Chapitre 3: Les matrices

Docteur Amri Hanene1

16 mars 2022

1. Université Badji Mokhtar d’Annaba

2
Table des matières

3 Les matrices 5
3.1 Définition d’une matrice . . . . . . . . . . . . . . . . . . . . . . . 5
3.2 Opération sur les matrices . . . . . . . . . . . . . . . . . . . . . . 6
1 Addition de matrices et multiplication d’une matrice par
un scalaire . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2 Produit de deux matrices . . . . . . . . . . . . . . . . . . 7
3 Transposition de matrices . . . . . . . . . . . . . . . . . . 8
3.3 Anneau de matrices carrées . . . . . . . . . . . . . . . . . . . . . 8
3.4 Matrice associée à une application linéaire . . . . . . . . . . . . . 10
3.5 Déterminant d’une matrice carrée . . . . . . . . . . . . . . . . . . 12
3.6 Matrices inversibles . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.7 Rang d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1 Lien entre le rang d’une matrice et celui d’une application
associée . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.8 Matrices et Changements de Bases . . . . . . . . . . . . . . . . . 18
1 Propriétés des matrices de passage . . . . . . . . . . . . . 19

Résumé Ce document rédigé pour les étudiants de première année

mathématiques et informatiques, c’est un support du module algèbre du
deuxième semestre. Ce module contient quatre chapitres, espace vectoriel,
applications linéaires, les matrices et résolution de systèmes d’équations. Le
cours est diviser en plusieurs parties, dont le troisième chapitre sur les
matrices est présenté ci-dessous.

3
4 TABLE DES MATIÈRES
Chapitre 3

Les matrices

3.1 Définition d’une matrice

Définition 1. Soient n et p deux entiers ,n ≥ 1, p ≥ 1 .Une matrice A de type
(n, p) sur K est un tableau d’éléments de K ayant n lignes et p colonnes.
 
a11 a12 ... a1p

 a21 a22 ... a2p 

A=
 . . . 

 . . . 
an1 an2 ... anp

On note aij l’élément qui se trouve à la ligne numéro i et la colonne j et on

note la matrice A par A = (aij )1 ≤ i ≤ n, 1 ≤ j ≤ p. L’ensemble des matrices
de type (n, p) à coefficients dans K est noté M (n, p)(K).

Définition 2. Soit A une marice de type (n, p) sur K

— Si n = p, on dit que A est une matrice carrée d’ordre n et on note
A ∈ Mn (K). On appelle diagonale principale d’une matrice carrée d’ordre
n A = (aij )1 ≤ i ≤ n, 1 ≤ j ≤ p le n-uplet

(a11 , a22 , ..., ann ∈ Kn

— Si n = 1, on dit que A est une matrice ligne, A = (a11 , a12 , ..., a1p ) ∈
M1,p (K).  
a11
 a21 
 
— Pour p = 1 on dit que A est une matrice colonne, A =   .  ∈

 . 
an1
Mn,1 (K)

5
6 CHAPITRE 3. LES MATRICES
 
1 4 0
 2 3 0 
Exemple 1.  3 2 0 , A1 est une matrice de type (4, 3).
1. A1 =  

4 1 3
 
−1 0 1 7
2. A2 = , A2 est une matrice de type (2, 4).
5 2 1 0
 
1 9
3. A3 = , A3 est une matrice carrée d’ordre 2.
−6 0

Définition 3. — On note 0n,p la matrice regtangulaire de type (n, p) dont

tous les coefficients sont nuls. On l’appelle matrice nulle de Mn,p (K).
— On note In la matrice carrée d’ordre n dont les coefficients diagonaux
sont égaux à 1 et les autres coefficients égaux à 0. On l’appelle matrice
identité (ou unité) d’ordre n.

Autrement dit
   
0 0 .. 0 1 0 .. 0
 0 0 .. 0   0 1 .. 0 
0n,p  . . .. .  In =  .
=   
. .. 0 
0 0 .. 0 0 0 0 1

Définition 4. Soit A = (aij )1 ≤ i ≤ n, 1 ≤ j ≤ p et B = (bij )1 ≤ i ≤ n, 1 ≤

j ≤ p deux matrices de types (n, p),
On dit que A = B si ∀i = 1, ..., n, ∀j = 1, ..., p, aij = bij .

3.2 Opération sur les matrices

1 Addition de matrices et multiplication d’une matrice
par un scalaire
— Soient A = (aij)1≤i≤n,1≤j≤p et B = (bij)1≤i≤n,1≤j≤p deux matrices de
M(n,p) (K). On appelle somme de deux matrices A et B, et on note A+B
la matrice de M(n,p) (K) définie par

A + B = (aij + bij )1≤i≤n,1≤j≤p

— Soient A = (aij)1≤i≤n,1≤j≤p une matrice de M(n,p) (K) et un élément α

de K. On appelle produit par un scalaire α , et on note α · A ou αA la
matrice de M(n,p) (K) définie par

αA = (α × aij )1≤i≤n,1≤j≤p

Alors (M(n,p) (K), +, ·) est K−espace vectoriel de dimension n × p, sachant

que l’élément neutre de l’addition est la matrice nulle
3.2. OPÉRATION SUR LES MATRICES 7

2 Produit de deux matrices

Définition 5. Soit A ∈ M(n,p) (K) et B ∈ M(p,q) (K) telles que

A = (aij )1≤i≤n,1≤j≤p B = (bij)1≤i≤p,1≤j≤q

On appelle produit de A et B et on note A × B ou AB la matrice de type

(n, q) sur K définie par A × B = (cij )1 ≤ i ≤ n, 1 ≤ j ≤ q ∈ M(n,q) (K), avec
p
X
cij = aik bkj = ai1 b1j + ai2 b2j + a31 b3j + ... + aip bpj
k=1
.
Remarque 1. 1. L’élément Cij de la matrice C se calcule en additionnant
le produit des éléments de la ligne i de la matrice A par la les éléments
de la colonne j de la matrice B.
2. Le produit de A × B n’est défini que si le nombre de colonnes de la
première matrice (ici A) est égal au nombre de lignes de la deuxième
matrice (ici B). On retiendra le schéma suivant :
matrice de type (n, p) × matrice de type (p, q) = matrice de type (n, q)
comme l’illuste l’exemple suivant
 
  1 2 0 1
1 1 0
Exemple 2. A = ,B =  2 0 1 1 
2 2 0
1 1 0 0
A est de type (2, 3) et B de type (3, 4) ainsi C sera de type (2, 4).
 
1×1+1×2+0×1 1×2+1×0+0×1 1×0+1×1+0×0 1×1+1×1+0×0
C = A·B =
2×1+2×2+0×1 2×2+2×0+0×1 2×0+2×1+0×0 2×1+2×1+0×0
 
3 2 1 2
⇐⇒ C =
6 4 2 4
Remarque 2. Le produit de deux matrice n’est pas commutatif voiçi un exemple :
       
1 1 −1 2 −1 3 1 3
A·B = · = 6= B · A =
1 2 0 1 −1 4 1 2
Le produit
 A ×
B peut exister sans que le produit B × A existe
2 ı  
2 ı
A =  1 2  ∈ M3,2 (C), B = ∈ M2 (C)
ı 2
−ı 3
 
3 4ı
A · B =  2 + 2ı ı + 4  ∈ M3,2 (C).
ı 7
En revanche, le produit B × A n’est pas défini car le nombre de colonnes de B
n’est pas égal au nombre de lignes de A.
8 CHAPITRE 3. LES MATRICES

3 Transposition de matrices
Définition 6. Soit A = (aij )1≤i≤n,1≤j≤p une matrice de type (n, p) sur K. On
appelle matrice transposée de A et on note At , la matrice de type (p, n) sur
K obtenue à partir de A en échangeant les lignes et les colonnes

At = (aji )1 ≤ j ≤ p, 1 ≤ i ≤ n,
 
1 4 0  
 2 1 2 3 4
3 0   At =  4 3 2 1 
Exemple 3. A = 
 3 2 0 
0 0 0 3
4 1 3

Proposition 1. 1. ∀A ∈ Mn,p (K), (At )t = A.

2. ∀A, B ∈ Mn,p (K), (A + B)t = At + B t .
3. ∀A ∈ Mn,p (K), ∀α ∈ K, (αA)t = αAt .
4. ∀A, B ∈ Mn,p (K), (A × B)t = B t × At .
Définition 7. Soit A une matrice carrée sur K
1. On dit que A est une matrice symétrique si At = A
2. On dit que A est une matrice antisymétrique si At = −A
 
2 + 3ı √3 −ı
Exemple 4. 1. La matrice  3 2 1  de M3 (C) est symétrique
−ı 1 0
 
0 1−ı 0
√
2. La matrice  −1 + ı √0 − 3  de M3 (C) est antisymétrique
0 3 0

3.3 Anneau de matrices carrées

Définition 8. Soit A une matrice carrée d’ordre n, A = (aij )1 ≤ i ≤ n, 1 ≤
j ≤ n,
1. La suite des éléments {a11 , a22 , ..., ann } est appelée la diagonale principale
de A.
2. La trace de A est le nombre T r(A) = a11 + a22 + ... + ann .
3. A est dite matrice diagonale si aij = 0, ∀i 6= j c’est à dire que les éléments
de A sont tous nuls sauf la diagonale principale.
4. A est dite matice triangulaire supérieure (resp inférieure) si aij = 0, ∀i >
j,(resp i < j), c’est à dire les éléments qui sont au dessous(resp au
dessus) de la diagonale sont nuls).
 
1 0 0
Exemple 5. 1. A1 =  0 −2 0 , A1 est une matrice diagonale.
0 0 1
3.3. ANNEAU DE MATRICES CARRÉES 9
 
−1 0 0
2. A2 =  5 4 0 , A2 est une matrice triangulaire inférieure.
6 3 9
 
7 40 2
3. A3 =  0 5 3 , A3 est une matrice triangulaire supérieure .
0 0 2

Théorème 1. Le produit des matrices est une opération interne dans M(n) (K)
et il admet un élément neutre la matrice identitée In etl’ensemble des matrice
carrées d’ordre n M(n) (K), muni de l’addition et de la multiplication possède
une structure d’anneau.

Puissance K-ième d’une matrice

Pour toute matrice A ∈ M(n) (K), on pose A0 = In et

kf ois
z }| {
∗ k
∀k ∈ N A = A × A × ... × A

et ma matrice Ak s’appelle puissance k-ième de A. On vérifie facilement les

propriétés suivantes

Proposition 2. Soit A une matrice carrée à coefficients dans K

0 0
1. ∀k ∈ N, ∀k 0 ∈ N, Ak × Ak = Ak+k
0 0
2. ∀k ∈ N, ∀k 0 ∈ N, (Ak )k = Akk
3. ∀α ∈ K, ∀k ∈ N, (αA)k = αk Ak

Matrice nilpotente

Définition 9. Une matrice carrée A est dite nilpotente si

∃k ∈ N∗ , Ak = 0n

l’indice de nilpotence de A est l’entier non nul p défini par

p = min{k ∈ N∗ , Ak = 0n }

Exemple 6. La matrice A ∈ M3 (K) définie ci dessous

 est 
nilpotente et son in-

2 1 0 1 1 1
dice de nilpotence est 3 car : A =  −3 −1 1 ,A2 =  −2 −2 −2 ,A3 =
  1 0 −1 1 1 1
0 0 0
 0 0 0 .
0 0 0
10 CHAPITRE 3. LES MATRICES

3.4 Matrice associée à une application linéaire

Soient E et F deux K−espaces vectoriels , tels que dimE = p et dimF = n, et
soit f : E −→ F une application linéaire. Munissons l’espace E d’une base B =
{e1 , e2 , ..., ep } et l’espace F d’une base B 0 = {e01 , e02 , ..., e0n } . Puisque la base B
(respectivemebt B 0 ) est constituée de vecteurs appartenant à l’espace de départ
E (resp. l’espace d’arrivée F), on la qualifie parfois de base de départ(resp. base
d’arrivée). Décomposons chacun des vecteurs f (e1 ), f (e2 ), ..., f (ep ) de F dans
la base d’arrivée B 0 . pour j variant de 1 à p, on désigne par a1j , a2j , ..., anj les
coordonées du vecteurs f (ej ) dans la base B 0 , autrement dit
f (e1 ) = a11 e01 + a21 e02 + ... + an1 e0n


f (e2 ) = a12 e01 + a22 e02 + ... + an2 e0n





.


 .
.



f (ep ) = a1p e01 + a2p e02 + ... + anp e0n



On rappelle qu’une application linéaire est entièrement déterminée dès que l’on
connait les images des vecteurs d’une base. Il apparait ainsi judicieux de re-
grouper chacun des vecteurs f (e1 ), f (e2 ), ..., f (ep )( ou plutot leurs coordonées
dans la base B 0 ) dans un même tableau, ce dernier caractérisant complètement
l’application f . Cela nous conduit à la définition suivante
Définition 10. Soient E un K−espace vectoriel de dimension p muni d’une
base B, F un K−espace vectoriel de dimension n muni d’une base B 0 , et soit
f : E −→ F une application linéaire.

On appelle matrice associée à f relativement à B et B 0 la matrice de

type (n, p) sur K dont la j-ième colonne est constituée par les coordonnées de
l’image du j-ième vecteur de la base de départ B par rapport à la base d’arrivée
B 0 on la note
MB,B 0 (f )
et on dit que la matrice MB,B 0 (f ) représente f dans les bases B, B 0
Avec les notations utilisées, on a de façon symbolique
 
f (e1 ) f (e2 ) ... f (e3 )
 a11 a12 ... a1p e01 
... a2p e02
 
 a21 a22 
 
MB,B (f ) = 
0  . . . 


 . . . 

 . . . 
an1 an2 ... anp e0n
Exemple 7.
f : R3 −→ R2
(x, y, z) 7−→ (x + y + z, x − y)
3.4. MATRICE ASSOCIÉE À UNE APPLICATION LINÉAIRE 11

R3 sa base canonique B = {e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1)} et R2

sa base canonique B 0 = {v1 = (1, 0), v2 = (0, 1)},

f (e1 ) = f (1, 0, 0) = (1, 1) = v1 + v2

f (e2 ) = f (0, 1, 0) = (1, −1) = v1 − v2 .

f (e3 ) = f (0, 0, 1) = (1, 0) = v1
 
f (e1 ) f (e2 ) f (e3 )
 1 1 1 v1 
1 −1 0 v2
Exemple 8.

f : R2 −→ R2
(x, y) 7−→ (x + y, x − y)

B = {e1 = (1, 2), e2 = (−1, 1)} et B 0 = {v1 = (0, 2), v2 = (−2, 1)}, On doit
chercher les λ1 , λ2 , λ3 , λ4

f (e1 ) = f (1, 2) = (3, −1) = λ1 v1 + λ2 v2 ,

f (e2 ) = f (−1, 1) = (0, −2) = λ3 v1 + λ4 v2 ,

λ1 = 41

(3, −1) = λ1 (0, 2) + λ2 (−2, 1) ⇐⇒
λ2 = − 23

λ3 = −1
(0, −2) = λ3 (0, 2) + λ4 (−2, 1) ⇐⇒
λ4 = 0
 
  f (e1 ) f (e2 ) f (e3 )
λ1 λ3
MBB 0 (f ) = =  41 −1 v1 
λ2 λ4 3
−2 0 v2
Exemple 9. Soit l’application linéaire

f : R2 −→ R3
(x, y) 7−→ (x + y, x + y, x + y)

pour trouver la matrice associée à f par rapport aux bases B1 = {(1, 1), (−2, 0)}
et B2 = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} , on procède comme suit

f (1, 1) = (3, 3, 3) = 3(1, 1, 1) + 0(1, 1, 0) + 0(1, 0, 0)

f (−2, 0) = (−2, −2, −2) = −2(1, 1, 1) + 0(1, 1, 0) + 0(1, 0, 0)

les coefficient obtenus constituent les colonne de M (f, B1 , B2 ) et donc
 
3 −2
M (f, B1 , B2 ) =  0 0 
0 0
12 CHAPITRE 3. LES MATRICES

Proposition 3. Soient E et F deux K− espace vectoriels de dimensions finies

n etm,B = (e1 , e2 , ..., en ) une base de E et B 0 = (v1 , v2 , ..., vm ) une base de F ,
alors la donnée d’une matrice A ∈ M (n, m)(K) donne une unique application
linéaire f de E dans F la matrice suivant les bases, B et B 0 est A
 
1 −1
Exemple 10. A = , f : R2 −→ R2 , A est la matrice de f suivant
2 0
la base canonique de R2 , (e1 , e2 ),

f (e1 ) = e1 + 2e2 =⇒ f (1, 0) = (1, 0) + 2(0, 1) = (1, 2),

f (e2 ) = −e1 )f (0, 1) = −(1, 0) = (−1, 0),

f (x, y) = f (x(1, 0) + y(0, 1)) = xf (1, 0) + yf (0, 1)
f (x, y) = x(1, 2) + y(−1, 0) = (x − y, 2x).

3.5 Déterminant d’une matrice carrée

 
a11 a12
Définition 11. Soit
a21 a22
une matrice dans M(2, 2)(K), on appelle déterminant de A le nombre réel
a11 a12
donné par : a11 a22 − a12 a21 . On le note det(A) ou ,
a21 a22

Exemple 11. Calculons le det(A),

1 2
|A| = = 1(−1) − 0 × (2) = −1.
0 −1

Définition 12. De même, on définit le déterminant d’une matrice

a11 a12 a13

A= a21 a22 a23 ∈ M3 (K),
a31 a32 a33
par

a11 a12 a13

a22 a23 a21 a23 a21 a23
a21 a22 a23 = (−1)1+1 a11 a +(−1)1+2 a +(−1)1+3
a32 a33 12 a31 a33 13 a31 a33
a31 a32 a33

Exemple 12.
1 0 −1
−1 1 12 1 12 −1
12 −1 1 = (−1)1+1 ·1 +(−1)1+2 ·0 +(−1)1+3 (−1)
1 0 0 0 0 1
0 1 0

⇐⇒ |A| = −1 + 0 − 12 = −13
3.5. DÉTERMINANT D’UNE MATRICE CARRÉE 13

Proposition 4. Pour calculer le déterminant d’une matrice A on peut développer

A suivant n’importe quelle ligne ou colonne. Suivant cette proposition il vaut
mieux choisir la ligne ou colonne contenant le plus de zéros.
Exemple 13. On reprend la même matrice de l’exemple pécédent mais calculer
suivant la troisième ligne on aura :

1 0 −1
0 −1 1 −1 1 0
12 −1 1 = (−1)3+1 ·0 +(−1)3+2 ·1 +(−1)3+3 ·0
−1 0 12 1 12 −1
0 1 0

⇐⇒ |A| = 0 + −13 + 0 = −13

on calcule juste un déterminant au lieu de trois.
Définition 13. De même, on définit le déterminant d’une matrice
 
a11 a12 a13 a14
 a21 a22 a23 a24 
A=  ∈ M4 (K),
 a31 a32 a33 a34 
a41 a42 a43 a44
par

a11 a12 a13 a14

a22 a23 a24 a21 a23 a24
a21 a22 a23 a24
A= = (−1)1+1 a11 a32 a33 a34 +(−1)1+2 a12 a31 a33 a34
a31 a32 a33 a34
a42 a43 a44 a41 a43 a44
a41 a42 a43 a44

a21 a22 a24 a21 a22 a23

+(−1)1+3 a13 a31 a32 a34 + (−1)1+4 a14 a31 a32 a33 .
a41 a42 a44 a41 a42 a43

Définition 14. Soit A = (aij )1 ≤ i ≤ n, 1 ≤ j ≤ n, le déterminant suivant la

j−ème colone est :

det(A) = (−1)1+j a1j D1j + (−1)2+j a2j D2j + ... + (−1)n+j anj Dnj , j = 1, ..., n.

Le déterminant suivant la i−ème ligne est :

det(A) = (−1)i+1 ai1 Di1 + (−1)i+2 ai2 Di2 + ... + (−1)i+n ain Din , i = 1, ..., n.

Où Aij représent ce que nous appelons le déterminant mineur du terma aij , le
déterminant d’ordre n − 1 obtenu de det(A) en supprimant la i−ème ligne et la
j−ème colonne.
Proposition 5. Soit A ∈ Mn (K) on a :
1. det(A) = det(At ).
2. det(A) = 0 si deux lignes de A sont égales (ou deux colonnes).
14 CHAPITRE 3. LES MATRICES

3. det(A) = 0 si deux lignes de A sont proportinnelles ( ou deux colonnes

le sont).
4. det(A) = 0 si une ligne est combinaison linéaires de deux autres lignes
de A (même chôse pour les colonnes).
5. det(A) ne change pas si on ajoute à une ligne une combinaison linéaires
d’autres lignes (même chôse pour les colonnes).
6. Si B ∈ Mn (K), alors det(A · B) = det(A) · det(B).
3 0 −5
Exemple 14. 1. |A| = 2 2 1 = 0, car la ligne 1 est égale à la ligne
3 0 −5
3, L1 = L3 .
9 0 −15 3
2 2 1 1
2. |B| = = 0, car L1 = 3L4 .
1 0 −1 4
3 0 −5 1
1 1 −1 2
1 1 2 20
3. |C| = = 0, car C1 = C2 .
0 0 −1 4
1 1 −10 2

Définition 15. Soit V1 , V2 , ..., Vn , n vecteurs de Rn on appelle déterminant des

vecteurs (V1 , V2 , ..., Vn ) et on le note det(V1 , V2 , ..., Vn ) le déterminant dont les
colonnes sont les vecteurs V1 , V2 , ..., Vn .

Exemple 15. Soient V1 = (1, 1, 0), V2 = (0, −1, 1), V3 = (0, 0, 1), alors

1 0 0
−1 0
det(V1 , V2 , V3 ) = 1 −1 0 = +1 = −1
1 1
0 1 1

Proposition 6. Soit V1 , V2 , ..., Vn , n vecteurs de Rn . (V1 , V2 , ..., Vn ) est une

base de Rn , det(V1 , V2 , ..., Vn ) 6= 0

Exemple 16. Soient V1 = (1, 2, 0), V2 = (0, −1, 1), V3 = (0, 0, 1), forment une
base de R3 , car det(V1 , V2 , V3 ) = −1 6= 0.

3.6 Matrices inversibles

Définition 16. Soit A ∈ M(n, n)(K) on dit que A est invesible s’il existe une
matrice B ∈ M(n, n)(K) telle que A · B = B · A = In .
 
1 2
Exemple 17. Montrons que la matrice A =
0 −1
 
a c
est inversible et ceci en cherchant la matice B =
b d
3.6. MATRICES INVERSIBLES 15

       
1 2 a c a c 1 2 1 0
A·B = · = B·A = · = I2 =
0 −1 b d b d 0 −1 0 1
     
a + 2c b + 2d a 2a − b 1 0
⇐⇒ = =
−c −d c 2c − d 0 1
 
1 2
B=
0 −1
 
1 2
Exemple 18. Soit A = . On vérifie par le calcul que A2 − 5A = 2I2 .
3 4
Par suite A( 21 A − 52 I2 ) = I2 . On conclut alors que A−1 = 12 A − 52 I2 .
Théorème 2. Soit A ∈ Mn (K), on a :

A est inversible ⇐⇒ det(A) 6= 0,

et dans ce cas la matrice inverse de A est donnée par :

1
A−1 = Ct
det(A)

Où C t est la comatrice de A.

Définition 17. Soit A = (aij)1 ≤ i ≤ n, 1 ≤ j ≤ n ∈ Mn (K), on appelle
cofacteur d’indice i et j de A le scalaire

cij = (−1)i+j det(Aij ).

Avec Aij est la matrice déduite de A par suppression de la ligne i et la colonne j.

La matrice C = (cij)1 ≤ i ≤ n, 1 ≤ j ≤ n est appelée la matrice des cofacteurs
et la matrice C t est appellée la comatrice de A.
 
1 0 3
Exemple 19. La matrice A =  1 −1 1  det(A) = 2 6= 0 donc elle est
0 2 2
inversible, de plus
 
C11 C12 C13
1
A−1 = C t =  C21 C22 C23 
2
C31 C32 C33

où
−1 1 1 1
C11 = (−1)2 = −4, C12 = (−1)3 = −2,
2 2 0 2
1 −1 0 3
C13 = (−1)4 = 2, C21 = (−1)3 = 6,
0 2 2 2
1 3 1 0
C22 = (−1)4 = 2, C23 = (−1)5 = −2,
0 2 0 2
16 CHAPITRE 3. LES MATRICES

0 3 1 3
C31 = (−1)4 = 3 C32 = (−1)5 =2
−1 1 1 1
1 0
C33 = (−1)6 = −1
1 −1
donc la matrice des cofacteurs est donnée par :
 
−4 −2 2
 6 2 −2 
3 2 −1

et la comatrice et  
−4 6 3
C t =  −2 2 2 
2 −2 −1
d’où
3
   
−4 6 3 −2 3
1 2
A−1 = −2 2 2  =  −1 1 1 
2 −1
2 −2 −1 1 −1 2

On peut vérifier que A−1 A = I3 = AA−1 .

Proposition 7. Soient A, B ∈ Mn (K).

1. Si A et B sont inversibles alors (AB)−1 = B −1 A−1 .
2. Si A est inversible alors A−1 est inversible et (A−1 )−1 = A.

3.7 Rang d’une matrice

Définition 18. Soit A ∈ M(n, p)(K), on appelle rang de A et on note rgA
l’ordre de la plus grande matrice carrée B prise (extraite) dans A telle que
detB 6= 0.

Exemple 20.  
1 −1
A=
2 0
det A = 2 6= 0, rgA = 2
.  
1 1
B=
1 1
det B = 0, rgB = 1
.
 
0 1 −1 0
C =  −1 1 −1 1 
0 −1 1 0
3.7. RANG D’UNE MATRICE 17

rgA < 4(rgA ≤ 3) la plus grande matrice carrée contenue dans A est d’ordre 3,
dans cet exmple on a : 4 possibilité :
   
1 −1 0 0 1 −1
C1 =  1 −1 1  , C2 =  −1 1 −1 
−1 1 0 −1 −1 1
   
0 1 0 0 1 0
C3 =  −1 1 1  , C2 =  −1 −1 1 
0 −1 0 0 1 0

detC1 = detC2 = 0 et detC3 = detC4 = 0 donc le rgA < 3

et on a :
−1 0
= −1 6= 0 =⇒ rgA = 2.
−1 1

Théorème 3. Le rang d’une matrice est égale au nombre maximale de vecteurs

colonnes linéairement indépendants.

Théorème 4. Soit A ∈ Mn (K ). On a équivalence entre :

1. A est inversible ;
2. Rg(A) = n.

Proposition 8.
∀A ∈ Mn (K ), rgA = rgAt

1 Lien entre le rang d’une matrice et celui d’une applica-

tion associée
Soit A = (aij )1≤i≤p,1≤j≤n une matrice de type (n, p) à coefficients dans K,
on considère deux K−espaces vectoriels E de dimension p et F de dimension
n munis de leurs bases canoniques B = {e1 , e2 , ..., ep } et B 0 = {e01 , e02 , ..., e0n },
on considère l’application linéaire f : E −→ F dont la matrice associée à f
relativement à B et B 0 est la matrice A. Autrement dit A = MBB 0 (f ) , ou encore
de manière équivalente
n
X
∀j ∈ {1, ..., p}, f (ej ) = aij e0i
i=1

Montrons que le rang de l’application f et le rang de la matrice associée A. On

rappelle que le ranf de f et défini comme la dimension du sous espace Imf , ce
dernier étant engendré par les image par f de la base B de E, c’est à dire

Imf = V ect(f (e1 ), f (e2 ), ..., f (ep )

18 CHAPITRE 3. LES MATRICES

Puisque B 0 est la base canonique de F , on a pour tout j = {1, ..., p}

f (ej ) = a1j e01 + a2j e02 + ... + anj e0n

= a1j (1, 0, ..., 0) + a2j (0, 1, 0, ..., 0) + ... + anj (0, 0, ..., 1)
= (a1j , 0, ..., 0) + (0, a2j , 0, ..., 0) + ... + (0, 0, ..., anj )
= (a1j , a2j , ..., anj )

Or (a1j , a2j , ..., anj ) est un vecteur de F dont les coefficients sont rangée dans
la j-ième colonne Cj de la matrice A nous l’avons noté cj , ainsi

Imf = V ect(c1 , c2 , ..., cp )

de l’égalité de ces deux sous espaces, on déduit l’égalité de leur dimension

dim(Imf ) = dim(V ect(c1 , c2 , ..., cp ))

c’est à dire
rg(f ) = rg(A)

3.8 Matrices et Changements de Bases

Définition 19. Soit E un e.v et soit B = (e1 , e2 , ..., en ) et B 0 = (e01 , e02 , ..., e0n )
deux bases pour E,avec Les vecteurs de base de B peuvent s’exprimer dans B 0
 e1 = a11 e01 + a21 e02 + ... + an1 e0n
 e2 = a12 e01 + a22 e02 + ... + an2 e0n



selon les relations e3 = a13 e01 + a23 e02 + ... + an3 e0n
.....................



en = a1n e01 + a2n e02 + ... + ann e0n


On appelle matrice de passage de B 0 à B la matrice carrée P définie par
 
a11 a12 ... an1
 a21 a22 ... an2 
 
P =  . . ... . 
 . . ... . 
an1 an2 ... ann

Exemple 21. On munit l’espace R3 de la base canonique B = {e1 , e2 , e3 },

définie par e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1) et de la base B 0 = {e01 , e02 , e03 }
définie par e01 = (1, 0, −1), e02 = (1, −1, 0), e03 = (1, 1, 1)
Pour expliciter la matrice de passage de la base B à B 0 , il faut d’abord écrire
les trois vecteurs de la base B 0 en fonction de trois vecteurs de la base B, cette
étape préliminaire est ici trés facile puisque ici la base B est la base canonique
de R3 , on a immédiatement

e01 = e1 − e3


e02 = e1 − e2
e03 = e1 + e2 + e3

3.8. MATRICES ET CHANGEMENTS DE BASES 19

On en déduit alors l’expression de la matrice P de passage de B à B 0

 
1 1 1
P =  0 −1 1 
−1 0 1

1 Propriétés des matrices de passage

Soient E un K−espace vectoriel muni des bases B et B 0 , la matrice de passage
P de B à B 0 est la matrice represantant l’application identité IdE : x ∈ E 7−→
x ∈ E relativement aux bases B et B 0 en d’autre termes
P = M atB,B 0 (IdE )
Proposition 9. La matrice de passage d’une base B à une base B 0 est la ma-
trice inverse de la matrice de passage de B 0 vers B
M (B 0 , B)(IdR3 ) = (M (B, B 0 )(IdR3 ))−1
Exemple 22. Reprenons l’exemple de R3 muni de la base canonique B =
{e1 , e2 , e3 } et de la base B 0 = {e01 , e02 , e03 } définie par e01 = (1, 0, −1), e02 =
(1, −1, 0), e03 = (1, 1, 1)
e01 = e1 − e3


e02 = e1 − e2
e03 = e1 + e2 + e3


(1, 0, 0) = λ1 e01 + λ2 e02 + λ3 e03 = (λ1 (1, 0, −1) + λ2 (1, −1, 0) + λ3 (1, 1, 1)

λ1 + λ2 + λ3 = 1
 1
⇐⇒ −λ2 + λ3 = 0 ⇐⇒ λ1 = λ2 = λ3 =
3
−λ1 + λ3 = 0


(0, 1, 0) = λ1 e01 + λ2 e02 + λ3 e03 = (λ1 (1, 0, −1) + λ2 (1, −1, 0) + λ3 (1, 1, 1)

λ1 + λ2 + λ3 = 0
 1 2
⇐⇒ −λ2 + λ3 = 1 ⇐⇒ λ1 = λ3 = , λ2 = −
3 3
−λ1 + λ3 = 0


(0, 0, 1) = λ1 e01 + λ2 e02 + λ3 e03 = (λ1 (1, 0, −1) + λ2 (1, −1, 0) + λ3 (1, 1, 1)

λ1 + λ2 + λ3 = 0
 1 2
⇐⇒ −λ2 + λ3 = 0 ⇐⇒ λ2 = λ3 = , λ1 = −
3 3
−λ1 + λ3 = 1


Donc  
1 1 −2
1
MB 0 B (IdR3 ) = Q = 1 −2 1 
3
1 1 1
et l’on voit qu’on a effectivement Q = P −1 , on vérifie l’une des deux égalités
P × Q = I3 ou Q × P = I3
20 CHAPITRE 3. LES MATRICES

Théorème 5. Soient E un espace vectoriels muni des base B et C,F un espace

vectoriel muni des bases B 0 et C 0 et f un application linéaire de E dans F alors
les deux matrices A = MBB 0 (f ) et B = MB 0 B (f ) toutes les deux de même type,
vérifient :
B = Q−1 AP
où P est la matrice de passage de B à C et où Q et la matrice de passage de
B 0 à C 0