Cours Algèbre SVT-1-1

Table des matières
1 Logique et théorie des ensembles 3

1.1 Notion de logique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Les connecteurs logiques de base. . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Négation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Conjonction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.3 La disjonction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.4 Implication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.5 Équivalence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Quelques méthodes de raisonnements . . . . . . . . . . . . . . . . . . . . 5
1.3.1 Raisonnement par équivalence . . . . . . . . . . . . . . . . . . . . 5
1.3.2 Raisonnement par contraposée . . . . . . . . . . . . . . . . . . . . 5
1.3.3 Démonstration par contre exemple . . . . . . . . . . . . . . . . . 5
1.3.4 Démonstration par l’absurde . . . . . . . . . . . . . . . . . . . . . 5
1.3.5 Démonstration par récurrence . . . . . . . . . . . . . . . . . . . . 6
1.4 Notion sur les ensembles. . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.2 Opération sur les ensembles . . . . . . . . . . . . . . . . . . . . . 6
1.4.3 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.4 Les quantificateurs . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5 Application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5.1 Notions et Définitions . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5.2 Image et image réciproque . . . . . . . . . . . . . . . . . . . . . . 9
1.5.3 Composition de fonctions . . . . . . . . . . . . . . . . . . . . . . . 9
1.5.4 Applications particulières . . . . . . . . . . . . . . . . . . . . . . 10
1.6 Relation d’ensemble . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.6.1 Relation d’équivalence . . . . . . . . . . . . . . . . . . . . . . . . 11
1.6.2 Relation d’ordre . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6.3 Borne inférieur, Borne supérieur . . . . . . . . . . . . . . . . . . 13
2 Structure d’espace vectoriel 14

2.1 Espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.1.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.1.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
Univ JKZ/UFR-SVT-L1 S1 Dr A. W. NEBIE c Support de cours algèbre 2022-2023

TABLE DES MATIÈRES 2
2.2 Sous espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

2.2.1 Définitions-Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.2 Sommes de sous espace vectoriel . . . . . . . . . . . . . . . . . . . 17
2.2.3 Sous-espace engendré . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3 Espace vectoriel de dimension fini . . . . . . . . . . . . . . . . . . . . . . 18
2.3.1 Cas d’un espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . 18
2.3.2 Cas d’un sous espace vectoriel . . . . . . . . . . . . . . . . . . . . 20
3 Notions de matrices 22
3.1 Généralités et notions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.1.1 Définition et notation . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.1.2 Différentes types de matrices . . . . . . . . . . . . . . . . . . . . 22
3.1.3 Opérations sur les matrices . . . . . . . . . . . . . . . . . . . . . 23
3.1.4 Transposition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.1.5 Trace d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2 Déterminant et rang d’un matrice . . . . . . . . . . . . . . . . . . . . . . 26
3.2.1 Déterminant d’une matrice carrée . . . . . . . . . . . . . . . . . . 26
3.2.2 Déterminant de matrices particulières . . . . . . . . . . . . . . . . 28
3.2.3 Inverse d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . 28
3.2.4 Déterminant et inverse d’une matrice carrée . . . . . . . . . . . . 29
3.2.5 Rang d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . 30
4 Système d’équations linéaires 31

4.1 Écriture matricielle d’un système . . . . . . . . . . . . . . . . . . . . . . 31
4.1.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.1.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.1.3 Résolution par utilisation des matrices inversibles . . . . . . . . . 32

Chapitre Premier
Logique et théorie des ensembles
1.1 Notion de logique

Définitions
Définition 1.1
Assertion ou proposition : C’est une énoncée mathématique plus au moins rigoureux qui
ne peut que prendre la valeur de vérité "vrai" (V) ou "faux" (F)
Définition 1.2
Une tautologie est une assertion qui est toujours "vraie".
Définition 1.3
Deux assertions P et Q sont synonymes ou équivalentes si elles ont les mêmes valeurs
de vérité et on note P ≡ Q
Exemple 1.1
"Tout homme est mortels"≡ "Personne n’est immortel"
Définition 1.4
Un axiome (postulat) : C’est une assertion élaborée à partir d’intuitions mathématiques.
Exemple 1.2
Axiome d’Euclide : Par deux points il passe une et une seule droite parallèle à une droite
donnée.
Définition 1.5
Théorème C’est une assertion vraie déduite d’autres assertions. C’est un résultat très
important à retenir.
Définition 1.6
Lemme : C’est un résultat préliminaire qui sert à démontrer un théorème
Définition 1.7
Corollaire : C’est une conséquence d’un théorème.

Les connecteurs logiques de base. 4
1.2 Les connecteurs logiques de base.

1.2.1 Négation
Soit P une assertion, la négation de P est notée eP ou P̄ ou non P.
P̄ est l’assertion qui est fausse quand P est vraie et vraie sinon.
Exemple
√ 1.3 √
2 ∈Q
l F non P : 2 ∈
/Ql V
1.2.2 Conjonction
Soient P et Q deux assertions. La conjonction de P et Q notée P ∧ Q (lire P et Q).
Elle est vraie si P√et Q le sont et fausse si l’une des deux au moins l’est. Exemple : Soit
P :si x 6 0 alors x existe : v
q :x2 + 1 = 0 si x = −1
1.2.3 La disjonction
Soient P et Q deux assertions. La disjonction de P et Q notée P ∨ Q qui se lit (p ou
Q) est l’assertion qui est "vraie" si l’une des deux au moins est "vraie".
Exemple 1.4
P : 45 ∈ Q
l V.
Q : 45 ∈ N F. P ∨ Q : V
Proposition 1.1
(Règle de Morgan)
1. e(P ∨ Q) =eP ∧eQ

2. e(P ∧ Q) =eP ∨eQ
1.2.4 Implication
Soient P , Q deux assertions, l’implication de P à Q notée P =⇒ Q (se lit P
implique Q ) est l’assertion qui est "faux" uniquement si P est "vrai" et "Q" est "Faux".
NB :P =⇒ Q se lit aussi si P alors Q.
Exemple : En religion Dieu existe (V) =⇒ Q Dieu est marié. (F) P =⇒ Q : F.
Remarque 1.1
• P =⇒ Q ≡eP ∨ Q.
• Dans l’assertion P =⇒ Q est l’hypothèse et Q la conclusion. On dit que P est une
condition suffisante pour avoir Q ; et Q est une condition nécessaire pour avoir P.

Quelques méthodes de raisonnements 5
1.2.5 Équivalence
L’équivalence de P et Q notée P ⇔ Q qui est "vrai" si P et Q ont les mêmes valeurs
de vérité.
Remarque 1.2
P ⇐⇒ Q ≡ P ⇒ Q et Q ⇒ P
Exemple
√ 1.5
(P ) 2x + 3x = 0 alors x = 4 F
Q : x2 + 2x + 2 = (x − 1)2 F
P ⇔ Q.
Application Compléter le tableau suivant :
P Q eP eQ P ∨ Q P ∧ Q P =⇒ Q P ⇔ Q eP =⇒ Q
V V
V F
F V
F F
1.3 Quelques méthodes de raisonnements

1.3.1 Raisonnement par équivalence
Il s’agit de remplacer une assertion par une autre qui lui soit équivalente.
Exemple : P =⇒ Q est équivalente à eP ∨ Q.
1.3.2 Raisonnement par contraposée

Soit à démontrer P =⇒ Q alors il revient à démontrer que : eQ =⇒ ep.
Exemple :
Démontrer que si P 2 est paire de 3 alors p est paire. P : p est un multiple de 3.
Q :P 2 est impaire.
1.3.3 Démonstration par contre exemple

Elle permet de dire qu’une assertion donnée est fausse.
Exemple :
Montrer que toute suite bornée de R est pas convergente. On peut considérer (un ),
n
définie par un = (−1)n n+1 .
1.3.4 Démonstration par l’absurde

Pour démontrer par l’absurde qu’une assertion est fausse. On commence par supposer
qu’elle est vraie puis par √
le raisonnement on débouche sur une contradiction.
Exemple : Montrer que 2 n’appartient pas Q

Notion sur les ensembles. 6
1.3.5 Démonstration par récurrence

Elle se fait en plusieurs étapes :
Supposons qu’on veut montrer la proposition (Pn ) est vraie.
1 ère étape : On montre que (P0 ) est vraie
2 ème étape : On suppose que (Pn ) est vraie et on montre que (Pn+1 ) est vraie.
3 ème étape : Conclusion
Application
Montrer que : 1 + 2 + 3 + ... + n = n(n+1)
2
1.4 Notion sur les ensembles.

1.4.1 Définition
On appelle ensemble E une collection d’objets, appelés éléments de E, ayant des
propriétés communes.
On appelle cardinal de E le nombre d’éléments de E et on note Card(E). Si E contient
une infinité d’objet, on note Card(E) = ∞.
Par ailleurs, il existe des ensembles particuliers que sont :
1. L’ensemble vide E. C’est un ensemble qui ne comporte aucun élément. On le note
E = {} ou E = ∅
2. Le singleton E. C’est un ensemble réduit à un seule élément a. On le note E = {a}

Remarque 1.3
Un ensemble peut être définie de façon explicite(en extension) ou implicite :
– En extension on énumère de façon explicite ses éléments :E = {−5; 4; 3; −8; −2}...

Implicitement, on peut définir l’ensemble
√ à travers une propriété ou une formule
qui la caractérise : E = {x ∈ R : x ∈ [1; 3]}
1.4.2 Opération sur les ensembles

Soit A et B deux ensembles d’un ensemble E
1.4.2.1 Inclusion d’ensembles

On dit que A est inclut dans B si tous les éléments de A sont dans B. Qui se note
A ⊂ B.
Si A ⊂ B on a ∀x ∈ A alors x ∈ B
1.4.2.2 Réunion d’ensembles

L’union (ou réunion ) de A et B, noté A∪B, est l’ensemble des éléments appartenant
à A ou à B.
A ∪ B = {x ∈ E : x ∈ A ou x ∈ B}

Notion sur les ensembles. 7
1.4.2.3 Intersection d’ensembles

L’intersection de A et B noté A ∩ b (lire A inter B) est l’ensemble des éléments
appartenant à la fois à A et B.
A ∩ B = {x ∈ E : x ∈ A et x ∈ B}
1.4.2.4 Complémentaire d’un ensemble

Soit E un ensemble et A ⊂ E ; On appelle complémentaire de A dans E et on note
CEA ou Ā, l’ensemble des éléments de E qui ne sont pas dans A.
CEA = {x ∈ E : x ∈/ A}
Proposition 1.2 1. A = A ; E = ∅ et ∅=E
2. A ⊂ B si et seulement si B ⊂ A ;
3. A = B si et seulement si A = B
1.4.2.5 Différence d’ensembles

On appelle différence de A et B notée A \ B, l’ensemble des éléments de A qui ne
sont pas dans B.
On a A \ B = CAA∩B = A ∩ B
1.4.2.6 Différence symétrique d’ensembles

La différence symétrique de A et B noté A4B est l’ensemble des éléments apparte-
nant à un et un seul des deux ensembles A et B
On a A4B = (A ∪ B) \ (A ∩ B) = (A \ B) ∪ (B \ A)
1.4.3 Propriétés
Soit A, B, et C trois ensembles non vides d’un ensemble E, on a :
1. A = B ⇔ A ⊂ B et B ⊂ A
2. A ∩ B = B ∩ A ; A ∩ (B ∩ C) = (A ∩ B) ∩ C = A ∩ B ∩ C
3. A ∩ = ; A∩A=A
4. Si A ⊂ B alors A ∩ B = A
5. A ∪ B = B ∪ A ; A ∪ (B ∪ C) = (A ∪ B) ∪ C = A ∪ B ∪ C
6. A ∪ = A; A∪A=A
7. Si A ⊂ B alors A ∪ B = B

Application 8
8. A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C) ; A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
9. Si A ⊂ B alors B̄ ⊂ Ā.
10. A ∩ B = Ā ∪ B̄, A ∪ B = Ā ∩ B̄
1.4.4 Les quantificateurs

Pour définir un ensemble on peut utiliser des quantificateurs. Il en existe essentielle-
ment de deux types.
1.4.4.1 Le quantificateur universel

Il se note ∀x qui se lit "quel que soit x ou pour tout x"
1.4.4.2 Le quantificateur existentiel

Il se note ∃x qui se lit "il existe au moins x".
Cependant le quantificateur ∃!x se lit "il existe un unique x"
Remarque 1.4
Dans un énoncé quantifié, On ne peut pas, à priori, modifier l’ordre des quantificateurs.
En effet : P (∀x ∈ N, ∃y ∈ N, x 6 y) est vraie
(∃x ∈ N, ∀y ∈ N, x 6 y) est fausse.
Proposition 1.3
(Négation des quantificateurs)
∀x ∈ E, P (x) ≡ ∃x ∈ E, P (x)
∃x ∈ E, P (x)) ≡ ∀x ∈ E, P (x)
1.5 Application
1.5.1 Notions et Définitions
Définition 1.8 1. On appelle fonction de E vers F toute relation qui à tout élément
de E associe au plus un élément de F. On note :
f : E −→ F
x 7−→ y = f (x)
2. f est une application si tous les éléments de E ont une image dans F. C’est à dire
E = DF

Application 9
3. Deux applications f et g sont égales si et seulement si Df = Dg = D et ∀x ∈ D

f (x) = g(x).
Exemple 1.6 √
Soit f et g deux fonctions définies par f (x) = x − 2 et g(x) = x2 − 4x + 4
1. f et g sont-elles égales sur R
2. Sinon sur quel intervalle f et g sont-elles égales ?
Définition 1.9
Soient E et F deux ensembles.
i) On appelle application identité de E, l’application définie par :
IdE → F
x 7→ x
ii) On appelle fonction indicatrice de A ⊂ E, la fonction définie par :
1A : E → ( F
1 si x ∈ A
x 7→
0 si x ∈
/A
1.5.2 Image et image réciproque

Soient E et F deux ensembles et f : E → F une fonction. Soit I une partie de E et
J une partie de F
Définition 1.10
Soit f : E → F une fonction et I, J des parties respectivements de E et F .
1. On appelle image directe de I par f et on note f (I), l’ensemble des images de tous
les éléments de I.
On note
f (I) = {y ∈ F : ∃x ∈ I, y = f (x)}
Exemple 1.7
l’image directe de ]−∞; 2] par une fonction f décroissante est [f (2); limx→−∞ f (x)[.
On note
f −1 (J) = {x ∈ E : f (x) ∈ J}
2. On appelle image réciproque de J par f , l’ensemble des antécédents de tous les
éléments de J
1.5.3 Composition de fonctions

Soient f : E −→ F et g : F −→ G deux fonctions.
On appelle composée de f et g et on note g ◦ f la fonction définie par :
g ◦ f : E −→ G

Application 10
x 7−→ y = g ◦ f
. Exemple
1 x
Soit f et g deux fonctions définies par f (x) = x
et g(x) = x−1
Déterminer g ◦ f et f ◦ g.
Remarque 1.5
i) Soient f et g deux fonctions, alors g ◦ f et f ◦ g ne sont pas toujours égales.
ii) L’ensemble de définition de g ◦ f est
Dg◦f = {x ∈ R/x ∈ Df , etf (x) ∈ Dg }
Exemple 1.8 √ √
Soit f et g deux fonction définies par : f (x) = x2 − 1 et g(x) = 4 − x2
Déterminer Dg◦f et (g ◦ f )(x).
1.5.4 Applications particulières

1.5.4.1 Application injective
Soit f : E −→ F une application.
On dit que f est injective si et seulement si tout élément de F a au plus un antécédent
dans E. C’est à dire que y ∈ F l’équation f (x) = y admet au plus une solution dans E.
Proposition 1.4
f : E −→ F est injective (ou une injection) si et seulement si ∀x, x0 ∈ E, f (x) = f (x0 )
alors x = x0
Proposition 1.5
Toute restriction d’une application injective est injective.
1.5.4.2 Application surjective

Soit f : E −→ F une application. f est surjective (ou une surjection) si tout élément
de F admet au moins un antécédent par f dans E.
C’est à dire f est surjective si : ∀y ∈ F , ∃x ∈ E, y = f (x)
1.5.4.3 Application bijective

Soit f : E −→ F une application.f est bijective ou (une bijection) si tout élément
de F admet un unique antécédent par f dans E.
C’est à dire f est bijective si et : ∀y ∈ F , ∃!x ∈ E, y = f (x).
Proposition 1.6
Soient f : E → F , g : F → G deux applications.
1. Si g ◦ f est injective , alors f est injective.
2. Si g ◦ f est surjective alors g est surjective.

Relation d’ensemble 11
Proposition 1.7
Soit f : E −→ F une application, E, F et G trois ensembles.
1. Si f est une application bijective alors il existe une application g : F −→ E tel que
f ◦g = IdE et g◦f = IdF , g est appelée la bijection réciproque de f .On note g = f −1
2. Si f est bijective alors f −1 est aussi bijective et f −1 est définie de F dans E.

Si f : E −→ F et g : F −→ G sont bijectives alors g ◦ f est bijective et sa bijection
réciproque est est (g ◦ f )−1 = f −1 ◦ g −1 .
x
Application Soit f ]0; +∞[−→]0, 1[ ; x 7−→ x+1
.
f est-elle injective ? Surjective ? bijective ?
1.6 Relation d’ensemble

1.6.1 Relation d’équivalence
Définition 1.11
Une relation R sur un ensemble E est la donnée de (x, y) ∈ E × E tel qu’on ait la valeur
de verité V si x est en relation avec y ef F sinon. On note xRy
Définition 1.12
Soit E un ensemble et R une relation binaire sur E.
1. Réflexivité : On dit que R est réflexive si ∀x ∈ E on a xRx
2. Symétrie : On dit que R est symétrie si ∀x, y ∈ E, xRy =⇒ yRx
3. Antisymétrique : R est antisymétrique si ∀x, y ∈ E xRy et yRx =⇒ x = y
4. Transitivité : On dit que R est transitive si ∀x, y, z ∈ E, xRy et yRz =⇒ xRz

Définition 1.13
Soit (E, R) une relation binaire. On dit que R est une relation d’équivalence sur E si et
seulement si R est réflexive, symétrie et transitive.
Définition 1.14
On appelle classe d’équivalence d’élément x de E et on note ẋ ou x̄ l’ensemble donné
par :
ẋ = {y ∈ E/xRy}
Définition 1.15
On appelle ensemble quotient de E par R l’ensemble des classes d’équivalence. Cet en-
semble est noté ER , il est formé des parties de E qui sont non vides, deux à deux disjoints
et dont la réunion est E.

Exemple 1.9
Dans R on définit la relation R par : ∀x, y ∈ R,xRy ⇔ x2 − 1 = y 2 − 1
1. Montrer que R est une relation d’équivalence
2. Donner l’ensemble RR
1.6.2 Relation d’ordre

1.6.2.1 Définitions et notions
Définition 1.16
Une relation binaire R sur E est une relation d’ordre si R est réflexive, antisymétrique
et transitive.
Définition 1.17
Soit R une relation d’ordre sur E.
i) On dit que deux éléments x,et y ∈ E sont comparables par R si xRy ou yRx.
ii) R est une relation d’ordre totale sur E ou E est totalement ordonné si deux
éléments quelconques de E sont comparables par R. Dans le cas contraire, R est une
relation d’ordre partielle.
1.6.2.2 Plus petit, plus grand élément

Définition 1.18
Soit (E, R) un ensemble ordonnée et A ⊂ P (E)
1. On dit que m ∈ A est le plus petit élément de A si ∀y ∈ A on a : mRy.
2. On dit que M ∈ A est le plus grand élément de A si ∀y ∈ A on a : yRM .

Définition 1.19
Soit (E, R) un ensemble ordonné et A une partie de E alors si A possède un plus petit
élément ou un plus grand élément, il est unique.
1.6.2.3 Éléments minimaux, élément maximaux

Soit (E, R) un ensemble ordonné et A une partie de E.
1. On dit que a ∈ A est un élément minimal de A si ∀y ∈ A si yRa =⇒ y = a
2. On dit que a ∈ A est un élément maximal de A si ∀y ∈ A si aRy =⇒ y = a.

Proposition 1.8
Soit (E, R) un ensemble ordonnée, m et M ∈ E alors :
i) m est le plus petit élément de A implique m est le seul élément minimal de A.

ii) M est plus grand élément de A implique M est le seul élément maximal de A.
1.6.3 Borne inférieur, Borne supérieur

Définition 1.20
Soit (E, R) un ensemble ordonné et A ⊂ P (E).
1. On dit que m ∈ E est un minorant de A si ∀x ∈ ,mRx
2. On dit que M ∈ E est un majorant de A si ∀x ∈ ,xRM
3. On appelle borne inférieur de A et on note inf (A) le plus grand des minorants de
A.
4. On appelle borne supérieur de A et on note sup(A) le plus petit des majorants de A.
Exercice 1.1
On définit dans E, la relation R par : ∀x, y xRy =⇒ ∃k ∈ N, x = ky
1. Montrer que R est une relation d’ordre sur E. L’ordre est-elle totale ou partielle ?
2. Soit A = {0; 1; 4; 8; 10} une partie de N
Déterminer le plus grand élément, plus petit élément, éléments minimaux, éléments
maximaux, minorants majorants, la borne supérieure et la borne inférieure de A.

Chapitre Deux
Structure d’espace vectoriel
2.1 Espace vectoriel

2.1.1 Définition
On appelle espace vectoriel sur R,ou espace vectoriel réel,un ensemble E muni de
deux lois de composition :
– une loi interne,application de E 2 dans E,notée additivement,qui au couple (x, y)
fait correspondre x + y,et qui confère à E la structure de groupe commuta-
tif ;autrement dit,quels que soit les vecteurs x, y et z de E,les quatre propriétés
suivantes sont satisfaisantes
(x + y) + z = x + (y + z) (axiome d’associativité),
x+y = y+x (axiome de commutativité),
x+0= x (existence d’un élément neutre 0),
x + (−x) = 0 (tout élément est symétrisable)
– une loi externe,application de R × E dans E,notée multiplicativement,qui au

couple (λ, x) fait correspondre λx,de telle sorte que ;quels que soient les vecteurs
x et y de E,les éléments λ et µ de) R,les quatre propriétés suivantes soient satis-
λ(x + y) = λx + λy
faisantes : (axiomes de distributivité),
(λ + µ)x = λx + µx
λ(µx) = (µλ)x (axiome d’assosiativité),
1x =x (existence d’un élément)
Remarque
Les éléments de E sont appelés vecteurs,ceux de R des scalaires.
2.1.2 Exemples
• L’ensemble des vecteurs du plan ou de l’espace est un R-espace vectoriel
• L’ensemble F(X, F ) des applications d’un ensemble X dans un espace vectoriel F
, est un espace vectoriel pour les opérations f + g et λf .

Sous espace vectoriel 15
2.2 Sous espace vectoriel

2.2.1 Définitions-Propriétés
2.2.1.1 Définitions
Définition 2.1
Soit E un R-espace vectoriel.
Une partie F de E est appelée un espace vectoriel si :
– 0E ∈ F ,
– u + v ∈ F pour tous u, v ∈ F ,
– λ · u ∈ F pour tout λ ∈ R et tout u ∈ F .
Remarque
Expliquons chaque condition.
• La première condition signifie que le vecteur nul de E doit aussi être dans F . En
fait il suffit même de prouver que F est non vide.
• La deuxième condition, c’est dire que F est stable pour l’addition : la somme u + v
de deux vecteurs u, v de F est bien sûr un vecteur de E (car E est un espace
vectoriel), mais ici on exige que u + v soit un élément de F .
• La troisième condition, c’est dire que F est stable pour la multiplication par un
scalaire.
2.2.1.2 Exemples
n o
1. L’ensemble F = (x, y) ∈ R2 | x + y = 0 est un sous-espace vectoriel de R2 . En
effet :
(a) (0, 0) ∈ F ,
(b) si u = (x1 , y1 ) et v = (x2 , y2 ) appartiennent à F , alors x1 +y1 = 0 et x2 +y2 = 0
donc (x1 + x2 ) + (y1 + y2 ) = 0 et ainsi u + v = (x1 + x2 , y1 + y2 ) appartient à
F,
(c) si u = (x, y) ∈ F et λ ∈ R, alors x + y = 0 donc λx + λy = 0, d’où λu ∈ F .
2. L’ensemble des fonctions continues sur R est un sous-espace vectoriel de l’espace
vectoriel des fonctions de R dans R.
Preuve : la fonction nulle est continue ; la somme de deux fonctions continues est
continue ; une constante fois une fonction continue est une fonction continue.
3. L’ensemble des suites réelles convergentes est un sous-espace vectoriel de l’espace
vectoriel des suites réelles.
Méthodologie.
Pour répondre à une question du type « L’ensemble F est-il un espace vectoriel ? »,
une façon efficace de procéder est de trouver un espace vectoriel E qui contient F , puis
prouver que F est un sous-espace vectoriel de E. Il y a seulement trois propriétés à
vérifier au lieu de huit !

2.2.1.3 Combinaisons linéaires

Définition 2.2
Soit n > 1 un entier, soient v1 , v2 , . . . , vn , n vecteurs d’un espace vectoriel E. Tout
vecteur de la forme
u = λ1 v1 + λ2 v2 + · · · + λn vn
(où λ1 , λ2 , . . . , λn sont des éléments de R) est appelé combinaison linéaire des vec-
teurs v1 , v2 , . . . , vn . Les scalaires λ1 , λ2 , . . . , λn sont appelés coefficients de la combi-
naison linéaire.
Exemples
1. Dans le R-espace vectoriel R3 , (3, 3, 1) est combinaison linéaire des vecteurs (1, 1, 0)
et (1, 1, 1) car on a l’égalité
(3, 3, 1) = 2(1, 1, 0) + (1, 1, 1).
2. Soit E = F(R, R) l’espace vectoriel des fonctions réelles. Soient f0 , f1 , f2 et f3 les

fonctions définies par :
∀x ∈ R f0 (x) = 1, f1 (x) = x, f2 (x) = x2 , f3 (x) = x3 .
Alors la fonction f définie par
∀x ∈ R f (x) = x3 − 2x2 − 7x − 4
est combinaison linéaire des fonctions f0 , f1 , f2 , f3 puisque l’on a l’égalité
f = f3 − 2f2 − 7f1 − 4f0 .
2.2.1.4 Caractérisation d’un sous-espace vectoriel

Théorème 2.1 (Caractérisation d’un sous-espace par la notion de combinaison linéaire)
Soient E un R-espace vectoriel et F une partie non vide de E. F est un sous-espace
vectoriel de E si et seulement si
λu + µv ∈ F pour tous u, v ∈ F et tous λ, µ ∈ R.
Autrement dit si et seulement si toute combinaison linéaire de deux éléments de F ap-

partient à F .
2.2.1.5 Intersection de deux sous-espaces vectoriels

Proposition 2.1
(Intersection de deux sous-espaces)
Soient F, G deux sous-espaces vectoriels d’un R-espace vectoriel E. L’intersection F ∩ G
est un sous-espace vectoriel de E.

2.2.2 Sommes de sous espace vectoriel

2.2.2.1 Définitions-Propriétés
Comme la réunion de deux sous-espaces vectoriels F et G n’est pas en général un
sous-espace vectoriel, il est utile de connaître les sous-espaces vectoriels qui contiennent
à la fois les deux sous-espaces vectoriels F et G, et en particulier le plus petit d’entre
eux (au sens de l’inclusion).
Définition 2.3
Soient F et G deux sous-espaces vectoriels d’un R-espace vectoriel E. L’ensemble de
tous les éléments u + v, où u est un élément de F et v un élément de G, est appelé
somme des sous-espaces vectoriels F et G. Cette somme est notée F + G. On a donc
n o
F + G = u + v | u ∈ F, v ∈ G .
Proposition 2.2
Soient F et G deux sous-espaces vectoriels du R-espace vectoriel E.
1. F + G est un sous-espace vectoriel de E.
2. F + G est le plus petit sous-espace vectoriel contenant à la fois F et G.
2.2.2.2 Sous-espaces vectoriels supplémentaires

Définition 2.4 (Définition de la somme directe de deux sous-espaces)
Soient F et G deux sous-espaces vectoriels de E. F et G sont en directe dans E si
– F ∩ G = {0E },
– F + G = E.
On note alors F ⊕ G = E.
Si F et G sont en somme directe, on dit que F et G sont des sous-espaces vectoriels
supplémentaires dans E.
Proposition 2.3
F et G sont supplémentaires dans E si et seulement si tout élément de E s’écrit d’une
manière unique comme la somme d’un élément de F et d’un élément de G.
2.2.3 Sous-espace engendré

2.2.3.1 Définition
Théorème 2.2
Soit {v1 , . . . , vn } un ensemble fini de vecteurs d’un R-espace vectoriel E. Alors :
– L’ensemble des combinaisons linéaires des vecteurs {v1 , . . . , vn } est un sous-espace
vectoriel de E.
– C’est le plus petit sous-espace vectoriel de E (au sens de l’inclusion) contenant les
vecteurs v1 , . . . , vn .

Espace vectoriel de dimension fini 18
Notation.
Ce sous-espace vectoriel est appelé espace engendré par v1 , . . . , vn et est noté Vect(v1 , . . . , vn ).
On a donc
u ∈ Vect(v1 , . . . , vn ) ⇐⇒ il existe λ1 , . . . , λn ∈ R tels que u = λ1 v1 + · · · + λn vn
Exemples
1 1
1. Soient u = 1 et v = 2 deux vecteurs de R3 .
1 3
Déterminons P = Vect(u, v)
x x
y
z
∈ Vect(u, v) ⇐⇒ y = λu + µv pour certainsλ, µ ∈ R
xz 1 1
⇐⇒ y=λ 1 +µ 2
z 1 3
 x
 = λ+µ
⇐⇒ y = λ + 2µ


z = λ + 3µ
Nous obtenons bien une équation paramétrique du plan P passant par l’origine et
contenant les vecteurs u et v.
On sait en trouver une équation cartésienne : (x − 2y + z = 0).
2. Soient E l’espace vectoriel des applications de R dans R et f0 , f1 , f2 les applications
définies par :
∀x ∈ R f0 (x) = 1, f1 (x) = x et f2 (x) = x2 .
Le sous-espace vectoriel de E engendré par {f0 , f1 , f2 } est l’espace vectoriel des
fonctions polynômes f de degré inférieur ou égal à 2, c’est-à-dire de la forme
f (x) = ax2 + bx + c.
Méthodologie.
On peut démontrer qu’une partie F d’un espace vectoriel E est un sous-espace vectoriel
de E en montrant que F est égal à l’ensemble des combinaisons linéaires d’un nombre
fini de vecteurs de E.
Exemple
Un triplet de R3 est élément de F si et seulement si x = y + z. Donc u est élément de
F si et seulement s’il peut s’écrire u = (y + z, y, z). Or, on a l’égalité
(y + z, y, z) = y(1, 1, 0) + z(1, 0, 1).
n o
Donc F est l’ensemble des combinaisons linéaires de (1, 1, 0), (1, 0, 1) . C’est le sous-
n o n o
espace vectoriel engendré par (1, 1, 0), (1, 0, 1) : F = Vect (1, 1, 0), (1, 0, 1) .
2.3 Espace vectoriel de dimension fini

2.3.1 Cas d’un espace vectoriel
2.3.1.1 Dépendance et indépendance linéaire
Définition
On dit qu’une famille (x1 , · · · , xn )de vecteurs de E est une famille libre, ou que les

vecteurs sont linéairement indépendants, si :

n
X
λi xi = 0 ⇐⇒ λi = 0; ∀ i ∈ {1, · · · , n}
i=1
Dans le cas contraire, on dit que la famille est liée, ou que les vecteurs sont linéairement
dépendants.
Toute sous-famille non vide d’une famille libre est libre.
Pour qu’une famille (x1 , · · · , xn ) soit liée, il faut, et il suffit, que l’un de ses éléments
soit combinaison linéaire des autres.
Remarque
Cas particuliers : une famille qui contient le vecteur 0 est liée ; deux vecteurs sont liés
si, et seulement si, ils sont colinéaires.
2.3.1.2 Bases
À On appelle base d’un espace vectoriel E toute famille libre de E qui engendre E.
Á On appelle base toute famille qui est à la fois libre et génératrice.
Â La famille (e1 , · · · , en ) est une base de E si, et seulement si, tout vecteur x de E
peut s’écrire de façon unique sous la forme :
n
X
x= xi e i
i=1
Les scalaires xi sont les composantes du vecteur x.

Ã Théorème de la base incomplète
Si E est un espace vectoriel non réduit à {0}, toute famille libre de E peut être
complétée en une base de E.
Ä Tout espace vectoriel non réduit à {0} possède au moins une base
Remarque
Attention à ne jamais écrire ou dire la base de E, car il n’y a pas unicité.
2.3.1.3 Dimension d’un espace vectoriel

Si E possède une base comportant un nombre fini n de vecteurs, on dit que E est de
dimension finie.
Dans ce cas, toute base de E comporte aussi n vecteurs. On dit que n est la dimension
de E ; on la note dimE.
On convient que l’espace vectoriel {0} est de dimension nulle.
Théorème 2.3
Soit E un K-ev et dim(E) = n < ∞. Soit F une famille de vecteurs de E. Si F a n

éléments alors les assertions suivantes sont équivalentes :
i) F est une base de E.
ii) F est libre
iii) F est génératrice de E.

2.3.1.4 Recherche de bases

Soit E un espace vectoriel de dimension finie n.
Toute famille libre de E a au plus n vecteurs. Si elle comporte n vecteurs, c’est une
base.
Toute famille génératrice de E a au moins n vecteurs. Si elle comporte n vecteurs, c’est
une base.
Méthode
Si on connaît déjà la dimension n de E, et si on considère une famille de n vecteurs,
pour démontrer que c’est une base, il suffit de démontrer : soit que la famille est libre,
soit que la famille est génératrice.
dim(E × F ) = dimE + dimF.
2.3.2 Cas d’un sous espace vectoriel

2.3.2.1 Dimension d’un sous-espace vectoriel
Soit E un espace vectoriel de dimension finie et F un sous-espace vectoriel de E.
À F est alors de dimension finie, et l’on a : dimF 6 dimE.
Á Si dimF = dimE, alors F = E
Remarque
L’égalité des dimensions ne suffit pas pour conclure que F = E. Il faut aussi une
inclusion de l’un des espaces vectoriels dans l’autre
Â Si dimF = dimE − 1, on dit que F est un hyperplan de E.
Comme exemples d’hyperplans, vous pouvez penser à une droite dans le plan ou
à un plan dans l’espace à trois dimensions
2.3.2.2 Dimension d’une somme

Si F et G sont deux sous-espaces vectoriels de E, on a :
dim(F + G) = dimF + dimG − dim(F ∩ G)
En particulier, si F et G sont en somme directe :
dim(F ⊕ G) = dimF + dimG
2.3.2.3 Rang d’une famille de vecteurs

Le rang d’une famille finie de vecteurs est la dimension du sous-espace vectoriel qu’ils
engendrent.
C’est aussi le nombre maximum de vecteurs linéairement indépendants que l’on peut
extraire de la famille.
Exemple
Déterminer le rang du système de vecteurs suivants : u = (−1, 2), v = (3, 1), w = (1, 5)

Exercice 2.1
Soit E = {(x, y, z) ∈ R3 ; 2x + y − 3z = 0}.
1. Montrer que E = vect{u, v} ; où u et v sont à déterminer. Déterminer dim(E).
2. Soit w = (1, −1, 1) montrer que B = {u, v, w} une base de R3 .
3. Trouver les cordonnées de a = (−1; 2; 1) dans la base B

Chapitre Trois
Notions de matrices
3.1 Généralités et notions

3.1.1 Définition et notation
Définition 3.1
Soient n, p ∈ N∗ . On appelle matrice de n lignes et p colonnes à coefficient dans K,
tout tableau à n lignes et p colonnes d’éléments de K. On note une telle matrice
a1,1 a1,2 ... a1,p
 
 a ... ... ... 
M = (ai,j )16i6n ,16j6p = M =  2,1
 
 ... ... ... ... 

an,1 ... ... an,p

On dit que M est une matrice de type n × p ou d’ordre n × p.
L’ensemble des matrices n × p à coefficient dans K se note Mn,p (K)
Définition 3.2
Soit M est une matrice de type n × p.
1. Si n = 1 alors M est une matrice ligne, on note M1,p (K).
2. Si p = 1 alors M est une matrice colonne, on note Mn,1 (K).
3. Si n = p alors M est une matrice carrée, on note Mn (K).
4. ai,j est le coefficient de la matrice qui est sur la i ème ligne et sur la j ème colonne.
Exemple 3.1
3
 
 
2 0 1  5 
 −1 1 0  ∈ M3 (R).N = 
M =  ∈ M4,1 (C)
  
 −6 
0 1 0
−i
3.1.2 Différentes types de matrices

Soit M ∈ Mn (K).

Généralités et notions 23
1. Si ai,j = 0 ∀i, j ∈ N∗ tel que i > j alors M est appelée matrice triangulaire
supérieur.
a1,1 a1,2 ... a1,n
 
 0 ... ... ... 
M = 
 ... ... ... ...
 

0 ... 0 an,n
2. Si ai,j = 0 ∀i, j ∈ N∗ tel que i < j alors M est appelée matrice triangulaire
inférieur.
a1,1 0 ... 0
 
 a ... ... ... 
M =  2,1
 
 ... ... ... 0


an,1 ... an,n
3. Si ai,j = 0 ∀i, j ∈ N∗ tel que : i 6= j alors M est une matrice diagonale.
a1,1 0 ... 0
 
 0 ... ... ... 
M = 
... ... ... 0
 
 
0 ... an,n
Si de plus ai,j = 1 ∀i = j, alors M est la matrice identité. On note
1 0 ... 0
 
 0 ... ... ... 
In =  
... ... ... 0 
 

0 ... 1
4. La matrice nul d’ordre n est :
0 0 ... 0
 
 0 ... ... ... 
On = 
 
... ... ... 0 


0 ... 0
5. M est une matrice symétrique si ai,j = aj,i ∀i, j ∈ N∗
Exemple 3.2
2 0 ... −4
 
 0 3 ... 12 
M = 
... ... ... 1 
 

−4 21 1 0
6. M est antisymétrique si ai,j = −aj,i
3.1.3 Opérations sur les matrices

3.1.3.1 Égalité de deux matrices
Soient A = (aij ) et B = (bij ) deux matrice de Mnp (R) alors :
A = B ⇐⇒ aij = bij 1 6 i 6 n, 1 6 j 6 p

3.1.3.2 Somme et multiplication par un réel

Soient A = (aij ) et B = (bij ) deux matrice de Mnp (R)
• La somme des matrices A et B est définie par
A + B = (aij + bij )
• Le produit de la matrice A par le scalaire λ est donnée par
λA = (λaij )
3.1.3.3 Produit de deux matrices

Soient A = (aij ) une matrice de Mnp (R) et B = (bij ) une matrice de Mpq (R)
On définit le produit AB par :
p
X
AB = (cij ) avec cij = aik bkj pour 1 6 i 6 n et 1 6 j 6 q
k=1
cij est le produit scalaire de la ligne i de A par la colonne j de B. On a AB ∈ Mnq (R)

Le produit AB est possible si et seulement si le nombre de colonnes de A est égal au
nombre de lignes de B. Par ailleurs l’existence du produit AB n’entraîne pas nécessai-
rement celle de BA.
De plus, quand AB et BA existent, on a pas nécessairement AB = BA. On dit que le
produit matriciel est non commutatif
3.1.3.4 Exemples
! !
1 3 5 6 2 −4
• Soient A = et
4 −5 7 2 3 −5
! !
7 5 1 20 12 −2
On a A + B = et 2A + 3B =
6 −2 2 14 −1 −1
 
! ! 1 3
1 3 5 5 −6
• Soient A = , B= et C = −2 1
 
4 −5 7 4 1
! !
5 4 !
−19 45 −17 1 −36 20 26
On a BA = , B2 = , AC = et CA =
8 7 27 24 −23 49 35
 
13 −12 26
 2 −11 −3
 
21 −5 53
Proposition 3.1
Soient A, B, C ∈ Mn,p (K)) alors :
i) A+B=B+A
ii) A+(B+C)=(A+B)+C
iii) A + On,p = On,p + A = A

Proposition 3.2
Soient A, B ∈ Mn,p (K) et C ∈ Mp,n (K) alors :
i) (A + B) × C = A × C + B × C
ii) A × C 6= C × A
iii) si A × C = C × A alors A et C sont commutatifs.
iv) A × In,p = A et In,p × A = A
v)si λ ∈ K alors λA = (λai,j )16i6n ,16j6p
vi) Pour toutes matrices A ∈ Mpq (R) et C ∈ Mqr (R) on a
A(BC) = (AB)C
C’est l’associativité du produit matriciel.

Proposition 3.3
Soient A ∈ Mn (K) et BMn (K) alors :
1. A0 = In
2. A2 = A × A
3. An = A × A × ... × A (n facteurs)
4. Si A et B sont commutative alors :

n
(A + B)n = Cnk Ak B n−k
X
k=0
Exercice 3.1
Soient :
     
0 3 6 2 0 0 1 1 1
A =  1 −1 1  ; B =  2 3 1 ; C =  −1 −1 −1 
     
1 4 0 2 4 2 0 4 0
Calculer A+B ; A+C et B+C

On donne
 
! 0
2 1 1
D=  3 
E= F = 1 1 1

−1 2 −2
1
Calculer si possible D × E, E × F , D × F , F × D, A × B
3.1.4 Transposition
3.1.4.1 Définition
La transposée d’une matrice A est la matrice notée t A et dont les colonnes sont les
lignes de A dans le même ordre.

Déterminant et rang d’un matrice 26
3.1.4.2 Propriétés
• ∀ A, B ∈ Mnp (R), t (A + B) =t A +t B
• ∀ A ∈ Mnp (R), ∀ λ ∈ R t (λA) = λt A
• ∀ A ∈ Mnp (R), t (t A) = A
• ∀ A ∈ Mnp (R), ∀ B ∈ Mpq (R), t (AB) =t B t A
Proposition 3.4
SoitM ∈ Mn (K)
i) Si M t = M alors M est une matrice symétrique.
ii) Si M t = −M alors M est antisymétrique.
3.1.5 Trace d’une matrice

À Définition
Soit A = (aij une matrice carrée d’ordre n. La trace de A notée tr(A) est définie
par tr(A) = a11 + a22 + · · · + ann
Á Propriétés
• tr(A + B) = tr(A) + tr(B)
• tr(λA) = λtr(A);
• tr(t A) = tr(A)
• tr(AB) = tr(BA)
3.2 Déterminant et rang d’un matrice

3.2.1 Déterminant d’une matrice carrée
3.2.1.1 Définition
Soit A = (aij une matrice carrée d’ordre n. Le déterminant de A est noté det(A) et
défini par :
• Pour n = 1, A = (a11 ) et det(A) = a11
• Pour n = 2,
!
a a a11 a12
A = 11 12 et det(A) = = a11 a22 − a21 a12
a21 a22 a21 a22
• Pour n = 3,
 
a11 a12 a13
a22 a23 a a a a
A = a21 a22 a23 

et det(A) = a11 − a12 21 23 + a13 21 22
a32 a33 a31 a33 a31 a32

a31 a32 a33

3.2.1.2 Développement du déterminant d’ordre 3

En développant suivant la première ligne on a
a11 a12 a13

a a a a a a
det(A) = a21 a22 a23 = a11 22 23 − a12 21 23 + a13 21 22
a32 a33 a31 a33 a31 a32
a31 a32 a33
Ce qui donne après calcul et simplification
det(A) = (a11 a22 a33 + a21 a32 a13 + a31 a12 a23 ) − (a21 a12 a33 + a31 a22 a13 + a11 a32 a23 )
Cette formule peut être retrouvé par la règle de Sarrus :

Elle consiste à utiliser la disposition pratique suivante où les deux premières lignes ont
été reportées en dessous du déterminant
a11 a12 a13

a21 a22 a23
a31 a32 a33
a11 a12 a13
a21 a22 a23
Alors les termes précédés du signe + sont données par les diagonales descendantes et les
termes précédés du signe - sont données par les diagonales ascendantes.
Remarque :On peut reporter les deux premières colonnes à droite du déterminant et
appliquer la même règle.
3.2.1.3 Exemples
!
5 −5
A= ; det(A) = 80
9 7
 
3 −2 1
B = −4 5 8 ; det(B) = −56
 
1 2 3
 
3 −1 6
C= −7 6 −2 ; det(C) = 0

−4 5 4
3.2.1.4 Déterminant d’ordre n

Définition 3.3
(Caractérisation) On appelle déterminant d’une matrice carrée A ∈ Mn (K) l’application
n n
ai,j (−1)i+j det(M ij) ou det(A) = ai,j (−1)i+j det(M i
X X
detK : Mn (K) → R caractérisée par det(A) =
j=1 i=1
avec Mi,j la matrice obtenue en supprimant la i ème ligne la j ème colonne. et det(A)
vérifie les propriétés suivantes :

Proposition 3.5
Soit A une matrice carrée d’ordre n à coefficients dans K. Soit B la matrice obtenue de
A en effectuant des opérations sur les colonnes Ci (i=1,...,n) de A ; alors :
1. Si Ci ← λCi et λ 6= 0, alors det(B) = λdet(A)
2. Si Ci ← Ci + λCj λ ∈ K et i 6= j alors det(B) = det(A)
3. Si on permute Ci et Cj (i 6= j) alors det(B) = −det(A)
Exercice 3.2
Calculer le déterminant des matrices suivantes
   
1 5 2 0 1 −1
A =  1 −1 1  B =  4 1 −2 
   
1 2 3 2 3 1
3.2.2 Déterminant de matrices particulières

Proposition 3.6
Soit A ∈ Mn (K)
1. Si A est une matrice triangulaire supérieure (ou inférieure) alors son déterminant
est égal au produit des termes diagonaux.
2. Si A est inversible alors det(A−1 ) = 1
det(A)
3. Soit B ∈ Mn (K) alors det(AB) = det(A) × det(B).

4. det(At ) = det(A)
3.2.3 Inverse d’une matrice carrée

3.2.3.1 Définition
Soit M ∈ Mn (K). On dit que M est inversible s’il existe une matrice N ∈ Mn (K)
tel que M × N = N × M = In . N est l’inverse de M. On note : N = M −1 .
Proposition 3.7
Soient A, B ∈ Mn (K).
i) Si A est inversible alors A−1 est inversible et (A−1 )−1 = A.
ii) Si A et B sont inversibles alors :
∗ (A + B)−1 = A−1 + B −1
∗ (A × B)−1 = B −1 × A−1
∗ Si λ ∈ K, on a λ(A−1 ) = (λA−1 ) et (λA)−1 = λ1 A−1 .
3.2.3.2 Détermination pratique de la matrice inverse

-Méthode 1 En résolvant un système d’équation linéaires
Exemple 3.3
!
2 1
A=
−1 3

Soit B l’inverse de A on a B ∈ M2 (K) et A × B = B × A = I2 on obtient :

!
1 3 −1
B=
7 1 2
-Méthode 2 :
Soit A une matrice carrée d’ordre n. Si A est inversible alors, quelles que soient les
colonnes X et Y d’ordre n,on a
AX = Y ⇐⇒ X = A−1 Y
On part de l’écriture AX = Y pour exprimer les composantes de X en fonctions de de

celles de Y pour déduire A−1
Exemple 3.4
Déterminer par cette méthode
 l’inverse
 des matrice suivante
! 1 0 1
2 1
A= B=  1 1 0 

−1 3
−2 0 −1
-Méthode 3 (Gauss-Jordan) On considère la matrice augmentée (A In ). On ef-
fectue des opérations élémentaires sur les lignes (et/ ou colonnes) de A et de In simul-
tanément de manière à obtenir une matrice de la forme (In B). Alors B = A−1
Exemple 3.5
Reprendre l’exemple précédente avec cette méthode.
3.2.4 Déterminant et inverse d’une matrice carrée

Proposition 3.8
Soit M ∈ Mn (k). On dit que M est inversible ssi det(M) est non nulle.
Soit A ∈ Mn (K) tel que det(A) est non nul. Soit Com(A) = (Ci,j )16i,j6n la comatrice
1
de A, alors A−1 = Comt (A)
det(A)
Le calcul de Com(A) suit les étapes suivantes :
1. On calcule les mineurs : mi,j = det(Mi,j ). Mi,j est la matrice obtenue en suppri-
mant la i ème ligne et la j ème colonne.
2. On Calcule ensuite les cofacteurs : Ci,j = (−1)i+j × mi,j
3. On détermine la matrice Com(A) = (Ci,j )16i,j6n

3.2.5 Rang d’une matrice

Considérons u1 , u2 ,..., un des vecteurs à n éléments et M une matrice dont les colonnes
sont les vecteurs u1 , u2 ,..., un . On appelle rang de M et on note rg(M ) le rang de la
famille (u1 , u2 , ..., un )
Exemple 3.6
1 3 0 2
 
 1 3 1 2 
Déterminer le rang de la matrice A = 
 
 −2 3 −1 0 

2 1 −1 0

Chapitre Quatre
Système d’équations linéaires
4.1 Écriture matricielle d’un système

4.1.1 Définition
On appelle système d’équation linéaires ou système linéaire à n équations et p in-
connues tout système de la forme :


 a11 x1 + a12 x2 + · · · + a1p xp = b1
a21 x1 + a22 x2 + · · · + a2p xp = b2



(S) .. .. ..




. . .
an1 x1 + an2 x2 + · · · + anp xp = bn

où (aij ) et (bi ),1 6 i 6 n, 1 6 j 6 p sont des réels et les xj sont les inconnues du
système
Posons
a11 a12 · · · a1p
     
b1 x1

a
 21 a 22 · · · a 
2p  b
 
 2  x2 
 
A=  .. .
.. .
.. .
.. 
; b =  . ; X =  . 
.  . 
 .  .  . 
an1 an2 · · · anp bn xn
Alors le système (S) s’écrit matricielle ment sous la forme :
AX = b
4.1.2 Exemples
( ! ! !
2x + 3y = −5 2 3 x −5
(1) ⇐⇒ =
−5x + 7y = 8 −5 7 y 8
     

 y + 2z = 4 0 1 2 x 4
(2) 2x + 7y = 8 ⇐⇒  2 0 7 y  =  8 
   
5x + 6y = −12 −12


5 6 0 z
 
( ! x !
5x − y + 2z = 4 5 −1 2   4
(3) ⇐⇒ y  =
2x + 9y − 7z = 8 2 9 −7 8
z

Écriture matricielle d’un système 32
Définition 4.1
On dit que deux systèmes linéaires sont équivalent s’ils ont les même ensemble de solu-
tions.
4.1.3 Résolution par utilisation des matrices inversibles

Soient A, B des matrices et X la matrice des inconnues telle que AX = B. Pour
trouver X on détermine l’inverse de A puis on calcul X = A−1 B
4.1.3.1 Méthode de Cramer

Soient A, B des matrices et X = (xi,1 ) la matrice des inconnues telle que AX = B
alors
1
xj = det Mi,j Où Mi,j est la matrice obtenue en remplaçant la j ème colonne
det(A)
de A par B.
4.1.3.2 Pivot de Gauss

Soit le système (S) défini plus haut. (S) est équivalent à AX = B .
On forme la matrice ajoutée :
 
a1,1 ... a1,n b1
0
A =  ... ... ...
 

an,1 ... an,n bn
On effectue des opérations sur les lignes ou les colonnes de A’ pour obtenir par exemple
une matrice triangulaire du type :
 
c1,1 ... c1,n
C 0 =  O ... ... 
 
0 0 cn,n
On forme le système triangulaire suivant :





c1,1 x1 + c1,2 x2 + ... +1,n xn = bn,1
c1,2 x2 + ... +1,n xn = bn,2




A= .




 .
cn,n xn = bn,n


bn,n
On le resoud du bas vers le haut on trouve xn = puis successivement on détermine
cn,n
la matrice X.

Cours Algèbre SVT-1-1

Transféré par

Droits d'auteur :

Formats disponibles

Cours Algèbre SVT-1-1

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

Cours Algèbre SVT-1-1

Transféré par

Droits d'auteur :

Formats disponibles

Table des matières

1 Logique et théorie des ensembles 3

2 Structure d’espace vectoriel 14

Univ JKZ/UFR-SVT-L1 S1 Dr A. W. NEBIE c Support de cours algèbre 2022-2023

2.2 Sous espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

4 Système d’équations linéaires 31

Univ JKZ/UFR-SVT-L1 S1 Dr A. W. NEBIE c Support de cours algèbre 2022-2023

Logique et théorie des ensembles

1.1 Notion de logique

Univ JKZ/UFR-SVT-L1 S1 Dr A. W. NEBIE c Support de cours algèbre 2022-2023

1.2 Les connecteurs logiques de base.

1. e(P ∨ Q) =eP ∧eQ

Univ JKZ/UFR-SVT-L1 S1 Dr A. W. NEBIE c Support de cours algèbre 2022-2023

1.3 Quelques méthodes de raisonnements

1.3.2 Raisonnement par contraposée

1.3.3 Démonstration par contre exemple

1.3.4 Démonstration par l’absurde

Univ JKZ/UFR-SVT-L1 S1 Dr A. W. NEBIE c Support de cours algèbre 2022-2023

1.3.5 Démonstration par récurrence

1.4 Notion sur les ensembles.

2. Le singleton E. C’est un ensemble réduit à un seule élément a. On le note E = {a}

– En extension on énumère de façon explicite ses éléments :E = {−5; 4; 3; −8; −2}...

1.4.2 Opération sur les ensembles

1.4.2.1 Inclusion d’ensembles

1.4.2.2 Réunion d’ensembles

Univ JKZ/UFR-SVT-L1 S1 Dr A. W. NEBIE c Support de cours algèbre 2022-2023

1.4.2.3 Intersection d’ensembles

1.4.2.4 Complémentaire d’un ensemble

1.4.2.5 Différence d’ensembles

1.4.2.6 Différence symétrique d’ensembles

Univ JKZ/UFR-SVT-L1 S1 Dr A. W. NEBIE c Support de cours algèbre 2022-2023

1.4.4 Les quantificateurs

1.4.4.1 Le quantificateur universel

1.4.4.2 Le quantificateur existentiel

Univ JKZ/UFR-SVT-L1 S1 Dr A. W. NEBIE c Support de cours algèbre 2022-2023

3. Deux applications f et g sont égales si et seulement si Df = Dg = D et ∀x ∈ D

1.5.2 Image et image réciproque

1.5.3 Composition de fonctions

Univ JKZ/UFR-SVT-L1 S1 Dr A. W. NEBIE c Support de cours algèbre 2022-2023

ii) L’ensemble de définition de g ◦ f est

Dg◦f = {x ∈ R/x ∈ Df , etf (x) ∈ Dg }

1.5.4 Applications particulières

1.5.4.2 Application surjective

1.5.4.3 Application bijective

Univ JKZ/UFR-SVT-L1 S1 Dr A. W. NEBIE c Support de cours algèbre 2022-2023

2. Si f est bijective alors f −1 est aussi bijective et f −1 est définie de F dans E.

1.6 Relation d’ensemble

1. Réflexivité : On dit que R est réflexive si ∀x ∈ E on a xRx

2. Symétrie : On dit que R est symétrie si ∀x, y ∈ E, xRy =⇒ yRx

3. Antisymétrique : R est antisymétrique si ∀x, y ∈ E xRy et yRx =⇒ x = y

4. Transitivité : On dit que R est transitive si ∀x, y, z ∈ E, xRy et yRz =⇒ xRz

Univ JKZ/UFR-SVT-L1 S1 Dr A. W. NEBIE c Support de cours algèbre 2022-2023

1.6.2 Relation d’ordre

1.6.2.2 Plus petit, plus grand élément

1. On dit que m ∈ A est le plus petit élément de A si ∀y ∈ A on a : mRy.

2. On dit que M ∈ A est le plus grand élément de A si ∀y ∈ A on a : yRM .

1.6.2.3 Éléments minimaux, élément maximaux

1. On dit que a ∈ A est un élément minimal de A si ∀y ∈ A si yRa =⇒ y = a

2. On dit que a ∈ A est un élément maximal de A si ∀y ∈ A si aRy =⇒ y = a.