Chapitre 3: Déterminant et

inversion de matrices

Determinant pour une matrice 2 × 2 :

a b 
Si A =   le determinant de A est
c d 

det (A): = ad − cb
 Matrices d’ordre n
Le déterminant est noté det(A) ou encore A .
• Méthode des cofacteurs
La méthode consiste à se ramener à des
déterminants d’ordre inférieur jusqu’à obtenir
des déterminants d’ordre 2. Pour cela, on
développe le déterminant par rapport à une
ligne ou une colonne.
On considère une matrice n × n :
 a11 L a1 j L a1n 
a L a L a 
 21 2j 2n

A= M M M 
 
 
an1 anj L ann 

Développement par rapport à la colonne j :

n
det( A) = ∑ (−1)i + j aij ∆ ij
i =1

∆ ij est le déterminant de la matrice d' ordre (n - 1) × (n - 1) extrait de A

en enlevant la ième ligne et la jème colonne.
On considère une matrice n × n :
 a11 L a1i L a1n 
M M M 
 
A =  ai1 aij ain 
 
 M M M 
an1 ani L ann 

Développement par rapport à la ligne i :

n
det( A) = ∑ (−1)i + j aij ∆ ij
j =1

∆ ij est le déterminant de la matrice d' ordre (n - 1) × (n - 1) extrait de A

en enlevant la ième ligne et la jème colonne.
Le nombre ∆ij s' appelle les mineurs de a ij .

Le nombre (-1 )i + j ∆ij est le cofacteur de a ij .

La répartition des signes devant les mineurs (-1 )i + j est alternée

Pour une matrice 5 × 5 :
+ − + − +
− + − + −
 
+ − + − +
 
− + − + −
+ − + − + 
 Exemple
On considère une matrice 3 × 3 :
1 2 3
A =  4 5 6
 
7 8 9
On développe par rapport a la première ligne :
5 6 4 6 4 5
det( A) = (− 1) 1 + (− 1) 2 + (− 1) 3
1+1 1+ 2 1+ 3

8 9 7 9 7 8
 5 6 4 6 4 5
det( A) = (− 1) 1 + (− 1) 2 + (− 1) 3
1+1 1+ 2 1+ 3

8 9 7 9 7 8
5 6 4 6 4 5
= −2 +3
8 9 7 9 7 8
= (5 × 9 − 8 × 6 ) − 2(4 × 9 − 7 × 6 ) + 3(4 × 8 − 7 × 5)
= −3 − 2 × −6 + 3 × −3
= −3 + 12 − 9
=0

donc det( A) = 0.
 Exemple (bis)
On considère une matrice 3 × 3 :
1 2 3
A = 4 5 6
 
7 8 9
On développe par rapport a la première colonne :
5 6 2 3 2 3
det( A) = (− 1) 1 + (− 1) 4 + (− 1) 7
1+1 1+ 2 1+ 3

8 9 8 9 5 6
 Exemple (bis-bis)
On considère une matrice 3 × 3 :
1 2 3 
A =  4 5 6
 
7 8 9
On développe par rapport a la deuxième colonne :
4 6 2+ 2 1 3 2+3 1 3
det( A) = (− 1) + (− 1) 5 + (− 1) 8
2 +1
2
7 9 7 9 4 6
 Exemple (bis-bis +)
On considère une matrice 3 × 3 :
1 0 3 
A = 4 5 6
 
7 0 9
On développe par rapport a la deuxième colonne :
4 6 1 3 1 3
det( A) = (− 1) 0 + (− 1) 5 + (− 1) 0
2 +1 2+ 2 2+3

7 9 7 9 4 6
1 3
=5 = 5(1 × 9 − 7 × 3)
7 9
• Théorème: Une matrice carré (n,n) est
inversible si et seulement si sont déterminant
est non nul.

Autrement dit : Il existe une (et une seule) matrice A -1 telle que
A-1 A = AA-1 = I
⇔
det( A) ≠ 0.

Tout le problème est alors de calculer A-1!

Propriétés du déterminant
Matrices triangulaires :
a11 * **
0 a22 * * 
det   = a11a22 L ann
M O O *
 
0 L 0 ann 

Transposé : det (At ) = det (A)

Produit de matrices : det (AB) = det (A) det (B)

1
Inverse d' une matrice : det (A-1 ) =
det (A)

Produit par un nombre : det (λA) = λn det (A)

Formule d’inversion de matrice
Cofacteurs :
[B11 ] M [B ]
12

A =  L aij L
 
[B21 ] M [B22 ]

Le cofacteur ∆ ij de a ij de la matrice A est :

[ ]
ˆ∆ ij = (-1)i + j det  B11
[B ]
12
[B ] [B ]
 21 22

ou les matrices [Bij ] sont des matrices.

 [ ]
On note cof(A) = ∆ˆij la matrice des cofacteurs

Theorem : Pour toute matrice n × n inversible A,

la matrice inverse est donnée par :

1
A =
−1
cof(A)T .
det( A)
 Exemple
On considère la matrice :
− 3 5 6 
A = −1 2 2 
 
 1 − 1 − 1

On a

det( A) = −1
 − 3 5 6 
A = −1 2 2 
 
 1 − 1 − 1

La matrice des co facteur de A :

 2 2 −1 2 −1 2 
 − 
 −1 −1 1 −1 1 −1 
 5 6 −3 6 −3 5 
cof(A) = − −
−1 −1 1 −1 1 −1
 
 5 6 −3 6 −3 5 
 2 −
 2 −1 2 − 1 2 
  2 2 −1 2 −1 2 
 − 
 −1 −1 1 −1 1 −1 
0 1 − 1
 5 6 −3 6 −3 5   
cof(A) = − − = − 1 − 3 2
−1 −1 1 −1 1 −1  
  − 2 0 − 1
 5 6 −3 6 −3 5  
 2 −
 2 −1 2 −1 2 

donc
T
0 1 − 1  0 − 1 − 2
cof(A)T =  − 1 − 3 2  =  1 − 3 0 
   
− 2 0 − 1 − 1 2 − 1 

Enfin (comme det( A) = −1)

0 1 2
cof(A)T = − 1 3 0
1
A−1 =
det( A)  
 1 − 2 1
 vérification

0 1 2 − 3 5 6  1 0 0
 − 1 3 0   − 1 2 2  = 0 1 0 
    
 1 − 2 1   1 − 1 − 1 0 0 1

et

− 3 5 6   0 1 2 1 0 0
 − 1 2 2   − 1 3 0  = 0 1 0 
    
 1 − 1 − 1  1 − 2 1  0 0 1
Inversion de matrices diagonales
a11 0 L 0 
0 a O M 
Si A = diag (a11 , a22 ,..., ann ) =  22

M O O 0
 
 0 L 0 ann 

est une matrice diagonale, on a :

det(A) = a11 × a22 × ... × ann .

et si det(A) ≠ 0, on a
1 
a 0 L0 
 11 
0 1
1 1 1 O M 
A = diag ( , ,..., ) = 
−1
a22 
a11 a22 ann  M O O 0 
 1 
0 L 0 
 ann 
 Inversion via la résolution de
systèmes triangulaires
3 2 
On considère A =  . On a :
0 1 

1 2 1 2  y   x 
 x1   y1  3 x1 + 2 x2 = y1  1 y − y2 = x1 −
A  =   ⇔  ⇔ 3 3 ⇔ 3   1

3    =  1

 x2   y2   x2 = y2  y2 = x2  0 1  y2   x2 
 

On a
1 2
− 
A−1 =  3 3
0 1 
 
 3 1 1
On considère A = 0 2 1. On a :
 
0 0 1

 x1   y1  3 x1 + x2 + x3 = y1
    
A x2  =  y2  ⇔ 2 x2 + x3 = y2
 x   y  x = y
 3  3  3 3

1 1 1 1 1 1 1 1 1 1  1
 3 y1 − 3 x2 − 3 x3 = x1  3 y1 − 3 x2 − 3 x3 = x1  3 1 3  2 2 2 y3  − 3 y3 = x1
y − y −
  
 
1 1 1 1 1 1
⇔  y2 − x3 = x2 ⇔  y 2 − y3 = x2 ⇔  y 2 − y3 = x2
2 2 2 2 2 2
 y3 = x3  y3 = x3  y3 = x3
  
  

On a
1 1 1
3 − − 
6 6
 1 1
A−1 =  0 − .
 2 2
0 0 1 
 
 Méthode du pivot de Gauss
sur un exemple
On applique une série de transformations linéaires
à une matrice de telle sorte que l' on transforme A et I
et I et A -1.
En effet
T [ A; I ] = [ I , X ]
signifie que TA = I ⇒ T = A-1
et T = X = A-1.
 Exemple
 2 −1 0
 
A =  4 2 2
 0 1 2
 

 2 −1 0 1 0 0
 
[A; I ] =  4 2 2 0 1 0 
0 1 2 0 0 1
 

On va transformer la première matrice A et I par des

transformations linéaires successives
 1ier Pivot

Il faut faire apparaitre 1 à la première position a11.

On divise la première ligne par 2 (ce qui revient à
1 / 2 0 0 
 
multiplier la matrice A par  0 1 0 )
 0 0 1
 
On obtient donc
 1 − 1/ 2 0 1/ 2 0 0 
 
4 2 2 0 1 0
0 1 2 0 0 1 
 
  1 0 0
 
On fait ensuite L2 - 4L1 (ce qui revient a multiplier par  − 4 1 0 )
 0 0 1
 
 1 − 1/ 2 0 1/ 2 0 0 
 
0 4 2 − 2 1 0
0 1 2 0 0 1 

 2ième pivot
On muliplie la deuxième ligne par 1/4 pour faire apparaitre un 1 en a 22
1 0 0
 
(ce qui revient a multiplier par  0 1 / 4 0 )
0 0 1
 
 1 − 1/ 2 0 1/ 2 0 0
 
0 1 1/ 2 − 1/ 2 1/ 4 0 
0 1 2 0 0 1 


1 0 0
 
On fait L3 - L2 (ce qui revient a multiplier par  0 1 0 )
0 −1 1
 
1 0 0
 
(ce qui revient a multiplier par  0 1 / 4 0 )
0 0 1
 
 1 − 1/ 2 0 1/ 2 0 0
 
 0 1 1 / 2 − 1 / 2 1 / 4 0 
0 0 3 / 2 1 / 2 − 1 / 4 1 

 3ième pivot

 1 − 1/ 2 0 1/ 2 0 0
 
0 1 1/ 2 − 1/ 2 1/ 4 0 
0 0 3 / 2 1 / 2 − 1 / 4 1 
 
On muliplie la troisième ligne par 2/3 pour faire apparaitre un 1 en a 33
1 0 0 
 
(ce qui revient a multiplier par  0 1 0 )
 0 0 2 / 3
 
 1 − 1/ 2 0 1/ 2 0 0 
 
0 1 1/ 2 − 1/ 2 1/ 4 0 
0 0 1 1 / 3 − 1 / 6 2 / 3 

 1 − 1/ 2 0 1/ 2 0 0 
 
0 1 1/ 2 − 1/ 2 1/ 4 0 
0 0 1 1 / 3 − 1 / 6 2 / 3 
 
On veut faire apparaitre des 0 dans la troisième
1
colonne en a13 et a 23 . On fait L 2- L3
2
 1 − 1/ 2 0 1/ 2 0 0 
 
0 1 0 (− 1 / 2 − 1 / 6) (1 / 4 + 1 / 12) − 1 / 3 
0 0 1 1 / 3 − 1 / 6 2 / 3 
 
 1 − 1/ 2 0 1/ 2 0 0 
 
0 1 0 − 2 / 3 1/ 3 − 1/ 3 
0 0 1 1 / 3 − 1 / 6 2 / 3 


1
On veut faire apparaitre un 0 en a12 . On fait L1 + L2
2
 1 0 0 1/ 2 − 1/ 3 1/ 6 − 1/ 6 
 
0 1 0 − 2/3 1/ 3 − 1/ 3 
0 0 1 1 / 3 − 1 / 6 2 / 3 
 
On obtient finalement

 1 0 0 1/ 6 1/ 6 − 1/ 6 
 
 0 1 0 − 2 / 3 1/ 3 − 1/ 3 
 0 0 1 1/ 3 − 1/ 6 2 / 3 
 

Donc
 1/ 6 1/ 6 − 1/ 6 
 
A =  − 2 / 3 1/ 3 − 1/ 3 
−1

 1/ 3 − 1/ 6 2 / 3 
 
On le vérifie en calculant AA−1 = A−1 A = I.
Chapitre 4: Espaces vectoriels et
applications linéaires

- Définition d’un espace vectoriel

- Dimension
- Applications linéaires
- Noyau et Image
- Les projecteurs
 Notion d’espace vectoriel
• Les espaces vectoriels sont basé sur la notion
de géométrique de vecteurs:

Addition
 Un autre « exemple »
• On considère l’ensemble des paires de
nombres réels x et y, noté (x, y). Ces
paires forment une espace vectoriel muni
de l’addition:
(x1, y1) + (x2, y2) = (x1 + x2, y1 + y2)
et de la multiplication par un scalaire
r — (x, y) = (rx, ry).
 Exemples d’espace vectoriels
1) Ensemble des fonctions continuous
Si f et g sont des fonction continues alors
λf+µg est une fonction continue.

2) Ensemble des polynômes

P(x)=a0+a1x+a2x2+7+anxn
Q(x)=b0+b1x+b2x2+7+bmxm
λP+µQ est un polynôme
3) Ensemble des polynômes de degré ≤ n :

Base de cet espace :1, x, x 2 ,...,x n

⇒ l' espace est de dimension n + 1
Equivalent à R n +1
Le polynôme P(x) = a0 + a1 x + a2 x 2 + ... + an x n
 a0 
 
 a1 
pourra être représenté par le vecteur V =  
M
 
a 
 n
 Définition
Addition: La loi « + » est commutative et
associative. Elle admet un élément neutre,
pouvant être noté 0 ou 0E, appelé vecteur
nul. Tout vecteur v a un opposé, noté -v.
Autrement dit, pour tous vecteurs u, v et w de
E:
• u+v=v+u
• u+(v+w)=(u+v)+w
• 0E +v=v
• u+(-u)=0E
 Multiplication: La loi « • » est distributive à gauche par
rapport à la loi « + » de E, distributive à droite par
rapport à l'addition du corps K=R ou C, et associative
à droite par rapport à la multiplication dans K. Enfin,
l'élément neutre multiplicatif du corps K, noté 1, est
neutre à gauche pour la loi externe « • », c'est-à-dire
que l'on a les identités suivantes pour tous vecteurs
u, v de E, et pour tous scalaires λ, µ, ν :
• λ •( u + v )=( λ • u ) + ( λ •v )
• ( λ + µ ) • u=( λ • u ) + ( µ • u )
• (λµ) • u=λ • ( µ • u)
• 1 • u=u
 Combinaisons linéaires

Etant donné une famille finie de vecteurs {xi }i =1,...,n

et des scalaires {λi }i =1,...,n , on appelle combinaison linéaire
toute somme finie
n
λ1 x1 + λ2 x2 + ... + λn xn = ∑ λi xi
i =1
Sous espace Vectoriels

Les sous espace vectoriel sont tous les espaces vectoriel

contenus dans l' espace vectoriel de départ.

F est une sous espace vectoriel de E si et seulement si

pour tout x, y ∈ F et tout λ , µ ∈ K, on a :
λx + µy ∈ F

Autrement dit toute combinaison linéaire d' élément

de F est un élément de F.
Dimension d’un espace vectoriel

Famille génératrice:
On dit qu' une famille {ei }i =1,...,n est génératrice dans un espace vectoriel E
si

E = ∑ λi ei : λ1 ,..., λn ∈ K .
 n

 i =1 
Autrement dit E coincide avec l' ensemble des combinaisons linéaires des {ei }i =1,...,n .
 1   0   0 
3      
Dans R la famille  0 , 1 ,  0 
 0   0  1 
     

est une famille génératrice de R 3 .

1   0   0  1 
       
On remarque de la famille  0 , 1 ,  0 ,  2 
 0   0  1   3 
       

est aussi une famille génératrice R 3 .

Pour définir la notion de dimension

nous avons besoin de trouver la plus
petite de ces familles.
Famille libre:
On dit qu' une famille {ei }i =1,...,n est libre
si
n

∑λ e
i =1
i i = 0 ⇒ λ1 = ... = λn = 0.

Base d’un espace vectoriel:

On dit qu' une famille {ei }i=1,...,n est une base

si elle est libre et génératrice.
 Le point fondamental est que le nombre d’éléments
des bases d’un espace vectoriel est indépendant de la
base choisi.

Dimension d’un espace vectoriel:

La dimension d’un espace vectoriel est le nombre d’éléments

d’une de ces bases.

Exemples:
Dans le plan i=(1,0) et j=(0,1) est une base.
La dimension du plan est 2.

Dans l’espace i=(1,0,0), j=(0,1,0), et k=(0,0,1) est une base.

La dimension de l’espace est 3.
Composante d’un vecteur dans une base:

Supposons que {ei }i =1,...,n est base d' un espace vectoriel E.

Alors pour chaque x ∈ E , il existe une unique famille
x1 ,..., xn ∈ K , tel que

n
x = ∑ xi ei
i =1

Les xi s' appellent la ième composantes de x dans la base {ei }i =1,...,n .

 Application linéaire
Etant donnés 2 espaces vectoriels E et F sur K = R ou C.

Considère une application f:E → F qui a x ∈ E fait correspondre f(x) ∈ F

On dira que f est une application linéaire si

f(x + y) = f(x) + f(y),∀x,y ∈ E

f(λ x) = λ f(x),∀x ∈ E,∀λ ∈ K.

Graphe d’une application linéaire de R dans R
 Matrice d’une application linéaire
Etant donnés 2 espaces vectoriels E et F sur K = R ou C.

Considère une application f:E → F .

Soient {ei }i =1,...,n une base de E, et {f i }i =1,...,m une base de F.

Comment dériver une représentation matricielle de y=f(x)?

On a les répresentations matricielles de x et y suivantes :
 x1   y1 
   
n
 x2  m
 y2 
x = ∑ xi ei ↔   et y = ∑ yi f i ↔  
i =1 M i =1 M
   
x  y 
 n  m

Par ailleurs
n n n
m 
y = f(x) = f( ∑ xi ei ) = ∑ xi f(ei ) = ∑ xi  ∑ a ji f j 
i =1 i =1 i =1  j =1 
et en intervertissant les sommes on obtient

y=∑
m
 n a x f
 ∑ ji i  j
j =1  i =1 
donc
 n  
  ∑ a1i xi  
  i =1 
 1
y  a11   a12   a1n 
   n        
 y2    ∑ a2 i xi    a21   a22   a2 n 
M  =   i =1   = x1   + x2   + L + xn  
M M M
  M       
y  a  a  a 
 m  n   m1   m2   mn 
  ∑ ami xi  
  i =1 
ou encore
 y1   x1 
   a11 L a1n  
 y2    x2 
M  =  M M  
M
 
   a m1 L a mn  
y  x 
 m  n
En résumé : Etant donnée une bases {ei }i =1,...,n de E, et une base {f i }i =1,...,m de F,
la matrice de f dans ces bases est :

 a11 a12 L a1n 

 
 a21 a22 L a2 n 
M(f) = 
M M M 
 
 am1 am 2 L amn 

ou les coefficients a ij sont obtenus par

f(ei ) = a1i f 1+ a2 i f 2+L + ami f m

 Noyau et image
Etant donnés 2 espaces vectoriels E et F sur K = R ou C.

Considère une application linéaire f:E → F

Le noyau de f est le sous espace vectoriel de E

Ker(f) = {x ∈ E:f(x) = 0}

L'image de f est le sous espace vectoriel de F

Im (f) = {y ∈ F:∃x ∈ E satisfaisant f(x) = y}.

 Rang
• Le rang d’une application linéaire f:E
F
est la dimension de l’image Im(f).
 Projecteurs

Etant donné E un espace vectoriel. On dira qu' une application linéaire

P:E → E est un projecteur si

P(P(x)) = P(x),∀x ∈ E.

Autrement si on applique une fois P a un vecteur, alors P n' a plus d' effet sur P(x).
Si on note
k = Ker(P) = {x ∈ E : P(x) = 0}
m = Im(P) = {y ∈ E : ∃x ∈ E tel que P(x) = y}
On dira que P est le projecteur sur m parallèlement à k .
Exemples :
0 0
P =  
α 1

1 0 0
 
P = 0 1 0
0 0 0
 