14 / 55 Chapitre 3 : Espaces vectoriels

¤ u, . . . , un engendrent V (tout vecteur de V peut s’écrire comme une combinaison linéaire des
éléments de S)
V est dit espace vectoriel de dimention n.

Exemple :

(1, 0, 0, 0) (0, 1, 0, 0) (0, 0, 1, 0) et (0, 0, 0, 1) forment une base de R4 de façon évidente et dim R4 =
4.

1, t, t2 , t3 , . . . , tn forment une base de Pn (t) et dim Pn (t) = n + 1.

3.2 Équation linéaire, matrices et espaces vectoriels

Théorème 3.2.1. Les lignes non nulles d’une matrice mise sous forme échelonnée sont linéai-
rement indépendantes.

Rang d’une matrice :

Définition 3.2.1. rang en ligne = nombre maximum de lignes linéairement indépendantes,

rang en colonne = nombre maximum de colonnes linéairement indépendantes.

Théorème 3.2.2. rang en ligne de A(m×n) = rang en colonne.

Pour déterminer le rang d’une matrice, on peut utiliser sa forme échelonnée.

Exemple :

     
 1 2 0 −1   1 2 0 −1   1 2 0 −1 
     
     
A =   2 6 −3 −3   ∼  0 2 −3 −1  ∼  0 2 −3 −1 , on a deux lignes
   
     
     
3 10 −6 −5 0 4 −6 −2 0 0 0 0
différentes de 0 donc rangA = 2.

On repart de :




 a11 x1 + . . . + a1n xn = b1






 a21 x1 + . . . + a2n xn = b2

 ..

 .






 am1 x1 + . . . + amn xn = bm

Yann MORÈRE
3.2 Équation linéaire, matrices et espaces vectoriels 15 / 55
 
 a11 . . . . . . a1n 
 
 
 a . . . . . . a2n 
 21 
AX = B avecA = 
 .
 et la matrice augmentée
 .. .. 
 ... ... . 

 
 
am1 . . . . . . amn
 
 a11 ... ... b1 
 
 
 a ... ... b2 
 21 
M = (A, B) = 
 .
.
 .. .. 
 ... ... . 

 
 
am1 . . . amn bm

Théorème 3.2.3. Les trois propriétés sont équivalentes :

1. AX = B admet une solution,
2. B est une combinaison linéaire des colonnes de A
3. La matrice A et la matrice augmentée (A, B) ont le même rang
¤ si rang (A) = rang (A, B) = n, on a une solution unique,
¤ si rang (A) = rang (A, B) < n, on a une infinité de solution,
¤ si rang (A) < rang (A, B), il n’y a pas de solution.

Cours de Calcul Matriciel

 17 / 55

Chapter 4
Matrices Carrées

4.1 Matrices carrées

Le nombre de lignes = le nombre de colonnes. A(n×n) matrices carrées d’ordre n.
L’ensemble Mn des matrices carrées d’ordre n est un algèbre de matrices.

4.2 Matrices particulières

4.2.1 Matrice Unité

C’est une matrice carrée d’ordre n dont les éléments diagonaux sont égaux à 1 et les autres
sont nuls. aii = 1, ∀i ∈ {1, . . . , n} et aij = 0, ∀i 6= j. Cette matrice est notée In et possède le
propriété suivante : AI = IA = A ∀A.

4.2.2 Matrice diagonale

aij = 0 ∀i 6= j A = {a11 , . . . , ann }

4.2.3 Puissance et polynôme de matrices

A2 = AA, An+1 = An A et A0 = I
si f (x) = a0 + a1 x + . . . + an xn alors f (A) = a0 I + a1 A + · · · + an An

Propriété 4.2.1. f (x), g (x) deux polynômes, A matrice carrée d’ordre n

(f + g) (A) = f (A) + g (A)
(f g) (A) = f (A) g (A) = g (A) f (A)

4.2.4 Matrices inversibles ou non singulières

A est dite non singulière si ∃B AB = BA = I. B est unique et se note B = A−1 et s’appelle
l’inverse de A.
18 / 55 Chapitre 4 : Matrices Carrées

Exemple :
   
 a b   d −b 
A=

 admet pour inverse si ad − bc 6= 0, A−1 =

1
ad−bc


.

c d −c a

Théorème 4.2.1. A(n×n) est inversible si et seulement si rangA = n

4.2.5 Matrice triangulaire

A(n×n) = (aij ) triangulaire supérieure si aij = 0 ∀i > j.
Propriété 4.2.2. L’ensemble des matrices triangulaires supérieures est une algèbre de ma-
trices :
1. A + B triangulaire supérieure avec sur la diagonale aii + bii
2. kA triangulaire supérieure avec sur la diagonale kaii
3. AB triangulaire supérieure avec sur la diagonale aii bii
4. polynôme f (x) · f (A) triangulaire supérieure avec sur la diagonale f (aii )
5. A est inversible si et seulement si ∀i aii 6= 0

A(n×n) = (aij ) triangulaire supérieure si aij = 0 ∀i < j.

4.2.6 Matrice symétrique

A = AT (aij = aji ∀i, j)

4.2.7 Matrice anti-symétrique

A = −AT (aij = −aji ∀i, j) et donc aii = 0, ∀i.
Théorème 4.2.2. Si A est une matrice carrée A + AT est symétrique, A − AT est anti-
symétrique, A = B + C ou B symétrique, C anti-symétrique.
1
¡ ¢ ¡ ¢
Il suffit de prendre B = 2
A + AT , C = 21 A − AT .

4.2.8 Matrice orthogonale

AAT = AT A = I ou A−1 = AT

4.2.9 Matrice normale

A · AT = AT · A ce qui inclut les matrices symétriques, orthogonales et anti-symétriques.

4.2.10 Matrice hermitienne

AH = A (A = A) (aij = aji ⇒ aii ∈ R)

Yann MORÈRE
4.3 Matrices élémentaires 19 / 55

4.2.11 Matrice anti-hermitienne

AH = −A (A = −A) (aij = −aji ⇒ aii = 0)

4.2.12 Matrice unitaire

AH = A−1

4.2.13 Matrice normale

AAH = AH A

4.3 Matrices élémentaires

Opérations élémentaires (Opérations E1, E2, E3)
¤ (E1) échange de lignes αiT ↔ αjT
¤ (E2) kαiT → αiT (k 6= 0)
¤ (E3) kαjT + αiT → αiT
Opérations inverses
¤ αjT ↔ αiT
¤ k1 αiT → αiT
¤ −kαjT + αiT → αiT
B est dite ligne-équivalente à A (A ∼ B) si B peut être obtenue à partie de A en utilisant
un nombre fini d’opérations élémentaires sur les lignes. Comme il est possible de refaire le
chemin inverse, le ligne-équivalence est une relation d’équivalence(A ∼ A, A ∼ B⇔B ∼ A,
A ∼ B et B ∼ C⇒A ∼ C).
Théorème 4.3.1. Toute matrice A est ligne équivalente à une matrice unique sous forme
conique ligne.

Soit e une opération élémentaire sur les lignes, e (A) son résulat sur A. Soit E la matrice obtenue
en applicant e sur I : E = e (I).

Exemple :
   
 1 0 0   1 0 0 
   
   
α2T ↔ α3T E =  0 0 1 , −6α2 ↔ α2 E = 
  T T
 0 −6 0
, −4α1T + α3T ↔ α3T E =

   
   
0 1 0 0 0 1
 
 1 0 0 
 
 
 0 1 1 .
 
 
 
−4 0 1

Cours de Calcul Matriciel

20 / 55 Chapitre 4 : Matrices Carrées

Théorème 4.3.2. e, une opération élémentaire sur les lignes, E une matrice carrée élémentaire
d’ordre m : E = e (Im ) , ∀A(m×n) e (A) = EA.

Exemple :
   
 1 −1 2   1 −1 2 
   
   
 0 2 3  ∼  3 1 3 , α2T → α3T
   
   
   
3 1 3 0 2 3
    
 1 −1 2   1 0 0   1 −1 2 
    
    
et  3 1 3  = e (A) = 
 
 0 0 1
 0 2 3  = E · A
 
    
    
0 2 3 0 1 0 3 1 3

Théorème 4.3.3. Les propriétés suivantes sont équivalentes :

1. A est inversible (non singulière)
2. A est ligne-équivalente à la matrice identité I
3. A est un produit de matrice élémentaire
ce qui indique qu’on peut passer de A à I par une suite finie d’opérations.

Algorithme :

1. Former la matrice n × 2n (par blocs) M = (A, I)

2. Réduire M à la forme échelonnée, si dans la moitié gauche apparaissent des lignes nulles,
A n’est pas inversible.
3. Réduire M à la forme canonique ligne (I, B) et B = A−1

Exemple :
 
 1 0 2 
 
 
A =  2 −1 3 


 
 
4 1 8
   
 1 0 2 | 1 0 0   1 0 2 | 1
0 0 
   
   
M =  2 −1 3 | 0 1 0 

∼
 2 −1 −1 | −2 1 0 

   
   
4 1 8 | 0 0 1 0 1 0 | −4 0 1
   
 1 0 2 | 1 0 0   1 0 2 | 1 0 0 
   
   
M ∼  
 0 −1 −1 | −2 1 0  ∼  0 −1 −1 | −2 1 0 

   
   
0 0 −1 | −6 1 1 0 0 1 | 6 −1 −1

Yann MORÈRE
4.4 Equivalence entre matrices 21 / 55

   
 1 0 0 | −11 2 2   1 0 0 | −11 2 2 
   
   
M ∼  
 0 −1 0 | −4 0 −1  ∼  0 1 0 | −4 0 1 

   
   
0 0 1 | 6 −1 −1 0 0 1 | 6 −1 −1
   
 1 0 0   −11 2 2 
   
   
d’ou A−1 A = 
 0 1 0  avec A−1 =  −4 0
  1 

   
   
0 0 1 6 −1 −1

4.4 Equivalence entre matrices

Théorème 4.4.1. B est ligne équivalente à A si et seulement si il existe une matrice non
singulière P telle que B = P A.

On peut aussi travailler sur les colonnes et définir 3 opérations élémentaires sur les colonnes.
¤ (F1) ci ↔ cj
¤ (F2) kci → ci
¤ (F3) kcj + ci → ci
de la même façon que pour les lignes, ces opérations sont inversibles, et la matrice élémentaire
associée à chaque opération élémentaire f est : F = f (I).
¡ ¡ ¢¢T
Lemme 4.4.1. A une matrice quelconque. f (A) = e AT et f (A) = AF et AF = f (A)
¡ ¡ T ¢¢T ¡ ¢ T
puis e A = EAT = AE T donc F = E T .
Théorème 4.4.2. B est colonne équivalente à A si et seulement si il existe une matrice non-
singulière Q telle que B = AQ.

4.4.1 Equivalence entre deux matrices

Définition 4.4.1. une matrice B est dite équivalente à A si B peut être obtenue à partir de
A par une suite d’opérations élémentaires sur les lignes et les colonnes. B est donc équivalente
à A si il existe deux matrices non singulières P et Q telles que : B = P AQ.
 
 Ir | 0 
 
 
Théorème 4.4.3. toute matrice A(m×n) est équivalente à l’unique matrice par blocs 
 − + −


 
 
0 | 0
appelée forme de SMITH où Ir est la matrice identité d’odre r et r = rang (A).

Théorème 4.4.4. Deux matrices de mêmes dimensions sont équivalentes si et seulement si

elles ont le même rang.

Cours de Calcul Matriciel

22 / 55 Chapitre 4 : Matrices Carrées

 
 1 2 −1 
 
 
 2 4 −2 
 
Exemple : trouver P et Q /P AQ = N avec A = 

 avec (4 × 4) (4 × 3) (3 × 3) =

 −1 3 6 
 
 
 
4 5 −7
(4 × 3), on peut alors écrire :

1 0 0

0 1 0

0 0 1

− − − −
∼ (∗)
1 2 −1 | 1 0 0 0 1 2 −1 | 1 0 0 0

2 4 −2 | 0 1 0 0 0 0 0 | −2 1 0 0

−1 3 6 | 0 0 1 0 0 5 5 | 1 0 1 0

4 5 −7 | 0 0 0 1 0 −3 −3 | −4 0 0 1

1 2 −1 | 1 0 0 0 1 2 −1 | 1 0 0 0

0 −3 −3 | −4 0 0 1 0 1 1 | 4/3 0 0 −1/3
∼ ⇒P
0 5 5 | 1 0 1 0 0 0 0 | −17/3 0 1 5/3

0 0 0 | −2 1 0 0 0 0 0 | −2 1 0 0

1 −2 1

0 −3 −3
 
0 0 1  
 1 0 0 
 
   1 −2 3 
− − −  0 1 0   
   
⇒N =



 0 1 −1  = Q
 
1 0 0  0 0 0   
   
 
  0 0 1
0 1 1 0 0 0

0 0 0

0 0 0

Yann MORÈRE
4.4 Equivalence entre matrices 23 / 55

évidemment P et Q ne sont pas uniques : au lieu d’échanger la ligne 4 avec la ligne 2on
peut faire :

1 2 −1 | 1 0 0 0 1 2 −1 | 1 0 0 0

0 5 5 | 1 0 1 0 0 1 1 | 1/5 0 1/5 0
(∗) ∼ ∼
0 −3 −3 | −4 0 0 1 0 0 0 | −17/5 0 3/5 1

0 0 0 | −2 1 0 0 0 0 0 | −2 1 0 0

et  
 1 0 00 
 
 
 1/5 0 1/5 0 
 
P2 = 



 −17/5 0 3/5 1 
 
 
 
−2 1 0 0

et la matrice est de rang 2.

Cours de Calcul Matriciel

 25 / 55

Chapter 5
Déterminants

5.1 Propriétés
Soit une matrice carrée A(m×n) = (aij ), soit P = {des n! permutations sur n indices} = {a1j1 , a2j2 , . . . , anjn }
εj1 ...jn = 1 ou −1 suivant que la permutation est paire ou impaire (nombre d’intervention est
pair ou impair 123 et 312 sont paires et 132 et 321 sont impaires) alors :
X ¯ ¯
det (A) = |A| = (−1)i+j aij ¯A{ij} ¯
p∈P

Développement suivant la ime ligne :

n
X ¯ ¯
|A| = (−1)i+j aij ¯A{ij} ¯
j=1

A{ij} étant la mineure (ou sous-matrice carrée) de A obtenue en éliminant la ime ligne et la
j me colonne.
Développement suivant la j me colonne :
n
X ¯ ¯
|A| = (−1)i+j aij ¯A{ij} ¯
i=1

Exemple :
¯ ¯
¯ ¯
¯ 1 0 6 ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ 4 15 ¯ ¯ 3 4 ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ 3 4 15 ¯ = 1 ¯ ¯ + 6¯ ¯ développement par rapport à la première ligne.
¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ 6 21 ¯ ¯ 5 6 ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ ¯
¯ 5 6 21 ¯
= −6 + (−12) = −18.
¯ ¯ ¯ ¯
¯ ¯ ¯ ¯
¯ 1 6 ¯ ¯ 1 6 ¯
¯ ¯ ¯ ¯
ou encore 4 ¯¯ ¯ + (−1) 6 ¯
¯
5
¯
¯ = −36 + 18 = −18.
¯
¯ 5 21 ¯ ¯ 3 15 ¯
¯ ¯ ¯ ¯
26 / 55 Chapitre 5 : Déterminants

Propriété 5.1.1.
¤ Si B est obtenue à partir de A en echangeant deux de ses lignes (colonnes) alors |B| = − |A|
¤ Si B est obtenue à partir de A en miltipliant une ligne (colonne) par un scalaire k alors :
|B| = k |A|
¤ Si B est obtenue à partir de A an ajoutant à la ime ligne (colonne) le produit d’un scalaire
par une autre ligne (colonne) alors : |B| = |A| Qn
¤ Si A est une matrice
¯ T ¯ ¯ H¯ diagonale ou triangulaire : |A| = i=1 aii
¯ ¯ ¯ ¯
¤ |A| = A , A = |A| et |kA| = k |A| n

¤ |A| |B| = |AB|

Théorème 5.1.1. Le determinant d’une matrice est proportionnel au determinant de sa forme

de Smith car P AQ = N avec P et Q régulières |P Q| |A| = |N |.

Corollaire 5.1.2. A est régulière si et seulement si |A| 6= 0, A est régulière rang A = n ⇒

N = In et A = P −1 Q−1 et |A| 6= 0.

Définition 5.1.1.
¤ Mineur : déterminant d’une mineure de A,¯ ¯
¤ Cofacteur de l’élément aij : Cij = (−1)i+j ¯A{ij} ¯. (A{ij} mineur de A obtenue en éliminant
la ime ligne et la j me colonne),
¤ Comatrice : matrice des cofacteurs com (A) = (Cij ),
¤ Adjointe : transposée de la comatrice adj (A) = (Cji ) = com (A)T .
 
 1 2 3 
 
 
Exemple : A = 
 2 3 2 

 
 
1 2 2
¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ 3 2 ¯ ¯ 2 2 ¯ ¯ 2 3 ¯
¯ ¯ ¯ ¯ ¯ ¯
C11 = ¯¯ ¯ = 2, C12 = − ¯
¯ ¯
¯ = −2, C13 = ¯
¯ ¯
¯ = 1,
¯
¯ 2 2 ¯ ¯ 1 2 ¯ ¯ 1 2 ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ 2 3 ¯¯ ¯ 1 3 ¯¯ ¯ 1 2 ¯¯
¯ ¯ ¯
C21 = − ¯¯ ¯ = 2, C22 = ¯
¯ ¯
¯ = −1, C23 = ¯
¯ ¯
¯ = 0,
¯
¯ 3 2 ¯ ¯ ¯ 1 2 ¯¯ ¯ 1 2 ¯¯
¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ 2 3 ¯¯ ¯ 1 3 ¯¯ ¯ 1 2 ¯¯
¯ ¯ ¯
C31 = ¯¯ ¯ = −5, C32 = − ¯
¯ ¯
¯ = 4, C33 = ¯
¯ ¯
¯ = −1,
¯
¯ 3 2 ¯¯ ¯ 2 2 ¯¯ ¯ 2 3 ¯¯
¯ ¯ ¯

d’où :    
 2 −2 1   2 2 −5 
   
   
com (A) = 
 2 −1 0
,
 adj (A) = 
 −2 −1 4
.

   
   
−5 4 −1 1 0 −1

Yann MORÈRE
5.2 Applications 27 / 55

Exemples d’utilisation de certaines propriétés

¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ 1 a b+c ¯ ¯ 1 a a+b+c ¯ ¯ 1 a 1 ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ 1 b a+c ¯=¯ 1 b a+b+c ¯ = (a + b + c) ¯ 1 b 1 ¯ = 0.
¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ 1 c a+b ¯ ¯ 1 c a+b+c ¯ ¯ 1 c 1 ¯
Van der Monde
¯ ¯ ¯ ¯
¯ ¯ ¯ ¯
¯ 1 λ1 λ21 ¯¯ ¯¯ 1 λ1 λ21 ¯ ¯ ¯
¯ ¯ ¯ ¯
¯ ¯ ¯ ¯ ¯ 1 λ +λ ¯
¯ ¯ ¯ ¯ ¯ 1 2 ¯
¯ 1 λ2 λ22 ¯¯ = ¯¯ 1 λ2 − λ1 λ22 − λ21 ¯¯ = (λ2 − λ1 ) (λ3 − λ1 ) ¯¯ ¯
¯ ¯
¯ ¯ ¯ ¯ ¯ 1 λ +λ ¯
¯ ¯ ¯ ¯ ¯ 1 3 ¯
¯ 2 ¯ ¯ 2 2 ¯
¯ 1 λ3 λ3 ¯ ¯ 1 λ3 − λ1 λ3 − λ1 ¯
¯ ¯
¯ ¯
¯ 1 λ +λ ¯
¯ 1 2 ¯
= (λ2 − λ1 ) (λ3 − λ1 ) ¯¯ ¯ = (λ2 − λ1 ) (λ3 − λ1 ) (λ3 − λ2 ).
¯
¯ 1 λ −λ ¯
¯ 3 2 ¯

Matrice carrée d’ordre 3

¯ ¯
¯ ¯
¯ a ¯
¯ 11 a12 a13 ¯
¯ ¯ a11 a22 a33 + a12 a23 a31 + a13 a21 a32
¯ ¯
¯
|A| = ¯ a21 a22 a23 ¯¯ =
¯ ¯ −a13 a22 a31 − a11 a23 a32 − a12 a21 a33
¯ ¯
¯ ¯
¯ a31 a32 a33 ¯

5.2 Applications

5.2.1 Inverse d’une matrice

Soit A une matrice régulière (rangA = n, det A 6= 0), on a :
1
A−1 = · (adj (A))
|A|
 
 1 2 3 
 
 
En reprenant : A = 
 2 3 2 

 
 
1 2 2
 
 2 2 −5 
 
 
|A| = 6 + 4 + 12 − 9 − 4 − 8 = 1 d’où A−1 =
 −2 −1 4
.

 
 
1 0 −1

Cours de Calcul Matriciel

28 / 55 Chapitre 5 : Déterminants

5.2.2 Résolution d’un système d’équations linéaires

Règle de Cramer

Soit A une matrice carrée d’ordre n et K un vecteur colonne d’ordre n, si |A| 6= 0, le système
d’équations linéaires AX = K possède une solution unique : X = (x1 , . . . , xn )T donnée par
xi = |A i|
|A|
i = 1, 2, . . . n avec Ai la matrice obtenue à partir de A en remplaçant la ime colonn
epar K.
     



 r + 2s + t = 4  1 2 1  r   4 

     
     
Exemple : r−s+t=5 ⇒     =  5 . Le déterminant de A
  1 −1 1   s   

     

     

 2r + 3s − t = 1 2 3 −1 t 1
¯ ¯
¯ ¯
¯ 3 5 0 ¯
¯ ¯
¯ ¯
¯ ¯
vaut : |A| = ¯¯ 3 2 0 ¯¯ = 9. Les solution sont les suivantes :
¯ ¯
¯ ¯
¯ ¯
¯ 2 3 −1 ¯
¯ ¯ ¯ ¯
¯ ¯ ¯ ¯
¯ 4 2 1 ¯¯ ¯ 5 5 0 ¯¯
¯ ¯
¯ ¯ ¯ ¯
¯ ¯ ¯ ¯
¯ 5 −1 1 ¯ ¯ 6 2 0 ¯¯
¯ ¯ ¯
¯ ¯ ¯ ¯
¯ ¯ ¯ ¯
¯ 1 3 −1 ¯ ¯ −1 −1 −1 ¯
¯ ¯ ¯ ¯ 20
r= = =
9 9 9
¯ ¯ ¯ ¯
¯ ¯ ¯ ¯
¯ 1 4 1 ¯¯ ¯ 3 5 0 ¯¯
¯ ¯
¯ ¯ ¯ ¯
1 ¯¯ ¯ 1¯ ¯ 1
s= ¯ 1
9¯ 5 1 ¯ = 9 ¯¯ 3 6
¯ 1 ¯¯ = − 3
¯ ¯ ¯
¯ ¯ ¯ ¯
¯ ¯ ¯ ¯
¯ 2 1 −1 ¯ ¯ 2 1 −1 ¯
¯ ¯ ¯ ¯
¯ ¯ ¯ ¯
¯ 1 2 4 ¯¯ ¯ 1 2 4 ¯¯
¯ ¯
¯ ¯ ¯ ¯
1 ¯¯ ¯ 1¯ ¯ 22
t= ¯ 1
9¯ −1 5 ¯¯ = 9 ¯¯ 0 −3 1 ¯¯ = 9
¯ ¯ ¯
¯ ¯ ¯ ¯
¯ ¯ ¯ ¯
¯ 2 3 1 ¯ ¯ 0 −1 −7 ¯
 
20
 9 
 
 
X =  −1 


 3 
 
22
9

Si le déterminant |A| = 0 on ne peut pas résoudre, il faut alors utiliser la méthode

d’élimination de Gauss-Jordan.

Yann MORÈRE
5.2 Applications 29 / 55

Matrices partitionnées : formule de Schur Si A est diagonale par blocs ou triangulaire

par blocs.  
 A11 A12 · · · A1n 
 
 .. .. .. 
 0 . . . 
 
A=
 .


 .. .. .. 
 . . An−1n 
 
 
0 ··· 0 Ann

(les matrices Aii sont carrés, i ∈ {1, . . . , n}), alors : |A| = |A11 | |A22 | . . . |Ann |.
 
 A11 A12 
Soit une matrice partitionnée de la forme : A =  
 avec A11 et A22 carrées. Les

A21 A22
résultats suivants constituent les formules de Schur :
¤ Si A11 est régulière : ¯ ¯
|A| = |A11 | ¯A22 − A21 A−1
11 A12
¯
   
 I 0   A11 A12 
(car avec V = 

, V A = 
 
 puis |V A| = |V | |A| =

−A21 A−1
11 I 0 A22 − A21 A− A
11 12
|A|).
¤ Si A22 est régulière : ¯ ¯
|A| = |A22 | ¯A11 − A12 A−1
22 A21
¯

Application

Soient A(m×n) et B(n×m) , |Im − AB| = |Im − BA|.

 
 Im A(m×n) 
Considérons la matrice M = 

 à l’aide de la forme de Schur :

B(n×m) In

|M | = |Im | |In − BA| = |In | |Im − AA|

Cours de Calcul Matriciel

 31 / 55

Chapter 6
Inversions Matricielles

6.1 Définitions et Propriétés

Définition 6.1.1. B/BA = BA = I, B = A−1 , A est régulière et non singulière. A est
inversible si rangA = n ou det A 6= 0.
T ¡ ¢−1 H ¡ ¢−1 −1
Propriété 6.1.1. (AB)−1 = (B −1 ) (A−1 ), (A−1 ) = AT , (A−1 ) = AH , dA dα(α) =
−1
−A−1 (α) dA(α)
dα
A−1 (α) (car A (α) A−1 (α) = I ⇒ A (α) dA dα(α) + dA(α)
dα
A−1 (α) = 0)

Lemme 6.1.1. d’inversion matricielle : soit une matrice A + BCD régulière et A et C régu-
lière : ¡ ¢−1
(A + BCD)−1 = A−1 − A−1 B C −1 + DA−1 B DA−1 .

Remarque 6.1.1. Si B matrice colonne, D matrice ligne et C scalaire 6= 0

C
(A + BCD)−1 = A−1 − A−1 BDA−1
1 + CDA−1 B

Inverse de matrices partitionnées

Soit A une matrice régulière  
 A11(p×p) A12(p×q) 
A=



A21(q×p) A22(q×q)

avec A11 et A22 carrée et  

 X11(p×p) X12(p×q) 
A−1 = 



X21(q×p) X22(q×q)

avec AA−1 = A−1 A = I.

X11 A11 + X12 A21 = A11 X11 + A12 X21 = I si A est régulière.
X11 A12 + X12 A22 = A11 X12 + A12 X22 = 0
X21 A11 + X22 A21 = A21 X11 + A22 X21 = 0
32 / 55 Chapitre 6 : Inversions Matricielles

X21 A12 + X22 A22 = A21 X12 + A22 X22 = I → X12 = −A−1 −1
11 A12 X22 , X21 = −X22 A21 A11 , X11 =
A−1 −1 −1 −1 −1
11 − A11 A12 X21 ⇒ X11 = A11 + A11 A12 X22 A21 A11 .
¡ ¢
A22 − A21 A−1
11 A12 X22 = I or X22 existe puisque A−1 existe donc :
¡ −1
¢−1
X22 = A22 − A21 A11 A12

d’où :

X11 = A−1 −1 −1
11 + A11 A12 X22 A21 A11
X12 = −A−1
11 A12 X22
X21 = −X22 A21 A−1
11

Si A11 est singulière on utilise A22 en lieu et place de A11 et :

¡ ¢−1
X11 = A11 − A12 A−1 22 A21
X12 = −X11 A12 A−1
22
X21 = −A−1 A X
22 21 11
X22 = A22 + A−1
−1 −1
22 A21 X11 A12 A22

Formules permettant par recurrence décroissante de calculer l’inverse d’une matrice :

 
 A(n×m) bn 
M((n+1)×(n+1)) = 



cTn an

avec bn(n×1) , cTn(1×n) et an(1×1) .

 
 X −X bamn 
M −1
=


T ¡ ¢ 
− acnn X 1
a2n
an + cTn Xbn

³ ´−1
bn cT
et X = A − an
n
.

 
   
 1 3 3 
  µ ¶
   1 3   3  T
Exemple : A = 
 1 4 3 , A = 
 
, b2 =  , c2 = 1 3 , a2 = 4.
  
  1 4 3
 
1 3 4

   −1    −1
1 3 7
 1 3  1  3 9   4 4   4
− 43 
X=

− 
 4

 =

=
 

 ·4
1 7
1 4 3 9 4 4
− 14 1
4

Yann MORÈRE
6.1 Définitions et Propriétés 33 / 55

   
µ ¶
 7 −3   12  T
X=

, Xb2 = 
 
, c2 X = 4 0 d’où :

−1 1 0
 
 7 −3 −3 
 
 
M −1 
=  −1 1 0 
 
 
−1 0 1

Cours de Calcul Matriciel

 35 / 55

Chapter 7
Équation caractéristique d’une matrice

7.1 Définitions, propriétés

Soit A(n×n) une matrice carrée, on appelle valeurs propres les valeurs complexes qui rendent
singulières sa matrice caractéristique λIm − A.
Elles sont donc racines de |λIm − A| = 0.
Elles vérifient : AX = XA.
Tout vecteur X non nul vérifiant cette égalité est appelé vecteur propre. L’espace engendré par
les vecteurs propres s’appelle l’espace propre.
P (λ) = |λIm − A| s’appelle le polynôme caractéristique de A, il est de degré n en λ :
P (λ) = λn + αn−1 λn−1 + · · · + α1 λ
En écrivant : P (λ) = (λ − λ1 ) (λ − λ2 ) . . . (λ − λm ) avec λi les vecteurs propres alors :
n
X
αn−1 = − λi = −trace (A)
i=1
n
Y
n
α0 = (−1) λi = (−1)n |A|
i=1
Si n = 2 on a donc :
P (λ) = |λI − A| = λ2 − trace (A) λ + |A|
 
 2 2 1 
 
 
Exemple : Trouver les valeurs et vecteurs propres associés à A =  1 3 1 


 
 
1 2 2
¯ ¯
¯ ¯
¯ λ−2 2 1 ¯
¯ ¯
¯ ¯
¯ ¯
|λI − A| = ¯¯ 1 λ−3 1 ¯¯ = λ |{z}
3
−7 λ2 + 11λ |{z} −5 = (λ − 5) (λ − 1)2
¯ ¯
¯ ¯ −trace(A) (−1)3 det(A)
¯ ¯
¯ 1 2 λ−2 ¯

λ1 = 5 valeur propre simple.

36 / 55 Chapitre 7 : Équation caractéristique d’une matrice

λ2 = 1 valeur propre double. Pour λ = 5 on a donc (5I − A) X = 0 ce qui donne donc :

    
 3 −2 1   x1   0 
    
    
 −1 2 −1   x = 0 
  2   
    
    
−1 −2 3 x3 0
       
 3 −2 −1   0 −4 4   0 1 −1   0 1 −1 
       
       
5I − A ∼ 
 1 −2 1 ∼ 1
  −2 1  ∼
 
 1 −2 1  ∼  1 −2 1 
  
       
       
0 −4 4 0 −4 4 0 −4 4 0 0 0
     
 1 −2 1   1 −2 1   1 −2 1 
     
     
5I − A ∼ 
 −3 −2 −1 ∼
  0 4 −4  
 ∼  0 −1 1


     
     
−1 −2 3 0 −4 4 0 0 0
  
 1 0 −1   x1 
  
  
  
∼  0 1 −1   x2 

  
  
0 0 0 x3

x2 = x3 , x1 = x3 et (1 1 1)T vecteur propre.

Tout vecteur (k k k)T est un vecteur propre associé à la valeur propre λ = 5.

   
 k   k 
   
   
A=   
 k  = 5 k 
   
   
k k
    
 −1 −2 −1   1 2 1   x1 
    
    
I −A=   
 −1 −2 −1  ∼  0 0 0   x2

 x1 + 2x2 + x3 = 0
    
    
−1 −2 −1 0 0 0 x3

par exemple : X1 = (1 0 − 1)T et X2 = (−1 1 − 1)T sont des vecteurs popres indépendants, et
donc ∀X = k1 X1 + k2 X2 , X est vecteur propre associé à la valeur 1. X = (k − k k − k − k)T
espace propre.
Théorème 7.1.1. Si λ1 , . . . , λn sont des valeurs propres disctinctes, si X1 , . . . , Xn sont des
vecteurs propres respectivement associés à ces valeurs propres alors les vecteurs propres sont
linéairement indépendants.

Yann MORÈRE
7.1 Définitions, propriétés 37 / 55

Théorème 7.1.2. de Cauchy-Hamilton, Toute matrice est solution de son polynôme caracté-
ristique : P (A) = 0 ou : −An = αn−1 An−1 + · · · + α1 A + α0 In

Cours de Calcul Matriciel

 39 / 55

Chapter 8
Matrices semblables

8.1 Définitions et Propriétés

Définition 8.1.1. Deux matrices A et B d’ordre n sont semblables s’il existe une matrice
non-singulière R telle que : B = R−1 AR.
Propriété 8.1.1.
¤ deux matrices semblables ont les mêmes valeurs propres
¯ ¯
|λI − B| = ¯R−1 ¯ |λI − A| |R|
= |λI − A|

(car λI − B = λR−1 R − R−1 AR = R−1 (λI − A) R)

¤ Si Y est un vecteur propre de B = R−1 AR associé à λi de B, alors X = RY est un vecteur
propre de A associé à λi de A :

BY = R−1 ARY = λY ⇔ ARY = λRY ⇔ AX = λX avec X = RY

8.2 Matrices diagonales

Les valeurs propres d’une matrice diagonale sont les éléments diagonaux. Une matrice diagonale
a toujours n vecteurs propres linéairement indépendants quand elle est d’ordre n et les Ei de
la base canonique sont vecteurs propres :
  
 a1  0 
  
 ..  .. 
 . 0  . 
  
  
  
DEi = ai Ei  ai  1 
  
  
  .. 
 ...  
 0  . 
  
  
an 0

Théorème 8.2.1. Une matrice A est semblable à une matrice diagonale si et seulement si elle
a n vecteurs propres linéairement dépendants.
40 / 55 Chapitre 8 : Matrices semblables

Ce qui revient à
Théorème 8.2.2. Dans un corps R, une matrice A d’ordre n est semblable à une matrice
diagonale si et seulement si λI − A se factorise complètement sur K et si l’ordre de toute racine
λi est égal à la dimension de l’espace propre associé.
 
 2 2 1 
 
 
Si l’on reprend l’exemple précédent : A =   T
 1 3 1  on a : A1 = 5, X1 = (1 1 1) , A2 = 1,
 
 
1 2 2
X2 = (1 0 − 1)T , X3 = (−1 1 − 1)T espace propre de dimension 2 qui est diagonalisable avec :
   
 1 1 −1   5 0 0 
   
   
R=
 1 0 1  = (X1 X2 X3 )
 R AR = 
−1
 0 1 0 =D

   
   
1 −1 −1 0 0 1
 
 1 2 1 
 
1 
R−1 =  2 0 −2 


6 
 
−1 2 −1
   
 5 1 −1   5 1 −1 
   
   
Pour vérifier : AR = RD  5 0  
1 = 5 0 1 
 
   
   
5 −1 −1 5 −1 −1

Démonstration de R−1 AR = D : AR = 
RD, AR = A
(X1 . . . Xn ) = (AX1 . . . AXn ),

 λ1 0 
 
 
RD = (X1 . . . Xn ) D comme D diagonale  ... , RD = (λ1 X1 , . . . , λn Xn ) d’où
 
 
 
0 λn
∀i ∈ {1, . . . , n} AXi = λi Xi .
Théorème 8.2.3. toute matrice A d’ordre n est semblable à une matrice triangulaire dont les
éléments diagonaux sont les valeurs propres de A.

8.3 Matrices symétriques réelles

Théorème 8.3.1. Les valeurs propres d’une matrice symétrique réelle sont réelles.

Yann MORÈRE
8.3 Matrices symétriques réelles 41 / 55

Théorème 8.3.2. Soit A une matrice carrée d’ordre n symétrique de valeurs propres λ1 , . . . , λn
alors ∃P orthogonale /P T AP = P −1 AP = diag (λ1 , . . . , λn )

Pour trouver P , il faut trouver des veteurs propres orthogonaux puis les normer.
 
 2 0 −1 
 
 
Exemple : A =   3 2
 0 2 0 , |λI − A| = (λ − 2) − (λ − 2) = (λ − 2) (λ − 4λ + 3) =
 
 
−1 0 2
(λ − 1) (λ − 2) (λ− 3). 
 −1 0 1 
 
 
λ=1 : I −A=
 0 −1 0
, x1 = x3 , x2 = 0, V1 = (1 0 1)T

 
 
0 0 −1
 
 0 0 1 
 
 
λ = 2 : 2I − A =   T T
 0 0 0 , x1 = x3 = 0, V2 = (0 1 0) , V2 V1 = 0 (othogonaux)
 
 
1 0 0
 
 1 0 1 
 
 
λ = 3 : 3I −A =   T T T
 0 1 0 , x1 = −x3 = 0, x2 = 0, V3 = (1 0 − 1) , V3 V1 = V3 V2 = 0
 
 
1 0 1
(orthogonaux)
     
1 √1
 1 0 1   √2 0 2   1 0 0 
     
     
d’où : P = 
 0 1 0
 et normalisée : P =  0 1
  0   
 et  0 2 0  =
     
     
1 0 −1 √1 0 √1 0 0 3
2 2
P −1 AP = P T AP .

Cours de Calcul Matriciel

 43 / 55

Chapter 9
Formes quadratiques

9.1 Définition et propriétés

A = (aij ) matrice carrée d’ordre n.
n
X
n n T
fA : R × R → R / fA (X, Y ) = X AY = aij xi yj
i,j=1

avec X T = (x1 , . . . , xn ) et Y T = (y1 , . . . , yn ).

Définition 9.1.1. La fonction fA est appelée forme bilinéaire d’ordre n associée à A. Elle est
symétrique si A est symétrique.
    
 a11 a12   a11 a12   y1 
Exemple : A =  
, fA (x, y) = (x1 x2 ) 
 


, fA (x, y) = a11 x1 y1 +

a21 a22 a21 a22 y2
a12 x1 y2 + a21 x2 y1 + a22 x2 y2 .

9.2 Forme quadratique

Une forme quadratique d’ordre n est une fonction du type :

qA : Rn → R qA (X) = X T AX

avec A matrice symétrique d’ordre n.

 
 2 −1 
Remarque 9.2.1. A = 

, qA (X) = 2x21 +3x22 −2x1 x2 avec X T = (x1 x2 ) on aurait pu

−1 3
 
 2 −2 
prendre : A0 = 

 mais on choisit le seul représentant des matrices qui soit symétrique.

0 3
44 / 55 Chapitre 9 : Formes quadratiques

On peut donc très facilement passer de la forme quadratique à la matrice et inversement. Par
exemple :  
 1 1 2 
 
 
A=
 1 3 0  qA (X) = x21 + 3x22 + 4x23 + 2x1 x2 + 4x1 x3

 
 
2 0 4
 
1
 −1 − 2 1 
 
 
2 2 
qA (X) = −x1 + 3x3 − x1 x2 + 2x1 x3 − 5x1 x3 A =  − 1
0 −2 
5
2 
 
 
1 − 52 3

Par définition, le rang d’une forme bilinéaire ou d’une forme quadratique associée à A est le
rang de A.
Définition 9.2.1. une forme quadratique q ou par extension la matrice A symétrique associée
est dite :
¤ définie positive si q (X) > 0 ∀X ∈ Rn (X 6= 0) (A > 0)
¤ semi-définie positive si q (X) ≥ 0 ∀X ∈ Rn (A ≥ 0)
¤ définie négative si q (X) < 0 ∀X ∈ Rn (X 6= 0) (A < 0)
¤ semi-définie négative si q (X) ≤ 0 ∀X ∈ Rn (A ≤ 0)
¤ indéfinie si ∃X/q (X) > 0 et ∃X 0 /q (X 0 ) < 0
2 2 2
Exemple
 : q (X) = x1 + 2x2 + 7x3 est > 0 puisque tous les termes sont > 0 donc A =
 1 0 0 
  ³ ´
 
 0 2 0  > 0. q (X) = x21 + 2x23 est ≥ 0 puisque pour x2 6= 0, q (0 x2 0)T = 0 donc
 
 
 
0 0 7
 
 1 0 0 
  ³ ´
 
A= 0 0 0 

 ≥ 0. q (X) = x 2
1 + x 2
2 − 3x x
1 2 est indéfinie car :q (1 0) T
= 1 > 0,
 
 
0 0 2
 
³ ´  1 −2 
3

q (1 1)T = −1 < 0 donc A = 

 ≥ 0 est indéfinie.

− 32 1
Remarque 9.2.2. A > 0 si et seulement −A < 0 (A ≥ 0 si et seulement si −A ≤ 0)
q (X) = X T AX > 0 ∀X ∈ Rn X 6= 0
−q (X) = −X T AX = X T (−A) X < 0 ∀X ∈ Rn X 6= 0
Correspond en fait à la généralisation de la notion de carré. Dans le cas scalaire : q (X) = ax2
et donc q (X) > 0 ⇒ a > 0.
Ici on cherche les mêmes propriétés, sauf qu’il peut y avoir des cas où A n’est ni positive, ni
négative.

Yann MORÈRE