École supérieure en Sciences et

Module: Algèbre 3
Technologies de l’Informatique et
Chargée du cours: Dr. ALKAMA.L
du Numérique
Année universitaire: 2022/2023
Niveau: 2ème année Classe Préparatoire

Chapitre I: Les déterminants

1 Rappels
Définition 1.1: Matrice d’ordre n × m

Une matrice d’ordre n × m est un tableau de données à deux entrées (n lignes et m colonnes).

Exemples:
• La matrice  
1 0 −2
A= 
0 −3 4
est une matrice d’ordre 2 × 3 (2 lignes et 3 colonnes).
• La matrice  
1 0 −2 1
 
 

B = −3 5 0 −4
 
7 0 −2 1
est une matrice d’ordre 3 × 4 (3 lignes et 4 colonnes).

Définition 1.2: Matrice carrée d’ordre n

On dit qu’une matrice est une matrice carrée d’ordre n si m = n. Ce qui signifie que le nombre de
lignes n égale au nombre de colonnes m.

Exemples:
• La matrice  
1 0
M1 =  
0 −3
est une matrice carrée d’ordre 2.
• La matrice  
0 −2 1
 
 
M2 =  
−3 5 0 
 
7 0 −2
est une matrice carrée d’ordre 3.

Définition 1.3: Matrice diagonale

Une matrice A = (ai,j )1≤i,j≤n est dite diagonale si ai,j = 0 dès que i ̸= j.

1
Exemple: La matrice  
2 0 0
 
 
M 2 = 0 1 0 


 
0 0 −2
est une matrice diagonale d’ordre 3.

Définition 1.4: Matrice identité d’ordre n

La matrice identité d’ordre n notée In est la matrice diagonale n’ayant que des 1 sur sa diagonale.

Exemple: La matrice  
1 0 0 0
 
 
0 1 0 0 
 
I4 = 



0 0 1 0 
 
 
0 0 0 1
est une matrice identité d’ordre 4.

Définition 1.5: Matrice triangulaire inférieure

Une matrice A = (ai,j )1≤i,j≤n est dite triangulaire inférieure si ai,j = 0 dès que i < j.

Exemple: La matrice  
−2 0 0
 
 
A=
3 −1 0 

 
0 1 −2
est une matrice triangulaire inférieure d’ordre 3.

Définition 1.6: Matrice triangulaire supérieure

Une matrice A = (ai,j )1≤i,j≤n est dite triangulaire supérieure si ai,j = 0 dès que i > j.

Exemple: La matrice  
−2 3 −1
 
 
B=
0 −1 2 

 
0 0 −2
est une matrice triangulaire supérieure d’ordre 3.

2
Définition 1.7: Matrice associée à une application linéaire

La matrice A est la matrice dont les vecteurs colonnes sont l’image par f des vecteurs de la base de
départ B1 , exprimée dans la base d’arrivée B2 . On note cette matrice par M at(f, B1 , B2 ).

Soient E et F deux K-espaces vectoriels de dimension finie et f : E −→ F une application linéaire. Soient:
• dim E = p, et B1 = (e1 , ..., ep ) une base de E.

• dim F = n; et B2 = (v1 , ..., vn ) une base de F.

- Pour j ∈ {1, ..., p}, f (ej ) est un vecteur de F et s’écrit de manière unique comme combinaison linéaire des
vecteurs de la base B2 = (v1 , ..., vn ) de F . Il existe donc n scalaires uniques (a1j , a2j , ..., anj ) tels que

f (ej ) = a1j v1 + a2j v2 + ... + anj vn

Définition 1.8
La matrice associée à l’application linéaire f par rapport aux bases B1 et B2 est la matrice A =
(aij ) ∈ Mnp (K) dont la j-ème colonne est constituée par les coordonnées du vecteur f (ej ) dans la base
B2 = (v1 , v2 , ..., vn ). Autrement dit la matrice A est la matrice dont les vecteurs colonnes sont l’image
par f des vecteurs de la base de départ B1 , exprimée dans la base d’arrivée B2 . On note cette matrice
M at(f, B1 , B2 ).
f (e1 ) f (e2 ) · · · f (en )
 
a11 a12 ··· a1p v1
 a21 a · · · a  v2
 22 2p 
A = M at(f, B1 , B2 ) =  . .. .. ..  ..
 .. . . .  .
an1 an2 ··· anp vn
La taille de la matrice dépend uniquement de la dimension de E et de celle de F .

Exemple: Soit l’application

f : R2 −→ R3
(x, y) 7−→ (2x + z, x − y + 3z)
et soit les (
bases canoniques ) ( )
Bc (R ) = e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1) et Bc (R2 ) = v1 = (1, 0), v2 = (0, 1) .
3

On a
f (e1 ) = f (1, 0, 0) = (2, 1)
f (e2 ) = f (0, 1, 0) = (0, −1)
f (e3 ) = f (0, 0, 1) = (1, 3)
Alors
f (e1 ) f (e2 ) f (e3 )
( ) ( )
2 0 1 v1
A = M at f, Bc (R3 ), Bc (R2 ) =
1 −1 3 v2

Définition 1.9: Matrice de passage

Soit f : E −→ E une application. Soient B1 et B2 deux bases de E.

On note par P = PB1 −→B2 la matrice de passage de la base B1 à la base B2 .
Soit A = M at(f, B1 , B1 ) = M at(f, B1 ) la matrice associée à l’application f relativement à la base B1 .
Soit A′ = M at(f, B2 , B2 ) = M at(f, B2 ) la matrice associée à l’application f relativement à la base B2 .
Alors, on a
A′ = P −1 AP

3
Exemple 1.9:( ) (
Soient B1 = a1 = (1, 1, 0), a2 = (0, −1, 0), a3 = (3, 2, −1) et B2 = b1 = (1, −1, 0), b2 = (0, 1, 0), b3 =
)
(0, 0, −1) deux bases de R3 .
 
1 0 −6
Soit l’application linéaire f : R3 −→ R3 et A = M at(f, B1 , B1 ) = M at(f, B1 ) =  −2 2 7 
0 0 3
On note par P = PB1 −→B2 la matrice de passage de la base B1 à la base B2 .
 

a1 = (1, 1, 0) = e1 + e2 
e1 = a1 + 2a2
a2 = (0, −1, 0) = −e2 =⇒ e2 = −a2

 

a3 = (3, 2, −1) = 3e1 + 2e2 − e3 e3 = −3a1 − a2 + a3
 

b1 = (1, −1, 0) = e1 − e2 = (a1 + a2 ) + a2 
a1 = b1 + 2b2
⃝
A b2 = (0, 1, 0) = e2 = −a2 =⇒ ⃝
B a2 = −b2

 

b3 = (0, 0, −1) = −e3 = −3a1 − a2 + a3 a3 = 3b1 + 5a2 + a3
De ⃝ B on obtient la matrice inverse P −1
A on obtient la matrice de passage P et de ⃝

b1 b2 b3 a1 a2 a3
   
1 0 −3 a1 1 0 3 b1
P = 2 −1 −1  a2 et P −1 = 2 −1 5  b2
0 0 1 a3 0 0 1 b3

On a
R Id 3 R f Id 3
R3B2 −→ R3 −→ R3 −→ R3
| {z } | B1 {z B}1 | {z B}2
P A P −1

Alors, la matrice A′ = M at(f, B2 ) est donnée par

 
1 0 0
A′ = P −1 .A.P =  0 2 0 
0 0 3

Définition 1.10: Rang d’une matrice

On appelle rang de la matrice A notée par rg(A) composée de n colonnes (e1 , e2 , ..., en ) le rang de ses
vecteurs colonnes. A partir de cet ensemble de vecteurs, le nombre maximum de vecteurs linéairement
indépendants dans l’ensemble est appelé le rang de l’ensemble de vecteurs. Notez que le rang des
vecteurs ne peut jamais être supérieur à sa dimension (rg(A) ≤ n).

rg(A) = dim < (e1 , e2 , ..., en ) > .


1 −1
 2 0 
Exemple: Soit la matrice A =   3 −1  .


0 2
   
1 −1
 2   
On note par v1 =   et v2 =  0  .
 3   −1 
0 2
Vérifions si v1 et v2 sont linéairement indépendant.

v1 et v2 sont linéairement indépendant si ∃k1 , k2 ∈ R tel que si k1 v1 + k2 v2 = 0 =⇒ k1 = k2 = 0.

4
 

 k1 − k2 = 0


2k = 0
1
k1 v1 + k2 v2 = 0 ⇐⇒ =⇒ k1 = k2 = 0
3k1 − k2 = 0



2k = 0
2
( )
D’où rg(A) = dim < (v1 , v2 ) > = 2.

2 Définitions et propriétés
2.1 Groupe symétrique
Soit E un ensemble. On appelle groupe symétrique de E l’ensemble des applications bijectives de E sur E
muni de la composition d’applications (la loi ◦).
Exemple 2.1:
Soit E = {0, 1, 2, 3} et les applications bijectives σ1 : E −→ E et σ2 : E −→ E données par
( ) ( )
0 1 2 3 0 1 2 3
σ1 = σ2 =
2 1 3 0 1 0 3 2

Alors la composition des deux applications, nous donne

( )
0 1 2 3
(σ1 ◦ σ2 )(i) = σ1 (σ2 (i)) = , i ∈ E.
1 2 0 3

Définition 2.1.1: Permutation

1. Toute application bijective de E = {1, 2, ..., n} dans lui même est appelée une permutation noté
( )
1 2 3 ··· n
σ=
σ(1) σ(2) σ(3) · · · σ(n)

2. On note l’ensemble des permutations de degré n appelé aussi groupe symétrique par Sn avec card
Sn = n!.

3. Le groupe (Sn , ◦) est un groupe non commutatif avec ◦ est la loi de composition des applications.

Exemple 2.1.1: Soit E = {1, 2, 3}.

( )
1 2 3
• σ= est une permutation. σ(1) = 2, σ(2) = 1 et σ(3) = 3.
2 1 3

• L’ensemble des permutations sur E est donné par:

{( ) ( ) ( ) ( ) ( ) ( )}
1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3
S3 = , , , , ,
1 2 3 1 3 2 2 1 3 2 3 1 3 1 2 3 2 1

card S3 = 3! = 6.

Définition 2.1.2: Transposition

Soit l’ensemble des permutations Sn (n ≥ 2). On appelle transposition qu’on notera par τ , les per-
mutations qui laisse tous les éléments fixes sauf deux. Elle représente la permutation qui échange
deux éléments et laisse les autres inchangés. Une transposition τij signifie que l’image de i est
remplacée par j et celle de j remplacée par i par contre les images de k resteront toujours k
(τ (i) = j, τ (j) = i et τ (k) = k).

5
Exemple 2.1.2: ( )
1 2 3 4
Soit la permutation σ = .
3 4 1 2
L’ensemble des permutation est
{( ) ( ) ( ) ( ) ( ) ( )
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
S4 = , , , , , ,
1 2 3 4 1 2 4 3 1 3 2 4 1 3 4 2 1 4 2 3 1 4 3 2
( ) ( ) ( ) ( ) ( ) ( )
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
, , , , , ,
2 1 3 4 2 1 4 3 2 3 1 4 2 3 4 1 2 4 3 1 2 4 1 3
( ) ( ) ( ) ( ) ( ) ( )
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
, , , , , ,
3 1 2 4 3 1 4 2 3 2 1 4 3 2 4 1 3 4 2 1 3 4 1 2
( ) ( ) ( ) ( ) ( ) ( )}
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
, , , , , .
4 1 2 3 4 1 3 2 4 2 1 3 4 2 3 1 4 3 2 1 4 3 1 2
Les transpositions de la permutation σ sont données par:
{( ) ( ) ( ) ( ) ( ) ( )}
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
τ= , , , , ,
1 2 4 3 1 3 2 4 2 1 3 4 4 2 3 1 1 4 3 2 3 2 1 4
avec
( )
1 2 3 4
τ12 = .
2 1 3 4

Définition 2.1.3: Signature

• On définit la signature de la permutation σ noté ε(σ) ou bien sgn(σ) par

ε(σ) = sgn (σ) = (−1)inv(σ)

avec inv(σ) représente le nombre d’inversions de la permutation σ.

• (i, j) est dite une inversion de σ si pour tout i < j on a σ(i) > σ(j).

Exemple 2.1.3: ( )
1 2 3
Soit la permutation σ = .
3 2 1
L’ensemble des permutation est donné par S3 avec card S3 = 3! = 6.
{( ) ( ) ( ) ( ) ( ) ( )}
1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3
S3 = , , , , , .
1 2 3 1 3 2 2 3 1 2 1 3 3 2 1 3 1 2
Cherchons les inversions de σ:
• (1, 2) est une inversion car pour 1 < 2 et σ(1) = 3 > σ(2) = 2.
• (1, 3) est une inversion car pour 1 < 3 et σ(1) = 3 > σ(3) = 1.
• (2, 3) est une inversion car pour 2 < 3 et σ(2) = 3 > σ(3) = 1.
Alors inv(σ) = 3 La signature est alors ε(σ) = (−1)inv(σ) = (−1)3 = −1.

2.2 Formes multilinéaires

Une forme multilinéaire est un cas particulier d’application multilinéaire. Elle représente une application d’un
produit d’espaces vectoriels dans leur corps de coefficients, qui est linéaire en chacune de ses variables.
ϕ : E1 × E2 × ... × En −→ F
(x1 , x2 , ..., xn ) 7−→ ϕ(x1 , x2 , ..., xn )
avec En une famille d’espaces vectoriels et F un K.e.v où K = R ou C.

6
Définition 2.2.1: Forme n-linéaire
Soit K un corps commutatif qui représente soit l’ensemble des nombres réelles R ou complexes C. Soit
E un K.e.v et f : E n −→ K une application de E n dans K. L’application f est une forme n.linéaire si
chacune de ses applications partielles xi −→ f (x1 , x2 , ..., xi , xi+1 , ..., xn ) est linéaire (noté L n (E)),
ce qui veut dire que
′ ′
f (x1 , x2 , ..., xi−1 , axi + bxi , xi+1 , xn ) = af (x1 , x2 , ..., xi−1 , xi , xi+1 , xn ) + bf (x1 , x2 , ..., xi−1 , xi , xi+1 , xn )

Exemple 2.2.1:

f : Kn −→ K
(x1 , x2 , ..., xn ) −→ x1 × x2 × ... × xn
est une forme n-linéaire sur K.
En effet, prenant un exemple pour n = 3 et K = R. Vérifions si l’application est 3-linéaire (trilinéaire)

f : R3 −→ R
(x1 , x2 , x3 ) −→ x1 × x2 × x3

• Pour la variable x1 , on a
′ ′
f (ax1 + bx1 , x2 , x3 ) = (ax1 + bx1 ) x2 x3
′
= ax1 x2 x3 + bx1 x2 x3
′
= af (x1 , x2 , x3 ) + bf (x1 , x2 , x3 ).

d’où f est linéaire par rapport à la variable x1 .

• Pour la variable x2 , on a
′ ′
f (x1 , ax2 + bx2 , x3 ) = x1 (ax2 + bx2 ) x3
′
= a x1 x2 x3 + b x1 x2 x3
′
= a f (x1 , x2 , x3 ) + b f (x1 , x2 , x3 ).

d’où f est linéaire par rapport à la variable x2 .

• Pour la variable x3 , on a
′ ′
f (x1 , x2 , x3 + x3 ) = x1 x2 (ax3 + bx3 )
′
= a x1 x2 x3 + b x1 x3 x3
′
= a f (x1 , x2 , x3 ) + b f (x1 , x2 , x3 ).

d’où f est linéaire par rapport à la variable x3 .

Puisque l’applications f est linéaire par rapport à chacune des variables alors elle est trilinéaire sur R.

Définition 2.2.2: Forme alternée

Soit f ∈ L n (E). On dit que l’application f est alternée si au moins deux vecteurs sont égaux, ce qui
veut dire que
∃ i, j tel que i ̸= j et xi = xj =⇒ f (x1 , x2 , ..., xn ) = 0
et on la note An (E).

7
Définition 2.2.3: Forme antisymétrique

Une forme antisymétrique de degré n sur un espace vectoriel E est une application f de E n dans son
corps de scalaires qui est linéaire en chacune des variables et qui satisfait la relation suivante :

∀(x1 , . . . , xn ) ∈ E n , ∀(i, j) ∈ N2 avec 1 ≤ i < j ≤ n

=⇒ f (x1 , . . . , xi , . . . , xj , . . . , xn ) = −f (x1 , . . . , xj , . . . , xi , . . . , xn ).

Remarque:
Toute forme n-linéaire alternée est antisymétrique

2.3 Notion de déterminant d’une famille de vecteurs

Théorème 2.3.1
Soit E un K.e.v avec la dimension de E est égale à n. Et soit B = (e1 , e2 , ..., en ) une base de E. Il
existe une seule forme n-linéaire alternée f tel que f (e1 , e2 , ..., en ) = 1. Cette application f s’appelle
déterminant dans la base B et on la note par det.
B
Soit (x1 , x2 , ..., xn ) une famille de n vecteurs de E. On suppose que les xj s’écrivent dans la base B
∑n
sous la forme xj = aij ei , j ∈ J1, nK. Alors
i=1
∑ ( )
det(x1 , x2 , ..., xn ) = ε(σ) a1σ(1) a2σ(2) ...anσ(n) avec
B
σ∈Sn

On préfère écrire le nombre det(x1 , x2 , ..., xn ) sous forme d’un tableau limité par deux barres verticales,
B
la jième colonne de ce tableau étant formée des coordonnées du vecteur xj relativement à la base B.
C’est à dire:
a11 a12 ··· a1n
a21 a22 ··· a2n ∑
n
det(x1 , x2 , ..., xn ) = . .. .. .. avec xj = aij ei , ∀j ∈ J1, nK.
B .. . . . i=1
an1 an2 · · · ann

Propriétés 2.1
( )
1. det x1 , x2 , ..., xn = 0 si ∃ i ∈ J1, nK tq xi = 0E .
B
( )
2. Si ∃ i ̸= j tq xi = xj =⇒ det x1 , x2 , .xi , .xi , .., xn = 0. (forme alternée)
B
( ) ( )
3. det x1 , x2 , ..., λxi , .., xn = λ det x1 , x2 , ..., xi , ..., xn . (linéarité)
B B
 
( ) ∑
4. det x1 , x2 , ..., xi , ..., xn = det x1 , x2 , .., xi + xj , .., xn  .
B B
j̸=i
( ) ( )
5. det x1 , x2 , ..., xi , ..., xj , ..., xn = − det x1 , x2 , ..., xj , ..., xi , ..., xn . (forme antisymétrique)
B B
( ) ( )
6. det xσ(1) , xσ(2) , ..., xσ(n) = ε(σ) det x1 , x2 , ..., xn .
B B
( )
7. det x1 , x2 , ..., xn ̸= 0 ⇐⇒ (x1 , x2 , ..., xn ) libre.
B

8
Définition 2.3.1: Déterminant d’une matrice carrée
Soit une matrice A = (aij )i,j=1,n ∈ Mn (K). On appelle déterminant de A le déterminant de ses n
vecteurs colonnes considérés comme éléments de K∗ rapporté à sa base canonique. On note

det A = det(x1 , x2 , ..., xn ), avec x1 , x2 , ..., xn des vecteurs colonnes de A

B
∑ ( )
= ε(σ) a1σ(1) a2σ(2) ...anσ(n)
σ∈Sn
∑ ∏
n
= ε(σ) aiσ(i)
σ∈Sn i=1

Calcul pratique d’un déterminant

On peut calculer un déterminant par rapport a n’importe quelle ligne ou n’importe quelle colonne (car det A =
dett A).

• Cas n = 1 :

Soit A = (a) =⇒ det A = |A| = a.

• Cas n = 2 (
: )
a b
Soit A =
c d
 
 + − 
 
det A =  a b  = ad − bc
 c d 

• Cas n = 3 
: 
a b c
Soit A =  d e f 
g h i
L Méthode 1: consiste à calculer le déterminant suivant une ligne ou une colonne tout en prenant en
considération les signes + et −.
 
 + − +       
 a b c   e f   d f   d e 
 
det A =  d e f  = +a   − b  
 g i  + c g h 

  h i 
 g h i 

L Méthode 2: Règle de Sarrus.

La règle de Sarrus (nommée d’après Pierre-Frédéric Sarrus) est un procédé visuel, qui permet
uniquement de calculer les déterminants des matrices carrées d’ordre 3. La règle de Sarrus consiste
à écrire les trois colonnes de la matrice et à répéter, dans l’ordre, les deux premières colonnes après
la 3ème colonne. Il suffit alors d’effectuer les produits des coefficients de chaque diagonale et d’en
faire la somme si la diagonale est descendante (en couleur rouge) ou la différence si la diagonale est
ascendante (en couleur bleu).

a b c a b ( ) ( )
det A = d e f d e = + aei + bf g + cdh − ceg + af h + bdi
g h i g h

• Cas général:

L Méthode 1:
Soit n ≥ 2, n ∈ N et A ∈ Mn (K).

9
 Pour i, j = 1, n, notons Aij la matrice carrée d’ordre (n − 1) obtenue en supprimant la ligne i et la
colonne j de la matrice A. Avec
 
a11 a12 ··· a1,j−1 a1,j a1,j+1 ··· a1n
 a21 a · · · a a a2,j+1 ··· a2n 
 22 2,j−1 2,j 
 .. .. .. .. .. .. .. .. 
 . . . . . . . . 
 
 ai−1,1 ai−1,2 · · · ai−1,j−1 ai−1,j ai−1,j+1 ··· ai,n 
A=  ai,1


 ai,2 · · · ai,j−1 ai,j ai,j+1 ··· ai,n 
 ai+1,1 ai+1,2 · · · ai+1,j−1 ai+1,j ai+1,j+1 ··· ai+1,n 
 
 .. .. .. .. .. .. .. .. 
 . . . . . . . . 
an1 an2 ··· an,j−1 an,j an,j+1 ··· ann

Dans le calcul des déterminants il faut respecter les signes, comme définie ci-dessous
j↓
+ − + ··· (−1)1+n
− + − ··· (−1)2+n
.. .. .. .. ..
. . . . .
i −→ .. .. .. ..
. . (−1)i+j . .
.. .. .. .. ..
. . . . .
(−1)n+1 (−1)n+2 ··· ··· (−1)n+n

Pour la règle de calcul, il suffit d’utiliser les formules suivantes:

- Pour j fixé (selon la j ieme colonne)
∑
n
det A = (−1)i+j aij det Aij
i=1

- Pour i fixé (selon la iieme ligne)

∑
n
det A = (−1)i+j aij det Aij
j=1

L Méthode 2:
Pour calculer le déterminant d’une matrice A d’ordre n très grand, il suffit de faire apparaitre
′
beaucoup de 0 dans une ligne ou une colonne pour avoir le déterminant de la nouvelle matrice A
′ ′
d’une manière facile. Le déterminant de A est égale au déterminant de A (det(A) = det(A )). Pour
ce faire, on pourra effectuer un:
1. Changement sur les colonnes: selon la formule ci ←− ci + λcj avec i ̸= j et λ ∈ R.
2. Changement sur les lignes: selon la formule ℓi ←− ℓi + λℓj avec i ̸= j et λ ∈ R.

Exemple: Calculer les déterminants des matrices suivantes

 
  2 −1 1 −2
( ) 1 0 −3
1 2  1 0 3 1 
A= , B =  4 −1 −1  , C= 
 4 −3 0 −2 
0 −1
8 5 −2
0 5 0 1

Propriétés 2.2

Soit les matrices A, B ∈ Mn (K).

1. Le déterminant d’une matrice d’identité In est 1.
2. Si la matrice A possède une ligne i (ou une colonne j) de 0, alors det A = 0.
3. Si la matrice A possède 2 lignes ou 2 colonnes proportionnelle (une en fonction de l’autre), alors
det A = 0.

10
 4. Si deux lignes (ou deux colonnes) de la matrice A sont inter changées pour obtenir la matrice B,
alors det B = − det A.

5. det(A.B) = det A. det B (le déterminant est multiplicatif).

6. det(λA) = λn det A et det(c1 , λc2 , ..., cn ) = λ det(c1 , c2 , ..., cn ). Avec c1 , c2 , ..., cn les vecteurs
colonnes constituant la matrice.

7. Si l’on permute les lignes et les colonnes d’un déterminant, la valeur reste inchangée. Alors
det A = det t A, où la matrice t A, est la transposée de la matrice A.

8. Si A est une matrice triangulaire supérieure (respectivement inférieure), alors

det A = a11 × a22 × ... × ann , qui représente le produit des éléments de la diagonale.

9. Si A est une matrice diagonale, alors det A = a11 × a22 × ... × ann , qui représente le produit des
éléments de la diagonale.

2.4 Inverse d’une matrice carrée

Définition 2.4.1: Inverse d’une matrice carrée

Soit A ∈ Mn (K). La matrice A est dite inversible (ou régulière) et son inverse est noté par A−1 si on a
pour det A ̸= 0, AA−1 = In (avec In représente la matrice identité d’ordre n). En d’autre terme:

A inversible ⇐⇒ det A ̸= 0.

Méthodes de calcul de l’inverse d’une matrice carrée

1. Méthode des cofacteurs:

La formule de A−1 est donné par:
1 t
A−1 = CA avec CA = (Cij )i,j∈[[1,n]]
det A
Sachant que Cij = (−1)i+j det Aij . Avec Aij la matrice carrée d’ordre (n − 1) obtenue en supprimant la
ligne i et la colonne j de la matrice A et t CA la transposée de la matrice des cofacteurs CA .

2. Méthode d’élimination de Gauss-Jordan (ou Pivot de Gauss)

On sait que A.A−1 = In . Alors pour obtenir la matrice inverse A−1 , on doit générer la matrice augmentée
[A|In ]. Si la matrice d’entrée A est inversible, on applique l’algorithme de Gauss-Jordan à la matrice
augmentée. La matrice finale sera de la forme [In |A−1 ] et contient l’inverse de la matrice initiale dans
sa partie droite.
Pour la transformation de la matrice augmentée, les opérations sont autorisées sauf pour les lignes et
ceci pour que la matrice identité puisse se transformer elle aussi en parallèle. On aura ainsi:
   ′ ′ ′ 
a11 a12 a13 1 0 0 1 0 0 a11 a12 a13
[A|I3 ] =  a21 a22 a23 0 1 0  −→ [I3 |A−1 ] =  0 1 0 a21 a22 a23 
′ ′ ′

′ ′ ′
a31 a32 a33 0 0 1 0 0 1 a31 a32 a33

La liste des opérations autorisées pour les lignes sont:

• Échange de deux lignes;

• Multiplication d’une ligne par un scalaire non nul ℓi ←− λℓj , i ̸= j;
• Ajout du multiple d’une ligne à une autre ligne ℓi ←− ℓi + λℓj .

Remarque:

1. Une matrice et son inverse doivent avoir nécessairement les mêmes dimensions.

11
 2. Dans le cas où A est inversible alors on a l’inégalité suivante: A. t CA = det A.In .

Exemple 2.4.1: calculer l’inverse des matrices suivantes

   
0 2 −1 2 −1 1
A =  3 −4 −2  , B =  1 0 3 
1 0 3 4 −3 0

2.5 Rang d’une matrice

Définition 2.5.1: Matrice extraite
Soit A ∈ Mn,m (K). On appelle matrice extraite de A, toute matrice obtenue en supprimant certains
nombre de lignes et un certain nombre de colonne de la matrice A.

Exemple 2.5.1:  
( ) ( ) 1 2 −1
1 2 1 −1
Les matrices et sont des matrices extraites de la matrice  0 −1 3  .
0 −1 4 1
4 0 1

Théorème 2.5.1: Rang d’une matrice

Le rang d’une matrice A est défini comme l’ordre de la plus grande sous-matrice carrée noté r qu’on
peut extraire de la matrice A dont le déterminant n’est pas nul.

Exemple: calculer le rang des matrices suivantes

 
( ) 0 −2 1 5
1 2 3  3 −1 0 4 
A= , B= 
 1 3 0 −1  .
1 2 2
5 −4 2 −3

12