Vous êtes sur la page 1sur 11

CHAPITRE 1

CALCUL MATRICIEL:

Objectifs du chapitre :
– Maîtriser le calcul matriciel, calculs de puissances ou de déterminants notamment.
– Comprendre le fonctionnement de l’algorithme du pivot de Gauss, et savoir l’appliquer
efficacement dans le cadre de l’inversion de matrices comme dans celui de la résolution
de systèmes.

1.1 Matrices
Définition 1. – Une matrice A est un tableau rectangulaire d’éléments aij 1 ≤ i ≤ n,
1 ≤ j ≤ p de K de taille (n × p).
– Elle est dite de taille n × p si le tableau possède n lignes et p colonnes.
– Les aij 1 ≤ i ≤ n, 1 ≤ j ≤ p de K sont appelés les coefficients de A. C’est le coefficient
situé à la i-ème ligne et à la j-ème colonne.
Voici
 une représentation d’une  matrice quelconque A de taille (n × p):
a1,1 a1,2 · · · · · · a1,p
 a2,1 a2,2 · · · · · · a2,p 
A =  .. ..  ou A = (ai,j )1≤i≤n 1≤j≤p ou ai,j
 
.. . .
 . . . . 
an,1 an,2 · · · · · · an,p

1.1.1 Matrices particulières


→ Matrice carré: Si n = p (même nombre de lignes que de colonnes), la matrice est
dite matrice carrée. On note Mn (K) au lieu de Mn,n (K). Les éléments a1,1 , a2,2 , ..., an,n
forment la diagonale principale de la matrice.
→ Matrice ligne: Une matrice qui n’a qu’une seule ligne (n = 1)  ou (1, p) est appelée
matrice ligne ou vecteur ligne. On note a1 a2 a3 · · · · · · ap
→ Matrice colonne: Une matrice qui n’a qu’une seule  colonne
 (p = 1) ou (n, 1) est
a1
 a2 
appelée matrice colonne ou vecteur colonne. On note  .. 
 
.
an
→ Matrice nulle: La matrice nulle est la matrice dont tous les cœfficients sont nuls. On
la note 0np si elle a n lignes et p colonnes, 0 s’il n’y a pas d’ambiguïté.

1
L’opposé d’une matrice A sera noté −A, il s’agit de la matrice obtenue en prenant les
opposés de tous les cœffficients de la matrice A.
→ Matrice diagonale: Une matrice carrée est dite diagonale si seuls ses coefficients
aii sont (éventuellement)  non nuls (on les  appelle coefficients diagonaux de A), et nuls
a11 0 · · · 0
 0 a22 · · · 0 
ailleurs. On note A =  .. . .
 
.. .. 
 . . . . 
0 0 · · · ann
→ Matrices scalaires: Ce sont des matrices carrées diagonales dont tous les cœfficients
diagonaux sont égaux. Par
4 0 0 0
0 4 0 0
Exemple 1.  0 0 4 0

0 0 0 4
→ Matrice identité: C’est la matrice carrée scalaire dont tous les coefficients diagonaux
valent 1. On note I  identité d’ordre n.
n la matrice
1 0 0
Exemple 2. I3 = 0 1 0
0 0 1
→ Matrice triangulaire supérieure: Une matrice carrée est dite triangulaire supérieure
si seuls les termes « au-dessus » de sa diagonale  sont non nuls,  c’est-à-dire ∀i; j ∈
a11 a12 · · · a1n
 0 a22 · · · a2n 
{1; · · · ; n}2 ; i > j ) aij = 0, ou encore si A =  ..
 
.. . . .. 
 . . . . 
0 0 · · · ann
→ Matrice triangulaire inférieure: sont les matrices carrées dont tous les cœfficients
strictement
 au dessus dela diagonale (c’est-à-dire d’indices ij avec j > i) sont nuls.
a11 0 · · · 0
 a21 a22 · · · 0 
A =  ..
 
.. .
. ..

 . 
an1 an2 · · · ann

1.1.2 Calcul matriciel


 Égalité des matrices: Deux matrices sont égales lorsqu’elles ont la même taille (même
nombre de lignes et même nombres de colonnes) et que les coefficients correspondants
sont égaux.
 Additions de deux matrices:Soit A et B deux matrices dans Mn;p (K), la somme de
A et de B est la matrice A + B dont chaque cœfficient est somme des cœfficients de
même position de A et de B , où A + B = (ai,j + bi,j ) .
 Multiplication d’une matrice par un scalaire:
Le produit d’une matrice A par un réel k est la matrice notée kA, est obtenue en
multipliant chacun de ses coefficients de A par k.
Propriété 1. Le produit par un réel est distributif par rapport à l’addition de matrices :
(k(A + B) = kA + kB). On a également les propriétés suivantes :∀A ∈ Mn (K); 1A = A
et ∀(k, µ) ∈ K2 ; (kµ)A = k(µA).

2
     
3 −5 12 2 0 −5 3 + 2 −5 + 0 12 − 5
Exemple: A + B = −1 7 1  +  4 −3 2  = −1 + 4 7 − 3 1+2 
0 11 −8 −1 2 4 0 − 1 11 + 2 −8 + 4
 Multiplication de deux matrices:
Soient m, n, p trois entiers strictement positifs, A = (ai,j ) une matrice de Mm,n (R),
B = (bj,k ) une matrice de Mn,p (R). On appelle produit matriciel de A par B la matrice
C ∈ Mm,p (R) dont le terme général ci,k est défini, pour tout i = 1, ..., m et pour tout
n
X
k = 1, ..., p par : ci,k = ai,j bj,k . Nous insistons sur le fait que le produit AB a un
j=1
sens que si le nombre de colonnes de A est égal au nombre de lignes de B ce qui signifie
que AB 6= BA.  
1 −4  
2 −5 1
Exemple: A × B =  3 −2 × 
7 0 3
 −5 6 
1 × 2 − 4 × 7 −5 × 1 + 0 × (−4) 1 × 1 + 3 × (−4)
= 3×2−2×7 −5 × 3 − 2 × 0 1×3−2×3 
−5 × 2 + 6 × 7 −5 × (−5) + 6 × 0 −5 × 1 + 3 × 6
Remarque 1. -On multiplie terme à terme la i-ème ligne de A par la j-ème colonne de
B et on somme le tout. Il faut faire très attention à ce que les tailles des matrices soient
compatibles pour que le produit existe.

Exemple:
  Le produit de 2
  0 1 par
2  2
−1 est 2 0 1 × −1 = (2 × 2 + 0 × (−1) + 1 × 0) = (4)
0 0
Produit d’une matrice par une matrice colonne Soit A ∈ Mn,p (K) une matrice et B ∈
Mp,1 (K) une matrice colonne.
Propriété 2. Propriétés élémentaires du produit de matrices :
– Le produit de matrices est associatif : (AB)C = A(BC).
– Le produit de matrices est distributif par rapport à l’addition : A(B + C) = AB + AC ;
(A + B)C = AC + BC.
– La matrice identité est un élément neutre pour le produit : ∀A ∈ Mn,p (K),
In A = AIp = A.
– Le produit d’une matrice par une matrice nulle (de taille compatible), à gauche comme
à droite, est toujours nul.
Remarque 2. L’ensemble (Mn (K); +; ×) est donc un anneau (non commutatif ). Attention
aux pièges suivants quand on manipule le produit matriciel :
– Le produit de matrices n’est pas commutatif. En fait, l’existence du produit AB n’implique
même pas celle de BA, mais même dans le cas des matrices carrées, par exemple, on
a en général AB 6= BA. Dans le cas contraire, on dit que A et B commutent.
– Parler de division de matrice n’a en général aucun sens.
– Plus généralement, même si les matrices ne sont pas carrées, AB = AC n’implique en
général pas B = C.
– On peut écrire les systèmes d’équations linéaires à l’aide de produits de matrices, mais
on reviendra là-dessus un peu plus tard.
 Transposition:
Définition 2. La transposée d’une matrice A ∈ Mn,p (K) s’obtient en remplaçant les
lignes de la matrice par ses colonnes. Si A ∈ Mn,p (K) alors la matrice transposée AT ∈
M ∈ Mp,n (K). Autrement dit, les lignes de A sont les colonnes de AT et vice-versa.

3
   
−4 11 T −4 6
Exemple: A = alors A =
6 27 11 27
Proposition 1. La transposition vérifie les propriétés suivantes : ∀A, B ∈ Mn,p (K),
– (AT )T = A
– (A + B)T = AT + B T
– (λA)T = λ AT
– ∀C ∈ Mp,m (R), (AB)T = B T AT .
Remarque 3. Pour toute matrice A, le produit AT A une matrice carrée symétrique et
les éléments de sa diagonale principale sont non négatifs.
Définition 3. Une matrice A ∈ Mn (R) est dite symétrique si AT = A, c’est-à-dire si
∀i; j ∈ {1; :::; n}2 , aij = aji . Elle est antisymétrique si AT = −A.
Remarque 4. La puissance d’une matrice diagonale est simplement obtenue en prenant
la puissance correspondante de ses coefficients diagonaux.
 Matrice nilpotente: Une matrice carrée A est dite nilpotente s’il existe un entier n tel
que An = 0.
Théorème 1. (formule du binôme de Newton) Si A et B sont deux matrices qui
n
X Xn
n k k n−k n
commutent dans Mn (K), (A + B) = Cn A B = (B + A) = Cnk B k An−k .
k=0 k=0

 Trace d’une matrice: La trace d’une matrice carrée A ∈ Mn (K) est la somme des
n
X
éléments de la diagonale principale et on note tr(A) = aii .
i=1
Proposition 2. La trace est une application linéaire: tr(λA) = λtr(A) et tr(A + B) =
tr(A)+tr(B). La trace vérifie la formule tr(AB) = tr(BA) (quand A et B sont de même
taille).

 Forme échelonnée d’une matrice Une matrice A = (aij ) est dite « échelonnée » si
le nombre de « 0 » précédent le premier élément non nul d’une ligne augmente de ligne
en ligne.
Elle est appelée « matrice échelonnée réduite » si en plus, le premier élément non nul
d’une ligne est égal à « 1 » et si, dans la colonne correspondante (colonne pivot), tous
les autres éléments
 sont « 0  ».  
2 3 0 1 2 3 0 1
Exemple: A = 0 03 5  est échelonnée B = 0 03 5  est non échelonnée.
0 0 0 7 0 0 1 −7
On peut réduire une matrice à sa forme échelonnée (ou échelonnée réduite) en effectuant
des opérations élémentaires sur ses lignes :
 Multiplier une ligne par un scalaire non nul.
 Intervertir ou permuter 2 lignes.
 Ajouter à une ligne ?k fois une autre ligne.
 Rang d’une matrice r(A)
Le rang d’une matrice A de taille n × p correspond au nombre de lignes non nulles de
sa forme échelonnée réduite. On dit que A est de « plein rang » si r(A) = m
Remarque 5. Le rang d’une matrice donne le nombre maximum de ses lignes linéairement
indépendantes ainsi que le nombre maximum de ses colonnes linéairement indépendantes.
Proposition 3. 1. Si B peut être obtenue de A par applications successives d’opérations
élémentaires sur ses lignes, alors r(A) = r(B)

4
2. r(AT ) = r(A)
3. Si le produit matriciel AB est défini, alors r(AB) ≤ min{r(A), r(B)}
 Inverse d’une matrice:
Soit A une matrice carrée de taille n × n. L’inverse de A notée A−1 s’il existe une matrice
qui satisfait la condition AA−1 = A−1 A = In . On dit que A est inversible. On appelle B
l’inverse de A et on la note B = A−1 .
Remarque 6. – La notion n’a pas bien sûr de sens dans le cas de matrices qui ne sont
pas carrées.
– L’inverse d’une matrice, quand il existe, est unique.
L’ensemble des matrices inversibles de Mn (K) est noté GLn (K).
L’inverse de la matrice In est bien sûr In elle-même. La matrice nulle n’est pas
inversible.
Propriété 3. Si A est inversible, alors son inverse est unique.
Remarque 7. Une matrice diagonale  est inversible si et seulement
 si tous ses
 −1coefficients 
a11 0 · · · 0 a11 0 ··· 0
 0 a22 · · · 0   0 a−1 · · · 0 
−1 22
diagonaux sont non nuls. On a si A =  .. ..  ,alors A =  .. .. .
   
.. . . . . ..
 . . . .   . . . . 
−1
0 0 · · · ann 0 0 · · · ann
Proposition 4. – Si A est inversible, alors A−1 aussi l’est et on note (A−1 )−1 = A.
– Si A, B ∈ Mn (K)2 sont deux matrices inversibles, le produit AB est inversible et
(AB)−1 = B −1 A−1 .
– Si A est une matrice inversible, Ak est inversible pour tout entier k ∈ N , et (Ak )−1 =
(A−1 )k.
– Si A, B ∈ Mn (K) vérifient AB = I, alors A et B sont inversibles et inverses l’une de
l’autre.  
2 1
Exemple 3. -Cherchons à déterminer de façon l’inverse de la matrice A = On
  3 2
x y
cherche donc une matrice B = telle que AB = I (dans ce cas, le produit dans
z t
l’autre sens sera automatiquement
 égal à I, comme on pourra le vérifier facilement). On

 2x + z = 1
2y + t = 0

trouve donc le système . La deuxième équation donne t = −2y, ce qui

 3x + 2z = 0
3y + 2t = 1

en reportant dans la dernière amène y = −1, et donc t = 2. La première équation donne
z = 1 − 2x, soit en reportant dans la troisième −x + 2 = 0, donc  x = 2, puis z = −3.
2 −1
Finalement, la matrice A est inversible, et son inverse est B = . On va très
−3 2
vite essayer de trouver des méthodes de calcul d’inverse plus efficace, car je doute que
vous ayez envie de calculer l’inverse d’une matrice d’ordre 5 de cette façon.
 
3 0
Exemple 4. La matrice A = est-elle inversible?
5 0
 
a b
Proposition 5. Pour une matrice carrée d’ordre 2 n × n:Si A =
c d
 
−1 1 d −b
et si ad − bc 6= 0, alors A est inversible alors A =
ad − bc −c a

5
1.1.3 Inverse d’une matrice d’ordre supérieur à 2
a. Matrice augmentée ou algorithme du pivot de Gauss: Soit A une matrice
d’ordre n et In la matrice unité d’ordre n, on écrit:
 
a11 a12 · · · · · · a1n 1 0 · · · · · · 0 0
 a21 a22 · · · · · · a2n 0 1 · · · · · · 0 0 
(A : I) =  ..
 
.. . . .. .. .. .. . . . ..
. ..

 . . . . . . . . 
an1 an2 · · · · · · ann 0 0 · · · · · · 0 1

On effectue des opérations élémentaires sur lignes de la matrices augmentées jusqu’à


obtenir une expression de la forme (I : B). Ainsi la matrice B est appelée inverse
de A et on note B = A−1
Proposition 6. – Si A est inversible alors A−1 est aussi inversible et (A−1 )−1 = A
T −1
– Si A est inversible alors A−1 = AT
– Si A et B sont deux matrices inversibles de même dimension alors leur produit
AB est inversible et (AB)−1 = B −1 A−1
– Si A une matrice de dimension n × n et inversible alors r(A) = n.
 
2 1 −1
Exemple 5. Soit A =  1 −3 −1 une matrice d’ordre 3. Calculer l’inverse
 −2 0 1
2 1 −1 1 0 0

de A.  1 −3 −1 0 1 0  On fait l20 → l1 − 2l2 et l30 → l1 + l3 on obtient:

−2 0 1 0 0 1

 
2 1 −1 1 0 0

 0 7 1 1 −2 0  On conserve l1 et l20 et on fait l”3 → l20 − 7l30 on obtient:
0 1 0 1 0 1

 
2 1 −1 1 0 0

 0 7 1 1 −2 0  On fait l10 → l1 + l30 et l”2 → l20 − l3 on obtient
0 0 1 −6 −2 −7

 
2 1 0 −5 −2 −7

 0 7 0 7 0 7  On fait ensuite l”1 → 7l10 − l20 et on conserve le reste:
 0 0 1 −6 −2 −7


14 0 0 −42 −14 −56

1 1
 0 7 0 7 0 7  Enfin on fait:l”01 → l”1 et l0 ”2 → l”2 on
14 7
0 0 1 −6 −2 −7

obtient:
   
1 0 0 −3 −1 −4 −3 −1 −4

 0 1 0 1 0 1  D’où B = A−1 =  1 0 1
0 0 1 −6 −2 −7 −6 −2 −7

b. Méthode des cofacteurs: On rappelle qu’une matrice carrée d’ordre n, A est


inversible s’il existe B d’ordre n telle que AB = BA = I où I est la matrice unité
d’ordre n, c’est à dire la matrice diagonale dont les éléments diagonaux sont tous
égaux à 1.
Critère : A est inversible si det(A) 6= 0. Une fois assuré que A est inversible, on
1
calcule son inverse à l’aide de la formule suivante : A−1 = (adj(A)) où
det(A)
adj(A) désigne l’adjoint classique de A , adj(A) = [Cij ]T où Cij désigne la matrice
des cofacteurs de A.

6
Cij = (−1)i+j ∆ij où ∆ij = det(aij ) les mineurs des éléments aij de A obtenue en
supprimant
 la ieme ligne
 et la j
eme
colonne.
2 1 −1
A =  1 −3 −1 alors det(A) = 1 on calcule les cofacteurs:
−2 0 1
1+1 −3 −1 1+2 1 −1

A11 = (−1) = −3; A12 = (−1) = 1;
0 1 −2 1
1 −3
= −6; A21 = (−1)2+1 1 −1 = −1;

A13 = (−1)1+3
−2 0 0 1

2 −1
= 0 ; A23 = (−1)2+3 2 1 = −2 ;

A22 = (−1)2+2
−2 1 −2
0

1 −1
= −4 ; A32 = (−1)3+2 2 −1 = 1 ;

A31 = (−1)3+1
−3 −1
1 1

2 1
A33 = (−1)3+3 = −7
1 −3   
−3 1 −6 −3 −1 −4
On obtient: Cij = −1 0 −2 et adj(A) = (Cij )T =  1 0 1
−4 1 −7 −6 −2 −7
 
−3 −1 −4
−1 1
A = 1 0 1
1
−6 −2 −7

1.2 Systèmes linéaires


Définition 4. Une équation linéaire à n inconnues x1 , x2 , ..., xn est une équation du type
a1 x1 + · · · + an xn = b, avec (a1 ; · · · ; an; b) ∈ Kn+1 .
Définition 5. Un système de p équations linéaires à n inconnues est constitué de p
équations
 du type précédent. On le note habituellement de la façon suivante :

 a11 x1 + a12 x2 + · · · + a1n xn = b1
 a21 x1 + a22 x2 + · · · + a2n xn = b2

.. . .
 .... · · · · · · .. · ..


 a x + a x + ··· + a x = b
p1 1 p2 2 pn n p

Remarque 8. Autrement dit, on note aij le coefficient de l’inconnue xj dans la i-ème


équation. Cette notation fait évidemment le lien avec la notation matricielle, comme on
va le préciser plus loin.
Définition 6. Une solution d’un système de p équations à n inconnues est un n-uplet
de réels (x1 ; x2 ; · · · ; xn) vérifiant simultanément les p équations du système.
Définition 7. Un système est incompatible s’il n’admet aucune solution.
Un système est appelé système de Cramer s’il admet exactement une solution.

 x + 2y − 3z = 7
Exemple 6. Le système suivant est un système incompatible : 2x − 5y + z = −4
3x − 3y − 2z = 1

En effet, si l’on effectue la somme des deux premières lignes et que l’on soustrait la
troisième, on obtient 0 = 2, ce qui est impossible.
Définition 8. Un système linéaire est homogène si tous les coefficients apparaissant
dans son second membre (ceux que nous avons noté bi un peu plus haut) sont nuls.

7
Définition 9. La matrice associée au système est la matrice de ses coefficients
 A=  (aij ).
x1 b1
 x2   b2 
Si on note les inconnues sous forme de matrice-colonne X =  ..  , et B =  .. 
   
. .
xn bn
le second membre, le système est alors sous la forme d’une équation matricielle AX = B.
Définition 10. Un système linéaire est carré s’il possède autant d’équations que d’inconnues,
ce qui revient à dire que la matrice qui lui est associée est carrée. De même, un système
est dit triangulaire si la matrice associée est triangulaire (généralement triangulaire
supérieure).
Théorème 2. Un système linéaire carré c’est à dire (n équations et n inconnues) est de
Cramer si et seulement si sa matrice associée A est inversible. Ainsi, l’unique solution
du système est X = A−1 B.
Remarque 9. Autrement dit, le fait qu’un système ait une solution unique ou non ne
dépend que des coefficients de chaque équation, mais pas de son second membre.
Définition 11. Deux systèmes linéaires sont équivalents s’ils ont les mêmes solutions.
Définition 12. Les opérations élémentaires sur les lignes d’un système sont les mêmes
que celle que nous avons définies sur les matrices.
Proposition 7. Les opérations élémentaires sur les lignes d’un système le transforment
en système équivalent.
Algorithme du pivot de Gauss pour la résolution des systèmes : L’algorithme
est rigoureusement le même que pour l’inversion des matrices.,En effet, il suffit de
transformer le système en système triangulaire, et de « remonter » pour trouver les
inconnues.
Exemple 7. Nous allons résoudre un système à 4 équations et 4 inconnues en suivantl’algorithme
décrit :
 

 3x + y − 3z + 2t = 7 
 3x + y − 3z + 2t = 7
x − 2y + z − t = −9 L2 ↔ L1 − 3L2 7y − 6z + 5t = 34
 

 2x − 3y − 2z + t = −4 L − 3 ↔ 2L1 − 3L3   11y + t = 26 L3 ↔ 11L2 − 7L3
−x + 5z − 3t = −11 L ↔ L + 3L  y + 12z − 7t = −26 L4 ↔ L2 − 7L4
 
 4 1 4

 3x + y − 3z + 2t = 7 
 3x + y − 3z + 2t = 7
7y − 6z + 5t = 34 7y − 6z + 5t = 34
 


 −66z + 48t = 192 
 −66z + 48t = 192
−90z + 54t = 216 L4 ↔ 90L3 − 66L4 756t = 3024
 

En remontant le système, on obtient t = 4, puis −66z = 192 − 48t = 0, donc z = 0 ;


7y = 34 + 6z − 5t = 14, donc y = 2, et enfin 3x = 7 − y + 3z − 2t = −3, donc x = −1.
Le système a donc une unique solution : S = {(−1; 2; 0; 4)}.
On ne peut qu’être un peu frustré d’avoir fait des calculs si compliqués pour une solution
aussi simple. On peut en fait les réduire grandement en utilisant le pivot de façon plus
subtile,
 c’est-à-dire en choisissant un bon pivot
 à chaque étape. Par exemple :

 3x + y − 3z + 2t = 7 L1 ←→ L2 
 x − 2y + z − t = −9
x − 2y + z − t = −9 3x + y − 3z + 2t = 7 L2 ↔ 3L1 − L2
 


 2x − 3y − 2z + t = −4 
 2x − 3y − 2z + t = −4 L3 ↔ 2L1 − L3
 −x + 5z − 3t = −11  −x + 5z − 3t = −11 L4 ↔ L1 + L4
 

 x − 2y + z − t = −9 
 x − 2y + z − t = −9
−7y + 6z − 5t = −34 L2 ↔ L3 −y + 4z − 3t = −14
 


 −y + 4z − 3t = −14 
 −7y + 6z − 5t = −34 L3 ↔ 7L2 − L3
−2y + 6z − 4t = −20 −2y + 6z − 4t = −20 L4 ↔ 2L2 − L4
 

8
 

 x − 2y + z − t = −9 
 x − 2y + z − t = −9
−y + 4z − 3t = 14 −y + 4z − 3t = −14
 


 22z − 16t = −64 
 22z − 16t = −64
2z − 2t = −8 L4 ↔ L3 − 11L4 6t = 24
 
On retrouve bien évidemment la même solution que précédemment.

1.3 Déterminants:
 
a b
Définition 13. Soit M = ∈ M2 (K), on appelle déterminant de M la constante
c d
ad − bc. 
det(M ) = 
a b c
Soit M = d e f  ∈ M3 (K), on appelle déterminant de M la constante
g h i
a b c

det(M ) = aei + bf g + cdh − af h − bdi − ceg. On note souvent le déterminant d e f
g h i

Remarque 10. Il s’agit d’une définition fort à l’aide du déterminant, qui revient simplement
à appliquer la règle de Sarrus.
Théorème 3. . Une matrice M est inversible si et seulement si son déterminant est non nul.
Proposition 8. Propriétés élémentaires du déterminant.
– det(0) = 0
– det(In ) = 1
– det(AT ) = det(A)
– det(λA) = λdet(A)
– det(AB) = det(A)det(B)
1
– Si A est inversible, det(A−1 ) =
det(A)
– Si on permute deux colonnes d’une matrice, alors son déterminant change de signe.
– Si une matrice A possède une ligne (ou une colonne) de 0 alors |A| = 0.
– Si une matrice A possède une ligne (ou une colonne) identique alors |A| = 0.
– Si A une matrice triangulaire alors |A| = produit de ses élts diagonaux .
Définition 14. Soit A une matrice carrée de taille n × n.
1. Le mineur Mij est le déterminant de la matrice obtenue en supprimant de A la ieme ligne
et la j eme colonne.
2. Le cofacteur Cij d’une matrice A est défini par la relation Cij = (−1)i+j Mij où Mij le
mineur.
3. L’adjointe notée adj(A) d’une matrice est la transposée de la matrice de ses cofacteurs.
Si A est une matrice carrée alors A × adj(A) = det(A) × I
Remarque 11. Le déterminant d’une matrice diagonale est simplement le produit de ses
éléments diagonaux. En fait, c’est aussi le cas pour une matrice triangulaire.
Proposition 9. Les opérations élémentaires sur les lignes et les colonnes d’une matrice ont
l’effet suivant sur son déterminant :
– l’échange de deux lignes change le signe du déterminant.
– le produit d’une ligne par une constante λ multiplie le déterminant de la matrice par la
même constante λ.

9
– une combinaison ne change pas le déterminant de la matrice. On a exactement les mêmes
propriétés pour les opérations sur les colonnes (on peut combiner les deux sans problème
dans un calcul de déterminant.
X n
Proposition 10. Développement suivant une ligne d’un déterminant. det(A) = (−1)i+j aij Dij
j=1
, où Dj désigne le déterminant de la matrice carrée d’ordre n − 1 obtenue en supprimant de
la matrice A, la ligne numéro i et la colonne numéro j.

b c a c a b
Exemple 8. Sur une matrice d’ordre 3, on trouvera det(A) = −d + e −f
h i g i g h
 
bc ac ab
Exemple 9. Pour calculer le déterminant  a b c , où a, b et c sont trois constantes
1 1 1
quelconques, on peut commencer par soustraire la première  colonne à chacune
 des deux autres 
bc ac ab bc (a − b)c (a − c)b
puis factoriser et enfin développer suivant la dernière ligne :  a b c  =  a b−a c−a =
  1 1 1 1 0 0
bc c b  
c b
(a − b)(a − c) a −1 −1 = (a − b)(a − c)
  = (a − b)(a − c)(b − c).
−1 −1
1 0 0
Définition 15. Pour une matrice A, on appelle mineur d’indice (i, j) le déterminant de la
matrice obtenue en supprimant dans A la ligne numéro i et la colonne numéro j. On le note
∆i,j . On appelle cofacteur d’indice (i, j) le nombre (−1)i+j ×∆i,j , et comatrice de A la matrice
constituée de tous les cofacteurs de la matrice A (qui a donc même taille que la matrice A).
Elle est notée com(A).
Proposition 11. Pour toute matrice carrée A, on a A t (com(A)) =t (com(A))A = (det(A))In.Conséquence
1 t
si A est inversible, A−1 = (com(A)).
det(A)
Démonstration. On va se contenter du cas des matrices d’ordre 2 où le calcul n’est pas
compliqué. Les mineurs sont constitués de déterminants
 de matrices
 à une seule ligne et une
d −c
seule colonne, on obtient donc aisément com(A) = . Il ne reste plus qu’à calculer
      −b a
a b d −b ad − bc 0
× = = (ad − bc)I2 .
c d −c a 0 ad − bc
Proposition 12. Méthode de Cramer pour la résolution des systèmes linéaires. Si on considère
un système de Cramer de matrice associée A, les valeurs des inconnues xi pour l’unique
det(Ai )
solution du système sont données par les formules xi = , où Ai est la matrice obtenue
det(A)
en remplaçant dans la matrice A la colonne numéro i par la matrice-colonne B du second
membre du système.
Démonstration. Ce résultat est très facile à prouver avec une bonne définition du déterminant,
en utilisant la multilinéarité de celui-ci.

 2x − y + 3y = 9
Exemple 10. Considérons le système x + 3y − z = −4
−x + y − z = −4


2 −1 3
3 −1 1 −1 1 3
On calcule d’abord det(A) = 1 3 −1 = 2

− (−1)1 −1 −1 + 3 −1 1 =

−1 1 −1 1 −1

10
2 × (−2) + (−2)
+ 3 × 4 = 6. Il reste ensuite trois autres déterminants à calculer
: det(A1 ) =
9 −1 3
2 −1 9
2 9 3

−4 3 −1 = 6 ; puis det(A2 ) = 1 −4 −1 = −6 et enfin det(A) = 1 3 −4 =

−4 1 −1 −1 −4 −1 −1 1 −4
6 −6 12
12. On en déduit la solution du système :x = = 1 ;y = = −1 et z = =2
6 6 6

11

Vous aimerez peut-être aussi