Algèbre Lineaire

Cours d’Algèbre Linéaire
par
Samuel BOWONG
Université de Douala
Année Académique 2019-2020
2
Table des matières
1 Espaces vectoriels 3
1.1 Définition et exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Combinaisons linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Familles génératrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5 Familles libres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.6 Bases d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.6.1 Définition, exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.6.2 Dimension d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . 10
1.7 Coordonnées d’un vecteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.8 Comment extraire une base d’une famille génératrice ? . . . . . . . . . . . . . . . 11
1.9 Comment trouver une base d’un espace vectoriel donné par un système d’équations ? 12
1.10 Travaux dirigés sur les Espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . 13
2 Les matrices 15
2.1 L’espace vectoriel des matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.1 Opérations sur les matices . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2 Matrices Carrées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.1 Diagonale et Trace d’une matrice carrée . . . . . . . . . . . . . . . . . . 19
2.2.2 Matrices carrées particulières . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.3 Matrices inversibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3 Rang d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4 Travaux dirigés sur le calcul matriciel . . . . . . . . . . . . . . . . . . . . . . . . 23
3 Applications linéaires 25
3.1 Définitions et Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2 Noyau et Image d’une application linéaire . . . . . . . . . . . . . . . . . . . . . 27
3.3 Application linéaire en dimension finie . . . . . . . . . . . . . . . . . . . . . . . 30
3.4 Matrice d’une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.5 Fiche de TD sur les applications linéaires . . . . . . . . . . . . . . . . . . . . . . 35
4 Les Déterminants des Matrices carrées 38

4.1 Définition récursive du déterminant . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.2 Propriétés des déterminants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2.1 Déterminant d’une famille de vecteurs . . . . . . . . . . . . . . . . . . . 41
4.3 Sous matrices Mineurs et Mineurs principaux . . . . . . . . . . . . . . . . . . . 41
4.4 Applications du calcul du déterminant . . . . . . . . . . . . . . . . . . . . . . . 42
4.4.1 Inverse d’une Matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.4.2 Déterminant d’un système de n vecteurs en dimension n . . . . . . . . . 43
1
4.5 TD sur le déterminant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5 Systèmes Linéaires 46
5.1 Les différentes présentations d’un système d’équations linéaires . . . . . . . . . . 46
5.1.1 Présentation classique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.1.2 Ecriture matricielle d’un système . . . . . . . . . . . . . . . . . . . . . . 46
5.1.3 Avec une application linéaire . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.2 Systèmes de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.3 Résolution d’un système. Structure de l’ensemble des solutions . . . . . . . . . . 49
5.3.1 Structure de l’ensemble des solutions . . . . . . . . . . . . . . . . . . . . 49
5.4 Méthodes de résolution d’un système linéaire : Méthode du pivot de Gauss . . . 50
5.5 TD sur les systèmes linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2
Chapitre 1
Espaces vectoriels
1.1 Définition et exemples

Soit E un ensemble. On suppose que l’on sait additionner les éléments de E entre eux, et
qu’on obtient alors un élément de E. On note
a+b
la somme des éléments a et b de E. On suppose aussi que l’on sait multiplier un élément de E
quelconque par un réel ou complexe, et que l’on obtient ainsi un élément de E. On note
λ·a
le produit du réel ou complexe λ et de a ∈ E. Dans ces conditions, on dit que ”+” est une loi
de composition interne sur E, et que ”.” est une loi de composition externe sur K × E.
Exemple 1.1.1 Soit E = R. On sait ajouter deux éléments de R, et multiplier un élément de
R par un élément de R.
Exemple 1.1.2 Soit E = Rn , c’est-à-dire l’ensemble des n-uplets de la forme (x1 ; x2 ; . . . ; xn )

d’éléments de R. Les nombres réels x1 , x2 , . . . , xn sont appelés composantes du n-uplet (x1 ; x2 ; . . . ; xn ).
On sait ajouter deux n-uplets, suivant la définition
(x1 ; x2 ; . . . ; xn ) + (y1 ; y2 ; . . . ; yn ) := (x1 + y1 ; x2 + y2 ; . . . ; xn + yn );
c’est-à-dire composante par composante. On sait aussi multiplier un n-uplets par un réel :
λ · (x1 ; x2 ; . . . ; xn ) := (λx1 ; λx2 ; . . . ; λxn )
Il s’agit là encore de multiplier chacune des composantes par λ
Exemple 1.1.3 Soit V l’ensemble des vecteurs du plan ou de l’espace. On se rappelle qu’un
vecteur non-nul est la donnée d’une direction, d’un sens et d’une longueur. Si →−v est le vecteur
nul, λ · →
−
v est le vecteur nul pour tout réel λ. Pour λ ∈ R et → −
v ∈ V non-nul, le vecteur λ · →
−
v
est le vecteur nul si λ = 0, et pour λ 6= 0,
— le vecteur de même direction que → −v,
— de même sens que → −v si λ > 0 et de sens opposé si λ < 0
— de longueur |λ| fois la longueur de → −
v.
On sait aussi ajouter deux vecteurs → −u et →−
v de V : on trace un représentant de →
−
v en partant
→
−
de l’extrémité d’un représentant de u .
3
Exemple 1.1.4 Soit X un ensemble quelconque, et F(X; R) l’ensemble des fonctions de X
dans R. La somme h = f + g de deux fonctions f et g est la fonction définie par
h : x 7−→ f (x) + g(x).
Le produit k = λ · f de la fonction f par un réel λ est la fonction définie par ù
k : x 7−→ λ.f (x).
Ces définitions sont les définitions usuelles dans le cas de X = R.
Définition 1.1.1 Soit (E; +; ·) un triplet constitué d’un ensemble E, d’une loi de composition
interne ”+” sur E et d’une loi de composition externe ”.” sur E. On dit que (E; +; ·) est un
espace vectoriel sur K lorsque les lois ”+” et ”.” vérifient les huit propriétés suivantes :
1. Pour tous a, b de E,
a+b=b+a
2. Pour tous a, b et c de E,
a + (b + c) = (a + b) + c .
3. Il existe un élément e de E tel que pour tout a de E,
a+e=e+a=a.
4. Pour tout a de E, il existe un élément b de E tel que
a+b=b+a=e.
N. Pour tout a de E,
1·a=a.
A. Pour tous réels λet µ, et tout a ∈ E,
λ · (µ · a) = (λµ·)a .
D1 . Pour tous réels λet µ, et tout a ∈ E,
(λ + µ) · a = λ · a + µ · a .
D2 . Pour tous a, b de E et tout réel λ,
λ · (a + b) = λ · a + λ · b .
Lorsque la propriété (1) est vérifiée, on dit que la loi ”+” est commutative. Si la propriété
(2) est vérifiée, on dit que la loi ”+” est associative. L’élément e de la propriété (3) est appelé
élément neutre pour la loi ”+”. On le note la plupart du temps 0E où même 0.
Remarque 1.1.1 Il ne peut y avoir qu’un seul élément neutre pour une loi interne : si e1 et
e2 sont éléments neutres, on a
e1 = e1 + e2 = e2 .
L’élément b de la propriété (4) s’il existe est lui aussi nécessairement unique :
b2 = b2 + e = b2 + (a + b1 ) = (b2 + a) + b1 = b1 .
Le cas échéant, on l’appelle symétrique de a, et on le note b = −a
4
Définition 1.1.2 Lorsque les propriétés (1) à (4) sont vérifiées, on dit que (E; +) est un groupe
commutatif.
Lorsque la propriété (N ) est vérifiée, on dit que le réel 1 est l’élement neutre pour la loi
externe. On dit que la loi externe est associative lorsque (A) est vraie. Les deux dernières pro-
priétés (D1 ) et (D2 ) sont des propriétés de distributivité. On reprend les exemples précédents,
et on montre que l’on a bien affaire à des espaces vectoriels.
Exemple 1.1.5 Dans E = R, l’addition et la multiplication usuelles possèdent bien les huit
propriétés de la définition : (R; +; ·) est un espace vectoriel.
Exemple 1.1.6 Dans E = Rn , les deux lois de compositions définies ci-dessus ont aussi les
huit propriétés de la définition. En effet les opérations sont définies composante par composante,
donc il suffit de vérifier leurs propriétés composante par composante, et l’on se retrouve alors
dans (R; +; ·) . On notera que l’élément neutre pour l’addition dans Rn est
0Rn = (0; 0; . . . ; 0);
et le symétrique du n-uplet a = (x1 ; x2 ; . . . ; xn ) et
b = −a = (−x1 ; −x2 ; . . . ; −xn ) .
Exemple 1.1.7 L’ensemble F(X; R) muni des deux opérations définies dans l’exemple 1.1.4
est un espace vectoriel. Là encore on se ramène aux propriétés équivalentes dans (R; +; ·) qui
est cette fois l’espace d’arrivée des fonctions de F(X; R). L’élément neutre pour l’addition dans
F(X; R) est la fonction nulle 0F (X;R) : x 7−→ 0.
1.2 Sous-espaces vectoriels

Définition 1.2.1 Soit (E; +; ·) un espace vectoriel, et F une partie de E. On dit que F est un
sous-espace vectoriel de E lorsque les trois propriétés suivantes sont vérifiées :
(i) Le vecteur nul 0E de E appartient à F .
(ii) Pour tout réel λ et tout élément v de F ,λ · v est aussi un élément de F .
(iii) Pour tous éléments a et b de F , a + b est aussi un élément de F .
Exemple 1.2.1
Dans (R; +; ·), les seuls sous espaces vectoriels sont {0} et R lui-même.
Exemple 1.2.2 L’ensemble F = {(x; y) ∈ R2 ; x + y = 0} est un sous-espace vectoriel de R2 .

En effet :
— (0; 0) ∈ F car ............................................
— Si λ ∈ R et (x; y) ∈ F alors on a
λx + λy = λ · (x + y) = 0;
ce qui prouve que λ(x; y) = (λx + λy) ∈ F .

— Si (x; y) et (x0 ; y0 ) appartiennent à F alors
(x + x0 ) + (y + y0 ) = (x + y) + (x0 + y0 ) = 0 + 0 = 0,
ce qui prouve que (x; y) + (x0 ; y0 ) = (x + x0 ; y + y0 ) appartient à F .
5
Attention, l’ensemble G = {(x; y) ∈ R2 ; x + y = 1} n’est pas un sous-espace vectoriel de R2 .
En fait cet ensemble ne vérifie aucune des propriétés de la définition précédente.
Remarque 1.2.1 L’ensemble F = {0E } est un sous-espace vectoriel de n’importe quel espace
vectoriel E. En effet 0E + 0E = 0E et λ · 0E = 0E pour tout λ ∈ R. On parle du sous-espace
vectoriel nul.
Remarque 1.2.2 Pour montrer qu’un ensemble muni de deux lois est un espace vectoriel, on
a toujours intérêt à démontrer que c’est un sous-espace vectoriel d’un espace vectoriel connu
qui le contient. Il n’y a alors que trois propriétés à démontrer, au lieu des huit propriétés de la
définition.
1.3 Combinaisons linéaires

Définition 1.3.1 Soit u1 ; u2 ; . . . ; un des vecteurs d’un espace vectoriel (E; +; ·). On dit que v ∈
E est une combinaison linéaire des vecteurs u1 ; u2 ; . . . ; un lorsqu’il existe des réels λ1 ; λ2 ; . . . ; λn
tels que
v = λ1 · u1 + λ2 · u2 + . . . + λn · un
Il est parfois commode d’utiliser une notation plus compacte pour écrire les combinaisons
linéaires, ou de manière plus générale, les sommes. Pour des vecteurs (ou des réels) u1 , u2 , . . . , un ,
on écrit n
X
X= uj = u1 + u2 + . . . + un
j=1
Avec cette notation la combinaison linéaire ci-dessus s’écrit

n
X
v= λj uj .
j=1
Exemple 1.3.1 Dans R3 , le vecteur u = (3; 3; 1) est-il combinaison linéaire de v1 = (1; 1; 0)

et v2 = (1; 1; 1) ?
Il s’agit de savoir s’il existe deux réels λ1 et λ2 tels que
λ1 · (1; 1; 0) + λ2 · (1; 1; 1) = (3; 3; 1) .
On est donc amené à résoudre le système


 λ1 + λ2 = 3
λ1 + λ2 = 3
λ2 = 1

Ce système a une (unique) solution (λ1 ; λ2 ) = (2; 1), donc u = 2v1 + v2 est bien combinaison
linéaire de v1 et v2 .
Exemple 1.3.2 A quelle condition le vecteur w = (a; b; c) est-il une combinaison linéaire de
u = (1; 2; −1) et v = (6; 4; 2) ?
C’est le cas si et seulement si il existe deux réels λ1 et λ2 tels que
λ1 · (1; 2; −1) + λ1 · (6; 4; 2) = (a; b; c).
6
Il s’agit donc de savoir à quelle condition sur a; b et c le système

 λ1 + 6λ2 = a
2λ1 + 4λ2 = b
−λ1 + 2λ2 = c

admet des solutions. On applique la méthode du pivot à ce système et on obtient le système

équivalent 
 λ1 + 6λ2 = a
−8λ2 = b − 2a
0 = c−a+b

Ce système a donc une solution si et seulement si le dernier second membre est nul, c’est-à-dire
c − a + b = 0.
On vient de trouver une équation cartésienne de l’ensemble des solutions du système.
1.4 Familles génératrices

Proposition 1.4.1 Soit u1 ; u2 ; . . . ; un des vecteurs d’un espace vectoriel (E; +; ·). L’ensemble
de toutes les combinaisons linéaires des vecteurs u1 ; u2 ; . . . ; un est un sous-espace vectoriel de
E. On le note
V ect{u1 ; u2 ; . . . ; un }
et on parle du sous-espace vectoriel engendré par la famille (u1 ; u2 ; . . . ; un ).
Preuve:
— D’abord le vecteur nul de E peut s’écrire
0E = 0 · u1 + 0 · u2 + . . . + 0 · un ;
donc appartient à V ect{u1 ; u2 ; . . . ; un }.

— Soit ensuite v et w des vecteurs de V ect{u1 ; u2 ; . . . ; un }. On peut écrire
v = a1 · u1 + a2 · u2 + . . . + an · un et w = b1 · u1 + b2 · u2 + . . . + bn · un ;
donc
v + w = (a1 + b1 ) · u1 + (a2 + b2 ) · u2 + . . . + (an + bn ) · un
ce qui prouve que v + w ∈ V ect{u1 ; u2 ; . . . ; un }.
— Enfin pour λ ∈ K, on a
λ · v = λ · (a1 · u1 + . . . + an · un ) = (λa1 ) · u1 + . . . + (λan ) · un ;
donc λ · v appartient aussi à V ect{u1 ; u2 ; . . . ; un }.

Remarque 1.4.1 Le sous-espace vectoriel V ect{u1 ; u2 ; . . . ; un } est le plus petit (pour l’inclu-
sion) des sous-espaces vectoriels de E qui contient u1 ; u2 ; . . . ; un . En effet si F est un tel sous-
espace vectoriel de E, comme il est stable par combinaison linéaire, il contient toutes les com-
binaisons linéaires de u1 ; u2 ; . . . ; un , donc V ect{u1 ; u2 ; . . . ; un }.
7
Définition 1.4.1 Soit (E; +; ·) un espace vectoriel et G un sous-espace vectoriel de E. On dit
que la famille de vecteurs (u1 ; u2 ; . . . ; un ) engendre G, ou encore est une famille génératrice
de G, lorsque
G = V ect{u1 ; u2 ; . . . ; un }.
Exemple 1.4.1 Soit n ∈ N. On note Kn [X] l’ensemble des polynômes à coefficients dans K
de degré inférieur ou égal à n. C’est un sous-ensemble de F(K, K), et même un sous-espace
vectoriel pour l’addition des fonctions et la multiplication d’une fonction par un réel. En effet
la fonction nulle est par convention un polynôme de degré −1, donc (par abus de langage)
inférieur ou égal à n, et une combinaison linéaire de polynômes de degré inférieur ou égal à n
est bien un polynôme de degré inférieur ou égal à n. Mais au fait qu’est-ce qu’un polynôme de
degré inférieur ou égal à n ? C’est une combinaison linéaire des monômes
1; X; X 2; . . . ; X n.
Autrement dit Kn [X] est le sous-espace vectoriel de F(K, K) engendré par la famille (1; X; . . . ; X n ).
Kn [X] = V ect(1; X; . . . ; X n ) .
Dans R3 , la famille ((1; 1; 2); (−1; 0; 1); (2; 1 = 3; −1)) est-elle génératrice ?
Réponse : Pour le savoir, on se donne un vecteur quelconque (x; y; z) de R3 , et on cherche à
l’écrire comme combinaison linéaire des trois vecteurs de la famille. Autrement dit on cherche
trois réels λ1 ; λ2 et λ3 tels que
λ1 · (1; 1; 2) + λ2 · (−1; 0; 1) + λ3 · (2; 1/3; . − 1) = (x; y; z) .
Il s’agit donc de savoir si le système


 λ1 − λ2 + 2λ3 = x;
λ1 + 1/3λ3 = y;
2λ1 + λ2 − λ3 = z

d’inconnues λ1 ; λ2 et λ3 admet une solution. Pour cela on utilise l’algorithme du pivot de Gauss
qui donne le système équivalent

 λ1 − λ2 + 2λ3 = x;
λ2 − λ3 = y − x;
0 = z − 3y + x

Ce système n’est compatible que si z−3y+x = 0. Donc la famille ((1; 1; 2); (−1; 0; 1); (2; 1/3; −1))
n’est pas génératrice de R3 : si z−3y+x 6= 0, le vecteur (x; y; z) de R3 ne s’écrit pas comme com-
binaison linéaire des vecteurs de cette famille. Au passage, on récupère une équation cartésienne
de
F = V ect((1; 1; 2); (−1; 0; 1); (2; 1/3; −1)) : (x; y; z) ∈ F ⇐⇒ z − 3y + x = 0.
1.5 Familles libres

Définition 1.5.1 On dit que la famille (u1 ; u2 ; . . . ; un ) de vecteurs d’un espace vectoriel (E; +; ·)
est libre lorsque sa seule combinaison linéaire nulle est celle dont tous les coefficients sont nulls
c’est-à-dire :
λ1 u1 + λ2 u2 + . . . + λn un = 0E ⇐⇒ λ1 = λ2 = . . . = λn = 0.
8
Exemple 1.5.1 Dans Rn [X], la famille (1; X; . . . ; X n ) est libre. En effet supposons que
λ0 · 1 + λ1 · X + . . . + λn · X n = 0.
Cela signifie que le polynôme P (X) = λ0 + λ1 · X + . . . + λn · X n est la fonction nulle, donc

a une infinité de racines. Ce n’est possible que si tous les coefficients sont nuls, i.e. λ1 = λ2 =
. . . = λn = 0
Exemple 1.5.2 Soit a ∈ R. Dans R3 , la famille ((1; 1; 2); (−1; 0; 1); (2; a; −1)) est-elle libre ?
Pour le savoir, on suppose qu’il existe trois réels λ1 ; λ2 et λ3 tels que
λ1 · (1; 1; 2) + λ2 · (−1; 0; 1) + λ3 · (2; a; −1) = 0R3 .
Cela signifie que (λ1 ; λ2 ; λ3 ) est une solution du système


 λ1 − λ2 + 2λ3 = 0;
λ1 + aλ3 = 0;
2λ1 + λ2 − λ3 = 0

Il s’agit donc de connaı̂tre l’ensemble des solutions du système précédent. Pour cela on
utilise une fois de plus l’algorithme du pivot de Gauss et on obtient :

 λ1 − λ2 + 2λ3 = 0
λ2 + (a − 2)λ3 = 0
(1 − 3a)λ3 = 0

Ou bien a 6= 31 et le système a pour unique solution (λ1 ; λ2 ; λ3 ) = (0; 0; 0), ou bien a = 13 et le

sytème a une infinité de solutions autres que (0; 0; 0).
Conclusion : la famille ((1; 1; 2); (−1; 0; 1); (2; a; −1)) est libre si et seulement si a 6= 13 .
Remarque 1.5.1 Il est important de noter que pour déterminer si une famille est génératrice,
on s’est posé la question de l’existence de solutions pour un système linéaire, et que d’autre part
pour savoir si une famille est génératrice, il s’est agit de savoir si un système linéaire admet
une unique solution ou bien plusieurs solutions.
1.6 Bases d’un espace vectoriel

1.6.1 Définition, exemples
Définition 1.6.1 On dit que la famille finie B = (u1 ; u2 ; . . . ; un ) de vecteurs d’un espace vec-
toriel (E; +; ·) est une base de E lorsque B est libre et génératrice.
Exemple 1.6.1 Dans Rn , on note e1 = (1; 0; . . . ; 0), e2 = (0; 1; 0; . . . ; 0), . . . , en = (0; . . . ; 0; 1).
La famille (e1 ; . . . ; en ) est une base, qu’on appelle base canonique de Rn .
Prouvons que cette famille est génératrice. Soit (x1 ; x2 ; . . . ; xn ) un vecteur de Rn . On cherche
λ1; . . . ; λn dans R tels que
λ1 · e1 + . . . + λn · en = (x1 ; x2 ; . . . ; xn )
Puisque
λ1 · e1 + . . . + λn · en = (λ1 ; . . . ; λn ),
9
il suffit de prendre λj = xj pour tout j ∈ {1; . . . ; n}.
On montre maintenant que (e1 ; . . . ; en ) est une famille libre. Supposons que
λ1 · e1 + . . . + λn · en = 0Rn = (0; . . . ; 0).
Encore une fois puisque λ1 · e1 + . . . + λn · en = (λ1 ; . . . ; λn ), cette égalité entraine λ1 = . . . =

λn = 0.
Exemple 1.6.2 Dans Rn [X], on a déjà vu que la famille (1; X; . . . ; X n ) est génératrice (c’est la
définition de Rn [X]), et libre. C’est donc une base de Rn [X], appelée elle aussi base canonique,
de Rn [X] cette fois.
1.6.2 Dimension d’un espace vectoriel

On commence par un résultat dont la preuve est un peu longue, mais qui a beaucoup de
conséquences importantes.
Proposition 1.6.1 Soit (E; +; ·) un espace vectoriel. On suppose que E admet

— une famille génératrice (u1 ; u2 ; . . . ; un ),
— une famille libre (v1 ; v2 ; . . . ; vp ).
Alors nécessairement p 6 n. De plus, si p = n, alors (u1 ; u2 ; . . . ; un ) et (v1 ; v2 ; . . . ; vp ) sont des
bases de E.
Preuve : Admise
Proposition 1.6.2 Si E admet une base, alors toutes les bases de E ont le même nombre
d’éléments.
Preuve: Soit (u1 ; u2 ; . . . ; un ) une base de E ; c’est donc une partie génératrice à n éléménts, et
une partie libre à n éléménts. Si (v1 ; v2 ; . . . ; vp ) est une autre base de E, c’est une partie libre
donc, d’après la proposition précédente, p 6 n, et c’est une partie génératrice, donc, encore
avec la proposition précédente, p > n.
Définition 1.6.2 Soit (E; +; ·) un espace vectoriel non nul. S’il existe une base de E, on
appelle dimension de E, et on note dimE, le nombre commun d’éléments de toutes les bases de
E. Sinon on dit que E est de dimension infinie, et on note dimE = +∞.
Remarque 1.6.1 L’espace vectoriel E = {0E } n’admet pas de famille libre puisque toute fa-
mille de E contient 0E . Par convention, on dit pourtant que E a pour dimension 0. Par analogie
avec la situation dans E = R3 , les sous-espaces vectoriels de dimension 1 sont appelés ”droites”,
et les les sous-espaces vectoriels de dimension 2 sont appelés ”plans”. Les sous-espaces vectoriels
de dimension n − 1 d’un espace de dimension n sont appelés hyperplans.
Proposition 1.6.3 (Dimension et inclusion) Soit E un espace vectoriel de dimension finie.

Soit V et W deux sous-espaces vectoriels de E, tels que V ⊂ W . Alors V et W sont de
dimension finie et dimV 6 dimW . De plus V = W si et seulement si dimV = dimW .
Preuve: : Admise
10
1.7 Coordonnées d’un vecteur
Théorème 1.7.1 (Dimension d’un espace vectoriel de dimension finie) : Soit E un
K−espace vectoriel de dimension finie n. Notons B = {→−v 1, →
−
v 2, . . . , →
−
v n } une base (famille libre
et génératrice) de E.
Tout vecteur de E s’écrit de façon unique comme combinaison linéaire des vecteurs de B,
i.e. ∀X~ ∈ E, ∃!(x1 , x2 , . . . , xn ) ∈ Kn tel que
n
~ = x1 →
−
v 1 + x2 →
−
v 2 + . . . + xn →
− xi →
−
X
X vn= vi
i=1
~ dans la base B, on note :

Les scalaires x1 , x2 , . . . , xn sont appelés coordonnées du vecteur X
 
x1
 x2 
X=  ... 

xn B
Exemple 1.7.1 1. Montrer que la famille B(u1 , u2 , u3 , u4 ) est une base de R4 avec u1 =
(0, 1, 1, 1), u2 = (1, 0, 1, 1), u3 = (1, 1, 0, 1) et u4 = (1, 1, 1, 0).
2. Calculons les cordonnées du vecteur X = (−1, 2, −1, 2) par rapport à cette base.
Solution
1. . . .
2. D’après la définition précédente, on cherche quatre scalaires x1 , x2 , x3 , x4 tels
X = x1 u1 + x2 u2 + x3 u3 + x4 u4
On obtient alors système linéaire suivant :


 x2 + x3 + x4 = −1

x1 + x3 + x4 = 2 5 4 5 4
=⇒ x1 = , x2 = − , x3 = , x3 = −

 x1 + x2 + x4 = −1 3 3 3 3
x1 + x2 + x3 = 2

On écrit alors  
5/3
 −4/3 
X=
 5/3 

−4/3 B
1.8 Comment extraire une base d’une famille génératrice ?

Exemple 1.8.1 Soit v1 = (1; 2; 3; 0), v2 = (0; 2; 2; 4) et v3 = (−1; a; 2a − 3; 4a) trois vecteurs
de R4 , et F = V ect(v1 ; v2 ; v3 ). Par définition, la famille (v1 ; v2 ; v3 ) est une famille génératrice
de F , et on veut trouver une base de F . Si la famille (v1 ; v2 ; v3 ) est libre, c’est une base. Or
l’équation


 λ1 −λ3 = 0
2λ1 +2λ2 +aλ3 = 0

λ1 v1 + λ2 v2 + λ3 v3 = 0; équivaut au système

 3λ1 +2λ2 +(2a − 3)λ3 = 0
4λ2 +4aλ3 = 0

11
Avec l’algorithme du pivot de Gauss, on obtient le système échelonné équivalent :

 λ1 − λ3 = 0
2λ2 + (a + 2)λ3 = 0 .
(a − 2)λ3 = 0

Donc si a 6= 2, le système admet une unique solution (0; 0; 0). Donc (v1 ; v2 ; v3 ) est une base
dans ce cas.
Si a = 2, le système admet une infinité de solutions, donc (v1 ; v2 ; v3 ) n’est pas une famille
libre. Mais on peut dire plus : λ3 peut être considéré comme un paramètre et le système peut
s’écrire
λ1 = s
λ2 = −2s; λ3 = s
On obtient en particulier v1 − v2 + v3 = 0R3 , ou encore v3 = −v1 + 2v2 . Donc (v1 ; v2 ) est une
famille génératrice de F : si v ∈ F , il existe λ1 ; λ2 ; λ3 tels que v = λ1 v1 + λ2 v2 + λ3 v3 . Mais
alors
v = λ1 v1 + λ2 v2 + λ3 v3 = λ1 v1 + λ2 v2 + λ3 (−v1 + 2v2 ) = (λ1 − 3λ3 )v1 + (λ2 + 2λ3 )v2 ;
ce qui prouve que v s’écrit comme combinaison linéaire de v1 et v2 . Enfin (v1 ; v2 ) est une famille
libre de F : dans le cas s = 0, la seule solution du système ci-dessus est λ1 = λ2 = 0.
1.9 Comment trouver une base d’un espace vectoriel

donné par un système d’équations ?
On sait que l’ensemble des solutions d’un système homogène de n équations à p inconnues est
un sous-espace vectoriel de Rp . On se pose la question d’en trouver une base, et de déterminer
sa dimension.
Exemple 1.9.1 Soit
V = {(x1 ; x2 ; x3 ) ∈ R3 ; 2x1 + 3x2 = 0; x1 + x2 + x3 = 0}.
V est l’ensemble des solutions du système

2x1 + 3x2 = 0
x1 + x2 + x3 = 0
On l’échelonne avec la méthode du pivot de Gauss. On obtient le système équivalent

2x1 + 3x2 = 0
− 21 x2 + x3 = 0
Les inconnues principales sont x1 et x2 . On peut les exprimer en fonction de l’inconnue secon-
daire x3 en écrivant le système sous forme échelonnée réduite :

x1 + 3x3 = 0
x2 − 2x3 = 0
Autrement dit,
V = {(−3s; 2s; s); s ∈ R} = V ect((−3; 2; 1)) .
12
Exemple 1.9.2 On désigne par F le sous ensemble de R3 défini par :
F = {(x, y, z) ∈ R3 tq x − y + z = 0}
1. Montrer que F est un sous espace vectoriel de R2

2. Déterminer une base et la dimension de F
Solution
1. La première question est la repétition d’un exemple précédent.
2. Base et dimension de F :
(x, y, z) ∈ F ⇐⇒ (x, y, z) ∈ R3 et x − y + z = 0
⇐⇒ (x, y, z) ∈ R3 et x = y − z
⇐⇒ (x, y, z) ∈ R3 et (x, y, z) = (y − z, y, z)
⇐⇒ (x, y, z) = y(1, 1, 0) + z(−1, 0, 1)
On en déduit que la famille {(1, 1, 0), (−1, 0, 1)} est une base de F et que dimF = 2
1.10 Travaux dirigés sur les Espaces vectoriels

Exercice 1.10.1 Montrer que les lois suivantes munissent l’ensemble E indiqué d’une struc-
ture de groupe, et préciser s’il est abélien.
x+y
1. E =] − 1, 1[ et la loi ? est définie par x ? y = .
1 + xy
2. E = R2 et la loi ? est définie par (a, b) ? (x, y) = (a + x, bex + yea ).
Exercice 1.10.2 Parmi les sous-ensembles suivants de R2 ou R3 , précisez lesquels sont des
R-espaces vectoriels :
1. F1 = {(x, y) ∈ R2 : y = 1}
2. F2 = {(x, y) ∈ R2 2 : x + 2y 6 0}
3. F3 = {(x, y, z) ∈ R3 : z = 0} ;
4. F4 = {(x + 1, x + y − 2, x − y); (x, y) ∈ R2 }
5. F5 = {(x, y, z) ∈ R3 : x + z = −y}
6. F6 = {(s, 0, 2s + t); (s, t) ∈ R2 }
Exercice 1.10.3 1. Soit E l’ensemble des (x, y, z) ∈ R3 tels que x + 2y − z = 0. Justifier

que E est un R-espace vectoriel.
2. Parmi les ensembles suivants, lesquels sont des sous-espaces vectoriels de E ?
• F1 = {(λ, 3λ, 2λ), λ ∈ R}.
• La droite F2 engendrée par le vecteur →
−
v = (3, 1, 5).
• F3 = V ect{(0, 1, 2), (1, −1, −1)}
• F4 = {(λ + 1, λ − 1, 3λ − 1), λ ∈ R}.
Exercice 1.10.4 Soit E défini par
E = {(x, y, z) ∈ C3 , x + y − iz = 0}
13
1. Justifier que E est un C-espace vectoriel.
2. Ecrire l’ensemble des solutions de l’équation x + y - iz = 0 sous forme paramétrique.
3. Donner deux vecteurs qui engendrent E.
Exercice 1.10.5 1. Rappeler la définition d’une famille libre.
2. Déterminer si chacune des familles suivantes de l’espace vectoriel E est une famille libre.
3. {(1, 2, −1), (5, 3, 2), (3, −1, 4)} dans E = R3 .
4. {(1, −1, 2), (3, −4, 2), (−1, 5, m)} dans E = R3 , en fonction du paramètre m ∈ R.
5. {(i, 1 + i, 2), (i − 1, 2i, 2 + 2i)} dans le C-espace vectoriel E = C 3
6. { (1, 2, -i),(4, 4i, 2),(i, 0, 1)} dans le C-espace vectoriel E = C 3 .
Exercice 1.10.6 1. Rappeler la définition d’une famille génératrice d’un espace vectoriel
E.
2. Les familles de vecteurs suivantes sont-elles génératrices dans l’espace vectoriel E in-
diqué ?
(a) {(1, 0), (0, 1), (1, 1), (2, 3)} dans E = R2 .
(b) {(1, i), (i, −1), (1 + i, i − 1)} dans E = C 2 .
(c) {(−1, 1, 0), (1, 0, 1)} dans E = {(x, y, z) ∈ R3 : x + y − z = 0}.
Exercice 1.10.7 1. Montrer que les vecteurs
x1 (0, 1, 1), x2 = (1, 0, 1), x3 = (1, 1, 0)
forment une base de R3 . Quelles sont les coordonnées du vecteur x = (1, 1, 1) dans cette
base ?
2. Donner, dans R3 , un exemple de famille libre qui n’est pas génératrice.
3. Donner, dans R3 , un exemple de famille génératrice qui n’est pas libre.
Exercice 1.10.8 Dans R4 , on considère les vecteurs
e1 = (1, 2, 3, 4), e2 = (1 − 2, 3, −4).
Peut-on déterminer x, y pour que (x, 1, y, 1) ∈ V ect{e1 , e2 } ? Même question pour que (x, 1, 1, y) ∈
V ect{e1 , e2 } ?
Exercice 1.10.9 Montrer que la famille
(1, 1 − X, (1 − X)2 , (1 − X)3 , (1 − X)4
est une base de R4 [X] puis déterminer les cordonnées du polynôme
P = 1 + X − 2X 2 − 5X 3 + X 4
Exercice 1.10.10 1. La famille {V1 , V2 , V3 } où
V1 = (1, 1, −1), V2 = (2, 1, 3), V3 = (0, −1, 5)
est-elle libre ? liée ? Quelle relation linéaire lie ces vecteurs ? Quel est l’espace qu’ils
engendrent ? Donnez-en une base et la dimension.
2. Construire une base de chacun des sous-espaces vectoriels de R4 suivants :
(a) E1 = {(x1 , x2 , x3 , x4 ) ∈ R4 / x1 + x2 = 0, x3 − x4 = 0}
(b) E2 = {(x1 , x2 , x3 , x4 ) ∈ R4 , x1 + x2 + x4 = 0, x2 + x3 + x4 = 0}.
14
Chapitre 2
Les matrices
Dans tout ce chapitre K = R ou C est l’ensemble des scalaires.
2.1 L’espace vectoriel des matrices

Définition 2.1.1 Une matrice A est un tableau rectangulaire présenté habituellement de la
manière suivante  
a11 a12 . . . a1p
 a21 a22 . . . a2p 
A =  ..
 
.. .. .. 
 . . . . 
an1 an2 . . . anp
Les ligne de la matrices sont les n lignes horizontales :

a11 a12 . . . a1p , a21 a22 . . . a2p , . . . an1 an2 . . . anp
et les colonnes de la matrices A sont les p listes verticales

     
a11 a12 a1p
 a21   a22   a2p 
 ..  ,  ..  , . . . ,  .. 
     
 .   .   c. 
an1 an2 anp
Le scalaire (aij , appelé ”élément ij ” de la matrice A est situé dans le tableau à l’intersection
de la i−ème ligne et de la j−ème colonne. En d’autre termes, le premier indice i est le numéro
de la ligne et le second indice j est cela de la colonne. Dans la pratique la matrice A est notée :
!
A= aij
16i6j
16j6p
Une matrice ayant n lignes et p colonnes est appelée ”matrice n × p” le couple (n, p) dimension,
taille ou format de la matrice. L’ensemble des matrices de taille (n, p) à coefficients dans le
corps K est noté Mn,p (K).
Matrice colonne, Matrice ligne :
15
 
a11
 a21 
— Lorsque p = 1 on dit que A est une matrice colonne :  .. 
 
 . 
an1

— Lorsque n = 1 on dit qu’on a une matrice ligne a11 a12 . . . a1p
 
1 0 −5
2 −5 10 
Exemple 2.1.1 • Le tableau 
1 0
 est une matrice 4 × 3 et on a par exmple
0
9 −6 3
a13 = −5, a42 = −6, a33 = 0 . . .
ses colonnes sont :      

1 0 −5
2 −5  10 
 ,  ,  
1 0 0
9 −6 3
ce sont des matrices connes. Ses lignes sont :

1 0 −5 , 2 −5 10 , 1 0 0 9 −6 3
ce sont des matrices

 lignes.

0 0
• La matrice 0 = 0 0 est une matrice 3 × 2 dont tous ses coefficients sont nuls. On
0 0
l’applelle matrice nulle
2.1.1 Opérations sur les matices

Egalité de deux matrices
On dit que deux matrices A = (aij ) et B = (bij ) sont égales et on écrit A = B lorsque :
• Elles ont la même taille, c’est-à-dire même nombre de lignes et même nombre de colonnes
• leurs éléments sont égaux deux à deux c’est-à-dire aij = bij
En d’autres termes l’égalités de deux matrices de taille commune (n, p) se traduit par un système
de n × p égalités.
Exemple 2.1.2 Déterminer x, y, z, t tels que :

x + y 2z + t 3 7
=
x−y z−t 1 5
Solution:
Par définition de l’égalité de deux matrices, les éléments de mêmes indices doivent être égaux,
on obtient donc le système suivanat :


 x+y =3
x−y =1

=⇒ x = 2, y = 1, z = 4, t = −1

 2z + t = 7
z−t=5

16
Addition
Définition 2.1.2 Soient A = (aij ) et B = (bij ) deux matrices de même dimension (n, p)
On définit la somme de A et B la matrice notée A + B, comme étant la matrice obtenue
additionnant les éléments de même indice. On a :
A + B = (aij + bij )
En d’autres termes,
     
a11 a12 . . . a1p b11 b12 . . . b1p a11 + b11 a12 + b12 . . . a1p + b1p
 a21 a22 . . . a2p   b21 b22 . . . b2p   a21 + b21 a22 + b22 . . . a2p + b2p 
..  +  .. ..  = 
     
 .. .. .. .. .. .. .. .. .. 
 . . . .   . . . .   . . . . 
an1 an2 . . . anp bn1 bn2 . . . bnp an1 + bn1 an2 + bn2 . . . anp + bnp
Multiplication par un scalaire

Définition 2.1.3 Soit A = (aij ) une matrice de format (n, p) et λ un scalaire, on définit la
matrice λ·A comme étant la matrice de format (n, p) obtenue en multipliant tous les coefficients
de la matrice A par λ c’est-à-dire
λ · A = (λaij )
en d’autres termes,
   
a11 a12 . . . a1p λa11 λa12 . . . λa1p
 a21 a22 . . . a2p   λa21 λa22 . . . λa2p 
λ  .. ..  =  .. ..  .
   
.. .. .. ..
 . . . .   . . . . 
an1 an2 . . . anp λan1 λan2 . . . λanp

1 −1 3 4 6 8
Exemple 2.1.3 Soit A = et B = . On alors :
0 4 5 1 −3 −7
5 4 11
I A+B =
1 1 −2
3 −6 9
I 3A =
0 12 15
−10 −22 −18
I 2A − 3B =
−3 17 31
Propriétés élémentaires de l’addition et de la multiplication par un scalaire

On note 0̃ la matrice nulle, c’est-à-dire la matrice dont tous les coefficients sont nuls.
Théorème 2.1.1 Soient trois matrices A, B et C de même taille, et deux scalaires α et β.

Alors :
1. (A + B) + C = A + (B + C)
2. A + 0̃ = A
3. A + B = B + A
4. A + (−A) = 0̃
5. α(A + B) = αA + αB
17
6. (α + β)A = αA + βA
7. (αβ)A = α(βA)
8. 1 · A = A
Remarque 2.1.1 Ces propriétés montrent que l’ensemble Mnp (K), muni de la somme des
matrices et du produit d’une matrice par un scalaire est un espace vectoriel sur K. En fait c’est
un espace vectoriel de dimension finie n × p. Sa base canonique est la famille des n × p matrice
Eij , 1 6 i 6 n, 1 6 j 6 p où Eij est la matrice dont tous les coefficients sont nuls sauf celui
situé à la i−ème ligne et la j−ème colonne qui vaut 1.
Produit des matrices

Définition 2.1.4 Soient A = (aij ) et B = (bkj ) deux matrices telles que le nombre de colonnes
de A soit égal au nombre de lignes de B, autrement dit, A ∈ Mnp (K) et B ∈ Mpm (K). Le
produit A.B de la matrice A par la matrice B est la matrice de format (n, m) dont l’élément ij
est obtenu en multipliant la i−ème ligne de la matrice A par la j−ème colonne de la matrice
B. En d’autre termes, si on pose
A.B = (cij )
alors, on a :
 
b1j
b2j 

cij = ai1 ai2 . . . aip .  .. 
 . 
bpj
= ai1 b1j + ai2 b2j + . . . + aip bpj
p
X
= aik bkj
k=1
Nous insistons sur le fait que le produit AB de la matrice A par la matrice B n’est possible
que si le nombre de colonnes de la matrice A est égal au nombre de ligne de la matrice B.

1 3 2 0 −4
Exemple 2.1.4 (a) Déterminons la matrice AB si A = et
2 −1 5 −2 6
Puisque A est une matrice 2 × 2 et B une matrice 2 × 3 le produit AB est défini et est
une matrice 2 × 3. On a :

1 3 2 0 −4 17 −6 14
AB = =
2 −1 5 −2 6 −1 2 −14

1 2 5 6
(b) Soit A = et B = On a :
3 4 0 −2

5 2 23 34
AB = et BA =
15 10 −3 −8
Ce dernier exemple montre que le produit matriciel n’est pas commutatif, autrement dit,
AB 6= BA. Toutefois ce produit vérifie les propriétés suivantes :
Théorème 2.1.2 Soit λ un scalaire et A, B, C trois matrices vérifiant les conditions
requises pour que les sommes et les produits ci-dessous existent, alors on a :
18
(a) (AB)C = A(BC)
(b) A(B + C) = AB + AC
(c) (B + C)A = BA + CA
(d) λ(AB) = (λA)B = A(λB)
(e) 0̃A = A0̃ = 0̃
Transposée d’une matrice

Définition 2.1.5 Soit A une matrice de format (n, p). On appelle transposée de la matrice A
la matice notée t A de format (p, n) obtenue en écrivant en ligne et dans l’ordre les colonnes de
A, en d’autres termes si A = (aij ) alors t A = (aji ).
Exemple 2.1.5
   
2 −1 1
t 2 1 5 t

= 1 0  et 1 −3 −10 =  −3 
−1 0 6
5 6 −10
Propriété de la transposition
L’opération de transposition d’une matrice possède les propriétés suivantes
1. ( A + B) =t A +t B
2. t (t A) = A
3. t (λA) = λt A
4. t (AB) =t At B
2.2 Matrices Carrées

Comme son nom l’indique, une matrice carrée A est une matrice dont le nombre de lignes
est égal au nombre de colonnes. Si ce nombre est égal à n, alors A est une matrice de format
(n, n) ; On dit que A est une matrice carrée d’ordre n. L’ensemble des matrices carrées d’ordre
n à coefficients dans K est noté Mn (K).
On se souvient que la somme et le produit de deux matrices quelconques n’est pas toujours
défini ; ce n’est plus vrai pour les matrices carrées à condition bien sûr qu’elles soient de même
taille. Plus précisément, les opérations d’addition, de multiplication par un scalaire, de produit
matriciel et de transposition peuvent être appliquées sur des matrices n × n, le résultat étant
encore une matrice n × n.
2.2.1 Diagonale et Trace d’une matrice carrée

Soit A = (aij ) une matrice carrée d’ordre n
Définition 2.2.1 • Les éléments de A dont les deux indices sont égaux, soit aii sont
appelés éléments diagonaux de A. L’ensemble formé de tous ces éléments est appelé
diagonale principale ou diagonale de A.
• La trace de la matrice A est définie par la somme de ses éléments diagonaux, elle est
notée tr(A) :
Xn
tr(A) = aii
i=i
19
Quelques propriétés de la trace
Si A = (aij ) et B = (bij ) sont deux matrices carées d’ordre n, et λ un scalaire, alors :
1. tr(A + B) = tr(A) + tr(B)
2. tr(λA) = λtr(A)
3. tr(t A) = tr(A)
4. tr(AB) = tr(BA)
2.2.2 Matrices carrées particulières

Matrice identité
Définition 2.2.2 La matrice identité ou la matrice identité d’ordre n, notée In ou I est la
matrice dont tous les éléments diagonaux sont égaux 1 et dont tous les autre éléments son nuls.
On a :
 
  1 0 0 0
1 0 0
1 0  0 1 0 0
I2 = , I3 = 0 1 0 , I4 =  ,...
0 1 0 0 1 0
0 0 1
0 0 0 1
Proposition 2.2.1 Pour toute matrice carrée d’ordre n, on a :
AIn = In A = A
Matrice diagonale
Définition 2.2.3 Une matrice A carée d’ordre n est dite diagonale lorsque tous ses éléments
non diagonaux sont égaux 0. Une matrice diagonale a la forme :
 
a11 0 . . . 0
 0 a22 . . . 0 
A =  ..
 
.. .. .. 
 . . . . 
0 0 . . . ann
Matrices triangulaires
Définition 2.2.4 Une matrice carrée d’ordre n est dite triangulaire supérieure (resp. inférieure)
lorsque tous ses éléments situés en dessous (resp. au dessus) de la diagonale principale sont
nuls
Les matrices triangulaires supérieurs sont de la forme :
 
a11 a12 · · · a1n
 0 a22 a2n 
A =  ..
 
.. .. .. 
 . . . . 
0 0 · · · ann
tandis que celles qui sont triangulaires inférieurs sont de la forme :
 
a11 0 · · · 0
 a21 a22 0 
 
 .. .. . .. .. 
 . . . 
an1 an2 · · · ann
20
2.2.3 Matrices inversibles
Définition 2.2.5 Une matrice A carrée d’ordre n est dite inversible ou régulière s’il existe une
matrice B carrée d’ordre n telle que
AB = BA = In
La matrice B lorsqu’elle existe elle est unique et est appelée inverse de la matrice A, elles
est notée A−1 .
Remarque 2.2.1 Si B est l’inverse de A alors A est l’inverse de B.

2 5 3 −5
Exemple 2.2.1 Soient A = et B = . On a :
1 3 −1 2

2 5 3 −5 1 0
AB = = = I2
1 3 −1 2 0 1
et
3 −5 2 5 1 0
BA = = = I2
−1 2 1 3 0 1
donc le matrices A et B sont inverses l’une de l’autre.
Remarque 2.2.2 Si A et B sont deux matrices carrées d’ordre n qui vérifient AB = In alors
on a nécessairement BA = In . Il suffit alors d’effectuer le produit dans un seul sens pour
s’assurer si oui ou non les deux matrices sont inverses l’une de l’autre.
Au prochain chapitre nous décrirons une méthode de calcul de l’inverse d’une matrice lors-
qu’elle existe.
 
−3 2 2
Exercice 2.2.1 Soit M = −2 5 4
1 −5 −4
1. Calculer M 2 et M 3 . En déduire l’expression de la matrice M 3 + 2M 2 − M − 2I3
2. Montrer que M est inversible et calculer son inverse
Solution:
1. On a :
    
−3 2 2 −3 2 2 7 −6 −6
M 2 = M × M = −2 5 4  −2 5 4  = 0 1 0
1 −5 −4 1 −5 −4 3 −3 −2
et     
7 −6 −6 −3 2 2 −15 14 14
M 3 = M 2 × M = 0 1 0  −2 5 4  =  −2 5 4 
3 −3 −2 1 −5 −4 −5 1 −2
On en déduit alors que :
M 3 + 2M 2 − M − 2I3 = 0̃ matrice nulle
21
2. Montrons que M est inversible et calculons son inverse. On a :
M 3 + 2M 2 − M − 2I3 = 0̃ ⇐⇒ M 3 + 2M 2 − M = 2I3
⇐⇒ M (M 2 + 2M − I3 ) = 2I3
1
⇐⇒ M (M 2 + 2M − I3 ) = I3
2
1
⇐⇒ M ( (M 2 + 2M − I3 )) = I3
2
⇐⇒ M N = I3
avec N = 21 (M 2 + 2M − I3 ). Donc M est inversible et

 1 
−2 −1 −1
−1 1 2 9
M = N = (M + 2M − I3 ) = −2 
2
4
2 1
2
− 13
2
−6
2.3 Rang d’une matrice

Définition 2.3.1 ( Matrice échelonnée) Une matrice rectangulaire B est dite échelonnée en
lignes si :
• chaque ligne non nulle de B commence avec strictement plus de 0 que la ligne précédente,
et
• les lignes nulles (ne contenant que des 0) de B viennent en bas après les lignes non
nulles.
Proposition 2.3.1 Toute matrice A peut se réduire à une matrice échelonnée en lignes B par
une suite d’opérations élémentaires sur les lignes. B est alors appelée la forme échelonnée en
lignes de A.
Exemple 2.3.1 Déterminons une matrice B échelonnée en lignes équivalente à la matrice

 
1 −3 6 2
A = 2 −5 10 3
3 −8 17 4
Solution :....
L’un des concepts fondamentaux en algèbre linéaire est le rang d’une matrice. Il admet
plusieurs définitions équivalentes. En voici l’une d’entre elles.
Définition 2.3.2 Soit A une matrice n lignes et p colonnes i.e. A ∈ Mnp (K). Notons L1 , L2 , . . . , Ln
les lignes de A et C1 , C2 , . . . , Cp ses différentes colonnes. Le rang de A est par définition la di-
mension du sous espace vectoriel de Kp engendré par les vecteurs L1 , L2 , . . . , Ln ; c’est aussi
la dimension du sous espace vectoriel de Kn engendré par les vecteurs C1 , C2 , . . . , Cp Il est
noté rg(A).
Remarque 2.3.1 Si A ∈ Mnp (K) alors :
rg(A) 6 max{n, p} .
22
Théorème 2.3.1 Le rang d’une matrice A est le nombre de lignes non nulles dans sa forme
échelonnée en lignes.
Exemple 2.3.2 Déterminer le rang de chacune des matrices suivantes :

     
1 −3 6 2 0 1 −1 3 0 1 3 2
A = 2 −5 10 3 B = 1 0 2 4 1 ; C = 1 4 1 
3 −8 17 4 0 −2 3 0 1 0 1 −1
Solution :
2.4 Travaux dirigés sur le calcul matriciel

 
1 −6 8 4
Exercice 2.4.1 On considère la matrice A =  0 7 3 11.
22 17 0, 1 8
1. Donner le format de A
2. Donner la valeur de chacun des éléments a14 , a23 , a33 et a32
3. Ecrire la matrice transposée t A de A et donner son format

2 5 7 2
Exercice 2.4.2 Soit A = et B = . Calculer A + B, A − B, 3A − 4B.
3 −1 −1 −3

x 5 y 7
Exercice 2.4.3 Soit A = et B = .
0 2x −1 3y

4 12
1. Trouver x et y pour que A + B =
−1 17

−5 −18
2. Trouver x et y pour que 2A − 4B =
4 −16

1 3
Exercice 2.4.4 On considère les matrices A, B et C définies par A = −4 2 , B =
    0 7
−2 0 −4 6
−2 1 et C = −14 7  . Montrer que la matrice C est une combinaison linéaire des
8 1 24 17
matrices A et B.
Exercice 2.4.5 Effectuer les produits suivants lorsque c’est possible. Lorsque c’est impossible,
dire pourquoi.
   
2 5 0 −1 6
2 5
1. 3 6 × 3. −1 4 5 × 2 4 −2
4 6
4 7 3 5 3
     
2 5 2 5 0 1 −1
2 5
2. × 3 6  4. 3 6 3 × 2 0 
4 6
4 7 4 1 2 3 5
23
       
1 −1 2 5 1 0 5 2 7 8
5. 2 0  × 3 6 6. 2 −1 6 × 0 2 3
3 5 4 1 3 4 7 4 5 6
Exercice 2.4.6 On considère les matrices

   
−1 2 4 0 1 −1 3 0
A= 1 5 1 et B = 1 0 2 4 1
2 3 5 0 −2 3 0 1
Lorsqu’elles ont un sens, calculer les expressions A + B, AB, BA, t BA, B + AB et A + AB.
Exercice 2.4.7 On considère les matrices suivantes :

−6 −7 −2 −3 2 1
A= ; B= et C=
5 6 2 3 −4 −2
Trouver les expressions de An , B n et C n pour tout n ∈ N∗ .

 
1 −1 −1
Exercice 2.4.8 Soit la matrice A = −1 1 −1
−1 −1 1
1. Calculer A2
2. Montrer que A2 = A + 2I.
3. En déduire que est inversible puis calculer A−1 .
Exercice 2.4.9 Répondre par Vrai ou faux. Soient A et B deux matrices carrées d’odre n.
1. Si A est inversible et A−1 = B alors B est inversible et B −1 = A.
2. Si A et B sont inversibles et C = AB alors C est inversible et C −1 = A−1 B −1 .
3. Si AB = 0 alors A = 0 ou B = 0.
4. (A + B)2 = A2 + B 2 + 2AB
5. AB + BA = 0 ssi (A + B)2 = A2 + B 2 .
6. Si A + B = AB, alors I − A est inversible
     
4 0 2 1 0 0 0 0 1
Exercice 2.4.10 On pose A = 0 4 2 , I = 0 1 0 et J = 0 0 1 
0 0 2 0 0 1 0 0 −1
1. Déterminer les réels a et b tels que A = aI + bJ
2. Calculer J 2 .
3. Calculer A3 , A3 , A4 comme combinaison linéaire de I et J.
24
Chapitre 3
Applications linéaires
3.1 Définitions et Exemples

Définition 3.1.1 Soient E et F deux espaces vectoriels sur le même corps K. Une application
f de E dans F est dite linéaire si elle verifie
(i) ∀~u, ~v ∈ E, f (~u + ~u) = f (~u) + f (~v )
(ii) ∀~u ∈ E, ∀λ ∈ K, f (λ~u) = λf (~u)
Remarque 3.1.1 Notons que les propriétés (i) et (ii) sont équivalentes à l’unique propiété :
∀~u, ~v ∈ E, ∀λ, µ ∈ K f (λ~u + µ~u) = λf (~u) + µf (~v )
Remarque 3.1.2 Si f est une application linéaire de E vers F alors
f (~0E ) = ~0F
En effet, on a ~0E = ~0E + ~0E et comme f est linéaire, on a alors
f (~0E ) = f (~0E + ~0E ) = f (~0E ) + f (~0E ) =⇒ f (~0E ) = f (~0E ) − f (~0E ) = ~0F
Cette Propriété donne une condition nécessaire (mais non suffisante) pour qu’une application
soit linéaire. Si on remarque que f (~0E ) 6= ~0F alors on conclut rapidement que f n’est pas
linéaire. Par contre, f (~0E ) = ~0F ne suffit pas pour conclure que f est linéaire.
Notation : L’ensemble des applications lineaires de E dans F est noté L(E; F ). C’est un espace
vectoriel pour les lois usuelles d’addition des applications et de multiplication d’une application
par un scalaire.
Exemple 3.1.1 Montrons que l’application f telle que :
f : R2 −→ R3
(x, y) 7−→ (x − y, x + 2y, 3x − y)
est linéaire
Solution:
Montrons que cette application vérifie les propriété (i) et (ii).
25
(i) soit ~u = (x, y), ~v = (a, b) ∈ R2 , montrons que f (~u + ~u) = f (~u) + f (~v ) ; On a :

f (~u + ~v ) = f (x, y) + (a, b)
= f (x + a, y + b)

= (x + a) − (y + b), (x + a) + 2(y + b), 3(x + a) − (y + b)

= (x − y) + (y − b), (x + 2y) + (a + 2b), (3x − y) + (3y − b)
= (x − y, x + 2y, 3x − y) + (a − b, a + 2b, 3a − b)
= f (~u) + f (~v )
(ii) soit ~u = (x, y) ∈ R2 , soitλ ∈ R, montrons que f (λ~u) = λf (~u)

f (λ~u) = f λ(x, y)
= f (λx, λy)

= (λx) − (λy), (λx) + 2(λy), 3(λx) − (λy)
= λ(x − y, x + 2y, 3x − y)
= λf (~u)
Exercice 3.1.1 Montrer que l’application
φ : Rn [X] −→ Rn+1 [X]

P 7−→ (1 − X)P + X 2 P 0
est linéaire. (Ici P 0 est le polynôme dérivé du polynôme P .
Définition 3.1.2 Etant donnés un espace vectoriel E sur le corps K. Une application lineaire
de E dans E est appelé endomorphisme de E.
Notation : L’Ensemble des endomorphismes de E se note L(E). C’est un espace vectoriel

pour les lois usuelles d’addition des applications et de multiplication d’une application par un
scalaire.
Définition 3.1.3 On considère deux espaces vectoriels E et F sur le corps K.

— On appelle isomorphisme de E sur F toute application linéaire f , bijective (injective
et surjective) de E sur F .
— Un automorphisme de E sur E est un endomorphisme bijectif de E
Notations :
1. L’ensemble des isomorphismes de E sur F est noté Isom(E, F )
2. L’ensemble des automorphismes de e est noté Aut(E) ou Gl(E) il est aussi appelé le
groupe linéaire de E.
Théorème 3.1.1 Soient E et F deux K−espacs vectoriels. Si f est un isomorphisme de E

dans F alors son application reciproque f −1 est une application linéaire de F vers E. En
réalité, f −1 ∈ Iso(F, E)
26
Preuve : Soit f ∈ Isom(E, F ). f est linéaire et bijective. Montrons que sa bijection réciproque
f −1 est linéaire. Soit alors u, v ∈ F et α, β ∈ K Montrons f −1 (αu + βv) = αf −1 (u) + βf −1 (v).
Puisque f est bijective, ∃!(x, y) ∈ E × E tel que

u = f (x) αu = f (αx)
=⇒ =⇒ αu + βv = f (αx) + f (βy)
v = f (y) βv = f (βy)
Comme f est bijective, la derlière égualité entraine (en composant à gauche et à droite par
f −1 ) que :
f −1 (αu + βv) = αx + βy
D’autre part,
x = f −1 (u)

u = f (x)
=⇒
v = f (y) y = f −1 (v)
On obtient alors
f −1 (αu + βv) = αf −1 (u) + βf −1 (v)
Donc f −1 est linéaire.
Définition 3.1.4 Deux espaces vectoriels E et F sont dits isomorphes s’il existe un isomor-
phisme de E sur F.
3.2 Noyau et Image d’une application linéaire

Définition 3.2.1 Soient E et F deux espaces vectoriels sur le corps K et f une application
lineaire de E dans F .
• On appelle noyau de f et on note ker f ou N (f ) l’ensemble des antécédent du vecteur
nul de F par f , c’es-à-dire l’ensemble des vecteurs de E qui ont pour image par f le
vecteur nul de F . On a :
ker f = {~u ∈ E tq f (~u) = ~0F } = f −1 ({~0F })
• On appelle image de l’application linéaire f et on note Im(f ) ou I(f ), l’ensemble de

toutes les images par f des vecteurs de E. On a :
Im(f ) = f (E) = {f (~u), ~u ∈ E} = {~v ∈ F tq ∃~u ∈ E, ~v = f (~u)}
Remarque 3.2.1 ker f est un sous ensemble de E tandis que Im(f ) est un sous ensemble de
F.
ker f ⊂ E, Im(f ) ⊂ F
Mieux, on a :
Théorème 3.2.1 Soit f une application linéaire de E vers F .
— Le noyau de f est un sous espace vectoriel de E
— L’image de f est un sous espace vectoriel de F .
Preuve :
— D’après la remarque 3.1.2 page 25, on a :
f (~0E ) = ~0F =⇒ ~0E ∈ ker f et ~08F ∈ Im(f ) =⇒ ker f 6= ∅ et Im(f ) 6= ∅
27
— Soit ~u1~u2 ∈ ker f, α, β ∈ K montrons que α~u1 + β~u2 ∈ ker f . On a
f (α~u1 + β~u2 ) = f (α~u1 ) + f (β~u2 )

= αf (~u1 ) + βf (~u2 ) car f est linéaire
= α · ~0F + β · ~0F car ~u1 , ~u2 ∈ ker f (leurs images parf sont nulles)
Donc α~u1 + β~u2 ∈ ker f =⇒ ker f est sous espace vectoriel de E.

— Soit ~v1~v2 ∈ Im(f ), α, β ∈ K montrons que α~v1 + β~v2 ∈ Im(f ). Il s’agit alors de trouver
~u ∈ E tel que f (~u) = α~v1 + β~v2
Puisque ~v1 , ~v2 ∈ Im(f ), il existe deux vecteurs ~u1 , ~u2 ∈ E tels que f (~u1 ) = ~v1 et
f (~u2 ) = ~v2 . On alors
α~v1 + β~v2 = αf (~u1 ) + βf (~u2 )

= f (α~u1 ) + f (β~u2 ) car f est linéaire
= f (α~u1 + β~u2 ) car f est linéaire
Donc, il suffit alors de prendre ~u = α~u1 + β~u2 et on a : f (~u) = α~v1 + β~v2 . Ceci permet
de conclure que α~v1 + β~v2 ∈ Im(f ) =⇒ Im(f ) est un sous espace vectoriel de F
Proposition 3.2.1 Soient E et F deux espaces vectoriels sur le corps K et f une application
lineaire de E dans F . Si E est engendré par les vecteurs (~v1 ; ~v; . . . ; ~vp ) alors Im(f ) est le sous
espace vectoriel de F engendré par les vecteurs (f (~v1 ), f (~v2 ), . . . , f (~vp )
Preuve :
Faire cette preuve à titre d’exercice.
Exemple 3.2.1 On considère l’application g définie par
g : R4 −→ R3
(x, y, z, t) 7−→ (x − y + z + t, 2x − 2y + 3z + 4t, 3x − 3y + 4z + 5t)
1. Montrer que g est une application liniéaire

2. Déterminer une base et la dimension de ker g
3. Déterminer une base et la dimension de Im(g)
Solution:
1. Montrer que g est linéaire est une répétition d’un des exemples précédents. Recopier
cette preuve dans le cadre de cet exemple.
2. Base et dimension de ker g : On rappelle que
ker g = {(x, y, z, t) ∈ R4 tq g(x, y, z, t) = 0R3 }
28
Donc on a :
(x, y, z, t) ∈ ker g ⇐⇒ g(x, y, z, t) = 0R3

⇐⇒ (x − y + z + t, 2x − 2y + 3z + 4t, 3x − 3y + 4z + 5t) = (0, 0, 0)

 x−y+z+t=0
⇐⇒ 2x − 2y + 3z + 4t = 0
3x − 3y + 4z + 5t = 0


x−y+z+t=0
⇐⇒
z + 2t = 0

x=y+t
⇐⇒
z = −2t
⇐⇒ (x, y, z, t) = (y + t, y, −2t, t) = y(1, 1, 0, 0) + t(1, 0, −2, 1)
On conclut alors la famille (e1 = (1, 1, 0, 0), e2 = (1, 0, −2, 1) est une base de ker g et que
dim ker g = 2
3. Déterminons une base et la dimension de Im(g). On rappelle tout d’abord que :
Im(g) = {(x0 , y 0 , z 0 ) ∈ R3 , tq ∃(x, y, z, t)ıR4 , g(x, y, z, t) = (x0 , y 0 , z 0 )}
On a donc :
(x0 , y 0 , z 0 ) ∈ Im(g) ⇐⇒ ∃(x, y, z, t) ∈ R4 ; tq g(x, y, z, t) = (x0 , y 0 , z 0 )

⇐⇒ (x − y + z + t, 2x − 2y + 3z + 4t, 3x − 3y + 4z + 5t) = (0, 0, 0)

 x − y + z + t = x0
4
⇐⇒ ∃(x, y, z, t) ∈ R ; tq 2x − 2y + 3z + 4t = y 0
3x − 3y + 4z + 5t = z 0

=⇒ x0 + y 0 − z 0 = 0
=⇒ z 0 = x0 + y 0
=⇒ (x0 , y 0 , z 0 ) = (x0 , y 0 , x0 + y 0 ) = x0 (1, 0, 1) + y 0 (0, 1, 1)
On conclut alors la famille (e01 = (1, 0, 1), e02 = (0, 1, 1) est une base de Im(g) et que
dimIm(g) = 2
Remarque 3.2.2 Pour Déterminer a dimension et une base de Im(g) on peut aussi utiliser le
Théorème précédent. Puisqu’on sait que la basse canonique {e1 , e2 , e3 , e4 } de R4 engendre R4
on a :
Im(g) = vect{g(e1 ), g(e2 ), g(e3 ), g(e4 )}

= vect{(1, 2, 3), (−1, −2, −3), (1, 3, 4), (1, 4, 5)}
En suite on ... (la suite à l’amphi)
Rappels :
Soit h : A −→ B une application.
— h est dite injective si et seulement si l’image de deux éléments distincts de A sont deux
éléments distincts de B i.e.
h injective ⇐⇒ ∀x1 , x2 ∈ A, x1 6= x2 =⇒ f (x1 ) 6= f (x2 )

⇐⇒ ∀x1 , x2 ∈ A, f (x1 ) = f (x2 ) =⇒ x1 6= x2
29
— h est dite surjective si et seulement si tout élément de B possède au moins un antécédent
par h i.e.
h surjective ⇐⇒ ∀y ∈ B, ∃x ∈ A tq =⇒ y = f (x)
⇐⇒ h(A) = B
— h est dite bijective si et seulement si h est injective et surjective ce qui signifie que tout
élément de B possède un unique antécédent par h i.e.
h bijective ⇐⇒ ∀y ∈ B, ∃!x ∈ A tq =⇒ y = f (x)

⇐⇒ h injective et h(A) = B
Théorème 3.2.2 Soient E et F deux espaces vectoriels sur le corps K et f une application
lineaire de E dans F . Les propositions suivantes sont équivalentes :
1. f est injective
2. ker f = {~0E }
3. L’mage de toute famille libre de E par f est une famille libre de F
Preuve :
Théorème 3.2.3 Soient E et F deux espaces vectoriels sur le corps K et f une application
lineaire de E dans F . Les propositions suivantes sont équivalentes :
1. f est surjective
2. Im(f ) = F
3. L’mage de toute famille génératrice de E par f est une famille génératrice de F
Preuve :
3.3 Application linéaire en dimension finie

Définition 3.3.1 (Rang application) Soient E et F deux espaces vectoriels sur le corps K
et f une application lineaire de E dans F . On suppose que E ou F est de dimension finie. On
appelle rang de l’application linéaire F le dimension de son image. On note rang(F ) et on a :
rang(f ) = dimIm(f )
Remarque 3.3.1 Si l’espace vectoriel E est engendré par la famille de vecteurs (~v1 ; ~v; . . . ; ~vp ),
alors d’après la définition précédente, on :
rang(f ) = dimIm(f )
= dim vect{f (~v1 ), . . . , f (~vp )}
Théorème 3.3.1 (Théorème du rang) Soient E et F deux espaces vectoriels sur le corps K et
f une application lineaire de E dans F . Si l’espace vectoriel E est de dimension finie, alors les
sous espaces vectoriels ker f et Im(f ) sont de dimension finie et on a :
DimE = dimIm(f ) + dim ker f (3.3)
30
Théorème 3.3.2 Soient E et F deux espaces vectoriels sur le corps K de dimensions finies et
f une application linéaire de E dans F . Alors on a :
1. f est injective ⇐⇒ l’image d’une base quelconque de E est une famille libre de F
2. f est surjective ⇐⇒ l’image d’une base quelconque de E est une famille génératrice de
F
3. f est bijective ⇐⇒ l’image d’une base queconque de E est une base de F . Dans ce cas
E et F ont la même dimension
Le théorème suivant est une conséquence du précédent

Théorème 3.3.3 Soient E un espace vectoriels sur le corps K de dimension finie et f un
endomorphisme de E ( une application linéaire de E dans E. Alors on a les propositions
suivantes sont équivalentes :
1. f est un automorphisme
2. ker f = {~0E }
3. Im(f ) = E
4. L’image par f d’une base de E est une base de F
5. rang(f ) = dimE
Preuve: Admise
3.4 Matrice d’une application linéaire

Soient E un K−espace vectoriel de dimension p muni d’une base B = (e1 , . . . , ep ) et F
un K−espace vectoriel de dimension n muni d’une base B 0 = (e01 , ..., e0n ). Soit encore f une
application linéaire de E vers F .
Définition 3.4.1 On appelle matrice de l’application linéaire f par rapport aux bases B et B 0
la matrice à n lignes et p colonnes notée M (f, B, B 0 ) dont la i-ème colonne est constituée par
les coordonnées du vecteur f (ei ) dans la base B 0 :
Formulaire :
Si pour tout i ∈ {1, 2, . . . , p}, on a
n
X
f (ei ) = aji uj
i=1
alors on a :
f (e1 ) f (e2 ) . . . f (ep )
↓ ↓ ↓
 
a11 a12 ... a1p ← e01
 a21 a22 ... a2p  ← e02
M (f, B, B 0 ) = 
 
.. .. .. ..  ..
 . . . .  .
an1 an2 ... anp ← e0n
Remarque 3.4.1 Lorsque f est une endomorphisme (E = F ) et si B = B 0 alors on écrit

M (f, B) au lieu de M (f, B, B 0 ) et on dit que c’est la matrice de l’endomorphisme f par rapport
à la base B
31
Exemple 3.4.1 On considère l’application linéaire f définie par :
f : R2 −→ R3
(x, y) 7−→ (x − y, x + 2y, 3x − y)
Ecrire la matrice de l’application linéaire f par rapport aux bases canoniques de R2 et R3
Solution:
Notons B = {e1 = (1, 0), e2 = (0, 1)} la base canonique de R2 et B 0 = {e01 = (1, 0, 0), e02 =
(0, 1, 0), e03 = (0, 0, 1)} celle de R3 . On a :

 f (e1 ) = (1, 1, 3) = e01 + e02 + 3e03
 
1 −1
=⇒ M (f, B, B 0 ) = 1 2 
f (e2 ) = (−1, 2, −1) = −e01 + 2e02 − e03 3 −1

Exemple 3.4.2 Ecrire la matrice de l’endomorphisme
φ : Rn [X] −→ R3 [X]
P 7−→ (1 − X)P 0 + X 2 P 00
par rapport à la base canonique de R3 [X]. N.B Ici P 0 est la dérivée première de P et P 00 la
dérivée seconde de de P
Solution:
La base canonique de R3 [X] est la famille {1, X, X 2 , X 3 }. On alors
  

 φ(1) = 0 0 1 0 0
φ(X) = 1 − X 0 −1 2 0
 
2 =⇒ M (f, B) =  

 π(X ) = 2X  0 0 0 3
φ(X 3 ) = 3X 2 + 3X 3 0 0 0 3

Remarque 3.4.2
I Si dimE = p et dimF = n alors M (f, B, B 0 ) est une matrice rectangulaire de format

n × p i.e.
M (f, B, B 0 ) ∈ Mn,p (K)
I Si X est le vecteur colonne représentant les coordonnées du vecteur ~x dans la base B, si
Y est le vecteur colonne représentant les coordonnées du vecteur ~y = f (~u) dans la base
B 0 , et si A est la matrice de l’application linéaire f par rapport aux bases B et B 0 , alors
Y = AX i.e.
~y = f (~u) ⇐⇒ Y = AX
Exercice 3.4.1 On désigne par φ l’endomorphisme de R3 dont la matrice par rapport à la base
canonique de R3 est  
1 1 2
A = −2 1 −1
1 3 4
32
1. Calculer φ(x, y, z) en fonction de x, y et z.
2. Déterminer le noyau et l’image de φ. On précisera dans chaque cas une base et la di-
mension
3. On pose u1 = (0, 1, 1), u2 = (1, 0, 1) et u3 = (1, 1, 0). Montrer que la famille {u1 , u2 , u3 }
est une base de R3 . Ecrire la matrice de l’endomorphime φ par rapport à cette nouvelle
base
Solution:
1. D’après le second item de la remarque précédente, on a :

 0   
x 1 1 2 x
0 0 0 0
(x , y , z ) = φ(x, y, z) ⇐⇒  y = −2  1 −1  y
z0 1 3 4 z

 x + y + 2z = x0
⇐⇒ −2x + y − z = y0
x + 3y + 4z = z0

On écrit alors :
φ(x, yxz) = (x + y + 2z, −2x + y − z, x + 3y + 4z)
2. Noyau de φ : On a
(x, y, z) ∈ ker(φ) ⇐⇒ φ(x, y, z) = (0, 0, 0)

    
1 1 2 x 0
⇐⇒ −2 1 −1 y  = 0
1 3 4 z 0

 x + y + 2z = 0
⇐⇒ −2x + y − z = 0
x + 3y + 4z = 0


 x = −z
⇐⇒ y = −z
z = z

⇐⇒ (x, y, z) = (−z, −z, z)
⇐⇒ (x, y, z) = z(−1, −1, 1)
On conclut alors que
ker(φ) = vect{e1 = (−1, −1, 1)} et dim ker(φ) = 1
Image de φ : Puisque la base canonique engendre R3 , les images de cette famille
33
engengrent Im(φ). On a :
Im(φ) = vect{φ(1, 0, 0), φ(0, 1, 0), φ(0, 0, 1)}

      
 1 1 2 
= vect −2 , 1 , −1 ,
1 3 4
 
      
 1 0 0 
= vect  −2 , 3 , 3 ,
   
1 2 2
 
      
 1 0 0 
= vect  −2 , 3 , 0 ,
   
1 2 0
 
On conclut alors que :
Im(φ) = vect{e2 = (1, −2, 1), e3 = (0, 3, 2)} =⇒ dim Im(φ) = 3
Deuxième méthode : Voir à l’amphi

3. Puisque dimR3 = 3, pour montrer que la famille {u1 , u2 , u3 } est une base de R3 il suffit
de montrer que c’est une famille linéairement indépedante. (Ce que chacun peut faire à
ce stade du cours)
Matrice de φ par rapport à cette base : Par définition, pour obtenir cette matrice
il faut calculer φ(u1 ), φ(u2 ) et φ(u3 ) est fonction de u1 , u2 et u3 . On a :
φ(u1 ) = (3, 0, 7) = au1 + bu2 + cu3

= (b + c, a + c, a + b)

 b+c=3
=⇒ a+c=0
a+b=7


 a=2
=⇒ b=5
c = −2

On a donc :
φ(u1 ) = 2u1 + 5u2 − 2u3
De même,
φ(u2 ) = (3, −3, 5) = au1 + bu2 + cu3

= (b + c, a + c, a + b)

 b+c=3
= a + c = −3
a+b=5


 a = −1/2
= b = 11/2
c = −5/2

On a donc :
1 11 5
φ(u2 ) = − u1 + u2 − u3
2 2 2
34
De même
φ(u3 ) = (2, −1, 4) = au1 + bu2 + cu3

= (b + c, a + c, a + b)

 b+c=2
= a + c = −1
a+b=4


 a = 1/2
= b = 7/2
c = −3/2

On a donc :
1 7 3
φ(u3 ) = u1 + u2 − u3
2 2 2
On obtient alors :  
4 −1 1
1
M (φ, B) =  10 11 7 
2
−4 −5 −3
Remarque : Au paragraphe suivant nous décrirons une méthode plus directe de calcul
de cette matrice.
Théorème 3.4.1 • Si f est une application linéaire de E dans F et si A est la matrice

de f par rapport à des bases queconques de E et F , alors
dimIm(f ) = rg(f ) = rg(A)
• Si f est un endomorphisme d’un espace vectoriel de dimension finie n, B une base de

E et f un endomorphisme de E, de matrice A par rapport à la base B alors on a :
f est un automorphisme de E ⇐⇒ rg(A) = n ⇐⇒ det(A) 6= 0
3.5 Fiche de TD sur les applications linéaires

Exercice 3.5.1 Lesquelles des applications suivantes sont-elles linéaires ?
f : R2 −→ R2 g : R3 −→ R3
; ;
(x, y) 7−→ f (x, y) = (x + y, x) (x, y, z) 7−→ g(x, y, z) = (x2 + y 2 , z, y)
h : R3 −→ R ` : R2 −→ R
; ;
(x, y, z) 7−→ h(x, y, z) = 2x + 3y − z (x, y) 7−→ `(x, y) = xy
m : R3 [X] −→ R
P 7−→ m(P ) = (P (−1), P (0), P (1))
Exercice 3.5.2 On considère l’application
f : R3 −→ R3
.
(x, y, z) 7−→ f (x, y, z) = (x + 2y − z, y + z, x + y − 2z)
35
1. Vérifier que f est linéaire
2. Déterminer le noyau de cette application. Donner sa dimension ainsi qu’une base.
3. Déterminer l’image de cette application. Donner sa dimension ainsi qu’une base.
4. Déterminer la matrice de f relativement à la base canonique de R3 .
3 2
Exercice 3.5.3 Soit h l’application linéaire de R dans
R définie par rapport à deux bases
2 −1 1
(e1 , e2 , e3 ) et (f1 , f2 ) par la matrice A =
3 2 −3
1. On prend dans R3 la nouvelle base :e01 = e2 + e3 , e02 = e3 + e1 , e03 = e1 + e2 . Quelle est
la nouvelle matrice A1 de h ?
2. On choisit pour R2 les vecteurs f10 = 21 (f1 + f2 ), f20 = 12 (f1 − f2 ). En conservant la base
(e01 , e02 , e03 ) dans R3 , quelle est la nouvelle matrice A2 de h ?
Exercice 3.5.4 Soient trois vecteurs e1 , e2 , e3 formant une base de R3 . on note T la transfor-
mation linéaire définie par : T (e1 ) = T (e3 ) = e3 , T (e2 ) = −e1 + e2 + e3 .
1. Déterminer le noyau de cette application linéaire. Ecrire la matrice A de T dans la base
(e1 , e2 , e3 ).
2. On pose f1 = e1 − e3 , f2 = e1 − e2 , f3 = −e1 + e2 + e3 . Calculer e1 , e2 , e3 en fonction
f1 , f2 , f3 . Les vecteurs f1 , f2 , f3 forment-ils une base de R3 ?
3. Calculer T (f1 ), T (f2 ), T (f3 ) en fonction de f1 , f2 , f3 . Ecrire la matrice B de T dans la
base (f1 , f2 , f3 ) et trouver la nature de l’application T .
 
1 1 −1
4. On pose P =  0 −1 1 . Vérifier que P est inversible et calculer P −1 . Quelle
−1 0 1
relation lie les quatre matrices A, B, P, P −1 ?
Exercice 3.5.5 1. Déterminer une application linéaire f : R3 −→ R4 donc l’image est

engendrée par les vecteurs u = (1, 2, 0, −4) et v = (2, 0, −1, −3).
2. Une telle application peut-elle être injective ? Surjective ?
f : R3 −→ R3
.
(x, y, z) 7−→ f (x, y, z) = (2x, −4x + 5y − 2z, −5x + 4y − z)
1. Montrer que f est linéaire. Déterminer son noyau son image et son rang.
2. Ecrire la matrice de f relativement à la base canonique de R3 .
3. On pose pour λ ∈ R, Eλ = {(x, y, z) ∈ R3 / f (x, y, z) = λ(x, y, z)} .
(a) Montrer que Eλ est un sous espace vectoriel de R3 .
(b) Pour quelle valeurs de λ, le sous espace vectoriel Eλ n’est pas réduit au singleton
vecteur nul de R3 ?
(c) Pour chacune des valeurs de λ trouvées à la question précédente, déterminer une
base et la dimension de Eλ .
(d) Montrer que la famille {(0, 1, 2), (1, 2, 1), (0, 1, 1)} est une base de R3 puis écrire la
matrice de f relativement à cette base.
36
Exercice 3.5.7 1. Déterminer une application linéaire f : R3 −→ R4 donc l’image est
engendrée par les vecteurs u = (1, 2, 0, −4) et v = (2, 0, −1, −3).
2. Une telle application peut-elle être injective ? Surjective ?
f : R3 −→ R3
.
(x, y, z) 7−→ f (x, y, z) = (2x, −4x + 5y − 2z, −5x + 4y − z)
1. Montrer que f est linéaire. Déterminer son noyau son image et son rang.
2. Ecrire la matrice de f relativement à la base canonique de R3 .
3. On pose pour λ ∈ R, Eλ = {(x, y, z) ∈ R3 / f (x, y, z) = λ(x, y, z)} .
(a) Montrer que Eλ est un sous espace vectoriel de R3 .
(b) Pour quelle valeurs de λ, le sous espace vectoriel Eλ n’est pas réduit au singleton
vecteur nul de R3 ?
(c) Pour chacune des valeurs de λ trouvées à la question précédente, déterminer une
base et la dimension de Eλ .
(d) Montrer que la famille {(0, 1, 2), (1, 2, 1), (0, 1, 1)} est une base de R3 puis écrire la
matrice de f relativement à cette base.
37
Chapitre 4
Les Déterminants des Matrices carrées
Dans tout ce chapitre, K désignera l’ensemble des nombres réels R ou l’ensemble C des
nombres complexes.
4.1 Définition récursive du déterminant

Notation
 
a11 . . . a1j . . . a1p
 .. . . 
 . . . . .. . . . .. 
Soit A = (aij )16i,j6n =  ai1 . . . aij . . . aip  une matrice carrée d’ordre n à coefficients
 
 .
 .. . . . ... . . . ... 

an1 . . . anj . . . anp

dans K. On notera M fi,j la matrice obtenue en supprimant la i-ème ligne et la j-ème colonne de
la matrice A.
Définition 4.1.1 (Déterminant d’une matrice carrée.)

On définit de manière
récursive le
a11 . . . a1j . . . a1p
. .. ..
.
. ... . ... .
déterminant de matrice carrée A noté det(A) = ai1 . . . aij . . . aip de la façon sui-

. .. ..
.. . . . . . . . .

a
n1 . . . anj . . . anp

vante :
• Le déterminant de la matrice carrée 1 × 1, A = (a11 ), est le scalaire a11 lui-même, soit
det A = |a11 | = a11
.
• Le déterminant d’une matrice carrée d’ordre 2 est défini comme suit :

a11 a12
a21 a22 = a11 a22 − a12 a21

• Le déterminant d’une matrice carrée d’ordre 2 est par définition égale à (pour tout
i ∈ {1, 2, . . . , n}) :
det(A) = (−1)i+1 ai1 det(A

ei1 ) + (−1)i+1 ai2 det(A
ei2 ) + . . . + (−1)i+n ai1 det(A
ein ) (4.1)
38
 
a11 a12 a13
Exemple 4.1.1 Pour A = a21 a22 a23  on a :
a31 a32 a33

a22 a23 a21 a23 a21 a22
det(A) = a11 − a12
a31 a33 + a13 a31 a32

a32 a33

a12 a13 a11 a13
− a23 a11 a12

= −a21 + a22
a32 a33 a31 a23 a31 a32
= ...
En particulier,

2 3 4
= 2 6 7 − 3 5 7 + 4 5 6

5 6 7
9 1 8 1 8 9
8 9 1
= ...
Remarque 4.1.1 — La formule 4.1 est indépendante de i c’est-à-dire de la ligne choisie.

On l’appelle développement de Laplace du déterminant de A selon la i-ème ligne. On
choisit alors n’impote quelle ligne pour effectuer ce développement.
— De même cette formule ne change si on choisit plutôt la j-ème colonne ; on dira alors
qu’on a développement de Laplace du déterminant de A selon la j-ème colonne.
— Dans la pratique, on choisit la ligne ou la colonne qui contient le maximum de 0.
Exemple 4.1.2 Calculer les déterminants suivants :

−1 2 0 4
2 3 4
−1 2 0 2 −2 0
−5 7 ; 5 6 7 et −5 0 −6

8 9 1 0

1 2 −1 4
Solution :
On a :
−1 2
= −7 + 10 = 3
−5 7
On développe le second déterminant par rapport à la première ligne et on trouve

2 3 4
6 7 5 7 5 6
9 1 − 3 8 1 + 4 8 9
5 6 7 = 2

8 9 1
= ...
On développe le troisième déterminant par rapport à la dernière colonne et on trouve :

−1 2 0 4
0 2 −2 −1 2 0
0 2 −2 0
−5 0 −6 + 4 0 2 −2

−5 0 = −4
−6 0
1 2 −1

−5 0 −6

1 2 −1 4
= ...
39
4.2 Propriétés des déterminants
Nous présentons ici quelques propriétés des déterminants.
Théorème 4.2.1 Le déterminant d’une matrice A et celui de sa transposée t A sont égaux :
det t A = det A
.
Grâce à ce théorème, tout théorème sur le déterminant, relatif aux lignes d’une matrice A, a
son équivalent pour les colonnes de A.
Théorème 4.2.2 Soit A une matrice carrée.
— Si A a une ligne (ou une colone) nulle,alors det A = 0
— Si A a deux lignes (ou colones) identiques, alors det A = 0
— Si une ligne (resp. colonne) de A est une combinaison linéaire des autres alors det A = 0
— Si A est triangulaire, autrement dit si tous les éléments au-dessus ou au-dessous de la
diagonale sont nuls, alors det A est égal au produit des éléments diagonaux.En particu-
lier, det In = 1, ou I est la matrice unité.
Le théorème suivant, montre comment se transforme le déterminant par une opération élémentaire
sur les lignes ou les colones.
Théorème 4.2.3 On considère une matrice B obtenue à partir d’une matrice A par une
opération élémentaire sur les lignes (respectivement sur les colonnes)
— Si l’on échange deux lignes (resp colonnes) de A, alors det B = − det A ;
— Si l’on multiplie une ligne(resp colonnes) de A par un scalaire k, alors det B = k det A ;
— Si l’on ajoute un multiple d’une ligne (resp.colone) de A à une autre ligne(resp colone)
de A, alors det B = det A
Exemple 4.2.1 Calculer le déterminant

6 2 1 0 5
2 5 −3 −2

−2 −3
2 1 1 −2 1
2 −5
et 1 1 2 −2 3
1 3 −2 2

−1 −6
3 0 2 3 −1
4 3
−1 −1 −3 4 2
Solution:

2
5 −3 −2 c1 ←− c1 − 2c3

0 −1 1 −6
−2 −3 2 −5 c2 ←− c2 + 2c3 0 3 −2 −1
=
1
3 −2 2 c3 ←− c3
1 3 −2 2
−1 −6 4 3 c4 ←− c4 + c3 0 −3 2 5

−1 1 −6
=
3 −2 −1
−3 2 5

0 1 0
=
1 −2 −19
−1 2 23

1 −19
=
−1 3
= −(23 − 19) = −4
40
Théorème 4.2.4 (Propriétés fondamentales des déterminants) Le déterminant du point
AB de deux A et B est égal produit des déterminants :
det(AB) = det A × det B.
En d’autres termes, le déterminant est une fonction multiplicative.
4.2.1 Déterminant d’une famille de vecteurs

Soit E un espace vectoriel de dimension finie n un corps K, soit B une base de E, et soit
F = {v1 , v2 , . . . , vn } une famille de n vecteurs de E. On sait que chaque vecteur de la famille
F s’écrit comme combinaison linéaire des vecteurs de la base B.
Définition 4.2.1 On appelle déterminant de la famille F dans la base B et on note detB (F) le
déterminant de la matrice carrée d’ordre n dont les colonnes sont constituées des coordonnées
des vecteurs v1 , v2 , . . . , vn dana la base B.
Théorème 4.2.5 La famille F est une base de E si et seulement si
det(F) 6= 0
B
4.3 Sous matrices Mineurs et Mineurs principaux

Soit une matrice carrée A = (aij ) de taille n. Considérons r lignes et r colonnes arbitraires
de A. En d’autre termes, considérons un ensemble quelconque I = (i1 , i2 , . . . , ir ) d’indices de
lignes et un ensemble J = (j1 , j2 , . . . , jr ) d’indices de colonnes. I et J définissenet une sous
matrice r × r de A que l’on note A(I, J) obtenu en supprimant de A les lignes dont les indices
n’appartiennent pas à I et les colonnes dont les indices n’appartiennent pas à J. On alors :
A(I, J) = (ast , s ∈ I, t ∈ J)
et le déterminant det A(I, J) est appelé mineur d’ordre r de la matrice A et la quantité
(−1)i1 +i2 +...+ir +j1 +j2 +...+jr det A(I, J)
est appelée mineur signé correspondant Notons qu’un mineur d’ordre n − 1 est un mineur
au sens précédemment défini et le mineur signé correspondant est un cofacteur. De plus si I 0 et
J 0 désignent respectivement les indices des lignes et des colonnes restantes, alors
det A(I 0 , J 0 )
est appelé mineur complémentaire de det A(I, J).
Exemple 4.3.1 Soit A = (aij ) une matrice carrée d’ordre 6, et soit I = {1, 2, 4} et J =
{2, 3, 6}, alors I 0 = {3, 5, 6} et J = {1, 4, 5} le mineur correspondant et son mineur complémentaire
sont :
a12 a13 a16 a31 a34 a35
det A(I, J) = a22 a23 a26 et det A(I 0 , J 0 ) = a51 a54 a55

a42 a43 a46 a61 a64 a65
41
Mineurs principaux
Définition 4.3.1 Un mineur est dit principal si ses indices des lignes et des colonnes sont les
mêmes, autrement dit, si les éléments diagaunaux du mineurs sont les éléments diagonaux de
la matrice elle même.
Exemple 4.3.2 Calculer les mineurs principaux d’ordre 2 de la matrice :

 
1 2 −1
3 5 4
−3 1 2
Solution:
Une matrice carrée d’ordre 3 possède exactement 3 mineurs principaux. On a

1 2 1 −1
= −5, M3 = 5 4

M1 = = −1, M2 = 1 −2 = −14
3 5 −3 −2
4.4 Applications du calcul du déterminant

4.4.1 Inverse d’une Matrice
Matrice de cofacteurs et matrice adjointe
Soit A = (aij ) une matrice carrée sur un corps K, soit Cij le cofacteur de l’élément aij . On
appelle matrice adjointe de A notée adj(A), la matrice transposée de la matrice des cofacteurs
de A :
adj(A) =t (Cij )
Exemple 4.4.1 Soit  

2 3 −4
B = 0 −4 2 
1 −1 5
. Déterminons la matrice adjointe de B.
Solution:
Les cofacteurs des neuf élélements sont les suivants :

−4 2 0 2
= 2, |A13 | = − 0 1

|A11 | = = −18, |A12 | = − =4
−1 5 1 5 −4 −1

3 −1 2 1 = 14, |A23 | = − 2 1

|A21 | = − = −11, |A22 | = =5
−4 5 −4 5 3 −1

3 −4 2 0 = −4, |A33 | = 2 0

|A31 | = = −10, |A32 | = − = −8
−4 2 −4 2 3 −4
L’adjointe de B est la transposée de la matrice des cofacteurs ci-dessus, soit :

 
−18 −11 −10
adj(B) =  2 14 −4 
4 5 −8
42
Théorème 4.4.1 Soit A une matrice carrée d’ordre n. Alors on a :
A · (adjA) = (adjA) · A = det A · In .
On en deduit que :
1. La matrice A est inversible ⇐⇒ det A 6= 0
2. Si la matrice A est inversible ( det A 6= 0) alors :
1
A−1 = adj(A)
det A
Remarque 4.4.1 Dans le cas d’une matrice carée d’ordre 2, ce résultat fournit une formule
a c
facile à retenir pour l’inverse : Si A = est inversible, c’est-à-dire si ad − bc 6= 0 alors
b d

−1 1 d −c
A =
ad − bc −b a

−1 2
Exemple 4.4.2 Soit A = et B la matrice de l’exemple précédent. Montrer que les
5 −8
matrices A et B sont inversibles et calculer leurs inverses.
Solution:
On a det A = 8 − 10 = −2 6= 0 =⇒ la matrice A est inversible et on a :
−1
−1 −1 2 1 −8 −2 1 8 2
A = = =
5 −8 −2 −5 −1 2 5 1
Calculons det B. On a :
det B = −40 + 6 + 0 − 16 + 4 + 0 = −46 6= 0
Donc B est inversible.

Calculons B −1 . D’après le théorème précédent on a :
 
−18 −11 −10
1 −1 
B −1 = adj(B) = 2 14 −4 
det B 46
4 5 −8
4.4.2 Déterminant d’un système de n vecteurs en dimension n

Soit E une K−espace vectoriel de dimension n. Soit (u1 , u2 , . . . , un ) une famille de n vecteurs
de E. Notons B = {e1 , e2 , . . . , en } une base de E.
Définition 4.4.1 On appelle déterminant du système (u1 , u2 , . . . , un ), le déterminant de la

matrice dont les colonnes sont constituées des coordonnées des vecteurs ui , i = 1, . . . , n dans
la base B. Il est noté :
det(u1 , u2 , . . . , un ).
On le théorème suivant :
43
Théorème 4.4.2 Soit E une K−espace vectoriel de dimension n. Soit (u1 , u2 , . . . , un ) une
famille de n vecteurs de E. Les propositions suivantes sont équivalentes :
1. (u1 , u2 , . . . , un ) est une base de E
2. La famille (u1 , u2 , . . . , un ) est libre
3. la famille (u1 , u2 , . . . , un ) est génératrice
4. det(u1 , u2 , . . . , un ) 6= 0
Exemple 4.4.3 Montrer que la famille
(u1 = (−1, 1, 2, −3), u2 = (0, 2, −1, −2), u3 = (1, −1, 2, 4), u4 = (0, 0, 1, 2)
est une base de R4 .
Solution:
Puis que la famille (u1 = (−1, 1, 2, −3), u2 = (0, 2, −1, −2), u3 = (1, −1, 2, 4), u4 = (0, 0, 1, 2)
possède 4 vecteurs et que la dimension de R4 est 4, il suffit de montrer que cette famille est
libre, il suffit alors de montrer que son déterminant est non nul. On a :

−1 0 1 0 −1 0 1 0
0 1 0
1 2 −1 0 1
2 −1 0 0 1
det(u1 , u2 , u3 , u4 ) =
= = 7 2 −1 0 = 7

2 −1 2 1 2 −1 2 1 −1 2 1 2 −1
−3 −2 4 2 −7 0 0 0
On alors det(u1 , u2 , u3 , u4 ) = −14 6= 0. Cette famille est donc une base de R4 .
4.5 TD sur le déterminant

Exercice 4.5.1 Calculer le déterminant de chacune des matrices suivantes :
     
7 11 1 0 2 1 2 4 0 1 1 0
1.
−8 8 3. 3 4 5 5.  1 3 9  1 0 0 1
7.  
5 6 7 x x 2 x3 1 1 0 1
1 1 1 0
   
    0 1 2 3 1 2 1 2
1 0 6 1 0 −1 1 2 3 0 1 3 1 3
6.   8.  
2. 3 4 15 4. 2 3 5  2 3 0 1 2 1 0 6
5 6 21 4 1 3 3 0 1 2 1 1 1 7
Exercice 4.5.2 Soit ∆(x) = det(ai,j (x)) de taille n = 2 ou 3 avec ai,j des fonctions dérivables.
1. Montrer que ∆0 (x) est la somme des n déterminants obtenus en remplaçant successive-
ment dans ∆(x) chaque colonne par sa dérivée.

x + a1 x x 1 + x 1 1

2. Calculer x x + a2 x et 1 1+x 1 .
x x x + a3 1 1 1 + x

1 1 1

Exercice 4.5.3 Calculer x y z et déterminer la condition d’inversibilité de la matrice.
x2 y 2 z 2
44
Exercice 4.5.4 La famille (2, 1, 0), (1, 3, 1), (5, 2, 1) est-elle libre ?
Exercice 4.5.5 Calculer le déterminant de la matrice suivante :

 
m 0 1 2m
 1 m 0 0 
 0 2m + 2 m 1  .
 
m 0 0 m
Calculer alors, suivant la valeur du paramètre m, le rang de cette matrice.
45
Chapitre 5
Systèmes Linéaires
5.1 Les différentes présentations d’un système d’équations

linéaires
5.1.1 Présentation classique
On considère une famille de n × p nombres aij , 1 6 i 6 p, 1 6 j 6 n, puis p nombres
bi , 1 6 i 6 p. On considère le système d’équations


 a11 x1 + a12 x2 + . . . + a1n xn = b1
 a21 x1 + a22 x2 + . . . + a2n xn = b2

(S) .. .. ,


 . = .
 a x + a x + ... + a x = b
p1 1 p2 2 pn n p
où (x1 , . . . , xn ) ∈ Kn . (S) est un système de p équations linéaires à n inconnues (les nombres
x1 , . . . , xn ).
On peut aussi ne considérer qu’il n’y a qu’une inconnue, le n-uplet (x1 , . . . , xn ).
Le système est dit homogène si et seulement si b1 = . . . = bp = 0.
Le système homogène associé au système (S) est


 a11 x1 + a12 x2 + . . . + a1n xn = b1
 a21 x1 + a22 x2 + . . . + a2n xn = b2

(Sh) .. .. ,


 . = .
 a x + a x + ... + a x = b
p1 1 p2 2 pn n p
Résoudre le système (S), c’est trouver tous les n-uplets (x1 , . . . , xn ) ∈ K n vérifiant (S). Jusqu’à
la fin du chapitre, on notera (S) (resp. (Sh) l’ensemble des solutions du système (S) (resp. (Sh)).
Le système (S) est dit compatible si et seulement si S 6= ∅. On note qu’un système homogène
est toujours compatible car le n-uplet (0, . . . , 0) est toujours solution d’un système homogène.
5.1.2 Ecriture matricielle d’un système

Le système linéaire (S) ci-dessus est équivalent à l’expression matricielle
     
a11 · · · a1n x1 b1
A~x = ~b ⇐⇒  ..
 . ... .
..  ·  ..  =  ... 
  .  

am1 · · · amn xn bm
46
Résoudre (S), c’est à dire trouver toutes les éventuelles solutions de (S), revient à résoudre
l’équation matricielle
  A~x = B
x1
 .. 
d’inconnue ~x =  .  ∈ Kn ≡ M1n (K). Le rang de A est le rang du système (S). On dit dans
xn
ce cas que le système est un système (n, p, r) (n inconnues, p équations, de rang r).
Si B ∈ Im(A), alors (S) est compatible et si B ∈ Im(A), alors (S) n’est pas compatible.
Si de plus A est une matrice carrée (systèmes ayant autant d’équations que d’inconnues),
le déterminant du système (S) est le déterminant de A.
5.1.3 Avec une application linéaire

On sait qu’une matrice est canoniquement associée à une application linéaire. En d’autre
termes, puis que la matrice A du système (S) est un élément de Mmn (K), on peut considérer
que la matrice d’une application linéaire f : Kn −→ Km par rapport à leurs bases canonoques.
On appelera alors noyau de la matrice A, le noyau de son endomorphisme associé. On le note
ker(A) Soit donc f ∈ L(Km , Kn ) canoniquement associée à A. Alors on a
   
x1 b1
 ..   .. 
x = (x1 , x2 , . . . , xn ) est solution de (S) ⇐⇒ A  .  =  .  ⇐⇒ f (x) = b
xp bm
Ainsi,(S) est compatible si et selement si ∃x ∈ Km /f (x) = b si et seulement si b ∈ Im(A).
5.2 Systèmes de Cramer

Définition 5.2.1 Un système (n, p, r) est dit de Cramer (on dit aussi cramérien) si et seule-
ment si n = p = r. Un résultat immédiat est
Théorème 5.2.1 Le système (S) est un système de Cramer si et seulement si det(S) 6= 0.
Théorème 5.2.2 Un système de Cramer admet une et une seule solution. En particulier, un
système de Cramer homogène admet une et une seule solution à savoir la solution nulle (0, . .
. , 0).
Preuve: Notons Ala matrice du système (S). Puisque n = p, A est une matrice carrée. Puisque
r = n, A est inversible. Mais alors, pour X ∈ Mn,1 (K), AX = B ⇐⇒ X = A−1 B. Ceci montre
l’existence et l’unicité de la solution.
Dans le théorème qui suit, on note C1 , . . . , Cn , les colonnes de la matrice A.
Théorème 5.2.3 ( Formules de Cramer) Soit (S) : AX = B un système de Cramer à n
équations. Soit X0 = (xi)16i6n ∈ Mn,1 (K) l’unique solution du système (S). Alors,
∆i
xi = , ∀i = 1, . . . , n ;
∆
où
∆ = det(A) = det(C1, ..., Cn)
est le déterminant du système (S) et pour
∆i = det(C1, ..., Ci − 1, B, Ci + 1, ..., Cn).
47
Preuve: : Admise
Exemple 5.2.1 Résoudre par la méthode Cramer le système :


 x+y+z =5
x − 2y − 3z = −1
2x + y − z =3

Solution:
Le système s’écrit  
1 1 1
AX = B avec A = 1 −2 −3
2 1 −1
On a alors :

1 1 1 5 1 1 1 5 1 1 1 5

∆ = 1 −2 −3 , ∆1 = −1 −2 −3 , ∆2 = 1 −1 −3 , ∆3 = 1 −2 −1
2 1 −1 3 1 −1 2 3 −1 2 1 3
et
∆ = 5, ∆1 = 20, ∆2 = −10, ∆3 = 15
S = {(4, −2, 3)}
Exercice 5.2.1 Résoudre suivant les valeurs du paramètre réel m le système :


 2x + 3y + z = 4
−x + my + 2z = 5 .
7x + 3y + (m − 5)z = 7

Exemple 5.2.2 Résoudre dans C3 le système


 x + y + z = j2 2iπ
(S) : x + jy + j 2 z = j où j=e 3
x + j 2 y + jz = 1

Le déterminant du système (S) est :

1 1 1

∆ = 1 j j 2 = 3(j 2 − j) 6= 0 .
1 j 2 j
Le système (S) est un système de Cramer et admet donc un et un seul triplet solution (x, y, z).
Les formules de Cramer donnent ;
2
j 1 1 1 j 2 1 1 1 j 2

∆x = ∆1 = j j j 2 = 0 ; ∆y = ∆2 = 1 j j 2 = 0 ; ∆z = ∆3 = 1 j j = j 2 .
1 j2 j 1 1 j 1 j 2 1
Donc,
S = {(0, 0, j 2 )}
(ce qui était clair dès le départ).
48
5.3 Résolution d’un système. Structure de l’ensemble
des solutions
5.3.1 Structure de l’ensemble des solutions
Proposition 5.3.1 Si le système est homogène (bi = 0, ∀ ∈ {1, 2, . . . , m}), alors l’ensemble
des solutions du système
S = kerA
.
On remarque alors que le système admet au moins une solution lorsqu’il est homogène. i.e. (S 0 )
est toujours compatible : 0Kn est toujours solution.
Théorème 5.3.1 Si b ∈ Im(f ), soit x0 ∈ Kn tel que f (x0 ) = b. Alors l’ensemble des solutions
du système linéaire (S) est
S = x0 + ker f = {x0 + y, y ∈ ker f } .
ker f est donné par la résolution du système homogène (S0 ) qui correspond à l’équation matri-
cielle A~x = ~0.
Démonstration :
— Si y ∈ ker f , f (x0 + y) = f (x0 ) = b d’où x0 + y ∈ S.

— Réciproquement, si x est solution du système linéaire (S), alors
f (x) = b = f (x0 ) car x0 est aussi solution .
D’où f (x − x0 ) = 0 ⇔ x − x0 ∈ ker f et puisque x = x0 + (x − x0 ), on conclut que

x ∈ x0 + ker f .

Remarque 5.3.1 Pour résoudre le système (S), il suffit de :

I résoudre (S0 ) i.e trouver ker(A), et de
I connaı̂tre une solution particulière.
Exemple 5.3.1 Déterminer l’ensemble solution du système linéaire :

x+y+z =1
−x + 2y + z = 0
Solution:
ce système est équivalent à :  
x
1 1 y  = 1
−1 2 1 0
z
49
On remarque (− 13 , − 35 , 3) est une solution particulière du système. Déterminons le noyau de A.
On a :
 
x
y  ∈ ker(A) ⇐⇒ x+y+z =0
−x + 2y + z = 0
z
x = 21 y

⇐⇒
z = − 23 y
On obtient alors
1 3
ker(A) = y, y, − y , y ∈ R
2 2
Ceci nous permet d’écrire la solution dy systè sou la forme :

1 1 5 3
S= − + y, − + y, 3 − y , y ∈ R
3 2 3 2
Théorème 5.3.2 Désignons par r le rang de la matrice A, c’est-à-dire
r = rg(f ) = rgA
qu’on définit comme étant le rang du système (S). On a alors, d’après le théorème du rang,
dim ker f = p − r
.
I Si r = p, alors ker f = {0} donc f est injective =⇒ (S) admet au plus une solution.
I Si r < p, alors dim ker f > 1 et ker f est infini. Deux cas se présentent :
• si b ∈ Im(f ), alors (S) admet une infinité de solutions
• si b ∈
/ Im(f ), (S) est incompatible.
Remarque 5.3.2 Du théorème précédent, on déduit alors que le système linéaire (S) admet :
I Soit aucune solution
I soit une solution unique
I soit une infinité de solutions.
Comme conséquence on déduit aussi que, si un système linéaire admet au moins 2 solutions,
alors il en admet une infinité.
5.4 Méthodes de résolution d’un système linéaire : Méthode

du pivot de Gauss
La méthode du pivot de Gauss consiste, au moyen d’opérations élémentaires opérant ex-
clusivement sur les lignes, et au prix d’une éventuelle permutation des inconnues, à transformer
(S) en un système linéaire (S 0 ) équivalent, c’est à dire possédant les mêmes solutions que (S).
La matrice A0 de (S 0 ) est de plus idéalement du type :
 
m1,1 ∗ ··· ··· ··· ··· ∗
. .. 
 0 m2,2 . . .

 . .. .. .. .. 
 .. . . . .
0
 
A =  0 · · · 0 m r,r ∗ · · · ∗ 

 0
 · · · · · · · · · · · · · · · 0 
 . .
 .. .. 

0 ··· ··· ··· ··· ··· 0
50
Avec ∀i ∈ {1, . . . , m}, mi,i 6= 0. On a alors nécessairement
r = rg(A0 ) = rg(A) = rg (S)
.
Le système A0~x = b0 est particulièrement simple à résoudre, mais on distingue ici plusieurs
cas.
1er cas : r = p 6 n (S 0 ) est alors du type :



 m1,1 xi + · · · + m1,p xp = β1
...







 m x =β
p,p p p

 0 = βp+1
.

..






0 = βn

Les équations (0 = βi )i∈{1,...,m} sont les équations de compatibilité de (S). Si ∃j ∈ {p+1, . . . , m}

tel que βj 6= 0, alors (S 0 ) et (S) sont incompatibles.
Si ∀i ∈ {p + 1, . . . , m}, β = 0, alors les équations de compatibilité peuvent être retirées du
système car toujours vraies et le système restant se résout aisément en remontant .
2e cas : r = n 6 m (S 0 ) est alors du type :


m1,1 xi + · · · + m1,n xn + · · · + m1,p xp = β1

...

m1,n xn + · · · + mp,p xp = βp

On appelle alors x1 , x2 , . . . , xp les inconnues principales et xn+1 , xn+2 , . . . , xm les inconnues

secondaires. On pose ∀i ∈ {n+1, . . . , m}, xi = λi pour marquer le fait qu’on prend les inconnues
secondaires pour paramètres et on résout par rapport à x1 , x2 , . . . , xp . On a toujours dès que
p > n une infinité de solution.
Exemple Prenons n = 2, p = 4,
(
x+y−z+t=1
(S) :
y+z−t=2
On prend z et t pour paramètres. Ainsi,

( (
x+y =1+z−t x = −1 + 2 (z − t)
(x, y, z, t) ∈ S ⇔ ⇔
y =2+t−z y =2+t−z
On a donc S = {(−1 + 2 (z − t) , 2 + t − z, z, t) , z, t ∈ R}
= {(−1, 2, 0, 0) + z (2, −1, 0, 0) + t (−2, 1, 0, 1) z, t ∈ R}
= (−1, 2, 0, 0) + vect {(−2, 1, 1, 0) , (−2, 1, 0, 1)}
51
3e cas : r = p = n On a alors tout de suite, d’après la forme de A0 , A0 est inversible donc
A0~x = b0 ⇔ ~x = A0−1 b0
(S) a donc une unique solution, on parle de système de Cramer. La résolution de ce système
triangulaire 1 est immédiate.
4e cas : en général, r < min (n, p) S 0 est du type



 m1,1 xi + · · · + m1,n xn + · · · + m1,p xp = β1
..





 .

 m1,n xn + · · · + mp,p xp = βp

0 = βp+1
..


.





0 = βn

Pour i ∈ {r + 1, . . . , m}, 0 = βi est une équation de compatibilité de (S 0 ), et donc de (S).

Si les conditions de compatibilité sont vérifiées, on est ramené au deuxième cas avec r à la
place de m.
5.5 TD sur les systèmes linéaires

Exercice 5.5.1 Résoudre les systèmes suivants
 
 3x − y +2z = a  x +y +2z = 5
−x +2y −3z = b x −y − z = 1
x +2y + z = c x + z = 3
 
Exercice 5.5.2 Sans chercher à résoudre les systêmes suivants, discuter la nature de leurs
ensembles de solution :
  
 x +y −z = 0  x +3y +2z = 1  x +3y +2z = 1
x −y = 0 2x −2y = 2 2x −2y = 2
x +y +z = 0 x + y + z = 2 x + y + z = 3
  
Exercice 5.5.3 Soient x0 ,x1 ,...,xn , n + 1 réels distincts, et y0 ,y1 ,...,yn , n + 1 réels (distincts
ou non).
Montrer qu’il existe un unique polynôme P tel que :
∀i ∈ {0, ..., n} P (xi ) = yi
Exercice 5.5.4 Résoudre, suivant les valeurs de m :

x + (m + 1)y = m + 2 mx + (m − 1)y = m + 2
(S1 ) (S2 )
mx + (m + 4)y = 3 (m + 1)x − my = 5m + 3
1. On remarque que dans ce cas, la matrice A0 est aussi triangulaire supérieure.
52
Exercice 5.5.5 Résoudre et discuter suivant les valeurs de b1 , b2 , b3 et b4 :
 

 x + 3y + 4z + 7t = b1 
 x + 3y + 5z + 3t = b1
x + 3y + 4z + 5t = b2 x + 4y + 7z + 3t = b2
 
(S1 ) (S2 )

 x + 3y + 3z + 2t = b 3 
 y + 2z = b3
x + y + z + t = b4 x + 2y + 3z + 2t = b4
 
 

 x + y + 2z − t = b1 
 x + 2y + z + 2t = b1
−x + 3y + t = b2 −2x − 4y − 2z − 4t = b2
 
(S3 ) (S4 )

 2x − 2y + 2z − 2t = b3 
 −x − 2y − z − 2t = b3
2y + z = b4 3x + 6y + 3z + 6t = b4
 
Exercice 5.5.6 Discuter et résoudre suivant les valeurs des réels λ, a, b, c, d :



 (1 + λ)x + y + z + t = a
x + (1 + λ)y + z + t = b

(S)

 x + y + (1 + λ)z + t = c
x + y + z + (1 + λ)t = d

Exercice 5.5.7 Discuter et résoudre suivant les valeurs des réels λ et a :



 3x + 2y − z + t = λ
2x + y − z = λ−1



(S) 5x + 4y − 2z = 2λ
(λ + 2)x + (λ + 2)y − z = 3λ + a




3x − z + 3t = −λ2

Exercice 5.5.8 Mettre sous forme matricielle et résoudre les systèmes suivants.
  

 2x + y + z = 3 
 2x + y + z + t = 1  x + 2y + 3z = 0
3x − y − 2z = 0 x + 2y + 3z + 4t = 2 5. 2x + 3y − z = 0
 
1. 3.
x + y − z = −2 3x − y − 3z + 2t = 5 3x + y + 2z = 0


 

x + 2y + z = 1 5y + 9z − t = −6
 


 x+y+z+t = 1
x − y + 2z − 3t = 2


 
2. 2x + 4z + 4t = 3  x−y+z+t = 5
2x + 2y + 3z + 8t = 2 4. 2x + 3y + 4z + 5t = 8




5x + 3y + 9z + 19t = 6 3x + y − z + t = 7
 
Exercice 5.5.9 Calculer les déterminants suivants.

1 3 2 1 1 1 5 −3 13 1 0
√
0 0 0 1
3 1

D1 = 1 3 3 , D2 = 3 3 2 , D3 = 0 −1 −16 D4 = 0 2
−
√2
D5 = 1 0 0

1 2 1 2 3 1 0 0 2 0 1 3 0 1 0
2 2
Exercice 5.5.10 Résoudre et discuter le système linéaire suivant :



 x1 + x2 + 3x3 + 10x4 + x5 = b1
x1 + 2x2 + x3 + 4x4 + 7x5 = b2

(S)

 x1 + 3x2 + 4x3 + 13x4 + 8x5 = b3
x1 + 4x2 + 2x3 + 7x4 + 14x5 = b4

53
Exercice 5.5.11 On considère l’application f de R5 dans R4 qui à un élément X = (x1 , x2 , x3 , x4 , x5 )
associe l’élément Y = (y1 , y2 , y3 , y4 ), défini par :


 x1 + x2 + 3x3 + 10x4 + x5 = y1
x1 + 2x2 + x3 + 4x4 + 7x5 = y2

(S)

 x1 + 3x2 + 4x3 + 13x4 + 8x5 = y3
x1 + 4x2 + 2x3 + 7x4 + 14x5 = y4

1. Montrer que f est linéaire.

2. On considère A l’ensemble des solutions de (SH ).


 x1 + x2 + 3x3 + 10x4 + x5 = 0
x1 + 2x2 + x3 + 4x4 + 7x5 = 0

(SH )

 x 1 + 3x2 + 4x3 + 13x4 + 8x5 = 0
x1 + 4x2 + 2x3 + 7x4 + 14x5 = 0

Quelle est la nature de A ? Que représente A pour l’application f ? Donner une base
de A ; quelle est la dimension de A ? Donner un système minimal d’équations qui
définissent A.
3. Dans l’espace R4 , on considère les cinq vecteurs : V1 = (1, 1, 1, 1), V2 = (1, 2, 3, 4),
V3 = (3, 1, 4, 2), V4 = (10, 4, 13, 7), V5 = (1, 7, 8, 14). Que représentent ces vecteurs pour
l’application f ? Trouver une base de Imf .
4. On considère le système (S) où les inconnues sont les xi , et où les yj sont des paramètres.
Comment interpréter les conditions de possibilité de ce système du point de vue de f ?
5. Donner une interprétation du théorème du rang relativement à ce système. Quel est le
lien entre le rang de f et le rang du système ?
Exercice 5.5.12 Pour tout a réel, on considère la matrice A et le système linéaire (S) définis
par :   
a 1 1 1 ax
 + y + z + t = 1
1 a 1 1

x + ay + z + t = 1
A= 1
 (S)
1 a 1 
 x + y + az + t = 1
1 1 1 a x + y + z + at = 1

aux inconnues réelles x, y, z, t.

1. Discuter le rang de A suivant les valeurs de a.
2. Pour quelles valeurs de a le système (S) est-il de Cramer ? Compatible ? Incompatible ?
3. Lorsqu’il est de Cramer, résoudre (S) avec un minimum d’opérations (on pourra montrer
d’abord que l’on a nécessairement x = y = z = t.).
4. Retrouver 3. par application des formules de Cramer.
 
1 −1 1
Exercice 5.5.13 Déterminer le noyau de la matrice 0 1 1
2 3 7
 
2 2 0
Exercice 5.5.14 Soit A = 1
 2 1. Déterminer les λ ∈ R tels que ∃X ∈ R3 − {(0, 0, 0)}
0 2 2
tel que AX = λX. Pour chaque λ déterminer Eλ = {X ∈ R3 /AX = λX}.
54


 3x + 2z = 0

3y + z + 3t = 0
Exercice 5.5.15 Donner une base de l’ensemble des solutions de .


 x+y+z+t=0
2x − y + z − t = 0


2
x + ay + a z = 0

Exercice 5.5.16 Résoudre suivant les valeurs de a ∈ R a2 x + y + az = 0 .

ax + a2 y + z = 0



ax + y + z + t = 1

x + ay + z + t = µ
Exercice 5.5.17 Résoudre suivant les valeurs de a et µ ∈ R .


x + y + az + t = µ2
x + y + z + at = µ3

 
1 1 1
Exercice 5.5.18 Inverser en utilisant un système linéaire la matrice 2 1 1.
1 2 1
Exercice 5.5.19 Soit F le sous-espace vectoriel de R4 des éléments (x, y, z, t) qui satisfont :

 x + y + z + 3t = 0
2x + 3y + 4t = 0
2x + 5y − 4z = 0

Donner une base de F et sa dimension.
Exercice 5.5.20 On considère le système


 x+y+z+t =0
(S) : x − y − 2z + 2t = 0
2x + y + z =0

1. Résoudre le système (S) puis indiquer son rang.

2. Montrer que l’ensemble des solutions de (S) est un sous-espace vectoriel de R4 , indiquer
sa dimension et en donner une base.
55

Algèbre Lineaire

Transféré par

Droits d'auteur :

Formats disponibles

Algèbre Lineaire

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 Lineaire

Transféré par

Droits d'auteur :

Formats disponibles

Cours d’Algèbre Linéaire

Année Académique 2019-2020

4 Les Déterminants des Matrices carrées 38

1.1 Définition et exemples

Exemple 1.1.2 Soit E = Rn , c’est-à-dire l’ensemble des n-uplets de la forme (x1 ; x2 ; . . . ; xn )

(x1 ; x2 ; . . . ; xn ) + (y1 ; y2 ; . . . ; yn ) := (x1 + y1 ; x2 + y2 ; . . . ; xn + yn );

λ · (x1 ; x2 ; . . . ; xn ) := (λx1 ; λx2 ; . . . ; λxn )

Il s’agit là encore de multiplier chacune des composantes par λ

h : x 7−→ f (x) + g(x).

Le produit k = λ · f de la fonction f par un réel λ est la fonction définie par ù

k : x 7−→ λ.f (x).

Ces définitions sont les définitions usuelles dans le cas de X = R.

4. Pour tout a de E, il existe un élément b de E tel que

D1 . Pour tous réels λet µ, et tout a ∈ E,

D2 . Pour tous a, b de E et tout réel λ,

Le cas échéant, on l’appelle symétrique de a, et on le note b = −a

0Rn = (0; 0; . . . ; 0);

et le symétrique du n-uplet a = (x1 ; x2 ; . . . ; xn ) et

b = −a = (−x1 ; −x2 ; . . . ; −xn ) .

1.2 Sous-espaces vectoriels

Exemple 1.2.2 L’ensemble F = {(x; y) ∈ R2 ; x + y = 0} est un sous-espace vectoriel de R2 .

ce qui prouve que λ(x; y) = (λx + λy) ∈ F .

ce qui prouve que (x; y) + (x0 ; y0 ) = (x + x0 ; y + y0 ) appartient à F .

1.3 Combinaisons linéaires

Avec cette notation la combinaison linéaire ci-dessus s’écrit

Exemple 1.3.1 Dans R3 , le vecteur u = (3; 3; 1) est-il combinaison linéaire de v1 = (1; 1; 0)

λ1 · (1; 1; 0) + λ2 · (1; 1; 1) = (3; 3; 1) .

On est donc amené à résoudre le système

λ1 · (1; 2; −1) + λ1 · (6; 4; 2) = (a; b; c).

admet des solutions. On applique la méthode du pivot à ce système et on obtient le système

On vient de trouver une équation cartésienne de l’ensemble des solutions du système.

1.4 Familles génératrices

donc appartient à V ect{u1 ; u2 ; . . . ; un }.

λ · v = λ · (a1 · u1 + . . . + an · un ) = (λa1 ) · u1 + . . . + (λan ) · un ;

donc λ · v appartient aussi à V ect{u1 ; u2 ; . . . ; un }.

λ1 · (1; 1; 2) + λ2 · (−1; 0; 1) + λ3 · (2; 1/3; . − 1) = (x; y; z) .

Il s’agit donc de savoir si le système

1.5 Familles libres

Cela signifie que le polynôme P (X) = λ0 + λ1 · X + . . . + λn · X n est la fonction nulle, donc

λ1 · (1; 1; 2) + λ2 · (−1; 0; 1) + λ3 · (2; a; −1) = 0R3 .

Cela signifie que (λ1 ; λ2 ; λ3 ) est une solution du système

Ou bien a 6= 31 et le système a pour unique solution (λ1 ; λ2 ; λ3 ) = (0; 0; 0), ou bien a = 13 et le

1.6 Bases d’un espace vectoriel

λ1 · e1 + . . . + λn · en = 0Rn = (0; . . . ; 0).

Encore une fois puisque λ1 · e1 + . . . + λn · en = (λ1 ; . . . ; λn ), cette égalité entraine λ1 = . . . =

1.6.2 Dimension d’un espace vectoriel

Proposition 1.6.1 Soit (E; +; ·) un espace vectoriel. On suppose que E admet

Proposition 1.6.3 (Dimension et inclusion) Soit E un espace vectoriel de dimension finie.

~ dans la base B, on note :

1.8 Comment extraire une base d’une famille génératrice ?

v = λ1 v1 + λ2 v2 + λ3 v3 = λ1 v1 + λ2 v2 + λ3 (−v1 + 2v2 ) = (λ1 − 3λ3 )v1 + (λ2 + 2λ3 )v2 ;

1.9 Comment trouver une base d’un espace vectoriel

Exemple 1.9.1 Soit

V = {(x1 ; x2 ; x3 ) ∈ R3 ; 2x1 + 3x2 = 0; x1 + x2 + x3 = 0}.

V est l’ensemble des solutions du système

On l’échelonne avec la méthode du pivot de Gauss. On obtient le système équivalent

1. Montrer que F est un sous espace vectoriel de R2

1.10 Travaux dirigés sur les Espaces vectoriels

Exercice 1.10.3 1. Soit E l’ensemble des (x, y, z) ∈ R3 tels que x + 2y − z = 0. Justifier