,
2° Pour chaque i > 1, on applique la combinaison :
L[ · aU%I L[ » aU%@ L[
On répète 1° et 2° avec la sous-matrice formée par toutes ligne sauf la première et on

continue cette méthode jusqu’à ce que la matrice soit sous forme échelonnée.
Exemples
1+ A 2 4 2 2
1 2 3 0
3 6 4 3
Réduire A sous forme échelonnée
LV · 2LU » 1LV
⇒LV · .2, 4,6,0+ » .2,4, 2,2+
· .0,0,4,2+
LW · 3LU » 1LW
· .3, 6,9,0+ » .3,6, 4,3+
· .0,0,5,3+
On a ainsi A 0 0 4 2
1 2 3 0
0 0 5 3
LW · 5FV » 4LW
· .0,0, 20, 10+ » .0,0,20,12+
· .0,0,0,2+

[- 57 -]
D’où la matrice échelonnée A 0 0 4 2

1 2 3 0
0 0 0 2
2+ B 2 4 2 10
1 2 3 0
3 6 3 10
LV · 2FU LV
· .0,0,0,0+
LW · 3LU LW
· .0,0,0, 25+
D’où la matrice échelonnée B 0 0 0 0 0 0 0 25 rg.B+ 2

1 2 1 5 1 2 1 5
0 0 0 25 0 0 0 0
5.4.4.5 Réduction à la forme échelonnée réduite
Supposons que A .a[% + soit une matrice de forme échelonnée ayant pour éléments
distingués aU%@ , aV%A , … , a%J .
Appliquons les combinaisons :
LV · ak % L[ » a[%@ LK ; k " 1, … , i 1 pour i 2, i 3, … , i r
Ainsi A est remplacée par une matrice échelonnée dont les éléments distingués sont les
seuls éléments non nuls dans leurs colonnes respectives.
Multiplions L[ par aÚU v0 , 1 r, finalement les éléments distingués sont chacun égaux à 1.
C.-à-d. on a réduit la matrice échelonnée sous une forme réduite ou simplifiée.
Exemple
4 5 6
Soit A 0 0 3 2 5
2 3
0 0 0 0 2
Réduire A sous une forme échelonnée réduite ou simplifiée
6
A 0 0 L 2 5
Æ 3 4 5
0 0 0 0 Æ
LU · 4LV » 3LU

[- 58 -]
'LU · .0,0, 12, 8, 20+ » .6,9,12,15,18+
· .6,9,0,7, 2+
6 9 0
D’où A 0 2 5
7 2
0 3
0 0 0 0 2
LV · 2LV » 5LW
'LV · .0,0, 6, 4, 10+ » .0,0,0,0,10+
· .0,0, 6, 4,0+
6 9 0
D’où A 0 0 6 4 0
7 2
0 0 0 0 2
LU · LU » LW
· .6,9,0,7, 2+ » .0,0,0,2+ · .6,9,0,0+
6 9 0 7 0
6 9 86 6 6 6 6;
3 7
6 8 6 ;
1 0 0
A 0 0 6 4 0 7 :
0 7 0
6 6: 7 0 0:
0 0 4 0 2
76 6 6
2
0 1
60
0 0 0 0 2 3
62 2 29
0 0 0 0 2
0 0 0 19
2 2
W M
N
1 V 0 0
D’où la matrice échelonnée réduite A )0 0 1
V
0-
W
0 0 0 0 1
5.4.4.5.6 Détermination du rang de la matrice par la réduction à la forme échelonnée
Soit A .a[% + une matrice, le nombre r des lignes non nulles de la matrice A échelonnée ou
mise sous forme échelonnée, forme une base de A. Donc le rang de A est le nombre r.
Exemple
Soit A 2 6 3 3
1 2 0 1
3 10 6 5
Trouver le rang de A par réduction à la forme échelonnée

[- 59 -]
LV · .2,4,0 2+ » .2, 6,3,3+ · .0, 2,3,1+
D’où A 0 1
1 2 0 1
2 3
3 10 6 5
0 2 3 1 .avec LW · .3,6,0, 3+ » .3, 10,6,5+ .0, 4,6,2+

1 2 0 1
0 4 6 2
FW · FW 2FV · .0, 4,6,2+ » .0,4, 6, 2+
D’où A 0 2 3 1
1 2 0 1
0 0 0 0
Comme le nombre des lignes non nulles vaut 2, alors le rang de A est égal à 2 (rg.A+ 2+
5.4.4.5.7 Résolution du système de CRAMER
a) Définition et notion
Soit le système de n équations à n inconnues suivant :
UU U
» aUV xV » » aU x bU
O VU V
&
» VV V » » aV x bV
.1+¢
U xU » a V xV » » a x b
On peut mettre ce système sous la forme matricielle de la manière suivante :
AX B (2) où :
UU aUV aU
-X &
xU
B &
bU
A)
aV
&
VU VV
x b
U aV a
b) Exemple
Q
2x W y 1
P xy»z 0 ¢
3x » 4y 6z 9
Alors sous la forme matricielle, nous avons :
5
x
A) 3 - , B 0 , X RyS
2 1
0
9
1 1 1 z
3 4 6

[- 60 -]
Le système (1) ou (2) est dit de Cramer si le déterminant de A est différent de 0, en

d’autres termes det A " 0.
Pour résoudre un système de Cramer, on utilise la méthode suivante :
soit AX B, alors
¨] ÕT
x% où A % est obtenue en remplaçant la jèD colonne de A par la colonne B des
¨] Õ
termes indépendants.
c) Exemple
5
soit le système suivant: O
2x y 1
3 ¢
xy»z 0
3x » 4y 6z 9
Trouver l’ensemble .x, y, z+ de solution
Sous la forme matricielle, nous avons :
AX B
5
x
A) - , B 0 , XR S
2 0 1
3 y
9
1 1 1 z
3 4 6
5
A< 3 < det A 7 " 0
2 0
1 1 1 3
3 4 6
Donc c’est un système de Cramer.
det AU
x
det A
5 5
AU ) 3 - det A < 3 < 13
1 0 1 0
U
9 9 4 6
0 1 1 0 1 1
4 6
13 39
x M
7
W

[- 61 -]
ÚQ ÚQ
AV U 1 0 1 V det AV W 1 0 1 W 30 ' y

¨] ÕA
2 1 W 2 1 W ÚX´
M
y
3 9 6 3 9 6
,
¨] Õ
AW 1 1 0 det AW 2 1 1 02 17 ⇒ z
2 0 1 2 0 1
¨] ÕY ÚQU
M
3 4 9 3 4 9
z ¨] Õ
,
39
8 7 ; 1 39
X7 : 90
90
7 7 : 7
51
51
6 7 9
5.4.4.5.8 Matrice inverse
Soit la matrice A ~ .
On dit que A est inversible (possède une matrice inverse notée ÚU + si et seulement si
det A " 0 ; en d’autres termes A est une matrice régulière.
Dans ce cas :
1
AÚU tr
det A .ÕIT +
Où A [% est le cofacteur de l’élément a[% dans la matrice A
Exemple
ÚQ
A U 1 1 1 V
2 0 W
Trouver l’inverse de A
3 4 6
1° calcul du déterminant
5
det A < 3 <7"0
2 0
1 1 1 3
3 4 6
2° Matrice des cofacteurs

[- 62 -]
Soit A[% VU aVW a[% .1+[u% 5A[% 5

aUU aUV aUW
a aVV ainsi donc :
aWU aWV aWW
aUU .1+UuU 3 3642

1 1
4 6
aUV .1+UuV 3 33

3 6
1 1
En procédant de la même manière, on trouve les valeurs :
20 5 11
aUW 1, aVU , VV 17, VW 8, WU , WV , W,W 2
3 3 3
2 3 1
) W 17 8-
ÚV´
Donc A[%
ÚQ ÚUU
2
W W
3° Transposée de la matrice des cofacteurs
20
5
8 3 ;
2
7 11:
3
trÊÕIT Ë
3 17
61 8 2 9
3
4° L’inverse de A notée ÚU
1
AÚU tr
det A ÊÕIT Ë
ÚV´ ÚQ
2
)3 ÚUU-
U W W
Z 17
Y W
1 8 2
2 20 6 20 5
5
W8
3 ;
11: 1 U1 17 11V
3
D’où AÚU M 7
3 17 3 7
3 24 6
61 8 29
5.4.4.5.9 Résolution d’un système de Cramer par la méthode matricielle
Soit le système algébrique linéaire de Cramer : AX B
Puisque le système est de Cramer, alors le det A " 0

[- 63 -]
Par conséquent la matrice A est inversible.
La solution du système est donnée par X AÚU B où AÚU est la matrice inverse de A.
Exemple
Soit le système linéaire :
x»y»z3
[2 » y z 1¢
x»y»z0
Sous la forme AX B on a :
x
2 1 1 R S 1 det A 22 1 12 6 " 0
1 1 1 3 1 1 1
1 1 \
1 ^
y
z 0 1 1 1
Õ ] Ø
L’ensemble des solutions de ce système est donné par :
X AÚU B avec AÚU la matrice inverse de A
8ÚW;
N
D’où R S 3 3 . 1 N 9 7 V :
2 2 0 3 8
U U
N
0
Ü 1 2 3 0
6N9
1 U
_ ÚW U
'x N , , ÜN
V
Exercices
Ó,B 1 2 1 , C 2

1 1 4 1
2 1 3
1) Soit A Ò
3 2 1
1 1 2 3
Calculer, lorsque le produit est possible, les produits AA, BB, AC, AB, CC, tr`Õ
2) On a (m~ + une matrice de dimension m~ . Trouver le dimensions de produits

suivants, si le produit est défini par :
A) .2 ~ 3+.3 ~ 4+
B) .4 ~ 1+.1 ~ 2+

[- 64 -]
C) .1 ~ 2+.3 ~ 1+
D) .5 ~ 2+.2 ~ 3+
E) .3 ~ 4+.3 ~ 4+
F) .2 ~ 2+.2 ~ 4+
et B 2 1 3 1
1 4 0 1
2 1 0
3) Soient A Ò Ó
1 0 3
4 0 2 0
a) Déterminer les dimensions de AB
b) Soit Cv0 l’élément de la èG et de la Þ èG colonne du produit AB c.-à-d.AB ÊC[% Ë
Trouver CVW , CUX , et CVU
3 5 6 1
4) Calculer
1 2 3 4
A) Ò Ó»Ò Ó
0 5 1 1 2 0 2 3
1 2 3 3 5
B) Ò Ó»Ò Ó
0 4 1 1 2
4 5 6
1 2 3
C) .¢3+ Ò Ó
1 1 3 0 2
5) Montrer que < < 60
3 1 0 1 2
5 1 0 0 6
0 1 3 1 0
6) Déterminer les valeurs de k pour lesquelles
3 30
k k
4 2k
7) Réduire les matrices suivantes à la forme échelonnée :
3 2 5 1 2
a) ) -
4 1 2 3 3
2 3 1 1 4
5 2 2 1 2
2 1 1 4 1 2
b) ) -
3 2 1 3 2 3
4 3 4 2 0 5
5 1 0 3 4 2
8) Décrire l’ensemble des triplets .a, b, c+ rendant le rang de la matrice 1 2 $ %

1 1 $
2 1 %
égale à deux
9) Réduire A à sa forme échelonnée et ensuite à sa forme canonique ligne
A) A 2 4 1 2 3
1 2 1 2 1
3 6 2 6 5
B) A 3 0 4
2 3 2 5 1
5 6 5 7
1 2
4

[- 65 -]
1 3 1 2
C) A ) -
0 11 5 3
2 5 3 1
4 1 1 5
0 1 3 2
D) A ) -
0 4 1 3
0 0 2 1
0 5 3 4
10) Trouver le rang de la matrice
1 3 1 2 3
a) ) -
1 4 3 1 4
2 3 4 7 3
3 8 1 7 8
1 2 3
b) ) -
2 1 0
2 1 3
1 4 2
1 3
c) A ) -
0 2
5 1
2 3
11) Calculer la matrice inverse de
1 1 2 0
A) -
2 0 2 3
2 5 1 0
1 2 2 2
12) A quelle condition doit satisfaire bU , bV , bW pour que le système :
[2U » 6V 11xW bV ¢

xU » 2xV 3xW bU
xU 2xV » 7xW bW
Admette au moins une solution
13) Résoudre les systèmes suivants :
a) a
3 » 5y 8 ¢
4 2 1
b) a
2x 3y 1¢
4x » 7y 1
c) [ » 2 4Ü 3 ¢
2 2 » 2Ü 7
3 4 6Ü 5
d) [ 3Ü 2 » 1¢
2Ü » 3 » 3
3 » Ü 2 2

[- 66 -]
Chapitre VI
Anneaux et corps
6.1 Anneaux
6.1.1 Définition
Soit A un ensemble muni de deux lois de composition notée + et .
.A, », . + est un anneaux si et seulement si on a simultanément les propriétés suivantes :
.A, »+ est un groupe commutatif

.A, . +est un demi groupe
La multiplication est distributive par rapport à l’addition.
En d’autres termes :
+ est associative, commutative, admet un élément neutre, tout élément de A est symétrisable
par rapport à l’addition.
. est associative c.-à-d.(a, b, c A, a. .b. c+ .a. b+. c, la multiplication est distributive par
rapport à l’addition c.-à-d .(a, b, c A, a. .b » c+ .a. b+ » .a. c+ ;
de même.a » b+. c .a. c+ » .b. c+.
6.1.2 Définition (anneau commutatif)
.A, », . +est un anneaux commutatif si (A, », . +est un anneau tel que . est commutative
6.1.3 Définition (anneau unifère ou unitaire)

[- 67 -]
L’anneau .A, », . +est unifère ou unitaire si .A, », . + est monoïde c.-à-d.si .admet un élément
neutre.
Exemple
., », . + est un anneau commutatif unitaire.
6.2 Sous-anneaux
6.2.1 Définition
Soient .A, », . + un anneau et B * A.
B est un sous-anneau de .A, », . + si et seulement si les restrictions »Ø , .Ø confèrent à B la

structure d’anneau ; en d’autres termes .B, »B , .B +est un anneau.
6.2.2 Propositions (caractérisation des sous-anneaux)
Soit ., », . + un anneau et & * .
B est un sous-anneau de ., », . + si et seulement si B est un sous-groupe de ., »+ stable

pour la multiplication.
Si et seulement si B est une partie monoïde de ., »+ stable pour la – et la .
Preuve
Considérons le schéma suivant : (1) ' (2) ' (3) ' (1)
(1) B est un sous-anneau de.A, », . +

(2) B est un sous-groupe de .A, »+ stable pour la multiplication
(3) B est une partie monoïde de .A, »+ stable pour la – et la .
a) (1) ' (2) : comme B est un sous-anneau de .A, », . +, alors il est trivialement un sous-
groupe de .A, »+ et il est aussi stable pour la multiplication (car B un anneau par
hypothèse) donc (1) ' (2)
b) (2) ' (3)
Puisque B est un sous-groupe de .A, », . +, il est stable pour la -, la stabilité

de.découle de (2) donc (2) ' (3)
c) (3) ' (1)
Puisque B est un monoïde pour l’+ et est stable pour la –, alors B est un sous-groupe
de .A, »+ comme B est stable pour la ., il reste à montrer que la multiplication est
distributive par rapport à l’addition.

[- 68 -]
En effet, ( x, y, z B, p
¢ x.y » z+ xy » xz b en vertu de la distributivité de . par rapport à lh » sur a

.x » y+. z xz » yz
Donc B est un sous-anneau de .A, », . +Cqfd
Exemple
., », . + @! un sous anneau de ., », . +
6.2.3 Définition (diviseur de zéro)
Soient .A, », . + un anneau et x´ . x´ est appelé diviseur de zéro si et seulement si x´ " 0

et il existe ´ avec ´ " 0, tels que x´ . y´ 0
Exemple
.° , », °+ est un anneau 2d est un diviseur de zéro car 2d . 3d 0 avec 2d " 0 ! 3d " 0
6.2.4 Définition (anneau d’intégrité ou intègre)
Soit .A, », . + un anneau.
.A, », . + est dit anneau d’intégrité ou intègre si et seulement si .A, », . + est sans diviseurs de
zéro.
Exemple
., », . + est un anneau intègre ou d’intégrité car on ne peut pas trouver deux éléments
différents de 0 dont le produit est égal à 0.
C.-à-d. ( a, b a. b 0 ⇔ a 0 ou b 0
6.3 Corps
6.3.1 Définition
Soit .e, », . + un anneau intègre
.e, », . +est un corps si et seulement si :
eì , . + est un groupe
Le corps est commutatif si la multiplication est commutative
6.3.2 Exemple
., ». + est un corps commutatif

[- 69 -]
6.4 Sous-corps
6.4.1 Définition
Soient .e, », . + un corps et B * e.
B est un sous-corps de e si seulement les lois induites sur B confèrent à B la structure de

corps.
6.4.2 Exemple
., », . +est un corps tandis que est un sous-corps de
Exercices
1) Soit K défini de la manière suivante : K x : a, b avec x a » br » cr V où r

√2
a) Montrer que .K, », . +est un anneau commutatif
b) Montrer que .K, », . + est un corps
2) Soit A a, b, c, d
Sur -.A+, considérons 8 et 2 . Donner la structure de .-.A+,8,2+
3) Dans l’ensemble G z: z .a, b+, a et b .
On définit l’égalité z z h ssi a af ¢ et deux lois de compositions internes définies

b bf
par :
.a, b+ » .c, d+ .a » c, b » d+
.a, b+. .c, d+ .ac, ad » bc+
A) Montrer que .G, », . + est un anneau commutatif et unitaire
B) Quels sont les diviseurs de zéro
4) Soit E l’ensemble des couples x .xU , xV +.
On définit sur E deux lois * et ítelles que :
x ì y .xU » yU , xV » yV +
x í y .xU yU » xV yV , xU yV » xV yU +
a) Montrer que les deux lois * et í munissent E d’une structure d’anneau
b) Montrer que l’anneau devient un corps si on remplace la loi í par :
x í y .xU yU xV yV , xU yV » xV yU +
5) Considérons des ensembles quotients pour la commodité des calculs, la classe
d’équivalence de x C(x) est notée d
K Q 00d , 1d , 2d , 3d , 4d 1 des entiers modulo 5
A N 00d , 1d , 2d , 3d , 4d , 5d 1 des entiers modulo 6
[- 70 -]
pour les lois »d et ~d définies dans les entiers modulo

a) Montrer que les ensembles A et K sont des anneaux commutatifs et unitaires
b) Montrer que l’anneau A admet des diviseurs de zéro, c.-à –d. des éléments ad A
et bd A tels que ad ~ bd 0
c) Montrer que K n’admet pas de diviseur de zéro
d) En déduire que K est un corps
}: K · K
e) Etudier la fonction :
º y f.x+ xd Q xd K
Résoudre dans K : xd Q xd 0d
6) A désigne un anneau appelé anneau de Boole3, tel que ( x A, x² x, les deux lois
étant notées comme l’addition et la multiplication des entiers
a) Montrer en écrivant la propriété définissant A pour x » x, que x = -x pour x A
b) Montrer que A est commutatif en calculant .x » y+V
c) Montrer que la relation xy x entre éléments de A est une relation d’ordre entre
élément de A, qu’on peut écrire x y
d) Calculer xy.x » y+ lorsque ,
7) Dans l’anneau /6, résoudre les équations
a) xd Q 1d 0d
b) xd Q 2d 0d
c) xd Q » xd W » 2d 0d
8) Soit r ì , on munit le groupe abélien V de la multiplication * définie par :
Pour .xU , xV + V , .xU , xV + ì .yU , yV + .xU yU » rxV yV , xU yV » yV xU +
a) Vérifier que .V , »,ì+ est un anneau commutatif.
b) Pour quels entiers r cet anneau est-il intègre ?
9) On munit le groupe abélien ² de la multiplication définie par :
Pour .xU , xV +, .yU , yV + V , .xU , xV +. .yU , yV + .xU yU , 0+
Obtient-on un anneau ?
Quels sont les diviseurs de zéro ?
3
Boole, George (1815-1864), mathématicien et logicien anglais.

[- 71 -]
Chapitre VII
Espaces vectoriels
7.1 Définition
Soit e un corps commutatif et .V, »+ un groupe commutatif.
V est appelé espace vectoriel sur e noté .e, V, »+ si les propriétés suivantes sont
simultanément vérifiées :
Il existe une loi de composition externe :
e~V·V
.i, j+ º ijklVérifiant les conditions suivantes :
C.-à-d. (a, b e, ( u¦ V, a.b. u

kl+ .ab+u
kl
(i) Elle jouit de la propriété d’associativité mixte
(ii) La loi externe .est distributive par rapport à l’addition dans V
C.-à-d (a e, ( xkl, y
kl V, a.xkl » y
kl+ axkl » ay
kl
(iii) La loi externe .est distributive par rapport à l’addition dans e
C.-à-d(a, b e, , ( xkl V, .a » b+xkl axkl » bxkl
(iv) La loi externe .admet1e comme élément neutre
1e . xkl xkl
Les éléments de V sont des vecteurs et ceux de e sont des scalaires
Ces conditions sont dites axiomes ou propriétés d’espace vectoriel
7.2 Notation
kl est noté v
Le symétrique du vecteur v kkkkkl et l’on dira que klest multiple de v
kl si il existe r e tel
que
kl rv
kl
L’espace vectoriel .e, V, »+ est rée ou complexe suivant eest le corps ou m.
Exemples

[- 72 -]
1) ., , »+ est un espace vectoriel

2) (, ², »+est un espace vectoriel
3) Soit E un ensemble
n É }: E o
Ên , »Ë: f, h n , .f » h+.x+ É f.x+ » h.x+
Ên , »Ë est un groupe commutatif
~ n · n
.λ, f+ º λ. f
=}.+ É =}.+'Ê, n , »Ëest un espace vectoriel
Règles de calcul
1) ( a e, ( u
kl, v
kl V, kl v
a.u kl+ au
kl av
kl
Preuve
kl v
a.u kl+ » av
kl aÊ.u
kl v
kl+ » v
klË
kl » .v
ÒÊu kl+Ë » v
klÓ
kl v
a.u kl » v
kl+ a.u klq u
kl » 0 kl
kl v
Donc a.u kl+ a.u
kl v
kl+ » av
kl av
kl au
kl av
kl{|}o
2) ( a, b e, ( u
kl V, .a b+u
kl au
kl bu
kl
Preuve
kl » bu
.a b+u kl Ê.a b+ » bËu
kl
kl au
. a b » b+u kl
kl .a b+u
Donc .a b+u kl » bu
kl bu
kl au
kl bu
kl{|}o
kl V, a.u
3) ( a e, ( u kl+ au
kl
Preuve
kl .0e a+u
.a+u kl
kl au
0e u kls au
kl O kl au
kl
Donc a.u kls u

kl+ aÊ0 kls au
klË a0 kls au
kl 0 kl au
kl{|}o

[- 73 -]
4) kl V, 0e ~ u
(u kls
kl 0
Preuve
kl .0e 0e +u
0e ~ u kl =0e u
kl 0e +u kls 0
kl 0 kls 0
kls
kl ~ 0e u
u kl.0e 0e + u
kl0e u kls 0
kl0e 0 kls 0
kls {|}o
kls 0
5) ( a e, a. 0 kls . a 0
kls
Preuve
Elle est triviale (cfr 4))
6) ( a e et (u kls ssi a 0e ou u
kl V, a. kul 0 kls
kl 0
Preuve

kls et a " 0e et montrons que u kls
kl 0
7) Supposons que a. u kl 0
Puisque a " 0e ⇒aÚU existe
Donc ÚU .
kl+
.u ÚU klt 0
.0 klt .+
D’autre part, ÚU .
kl+ .aÚU . a+u
.u kl ne u
kl.2+
klt
kl 0
.i+et .2i+⇒u
klt Ê0
( a e, a. 0 klt 0
klt Ë 0
klt 0
klt 0
klt 0
klt 0
klt {|}o
7.3 Définition (sous-espace vectoriel)
Soient .e, V, »+ un espace vectoriel et Q " A * V. A est un sous-espace vectoriel de V si et

seulement il vérifie simultanément les propriétés suivantes :
(i) .A, »+ est un sous-groupe de .V, »+

(ii) A est stable pour la multiplication externe c.-à-d. :( λ e et ( v
kl A, λv
kl A
Exemples
kls 1 est un sous espace vectoriel de .e, V, »+

1) 00

[- 74 -]
2) Soient
R¿xÀlh ensemble des polynômes entiers à coéf©icients réels et R ¿xÀ> h @ $> des
polynômes entiers en x à coefficient réel de degré est un sev. de ., R¿xÀ, »+
×. S : Sous-espaces vectoriels triviaux
kls 1et V sont des sev. triviaux.

Si .e, V, »+ est un espace vectoriel, alors 00
7.4 Proposition (caractérisation d’un sous-espace vectoriel)
Soit .e, V, »+ un espace vectoriel et Q " O * w. M est un sous-espace vectoriel de V si et

seulement si M vérifie M vérifie simultanément les conditions suivantes :
1) O " Q
2) ( =, x e ! ( kl, l O, = kl » xl O
Preuve
a) Condition nécessaire
Puisque M est un sev., il est non vide car M est un sous-groupe de .V, »+, e lui appartient .
D’autre part, en tant que sev. M est stable pour la multiplication scalaire, donc :
( λ, β e et (u
kl, v
kl M, λu
kl » βv
kl M en combinant la stabilité externe et du fait que M est un
sous-groupe de .V, »+.
b) Condition suffisante
En remplaçant λ par 1e et β par 1e dans l’expression λu

kl » βv
kl, on aura:
λu
kl » βv
kl 1e u
kl 1e v
kl M ⇒ M " Q .i+
kl v
=u kl u
kl » .v
kl+ M .2i+
.i+ et .2i+⇒ M est un sous-groupe de.V, »+
D’autre part, (λ e et ( u
kl M, λu
kl M Êen vertu de .2i+Ë
Donc M est un sous-espace vectoriel de .e, V, »+Cqfd.

[- 75 -]
7.5 Proposition (autre manière d’exprimer la caractérisation d’un

sous-espace vectoriel)
Soient .e, V, »+un espace vectoriel et Q " O * w, alors M est un sev. de.e, V, »+ si et
seulement si M vérifie simultanément les conditions suivantes :
(i) M+M * O . % , $ O, » $ O+
(ii) ( = e, =O * O .( l O, ( = e, = l O+
7.6 Proposition
L’intersection d’une famille" Q des sous-espaces vectoriels de .e, V, »+ est un sous-espace

de.e, V, »+.
Preuve
Soit T une famille des sev. de .e, V, »+
Posons M s T ; M " Q klq s T M .i+

car 0
kl, v
D’autre part, ( u kl s T et ( λ, β e, =l » x kl s T M en vertu de la caractérisation dh un
sous-espace vectoriel (2i)
.i+et .2i+ ⇒ M t T est un sous espace vectoriel de.e, V, »+
7.7 Proposition et définition
Soient .e, V, »+ un espace vectoriel et Q " * w. L’intersection de tous les sev. contenant A
est un sous-espace vectoriel contenant A et il est le plus petit sous-espace vectoriel de
.e, V, »+ contenant A et est appelé sous-espace vectoriel engendré par A de notation
vect (A).
Preuve
La preuve est triviale en vertu de proposition 7.6
7.8 Propriétés
Soient A et B des parties de .e, V, »+
kls 1
1) Vect .Q+ 00
2) Vect .A 8 B+ vect .A+ » vect.B+
[- 76 -]
3) Vect (A) si et seulement si A est un sous espace vectoriel

4) Si AU et AV sont des sev. de .e, V, »+, alors vect .AU 8 AV + AU » AV
Preuve
2+ On montre d’abord que la somme de deux sous-espaces vectoriels de .e, V, »+est un

sous-espace vectoriel de .e, V, »+,
En effet, soient EU et EV deux sev. de .e, V, »+,
U " 0 et EV " 0 ⇒ EU » EV " 0 (i)
y .EU » EV +
?
.EU » EV + » .EU » EV + *
.EU » EV + » .EU » EV +
EU » .EV » EU + » EV .par associativité de lh
» dans V qui est groupecommutatif
EU » .EU » EV + » EV
.EU » EU + » .EV » EV + * EU » EV (car EU » EU * EU et EV » EV * EV
Donc .EU » EV + » .EU » EV + * .EU » EV +.2i+
En fin, λ e, λ.EU » EV + * EU » EV
En effet, λ.EU » EV + =U » λEV * EU » EV car λU * EU et λEV * EV
⇒λ e, λ.EU » EV + * EU » EV .3+
.i+, .2i+et .3i+ ⇒ EU » EV est un sous espace vectoriel de .e, V, »+
En particulier, vect.A+ » vect.B+est un sous espace vectoriel de .e, V, »+
Montrons maintenant que A 8 B * vect.A+ » vect.B+
A * vect.A+ * vect.A+ » vect.B+
kls vect.A+ » vect.B+

En effet ( xkl A, xkl vect.A+, xkl xkl » 0
De même B * vect.B+ * vect.A+ » vect.B+
kl B, y
En effet ( y kl vect.b+, y
kl y kls vect.A+ » vect.B+
kl » 0
D’où A 8 B * vect.A+ » vect.B+ (*)

[- 77 -]
Montrons enfin que tout sous-espace vectoriel contenant A 8 B contient vect.A+ » vect.B+
C.-à-d. vect .A 8 B+ * vect.A+ » vect .B+
Pour montrer cette inclusion, introduisons la notion suivante :
Définition
Soit Q " A * V . alors l’ensemble noté :
V.A+ xkl V: n , λU , … , λ$ e, aklU , … , akl$ Atels que xkl ∑[rU λ[ akl[ est appelé ensemble
des combinaisons linéaires des éléments de A.
Montrons que vect .A+ V.A+
Il faut montrer que V.A+ " Q
En effet A * V.A+.i+
Montrons V.A+ est un sous-espace vectoriel
xkl V.A+et y
kl V.A+, alors xkl » y
kl V.A+
kxl ∑[rU α[ akl[ , y

kl ∑D
%rU λ% a
kl%où i 1, … , n, α[ e et xkl[ A, j 1, … , m, λ% e et y
kl% A
kl ∑[rU α[ akl[ » ∑D
l » y %rU λ% a
kl%
∑Du klK
KrU βK a
Où 1 k n, βK αK et aklK xklK et n » 1 k m » n, βK λKÚ , xklK y

klKÚ
Donc (k 1, … , m » n, βK e et aklK A
kl ∑Du
⇒l » y klK V.A+
KrU βK a
V.A+ » V.A+ * V.A+ .2i+
Montrons maintenant que ( = e , =V.A+ * V.A+
En effet, ( = e ! ( xkl V.A+
xkl ∑[rU α[ akl[ ⇒ =xkl λ ∑[rU α[ akl[ ∑[rU.λα[ +akl[ ∑[rU β[ akl[ où β[ λα[
⇒=xkl ∑[rU β[ akl[ V.A+
⇒=V.A+ * V.A+.3i+
[- 78 -]
.i+, .2i+, .3i+ ' V.A+est un sous espace vectoriel de V
V.A+ " Q ⇒ A * V.A+; vect .A+ * V.A+ ⇒ vect.A+ * V.A+.4i+
Il reste à montrer que V.A+ * vect .A+.
xkl A; xkl ∑KrU λK aklK avec λU , … , λ e. et lU , … , l
kxl vect A % ? vect A est un sous espace vectoriel+
⇒(λU , … , λ e, lU , … , l * %! ÊA * V.A+Ë
D’où V.A+ * vect A .5i+
.4i+ et .5i+ ⇒ vect .A+ V.A+{|}o
Exemple
Soit A .1,2,0+, .1,0,1+ * W % W .x, y, z+: x , y , z
Déterminer vect A
xkl .x, y, z+ vect .A+, si et seulement si p
x
α, β tels que RyS # 2 » x 0
1 1
z 0 1
x # x
⇒RyS R 2# S » 0
z 0 x
x α » β α » β
⇒RyS 2α ⇒ [ 2α ¢
z β Üβ
Úþ
⇒vect .A+ .x, y, z+ W : x V
» z#
7.9 Définition (partie libre ou indépendance linéaire)
Une partie A d’un espace vectoriel est libre si et seulement si aucun vecteur ne s’exprime
comme combinaison linéaire des éléments qui sont différents du vecteur considéré c.-à-d. :
( xkl A, xkl vect A .A á xkl+
Remarque

[- 79 -]
Pour montrer qu’une famille xklU , xklV , … , xkl des vecteurs est libre, on montre :
kl si et seulement si αU αV
4 α[ xkl[ 0 où α[ e

α 0
[rU
Exemples
1) SoitA [.1,0,1+
, .1,0,1+ z W
, .0,1,0+
@ A Y
A est une partie libre car aucun des eklU , eklV , ekkklW ne se met pas sous forme d’une combinaison
linéaire de deux autres.
En effet, eklU " αeklV » βeklW , eklW " αeklV » βeklU , ekkklαe
V klU » βe
klW
2) Soit & .1,0+, .0,1+, .3,4+ * V

Vérifions si B est une partie libre,
On a :& [.1,0+ z * V

, .3,4+
, .0,1+
kl@
ý kkkkl
ýA klY
ý
kxl ? αxklU » βxklV
.3,4+ α.1,0+ » β.0,1+ .α, 0+ » .0, β+ .α, β+ ⇒ a

α 3¢
β4
B n’est pas une partie libre car xklW αxklU » βxklV s’écrit sous forme de combinaison linéaire.
7.10 Définition (partie génératrice)
Soit A une partie de .e, V, »+.
A est une partie génératrice de V si et seulement si vect A V ; en d’autres termes A est

une partie génératrice de V si et seulement si :
kl V, n , αU , … , α e, aklU , … , akl Atels que :

(v
l 4 #0 l0

0r´

[- 80 -]
Exemple
W est un espace vectoriel sur , alors A .1,0,0+, .0,1,0+, .0,0,1+ est une partie génératrice
de W
En effet, ( x, y, z W ,#, x, { tels que :
.x, y, z+ αaklU » βaklV » δaklW
α.1,0,0+ » β.0,1,0+ » δ.0,0,1+
.α, 0,0+ » .0, β, 0+ » .0,0, δ+ .α, β, δ+
#
⇒} x ¢
Ü{
×. S : il est à noter que dans une famille libre, on ne peut pas trouver un élément nul, ni un
élément qui se répète deux fois
7.11 Définition (Base)
Une base d’un espace vectoriel est une famille des vecteurs qui est à la fois libre et
génératrice.
Exemple
Soit ~V .+ l’ensemble des matrices réelles carrées d’ordre 2. Montrons que
Ó# est une base de ~V .+

1 0 0 0 0 1 0 0
A Ò Ó,Ò Ó,Ò Ó,Ò
0 0 1 0 0 0 0 1
(i) Montrons d’abord que A est une partie génératrice
Ó ~V .+ , Ò
a c a c 1 0 0 0 0 1 0 0
C.-à-d. pour Ò Ó αU Ò Ó » αV Ò Ó » αW Ò Ó » αX Ò Ó
b d b d 0 0 1 0 0 0 0 1
a c 1 0 0 0 0 1 0 0 αU αW
En effet Ò Ó αU Ò Ó » αV Ò Ó » αW Ò Ó » αX Ò Ó Òα αX Ó
b d 0 0 1 0 0 0 0 1 V
a αU
c αW
⇒Ob α ¢
V
d αX
a c 1 0 0 0 0 1 0 0
Ò Ó aÒ Ó » bÒ Ó»cÒ Ó»Ò Ó
b d 0 0 1 0 0 0 0 1

[- 81 -]
Donc A est une partie génératrice de ~V .+
(ii) Montrons enfin que A est une partie libre
C.-à-d. ∑X[rU α[ akl[ Ò

0 0
Ó ⇔αU αV αW αX 0
0 0
En effet,
αU 0
Ó'O
1 0 0 0 0 1 0 0 0 0 α V 0¢
αU Ò Ó » αV Ò Ó » αW Ò Ó » αX Ò ÓÒ
0 0 1 0 0 0 0 1 0 0 αW 0
αX 0
.i+ et .ii+⇒ A est une base de ~V .+
7.12 Définition (dimension d’un espace vectoriel)
Un espace vectoriel .e, V, »+ est de dimension n (n + si et seulement si il admet une

base de n éléments.
×. S: si un espace vectoriel est de dimension n, alors toutes ses bases ont exactement n
éléments.
7.13 Application linéaire
7.13.1 Définition
Soient deux espaces vectoriels V et W sur le même corps e. Une application :
}: V o W est linéaire si et seulement si elle vérifie simultanément les deux conditions
kxl º }.xkl+ suivantes :
(i) ( xkl, y
kl V, f.xkl » y
kl+ É f.xkl+ » f.y
kl+
(ii) ( = e, (l V, f.λxkl+ λf.xkl+
Remarque
Les conditions .+ ! .+ peuvent se résumer en :
( xkl, y
kl V et ( α, β e, f.αxkl » βy
kl+ αf.xkl+ » βf.y
kl+
Si f est une application linéaire, alors elle est aussi appelée homomorphisme d’espace
vectoriel ou encore opérateur linéaire.

[- 82 -]
Exemple
Considérons }: ² · ² définie de la manière suivante :
f.xkl » y
kl+ É .2x » 3y, x+, montrer que f est une application linéaire
(i) kl+ f.xkl+ » f.y

f.xkl » y kl+
pour lU .U , U+ , xklV .xV , yV +
f.xklU » xklV + f..U » V +,.yU » yV ++ É ¿2.U » V + » 3.yU » yV +, U » V À
¿2xU » 2xV » 3yU » 3yV , U » V À
¿.2xU » 3yU + » .2xV » 3yV +, U » V À
¿.2xU » 3yU +, U À » ¿.2xV » 3yV +, xV À
f.xkkkl+ klV +
U » f.x
( xklU , xklV ², f.xklU » xklV + f.xkkkl+ klV +

U » f.x
(ii) ( λ , kxl V avec xkl .x, y+, f.λxkl+ λf.xkl+
On a f.λxkl+ fÊλ.x, y+Ë f.λx, λy+
É .2λx » 3λy, λx+
¿λ.2x » 3y, x+À
λ.2x » 3y, x+ λf.x, y+
Donc (i) et (ii) ' f est linéaire.
7.13.2 Proposition
Soit }: w o une application linéaire
l º }.l)
kl + 0
1) }(0 kl
2) kerf @! @ @ @x % %! ? > o .e, w, »+ ! x ? oé}!
kl 1
l ?} 0l w: }.l+ 0
3) } @! @ @ @x % %! ? > o .e, w, »+ ! x ? oé}! :
} l : l w: l }.l+

[- 83 -]
Preuve
.V, »+ et .W, »+ sont des groupes
kls Ë fÊ0
1) fÊ0 kls » 0
kls Ë fÊ0
klq Ë » fÊ0
klq Ë
kl
'fÊ0 s k
Ë fÊ0 klq Ë » fÊ0
ls Ë fÊ0 kl
q k
Ë fÊ0ls Ë
kl
´ kl
´
klq Ë 0
' fÊ0 kl {|}o
klq Ë 0
2) (i) kerf " Q en vertu de 1) fÊ0 kl
⇒ k0lq kerf
(ii) montrons ensuite que ( xkl, y

kl kerf kxl » y
kl kerf
kl et y
En effet, xkl kerf ⇔ f(xkl) 0 kl kerf ⇔ f(y kl
kl) 0
⇒f(xkl » y
kl) f(xkl) » f(y
kl) 0 kl =0
kl » 0 kl ⇒ kxl » y
kl kerf
C.-à-d. kerf » kerf * kerf
Enfin ( λ e, (xkl kerf, λxkl ? kerf
kl ⇒ λxkl kerf

f(λxkl) λf(xkl) λ0 c à d ( λ e, (xkl kerf, λkerf * kerf (3i)
(i), (2i), (3i) ⇒ kerf est un sous espace vectoriel de VCqfd
kl fÊ0
3) imf " Q car 0 klq Ë imf (i)
Montrons que ( α, β e, ( y
klU , y
klV imf α y
klU » β y
klV imf
En effet, lv } ⇔ x[ (e, V, »)tel que y
kl[ f(xkl[ ) i 1,2
klV α f(xklU ) » β f(xklV )
klU » β y
αy
f(αlU ) » f(βxklV ) f(αlU » βxklV )
⇒αlU » βxklV Imf (2i)
D’où () ! (2) ⇒ ¾} @! @ @ @x % %! ? > o {|}o
7.13.3 Remarque et définition
Le corps e peut être considéré comme espace vectoriel sur lui-même.
Dans ces conditions, toute application linéaire de (e, V, ») dans (e, e, ») est appelée forme
linéaire.

[- 84 -]
D’autre part, si (e, V, ») et (e, W, ») sont des espaces vectoriels sur le même corps e, alors
l’application : }: (e, V, ») · (e, W, ») est un espace vectoriel sur le corps e
et si (e, W, ») (e, e, ») alors l’espace est appelé espace dual de (e, V, »)et est
noté :(e, V h , »)
Exercices
1 1 1 3
1) montrer que
0 , 1 , 1 , 1 engendrentW ! x? ? > %! ? colonne 4 comme

2
1 1 0 1 1
cU dU
combinaison linéaire de ces vecteurs.
aU bU
0 c d
2) Démontrer que les vecteurs colonnes U V , UbV V , U V V , ) V - sont linéairement
0 0 cW dW
0 0 0 dX
indépendants si et seulement si aU bV , cW et dX sont différents de 0
3) Montrer que les fonctions }U (!) 1, }V (!) Y
, }W (!) VY
sont linéairement
4) Soit (eklU , eklV , eklW , eklX ) une base d’un espace vectoriel E de dimension 4. Montrer que
indépendantes
klU eklU » eklV » eklW » eklX , v

v klV eklU eklV » eklW è 2eklX et v
klW eklU » eklV eklW » eklX
5) Dans chacun des cas suivants, dire si la famille ÊflU , lfV , lfW Ë est une base de l’espace
vectoriel de polynôme de degré inférieur ou égal à 2. Si oui, trouver les composantes
dans cette base des monômes pU (t) t, pV (t) t V
a) fU (t) 1 » t V , fV (!) 2 ! » ! V , fW .t+ 6 » 3t 3t V
b) fU .t+ 1 » 2t » t², fV .!+ 1 2! » t², fW .t+ t
c) fU (t) t, fV (!) t » t², fW (t) 1 » t » t²
6) Dans E, des couples ordonnés des nombres réels, on pose
(x, y) » (x h , y h ) (x » x h , y » y h ) et λ(x, y) (λx, 0) (λ
Ces deux lois de composition définissent-elles une structure d’espace vectoriel
7) Démontrer qu’une condition nécessaire et suffisante pour que la réunion de 2 sous-
espace vectoriels soit un sous-espace vectoriel est que l’un soit contenu dans l’autre.
8) Montrer que dans W :
kl (1,1,2+ et cl (2,1,2+forment une base. Calculer dans cette base les

akl (1,0,1), b
coordonnées de :
kl .x, y, z+
a) v
b) kl .1,0,1+
[- 85 -]
9) Soit (E,ì) un groupe, on définit dans E une loi de composition externe à opérateur
dans , notée telle que pour tout couple (x, y) E V et pour tout couple (α, β) V , on
dit : (α ì β)x (α. x) ì (β. x) ; α(x ì y) (α. x) ì (α. y), α(β. x) (α. β). x ; 1. x x
Développer de deux manière (1 » 1)(x » y); en déduire que (E,ì) est un groupe
commutatif et que (E,ì, . ) est un espace vectoriel sur .
10) Démontrer que P, l’ensemble des fonctions polynômes muni de la loi d’addition des
fonctions et de la multiplication externe des fonctions par un réel est un espace
vectoriel sur
11) Soit E un espace vectorielsur . On définit dans E² une loi de composition interne
notée ì par (xU , xV ) ì (yU , yV ) (xU » yU , xV » yV ) et une loi de composition externe
notée í par : α í (xU , xV ) (αxU , αxV )
Démontrer que (E V ,ì, í) est un espace vectoriel sur
12) On considère les deux triplets de W , xU (1,2,3+ et xV (2, 1,1+
1° Démontrer que yU .1,0,1+ et yV (0,1,1) sont deux triplets du sous-espace
vectoriel A engendrés par xU et xV
2° Quel est le sous-espace vectoriel engendré par U ! V
3° quelle est la dimension du sous-espace vectorie l A

[- 86 -]
Chapitre VIII
Système d’équations linéaires
8.1 Définition
On appelle système d’équations linéaires ou système linéaire ou simplement système

toute famille d’équations de la forme :
aUU xU » aUV xV » » aU x bU

aVU xU » aVV xV » » aV x bV ¢
O (1)
&
aU xU » aV xV » » aD x bD
Où :
- m nombre d’équations
- n nombre d’inconnues
- aUU , aUV , … , aU sont des nombres appelés coefficients du système
- bU , bV , … , bD sont des nombres appelés coefficients du second membre
- xU , xV ,..., x des nombres inconnus appelés inconnues du système
8.2 Définition (système homogène)
Si les coefficients du second membre sont tous nuls, on dit du système qu’il est homogène.
On appelle système homogène au système (1) le système obtenu de (1) en substituant des
zéros aux coefficients du second membre.
8.3 Ecriture abrégée
On écrit souvent le système (1) sous la forme abrégée suivante :
4 av0 0 b[ , (2+

i 1, … , m
0rU
Ou mieux encore sous la forme condensée (matricielle) suivante :
AX B

[- 87 -]
Où :
- A Êa[% Ë: matrice des coéf©icients du système

- X Êx% Ë: vecteur colonne des inconnues
- B .b[ +: vecteur colonne des coef©icients du second membre
8.4 Solution d’un système
On appelle solution de (1) tout n-uplets des nombres (xUd , xVd , xWd , … , xXd ) tels que p
4 a[% xd b[ , x 1, … , m
%rU
Résoudre un système signifie trouver l’ensemble des solutions de ce système.
Deux systèmes à n inconnues sont dits équivalents si toute solution de l’un est solution de
l’autre , en d’autres termes, s’ils admettent le même ensemble des solutions .
On dit parfois que les équations d’un système sont compatibles ou incompatibles suivant que
ce système admet au moins une solution ou n’en admet pas.
Exemples
xU » xV 1¢
1) a
xU » xV 0
N’admet aucune solution car les deux équations se contredisent l’une l’autre. Ces
équations représentent deux droites parallèles.
2) Nous nous proposons de résoudre le système :

3xU 3xV 2xW 1 (1)
P 4xU xV » 3xW 1 (2+ ¢
2xU » 4xV » 3xW 3 (3)
Par la méthode algébrique
(1) ⇒ xU (1 » 3xV » 2xW + (1h )n

U
W
4 .1 » 3xV » 2xW + xV » 3xW 1 (4)

1
(1h )dans(2+ ': O 3 ¢
2 .1 » 3xV » 2xW + » 4xV » 3xW 3 (5)
1
3
En utilisant la méthode de substitution par exemple, on obtient S 1,1,2

[- 88 -]
Définitions
1. Matrice associée à un système linéaire
On appelle matrice associée au système (1), la matrice :
UU UV U0 U
VU VV V0 aVD
8 ;
&
A7
7
:
7 [U vV av0 v :
:
&
6 U V 0 9
C’est la matrice dont les termes sont les coefficients du système.
2. Matrice du second membre
bU
On appelle matrice du second membre du système (1) ou simplement second membre de
(1), la matrice colonne B (b[ ) &

bD
C’est la matrice dont les termes sont les coefficients du second membre de ce système.
3. Matrice augmentée associée au système (1)
On appelle matrice augmentée associée au système (1), la matrice obtenue de A en y

ajoutant la (n » 1)ième colonne notée:
(A & b)
8.5 Résolution d’un système linéaire admettant exactement une solution
Considérons un système de m équations à n inconnues de matrice associée

A Êa[% Ë et de matrice du second membre B (b[ ) .
Supposons que ce système admette une solution unique.
Nous allons déterminer cette solution par le procédé de réduction et il faut noter que n m.
Exemple
xU » xV » 2xW 3xX 1
2xU » 3xV » 6xW 5xX 2¢
O (i+
3xU xV » 2xW 7xX 5
xU » 2xV » 3xW xX 1

[- 89 -]
a) Recherche de la matrice associée au système
1 1 2
2 3 6
3
A) -
5
3 1 2 7
1 2 3 1
b) Recherche de la matrice augmentée associée au système
2 3 6
1 1 2 3 1
.A & B+ ) -
5 2
3 1 2 7 5
1 2 3 1 1
c) Réduction de .A & B+ à la forme échelonnée
6
1 1 2 3 1 1 1 2 3 1
.A & B+ )2 -) -
3 5 2 0 1 2 1 0
3 1 2 7 5 0 0 4 5 2
1 2 3 1 1 0 0 0 10 6
.i+S’écrit :
xU » xV » 2xW 3xX 1
O
4xW » 6xX 2
xV » 2xW » xX 0 ¢
10xX 6
Les solutions se déduisent facilement ; la dernière donne X , la troisième W , et ainsi de

Q et xX
ÚM ÚUU M ÚW
Q Q Q
suite. L’unique solution du système est xU , xV , xW
8.6 Résolution simultanée de plusieurs systèmes linéaires
8.6.1 Utilisation de la forme échelonnée simplifiée ou réduite
Lorsque le système à résoudre admet plus d’une solution, il est souvent plus commode de
poursuivre la réduction jusqu’à la forme simplifiée ou réduite. On peut alors résoudre le
système réduit en attribuant des valeurs arbitraires aux inconnues dont l’indice n’est pas
celle de la colonne d’un pivot et en exprimant les autres inconnues en fonction des valeurs
attribuées
8.6.2 Résolution simultanée
sont B (b[ ), C .c[ +, D .d[ +, …

Pour résoudre plusieurs systèmes associés à une matrice A et dont les second membres

[- 90 -]
Il y a avantage à effectuer les opérations de réduction sur la matrice A une seule fois
augmentée des colonnes B, C, D,…
Exemple
Résoudre les deux systèmes.
xU » xV » 2xW 1 xU » xV » 2xW 3
[3xU » 2xV » 3xW 4¢ et [3xU » 2xV » 3xW 3¢
5xU » 4xV » 7xW 6 5xU » 4xV » 7xW 3
- On réduit la matrice associée, augmentée des seconds membres à la forme

échelonnée réduite.
Soit A 3 2 3 4 3 0 1 3 1 12 0 1 3 1 12

1 1 2 1 3 1 1 2 1 3 1 0 1 2 9
5 4 7 6 3 0 1 3 1 12 0 0 0 0 0
D’où A 0 1 3 1 12
1 0 1 2 9
0 0 0 0 0
- On forme le nouveau correspondant à la matrice réduite
x xW 9 ¢
a et a U
xV » 3xW 12
xU xW 2 ¢
xV » 3xW 1
En posant xW α , on obtient xU 2 » α, xV 1 3α
D’où SU .2 » α, 1 3α, α+ ; en prenant α 0, on aura :
SU (2, 1,0+
De même, en considérant le deuxième système on a :
SV 9 » α, 12 3α, α 9,12,0 en posant α 0
8.7 Résolution d’un système linéaire dans le cas général
8.7.1 Rappel (système de Cramer)
Le système AX B est dit de Cramer s’il vérifie simultanément les deux conditions
suivantes :
(i) A est une matrice carrée d’ordre n

(ii) A est régulière (det A " 0)

[- 91 -]
8.7.2 Proposition
Si AX B est un système de Cramer, alors il admet une et une solution donnée par
X AÚU &oùÚU est la matrice inverse de A.
8.7.3 Système de m équations à n inconnues avec m " n
a) n C
Ici, on a plus d’équations que d’inconnues. Pour résoudre ce système, on cherche une sous-
matrice carrée d’ordre n de la matrice du système de déterminant non nul.
Ensuite, on résout le sous-système ( c'est-à-dire le système ayant pour matrice la sous-

matrice ci-haut et ayant pour colonne les termes indépendants adjacents à la sous-matrice).
Enfin, on vérifie si la solution du sous système est solution pour les équations non
concernées par le sous système.
Remarque
Si la solution du sous-système ne vérifie pas les équations non concernées, alors le système
est incompatible
Exemple
x y » z 1
xy»z1

x»y»z0
2x » y » z 4 ¢ ,

x 2y z 2
1 1 1 1
1 1 1 1
1 1 1 1
8 ; 8 ; 8 ; 8 ;
1 :, B 7 4 :, X R S ⇒ 7 2 1 :.R S 7 4 :
1 1 1 1
A7 2
0 Ü
1 1
629
Ü
6 1 2 19 6 1 2 19 629
1 1 2 1 1 2 0
Cherchons une sous-matrice régulière d’ordre 3 :
Soit Ah 1 1 1 det Ah 4 " 0

1 1 1
2 1 1
D’où le nouveau système :

[- 92 -]
»Ü 1
[ » Ü 1¢
2 » » Ü 4
X AÚU . Bf
U
AÚU tr
¨] Õ .ÕIT +
;
2 2
A[% 2 1 3, tr(ÕIT ) 3 2
2 3 1 0
4
0 2 2 1 3 2
U ÚU U ÚU
8ÚW U; 8ÚW U;
0 0
. 1 1
V V V V 1 1
7X V: 7X V:
U U
D’où AÚU X
'X X
6X V9 6X V9
ÚU W U ÚU W U 4 1
X X
La solution du sous-système est x 1, y 1, z 1, l’étape suivante consiste à voir si cette

solution vérifie les équations non concernées par le sous-système.
Comme la solution du sous-système vérifie, par conséquent le système admet pour solution
x 1, y 1, z 1
b) n ?
Pour ce type d’équation, on a plus d’inconnues que d’équations.
Pour résoudre ce type de système, on cherche une sous-matrice carrée régulière d’ordre m.
les inconnues non concernées par la sous-matrice sont fixées comme des paramètres. Il
n’ya pas donc d’unicité de solution.
Exemple
x » 2y » z » t » k 1
[x y » z t » 2k 0¢
2x » y z » t k 5
Ecrivons le système sous forme AX B, d’où :

8 ;
A 1 1 1 1 2 . 7 : 0
1 2 1 1 1 1
Ü
!
6l 9
2 1 1 1 1 5

[- 93 -]
1 2
Soit A 1 1 1 det Ah 9 " 0
1
h
2 1 1
Considérons le sous système suivant :
x » 2y » z 1 t » k (1)
P x y » z t 2k (2+ ¢
2x » y z 5 t » k (3)
De (1), on tire x (1 t » k) 2y z (1h )
(1’) dans (2) et (3) :
z
]ÚXKÚX
⇒y
UÚV]uK
W W
et
x (1 t » k) 2y z
5k
3
en posant k = a et t = b, le système a pour ensemble des solutions :
V a
5 a 1 » a 2b b 4a 4
, , , a, b : a, b b
3 3 3
c) n m
soit le système AX B, avec A une matrice carrée d’ordre n.
Si det A " 0, le système est de Cramer
Si det A 0, le système n’est pas de Cramer
Si det A 0, le système est compatible si et seulement si :
Le rang de la matrice augmentée du système est égal au rang de la matrice associée

ÊÙ.N & L+ Ù.5+Ë
C'est-à-dire le système est compatible si et seulement si toutes les sous-matrices carrées

d’ordre n de la matrice augmentée ont un déterminant nul ; sinon il est incompatible et
n’admet pas de solution. Mais si le système est compatible,
On va chercher une sous-matrice du système d’ordre maximal de déterminant non nul.

[- 94 -]
Exemple
[ x » 2y » z 3 ⇒ 1 R S 3¢
2x » y » z 1 2 1 1 x 1
2 1 . y
3x » 3y » 2z 2 3 3 2 z 2
det A 0
.A & B+ 1 2 1 3
2 1 1 1
3 3 2 2
Le système n’est pas de Cramer car det A = 0.
Toutes les sous-matrices carrées d’ordre 3 ont leurs déterminants nuls.
Par conséquent le système est compatible.
Considérons alors la sous-matrice carrée d’ordre 2 de la matrice suivante,
2 1
Soit Ò Ó ' det 3 " 0
1 2
D’où le système : a
2x » y 1 z ¢
x » y 3 z
Par la méthode d’addition par exemple, on obtient :
5z
, x
7 » z
3
y
3
Ò , , aÓ : a #
QÚà ÚMuà
en posant z = a , on a l’ensemble de solution V
W W
Contre exemple
Si par contre on avait le système :
[ x » 2y » z 3 ¢ ⇒ 1 2 1 . RyS 3
2x » y » z 1 2 1 1 x 1
3x » 3y » 2z 0 3 3 2 z 0
det A 0 .A & B+ 1 2 1 3

2 1 1 1
3 3 2 0

[- 95 -]
1 1 1
Soit A 2 1
h
3 la sous matrice, det Ah 2 " 0, rg (A & B) " rg(A)
3 2 0
Par conséquent, le système est incompatible c.-à-d. il n’admet pas de solution.
Exercices
1) A quelle condition doit satisfaire le coefficient α, pour que le système :

xV » xW bU
[ xU » xW bV ¢ admette au moins une solution quelque soit le choix de bU , bV , bW
xU » xV » αxW bW
Cette condition étant remplie, le système a-t-il plus d’une solution ?
2) Dans chacun des cas suivants, dire si le système n’a aucune solution, une seule
solution ou plus d’une solution (sans résoudre)
a) [ U » 3xV 6xW 2¢
2U 2xV » 4xW 1
3
U xV » 2xW 1
5xU 3xV xW » 4xX 6
b) [ U » xV » xW xX 2 ¢
2V 2xW » 3xX 3
c) [ xU 2xV 2xW 1 ¢
2xU » xV » 5xW 3
3xU 3xV 2xW 0

3) A quelle condition doivent satisfaire bU , bV et bW pour que le système :
U » 2xV 3xW bU
[2U » 6xV 11xW bV ¢
U 2V » 7xW bW
Admette une solution.
3U 3V xW » 2xX 9xQ 13

4) Réduire la matrice augmentée associée au système :
V » 2xW xX 6xQ 6 ¢
O U
U V » xW » xX 6xQ 1
U » xV xW 2xX » 7xQ 3
à la forme échelonnée, puis en tirer la solution générale du système.
axU » bxV » cxW 1

5) Résoudre le système :
P a²xU » b²xV » c²xW 1 ¢ où a, b, c sont des nombres distincts et non nuls.

aW xU » bW xV » c W xW 1
1 5 2
6) Par réduction simultanée, résoudre les deux systèmes associés à la matrice :
1 2 1 dont les seconds membres respectifs sont :1 et 3

2 2
5 4 1 1 5
[- 96 -]
Chapitre IX
Diagonalisation et Trigonalisation des

matrices
9.1 Polynôme des matrices et applications linéaires
9.1.1 Polynôme caractéristique
Considérons un polynôme f(t) sur un corps e.
f(t) a t » » aU t » ´ .
si A est une matrice carrée sur e, nous définissons alors :
f(A) a A » » aU A » ´ ¾où I est la matrice unitaire ou encore matrice identité.
En particulier, on dit que A est racine ou zéro de f(t) si f(A) 0
9.1.2 Exemple
1 2
Soit A Ò Ó , et soit f(t) 2t² 3t » 7, g(t) t² 5t 2.
3 4
3 6
f.A+ 2 Ò Ó² 3Ò
9 12
1 2 1 2 1 0 1 2 1 2 7 0
Ó » 7Ò Ó 2Ò ÓÒ ÓÒ Ó»Ò Ó
3 4 3 4 0 1 3 4 3 4 0 7
7 10 4 6 18 14
2Ò Ó»Ò ÓÒ Ó
15 22 9 5 21 39
1 2
g.A+ Ò Ó² 5Ò
1 2 1 0
Ó 2Ò Ó
3 4 3 4 0 1
1 2 1 2
Ò
5 10 2 0
ÓÒ ÓÒ ÓÒ Ó
3 4 3 4 15 20 0 2
7 10
Ò
15
5 10 2 0
ÓÒ ÓÒ Ó
22 15 20 0 2
2 0 2 0 0 0
Ò ÓÒ ÓÒ Ó
0 2 0 2 0 0
Donc A est une racine de g(t)

[- 97 -]
9.1.3 Théorème
Soient f et g deux polynômes sur e et soit A une matrice carrée n x n sur e. Alors :
(i) (F » g)(A) f(A) » g(A)

(ii) (fg)(A) f(A)g(A)
(iii) ( λ e, (λf)(A) λf(A)
De plus, puisque f(t)g(t) g(t)f(t), alors f(A)g(A) g(A)f(A)
C'est-à-dire que deux polynômes quelconques de la matrice commutent.
9.1.4 Polynôme d’une application linéaire
Supposons maintenant que :
T: V · Vest une application linéaire sur un espace vectoriel (e, V, »)
Si f(t) a t » » aU t » ´, nous définissons de la même manière que nous l’avons fait

pour les matrices :
f(T) a T » » aU T » ´ ¾oùI est l’application identité.
T est zéro ou racine de f(t) si f(T) = 0
Remarquons que les relations 9.1.3 restent vraies pour les applications linéaires comme
pour les matrices.
Donc deux polynômes quelconques dans T commutent.
Si A est la représentation matricielle de T, alors f(A) est aussi la représentation matricielle de

f(T).En particulier f(T) = 0 ⇒ f(A) = 0
9.1.5 Définition (valeurs et vecteurs propres)
Soit T: V · V une application linéaire sur un espace vectoriel (e, V, ») . Un scalaire ( λ e

kl V: T(v
est appelé valeur propre de T si il existe un vecteur v kl) λv
kl
Tout vecteur satisfaisant cette relation est alors appelé vecteur propre de T correspondant
à la valeur propre.
Remarque
kl de V est aussi un vecteur propre.

1. Tout multiple kv

[- 98 -]
kl) kT(v
En effet, T(kv kl) lλ.v
kl) k(λv kl+
espace propre associé à inoté

2. L’ensemble de tous les vecteurs propres est un sous-espace vectoriel de V appelé
Démonstration
Soit T: V · V , est un sous-espace vectoriel si et seulement si :
• " Q
• ( xkl, l , ( a, b e (axkl » by
kl)
kxl et y
kl ⇔ T(xkl) =(l) kl) λ(y
! T(y kl)
( a, b e,
T(axkl » by
kl) ? λ((axkl » by
kl)
T(axkl » by
kl) T(axkl) » T(by
kl)
aT(xkl) » bT(y
kl)
aλ(xkl) » bλ(y
kl)
λ(axkl) » λ(by
kl) =( l » $ l)
l » $ l est un vecteur propre associé à la valeur propre λ
D’où ( a, b e, et ( xkl, l axkl » by

kl Cqfd.
On emploie aussi fréquemment la terminologie valeur caractéristique et vecteur

caractéristique à la place de valeur propre et vecteur propre.
Remarque
Si A est une matrice carrée n x n sur e, alors une valeur propre de A est considérée comme
une application de e , c'est-à-dire , λ e est une valeur propre de A si pour un vecteur
kl e Av
(colonne) non nul, v kl λv
kl ;
klest un vecteur propre associé à =.

Dans ce cas, v
9.1.6 Exemple
Trouver les valeurs propres et les vecteurs propres associés à la matrice :

[- 99 -]
1 x
Ò Ó , ( t , xkl ÒyÓ tel que Axkl txkl d’où :
2
3 2
1 2 x
Ò Ó ÒyÓ t ÒyÓ ÒtyÓ ' a 'a
x tx » 2 ! .1 t+x » 2y 0 ¢
(1)
3 2 3x » 2y ty .2 !+y » 3x 0
×. S : Pour qu’un système homogène n’admette pas de solutions triviales, il faut et il suffit
que le déterminant de la matrice soit nul. D’où :
3 30
1t 2
3 2t
'.1 t+.2 t+ 6 0
4¢
' t² 3t 4 0 D’où tU,V
1
3x » 2y 0¢
tU 4 Dans (1), ⇒a ⇒y
Wý
3x 2y 0 V
En posant x a , on a xkl Òa, V Ó , a #

Wà
kxl Ò Ó#
2
Si a = 2,
3
t V 1 dans (1) ⇒ a 'a

2x » 2y 0 x»y0
' y x¢
3x » 3y 0 x»y0
En posant x a , on a y a dh où xkl a, a: a
1
En particulier si a = 1 ⇒ kxl Ò Ó#
1
9.1.7 Théorème
Soit T: V · V une application linéaire sur l’espace vectoriel (e, V, »). λ e est une valeur
propre de T si et seulement si :
(λI T)est singulière.
L’espace propre de λ est le noyau de λI T
Preuve
λ eest une valeur propre de T.

[- 100 -]
⇒ v kl) λv
kl V: T(v kl
kl) λv
I(λv kl
kl λv
⇒λIv kl
⇒ T(v
kl) λIv
kl
⇒ =Iv
kl T(v kl
kl) 0
⇒ (λI T)v kl⇒=I T 0

kl 0
Donc λI T est singulière.
Nous avons ainsi démontré que V est un espace vectoriel de x si et seulement si les
kl ker(λI T)
relations précédentes sont vérifiées. Donc v
9.1.8 Théorème
Les vecteurs propres distincts correspondant à des valeurs propres distinctes sont
linéairement indépendants.
9.1.9 Définition (polynôme caractéristique)
Considérons une matrice carrée n x n sur un corps e :
UU aUV aU
aV
A) -
VU VV
&
U aV a
La matrice tI A où I est la matrice carrée n x n identité et t une inconnue est appelé
matrice caractéristique de A.
! UU aUV aU
t VV aV
tI A ) -
VU
&
U aV t a
son déterminant ΔÕ (t) det(tI A) |tI A| qui est un polynôme en t et est appelé
polynôme caractéristique.
ΔÕ (t) 0 ⇔|tI A|
Nous appelons aussi ΔÕ (t) det(tI A) 0l’équation caractéristique de A.

[- 101 -]
9.1.10 Exemple
Trouver le polynôme caractéristique :
1 3 0
A 2 2 1
4 0 2
tIW A 2 1
! 1 3 0
!2
4 0 t»2
ΔÕ .t+ ¿.t 1+.t 2+.t » 2+ » 12À » 6.t » 2+
.t 1+.t V 4+ » 6t » 12 » 12
L ² » Æ » Æ
9.1.11 Théorème de Cayley-Hamilton4
Chaque matrice est un zéro de son polynôme caractéristique.
9.1.12 Exemple
Trouver le polynôme caractéristique de :
1 2
AÒ Ó
3 2
ΔÕ .t+ 3 3 .t 1+.t 2+ 6
t1 2
3 t2
t² 2t t » 2 6
t² 3t 4
1 2 1
ΔÕ .A+ Ò
2 1 2 1 0
ÓÒ Ó3Ò Ó 4Ò Ó
3 2 3 2 3 2 0 1
6 6
9 9
7 7 0 0
Ò ÓÒ ÓÒ Ó
10 10 0 0
4
Cayley, Arthur (1821-1895), mathématicien britannique, créateur du calcul matriciel

[- 102 -]
9.1.13 Théorème
Soit A une matrice n x n sur un corps e. Un scalaire λ e est une valeur propre de A si et
seulement si λ est une racine ou un zéro du polynôme caractéristique.
Preuve
λ e est une valeur propre de A di et seulement si λI A est singulière ⇒|λI A| 0
on sait que tI A ΔÕ (t) 0 ⇔t(la variable) est zéro de tI A.
D’où |λI A| 0 ⇒ λ est un zéro de λI A
9.1.14 Réduction à la forme échelonnée
9.1.14.1 Théorème (caractérisation des applications linéaires diagonales)
Soit (e, V, ») un espace vectoriel de dimension finie n non nul.
Soit φ une application linéaire :
φ: (e, V, ») · (e, V, ») , les équations suivantes sont équivalentes :
a) Φ est diagonalisable
b) (e, V, ») admet une base des vecteurs propres de
c) (e, V, ») admet une base dans laquelle la matrice de est diagonalisable
d) Toute racine du polynôme caractéristique de est réelle et de multiplicité égale à la
dimension du sous-espace propre associé
9.1.14.2 Corollaire
Les données étant celles du théorème 9.1.14.1, si les racines du polynôme caractéristique
de sont toutes réelles et simples, alors est diagonalisable.
9.1.14.3 Matrice diagonalisable
Soit A une matrice carrée d’ordre n x n, on dit que A est diagonalisable si l’application
linéaire associée canoniquement à A est diagonalisable.
D’après le théorème 9.1.14.1 les conditions suivantes sont équivalentes :
a) A est diagonalisable
b) A admet n vecteurs propres linéairement indépendants
c) A est semblable à une matrice diagonale

[- 103 -]
Autrement dit, il existe une matrice P inversible telle que D PÚU AP ou encore A P. D. PÚU .
Toute racine du polynôme caractéristique de A est réelle et de multiplicité égale à la

dimension du sous-espace propre associé.
9.1.14.4 Remarque
La matrice P est la matrice de passage de la base canonique à une base de vecteur propre
de A.
Les colonnes de P sont donc des vecteurs propres de A et les termes diagonaux de D sont
les valeurs propres correspondantes.
9.1.14.5 Marche à suivre et exemple
La marche à suivre pour diagonaliser une matrice carrée est la suivante :
a) Former le polynôme caractéristique de A et déterminer ses racines (leur numérotation

est arbitraire) ainsi que leurs multiplicités.
Si il ya des racines complexes, A n’est pas diagonalisable.
b) Chercher une base de chaque sous-espace propre de A, si la dimension d’un sous-
espace propre est inférieur à la multiplicité de la valeur propre correspondante (cela
ne peut se produire que si la multiplicité est supérieure à 1),A n’est pas
diagonalisable.
c) Réunir ces bases en une famille des vecteurs constituant la matrice P
=U I 0 … 0
d) Former la matrice diagonale D U 0 =V I … 0 V
0 = I
e) Calculer P ÚU et écrire D PÚU AP
Exemple
Soit à diagonaliser :
1 3 3
A 3 5 3
6 6 4
λ1 3 3
λI A 3 λ » 5 3
6 6 λ4
|λI A| =W 12= 16

[- 104 -]
|λI A| 0 ⇔=W 12= 16 0
=W 12= 16 0
⇔λW 4λ 8λ 16 0
' =.λV 2+ 8.λ » 2+ 0
'λ.λ 2+.λ » 2+ 8.λ » 2+ 0
' .λ » 2+¿λ.λ 2+ 8À 0
⇔.λ » 2+ 0 ou ¿λ(λ 2+ 8À 0
.λ » 2+ 0 ' λ 2; λ(λ 2+ 8 0 ⇔ λ² 2λ 8 0 ⇔λU 2 ou λW 4
m(λV ) 2, m.λW + 1
a) V(Y rX) ?
3 3 3 xU 0
On a : 3 9 3 xV 0
6 6 0 xW 0
3xU » 3xV 3xW 0 (1)

P3x U » 9xV 3xW 0 (2+
¢
6xU » 6xV 0 (3)
(3) ⇒xU xV ⇒ xW 2xU
Posons U , on aura xV a, xW 2a
VY (a, a, 2a): a pour a 1, on a:
1
VY [1z une base
¦¦¦¦¦¦
3 3 3 xU 0 3xU » 3xV 3xW 0

b) VA 2, on a : 3 3 3 xV 0 , dh où [3xU » 3xV 3xW 0¢
6 6 6 xW 0 6xU » 6xV 6xW 0
⇒ xU xV » xW 0
Posons :
1° xU a, xV a ⇒ W 0

[- 105 -]
2° U a, xV 0 ⇒ xW a
D’où: wA ( , , 0), ( , 0, ):
1¦ ¦¦¦¦
1 1 1 1
V@ [1 , 0 z ⇒ P 1 0 1 .sous espace propre)
0 1 0 1 2
P ÚU ?
1 1 3 1 1 1 3 1
P ÚU 2 2 0 ' D PÚU AP 2 2 0 . 3 5 3 . 1 0 1
1 3 3 1 1 1
6 6 4
2 2
1 1 1 1 1 1 0 1 2
Æ , ,
, Æ ,
, ,
9.1.15 Trigonalisation ou triangularisation
Dans ce paragraphe, on va étudier comment trouver si possible une matrice SÕ telle que :
SÕ ÚU . A. SÕ est une matrice triangulaire.
9.1.15.1 Définition
Soit A une matrice carrée d’ordre n. Si A est semblable à une matrice triangulaire, alors on
dit que A est triangularisable.
9.1.15.2 Proposition
Soit A une matrice carrée d’ordre n. A est semblable à une matrice triangulaire si et
seulement si A admet n valeurs propres (distinctes ou non)dans le corps considéré.
9.1.15.3 Remarque
Il est donc évident que dans m toutes les matrices sont triangularisables.
9.1.15.4 Marche à suivre
Soit A une matrice carrée d’ordre n
a) Calculer les valeurs propres

b) Si A admet n valeurs propres, alors on cherche pour chaque valeur propre le sous-
espace vectoriel associé et on détermine une base de ces sous-espaces vectoriels.

[- 106 -]
Si dim.V + est inférieur à la multiplicité de =, alors on complète cette base de V avec des
vecteurs linéairement indépendants afin d’avoir exactement le nombre des vecteurs libres
égal à la multiplicité de =.
c) La matrice S qui trigonalise A aura pour colonne les vecteurs de base obtenu en
complétant si possible les bases de w
Exercices
1) Montrer que 3 est une valeur propre de la matrice :

4 0 2 0 1
80 4 0 2 1;
A 71 0 5 0 1:
61 49
0 1 0 5 1
0 2 0
Puis trouver la dimension du sous-espace propre associé à 3
2) Chercher les valeurs propres de la matrice :
A 1 20 14
14 43 22
3 25 21
Sachant que l’une d’entre elles est double, A est-elle diagonalisable ?
#
3) Discuter de la diagonalisation de la matrice :
0 0 0
) -
x
0 0 0 1
A
0 1 0
1 0 0 0
et dans le cas favorable, diagonaliser A (α, β +
4) Trigonaliser les matrices :
5 1 3 1
a) A ) -
3 1 3 1
3 1 1 5
3 1 1 3
b) B 1 0 0
2 0 1
0 0 0
1 0 1
c) C 2 0 1
1 0 1

[- 107 -]
Bibliographie
¿1À N. Mbuyi, ÷ õ ÷óô õh øð¡è!ô, prépolytechnique , Université de Mbujimayi 2000-2001
¿2À J. M. Arnaudies, H. Fraysse, ÷óô õ ¤ø¥éñøù¦ó Å, Algèbre, Dunod 1996
¿3À J. M. Arnaudies et Al. §ô ù ôé÷ðó õh Nðè!ô õó ÷óô õ ¤ø¥éñøù¦ó , Dunod , 1997

[- 108 -]

Algèbre Prepo - I-1 - 010908

Transféré par

Droits d'auteur :

Formats disponibles

Algèbre Prepo - I-1 - 010908

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Algèbre Prepo - I-1 - 010908

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSITE DE MBUJIMAYI

Fondation Cardinal J.A. Malula

Faculté des Sciences Appliquées

Année académique : 2010-2011

Table des matières

CHAPITRE 1 NOTION D’ENSEMBLE

1.1 Définition …………………………………………… 6

1.4 0pération sur les ensembles …………………… 7

1.4.1 Intersection ………………………………………… 7

1.4.2 Réunion ……………………………………………. 8

1.4.3 Différence de deux ensembles …………………. 8

1.4.4 Proposition ………………………………………… 8

1.4.5 Théorème ………………………………………….. 9

1.4.6 Famille d’ensembles …………………………….. 9

1.4.6.1 Remarque ……………………………………….. 9

1.4.6.2 Réunion d’une famille d’ensemble ………….. 9

1.4.6.3 Remarque ……………………………………….. 9

1.4.6.4 Intersection d’une famille d’ensemble ……… 10

1.4.6.5 Remarque ………………………………………. 10

8.1 Définition ………………………………………… 14

8.2 Remarque et notation ………………………… 14

8.3 Réflexivité ………………………………………. 14

8.4 Transitivité ……………………………………… 14

8.6 Antisymétrie ……………………………………. 15

8.7 Relation d’équivalence ……………………….. 15

8.8 Partition d’ensemble …………………………. 16

8.9 Classes d’équivalence ………………………. 17

8.10 Proposition …………………………………… 17

8.11 Théorème …………………………………….. 17

8.12 Remarque …….……………………………… 18

8.13 Relation d’ordre ……………………………… 18

8.14 Relation induite ……………………………… 19

8.15 Proposition …………………………………… 19

8.16 Remarques ………………………………….. 20

8.17 chaîne ………………………………………… 20

9.1 Définition ……………………………………… 22

9.2 Image ………………………………………….. 22

9.3 Injection ……………………………………….. 23

9.4 Surjection …………………………………….. 23

Aimé Alain KALALA NKASHAMA U.M. 2010 - 2011

9.5 Bijection ………………………………………. 24

9.8 Inverse ………………………………………. 25

9.9 Fonction inversible ………………………… 25

9.10 Lemme de Serre ………………………… 27

9.11 Théorème ………………………………… 28

CHAPITRE 3 LOIS DE COMPOSITION

3.1 Loi de composition externe ………………. 31

3.2 Loi de composition interne ………………. 31

3.2.1 Définition …………………………………. 31

3.2.2 Notation …………………………………… 31

3.2.3 Exemple ………………………………….. 31

3.2.4 Remarque ……………………………….. 31

3.2.5 Commutativité …………………………… 32

3.2.6 Associativité ……………………………… 32

3.2.7 Elément neutre …………………………. 32

3.2.8 Elément régulier ………………………… 32

3.2.9 Monoïde ………………………………….. 33

3.2.10 Elément symétrique ………………….. 33

4.1 Définition ………………………………….. 36

Ex. … , 3, 2, 1,0,1,2,3, …

Un ensemble sans éléments est dit ensemble vide et on le représente par ,

& ' ( , & ! ( &, .

Ex. A = , 0; -.+ 0 , , 0, , 01

A\B : ! &

1) A\.B 2 C+ .A\B+ 8 .A\C+

2) A\.B 8 C+ .A\B+ 2 .A\C+

(1) A\.B 2 C+ ? .A\B+ 8 .A\C+

Par conséquent A\.L 2 M+ .N\L+ 8 .N\M+

(2) A\.B 8 C+ ? .A\B+ 2 .A\C+