Université Hassan II

Faculté des Sciences BenM’sick

Département de Mathématiques et Informatique

Algèbre II
(MIP)

I. AGMOUR
M. RACHIK
S. BENKADOUR
H. BOUTAYEB
M. HAFDANE
N. BABA

2023-2024
Table des matières

1 SYSTÈMES LINÉAIRES : méthode de Gauss 3

1.1 Définitions et notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Système linéaire triangulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Résolution des S.L. par la méthode de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2 Les espaces vectoriels 7

2.1 Définitions et notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Sous-espaces vectoriels (sev) d’un K − ev . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.1 Famille génératrice d’un sev . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.2 Famille libre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.3 Base d’un sev d’un ev . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.4 Somme de sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

3 LES APPLICATIONS LINÉAIRES 25

3.1 Définitions et notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2 Noyau et image d’une application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

4 LES MATRICES 33
4.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2 Opérations sur les matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2.1 Loi externe (dite aussi multiplication d’une matrice par un scalaire) . . . . . . . . . . . . . . 35
4.2.2 Somme de deux matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2.3 Multiplication de deux matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.3 Matrices et applications linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.3.1 Lien entre Matrices et applications linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.3.2 Ecriture matricielle de l’image d’un vecteur par une application linéaire . . . . . . . . . . . 42
4.3.3 Matrice de passage et Lien ente les coordonnées d’un même vecteur dans deux bases dif-
férentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.3.4 Changement de bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.3.5 Rang d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

5 DÉTERMINANTS 51
5.1 Motivation et Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.1.1 Motivation : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.1.2 Définition : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.2 Régle de calcule d’un déterminant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.3 Propriétés du déterminant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.3.1 Conséquences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.4 Résolution d’un système linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.4.1 Cas 1 : Système de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.4.2 Cas 2 : Système avec plus d’inconnus que d’équations (n ≻ m) . . . . . . . . . . . . . . . . . 62
5.4.3 Cas 3 : Système avec plus d’équations que d’inconnus (n ≺ m) . . . . . . . . . . . . . . . . . 62
5.4.4 Cas 4 : Système où plus le nombre d’équations coincide avec le nombre d’inconnus (n = m) ,
mais det A = 0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

2
Chapitre 1

SYSTÈMES LINÉAIRES : méthode de Gauss

1.1 Définitions et notations

Dans toute la suite K désignera le corps R ou C.

A. Equations linéaires et systèmes linéaires

Définition 1.1.1 Une équation linéaire à n ∈ N inconnues (qu’on veut calculer) x 1 , x 2 , . . . , x n à coèfficient dans K
est une égalité du type
a1 x1 + a2 x2 + · · · + an xn = b1
avec a 1 , · · · , a n , b 1 ∈ K des constantes données (connues à l’avance).

Exemples :

1.
Chercher x, z dans R tels que : 2x − z = 1

2.
Chercher x 1 , x 2 ∈ C tels que i x 1 + x 2 = 1 − i
 p
3.
L’équation x 1 x 2 − |x 2 | + 2x 3 = −1 n’est pas linéaire.
Définition 1.1.2 Un système linéaire à m équations et n inconnues dans K est de la forme suivante :

a x + a 12 x 2 + ... + a 1n x n = b1 E1

 11 1

 a
 21 1
 x + a x
22 2 + ... + a x
2n n = b 2 E2
(S) . . . .
. . . .





a m1 x 1 + a m2 x 2 + ... + a mn x n = b m Em

Les inconnues sont x 1 , . . . , x n . Les nombres b 1 , . . . , b m et les a i j sont des constantes données dans K.

Exemples : 
 3x 1 + x 2 + x 3 = 3
(S 1 ) x − x2 − x3 = 1
 1
2x 1 + 2x 2 + 2x 3 = 2

Définition 1.1.3 1.
Une solution de (S) dans Kn est tout élément -qui est un n-uplet- (α1 , α2 , · · · , αn ) ∈ Kn
satisfaisant toutes les équations de (S).

2.
Résoudre (S) c’est trouver l’ensemble de toutes les solutions de (S).

3.
Un système (S) est dit incompatible (ou impossible) lorsqu’il n’a aucune solution.

′
4.
Deux systèmes linéaires (S) et (S ) sont équivalents s’ils ont le même nombre d’inconnues et le même en-
semble de solutions.

3
Exemples :

1.
(1, 0, 0) est solution du système

 3x 1 + x 2 + 2x 3 = 3
x − x2 − x3 = 1
 1
2x 1 + 2x 2 + 3x 3 = 2

par contre (1, 0, 1) ne l’est pas.


2.
Les solutions du système
½
2x 1 + x 2 = 1
x 1 + 12 x 2 = 1
2

sont les couples (x 1 , x 2 ) = (u, −2u + 1) avec u ∈ K quelconque.


3.
Le système
½
x1 − x2 =0
2x 1 − 2x 2 =1

est incompatible (on ne peut avoir 0=1 !).


4.
Les deux systèmes suivants sont équivalents

 x1 − x2 =0 ½
x1 − x2 = 0
x + x2 =1 et
 1 x1 + x2 = 1
−2x 1 + 4x 2 =1

1.2 Système linéaire triangulaire

Définition 1.2.1 Un système linéaire à m équations et n inconnues dans K est triangulaire si n = m et s’il est de
la forme suivante :

a 11 x 1 + a 12 x 2 + ... + a 1n x n = b1 E1



0x 1 + a 22 x 2 + ... + a 2n x n = b2 E2



(S) . . . .
. . . .





0x 1 + 0x 2 + ... + a nn x n = bn En

avec a kk ̸= 0 pour t out 1 ≤ k ≤ n.

Remarque : La résolution d’un tel système est particulièrement simple.

Puisqu’on a a nn x n = b n et a nn ̸= 0 on trouve x n = abnn
n
.
On remonte alors à l’équation a n−1n−1 x n−1 + a n−1n x n = b n−1 pour calculer x n−1 ; et on remonte ainsi de suite
jusqu’à x 1 .

Exemples :

x 1 − 3x 2 + 4x 3 − 2x 4


 = 3
2x 2 + x 4 = 2


 x 3 − 3x 4 = 4

2x 4 = 2

4
1.3 Résolution des S.L. par la méthode de Gauss
On considère le système
a 11 x 1 + a 12 x 2 + ... + a 1n x n = α1 E1


α2

 a 21 x 1 + a 22 x 2 + ... + a 2n x n = E2


(S) . . . .
. . . .




αm

a m1 x 1 + a m2 x 2 + ... + a mn x n = Em
Quitte à permuter l’ordre des équations et à changer la place des variables x i , on peut supposer que a 11 ̸= 0.
La méthode de Gauss consiste à utiliser l’équation E 1 pour éliminer l’inconnue x 1 des équations E 2 , ..., E m .
E 2 ,→ E 2′ = a 11 E 2 − a 21 E 1 : b 22 x 2 + ... + b 2n x n = β2



. . . .


 . . . .
E m ,→ E m′
: b m2 x 2 + ... + b mn x n = βm

= a 11 E m − a m1 E 1
On obtient le nouveau système
a 11 x 1 + a 12 x 2 + ... + a 1n x n = α1 E1


β2 E 2′



 b 22 x 2 + ... + b 2n x n =
(**) . . . .
. . . .




βm ′

b m2 x 2 + ... + b mn x n = Em

Théorème 1.3.1 Les deux systèmes (*) et (**) sont équivalents.

La répétition du processus décrit ci-dessus conduit à un système dit ”réduit” (ou échelonné) de la forme


 d 11 y 1 + d 12 y 2 + · · · + d 1k y k + · · · + d 1n y n = f 1 E 1′′
 0y 1 + d 22 y 2 + · · · + d 2k y k + · · · + d 2n y n = f2 E 2′′




 . . . .
(S)

 . . . .
 ′′



 0y 1 + 0y 2 + · · · + d y
kk k + · · · + d kn y n = b k E k
··· ··· ··· ···


avec les d i i ̸= 0.

On arrive forcément à l’un des trois cas :


1.
Le système n’a pas de solution lorsqu’on trouve une équation de la forme 0 = bi avec bi non nul.
2.
Le système a une unique solution (ceci lorsque k = n avec en plus des équations de type 0 = 0 ).
′′
3.
Le système a une infinité de solutions (ceci lorsque k < n et les équations après l’équation E k sont évi-
dentes (de la forme 0 = 0)). Dans ce cas on calcule y 1 , y 2 , · · · , y k en fonction de y k+1 , · · · , y n qui restent
comme paramètres quelconque dans K.

Exemples : Résoudre dans R3 les systèmes


 x 1 − x 2 + 3x 3 = −2
x + x3 = 0
 1
x 1 + 4x 2 − x 3 = 2

 x 1 − x 2 + 3x 3 = −2
2x 1 + 3x 2 + 2x 3 = 1
x 1 + 4x 2 − x 3 = 2


et dans R4
x 1 − x 2 + x 3 − 2x 4


 = 2
2x 1 − 2x 2 + 2x 3 − 2x 4 = 2

 −x 1 + x 2 + 2x 3 − 4x 4
 = 4

−x 3 + 2x 4 = −2

5
Application : Trouver les valeurs du réel a tel que le système

 x +y −z = 1
2x + 3y + az = 3 ai t
x + a y + 3z 2

=

1) aucune solution
2) une solution unique
3) plusieurs solutions.

6
Chapitre 2

Les espaces vectoriels

2.1 Définitions et notations

Dans toute la suite K désignera soit le corps R soit le corps C qui sont munis de l’addition et de la multiplication
usuelles vérifiant les propriétés connues.

Définition 2.1.1 Soit E un ensemble non vide. Une loi de composition interne sur E est toute application f de
E × E dans E .

Notation 2.1.1 f (x, y) sera noté x f y.

Exemples :

1.
Les applications
+: ¡R × R¢ → R
;
−: Z
¡ × Z¢ → Z
x, y 7→ x + y x, y 7→ x − y
÷: R¡ × R¢
∗ ∗
→ R ∗
.: ¡R × R¢ → R
;
x, y 7→ x ÷ y x, y 7→ x.y
sont des L.C .I .

2.
Les applications
−: N
¡ × N¢ → N ÷: ¡R × R¢ → R
;
x, y 7 → x−y x, y 7 → x÷y
ne sont pas des L.C .I .

3.
La somme et le produit de polynômes définissent des L.C .I sur K.

4.
La composée de deux applications dans F (R, R) est une L.C .I sur F (R, R), à ( f , g ) on associe f ◦ g =
o( f , g ).
 →
− → − →
− → −
5.
La somme de deux forces qui à ( F , G ) associe F + G est une L.C .I dans F (P ) l’ensemble des forces
exercées dans un plan.

6.
La somme de deux paniers achetés dans un supermarché...
Définition 2.1.2 Soit E un ensemble non vide. Une loi de composition externe sur E est toute application de K×E
dans E .

Notation 2.1.2 L’image de (α, x) ∈ K × E sera notée α · x.

Exemples :

1.
Les applications
·: N×Z → Z +: Q×R → R
;
(α, x) 7→ α·x (α, x) 7 → α+x

7
 sont des L.C .E .

2. Toute L.C .I est une L.C .E .


3.
L’application
+: R×Z → Z
(α, x) 7 → α+x
n’est pas une L.C .E .

4.
L’application de R × R dans R qui à un couple (α, P (X )) associe αP (X ) est une L.C .E .
5.
L’application de C × C(X ) dans C(X ) qui à un couple (α, F (X )) associe αF (X ) est une L.C .E .
→
− →
−

6.
L’application de R × F (P ) dans F (P ) qui à un couple (α, F ) associe α F est une L.C .E . sur F (P )
7.
La multiplication d’un panier par un réel.
Définition 2.1.3 Soit E un ensemble muni d’une L.C .I . notée (∗) , on dit que
— ∗ est commutative si :
x ∗ y = y ∗ x; ∀x, y ∈ E
— ∗ est associative si : ¡ ¢ ¡ ¢
x ∗ y ∗ z = x ∗ y ∗ z ; ∀x, y, z ∈ E
— e est l’élément neutre pour ∗ si :
x ∗ e = e ∗ x = x; ∀x ∈ E
′
— x est symétrique de x pour ∗ si :
x ∗ x ′ = x ′ ∗ x = e; ∀x, x ′ ∈ E

Remarques :

′ ′
1.
si x est le symétrique de x, alors x est le symétrique de x .
2.
On ne parle de symétrisabilité que si l’élément neutre e existe.
3.
Si l’élément neutre e existe, il est unique.
En effet, si e ′ est un autre élément neutre, alors e ∗ e ′ = e et e ∗ e ′ = e ′ ⇒ e = e ′ .

′
4.
Si ∗ est associative et si x admet un symétrique x alors ce symétrique est unique.
En effet, si on suppose que x" est un autre symétrique de x, on aura :
x ∗ x′ = x′ ∗ x = e


et ⇒ x ∗ x ′ = x ∗ x"
x ∗ x" = x" ∗ x = e


associativité
x ′ ∗ x ∗ x ′ = x ′ ∗ (x ∗ x") x ′ ∗ x ∗ x ′ = x ′ ∗ x ∗ x"
¡ ¢ ¡ ¢ ¡ ¢
⇒ ⇒

⇒ e ∗ x ′ = e ∗ x" ⇒ x ′ = x"
Définition 2.1.4 Soit K un ensemble muni de deux L.C .I . notées (+) et (×) . On dit que (K , +, ×) est un corps
commutatif si :

1.
(+) et (×) sont commutative.
2.
(+) et (×) sont associative.
3.
(+) admet un élément neutre noté 0.

4.
(×) admet un élément neutre noté 1.

5.
∀x ∈ K , ∃ (−x) ∈ K / x + (−x) = (−x) + x = 0, (−x) symétrique de x pour (+).
∗ −1
∈ K / x × (x −1 ) = (x −1 ) × x = 1, (x −1 ) symétrique de x pour (×) (on l’appelle aussi
¡ ¢
6.
∀ x ∈ K − {0} = K , ∃ x
 l’inverse de x).
7.
(×) est distributive par rapport à (+) ; c’est-à-dire

 x × (a + b) = (x × a) + (x × b)
et ¡ ¢ ¡ ¢ ∀x, y, a, b ∈ K
x + y × a = (x × a) + y × a


8
Exemples :

1.
(R, +, ×) , (Q, +, ×) sont des corps commutatifs.

2.
Soit A un ensemble non vide et K = P (A) l’ensemble des toutes les parties de A.
(Ex : Si A = {a} alors K = {∅, {a}};
Si A = {a, b} alors K = {∅, {a}, {b}, {a, b}}).
Si on considère sur K les L.C .I : + = ∆ et × = ∩, alors (K , +, ×) ce n’est pas un corps commutatif.
En effet,
∆ est commutative, associative, admet un élément neutre ∅ et tout élémént admet un symétrique qui est lui
même.
On rappelle que A∆B = (A ¡ ∪ B ) − (A ∩ B ) =
¢ (A − B ) ∪ (B − A) ∩ est aussi commutative, associative, admet un
élément neutre qui est A la partie pleine , mais beaucoup d’éléments de K n’admettent pas de symétrique
pour la L.C .I ∩; on prend par exemple :
A = {a, b} alors K = P (A) = {∅, {a}, {b}, {a, b}}. L’élément neutre, étant e = {a, b}, on ne peut pas trouver x ′ ∈ K
tel que {a} ∩ x ′ = {a, b}, c’est à dire l’élément {a} n’a pas de symétrique, même chose pour x = ∅, x = {b}.

Définition 2.1.5 Soient (E , +, ·) et (K, +, ×) deux ensembles. (E , +, ·) est muni d’une L.C .I . notée (+) et d’une
L.C .E , à scalaires dans K, notée (·) .
(K, +, ×) est muni des deux L.C .I . (+) et (×).
Retenir que (·) est une L.C .E sur E à scalaires dans K, alors que (×) est une L.C .I sur K.

Définition 2.1.6 On dit que E est un espace vectoriel sur K (on note E K−ev) si

1.
(K, +, ×) est un corps commutatif.

2.
(E , +) est un groupe commutatif (c’est-à-dire (+) est commutative, associative, admet un élément neutre 0
et tout x ∈ E admet un symétrique −x).


α · x + y = (α · x) + α · y ; ∀α ∈ K; ∀x, y ∈ E .
¡ ¢ ¡ ¢
3.


α + β · x = (α · x) + β · x ; ∀α, β ∈ K; ∀x ∈ E .
¡ ¢ ¡ ¢
4.


α × β · x = α · β · x ; ∀α, β ∈ K; ∀x ∈ E .
¡ ¢ ¡ ¢
5.

6.
1 · x = x; ∀x ∈ E (1 est un élément neutre de K pour ×)
Les éléments de E sont dites vecteurs et ceux de K des scalaires.

Exemples :

2
1.
L’ensemble R = R × R muni de la L.C .I . (+), définie par :
¡ ¢ ¡ ¢
x, y + (a, b) = x + a, y + b

et de la L.C .E (·), à scalaires dans K = R, définie par :

α · x, y = αx, αy
¡ ¢ ¡ ¢

est un espace vectoriel sur (R, +, ·)


n
2.
De façon général, R = |R × R {z
× ... × R}, muni de la L.C .I . (+), définie par :
n fois
¡ ¢ ¡ ¢
(x 1 , x 2 , ..., x n ) + y 1 , y 2 , ..., y n = x 1 + y 1 , x 2 + y 2 , ..., x n + y n

et de la L.C .E (·), à scalaires dans R, définie par :

α · (x 1 , x 2 , ..., x n ) = (αx 1 , αx 2 , ..., αx n )

est R−ev.

9
 
3.
C muni de muni de la L.C .I . (+) définie par :
(a + i b) + (c + i d ) = (a + c) + i (b + d )

et de la L.C .E (·), à scalaires dans K = R, définie par :

α · (a + i b) = (αa) + i (αb)

est un R−ev.

4.
C est un C−ev.

5.
Tout corps commutatif (K, +, ×) est un K−ev.

6.
L’ensemble de toutes les fonctions de R dans R, noté E = F (R, R), munis de la L.C .I (+) définie par :
¡ ¢
f + g (x) = f (x) + g (x)

et de la L.C .E (·) , à scalaires dans R, définie par :

α · f (x) = α f (x)
¡ ¢

est un R−ev, aussi E = F (I , R) avec I juste une partie non vide de R est aussi un R−ev.

7.
L’ensemble de toutes les suites numériques, noté E = S (N) , muni de la L.C .I (+) définie par :
(Un )n + (Vn )n = (Un +Un )n

et de la L.C .E (·), à scalaires dans R, définie par :

α · (Un )n = (αVn )n

est un R−ev.

Propriétés 2.1.1 Règles de calcul dans un espace vectoriel.

Pour tous α, β ∈ K et x, y ∈ E , on a :

1.
α · 0 E = 0E .

2.
0K · x = 0E .

3.
α · (−x) = −(α · x).

4.
(−α) · x = −(α · x).


α · x − y = α · x − α · y.
¡ ¢
5.


α − β · x = α · x − β · x.
¡ ¢
6.

Démonstration :

1.
α · 0E = 0E .
En effet,
α · (0 + 0) = α · 0 + α · 0

D’où
α·0 = α·0+α·0
Comme α · 0 ∈ E , il a un symétrique pour +, noté − (α · 0) d’où

− (α · 0) + (α · 0) = (−α · 0) + [α · 0 + α · 0]
associativité
⇒ 0 = [(−α · 0) + α · 0] + α · 0
⇒ 0 = 0+α·0
⇒ 0 = α·0

10
 F IGURE 2.1 – Exemple d’un sev.


2.
0K · x = 0E .
En effet,
0 · x = (0 + 0) · x = 0 · x + 0 · x
⇒ (−0 · x) + (0 · x) = (−0 · x) + (0 · x + 0 · x)
⇒ 0 = (−0 · x + 0 · x) + 0 · x ⇒ 0 = 0 · x
| {z }
0

3.
α · (−x) = −(α · x).
En effet,
α · 0 = 0 d’après (1)
⇒ α · (x + (−x)) = 0
⇒ α · x + α · (−x) = 0
donc α · (−x) est le symétrique de α · x, c’est-à-dire α · (−x) = − (α · x)

4.
(−α) · x = −(α · x).
En effet,
(−α) · x + α · x = ((−α) + α) · x = 0 · x = 0
Donc (−α) · x est le symétrique de α · x, c’est-à-dire

(−α) · x = − (α · x)

5.
α · x − y = α · x − α · y.
¡ ¢

En effet,
α · x − y = α · x + −y = α · x + α · −y = α · x − α · y
¡ ¢ ¡ ¡ ¢¢ ¡ ¢


6.
α − β · x = α · x − β · x.
¡ ¢

En effet,
α − β · x = α + −β · x = α · x + −β · x = α · x − β · x
¡ ¢ ¡ ¡ ¢¢ ¡ ¢

2.2 Sous-espaces vectoriels (sev) d’un K − ev

Définition 2.2.1 Soit (E , +, ·) un K-ev où (K, +, ×) est un corps et soit H ⊂ E une partie non vide de E . On dit que
H est un sous espace vectoriel de E et on note sev de E , si (H , +, ·) est un K-ev.

Exemples : (Voir la figure 2.1)

11
Remarques :
— H1 ne peut pas être un sev de R2 car, par exemple (0, 0) ∉ H1 , donc il n’a pas d’élément neutre.
— H2 est H1 ∪ {(0, 0)}, mais malgré cela, il n’est pas sev, car (1, 2) ∈ H2 mais son symétrique (−1, −2) ∉ H2 .
— Pour remédier à cela dans H3 , on a pris les éléments de H2 et on a ajouté leurs symétriques, mais malgré
cela ce n’est pas un sev car, par exemple (1, 2) ∈ H3 et (5, −6) ∈ H3 mais (1, 2) + (5, −6) ∉ H3 donc + n’est
pas une L.C .I sur H3 .
On conclut alors, qu’il n’est pas évidant qu’une partie H quelconque de E , soit a elle seule un K-ev.
— Conformément à la définition, pour montrer que H est un sev de E , il faut montrer que (H , +, ·) est un
K-ev ce qui nécéssite la démonstration de Huit propriétés, ce qui est lourd et loin d’être pratique.

Propriétés 2.2.1 Soit (E , +, ·) un K-ev et H une partie non vide de E . Les asserssations suivantes sont équiva-
lentes :
i (H , +, ·) est un sev de E .

 H ̸= ∅
ii ∀(u, v) ∈ H 2 ; u + v ∈ H
∀α ∈ K, ∀u ∈ F, α · u ∈ F


 0E ∈ H
iii ∀(u, v) ∈ H 2 ; u + v ∈ H
∀α ∈ K, ∀u ∈ F, α · u ∈ F

½
0E ∈ H
iv
∀(u, v) ∈ H 2 et ∀ α, β ∈ K2 , α · u + β · v ∈ F
¡ ¢
½
0E ∈ H
v
∀(u, v) ∈ H 2 et ∀α ∈ K, α · u + v ∈ F

Exemples :

3
1.
L’ensemble H = x, y, x + y /x, y ∈ R est un sev de R . En effet,
©¡ ¢ ª

— (0, 0, 0) ¡∈ H , car (0,

¢ 0, 0)
¡ = (0, 0, 0 + 0)¢.
— Soient x, y, x + y et x 1 , y 1 , x 1 + y 1 ∈ H , on a :
¡ ¢ ¡ ¢ ¡ ¡ ¢¢
x, y, x + y + x 1 , y 1 , x 1 + y 1 = x + x 1 , y + y 1 , (x + x 1 ) + y + y 1 ∈ H

— Soient α ∈ R et x, y, x + y ∈ H , on a :
¡ ¢

α · x, y, x + y = αx, αy, αx + αy ∈ H
¡ ¢ ¡ ¢

Donc H est un sev de R3 , par suite l’ensemble H est un R−ev .


4 4
2.
L’ensemble H = x, y, z, t ∈ R / x − y = 0 et t = 2z est un sev de R . En effet,
©¡ ¢ ª

4
¡ ∈ R , car
— (0, 0, 0, 0) ¢ 0 − 0 = 0 et 0 = 2 × 0.
— Soient x, y, z, t ∈ H , (a, b, c, d ) ∈ H et α, β ∈ R, on a :

α x, y, z, t + β (a, b, c, d ) = αx + βa, αy + βb, αz + βc, αt + βd

¡ ¢ ¡ ¢

Et
′
αx + βa − αy + βb = α x − y + β(a − b) = 0.
¡ ¢ ¡ ¢ ¡ ¢
| {z } | {z }
0 0
¡ ¢
Car x, y, z, t ∈ H et (a, b, c, d ) ∈ H .
De plus,
αt + βd = α +β = 2 αz + βc
¡ ¢
(2z) (2c)
|{z} |{z}
car (x,y,z,t )∈H car (a,b,c,d )∈H

Donc α x, y, z, t + β (a, b, c, d ) ∈ H . D’où H est un sev de R4 .

¡ ¢

3.
L’ensemble H = f : R → R / f est continue est un sev de F (R, R) .
© ª

12
 F IGURE 2.2 – Représentation graphiqur d’une fonction constante.

— La fonction nulle, c’est-à-dire

ω: R → R
x 7 → 0
est continue.
On rappelle que toute fonction constante de R dans R est continue : si f (x) = c; ∀x, alors ω ∈ H .

— Soient f , g ∈ H et α, β ∈ R alors α f + βg est continue, car f et g le sont, donc α f + βg ∈ H .

D’où : l’ensemble H est un sev de F (R, R) .

4.
L’ensemble P (R) = { f : R → R / ∀t ∈ R, f (t ) = f (−t )} des applications paires est un sev de F (R, R).
Proposition 2.2.1 Si F est un sev de E alors F est lui même un K − ev pour les lois de E induites sur F .

Proposition 2.2.2 Si H1 et H2 sont deux sev de E , alors :

i) H1 ∩ H2 est un sev de E .
© ª
ii) H1 + H2 = x + y/x ∈ H1 , y ∈ H2 est un sev de E .
iii) H1 ∪ H2 est un sev de E ⇔ H1 ⊂ H2 ou H2 ⊂ H1 .

Démonstration :
i) — 0 ∈ H1 et 0 ∈ H2 ⇒ 0 ∈ H1 ∩ H2
— Soient x, y ∈ H1 ∩ H2 et α, β ∈ K, on a

x, y ∈ H1 ⇒ αx + βy ∈ H1
½ ¾
x, y ∈ H1 ∩ H2 ⇒
x, y ∈ H2 ⇒ αx + βy ∈ H2
⇒ αx + βy ∈ H1 ∩ H2

Donc H1 ∩ H2 est un sev de E .

ii) — 0 = 0 + 0 ⇒ 0 ∈ H1 + H2
— Soient α, β ∈ K et u = x 1 + y 1 ∈ H1 + H2 ; v = x 2 + y 2 ∈ H1 + H2 , on a

α x1 + y 1 + β x2 + y 2 αx 1 + αy 1 + βx 2 + βy 2
¡ ¢ ¡ ¢ ¡ ¢ ¡ ¢
=
αx 1 + βx 2 + αy 1 + βy 2
¡ ¢ ¡ ¢
=
| {z } | {z }
∈H1 ∈H2

D’où α · x 1 + y 1 + β · x 2 + y 2 ∈ H1 + H2 .
¡ ¢ ¡ ¢

Donc H1 + H2 est un sev de E .

13
 
 H1
iii) ⇐] facile ; car H1 ⊂ H2 ou H2 ⊂ H1 ⇒ H1 ∪ H2 = ou .
H2

Donc c’est un sev de E .
⇒] Tout d’abord, on rappelle, P,Q et R sont trois propositions alors [P ⇒ Q ou R] ⇔ [P et non Q ⇒ R] .
Donc pour montrer que H1 ∪ H2 sev ⇒ H1 ⊂ H2 ou H2 ⊂ H1 , on va, plutôt, montrer que :

(H1 ∪ H2 sev et H1 ⊈ H2 ) ⇒ H2 ⊂ H1 .

En effet,
H1 ⊈ H2 ⇒ ∃z ∈ H1 et z ∉ H2 . (2.1)

Soit alors x ∈ H2 , montrons que x ∈ H1 :

on a ½
x ∈ H2 ⊂ H1 ∪ H2 ⇒ x ∈ H1 ∪ H2 H1 ∪H2
⇒ x + z ∈ H1 ∪ H2
z ∈ H1 ⊂ H1 ∪ H2 ⇒ z ∈ H1 ∪ H2 sev

D’où x + z = m avec m ∈ H1 ∪ H2 .
On a m ∉ H2 car, sinon, on aura m ∈ H2 et z = m − x, et puisque x ∈ H2 , m ∈ H2 et H2 sev, on aura
z ∈ H2 ce qui contredit 2.1.
Donc m ∈ H1 , or
x + z = m ⇒ x = |{z}
m − |{z}
z
∈H1 ∈H1

et puisque H1 est un sev, alors x ∈ H1 .

Donc H2 ⊂ H1 .

Définition 2.2.2 Soient u 1 , u 2 , · · · , u k des vecteurs de E et α1 , · · · , αk des scalaires de K.

Le vecteur
v = α1 u 1 + α2 u 2 + · · · + αk u k

est dit une combinaison linéaire (cl) des vecteurs u 1 , u 2 , · · · , u k .

Exemple : Dans E = R [X ]
u = P (X ) = X 2 − 2X + 2 = 1.X 2 + 2.(−X + 1)
= 1.P 1 (X ) + 2.P 2 (X )
= (−1).P 3 (X )

P est cl de P 1 = X 2 et P 2 = −X + 1. On a aussi P est cl de P 3 = −X 2 + 2X − 2.

Proposition 2.2.3 Soient (E , +, ·) un K−ev et v 1 , v 2 , ..., v k des vecteurs de E , l’ensemble des toutes les combinai-
sons linéaires de v 1 , v 2 , ..., v k , noté vec t (v 1 , v 2 , ..., v k ) est défini par

vec t (v 1 , v 2 , ..., v k ) = {α1 v 1 + α2 v 2 + ... + αk v k / α1 , α2 , ..., αk ∈ K}

est un sev de E .

Démonstration :
— 0 = 0 · v 1 + 0 · v 2 + ... + 0 · v p ⇒ 0 ∈ H .
— Soient x = α1 v 1 + α2 v 2 + ... + αk v k et y = β1 v 1 + β2 v 2 + ... + βk v k ∈ H et λ, γ ∈ R on a :

λ (α1 v 1 + α2 v 2 + ... + αk v k ) + γ β1 v 1 + β2 v 2 + ... + βk v k = [λ · (α1 v 1 ) + ... + λ · (αk v k )] + γ£¡· β1 v¢1 + ... + γ ·¡ βk v¢k ¤
¡ ¢ £ ¡ ¢ ¡ ¢¤

= [(λα 1) · v1 + ¢ ... + (λαk )¡· v k ] + γβ¢1 · v 1 + ... + γβk · v k

= λα1 + γβ1 · v 1 + ... + λαk + γβk · v k
¡

∈ vec t (v 1 , v 2 , ..., v k )

Donc H = vec t (v 1 , v 2 , ..., v k ) est un sev de E .

14
Exemples :

1.

x, y ∈ R2 /x − 2y = 0 = © 2y, y /y ∈ Rª
©¡ ¢ ª ©¡ ¢ ª
H=
= y (2, 1) /y ∈ R
= vec t (v 1 )

où v 1 = (2, 1) .
Donc H est un sev de R2 .

2.

x, y, x − y, 2x + 3y /x, y ∈ R = x (1, 0, 1, 2) + y (0, 1, −1, 3) /x, y ∈ R
©¡ ¢ ª © ª
H=
= vec t (v 1 , v 2 )

où v 1 = (1, 0, 1, 2) et v 2 = (0, 1, −1, 3) .

Donc H est un sev de R4 .

3.

x, y, z ∈ R3 /x − y = 0, z = 4y = © y, y, 4y /y ∈ Rª
©¡ ¢ ª ©¡ ¢ ª
H=
= y (1, 1, 4) /y ∈ R
= vec t (v 1 )

où v 1 = (1, 1, 4) .
Donc H est un sev de R3 .

Remarque : Si A = {v i }i ∈I est une famille quelconque du K−ev E , c’est-à-dire finie ou infinie, dire que :

X ∈ vec t (A) ⇔ X s’écrit comme combinaison linéaire d’une famille,finie, de vecteurs, extraite de A.

Là aussi, on montre facilement que vec t (A) est un sev de E et que c’est le plus petit sev de E , contenant A.

Exemples : L’ensemble des fonctions polynômiales à coefficients dans R, c’est-à-dire

H = f ∈ F (R, R) / f (x) = a 0 + a 1 x + a 2 x 2 + ... + a n x n où n ∈ N et a 0 , a 1 , ..., a n ∈ R

© ª

est un sev de F (R, R) et on établit facilement que H = vec t f i i ∈N où f i (x) = x i .

© ª

Remarques :

1.
Soient E un K−ev et A, B deux parties non vide de E , on a
i) A ⊂ vec t (A)
ii) A = vec t (A) ⇔ A est un sev de E
iii) vec t (vec t (A)) = vec t (A)
iv) Si F est un sev de E , alors A ⊂ F ⇒ vec t (A) ⊂ F
v) A ⊂ B ⇒ vec t (A) ⊂ vec t (B )

2.
Toujours dans le cadre des ev et sev, on a le résultat suivant : Si (E 1 , +1 , ·1 ) et (E 2 , +2 , ·2 ) sont des K−ev, alors
(E 1 × E 2 , +, ·) , où " + " est la L.C .I :
¡ ¢ ¡ ¢ ¡ ¢
x, y + (a, b) = x +1 a, y +2 b ; ∀ x, y , (a, b) ∈ E 1 × E 2

et " · " la L.C .E à scalaires dans K, définie par :

α · x, y = α ·1 x, α ·2 y ; ∀ x, y ∈ E 1 × E 2
¡ ¢ ¡ ¢ ¡ ¢

et ∀α ∈ K, est un K−ev.

15
2.2.1 Famille génératrice d’un sev
Définition 2.2.3 Soient E un K−ev et F = {u 1 , u 2 , · · · , u k } une famille de vecteurs de E .
La famille F est dite une famille génératrice de E ou engendre E si E est l’ensemble de toutes les combinaisons
linéaires des vecteurs u 1 , u 2 , · · · , u k .
Autrement dit :
v ∈ E ⇔ ∃α1 , · · · , αk ∈ K : v = α1 u 1 + · · · + αk u k
Ce qui est équivalent à :
vec t (F ) = E .
Ce qu’on note
vec t (F ) = vec t (u 1 , u 2 , · · · , u k )
= α1 u 1 + · · · + αk u k / (α1 , · · · , αk ) ∈ Kk
© ª

Dans ce cas vec t (F ) est un sous-espace vectoriel. On dit qu’il est engendré par la famille (u 1 , u 2 , · · · , u k ).
Si F est une famille infinie, c’est-à-dire F = {u i }i ∈I où I est infini, F est dite génératrice de E , si tout v ∈ E , s’écrit
comme combinaison linéaire, d’une famille finie de vecteurs de F, c’est-à-dire

∀v ∈ E /∃α1 , · · · , αk ∈ F : v = α1 u 1 + · · · + αk u k avec α1 , ..., αk ∈ K

Là aussi, c’est qui équivalent à dire que :

vec t (F ) = E .

Exemples :

3
1.
La famille G = g 1 , g 2 , g 3 = {(1, 0, 0) , (0, 2, 0) , (1, −1, 1)} génère R . En effet,
© ª

∀X = x, y, z ∈ R3 , ∃α, β, γ ∈ R : X = αg 1 + βg 2 + γg 3 .
¡ ¢
(1)

On a
αg 1 + βg 2 + γg 3 =α
¡ (1, 0, 0) + β (0, ¢2, 0) + γ (1, −1, 1) (2)
= α + γ, 2β − γ, γ
Déterminons α,β et γ :
D’après (1) et (2), on a
X = α + γ, 2β − γ, γ x, y, z = α + γ, 2β − γ, γ
¡ ¢ ¡ ¢ ¡ ¢
⇔
 x = α+γ


⇔ y = 2β − γ
z =γ


 α= x −z ∈R

y+z
⇔ β= 2 ∈R
γ=z ∈R


y+z
D’où ∀ x, y, z ∈ R3 on a : x, y, z = (x − z) (1, 0, 0) + 2 (0, 2, 0) + z (1, −1, 1) .
¡ ¢ ¡ ¢ ¡ ¢

3
2.
La famille G = {(1, 2, 3) , (−1, 0, 0) , (0, 0, 4)} génère R . En effet,
y y−2x 2z−3y
∀ x, y, z ∈ R3 / x, y, z =
¡ ¢ ¡ ¢
2 (1, 2, 3) + 2 (−1, 0, 0) + 8 (0, 0, 4) .

3.
Sachant que Hn© = f ∈ F (R, R) / f (x) = a 0 + a 1 x + ... + a n x n avec a 0 , ...., a n ∈ R est un sev de E = F (R, R).
© ª

La famille G = f 0 , ..., f n où f k (x) = x k , génère Hn .

ª

4.
Sachant que P = toutes les fonctions polynômes de R dans R est un sev de E = F (R, R) .
© ª

avec f k (x) , engendre P .

© ª
La famille infinie L = f k
 k∈N
5.

La famille G = {(1, 2, 3) , (−1, 0, 4)} n’est pas génératrice de R3 . En effet,
Par exemple, le vecteur (0, 0, 1) ne peut pas s’écrire sous la forme : (0, 0, 1) = α (1, 2, 3) + β (−1, 0, 4) car
sinon on aura
 α−β = 0  α=0
 

2α = 0 ⇒ β=0
3α + 4β = 1 0=1
 

ce qui est absurde.

16
 
6.
On remarque que toute sous famille d’une famille génératrice de E est aussi génératrice de E .
Définition 2.2.4 Soit E un K − ev. Si E admet une famille génératrice finie, on dit que E est de dimension finie,
si E n’a pas de famille génératrice finie, il est dit de dimension infinie.

Exemples :
— G = {(1, 0) , (0, 1)} engendre R2 ⇒ R2 est de dimension ¢finie. ¡ y
— G = {(1, 0, 0) , (0, 2, 0) , (0, 0, 3)} engendre R3 car ∀ x, y, z ∈ R3 : x, y, z = x (1, 0, 0)+ 2 (0, 2, 0)+ 3z (0, 0, 3) alors
¡ ¢

R3 est de dimension finie.

— Le sev de F (R, R), définie par H = f (x) = α cos x + β sin x/α, β ∈ R est engendré par f 0 (x) = cos x, f 1 (x) =
© ª

sin x, donc il est de dimension finie.

Résumé
Pour vérifier si une famille T = (u 1 , u 2 , · · · , u k ) de F (sev de E ) est génératrice on prend v quelconque de F et
on résoud l’équation vectorielle

α1 u 1 + · · · + αk u k = v d ′ i nconnues (αi )i

ceci en passant par les lois de E et leurs propriétés.

1) si cette équation admet au moins une solution pour chaque v ∈ F , la famille T est génératrice,
2) s’il existe v o ∈ F pour lequel cette équation n’a pas de solution, alors cette famille n’est pas génératrice.

Exemple : P 1 = X ;P 2 = X 2 − 1 dans R2 [X ]
Soit P = a X 2 + bX + c ∈ R2 [X ]
pour α1 , α2 deux réels :

α1 P 1 + α2 P 2 = P ⇔ α1 X + α2 (X 2 − 1) = a X 2 + bX + c
⇔ α2 X 2 + α1 X + (−α2 ) = a X 2 + bX + c
⇔ α2 = a = −c et α1 = b

ce qui n’est pas toujours vérifié pour un polynôme quelconque de R2 [X ]. (par exemple pour P o = X 2 + 1 pas de
solution).
La famille (P 1 , P 2 ) n’est pas génératrice de R2 [X ].

2.2.2 Famille libre

Définition 2.2.5 Soit (E , +, ·) un K − ev et L = {a 1 , ..., a n } une famille d’éléments de E , on dit que L est libre ou
que les vecteurs a 1 , ..., a n sont linéairement indépendants si

α1 a 1 + α2 a 2 + .... + αn a n = 0 ⇒ α1 = α2 = ... = αn = 0

c’est-à-dire qu’on ne peut pas trouver des scalaires α1 , α2 , ..., αn non tous nuls tel que : α1 a 1 + ... + αn a n = 0.
Si L n’est pas libre, elle est dite liée ou que a 1 , a 2 , ..., a n sont linéairement dépendants.

Exemples :
— L = {(1, 2, 3) ; (−1, 0, 5)} est une famille libre de R3 .
 α−β = 0
En effet, α (1, 2, 3) + β (−1, 0, 5) = (0, 0, 0) ⇒ 2α = 0 ⇒ α = β = 0
3α + 5β = 0

— L = {(1, 3, 5, 2) ; (−1, 0, 1, 8) ; (2, 3, 4, −6)} n’est pas libre.
En effet, (−1) (1, 3, 5, 2) + (1) (−1, 0, 1, 8) + (1) (2, 3, 4, −6) = (0, 0, 0, 0) avec α1 = −1, α2 = 1, α3 = 1 non tous
nuls.
— La famille L = f 1 , f 2 , f 3 de F (R, R) , définie par f 1 (x) = x; f 2 (x) = sin πx; f 3 (x) = e x est libre.
© ª

En effet, α f 1 + β f 2 + γ f 3 = 0 où 0 est la fonction nulle. Donc,

⇒ α f 1 (x) + β f 2 (x) + γ f 3 (x) = 0; ∀x ∈ R

¡ ¢ ¡ ¢ ¡ ¢

⇒ αx + β sin πx + γe x = 0; ∀x ∈ R

Par exemple, pour x = 0, γ = 0 ⇒ γ = 0

17
 pour x = 1; α + γe = 0 ⇒ α = 0
1
pour x = 21 ; α2 + β + γe 2 = 0 ⇒ β = 0
D’où L est libre.

2
1.
La famille T = (P 1 , P 2 , P 3 ) de R[X ] avec P 1 = X − 1 ; P 2 = X + 1 et P 3 = 3X est une famille libre.

2.
La famille C 1 = ( f 1 , f 2 ) de F (R, R) avec f 1 (x) = cos x et f 2 (x) = sin x est une famille libre.

2 2
3.
Par contre la famille C 2 = (g 1 , g 2 ) de F (R, R) avec g 1 (x) = x et g 2 (x) = 2x est une famille liée.
 ³ ´
1 1
¡1¢

La famille T = (s, t, q) des suites s =
¡ ¢
4. n(n+1) n , t= n+1 n et q = n n est une famille liée dans l’espace
vectoriel des suites réelles.

Exercice 1 Sachant que E = F (R, R) est un R-ev

© ª © ª
a) Montrer que I = f ∈ E / f est impaire et P = f ∈ E / f est paire sont des sev de E
b) Montrer que P ⊕ I = E
c) Montrer que L = {sin x, sin 2x, sin 3x} est libre dans I
d) Montrer que L = {cos x, cos 2x} est libre dans P
e) L = 1, cos 2x, cos2 x est elle libre dans E ?
© ª

Solution 1 a) — 0 ∈ I car 0 (−x) = 0 = −0 (x)

— Soient f , g ∈ I et α, β ∈ R, on a

α f + βg (−x) α f (−x) + βg (−x)

¡ ¢
=
= −α f (x) − βg (x)
− α f + βg (x)
¡ ¢
=
⇒ α f + βg ∈ I

Donc I est un sev de E

— 0 ∈ P car 0 (−x) = 0 = 0 (x)
— Soient f , g ∈ P et α, β ∈ R, on a

α f + βg (−x) α f (−x) + βg (−x)

¡ ¢
=
= α f (x) + βg (x)
α f + βg (x)
¡ ¢
=
⇒ α f + βg ∈ P

Donc P est un sev de E .

f (x)+ f (−x) f (x)− f (−x)
b) Soit f ∈ E et g (x) = 2 , h (x) = 2
f (x)+ f (−x)+ f (x)− f (−x) f (−x)+ f (x) f (−x)− f (x)
— On a g (x)+h (x) = 2 = f (x) et g (−x) = 2 = g (x) ⇒ g ∈ P , h (−x) = 2 =
−h (x) ⇒ h ∈ I . Donc E = I + P.
— De plus
½ ½
f ∈P f (x) = f (−x)
f ∈ I ∩P ⇒ ⇒ ; ∀x
f ∈I f (x) = − f (−x)
⇒ f (x) = − f (x) , ∀x ⇒ 2 f (x) = 0; ∀x
⇒ f (x) = 0; ∀x ⇒ f = 0

D’où I ∩ P = {0} .
Donc I ⊕ P = E .
c) α sin x + β sin 2x + γ sin 3x = 0; ∀x.
— pour x = π2 : α − γ = 0 ⇒ α − γ = 0
p p
π 2α
pour x = 4 : 2 + β + 22 γ = 0 ⇒ α + γ = 0
p p p ¡
π 3 3 2
2 α+β+ 2 γ = 0 ⇒ 2 α+γ +β = 0
¢
pour x = 3 :

18
 — Donc
α=γ=0
½

β=0

— Donc L est libre dans I (car sin x, sin 2x, sin 3x ∈ I ).

Propriétés 2.2.2 Soit E un K − ev.


1.
Pour v ∈ E : v ̸= 0 ⇒ L = {v} est libre.

2.
Toute famille contenant le vecteur 0 est liée.

3.
Toute sous famille d’une famille libre est libre.

4.
Une famille est liée si et seulement si un de ses vecteurs, s’écrit comme combinaison linéaire des autres.

5.
Si L = {x 1 , x 2 , ..., x n } est libre et I = {x 1 , x 2 , ..., x n , u} est liée, alors u est une combinaison linéaire des vecteurs
x 1 , x 2 , ..., x n .

6.
n + 1 combinaisons linéaires de n vecteurs, constituent une famille liée.

Définition 2.2.6 Soit E est un K-ev et L = {x i }i ∈I (où l’ensemble des indices I , peut être infini)

i) L est dite liée, s’il existe une sous famille finie de L qui soit liée.
ii) L est dite libre, si toute famille finie, extraite de L, est libre.

Exemples :

1.
Soit E = F (R, R) un K-ev, la famille L = f n n∈N où f n (x) = x n est libre.
© ª
© ª
En effet, si l = f n1 , f n2 , ..., f nk est une famille finie de L avec n 1 < n 2 < ... < n k , alors

α1 f n1 + α2 f n2 + .. + αk f nk = 0
⇒ α1 f n1 (x) + ... + αk f nk (x) = 0; ∀x
⇒ α1 x n1 + α2 x n2 + .. + αk x nk = 0; ∀x
⇒ α1 = α2 = ... = αk = 0

D’où l est libre ⇒ L est libre.


2.
Toujours dans E = F (R, R) , la famille infinie
n o ©
L = f k (x) = x k , k ∈ N ∪ f (x) = (3 + x)2
ª

est liée car

(3 + x)2 = x 2 + 6x + 9 = 9 f 0 (x) + 6 f 1 (x) + 1 · f 2 (x)

f = 9 f0 + 6 f1 + 1 · f2
© ª
⇒ f = f , f0, f1, f2

est liée.
Donc L est liée.

2.2.3 Base d’un sev d’un ev

Définition 2.2.7 On dit que B = (u i )i ∈I famille de vecteurs de l’ensemble E est une base de E si elle est libre et
génératrice de E .

19
Exemples :
2
— B = ((1,  est une base de R , dite
 0) , (0, 1)) la base canonique de R2 .
 n uplet 
 z }| { 
— B = 1, 0, ..., 0 , (0, 1, ..., 0) , ..., (0, 0, ..., 1) est une base de Rn , dite la base canonique de Rn . En effet,
 

 


α1 (1, 0, ..., 0) + α2 (0, 1, ..., 0) + ... + αn (0, 0, ..., 1)

= (0, 0, ..., 0)
⇒ (α1 , , ..., αn ) = (0, 0, ..., 0)
⇒ αi = 0; ∀i ∈ {1, ..., n}

D’où B est libre.

D’autre part, ∀ (x 1 , x 2 , ..., x n ) ∈ Rn , on a

(x 1 , x 2 , ..., x n ) = x 1 (1, 0, ..., 0) + x 2 (0, 1, ..., 0) + ... + x n (0, ..., 0, 1)

Donc B génère Rn .
D’où B est une base de Rn .
— B = {(1, −1, 0) , (0, 1, 3) , (1, 2, −3)} est une base de R3 . En effet,

α (1, −1, 0) + β (0, 1, 3) + γ (1, 2, −3) = (0, 0, 0)

 α+γ = 0


⇒ −α + β + 2γ = 0
3β − 3γ = 0


 α+γ = 0


⇒ β−γ = 0
−α + β − 2γ = 0


 α = −γ


⇒ β=γ
γ + γ + 2γ = 0

⇒γ=β=α=0

D’où B est libre. De plus, ∀ x, y, z ∈ R3 on a :

¡ ¢

³ ´ ¡ x+y+z ¢
¡ ¢ 9x−3y+z
x, y, z = (1, −1, 0) + (0, 1, 3)
³ 12 ´ 4
3x+3y+z
+ 12 (1, 2, −3)

Donc B génère R3 , d’où B est une base de R3 , on remarque, donc, que dans un K − ev , il peut y avoir
plusieurs bases.
— Sachant que Rn [X ] = a 0 , a 1 X + ... + a n X n /a i ∈ R est un R − ev, alors B = (1, X , ..., X n ) est une base de
© ª

Rn [X ] dite la base canonique de Rn [X ] . ©

— On admettera que les R, F (R, R) ; Vn (R) = suites numériques muni de l’addition :
ª

(Un )n + (Vn )n = (Un + Vn )n

et de la L.C .E (·) à scalaires dans R :

α · (Un )n = (αUn )n
sont des ev de dimensions finies.

Définition 2.2.8 Soit E un K − ev , de dimension finie, toutes les bases de E ont le même nombre d’élément. Ce
nombre n est dit la dimension de E et on note
dimE = n
K

Exemples :
— dimR2 = 2
R
— dimRn = n
R

20
 — dimC = 2
R
— dimC = 1
C
— dimR = 1
R

Remarque : Par convention, si E = {0} on note dimE = 0 et si dim H = 0 ⇒ H = {0} .

K K
Proposition 2.2.4 Soit E un K − ev de dimension finie et F un sev de E , alors
i) dimF ≤ dimE
K K
ii) dimF = dimE ⇒ F = E .
K K

Exemples : Soit E un R − ev, défini par E = F (R, R) et

F = f ∈ E / f (x) = α sin x + β où α, β ∈ R .
© ¡ ¢ ª

Montrer que F est un sev de E et donner d i m F.

R¡
On remarque que si f ∈ F alors f (x) = α sin x + β donc
¢

f (x) = α sin x cos β + sin β cos x

¡ ¢

= α cos β sin x + α sin β cos x

¡ ¢ ¡ ¢

d’où
f = γg + λh
où γ = α cos β, λ = α sin β et¡ g (x)
¡ ¢ ¡ ¢
¢ = sin x, h (x) = cos x ⇒ f ∈ vec t g , h ⇒ F ⊂ vec t g , h .
Réciproquement, f ∈ vec t g , h ⇒ f (x) = pg (x) + qh (x) donc
f (x) = p sin x + q cos x
¡ ¢
si p, q = (0, 0) , alors
f = 0 ⇒ f (x) = 0 · sin x + β ⇒ f ∈ F
¡ ¢
¡ ¢
et si p, q ̸= (0, 0) , alors
 
p q
q¡ ¢
f (x) = p 2 + q 2  q¡ ¢ sin x + q¡ ¢ cos x 

2
p +q 2 2
p +q 2

Or  2  2
p q
¢  +  q¡ ¢ = 1
   
 q¡
p2 + q2 p2 + q2
p q
Donc ∃θ ∈ R/ p 2 2 = cos θ et p 2 2 = sin θ, d’où
(p +q ) (p +q )
q¡
p 2 + q 2 (cos θ sin x + sin θ cos x)
¢
f (x) =
q¡
p 2 + q 2 (sin (x + θ))
¢
=

Donc q¡
p 2 + q 2 sin (. + θ) ⇒ f + F ⇒ vec t g , h ⊂ F
¢ ¡ ¢
f =
Donc ¡ ¢
F = vec t g , h
D’où B = g , h est génératrice de F.
¡ ¢

De plus
αg + βh = 0 ⇒ αg (x) + βh (x) = 0; ∀x
⇒ α sin x + β cos x = 0; ∀x,
d’où x = 0 ⇒ β = 0 et x = π2 ⇒ α = 0. Donc B est libre.
D’où B est une base de F ⇒ dimF = 2.
R

21
Proposition 2.2.5 Soit E est un K − ev tel que dimE = n et B une famille de E de cardinal n (c’est-à-dire, dont
K
le nombre d’éléménts est n), alors :

B est une base de E ⇔ B libre dans E

⇔ B engendre E .

Exemple : Montrer que B = ((1, 2, −1) , (0, 1, 1) , (0, 0, 3)) est une base de R3 . On a

α (1, 2, −1) + β (0, 1, 1) + γ (0, 0, 3) = (0, 0, 0)

 α=0


⇒ 2α + β = 0
−α + β + 3γ = 0


⇒ α=β=γ=0
⇒ B est libre

Et comme c ar d B =3 = dimR3 alors B est une base de R3 .

R

Proposition 2.2.6 Soit E un K − ev tel que dimE = n et B une base de E . Soit G une famille génératrice de E et L
K
une famille libre de E , alors :
c ar d B =n
c ar d G ≥ n
c ar d L ≤ n

Exemples :

1.
Comme dimR2 = 2, alors
R
B = ((1, 5) , (7, 8) , (0, −1))
2
n’est pas libre car c ar d B > 2 = dim R

2.
Comme dimR3 = 3, alors
R
B = ((1, 2, 3) , (4, 5, 6) , (−2, 1, 7))
n’est pas libre car c ar d B > 3, et n’est pas une base car c ar d B ̸= 3.

Théorème 2.2.1 (Théorème de la base incomplète) Si dimE = n et L une famille libre de E , G une famille gé-
K
nératrice de E et L ⊂ G, alors il existe une base B de E tel que

L ⊂B ⊂G

2.2.4 Somme de sous-espaces vectoriels

Définition 2.2.9 Soit H1 et H2 deux sev de E . On dit que H1 et H2 sont supplémentaires et on note

E = H1 ⊕ H2

si ½
H1 ∩ H2 = {0} ,
H1 + H2 = E ,
on dit aussi que E est la somme directe de H1 et H2 .

Exemples :

1.
Si on admet que
H1 = {(x, 4x) /x ∈ R}
½

H2 = {(x, x) /x ∈ R} ,

Montrer que H1 ⊕ H2 = R2 .

22
 — On a ½ ¡ ¢
¡ ¢ x, y ¢ ∈ H1
x, y ∈ H1 ∩ H2 ⇒ ¡
x, y ∈ H2
½
y = 4x
⇒
y =x
⇒ 4x = x

D’où x = 0 et y = 0. Donc
³ H1 ∩ H2´ = {(0, 0)}¡.
¡ y−x ¡ y−x ¢¢ 4x−y 4x−y y−x ¡ y−x ¢¢ ³ 4x−y 4x−y ´ ¡
+ 3 , 3 = x, y . Donc, ∀ x, y ∈ R2 on
¢ ¡ ¢
— 3 , 4 3 ∈ H 1 et 3 , 3 ∈ H2 et 3 , 4 3
a
¢ ³ y − x ³ y − x ´´ 4x − y 4x − y
µ ¶
¡
x, y = ,4 + ,
| 3 {z 3 } | 3 {z 3 }
∈H1 ∈H2

2.
Si
H1 = {(x, 4x) /x ∈ R}
½

H3 = {(−x, 7x) /x ∈ R}

sont des sev de R2 , monter que R2 = H1 ⊕ H3 .

— On a ½ ¡ ¢
¡ ¢ x, y ¢ ∈ H1
x, y ∈ H1 ∩ H3 ⇒ ¡
x, y ∈ H3
½
y = 4x
⇒
y = −7x
⇒ 4x = −7x

Donc x¢ = 0 et y = 0. D’où H1 ∩ H3 = {(0, 0)} .

— ∀ x, y ∈ R2 on a
¡

7x + y 7x + y y − 4x y − 4x
µ µ ¶¶ µ µ ¶¶
¡ ¢
x, y = ,4 + − ,7
11 11 11 11
| {z } | {z }
∈H1 ∈H3

3.
H1 = {0} et H2 = E étant deux sev de E , dits les sev propres de E , on a
H1 ⊕ H2 = E

Proposition 2.2.7 Soit H1 et H2 deux sev de E , on a l’équivalence entre ces propositions :


1.
H1 ⊕ H2 = E

2.
∀x ∈ E , il existe x1 unique dans H1 et x 2 unique dans H2 tel que x = x 1 + x 2 .

Définition 2.2.10 Les sev F 1 , F 2 , ..., F n de E sont dit supplémentaires si ∀x ∈ E , ∃!x 1 ∈ F 1 , ∃!x 2 ∈ F 2 , ..., ∃!x n ∈
F n /x = x 1 + x 2 + ... + x n et on note
E = F 1 ⊕ F 2 ⊕ ... ⊕ F n

Propriétés 2.2.3 Si
dim(F ) = n etdim(G) = m (dimensions finies)
K K

alors

d i m(F +G) = d i m(F ) + d i m(G) − d i m(F ∩G)

En particulier lorsque F ∩G = {0E }, on a

dim(F ⊕G) = dim(F ) + dim(G).

K K K

23
Remarques : Il est facile d’établir les propriétés suivantes
i) Si E et F sont deux K-ev tel que dimE = n et dimF = m, alors E × F est un K-ev (déjà vu) et
K K

dimE × F = dimE + dimF

K K K

ii) Si dimE est finie et F 1 , F 2 deux sev de E tel que B1 est une base de F 1 et B2 est une base de F 2 , on montre
K
facilement l’équivalence
B1 ∩ B 2 = ∅
½
E = F1 ⊕ F2 ⇔
B1 ∪ B2 est base de E

iii) Si F 1 et F 2 sont deux sev de E avec dimE finie alors

K

dim (F 1 + F 2 ) = dimF 1 + dimF 2 − dim (F 1 ∩ F 2 )

K K K K

Et si
F 1 ∩ F 2 = {0}
Alors
dim (F 1 + F 2 ) = dimF 1 + dimF 2
K K K

24
Chapitre 3

LES APPLICATIONS LINÉAIRES

3.1 Définitions et notations

Définition 3.1.1 Soient E et F deux K-ev et f : E → F une application. On dit que f est une application
linéaire (ou morphisme d’espaces vectoriels) si : ∀(u, v) ∈ E 2 , ∀λ ∈ K, on a :
1) f (u + v) = f (u) + f (v)
2) f (λv) = λ f (v).

Exemples :

1.

2 3
f : R
¡ ¢ → R
¡ ¢
x, y 7 → x − y, 2x, x + y
est linéaire, car :

f α x, y + β (a, b) f αx + βa, αy + βb
¡ ¡ ¢ ¢ ¡ ¢
=
αx + βa − αy − βb, 2 αx + βa , αx + βa + αy + βb
¡ ¡ ¢ ¢
=
α x − y, 2x, x + y + β (a − b, 2a, a + b)
¡ ¢
=
α f x, y + β f (a, b)
¡ ¢
=

2.

3
f : R
¡ ¢ → R
x, y, z 7 → x −y +z
est linéaire, car :

f α x, y, z + β (a, b, c) f αx + βa, αy + βb, αz + βc

¡ ¡ ¢ ¢ ¡ ¢
=
αx + βa − αy + βb + αz + βc
¡ ¢ ¡ ¢ ¡ ¢
=
α x − y + z + β (a − b + c)
¡ ¢
=
α f x, y, z + β f (a, b, c)
¡ ¢
=

Remarques : Si f : E → F est linéaire, alors

 ¡ ¢ α=0
1.
f αx + βy = α f (x) + β f y =⇒
¡ ¢
f (0E ) = 0F .
β=0
 ¡ ¢ α=1 ¡
2.
f αx + βy = α f (x) + β f y =⇒
¡ ¢ ¢ ¡ ¢
f x + y = f (x) + f y .
β=1

 ¡ ¢ α=quel conque
3.
f αx + βy = α f (x) + β f y f (αx) = α f (x) d’où (pour α = −1) ; f (−x) = − f (x).
¡ ¢
=⇒
β=0

25
 
4.
Si f x + y ¡= f (x) +¢f y ; ∀x, y ∈¡E et¢ f (αx) = α f (x)¡ , ∀α
¢ ∈ K, ∀x ∈ E alors f est linéaire.
¡ ¢ ¡ ¢

En effet, f αx + βy = f (αx) + f βy = α f (x) + β f y .


5.
f est linéaire ⇐⇒ f αx + y = α f (x) + f y ; ∀α ∈ K; ∀x, y ∈ E .
¡ ¢ ¡ ¢

Exemples :

1.

2 3
f : ¡R ¢ → R
¡ ¢
x, y 7 → x, y + 1, 2x

n’est pas linéaire car f (0, 0) = (0, 1, 0) ̸= (0, 0, 0).


2.

2 2
f : R
¡ ¢ → R
¡ ¢
x, y 7 → cos x, 2y

n’est pas linéaire car f (0, 0) = (cos 0, 0) = (1, 0) ̸= (0, 0).


3.

2
f : R
¡ ¢ → R
¡ 2 ¢
x, y 7→ x ,x

n’est pas linéaire car f (−1) ̸= − f (1) puisque

½
f (−1) = (1, −1)
− f (1) = − (1, 1) = (−1, −1)


4.

2
f : R
¡ ¢ → R
x, y 7 → x·y

n’est pas linéaire car f ((1, 1) + (1, 2)) ̸= f (1, 1) + f (1, 2) puisque
½
f ((1, 1) + (1, 2)) = f (2, 3) = 6
− f (1, 1) + f (1, 2) = 1 · 1 + 1 · 2 = 3

Propriétés 3.1.1 Si on note L K (E , F ) l’ensemble de toutes les applications linéaires de E dans F , alors L K (E , F )
est un K − ev.
Il contient au moins l’application nulle (O : E → F avec O(u) = 0F pour tout u ∈ E )

Démonstration : si f et g sont deux applications linéaires de E vers F, il en est de même pour f + g et signifie
que α · f est aussi une application linéaire de E dans F ; ∀α ∈ K.

Définition 3.1.2 Soit f une application linéaire de E dans F .


1.
Dans le cas F = K, f est dite une forme linéaire, LK (E , K) est noté E et on l’appelle le dual algébrique de E .
∗


2.
Lorsque f est bijective, f est dite un isomorphisme.

3.
Dans le cas E = F , f est dite un endomorphisme et on écrit LK (E , E ) = LK (E ).

4.
Lorsque E = F et f est bijective on dit que f est un automorphisme.

26
Exemples :

1.

2
f : R
¡ ¢ → R2
x, y 7 → (x, 0)
est linéaire car

f α x, y + β (a, b) f αx + βa, αy + βb
¡ ¡ ¢ ¢ ¡ ¢
=
αx + βa, 0
¡ ¢
=
= α (x, 0) + β (a, 0)
α f x, y + β f (a, b)
¡ ¢
=
=⇒ f est linéaire

Donc c’est un endomorphisme.


2.
Si on admet que
3 3
f : R
¡ ¢ → R
¡ ¢
x, y, z 7→ x − y, x + y, 0

est linéaire c’est à dire un endomorphisme, est-il un automorphisme ?

On remarque que f (1, 1, 2) = f (1, 1, 3) et pourtant (1, 1, 2) ̸= (1, 1, 3) , donc f n’est pas injective, par consé-
quent ce n’est pas un automorphisme.

3.
Sachant que
2 3
f : R
¡ ¢ → R
¡ ¢
x, y 7 → x, y, x + y

est linéaire, est ce un isomorphisme ?

Pour (1, 1, 5) impossible de trouver x, y ∈ R2 ⧸ f x, y = (1, 1, 5) car sinon on aura :
¡ ¢ ¡ ¢


¡ ¢  x =1
x, y, x + y = (1, 1, 5) =⇒ y =1 ⇒2=5
x+y =5


ce qui est faux. Donc f n’est surjective ⇒ f n’est pas bijective ⇒ f n’est pas un isomorphisme.

3.2 Noyau et image d’une application

© ª
Définition 3.2.1 • Le sous-ensemble de E , noté ker f = x ∈ E / f (x) = 0F , est appellé le noyau de f .
© ª
• Le sous-ensemble de F , noté I m f = f (x) / x ∈ E , est appellé l’image de f .

Proposition 3.2.1 i) Le noyau de f est un s.e.v. de E .

ii) L’image de f est un s.e.v. de F .

Démonstration :
i) Soient α, β ∈ K et x, y ∈ ker f (c’est à dire f (x) = 0F et f y = 0F ) on a :
¡ ¢

f αx + βy α f (x) + β f y = α0F + β0F

¡ ¢ ¡ ¢
=
= 0F
⇒ αx + βy ∈ ker f
⇒ ker f est un s.e.v de E

27
 ii) Soient α, β ∈ K et f (x) , f y ∈ I m f on a :
¡ ¢ ¡ ¢

α f (x) + β f y ∈ I m f ⇒ I m f est un s.e.v de F

¡ ¢

Proposition 3.2.2 Soit f ∈ L K (E , F )

i) f est injective ⇐⇒ ker f = {0E }
ii) f est surjective ⇐⇒ I m f = F

Démonstration :
i) ⇒: x ∈ ker f ⇒ f (x) = 0F or f (0E ) = 0F , d’où f (x) = f (0E ) =⇒ x = 0E , d’où ker f = {0E } .
f injective
⇐:
¡ ¢ ¡ ¢
f (x) = f y ⇒ f (x) − f y = 0F
¡ ¢
⇒ f x − y = 0F
⇒ x − y ∈ ker f = {0F }
⇒ x − y = 0E
⇒ x=y

d’où f injective.
ii) ⇒: On sait que ∀x ∈ E , f (x) ∈ F ⇒ I m f ⊂ F de plus, ∀x ∈ F, ∃a ∈ E ⧸x = f (a) car f est surjective.
d’où x ∈ I m f ⇒ F ⊂ I m f .
donc I m f = F.
⇐: Soi t f : E −→ F , soit y ∈ F .
on a F = I m f , d’où y ∈ I m f ⇒ y = f (x) ⧸x ∈ E ⇒ f est surjective.

Exemples :

1.
Soit
3 2
f : R
¡ ¢ → R
¡ ¢
x, y, z 7 → x − y, z − y
on vérifie facilement que f est linéaire. Déterminer ker f et dite si f est injective.
Réponse :
¡ ¢ ¡ ¢
x, y, z ∈ ker f ⇐⇒ f x, y, z = (0, 0)
⇐⇒ x=y =z

x, y, z ∈ R3 ⧸x = y = z = x, y, z ⧸x ∈ R et comme ker f ̸= {(0, 0, 0) }, alors f n’est pas

©¡ ¢ ª ©¡ ¢ ª
d’où ker f =
injective.

2.
Toujours pour
3 2
f : R
¡ ¢ → R
¡ ¢
x, y, z 7 → x − y, z − y
est-ce que f est surjective ?
Réponse : ∀ (a, b) ∈ R2 on a

(a, b) = ((1 + a − b) − (1 − b) ; 1 − (1 − b))

= f (1 + a − b; 1 − b; 1)
⇒ (a, b) ∈ I m f
⇒ I m f = R2

d’où f est surjective.


3.
Soit
2 2
f : ¡R ¢ → ¡R ¢
x, y 7 → x − 2y, 3x + y

28
 a) Vérifiez que f est linéaire
b) Détérminer ker f , I m f et dite si f est injective, surjective, bijective.
Réponse :
a)

f α x, y + β (a, b) f αx + βa, αy + βb
¡ ¡ ¢ ¢ ¡ ¢
=
αx + βa − 2 αy + βb , 3 αx + βa + αy + βb
¡ ¡ ¢ ¡ ¢ ¡ ¢¢
=
α x − 2y, 3x + y + β (a − 2b, 3a + b)
¡ ¢
=
α f x, y + β f (a, b)
¡ ¢
=
⇒ f est linéaire

b)
¡ ¢ ¡ ¢
x, y ∈ ker f ⇐⇒ f x, y = (0, 0)
¡ ¢
⇐⇒ x − 2y, 3x + y = (0, 0)
½
x − 2y = 0
⇐⇒
3x + y = 0
½
x − 2y = 0
⇐⇒
6x + 2y = 0
=⇒ 7x = 0
=⇒ x =0
=⇒ y =0
¡ ¢
d’où x, y = (0, 0), donc ker f = {(0, 0)}, alors f est injective.

f x, y ⧸x, y ∈ R = x − 2y, 3x + y ⧸x, y ∈ R

© ¡ ¢ ª ©¡ ¢ ª
Im f =
x (1.3) + y (−2, 1) ⧸x, y ∈ R
© ª
=
=⇒ G = {(1, 3) , (−2, 1)} g énèr e I m f
.

=⇒ dim I m f ≥ C ar dG = 2. Or, I m f est un s.e.v de R2 , d’où I m f = R2 .

Alors f surjective.

4.
Sachant que K [X ] l’ensemble des polynômes à coefficients dans K est un K- ev, vérifier que
f : K [X ] → K
P 7 → P (0)

est une forme linéaire et donner ker f , I m f .

Réponse : On a

f αP + βQ = αP + βQ (0) = αP (0) + βQ (0)

¡ ¢ ¡ ¢

= α f (P ) + β f (Q) ; ∀α, β ∈ K; ∀P,Q ∈ K [X ]

donc f est linéaire, d’où c’est une forme linéaire. D’autre part ;

P ∈ K [X ] ⧸P (0) = 0
© ª
ker f =
© ª
= polynôme dont la constante est nulle

et I m f = P (0) ⧸P ∈ K [X ] = K.
© ª

5.
Soit
f : K [X ] → K [X ]
P 7 → P′

29
 a) Vérifier que f est linéaire.
b) Déterminer ker f et I m f .
Réponse :
a) Soit α, β¡ ∈ K et P,Q
¢ ∈¡ K [X ]. ¢′
On a f αP + βQ = αP + βQ = αP ′ + βQ ′ = α f (P ) + β f (Q).
Donc f est linRéaire.
b) Soit P ∈ ker f ©⇔ f (P ) = 0 ⇔ P ′ = 0,ªd’où P =constante.
Donc ker f = polynôme constant .
D’autre part, si
P (X ) = a 0 + a 1 X + ... + a n X n
alors
¶′ ³
a1 2 an
µZ ´′
P (X ) = P (X ) = a 0 X + X + ... + X n+1
2 n +1
a1 2 an
=⇒ P (X ) = f (Q (X )) où Q (X ) = a 0 X + X + ... + X n+1
2 n +1
et ceci ∀P ∈ K [X ] ⇒ I m f = K [X ]

Proposition 3.2.3 Si E et F sont des K-ev, de dimensions finies, alors ∀ f ∈ L K (E , F ), on a

dim E = dim ker f + dim I m f

¡ ¢
(dans la littérature, on note r g f = dim I m f , dit rang de f )

Exemple : Soit
3 3
f : R
¡ ¢ → R
¡ ¢
x, y, z 7→ x − y, z − 3x, z − 3y
a) Vérifier que f est linéaire.
b) Déterminer ker f , dim ker f , dim Im f et Im f .
Réponse :
a) Soit α, β ∈ R et x, y, z , (a, b, c) ∈ R3 . On a :
¡ ¢

f α x, y, z + β (a, b, c)
¡ ¡ ¢ ¢

= f αx + βa, αy + βb, αz + βc
¡ ¢

= αx + βa − αy − βb, αz + βc − 3 αx + βa , αz + βc − 3 αy + βb
¡ ¡ ¢ ¡ ¢¢

= α x − y, z − 3x, z − 3y + β (a − b, c − 3a, c − 3b)

¡ ¢

= α f x, y, z + β f (a, b, c)
¡ ¢

⇒ f est linéaire.

b) Soit x, y, z ∈ R3 .
¡ ¢

¡ ¢ ¡ ¢
x, y, z ∈ ker f ⇔ f x, y, z = (0, 0, 0)

 x−y =0
⇔ z − 3x = 0
z − 3y = 0

½
x=y
⇔
3x = z
¡ ¢
⇔ x, y, z = (x, x, 3x)

30
 Donc ker f = {x(1, 1, 3) : x ∈ R} et dim ker f = 1.
On a dim R3 = dim ker f + dim Im f , donc dim Im f = 2.
Cherchons une base de I m f :

I m f = f x, y, z : (x, y, z) ∈ R3
© ¡ ¢ ª

= x − y, z − 3x, z − 3y : (x, y, z) ∈ R3
©¡ ¢ ª

= vect {(1, −3, 0), (−1, 0, −3), (0, 1, 1)}

Nous avons trouvé une base de I m f , qui est {(1, −3, 0), (−1, 0, −3)}.

Proposition 3.2.4 Soient E , F deux K − ev et f ∈ L K (E , F ) et soient L une famille libre de E , G une famille
génératrice de E . On a

1.
Si f est injective, alors f (L) est libre dans F .

2.
f (G) est génératrice de I m f .

3.
Si f est surjective, alors f (G) génére F .

Démonstration : On pose L = e 1 , e 2 , . . . , e p et G = g 1 , g 2 , . . . , g p .
 © ¡ ¢ª
1.
On a f (L) = f (e 1 ) , f (e 2 ) , . . . , f e p et
f linéaire
α1 f (e 1 ) + α2 f (e 2 ) + · · · + αp f e p = 0F ¡f α1 e 1 + α2 e 2 + · · · + αp e¢p = 0F
¡ ¢ ¡ ¢
=⇒
=⇒ α1 e 1 + α2 e 2 + · · · + αp e p ∈ Ker f
or f est injective =⇒ Ker f = {0E }
=⇒ α1 e 1 + α2 e 2 + · · · + αp e p = 0E

or L est libre, d’où α1 = α2 = · · · = αp = 0.

Donc f (L) est libre.

2.
Soit y ∈ I m f , y s’écris alors sous la forme : y = f (x) avec x ∈ E , or G génére E .
D’où

x = β1 g 1 + β2 g 2 + · · · + β p g p y = f (x) = β1 f g 1© +¡β2 ¢f g¡2 +¢ · · · + βp¡ f ¢ª

¡ ¢ ¡ ¢ ¡ ¢
=⇒ gp
=⇒ La famille f (G) = f g 1 , f g 2 , · · · , f g p génére I m f


3.
Si f est surjective alors I m f = F, d’où, d’après (ii), f (G) génére F.
Proposition 3.2.5 Soient E , F deux K − ev, de dimensions finies. Si dim E = dim F et si f ∈ L K (E , F ), alors

f injective ⇔ f bijective ⇔ f surjective

Démonstration :

f injective ⇔ ker f = 0 ⇔ dim ker f = 0 ⇔ dim E = dim F

⇔ dim F = dim I m f ⇔ I m f = F
⇔ f surjective

Proposition 3.2.6 Soit f ∈ L K (E , F )) et B = (e 1 , e 2 , . . . , e n ) une base de E , f est parfaitement détérminé par la

donnée de f (B ) = ( f (e 1 ), f (e 2 ), . . . , f (e n ))

Exercice 2 1.
Montrer que B = {(1, 2) , (−1, 0)} est une base de @2.
 ¡ 2 3¢ 2
2.
Sachant que f ∈ LR R , R et que f (1, 2) = (1, 1, 1) et f (−1, 0) = (0, 3, 0) , calculer f x, y , ∀ x, y ∈ R .
¡ ¢ ¡ ¢

31
 
Solution 2 1.
Soit α, β ∈ R. On a
α−β = 0
½
α (1, 2) + β (−1, 0) = (0, 0) ⇒
2α = 0
α=0
½
⇒
β=0

D’où B est libre, de plus ∀ x, y ∈ R2 , on a

¡ ¢

¡ ¢ y ³y ´
x, y = (1, 2) + − x (−1, 0)
2 2

Donc B génére R2 .
D’où B est une base de R2 .

2.
On a ¡ ¢ y ³y ´
x, y = (1, 2) + − x (−1, 0)
2 2
Donc ¡ ¢ y ¡y ¢
f x, y = 2 f (1, 2) + ¡2 − x ¢f (−1, 0)
y y
= ¡2 (1, 1, 1) + 2 ¢− x (0, 3, 0)
y y
= 2 , 2y − 3x, 2

Proposition 3.2.7 Si E , F sont deux K − ev, de dimensions finies. Alors

dim L K (E , F ) = dim E × dim F

32
Chapitre 4

LES MATRICES

Dans ce chapitre la lettre K désigne le corps R (ou C).

4.1 Généralités
A. Définitions et exemples
Définition 4.1.1 On appelle matrice d’ordre (n, p) ∈ N∗ × N∗ à coéfficients dans K, toute application :
M : {1, 2, · · · , n} × {1, 2, · · · , p} −→ K
(i , j ) → ai j .

Définition 4.1.2 On appelle matrice d’ordre n, p ∈ N∗ × N∗ à coefficients dans K, un tableau regtangulaire

¡ ¢

ayant n lignes, p colonnes et à coefficients dans K :

 
a 11 a 12 · · · a 1p
 a
 21 a 22 · · · a 2p 

 . .. .. .. 
 .
 . . . . 

a n1 a n2 ··· a np
Notation 4.1.1 — M est notée M = (a i j ) 1≤i ≤n .
1≤ j ≤p
— L’ensemble de toutes les matrices de type (n, p) est noté M(n,p ) (K).

Exemples :
 µ
2 3 4
¶
1.

A = ∈ M(2,3) (R) et M(2,3) (C)
−1 5 6
 
 1 −2
2.
A = i i + 1 ∈ M(3,2) (C)
 
0 i
 µ
2 1
¶
3.
A = i i ∈ M(2,2) (C)
Quand n = p, on note M(n,p ) (K) ≡ Mn (K)
 
 6 7 8
4.
A = 1 0 0 ∈ M3 (R) et M3 (C)
 
0 0 0

B. Définitions et notations
 
a 11 a 12 ··· a 1p
  a 21 a 22 ··· a 2p 
M
¡ ¢  
1.

Une matrice A ∈ (n,p ) (K) est généralement notée A = a i j 1≤i ≤n,1≤ j ≤p =  .. .. .. .. 
. . . .
 
 
a n1 a n2 ··· a np

33

2.
Si n = p, la matrice est dite carrée.
0 ··· 0
 
  . .. 
..
3.
Si a i j = 0; ∀i , j , c’est-à-dire A =  .. . .  , A est dite la matrice nulle.
0 ··· 0

Exemples
µ : ¶
0 0
— A= est la matrice nulle d’ordre 2.
0 0
µ ¶
0 0 0 0
— A= est la matrice nulle d’ordre (2, 4).
0 0 0 0
0 0 0
 
 0 0 0 
— A=  0
 est la matrice nulle d’ordre (4, 3) .
0 0 
0 0 0
 ¡ ¢ ¡ ¢
4.
Une matrice carrée A = ai j 1≤i ≤n,1≤ j ≤n ou A = ai j 1≤i j ≤n est dite :
— Diagonale : si a i j = 0; ∀i ̸= j.

   
µ 1 ¶ 0 0 10 0 0
3 0
Exemples : A = ; A= 0 −2 0 ; A =  0 4 0 
0 4
0 0 5 0 0 0
— Symétrique : si a i j = a j i ; ∀i , j.


µ 1 −1 2 ¶
3 1
Exemple : A = ; A =  −1 −2 6 
1 8
2 6 5
— Triangulaire supérieure : si a i j = 0 pour i > j.

 
µ 1 7 8 ¶
1 5
Exemple : A = ;A= 0 0 4 
0 2
0 0 9
— Triangulaire inférieure : si a i j = 0 pour i < j.

1 0 0 0
 
 
1 0 0  5 0 0 0 
Exemples : A= 2 3 0 ; A=
  
7 8 9 0 
5 8 1
2 7 1 0

5.
On appelle matrice unité ou matrice identité d’ordre n, la matrice carrée d’ordre n tel que a i i = 1; ∀i et
a i j = 0; ∀i ̸= j.

µ ¶
1 0
Exemples : I = est la matrice unité d’ordre 2.
0 1
 
1 0 0
I = 0 1 0  est la matrice unité d’ordre 3.
0 0 1
1 0 0 0
 
 0 1 0 0 
I =
 0
 est la matrice unité d’ordre 4
0 1 0 
0 0 0 1

6.
Si A ∈ M(n,p ) (K) est une matrice d’ordre n, p , on appelle transposée de A, la matrice d’ordre p, n , notée
¡ ¢ ¡ ¢
T
A et définie par :
Si A = a i j 1≤i ≤n,1≤ j ≤p alors T A = b i j 1≤i ≤p,1≤ j ≤n avec b i j = a i j ; ∀i , j.
¡ ¢ ¡ ¢

34
  
µ ¶ 1 3 µ ¶ µ ¶
1 2 −1 1 −1 1 0
Exemples : A= →T A =  2 0 , A = →T A = ,
3 0 4 0 5 −1 5
−1 4
1 2 6
 
 
 5 1 5 1 6
0 −1  T
→ A= 2
A=
 1 0 1 7 
1 1 
6 −1 1 8
6 7 8
A est symétrique ⇔T A = A

4.2 Opérations sur les matrices

4.2.1 Loi externe (dite aussi multiplication d’une matrice par un scalaire)
Définition 4.2.1 Soient A = (a i j ) 1≤i ≤n ∈ M(n,p ) (K) et α ∈ K. On définit l’opération suivante :
1≤ j ≤p

αA = (αa i j ) 1≤i ≤n
1≤ j ≤p

Remarque : Cette opération ne nécéssite aucune précaution.

Exemples :
 µ
5 6
¶ µ
10 12
¶
1.

2 · =
1 −1 2 −2
   
 1 2 −1 −1 −2 1
2. (−1) ·  0 0 1 = 0 0 −1 


1 0 3 −1 0 −3
   
 1 2 4 8
3.
4 · −1 1 = −4 4
   
0 8 0 32

4.2.2 Somme de deux matrices

Définition 4.2.2 Soient A = (a i j ) 1≤i ≤n ,B = (b i j ) 1≤i ≤n ∈ M(n,p ) (K). On définit l’opération suivante :
1≤ j ≤p 1≤ j ≤p

A + B = (a i j + b i j ) 1≤i ≤n
1≤ j ≤p

Exemples :
 µ
1 2
¶ µ
5 6
¶
6 8
µ ¶
1.

3 −1 + =
0 1 3 0
     
 1 2 i 0 1+i 2
2.  −1 0  +  −1 1  =  −2 1 


1 8 0 0 1 8

Proposition 4.2.1 L’ensemble Mn,p (K) muni des lois

+ : Mn,p (K) × Mn,p (K) −→ Mn,p (K)

(A, B ) → A +B

et
. : K × Mn,p (K) −→ Mn,p (K)
(α, A) → α.A
est un espace vectoriel sur K.

35
Ce qui signifie qu’on a :

• (Mn,p (K), +) est non vide car contient la matrice nulle

 
0 ··· 0

 0 ··· 0 

0Mn,p (K) = (0i j ) = .. .. .. 
1≤i ≤n 
 . . .


1≤ j ≤p 0 ··· 0

• L’addition est commutative :

A +B = B + A

.
• La matrice nulle est l’élément neutre de Mn,p (K) :

0Mn,p (K) + A = A + 0Mn,p (K) = A

.
• La loi + est associative :

A + (B +C ) = (A + B ) +C .

• L’opposé de la matrice A = (a i j ) est noté −A avec −A = (−a i j ) .

1≤i ≤n 1≤i ≤n
1≤ j ≤p 1≤ j ≤p
Et l’on a
A + (−A) = 0Mn,p (K)

En plus pour tous A, B ∈ Mn,p (K) et α, β ∈ K, on a :

• α.(β.A) = (αβ).A
• (α + β).A == α.A + β.A
• α.(A + B ) = α.A + α.B
• 1K .A = A

4.2.3 Multiplication de deux matrices

Soient A = (a i j ) 1≤i ≤n ∈ M(n,p ) (K) et B = (b st ) 1≤s≤p ∈ M(p,m ) (K) .
1≤ j ≤p 1≤t ≤m

Définition 4.2.3 On définit le produit C des deux matrices A et B par :

p
AB = C = (c hk ) 1≤h≤n ∈ M(p,m ) (K) avec c hk =
X
a h j b j k , ∀ 1 ≤ h ≤ n , 1 ≤ k ≤ m.
1≤k≤m j =1

Ce produit n’est donc défini que pour deux matrices dont le nombre de colonnes de la première est égal au nombre
des lignes de la deuxième.

36
  
µ ¶ 4 1 0 7
1 0 −2
Exemple : Soient A = et B =  0 7 −2 6 .
3 −5 1
−1 3 5 0
A est d’ordre (2, 3) et B d’ordre (3, 4) donc le produit AB est possible et est d’ordre (2, 4).
Les coefficients sont donnés par :

— les coefficients de la première ligne sont

c 11 = (1 × 4) + (0 × 0) + ((−2) × (−1)) = 6
c 12 = (1 × 1) + (0 × 7) + ((−2) × 3) = −5
c 13 = (1 × 0) + (0 × −2) + ((−2) × 5) = −10
c 14 = (1 × 7) + (0 × 6) + ((−2) × 0) = 7
— les coefficients de la deuxière ligne sont
c 21 = (3 × 4) + ((−5) × 0) + (1 × (−1)) = 11
c 22 = (3 × 1) + ((−5) × 7) + (1 × 3) = −29
c 23 = (3 × 0) + ((−5) × −2) + (1 × 5) = 15
c 24 = (3 × 7) + ((−5) × 6) + (1 × 0) = −9.
Ainsi µ ¶
6 −5 −10 7
AB =
11 −29 15 −9

1 0 3
 
µ ¶
1 2 −10  −1 0 4 
Exemple : Soient A = ;B = 
  on agit comme suit :
1 5 11 0 1 0 
(2,4) 0 2 −1
(4,3)


Propriétés 4.2.1 1.
Le produit est distributif par rapport à l’addition.
Soient A ∈ Mn,p (K) et U ,V ∈ Mp,q (K), alors :

A(U + V ) = AU + AV.

De même à droite lorsque le produit existe.

37

2.
Le produit est associatif.
Soient A ∈ Mn,p (K), B ∈ Mp,q (K) et C ∈ Mq,r (K), alors :

(AB )C = A(BC ).

3.
Le produitµ n’est pas ¶commutatif.
µ
En effet :
¶
1 2 0 1
Pour A = et B = , on a :
−1 0 −1 1
µ ¶ µ ¶
−2 3 −1 0
A ×B = et B × A =
0 −1 −2 −2

d’où A × B ̸= B × A.
Il se peut même que A × B soit définie alors que B × A ne le soit pas, par exemple, pour

1 1 0
 
µ ¶
1 2 3 −1  −1 1 0 
A= etB =  
0 1 1 1  0 1 0 
(2,4) 5 1 4
(4,3)

on peut parler de A × B mais pas de B × A .

(2,4) (4,3) (4,3) (2,4)

4.
A × B = 0 ⇏ A = 0 ou B = 0. En effet : On a
µ ¶ µ ¶
1 0 0 0
A= ̸= 0 etB = ̸= 0
0 0 0 1
(2,2) (2,2)
µ ¶µ ¶ µ ¶
1 0 0 0 0 0
Or = .
0 0 0 1 0 0

5.
Soit A ∈ Mn (K ) , c’est-à-dire une matrice carrée d’ordre n, on a A × I = I × A = A, c’est-à-dire, la matrice
identité I d’ordre n est l’élément neutre pour la multiplication dans Mn (K ) .

Exemples :
µ ¶µ ¶ µ ¶ µ ¶µ ¶ µ ¶
a b 1 0 a b 1 0 a b a b
i) = et =
c d 0 1 c d 0 1 c d c d
         
a b c 1 0 0 a b c 1 0 0 a b c a b c
ii)  x y z   0 1 0  =  x y z  et  0 1 0  x y z = x y z 
α β γ 0 0 1 α β γ 0 0 1 α β γ α β γ

6.
Soit A ∈ Mn (K ) une matrice carrée d’ordre n, on dit que A est inversible, s’il existe une matrice carrée B
de même ordre, tel que  
1 0 ··· 0
 .. 
0 1 ··· . 
 
A ×B = B × A = I =  .

.. .. ..
.
 
 . . 0 
0 ··· 0 1
B est dite l’inverse de A et on note
B = A −1 .

Dans ce cadre
— Si A et B sont inversibles, il en est de même pour A × B et on a :
¢−1
A −1
¡
= A.

— I −1 = I où I est la matrice identité.

38
— Si A est inversible, il en est de même pour t A et on a :
¡t ¢−1 t ¡ −1 ¢
A = A .

— Si A est diagonalisable, alors

¡ ¢
A = a i j 1≤i ,i ≤n est inversible ⇔ a i i ̸= 0; ∀i

1
et on a A −1 = b i j 1≤i , j ≤n avec b i j = 0 si i ̸= j et b i i =
¡ ¢
ai i

µ ¶ µ ¶
1 0 1 0
Exemples : A = → A −1 =
0 2 0 12
   1 
3 0 0 3 0 0
−1 1
A= 0 4 0 → A = 0 4 0 
0 0 −2 0 0 − 12
— Si A est triangulaire, alors A −1 existe ¡t si¢ ¡est seulement si, aucun élément de la diagonale n’est nul.
— Il est facile sde vérifier que t (AB t
¢
 ) = B A   
  x 1    y 1 
     
  x 2    y 2 
p n
— Si A ∈ Mn (k) alors, ∀X ∈ R  X =  .  et ∀Y ∈ R Y =  .  :
   
  ..    .. 
     
  x    y 
p n
(p,1) (n,1)
¿ À
= X ,t AY Rp
­ ®
A · X , Y
( ) ( )
n,p p,1 (n,1)
Rn

où 〈., .〉 est le produit scalaire euclidien.

   
µ ¶ 1 1 −1 µ ¶
1 2 3 6
Exemples : Si A = , X =  2 , t A =  2 0  ,Y = . On a :
−1 0 1 7
−4 3 1
 
*µ 1 ¶ µ ¶+
1 2 3  6
〈AX , Y 〉R2 = 2 ,
−1 0 1 7
−4
¿µ ¶ µ ¶À
−7 6
= ,
−5 7
= (−7) (6) + (−5) (7)
= −42 − 35 = −77

Et
* 1   1 
−1 µ ¶+
6
X ,t AY
­ ®
=  2 , 2 0
R3

7
−4 3 1
* 1   −1 +

=  2  ,  12 
−4 25
= (1) (−1) + (2) (12) + (−4) (25)
= −77

Donc, on a bien 〈AX , Y 〉R2 = X ,t AY R3

­ ®

— Si α ̸= 0 et A est inversible, alors αA est inversible et on a :

1
(α · A)−1 = · A −1 .
α

39
 µ ¶
1 2
Exemple : Si A = , montrer que A 2 − 2A + 7I = 0 et déduire que A est inversible, tout en
−3 1
donnant
µ A −1 . ¶ µ ¶µ ¶ µ ¶ µ ¶
1 2 1 2 1 2 −5 4 −2 −4
A= ⇒ A2 = = et −2A =
−3 1 −3 1 −3 1 −6 −5 6 −2
donc : µ ¶ µ ¶ µ ¶ µ ¶
2 −5 4 −2 −4 7 0 0 0
A − 2A + 7I = + + = =0
−6 −5 6 −2 0 7 0 0

Donc

A 2 − 2A + 7I = 0 ⇒ A 2 − 2A = −7I
1 2
⇒ − A2 + A = I
7 7
½ ¡ 1 2
¢
⇒ ¡ 1 7A+
A − 7¢I = I
− 7 A + 72 I A = I
⇒ A est inversible

Et on a : A −1 = − 71 A + 27 I .
¡ ¢

4.3 Matrices et applications linéaires

4.3.1 Lien entre Matrices et applications linéaires
Définition 4.3.1 Soient E et F deux K−espaces vectoriels de dimensions respectives n et p.
Soient B1 = (e 1 , · · · , e n ) une base de E , B2 = (g 1 , · · · , g p ) une base de F et soit f ∈ L K (E ¡ , F ) une application
B B f , B1 , B2 la matrice
¢
linéaire de¡E dans
¢ F, on appelle matrice associée à f dans les bases 1 et 2 et on note M
M d’ordre p, n , définie par :

 f (e 1 ) f (e 2 ) · · · f (e n ) 
g1 a 11 a 12 · · · a 1n
g2  a
 21 a 22 · · · a 2n 
M f , B 1 , B2 =
¡ ¢ 
..  .
 . .. .. .. 
.  . . . . 

gp a p1 a p2 · · · a pn

avec
f (e 1 ) = a 11 g 1 + a 21 g 2 + · · · + a p1 g p .
f (e 2 ) = a 12 g 1 + a 22 g 2 + · · · + a p2 g p .
..
.
f (e n ) = a 1n g 1 + a 2n g 2 + · · · + a pn g p .

Exemples :

1.
Soit f une application linéaire définie par :
2
f : ¡R ¢ → ¡ R3 ¢
x, y 7 → x − y, x + y, 2x

Soient B0 = ((1, 0) , (0, 1)) et B̄0 = ((1, 0, 0) , (0, 1, 0) , (0, 0, 1)) les bases canoniques respectivement de R2 et R3 .

a) Montrer que B1 = ((1, 2) , (−1, 1)) et B2 = ((1, 0, 1) , (−1, 1, 1) , (0, 1, 3)) sont des bases, respectivement de
R2 et R3 .
b) Déterminer M f , B0 , B2 , M f , B1 , B2 , M f , B0 , B̄0 et M f , B1 , B̄0 .
¡ ¢ ¡ ¢ ¡ ¢ ¡ ¢

Solution

40
a) On a
α−β = 0
½
α (1, 2) + β (−1, 1) = (0, 0) ⇒
2α + β = 0
α=β
½
⇒
3α = 0
⇒ α=β=0

Donc B1 est libre, or C ar d (B1 ) = dim R2 = 2, d’où B1 est une base de R2 .

D’autre part, on a

 α−β = 0


α (1, 0, 1) + β (−1, 1, 1) + λ (0, 1, 3) = (0, 0, 0) ⇒ β+λ = 0

α + β + 3λ = 0


 α=β


⇒ λ = −β
β + β + 3λ = 0


 α=β


⇒ λ = −β
2β − 3β = 0

⇒ α=β=λ=0

Donc B2 est libre, or C ar d (B2 ) = dim R3 = 3, d’où B2 est une base de R3 .

b) i) On a
f (1, 0) f (0, 1)
 
(1, 0, 1) 3 1
M f , B 0 , B2 =
¡ ¢
(−1, 1, 1)  2 2 
(0, 1, 3) −1 −1
car
f (1, 0) = (1, 1, 2) = α (1, 0, 1) + β (−1, 1, 1) + λ (0, 1, 3)
 α−β = 1  α = 1+β  β=2
  

⇔ β+λ = 1 ⇒ λ = 1−β ⇒ α=3

α + β + 3λ = 2 4−β = 2 λ = −1
  

et
f (0, 1) = (−1, 1, 0) = α (1, 0, 1) + β (−1, 1, 1) + λ (0, 1, 3)
 α − β = −1  α = −1 + β  α=1
  

⇔ β+λ = 1 ⇒ λ = 1−β ⇒ β=2

α + β + 3λ = 0 2−β = 0 λ = −1
  

ii) On a

f (1, 2) f (−1, 1)
 
(1, 0, 1) 5 −2
M f , B 1 , B2 =
¡ ¢
(−1, 1, 1)  6 0 
(0, 1, 3) −3 0
car
f (1, 2) = (−1, 3, 2) = α (1, 0, 1) + β (−1, 1, 1) + λ (0, 1, 3)
 α − β = −1  α = −1 + β  α=5
  

⇔ β+λ = 3 ⇒ λ = 3−β ⇒ λ = −3
α + β + 3λ = 2 8−β = 2 β=6
  

et
f (−1, 1) = (−2, 0, −2) = −2 (1, 0, 1) + 0 (−1, 1, 1) + 0 (0, 1, 3)
iii) On a

f (1, 0) f (0, 1)
 
(1, 0, 0) 1 −1
M f , B0 , B̄0 =
¡ ¢
(0, 1, 0)  1 1 
(0, 0, 1) 2 0

41
 car
f (1, 0) = (1, 1, 2) = 1 (1, 0, 0) + 1 (0, 1, 0) + 2 (0, 0, 1)
et
f (0, 1) = (−1, 1, 0) = −1 (1, 0, 0) + 1 (0, 1, 0) + 0 (0, 0, 1)
 f :
E → E
2.
Si E est un k − ev et B = (e 1 , e 2 , . . . , e n ) une base de E et
x 7→ x
, on note f = i d E et elle est dite

l’application identité, alors M f , B, B est notée M ( f , B) et est donée par

¡ ¢

f (e 1 ) f (e 2 ) f (e n )
e1 1 0 ··· 0
e2  0 1 ··· 0 
M ( f , B)
 
= .  . .. .. .. 
..  .
 . . . . 

en 0 ··· 0 1
= In

f g
Proposition 4.3.1 Soient E , F et G trois K − ev et E −→ F −→ G des applications linéaires et B1 , B2 et B3 des
bases respectivement de E , F et G, on a

M g ◦ f , B 1 , B 3 = M g , B2 , B 3 × M f , B1 , B2
¡ ¢ ¡ ¢ ¡ ¢

et si h : E → F une autre application linéaire et α, β ∈ K, alors

M α f + βh, B1 , B2 = αM f , B1 , B2 + βM (h, B1 , B2 ) .
¡ ¢ ¡ ¢

4.3.2 Ecriture matricielle de l’image d’un vecteur par une application linéaire
Soient E et F deux K − ev, B1 = (e 1 , e 2 , · · · , e n ) une base de E , B2 = g 1 , g 2 , · · · , g p une base de F et f : E → F une
¡ ¢

application linéaire.
Soit x ∈ E de coordonnées (x 1 , · · · , x n ) dans la base B1 , alors

x = x1 e 1 + x2 e 2 + · · · + xn e n .

L’image de x par l’application linéaire f est donnée par :

y = f (x) = y 1 g 1 + · · · + y p g p .
Alors    
y1 x1
 y   x 
 2   2 
= M f , B1 , B 2
¡ ¢
 .   . .
 .   . 
 .   . 
¡ yp ¢ ¡ ¢ xn
p, 1 p, n (n, 1)
En effet, on a :
f (x) = f (x 1 e 1 + x 2 e 2 + · · · + x n e n ) = x 1 f (e 1 ) + · · · + x n f (e n ).
Comme f (e j ) = a 1 j g 1 + a 2 j g 2 + · · · + a p j g p , on obtient :
¡ ¢ ¡ ¢
f (x) = x 1 a 11 g 1 + a 21 g 2 + · · · + a p1 g p + · · · + x n a 1n g 1 + a 2n g 2 + · · · + a pn g p
= ¡(x 1 a 11 + x 2 a 12 + · · · + x n a 1n )¢g 1 + (x 1 a 21 + x 2 a 22 + · · · + x n a 2n ) g 2 + · · ·
+ x 1 a p1 + x 2 a p2 + · · · + x n a pn g p .

Les coordonnées de (y 1 , y 2 , · · · , y p ) de f (x) sont données par :

y1 = x 1 a 11 + x 2 a 12 + · · · + x n a 1n
y2 = x 1 a 21 + x 2 a 22 + · · · + x n a 2n
.. ..
. .
yp = x 1 a p1 + x 2 a p2 + · · · + x n a pn .

42
Qui s’écrit sous la forme matricielle :
   
y1 a 11 a 12 ··· a 1n
 x1
 

 y2  
  a 21 a 22 ··· a 2n   x2 
 .. = .. .. .. ..  
 ···
. . . . .
   
   
yp a n1 a n2 ··· a pn xn

ou
Y = M f , B1 , B2 X
¡ ¢

avec Y la matrice des coordonnées de f (x) dans la base B2 et X la matrice des coordonnées de x dans la base B1 .

Exemple : Soit
3
f : ¡ R ¢ → ¡ R2 ¢
x, y, z 7 → x − y, y − z

1.
Sachant que f est linéaire, déterminer A = M f , B0 , B̄0 où B0 et B̄0 sont les bases canoniques respectives
¡ ¢

de R3 et R2 .

2.
Calculer f (1, 2, −1) de deux façons.
Solution

1.
On sait que B0 = ((1, 0, 0) , (0, 1, 0) , (0, 0, 1)) et B̄0 = ((1, 0) , (0, 1)) , donc

f (1, 0, 0) = (1, 0) , f (0, 1, 0) = (−1, 1) , f (0, 0, 1) = (0, −1)

d’où
µ ¶
1 −1 0
A = M f , B0 , B̄0 =
¡ ¢
.
0 1 −1

2.
i)- Par calcul direct, on obtient :
f (1, 2, −1) = (−1, 3) .

ii)- On a :
(1, 2, −1) = x 1 (1, 0, 0) + x 2 (0, 1, 0) + x 3 (0, 0, 1)
   
x1 1
où  x 2  =  2  .
x3 −1
Donc
y = f (1, 2, −1) = y 1 (1, 0) + y 2 (0, 1)

et on a
   
x1 µ ¶ µ ¶ 1 µ ¶
y1 1 −1 0  y1
A x2 =
  ⇒ 2  =
y2 0 1 −1 y2
x3 −1
µ ¶ µ ¶
y1 −1
⇒ =
y2 3

d’où
f (1, 2, −1) = (−1) (1, 0) + 3 (0, 1)
= (−1, 3)

Proposition 4.3.2 Soient E et F deux K − ev de même dimension n, B1 une base de E , B2 une base de F et
f : E → F une application linéaire. Alors :
f est bijective si et seulement si M ( f , B1 , B2 ) est inversible.

43
Démonstration : i)- Si f est bijective, d’après la proposition précédente, on a :

M ( f −1 ◦ f , B1 , B1 ) = M ( f −1 , B2 , B1 ) × M ( f , B1 , B2 )
⇒ M (I d E , B1 , B1 ) = M ( f −1 , B2 , B1 ) × M ( f , B1 , B2 )
⇒ I n = M ( f −1 , B2 , B1 ) × M ( f , B1 , B2 ).

Notons que f −1 ◦ f = I d E .
De même,
M ( f ◦ f −1 , B2 , B2 ) = M ( f , B1 , B2 ) × M ( f −1 , B2 , B1 )
⇒ M (I d F , B2 , B2 ) = M ( f , B1 , B2 ) × M ( f −1 , B2 , B1 )
⇒ I n = M ( f , B1 , B2 ) × M ( f −1 , B2 , B1 ).

Donc M ( f , B1 , B2 ) est inversible et on a

¤−1
M ( f , B1 , B 2 ) = M ( f −1 , B2 , B1 ).
£

ii)- Réciproquement, si A = M ( f , B1 , B2 ) est inversible d’inverse A −1 , on définit l’application linéaire g dont la

matrice par rapport aux bases B1 et B2 est M (g , B2 , B1 ) = A −1 . Puisque

M ( f ◦ g , B2 , B1 ) = M ( f , B1 , B2 ) × M (g , B2 , B1 ) = A A −1 = I n
M (g ◦ f , B1 , B2 ) = M (g , B2 , B1 ) × M ( f , B1 , B2 ) = A −1 A = I n

on en déduit que f ◦ g = g ◦ f = I d E . Par suite f est bijective et f −1 = g .

4.3.3 Matrice de passage et Lien ente les coordonnées d’un même vecteur dans deux
bases différentes
Soient E un K − ev, B1 = (e 1 , . . . , e n ) une base de E , B2 = g 1 , . . . , g n une autre base de E et soit x ∈ E . On a
¡ ¢

x = x1 e 1 + · · · + xn e n

et en même temps
′ ′
x = x1 g 1 + · · · + xn g n .

Question :
  ′ 
x1 x1

 ..   . 
Comment passer de  .  à  ..
  et vice versa ?

′
xn xn
On considère l’application
f = I dE : E → E
.
x 7 → x
  ′    ′ 
x1 x1 x1 x
 
¢  .   . .  .1
On a déja vu que M f , B1 , B2 ×  ..  =   c-à-d : M (I d E , B1 , B2 ) ×  .  =  .
¡  
 ..
   ou encore
 .  . 
′ ′
xn xn xn xn

I d E (e 1 ) I d E (e 2 ) ··· I d E (e n )
 ′ 
x g1 x1
   
 .1  ..  .. 
 . =
 .  .  . 
 
′
xn gn xn
e1 e2 · · · en
 ′ 
x1 g1 α11 α12 · · · α1n x1
   
 .  ..  .. .. .. ..   .. 
⇔  . =  .  (∗)
 .  .  . . . . 
′
xn gn αn1 · · · · · · αnn xn

44
où
e 1 = α11 g 1 + · · · + αn1 g n
e 2 = α12 g 1 + · · · + αn2 g n
..
.
e n = α1n g 1 + · · · + αnn g n
On souligne que (∗) s’écrit aussi sous la forme
′
XB 2
= P (B2 → B1 ) .X B1

avec P (B2 → B1 ) est dite la matrice de passage de la base B2 à la base B1 .

De la même façon
′
X B1 = P (B1 → B2 ) .X B 2

donc
[P (B1 → B2 )]−1 = P (B2 → B1 )
car
X B1 = P (B1 → B2 ) .X B
′
= P (B1 → B2 ) .P (B2 → B1 ) .X B1 ; ∀X B1
2
⇒ P (B1 → B2 ) .P (B2 → B1 ) = I n .

4.3.4 Changement de bases

Soient E et F deux K − ev de dimensions finies, B et ¯
¢ B̄ deux¡ bases de¢ E , C et¡C deux ¢bases de¡F et soit¢f : E → F
une application linéaire. On note A = M f , B, C , Ā = M f , B̄, C¯ , S = P C → C¯ , L = P B → B̄ , On a le
¡

résultat suivant :
S Ā = AL ⇔ Ā = S −1 AL c-à-d : Ā = P ¡C¯ → C ¢ AP ¡B → B̄ ¢
¡ ¢ ¡ ¢

⇔ A = S ĀL −1 c-à-d :A = P C → C¯ AP B̄ → B

4.3.5 Rang d’une matrice

 
a 11 a 12 ··· a 1p
 a
 21 a 22 ··· a 2p 

Définition 4.3.2 Soit A ∈ M (n,p ) (K), A =   .. .. .. .. .
 . . . .


a n1 a n2 ··· a np
On considère les p−vecteurs v 1 , . . . , v p ∈ Kn , avec :
   
a 11 a 1p
 a 21   a 2p 
 ∈ Kn  ∈ Kn
   
v1 =  .. ,..., vp =  ..
. .
   
   
a n1 a np

et soit H le sev de E = Kn donné par :

H = vec t (v 1 , · · · , v p )

Par définition le rang de A, noté r g (A) est défini par :

r g (A) = r g (v 1 , · · · , v p ) = dim H = dim vec t (v 1 , · · · , v p )

 
1 −1 0 1
Exemple : Soit A =  2 0 2 4 .
3 5 8 11
Dans cet exemple, on a K = R et E = R4 . Les 4−vecteurs sont donnés par :
       
1 −1 0 1
v1 =  2  , v2 =  0  , v3 =  2  v4 =  4  .
3 5 8 11

45
On remarque que v 3 = v 1 + v 2 et v 4 = 2v 1 + v 2 , alors

vec t (v 1 , v 2 , v 3 , v 4 ) = vec t (v 1 , v 2 ).

Donc B = (v 1 , v 2 ) génére vec t (v 1 , v 2 , v 3 , v 4 ). De plus :

 α−β = 0
      
1 −1 0
α 2 +β 0  =  0  ⇒ 2α = 0
3 5 0 3α + 5β = 0

⇒ α=β=0

Donc B est libre.

D’où B est une base de vec t (v 1 , v 2 , v 3 , v 4 ).
Alors dim H = dim vec t (v 1 , v 2 , v 3 , v 4 ) = 2.
Et par suite
r g (A) = 2

Remarque : Soit A ∈ M(n,p ) (K)


1.
r g (A) ≤ mi n(n, p)

2.
Soient f ∈ LK (E , F ), B1 une base de E et B2 une base de F . Alors :

r g (M ( f , B1 , B2 )) = r g ( f ) = dim(I m( f )).

Définition 4.3.3 Soit A ∈ M(n,p ) (K). On dit qu’on a fait des opérations élémentaires à A si :

a) on permute deux lignes (resp. de deux colonnes) de A.

b) on ajoute à une ligne (resp. colonne) de A une combinaison linéaire des autres lignes (resp. colonnes) de A.
c) on multiplie l’une des lignes (resp. colonne) de A par un λ ∈ K∗ .

Théorème 4.3.1 Le rang d’une matrice A est le même que le rang de la matrice Ā obtenue après avoir fait des
opérations élémentaires.

Application au calcul du rang de A ̸= 0 :

— Par opérations élémentaires (échange de lignes ou de colonnes), on ramène un terme non nul a de A en
position (1, 1).
— Pour chaque i > 1, à la ligne i on retranche le produit par a i 1 de la ligne 1.
On peut aussi, à la colonne j > 1, retrancher le produit par a 1 j de la colonne 1, et cela pour tout les indices
j > 1.  
1 0 ··· 0
 0 × ··· × 
 
On obtient une matrice de la forme   .. ..
 à laquelle on répète le même procédé.
 . . ··· × 

0 × ··· ×

Exemples :
 µ
2 3 4
¶
1.

Calculer r g (A) , avec A = .
4 6 m

46
 µ ¶
2 3 4
r g (A) =rg
4 6 m
µ ¶
1 3 4 ¡1 ¢
=rg 2 c1
2 6 m
µ ¶ µ ¶
1 0 0 c 2 − 3c 1
=rg
2 0 m −8 c 3 − 4c 1
µµ ¶ µ ¶ µ ¶¶
1 0 0
= dim vec t , ,
2 0 m −8
µµ ¶ µ ¶¶
1 0
= dim vec t ,
2 m −8
µ ¶
1 0
=rg
2 m −8
µ ¶
1 0
=rg (l 2 − 2l 1 )
0 m −8
µµ ¶ µ ¶¶
1 0
= dim vec t ,
0 m −8

* Si m ̸= 8, alors
µµ ¶ µ ¶¶
1 0
dim vec t , =2
0 m −8

µµ ¶ µ ¶¶ µµ ¶ µ ¶¶
1 0 1 0
car B = , génére vec t , . Et de plus
0 m −8 0 m −8

α=0
µ ¶ µ ¶ µ ¶ ½
1 0 0
α +β = ⇒
0 m −8 0 β (m − 8) = 0
α=0
½
⇒
β=0

µµ ¶ µ ¶¶
1 0
donc B est libre ; et par suite B est une base de vec t , .
0 m −8
Donc

r g (A) = 2

* Si m ̸= 8, alors
¶ µ µµ
¶¶
1 0
r g (A) = dim vec t ,
0 0
µµ ¶¶
1
= dim vec t =1
0

4 2 −2
 
  4 1 −1 
 ∈ M(4,3) (C)
2.
Calculer r g (A) , avec A =  −4

m 0 
−4 3 −3

47
 1 2 −2
 
 1 1 −1  ¡1 ¢
r g (A) =rg  
4 c1
 −1 m 0 
−1 3 −3
1 0 0
 
 1 −1 1 
=rg   (c 2 − 2c 1 ) et (c 3 + 2c 1 )
 −1 m + 2 −2 
−1 5 −5
1 0 0
 
 0 −1 1  (l 2 − l 1 )
=rg  
 0 m + 2 −2  (l 3 + l 1 )
0 5
−5 (l 4 + l 1 )
1 0 0
 
 0 1 −1 
=rg   (c 3 ↔ c 2 )
 0 −2 m +2 
0 −5 5
1 0 0
 
 0 1−1 
=rg  
 0 0m  (l 3 + 2l 2 )
0 0 0 (l 4 + 5l 2 )
1 0 0
 
 0 1 0 
=rg   (c 3 + c 2 )
 0 0m 
0 0 0
1 0 0
     
 0   1   0 
= dim vec t 
 0  , 
   , 
0   m 
0 0 0

* Si m = 0, alors
1 0 0
     
 0   1   0 
r g (A) = dim vec t   , , 
 0   0   0 
0 0 0
1 0
   
 0   1 
= dim vec t   ,  = 2
 0   0 
0 0

1 0 1 0
    
  
 0   1   0   1 
car B = 
 0  ,  0
    génére vec t 
  0  ,  0
  . Et de plus

0 0 0 0

1 0 0
     

⇒ α=0
½
 0   1   0 
α
 0 +β 0
  =
  0  β=0
0 0 0

1 0

  
 0   1 
donc B est libre ; et par suite B est une base de vec t 
 0  ,  0
    .

0 0

48
 d’où
r g (A) = 2

* Si m ̸= 0, on a

1 0 0 0
   
  
  α=0  α=0
 
 0   1  0   0
α
 0 +β 0
+δ β=0 .

 
  m = 0
  ⇒
  −β = 0 ⇒
mδ = 0 δ=0

0 0 0 0

1 0 0 1 0 0
           
 0   1   0   0   1   0 
alors B = 
 0  ,  0
  
  m  est libre, d’où B est une base de vec t 
,   , ,
  m  .

0   0
0 0 0 0 0 0
Donc
r g (A) = 3

 
 2 4 3
3. Calculer r g (A) , avec A =  0 1 1 .


2 2 −1
 
1 4 3 ¡1 ¢
r g (A) =rg  0 1 1  2 c1
1 2 −1
 
1 0 0
=rg  0 1 1  (c 2 − 4c 1 ) et (c 3 − 3c 1 )
1 −2 −4
 
1 0 0
=rg  0 1 1 
0 −2 −4 (l 3 − l 1 )
 
1 0 0
=rg  0 1 0 
0 0 −2 (l 3 + 2l 2 )
 
1 0 0
=rg  0 1 0 
0 0 1 (− 21 l 3 )
     
1 0 0
= dim vec t  0  ,  1  ,  0 
0 0 1
= dim R3 = 3

Application au calcul d’inverse d’une matrice :

La technique basée sur les opérations élémentaires, permet d’inverser une matrice. En effet, la méthode consiste
à appliquer des transformations élémentaires uniquement sur lignes de la matrice A et on fait en parallèle la
même chose aux lignes de la matrice d’identité I n .
Lorsqu’on arrive à transformer A sous la forme I n , on obtient l’inverse A −1 après avoir appliqué ces mêmes trans-
formations à I n .

Exemples :
 µ
1 5
¶
1.

Inverser A = .
2 3

49
 On va poser la matrice A à gauche, I 2 à droite et signaler la transformation faite au début de chaque ligne.
µ ¶ µ ¶
1 5 1 0
A= I2 =
2 3 0 1
µ ¶ µ ¶
1 5 1 0
l 2 ← l 2 − 2l 1
0 −7 −2 1
µ ¶ µ −3 5 ¶
1 0
l 1 ← l 1 + 57 l 2 7 7
0 −7 −2 1
µ ¶ µ −3 5 ¶
1 0
l 2 ← − 71 l 2 7
2
7
−1
0 1 7 7
µ −3 5 ¶
Par suite A est inversible et son inverse est A −1 = 7
2 −1
7 .
7 7
Vérification :
µ ¶µ −3 5 ¶
1
µ ¶µ ¶
1 5 7 7 1 5 −3 5
2 −1 =
2 3 7 7 7µ 2 3 2 −1
¶
1 7 0
=
0 7
µ7 ¶
1 0
=
0 1
 
 1 1 1
2. Inverser A =  0 1 −1 


0 0 2
On va poser la matrice A à gauche, I 3 à droite et signaler la transformation faite au début de chaque ligne.
   
1 1 1 1 0 0
A= 0 1 −1  I3  0 1 0 
0 0 2 0 0 1
   
1 0 2 1 −1 0
l1 ← l1 − l2  0 1 −1   0 1 0 
0 0 2 0 0 1
   
1 0 0 1 −1 −1
l1 ← l1 − l3  0 1 −1   0 1 0 
0 0 2 0 0 1
   
1 0 0 1 −1 −1
1
l 2 ← l 2 + 21 l 3  0 1 0   0 1 2

0 0 2 0 0 1

1
   
1 0 0 −1 −1
1
l 3 ← 21 l 3  0 1 0   0 1 2

1
0 0 1 0 0 2

1 −1 −1
 
1 
Par suite A est inversible et son inverse est A −1 =  0 1 2 .
1
0 0 2
Vérification :
1 −1 −1
    
1 1 1 1 0 0
 0 1 −1   0 1  
1 2 = 0 1 0 
1
0 0 2 0 0 2
0 0 1

50
Chapitre 5

DÉTERMINANTS

5.1 Motivation et Définition

Dans ce chapitre la lettre K désigne le corps R (ou C).

5.1.1 Motivation :
Soit A ∈ Mn (K).

1.
Pour n = 2, on considère la matrice suivante :
µ ¶
a1 b1
A=
a2 b2

On a
d et (A) = a1 b2 − a2 b1
(1 2) (2 1)

2.
Pour n = 3, on considère la matrice suivante :
 
a1 b1 c1
 a2 b2 c2 
a3 b3 c3

on a

d et (A) = a1 b2 c3 − a1 b3 c2 − a2 b1 c3 + a2 b3 c1 + a3 b1 c2 − a3 b2 c1
(123) (132) (213) (231) (312) (321)

— Permutations de {1, . . . , n} :
Soit S n = { permutations de 1, 2, . . . , n}.
On note par (i 1 i 2 . . . i n ) les permutations de S n .
Pour n = 3
X
d et (A) = sg n(i 1 i 2 i 3 ) · a i 1 · b i 2 · c i 3
(i 1 i 2 i 3 )∈S n

avec sg n(i 1 i 2 i 3 ) : le signe de la permutation (i 1 i 2 i 3 ) ∈ {+1, −1} .

Pour calculer sg n :

1.
permuter deux indices changer le signe.

2.
sg n(123) = +1.
— La signature :

51
 Permutation
¡ ¢ sg n
1 2 3 1
¡ ¢
2 1 3 −1
¡ ¢
2 3 1 1

Définition 5.1.1 Si il faut k transpositions pour passer de (12 . . . n) à (i 1 i 2 · · · i n ) , alors

sg n (i 1 i 2 · · · i n ) = (−1)k

Problème : ¡ ¢ ¡ ¢
2 1 3 = T12 1 2¡ 3 ¢
= T13 T23 T13 1 2 3
car
1 2 3
¡ ¢
T13 ¡ 3 2 1 ¢
T23 ¡ 3 1 2 ¢
T13 2 1 3
— La signature par les cycles :

1 2 3 4 5 6 7 8
¡ ¢
3 8 5 1 6 4 7 2
On a
1→3→5→6→4→1
2→8→2
7→7

5 1 6 4 7 2 = (−1)8−3 .
¡ ¢
donc on a 3 cycles, alors sg n 3 8
Alors
sg n (i 1 . . . i n ) = (−1)n−c or c = nombre de cycles de (i 1 . . . i n )

5.1.2 Définition :
Définition 5.1.2 Soit A ∈ M n (K) une matrice carrée d’ordre n, à coéfficients dans K.
 
a1 b1 ··· p1

 a2 b2 ··· p2 

A= .. .. .. 
. . .
 
 ··· 
an bn ··· pn

On appelle déterminant de A et on note det(A), le nombre

X
d et (A) = sg n (i 1 . . . i n ) a i 1 b i 2 · · · p i n
(i 1 ...i n )∈S n

où S n est l’ensemble de toutes les permutations i des entiers de 1 à n.

sg n (i 1 . . . i n ) = (−1)t où t = nombe de transpontions pour passes de (12 · · · n) à (i 1 i 2 . . . i n ) .
sg n (i 1 . . . i n ) = (−1)n−c où c = nombre de cycles de (i 1 . . . i n ).

5.2 Régle de calcule d’un déterminant


1.
Si A = (a) par convntion det (A) = a.
 µ
a 11 a 12
¶ ¯
¯ a 11 a 12
¯
¯
2.

Si A = , det (A) = ¯ ¯ = a 11 a 22 − a 12 a 21 .
a 21 a 22 ¯ a 21 a 22 ¯

52
  
 a 11 a 12 a 13
3. Si A =  a 21 a 22 a 23  ,


a 31 a 32 a 33
alors, suivant la première ligne par exemple, on a
¯ ¯
¯ + − + ¯¯
¯
¯ a 11 a 12 a 13 ¯
det (A) = ¯¯ ¯
¯ a 21 a 22 a 23 ¯
¯
¯ a a a ¯
31¯ 32 33 ¯ ¯ ¯ ¯ ¯
¯ a 22 a 23 ¯ ¯ a 21 a 23 ¯¯ ¯ a 21 a 22 ¯¯
= +a 11 ¯¯ ¯ − a 12 ¯¯ + a 13 ¯¯
a 32 a 33 ¯ a 31 a 33 ¯ a 31 a 32 ¯
= a 11 (a 12 a 33 − a 22 a 13 )
−a 12 (a 21 a 33 − a 31 a 23 )
+a 13 (a 21 a 32 − a 31 a 22 )
ou suivant la première colonne
¯ ¯
¯ + a 11 a 12 a 13 ¯
¯ ¯
det (A) = ¯¯ − a 21 a 22 a 23 ¯¯
¯ + a
¯ 31 a 32 ¯a 33 ¯
¯
¯ ¯ ¯
¯ a 21 a 22 ¯
¯ − a 23 ¯ a 11 a 12 ¯¯
¯ ¯ a 11 a 12 ¯¯
= +a 13 ¯¯ + a 33 ¯¯
a 31 a 32 ¯ ¯ a 31 a 32 ¯ a 21 a 22 ¯
= a 13 (a 21 a 32 − a 31 a 22 )
−a 23 (a 11 a 32 − a 31 a 12 )
+a 33 (a 11 a 22 − a 12 a 21 )
ou suivant la première colonne
¯ ¯
¯ + a 11 a 12 a 13 ¯
¯ ¯
det (A) = ¯¯ − a 21 a 22 a 23 ¯¯
¯ + a
¯ 31 a 32 ¯a 33 ¯
¯
¯ ¯ ¯
¯ a 21 a 22 ¯
¯ − a 23 ¯ a 11 a 12 ¯ + a 33 ¯ a 11 a 12 ¯¯
¯ ¯ ¯
= +a 13 ¯¯
a 31 a 32 ¯ ¯ a 31 a 32 ¯ ¯ a 21 a 22 ¯
= a 13 (a 21 a 32 − a 31 a 22 )
−a 23 (a 11 a 32 − a 31 a 12 )
+a 33 (a 11 a 22 − a 12 a 21 )

1 2 3 −1
 
  0 1 2 0 
4.
Si A =  3 1 −2 1  ,
 

4 2 3 5
on a suivant la deuxième ligne
¯ 1 2 3 −1 ¯
¯ ¯
¯ ¯
¯ − + − + ¯¯
¯
d et A = ¯¯ 0 1 2 0 ¯¯
¯ 3 1 −2 1 ¯
¯ ¯
¯ 4 2 3 5 ¯
¯ ¯ ¯ ¯
¯ 2 3 −1 ¯ ¯ 1 3 −1 ¯
¯ ¯ ¯ ¯
= −0 ¯¯ 1 −2 1 ¯¯ + 1 ¯¯ 3 −2 1 ¯
¯
¯ 2 3 5 ¯ ¯ 4 3 5 ¯
¯ ¯ ¯ ¯
¯ 1 2 −1 ¯ ¯ 1 2 −1 ¯
¯ ¯ ¯ ¯
−2 ¯¯ 3 1 1 ¯¯ + 0 ¯¯ 3 1 −2 ¯
¯
¯ 4 2 5 ¯ ¯ 4 2 3 ¯

Remarque :

1.
A travers ces exemples, on constate qu’il est préférable de développer d et A suivant la ligne ou la colonne
qui contient le maximum de zéros.

2.
Si une ligne de A ou une colonne de A est nulle, alors d et A = 0.

53
5.3 Propriétés du déterminant
 
a 11 a 12 a 13 ... a 1n
 a 21 a 22 a 23 ... a 2n 
 ∈ Mn (K) et Det l’application définie par :
 
Soit A =  .. .. .. .. ..
. . . . .
 
 
a n1 a n2 a n3 ... a nn

n n n
Det :  K
 × K ×· · · × K  → ¯ K ¯
a 11 a 12 a 1n ¯ a 11
¯ a 12 ... a 1n ¯
¯

 a 21   a 
  22 
 a
 2n


¯ a
¯ 21 a 22 ... a 2n ¯
¯
 .. , . ,..., .  7→ ¯ . .. .. .. ¯
  .   . ¯ .
.   .   . ¯ . . . .
  ¯
  ¯
¯ ¯
a n1 a n2 a nn ¯ a n1 a n2 ... a nn ¯

Proposition 5.3.1 Det est une application multilinéaire, c’est à dire, linéaire par rapport à chaque variable, ou
encore si ¯ ¯
¯ a 11 a 12 ... a 1n ¯
¯ ¯
¢ ¯ a 21 a 22 ... a 2n ¯
¯ ¯
⃗1, X
⃗2, . . . , X
⃗n = ¯ .
¡
Det X ¯ . .. .. .. ¯¯
¯ . . . . ¯
¯ ¯
¯ a n1 a n2 ... a nn ¯

⃗ 1 ∈ Kn , X
où X ⃗ 2 ∈ Kn , . . . , X
⃗ n ∈ Kn .
Alors

⃗ 1 + βY
Det α X ⃗1 , X
⃗2, . . . , X
⃗n αDet X⃗1, X
⃗2, . . . , X
⃗n
¡ ¢ ¡ ¢
=
⃗1 , X
⃗2, . . . , X
⃗n
¡ ¢
+βDet Y

et

⃗ 1, αX
⃗ 2 + βY
⃗2 , . . . , X
⃗n αDet X⃗1, X
⃗2, . . . , X
⃗n
¡ ¢ ¡ ¢
Det X =
⃗1, Y
⃗2 , . . . , X
⃗n
¡ ¢
+βDet X

Exemple : Sur le plan pratique :

 ¯ ¯ ¯ ¯ ¯
¯ 1 2 ¯ ¯ 2 + (−1) 2 ¯ ¯ 2 2 ¯ ¯ −1 2 ¯
¯ ¯ ¯
1.
¯ 3 4 ¯ = ¯ 7 + (−4) 4 ¯ = ¯ 7 4 ¯ + ¯ −4 4 ¯
¯ ¯ ¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ ¯ ¯ ¯
¯ 2 2 (6) + 3 (−3) ¯ ¯ −1 2 ¯
¯ = 2¯ 2 6 ¯¯
¯ ¯ 2 −3 ¯
= ¯¯ ¡ 17 ¢ ¯+¯
¯ 7 − 17 ¯ + 3 ¯ 7 7 ¯ = ··· .
¯ ¯
7 2 − 2 + 3 (7) ¯ ¯ −5 4 ¯ 2
¯
¯ 1 1 ¯ ¯ ¯ ¯ ¯
2 (5) + 8 (6) 1 ¯¯
 ¯ 1 5 1 ¯ ¯ 1 6 1 ¯¯
1 ¯ 1¯
¯ ¯ ¯ ¯
2.
¯¯ −1 21(3) + 8 (−1) 7 ¯¯ = 2 ¯¯ −1 3 7 ¯¯ + 8 ¯¯ −1 −1 7 ¯¯
¯ ¯ ¯ ¯
2 2 (0) + 8 (4) 10 2 0 10 2 4 10
¯ p ¯ ¯ ¯ ¯ ¯
¯ 1 4 2 + i 4 ¯¯
p (13) p ¯ 1 4 13 ¯
¯ ¯ ¯ 1 4 4 ¯
¯ ¯ ¯
¯ 2 5 2 (0) + i i ¯¯ = 2 ¯¯ 2 5 0 ¯¯ + i ¯¯ 2 5 i ¯¯
¯ p ¯ 3 6 −1 ¯ ¯ 3 6 0 ¯
¯ 3 6 2 (−1) + i 0 ¯

Remarque : Cette proprièté de linéarité par rapport à chaque colonne est aussi vraie, par rapport à chaque
ligne.

Exemple :
 ¯ ¯
¯ 2 (8) + 7 (5) 2 (−4) + 7 (0) ¯
¯ ¯ ¯ ¯
¯ = 2 ¯ 8 −4 ¯ + 7 ¯ 5 0
¯ ¯ ¯ ¯
1.

¯
¯ ¯
11 13 ¯ ¯ 11 13 ¯ ¯ 11 13 ¯
¯ ¯ ¯ ¯ ¯ ¯
 ¯ 1 2 3 ¯ ¯ 1 2 3 ¯¯ ¯ 1 2 3 ¯
2.
¯¯ 4a + 5b 4α + 5β 4p + 5q ¯¯ = 4 ¯¯ a α p ¯¯ + 5 ¯¯ b β
¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ q ¯
¯
7 −2 0 7 −2 0 7 −2 0 ¯

54
Proposition 5.3.2 L’application

Det : K n ×K n ×···×K n → K
⃗1, X
⃗2, . . . , X
⃗n ⃗1, X
⃗2, . . . , X
⃗n
¡ ¢ ¡ ¢
X 7 → Det X

est alternée, c’est à dire

⃗1, X
⃗2, . . . , X
⃗i , . . . , X
⃗ j ,..., X
⃗ n = −Det X⃗1, X
⃗2, . . . , X
⃗ j ,..., X
⃗i , . . . , X
⃗n
¡ ¢ ¡ ¢
Det X

Exemple :
 ¯
¯ a
¯
x ¯¯
¯
¯ x
¯
a ¯¯
1.
¯ b = − ¯¯
¯
y ¯ y b ¯
æ
¯ ¯
a 11 a 12 a 13 a 14 a 14 a 11 a 13 a 12
¯ ¯ ¯ ¯  ¯ 
¯ ¯ ¯ ¯ ¯
 ¯ ¯ ¯ a 11 a 14 a 13 a 12 ¯ ¯
¯ a 21 a 22 a 23 a 24 ¯ ¯ ¯  ¯ a 24 a 21 a 23 a 22 
2.
¯¯
¯ ¯ = −¯ a 21 a 24 a 23 a 22 ¯ = − − ¯ 
a 31 a 32 a 33 a 34 ¯ ¯ ¯  ¯ a 34 a 31 a 33 a 32 
¯ ¯ a 31 a 34 a 33 a 32 ¯ ¯
¯ a 41 a 42 a 43 a 44 ¯ ¯ ¯ ¯ a 44 a 41 a 43 a 42
¯ a 41 a 44 a 43 a 42 ¯

Remarque : Cette opération est, aussi, valable pour les lignes.

Exemple :
 ¯
¯ a x
¯ ¯ ¯
¯ = −¯ b y ¯¯
¯ ¯
1.

¯ b y
¯
¯ a
¯ x ¯
¯ ¯ ¯ ¯  ¯ ¯   ¯ ¯ 
 ¯ 1 2 3 ¯¯ ¯ 7 8 9 ¯ ¯ 7 8 9 ¯ ¯ 8 7 9 ¯
¯ ¯ ¯ ¯ ¯ ¯ ¯
2.
¯¯ 4 5 6 ¯ = − ¯¯ 4 5 6
¯ ¯ ¯ = − − ¯ 1 2 3 ¯ = − − − ¯ 2 1 3 ¯ 
¯ ¯ ¯ ¯ ¯
7 8 9 ¯ ¯ 1 2 3 ¯ ¯ 4 5 6 ¯ ¯ 5 4 6 ¯

5.3.1 Conséquences
Conséquence 1 :
On a
¯ ¯
¯
¯ a
¯ ¯ æ ¯ ¯ ¯
x x ¯
¯ ¯
¯ a
¯ ¯ a x x ¯
¯
¯ b x x ¯¯ ¯ ¯
y y ¯ = − ¯¯
¯ ⇒ 2 ¯¯ b y y ¯ = 0,
¯ b y y ¯¯
¯ ¯
¯ c z z ¯ ¯ c z z ¯
¯ c z z ¯
¯ ¯
¯ a x x ¯
¯ ¯
d’où ¯¯ b y y ¯¯ = 0.
¯ c z z ¯
Donc, on a le résultat suivant :

Proposition 5.3.3 Le déterminant d’une matrice avec deux memes lignes ou deux meme colonne est nul.

Conséquence 2 :
Toujours, dans le cardre des conséquences de la multilinéarité et de l’alternance du déterminant, on a :
¯ ¯ ¯ ¯ ¯ ¯
¯ A B C ¯ ¯ A B C ¯ ¯ A B C ¯
¯ αA + βD αB + βE αC + βF α
¯ ¯ ¯ ¯ ¯ ¯
¯ = ¯ A B C ¯ +β ¯ D E F ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ D E F ¯ ¯ D E F ¯ ¯ D E F ¯
| {z } | {z }
0 0
= 0

de meme

55
 ¯ ¯ ¯ ¯
¯ A B C ¯ ¯ A B C ¯
¯ αA + βD αB + βE αC + βF α
¯ ¯ ¯ ¯
¯ = ¯ A B C ¯
¯ ¯ ¯ ¯
¯ D E F ¯ ¯ D E F ¯
| {z }
0
¯ ¯
¯ A B C ¯
¯ ¯
+β ¯ D E F ¯
¯ ¯
¯ D E F ¯
| {z }
0
= 0

Donc, on a le résultat suivante :

Proposition 5.3.4 Si on remarque, que dans une matrice carrée, il y’a une colonne (ou une ligne) qui s’écrit
comme combinaison linéaire des autres colonnes (vers des autres lignes), alors son déterminant est nul. Récipro-
quement et de meme si on ne remarque rien et qu’on constate que, det A = 0, alors sachez que :
— une colonne est combinaison linéaire des autres colonnes.
— une ligne est combinaison linéaire des autres lignes.

c c2 c3 c + c2 c2 c 3 + 6c 2
¯ 1 ¯ ¯1 ¯
¯ 1 −1 6 ¯¯ ¯ 0 −1 0 ¯¯
¯ ¯
D= ¯ 2 4 2 ¯¯ = ¯¯ 6 4 26 ¯¯
¯
¯ 3 5 3 ¯ ¯ 8 5 33 ¯

Car :
c + c2 c2 c 3 + 6c 2 c c 2 c 3 + 6c 2
¯1 ¯ ¯ 1 ¯
¯ 0 −1 0 ¯¯ ¯ 1 −1 0 ¯¯
¯ ¯
¯ 6 4 26 ¯¯ = ¯ 2 4 26 ¯¯
¯ ¯
¯ 8 5 33 ¯ ¯ 3 5 33 ¯
c c 2 c 3 + 6c 2
¯ 2 ¯
¯ −1
¯ −1 0 ¯¯
+ ¯ 4 4 26 ¯¯
¯
¯ 5 5 33 ¯
| {z }
0

c c2 c3 c c2 c2
¯ 1 ¯ ¯ 1 ¯
¯ 1 −1 6 ¯¯ ¯ 1 −1 −1 ¯¯
¯ ¯
= ¯ 2 4 2 ¯¯ + 6 ¯¯ 2 4 4 ¯¯
¯
¯ 3 5 3 ¯ ¯ 3 5 5 ¯
| {z }
0

Cette maneuvre a permis de gagner deux 0 dans la première ligne, d’où :

+ − +
¯ ¯ ¯ ¯
¯ 1 −1 6 ¯ ¯ 0 −1 0 ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ 6 26 ¯
D= ¯ 2 4 2 ¯= ¯ 6 4 26 ¯ = − (−1) ¯¯ ¯
¯
¯ 3
¯ ¯ ¯ 8 33 ¯
5 3 ¯ ¯ 8 5 33 ¯
¯ ¯ ¯ ¯
¯ 6 26 ¯ ¯ 3 26 ¯¯
= ¯¯ ¯ = 2¯ = 2 (99 − 104) = −10.
8 33 ¯ ¯ 4 33 ¯

Remarque :
αa αc
µ ¶ µ ¶
a c
α =
b d αb αd

56
mais
c ¯¯ ¯¯ αa c ¯¯ ¯¯ αa αc ¯¯ ¯¯ a αc ¯¯ ¯¯ a
¯ ¯ ¯ ¯ ¯ ¯ ¯ ¯ ¯ ¯
¯ a c ¯¯
α ¯¯ = = = =
b d ¯ ¯ αb d ¯ ¯ b d ¯ ¯ b αd ¯ ¯ αb αd ¯

Conséquence 3 :

Montrer que B = ((1, 2, 3) , (1, 0, 1) , (3, −1, 0)) est une base de R3 .
On a

C ar d B = 3 = dim R3 ⇒ B est une base de R3

⇔ B est libre
⇔ B n’est pas liée
⇔ aucun de ses vecteurs s’écrit comme combinaison linéaire des autres
¯ ¯
¯1 1 3 ¯
¯ ¯
⇔ ¯2 0 −1¯ ̸= 0
¯ ¯
¯3 1 0 ¯

¯ ¯
¯1 1 3 ¯
Donc pour que B soit une base de R3 , il suffit que ¯¯2 0 −1¯¯ ̸= 0. En effet :
¯ ¯
¯3 1 0 ¯
Le déterminant de la matrice
¯ ¯
¯1 1 3 ¯
¯ ¯
¯2 0 −1¯
¯ ¯
¯3 1 0 ¯

est calculé comme suit :

¯ ¯
¯1 1 3 ¯¯ ¯ ¯ ¯ ¯ ¯ ¯
¯ ¯0 −1¯¯ ¯2 −1¯¯ ¯2 0¯¯
¯2 0 −1¯¯ = 1 × ¯¯ − 1 × ¯ + 3 × ¯
¯
¯3 1 0 ¯ ¯3 0 ¯ ¯3 1¯
1 0¯
= 1×1−1×3+3×2
= 1−3+6
= 4.

Donc,
¯ ¯
¯1 1 3 ¯¯
¯
¯2 0 −1¯¯ = 4 ̸= 0.
¯
¯3 1 0¯

Donc, on a le résultat suivant :

Proposition 5.3.5 Soit B = (e 1 , e 2 , ..., e m ) est une famille de vecteurs de Rn , alors :

— Si m ̸= n, B n’est pas base de de Rn .¯ ¯
¯ x 11 x 12 . . . x 1n ¯
¯ ¯
¯x x 22 . . . x 2n ¯¯
21
— Si m = n, alors B est base de Rn ⇔ ¯¯ .
¯
.. .. .. ¯¯ ̸= 0,
¯ .. . . . ¯
¯ ¯
¯x n1 x n2 . . . x nn ¯
     
x 11 x 12 x 1n
x  x  x 
 21   22   2n 
où e 1 = 
 .. ,e 2 =  ..  , ..., e n =  ..  .
    
 .   .   . 
x n1 x n2 x nn

Conséquence 4 :

57
Soit A une matrice carrée d’ordre n, à coefficients dans R (ou C) définie par
 
a 11 a 12 . . . a 1n
a
 21 a 22 . . . a 2n 

A=  .. .. .. .. 
 . . . . 

a n1 a n2 ... a nn
On définie deux bases B 1 , B 2 dans Rn ( par exemple B 1 = B 2 = B c la base canonique de Rn ).
Soit f l’application linéaire de Rn dans Rn , associée à A dans (B 1 , B 2 ) , c-à-d
f : Rn → Rn
x 7−→ Ax
    
a 11 a 12 ... a 1n x1 y1
x1
 
a a 22 a 2n 
...   x2   y 2 
   
 .   21
c-à-d f (x) = f  ..  = 
 .. .. ..  .  =  . .
..     
 . . . .   ..   .. 
xn
a n1 a n2 ... a nn xn yn
Alors :

A est inversible ⇔ f est bijective

⇔ r g ( f ) = dim I m( f ) = n
⇔ rgA =n
a 11 a 12 a 1n
     
 .   .   . 
⇔ dim vec t  ..  ,  ..  , . . . ,  ..  = n
a n1 a a nn
 n2 
a 11 a 12 a 1n
   
 ..   ..   . 
⇔  .  ,  .  , . . . ,  ..  est une base de Rn
an1 a n2 a nn 
a 11 a 12 ... a 1n
a
 21 a 22 ... a 2n 

⇔ det 
 .. .. ..  ̸= 0
.. 
 . . . . 
a n1 a n2 ... a nn
⇔ det A ̸= 0
Donc à retenir :

Proposition 5.3.6 Soit A ∈ Mn (K), alors

A est inversible ⇔ det A ̸= 0.

Remarques :
— Pour A, B ∈ Mn (K) on a :

n
1.
d et (λA) = λ × d et A
2.
d et (AB ) = d et (A) × d et (B )
T
3.
d et A = d et A
— Si I est la matrice identité, alors :

1.
d et I = 1
− − − 1
2.
A A 1 = I ⇒ (d et A)(d et A 1) = 1 ⇒ d et A 1 = d et A
 
a 11 a 12 . . . a 1n
a
 21 a 22 . . . a 2n 

Définition 5.3.1 Soit A =  . .. ..  ∈ Mn (K), on appelle mineur de a i j et on note ∆i j , le détérmi-
.. 

 .. . . . 
a n1 a n2 . . . a nn
nant d’ordre (n − 1), de la matrice obtenue en enlevant de A la i i ème ligne et la j i ème colonne.

58
  
a 11 a 12 a 13 ¯
¯a
¯ ¯ ¯
a 23 ¯¯ ¯a 12 a 13 ¯¯
Exemple : Si A = a 21 a 22 a 23  alors ∆12 = ¯¯ 21 ; ∆31 = ¯ , ....
a 31 a 33 ¯ ¯a 22 a 23 ¯
a 31 a 32 a 33

Proposition 5.3.7 Soit A = (a i j ) ∈ Mn (K), alors

det A = (−1)i +1 a i 1 ∆i 1 + (−1)i +2 a i 2 ∆i 2 + ... + (−1)i +n a i n ∆i n
Suivant la i éme ligne
det A = (−1)1+ j a 1 j ∆1 j + (−1)2+ j a 2 j ∆2 j + ... + (−1)n+ j a n j ∆n j
Suivant la j éme colonne

 
a 11 a 12 a 13
Exemple : Soit A = a 21 a 22 a 23 
a 31 a 32 a 33
det A = (−1)1+1 a 11 ∆11 + (−1)1+2 a 12 ∆12 + (−1)1+3 a 13 ∆13
Suivant la 1ère ligne
det A = (−1)1+2 a 12 ∆12 + (−1)2+2 a 22 ∆22 + (−1)3+2 a 32 ∆32
Suivant la 2ème colonne

Définition 5.3.2 Soit A = (a i j )i ≤i , j ≤n ∈ Mn (K).

On appelle cofacteur de a i j , le nombre
αi j = (−1)i + j ∆i j

On appelle comatrice de A, notée com(A), la matrice carrée d’ordre n, définie par

com(A) = (αi j )i ≤i , j ≤n

on a le résultat suivant :

Proposition 5.3.8 Si det A ̸= 0, alors A est inversible et on a

A
A −1 = (com(A))T .
det A

µ ¶
1 2
Exemple : A= on a det A = −7 ̸= 0 d’où
3 −1

−1
A −1 = (com(A))T .
7

Car
α11 α12
µ ¶
com(A) =
α21 α22
avec
α11 = (−1)1+1 ∆11 = (−1)1+1 ∆11 = −1
α12 = (−1)1+2 ∆12 = (−1)1+2 ∆12 = −3
α21 = (−1)2+1 ∆21 = (−1)2+1 ∆21 = −2
α22 = (−1)2+2 ∆22 = (−1)22 ∆22 = 1

Donc µ ¶
−1 −3
com(A) =
−2 1

D’où
µ ¶T µ ¶ µ1 2 ¶
−1 1 −1 −3 1 −1 −2
A =− =− = 37 7 .
−1
7 −2 1 7 −3 1 7 7

Définition 5.3.3 Soit A = (a i j )1≤i ≤n; 1≤ j ≤p ∈ M(n,p) (K)

On appelle une matrice extraite de A d’ordre (k, l ), toute matrice obtenue à partir de A, en gardant seulement k
lignes et l colonnes et enlevant les autres lignes et colonnes.

59
  
1 2 3 4 5
Exemples : Si A =  6 7 8 9 10,
−1 −2 −3 4 0
 
1 2 3
— B = 6 7 8  est extraite de A d’ordre (3, 3).
−1 −2 −3
 
1 3 5
— C = 6 8 10 est extraite de A d’ordre (3, 3).
−1 −3 0
µ ¶
2 3
— D= est matrice extraite de A d’ordre 2.
7 8
µ ¶ µ ¶
1 5 2 5
— L= ; sont extraites de A d’ordre 2.
6 10 −2 0
— T = (7) est une matrice extraite d’ordre 1

Proposition 5.3.9 Soit A ∈ M(n,p) (K) alors r g (A) = l’ordre de la matrice carrée de la plus grande taille (c-à-
d’ordre), extraite de A et ayant un déterminant non nul.

Exemples :
 µ
1 5 −1 0
¶ ¯ ¯
¯1 0 ¯
1.

A = , r g (A) = 2 car ¯2 8¯ = 8 ̸= 0.
¯ ¯
2 10 −2 8
  ¯ ¯ ¯ ¯ ¯ ¯
 1 −1 5 4 1 ¯1 5 1 ¯ ¯1 1 1¯¯ ¯1 0 1¯¯ ¯
¯1
¯
¯
2 −2 10 8 1, r g (A) = 3 car ¯2 10 1¯ = 5 ¯2
¯ ¯ ¯ 1¯¯
2.

A = 2 1¯¯ = 5 ¯¯2 0 1¯¯ = − ¯¯ = 1 ̸= 0.
¯ ¯ ¯ 2 1¯
3 −3 20 12 1 ¯3 20 1¯ ¯3 4 1¯ ¯3 1 1¯

5.4 Résolution d’un système linéaire

On considère le système linéaire suivant :

a 11 x 1 + a 12 x 2 + . . . + a 1n x n = b 1




a 21 x 1 + a 22 x 2 + . . . + a 2n x n = b 2



(S) .. ..
.=.






a m1 x 1 + a m2 x 2 + . . . + a mn x n = b n

Matriciellement (S) s’écrit sous la forme suivante :

    
a 11 a 12 ... a 1n x1 b1
a a 22 ... a 2n   x  b 
 12  2  2
 .  =  . 
 . .. .. ..     
 .
 . . . .   ..   .. 
a m1 a m2 ... a mn x n bn

   
x1 b1
x  b 
 2  2
⃗ =  .  est dit le vecteur inconnu et ⃗
X b=
 ..  le second membre et A = (a i j )1Éi Ém la matrice du système.

 . 
 .   .  1É j Én
xn bn

5.4.1 Cas 1 : Système de Cramer

Définition 5.4.1 Le système (S) est dit de Cramer si il est carrée, (c’est à dire m = n) et si det A ̸= 0.

60
Dans ce cas on a
       
a 11 a 12 a 1n b1
a  a   a  b 
 21   22   2n   2 
(S) ⇒ x 1 
 ..  + x 2  ..  + . . . + x n  ..  =  .. 
      
 .   .   .   . 
a n1 a n2 a nn bn
donc pour calculer x j , on calcul le détérminant de A après avoir remplacer la j i ème colonne par le second membre
 
b1
b 
 2
 .  , et on obtient
 . 
 . 
bn
¯ a 11 ... a 1 j −1 b1 a 1 j +1 ... a 1n ¯
¯ ¯
¯ .. .. .. .. .. .. .. ¯
¯ ¯
¯ . . . . . . . ¯¯
¯
¯a ... a n j −1 bn a n j +1 ... a nn ¯
n1
xj = ; ∀i , j ∈ {1, 2, . . . , n}
det A

Exemples :

1.
Soit (
3x − y =1
(S)
2x + 7y =0
On a (
3x − y =1
µ ¶µ ¶ µ ¶
3 −1 x 1
⇔ =
2x + 7y =0 2 7 y 0
comme det A = 21 + 2 = 23 ̸= 0, donc (S) est de Cramer.
D’où
¯ ¯
¯1 −1¯
¯ ¯
¯0 7 ¯ 7
x = =
det A 23
¯ ¯
¯3 1 ¯
¯ ¯
¯2 0¯ −2
y = =
det A 23

2.
Soit 
x − y + z
 =0
(S) 2x + y + z = −1

3x + 5z =1


On a 
x − y + z =0
    
 1 −1 1 x 0
2x + y + z = −1 ⇔ 2 1 1  y  = −1
3 0 5 z 1

3x + 5z =1


Comme¯ ¯ ¯ ¯
¯1 −1 1¯ L 1 L 1 ¯¯1 −1 1¯¯ ¯ ¯ ¯ ¯
¯ ¯ ¯3 2¯¯ ¯1 2¯¯
det A = ¯¯2 1 1¯¯ L 2 = L 2 + L 1 ¯¯3 0 2¯¯ = −(−1) ¯¯ = 3 ¯ = 3(5 − 2) = 9 ̸= 0,
¯3 0 5 ¯ L 3 5 ¯ ¯1 5¯
3 L 3 ¯3 0 5¯
donc (S) est de Cramer.
D ’où ¯ ¯ ¯ ¯ ¯ ¯
¯0 −1 1¯¯ ¯1 0 1¯¯ ¯1 −1 0 ¯¯
¯ ¯ ¯
¯−1
¯ 1 1¯¯ ¯2
¯ −1 1¯¯ ¯2
¯ 1 −1¯¯
¯1 0 5¯ ¯3 1 5¯ ¯3 0 1¯
x= ;y = ;z =
9 9 9

61
5.4.2 Cas 2 : Système avec plus d’inconnus que d’équations (n ≻ m)
Soit (
x − 2y + 3z + 7t =1
(S)
4x + y − z − t =2

On a
x
 
(
x − 2y + 3z + 7t =1
µ ¶ µ ¶
1 −2 3 7 y  = 1

⇔
4x + y − z − t =2 4 1 −1 −1  z  2
t

A étant non carrée, on apas le droit de parler de det A, on calcule alors r g (A) .
µ ¶
1 −2
On a r g (A) = 2, car d et ̸= 0, on écrit alors le système sous la forme du système
4 1
(
¡ ′ ¢ x − 2y = 1 − 3z − 7t
S
4x + y = 2 + z + t

qui est de Cramer.

x et y seront
¡ ¢ dits les inconnus principales et z et t celles non principales.
Comme S ′ est de Cramer, alors

¯ ¯
¯1 − 3z − 7t −2¯¯
¯
¯ 2+z +t 1¯ 5 − z − 5t
x = = ;
9 9
¯ ¯
¯1 1 − 3z − 7t ¯¯
¯
¯4 2+z +t ¯ −2 + 13z + 24t
y = = ;
9 9

l’ensemble des solutions est infini et donné par :

5 − z − 5t −2 + 13z + 24t
½µ ¶ ¾
SOL = , , z, t /z, t ∈ R
9 9

5.4.3 Cas 3 : Système avec plus d’équations que d’inconnus (n ≺ m)

Soit 
3x − y
 =1
(S) 5x + 2y =3

7x − y

= −1

On a
  
3 −1 µ ¶
  
3 −1  1
 5 x
2 ⇔ 5 2  = 3 
 
y
7 −1


7 −1 −1

A étant non carrée, on apas le droit de parler de det A, on calcule alors r g (A) .
 
3 −1 (
3x − y =1
On a r g (A) = 2, car d et  5 2  ̸= 0, autrement dit le système est de Cramer.
7 −1 5x + 2y = 3
Donc il peut nous fournir la solution x ∗ , y ∗ .
¡ ¢

Il reste à vérifier si cette solution garantit que la troisième équation 7x − y = −1 sera vérifiée également.
Pour vérifier ce point on fait appelle aux déterminantx caractéristiques.

62
Soit ¯ ¯
¯ 3 −1 1 ¯
∆ = ¯¯ 5
¯ ¯
2 3 ¯ = −42 ̸= 0.
¯
¯ 7 −1 −1 ¯

Donc x ∗ , y ∗ ne garantit pas la troisième équation, autrement dit, la troisième équation est incompatible avec
¡ ¢

les deux premières (ou en contradiction avec les deux premières).

D’où l’ensemble des solutions est vide, c-à-d
S =∅

5.4.4 Cas 4 : Système où plus le nombre d’équations coincide avec le nombre d’inconnus
(n = m) , mais det A = 0.
Soit 
x − 2y + z
 =1
(S) 3x + 4y − z =2

4x + 2y =3


On a 
x − 2y + z =1
    
 1 −2 1 x 1
3x + 4y − z =2 ⇔ 3 4 −1   y  = 2
4 2 0 z 3

4x + 2y =3


On a det A = 0, donc¯le système¯ (S) n’est pas de Cramer.

¯ 1 −2 ¯
On a r g (A) = 2, car ¯¯ ¯ ̸= 0, le système (S) s’écrit donc sous la forme :
3 4 ¯


x − 2y
 = 1−z
3x + 4y = 2+z

4x + 2y =3


donc x et y sont les inconnus principales, z non principale de plus la troisième équation va jouer le role de
l’équation barrage. Donc
Test de compatibilité
Soit ¯ ¯
¯ 1 −2 1 − z ¯
∆ = ¯¯ 3 4
¯ ¯
2 + z ¯¯ = 0.
¯ 4 2 3 ¯
Donc la troisième équation est compatible avec les deux premières et par suite
(
x − 2y = 1−z
(S) ⇔
3x + 4y = 2+z

ce dernier système est de Cramer, d’où

¯ ¯
¯ 1−z −2 ¯¯
¯
¯ 2+z 4 ¯ 4−z
x = = ,
10 5
¯ ¯
¯ 1
¯ 1−z ¯
¯
¯ 3 2+z ¯ −1 + 4z
y = =
10 10
Donc l’ensemble des solutions est
4 − z −1 + 4z
½µ ¶ ¾
SOL = , , z /z ∈ R
5 10

63