Table des matières

1 Espaces vectoriels 3
1.1 Espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.1 Quelques propriétés . . . . . . . . . . . . . . . . . . . . 5
1.2 Sous espaces vectoriels . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Intersection de sous-espaces vectoriels . . . . . . . . . . 6
1.2.2 Somme de sous espaces vectoriels . . . . . . . . . . . . 6
1.2.3 Somme directe de sous espaces vectoriels . . . . . . . . 7
1.2.4 Sous-espaces supplémentaires . . . . . . . . . . . . . . 7
1.3 Parties génératrices, Parties libres , Bases . . . . . . . . . . . . 7
1.3.1 Combinaisons linéaires . . . . . . . . . . . . . . . . . . 7
1.3.2 Famille (partie) génératrice . . . . . . . . . . . . . . . 8
1.3.3 Famille libre-Famille liée . . . . . . . . . . . . . . . . . 9
1.3.4 Base- Dimension . . . . . . . . . . . . . . . . . . . . . 10
1.3.5 Rang d’un ensemble de vecteurs . . . . . . . . . . . . . 12

2 Applications linéaires 13
2.1 Noyau et image d’une application linéaire . . . . . . . . . . . . 16
2.2 Rang d’une application linéaire . . . . . . . . . . . . . . . . . 16

3 Les Matrices 18
3.1 Dé…nitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2 Matrices particulieres . . . . . . . . . . . . . . . . . . . . . . . 19
3.3 Opérations sur les matrices . . . . . . . . . . . . . . . . . . . . 21
3.4 Matrice associée à une application linéaire . . . . . . . . . . . 25

4 Systèmes d’équations linéaires 27

4.1 Déterminant d’une matrice carrée . . . . . . . . . . . . . . . . 27
4.1.1 Dé…nition du déterminant . . . . . . . . . . . . . . . . 27

1
 4.1.2 Déterminant en dimension 2 et 3 . . . . . . . . . . . . 27
4.1.3 Calcul de l’inverse d’une matrice . . . . . . . . . . . . 31
4.2 Systèmes d’équations linéaires . . . . . . . . . . . . . . . . . . 32
4.2.1 Méthode de Cramer . . . . . . . . . . . . . . . . . . . 33
4.2.2 Méthode de Gauss . . . . . . . . . . . . . . . . . . . . 34

2
Chapitre 1

Espaces vectoriels

Dans toute la suite, (K; +; :) désigne un corps commutatif.(K = R ou C )

1.1 Espace vectoriel

Dé…nition 1 (Espace vectoriel sur K). Soit E un ensemble muni d’une loi
interne notée : E E ! E, et d’une loi externe notée :K E !E

est externe , 8 2 K; 8x 2 E : x2E

On dit que (E; ; )est un espace vectoriel sur le corps K (ou K- Espace
vectoriel) si les axiomes suivants sont véri…és.
1-(E; ) est un groupe commutatif c’est-à-dire :
a- 8u; v 2 E : u v = v u (commutativité)
b-8u; v; w 2 E : (u v) w = u (v w) (Associativité)
c-9e 2 E; 8u 2 E; u e = u (élément neutre)
d-8u 2 E; 9u 2 E : u u = e (symétrique)
2-8 ; 2 K; 8u; v 2 E :
a- ( + ) u = ( u) ( v)
b- (u v) = ( u) ( v)
c-( : ) u = ( u)
d-1K u = u où 1K est l’élément neutre pour la multiplication de K

Remarque 2 -Dans toute la suite, on notera 0E l’élément neutre pour la loi

de composition interne et on l’appellera le vecteur nul.
Le symétrique d’un élément u de E sera noté ( u).

3
 -Les éléments du corps K sont appelés scalaires, et sont notés en géné-
ral par des lettres grecques ; ; ; :::etc. Le corps K est appelé le corps des
scalaires.
-Les éléments de l’espace vectoriel sont appelés des vecteurs, et sont notés
par des lettres latines u, v, x, y,...etc.
- La loi de composition interne est notée usuellement + ; elle est appelée
couramment l’addition des vecteurs, et v + v est appelée somme des vecteurs
v et v
- La loi de composition externe est appelée couramment multiplication
par un scalaire. Le scalaire et le vecteur sont écrits côte à côte sans notation
particulière ; si est un scalaire et v un vecteur, on écrit v.

Exemple 3 1- K est un K-espace vectoriel

2- Kn = f( 1 ; 2 ; :::; n ) = i 2 K; i = 1; 2; :::; ng est un K espace vectoriel
3- C est un C-espace vectoriel, c’est aussi un R-espace vectoriel.
4- Soient E un K-espace vectoriel et X un ensemble non vide quelconque.
Considérons F(X; E) l’ensemble des applications de X dans E.
Pour f , g 2 F(X; E) et 2 K, on dé…nit : f + g, f par :
8x 2 X; (f + g)(x) = f (x) + g(x) et ( f ) (x) = (f (x))
alors F(X; E) muni de ces lois est un K-espace vectoriel.

Exercice 4 Montrer que (R2 ; ; ) est un espace vectoriel sur R tel que la
loi interne dé…nie par :
8 (x; y) ; (x; y) 2 R2 : (x; y) (x; y) = (x + x; y + y)
La loi externe dé…nie par :
8 (x; y) 2 R2 ; 8 2 R : (x; y) (x; y) = (x + x; y + y)

Remarque 5 Rn , muni de la loi interne + dé…nie par :

8 (x1 ; ::; xn ) ; (y1 ; ::; yn ) 2 Rn : (x1 ; ::; xn ) + (y1 ; ::; yn ) = (x1 + y1 ; ::; xn + yn )
et la loi externe dé…nie par :
8 2 R; (x1 ; ::; xn ) 2 Rn : (x1 ; ::; xn ) = ( x1 ; ::; xn )
est un espace vectoriel sur R
0Rn = (0; 0; :::; 0) est le vecteur nul dans Rn

4
1.1.1 Quelques propriétés
Proposition 6 Soit E un espace vectoriel sur K, soient x; y 2 E et ; 2K
on a :
( )x = x x et (x y) = x y
0E = 0E et 0k x = 0E

Remarque 7
v = 0E , = 0K ou v = 0E

1.2 Sous espaces vectoriels

Dé…nition 8 :(sous espace vectoriel S.E.V)
Soit E un espace vectoriel sur K, et soit F une partie de E : On dit que
F est un sous espace vectoriel de E si F possède les propriétés suivantes :
8
< F 6= ; (0E 2 F )
8x; y 2 F : x + y 2 F (Autrement dit F est stable par l’adition)
:
8x 2 F; 8 2 K : x 2 F (Autrement dit, F est stable par la multiplication par un scalaire )

Remarque 9 :Tout sous-espace vectoriel de E, est un espace vectoriel pour

les lois induites par E:

Exemple 10 :
Si E est un espace vectoriel, alors f0E g et E sont des sous espaces vec-
toriels de E:
Soit E = R2 ; montrer que F = f(x; 0) ; x 2 Rg est un sous-espace vecto-
riel de E:

Corollaire 11 : Soit E un espace vectoriel sur K, et soit F une partie de E,

si F véri…e les propriétés 1 et 2 suivantes alors F est un sous-espace vectoriel
de E
F 6= ; (0E 2 F ) (1)
8x; y 2 F; 8 ; 2 K : x + y 2 F (2)

Remarque 12 Un sous espace vectoriel F de E contient nécessairement

0E .(Si 0E n’appartient pas à F alors F n’est pas un sous-espace vectoriel de
E )

5
Exemple 13 : Les parties suivantes ne sont pas des sous espaces vectoriels
de R2
A = (x; y) 2 R2 : x + y = 1 car ne contient pas le vecteur nul
B = (x; y) 2 R2 : xy = 0 car non stable par addition
2
C = (x; y) 2 R : x + y 2 Z car non stable par produit extérieur

Exercice 14 : Soit F = f(x; y) 2 R2 : x + 2y = 0g

Montrer que F est un S.E.V de R2

1.2.1 Intersection de sous-espaces vectoriels

Proposition 15 : L’intersection de deux sous-espaces vectoriels d’un espace
vectoriel E est un sous-espace vectoriel de E

Exemple 16 E = R2 ; F1 = f(x; 0) ; x 2 Rg, F2 = f(0; y) ; y 2 Rg

F1 \ F2 = f(0; 0)g est un S.E.V de R2 :

Remarque 17 : La réunion de deux sous-espaces vectoriels n’est pas en gé-

néral un sous-espace vectoriel.

Exemple 18 : E = R2 ; K = R
F1 = f(x; 0) ; x 2 Rg, F2 = f(0; y) ; y 2 Rg
F1 [ F2 n’est un S.E.V de R2 ; car :
0 0
9 = 1; = 1; (x; y) = (1; 0) 2 F1 ; x ; y = (0; 1) 2 F2 mais 1 (1; 0)+1 (0; 1) = (1; 1) 2
= F1 [F2

1.2.2 Somme de sous espaces vectoriels

Proposition 19 : Si F1 et F2 sont deux sous-espaces vectoriels d’un même
espace vectoriel E, l’ensemble
F1 + F2 = fx1 + x2 : x1 2 F1 et x2 2 F2 g
est un sous-espace vectoriel de E, appelé somme de F1 et F2

Exemple 20 E = R2 ; K = R
F1 = f(x; 0) ; x 2 Rg, F2 = f(0; y) ; y 2 Rg
F1 + F2 = f(x; 0) + (0; y) =x; y 2 Rg = R2

6
1.2.3 Somme directe de sous espaces vectoriels
Soit E un K-espace vectoriel et soient F1 et F2 deux sous-espaces vecto-
riels de E , la somme F1 + F2 est directe ssi F1 \ F2 = f0E g :
Dans ce cas on écrit F1 F2 :

1.2.4 Sous-espaces supplémentaires

Dé…nition 21 : Soit E un K-espace vectoriel et soient F1 et F2 deux sous-
espaces vectoriels de E .
On dit que F1 et F2 sont supplémentaires dans E ssi
8
< F1 \ F2 = f0E g
et
:
F1 + F2 = E

Exemple 22 :E = R2 ; K = R
F1 = f(x; 0) ; x 2 Rg, F2 = f(0; y) ; y 2 Rg ; on a :

F1 + F2 = R2 et F1 \ F2 = f0R2 g

d’où R2 = F1 F2 :

Remarque 23 :
Si E = F1 F2 alors F1 et F2 sont supplémentaires dans E:

1.3 Parties génératrices, Parties libres , Bases

1.3.1 Combinaisons linéaires
Dé…nition 24 Soit E un K-espace vectoriel et A = fx1 ; x2 ; :::; xn g une
famille de n vecteurs de E:On dit que x 2 E est combinaison linéaire de A
s’il existe 1 ; 2 ; :::; n 2 K tels que :

x= 1 x1 + 2 x2 + ::: + n xn

Exercice 25 : Soient x1 = (1; 1; 1) ; x2 = (2; 3; 1) ; x3 = (2; 1; 1)

-Montrer que x = ( 1; 5; 3) est combinaison linéaire de la famille fx1 ; x2 ; x3 g

7
Solution 26 x est combinaison linéaire de fx1 ; x2 ; x3 g ssi :
9 1 ; 2 ; 3 2 R : x = 1 x1 + 2 x2 + 3 x3

( 1; 5; 3) = 1 (1; 1; 1) +
(2; 3; 1) +
2 3 (2; 1; 1)
8 8
< 1+2 2+2 3 = 1 < 1=2
() 1+3 2+ 3 = 5 =) 2 = 2
: :
1 + 2 3 = 3 3 = 1
D’où x = 2x1 + 2x2 + x3
donc x est combinaison linéaire de fx1 ; x2 ; x3 g :

1.3.2 Famille (partie) génératrice

Dé…nition 27 : Une famille de vecteurs A = fx1 ; x2 ; :::; xn g d’un K-espace
vectoriel E est dite génératrice (ou un système de générateurs) de E si tout
vecteur de E peut s’écrire comme combinaison linéaire de vecteurs de A. i.
e:
8x 2 E; 9 1 ; 2 ; :::; n 2 K : x = 1 x1 + 2 x2 + ::: + n xn
Si A est une partie génératrice de E , on dit aussi que l’espace vectoriel
E est engendré par A, et on note E = V ect(A):

v 2 V ect(A) () 9 1; 2 ; :::; n 2K:v= 1 x1 + 2 x2 + ::: + n xn

Exemple 28 :1) Dans R2 ; tout vecteur est combinaison linéaire de fe1 = (1; 0) ; e2 = (0; 1)g
En e¤et : soit (x; y) 2 R2 ; on a (x; y) = x (1; 0) + y (0; 1)
Donc R2 = vect fe1 ; e2 g
2) Dans Rn ; tout vecteur est combinaison linéaire de
fe1 = (1; 0; 0; :::0) ; e2 = (0; 1; 0; :::0) ; :::; en = (0; 0; 0; :::; 1)g
Donc Rn = vect (e1 ; e2 ; :::; en ) :

Théorème 29 : Soit A = fv1 ; v2 ; :::; vp g une famille de p vecteur d’un K-

espace vectoriel E .
L’ensemble de toutes les combinaisons linéaires des p vecteurs de A est
un sous-espace vectoriel de E appelé sous-espace vectoriel engendré par A et
noté par vect (A) ou vect (v1 ; v2 ; :::; vp )

Exemple 30 Soit E = f(x; 2x; y) =x; y 2 Rg

Pour montrer que E est un sous-espace vectoriel de R3 , on peut écrire :
v 2 E () 9x; y 2 R tel que v = (x; 2x; y) = x (1; 2; 0) + y (0; 0; 1)

8
 Donc E est l’ensemble des combinaisons linéaires des vecteurs u1 = (1; 2; 0) ; u2 =
(0; 0; 1) de R3 ; à coe¢ cient réels
E = vect (u1 ; u2 ) est donc un sous-espace vectoriel de R3 :

1.3.3 Famille libre-Famille liée

Dé…nition 31 : La famille de vecteurs A = fv1 ; v2 ; :::; vn g d’un K-espace
vectoriel E est dite libre lorsque :
8 1; 2 ; :::; n 2K: 1 v1 + 2 v2 +:::+ n vn = 0E =) 1 = 2 = ::: = n = 0K
-On dit aussi que les vecteurs v1 ; v2 ; :::; vn sont linéairement indépendants.
-Une famille qui n’est pas libre est dite liée
Dans ce cas : 9 i0 2 K : 1 v1 + 1 v2 + ::: + i0 vi0 + ::: + 1 vn = 0E et
i0 6= 0K
-On dit aussi que ses vecteurs sont linéairement dépendants.
Exemple 32 : E = R2 ; K = R
A = fe1 = (1; 0) ; e2 = (0; 1)g est libre car :
8 1; 1 2R: 1 e1 + 1 e2 = 0R2 =) 1 = 2 =0
Proposition 33 : La famille fv1 ; v2 ; :::; vn g est liée si et seulement si l’un
des vecteurs de cette famille s’écrit comme combinaison des autres vecteurs
de cette famille.
Exemple 34 : u = (0; 0; 1) ; v = (2; 1; 0) ; w = (2; 1; 1) sont liée car :
w =u+v
fu; vg liée
Proposition 35 :1) =) 9 2 K : v = u
u 6= 0
2) Toute famille qui contient une famille liée est liée.
3) Toute famille qui contient le vecteur nul est liée
Remarque 36 :1) Si A est une famille génératrice de vecteurs de E alors
l’un des vecteurs de A est combinaison linéaire des autres. Si on enlève ce
vecteur de la famille A on obtient une autre famille génératrice de E.
2) Un vecteur non nul forme un système libre.
3) Le système réduit au vecteur nul est un système lié.
4) Une partie d’un système libre est un système libre
5) Une partie qui contient un système lié est un système lié. En particu-
lier, toute partie qui contient le vecteur nul est une partie liée.

9
1.3.4 Base- Dimension
Dé…nition 37 : On appelle base d’un espace vectoriel E , toute système
famille de vecteurs de E libre et génératrice de E:
Le nombre d’éléments d’une base d’un espace vectoriel E sur le corps K
est appelé la dimension de l’espace vectoriel E .
On le note dimE (ou dim E s’il n’y a pas d’ambiguïté).
K

Exemple 38 : E = R2 ; K = R
A = fe1 = (1; 0) ; e2 = (0; 1)g forme une base de R2 ) dim R2 = 2
Généralement fe1 = (1; 0; 0; :::0) ; e2 = (0; 1; 0; :::0) ; :::; en = (0; 0; 0; :::; 1)g
forme une base de Rn ; s’appelle base canonique de Rn et dim Rn = n:

Théorème 39 :(Caractèrisation des bases)

B = fv1 ; v2 ; :::; vn g est une base de E si et seulement si tous les vec-
teurs de B sont dans E et tout vecteur de E s’écrit de façon unique comme
combinaison linéaire des vecteurs de B.

Dé…nition 40 :Si B = fv1 ; v2 ; :::; vn g est une base de E et si u 2 E, alors il

p
X
existe un unique p-uplet ( 1 ; 2 ; :::; n ) d’élément de K tel que u = i ui
i=1
et i est appelé ieme coordonnée (composante) de u dans la base B:

Exemple 41 : Trouver les coordonnées du vecteur u par rapport aux vecteurs

de la base B dans E :
1) u = (4; 3) ; B est la base canonique de E = R2
2) u = (4; 3) ; B = f(1; 1) ; (2; 3)g est de E = R2

Solution 42 : 1) On a évidemment :

(4; 3) = 4 (1; 0) 3 (0; 1) = 4e1 3e2

2) On écrit :
(4; 3) = (1; 1) + (2; 3)
et on cherche les réels ; . D’où le système :
+2 =4
=) = 18 et = 7
+3 = 3

Ainsi les coordonnées de u dans la base B sont : (18; 7)

10
Remarque 43 : Si E = f0E g on pose dimE = 0. En e¤et il n’y a pas de
famille libre dans E ; les familles libres sont donc vides, elles ont 0 éléments.

Proposition 44 : Soit A = fv1 ; v2 ; :::; vp g un système de vecteurs d’un es-

pace vectoriel E de dimension …nie.
— Si p > dim E, le système n’est pas libre.
— Si p < dim E, le système n’est pas générateur.

Corollaire 45 : Soit E un espace vectoriel …ni, alors

E possède une base …nie
-Si A est une partie génératrice …nie de E, alors on peut extraire une base
de A.

Propriétés :
Soit E un K-espace vectoriel E tel que : dim E = n
et soit F un sous-espace vectoriel de E, alors :

1) dim F dim E
2) dim E = dim F () E = F

3) Soient F et G deux sous-espaces vectoriels de E, alors :

dim (F + G) = dim F + dim G dim (F \ G)

Si F et G sont supplémentaires alors :

dim (F G) = dim F + dim G

Car : dim (F \ G) = 0

Théorème 46 (théorème de la base incomplète) : Soit E un K-espace vec-

toriel tel que dimE = n
Si A = fv1 ; v2 ; :::; vp g est une famille libre de E, alors on peut compléter
A da façon à obtenir une base de E .

Exercice 47 : E = R3 ; K = R
Soit le sous-espace F = f(x; y; z) 2 R3 =x 3y + 2z = 0g de R3
1) Donner une base de F
2) Déterminer dim F
3) complèter F de façon à obtenir une base de R3 .

11
Théorème 48 Si dim E = n alors toute famille libre de E qui a n éléments
est une base de E
Si dim E = n alors toute famille génératrice de E qui a n éléments di¤é-
rents est une base de E

Exemple 49 : Montrer que A=fu = (1; 1; 1) ; v = ( 1; 2; 3) ; w = (2; 1; 1)g

forme une base de R3

Solution 50 : On a dim R3 et cardA = 3 alors pour montre que A forme

une base de R3 , il su¢ t de prouver que la famille A est libre ou génératrice
Montrons que la famille A est libre :
Soient ; ; 2 R tels que : u + v + w = 0R3

(1; 1; 1) + ( 1; 2; 3) + (2; 1; 1) = (0; 0; 0)

on cherche les réels ; ; . D’où le système :

8
< + 2 = 0::: (1)
+2 = 0::: (2) =) = = =0
:
+ 3 + = 0::: (3)

alors la famille A est libre d’où elle forme une base de R3 :

1.3.5 Rang d’un ensemble de vecteurs

Dé…nition 51 Soit S un ensemble de vecteur d’un espace vectoriel de di-
mension …nie E, on appelle rang de S et on note rg (S) ; la dimension du
sous-espace vectoriel engendré par S, c’est donc aussi le nombre d’éléments
d’un système libre maximal inclus dans S .

Exemple 52 :1)

S1 = f(1; 0; 0) ; (0; 2; 0) ; (0; 0; 6)g ; rg (S1 ) = 3

S2 = f(1; 0; 0) ; (0; 2; 0) ; (0; 6; 0)g ; rg (S2 ) = 2

12
Chapitre 2

Applications linéaires

Soit E et F deux espaces vectoriels sur le même corps commutatif K.

Dé…nition 53 : soit f: E ! F une application

On dit que f est une application linéaire si elle véri…e les deux conditions
suivantes :
a)8x; y 2 E : f (x + y) = f (x) + f (y)
b)8x 2 E ; 8 2 K : f ( x) = f (x)

Dé…nition 54 : (Caractérisation d’une application linéaire). Soit E et F

deux espaces vectoriels sur K et f une application de E dans F ; l’application
f est linéaire si et seulement si,

8x; y 2 E; 8 ; 2 K : f ( x + y) = f (x) + f (y) :

Remarque 55 : Une application linéaire de E dans F est aussi appelé ho-

momorphisme d’espaces vectoriels.

Proposition 56 : Si f est une application linéaire de E dans F alors :

-f (0E ) = 0F
-8x 2 E : f ( x) = f (x)

Démonstration. :1) Soit x 2 E; on a : f (0E ) = f (0K :x) = 0K f (x) = 0F

2) Soit x 2 E; on a : f ( x) = f (( 1) :x) = ( 1) f (x) = f (x)

Exemple 57 : Soit f : R3 ! R2 une application dé…nie par :

f (x; y; z) = (x y; y z)

13
 -Montrer que f est linéaire ?
0 0 0
Soient (x; y; z) ; x ; y ; z 2 R3 et ; 2 R, on a :
0 0 0 0 0
f (x; y; z) + x ;y ;z = f x + x0; y + y ; z + z
0 0 0
= ( x + x0) y+ y ; y+ y z+ z
0 0 0
= (x y) + x0 y ; (y z) + y z
0 0 0
= ( (x y) ; (y z)) + x0 y ; y z
0 0 0
= ((x y) ; (y z)) + x0 y ; y z
0 0 0
= f ((x; y; z)) + f x ; y ; z :

On a donc f est linéaire.

Remarque 58 : Soit f une application d’un espace vectoriel E dans un
espace vectoriel F . Lorsqu’on cherche à répondre à la question : « f est-elle
linéaire ? » , on peut rapidement déterminer f (0E ).
-Si f (0E ) 6= 0F , alors on peut conclure que f n’est pas linéaire.
-Si f (0E ) = 0F , on ne peut rien conclure et il faut alors véri…er que
f satisfait à chacune des deux propriétés de linéarité.
- f n’est pas linéaire ssi
9x; y 2 E; 9 ; 2 K : f ( x + y) 6= f (x) + f (y)
Remarque 59 : Une application linéaire de E dans F est aussi appelée
homomorphisme d’espaces vectoriels.
- Une application linéaire bijective de E dans F est appelée isomorphisme
d’espaces vectoriels.
- Une application linéaire de E dans E est appelée endomorphisme de E.
- Un endomorphisme bijectif de E est appelé automorphisme de E.
- Une application linéaire de E dans K est appelée forme linéaire sur E.
(K est considéré ici comme un espace vectoriel sur K.)
Proposition 60 : Soit E et F deux espaces vectoriels sur K, et f une ap-
plication linéaire de E dans F , alors :
!
X
n X
n
n n
8n 2 N ; 8 (x1 ; x2 ; :::; xn ) 2 E ; 8 ( 1 ; 2 ; :::; n ) 2 K : f i xi = i f (xi ) :
i=1 i=1

14
Exercice 61 : Dire lesquelles parmi les applications suivantes sont linéaires
de E dans F (sur R) :
1) E = F = R+ R+ ; f (x; y) = (x y; x + 2y)
2) E = F = R2 ; f (x; y) = (x y; 1 + x) :
3) E = F = R2 ; f (x; y) = (x 2y; x)
4) E = F = R; f (x) = x2
5) E = R; F = R2 ; f (x) = (jxj ; 2x)
Solution 62 :1) f n’est pas linéaire car R+ R+ n’est pas un espace vectoriel
2) f n’est pas linéaire car :
f (0; 0) = (0 0; 0 + 1) = (0; 1) 6= (0; 0)
3) puisque f (0; 0) = (0; 0) ; alors on peut rien conclure
0 0
soient (x; y) ; x ; y 2 R2 et ; 2 R. On a :
0 0 0
f (x; y) + x ;y = f x + x0; y + y
0 0
= f ((x; y)) + f x ; y :

Ainsi, f est une application linéaire.

4) f n’est pas linéaire car par exemple
f (2 3) = f (6) = 62 = 36 6= 2 f (3) = 2 32 = 18
Remarque. Ce qu’on a fait était su¢ sant por montrer la non-linéarité
de f; mais on pouvait aussi dire que f n’est pas linéaire car
f (1 + 2) = f (3) = 18 6= f (1) + f (2) = 12 + 22 = 5:
Proposition 63 : (Structure d’espace vectoriel de L(E; F ): Soient E et F
deux espaces vectoriel sur K, l’ensemble des applications linéaires de E dans
F, noté L(E; F ), muni de l’addition des applications, et du produit d’une
application par un scalaire, est un espace vectoriel sur K.
Remarque 64 : Si E = F L’ensemble des endomorphismes de E, noté
L(E)
Proposition 65 : (Composée de deux applications linéaires). Soient E, F et
G trois espaces vectoriels sur K, f une application linéaire de E dans F et g
une application linéaire de F dans G, alors g f est une application linéaire
de E dans G. Autrement dit, la composée de deux applications linéaires est
une application linéaire.

15
2.1 Noyau et image d’une application linéaire
Dé…nition 66 : Soit f une application linéaire de E dans F .
- On appelle noyau de f , et on note ker f , le sous-ensemble de E dé…ni
par :
ker f = fx 2 E : f (x) = 0F g = f 1 (0F )
x 2 ker f , f (x) = 0F
- On appelle image de f , et on note Im f , le sous-ensemble de F dé…ni
par :

Im f = fy 2 F : 9x 2 E : y = f (x)g
= ff (x) 2 F : x 2 Eg = f (E)

y 2 Im f , 9x 2 E : y = f (x)

Proposition 67 : 1) ker f est un sous espace vectoriel de E.

2) Im f est un sous espace vectoriel de F .
3) f injective () ker f = f0E g
4) f surjective() Im f = F

Théorème 68 : Soient E et F deux e.v sur K et f une appliction de E

dans F alors :
1) Si A est un sous-espace vectoriel de E alors f (A) est un sous-espace
vectoriel de F:
1) Si B est un sous-espace vectoriel de F alors f 1 (B) est un sous-espace
vectoriel de E:

Proposition 69 : 1) Soit f un isomorphisme de E dans F

Si B est une base de E alors f (B) est une base de F
2) Soit f une application linéaire de E dans F
S’il existe une base B de E telle que f (B) soit une base de F , alors f est
un isomorphisme de E dans F .

2.2 Rang d’une application linéaire

Soient E et F deux espaces vectoriels de dimension …ni
Soit f une application linéaire de E dans F. On appelle rang de f, noté rgf
la dimension de Img f

16
 rg (f ) = dim Im f

Théorème 70 (téorème du rang)

Si E est de dimension …nie et f est linéaire de E dans F alors :

dim E = dim ker f + dim Im f

Conséquences du théorème du rang Si dim E = dim F et f 2 L(E; F );

alors :
f injective , f surjective , f bijective
E et F sont isomorphes si et seulement si dim E = dim F:

Exercice 71 : Soit

f : R3 ! R2
(x; y; z) 7! (x y + 2z; 2x z)

1) Montrer que f est linéaire

2) Déterminer Im f
3) Déterminer ker f puis donner une base de ker f:

17
Chapitre 3

Les Matrices

3.1 Dé…nitions
Dé…nition 72 (Matrice) : Soit deux entiers n et p supérieurs ou égaux à 1.
On appelle matrice de type (n; p) à coe¢ cients dans K, un tableau rectangu-
laire
à n lignes et p colonnes d’éléments de K. Un tel tableau est représenté de
la façon suivante 0 1
a11 a12 ::: a1m
B a21 a22 ::: a2m C
A=B @ :
C
: A
an1 an2 ::: anm

On dit aussi que la matrice A est de taille n m ou A est une matrice à

n lignes et p colonnes.

Remarque 73 — Les éléments aij de K sont appelés les coe¢ cients de la

matrice A. Le premier indice est l’indice de la ligne et le deuxième celui de
la colonne, donc aij désigne l’élément de la i-ième ligne et j-ième colonne.
— On notera souvent une telle matrice A = (aij ) 1 i n ou encore A =
1 j m
(aij ) s’il n’y a pas d’ambiguïté.
— L’ensemble des matrices à n lignes et p colonnes à coe¢ cients dans K
est noté Mn;p (K) ou Mnp (K).
— Les éléments de Mnp (R) (respectivement Mnp (C)) sont appelés des
matrices réelles (respectivement matrices complexes).

18
 0 1
4 5 1 0
Exemple 74 : A = @ p1 0 2 0 A est une matrice de 3 linges et 4
2 0 5 1
colonnes p
A 2 M3;4 (R) et on a : a13 = 1 et a31 = 2

3.2 Matrices particulieres

Matrice nulle :
-Une matrice A dont tous les élément sont nuls est appelée matrice nulle :
0 1
0 0 ::: 0
B 0 0 ::: 0 C
A=B @ :
C=0
: A
0 0 ::: 0

Mtrice ligne
Une matrice ne contenant qu’une ligne est appelée matrice ligne, ou encore
vecteur ligne. Si elle a m colonnes on la note de la manière suivante :

a11 a12 ::: a1m

Matrice colonne
Une matrice ne contenant qu’une colonne est appelée matrice colonne, ou
encore vecteur colonne. Si elle a n colonnes on la note de la manière suivante :
0 1
a11
B a21 C
B C
@ : A
an1

Matrice carées
Ce sont les matrices qui ont même nombres de lignes et de colonnes, ce
nombre de lignes et de colonnes s’appelle l’ordre de la matrice
_ les coé¢ cients ayant même indice de ligne et de colonne s’appellent les
coe¢ cients diagonaux.

19
 0 1
1 5 6
Exemple 75 : @ 0 2 1 A est une matrice carrée d’ordre 3, les coe¢ cients
3 1 6
diagonaux sont 1, 2 et 3

Notation : On note Mn (K) l’ensemble des matrices carrées d’ordre n à

coe¢ cients dans K.

Matrices triangulaires inférieures

Ce sont les matrices carrée dont tous les coe¢ cients strictement au dessus
de la diagonale principale sont nuls ( c’est-à-dire pour tous i et j tels que
1 i < j n, on a aij = 0).
0 1
1 0 0
Exemple 76 @ 2 3 0 A
4 5 6

Matrices triangulaires supérieures

Ce sont les matrices carrée dont tous les coe¢ cients strictement au dessous
de la diagonale principale sont nuls.( c’est-à-dire pour tous i et j tels que
1 j < i n, on a aij = 0) .
0 1
1 2 3
Exemple 77 @ 0 4 5 A
0 0 6

Matrices diagonales
On appelle matrice diagonale une matrice carrée dont les termes situés
hors de la diagonale principale sont tous nuls.
(c’est-à-dire une matrice A = (aij ) carrée d’ordre n est diagonale si pour
tous i et j tels que 1 i n, 1 j n; i 6= j on a aij = 0.
0 1
1 0 0
Exemple 78 @ 0 4 0 A
0 0 6

20
Cas particuliers
Matrices scalaires
Ce sont les matrices diagonales dont tous les coe¢ cients diagonaux sont
égaux,
0 1
0 0
Exemple 79 B = @ 0 0 A
0 0

Matrice identité
c’est la matrice dont tous les co¢ cients diagonaux valent 1, on note In la
matrice identité d’ordre n. On a donc
0 1
1 0 ::: 0
B 0 1 ::: 0 C
In = B
@ :
C
: A
0 0 ::: 1

3.3 Opérations sur les matrices

Transposée d’une matrice
Dé…nition 80 : Soit A = (aij ) 2 Mnp (K). On appelle transposée de A et
l’on note At la matrice à m lignes et n colonnes de terme général bij dé…ni
par
8i; j : bij = aji

Remarque 81 : -La i-ième ligne de A devient la i-ème colonne de At .

- La transposée d’une matrice ligne est une matrice colonne.
-(At )t = A.

Exemple 82 : Soit A la matrice réelle à 3 lignes et 4 colonnes

0 p 1
0 0 3 0 p 1
B 0 2 1 C 0 0 2 5
B p C t @ 1 3 A
A = @
2 1 6 A
)A = p0 2
3 1 6 1
5 3 1
A 2 M3;4 (R) ) A 2 M4;3 (R)

21
Remarque 83 : -La transposée d’une matrice carrée est une matrice de
même type
-Si A est une matrice carrée, les termes diagonaux de A et de At sont les
mêmes.
Exemple 84
0 1 0 1
1 1 3 1 2 3
A= @ 2 0 9 A t
)A = @ 1 0 5 A
3 5 2 3 9 2

Égalité de deux matrices

Dé…nition 85 : Soit Soit A = (aij ) 2 Mnm (K)et B = (bij ) 2 Mnm (K) deux
matrices de ayant le meme nombre de lignes et de colonnes, on dit que A=B
ssi :
81 i n; 1 j m : aij = bij
2x + 3 5 1 5
Exercice 86 A = , B=
3 2y 4 3 5
Déterminer x et y pour que les matrices A et B soient égales ?

2x + 3 = 1 x=2
A = B () )
2y 4 = 5 y = 29

Somme de deux matrices

Dé…nition 87 : Soit A = (aij ) et B = (bij ) deux matrices de Mnm (K).
On appelle somme des matrices A et B, et l’on note A + B, la matrice
A + B = (cij ) de Mnm (K) telle que :
81 i n; 1 j m : cij = aij + bij

Propriétés
Soient A; B; C 2 Mn;m (K) on a :
1) A + B = B + A:
2) (A + B) + C = A + (B + C)
3) Si on note Onm la matrice de Mn;m (K) dont tous les coe¢ cients sont
nuls, on a A + Onm = A.
0 0
4) Si A = (aij ) et A = ( aij ) 2 Mn;m (K), alors A + A = Onp .
5) (A + B)t = At + B t

22
Produit d’une matrice par un scalaire
Soit A 2 Mn;m (K) et 2 K. On appelle produit de la matrice A par le
scalaire , et on note A la matrice A = (bij) de Mn;m (K) telle que

81 i n; 1 j m : bij = aij

Propriétés de la multiplication par un scalaire

Soient A; B 2 Mn;m (K) et ; 2 K on a.
1. ( ) A = ( A).
2. 1A = A.
3.( + )A = A + A.
4. (A + B) = A + B.
5. ( A)t = At .
0 1
1 1 3
Exemple 88 A = @ 2 0 9 A; =2
3 5 2
0 1
2 2 6
2A = @ 4 0 18 A
6 10 4

Théorème 89 L’ensemble Mn;m (K)des matrices à n lignes et m colonnes à

coe¢ cients dans K, muni de l’addition des matrices et de la multiplication
d’une matrice par un scalaire a une structure d’espace vectoriel sur K.

Produit de deux matrices

Soit A = (aij ) 2 Mn;p (K) et B = (bij ) 2 Mp;q (K). On appelle produit des
matrices A et B, et on note AB la matrice AB = (cij ) de 2 Mn;q (K) telle que

X
P
81 i n; 1 j q : cij = aik bkj
k=1

C’est à dire que pour obtenir l’élément cij (i-ème ligne et j-ème colonne de
AB), on utilise les aik ; 1 k p (la i-ème ligne de A) et les bkj ; 1 k p
(la j-ème colonne de B).

23
 0 1 0 1
2 2 1 3 1
Exemple 90 A = @ 10 0 5 A, B = @ 2 4 A
3 1 2 0 1
0 10 1
2 2 1 3 1
AB = @ 10 0 5 A@ 2 4 A =
3 1 2 0 1
0 1
(2 3 + 2 2 + 1 0) (2 1 + 2 4 + 1 1)
= @ (10 3 + 0 2 + ( 5) 0) (10 1 + 0 4 + ( 5) 1) A
(( 3) 3 + 1 2 + 2 0) (( 3) 1 + 1 4 + 2 1)
0 1
10 11
= @ 30 5 A
7 3

Propriétés
1) Le produit des matrices A et B n’est dé…ni que si le nombre de colonnes
de A est égal au nombre de lignes de B
2) Le produit matriciel n’est pas commutatif

0 2 1 0
Exemple 91 A = et B =
1 1 1 1
2 2 0 2
AB = mais BA
2 1 1 3
3) Si A 2 Mn;p (K), B 2 Mp;k (K) et C 2 Mk;m (K), alors (AB)C =
A(BC)
4) Si A 2 Mn;p (K), B; C 2 Mp;k (K), alors A(B + C) = AB + AC.
5) Si A; B 2 Mn;p (K), C 2 Mp;k (K), alors (A + B)C = AB + AC:
6) Si A 2 Mn;p (K), B 2 Mp;k (K), alors (AB)t = B t At .
7) Si A 2 Mn;p (K) alors AIp = A et In A = A (où In est la matrice unité
d’ordre n).

Matrice inversible
Dé…nition 92 Une matrice A 2 Mn (K) est dite inversible s’il existe une
matrice B de Mn (K), telle que

AB = BA = In

24
Lorsque B existe, B est unique et est appelée inverse de A
L’inverse de A est notée A 1

1 2
Exemple 93 A = 2 M2 (K)
0 3
Montrer que A est inversible

Proposition 94 Soit A et B deux matrices inversibles de Mn (K):

1
1) A 1 est inversible et on a (A 1 ) = A
2) AB est inversible et (AB) 1 = B 1 A 1
p
3) Pour tout p 2 N , Ap est inversible et (Ap ) 1 = (A 1 ) . Cette matrice
est notée A p
0 1
0 1 1
Exercice 95 A = @ 1 0 1 A
1 1 0
Calculer A et véri…er que A2 = A + 2I3 où I3 est la matrice identité
2

d’ordre 3.

3.4 Matrice associée à une application linéaire

Soit E et F deux espaces vectoriels de dimension …nie sur le même corps
K. (dim E=p et dimF=n)
0 0 0
Posons BE = fe1 ; e2 ; :::ep g une base de E et BF = e1 ; e2 ; :::en une base
de F et soit f une application linéaire de E dans F .
On appelle matrice associée à l’application linéaire f par rapport aux
bases BE et BF et on note Mf (BE ; BF ) la matrice à n lignes et p colonnes
dont la j-ième colonne est constituée des coordonnées de f (ej ) dans la base
BF .

f (e ) f (e2 ) ::: f (ep )

0 1 1 0
a11 a12 ::: a1p e1
B a21 C
a22 ::: a2p C e2
0

Mf (BE ; BF ) = B
@ : : A :
0
an1 an2 ::: anp en

25
 0 0 0
f (e1 ) = a11 e1 + a21 e2 + ::: + an1 en
0 0 0
f (e2 ) = a12 e1 + a22 e2 + ::: + an2 en
:
0 0 0
f (ej ) = a1j e1 + a2j e2 + ::: + anj en
:
0 0 0
f (ep ) = a1p e1 + a2p e2 + ::: + anp en

Exemple 96 : On considère l’application linéaire suivante

f : R2 ! R3 ; (x; y) 7! f (x; y) = (x y; 2x + y; x + 3y)

Déterminer la matrice A=Mf B; B dans les deux cas

0 0 0
a) BE = fe1 ; e2 g la base cononique de R2 et BF = e1 ; e2 ; e3 la base
cononique de R3
0 0 0
b) BE = fu = (1; 1) ; v = (0; 1)g une base de R2 et BF = f1 = (1; 1; 1) ; f2 = (1; 1; 0) ; f3 = (1; 0;
une base de R3 :

Propriétés : Soient E; F et G trois espaces vectoriels sur K, BE , BF et

BG leurs bases respectives dimE = p, dimF = n.
1) Si f (u) = 0 ; 8u 2 E alors Mf (BE ; BF ) = Onp :
2) Si f : E ! E; f (u) = u alors Mf (BE ; BF ) = Ip
3) Si f ; g 2 L(E; F ), alors Mf +g (BE ; BF ) = Mf (BE ; BF )+Mg (BE ; BF ):
4) M f (BE ; BF ) = Mf (BE ; BF ):
5) Si f 2 L(E; F ) et g 2 L(F ; G) alors Mg f (BE ; BG ) = Mg (BF ; BG )
Mf (BE ; BF ):
6)Mf (BE ; BF ) est inversible () f est bijective.

26
Chapitre 4

Systèmes d’équations linéaires

4.1 Déterminant d’une matrice carrée

4.1.1 Dé…nition du déterminant
Dé…nition 97 Soit A 2 Mn (K).

det : Mn (K) ! K
A 7 ! det A

tel que :
Si n = 1, A = (a11 ) et det A = a11
Si n 2
X
n
detA = ( 1)i+j aij det Aij 8j; 1 j n
i=1

Où Aij est la matrice obtenue en supprimant la i-ième ligne et la j-ième

colonne de A.

4.1.2 Déterminant en dimension 2 et 3

Matrice d’ordre 2

a b a b
det = = ad bc
c d c d

27
Exemple 98 Calculez le déterminant des matrices suivantes ;

1 2 sin cos
A= B=
3 4 cos sin

solution : det A = 4 6= 2 et det B = sin2 + cos2 = 1

Matrice d’ordre 3

0 + + 1
a11 a12 a13 a a a a a21 a22
det @ a21 a22 a23 A = +a11 22 23 a12 21 23 + a13 =
a32 a33 a31 a33 a31 a32
a31 a32 a33
= a11 a22 a33 + a12 a23 a31 + a13 a21 a32 a31 a22 a13 a32 a23 a11 a33 a21 a12
0 1
2 1 0
Exemple 99 A = @ 1 1 3 A
3 2 1

1 3 1 3 1 1
det A = 2 +0
2 1 3 1 3 2
= 2 ( 1 6) (1 9) + 0 = 14 + 8 = 6

Il existe un moyen facile de retenir cette formule, c’est la règle de Sarrus :

on recopie les deux premières colonnes à droite de la matrice, puis on addi-
tionne les produits de trois termes en les regroupant selon la direction de la
diagonale descendante , et on soustrait ensuite les produits de trois termes
regroupés selon la direction de la diagonale montante.
+ + +
& a11 & a12 & a13 % a11 % a12 %
a21 & a22 % & a23 % & a21 % a22
a31 % a32 % & a33 % & a31 & a32
= a11 a22 a33 + a12 a23 a31 + a13 a21 a32 a31 a22 a13 a32 a23 a11
a33 a21 a12
10
2 1 0
Exemple 100 : Calculons le déterminant de la matrice A = @ 1 1 3 A
3 2 1

28
Par la règle de Sarrus :
+ + +
2 1 0 2 1
1 1 3 1 1 = 2+9+0 0 12 1= 6
3 2 1 3 2

Remarque 101 : Cette méthode ne s’applique pas pour les matrices de taille
supérieure à 3 3.

Développement d’un déterminant par rapport à une ligne ou une

colonne Notons la matrice carrée d’ordre n 1, obtenue en supprimant à
A la i-ième ligne de A et la j-ième colonne de A

Le développement de det A par rapport à j-ième colonne

on appelle développement de det A par rapport à la j-ième colonne, la
formule suivante :
X
n
detA = ( 1)i+j aij det Aij
i=1

Le développement de det A par rapport à i-ième ligne

De même, on appelle développement de det A par rapport à la i-ième
ligne, la formule suivante
X
n
detA = ( 1)i+j aij det Aij
j=1

a b
Exemple 102 :
c d
Si on développe par rapport à la première colonne
+
a b
= ad bc
c d

29
Et si on développe par rapport à la deuxième colonne

a b
+ = ad bc
c d

Remarque 103 Pour déterminer si Cij = + det Aij ou Cij = det A;on
peut se souvenir que l’on associe des signes en suivant le schémas
0 1
+ + :::
B + + ::: C
B C
A=B +B + ::: C
C
@ + + ::: A
: : : : :

Remarque 104 En pratique, on choisit la colonne qui contient le plus de

zéros. 0 1
2 0 1
EX : Pour calculer le déterminant de la matrice A = @ 1 5 0 A
3 0 2
on développe par rapport à la deuxième colonne
2 0 1
+ 1 0 2 1 2 1
1 5 0 =0 +5 +0 = 5( 4 3) = 35
3 2 3 2 1 0
3 0 2

Propriétés 1) Si deux colonnes sont égales alors le déterminant est nul.

EX :
1 1 3
2 2 1 =0
0 0 4
2) Le déterminant change de signe si on permute deux colonnes.
EX :
1 2 2 1
=
3 1 1 3
3) Le déterminant est linéaire par rapport à chaque colonne, i.e. si on
note la j-ième colonne de A ; alors pur ; 2 K
0 0
det A = c1 ; c2 ; :::; cj + cj ; :::cn = jc1 ; c2 ; :::; cj ; :::cn j+ c1 ; c2 ; :::; cj ; :::cn

30
 EX1 :
6 5 4 6 1 4
7 10 3 =5 7 2 3
12 25 1 12 5 1
Car la seconde colonne est un multiple de 5.
EX2 :
3 2 4 3 3 2 4 3 2 3
7 5 3 2 = 7 5 3 7 5 2
9 2 10 4 9 2 10 9 2 4

4) Le déterminant ne change pas si on ajoute à une colonne une combi-

naison
linéaire des autres colonnes.
EX :
1 2 1 3
= = 4
3 2 3 5
jc1 ; c2 j = jc1 ; c1 + c2 j
n
5) det ( A) = det A; pour A 2 Mn (K).
1 2
EX :A =
3 4
det (2A) = 22 det A
6) det (AB) = det A det B
7) det (At ) = det A
8) Toute les propriétés concernant les colonnes sont valable pour les lignes
9) Si A est triangulaire (ou diagonale), le déterminant de A est égale au
produit des coe¢ cients diagonaux.
10) A est inversible() det A 6= 0 et on a det A 1 = det1 A

4.1.3 Calcul de l’inverse d’une matrice

Soit A 2 Mn (K), A est inversible si et seulement si det A 6= 0 et on a
alors
1
A 1= Comt (A)
det A
Où
Com (A) = (bij ) 2 Mn (K); avec bij = ( 1)i+j det Aij

31
 et Aij est la matrice obtenue en supprimant la i-ième ligne et la j-ième
colonne de la matrice A.
0 1
1 1 0
Exemple 105 : A = @ 0 1 1 A
1 0 1
det A = 2 6= 0 =) A est inversible et on a A 1 = det1 A Comt (A)

Com (A) = (bij ) 2 M3 (R); avec bij = ( 1)i+j det Aij

0 1
1 1 0 1 0 1
B + 0 1 1 1
+
1 0 C 0 1
B C 1 1 1
B 1 0 1 0 1 1 C
Com (A) = B
B + C=@ 1
C 1 1 A
B 0 1 1 1 1 0 C
@ A 1 1 1
1 0 1 0 1 1
+ +
1 1 0 1 0 1
0 1
1 1 1
t
Alors Com (A) = @ 1 1 1 A
1 1 1
D’où :
0 1 0 1 1 1
1
1 1 1
1 2 2 2
A 1= @ 1 1 1 A=@ 1
2
1
2 2
1 A
2 1 1 1
1 1 1 2 2 2

4.2 Systèmes d’équations linéaires

Un système de n équations linéaires à p inconnues est de la forme
8
>
> a11 x1 + a12 x2 + +a1p xp = b1
<
a21 x1 + a22 x2 + +a2p xp = b2
s=
>
> :
:
an1 x1 + an2 x2 + +anp xp = bn

où les aij ; 1 i n; 1 j p sont les coe¢ cients du système, les xi ;

1 i p les inconnues et les bi; 1 i n les termes constants.

32
Formulation matricielle : Un tel système peut s’écrire sous forme ma-
tricielle M X = B avec
0 1 0 1 0 1
a11 a12 ::: a1p x1 b1
B a21 a22 ::: C
a2p C B x2 C B C
M =B ; X=B C et B = B b2 C
@ : : A @ : A @ : A
an1 an2 ::: anp xp bn

4.2.1 Méthode de Cramer

C’est une méthode de résolution qui utilise les déterminants.
Dé…nition 106 (Système de Cramer). Le système S est dit un système de
Cramer si
1) n = p,
2) M est inversible
Comme M est inversible, alors
1
MX = B , X = M B
qui constitue la solution unique du système S. Pour 1 i n, on obtient :
det MB;i
xk =
det M
où MB;i est la matrice obtenue en remplaçant dans M la i-ième colonne par
B.
a11 a12 :::a1i 1 b1 a1i+1 ::::a1p
a21 a22 :::a2i 1 b2 a2i+1 ::::a2p
: :
an1 an2 :::ani 1 bp ani+1 ::::anp
xi =
det M
Exercice 107 Résoudre le système
8
< 3x + 2y z = 1
s= x y+z =0
:
x + y 2z = 1
La forme matricielle du système est : MX=B avec :
0 1 0 1 0 1
3 2 1 x 1
M =@ 1 1 1 A ; X = @ y A et B = @ 0 A
1 1 2 z 1

33
On a det M = 7 6= 0, alors le système admet une solution unique donnée par

1 2 1 3 1 1 3 2 1
0 1 1 1 0 1 1 1 0
1 1 2 0 1 1 2 1 1 1
x= = = 0; y= = 1; z= =1
7 7 7 7

4.2.2 Méthode de Gauss

Elle consiste à rendre le système (S) triangulaire. Elle utilise le fait que
les changement suivants donnent un système équivalent (c’est-à-dire un
système qui a les mêmes solutions).
— ajouter à une équation une combinaison linéaire des autres équations,
— permuter deux équations.
Le principe de l’algorithme est le suivant. À la i-ème étape :
— si le coe¢ cient de la i-ème variable dans la i-ème équation est nul,
on permute l’équation avec une équation suivante ;
— pour tout k > i, on ajoute à la k-ème équation la i-ème équation
multipliée par aaiiki . (aii est appelé le pivot).

Exemple 108 Résoudre le système suivant par la méthode de Gauss :

8
< x + 3y z = 9:::L1
s= 3x y + z = 1:::L2
:
2x + y 3z = 6:::L3

Pour enlever la variable x des équations L2 et L3 , on ajoute ( 3)L1 à L2 et

2L1 à L2 . 8
< x + 3y z = 9:::L1
s= 10y + 4z = 28:::L2 = ( 3)L1 + L2
:
7y 5z = 24:::L3 = 2L1 + L2
7
Pour enlever la variable y de l’équation L3 , on ajoute L
10 2
8 00
< x + 3y z = 9:::L1
00
s= 10y + 4z = 28:::L2
: 00 7 0
7y 5z = 24:::L3 = 10 L2 + L3

On obtient alors un système triangulaire, très facile à résoudre

34
 00
L3 donne z = 2.
00
L2 donne y = 2
00
L1 donne x = 1.
Cette méthode peut être utilisée même si le système n’est pas un système
de Cramer

Exemple 109 Considérons le système

8
< x + 3y z = 9:::L1
s= 3x + 9y 3z = 1:::L2
:
2x + y 3z = 6:::L3

Alors, on trouve 8
< x + 3y z = 9
s= 28 = 0
:
:::
Le système n’admet pas de solution

35