Unversité Amadou Mahtar Mbow, Dakar Senegal

Ecole Supérieure des Sciences et Techniques de L’Ingénieur

Dr. Thierno M.M. Sow

Cours de Algébre 2
 Resumé

L’algèbre est un langage universel qui sert à décrire de nombreux phénomènes en mé-
canique, électronique, et économie, par exemple. Il n’est donc pas étonnant de retrouver
cette matière enseignée au début de nombreux cursus universitaires car elle est nécessaire
pour pouvoir exprimer des concepts plus avancées les années suivantes. Ainsi il est cru-
cial pour un(e) étudiant(e) d’en maîtriser son vocabulaire et sa grammaire au plus tôt.
Pourtant, même si elle est un domaine des mathématiques, il n’est pas nécessaire d’être
un(e) mathématicien(ne) averti-e pour l’apprendre, fort heureusement. Ce cours d’algébre
2 est une introduction à l’algébre linéaire. Il est structuré en trois parties, la premiére est
consacrée à l’introduction aux espaces vectoriels, la deuxieme aux espaces vectoriels en
dimension finie et la derniére aux applications linéaires.

1
 CHAPITRE 1

Introduction aux espaces vectoriels

Ce premier chapitre a pour but de développer les principaux résultats concernant les es-
paces vectoriels. Cette étude n’est pas une fin en soi mais elle est le passage obligé pour
étudier ensuite les applications linéaires et les matrices et systèmes d’équations linéaires.

Motivation : Géométrie des vecteurs dans R2 et de R3 et des règles vérifiées par l’addi-
tion de deux vecteurs et par la multiplication d’un vecteur par un scalaire réel. En terme
de coordonnées : ~u = (u1 , u2 ), ~v = (v1 , v2 ) ∈ R2 alors ~u +~v = (u1 + u1 , v1 + v2 ) ∈ R2 et α ∈ R
alors α.~u = (αu1 , α2 u2 ). Par conséquent, si ~u = (u1 , u2 ), ~v = (v1 , v2 ), α ∈ R alors :

α(~u + ~v) = (α(u1 + v1 ), α(u2 + v2 )) = (αu1 + αv1 , αu2 + αv2 ) = α~u + α~v ∈ R2 .

Idée : Etendre les propriétés essentielles de ces opérateurs dans R2 et de R3 pour qu’elles
deviennent les axiomes d’un espace vectoriel abstrait.

But : Pouvoir appliquer les méthodes et les intuitions géométriques dans un contexte plus
général, par exemples, à des polynômes.

2
3 Espaces vectoriels

1.1 Définitions, exemples et propriétés élémentaires

Définition 1.1 Un K-espace vectoriel consiste en un ensemble E, dont les éléments sont
notés ~u ∈ E et appelés vecteurs, muni de deux opérations :
Addition : E × E → E : (~(u), ~v) 7−→ ~u + ~v. Aussi appelée loi interne.
Multiplication par scalaire : K × E → E : (α, ~u), 7−→ α~u. Aussi appelée loi externe.
Vérifiant les axiomes suivants :

V1 commutativité de l’addition : ~u + ~v = ~v + ~u, ∀ ~u, ~v ∈ E.

V2 associativité :cet axiome est en deux parties :

— (~u + ~v) + w
~ = ~u + (~v + w
~ ), ∀ ~u, ~v, w
~ ∈ E.
— α(β~u) = (αβ)~u, ∀ α, β ∈ K, ~u ∈ E.
V3 existence d’un élément neutre pour l’addition : ∃ ~0E ∈ E tel que ~u+~0 = ~u, ∀ ~u ∈ E.

V4 existence d’inverse additif : ∀ ~u ∈ E il existe ~v ∈ E tel que ~u + ~v = ~0.

V5 normalisation : 1.~u = ~u, ∀ ~u ∈ E.

V6 distributivité :cet axiome est en deux parties :

— α(~u + ~v) = α~u + α~v, ∀ α ∈ K, ~v, ~u ∈ E.

— (α + β)~u = α~u + β~u, ∀ α, β ∈ K, ~u ∈ E.
Dans toute la suite, lorsqu’on parlera de K on va considerer que K = R ou K = U.

Remarque 1.2 Noter que l’axiome V3 implique que tout espace vectoriel contient au
moins un vecteur : ~0E .
Pour simplifier l’écriture dans certains livres on écrit u à la place de ~u.

Consequence 1.3
Tout vecteur ~u de E est régulier pour l’addition vectorielle (desormais notée +).
(~u, ~v, w
~ ) ∈ E 3 , ~u + ~v = ~u + w
~ =⇒ ~v = w
~.

— (~u, ~v) ∈ E 2 , ∃ w
~ ∈ E : ~u + w
~ = ~v + w
~, w
~ est unique.

— ∀ ~u ∈ E, 0.~u = ~0E .

— ∀ α ∈ K, α.~0E = ~0E .

— α.~u = ~0E =⇒ α = 0 ou ~u = ~0E .

   

3
4 Espaces vectoriels

— ∀ ~u ∈ E (−1)~u est l’opposé de ~u, −~u.

Exemple 1.4 Exemples d’espaces vectoriels sur R.

1. R, muni de l’addition comme loi interne et la multiplication par un réel comme loi
externe.

2. L’ensemble des polynomes à une variable de degré au plus égal à n, muni de l’addition
comme loi interne et la multiplication par un réel comme loi externe.
!
x
3. R × R, ensemble des couples, ~u = muni des lois suivantes :
y

x+z αx
! ! ! ! !
x z x
+ = et α. = .
y w y+w y αy

4. L’ensemble des applications de R dans R muni des lois suivantes :

( f, g) → f + g et (α, f ) → α. f.

5. L’ensemble des fonctions dérivables sur [a, b] muni des lois ci-dessus.

6 L’ensemble des fonctions escalier (de R dans R) muni des lois ci-dessus.

Exercice 1.5 Soit K = R et E = R3 . Montrer que (R3 , +, .) est un R-espace vectoriel.

Solution
Loi interne : ∀x ∈ R3 , x = (x1 , x2 , x3 ) et ∀y ∈ R3 , y = (y1 , y2 , y3 ). On a

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

Donc R3 est stable par la loi interne.

Loi externe : ∀x ∈ R3 , ∀λ ∈ R : λ.x = (λx1 , λx2 , λx3 ) ∈ R3 . Donc R3 est stable par
la loi externe. On peut conclure (R3 , +, .) est un R-espace vectoriel.

Remarque 1.6 Pour montrer que (E, +, .) est un K-espace vectoriel il suffit de montrer
que la loi interne et la loi externe sont stables par l’addition et la multiplication respecti-
vement.

Exercice 1.7 L’ensemble Q, muni de l’addition, et de la multiplication par un réel, est il

un espace vectoriel sur R ?

4
5 Espaces vectoriels

Solution
Non : l’ensemble Q muni des deux lois indiqués n’est pas un espace vectoriel sur R. En
effet, la loi externe serait définie ainsi au couple (α, q) ∈ R × Q, on associe α ∗ q. Or il se
√
peut que : α ∗ q < Q ( donc loi externe n’est pas stable). Exemple prendre : α = 2, q = 3.

1.2 Sous-espaces vectoriels

Question : Etant donné un K-espace vectoriel E et un sous-ensemble U ⊂ E, quand est-
ce que U est un K-espace vectoriel, muni de l’addition et de la multiplication par scalaire
“héritée” de E ?
Réponse partielle : Il est évident qu’il faut au moins :

∀ (~u, ~v) ∈ U × U =⇒ ~u + ~v ∈ U

∀ (α, ~u) ∈ K × U α.~u ∈ U.

En fait, ces deux conditions sont non seulement nécessaires, mais aussi suffisantes, pour
autant que U , ∅.

Définition 1.8 Une partie U d’un espace vectoriel E est un sous espace vectoriel si elle
stable pour les deux opérations de E, c’est à dire
∀ (~u, ~v) ∈ U × U =⇒ ~u + ~v ∈ U
∀ (α, ~u) ∈ K × U =⇒ α.~u ∈ U.

Théorème 1.9 Une partie U d’un espace vectoriel E est un sous espace vectoriel si et
seulement si :

∀ (α, β) ∈ K 2 , ∀ (~u, ~v) ∈ U 2 =⇒ α~u + β~v ∈ U.

Remarque 1.10 D’aprés la Remarque 1.6, on a un sous-espace vectoriel est lui méme un
espace vectoriel.

1.2.1 Somme de deux sous-espaces vectoriels

Théorème 1.11 Soit F1 et F2 deux sous-espaces vectoriels (sev) de E. On appelle somme
des sev F1 et F2 l’ensemble noté (F1 + F2 ) défini par :
n o
F1 + F2 = x + y : x ∈ F1 , y ∈ F2 .
Exercice 1.12 Montrer que F1 + F2 est un sev de E.

5
6 Espaces vectoriels

1.2.2 Somme directe de deux sous-espaces vectoriels

Définition 1.13 On appelle somme directe la somme notée F1 ⊕ F2 ,
F1 + F2
(
F = F1 ⊕ F2 ⇐⇒ (1.1)
F1 ∩ F2 = {0E }.
Remarque 1.14 Si F = E, on dit que F1 et F2 sont supplémentaires

Propriété 1.15 F = F1 ⊕ F2 si et seulement si ∀ z ∈ F, z s’écrit de manière unique sous

la forme z = x + y avec x ∈ F1 et y ∈ F2 .

Exercice 1.16
n o n o
F1 = (x1 , 0, 0) avec x1 ∈ R et F2 = (0, x2 , x3 ) avec (x2 , x2 ) ∈ R2 .
Montrer que F1 et F2 sont supplémentaires de R3 c’est-à-dire F1 ⊕ F2 = R3 .
n o
Solution : Montrons que F1 ⊕ F2 = R3 . On a R3 = (x1 , x2 , x3 ) avec x1 , x2 , x3 ∈ R et
n o
F1 + F2 = (x1 , 0, 0) + (0, x2 , x3 ) = (x1 , x2 , x3 ) avec x1 , x2 , x3 ∈ R . D’oú F1 + F2 = R3 .
n o
F1 ∩ F2 = (x1 , x2 , x2 ) tel que (x1 , 0, 0)) = (0, x2 , x3 ) . Donc determiner F1 ∩ F2 revient
à resoudre l’equation suivante (x1 , 0, 0) = (0, x2 , x3 ). D’oú x1 = 0, x2 = 0, x3 = 0 =⇒
F1 ∩ F2 = {0R3 }. On conclut que F1 et F2 sont supplémentaires de R3 .

1.2.3 Exemple et contre-exemple

(1) {~0} et E sont deux sous-espace vectoriel E.
(2) Dans l’espace vectoriel des polynomes à une variable à coéfficient réels, l’ensemble
des polynomes de degré au plus égal à deux, est un sous-espace vectoriel.
(3) Q, sous-ensemble de l’espace vectoriel R, n’est pas un sous-espace vectoriel de
R (voir Exercice 1.7).
(4) Tout sous-espace vectoriel de E autre que ~0 et E est appelé sous-espace propre de E.
(5) L’intersection de deux sous-espaces vectoriels de E est un sous-espace vectoriel de E
( en particulier, elle n’est jamais vide puisque ~0 en est un élément).
(6) La reunion de deux sous-espaces vectoriels quelconques de E n’est pas en général un
sous-espace vectoriel de E.

Remarque 1.17 Pour abréger, on dit sous-espace au lieu de sous-espace vectoriel (bien
distinguer : sous-ensemble et sous-espace).

Exercice 1.18 Dans l’espace vectoriel des applications de R dans lui-même l’ensemble
des fonctions telles que :
∀x ∈ R −→ ax (1.2)
oú a est un réel quelconque, est il un sous-espace vectoriel ?

6
7 Espaces vectoriels

Remarque 1.19 Les fonctions définies par (1.2) sont appelées fonctions linéaires.

Solution : L’ensemble des fonctions linéaires est un sous-espace vectoriel de l’espace

vectoriel des des applications de R dans lui-même.
En effet, soit f et g des fonctions linéaires de coéfficients a et b : α f + βg est l’application
R dans R telle que :

∀ x ∈ R (α f + βg)(x) = α f (x) + βg(x) = αax + βbx = (αa + βb)x.

Or ∀ (α, β) ∈ R2 =⇒ αa + βb ∈ R. Donc α f + βg est une fonction linéaire.

Cette condition suffit pour affirmer que le sous-ensemble considéré est un espace vecto-
riel.

1.3 Combinaisons linéaires, familles libres, liées et géné-

ratrices
1.3.1 Combinaison linéaires
Soit F une famille finie de vecteurs u~1 , u~2 , ...., u~n d’un espace vectoriel E est abrégé
u~i , i ∈ {1, ...., n}. Tout vecteur de la forme :

α1 u~1 + α2 u~2 + ... + αn u~n

oú α1 , α2 , ..., αn sont des élément quelconque de K, est appelé combinaison linéaire des
Xn
vecteurs u~i . On peut le noter αi u~i .
i=1
L’ensemble U de toutes les combinaisons linéaires des vecteurs u~i est un sous-espace vec-
toriel de E, noté L(F). C’est pour l’inclusion, le plus petit sous-espace vectoriel contenant
tous les u~i . On dit que U est le sous-espace vectoriel engendré par F.

1.3.2 Systéme générateur, familles libres et liées

Une famille F de vecteurs de E est dites famille génératrice de E si tout vecteur de E est
une combinaison linéaire de vecteurs de F :

∀, ~v ∈ E ∃ α1 , α2 , ..., αn ∈ K n ; ~v = α1 u~1 + α2 u~2 + ... + αn u~n .

7
8 Espaces vectoriels
 
On dit aussi que u~1 , u~2 , ...., u~n forme un systéme générateur.

Définition 1.20 On dit que la famille {ui }0≤i≤n est libre si

n
X
αi u~i = 0E =⇒ αi = 0 ∀ 0 ≤ i ≤ n.
i=0

Définition 1.21 On dit que la famille {ui }0≤i≤n est liée si

n
X
∃ (α1 , α2 , ..., αn ) , (0, 0, ...., 0) tel que αi u~i = 0E .
i=0

1.3.3 Condition de dépendance de deux vecteurs

   
 x
 , ~v = a
  
Dans R2 ~u =   
 . Les vecteurs ~u et ~v sont linéairement dépendants si et

y b
seulement si :
xb − ya = 0. (1.3)

   
 x  a 
   
Dans R ~u = y
3
 , ~v = b  . Les vecteurs ~u et ~v sont linéairement dépendants si et
   
   
z c
seulement si :    
 yc − zb  0 
   
 za − xc  = 0  . (1.4)
  
   

xb − ya 0

1.3.4 Exemple et contre-exemple

1. Dans l’espace vectoriel des applications de R dans R, les applications f et g telles que :

x → f (x) = x + 1 et x → g(x) = 2x

engendrent le sous-espace  vectoriel

 des fonctions de la forme ax + b, avec a, b ∈ R.
1 
 
2. Dans R , le vecteur 1  engendre le sous-espace vectoriel R × {0} × {0}.
3  
 
0 

8
9 Espaces vectoriels

3. Dans l’espace vectoriel des polynomes à une variable à coéfficient dans R, le systéme
de vecteurs f et g tels que :

x → f = x2 + 1 et x → g = 2x2 − 5

n’engendre pas le sous-espace des polynomes de degrés au plus égal à deux.

! !
3 1
Exercice 1.22 Demontrez que les vecteurs et forme une famille génératrice
2 5
de R2 .

Solution : Il suffit de montrer que : ∀ ~u ∈ R2 il existe (α, β) ∈ R2 :

   
3  1 
~u = α   + β   . (1.5)
2 5
 
 x 
Posons ~u =   . D’oú le systéme (1.5) devient le systéme de deux équations linéaires à
y
deux inconnus α et β ;

 x = 3α + β



(1.6)
 y = 2α + 5β.




On sait que ce systéme a une unique solution unique

5x − y −2x + 3y
α= , β= .
13 13

Donc, ∀ ~u ∈ R2 il existe
   
3
 + β 1
  
(α, β) ∈ R2 : ~u = α   
 .

2 5
   
3  1 
D’oú   et   forme une famille génératrice de R2 .
  
2 5

Définition 1.23 On dit que la famille {~

ui }0≤i≤n est une base de E si {ui }0≤i≤n est une famille
libre et génératrice.

9
10 Espaces vectoriels

1.3.5 Base d’un espace vectoriel

Propriété 1.24 On dit que la famille {~
ui }0≤i≤n est une base de E si et seulement si ∀ x ∈
Xn
E, x = αi u~i .
i=0

Exercice 1.25 Soit ~i = (1, 0) ∈ R2 et ~j = (0, 1) ∈ R2 . La famille {~i, ~j} est-elle une base de
R2 ?

Figure 1.1 – Le plan avec la base {~i, ~j}

Solution : On a {~i, ~j} est une famille génératrice de R2 . En effet, ∀ ~x ∈ R2 =⇒ ~x =

(x1 , x2 ) = x1 (1, 0) + x2 (0, 1) = x1~i + x2 ~j (CQFD).
Soit α1 , α2 ∈ R, tel que ~x = α1~i + α2 ~j = 0R2 = α1 (1, 0) + α2 (0, 1) = (0, 0) =⇒ (α1 , α2 ) =
(0, 0) =⇒ α1 = α2 = 0. Donc {~i, ~j} est une famille libre de R2 . On a donc montré que {~j, ~j}
est une famille libre et génératrive de R2 . D’oú {~i, ~j} est une base de R2 .

Remarque 1.26 La famille {e~1 , e~2 , e~3 , ..., e~n } avec e~1 = (1, 0, 0, ..., 0), e~2 = (0, 1, 0, ..., 0), ...., e~n =
(0, 0, 0, ..., 1) constitue la base canonique de Rn .

Figure 1.2 – L’espace avec la base {~i, ~j, ~k}

10
11 Espaces vectoriels

Propriété 1.27 — {~v} est une famille libre ⇐⇒ ~v , 0.

— Toute famille contenant une famille génératrice est génératrice.
— Toute sous-famille d’une famille libre est libre.
— Toute famille contenant une famille liée est liée.
— dont l’un des vecteurs ~v est nul, est liée

11
 CHAPITRE 2

Espace vectoriel de dimension finie

Les espaces vectoriels ont été définis dans le Chapitre 1 et nous avons mis en évidence
quelques-unes de leurs principales propriétés. Dans ce chapitre, nous complétons cette
étude par l’examen des espaces vectoriels de dimension finie. Nous verrons en particulier
qu’un espace vectoriel de dimension finie peut être complètement définie par sa dimen-
sion.

Définition 2.1 — Soit {ui }0≤i≤n une famille S d’éléments de E. On appelle cardinal
de S le nombre d’éléments de S.

— E est un espace vectoriel de dimension finie si E admet une famille génératrice de

cardinal fini.

Théorème 2.2 Toutes les bases d’un même espace vectoriel E ont le même cardinal. Ce
nombre commun est appelé la dimension de E. On note dimE.

Corollaire 2.3 Dans un espace vectoriel de dimension n, on a :

— Toute famille libre a au plus n éléments.

— Toute famille génératrice a au moins n éléments.

Remarque 2.4 Si dimE = n, pour montrer qu’une famille de n éléments est une base de
E, il suffit de montrer qu’elle est libre ou bien génératrice.

Exercice 2.5 Soit e~1 = (1, 0, 0) ∈ R3 , e~2 = (0, 1, 0) ∈ R3 et e~3 = (0, 0, 1) ∈ R3 . Montrer
que {e~1 , e~2 , e~3 } forme une base de R3 .

12
13 Espace vectoriel de dimension finie

Solution : ∀ ~x ∈ R3 =⇒ ∃(x1 , x2 , x3 ) ∈ R3 tel que ~x = (x1 , x2 , x3 ) = x1 (1, 0, 0) +

x2 (0, 1, 0) + x3 (0, 0, 1) = x1 e~1 + x2 e~2 + x3 e~3 . D’oú {e~1 , e~2 , e~3 } est une famille génératrice de
R3 et dimR3 = 3, on conclut que {e~1 , e~2 , e~3 } forme une base de R3 .

Théorème 2.6 (Théorème de la base incomplète) Soit E un espace vectoriel de dimen-

sion finie et L une famille libre de E. Alors il existe une base B de cardinal fini qui contient
L.

2.0.1 Caractérisation des sous-espaces de dimension finie

Propriété 2.7 Soit E un K-espace vectoriel de dimension n et F un sous-espace vectoriel
de E :
— dimF ≤ dimE
— dimF = dimE ⇐⇒ F = E.

2.0.2 Coordonnées d’un vecteur

Définition 2.8 Soit E un K-espace vectoriel de dimension n et B = {e~1 , e~2 , ..., e~n } une
n
X
base de E (c’est-à-dire ∀ ~x ∈ E, ~x s’écrit de manière unique ~x = αi e~i ), les scalaires
i=1
α1 , α2 , ..., αn sont appelés les coordonnées de ~x dans la base B.

Exemple 2.9 Soit x ∈ R3 . Il existe (α1 , α2 , α3 ) ∈ R3 tel que x = α1 e~1 + α2 e~2 + α3 e~3 car
{e~1 , e~2 , e~3 } forme une base de R3 et les les coordonnées de ~x sont (α1 , α2 , α3 ).

2.0.3 Sous-espaces engendrés

Soit G = {x1 , ..., x p }.
Le sous-espace F des combinaisons linéaires des vecteurs x1 , ..., x p est appelé sous-espace
engendré par G et se note : F = VectG = Vect{x1 , ..., x p } :
p
X
n o
F= x∈E: x= αi xi .
i=1

Remarque 2.10 F = Vect{x1 , ..., x p } ⇐⇒ {x1 , ..., x p } est une famille génératrice de F.

Définition 2.11 La dimension de F s’appelle le rang de la famille G : dimF = rgG.

Propriété 2.12 Soit G = {x1 , ..., x p }

— rgG ≤ p
— rgG = p ⇐⇒ G est libre.

13
14 Espace vectoriel de dimension finie

2.0.4 Existence de sous-espaces supplémentaires en dimension finie,

bases et sous-espaces supplémentaires
Propriété 2.13 Soit E un K-espace vectoriel de dimension finie n
(1) Tout sous-espace vectoriel F admet au moins un sous-espace supplémentaire, c’est-à-
dire qu’il existe un sous-espace G tel que

E = F ⊕ G.

(2) Soit F , ∅ et G , ∅ deux sous-espace vectoriel de E et soit B1 une base de F et B2

une base de G. La famille {B1 , B2 } est une base si et seulement si E = F ⊕ G.
0 0
(3) Soit G et G deux sous-espaces vectoriel supplémentaires de F dans E, alors G et G
ont la même dimension : dimG = dimG = dimE − dimF.
0

2.0.5 Caractérisation des sous-espaces supplémentaires par la di-

mension
Corollaire 2.14 Soit E un K-espace vectoriel de dimension finie

dimE = dimG + dimF

(
F ⊕ G = E ⇐⇒ (2.1)
F ∩ G = {0E }.

2.0.6 Dimension d’une somme de sous-espace vectoriel

Propriété 2.15 Soit E un K-espace vectoriel de dimension finie et F et G deux sous-
espaces vectoriels de E, alors :

dim(F + G) = dimG + dimF − dim(F ∩ G).

2.1 Exercices corrigés

Exercice 2.16! Dites si les vecteurs
! ~u et ~v de R2 forme une famille libre ou liés :
4 −2
(1) ~u = , ~v = .
−2 1
! !
1 0
(2) ~u = , ~v = .
5 3
Solution : Formons l’ensemble des combinaison liéaires des ~u et ~v, et voyons quels coéf-
ficients il faut choisir pour obtenir vec0. Calculons (λ, β) ∈ R2 tel que : λ~u + β~v = ~0.

14
15 Espace vectoriel de dimension finie

(1)    
 + β −2
 4
 = ~0
  
λ    
−2 1
équivaut à

 4λ − 2β = 0



(2.2)
 −2λ + β = 0.




Ce systéme admet une infinité de solution en particulier des solutions autres que (0, 0).
Par exemple λ = 1, β = 2. Ainsi il existe une combinaison linéaire de ~u et ~v égale à ~0,
sans que tous les coéfficients soient nuls ; ~u et ~v sont liés.

(2)    
1
 + β 0  = ~0
  
λ    
5 3
équivaut à

 λ=0



(2.3)
 5λ + 3β = 0.




Ce systéme admet une unique solution (0, 0). ~u et ~v forment une famille libre, puisque

λ~u + β~v = ~0 =⇒ λ = 0, β = 0.

Exercice 2.17 Dans R2 , la famille, F = {~u, ~v} est elle libre :

! !
1 2
~u = , ~v = .
3 4

Montrer que F R2 .

Solution : la famille F est libre. En effet ~u + β~v = ~0 s’écrit

   
1  −2 
λ   + β   = ~0

3 1 

15
16 Espace vectoriel de dimension finie

équivaut à

 4λ − 2β = 0



(2.4)
 −2λ + β = 0.




Ce systéme admet une unique solution (0, 0). ~u et ~v forment une famille libre, puisque

λ~u + β~v = ~0 =⇒ λ = 0, β = 0.

 F est génaratrice de R . En effet : soit ~a ∈ R , ∃ (λ, β) ∈ R : ~a = λ~u +β~v.

2 2 2
la famille
 x 
Soit ~a =   , alors (λ, beta) est tel que
y
     
1
 + β 2
    x 
λ   
 = 
 


3 4 y

c’est à dire

 λ + 2β = x



(2.5)
 3λ + 4β = y.




Ce systéme admet une unique solution. Calculons-la (bien que ce soit supperflu) λ =
3 1
y − 2x, β = x − y.
2 2
Exercice 2.18 Dans l’espace vectoriel de R2 est rapporté la base B = (e~1 , e~2 ). Le systéme
! √ !
1 − 3
~u = √ , ~v =
3 1
est-il une base de R2

Indication : Montrer que ~u et ~v sont libres et génératrice, de plus dim(R2 ) = 2.

16
 CHAPITRE 3

Applications linéaires et Matrices

Les espaces vectoriels ont été définis dans les Chapitres 1, 2 et nous avons mis en évi-
dence quelques-unes de leurs principales propriétés. Dans ce chapitre, nous abordons les
applications linéaires et les matrices.

Définition 3.1 Soit f une application quelconque de E dans F :

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

E × E, x , y =⇒ f (x) , f (y)).

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

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

3.0.1 Définition d’une application linéaire

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

f (λx + µy) = λ f (x) + µ f (y).

Remarque 3.2 f : E → E est une application linéaire si et seulement si

∀x ∈ E, λ ∈ K, f (λx) = λ f (x)
(
(3.1)
∀(x, y) ∈ E × E, f (x + y) = f (x) + f (y).

17
18 Applications linéaires et Matrices

Exercice 3.3 Soit f : E → E est une application linéaire alors f (0E ) = 0F .

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

Exercice 3.4 On définit l’application de f de R2 dans R par

f (x, y) = x + y.

Est-ce une application linéaire ?

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

f (z+w) = f ((x, y)+(a, b)) = f (x+a, y+b) = x+a+y+b = (x+y)+(a+b) = f (x, y)+ f (a, b) = f (z)+ f (w).
(3.2)
f (λ(x, y)) = f (λx, λy) = λx + λy = λ(x + y) = λ f (x, y). (3.3)

(3.2) et (3.3) =⇒ f est une application linéaire.

3.0.2 Image et noyau d’une application linéaire

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

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

n o
Ker( f ) = x ∈ E : f (x) = 0F .

Remarque 3.5 Notons que Ker( f ) , ∅, car f (0E ) = 0F donc 0E ∈ Ker( f ).

Théorème 3.6 Soit f : E → F est une application linéaire

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

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

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

En utilisant les propriétés de f et Im( f ), on a y1 , y2 ∈ Im( f ) =⇒ ∃ (x1 , x2 ) ∈ E×E tel que
f (x1 ) = y1 , f (x2 ) = y2 =⇒ λy1 + βy2 = λ f (x1 ) + β f (x2 ) = f (λx1 + βx2 ) =⇒ λy1 + βy2 ∈

18
19 Applications linéaires et Matrices

Im( f ). D’oú Im( f ) est un sous-espace de F.

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

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

Théorème 3.7 Soit f une application linéaire de E dans F.

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

Définition 3.8 (1) Une application linéaire f de E dans F est un homomorphisme de E

dans F.

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

isomorphisme de E dans F.

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

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

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

3.1 Applications linéaires en dimension finie

Propriété 3.9 Soit f une application linéaire de E dans F avec dimE = n.

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

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

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

3.1.1 Rang d’une application linéaire

Définition 3.10 Le rang d’une application linéaire f est égal à la dimension de Im( f ) :
rg( f ) = dim(Im f ).

19
20 Applications linéaires et Matrices

Propriété 3.11 (1) On a toujours rg( f ) ≤ dimE.

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

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

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

Remarque 3.12 Si f est un endomorphisme de E, alors :

f injective ⇐⇒ f surjective ⇐⇒ f bijective.

Théorème 3.13 (Théorème fondamental) Soit f une application linéaire de E dans F

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

Remarque 3.14 Si ce n’est vrai qu’en dimension finie !

3.2 Exercices corrigés

Exercice 3.15 Montrer que la fonction partie entiére n’est pas linéaire sur R.
Solution : On a E(−2.3 + 2.3) = E(0) = 0 et E(−2.3) + E(2.3) = −3 + 2 = −1. Donc
E(−2.3 + 2.3) , E(−2.3) + E(2.3).
On en conclut E n’est pas linéaire car E(x + y) , E(x) + E(y) ∀ x, y ∈ R.

Exercice 3.16 On définit l’application f de R2 dans R par

f (x, y) = y2 .
Est-ce un homomorphisme d’espace vectoriel ?

Solution : Cherchons d’abord si

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

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

Exercice 3.17 L’application de R3 dans R2 définie par ;

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

20
21 Applications linéaires et Matrices

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

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

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

Les couples images sont égaux.

f (α(x, y, z)) = f (αx, αy, αz)

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

f est une application linéaire de R3 dans R2 .

f est surjective si :

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

c’est à dire

 x+y+z=a



(3.4)
 2y − z = b.




f est donc surjective.

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

c’est à dire

 x+y+z=a+b+c



(3.5)
 2y − z = 2b − c.




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

f n’est pas injective.

21
22 Applications linéaires et Matrices

3.3 Matrices
Définition 3.18 On appelle matrice de type (n, p) à coefficients dans R, un tableau de n.p
éléments de R rangés sur n lignes et p colonnes :
a11 a12 . . . a1p 
 
a a . . . a2p 
A =  21 22 .
 . . . . . . . . . 
an1 a22 . . . anp


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

On désigne par Mn,p (R) l’ensemble des matrices à coefficients dans R, à n lignes et p co-
lonnes.

Cas particuliers :
Si n = p, on dit que la matrice est carrée.

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

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

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

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

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

Exemple 3.19 Donnons la nature des matrices suivantes :

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

A1 ∈ M2,1 (R) (matrice colonne).

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

22
23 Applications linéaires et Matrices

3.3.1 Matrice associée à une application linéaire

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

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

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

0

Remarque 3.20 La matrice d’une application linéaire dépend des bases choisies (B et
0
B ).

Exercice 3.21
S oit f : R3 → R3
(3.6)
(x1 , x2 , x3 ) 7→ f (x1 , x2 , x3 ) = (2x1 + x2 + x3 , x1 + 2x2 + x3 , x1 + x2 ).

1) Montrer que f est un endomorphisme de R3 .

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

Remarque 3.22 Soient x = (x1 , x2 , x3 ) et y = (y1 , y2 , y3 ). On a

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

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

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

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

23
24 Applications linéaires et Matrices

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

f (λx) = f (λx1 , λx2 , λx3 )

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

Donc f est un endomorphisme de R3 .

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

Théorème 3.23 L’application qui à f ∈ L(E, F) fait correspondre MBB0 ( f ) est bijective.
Autrement dit à toute application linéaire on peut associer une matrice.

3.3.2 Opérations sur les matrices

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

A + B = (ai j + bi j ) ∈ Mn,p (R).

24
25 Applications linéaires et Matrices

∀ λ ∈ R, λA = (λai j ) ∈ Mn,p (R.

Exemple 3.24    
1 −1 0  0 1 0 
A = 0 0 2 et B = −4 1 −2 .
   
2 3 1 11 0 −1
   

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

Produit de deux matrices

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

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

00 00

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

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

Remarque 3.25 Pour que le produit existe, il faut que l’on ait M p,m × Mm,n = M p,n .

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

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

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

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

25
26 Applications linéaires et Matrices

Exemple 3.26  
! 1 0 
1 0 0
A= et B = 0 −1 .
 
2 −1 0 2×3
2 1 3×2
 

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

Remarque 3.27 A.B , B.A (Donc la multiplication matricielle n’est pas commutative).
Dans le cas précédent A.B ∈ M2×2 et B.A ∈ M3×3 . Donc (A + B)2 = A2 + A.B + B.A + B2 .

Propriété 3.28 Si les produits sont définis :

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

Remarque 3.29 ∃ (A, B) ∈ Mn (K)2 tel que A , 0, B , 0 et AB = 0.

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

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

Définition 3.30 A ∈ Mn (K) est inversible ssi ∃ B ∈ Mn (K) tel que A.B = B.A = In .

Remarque 3.31 In est la matrice identité de Mn (K)

 1 0 . . . . . . . . . 
 
. . . 1 . . . . . . . . . 
In =   .
. . . . . . . . . . . . 
...... 1

0 0

Si n = 2 on a !
1 0
I2 = .
0 1
Propriétés de la matrice identité
1) A.In = In .A = A.
2) In est inversible :In −1 = In .

26
27 Applications linéaires et Matrices

3.3.3 Méthode pour trouver l’inverse d’une matrice

Exemple 3.32 Trouver l’inverse de
!
1 0
A= .
2 −1
! !
a b 1 0
On cherche B = tel que A.B = = I2 .
c d 0 1
!
a b
Or, A.B = . Donc, par identification
2a − c 2b − d
a=1



 b=0




(3.7)



 2a − c = 0
 2b − d = 1



équivaut à
a=1



b=0




(3.8)




 c=2
d = −1




Théorème 3.33 Soit f une application linéaire de E dans F et A = MBB0 ( f ) avec B une
0
base de E et B une base de F. A est inversible ssi f est un isomorphisme de E dans F et
A−1 = MB0 B ( f −1 ).

Théorème 3.34 Soit A ∈ Mn (K). A est inversible si et seulement si la famille des vecteurs
colonnes de A est une base de E.

Théorème 3.35 Si A et B sont des matrices inversibles de Mn (K), alors A.B est inversible
et (A.B)−1 = B−1 .A−1 .

3.3.4 Formule matricielle de Y = AX

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


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

j=1 i=1

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

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




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

27
28 Applications linéaires et Matrices

n 
X 
Par identification on a yi = x j ai j .
j=1
A x et y, on fait correspondre deux vecteurs colonnes X et Y et on a la matrice A suivante :
 
    a11 a12 . . . a1n 
 x1   y1   
a21 a22 . . . a2n 
     
X = . . .  , Y = . . .  et   =⇒ Y = AX.
   
     . . . . . . . . . 
x  y   
n n
a p1 a22 . . . a pn
 

Exercice 3.36
S oit f : R4 → R3
(x1 , x2 , x3 , x4 ) 7→ (y1 , y2 , y3 ) tel que
y1 = 2x1 − x2 + x3 (3.9)
y2 = 3x2 − x3 + x4
y3 = x1 − x2 + x3 + x4 .
1) Déterminer la matrice A associée à f
2) Déterminer Ker( f ).

Solution : 1) La matrice A associée à f

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

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

 
 x1 
 
 x2 
 
avec X =   . Donc déterminer Ker( f ) revient à résoudre le systéme suivant
 x3 
 
x4
 





 2x1 − x2 + x3 = 0


3x2 − x3 + x4 = 0 (3.10)





 x1 − x2 + x3 + x4 = 0



28
29 Applications linéaires et Matrices

3.3.5 Rang d’une matrice

Définition 3.37 Soit A ∈ Mn,p (K), on appelle rang de A le rang du système composé par
ses vecteurs colonne.

Théorème 3.38 Le rang de A est le rang de toute application linéaire représentée par A.

3.4 Matrices particulières

Définition 3.39 Si A = ai j 1≤i≤n, 1≤ j≤p , la transposée de A, notée At est la matrice At =


ai j 1≤i≤p, 1≤ j≤n .

Propriété 3.40 1. (A + B)t = At + Bt

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

Exemple 3.41  
2 −1 1 0
A = 0 3 −1 1 .
 
1 −1 1 1
 

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

3.4.1 Déterminants et matrices

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

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

29
30 Applications linéaires et Matrices

Théorème 3.42 Soit (A, B) ∈ (M2 (K))2 .

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

3.4.2 Déterminant d’ordre 3

Soit la matrice  
a11 a12 a13 
 
A = a21 a22 a23  .
 
 
a a a 
31 32 33

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

a11 a12 a13

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

3.4.3 Déterminant d’une matrice carrée d’ordre n

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

Remarque 3.43 Ces propriétés sont aussi valables pour les lignes.
Le déterminant d’une matrice triangulaire est égal au produit des coefficients de la dia-
gonale.

30
31 Applications linéaires et Matrices

Propriété 3.44 det(A.B) = det(A).det(B).

det(At ) = det(A).

3.4.4 Comatrice
Définition 3.45 Soit M ∈ Mn (K). On appelle comatrice de M, notée M ∗ , la matrice des
cofacteurs.

3.4.5 Matrices inversibles

Théorème 3.46 Soit M ∈ Mn (K), M est inversible ssi det(M) , 0.
1
On a alors M −1 = M ∗ et M −1 est appelée matrice inverse de M.
det(M)
Propriété 3.47 Soit A et B deux matrices carrées d’ordre n telles que det(A) , 0 et
det(B) , 0
1
1. det(A−1 ) =
det(A)
2. (A−1 )−1 = A
3. (A.B)−1 = B−1 .A−1
4. (A−1 )t = (At )−1 .

3.4.6 Déterminant d’un endomorphisme de E

Définition 3.48 Soit f ∈ L(E). On appelle déterminant de f et on note det( f ) le détermi-
nant de sa matrice associée dans une base quelconque.

Remarque 3.49 det( f ) ne dépend pas de la base considérée.

On cherche que le déterminant des matrices carrées.

3.4.7 Rang d’une matrice

1. rgA = rg f = dim(Im f )

2. rgA = rang du système composé par les vecteurs colonnes de la matrice

3. rgA = rang du système composé par les vecteurs lignes de la matrice

4. rgA = taille de la plus grande matrice carrée extraite de A.

31
32 Applications linéaires et Matrices

3.5 Système linéaire de n équations à n inconnues






 a11 x1 + a12 x2 + . . . + a1n xn = b1

 a21 x1 + a22 x2 + . . . + a2n xn = b2




(3.11)
......








 an1 x1 + an2 x2 + . . . + ann xn = bn



En utilisant la formulation matricielle : Posons

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

Donc on peut écrire le système A.X = B

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

Définition 3.50 (S ) est dit système de Cramer si det(A) , 0

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

Exemple 3.51 Résoudre le système suivant :

4x1 + 5x2 = 3
(
(3.12)
2x1 + 3x2 = 1.

Solution : En utilisant la formulation matricielle : Posons

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

On a
4 5
det(A) = = 4 ∗ 3 − 2 ∗ 5 = 12 − 10 = 2 =⇒ det(A) , 0.
2 3
Donc le systméme (3.12) admet une unique solution et A−1 existe. D’oú X = A−1 .B.

32