COURS D’ALGEBRE 1

Filière : Sciences Economiques et Gestion

Semestre 2
Section C

Partie 1
Espace vectoriel réel
Sous espace vectoriel dans IR
Combinaison linéaire, systèmes libres et systèmes liés
Système générateur
Base et Dimension d’un espace vectoriel
 I- Espace Vectoriel Réel
1- Définition

Un espace vectoriel est un ensemble d'objets appelés vecteurs

E={𝑣1 , 𝑣2 , … 𝑣𝑛 } qui peuvent être additionné entre eux et les multiplier
par un réel (α є IR).
C’est un ensemble qui permet d'effectuer des combinaisons linéaires ;

∑𝑛1 𝛼𝑖 𝑣𝑖 = 𝛼1 𝑣1 + 𝛼2 𝑣2 + ⋯ + 𝛼𝑛 𝑣𝑛 avec (𝛼1 , 𝛼2 … 𝛼𝑛 ) Є 𝑰𝑹𝒏

Un espace vectoriel est un ensemble (E) muni :
• D’une loi de composition interne (l’addition +)
Et
• D’une loi de composition externe (la multiplication ×)

2- Définition d’un espace vectoriel sur 𝑰𝑹𝒏

Soient 𝑋 = (𝑥1 , 𝑥2 , … 𝑥𝑛 ) Є 𝐼𝑅 𝑛 et 𝑌 = (𝑦1 , 𝑦2 , … 𝑦𝑛 ) Є 𝐼𝑅 𝑛 ;

a- On peut définir sur 𝑰𝑹𝒏 une loi de composition interne, l’addition,

notée + par :

𝑋 + 𝑌 = (𝑥1 , 𝑥2 , … 𝑥𝑛 ) + (𝑦1 , 𝑦2 , … 𝑦𝑛 ) = (𝑥1 + 𝑦1 , 𝑥2 + 𝑦2 , … 𝑥𝑛 + 𝑦𝑛 )

i) Les propriétés de l’addition

• La commutativité : 𝑋 + 𝑌 = 𝑌 + 𝑋
• L’associativité : (𝑋 + 𝑌) + 𝑍 = 𝑋 + (𝑌 + 𝑍) = 𝑋 + 𝑌 + 𝑍
• L’élément neutre : 𝑋 + 0𝑛 = 0𝑛 + 𝑋= 𝑋 avec 0𝑛 = (0,0, … 0) 𝑛𝑓𝑜𝑖𝑠
• La symétrie, qui signifie que pour tout élément de 𝑋 il existe un
opposé : −𝑋 = (−𝑥1 , −𝑥2 , … −𝑥𝑛 ) / 𝑋 + (−𝑋) = 0𝑛
 b- On peut définir aussi une loi de composition externe, la
multiplication par un réel :
Soient α є IR et 𝑋 = (𝑥1 , 𝑥2 , … 𝑥𝑛 ) Є 𝐼𝑅 𝑛

α𝑋 = α(𝑥1 , 𝑥2 , … 𝑥𝑛 ) = (α𝑥1 , α𝑥2 , … α𝑥𝑛 )

ii) Les propriétés de la multiplication

Soient 𝑋, 𝑌 Є 𝐼𝑅 𝑛 et α, β Є 𝐼𝑅
1. 𝑋 = 𝑋
0𝑛 . 𝑋 = 0𝑛
𝛼. (𝑋 + 𝑌 ) = 𝛼. 𝑋 + 𝛼. 𝑌
(𝛼 + 𝛽 ). 𝑋 = 𝛼. 𝑋 + 𝛽𝑌
(𝛼. 𝛽). 𝑋 = 𝛼. (𝛽. 𝑋)

Un espace vectoriel est un ensemble (E) avec une certaine structure qui
permet :

• De sommer les éléments entre eux et le résultat reste dans l’ensemble

(stabilité par addition)
• De multiplier ses éléments par un nombre réel et le résultat reste dans
l’ensemble (stabilité par multiplication)
• On note (E,+,.)

II- Sous Espace vectoriel de 𝑰𝑹𝒏

1- Définition

Soit E un espace vectoriel défini sur IR et F un sous ensemble de E :

On dit F est un sous espace vectoriel de E si F est un espace vectoriel sur IR.
Autrement dit
F est un sous espace vectoriel de E si :

i) F≠ ø
ii) F est stable par addition (+) :  X, Y Є F on a X+Y Є F
iii) F est stable par multiplication (*) :  𝛼 Є 𝐼𝑅 on a α𝑋 Є F
Ou encore si :

i) F≠ ø
ii)  X, Y Є F et  (𝛼, 𝛽) Є 𝐼𝑅 2 on a 𝛼𝑋 + 𝛽𝑌 Є 𝐹

2- Théorème

• L’ensemble des combinaisons linéaires de n vecteurs d’un espace vectoriel E

est un sous espace vectoriel de E.
• L'intersection de deux ou plusieurs sous-espaces vectoriels de 𝐼𝑅 𝑛 est un
sous espace vectoriel de 𝐼𝑅 𝑛 .
• La somme de deux sous espaces vectoriel (F + F’) d’un espace vectoriel E est

équivalent à : 𝐹 + 𝐹′ = {𝑧 Є𝐸; 𝑥 Є 𝐹, 𝑦 Є 𝐹′ ; 𝑧 = 𝑥 + 𝑦}

3- Exemple d’application

1- 𝐸1 = {(𝑥, 𝑦, 𝑧)є𝐼𝑅 3 ; 𝑥 + 𝑦 + 2𝑧 = 0} Est-il un sous espace vectoriel de 𝐼𝑅 3 ?

On montre que
• 𝐸1 est stable par l’addition (loi de composition interne) :
Soit 𝑋 = (𝑥, 𝑦, 𝑧) et 𝑋′ = (𝑥′, 𝑦′, 𝑧′) deux vecteurs de 𝐸
𝑋 + 𝑋 ′ = ( 𝑥 + 𝑥 ′ ; 𝑦 + 𝑦 ′ ; 𝑧 + 𝑧 ′ ) Sont aussi des éléments de 𝐸
Du fait qu’en remplaçant les éléments 𝑋 + 𝑋 ′ de dans la formule de définition 𝑥 +
𝑦 + 2𝑧 = 0
On aura:
(𝑥 + 𝑥 ′ ) + (𝑦 + 𝑦 ′ ) + 2(𝑧 + 𝑧 ′ ) = (𝑥 + 𝑦 + 2𝑧) + (𝑥 ′ + 𝑦 ′ + 2𝑧 ′ ) = 0
• 𝐸1 est stable par la multiplication (loi de composition externe) :
Soit 𝛼 Є 𝐼𝑅 on 𝛼𝑋 = (𝛼𝑥, 𝛼𝑦, 𝛼𝑧) est un élément de E du fait que
 𝛼𝑋 = 𝛼𝑥 + 𝛼𝑦 + 2𝛼𝑧 = 𝛼(𝑥 + 𝑦 + 2𝑧) = 0

2- 𝐸2 = {(𝑥, 𝑦, 𝑧)є𝐼𝑅 3 ; 2𝑥 + 𝑦 + 𝑧 = 1}
Pour cet ensemble il suffit de remarquer que pour 03 = (0,0,0) є 𝐼𝑅3 (élément de EV
réel) mais qu’il n’appartient pas à 𝐸2 . (2.0 + 0 + 0 ≠ 1)
Alors 𝐸2 n’est pas un sous espace vectoriel de 𝐼𝑅 3

3- 𝐸3 = {(𝑥, 𝑦)є𝐼𝑅 2 ; 𝑥𝑦 = 0}

𝐸3 N’est pas un sous espace vectoriel de 𝐼𝑅 2 dans la mesure où il n’est pas stable
par l’addition. 𝑈 = (𝑥, 𝑦) /𝑥𝑦 = 0
En effet les vecteurs 𝑈1 = (1,0) et 𝑈2 = (0,1) sont des éléments de 𝐸3 mais 𝑈1 +
𝑈2 = (1,1) n’appartient pas à 𝐸3 (1.1 ≠ 0)

III- Combinaison linéaire, systèmes libres et systèmes liés

1- Combinaison linéaire

Soient 𝑢1 , 𝑢2 , … 𝑢𝑘 𝑘 éléments de 𝐼𝑅 𝑛 , on appelle combinaison linéaire des

vecteurs 𝑢1 , 𝑢2 , … 𝑢𝑘 tout vecteur 𝑢 qui s’écrit de la forme suivante :
𝑘

𝑢 = ∑ 𝛼𝑖 𝑢𝑖 = 𝛼1 𝑢1 + 𝛼2 𝑢2 + ⋯ + 𝛼𝑘 𝑢𝑘
1

Où les coefficients de la combinaison linéaire 𝛼1 , 𝛼2 … 𝛼𝑘 sont k nombres réels.

 2- Système libre ou linéairement indépendant

a- Définition
Soient 𝑢1 , 𝑢2 , … 𝑢𝑘 𝑘 vecteurs de 𝐼𝑅 𝑛 , on dit que le système des vecteurs
{𝑢1 , 𝑢2 , … 𝑢𝑘 } est libre si :

𝛼1 𝑢1 + 𝛼2 𝑢2 + ⋯ + 𝛼𝑘 𝑢𝑘 = 0  𝛼1 = 𝛼2 = ⋯ = 𝛼𝑘 = 0
On dit aussi une famille libre ou indépendante linéairement

• Pour montrer qu’un système est libre, on suppose une combinaison linéaire
des vecteurs qui est égal au vecteur nul ∑𝑛1 𝛼𝑖 𝑢𝑖 = 0 et on montre que les seuls
coefficients qui vérifient cela sont tous nuls.
• Un système de vecteurs est libre si aucun vecteur de ce système ne peut
s’´ecrire comme combinaison linéaire des autres (𝛼1 𝑢1 + 𝛼2 𝑢2 = 𝛼3 𝑢3) ;

b- Exemple
Soient le système de vecteurs 𝑢1 = (1,1,0) ; 𝑢2 = (0,2,2) ; 𝑢3 = (3,7,1);

On a : 𝛼1 𝑢1 + 𝛼2 𝑢2 + 𝛼3 𝑢3 =03
𝛼1 + 0. 𝛼2 + 3𝛼3 = 0
𝛼1 (1,0,1) + 𝛼2 (0,2,2) + 𝛼3 (3,7,1) = (0,0,0) ⇒ {0. 𝛼1 + 2𝛼2 + 7𝛼3 = 0
𝛼1 + 2𝛼2 + 𝛼3 = 0
𝛼1 = −3𝛼3 𝛼1 = −3𝛼3
7 𝛼1 = 0
7 𝛼2 = − 2 𝛼3
{ 𝛼2 = − 𝛼3
2
⇒ { ⇒ {𝛼2 = 0
7 𝛼3 = 0
𝛼1 + 2𝛼2 + 𝛼3 = 0 −3𝛼3 − 2 2 𝛼3 + 𝛼3 = 0 ⇒ −9𝛼3 = 0

Donc le système est libre ou linéairement indépendant.

3- Système lié ou linéairement dépendant

a- Définition

Soient 𝑢1 , 𝑢2 , … 𝑢𝑘 𝑘 vecteurs de 𝐼𝑅 𝑛 , on dit que le système des vecteurs

{𝑢1 , 𝑢2 , … 𝑢𝑘 } est lié ou linéairement dépendant si il n’est pas un système libre.
C'est-à-dire pour la combinaison linéaire : 𝛼1 𝑢1 + 𝛼2 𝑢2 + ⋯ + 𝛼𝑘 𝑢𝑘 = 0 il existe au
moins une solution (𝛼1 , 𝛼2 … 𝛼𝑘 ) ≠ (0,0 … 0)

b- Exemple

Soit le système 𝑉 composé des vecteurs 𝑢1 , 𝑢2 𝑒𝑡 𝑢3 є 𝐼𝑅 3 tel que :

𝑢1 = (1,1,0) ; 𝑢2 = (4,1,4) ; 𝑢3 = (2, −1,4) ;

On a 𝛼1 𝑢1 + 𝛼2 𝑢2 + 𝛼3 𝑢3 = 03
𝛼1 (1,1,0) + 𝛼2 (4,1,4) + 𝛼3 (2, −1,4) = (0,0,0)

𝛼1 + 4𝛼2 + 2𝛼3 = 0
(𝛼1 + 4𝛼2 + 2𝛼3 ; 𝛼1 + 𝛼2 − 𝛼3 ; 4𝛼2 + 4𝛼3 ) = (0,0,0) ⇒ { 𝛼1 + 𝛼2 − 𝛼3 = 0
4𝛼2 + 4𝛼3 = 0
𝛼1 + 4𝛼2 + 2𝛼3 = 0 𝛼1 = −4𝛼2 − 2𝛼3 𝛼1 = −4𝛼2 − 2𝛼3
𝛼 = 2𝛼3
{ 𝛼1 + 𝛼2 = 𝛼3 ⇒ { 𝛼1 + 𝛼2 = 𝛼3 ⇒ { 𝛼1 − 𝛼3 = 𝛼3 ⇒ { 1
𝛼2 = −𝛼3
𝛼2 = −𝛼3 𝛼2 = −𝛼3 𝛼2 = −𝛼3

Il apparait bien que (0,0,0) est une solution du système de coefficients (𝛼1 , 𝛼2 , 𝛼3 )
mais n’est pas la seule en prenant par exemple 𝛼3 = 1 on trouve 𝛼2 = −1 𝑒𝑡 𝛼1 = 2
Ce qui est équivalent à :
𝛼1 𝑢1 + 𝛼2 𝑢2 + 𝛼3 𝑢3 = 2𝑢1 − 𝑢2 + 𝑢3 = 03
Donc la famille des vecteurs (𝑢1 , 𝑢2 , 𝑢3 ) est liée ;

IV- Système générateur

 a- Définition

Soit {𝑢1 , 𝑢2 , … 𝑢𝑘 } 𝑘 un système de 𝑘 vecteurs de 𝐼𝑅 𝑛 , on dit que ce système est

générateur de 𝐼𝑅 𝑛 si tout vecteur 𝑢 de 𝐼𝑅 𝑛 peut s’écrire comme une

combinaison linéaire de vecteurs de {𝑢1 , 𝑢2 , … 𝑢𝑘 }.

𝑛
 𝑢 є 𝐼𝑅 𝑛 ∃ (𝛼1 , 𝛼2 … 𝛼𝑘 )є 𝐼𝑅 tels que 𝑢 = 𝛼1 𝑢1 + 𝛼2 𝑢2 + ⋯ + 𝛼𝑘 𝑢𝑘

• On dit aussi que le système {𝑢1 , 𝑢2 , … 𝑢𝑘 } engendre E ou que E est engendré

par le système {𝑢1 , 𝑢2 , … 𝑢𝑘 }
• On note 𝐸 = 𝑢1 , 𝑢2 , … 𝑢𝑘  ou encore 𝐸 = 𝑉𝑒𝑐𝑡{𝑢1 , 𝑢2 , … 𝑢𝑘 }

b- Exemple
Donner le système d’équation des espaces vectoriels engendrés par les vecteurs
suivants :
i) 𝑢1 = (1,2,3)
ii) 𝑢1 = (1,2,3) ; 𝑢2 = (−1,0,1) ;

i) Soit 𝐸 l’espace vectoriel engendré par le vecteur 𝑢1 = (1,2,3)

 𝑢 = (𝑥, 𝑦, 𝑧) є 𝐸 ∃ 𝛼 є 𝐼𝑅 ⇒ 𝑢 = 𝛼𝑢1 ⟺ (𝑥, 𝑦, 𝑧) = 𝛼(1,2,3)= (𝛼, 2𝛼, 3𝛼)

𝑥=𝛼 𝑥=𝛼
𝑦 − 2𝑥 = 0
⟺ {𝑦 = 2𝛼 ⟺ {𝑦 = 2𝑥 ⟺ {
𝑧 = 3𝛼 𝑧 = 3𝑥 𝑧 − 3𝑥 = 0

ii) Soit F l’espace vectoriel engendré par les deux vecteurs :

𝑢1 = (1,2,3) ; 𝑢2 = (−1,0,1) ;

 𝑢 = (𝑥, 𝑦, 𝑧) є 𝐹 ∃ (𝛼, 𝛽) є 𝐼𝑅2 ⇒ 𝑢 = 𝛼𝑢1 + 𝛽𝑢2 ⟺ 𝑢 = 𝛼(1,2,3) + 𝛽(−1,0,1)

⟺(𝑥, 𝑦, 𝑧) = (𝛼, 2𝛼, 3𝛼)+(−𝛽, 0, 𝛽)

 𝑥 = 𝛼−𝛽 𝑥 =𝛼−𝛽 𝛽 =𝛼−𝑥 𝛽 = 𝑦/2 − 𝑥
⟺ {𝑦 = 2𝛼 + 0 ⟺ { 𝛼 = 𝑦/2 ⟺ { 𝛼 = 𝑦/2 ⟺ { 𝛼 = 𝑦/2
𝑧 = 3𝛼 + 𝛽 𝑧 = 3𝑦/2 + 𝛽 𝑧 = 3𝑦/2 + 𝛽 𝑧 = 3𝑦/2 + 𝛽

𝛽 = 𝑦/2 − 𝑥 𝛽 = 𝑦/2 − 𝑥 𝛽 = 𝑦/2 − 𝑥

{ 𝛼 = 𝑦/2 ⟺ { 𝛼 = 𝑦/2 ⟺ { 𝛼 = 𝑦/2
𝑧 = 3𝑦/2 + 𝑦/2 − 𝑥 𝑧 = 2𝑦 − 𝑥 𝑥 − 𝑧 + 2𝑦 = 0

V- Base et dimension d’un espace vectoriel

1- Base d’un espace vectoriel

a- Définition

On appelle base d’un espace vectoriel E tout système 𝑆 = {𝑢1 , . . 𝑢𝑖 … 𝑢𝑛 } qui

est à la fois libre et générateur.
Théorème :
Si 𝑆 = {𝑢1 , … 𝑢𝑛 } est une base de l’espace vectoriel 𝐸 alors tout vecteur 𝑢 de
𝐸 s’écrit de façon unique comme une combinaison linéaire des vecteurs de 𝑆:

𝑢 = 𝛼1 𝑢1 + 𝛼2 𝑢2 + ⋯ + 𝛼𝑛 𝑢𝑛 avec 𝛼1 . . , 𝛼𝑛 є 𝐼𝑅 et qui sont déterminés de façon

unique.

b- Exemple
Le système des vecteurs {(1,0), (0,1)} est une base de 𝐼𝑅 2 .
Le système des vecteurs {(1,0,0), (0,1,0), (0,0,1) } est une base de 𝐼𝑅 3
Le système des vecteurs {(1,1,0), (0,1,1), (0, −1,1) } est une base de 𝐼𝑅 3

2- Dimension d’un espace vectoriel

On dit qu’un espace vectoriel est de dimension fini s’il possède une base avec un
nombre fini de vecteurs. La dimension est égal au nombre de vecteurs d’une
base de cet espace vectoriel.

Propriété :
• Toutes les bases d’un espace vectoriel de dimension finie ont le même
nombre de vecteurs.
• Le système 𝑈𝑛 = {𝑢1 , . . 𝑢𝑖 … 𝑢𝑛 } tel que pour tout vecteur 𝑢 𝑖 =
1≤𝑖≤𝑛

({(𝑒1 , . . 𝑒𝑖 , … 𝑒𝑗 , … 𝑒𝑛 ) } ; 𝑒𝑖 = 1 𝑒𝑡 𝑒𝑗 =⋯=0, est la base canonique de

𝑖≠𝑗

𝐼𝑅 𝑛 .
𝑈2 = {𝑢1 , 𝑢2 } = {(1,0), (0,1)} est la base canonique de 𝐼𝑅 2
𝑈3 = {𝑢1 , 𝑢2 , 𝑢3 } = {(1,0,0), (0,1,0), (0,0,1)} est la base canonique de 𝐼𝑅 3
.
.
𝑈𝑛 = {(1,0, … 0,0), (0,1, … 0,0) … (0,0, … 1)} ….. … 𝐼𝑅 𝑛

• On a dim 𝐼𝑅 𝑛 = n

3- Rang d’un système de vecteurs

Soit E un espace vectoriel de dimension finie et un système de vecteurs 𝑆 =

{𝑢1 , … 𝑢𝑘 }. Le rang du système S est la dimension du sous-espace vectoriel
engendré par les vecteurs {𝑢1 , 𝑢2 , … 𝑢𝑘 }.
Chapitre II : Applications Linéaires

I- Rappel sur les applications

1- Définition : Application linéaire
Soient 𝐸 et 𝐹 deux espaces vectoriels réels et 𝑓 une application de 𝐸 dans 𝐹. On
dit que 𝑓 est une application linéaire si :

∀ 𝑢, 𝑣 ∈ 𝐸 𝑓(𝑢 + 𝑣) = 𝑓(𝑢) + 𝑓(𝑣)

∀ 𝑢 ∈ 𝐸, ∀ λ ∈ 𝐼𝑅 𝑓(λ 𝑢) = λ 𝑓( 𝑢)

Proposition : Soient 𝐸 et 𝐹 deux espaces vectoriels réels et 𝑓 une application

linéaire de 𝐸 dans 𝐹 :
∀ 𝑢, 𝑣 ∈ 𝐸 ∀ λ , 𝜇 ∈ 𝐼𝑅 𝑓(λ 𝑢 + 𝜇 𝑣) = λ 𝑓(𝑢) + 𝜇 𝑓(𝑣)

Et pour tout 𝑛 ≥ 1 ∀ 𝑢1 , … 𝑢𝑛 ∈ 𝐸, ∀ λ1 , … λ𝑛 ∈ 𝐼𝑅, 𝑓(∑𝑛𝑖=1 λ𝑖 𝑢) = ∑𝑛𝑖=1 λ𝑖 𝑓( 𝑢𝑖 )

2- Définitions :
Soit 𝑓 une application linéaire de 𝐸 vers 𝐹 , on dit que 𝑓 est :
- Injective si et seulement si deux éléments distincts de 𝐸 ont des images
distinctes par 𝑓.
𝑓 est injective ⟺ ( 𝑥 ≠ 𝑥 ′  𝑓(𝑥) ≠ 𝑓(𝑥 ′ ) )
ou encore on peut écrire 𝑓(𝑥) = 𝑓(𝑥 ′ )  𝑥 = 𝑥′
Illustration :
 - Surjective si et seulement si tout élément de 𝐹 a un antécédent par 𝑓
𝑓 est surjective ⟺ ∀ 𝑦 ∈ 𝐹, ∃ 𝑥 ∈ 𝐸 ; 𝑦 = 𝑓( 𝑥)
On peut écrire 𝐹 = 𝑓(𝐸)

- Bijective si 𝑓 est injective et surjective

∀ 𝑦 ∈ 𝐹, ∃! 𝑥 ∈ 𝐸 (𝑢𝑛𝑖𝑞𝑢𝑒) ; 𝑦 = 𝑓( 𝑥)

Exemple :
Soient 𝐸 = 𝐹 = 𝐼𝑅 et l’application 𝑓 de E dans F telle que 𝒇( 𝒙) = 𝒙𝟐 .
- 𝑓 n’est pas injective dans la mesure où deux éléments opposés de 𝐸 ont la
même image dans 𝐹 par 𝑓. Mais si 𝐸 = 𝐼𝑅 + 𝑓 devient injective de 𝐼𝑅 + dans
𝐼𝑅 .
- 𝑓 n’est pas surjective de 𝐸 dans 𝐹 = 𝐼𝑅, lorsque y est négatif il n’existe pas
d’antécédent dans 𝐼𝑅 tel que 𝑦 = 𝑥 2 , par contre si 𝐹 = 𝐼𝑅 + 𝑓 devient
surjective.
- 𝑓 est bijective de 𝐼𝑅+ dans 𝐼𝑅+
Définitions :
Soient E et F deux espaces vectoriels réels, et f une application de 𝐸 vers 𝐹 . On
dit que
- 𝑓 est un morphisme si elle est linéaire.
- 𝑓 est un endomorphisme si elle est linéaire et 𝐸 = 𝐹 .
- 𝑓 est un isomorphisme si elle est linéaire et bijective.
- 𝑓 est un automorphisme si F=E et f est bijective.
Propriétés
- Si l’application linéaire 𝑓 est injective alors 𝑑𝑖𝑚𝐸  𝑑𝑖𝑚𝐹
- Si l’application linéaire 𝑓 est surjective alors 𝑑𝑖𝑚𝐹 𝑑𝑖𝑚𝐸
- Si l’application linéaire 𝑓 est bijective alors 𝑑𝑖𝑚𝐹 = 𝑑𝑖𝑚𝐸

Définition : Egalité de deux applications linéaires

On dit que deux applications linéaires 𝑓 et 𝑔 de 𝐸 vers 𝐹 sont égales 𝑔𝑓 si
𝑓(𝑥) = 𝑔(𝑥) 𝑥𝐸

II- Image et expression analytique d’une application linéaire

1- Définition : Image d'une application linéaire
Soit 𝑓 une application linéaire de 𝐸 dans 𝐹 et 𝐴 un sous-ensemble de E (𝐴 ⊂ 𝐸 ).
L’image de 𝐴 par 𝑓 est l'ensemble : 𝑓(𝐴) = {𝑦 ∈ F ⁄ ∃𝑥 ∈ 𝐴, 𝑓(𝑥) = 𝑦 }
Théorème
Soient E et F deux espaces vectoriels de dimension finie et 𝑓 une application de E
dans F :
𝑓 est linéaire si : ∀ 𝑋, 𝑌 ∈ 𝐸 𝑒𝑡 ∀ λ ∈ 𝐼𝑅 𝒇(𝑿 + 𝒀) = 𝒇(𝑿) + 𝒇(𝒀) (1)
𝒇(𝛌𝑿) = 𝛌 𝒇(𝑿) (2)

Conséquences *
- 𝑓(𝐸) est l’ensemble des images de 𝐸 par 𝑓 noté aussi 𝑰𝒎(𝒇) ; 𝑓(𝐸)est un
sous espace vectoriel de 𝐹
- ∀ 𝑋𝑖 ∈ 𝐸, ∀ λ𝑖 ∈ 𝐼𝑅, 𝑓(∑𝑘𝑖=1 λ𝑖 𝑋𝑖 ) = ∑𝑘𝑖=1 λ𝑖 𝑓( 𝑋𝑖 )
- Pour montrer une application est linéaire, il suffit de montrer que
∀ 𝑋, 𝑌 ∈ 𝐸 𝑒𝑡 ∀ 𝜆, 𝜇 ∈ 𝐼𝑅 𝑓( 𝜆𝑋 + 𝜇𝑌) = 𝜆𝑓(𝑋) + 𝜇𝑓(𝑌)
Lorsque 𝜆 = 𝜇 = 1 on retrouve la formule 1 et en donnant à 𝜇 = 0, on a la
2ème égalité.
 - Si 𝑓 est linéaire alors 𝑓(0𝐸 ) = 0𝐹 . Vous posez 𝜆 = 0 dans la définition.
- L’image d’un système lié est un système lié.

Théorème : Une application est déterminée dès que l’on connaît l’image
d’une base de E.

2- Définition : Expression analytique d’une application linéaire

Soient E et F deux espaces vectoriels réels et 𝐵 = {𝑒1 , . . 𝑒𝑖 … 𝑒𝑛 } une base de 𝐸
On note 𝑓(𝑒𝑖 ) = 𝑓𝑖 pour 𝑖 = 1,2 … n
La décomposition unique de 𝑋 ∈ 𝐸 selon la base B peut s’écrire 𝑋 = ∑𝑛𝑖=1 𝑥𝑖 𝑒𝑖

𝑓(𝑋) = 𝑓( 𝑥1 , … 𝑥𝑛 ) = 𝑓(∑𝑛𝑖=1 𝑥𝑖 𝑒𝑖 ) = ∑𝑛𝑖=1 𝑥𝑖 𝑓(𝑒𝑖 ) = ∑𝑛𝑖=1 𝑥𝑖 𝑓𝑖

𝑓(𝑋) = ∑𝑛𝑖=1 𝑥𝑖 𝑓𝑖 est l’expression analytique de l’application linéaire 𝑓.

𝑓 est déterminée de façon unique.

Remarque
Les vecteurs 𝑓𝑖 de l’ensemble 𝐹 constituent un système générateur de l’ensemble
𝑓(𝐸)= 𝐼𝑚𝑓 (ensemble d’image de 𝐸 par 𝑓 ) on écrit aussi 𝑓(𝐸) =< 𝑓(𝐵) > et le rang
de ce système est la dimension de 𝑓(𝐸).
(La dimension EV est égal au nombre de vecteurs d’une base de cet espace vectoriel).

Théorème :
Si 𝑓 est une application linéaire injective de 𝐸 vers 𝐹 alors l’image de tout
système libre de 𝐸 est un système libre de 𝐹.
 III- Noyau et rang d’une application linéaire
1- Définition : Noyau d’une application linéaire

Le noyau d’une application linéaire 𝑓 est l’image réciproque du vecteur 0𝐹 par 𝑓

soit 𝑓 −1 (0𝐹 ). Il est noté 𝐾𝑒𝑟(𝑓).
Autrement 𝑋 Є 𝐾𝑒𝑟𝑓 ⟺ 𝑓(𝑋) = 0𝐹

Remarque* : 𝐾𝑒𝑟𝑓 est un sous espace vectoriel de 𝐹.

Propriété Pour une application linéaire 𝒇 injective le 𝐾𝑒𝑟𝑓 = 0𝐸 .

(Soit 𝑋 un élément du 𝐾𝑒𝑟𝑓 alors 𝑓(𝑋) = 0𝐹 = 𝑓(0𝐸 ) et comme 𝑓 est injective on a
𝑋 = 0𝐸 )

2- Définition : le rang d’une application linéaire

Le rang d’une application linéaire 𝑓 est la dimension de 𝑓(𝐸);

𝑛𝑜𝑡é 𝒓𝒂𝒏𝒈(𝒇) = 𝐝𝐢𝐦 𝒇(𝑬) = 𝐝𝐢𝐦 𝒊𝒎(𝒇).

Remarque : on a 𝑓(𝐸) est un sous-espace vectoriel de 𝐹 alors le 𝑟𝑎𝑛𝑔𝑓 ≤ 𝑑𝑖𝑚𝐹.

Propriété Si 𝒇 est surjective alors 𝑟𝑎𝑛𝑔𝑓 = 𝑑𝑖𝑚 𝑓(𝐸) = 𝑑𝑖𝑚𝐹 .

Corollaire
- Si 𝑓 est injective alors 𝑑𝑖𝑚 𝐸  𝑑𝑖𝑚 𝐹
- Si 𝑓 est surjective alors 𝑑𝑖𝑚 𝐸  𝑑𝑖𝑚 𝐹
- Si 𝑓 est bijective alors 𝑑𝑖𝑚 𝐸 = 𝑑𝑖𝑚 𝐹

Théorème :
Soit E et F deux espaces vectoriels réels de dimension fini. Si 𝑓 est une
application linéaire de 𝐸 vers F , alors :

𝐝𝐢𝐦 𝑬 = 𝐝𝐢𝐦 𝒌𝒆𝒓𝒇 + 𝐝𝐢𝐦 𝒇(𝑬)= 𝐝𝐢𝐦 𝒌𝒆𝒓𝒇 + 𝒓𝒂𝒏𝒈(𝒇)

= 𝐝𝐢𝐦 𝒌𝒆𝒓𝒇 + 𝒊𝒎(𝒇)
CHAPITRE III : Calcul Matriciel

I- Définitions et Généralités
1- Matrice à coefficients dans IR
Définition :
Soit 𝑛 𝑒𝑡 𝑝 ≥ 1 deux entiers naturels, on appelle matrice à 𝑛 lignes et 𝑝 colonnes
ou de type( 𝑛, 𝑝) et à coefficients dans 𝐼𝑅 l’application :
{1, … … . 𝑛} × {1, … … . 𝑝} → 𝐼𝑅
(𝑖, 𝑗 ) → 𝑎𝑖𝑗

Représentation :
Une matrice 𝑀 𝑑𝑒 𝑡𝑦𝑝𝑒 ( 𝑛, 𝑝) est représentée par un tableau de 𝑛 lignes et 𝑝
colonnes :
Le coefficient 𝑎𝑖𝑗 se trouve à l’intersection entre la 𝑖 è𝑚𝑒 ligne et 𝑗 è𝑚𝑒 colonne.

𝒄𝒐𝒍𝒐𝒏𝒏𝒆 𝒋
𝑎11 𝑎12 . . 𝑎1𝑗 . 𝑎1𝑝
𝑎21 . . . . .
. . . . . .
𝒍𝒊𝒈𝒏𝒆 𝒊
. . . 𝑎𝑖𝑗 . .
. . . . . .
[𝑎𝑛1 𝑎𝑛2 . . . 𝑎𝑛𝑝 ]
Notations :

- On écrit 𝑀 = (𝑎𝑖𝑗 ) 1≤𝑖≤𝑛

1≤𝑗≤𝑝

- L’ensemble des matrices de type (𝑛, 𝑝) à coefficients réels est noté

𝑀𝑛,𝑝 (𝐼𝑅).
- Lorsque 𝑛 = 𝑝 , 𝑀 est dite matrice carrée d’ordre 𝑛, notée 𝑀𝑛 (𝐼𝑅).
Exemples
1 0 3
𝐴 = (2 1 5) est une matrice de type (2,3) ou appartient à l’ensemble 𝑀2,3(𝐼𝑅).
3
1
1 2
𝐵=( ) est une matrice de type (3,2) ou appartient à 𝑀3,2 (𝐼𝑅).
−3 √2
10 0
1 1 2
√3
𝐶 = (0 3 ) est une matrice carrée d’ordre 3, 𝐶 ∈ 𝑀3 (𝐼𝑅).
2
7 2 0

𝐷 = (0 −1 2) est la matrice ligne de type (1,3), 𝐷 ∈ 𝑀1,3 (𝐼𝑅).

1
𝐸 = (−3) est matrice colonne de type (3,1), 𝐸 ∈ 𝑀3,1 (𝐼𝑅).
10

2- Egalité de deux matrices, Matrice nulle

Définitions :

- Deux matrices 𝐴 = (𝑎𝑖𝑗 ) et 𝐵 = (𝑏𝑖𝑗 ) de 𝑀𝑛,𝑝 (𝐼𝑅) sont égales lorsque les

coefficients de mêmes indices sont identiques : ∀(𝑖, 𝑗), 𝑏𝑖𝑗 = 𝑎𝑖𝑗 .

- La matrice 𝐴 = (𝑎𝑖𝑗 ) de 𝑀𝑛,𝑝 (𝐼𝑅)est la matrice nulle lorsque :

∀(𝑖, 𝑗), 𝑎𝑖𝑗 = 0.

Notée 𝑂𝑛,𝑝 et Si 𝑛 = 𝑝 on la note 𝑂𝑛 :

0 0 .. 0 . 0
0 0 . . . .
. . . . . .
𝑂𝑛,𝑝 =
. . . . . .
. . . . . .
[0 0 . . . 0]
 3- Transposé d’une matrice
Définition :
Soit 𝐴 = (𝑎𝑖𝑗 ) une matrice de 𝑀𝑛,𝑝 (𝐼𝑅). La matrice transposée de 𝐴 est la

matrice 𝑡𝐴 = 𝑏𝑖𝑗 de 𝑀𝑝,𝑛 (𝐼𝑅) et dont les colonnes sont les lignes de 𝐴 :

∀(𝑖, 𝑗), 𝑏𝑖𝑗 = 𝑎𝑗𝑖

Exemple :
2
1 0 3 1
𝑡 3
Si 𝐴 = ( 2 9 5) est une matrice de 𝑀2,3 (𝐼𝑅) alors 𝐴 = (0 9) est la matrice
3
3 5
transposée de 𝐴 elle appartient à 𝑀3,2 (𝐼𝑅).

4- Coefficients diagonaux et matrice diagonale

Définition : coefficients diagonaux

Soit 𝐴 = (𝑎𝑖𝑗 ) une matrice de 𝑀𝑛 (𝐼𝑅) une matrice carrée :

- Les coefficients 𝒂𝒊 𝒊 sont appelés coefficients diagonaux de 𝐴 :

𝒂𝟏 𝟏 𝑎1 2 .. . . 𝑎1 𝑛
𝑎2 1 𝒂𝟐 𝟐 . . . .
. . . . . .
𝐴𝑛 = . . . 𝒂𝒊 𝒊 . .
. 𝑎𝑖 𝑗 . . . .
[ 𝑎𝑛 1 . . . . 𝒂𝒏 𝒏 ]
1 1 2
- Exemple : 𝐴 = (0 3 4) de 𝑀3 (𝐼𝑅), les coefficients diagonaux de 𝐴 sont
7 2 9
1,3 𝑒𝑡 9.
Définition : Matrice diagonale
Soit 𝐴 = (𝑎𝑖𝑗 ) une matrice de 𝑀𝑛 (𝐼𝑅) une matrice carrée. On dit que 𝐴 est

diagonale lorsque tous ces coefficients en dehors de la diagonale principale sont

nuls :
∀(𝑖, 𝑗), 𝑖 ≠ 𝑗 𝑜𝑛 𝑎 𝑎𝑖𝑗 = 0

𝒂𝟏 𝟏 0 .. . . 0
0 𝒂𝟐 𝟐 . . . .
. . . . . .
𝐴= .
. . 𝒂𝒊 𝒊 . .
. 0 . . . 0
[ 0 . . . . 𝒂𝒏 𝒏 ]
1 0 0
La matrice 𝐴 = (0 0 0 ) ∈ 𝑀3 (𝐼𝑅)est une matrice diagonale.
0 0 −3
La matrice 𝑂𝑛 est une matrice diagonale.
Matrice Identité

On appelle matrice identité, noté 𝐼𝑛 , la matrice diagonale dont tous les

coefficients diagonaux sont égaux à 1.

𝟏 0 .. . . 0
0 𝟏 . . . .
. . . . . .
𝐼𝑛 =
. . . 𝟏 . .
. 0 . . . 0
[0 . . . . 𝟏]

Matrice triangulaire
Soit 𝐴 = (𝑎𝑖𝑗 ) une matrice de 𝑀𝑛 (𝐼𝑅) une matrice carrée. On dit que 𝐴 est

triangulaire supérieure lorsque tous ses coefficients, en dessous de la

diagonale principale, sont nuls
∀(𝑖, 𝑗), 𝑖 > 𝑗 𝑜𝑛 𝑎 𝑎𝑖𝑗 = 0
𝒂𝟏𝟏 𝒂𝟏𝟐 .. . . 𝒂𝟏 𝒏
0 𝒂𝟐𝟐 . . . .
. . . . . .
𝐴= . . . 𝒂𝒊 𝒊 . .
. 0 . . . .
[ 0 . . . 0 𝒂𝒏 𝒏 ]
𝐴 est une matrice triangulaire inférieure lorsque tous ses coefficients, au dessus
de la diagonale, sont nuls.
 II- Opérations sur les Matrices
1- Somme de matrices et produit externe

Définitions :
Soient 𝐴 = (𝑎𝑖𝑗 ) 𝑒𝑡 𝐵 = (𝑏𝑖𝑗 ) deux matrices de 𝑀𝑛,𝑝 (𝐼𝑅 ) 𝑒𝑡 𝛼 𝑢𝑛 𝑟é𝑒𝑙 .

- La somme 𝐴 + 𝐵 = (𝑐𝑖𝑗 ) est défini par :

∀(𝑖, 𝑗), 𝑐𝑖𝑗 = 𝑎𝑖𝑗 + 𝑏𝑖𝑗

- Le produit de A par un réel 𝜶𝑨 = (𝑑𝑖𝑗 ) :

∀(𝑖, 𝑗), 𝑑𝑖𝑗 = 𝛼. 𝑎𝑖𝑗
Exemple
1 0 3 4 −2 3
- Soient 𝐴 = ( ) 𝑒𝑡 𝐵 = ( ) deux matrices de 𝑀2,3 (𝐼𝑅 ).
−1 8 5 1 2 7

𝐴 + 𝐵 = (𝑐𝑖𝑗 ) →→ 𝑐1 2 = 𝑎1 2 + 𝑏1 2

5 −2 6
𝐴+𝐵 = ( ) est dans 𝑀2,3 (𝐼𝑅 ).
0 10 12

1 0 3 2 0 6
- Le produit de A par 2 est : 2. 𝐴 = 2. ( )=( )
−1 8 5 −2 16 10

Propriétés
Pour des matrices 𝐴, 𝐵 𝑒𝑡 𝐶 de 𝑀𝑛,𝑝 (𝐼𝑅 ) on a :
- 𝐴 + 𝐵 = 𝐵 + 𝐴 (Commutativité)
- 𝐴 + 𝑂𝑛,𝑝 = 𝑂𝑛,𝑝 + 𝐴 = 𝐴 (𝑂𝑛,𝑝 est l’élément neutre pour l’addition)
- 𝐴 + (𝐵 + 𝐶 ) = (𝐴 + 𝐵) + 𝐶 (associativité)
- 𝐴 + (−1). 𝐴 = (−1). 𝐴 + 𝐴 = −𝐴 + 𝐴 = 𝑂𝑛,𝑝 (−𝐴 est l’opposé de 𝐴)

2- Produit Matriciel
Définition :

Soient 𝐴 ∈ 𝑀𝒏,𝑝 (𝐼𝑅 ) 𝑒𝑡 𝐵 ∈ 𝑀𝑝,𝒒 (𝐼𝑅 ), le produit matriciel de 𝐴 et 𝐵 ou la

matrice produit 𝐶 = 𝐴 × 𝐵 ∈ 𝑀𝒏,𝒒 (𝐼𝑅 ) est donnée par :

 𝑝
𝐶 = (𝑐𝑖𝑗 ) avec 𝑐𝑖𝑗 = ∑𝑘=1 𝑎𝑖 𝑘 𝑏𝑘 𝑗
Remarque
Le produit 𝐴 × 𝐵 ne peut être calculé que si le nombre de colonnes de 𝐴 est égal
au nombre de lignes de 𝐵.
𝐴 × 𝐵 = 𝐶
(𝑛, 𝑝) (𝑝, 𝑞) (𝑛, 𝑞)

Le terme 𝑐𝑖𝑗 est obtenu en faisant le produit, terme à terme, de la ligne 𝑖 de 𝐴

par la colonne 𝑗 de 𝐵 , puis on additionne les résultats.

𝒂𝟏𝟏 .. . . 𝒂𝟏 𝒑 𝒃𝟏𝟏 .. 𝒃𝟏 𝒋 . 𝒃𝟏 𝒏
. .. . . . . .. . . .
𝒂
𝐴 = 𝒊𝟏 .. 𝒂𝒊 𝒌 . 𝒂𝒊 𝒑 𝒃
𝐵 = 𝒌𝟏 .. 𝒃𝒌 𝒋 . 𝒃𝒌 𝒒
. .. . . . . .. . . .
[𝒂𝒏𝟏 .. . . 𝒂𝒏 𝒑 ] [ 𝒃𝒑 𝟏 .. 𝒃𝒑 𝒋 . 𝒃𝒏 𝒑 ]
𝒄𝟏𝟏 .. 𝒄𝟏 𝒋 . 𝒄𝟏 𝒒
. .. . . .
𝐶 = 𝒄𝒊 𝟏 .. 𝒄𝒊 𝒋 . 𝒄𝒊 𝒒
. .. . . .
𝒄
[ 𝒏𝟏 .. 𝒄𝒏 𝒋 . 𝒄𝒏 𝒒 ]

𝒃𝟏 𝒋
.
𝒄𝒊 𝒋 = (𝒂𝒊 𝟏 , … . . 𝒂𝒊 𝒑 ) .
𝒃𝒑 𝒋
( )
= 𝒂𝒊 𝟏 . 𝒃𝟏 𝒋 + 𝒂𝒊 𝟐 𝒃𝟐 𝒋 +……+𝒂𝒊 𝒌 𝒃𝒌 𝒋 + ⋯ + 𝒂𝒊 𝒑 𝒃𝒑 𝒋

Exemple
1 2
0 3
Soient 𝐴 = (−1 3) ∈ 𝑀3,𝟐 (𝐼𝑅 ) et 𝐵 = ( ) ∈ 𝑀𝟐 (𝐼𝑅)
−2 1
0 1
Donc la matrice produit 𝐶 = 𝐴. 𝐵 ∈ 𝑀𝟑,𝟐(𝐼𝑅)

(1 × 0) + (2 × −2) (1 × 3) + (2 × 1) −4 5
𝐶 = ((−1 × 0) + (3 × −2) (−1 × 3) + (3 × 1)) = (−6 0)
(0 × 0) + (1 × −2) (0 × 3) + (1 × 1) −2 1
Propriétés
Soient A, B et C trois matrices :
- Si 𝐴𝐵 et 𝐴𝐶 sont définis, alors : 𝐴 (𝐵 + 𝐶) = 𝐴𝐵 + 𝐴𝐶.
- Si 𝐴𝐶 et 𝐵𝐶 sont définis, alors : (𝐴 + 𝐵) 𝐶 = 𝐴𝐶 + 𝐵𝐶.
- Si 𝐴𝐵 et 𝐵𝐶 sont définis, alors 𝐴 (𝐵𝐶) = (𝐴𝐵) 𝐶.
- Si A est une matrice carrée d’ordre 𝑛, alors :
o 𝐴. 𝐼𝑛 = 𝐼𝑛 𝐴 = 𝐴
o 𝐴𝑂𝑛 = 𝑂𝑛 𝐴 = 𝑂𝑛
𝑇
- (𝐴𝐵) = 𝑇𝐴 𝑇𝐵
Remarque :
- Le produit matriciel n'est pas commutatif : 𝐴𝐵 ≠ 𝐵𝐴.
1 2 −4 5 1 2
0 3 0 3
(−1 3) ( ) = (−6 0) alors ( ) (−1 3) n’est pas défini
−2 1 −2 1
0 1 −2 1 0 1

- (𝐴 + 𝐵)2 = 𝐴2 + 𝐴𝐵 + 𝐵𝐴 + 𝐵2 ≠ 𝐴2 + 2𝐴𝐵 + 𝐵2

Formule de Binôme :
Soient A et B deux matrices de 𝑀𝑛 (𝐼𝑅 ). Si 𝑨𝑩 = 𝑩𝑨, alors on peut utiliser la
formule du binôme : ∀𝑝 ∈ 𝑁 ∗ , (𝐴 + 𝐵)𝑝 = ∑𝑝𝑘=0 𝐶𝑝𝑘 𝐴𝑃−𝑘 𝐵𝑘
(𝐴 + 𝐵)3 = 𝐴3 + 3𝐴2 𝐵 + 3𝐴𝐵2 + 𝐵3
(𝐴 − 𝐵)3 = 𝐴3 − 3𝐴2 𝐵 + 3𝐴𝐵2 − 𝐵3

3- Inverse d’une Matrice

Définition

Soit 𝐴 ∈ 𝑀𝑛 (𝐼𝑅 ), on dit que est 𝐴 est inversible que s’il existe une matrice 𝐵 de

𝑀𝑛 (𝐼𝑅) telle que 𝐴𝐵 = 𝐵𝐴 = 𝐼𝑛 .

La matrice 𝐵 est unique et appelée Inverse de 𝐴 . notée 𝑩 = 𝑨−𝟏 .

L’ensemble des matrices inversibles de 𝑀𝑛 (𝐼𝑅 ) est noté 𝑮 𝑳𝒏 (𝑰𝑹).

Exemple
1 1 4 −1
Soient 𝐴 = ( ) et 𝐵 = ( ) deux matrices de 𝑀2 (𝐼𝑅 ),
3 4 −3 1
1 0
On a 𝐴𝐵 = ( ) = 𝐼2 alors 𝑩 = 𝑨−𝟏
0 1
Remarque : Pour 𝑛 ∈ 𝐼𝑁 ∗ ∶
- 𝐼𝑛 . 𝐼𝑛 = 𝐼𝑛 alors 𝐼𝑛 est inversible et 𝐼𝑛−1 = 𝐼𝑛
- 𝑂𝑛 . 𝐵 = 𝑂𝑛 alors la matrice nulle n’est pas inversible
- 𝐴 𝑒𝑡 𝐵 sont inversibles alors AB est inversible et (𝑨𝑩)−𝟏 = 𝑩−𝟏 . 𝑨−𝟏
 III- Opérations élémentaires et équivalence des matrices
1- Matrice échelonnée lignes
Définition :
On dit qu’une matrice de 𝑀𝑛,𝑝 (𝐼𝑅 ) est une matrice échelonnée si :

- Si une ligne est entièrement nulle, les lignes en dessous sont aussi nulles.
- Si pour une ligne non nulle, le premier coefficient de cette ligne à partir
de la gauche, se trouve à droite du coefficient non nul de la ligne
précédente.

𝟎 𝟐 𝟏 𝟎 −𝟏 𝟒
𝟎 𝟎 𝟑 𝟏 𝟓 𝟎
𝑨= 𝟎 𝟎 𝟎 −𝟏 𝟕 𝟐 ∈ 𝑀5,6(𝐼𝑅 )
𝟎 𝟎 𝟎 𝟎 𝟑 𝟏
[𝟎 𝟎 𝟎 𝟎 𝟎 𝟎]
- Les premiers coefficients de chaque ligne sont appelés les pivots de A.
- La matrice A est dite échelonnée lignes avec 4 pivots.

2- Matrice échelonnée lignes Réduite

Définition :
On dit qu’une matrice de 𝑀𝑛,𝑝 (𝐼𝑅 ) est une matrice échelonnée ligne Réduite que

si :
- Elle est sous forme échelonnée lignes
- Les pivots sont tous égaux à 1.
Exemple :
𝟏 0 0 −1 4
0 𝟏 2 4 0
A=[ ] ∈ 𝑀4,5 (𝐼𝑅) est une matrice échelonnée lignes réduite.
0 0 0 𝟏 2
0 0 0 0 𝟏
3- Matrice échelonnée lignes Réduite Canonique
On dit qu’une matrice A de 𝑀𝑛,𝑝 (𝐼𝑅 ) est une matrice échelonnée ligne Réduite

canonique si :
- 𝒂𝒊 𝒊 = 𝟏 Pour tout indice 𝑖 ∈ {1, … . 𝑘} avec 1 ≤ 𝑘 ≤ min(𝑛, 𝑝)
- 𝒂𝒊 𝒋 = 𝟎 pour les autres indices
 1 0 0 0 0
0 1 0 0 0
A(4,5) = [ ] est une Matrice échelonnée lignes Réduite Canonique.
0 0 1 0 0
0 0 0 1 0

4- Opérations élémentaires sur les lignes d’une matrice

Soit A une matrice de 𝑀𝑛,𝑝 (𝐼𝑅 ) et 𝐿1 … . 𝐿𝑛 ses lignes. On appelle opération

élémentaire sur les lignes de A les transformations suivantes :

- Multiplier une ligne 𝐿𝑖 par un réel non nul 𝛼 : 𝐿𝑖 ← 𝛼 𝐿𝑖

- Permuter deux lignes 𝐿𝑖 et 𝐿𝑗 : 𝐿𝑖 ← 𝐿𝑗

- Ajouter à une ligne 𝐿𝑖 une combinaison linéaire d’autres lignes :

𝐿𝑖 ← 𝐿𝑖 + ∑𝑘≠𝑖 𝛼𝑘 𝐿𝑘

Exemple :
2 4 −6 8
Soit A = [−2 1 3 0] une matrice dans 𝑀(3,4) (𝐼𝑅) alors :
3 5 0 2

1 2 −3 4 1 2 −3 4
1
𝐿1 ← 2 𝐿1 [−2 1 3 0] 𝐿3 ← 𝐿3 + (−3)𝐿1 [−2 1 3 0 ]
3 5 0 2 0 −1 9 −10

−2 1 3 0
𝐿1 2 [1 2 −3 4 ]
0 −1 9 −10

Se sont des opérations élémentaires sur les lignes de A.

Définition : Equivalence de Matrices.

On dit que deux matrices 𝐴 et 𝐵 de 𝑀n,p (𝐼𝑅) sont équivalentes, lorsque B est

obtenue à partir de A après une succession d’opérations élémentaires sur les

lignes, et on note 𝐴 ∼ 𝐵.
Exemple

2 −6 84
𝐴(3,4) = [−2 1 3 0]
3 5 0 2
1 2 −3 4 1 2 −3 4
1
𝐿1 ← 𝐿1 [−2 1 3 0] 𝐿3 ← 𝐿3 + (−3)𝐿1 [−2 1 3 0 ]
2
3 5 0 2 0 −1 9 −10

1 2 −3 4 1 2 −3 4
1 3 8
𝐿2 ← 𝐿2 + 2𝐿1 [0 5 −3 8 ] 𝐿2 ← 𝐿2 [0 1 − 5 5
]
5
0 −1 9 −10 0 −1 9 −10

1 2 −3 4 1 2 −3 4
3 8 3 8
𝐿3 ← 𝐿2 + 𝐿3 [0 1 − [0 1 −
5
5 5 ] 𝐿3 ← 𝐿 5 5 ]
42 52 42 3 52
0 0 5 5
0 0 1
42

1 2 −3 4
3 8
Soit 𝐵(3,4) =[0 1 − 5 5 ] on peut écrire 𝑨 ∼ 𝑩.
26
0 0 1
21

Rang d’une Matrice : Définition

Soit 𝐴 ∈ 𝑀𝑛,𝑝 et soit 𝑟 le nombre de pivots de 𝐴. Alors le rang de 𝐴 est égal à 𝑟

c'est-à-dire au nombre de pivots de toute matrice échelonnée lignes équivalente

à 𝐴.
Le nombre 𝑟 s’appelle le rang de la matrice 𝐴, on note 𝒓𝒈(𝑨) = 𝒓.
Exemple :
On reprend l’exemple précédent

1 2 −3 4
2 4 −6 8 3 8
𝐴(3,4) = [−2 1 3 0] ∼ … [0 1 −5 5 ] alors 𝒓𝒈(𝑨) = 𝟑.
26
3 5 0 2 0 0 1
21

Propriétés
- 𝑟𝑔( 𝑇𝐴) = 𝑟𝑔(𝐴)
- 𝑟𝑔(𝐴) ≤ min(𝑛, 𝑝)
 - Si 𝐴 ∼ 𝐵 ⇒ 𝑟𝑔(𝐴) = 𝑟𝑔(𝐵)

Exemple :
Calculons le rang de la matrice suivante :

1 5 9 13 17 1 5 9 13 17
3 7 11 15 19 𝐿2 ←𝐿2 −3𝐿1 0 −8 −16 −24 −32
𝑀=[ ] 𝐿3 ←𝐿3 −2𝐿1 ~ [ ]
2 6 1 0 11 0 −4 −17 −26 −23
𝐿4 ←𝐿4 −𝐿1
1 3 14 21 16 0 −2 5 8 −1

1
1 5 9 13 17 1 5 9 13 17
𝐿3 ← 𝐿3 − 2 𝐿2 0 −8 −16 −24 −32 0 −8 −16 −24 −32
1 ~ 0 0 −9 −14 −7 = [0 0 −9 −14 −7
]
𝐿4 ← 𝐿4 − 4 𝐿2 24
[0 0 9 8 − (− ) = 14 7 ] 0 0 9 14 7
4

𝟏 𝟓 𝟗 𝟏𝟑 𝟏𝟕
𝟎 −𝟖 −𝟏𝟔 −𝟐𝟒 −𝟑𝟐]
𝐿4 ← 𝐿4 + 𝐿3 ~ [ Cette dernière matrice est échelonnée lignes
𝟎 𝟎 −𝟗 −𝟏𝟒 −𝟕
𝟎 𝟎 𝟎 𝟎 𝟎

équivalente à la matrice A et qui a 3 pivots ⇒ 𝑟𝑔(𝐴) = 3 ;

IV- Inverse d’une Matrice : Méthode de Gauss

1- Matrice Inversible : caractérisation
𝐴 ∈ 𝑀𝑛 (𝐼𝑅), 𝐴 une matrice inversible est équivalent à :
- 𝑟𝑔(𝐴) = 𝑛
- 𝐴 est équivalente à la matrice Identité 𝐼𝑛

2- Matrice élargie : Définition

Soient les deux matrices A ∈ 𝑀𝒏,𝒑 (𝐼𝑅) et 𝐵 ∈ 𝑀𝒏,𝒒 (𝐼𝑅), la matrice élargie constituée

de A et B notée (𝑨|𝑩) ∈ 𝑀𝒏,𝒑+𝒒 (𝐼𝑅) dont les 𝑝 premières colonnes sont celles de
𝐴 suivies de 𝑞 colonnes de 𝐵.
Exemple :
1 0 −3 1 7
Etant données les deux matrices 𝐴 = ( 1
2
4 1 ) et 𝐵 = (0 3) la matrice élargie
1 0 −3 1 7
est : (𝑨|𝑩) = ( 1 4 1 0 3)
2
 3- Calcul de l’inverse d’une matrice par la méthode de Gauss
Méthode :
Soit la matrice carrée 𝐴 ∈ 𝑀𝑛 (𝐼𝑅), pour déduire l’inverse de la matrice A :

Etape 1 : On considère la matrice élargie (𝐴|𝐼𝑛 ) qui est une matrice de 𝑀𝑛 2𝑛 (𝐼𝑅).
Etape 2 : On cherche la forme échelonnée lignes réduite canonique de la matrice
élargie (𝐴|𝐼𝑛 ).
Etape 3 : après avoir apporté les transformations élémentaires on obtient la
matrice (𝐼𝑛 |𝐴−1 ).
Exemple :
Calculons l’inverse de la matrice 𝐴 ∈ 𝑀3 (𝐼𝑅)
−1 −1 −3
𝐴=( 1 2 0)
1 1 4
−1 −1 −3 1 0 0 −1 −1 −𝟑 1 0 0
𝐿 ←𝐿 + 𝐿
alors (𝐴|𝐼3 ) = ( 1 2 0 0 1 0) ~ 𝐿2 ← 𝐿2 + 𝐿 1 (0 1 −𝟑 1 1 0) ~
3 3 1
1 1 4 0 0 1 0 0 1 1 0 1

−1 −1 𝟎 4 0 3 −1 0 𝟎 8 1 6
𝐿1 ← 𝐿1 + 3𝐿3
𝐿2 ← 𝐿2 +3 𝐿3 ( 0 1 𝟎 4 1 3) ~ 𝐿1 ← 𝐿1 + 𝐿2 ( 0 1 𝟎 4 1 3) 𝐿1 ← −𝐿1
0 0 1 1 0 1 0 0 1 1 0 1

1 0 𝟎 −8 −1 −6 −𝟖 −𝟏 −𝟔
~ (0 1 𝟎 4 1 3 ) = (𝐼3 |𝐴−1 ) d’où 𝑨−𝟏 = ( 𝟒 𝟏 𝟑)
0 0 1 1 0 1 𝟏 𝟎 𝟏
 V- Les déterminants

1- Définitions

Déterminant d’ordre et
Soit 𝐴 la matrice d’ordre 1 𝐴 = (𝑎) le déterminant de 𝐴 noté det(𝐴) = 𝑎.
𝑎 𝑐
Si 𝐴 une matrice de 𝑀2 (𝐼𝑅) tel que 𝐴 = ( ) alors det(𝐴) = 𝑎𝑑 − 𝑏𝑐.
𝑏 𝑑

Déterminant d’ordre supérieur à 2 :

Soit 𝐴 une matrice de 𝑀𝑛 (𝐼𝑅) avec 𝑛 ∈ IN, 𝑛 ≥ 2. On définit 𝐴𝑖𝑗 la matrice d’ordre 𝑛 −

1 obtenue de A on éliminant la 𝑖 è𝑚𝑒 ligne et la 𝑗 è𝑚𝑒 colonne.

Exemple
1 2 −2
−1 0 3 0 1 −2
Soit 𝐴3 = (3 −1 0 ) ; 𝐴1 1 = ( ) ; 𝐴1 2 = ( ) ; 𝐴3 2 = ( ) ….
7 5 4 5 3 0
4 7 5

Théorème
Soit 𝐴𝑛 = (𝑎𝑖 𝑗 ) ∈ 𝑀𝑛 (𝐼𝑅) avec 𝑛 ≥ 2 alors ∀ 1 ≤ 𝑖 ≤ 𝑛 𝑒𝑡 1 ≤ 𝑗 ≤ 𝑛

Le déterminant de A développé à partir de la ligne i est donnée par :

det(𝐴) = ∑𝑛𝒋=𝟏(−1)𝑖+𝑗 𝑎𝑖 𝑗 det(𝐴𝑖𝑗 )

= (−1)𝑖+1 𝑎𝑖 1 det(𝐴𝑖1 ) + (−1)𝑖+2 𝑎𝑖 2 det(𝐴𝑖2 ) + ⋯ + (−1)𝑖+𝑛 𝑎𝑖 𝑛 det(𝐴𝑖𝑛 )

Le déterminant de A développé à partir de la colonne j est donnée par :

det(𝐴) = ∑𝑛𝒊=𝟏(−1)𝑖+𝑗 𝑎𝑖 𝑗 det(𝐴𝑖𝑗 )
= (−1)1+𝑗 𝑎1 𝑗 det(𝐴1𝑗 ) + (−1)2+𝑗 𝑎2 𝑗 det(𝐴2𝑗 ) + ⋯ + (−1)𝑛+𝑗 𝑎𝑛 𝑗 det(𝐴𝑛𝑗 )

Remarque :

- det(𝐴) = ∑𝑛𝒋=𝟏(−1)𝑖+𝑗 𝑎𝑖 𝑗 det(𝐴𝑖𝑗 ) = ∑𝑛𝒊=𝟏(−1)𝑖+𝑗 𝑎𝑖 𝑗 det(𝐴𝑖𝑗 )

- Soit 𝐴𝑛 = (𝑎𝑖 𝑗 ) ∈ 𝑀𝑛 (𝐼𝑅) le déterminant de 𝐴 est noté :
𝒂𝟏 𝟏 . . 𝒂𝟏 𝒋 .. 𝒂𝟏 𝒏
. .. . .. .
| 𝒂
𝐝𝐞𝐭(𝑨) = | 𝒊 𝟏 . . 𝒂𝒊 𝒋 .. 𝒂𝒊 𝒏 |
|
. .. . .. .
𝒂𝒏 𝟏 . . 𝒂𝒏 𝒋 .. 𝒂𝒏 𝒏
Exemple
1 −1 2
Etant donnée la matrice 𝐴3 = (0 1 3)
4 −1 5
Le déterminant par rapport à la 1ère ligne est :

det(𝐴) = ∑3𝒋=𝟏(−1)𝑖+𝑗 𝑎𝑖 𝒋 det(𝐴𝑖𝒋 )

= (−1)1+𝟏 𝑎1𝟏 det(𝐴1𝟏 ) + (−1)1+𝟐 𝑎1𝟐 det(𝐴1𝟐 ) + (−1)1+𝟑 𝑎1 𝟑 det(𝐴1𝟑 )
1 3 0 3 0 1
= (−1)2 (1) | | + (−1)3 (−1) | | + (−1)4 (2) | |
−1 5 4 5 4 −1
= 1 × 1 × (1 × 5 − 3 × −1) + (−1) × (−1)(0 × 5 − 3 × 4) + 1 × 2 × (−1 × 0 − 1 × 4)
= 8 − 12 − 8 = −𝟏𝟐

Le déterminant par rapport à la 1ère colonne est :

det(𝐴) = ∑𝑛𝒊=𝟏(−1)𝑖+𝑗 𝑎𝑖 𝑗 det(𝐴𝑖𝑗 )
= (−1)1+1 𝑎1 1 det(𝐴11 ) + (−1)2+1 𝑎2 1 det(𝐴21 ) + (−1)3+1 𝑎3 1 det(𝐴31 )
1 3 −1 2 −1 2
=1 × 1 × | | − 1×0× | | +1 × 4 × | |
−1 5 −1 5 1 3
= 1 × 1 × (1 × 5 − 3 × −1) − 0 × (−1 × 5 − 2 × −1) + 4 × (−1 × 3 − 2 × 1)
= 8 + 0 + 4. (−5) = −𝟏𝟐

2- Propriétés du déterminant
— Si on multiplie une colonne (resp., une ligne) de 𝐴 par 𝜆, le déterminant
de 𝐴 est multipliée par 𝜆.
— Si deux colonnes (resp., deux lignes) de 𝐴 sont identiques, alors le
déterminant est nul.
— Si une colonne (resp., une ligne) de 𝐴 est nulle, alors la valeur de 𝑑𝑒𝑡(𝐴)
est nulle.
— Si on permute deux colonnes (resp., deux lignes) de 𝐴, alors le 𝑑𝑒𝑡 (𝐴) est
multipliée par −1.
— Le 𝑑𝑒𝑡(𝐴) ne change pas en ajoutant à l’une des colonnes (resp., des lignes)
de 𝐴 une combinaison linéaire des autres colonnes (resp., des autres
lignes) de 𝐴.
— 𝑑𝑒𝑡(𝐴) = 𝑑𝑒𝑡( 𝑇𝐴)
— 𝑑𝑒𝑡(𝐴𝐵) = 𝑑𝑒𝑡(𝐴)𝑑𝑒𝑡(𝐵)
 3- Inverse d’une Matrice et déterminant
Proposition
Soit 𝐴 une matrice de 𝑀𝑛 (𝐼𝑅) avec 𝑛 ∈ IN, 𝑛 ≥ 2 Si A est inversible alors :
- le 𝑑𝑒𝑡(𝐴) ≠ 0
1
- 𝑑𝑒𝑡(𝐴−1 ) =
𝑑𝑒𝑡(𝐴)

Matrice de cofacteurs : Définition

La matrice des cofacteurs de A (A ∈ 𝑀𝑛 (𝐼𝑅), 𝑛 ≥ 2 ) est la co-matrice, notée
𝑐𝑜𝑚(𝐴) = (𝑐𝑖 𝑗 ) 1≤𝑖≤𝑛 dont les coefficients sont les cofacteurs des 𝑎𝑖 𝑗 .
1≤𝑗≤𝑛

𝒄𝒊 𝒋 = (−𝟏)𝒊+𝒋 𝐝𝐞𝐭(𝑨𝒊 𝒋 )
Exemple
1 −1 2
Soit 𝐴3 = (−2 1 3) Calculons les cofacteurs et la comatrice de 𝐴 :
4 3 5
1 3
𝑐1 1 = (−1)1+1 det(𝐴1 1 ) = 1×| | = −4
3 5
1+2 −2 3
𝑐1 2 = (−1) det(𝐴1 2 ) = −1 × | | = 22
4 5
−2 1
𝑐1 3 = (−1)1+3 det(𝐴1 3 ) = 1 × | | = −10
4 3
det(𝐴1 𝑗 ) = det(𝐴) = (1 × −4) + (−1 × 22) + (2 × −10) = −46
−1 2
𝑐2 1 = (−1)2+1 det(𝐴2 1 ) = −1 × | | = 11
3 5
1 2
𝑐2 2 = (−1)2+2 det(𝐴2 2 ) = 1 × | | = −3
4 5
1 −1
𝑐2 3 = (−1)2+3 det(𝐴2 3 ) = −1 × | | = −7
4 3
det(𝐴2 𝑗 ) = det(𝐴) = (−2 × 11) + (1 × −3) + (3 × −7) = −46

𝑐3 1 = … = −5
𝑐3 2 = .. = −7
𝑐3 3 = . = −1
det(𝐴3 𝑗 ) = det(𝐴) = ⋯ . . = −46

−4 22 −10
Alors 𝑐𝑜𝑚(𝐴) = (𝑐𝑖 𝑗 ) = ( 11 −3 −7 )
−5 −7 −1
Proposition
Soit A ∈ 𝑀𝑛 (𝐼𝑅), 𝑛 ≥ 2 une matrice inversible (𝑑𝑒𝑡(𝐴) ≠ 0) alors :
1
𝐴−1 = 𝑑𝑒𝑡(𝐴) 𝑇𝑐𝑜𝑚(𝐴)

Exemple :
On calcule 𝐴−1 de l’exemple précédent par la méthode des cofacteurs :
Nous avons

−4 22 −10 −4 11 −5
𝑇
𝑐𝑜𝑚(𝐴) = ( 11 −3 −7 ) → 𝑐𝑜𝑚(𝐴) = ( 22 −3 −7)
−5 −7 −1 −10 −7 −1

1 1 −4
11 −5
𝑇
𝐴−1 = 𝑐𝑜𝑚(𝐴) = ( 22
−3 −7)
𝑑𝑒𝑡(𝐴) −46
−10 −7 −1
4 11 5 2 11 5
− − −
−46 −46 −46 23 46 46
22 3 7 11 3 7
= − − = −
−46 −46 −46 23 46 46
10 7 1 5 7 1
−
( −46 − − −
−46 46 ) ( 23 46 46)

Exemple

−1 −1 −3 −𝟖 −𝟏 −𝟔
𝐴=( 1 2 0) 𝑨−𝟏 = ( 𝟒 𝟏 𝟑 ) a été calculé par la
1 1 4 𝟏 𝟎 𝟏
méthode de Gauss en dessus ;
2 0 −1 −3
𝒄𝟏𝟏 = (−1)2 det(𝐴1 1 ) = 1×| | = 8 ; 𝒄𝟐𝟏 = (−1)3 det(𝐴2 1 ) = −1 × | |=1
1 4 1 4

𝒄𝟏𝟐 = (−1)1+2 det(𝐴1 2 ) = −1 × |1

0 −1 −3
| = −4; 𝒄𝟐𝟐 = (−1)4 det(𝐴22 ) = 1 × | | = −1
1 4 1 4
1 2 −1 −1
𝒄𝟏 𝟑 = (−1)1+3 det(𝐴1 2 ) = 1 × | | = −1 ; 𝒄𝟐 𝟑 : (−1)5 det(𝐴23 ) = −1 × | |=0
1 1 1 1
−1 −3
𝒄𝟑𝟏 = (−1)4 det(𝐴31 ) = 1 × | |=6
2 0
−1 −3
𝒄𝟑𝟐 = (−1)5 det(𝐴32 ) = −1 × | | = −3
1 0
−1 −1
𝒄𝟑𝟑 = (−1)6 det(𝐴33 ) = 1 × | | = −1
1 2
 8 −4 −1
Le déterminant de A est det(𝐴) = −1 ≠ 0 et 𝑐𝑜𝑚(𝐴) = (1 −1 0 )alors
6 −3 −1
8 1 6
𝑇
𝑐𝑜𝑚(𝐴) = (−4 −1 −3)
−1 0 −1
Et on a l’inverse d’une matrice par la méthode du déterminant est donnée par :

1 1 8 1 6 8 1 6
𝑇
𝐴−1 = 𝑐𝑜𝑚(𝐴) = (−4 −1 −3) = − (−4 −1 −3)
𝑑𝑒𝑡(𝐴) −1
−1 0 −1 −1 0 −1

−8 −1 6
−1
𝐴 =(4 1 3)
1 0 1

VI- Systèmes linéaires

1- Définition
Un système linéaire à 𝑛 équations et 𝑝 inconnues et dont les
coefficients sont dans 𝐼𝑅 est une conjonction de la forme suivante :
𝑎11 𝑥1 + ⋯ + 𝑎1𝑗 𝑥𝑗 + ⋯ + 𝑎1𝑝 𝑥𝑝 = 𝑏1
. . . .
. . . .
𝑎𝑖1 𝑥1 + ⋯ + 𝑎𝑖𝑗 𝑥𝑗 + ⋯ + 𝑎𝑖𝑝 𝑥𝑝 = 𝑏𝑖
. . . .
. . . .
{𝑎𝑛1 𝑥1 + ⋯ + 𝑎𝑛𝑗 𝑥𝑗 + ⋯ + 𝑎𝑛𝑝 𝑥𝑝 = 𝑏𝑛

𝑥1 , 𝑥2 … 𝑥𝑝 ∶ Les inconnues du système linéaire (𝑆).

𝑎𝑖𝑗 1≤𝑖≤𝑛 : Les coefficients du système.
1≤𝑗≤𝑝

La matrice 𝐴 = (𝑎𝑖𝑗 ) de 𝑀𝑛 𝑝 (𝐼𝑅) est la matrice de (𝑆) et le rang de 𝐴

est le rang de (𝑆).
𝑏1
.
La matrice b=( ) est le second membre du système d’équation.
.
𝑏𝑛
(𝐴|𝑏 ) est la matrice élargie du système.
 2- Théorème : Solution d’un système linéaire
Soit 𝑆 un système de 𝑛 équations et 𝑝 inconnues et à coefficients
dans 𝐼𝑅. Soient 𝑟 le rang de la matrice 𝐴 et 𝑚 le rang de la matrice
élargie (𝐴|𝑏), alors :
Si 𝑟 = 𝑚 = 𝑝 alors le système admet une solution unique.
Si 𝑟 = 𝑚 < 𝑝 alors le système admet une infinité de solutions.
Si 𝑟 ≠ 𝑚 alors n’admet aucune solution.

Exemple
i) Soit le système d’équations suivant:

𝑥 + 2𝑦 + 3𝑧 + 4𝑡 = 11 1 2 3 4 11
2𝑥 + 3𝑦 + 4𝑧 + 𝑡 = 12 2 3 4 1 12
{ alors : 𝐴 = ( ) et 𝑏 = ( )
3𝑥 + 4𝑦 + 𝑧 + 2𝑡 = 13 3 4 1 2 13
4𝑥 + 𝑦 + 2𝑧 + 3𝑡 = 14 4 1 2 3 14
1 2 3 4 11
2 3 4 1 12
La matrice élargie (𝐴|𝑏) = ( )
3 4 1 2 13
4 1 2 3 14

On apporte à la matrice élargie les opérations élémentaires

nécessaires pour trouver sa forme échelonnée lignes réduite
canonique.
La matrice équivalente (E.L.R.C) est donnée par :
1 0 0 0 2
(𝐴|𝑏) ~ … ~ (0 1 0 0 1
)
0 0 1 0 1
0 0 0 1 1

On peut remarquer que le rang de A est égal au rang de la matrice

élargie, 𝑟 = 𝑚 = 𝑝 alors le système admet une solution unique :
L’ensemble de solutions :{(2,1,1,1)}.
 ii) Soit le système d’équation linéaire :

𝑥 + 3𝑦 + 5𝑧 − 2𝑡 − 7𝑢 = 3
3𝑥 + 𝑦 + 𝑧 − 2𝑡 − 𝑢 = 12
{ la matrice élargie de ce système est :
2𝑥 − 𝑦 − 3𝑧 + 7𝑡 + 5𝑢 = 2
3𝑥 − 2𝑦 − 5𝑧 + 7𝑡 + 8𝑢 = 1
1 3 5 −2 −7 3
(𝐴|𝑏) = (3 1 1 −2 −1 12
)
2 −1 −3 7 5 2
3 −2 −5 7 8 1
La matrice équivalente à forme Echelonnée Lignes Réduite
Canonique est :
1 0 0 −3 0 −1
(𝐴|𝑏 ) ~ (0 1 0 17 1 8
)
0 0 1 −10 −2 −4
0 0 0 0 0 0
Remarque :
- les inconnues dont le coefficient est un pivot (=1) sont appelés
des inconnues principales. Dans cet exemple (𝑥, 𝑦 𝑒𝑡 𝑧 sont
principales)
- les autres sont des inconnues secondaires comme 𝑡 𝑒𝑡 𝑢.
- Dans tels cas le système admet une infinité de solutions dans
la mesure où on exprime les inconnues principales en fonction
de celles secondaires.
Par rapport à notre exemple, on remarque que 𝑟 = 𝑚 < 𝑝 alors le
système admet une infinité de solution. On exprime donc les
inconnues principales par les secondaires ;
𝑥 − 3𝑡 = −1 ↔ 𝒙 = 𝟑𝒕 − 𝟏
𝑦 + 17𝑡 + 𝑢 = 8 ↔ 𝒚 = −𝟏𝟕𝒕 − 𝒖 + 𝟖 avec (𝑡, 𝑢) ∈ 𝐼𝑅 2
𝑧 − 10𝑡 − 2𝑢 = −4 ↔ 𝒛 = 𝟏𝟎𝒕 + 𝟐𝒖 − 𝟒
Alors l’ensemble de solutions s’écrit :
{(𝑥, 𝑦, 𝑧, 𝑡, 𝑢)} = {(3𝑡 − 1 , −17𝑡 − 𝑢 + 8 , 10𝑡 + 2𝑢 − 4 , 𝑡 , 𝑢)/(𝑡, 𝑢) ∈ 𝐼𝑅2 }
 iii) Soit le système d’équations linéaires suivant :
𝑥 + 3𝑦 + 5𝑧 − 2𝑡 − 7𝑢 = 3
3𝑥 + 𝑦 + 𝑧 − 2𝑡 − 𝑢 = 1
{
2𝑥 − 𝑦 − 3𝑧 + 7𝑡 + 5𝑢 = 2
3𝑥 − 2𝑦 − 5𝑧 + 7𝑡 + 8𝑢 = −1
1 3 5 −2 −7 3
3 1 1 −2 −1 1
La matrice élargie est : (𝐴|𝑏) = ( )
2 −1 −3 7 5 2
3 −2 −5 7 8 −1
1 0 0 −3 0 0
0 1 0 17 1 0
La matrice E.L.R.C est donnée : (𝐴|𝑏)~ ( )
0 0 1 −10 −2 0
0 0 0 0 0 −1
Le rang de la matrice des coefficients est différent à celui de la
matrice élargie 𝑟 = 3 ≠ 𝑚 = 4
Donc le système d’équation n’admet pas de solution. L’ensemble de
solutions est l’ensemble vide.
3- Résolution d’un système linéaire de Cramer
Définition :
Un système linéaire est dit de Cramer si le nombre de ses inconnues
𝑝 est égal au nombre de ces équations 𝑛 et est égal à son rang 𝑟.
Propriété
Si S est un système de Cramer alors :
- la matrice des coefficients 𝐴 est une matrice carrée d’ordre 𝑛
- La matrice est inversible 𝑛 = 𝑟.
- Le système admet une solution unique.
Théorème : Résolution d’un système de Cramer
Soit 𝑆 un système de 𝑛 équations et 𝑛 inconnus avec det 𝐴 ≠ 0. Alors
l'unique solution du système est donnée par :
𝐷𝑥 1 𝐷𝑥 𝑛
𝑥1 = ,… 𝑥𝑛 =
𝑑𝑒𝑡(𝐴) 𝑑𝑒𝑡(𝐴)

Avec 𝐷𝑥 𝑖 est le déterminant de la matrice 𝐴 en remplaçant la ième

colonne par la matrice 𝑏 du second membre.

Exemple
Soit (S) un système à 3 équations et à 3 inconnues
𝑥 + 2𝑦 + 𝑧 = 1
𝑆={ 2𝑥 − 𝑦 + 2𝑧 = 2
𝑥 + 3𝑦 + 2𝑧 = −1
1 2 1
La matrice des coefficients est 𝐴 = (2 −1 2) et la matrice du
1 3 2
1
second membre est 𝑏 = ( 2 )
−1
𝐴. 𝑋 = 𝑏 ↔ 𝑋 = 𝐴−1. 𝑏
On calcule le déterminant de la matrice 𝐴 (par rapport à la 1ère ligne:
det(𝐴) = ∑3𝒋=𝟏(−1)𝑖+𝑗 𝑎1 𝒋 det(𝐴1𝒋 )

−1 2 2 2 2 −1
det(𝐴) = (−1)2 × (1) × | | + (−1)3 × (2) × | | + (−1)4 × (1) × | |
3 2 1 2 1 3
𝐝𝐞𝐭(𝑨) = −𝟖 − 𝟒 + 𝟔 = −𝟓 ≠ 𝟎
A est inversible.
La résolution d’un système de Cramer donne l’ensemble de
𝐷𝑥 1 𝐷𝑥 𝑛
solution : 𝑥1 = , … . . 𝑥𝑛 =
𝑑𝑒𝑡(𝐴) 𝑑𝑒𝑡(𝐴)

𝟏 2 1
𝐷𝑥 1 = det(𝐴𝑖 1 ) = | 𝟐 −1 2|
−𝟏 3 2
= +1 × (−1 × 2 − 2 × 3) − 2 × (2 × 2 − 2 × −1) + 1 × (2 × 3 − 1 × 1) = −8 − 12 + 15

𝑫𝒙 𝟏 = −𝟏𝟓
1 𝟏 1
𝐷𝑥 2 ( )
= det 𝐴𝑖 2 = |2 𝟐 2|
1 −𝟏 2
= +1 ∗ (2 ∗ 2 − 2 ∗ −1) − 1 ∗ (2 ∗ 2 − 2 ∗ 1) + 1 ∗ (2 ∗ −1 − 2 ∗ 1) = 6 − 2 − 4 = 0
𝑫𝒙 𝟐 = 𝟎
 1 2 𝟏
𝐷𝑥 3 = det(𝐴𝑖 3) = |2 −1 𝟐|
1 3 −𝟏
= +1 ∗ (−1 ∗ −1 − 2 ∗ 3) − 2 ∗ (2 ∗ −1 − 2 ∗ 1) + 1 ∗ (2 ∗ 3 − 1 ∗ −1) = −5 + 8 + 7
𝑫𝒙 𝟑 = 𝟏𝟎
L’ensemble des solutions de ce système de Cramer est :
𝐷𝑥 1 −15
𝑥 = 𝑥1 = = =3
𝑑𝑒𝑡(𝐴) −5

𝐷𝑥 2 0
𝑦 = 𝑥2 = = =0
𝑑𝑒𝑡(𝐴) −5

𝐷𝑥 3 10
𝑧 = 𝑥3 = = = −2
𝑑𝑒𝑡(𝐴) −5

Le système admet une solution unique : {(𝟑, 𝟎 − 𝟐)}

4- Résolution par l’inversion de la matrice du système :

Soit S un système d’équation linéaire à n équations et n inconnues :
L’écriture matricielle du système est :𝐴. 𝑋 = 𝑏
i) On vérifie est ce que le système est de Cramer. Si det(𝐴) ≠ 0
alors le système est de Cramer
ii) det(𝐴) ≠ 0 alors 𝐴 est inversible, l’ensemble des solutions
est déduite par l’inversion de 𝐴. En effet on a :
𝐴. 𝑋 = 𝑏 ↔ 𝑋 = 𝐴−1 𝑏
On calcul 𝐴−1 par la méthode du déterminant :
1
𝐴−1 = 𝑇
𝑐𝑜𝑚(𝐴)
𝑑𝑒𝑡 (𝐴)

Alors

𝟏 𝑻
𝑿 = 𝑨−𝟏 𝒃 = 𝒄𝒐𝒎(𝑨). 𝒃
(
𝒅𝒆𝒕 𝑨)
Exemple : on reprend l’exemple précédent
𝑥 + 2𝑦 + 𝑧 = 1
On a 𝑆 = { 2𝑥 − 𝑦 + 2𝑧 = 2
𝑥 + 3𝑦 + 2𝑧 = −1
1 2 1
La matrice des coefficients des est 𝐴 = (2 −1 2) et la matrice du
1 3 2
1
second membre est 𝑏 = ( 2 )
−1
On le det(𝐴) = −5 ≠ 0 et
𝒄𝟏 𝟏 𝑐12 𝑐13
𝒄𝒐𝒎(𝑨) = (𝒄𝒊 𝒋 ) = (𝒄 𝟐 𝟏 𝑐22 𝑐23 ) avec 𝒄𝒊 𝒋 = (−𝟏)𝒊+𝒋 𝐝𝐞𝐭(𝑨𝒊 𝒋 )
𝒄𝟑 𝟏 𝑐32 𝑐33

(−1)1+1 |−1 2| (−1)1+2 |2 2| (−1)1+3 |2 −1|

3 2 1 2 1 3
2 1 1 1 1 2
𝑐𝑜𝑚(𝐴) = −| | +| | −| |
3 2 1 2 1 3
2 1 1 1 1 2
( + |−1 2| −|
2 2
| +|
2 −1
| )

−8 −2 7
𝑐𝑜𝑚(𝐴) = (−1 1 −1)
5 0 −5
−𝟖 −𝟏 𝟓
𝑻
𝒄𝒐𝒎(𝑨) = (−𝟐 𝟏 𝟎)
𝟕 −𝟏 −𝟓
Alors
𝟏 𝑻
𝑿 = 𝑨−𝟏 𝒃 = 𝒄𝒐𝒎(𝑨). 𝒃
𝒅𝒆𝒕(𝑨)
−8 −1 5 1 (−8 × 𝟏) + (−1 × 𝟐) + (𝟓 × −𝟏)
𝟏 𝟏
𝑿 = × (−2 1 0 )×( 2 ) = × ( (−2 × 𝟏) + (𝟏 × 𝟐) + (𝟎 × −𝟏) )
−𝟓 −𝟓
7 −1 −5 −1 (7 × 𝟏) + (−𝟏 × 𝟐) + (−𝟓 × −𝟏)

𝟏 −15
= ×( 0 ) =
−𝟓
10
3
𝑋 = ( 0 ) est la solution unique du système.
−2