Algèbre 2 ECUE 1

Dr Vincent Kouassi KOUAKOU

15 janvier 2024
Table des matières

1 Matrices 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Généralités sur les matrices . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Dé…nitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Vocabulaire et notation . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Opérations sur les matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.1 Addition de matrices et multiplication par un scalaire . . . . . . . . 6
1.3.2 Multiplication des matrices . . . . . . . . . . . . . . . . . . . . . . 8
1.3.3 Produits remarquables de matrices . . . . . . . . . . . . . . . . . . 10
1.3.4 Pièges à éviter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3.5 Polynôme d’une matrice carrée . . . . . . . . . . . . . . . . . . . . 17
1.3.6 Transposée d’une matrice . . . . . . . . . . . . . . . . . . . . . . . 18
1.4 Matrices carrées particulières . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.4.1 Matrices diagonales . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.4.2 Matrices scalaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.4.3 Matrices triangulaires . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.4.4 Matrices symétriques . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.4.5 Matrices anti-symétriques . . . . . . . . . . . . . . . . . . . . . . . 21
1.4.6 Matrices de permutation . . . . . . . . . . . . . . . . . . . . . . . . 21
1.4.7 Matrices circulantes . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.4.8 Carré latin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2 Déterminant 27
2.1 Déterminants 1 1 et 2 2 . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2 Déterminant d’ordre n > 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2.1 Calcul du déterminant par la méthode des co-facteurs . . . . . . . . 28
2.2.2 Intérêt de la méthode des co-facteurs . . . . . . . . . . . . . . . . . 30
2.2.3 Calcul du déterminant par la méthode de SARRUS . . . . . . . . . 30
2.2.4 Propriétés des determinants . . . . . . . . . . . . . . . . . . . . . . 31
2.2.5 Rang d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

1
TABLE DES MATIÈRES

2.2.6 Application : inversion d’une matrice par la méthode de la matrice

adjointe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

3 Systèmes de n équations linéaires à p inconnues sur K 39

3.1 Théorie des systèmes linéaires . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.1.1 Dé…nitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.1.2 Di¤érents types de systèmes linéaires . . . . . . . . . . . . . . . . . 40
3.1.3 Système linéaire homogène . . . . . . . . . . . . . . . . . . . . . . . 40
3.2 Méthodes de résolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.2.1 Opérations sur les équations d’un système . . . . . . . . . . . . . . 41
3.2.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.2.3 Méthode de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.2.4 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

Université Nangui-Abrogoua 2 Algèbre 2 ECUE 1

Chapitre 1

Matrices

1.1 Introduction
Illustration 1.1.1 On s’intéresse à une population exposée à un virus extérieur (un virus
transmis par des insectes par exemple). Le but de notre étude est de répondre à ces ques-
tions : la population est-elle menacée d’extinction ? Ou au contraire, le virus disparaîtra-t-
il ? Ou encore, la population continuera-t-elle à se développer tout en ayant toujours une
certaine proportion d’individus malades ?
Les hypothèses concernant le virus sont les suivantes.
Il n’est pas contagieux entre individus.
Il ne se transmet pas aux descendants.
Les individus malades ne peuvent pas se reproduire.
Après avoir été infecté, un individu peut résister au virus et redevenir sain, mais
s’il contracte …nalement la maladie, il ne pourra plus guérir.
Les données annuelles sont les suivantes.
1
= est le taux de natalité chez les individus qui ne sont pas malades.
9
1
= est la probabilité d’être infecté.
3
1
S = est la probabilité qu’une personne infectée redevienne saine.
3
1
M = est la probabilité qu’une personne infectée contracte la maladie.
3
2
= est le taux de mortalité chez les personnes malades.
3

Modélisation du phénomène
Nous noterons Sn , In et Mn le nombre de personnes saines, infectées et malades à
l’année n. D’après les données ci-dessus, on peut décrire l’évolution de la population comme
suit.
A l’année n + 1; on aura

3
1.2. GÉNÉRALITÉS SUR LES MATRICES
8
< Sn+1 = Sn + Sn Sn + In + S In = 97 Sn + 49 In + 0Mn
In+1 = In S In M In + Sn = 31 Sn + 13 In + 0Mn
:
Mn+1 = Mn Mn + M In = 0Sn + 13 In + 13 Mn
Toutes les données du problème sont contenues dans le tableau suivant appélé ma-
trice 2 7 4 3
9 9
0
4 1 1 0 5
3 3
0 31 13
et l’évolution de la population
8
< Sn+1 = 79 Sn + 49 In + 0Mn
In+1 = 13 Sn + 13 In + 0Mn
:
Mn+1 = 0Sn + 13 In + 13 Mn
est appelé un système d’équations linéaires.
Les matrices codent les systèmes d’équations linéaires et ce codage est à la source du
produit «ligne-colonne» .
Il existe plus précisement une correspondance entre système d’équations linéaires et
équation matricielle que nous expliquons dans le dernier paragraphe.
Objectifs :
1: Savoir multiplier des matrices et pratiquer le yoga des opérations sur les matrices.
2: Savoir calculer l’inverse d’une matrice carrée de taille 2 ou 3 par les deux méthodes.
3: Savoir passer d’un système d’équations linéaires à une équation matricielle et in-
versement.
4: Savoir résoudre matriciellement un système linéaire de n équations à n inconnues
quand la matrice associée à ce système est inversible.

Dans ce chapitre, K désigne Q, R ou C.

1.2 Généralités sur les matrices

1.2.1 Dé…nitions
Dé…nition 1.2.1 Soient n; p dans N :
- On appelle matrice à n lignes et p colonnes à cœ¢ cients dans K (ou matrice à n
lignes et p colonnes à cœ¢ cients sur K), un tableau rectangulaire A de np éléments de K
noté 2 3
a1;1 a1;2 ::: ::: a1;p
6 a2;1 a2;2 ::: ::: a2;p 7
6 7
A = 6 .. .. .. 7 :
4 . . ::: ::: . 5
an;1 an;2 ::: ::: an;p

- Les nombres dans le tableau sont appelés les cœ¢ cients (ou les éléments ou encore
les termes) de la matrice A.

Université Nangui-Abrogoua 4 Algèbre 2 ECUE 1

1.2. GÉNÉRALITÉS SUR LES MATRICES

1.2.2 Vocabulaire et notation

- Une matrice qui possède n lignes et p colonnes est appelée une (n; p)-matrice ou
une matrice de type (n; p) ou encore une matrice de taille (n; p) sur K.
- L’ensemble des matrices à n lignes et p colonnes à co¢ cients dans K est noté
Mn;p (K) :
- Soit 2 3
a1;1 a1;2 ::: a1;p
6 a2;1 a2;2 ::: a2;p 7
6 7
A = 6 .. .. .. 7 2 Mn;p (K) ;
4 . . ::: . 5
an;1 an;2 ::: an;p
A se note aussi A = (ai;j )16i6n ou plus simplement A = (ai;j ) :
16j6p
- Le cœ¢ cient situé à la i-ème ligne et à la j-ème colonne est noté ai;j .
- On dit que la matrice A est de terme général ai;j :

Remarque 1.2.1 On note indi¤éremment aij ou ai;j pour les cœ¢ cients de la matrice A.

- Mn;p (R) est l’ensemble des (n; p) matrices réelles.

- Mn;p (C) est l’ensemble des (n; p) matrices complexes.

Exemple 1.2.1
1 2 5
A= 2 M2;3 (R)
0 3 7
est une matrice de taille (2; 3) avec, par exemple, a1;1 = 1 et a2;3 = 7:
0 1
8 1 6
B = @ 3 5 7 A 2 M3;3 (R)
4 9 2

est une matrice de taille (3; 3) avec, par exemple, b2;3 = 7 et b3;2 = 9:
0 1
1 2 3 2i + 1
C= @ 5 6 i 7 0 A 2 M3;4 (C)
4 3 2 1

est une matrice de taille (3; 4) avec, par exemple, c2;2 = 6 i et c3;4 = 1:

Encore quelques dé…nitions.

Dé…nition 1.2.2 - Une matrice de (n; 1) est appelée matrice colonne. On la note
2 3
a1;1
6 a2;1 7
6 7
A = 6 .. 7 :
4 . 5
an;1

Université Nangui-Abrogoua 5 Algèbre 2 ECUE 1

1.3. OPÉRATIONS SUR LES MATRICES

- Une matrice de (1; p) est appelée matrice ligne. On la note

A= a1;1 a1;2 ::: a1;p :

- Une matrice de taille (n; n) est appelée matrice carrée d’ordre n sur K.
- L’ensemble des matrices carrées d’ordre n sur K se note Mn (K) au lieu de Mn;n (K):

Soit
0 1
a1;1 a1;2 ::: a1;n
B a2;1 a2;2 ::: a2;n C
B C
A=B .. .. .. .. C 2 Mn (K);
@ . . . . A
an;1 an;2 ::: an;n
alors les éléments a11 ; a22 ; :::; ai;i ; :::; an 1;n 1 ; an;n sont appelés les éléments diago-
naux et forment la diagonale principale de la matrice carrée A.

Dé…nition 1.2.3 On appelle trace d’une matrice A = (ai;j ) 2 Mn (K) le nombre

tr(A) = a11 + a22 + ::: + an 1;n 1 + an;n 2 K:

1.3 Opérations sur les matrices

1.3.1 Addition de matrices et multiplication par un scalaire
Soient n; p 2 N ; on dé…nit une addition et une multiplication par un élément de K
sur Mn;p (K) comme suit :

Addition sur Mn;p (K)

Soient A et B deux matrices ayant la même taille (n; p). Leur somme C = A + B
est la matrice de taille (n; p) dé…nie par
ci;j = ai;j + bi;j :

En d’autres termes, on somme cœ¢ cients par cœ¢ cients.

3 2 0 5
Exemple 1.3.1 A = ; B=
1 7 2 1
3+0 2+5 3 3
A+B = =
1 + 2 7 + ( 1) 3 6

2 3 2 2
Par contre pour B 0 = ; la somme A + B 0 = + n’est pas (possible)
8 1 7 8
dé…nie.
On note 0n;p ou tout simplement 0 la matrice nulle de Mn;p (K) c’est-à-dire la matrice
de Mn;p (K) dont tous les cϢ cients sont nuls.

Université Nangui-Abrogoua 6 Algèbre 2 ECUE 1

1.3. OPÉRATIONS SUR LES MATRICES

Produit d’une matrice par un scalaire

Le produit d’une matrice A = (ai;j ) de Mn;p (K) par un scalaire 2 K est la ma-
trice ( ai;j ) formée en multipliant chaque cœ¢ cient de A par . Elle est notée : :A (ou
simplement A).
"
#
2 1 1 3 3 1 1
Exemple 1.3.2 A = ; A= 1 ;B = =3 ;
1 2 3 6 1 2
2
6 2 2 3 1 1
2C = =) C = :
8 0 4 4 0 2

La matrice ( 1)A est l’opposée de A et est notée A.

La di¤érence A B est dé…nie par A + ( B):
L’addition et la multiplication par un scalaire se comportent sans surprises.

Proposition 1.3.1 Soient A; B et C 2 Mn;p (K) ; 2 K deux scalaires. Alors on a :

1: A + (B + C) = (A + B) + C : l’addition est associative,
2: A + 0 = A : la matrice nulle est l’élément neutre de l’addition,
3: A + ( A) = 0:
4: A + B = B + A : l’addition est commutative,
Conclusion : (Mn;p (K); +) est un groupe abélien.
5: ( + )A = A + A;
6: (A + B) = A + B;
7: ( )A = ( A) ;
8: 1K A = A:

1.3.1 On3donne 2
Exercice 2 3 2 3
7 2 1 2 3 21 6
A=4 0 15 ; B = 42 3 15 ; C = 4 0 3 5;
1 4 3 2 1 3 12
2 3 2 3
1 0 1 1 2
14 5 4
E= 0 1 0 ;F = 3 05 :
2
1 1 1 8 6
Calculer toutes les sommes possibles de deux de ces matrices. Calculer 3A + 2C et
5B 4E:
Trouver 2 K tel que A + C soit la matrice nulle.

Matrices élémentaires

On introduit le symbole de Kronecker dé…ni par

0 si i 6= j
i;j = :
1 si i = j

Université Nangui-Abrogoua 7 Algèbre 2 ECUE 1

1.3. OPÉRATIONS SUR LES MATRICES

Soient i 2 f1; :::; ng et j 2 f1; :::; pg ; on appelle matrice élémentaire d’indice (k; l)
de Mn;p (K); la matrice Ek;l dont tous les cœ¢ cients sont nuls sauf celui d’indice (k; l)
[i.e de la k-ème ligne et de la l-ème colonne] qui vaut 1: Ainsi
0 1
0 ::: 0 ::: 0
B 0 ... .
::: . . 0 C
B C
B . . .. C
B .. . . 0 0 . . . . C
B C
B C
Ek;l = B 0 ::: 0 1 . . . C
B C k
B .. . . . .. C
B . . 0 0 ::: 0 C
B .. . . .. C
@ . . . A
0 ::: 0 ::: 0
"
l

Le cœ¢ cient d’indice (k; l) de la matrice élémentaire Ek;l 2 Mn;p (K) est

i;j k;l = i;k j;l :

Dé…nition 1.3.1 Deux matrices sont égales lorsqu’elles ont la même taille et que les cœf-
…cients correspondants sont égaux.
Soient A = (ai;j )16i6n et B = (bi;j )16i6n deux éléments de Mn;p (K) ; par dé…nition
16j6p 16j6p

A = B équivaut à ai;j = bi;j :

1.3.2 Multiplication des matrices

Un exemple intéressant est le produit d’un vecteur ligne par un vecteur colonne :
2 3
b1
6 b2 7
6 7
u = a1 a2 ::: an ; v = 6 .. 7
4.5
bn
2 3
b1
6 b2 7
6 7
u:v = a1 a2 ::: an 6 .. 7 = a1 b1 + a2 b2 + ::: + an bn 2 K:
4.5
bn
Ce nombre s’appelle le produit scalaire des vecteurs u et v:

Dé…nition

Dé…nition 1.3.2 Soient n; p 2 N ; A = (ai;j )16i6n 2 Mn;p (K) et B = (bi;j ) 16i6p 2

16j6p 16j6q
Mp;q (K) :

Université Nangui-Abrogoua 8 Algèbre 2 ECUE 1

1.3. OPÉRATIONS SUR LES MATRICES

Par dé…nition, le produit A B des matrices A et B est la matrices

A B = C = (ci;k )16i6n 2 Mn;q (K)
16k6q

dé…nie par :
P
p
ci;k = ai;j bj;k
j=1

pour tout i 2 f1; 2; :::; ng et tout k 2 f1; 2; :::; qg :

On peut écrire le cœ¢ cient ci;k de façon plus développée, à savoir :

ci;k = ai;1 b1;k + ai;2 b2;k + ::: + ai;j bj;k + ::: + ai;p bp;k :

Remarque 1.3.1 - On a le schéma ci- dessous

: Mn;p (K) Mp;q (K) ! Mn;q (K)
:
(A; B) 7 ! A B

- Le produit A B de deux matrices A et B n’est dé…ni que lorsque le nombre de

colonnes de A est égal au nombre de lignes de B.

Exemples

1: Calculer le produit A B
2 3
1 2
1 2 3
A= ; B = 4 1 15
2 3 4
1 1
2: Quelles matrices peut-on multiplier ? Les calculer.
2 3 2 3 2 3
2 1 0 8 2 5
0 2 2
A= ; B = 40 1 0 5 ; C = 4 3 25 ; E = x y z ; F = 4 2 5 :
6 4 0
2 2 3 5 5 1
3: Peut-on e¤ectuer les multiplications suivantes ? Si oui, donner le résultats.
2 3 2 3
1 1 2 1 1 2
1 1 0 4 1 1 0
a) 0 1 45 2 M23 (R); b) 4 0 1 45
4 2 1 4 2 1
5 6 0 5 6 0
2 2 2 1 1 1 4
c) 1 1 2 ; d)
4 2 3 3 0 2 1
2 3
1 1 2
e) 1 1 2 40 1 45
5 6 0
2 3 2 3
1 1 3
1 2 0 1 0 1 1 2 1 0 2 11
; f) ; g) h) 2 1 0 4 4 5 ; k) 40 15
0 0 0 3 0 3 0 0 2 5 3 0
1 2 0

Remarque 1.3.2 Calculer le cœ¢ cient ci;j dans le produit A B revient donc à calculer
le produit scalaire des vecteurs formés par la ième ligne de A et la jème colonne de B.

Université Nangui-Abrogoua 9 Algèbre 2 ECUE 1

1.3. OPÉRATIONS SUR LES MATRICES

1.3.3 Produits remarquables de matrices

Avec les matrices ei

Pour i 2 f1; :::; ng ; on note ei la matrice unicolonne dont tous les termes sont nuls
sauf celui de i-ème ligne qui vaut 1 : c’est-à-dire

0 1 0 1 0 1 0 1
1 0 0 0
B 0 C B 1 C B .. C B .. C
B .. C B C B . C B . C
B C B C B C B C
e1 = B . C ; e2 = B 0 C ; :::; ei = B 1 C i-ème ligne ; :::; en = B ... C:
B .. C B ..C B C B C
@ . A @ .A @ 0 A @ 0 A
0 .
..
0 1

Proposition 1.3.2 Pour toute matrice A = (ai;j )16i;j6n 2 Mp;n (K); on a

0 1
a1;j
B C
A ej = @ ... A ;
ap;j
t
ei A = ai;1 ::: ai;k ::: ai;n :

Avec les matrices élémentaires

Proposition 1.3.3 Pour toute matrice A = (ai;j )16i;j6n 2 Mn (K); on a

0 ::: l ::: 0
2 3
0 ::: 0 a1;k 0 ::: 0
6 .. .. .. .. 7
6 . . a2;k . . 7
A Ekl = 6 .. .. .. .. .. 7 :
4 . . . . . 5
0 ::: 0 an;k 0 ::: 0

On annulle tous les cœ¢ cients sauf la l-ème colonne qui est remplacée par la k-ème.

Preuve 1.3.1 On e¤ectue les produits comme d’habitude :

ci;k = ai;1 b1;k + ai;2 b2;k + ::: + ai;j bj;k + ::: + ai;p bp;k :

Université Nangui-Abrogoua 10 Algèbre 2 ECUE 1

1.3. OPÉRATIONS SUR LES MATRICES
0 1
a1;1 a1;2 ::: a1;n
B a2;1 a2;2 ::: a2;n C
B C
Pour A = B .. .. .. .. C,
@ . . . . A
an;1 an;2 ::: an;n
0 1
0
::: 0 ::: 0
B 0 ... .
::: . . 0 C
0 1B C
a1;1 ::: a1;j ::: a1;n B . . ... .. C
B . .. . C
B a2;1 ::: a2;j ::: a2;n CB . 0 0 C
B CB .. C
A Ek;l = B .. .. . .. .. C B 0 ::: 0 1 . C :
@ . . .. . . AB . ..
C k
B . ... C
an;1 ::: an;j ::: an;n B . . 0 0 ::: 0 C
B .. . . .. C
@ . . . A
0 ::: 0 ::: 0
"
l

Toutes les colonnes de A Ek;l sont nulles sauf la l-ième. Le terme à la i-ième ligne et à
la l-ième colonne de A Ei;j est égal à aik : D’où le résultat.

Exemple 1.3.3 Pour 2 3

a1;1 a1;2 a1;3
A = 4a2;1 a2;2 a2;3 5 ;
a3;1 a3;2 a3;3
on a 2 32 3 2 3
a1;1 a1;2 a1;3 1 0 0 a1;1 0 0
A E1;1 4
= a2;1 a2;2 a2;3 5 40 0 05 = 4a2;1 0 05
2a3;1 a3;2 a3;3 3 20 0 03 2a3;1 0 03
a1;1 a1;2 a1;3 0 1 0 0 a1;1 0
A E1;2 4
= a2;1 a2;2 a2;3 5 40 0 5 4
0 = 0 a2;1 05
2a3;1 a3;2 a3;3 3 20 0 03 20 a3;1 03
a1;1 a1;2 a1;3 0 0 1 0 0 a1;1
A E1;3 = 4a2;1 a2;2 a2;3 5 40 0 05 = 40 0 a2;1 5
a3;1 a3;2 a3;3 0 0 0 0 0 a3;1
2 32 3 2 3
a1;1 a1;2 a1;3 0 0 0 a1;2 0 0
A E2;1 = 4a2;1 a2;2 a2;3 5 41 0 05 = 4a2;2 0 05
2a3;1 a3;2 a3;3 3 20 0 03 2a3;2 0 03
a1;1 a1;2 a1;3 0 0 0 0 a1;2 0
A E2;2 4
= a2;1 a2;2 a2;3 5 40 1 0 = 0 a2;2 05
5 4
2a3;1 a3;2 a3;3 3 20 0 03 20 a3;2 03
a1;1 a1;2 a1;3 0 0 0 0 0 a1;2
A E2;3 4
= a2;1 a2;2 a2;3 5 40 0 1 = 0 0 a2;2 5
5 4
a3;1 a3;2 a3;3 0 0 0 0 0 a3;2

Université Nangui-Abrogoua 11 Algèbre 2 ECUE 1

1.3. OPÉRATIONS SUR LES MATRICES
2 32 3 2 3
a1;1 a1;2 a1;3 0 0 0 a1;3 0 0
A E3;1 4
= a2;1 a2;2 a2;3 5 40 0 05 = 4a2;3 0 05
2a3;1 a3;2 a3;3 3 21 0 03 2a3;3 0 03
a1;1 a1;2 a1;3 0 0 0 0 a1;3 0
A E3;2 4
= a2;1 a2;2 a2;3 5 40 0 5 4
0 = 0 a2;3 05 :
2a3;1 a3;2 a3;3 3 20 1 03 20 a3;3 03
a1;1 a1;2 a1;3 0 0 0 0 0 a1;3
A E3;3 4
= a2;1 a2;2 a2;3 5 40 0 5 4
0 = 0 0 a2;3 5
a3;1 a3;2 a3;3 0 0 1 0 0 a3;3
De même, on a
Proposition 1.3.4 Pour toute matrice A = (ai;j )16i;j6n 2 Mn (K); on a
2 3
0 ::: 0 ::: 0
6 .. .. .. 7
6 . . . 7
6 7
6 0 ::: 0 ::: 0 7
6 7
Ekl A = 6 aj;1 aj;2 ::: ::: aj;n 7 :
6 7
6 0 ::: 0 ::: 0 7
6 . .. .. 7
4 .. . . 5
0 ::: 0 ::: 0
On annulle tous les cœ¢ cients de A; sauf la i-ème ligne qui est remplacée par la
j-ème.
Exemple 1.3.4 Pour 2 3
a1;1 a1;2 a1;3
A = 4a2;1 a2;2 a2;3 5 ;
a3;1 a3;2 a3;3
on a 2 32 3 2 3
1 0 0 a1;1 a1;2 a1;3 a1;1 a1;2 a1;3
E1;1 A= 04 0 05 4a2;1 5
a2;2 a2;3 = 0 4 0 0 5
20 0 03 2a3;1 a3;2 a3;3 3 2 0 0 0 3
0 1 0 a1;1 a1;2 a1;3 a2;1 a2;2 a2;3
E1;2 A= 04 0 05 4a2;1 5
a2;2 a2;3 = 0 4 0 0 5
20 0 03 2a3;1 a3;2 a3;3 3 2 0 0 0 3
0 0 1 a1;1 a1;2 a1;3 a3;1 a3;2 a3;3
E1;3 A= 04 0 05 4a2;1 a2;2 a2;3 5 = 4 0 0 0 5
0 0 0 a3;1 a3;2 a3;3 0 0 0
2 32 3 2 3
0 0 0 a1;1 a1;2 a1;3 0 0 0
E2;1 A= 14 0 05 4a2;1 5 4
a2;2 a2;3 = a1;1 a1;2 a1;3 5
20 0 03 2a3;1 a3;2 a3;3 3 2 0 0 0 3
0 0 0 a1;1 a1;2 a1;3 0 0 0
E2;2 A = 40 1 05 4a2;1 a2;2 a2;3 5 = 4a2;1 a2;2 a2;3 5
20 0 03 2a3;1 a3;2 a3;3 3 2 0 0 0 3
0 0 0 a1;1 a1;2 a1;3 0 0 0
E2;3 A = 40 0 15 4a2;1 a2;2 a2;3 5 = 4a3;1 a3;2 a3;3 5
0 0 0 a3;1 a3;2 a3;3 0 0 0

Université Nangui-Abrogoua 12 Algèbre 2 ECUE 1

1.3. OPÉRATIONS SUR LES MATRICES
2 32 3 2 3
0 0 0 a1;1 a1;2 a1;3 0 0 0
E3;1 4
A= 0 0 05 4a2;1 a2;2 a2;3 5 = 4 0 0 0 5
21 0 03 2a3;1 a3;2 a3;3 3 2a1;1 a1;2 a1;3 3
0 0 0 a1;1 a1;2 a1;3 0 0 0
E3;2 4
A= 0 0 05 4a2;1 a2;2 5
a2;3 = 0 4 0 0 5 :
20 1 03 2a3;1 a3;2 a3;3 3 2a2;1 a2;2 a2;3 3
0 0 0 a1;1 a1;2 a1;3 0 0 0
E3;3 4
A= 0 0 05 4a2;1 a2;2 5
a2;3 = 0 4 0 0 5
0 0 1 a3;1 a3;2 a3;3 a3;1 a3;2 a3;3

Conséquence 1.3.1 Pour tous i; j; k; l 2 N; on a

Ei;l si j = k
Ei;j Ek;l = i;j Eil = :
0 si j 6= k

2 32 3 2 3
1 0 0 0 1 0 0 1 0
E1;1 E1;2 4
= 0 0 05 40 0 5
0 = 04 0 05
20 0 03 20 0 03 20 0 03
0 1 0 1 0 0 0 0 0
E1;2 E1;1 4
= 0 0 05 40 0 5
0 = 04 0 05
20 0 03 20 0 03 20 0 03
1 0 0 0 0 1 0 0 1
E1;1 E1;3 = 40 0 05 40 0 05 = 40 0 05
20 0 03 20 0 03 20 0 03
0 0 1 1 0 0 0 0 0
E1;3 E1;1 = 40 0 05 40 0 05 = 40 0 05
20 0 03 20 0 03 20 0 03
0 1 0 0 0 1 0 0 0
E1;2 E1;3 = 40 0 05 40 0 05 = 40 0 05
20 0 03 20 0 03 20 0 03
0 0 1 0 1 0 0 0 0
E1;3 E1;2 4
= 0 0 05 40 0 5
0 = 04 0 05
20 0 03 20 0 03 20 0 03
1 0 0 0 0 0 0 0 0
E1;1 E2;1 4
= 0 0 05 41 0 5
0 = 04 0 05
20 0 03 20 0 03 20 0 03
1 0 0 0 0 0 0 0 0
E1;1 E2;2 4
= 0 0 05 40 1 5
0 = 04 0 05
20 0 03 20 0 03 20 0 03
1 0 0 0 0 0 0 0 0
E1;1 E2;3 = 40 0 05 40 0 15 = 40 0 05
0 0 0 0 0 0 0 0 0

Université Nangui-Abrogoua 13 Algèbre 2 ECUE 1

1.3. OPÉRATIONS SUR LES MATRICES

:::::::::
2 32 3 2 3
0 0 0 a1;1 a1;2 a1;3 0 0 0
E2;1 A = 41 0 05 4a2;1 a2;2 a2;3 5 = 4a1;1 a1;2 a1;3 5
20 0 03 2a3;1 a3;2 a3;3 3 2 0 0 0 3
0 0 0 a1;1 a1;2 a1;3 0 0 0
E2;2 A= 04 1 05 4a2;1 a2;2 5 4
a2;3 = a2;1 a2;2 a2;3 5
20 0 03 2a3;1 a3;2 a3;3 3 2 0 0 0 3
0 0 0 a1;1 a1;2 a1;3 0 0 0
E2;3 A= 04 0 15 4a2;1 a2;2 5 4
a2;3 = a3;1 a3;2 a3;3 5
0 0 0 a3;1 a3;2 a3;3 0 0 0
2 32 3 2 3
0 0 0 a1;1 a1;2 a1;3 0 0 0
E3;1 A= 04 0 05 4a2;1 a2;2 5
a2;3 = 0 4 0 0 5
21 0 03 2a3;1 a3;2 a3;3 3 2a1;1 a1;2 a1;3 3
0 0 0 a1;1 a1;2 a1;3 0 0 0
E3;2 A= 04 0 05 4a2;1 a2;2 5
a2;3 = 0 4 0 0 5 :
20 1 03 2a3;1 a3;2 a3;3 3 2a2;1 a2;2 a2;3 3
0 0 0 a1;1 a1;2 a1;3 0 0 0
E3;3 A = 40 0 05 4a2;1 a2;2 a2;3 5 = 4 0 0 0 5
0 0 1 a3;1 a3;2 a3;3 a3;1 a3;2 a3;3

1.3.4 Pièges à éviter

Premier piège

Le produit de matrices n’est pas commutatif en général.

En e¤et, il se peut que A B soit dé…ni mais pas B A, ou que A B et B A
soient tous deux dé…nis mais pas de la même taille. Mais même dans le cas où A B et
B A sont dé…nis et de la même taille, on a en général A B 6= B A:

Exemple 1.3.5 Calculer les produits AB et BA avec

5 1 2 0 5 1
A= ; B= :
3 2 4 3 3 2

14 3 10 2
On a AB = et BA = :
2 6 29 2
1 0 0 1
A= ; B= :
0 0 1 0

0 1 0 0
On a AB = et BA = :
0 0 1 0

Deuxième piège

A B = 0 n’implique pas (A = 0 ou B = 0).

Université Nangui-Abrogoua 14 Algèbre 2 ECUE 1

1.3. OPÉRATIONS SUR LES MATRICES

Il peut arriver que le produit de deux matrices non nulles soit nul. En d’autres termes,
on peut avoir (A 6= 0 et B 6= 0) et (A B = 0).

Exemple 1.3.6
1 1 1 1
A= 6= 0; B = 6= 0:
2 2 1 1
1 1 1 1 0 0 1 1 1 1
On a AB = = alors que BA = =
2 2 1 1 0 0 1 1 2 2
1 1
:
1 1

Proporiétés du produit de matrices

Malgré les di¢ cultés soulevées au-dessus, le produit des matrices véri…e les proporiétés
suivantes :
Soient n; p; q 2 N
1: Pour tous A 2 Mn;p (K) ; B 2 Mp;q (K) et C 2 Mq;r (K) ; on a :

A (B C) = (A B) C:

2: Pour tous A; B 2 Mn;p (K) et C; D 2 Mp;q (K) ; on a :

(A + B) C = A C +B C;
A (C + D) = A C +A D:

3: Pour tous A 2 Mn;p (K) ; B 2 Mp;q (K) et 2 K on a :

(A B) = ( A) B=A ( B) :

4: Pour tous A 2 Mn;p (K) ; B 2 Mp;q (K) et 2 K on a :

A 0p;q = 0n;q ;
0n;p B = 0n;q :

5: La multiplication des matrices n’est en générale pas commutative.

La matrice unité ou matrice identité

La matrice carrée ci-dessous s’appelle la matrice unité ou matrice identité d’ordre n.

Ses éléments diagonaux sont égaux à 1 et tous ses autres éléments sont égaux à 0:
2 3
1 0 ::: 0
6 . . . .. 7
60 1 .7
In = 6 . . . 7=( ij )16i;j6n :
4 .. . . . . 05
0 ::: 0 1

Université Nangui-Abrogoua 15 Algèbre 2 ECUE 1

1.3. OPÉRATIONS SUR LES MATRICES

Pour tout A 2 Mn;p (K) ; on a :

In A = A et A Ip = A:

En particulier pour tout A 2 Mn (K) ; on a :

A In = In A = A:

Dans le calcul matriciel, la matrice unité joue un rôle analogue à celui du nombre 1
pour les réels. C’est l’élément neutre pour la multiplication des matrices carrées.

Théorème 1.3.1 L’ensemble Mn (K) des matrices carrées muni de l’addition et de la

multiplication des matrices est un anneau unitaire non commutatif et non intègre dès que
n > 2:

Matrices carrée inversibles

Dé…nition 1.3.3 (Inverse d’une matrice carrée)

Soit A une matrice carrée de taille n 2 N . S’il existe une matrice carrée B de
taille n telle que
A B = B A = In ;
on dit que la matrice A est inversible (ou regulière ou non-singulière), et on
appelle B la matrice inverse de A qu’on note A 1 :

En fait il su¢ t de véri…er une seule des conditions A B = I ou bien B A = I.

Théorème 1.3.2 - L’ensemble des matrices inversibles de l’anneau Mn (K) est un groupe
pour la multiplication noté GLn (K) ou GL (n; K).
- Ce groupe est non commutatif dès que n > 2; est appelé le groupe linéaire général
de degré n sur K .

Proposition 1.3.5 a) La matrice In est inversible d’inverse In .

b) Si A est inversible, alors son inverse est unique.
c) Soit A une matrice inversible, alors A 1 est aussi inversible et on a :
1 1
A = A:

d) Soient A et B deux matrices de même taille inversibles, alors A B est inversible et

1 1
(A B) =B A 1:

Université Nangui-Abrogoua 16 Algèbre 2 ECUE 1

1.3. OPÉRATIONS SUR LES MATRICES

Simpli…cation par une matrice inversible

Si C est une matrice quelconque de Mn (K), nous avons vu que la relation

A C=B C

où A et B sont des éléments de Mn (K) n’entraîne pas forcément l’égalité A = B:

En revanche, si C est une matrice inversible, on a la proposition suivante :

Proposition 1.3.6 Soient A et B deux matrices de Mn (K) et C une matrice inversible

de Mn (K), alors on a

A C = B C =) A = B;
C A = C B =) A = B:

1.3.5 Polynôme d’une matrice carrée

Puissance d’une matrice carrée

Dans l’ensemble Mn (K), la multiplication des matrices est une opération interne :

si A; B 2 Mn (K); alors A B 2 Mn (K):

En particulier, on peut multiplier une matrice carrée par elle-même : on note

8 1
< A =A
An+1 = An A 8n 2 N; n > 2; :
: 0
A = In si A 6= 0n :

Plus généralement, quand A est inversible, pour tout 8p 2 N, on note :

p 1 p
A =A = (A 1 )p = A
|
1
:::
{z A }1 :
p facteurs

Polynôme d’une matrice carrée

Dé…nition 1.3.4 Soient A 2 Mn (K) et P = a0 X 0 + a1 X + ::: + ap X p 2 K [X] ; alors on

dé…nit
P (A) = a0 In + a1 A + a2 A2 + ::: + ap Ap 2 Mn (K):

Dé…nition 1.3.5 Un polynôme annulateur d’une matrice A 2 Mn (K) est, par dé…ni-
tion, un polynôme non nul P 2 K[X]; tel que P (A) = 0n :

Université Nangui-Abrogoua 17 Algèbre 2 ECUE 1

1.3. OPÉRATIONS SUR LES MATRICES

Calcul de l’inverse par un polynôme annulateur

Soient A 2 Mn (K) et P = a0 + a1 X + ::: + ap X p 2 K [X] ; tel que P (A) = 0n :

Alors si a0 6= 0;
1 P n
A 1= ( ak Ak 1 ):
a0 k=1
2 3
1 0 1
Exercice 1.3.2 On donne A = 0 4 1 05
0 0 2
2 3 4
a) Calculer A ; A ; A :
2 3
1 0 2p 1
b) Montrer que Ap = 40 ( 1)p 0 5 ; 8p 2 N:
0 0 2p
2 3
1 2 0
Exercice 1.3.3 Soit A = 4 2 3 0 5.
0 0 1
Calculer 2A A ; puis en déduire A 1 :
2

2 3
1 1 1
Exercice 1.3.4 On donne Soit A = 4 1 1 1 5.
1 1 1
2 1
Calculer A A ; puis en déduire A :

1.3.6 Transposée d’une matrice

Dé…nition

Dé…nition 1.3.6 Soient n; p 2 N ; A = (ai;j )16i6n 2 Mn;p (K).

16j6p
On appelle transposé de A; la (p; n)-matrice notée t A (ou T A ou AT ) obtenue en
échangeant lignes et colonnes de la matrice A; i.e la (p; n)-matrice notée t A = (bj;i )16j6p
16i6n
dé…nie par
bj;i = ai;j
pour tout i 2 f1; :::; ng et tout j 2 f1; :::; pg :
2 3 2 3
a1;1 a1;2 ::: a1;p a1;1 a2;1 ::: an;1
6 a2;1 a2;2 ::: a2;p 7 6 a1;2 a2;2 ::: an;2 7
6 7 t 6 7
A = 6 .. .. ... .. 7 2 Mn;p (K) =) A = 6 .. .. . . .. 7 2
4 . . . 5 4 . . . . 5
an;1 an;2 ::: an;p a1;p a2;p ::: an;p
Mp;n (K) :

Université Nangui-Abrogoua 18 Algèbre 2 ECUE 1

1.4. MATRICES CARRÉES PARTICULIÈRES
2 3
2 3 7 2 2
7 15 7 11 6 15 5 0 7
Exemple 1.3.7 A = 4 2 5 3 0 5 2 M3;4 (R) =) t A = 6
4 7
7 2
3 4 5
2 0 4 22
11 0 22
M4;3 (R) :

Propriétés

Soient n; p; q 2 N ;
1: Pour tout A 2 Mn;p (K) ; on a
t t
A = A:

2: Pour tous A; B 2 Mn;p (K) ; et 2 K; on a :

t t
(A + B) = A + tB
t t
( A) = A :

3: Pour tous A 2 Mn;p (K) ; B 2 Mp;q (K) ; on a :

t
(A B) = t B t A:

4: L’application
Mn;p (K) ! Mp;n (K)
t
A 7 ! A
est un isomorphisme.

Théorème 1.3.3 Soient n 2 N ; A 2 Mn (K) :

1: La matrice A est inversible si, et seulement si t A est inversible.
1
2: Si la matrice A est inversible, alors (t A) = t (A 1 ) = :

1.4 Matrices carrées particulières

Voici quelques types de matrices intéressantes :

1.4.1 Matrices diagonales

Dé…nition 1.4.1 On appelle matrice diagonale, toute matrice carrée dont les éléments
non diagonaux sont tous nuls.

La matrice D = (ai;j ) 16i6n 2 Mn (K) est une matrice diagonale si et seulement si

16j6n
pour tous i; j 2 f1; :::; ng tels que i 6= j; on a ai;j = 0, i.e si et seulement si D est de la
forme

Université Nangui-Abrogoua 19 Algèbre 2 ECUE 1

1.4. MATRICES CARRÉES PARTICULIÈRES

2 3
a1;1 0 ::: 0
6 . .. 7
6 0 a2;2 . . . 7
D=6 . .. .. 7:
4 .. . . 0 5
0 ::: 0 an;n
Une telle matrice se note D = diag (a1;1 ; :::; an;n ) :

1.4.2 Matrices scalaires

Dé…nition 1.4.2 On appelle matrice scalaire, toute matrice diagonale dont les éléments
diagonaux sont tous égaux.

- La matrice A 2 Mn (K) est une matrice scalaire si et seulement si il existe 2K

tel que
A = In :

1.4.3 Matrices triangulaires

Dé…nition 1.4.3 On appelle matrice triangulaire supérieure (respectivement infé-
rieure) toute matrice carrée dont tous les éléments situés au-dessous (respectivement au-
dessus) de la diagonale principale sont nuls.

- La matrice T = (ai;j ) 16i6n 2 Mn (K) est une matrice triangulaire supérieure si et

16j6n
seulement si pour tous i; j 2 f1; :::; ng tels que i > j; on ait ai;j = 0, i.e si et seulement si
T est de la forme
2 3
a1;1 a1;2 ::: a1;n
6 0 a2;2 ::: a2;n 7
6 7
T = 6 .. . .
.. .. .. 7
. :
4 . 5
0 ::: 0 an;n
- La matrice T = (ai;j ) 16i6n 2 Mn (K) est une matrice triangulaire inférieure si et
16j6n
seulement si pour tous i; j 2 f1; :::; ng tels que i < j; on ait ai;j = 0, i.e si et seulement si
T est de la forme 2 3
a1;1 0 ::: 0
6 .. .. 7
6a a2;2 . . 7
T = 6 2;1 . .. .. 7:
4 .. . . 0 5
an;1 an;2 ::: an;n

1.4.4 Matrices symétriques

Dé…nition 1.4.4 On appelle matrice symétrique toute matrice carrée A telle que
t
A = A:

Université Nangui-Abrogoua 20 Algèbre 2 ECUE 1

1.4. MATRICES CARRÉES PARTICULIÈRES

La matrice A = (ai;j ) 16i6n 2 Mn (K) est une matrice symétrique si et seulement si

16j6n
pour tous i; j 2 f1; :::; ng on a ai;j = aj;i :

1.4.5 Matrices anti-symétriques

Dé…nition 1.4.5 On appelle matrice anti-symétrique toute matrice carrée A telle que
t
A= A:

- La matrice A = (ai;j ) 16i6n 2 Mn (K) est une matrice anti-symétrique si et seulement

16j6n
si pour tous i; j 2 f1; :::; ng on a ai;j = aj;i :

1.4.6 Matrices de permutation

Dé…nition

Dé…nition 1.4.6 Une matrice de permutation d’ordre n est une matrice carrée de
taille n dont tous les cœ¢ cients sont égaux à 0; sauf un cœ¢ cient sur chaque ligne et sur
chaque colonne qui vaut 1:

Propriétés

Proposition 1.4.1 Les matrices de permutation d’ordre n sont associées aux permtuta-
tions de f1; 2; :::; ng :

Preuve 1.4.1 Pour tout 2 Sn ; posons P la matrice de permutation (ai;j ) de taille n où

1 si i = (j)
ai;j = :
0 sinon

Autrement dit
Associons à la permutation 2 Sn la matrice P telle que j-ème colonne de P ne
comporte que des 0; sauf le cœ¢ cient sur la (j)-ème ligne qui est égal à 1: Alors (d’après
la dé…nition) la matrice P est une matrice de permutation. Reciproquement, toute matrice
de permutation dé…nit une permutation par la transformation inverse.

Dans ce cas,

Corollaire 1.4.1 Soit 2 Sn et P la matrice de permutation associée à : Alors on a

tr(P ) = jInv( )j :

Par ailleurs, pour tous ; 2 Sn

P P =P :

Ainsi

Université Nangui-Abrogoua 21 Algèbre 2 ECUE 1

1.4. MATRICES CARRÉES PARTICULIÈRES

Proposition 1.4.2 L’ensemble des matrices de permutation forme un un sous-groupe de

GLn (K) isomorphe à Sn :

Exemple 1.4.1 Pour

1 2 3 4 5 6
= 2 S6 ;
3 5 1 6 4 2
on a la matrice de permutation
2 3
0 0 1 0 0 0
6 0 0 0 0 0 1 7
6 7
6 1 0 0 0 0 0 7
P =6
6
7:
7
6 0 0 0 0 1 0 7
4 0 1 0 0 0 0 5
0 0 0 1 0 0

Proposition 1.4.3 Les matrices de permutation permettent de permuter les lignes et les
colonnes d’une matrice A:
A P est la matrice déduite de la matrice A; en permutant les colonnes de A
suivant la permutation :
P A est la matrice déduite de la matrice A; en permutant les lignes de A suivant
la permutation 1 :

1.4.7 Matrices circulantes

Dé…nition 1.4.7 (Matrice circulante C(d ; q)). Une matrice carrée est dite circulante,
si chaque ligne sauf la première est une matrice circulaire droite décalage de la ligne au-
dessus. Donc une matrice circulante est dé…nie par sa première ligne.

On peut dé…nir une matrice circulante de la même manière en utilisant des colonnes.
Une matrice est un objet à deux dimensions, mais une matrice circulante se comporte
comme un objet unidimensionnel- donné par la première ligne ou la première colonne. Nous
allons notons une matrice circulante C de taille d, de première ligne c0 ; c1 ; :::; cd 1 , par

C = circ(c0 ; c1 ; :::; cd 1 ):
Un exemple de matrice 5 5 circulante est :
2 3
c0 c1 c2 c3 c4
6 c4 c0 c1 c2 c3 7
6 7
6 c3 c4 c0 c1 c2 7:
6 7
4 c2 c3 c4 c0 c1 5
c1 c2 c3 c4 c0

On peut encore dire que

Université Nangui-Abrogoua 22 Algèbre 2 ECUE 1

1.4. MATRICES CARRÉES PARTICULIÈRES

Dé…nition 1.4.8 Une matrice circulante est une matrice carrée dans laquelle on passe
d’une ligne à la suivante par permutation circulaire (décalage vers la droite) des cœ¢ cients.
Une matrice circulante de taille n est donc de la forme
2 3
a1 a2 ::: an 1 an
6 an a1 a2 ::: an 1 7
6 7
6 an 1 an a1 ::: an 2 7
6 7:
6 .. .. .. . . .. 7
4 . . . . . 5
a2 a3 a4 ::: a1

On parle parfois de

Dé…nition 1.4.9 Matrice anticirculante ou circulante gauche quand on e¤ectue un

décalage à gauche des cœ¢ cients en passant d’une ligne à la suivante.
2 3
a1 a2 ::: an 1 an
6 a2 a3 a4 ::: a1 7
6 7
6 a3 a4 a5 ::: a2 7
6 7:
6 .. .. .. . . .. 7
4 . . . . . 5
an a1 a2 ::: an 1

Chaque ligne est un décalage cyclique de la ligne du dessus vers la gauche.

1.4.8 Carré latin

Dé…nition 1.4.10 Un carré latin est un tableau carré de n lignes (donc de n colonnes)
remplies de n éléments distincts dont chaque ligne et chaque colonne ne contient qu’un seul
exemplaire.

Exemple 1.4.2 2 3
0 1 2 3
6 1 2 3 0 7
6 7:
4 2 3 0 1 5
3 0 1 2

Opérations élémentaires

Soient n; p 2 N et A 2 Mn;p (K).

On appelle opérations élémentaires sur la matrice A; l’une des opérations suivantes
portant sur les lignes (resp. sur les colonnes de A):
1: Permutation de deux lignes (resp. de colonnes) de A; Li ! Lj (resp. Ci ! Cj ):
2: Multiplication des éléments d’une ligne (resp. d’une colonne) de A par un scalaire
non-nul, Li Li (resp. Ci Ci ):
3: Ajouter à la i-ème ligne (resp. à la j-ème colonne) de A la k-ème ligne multipliée
par 2 K f0g (resp. la l-ème colonne de A par 2 K f0g) avec i 6= k (resp. j 6= l);
Li Li + Lk (resp. Cj Cj + Cl ):

Université Nangui-Abrogoua 23 Algèbre 2 ECUE 1

1.4. MATRICES CARRÉES PARTICULIÈRES

Attention : On prend garde à e¤ectuer les opérations élémentaires successivement

et non simultanément.

Exemple 1.4.3 Sur la matrice unité d’ordre 3; e¤ectuer les opérations suivantes :
1: Permuter les lignes L2 et L3 :
2: Remplacer la ligne L2 par 6L2 :
3: Remplacer la ligne L3 par 4L1 + L3 :
2 3
1 0 0
I3 = 4 0 1 0 5
0 0 1
2 3 2 3 2 3
1 0 0 1 0 0 1 0 0
1: 4 0 0 1 5 ; 2: 4 0 6 0 5 ; 3: 4 0 1 0 5 :
0 1 0 0 0 1 4 0 1

Application : Inversion d’une matrice-Exemples

Première méthode : Méthode de Gauss ou méthode de la matrice compa-

gnon
Pour inverser la matrice A 2 Mn (K) par la méthode de la matrice compagnon :
1: Ecrire côte à côte la matrice A et la matrice identité In pour former une matrice
augmentée
(A j In ):
2: En suivant la méthode du pivot de Gauss, il est possible en opérant uniquement
sur les lignes de transformer la matrice A en une matrice triangulaire supérieure
0 1
p1
B ... C
@ A où p1 ; :::; pn 6= 0:
(0) pn
En opérant à nouveau sur ces lignes on peut poursuivre la transformation de A en
0 1
1
B .. C
@ . A:
(0) 1

Puis en la matrice identité 0 1

1 0
B .. C
@ . A:
0 1
NB : On appliquera au fur et à mesure les mêmes modi…cations à la matrice compa-
gnon.
3: On obtient la matrice augmentée

(In j A 1 ):

Université Nangui-Abrogoua 24 Algèbre 2 ECUE 1

1.4. MATRICES CARRÉES PARTICULIÈRES

En e¤et, e¤ectuer les opérations élémentaires sur les lignes transformant la matrice
A en la matrice identité In , revient à multiplier la matrice A à gauche par des matrices
T1 ; :::; Tm : Ainsi la transformation de la matrice A en la matrice identité In correspond à
écrire Tm :::T1 :A = In :
En multipliant à droite par A 1 , on en déduit Tm :::T1 = A 1 :
Ainsi la série d’opérations élémentaires sur les ligne qui transforme la matrice A en
In transforme parallèlement la matrice identité In en A 1 .
Nous pouvons exploiter cette idée pour calculer A 1 de façon algorithmique.

Remarque 1.4.1 S’il est impossible de faire apparaître la matrice In à gauche (par exemple
si on obtient une ligne entière de zéros), c’est que la matrice A n’est pas inversible.

Exemple 1.4.4 Trouver l’inverse de la matrice A, si elle existe.

2 3
1 0 2
A=4 2 1 3 5:
4 1 8

Solution
Pour ce faire, nous écrivons la matrice unité à la droite de la matrice A et nous
appliquons les mêmes opérations élémentaires à cette matrice que celles e¤ectuées sur la
matrice
0 A: 1 0 1
1 0 2 1 0 0 1 0 2 1 0 0
L L2 2L1
@ 2 1 3 0 1 0 A 2 @ 0 1 1 2 1 0 A
L3 L3 4L1
4 1 8 0 0 1 0 1 0 4 0 1
0 1 0 1
1 0 2 1 0 0 1 0 0 11 2 2
L L1 +2L3
@ 0 1 1 2 1 0 A 1 @ 0 1 0 4 0 1 A
L3 L3 +L2 L2 L2 L3
0 0 1 6 1 1 0 0 1 6 1 1
0 1
1 0 0 11 2 2
L2 L2
@ 0 1 0 4 0 1 A:
L3 L3
0 0 1 6 1 1
On
2 a bien 3 2 3 2 3
1 0 2 11 2 2 1 0 0
4 2 1 3 54 4 0 1 5=4 0 1 0 5
4 1 8 6 1 1 0 0 1
Donc 2 3
11 2 2
A 1=4 4 0 1 5:
6 1 1

Exercice 1.4.1 Inverser les matrices suivantes par la méthode de la matrice compagnon
2 3
2 3 2 3 1 1 1 1
3 1 1 2 4 1 6 1 1 0 1 7
A = 4 2 1 2 5;B = 4 1 3 2 5;C = 6 4 1
7.
2 3 0 5
1 3 2 3 8 2
1 0 0 2

Université Nangui-Abrogoua 25 Algèbre 2 ECUE 1

1.4. MATRICES CARRÉES PARTICULIÈRES

Remarque 1.4.2 On peut aussi transformer A en In ; en ne manipulant que les colonnes

de A; les opérations correspondantes transforme alors aussi In en A 1 :

Attention : On manipule lignes ou colonnes mais jamais les deux !

2 3
2 3 2 3 2 1 1 1
1 2 1 0 1 2 61 0 0 17
4
Exercice 1.4.2 Calculer l’inverse de A = 4 0 15 ; B = 41 1 25 ; C = 6
40
7:
1 1 25
1 2 2 0 2 3
0 1 1 0

Université Nangui-Abrogoua 26 Algèbre 2 ECUE 1

Chapitre 2

Déterminant

Dans ce chapitre, K désigne Q, R, C.

A toute matrice carrée A 2 Mn (K), on peut associer un unique nombre, appelé
determinant, que l’on notera det(A) ou jAj. La dé…nition mathématique permet, comme
il se doit, de caractériser de façon unique le determinant. Cependant, cette dé…nition ne
donne pas directement une méthode de calcul. C’est pourquoi nous allons ci-dessous donner
directement les méthodes permettant de calculer un determinant de matrices carrées.

2.1 Déterminants 1 1 et 2 2
Dé…nition 2.1.1 i) Soit A 2 M1 (K) une matrice carrée d’ordre 1 (ne contenant donc
qu’un seul cœ¢ cient, A = (a11 ). Alors,
det(A) = a11 :

a b
ii) Considérons la matrice : A = 2 M2 (K). Alors
c d
a b
det(A) = = ad bc:
c d

1 3
Exemple 2.1.1 A =
2 4
1 3
det(A) = = (1 4) (3 2) = 2:
2 4
t 1 2
A=
3 4
1 2
det(t A) = = (1 4) (2 3) = 2:
3 4
2 4
B=
1 3
2 4
det (B) = = (2 3) (4 1) = 2:
1 3

27
2.2. DÉTERMINANT D’ORDRE N > 3

On constate que :
1) Si deux lignes (ou deux colonnes) sont permutées, alors le déterminant est multiplié
par 1:
2) Le déterminant reste inchangé lorsque l’on échange les colonnes et les lignes (dans
le même ordre).

2.2 Déterminant d’ordre n > 3

On se ramène à des calculs de déterminants d’ordres inférieurs à n en développant
suivant une ligne ou une colonne par la méthode des co-facteurs.

2.2.1 Calcul du déterminant par la méthode des co-facteurs

Calcul du déterminant par la méthode des co-facteurs

Proposition 2.2.1 Le determinant d’une matrice triangulaire inférieure ou supérieure

d’ordre n est égal au produit de ses éléments diagonaux.
C’est vrai aussi pour une matrice diagonale.

2 1 7 5
0 6 9 4
Exemple 2.2.1 =2 6 3 1 = 36:
0 0 3 8
0 0 0 1

Dé…nitions

Soit n 2 N et A 2 Mn (K): Notons Ai;j est la matrice carrée de Mn 1 (K) obtenue

en supprimant dans A les i-ème ligne et j-ème colonne.

Dé…nition 2.2.1 - On appelle mineur du cœ¢ cient ai;j de la ième ligne et jème colonne
de A le déterminant de la matrice Ai;j .
- Le co-facteur associé à un élément aij d’une matrice A est le scalaire i;j produit
du mineur associé à cet élément par ( 1)i+j :

i;j = ( 1)i+j det Ai;j 2 K:

Calcul du développement suivant une colonne j (qui est …xée)

Dé…nition 2.2.2 On appelle déterminant de A et on note det A ou jAj l’élément de K

dé…ni par
P
n
det(A) = ai;j i;j :
i=1

Cette formule est dite l’expression du développement du déterminant de A suivant la

colonne j (qui est …xée) de A.

Université Nangui-Abrogoua 28 Algèbre 2 ECUE 1

2.2. DÉTERMINANT D’ORDRE N > 3

Le développement du determinant de
0 1
a1;1 a1;2 a1;3
A = @ a2;1 a2;2 a2;3 A
a3;1 a3;2 a3;3

par rapport à la 1ere colonne de A est

det(A) = a1;1 1;1 + a2;1 2;1 + a3;1 3;1

= a1;1 det A1;1 a2;1 det A2;1 + a3;1 det A3;1 :

Ce qui donne
a1;1 a1;2 a1;3
a2;2 a2;3 a1;2 a1;3 a a
det (A) = a2;1 a2;2 a2;3 = a1;1 a2;1 + a3;1 1;2 1;3 :
a3;2 a3;3 a3;2 a3;3 a2;2 a2;3
a3;1 a3;2 a3;3 | {z } | {z } | {z }
mineur de a1;1 mineur de a2;1 mineur de a3;1

Calcul du développement suivant une ligne i (qui est …xée)

Dé…nition 2.2.3 Le déterminant de A est également donné par les formules :

P
3
det(A) = ai;j i;j :
j=1

L’expression du développement du déterminant de A suivant la ligne i de A:

2 3
1 3 0
Exercice 2.2.1 Calcul de det (A) ; avec A = 4 2 6 4 5:
1 0 2

Solution
En développant suivant la première colonne, on a
1 3 0
6 4 3 0 3 0
det (A) = 2 6 4 = 1 2 1 = 12 12 12 = 12:
0 2 0 2 6 4
1 0 2
En développant suivant la deuxième ligne, on a
1 3 0
3 0 1 0 1 3
det (A) = 2 6 4 = 1 2 +6 1 4 = 12 +
0 2 1 2 1 0
1 0 2
12 12 = 12:

Remarque 2.2.1 Cette formule transforme le calcul d’un déterminant d’ordre n à celui
de n déterminants d’ordre n 1.

Conclusion 2.2.1 Le déterminant de la matrice A est égal à la somme des produits des
éléments d’une rangée de cette matrice par les co-facteurs associés à ces éléments.

Université Nangui-Abrogoua 29 Algèbre 2 ECUE 1

2.2. DÉTERMINANT D’ORDRE N > 3

2.2.2 Intérêt de la méthode des co-facteurs

1) La règle des co-facteurs est valable pour calculer le déterminant de toute matrice
carrée.
2) La règle des co-facteurs est très simple lorsqu’elle est appliquée à une rangée qui
comporte beaucoup d’éléments nuls.

Exemple 2.2.2 Calculons le determinant de

2 3
1 7 5
A=4 2 0 0 5
3 4 6

La rangée comportant le plus de zéros est la deuxième ligne : a2;1 a2;2 a2;3 = 2 0 0 :
La règle des co-facteurs appliquée à cette ligne donne
det(A) = 2 2;1 +0 +0
2;2 2;3
7 5
= 2 ( 1)2+1 = 2 (42 + 20)
4 6
= 124:

2.2.3 Calcul du déterminant par la méthode de SARRUS

La règle suivante, appelée règle de Sarrus, permet de calculer le déterminant des
matrices 3 3. On complète det (A) par les 2 premières colonnes à droite (ou par les 2
premières lignes en bas).

a1;1 a1;2 a1;3 a1;1 a1;2

det (A) = a2;1 a2;2 a2;3 a2;1 a2;2 :
a3;1 a3;2 a3;3 a3;1 a3;2

Rgle de Sarrus

Université Nangui-Abrogoua 30 Algèbre 2 ECUE 1

2.2. DÉTERMINANT D’ORDRE N > 3

Et alors

det (A) = (a1;1 a2;2 a3;3 + a1;2 a2;3 a3;1 + a1;3 a2;1 a3;2 ) (a1;3 a2;2 a3;1 + a1;1 a2;3 a3;2 + a1;2 a2;1 a3;3 ) :

1 2 3
Exemple 2.2.3 Calculer 3 0 1 :
1 4 5

1 2 3 1 2 3 1 2
Solution 2.2.1 3 0 1 = 3 0 1 3 0
1 4 5 1 4 5 1 4
= (0 + 2 + 36) (0 4 30) = 72:
0 1
1 1 1
Exercice 2.2.2 Calculer det @ a b c A ; pour a; b; c 2 R:
a2 b 2 c 2

Solution
0 1 0 1
1 1 1 1 0 0
C !C C1
det @ a b c A 2 =2 det @ a b a c a A
C3 !C3 C1
a2 b 2 c 2 2
a b 2
a c 2 a2
2

b a c a b a c a
= det = det
b2 a2 c 2 a2 (b a)(b + a) (c a)(c + a =
1 1
= (b a)(c a) det
(b + a) (c + a =
= (b a)(c a)(c a): Donc
0 1
1 1 1
det @ a b c A = (b a)(c a)(c b):
a2 b 2 c 2

2.2.4 Propriétés des determinants

Proposition 2.2.2 Soient A et B deux matrices carrées de Mn (R): Alors
(1) Si on intervertit deux lignes de A, on change son determinant en son opposé.
(2) Si on intervertit deux colonnes de A, on change son determinant en son opposé.
(3) Si on remplace une ligne de A par elle-même plus une combinaison linéaire
d’autres lignes, on ne change pas son determinant.
(4) Si on remplace une colonne de A par elle-même plus une combinaison linéaire
d’autres colonnes, on ne change pas son determinant.
(5) Soit 2 R et A 2 Mn (R),alors det( A) = n det(A).
(6) Si on multiplie une ligne (ou une colonne) de A par 6= 0, alors on multiplie son
determinant par .
(7) det(A B) = det(A) det(B):

Université Nangui-Abrogoua 31 Algèbre 2 ECUE 1

2.2. DÉTERMINANT D’ORDRE N > 3

(8) Si A a deux lignes identiques ou proportionnelle, alors det(A) = 0.

(9) Si une ligne de A est combinaison linéaire d’autres lignes, alors det(A) = 0.
(10) Si A a deux colonnes identiques ou proportionnelle, alors det(A) = 0.
(11) Si une colonne de A est combinaison linéaire d’autres colonnes, alors det(A) = 0.
(12) Le determinant d’une matrice et de sa transposée sont égaux : det(A) = det(t A).
Remarque 2.2.2 En général on a det(A + B) 6= det(A) + det(B):
Exercice 2.2.3 Calculer det(A); det(B) et det(C) avec
0 1 0 1 0 1
3 1 6 30 1 6 3 7 6
A = @ 4 2 0 A ; B = @ 40 2 0 A ; C = @ 4 2 0 A
1 0 5 10 0 5 34 72 60

3 1 6
1 6 3 6
det(A) = 4 2 0 = ( 1)3+1 1 +( 1)3+2 0 +( 1)3+3
2 0 4 0
1 0 5
3 1
5 = 38:
4 2
det(B) = 10 det(A):
Pour C; on a L3 = 10L1 + L2 : D’après (9); det(C) = 0:
0 1
144 121 100
Exercice 2.2.4 Calculer det @ 36 33 30 A :
96 99 90
Vous pouvez tenter votre chance avec la règle de Sarrus, mais l’utilisation des opéra-
tions élémentaires conduit à des calculs beaucoup plus simples !
Solution
On a en e¤et
144 121 100 122 112 102 12 11 10
36 33 30 = 12 3 11 3 10 3 = 12 11 10 3 3 3
96 99 90 12 8 11 9 10 9 8 9 9
12 11 10
= 12 11 10 3 1 1 1 :
8 9 9
En retranchant la première colonne aux deux suivantes, on obtient
144 121 100 12 1 2
36 33 30 = 12 11 10 3 1 0 0 :
96 99 90 8 1 1
En développant alors par rapport à la deuxième ligne on obtient
144 121 100
1 2
36 33 30 = 12 11 10 3 1
1 1
96 99 90
= 3960:

Université Nangui-Abrogoua 32 Algèbre 2 ECUE 1

2.2. DÉTERMINANT D’ORDRE N > 3

Conséquence 2.2.1 Soit 2 Sn de signature "; et P la matrice de permutation associée

à : Alors on a
det(P ) = "( ):

Proposition 2.2.3 Pour tous A; B 2 Mn (K); on a

det(A B) = det(B A) = det(A) det(B);

det(t A) = det(A):

Proposition 2.2.4 L’application

det : GLn (K) ! K

A 7 ! det(A)

est un morphisme de groupes.

Preuve 2.2.1 (GLn (K); ) et (K ; ) sont deux groupes et det(AB) = det(A) det(B)
pour tout A; B 2 (GLn (K); ):

Dé…nition 2.2.4 Le noyau du morphisme de groupes det est noté SLn (K), on l’appelle
groupe spécial linéaire d’ordre n:

SLn (K) = fA 2 Mn (K) : det(A) = 1g:

2.2.5 Rang d’une matrice

Dé…nition

Dé…nition 2.2.5 Soient n; p 2 N ; A 2 Mn;p (K): On appelle rang de la matrice A et

on note rg (A) ; l’ordre maximum des matrices carrées de déterminant non nul qu’on peut
extraire de A:

Proposition 2.2.5 Pour toute matrice A 2 Mn;p (K); rg(A) 6 min(n; p).

Remarque 2.2.3 On ne modi…e par le rang d’une matrice en multipliant celle-ci par une
matrice inversible.

Théorème 2.2.1 Soit A 2 Mn (K), on a équivalence entre :

(i) A est inversible ;
(ii) rg(A) = n.
0 1
1 2 3
Exemple 2.2.4 Déterminer le rang de la matrice A = @ 0 3 1 A:
0 0 0

Université Nangui-Abrogoua 33 Algèbre 2 ECUE 1

2.2. DÉTERMINANT D’ORDRE N > 3

Solution
On a det (A) = 0; donc rg (A) < 3: On cherche alors une matrice carrée A0 d’ordre
2 3
2 de determinant non nul. Prenons A0 = ; on a det (A0 ) = 11 6= 0; donc
3 1
rg(A) = 2:

Proposition 2.2.6 - Les opérations élémentaires sur une matrice A; transforme cette ma-
trice en une matrice de même rang que A:
- Le rang d’une matrice triangulaire est égal au nombre d’éléments diagonaux non
nuls.

Calcul du rang par le pivot de Gauss

Les opérations élémentaires sur les lignes d’une matrices sont appelées opérations
élémentaires de Gauss.
A l’aide des opérations élémentaires de Gauss on transforme la matrice de départ en
une matrice triangulaire supérieure de la manière suivante :
1:- Si le cœ¢ cient a11 6= 0; alors on l’utilise pour éléminer tous les autres cœ¢ cients
non nuls de sa colonne.
Si a11 = 0; on échange la ligne L1 avec celle ayant un cœ¢ cient non nul de la colonne
de a11 ; puis on élimine tous les cœ¢ cients en dessous de a11 :
2: On procède de la même manière en utilisant a22 sur la colonne 2 et ainsi de suite
jusqu’à la dernière colonne, alors le nombre de lignes non nulles est le rang de la matrice
initiale.

Exemple
0 1 Déterminer à l’aide du pivot de Gauss le rang de la matrice A =
2.2.5
2 5 1
B 3 0 6 C
B C:
@ 1 4 6 A
1 2 0

Remarquons que A 2 M4;3 (R) donc rg (A) 6 3: On a

0 1 0 1 0 1
2 5 1 1 2 0 1 2 0
B 3 0 C B
6 C L1 !L4 B 3 0 C B
6 C L2 L2 3L1 B 0 6 6 C
B C
@ 1 4 6 A @ 1 4 6 A L3 L3 +L1 @ 0 6 6 A
L4 L4 2L1
1 2 0 2 5 1 0 1 1
0 1 0 1
1 2 0 1 2 0
L2 !L4 B
B 0 1 1 C L3 L3 6L2 B 0 1 1 C
C B C:
@ 0 6 6 A L3 L3 +6L2 @ 0 0 0 A
0 6 6 0 0 0
0 1
1 2 0
B 0 1 1 C
Donc rg (A) = rg B C
@ 0 0 0 A = nombre d’éléments diagonaux non nuls = 2:
0 0 0

Université Nangui-Abrogoua 34 Algèbre 2 ECUE 1

2.2. DÉTERMINANT D’ORDRE N > 3
2 3
1 3 2 5 4
6 1 1 3 2 1 7
Exercice 2.2.5 Déterminer le rang de la matrice A = 6
4 1
7:
1 4 1 1 5
2 1 2 4 5

Rang dépendant d’un paramètre

Pour déterminer le rang d’une matrice dépendant d’un paramètre, on cherche à cal-
culer celui-ci de la façon la plus générale possible avant de traiter les valeurs particulières
des paramètres.

Exemple 2.2.6 Déterminons en fonction de m 2 R; le rang de

0 1
1 2 1
M= @ 1 m 2 A:
m 1 2
0 1 0 1
1 2 1 1 2 1
rgM = rg @ 0 m 2 1 A = rg @ 0 m 2 1 A:
0 1 2m 2 m 0 1 2m 2 m
En échangeant les deux dernières colonnes
0 1 0 1
1 1 2 1 1 2
rgM = rg @ 0 1 m 2 A = rg @ 0 1 m 2 A:
0 2 m 1 2m 0 0 (m 1)(m 5)
On en déduit

3 si m 2
= f1; 5g
rgM = :
2 si m 2 f1; 5g

Exercice 2.2.6 Déterminer le rang de la matrice B suivant les valeurs de m:

2 3
3 1 1
6 1 1 m 7
B=6 4 3
7 2 M4;3 (R) :
4 4 5
0 4 0

2.2.6 Application : inversion d’une matrice par la méthode de la

matrice adjointe
Cette deuxième méthode est aussi appelée méthode des co-facteurs.

Dé…nition 2.2.6 On appelle comatrice de A 2 Mn (K); la matrice notée com(A) dont

les cϢ cients sont les co-facteurs de A:

Université Nangui-Abrogoua 35 Algèbre 2 ECUE 1

2.2. DÉTERMINANT D’ORDRE N > 3

Matrice carrée d’ordre 2

a c d b
Soit A = ; alors com(A) = :
b d c a

a c
Proposition 2.2.7 Soit A = 2 M2 (K): Si ad bc 6= 0, alors A est inversible et
b d

1 1 d b 1 d c
A = = :
ad bc c a det A b a

Matrice carrée d’ordre n > 3:

Proposition 2.2.8 La matrice A 2 Mn (K) est inversible si et seulement si det(A) 6= 0.

Et l’on a alors :
1 1
A 1= t
(com(A)) = com( t A):
det(A) det(A)

La transposée t (com(A)) est appelée la matrice adjointe de A notée adj(A): Ainsi

1 1
A = adj(A):
det(A)

Méthodologie
1: Calculer le determinant de la matrice A à inverser.
Si det(A) = 0; alors la matrice A n’est pas inversible
Si det(A) 6= 0; alors la matrice A est inversible.
2: Ecrire la matrice des co-facteurs.
3: Transposer la matrice des co-facteurs. On obtient la matrice adjointe adj(A):
4: La matrice inverse est donnée par
1 1
A = adj(A):
det(A)

Remarque 2.2.4 Le signe de ( 1)i+j est donné par le tableau suivant

0 1
+ + ::: ( 1)1+n
B + C
B .. C
B C
B + + . C:
B . .. C
@ .. . A
n+1
( 1) +

Exemple 2.2.7 Véri…er que les matrices A et M sont inversibles puis calculer leurs in-
verses. 2 3 2 3
1 0 1 2 3 4
A=4 3 1 5 5; M = 4 0 4 2 5:
2 3 6 1 1 5

Université Nangui-Abrogoua 36 Algèbre 2 ECUE 1

2.2. DÉTERMINANT D’ORDRE N > 3

Solution
Pour la matrice A
1: Calcul de det (A)
En développant par rapport à la première ligne, on a
1 0 1
1 5 3 1
det (A) = 3 1 5 = 1 ( 1)1+1 +0+( 1) ( 1)1+3 =
3 6 2 3
2 3 6
2 6= 0; donc la matrice A est inversible.
2: Calcul de A 1
Calculons les 9 cofacteurs de A
1+1 1 5
1;1 = ( 1) = 9;
3 6
3 5
1;2 = ( 1)1+2 = 8;
2 6
3 1
1;3 = ( 1)1+3 = 7;
2 3
0 1
2;1 = ( 1)2+1 = 3;
3 6
1 1
2;2 = ( 1)2+2 = 4;
2 6
1 0
2;3 = ( 1)2+3 = 3;
2 3
0 1
3;1 = ( 1)3+1 = 1;
1 5
1 1
3;2 = ( 1)3+2 = 2;
3 5
1 0
3;3 = ( 1)3+3 = 1:
3 1
2 32 3
9 8 7 9 3 1
Donc com(A) = 4 3 4 5 t
3 et com ( A) = 4 8 4 2 5 = Adj(A):
1 2 1 7 3 1
On véri…e que
2 3 2 3 2 3
9 3 1 1 0 1 1 0 0
14
8 4 2 5 4 3 1 5 5 = 4 0 1 0 5:
2
7 3 1 2 3 6 0 0 1
Donc 2 3
9 3 1
1
A 1= 4 8 4 2 5:
2
7 3 1
Pour la matrice M
1: Calcul de det (M )

Université Nangui-Abrogoua 37 Algèbre 2 ECUE 1

2.2. DÉTERMINANT D’ORDRE N > 3

2 3 4 0 5 14
L1 L1 2L3 5 14
det (M ) = 0 4 2 0 4 2 = 1 ( 1)3+1 =
4 2
1 1 5 1 1 5
46 6= 0; donc la matrice M est inversible.
2: Calcul de M 1
Calculons les 9 cofacteurs de M
1+1 4 2
1;1 = ( 1) = 18;
1 5
0 2
1;2 = ( 1)1+2 = 2;
1 5
0 4
1;3 = ( 1)1+3 = 4;
1 1
3 4
2;1 = ( 1)2+1 = 11;
1 5
2 4
2;2 = ( 1)2+2 = 14;
1 5
2 3
2;3 = ( 1)2+3 = 5;
1 1
3 4
3;1 = ( 1)3+1 = 10;
4 2
2 4
3;2 = ( 1)3+2 = 4;
0 2
2 3
3;3 = ( 1)3+3 = 8:
0 4
2 3 2 3
18 2 4 18 11 10
Donc com(A) = 4 11 14 5 5 et t com(M ) = 4 2 14 4 5:
10 4 8 4 5 8
On véri…e que
2 3 2 3 2 3
18 11 10 2 3 4 1 0 0
1 4
2 14 4 5 4 0 4 2 5 = 4 0 1 0 5:
46
4 5 8 1 1 5 0 0 1
Donc 2 3
18 11 10
1 4
M 1
= 2 14 4 5:
46
4 5 8

Université Nangui-Abrogoua 38 Algèbre 2 ECUE 1

Chapitre 3

Systèmes de n équations linéaires à p

inconnues sur K

Dans ce chapitre, K désigne Q, R ou C.

3.1 Théorie des systèmes linéaires

3.1.1 Dé…nitions
Dé…nition 3.1.1 On appelle équation linéaire à p inconnues à cœ¢ cients dans
K toute équation de la forme

a1 x1 + a2 x2 + ::: + ap xp = b; (3.1.1)

où a1 ; :::; ap et b sont des éléments donnés de K et x1 ; :::; xp sont des inconnues à

chercher dans K:
a1 ; :::; ap sont les cϢ cients de (3:1:1) :

a1 x1 + a2 x2 + ::: + ap xp

est le premier membre de (3:1:1) :

b est le second membre de (3:1:1) :
On appelle système de n équations linéaires à p inconnues sur K toute famille de
n équations linéaires à p inconnues sur K; notée
8
>
> a1;1 x1 + a1;2 x2 + ::: + a1;p xp = b1
>
< a2;1 x1 + a2;2 x2 + ::: + a2;p xp = b2
(S) : .. .. .. :
>
> . ::: . .
>
: a x + a x + :::
n;1 1 n;2 2 + an;p xp = bn

Les ai;j : 1 6 i 6 n; 1 6 j 6 p et les bi : 1 6 i 6 n sont des éléments de K.

On appelle solution de (S) tout p-uplet (x1 ; :::; xp ) 2 Kp véri…ant (S) :

39
3.1. THÉORIE DES SYSTÈMES LINÉAIRES

Deux systèmes linéaires (S1 ) et (S2 ) sont dits équivalents si, et seulement si (S1 )
et (S2 ) ont le même ensemble de solutions.
La matrice 0 1
a1;1 a1;2 ::: a1;p
B a2;1 a2;2 ::: a2;p C
B C
A = B .. .. . . .. C 2 Mn (K);
@ . . . . A
an;1 an;2 ::: an;p
est appelée la matrice de (S) :
0 1 0 1
x1 b1
B x2 C B b2 C
B C B C
En posant X = B .. C et b = B .. C ; l’écriture
@ . A @ . A
xp bn
0 10 1 0 1
a1;1 a1;2 ::: a1;p x1 b1
B a2;1 a2;2 ::: a2;p CB x2 C B b2 C
B CB C B C
AX = b () B .. .. .. .. CB .. C=B .. C
@ . . . . A@ . A @ . A
an;1 an;2 ::: an;p xp bn

est dite écriture matricielle du système linéaire (S) :

Le rang de la matrice A est le rang du système linéaire (S) et (A j b) est la matrice
élargie de (S) :
Par dé…nition, résoudre (S) c’est déterminer l’ensembles des solutions de (S) :

3.1.2 Di¤érents types de systèmes linéaires

Voici un résultat théorique important pour les systèmes linéaires.

Théorème 3.1.1 Un système d’équations linéaires n’a soit aucune solution, soit une seule
solution, soit une in…nité de solutions.

En particulier, si vous trouvez 2 solutions di¤érentes à un système linéaire, alors c’est

que vous pouvez en trouver une in…nité !

Dé…nition 3.1.2 Un système linéaire qui n’a aucune solution est dit incompatible.

3.1.3 Système linéaire homogène

Dé…nition 3.1.3 Si b1 = b2 = ::: = bn = 0; on dit que le système linéaire (S) est
homogène.
Le système
8
>
> a1;1 x1 + a1;2 x2 + ::: + a1;p xp = 0
>
< a2;1 x1 + a2;2 x2 + ::: + a2;p xp = 0
(S 0 ) : .. .. ..
>
> . ::: . .
>
: a x + a x + ::: + a x = 0
n;1 1 n;2 2 n;p p

Université Nangui-Abrogoua 40 Algèbre 2 ECUE 1

3.2. MÉTHODES DE RÉSOLUTION

est appelé le système linéaire homogène associé à (S) :

De tels systèmes sont toujours compatibles car ils admettent toujours la solution
x1 = x2 = ::: = xp = 0. Cette solution est appelée solution triviale.

3.2 Méthodes de résolution

3.2.1 Opérations sur les équations d’un système
Nous allons utiliser trois opérations élémentaires sur les équations (c’est-à-dire sur
les lignes) qui sont :
1: Li Li avec 6= 0 : on peut multiplier une équation par un élément non nul
de K.
2: Li Li + Lj avec i 6= j : on peut ajouter à l’équation Li un multiple d’une
autre équation Lj:
3: Li ! Lj : on peut échanger deux équations.
Ces trois opérations élémentaires ne changent pas les solutions d’un système linéaire ;
autrement dit ces opérations transforment un système linéaire en un système linéaire dit
échélonné équivalent, facile à manipuler .

3.2.2 Exemples
Exemple 3.2.1 Résoudre le système linéaire suivant
8
< 2x + y z = 0
(S) : x y + 3z = 1 :
:
x + y + z = 2

Faisons les opérations élémentaires sur la matrice élargie de (S) :

0 1 0 1 0 1
2 1 1 0 1 1 3 1 1 1 3 1
L1 L2 L L2 +L1
@ 1 1 3 1 A @ 1 1 1 2 A 2 @ 0 0 4 3 A
L3 L1 L3 L3 2L1
1 1 1 2 2 1 1 0 0 3 7 2
0 1
1 1 3 1
L2 !L3
@ 0 3 7 2 A:
0 0 4 3
La dernière ligne est équivalente à
3
4z = 3 =) z = :
4

La deuxième ligne nous donne

3 13
3y 7z = 3y 7 = 2 =) y = :
4 12

Université Nangui-Abrogoua 41 Algèbre 2 ECUE 1

3.2. MÉTHODES DE RÉSOLUTION

Et en…n avec la première ligne, nous avons

13 3 1
x y + 3z = 1 = x +3 =) x =
12 4 6

L’ensemble des solutions dans R3 est

1 13 3
SR3 = ; ; :
6 12 4

Exercice 3.2.1 Resoudre (S)

8
< x1 + 2x2 + 5x3 = 9
(S) : x1 x2 + 3x3 = 2 :
:
3x1 6x2 x3 = 25

Les opérations élémentaires sur la matrice élargie de (S) nous conduisent à

0 1 0 1 0 1
1 2 5 9 1 2 5 9 1 2 5 9
L L2 L1 L L3 4L2
@ 1 1 3 2 A 2 @ 0 3 2 11 A 3 @ 0 3 2 11 A
L3 L3 3L1
3 6 1 25 0 12 16 52 0 0 8 8
La dernière ligne est équivalente à

8x3 = 8 =) x3 = 1:

La deuxième ligne nous donne

3x2 2x3 = 11 =) x2 = 3:

Et en…n avec la première ligne, nous avons

x1 + 2x2 + 5x3 = 9 =) x1 = 2:

L’ensemble des solutions dans R3 est

SR3 = f(2; 3; 1)g :

Exercice 3.2.2 Resoudre (S)

8
>
> x1 5x2 8x3 + x4 = 3
<
3x1 + x2 3x3 5x4 = 1
(S) : :
>
> x1 7x3 + 2x4 = 5
:
11x2 + 20x3 9x4 = 2

Les opérations élémentaires sur la matrice élargie de (S) nous conduisent à

0 1 0 1
1 5 8 1 3 1 5 8 1 3
B 3 1 3 5 1 C B 8 C
B C L2 L2 3L1 B 0 16 21 8 C
@ 1 0 7 2 5 A L3 L3 L1 @ 0 5 1 1 8 A
0 11 20 9 2 0 11 20 9 2

Université Nangui-Abrogoua 42 Algèbre 2 ECUE 1

3.2. MÉTHODES DE RÉSOLUTION
0 1 0 1
1 5 8 1 3 1 5 8 1 3
B
L2 !L3 B 0 5 1 1 C B
8 C L3 !5L3 16L2 B 0 5 1 1 8 C
C
@ 0 16 21 8 8 A L4 !5L4 11L2 @ 0 0 89 56 88 A
0 11 20 9 2 0 0 89 56 98
0 1
1 5 8 1 3
B
L4 !L4 L3 B 0 5 1 1 8 C
C:
@ 0 0 89 56 88 A
0 0 0 0 10
La dernière ligne donne une équation incompatible : 0 = 10, donc

SR4 = ?:

3.2.3 Méthode de Cramer

Un système d’équations linéaires de n équations avec n inconnues AX = b; peut être
resolu à l’aide des déterminants lorsque det (A) 6= 0:

Dé…nition-Théorème

Dé…nition 3.2.1 On appelle système de Cramer d’ordre n; tout système à n équa-

tions, n inconnues et de rang n:

Remarque 3.2.1 La matrice associée à un système de Cramer est une matrice carrée
inversible.

Théorème 3.2.1 Un système de Cramer possède une et une seule solution.

Preuve 3.2.1 L’équation matricielle associée à un système de Cramer d’ordre n est de la

forme AX = B avec A 2 GLn (R) et B 2 Mn;1 (R): Cette équation possède une unique
solution X = A 1 B:

Remarque 3.2.2 La méthode du pivot s’applique aux systèmes de Cramer et permet de

déterminer l’unique solution. Cependant, si on sait préalablement que le système étudié est
de Cramer, on peut le résoudre plus e¢ cacement :
- en déterminant une solution évidente ;
- ou en déterminant sa solution par des combinaisons judicieuses d’équations.

Exemple 3.2.2 On donne (S)

8
< x1 + 2x2 + 5x3 = 9
(S) : x1 x2 + 3x3 = 2 :
:
3x1 6x2 x3 = 25

Les opérations élémentaires sur la matrice élargie de (S) nous conduisent à

Université Nangui-Abrogoua 43 Algèbre 2 ECUE 1

3.2. MÉTHODES DE RÉSOLUTION
0 1 0 1 0 1
1 2 5 9 1 2 5 9 1 2 5 9
L L2 L1 L L3 4L2
@ 1 1 3 2 A 2 @ 0 3 2 11 A 3 @ 0 3 2 11 A
L3 L3 3L1
3 6 1 25 0 12 16 52 0 0 8 8
2 3
1 2 5
Le rang de la matrice A = 4 1 1 3 5 associée à (S) est 3; donc (S) est un
3 6 1
système de Cramer.
Exemple 3.2.3 On considère (S)
8
> x1
>
<
5x2 8x3 + x4 = 3
3x1 + x2 3x3 5x4 = 1
(S) : :
>
> x1 7x3 + 2x4 = 5
:
11x2 + 20x3 9x4 = 2
Les opérations élémentaires sur la matrice élargie de (S) nous conduisent à
0 1 0 1
1 5 8 1 3 1 5 8 1 3
B 3 1 3 5 1 C B 8 C
B C L2 L2 3L1 B 0 16 21 8 C
@ 1 0 7 2 5 A L3 L3 L1 @ 0 5 1 1 8 A
0 11 20 9 2 0 11 20 9 2
0 1 0 1
1 5 8 1 3 1 5 8 1 3
L2 !L3 B
B 0 5 1 1 8 C L3 !5L3 16L2 B 0 5
C B 1 1 8 C
C
@ 0 16 21 8 8 A L4 !5L4 11L2 @ 0 0 89 56 88 A
0 11 20 9 2 0 0 89 56 98
0 1
1 5 8 1 3
B
L4 !L4 L3 B 0 5 1 1 8 C
C:
@ 0 0 89 56 88 A
0 0 0 0 10
On a rg (A) = 3; donc le système (S) n’est pas de Cramer.
Théorème 3.2.2 Un système linéaire AX = b de n équations à n inconnues admet une so-
lution unique si, et seulement si il est de Cramer et dans ce cas, l’unique solution (x1 ; :::; xn )
de Kn est obtenue par : 0 1 0 1
x1 b1
B .. C 1B . C
@ . A = A @ .. A ;
xn bn
où 0 1 0 1
x1 b1
B C B .. C :
X = @ ... A et b = @ . A
xn bn

Résolution d’un système de Cramer : Formule de Cramer

0 1 0 1
x1 b1
B C B C
Soit AX = b; où X = @ ... A et b = @ ... A un système de Cramer.
xn bn

Université Nangui-Abrogoua 44 Algèbre 2 ECUE 1

3.2. MÉTHODES DE RÉSOLUTION

Pour tout i 2 f1; :::; ng ; notons Ai la matrice obtenue à partir de la matrice A en y

remplaçant la i-ème colonne par colonne b du second membre du système. Alors
det (Ai )
xi = 1 6 i 6 n:
det (A)

Remarque 3.2.3 La formule de Cramer est limitée car elle ne s’applique qu’aux systèmes
carrés.

3.2.4 Exemples
Exercice 3.2.3 Résoudre dans R3
8
< 2x + y 2z = 10
(S) : 3x + 2y + 2z = 1 :
:
5x + 4y + 3z = 4
0 1
2 1 2
La matrice associée à (S) est A = @ 3 2 2 A avec det (A) = 7 6= 0 donc (S) est
5 4 3
un système de Cramer. Et
10 1 2 2 10 2
1 2 2 3 1 2
det (A1 ) 4 4 3 det (A2 ) 5 4 3
x = = = 1; y = = = 2; z =
det (A) 7 det (A) 7
2 1 10
3 2 1
det (A3 ) 5 4 4
= = 3:
det (A) 7
L’ensemble des solutions dans R3 est

SR3 = f(1; 2; 3)g :

Exercice 3.2.4 Résoudre dans R3

8
< x 2y + z = 3
(S) : 2x y + z = 1 :
:
x y + z = 0
0 1
1 2 1
La matrice associée à (S) est A = @ 2 1 1 A avec det (A) = 3 6= 0 donc la
1 1 1
matrice A est inversible et (S) est de Cramer.
Calculons l’inverse A 1 de A:
0 1
0 1 1
1 1
A 1
= com t A = @ 3 2 1 A:
det (A) 3
3 3 3

Université Nangui-Abrogoua 45 Algèbre 2 ECUE 1

3.2. MÉTHODES DE RÉSOLUTION

Calculons x; y; z
(S) est de Cramer et l’unique solution x; y; z est
0 1
0 1 0 1 0 10 1 1
x b1 0 1 1 3 B 3 C
@ y A=A 1 @ b2 A = 1 @ 3 2 1 A @ 1 A B
=B 7 C
C:
3 @ 3 A
z b3 3 3 3 0
2
L’ensemble des solutions dans R3 est
1 7
SR3 = ; ; 2 :
3 3

Exercice 3.2.5 Résoudre :

8
< x + y + z = 1
(S) : x y = 2 :
:
y + 2z = 1

Solution
0Méthode de Gauss 1 : 0 1 0 1
1 1 1 1 1 1 1 1 1 1 1 1
@ 1 1 0 2 A @ 0 2 1 1 A @ 0 1 2 1 A
L2 L2 L1 L3 !L2 L3 L3 +2L2
0 0 1 1 2 1 0 1 2 1 0 2 1 1
1 1 1 1
@ 0 1 2 1 A:
0 0 3 3
La dernière ligne donne : z = 1:
Dans la seconde, on obtient : y + 2z = 1 =) y = 1:
En…n la première ligne nous donne : x + y + z = 1 =) x = 1:
L’unique solution de (S) est donc (1, -1, 1).
Méthode2de Cramer 3 :
1 1 1 1 1 1
Soit M = 14 5
1 0 la matrice associée à (S): On a det M = 1 1 0 =
L2 L2 L1
0 1 2 0 1 2
1 1 1
2 1
0 2 1 = = 4 + 1 = 3 6= 0:
1 2
0 1 2
Le système (S) est de Cramer, il admet une seule solution qui est :
0 1
1 1 1 1 1 1 1 1 1
@ 1 2 1 0 ;
1
1 2 0 ;
1
1 1 2 A = (1; 1; 1):
3 3 3
1 1 2 0 1 2 0 1 1

Application : Inversion d’une matrice-Exemples

Troisième méthode :

Université Nangui-Abrogoua 46 Algèbre 2 ECUE 1

3.2. MÉTHODES DE RÉSOLUTION

1
Soit à calculer l’inverse A de la matrice carrée A:
Posons 0
1 0 0 1
x x
X= @ y A et Y = @ y0 A :
z z0
Alors la matrice A est inversible si et seulement si,

AX = Y () X = A 1 Y:

Il s’agira de déterminer x; y et z en fonction de x0 ; y 0 et z 0 :

Exercice 3.2.6 Calculer l’inverse de

2 3
1 3 1
A = 42 5 45 :
3 4 3
2 30 1 0 0 1
1 3 1 x x
AX = Y () 2 4 5 45 @ y A = @ y0 A
3 4 3 z z0
2 3 2 0 3
x 3y + z x
() 2x4 5y 4z = y 0 5
5 4
3x 4y + 3z z0
8
< x 3y + z = x0
() (S) : 2x 5y 4z = y 0 :
:
3x 4y + 3z = z 0
Considérons la matrice augmentée ci-dessous obtenue à partir du système (S) :
0 1 0 1
1 3 1 x0 1 3 1 x0
L L2 2L1
@ 2 5 4 y0 A 2 @ 0 1 6 y 0 2x0 A :
L 3 L 3 3L1
3 4 3 z0 0 5 0 z 0 3x0
On a
L3 donne
1
5y = z 0 3x0 =) y = ( 3x0 + z 0 ) :
5
L2 donne
1
y 6z = y0 2x0 =) 6z = ( 3x0 + z 0 ) y 0 + 2x0
5
1
=) z = (7x0 5y 0 + z 0 ) :
30
Et dans L1 : x 3y + z = x0 on aboutit à
3 1
x = ( 3x0 + z 0 ) (7x0 5y 0 + z 0 ) = x0
5 30
1
=) x = ( 31x0 + 5y 0 + 17z 0 ) :
30
Université Nangui-Abrogoua 47 Algèbre 2 ECUE 1
3.2. MÉTHODES DE RÉSOLUTION

D’où 0 1 0 10 0 1
x 31 5 17 x
@ A 1 @ A @
X= y = 18 0 6 y 0 A = A 1 Y:
30
z 7 5 1 z0
On véri…e que
2 3 0 1 2 3
1 3 1 31 5 17 1 0 0
42 1 @
5 45 18 0 6 A = 40 1 05 :
30
3 4 3 7 5 1 0 0 1
Donc 0 1
31 5 17
1 @
A 1= 18 0 6 A :
30
7 5 1

Exercice 3.2.7 -Inversion d’une8matrice-

< x + y + z = a
On considère le système (S) : 2x + y + 3z = b ; a; b; c 2 R:
:
x y + 2z = c
1: Déterminer la matrice A du système (S):
2: Justi…er que la matrice A est inversible.
3: a) Exprimer x; y; z en fonction de a; b; c:
b) En déduire la matrice A 1 :

Résolution
1: La2matrice A 3
1 1 1
A=4 2 1 3 5
1 1 2
2: Justi…ons que la matrice A est inversible
Calculons det A
1 1 1
det A = 2 1 3 = 1 6= 0; donc la matrice A est inversible.
1 1 2
3: Expression de x; y; z en fonction de a; b et c
2 3 2 3
1 1 1 a 1 1 1 a
L L2 2L1
4 2 1 3 b 5 2 4 0 1 1 b 2a 5
L3 L3 L1
1 1 2 c 0 2 1 c a
2 3
1 1 1 a
4 0 1 1 b 2a 5:
L3 L3 2L2
0 0 1 (c a) 2(b 2a) = 3a 2b + c
La troisième ligne nous donne
z = 3a 2b + c =) z = 3a + 2b c:
Dans la seconde ligne, on obtient
y + z = y + ( 3a + 2b c) = b 2a =) y = a + b c:
Dans la première ligne, on obtient

Université Nangui-Abrogoua 48 Algèbre 2 ECUE 1

3.2. MÉTHODES DE RÉSOLUTION

x+y+z =x+( a+b c) + ( 3a + 2b c) = a

8
< x = 5a 3b + 2c
=) x = 5a 3b + 2c: D’où y = a + b c :
:
z = 3a + 2b c
Soit
0 1 0 10 1
x 5 3 2 a
@ y A=@ 1 1 1 A@ b A:
z 3 2 1 c

b) Déduction la matrice A 1
On a0 1 2 30 1 0 1
5 3 2 1 1 1 5 3 2 1 0 0
A @ 1 1 1 A=4 2 1 3 5@ 1 1 1 A = @ 0 1 0 A:
3 2 1 1 1 2 3 2 1 0 0 1
Donc 0 1
5 3 2
A 1
=@ 1 1 1 A:
3 2 1

Exercice 3.2.8 Résoudre dans R4

8
>
> x1 + x2 + 2x3 + x4 = 1
<
x1 + 4x2 + 5x3 + 2x4 = 1
(S) : :
>
> 2x1 x2 + x3 + x4 = 4
:
7x1 + 4x2 + 11x3 + 6x4 = 9

Université Nangui-Abrogoua 49 Algèbre 2 ECUE 1