algébre2

3. Les matrices

Le but de ce chapitre est de trouver un moyen pour résoudre un système d’équations linéaires,
en utilisant ce qu’on appelle les représentations matricielles.
Dans le cas général on repésente une matrice M par :
 
a11 a12 . . . a1m
 a21 a22 · · · a2m 
M= . ..  ∈ Mn,m (K) ,
 
.. ..
 .. . . . 
an1 an2 · · · anm

qu’on peut simplifier par :

..
 
 . 
M= . . . a ij ...
 ∈ Mn,m (K) , avec :1 ≤ i ≤ n et 1 ≤ j ≤ m,
..
 
.

Mn,m (K) est l’ensemble des matrices qui contienent n lignes et m colonnes avec des coefficients ai j
appartients à K qui est en général R ou C, de plus chaque ai j représente le coefficient de la matrice
M qui se trouve dans la ième ligne et la jème colonne.

3.1 Notion et propriétés des matrices

Soit M une matrice définie par :
..
 
 . 
M= . . . a i j . . .  ∈ Mn,m (K) .

..

.

(1) Les deux indices n et m définissent ce qu’on appelle la taille de la matrice.

(2) Une matrice nulle vérifie : ∀ (i, j) , ai j = 0 avec 1 ≤ i ≤ n et 1 ≤ j ≤ m.
70 Chapitre 3. Les matrices

(3) Deux matrices A et B sont égales si les deux matrices ont la même taille et ai j = bi j pour tout
1 ≤ i ≤ n et 1 ≤ j ≤ m où les ai j (resp. bi j ) sont les coefficients de A (resp. de B).
■ Exemple 3.1
   
−1 3 −1 3
A= et B = ,
1 2 a b

alors :

A = B ⇔ a = 1 et b = 2.

(4) Si n = m (le nombre de lignes est égale au nombre de colonnes) alors la matrice M est
une matrice carrée, on écrit M ∈ Mn,n (K) ou bien M ∈ Mn (K) et si n ̸= m la matrice est
rectangulaire.
(5) Les coefficients aii d’une matrice carrée sont les éléments de la diagonale (ou diagonale
principale) par exemple :
 
a11 a12 a13
 a21 a22 a23  .
a31 a32 a33

Les éléments {a11 , a22 , a33 } forment la diagonale par contre dans cette exemple {a13 , a22 , a31 }
forment la diagonale non principale.
(6) Une matrice carrée est dite triangulaire supérieure (resp. inférieure)
si : ai j = 0 si i > j (resp. ai j = 0 si i < j) avec 1 ≤ i, j ≤ n.
■ Exemple 3.2
 
1 0 3
 0 5 6  est une matrice triangulaire supérieure.
0 0 9
 
1 0 0
 4 0 0  est une matrice triangulaire inférieure.
0 8 9
(7) Une matrice diagonale est une matrice qui est à la fois triangulaire supérieure et triangulaire
inférieure. Les éléments de la diagonale s’appellent les pivots.
■ Exemple 3.3
 
1 0 0
 0 5 0 .
0 0 9

(8) La matrice unité ou identité notée In est une matrice carrée dont les ai j = 0, ∀ i ̸= j et ai j = 1
si i = j avec 1 ≤ i, j ≤ n. Autrement dit la matrice unité est une matrice diagonale dont les
éléments diagonaux sont des 1.
■ Exemple 3.4
 
  1 0 0 0
  1 0 0
1 0  0 1 0 0 
I2 = , I3 =  0 1 0  et I4 =  .
0 1  0 0 1 0 
0 0 1
0 0 0 1
 3.2 Matrice associée à une application linéaire dans le cas des espaces de
dimensions finies. 71
(9) La transposée d’une matrice A noté t A est la matrice dont les lignes sont les colonnes de A et
les colonnes sont les lignes de A.
■ Exemple 3.5 Si :
   
1 2 3 1 4 7
A =  4 5 6  alors : t A =  2 5 8  .
7 8 9 3 6 9

On a : t (t A) = A.
(10) Soit A ∈ Mn (K), A est dite symétrique si et seulement si t A = A.

3.2 Matrice associée à une application linéaire dans le cas des espaces de
dimensions finies.
Définition 3.2.1 Soient E et F deux espaces vectoriels de dimensions finies avec :
dim E = m et dim F = n. Choisissons dans E une base BE et dans F une base BF définies par :

BE = {e1 , e2 , · · · , em } et BF = { f1 , f2 , · · · , fn } .

Si ϕ une application linéaire de E dans F alors la matrice associée à ϕ par rapport aux BE et BF
qu’on note M (ϕ, BE , BF ) est obtenue comme suit :
Les éléments de la i-ème colonne de M (ϕ, BE , BF ) sont les coordonnées de ϕ (ei ) dans la
base BF , c’est à dire les coefficients :
 
a1i
 a2i 
 ..  ,
 
 . 
ani

sachant que :

ϕ (ei ) = a1i f1 + a2i f2 + · · · + ani fn .

Notons que :
ϕ (e1 ) ϕ (e2 ) · · · ϕ (em )
 
a11 a12 . . . a1m f1
 a21 a22 · · · a2m  f2
M (ϕ, BE , BF ) =  .
 
.. .. ..  ..
 .. . . .  .
an1 an2 · · · anm fn
car :
ϕ (e1 ) = a11 f1 + a21 f2 + · · · + am1 fm ,
ϕ (e2 ) = a12 f1 + a22 f2 + · · · + am2 fm ,
..
.
ϕ (en ) = a1n f1 + a2n f2 + · · · + amn fm .
■ Exemple 3.6 Soit ϕ l’application linéaire définie par :

ϕ : R3 → R2
(x, y, z) 7→ (x − 2y + z, 2x + y + 3z) ,
72 Chapitre 3. Les matrices

alors la matrice associée à ϕ relativement aux bases canoniques de R3 et R2 est :

ϕ (e1 ) ϕ (e2 ) ϕ (e3 )
 
1 −2 1 f1
M =
2 1 3 f2

car pour e1 = (1, 0, 0) , e2 = (0, 1, 0) , e3 = (0, 0, 1) la base canonique de R3 et f1 = (1, 0) et f2 =

(0, 1) base canonique de R2 on a :

ϕ (e1 ) = (1, 2) = 1 × f1 + 2 × f2 (coefficients de la 1ère colonne),

ϕ (e2 ) = (−2, 1) = −2 × f1 + 1 × f2 (coefficients de la 2ème colonne),
et

ϕ (e3 ) = (1, 3) = 1 × f1 + 3 × f2 (coefficients de la 3ème colonne).

■ Exemple 3.7 Soit f l’application linéaire définie par :

f : R3 → R3
(x, y, z) 7→ (6x − 5y + 2z, 3x − y + 3z, 2x + z) ,
alors la matrice associée à f relativement aux bases canoniques de R3 et R3 est :
f (e1 ) f (e2 ) f (e3 )
 
6 −5 2 e1
M =  3 −1 3  e2 ,
2 0 1 e3

avec {e1 , e2 , e3 } la base canonique de R3 .

■ Exemple 3.8 Soit l’application f définie par :

f : R2 [X] → R3 [X]
P 7→ f (P) = XP − 2X 2 P′ + 5X 3 P′′ + 9,
la base canonique de R2 [X] est B1 = {e1 , e2 , e3 } avec e1 = 1, e2 = X et e3 = X 2 et la base canonique
de R3 [X] est B2 = {w1 , w2 , w3 , w4 } avec w1 = 1, w2 = x, w3 = X 2 et w4 = X 3 . Alors la matrice
associée de f dans les bases B1 et B2 est donnée par :
f (e1 ) f (e2 ) f (e3 )
 
9 9 9 w1
 1 0 0  w2

M = 
 0 − 1 0  w3
0 0 7 w4
car :
f (e1 ) = X + 9 = 9w1 + 1w2 + 0w3 + 0w4 ,
f (e2 ) = X 2 − 2X 2 + 9 = −X 2 + 9 = 9w1 + 0w2 − 1w3 + 0w4 ,
f (e3 ) = X 3 − 4X 3 + 10X 3 + 9 = 9w1 + 0w2 + 0w3 + 7w4 .

R La matrice nulle est la matrice associée à l’application nulle :

ϕ :E →F
u 7→ ϕ (u) = 0F .
 3.3 Opérations sur les matrices 73

3.3 Opérations sur les matrices

Soient A et B deux matrices définies par :
.. ..
   
 .   . 
A= . . . a ij . . .  ∈ Mn,m (K) et B =  . . . b ij ...
 ∈ Mk,l (K) .
.. ..
   
. .

3.3.1 La somme de deux matrices

La somme de ces deux matrices est définie si n = k et m = l (la même taille) et elle est donnée
par :
..
 
 . 
A+B =  . . . ai j + bi j . . .  ∈ Mn,m (K) .

..
.

■ Exemple 3.9
   
1 −1 3 2 2 2
A =  4 7 −4  et B =  3 1 0  ,
6 −6 5 5 0 8
alors :
 
3 1 5
A+B =  7 8 −4  .
11 −6 13
■ Exemple 3.10
   
−1 2 1
A =  3 4  et B =  2  ,
2 2 3
A + B n’existe pas car A et B n’ont pas les mêmes tailles.

3.3.2 Le produit par un scalaire

..
 
 . 
Le produit d’une matrice A =  . . . a i j . . .  ∈ Mn,m (K) par un scalaire λ ∈ R (ou C) est

..

.
la matrice :
..
 
 . 
λA =  . . . λ a i j . . .  ∈ Mn,m (K) .
..
 
.

■ Exemple 3.11
   
1 1 5 6 6 30
A =  4 6 2  ⇒ 6A =  24 36 12  .
3 1 0 18 6 0
 74 Chapitre 3. Les matrices

3.3.3 Produit de deux matrices

Soient A et B deux matrices définies par :
.. ..
   
 .   . 
A= . . . a ij . . .  ∈ Mn,m (K) et B =  . . . b ij ...
 ∈ Mk,l (K) .
.. ..
   
. .
Le produit A × B existe si m = k autrement dit le nombre de colonnes de la première matrice est
égal au nombre de lignes de la deuxième matrice, de plus on a :
..
 
 . 
An,m × Bk,l = Cn,l =  . . . c i j . . .  ∈ Mn,l (K) .
..
 
.
Le nombre de lignes de C est le nombre de lignes de A, et le nombre de colonnes de C est le
nombre de colonnes de B. Les ci j sont donnés par :
ci j = ai1 b1 j + ai2 b2 j + ai3 b3 j + · · · + aim bm j
m
= ∑ ait bt j , 1 ≤ i ≤ n; 1 ≤ j ≤ l.
t=1
■ Exemple 3.12
    
1 2 7 1 13 5
= .
−5 3 3 2 −26 1
■ Exemple 3.13
    
7 1 1 2 2 17
= .
3 2 −5 3 −7 12
■ Exemple 3.14
  

1 3 2 −1 1 −2
A =  4 4 2  ∈ M3,3 et B =  4 2 3  ∈ M3,3
5 1 3 3 1 3
 
17 9 13
A×B =  18 14 10  ∈ M3,3 .
8 10 2
■ Exemple 3.15
    
−2 1 0 3 5 1 −1 1 −3 9 13 −2
 9 0 2 3  1 5 5 0   59 19 9 11 
 −1 7 1 6   4 2 6 1  = 
    
18 48 54 0 
2 2 2 0 2 2 2 0 20 16 20 4
c11 = (−2 × 5) + (1 × 1) + (0 × 4) + (3 × 2) .
■ Exemple 3.16
   
1 1 1 2 1
A =  2 4 3  ∈ M3,3 et B =  3 3  ∈ M3,2
6 1 3 0 1
 
5 5
⇒ A×B =  16 17  ∈ M3,2 .
15 12
 3.4 Représentation matricielle d’un système d’équations linéaires 75

Par contre B × A n’existe pas.

R Il se peut que A × B existe sans pour autant que B × A existe ; et même lorsque A × B et B × A
existent nous avons en général A × B ̸= B × A, le produit des matrices n’est pas commutatif.

Propriétés 3.3.1 (1) t (A + B) =t A +t B et t (λ A) = λ t A.

(2) t (A × B) =t B ×t A.

(3) Une matrice A est dite nilpotente si et seulement si :

∃n0 ∈ N, An0 = 0.
(4) Soit A ∈ Mn (K), A est dite normale si et seulement si (t A) A = A (t A) .

(5) Soit A ∈ Mn (K), A est dite orthogonale si et seulement si (t A) A = A (t A) = In (matrice unité

d’ordre n).

3.4 Représentation matricielle d’un système d’équations linéaires

On peut représenter un système d’équations linéaires sous forme matricielle de la façon
suivante :


 a11 x1 + a12 x2 + · · · + a1m xm = y1
 a21 x1 + a22 x2 + · · · + a2m xm = y2

.. ⇔ AX = Y,


 .
an1 x1 + an2 x2 + · · · + anm xm = ym


avec :
     
a11 a12 . . . a1m x1 y1
 a21 a22 · · · a2m   x2   y2 
A= ,X =   et Y =  .
     
.. .. .. .. .. ..
 . . . .   .   . 
an1 an2 · · · anm xm ym
■ Exemple 3.17

 5x − 3y + 6z = 7
−x + 4y + 12z = 4 ⇔ AX = B
2x + 3y + z = −9


avec :
     
5 −3 6 x 7
A =  −1 4 12  , X =  y  et B =  4  .
2 3 1 3,3
z 3,1 −9 3,1

■ Exemple 3.18

x − 5y + 8z = 1
⇔ AX = B,
−2x + y + 2z = 3
avec :
 
  x  
1 −5 8 1
A= ,X =  y  et B = .
−2 1 2 3
z
 76 Chapitre 3. Les matrices

3.5 Inverse d’une matrice carrée

Une matrice carrée A d’ordre n est dite inversible, s’il existe une matrice, elle aussi carrée de
même ordre notée A−1 vérifiant :

A × A−1 = A−1 × A = In ,

où In est la matrice unité d’ordre n et A−1 est appelée inverse de A.

Les deux questions qui se posent sont l’existence et la méthode de la recherche de l’inverse
d’une matrice carrée A.
Proposition 3.5.1 Si A est la matrice associée à une application linéaire ϕ alors :

A est inversible ⇔ ker (ϕ) = {0E } .

ou bien :
A est inversible ⇔ les vecteurs colonnes de A sont indépendants (libres).
⇔ les vecteurs lignes de A sont indépendants.
De plus on a :

−1 t −1

(A × B)−1 = B−1 × A−1 et t
A = A .

3.5.1 Méthode de G AUSS pour la recherche de l’inverse

R Sachant que la résolution d’un système se fait par des combinaisons linéaires entre les lignes
pour trouver les inconnues, par exemple :
  
 2x − 7y + 2z = 1  2x − 3y + 5z = 3  8x = 1
(1) 5x − y + 4z = 2 (2) 0x − 4y + 6z = 1 et (3) −3y = 9 .
2x − 3y + 6z = 4 5z = −1 7z = 6
  

Le système le plus simple à résoudre est (3) ensuite (2) ensuite (1), mais les représentations
matricielles sont respectivement :
   
2 −7 2 1
A =  5 −1 4  et X =  2  pour (1),
 2 −3 6   4 
2 −3 5 3
A =  0 −4 6  et X =  1  pour (2)
0 0 5  −1 
8 0 0 1
et A =  0 −3 0  et X =  9  pour (3),
0 0 7 6
avec :
 
x
X =  y .
z

On remarque que le système le plus simple à résoudre et dont la matrice A associé diagonale,
sinon triangulaire et finalement une matrice quelconque. La méthode de G AUSS permet de
transformer une matrice quelconque en une matrice diagonale ou triangulaire.

Question : Peut-on transformer une matrice carrée quelconque en une matrice diagonale ou triangulaire ?
Réponse : La diagonalisation d’une matrice n’est pas toujours possible ou disponible à chaque fois, s’il
n’est pas possible de la rendre diagonale on peut la transformer à une matrice triangulaire.
 3.5 Inverse d’une matrice carrée 77

Proposition 3.5.2 Pour déterminer l’inverse de la matrice A par la méthode de G AUSS il suffit
d’appliquer les mêmes combinaisons linéaires simultanément à A et I qui transforment A en I et I
en A−1 .
Règle : La technique de G AUSS permet d’éliminer lesconstantesai j en dehors de la diagonale (i ̸= j)
a
colonne par colonne en utilisant l’opération Li − a ij jj L j pour toute la ligne où se trouve la
constante pour les deux matrices A et I où Li est la ligne où se trouve la constante ai j , a j j est
le pivot de la colonne où se trouve la constante (a j j ̸= 0) et L j est la ligne où se trouve le
pivot.
■ Exemple 3.19 Calculer l’inverse de la matrice A1 par la méthode de G AUSS :
 
−3 6
A1 = .
4 1

Type d’opération sur

A→ I→
la ligne (Li )    
L1 −3 6 1 0
L2 4 1 0 1
L1′ = L
1
   
−3 6 1 0
′
L2 = L2 − −3 4
L1 = L2 + 34 L1 4
0 9 1
 31
L1′′ = L1 − 96 L2 = L1 − 23 L2 2
  
−3 0 9 − 3
L2′′ = L2′ 0 9 4
3 1
L1′′    1 2

1 0 − 27
−3
L2′′ 4 1
9 = A−1 .
0 1 27 9
9

■ Exemple 3.20 Calculer l’inverse de la matrice A par la méthode de G AUSS :

 
1 2 1
A =  3 1 2 .
−1 4 2

Type d’opération sur

A→ I→
la ligne (Li )
   
L1 1 2 1 1 0 0
L2  3 1 2   0 1 0 
L3 −1 4 2 0 0 1
L1′ = L1
   
1 2 1 1 0 0
L2′ = L2 − 13 L1 = L2 − 3L1  0 −5 −1   −3 1 0 
L3′ = L3 − −1 1 L1 = L3 + L1 0 6 3 1 0 1
L1 = L1 − −5 L2 = L1′ + 52 L2′
′′ ′ 2 ′  3
  1 2 
1 0 5 −5 5 0
L2′′ = L2′  0 −5 −1   −3 1 0 
−13
L3′′ = L3′ − −56 ′
L2 = L3′ + 56 L2′ 0 0 9
5 5
6
5 1
3
L1′′′ = L1′′ − 59 L3′′ = L1′′ − 31 L3′′ 0 −1
   2 
1 0 0 3 3
5
L2′′′ = L2′′ − −1 ′′ ′′ 5 ′′  0 −5 0   − 40 15 5 
9 L3 = L2 + 9 L3 9 9 9
5 9 −13 6
0 0 1
L3′′′ = L3′′ 5 5 5
L1′′′    2 −1 
1 1 0 0 3 0 3
L2′′′
−5
 0 1 0   8
− 13 − 19  = A−1 .
9
L3′′′ −13 2 5
9 = 59 L3′′′ 0 0 1 9 3 9
5
 78 Chapitre 3. Les matrices

Le principe est de rendre les coefficients qui se trouvent en dehors de la diagonale, tous égaux à
zéro colonne par colonne, par exemple pour éliminer le coefficient 3 qui se trouve dans la deuxième
ligne et la première colonne on fait l’opération :

 
3
L2 − L1 .
1

Donc dans la première étape on élimine les deux coefficients de la première colonne en utilisant le
premier pivot, par contre dans la deuxième étape on élimine les deux coefficients de la deuxième
colonne en utilisant le deuxième pivot. Dans la troisième étape on élimine les deux coefficients de
la troisième colonne en utilisant le troisième pivot. Finalement pour trouver I dans la transformation
de A, il suffit de diviser chaque ligne sur le pivot trouvé dans la matrice diagonlale qui se trouve
dans l’avant dernière étape et les mêmes opérations vont transformer I en A−1 .
Question : Que peut-on faire si l’un des pivots est nul ?
Réponse : Il suffit de changer avec l’une des lignes dont le pivot est non nul, mais si à chaque fois qu’on
change on trouve un pivot nul ou bien on trouve une ligne complètement nulle, alors dans ce
cas la matrice n’est pas inversible.

■ Exemple 3.21 Calculer l’inverse de la matrice B1 par la méthode de G AUSS :

 
0 2
B1 = .
1 3

Type d’opération sur

B1 → I→
la ligne (Li )    
0 2 1 0
1 3   0 1
L1′ = L2 ↓
 
1 3 0 1
L2′ = L1 ↑
 0 2   1 30
L1 = L1′ − 32 L2′
′′

1 0 −2 1
L2′′ = L2′ 0 2 1 0
L1′′′ = L1′′
   3 
1 0 −2 1
L′′ =I 1 = B−1
1 .
L2′′′ = 22 0 1 2 0

■ Exemple 3.22 Calculer l’inverse de la matrice B2 par la méthode de G AUSS :

 
2 −6 4
B2 =  1 −3 5  .
0 1 2
 3.5 Inverse d’une matrice carrée 79

Type d’opération sur

B2 → I→
la ligne (Li )
   
L1 2 −6 4 1 0 0
L2  1 −3 5   0 1 0 
L3 0 1 2 0 0 1
L1′ = L1

   
2 −6 4 1 0 0
L2′ = L2 − 21 L1  0 0 3   −1
2 1 0 
L3′ = L3 (déjà nul) 0 1 2 0 0 1
L1′′ = L1′
   
2 −6 4 1 0 0
L2′′ = L3′ ↓  0 1 2   0 0 1 
L3′′ = L2′ ↑
0 0 3 −1 1 0
 2
L1′′′ = L1′′ − −6 ′′
  
1 L2 2 0 22 −2 0 6
′′′
L2 = L2 ′′  0 1 2   0 0 1 
L3′′′ = L3′′
0 0 3 −1 1 0
 52
L̃1 = L1′′′ − 22 ′′′ − 22
  
3
L3 2 0 0 3 3 6
L̃2 = L2′′′ − 23 L3′′′  0 1 0   1
3
2
−3 1 
L̃3 = L3′′′ 0 0 3 − 21 1 0
L̄1 = L̃21 5 22
   
1 0 0 6 −6 3
L̄2 = L̃2  0 1 0 =I  1
− 32 1  = B−1 .
3 2
L̄3 = L̃33 0 0 1 − 61 1
6 0
■ Exemple 3.23 Calculer l’inverse de B3 s’il existe de la matrice par la méthode de G AUSS :
 
2 1 3
B3 =  −1 4 1  .
1 5 4

Type d’opération sur

B3 → I→
la ligne (Li )
   
L1 2 1 3 1 0 0
L2  −1 4 1   0 1 0 
L3 1 5 4 0 0 1
′
   
L1 = L1
2 1 3 1 0 0
L2′ = L2 − −1 2
L1
 0 9 5 
2 2
 1
2 1 0 
L3′ = L3 − 21 L1 0 29 52 − 12
0 1
L1′′ = L1′ − 1
9 L2′′ 
2 0 22
  8
− 29 0

2 9 9
L2′′ = 
L2′   0 9 5 
2 2
 1
2 1 0 
9
L3′′ = L3′ − 29 L2′′ 0 0 0 −1 −1 1
2

La 3ème ligne est complètement nulle alors B−1

3 n’existe pas.

3.5.2 Déterminant et comatrice

Déterminant d’ordre 2
Définition 3.5.1 Si A est une matrice d’ordre 2 définie par :
 
a b
A= ,
c d
 80 Chapitre 3. Les matrices

a b
alors le déterminant de A noté det A = est donné par la formule :
c d

det A = ad − cb.
■ Exemple 3.24
 
3 −4
A= ,
2 −1
alors :
3 −4
det A = = (3 × (−1)) − (2 × (−4)) = 5.
2 −1
Déterminant d’ordre n
Dans le cas général où A ∈ Mn (K) on a :
.. ..
 
 .  .
A= . . . a i j . . .  ⇒ det A = △ = . . . ai j . . . .
.. ..
 
. .
1ère méthode : La règle de S ARRUS dans le cas d’un détermenant d’ordre 3 :

Si A est une matrice d’ordre 3 définie par :

 
a11 a12 a13
A =  a21 a22 a23  ,
a31 a32 a33
alors le déterminant de A noté :
a11 a12 a13
det A = a21 a22 a23
a31 a32 a33
est donné par la formule :
det A = a11 a22 a33 + a21 a32 a13 + a31 a12 a23 − a13 a22 a31 − a23 a32 a11 − a33 a12 a21 .
a11 a12 a13
Dans le cas d’un déterminant d’ordre 3, si det A = a21 a22 a23 , la règle de S ARRUS
a31 a32 a33
consiste à répéter, en-dessous du tableau précédent, les deux premières lignes, et à affecter du
signe (+) les produits obtenus parallèlement à la diagonale principale qui contient trois constantes
a11
a22 et du signe (−) ceux obtenus parallèlement à la diagonale non principale qui
a33
a13
contient trois constantes a22 c’est-à-dire :
a31
a11 a12 a13
a21 a22 a23
a31 a32 a33
a11 a12 a13
a21 a22 a23
= + (a11 a22 a33 ) + (a21 a32 a13 ) + (a31 a12 a23 ) − (a13 a22 a31 ) − (a23 a32 a11 ) − (a33 a12 a21 ) .
 3.5 Inverse d’une matrice carrée 81

■ Exemple 3.25
 
1 2 1
A= 3 1 2 
−1 4 2

1 2 1
1 2 1 3 1 2
det A = 3 1 2 = −1 4 2
−1 4 2 1 2 1
3 1 2
= + (1 × 1 × 2) + (3 × 4 × 1) + ((−1) × 2 × 2)
− (1 × 1 × (−1)) − (2 × 4 × 1) − (2 × 2 × 3)
(2 + 12 − 4) − (−1 + 8 + 12) = −9.

2ème méthode : Le développement d’un déterminant suivant une ligne ou une colonne :

Propriétés et définitions

(1) Chaque coefficient ai j admet un signe de position donné par (−1)i+ j et d’une manière
générale il suffit de commencer par le signe (+) pour la constante a11 et on alterne les signes.
Par exemple un déterminant d’ordre 6 :

+ − + − + −
− + − + − +
+ − + − + −
.
− + − + − +
+ − + − + −
− + − + − +

(2) Le déterminant mineur d’un coefficient ai j noté △i j est le déterminant obtenu en supprimant
dans △ la ligne et la colonne contenant ai j . Donc si △ est d’ordre n alors le déterminant
mineur est d’ordre (n − 1) .
(3) Le cofacteur du coefficient ai j noté Xi j ou Yi j est donné par la formule :

Xi j = Yi j = (−1)i+ j △i j .

Donc un déterminant d’ordre n est donné par une somme de n déterminants d’ordre n − 1 et il
peut donc être développé de 2n façons suivant une de ses rangées (ligne ou bien colonne), sous la
forme :
n
det A = ∑ ai j Xi j développement suivant la ième ligne .
j=1

ou bien :
n
det A = ∑ ai j Yi j développement suivant la jème colonne.
i=1
82 Chapitre 3. Les matrices

■ Exemple 3.26
 
9 −1
A=
2 −3



 ligne 1 : [(+) (9) (−3)] + [(−) (−1) (2)] = −25,
9 −1 ligne 2 : [(−) (2) (−1)] + [(+) (−3) (9)] = −25,

det A = = suivant
2 −3 
 colonne 1 : [(+) (9) (−3)] + [(−) (2) (−1)] = −25,
colonne 2 : [(−) (−1) (2)] + [(+) (−3) (9)] = −25,


+ −
sachant que les signes des positions sont : .
− +
■ Exemple 3.27 Calculons le déterminant de :
 
1 2 1
A =  3 1 0 .
−1 4 2

Par exemple suivant la première ligne :

1 2 1
det A = 3 1 0
−1 4 2
1 0 3 0 3 1
= +1 −2 +1
4 2 −1 2 −1 4
= 2 − 2 (6) + (13) = 3.

D’une autre manière suivant la 3ème colonne car elle contient 0 et 1 :

1 2 1
det A = 3 1 0
−1 4 2
3 1 1 2
= +1 +2
−1 4 3 1
= 13 + 2 (−5) = 3.

■ Exemple 3.28 Calculons le déterminant de :

 
−1 4 5 2
 3 7 1 3 
A=
 4
.
3 2 1 
2 0 0 0

Le meilleur choix est suivant la 4ème ligne. La répartition des signes est comme suit :

+
−
,
+
− + − +
3.5 Inverse d’une matrice carrée 83

on commence la répartition des signes de la constante a11 et on alterne les autres.

−1 4 5 2
3 7 1 3
det A =
4 3 2 1
2 0 0 0
4 5 2
= − (2) 7 1 3
 3 2 1 
1 3 7 3 7 1
= −2 4 −5 +2
2 1 3 1 3 2
= −2 [4 (−5) − 5 (−2) + 2 (11)] = −24.

R Dans le cas d’une matrice diagonale ou d’une matrice triangulaire le déterminant est égal au
produit des éléments de la diagonale.

R Dans l’avant dernière étape pour la transformation de A en I dans la méthode G AUSS, on

trouve une forme diagonale dont le déterminant est le produit des éléments diagonaux. Dans
l’exemple 3.20 on a :
 
9
det A = (1) (−5) = −9.
5

Propriétés des déterminants

(1) A est dite singulière si et seulement si det A = 0.
(2) A est dite régulière si et seulement si det A ̸= 0.
(3)

det t A = det A et det (λ A) = λ n det (A) .

(4)

det (A × B) = det A × det B = det (B × A) .

(5)
1
det A−1 =


.
det (A)

Définition 3.5.2 On appelle comatrice d’une matrice carrée A, notée comA la matrice obtenue
en remplaçant chaque élément ai j de A par son cofacteur (Xi j = (−1)i+ j △i j ).

Proposition 3.5.3 Une matrice A est inversible si et seulement si : det A ̸= 0. Dans ce cas :
1
A−1 = ×t (com A) .
det A
■ Exemple 3.29 Dans le cas d’ordre 2.
   
a c d −b
A= → comA = ,
b d −c  a 
d −c
⇒ A−1 = det1 A ×t (com A) = ad−bc
1
.
−b a
84 Chapitre 3. Les matrices

■ Exemple 3.30 Soit la matrice :

 
−1 −2 4
A= 2 6 5 .
−3 4 1

6 5 2 5 2 6
det A = + (−1) − (−2) + (4)
4 1 −3 1 −3 4
= − (6 − 20) + 2 (2 + 15) + 4 (8 + 18)
= 14 + 34 + 104 = 152 ̸= 0 ⇒ A−1 existe.
De plus :
 
−14 −17 26
comA =  − (−18) 11 − (−10) 
−34 − (−13) −2
   
−14 −17 26 −14 18 −34
=  18 11 10  ⇒t comA =  −17 11 13  ,
−34 13 −2 26 10 −2
alors :
 
−14 18 −34
1 1 
⇒ A−1 = ×t (comA) = −17 11 13 
det A 152
26 10 −2
 −14 18 −34 
152 152 152
⇒ A−1 =  −17
152
11
152
13
152
.
26 10 −2
152 152 152

La détermination de l’inverse suivant une équation

Proposition 3.5.4 Soit A ∈ Mn (K) une matrice carrée donnée, s’il existe une matrice carrée
B ∈ Mn (K) de même type que A vérifiant :
A × B = B × A = I,
alors A est inversible avec A−1 = B.
■ Exemple 3.31 Soit :
 
1 0 2
A =  0 −1 1  .
1 −2 0

(1) Calculons A3 − A.
 
4 0 0
A3 − A =  0 4 0  = 4I.
0 0 4
(2) En déduire que A est inversible et donnons son inverse.
On a :
1 3
A3 − A = 4I ⇒


A −A = I
 4   
1 2
1 2

⇒ A A −I = A − I A = I,
4 4
 3.6 Changement de bases 85

alors A est inversible et :

1
−1 12
 
 
1 2 2
A−1 = 1
− 12 − 14  .


A −I = 4
4 1 1
4 2 − 14

3.6 Changement de bases

3.6.1 Matrice de passage
Soit E un espace vectoriel de dimension finie n muni des deux bases suivantes :

B = {e1 , e2 , · · · , en } et B′ = e′1 , e′2 , · · · , e′n .



On veut étudier le lien entre les coordonnées d’un vecteur u de E dans les deux bases B et B′ en
utilisant les propriétés des matrices.
Définition 3.6.1 Si les vecteurs e′j sont exprimés dans la base B par :

n
e′j = ∑ αi j ei ; 1 ≤ j ≤ n,
i=1

alors la matrice P définie par :

′ ′ e′n
 e1 e2 · · · 
α11 α12 . . . α1n e1
 α21 α22 · · · α2n  e2
PB→B′ = .
 
.. .. .. ..
 ..

. . .  .
αn1 αn2 · · · αnn en

est appelée matrice de passage de la base B vers la base B′ . D’autre part la matrice de passage
de la base B′ vers la base B est l’inverse de la matrice PB→B′ , car si :
 ′     ′   ′ 
e1 e1 e1 e1
 e′   e2   e′   e′ 
 2    2   2 
 ..  = P  ..  ⇒  ..  = P−1  ..  ,

 .   .   .   . 
′
en en ′
en e′n

sachant que P est toujours inversible car la dimension de la base est n, donc les vecteurs ei ou
bien e′i sont linéairement indépendants ce qui implique que le déterminant de la matrice est non
nul.
■ Exemple 3.32 Dans R3 , Soit B′ = {u1 , u2 , u3 } une base de R3 avec u1 = (2, −1, −2) , u2 =
(1, 0, −1) et u3 = (3, 1, 2). La matrice de passage P de la base canonique B de R3 vers B′ est :

 u1 u2 u3 
2 1 3 e1
PB→B′ =  −1 0 1  e2
−2 −1 2 e3

D’un autre côté la matrice de passage de B′ à B est exactement P−1 .

 
t 1 −5 1
1 1
PB′ →B = P−1 = (comP) =  0 10 −5 
det P 5
1 0 1
 86 Chapitre 3. Les matrices

donc :

 e11
e2 e3 
1
5 −1 5 u1
−1
P =  0 2 −1  u2
1 1
5 0 5 u3

et de là on trouve que :

1 1 1 1
e1 = u1 + 0u2 + u3 , e2 = −u1 + 2u2 + 0u3 et e3 = u1 − u2 + u3 .
5 5 5 5

■Exemple 3.33 Dans R3 [X], Soit B′ = {v1 , v2 , v3 , v4 } une base avec v1 = 2, v2 = 1 + X, v3 =
−2X + X 2 et v4 = 2X 2 + X 3 . La matrice de passage P de la base canonique B = 1, X, X 2 , X 3 vers
B′ est :

 v1 v2 v3 v4 
2 1 0 0 e1
 0 1 −2 0  e2
P=
 0

0 1 2  e3
0 0 0 1 e4

3.6.2 Changement de base

Théorème 3.6.1 Soient B et B′ deux bases d’un espace vectoriel E. Si X est un vecteur de E
ayant les coordonnées XB et XB′ relativement aux bases B et B′ , alors on a :

XB = PXB′ et XB′ = P−1 XB ,

où P est la matrice de passage de B vers B′ .

■ Exemple 3.34 Soit l’espace R3 muni de deux bases :

B = {e1 , e2 , e3 } et B′ = e′1 , e′2 , e′3 ,



avec :

e1 = (1, 0, 0) , e2 = (0, 1, 0) , e3 = (0, 0, 1) , e′1 = (2, 3, 0) , e′2 = (1, −1, 1) et e′3 = (−1, 3, 5) ,

alors :
′ e′2 e′3 
 e1
2 1 −1 e1
P= 3 −1 3  e2
0 1 5 e3

C’est la matrice
 de passage
 de B vers B′ .
−1
(1) Soit XB′ =  2  les composantes de X dans la base B′ , trouvons les composantes de X dans
4
la base B.

XB = PXB′ .
 3.7 Matrices semblables 87

d’où :
    
2 1 −1 −1 −4
XB =  3 −1 3   2  =  7  .
0 1 5 4 22 B

1
(2) Soit YB =  5  les composantes de Y dans la base B, trouvons les composantes de Y dans la
7
base B′ .

YB′ = P−1YB .

On a :
−1 3 1 −1 1 −1
det P = 2 −3 +0 = −34,
1 5 1 5 −1 3

donc :
 
−8 −15 −3
comP =  −6 10 −2  ,
0 −9 −5

ce qui implique que :

 
−8 −6 0
t
comP =  −15 10 −9  ,
−3 −2 −5

d’où :
 
8 6 0
1 
P−1 = 15 −10 9  .
34
3 2 5

Alors :
38
    
8 6 0 1 34
−1 1  28
YB = P YB =
′ 15 −10 9   5 = 34
 .
34 48
3 2 5 7 34 B′

3.7 Matrices semblables

Dans un endomorphisme dans E
Proposition 3.7.1 Soit A1 ∈ Mn (K) la matrice associée à un endomorphisme f dans la base B1
d’un espace vectoriel E. Alors la matrice A2 ∈ Mn (K) associée à f dans un changement de base B2
dans E est donnée par la formule :

A2 ( f , B2 ) = P−1 × A1 ( f , B1 ) × P,

où P est la matrice de passage de la base B1 vers B2 .

88 Chapitre 3. Les matrices

Définition 3.7.1 On dit que deux matrices A1 et A2 ∈ Mn (K) sont semblables s’il existe P ∈
Mn (K) telles que :

A2 = P−1 × A1 × P.

■ Exemple 3.35 On considère l’endomorphisme définie par :

f : R3 → R3
(x, y, z) 7→ (2x − y + z, 3x − y − 3z, 3x + y + z) .

(1) Déterminons la matrice M associée à f relativement à la base canonique de R3 .

La base canonique de R3 est B = {e1 , e2 , e3 } avec e1 = (1, 0, 0) , e2 = (0, 1, 0) et e3 = (0, 0, 1) ,alors :

f (e1 ) = f (1, 0, 0) = (2, 3, 3) ,

f (e2 ) = f (0, 1, 0) = (−1, −1, 1) ,
f (e3 ) = f (0, 0, 1) = (1, −3, 1) ,

ce qui implique que :

f (e1 )
 f (e2 ) f (e3
)
2 −1 1 e1
.
M=  3 −1 −3  e2
3 1 1 e3

(2) Soient B1 = {u1 , u2 , u3 } une base de R3 avec u1 = (2, −1, −2) , u2 = (1, 0, −1) et u3 = (3, 1, 2)
.
a) La matrice de passage P de la base canonique de R3 à la base B1 est :

u1 u2 u3 
2 1 3 e1
.
P =  −1 0 1  e2
−2 −1 2 e3

b) La matrice de passage Q de la base B1 à la base canonique de R3 est :

1
Q = P−1 = ×t (comP) .
det P

Suivant la 2ème ligne on a :

1 3 2 1
det P = − (−1) −1 = 5,
−1 2 −2 −1

et
   
1 0 1 1 −5 1
comP =  −5 10 0  ⇒t (comP) =  0 10 −5 
1 −5 1 1 0 1
 1 1

5 −1 5
−1
⇒ Q=P =  0 2 −1  .
1 1
5 0 5
3.7 Matrices semblables 89

c) Trouvons la matrice N associée à f relativement à la base B1 .On a :

N = Q×M×P
 1 1
  
5 −1 5 2 −1 1 2 1 3
=  0 2 −1   3 −1 −3   −1 0 1 
1 1
5 0 5 3 1 1 −2 −1 2
 1 1
 
5 −1 5 3 1 7
=  0 2 −1   13 6 2 
1 1
5 0 5 3 2 12
 59
− 5 − 27 9

5 5
=  23 10 −8  .
6 3 19
5 5 5

Dans une application linéaire définie de E dans F

Proposition 3.7.2 Soit A1 la matrice associée à une application linéaire f définie de E, muni
d’une base B1 , dans F, muni d’une base B2 . Après le changement de base dans E de B1 par B′1 et
dans F de B2 par B′2 , on a les deux matrices de passages PB1 →B′1 et QB2 →B′2 . La matrice associée à f
dans ce changement de bases est donnée par la formule :

A2 f , B′1 , B′2 = Q−1 × A1 ( f , B1 , B2 ) × P.

■ Exemple 3.36 On considère l’application linéaire définie par :

f : R4 → R3
(x, y, z,t) 7→ (x − 2y + z + t, 2x − y − t, 4x + y + z + t) .

Soient B1 = {e1 , e2 , e3 , e4 } et B2 = {u1 , u2 , u3 } les bases canoniques respectivement de R4 et R3 .

(1) Donner la matrice M associée à f relativement aux bases B1 et B2 .

f (e
1 ) f (e2 ) f (e3 ) f (e
4)
1 −2 1 1 u1
M( f , B2 , B3 ) =  2 −1 0 −1  u2
4 1 1 1 u3

(2) Soient B′1 = {v1 , v2 , v3 , v4 } une base de R4 avec v1 = (1, 1, 2, 3) , v2 = (−1, 0, 1, 4) , v3 =

(2, 0, 1, 1) et v4 = (5, 1, 0, 5) et B′2 = {w1 , w2 , w3 } une base de R3 avec w1 = (2, 1, 3) , w2 = (−1, 2, 1)
et w3 = (−3, −4, 2) .
(a) Trouvons la matrice de passage P de la base B1 vers B′1 .

v1 v2 v3 v4 
1 −1 2 5 e1
 1 0 0 1  e2
P=
 2 1

1 0  e3
3 4 1 5 e4

(b) Déterminons la matrice de passage Q de la base B2 vers B′2 .

w1 w2 w3 
2 −1 −3 u1
Q=  1 2 −4  u2
3 1 2 u3
 90 Chapitre 3. Les matrices

(c) Déterminons la matrice Q−1 qui est la matrice de passage de B′2 vers B2 .
 
t 8 −1 10
1 1
Q−1 = (comQ) =  −14 13 5  .
det Q 45
−5 −5 5

(d) Trouvons la matrice N associée à f relativement aux bases B′1 et B′2 .

 
134 48 129 320
1 
N f , B′1 , B′2 = Q−1 MP =


−29 −129 33 70  .
45
40 15 15 70

3.8 Rang d’une matrice- déteminant mineur

Définition 3.8.1 (Le déterminant mineur ou mineur principal) Soit F = {e1 , e2 , · · · , em } une
famille de vecteurs dans un espace vectoriel E de dimension finie n tel que m ≤ n et on pose A la
matrice des vecteurs colonnes ou lignes construite par les composantes des vecteurs ei , 1 ≤ i ≤ m.
Le déterminant mineur est l’ordre le plus élevé extrait de la matrice A du déterminant différent
de 0.

Définition 3.8.2 (Le rang d’une matrice) On définit le rang d’une matrice A comme étant
le rang de ses vecteurs colonnes ou de ses vecteurs lignes qu’on le note par rangA ou rgA.
Autrement le rang d’une matrice est l’ordre du déterminant mineur de la matrice .

■ Exemple 3.37 On pose : e1 = (1, 2, 3, 0) , e2 = (−1, 1, 1, 2) et e3 = (0, −1, 5, 2) . Donc :

 
1 −1 0
 2 1 −1 
A=
 3 1
,
5 
0 2 2

alors si on calcul par exemple :

1 −1 0
1 −1 2 −1
2 1 −1 = 1 +
1 5 3 5
3 1 5
= 5 + 1 + 10 + 3 = 19 ̸= 0,

ce qui implique que la matrice A admet un déterminant mineur de taille 3, donc rangA = 3.
Proposition 3.8.1 Soit F = {e1 , e2 , · · · , em } une famille de vecteurs dans un espace vectoriel E de
dimension finie n tel que m ≤ n et on pose A la matrice des vecteurs colonnes ou lignes construite
par les composantes des vecteurs ei , 1 ≤ i ≤ m.
F est une famille libre si et seulement si la taille du déterminant mineur extrait de la matrice A est
égale à m.

■ Exemple 3.38

e1 e2 e3 
2 −1 1
A=  1 2 3 
3 0 3
 3.9 Résolution d’un système d’équations linéaires 91

2 −1 1
−1 1 2 −1
det A = 1 2 3 =3 +3 = 3 (−5) + 3 (5) = 0,
2 3 1 2
3 0 3
alors la famille F = {e1 , e2 , e3 } est liée, de plus :

2 −1
= 4 + 1 = 5 ̸= 0,
1 2

alors :

rangA = 2.

■ Exemple 3.39
 
−1 −2 −3
B=
3 6 9

−1 −2 −2 −3 −1 −3
= = = 0,
3 6 6 9 3 9
     
−1 −2 −3
alors la famille F = {e1 , e2 , e3 } est liée avec e1 , e2 et e3 , alors :
3 6 9
rangB = 1.
■ Exemple 3.40 Soit
 
1 1 3 5
C =  1 2 5 9 .
2 3 8 14

Les quatre déterminants d’ordre 3 extraits de C sont nuls, par contre le déterminant d’ordre 2 extrait
1 1
n’est pas nul, donc chaque famille construite par 3 vecteurs colonnes de la matrice C est
1 2
liée et on a : rangC = 2.

3.9 Résolution d’un système d’équations linéaires

3.9.1 Méthode de C RAMER
Définition 3.9.1 On appelle système de C RAMER un système de n équations linéaires à n
inconnues sur le corps K (généralement R ou C), de la forme :


 a11 x1 + a12 x2 + · · · + a1n xn = y1
 a21 x1 + a22 x2 + · · · + a2n xn = y2

(S) .. ⇔ AX = Y,


 .
an1 x1 + an2 x2 + · · · + ann xn = yn


avec :
     
a11 a12 . . . a1n x1 y1
 a21 a22 . a2n  
 x2
   y2 
A= ..  , X =  .. et Y =  ,
   
.. .. ..  .. 
 . . . .   .   . 
an1 an2 · · · ann n,n xn n,1
yn n,1
92 Chapitre 3. Les matrices

avec det A = △ ̸= 0.
La méthode de C RAMER permet de trouver chaque composante de X par la formule :
△i
xi = , (3.1)
△
où △ est le déterminant de la matrice A et △i est le déterminant déduit de △ par le remplacement
de la ième colonne (celle des coefficients de xi de notre système) par la colonne des composantes
du vecteur Y (les yi ). Les formules (3.1) s’appellent formules de C RAMER. Ces formules sont
fondamentales et permettent de calculer chacune des inconnues du système sans faire intervenir les
autres.
■ Exemple 3.41 Résoudre le système suivant :

 3x − 2y + 5z = 2
x − 8y + 3z = −4 . (3.2)
7x + 3y − 6z = 5


3 −2 5
−8 3 1 3 1 −8
1 −8 3 = 3 − (−2) +5
3 −6 7 −6 7 3
7 3 −6
= 3 (48 − 9) + 2 (−6 − 21) + 5 (3 + 56)
= 358 ̸= 0,
alors :
2 −2 5
−4 −8 3
5 3 −6 236
x= = ,
358 358
3 2 5
1 −4 3
7 5 −6 246
y= = ,
358 358
3 −2 2
1 −8 −4
7 3 5 100
z= = .
358 358
236
 
358
246
Alors la solution du système (3.2) est le vecteur X =  358
.
100
358
■ Exemple 3.42

 5x − y + z = 1
7x − 3y + 2z = 2 . (3.3)
8x + y − 4z = 4


5 −1 1
−3 2 7 2 7 −3
7 −3 2 = 5 + +
1 −4 8 −4 8 1
8 1 −4
= 5 (10) + (−44) + (31) = 37 ̸= 0,
 3.9 Résolution d’un système d’équations linéaires 93

alors :
1 −1 1
2 −3 2
4 1 −4 8
x = = ,
37 37
5 1 1
7 2 2
8 4 −4 −24
y = = ,
37 37
5 −1 1
7 −3 2
8 1 4 −27
z = = ,
37 37
8
 
37
−24
alors la solution du système (3.3) est le vecteur X =  37
.
−27
37
■ Exemple 3.43 Calculer y dans le système :


 2x − 3y + z + 2t = 4
2x − y + 2z + t = 0

.

 5x − 4y + z + 2t = 2
x − 3y + 7z − t = 6


2 −3 1 2
2 −1 2 1
= 72 ̸= 0,
5 −4 1 2
1 −3 7 −1
donc :
2 4 1 2
2 0 2 1
5 2 1 2
1 6 7 −1 −204
y= = .
72 72

3.9.2 Cas général : Le théorème de R OUCHÉ -F ONTENÉ

Considérons un système de n inconnues et p équations donné par :


 a11 x1 + a12 x2 + · · · + a1n xn = y1 ,
 a21 x1 + a22 x2 + · · · + a2n xn = y2 ,

.. (3.4)


 .
a p1 x1 + a p2 x2 + · · · + a pn xn = y p .


On suppose que le système (3.4) est de rang r, où r désigne le rang de la matrice A associée aux
système (3.4) donnée par :
 
a11 a12 . . . a1n
 a21 a22 . a2n 
A= . ..  ,
 
.. ..
 .. . . . 
a p1 a p2 · · · a pn
94 Chapitre 3. Les matrices

d’où :

a11 · · · a1r
δ= .. .. .. ̸= 0.
. . .
ar1 · · · arr

Alors si on pose :

a11 · · · a1r y1
.. .. .. ..
△k = . . . . , k = r + 1, · · · , p,
ar1 · · · arr yr
ak1 · · · akr yk

qui s’appellent les déterminants caractéristiques, alors on a les deux cas suivants :
(1) Si tous les △k sont nuls alors le système est compatible et le système admet une infinité de
solutions données par l’une des équations du système. (variable en fonction des autres).
(2) Si l’un des △k est non nul alors le système est incompatible et le système n’admet pas de
solution.
Théorème 3.9.1 (Rouché-Fontené) Soit (S) un système linéaire à p équation et n inconnues,
de rang r.
(1) Si r = p = n, il y a existence et unicité de la solution.
(2) Si r = p < n, il y a existence et non unicité des solutions.
(3) Si r < p et r = n, il y a existence et unicité des solutions.
(4) Si r < p et r < n, il y a existence et non unicité des solutions.

■ Exemple 3.44 Discuter suivant les valeurs de k les solutions du système suivant :

 4x − y + 2z = 1
x + 2y − kz = 3 . (3.5)
3x + y + z = −4


La représentation matricielle est :

AX = B,

avec :
     
4 −1 2 1 x
A=  1 2 −k , B =
  3  et X =  y .
3 1 1 −4 z

4 −1 2
2 −k 1 −k 1 2
det A = 1 2 −k = 4 + +2
1 1 3 1 3 1
3 1 1
= 4(2 + k) + (1 + 3k) + 2(1 − 6)
= −1 + 7k.

1er cas : Si −1 + 7k ̸= 0, alors (3.5) est un système de C RAMER dont la solution est donnée par
Xk (xk , yk , zk ) avec :
3.9 Résolution d’un système d’équations linéaires 95

1 −1 2
3 2 −k
−4 1 1 27−3k
xk = 7k−1 = 7k−1 ,
4 1 2
1 3 −k
3 −4 1 −15−19k
yk = 7k−1 = 7k−1 ,
4 −1 1
1 2 3
3 1 −4 −62
zk = 7k−1 = 7k−1 .

2ème cas : Si −1 + 7k = 0 ⇒ k = 71 , alors :

4 −1
= 8 + 1 = 9 ̸= 0 ⇒ rangA = 2.
1 2

D’après le théorème de ROUCHÉ -F ONTENÉ, calculons :

4 −1 1
△1 = 1 2 3 = 4 (−11) + (−13) + (−5) = −62 ̸= 0,
3 1 −4

alors le système est incompatible et le système n’admet pas de solution.

■ Exemple 3.45 Étudions le système suivant :

 x − y + kz = a
x + 2y − 2z = b . (3.6)
3x + y + 3z = c


La représentation matricielle est :

AX = B,

avec :
     
1 −1 k a x
A =  1 2 −2  , B =  b  et X =  y  .
3 1 3 c z

De même :

1 −1 k
det A = 1 2 −2 = 17 − 5k.
3 1 3

1er cas : Si 17 − 5k ̸= 0, alors (3.6) est un système de C RAMER dont la solution est donnée par
96 Chapitre 3. Les matrices

X (x, y, z) avec :

a −1 k
b 2 −2
c 1 3 k(b−2c)+8a+3b+2c
x= 17−5k = 17−5k ,
1 a k
1 b −2
3 c 3 k(c−3b)−9a+3b+2c
y= 17−5k = 17−5k ,
1 −1 a
1 2 b
3 1 c c−4b−5a
z= 17−5k = 17−5k .

17
2ème cas : Si 17 − 5k = 0 ⇒ k = 5, alors :

1 −1
= 2 + 1 = 3 ̸= 0 ⇒ rangA = 2.
1 2

Calculons le déterminant caractéristique :

1 −1 a
△1 = 1 2 b = (2c − b) + (c − 3b) + a (−5)
3 1 c
= c − 4b − 5a,
alors on a les deux cas suivant :
(1) Si c − 4b − 5a = 0, alors le système est compatible et admet une infinité de solutions données
par :

{(b − 2y + 2z, y, z) , y, z ∈ R} .

(2) Si c − 4b − 5a ̸= 0, alors le système est incompatible et n’admet pas de solution.

■ Exemple 3.46 Résoudre le système suivant :

 2x − 3y + 4z + t = 1
3x − y − z + 2t = 2 ⇔ AX = B, (3.7)
−x + 2y + 3z − 4t = 5


avec :
 
  x  
2 −3 4 1 1  y 
A =  3 −1 −1 2  , B =  2  et X = 
 z .

−1 2 3 −4 5
t

−3 4 1
−1 −1 2 = −3 (−2) − 4 (0) + (−1) = 5 ̸= 0 ⇒ rangA = 3,
2 3 −4
alors (3.7) est équivalent à :

 −3y + 4z + t = 1 − 2x
−y − z + 2t = 2 − 3x
+2y + 3z − 4t = 5 + x

3.9 Résolution d’un système d’équations linéaires 97

qui est un système de C RAMER avec second membre :

 
1 − 2x
B =  2 − 3x  ,
5+x

d’où :
1 − 2x 4 1
2 − 3x −1 2
5+x 3 −4 81 − 44x
y = = ,
5 5
−3 1 − 2x 1
−1 2 − 3x 2
2 5 + x −4
z = = −9 − 5x,
5
−3 4 1 − 2x
−1 −1 2 − 3x
2 3 5+x 32 + 12x
t = = ,
5 5
le système admet une infinité de solutions données par :
  
81 − 44x 32 + 12x
x, , −9 − 5x, ,x ∈ R .
5 5

■ Exemple 3.47 Résoudre le système suivant :



 2x − 3y + 5z = 2
x − y + 6z = −1

⇐⇒ AX = B,

 5x − 2y + z = −2
6x + 4y + 3z = 5


avec :
 
2 −3 5
 1 −1 6 
A= 
 5 −2 1 
6 4 3

2 −3 5
1 −1 6 = 2 (11) − 7 + 5 (−13) = −50 ̸= 0 ⇒ rangA = 3,
5 −2 1
2 −3 5 2
1 −1 6 −1
△1 = = −1005 ̸= 0,
5 −2 1 −2
6 4 3 5
alors le système est incompatible donc n’admet pas des solutions.
98 Chapitre 3. Les matrices

Cas des systèmes homogènes

Définition 3.9.2 On appelle un système du type :

AX = 0,

système homogène.

Dans le cas où A est une matrice carrée (système de C RAMER) si det A ̸= 0 alors la seule
solution est X = 0 (vecteur nul), mais si det A = 0 alors il existe d’autres solutions non nulles.
Dans le cas général :



 a11 x1 + a12 x2 + · · · + a1n xn = 0,
 a21 x1 + a22 x2 + · · · + a2n xn = 0,

.. (3.8)


 .
a p1 x1 + a p2 x2 + · · · + a pn xn = 0,


qui est un système de rang r c’est-à-dire :

a11 · · · a1r
δ= .. .. .. ̸= 0.
. . .
ar1 · · · arr

Dans ce cas il est évident que le système est compatible (△k = 0, r + 1 ≤ k ≤ p) , de plus le système
(3.8) est équivalent à :


 a11 x1 + a12 x2 + · · · + a1n xn = 0,
 a21 x1 + a22 x2 + · · · + a2n xn = 0,

..


 .
ar1 x1 + ar2 x2 + · · · + arn xn = 0,


dont les solutions forment un espace vectoriel de dimension n − r.

■ Exemple 3.48 Résoudre le système suivant :

 5x − y + 6z = 0,
−x − 2y + 5z = 0, (3.9)
4x + 3y + z = 0.


5 −1 6
−1 −2 5 = 5 (−17) + (−21) + 6 (5) = −76 ̸= 0,
4 3 1
 
0
Alors (3.9) n’admet qu’une seule solution X =  0  .
0
■ Exemple 3.49 Résoudre le système suivant :

 5x − y + 6z = 0
−x − 2y + 5z = 0 ⇔ AX = 0, (3.10)
4x − 3y + 11z = 0

 3.9 Résolution d’un système d’équations linéaires 99

avec :
 
5 −1 6
A =  −1 −2 5 
4 −3 11

5 −1 6
−1 −2 5 = 5 (−7) + (−31) + 6 (11) = 0,
4 −3 11
mais :
5 −1
= −11 ̸= 0 ⇒ rangA = 2,
−1 −2

alors de (3.10) on a :

5x − y = −6z
x + 2y = 5z

qui est un système de C RAMER donc :

−6z −1
5z 2 7z
x = =− ,
11 11
5 −6z
1 5z 31z
y = = ,
11 11
alors le système (3.10) admet une infinité de solutions données par :
 7z  

 − 11 


  

  
 31z  ., z ∈ R .
  11  

   


 

z

3.9.3 Résolution des systèmes carrés par la méthode de G AUSS

Soit le système :


 a11 x1 + a12 x2 + · · · + a1n xn = y1
 a21 x1 + a22 x2 + · · · + a2n xn = y2

.. ⇔ AX = Y, (3.11)


 .
an1 x1 + an2 x2 + · · · + ann xn = yn


avec :
     
a11 a12 . . . a1n x1 y1
 a21 a22 . a2n   x2   y2 
A= ..  , X =  ..  et Y =  .
     
.. .. .. ..
 . . . .   .   . 
an1 an2 · · · ann xn yn

La méthode de G AUSS transforme la matrice A en une matrice triangulaire supérieure par des
combinaisons linéaires. L’application des mêmes combinaisons sur le second membre Y , permet
100 Chapitre 3. Les matrices

de déterminer les xi , commencent par xn ensuite xn−1 j’usqu’au x1 . Ce résultat est vérifie si A est
inversible (dans les démarches de G AUSS on ne trouve pas une ligne ne contenant que les zéros)
par contre si on trouve une ligne qui contient des zéros dans la transformation de A alors on a l’un
des deux cas suivants :
1er cas : la ligne qui se trouve dans le même niveau dans la transformation de Y est nul, alors
dans ce cas le système (3.11) est compatible donc on a une infinité de solutions données par les
lignes non nulles.
2ème cas : la ligne qui se trouve dans le même niveau dans la transformation de Y est non nulle,
alors dans ce cas le système (3.11) est incompatible donc le système n’admet pas de solution.

R On peut transformer A en une matrice diagonale si c’est possible mais triangulaire nous suffit.

■ Exemple 3.50 Résoudre par la méthode de G AUSS le système suivant :


 2x − 3y + 5z = 6,
3x − y + 4z = −1, (3.12)
5x − 2y + 3z = 2.


Type d’opération sur

A→ B→
la ligne (Li )
   
L1 2 −3 5 6
L2  3 −1 4   −1 
L3 5 −2 3 2
L1′ = L1
   
2 −3 5 6
L2′ = L2 − 23
L1 7
− 72 


 0
2
 −10 
L3′ = L3 − 25 L1 0 11
2 − 19
2 −13
L1′′ = L1′ 
2 −3 5
 
6

L2′′ = L2′    0 7
− 27   −10 
11 2
L3′′ = L3′ − 2
7 L2′ 0 0 −4 19
7
2

alors de la 3ème ligne on a :

19 19
−4z = ⇒z=− ,
7 28
et de la 2ème ligne :
 
7 7 7 7 19
y− z = −10 ⇒ y = − − 10
2 2 2 2 28
 
19 20 99
⇒ y= − − =− ,
28 7 28

de plus par la 1 ère ligne donne :

2x − 3y + 5z = 6
⇒ 2x = 3y
− 5z + 6
99 19
⇒ 2x = 3 − 28 − 5 − 28 + 6
−34
⇒ 2x = − 297 95 168
28 + 28 + 28 = 28
⇒ x = −17
28 ,

−17 99 19


alors la solution du (3.12) est le vecteur : X = 28 , − 28 , − 28 .
3.9 Résolution d’un système d’équations linéaires 101

■ Exemple 3.51 Résoudre par la méthode de G AUSS le système suivant :


 −x + 2y + 3z = 1,
3x + 3y − z = 1, (3.13)
2x + 5y + 2z = 2.


Le type d’opération sur

A→ B→
la ligne (Li )
   
L1 −1 2 3 1
L2  3 3 −1   1 
L2 2 5 2 2
L1′ = L1
   
−1 2 3 1
L2′ = L2 − −1 3



L1
 0 9 8   4 
′
L3 = L3 − −1 L12
0 9 8 4
L1′′ = L1′
   
−1 2 3 1
L2′′ = L2′  0 9 8   4 
L3′′ = L3′ − 99 L2′


0 0 0 0
alors le système (3.13) est compatible et admet une infinité de solutions données par :
  
−1 11 4 8
+ z, − z, z , z ∈ R ,
9 9 9 9
car :
4 8
9y + 8z = 4 ⇒ y = − z,
9 9
de plus :
−x + 2y + 3z = 1 ⇒ x = 2y + 3z − 1
 
4 8
⇒ x=2 − z + 3z − 1
9 9
−1 11
⇒ x= + z.
9 9
■ Exemple 3.52 Résoudre par la méthode de G AUSS le système suivant :

 −x + 2y + 3z = 1,
3x + 3y − z = 1, (3.14)
2x + 5y + 2z = 3.


Le type d’opération sur

A→ B→
la ligne (Li )
   
L1 −1 2 3 1
L2  3 3 −1   1 
L2 2 5 2 3
L1′ = L1
   
−1 2 3 1
L2′ = L2 − −1 3



L1
 0 9 8   4 
′
L3 = L3 − −1 L12
0 9 8 5
L1′′ = L1′
   
−1 2 3 1
L2′′ = L2′  0 9 8   4 
L3′′ = L3′ − 99 L2′


0 0 0 1
alors le système (3.14) est incompatible donc n’admet pas de solution.
 102 Chapitre 3. Les matrices

3.9.4 Résolution des systèmes carrés par la notion de l’inverse

Soit le système :


 a11 x1 + a12 x2 + · · · + a1n xn = y1
 a21 x1 + a22 x2 + · · · + a2n xn = y2

.. ⇔ AX = Y, (3.15)


 .
an1 x1 + an2 x2 + · · · + ann xn = yn


avec :
     
a11 a12 . . . a1n x1 y1
 a21 a22 . a2n   x2   y2 
A= ..  , X =  .. et Y =  .
     
.. .. ..  .. 
 . . . .   .   . 
an1 an2 · · · ann n,n xn n,1
yn n,1

Alors on a l’un des deux cas suivants :

1er cas : Si A est inversible (det A ̸= 0) :
Le système (3.15) admet une seule solution donnée par la formule :
X = A−1Y ,
car :
AX = Y ⇒ A−1 AX = A−1Y ⇒ IX = A−1Y.
2ème cas : Si A n’est pas inversible (det A = 0) :
C’est le même résultat que le théorème de ROUCHÉ -F ONTENÉ.
i) △k = 0, ∀k, r + 1 ≤ k ≤ n avec rangA = r, alors dans ce cas (3.15) est compatible donc admet
une infinité de solutions.
ii) ∃k, r + 1 ≤ k ≤ n tel que △k ̸= 0, alors dans ce cas (3.15) est incompatible donc n’admet pas de
solution.

■ Exemple 3.53 Résoudre le système :


 2x − 3y + z = 5
−x + 2y + 2z = −1 ⇔ AX = B (3.16)
5x + 4y + z = 6


avec :
     
2 −3 1 x 5
A =  −1 2 2  , X =  y  et B =  −1  ,
5 4 1 z 6
alors :
2 −3 1
det A = −1 2 2 = 2 (−6) + 3 (−11) + (−14) = −59 ̸= 0,
5 4 1 
−6 11 −14
comA =  7 −3 −23 
−8 −5 1 
−6 7 −8
t
⇒ A−1 = det1 A comA = −1
59
 11 −3 −5  ,
−14 −23 1
 3.10 Valeurs Propres, Vecteurs Propres, sous espaces Propres 103

alors la solution du (3.16) est :

  
−6 7 −8 5
−1
X = A−1 B =  11 −3 −5   −1 
59
−14 −23 1 6
 85 
59
28 
=  − 59 .
41
59

3.10 Valeurs Propres, Vecteurs Propres, sous espaces Propres

Définition 3.10.1 On appelle valeur propre et vecteur propre assiocié d’un endomorphisme f
dans un espace vectoriel E, un scalaire λ et un vecteur u non nul tels que :

f (u) = λ u.

L’ensemble des vecteurs propres associés à une valeur propre λ de f auquel on ajoute le vecteur
nul 0E est un sous-espace de E, égal à :

ker ( f − λ I)

et appelé sous-espace propre de f associé à λ qu’on note Eλ .

Définition 3.10.2 Soit A la matrice associée à f dans une base quelconque de E. On appelle les
valeurs propres de f , les racines de l’équation caractéristique de A donnée par :

ϕ (λ ) = PA (λ ) = det (A − λ I) = 0.

ϕ (λ ) est le polynôme caractéristique de f ou de la matrice A. On appelle l’ensemble des valeurs

propres (réelles ou complexes) le spèctre de la matrice A noté SpA, les vecteurs propres sont les
vecteurs non nuls qui vérifient :

Av = λ v.

R Dans tous les cas on a :

PA (A) = 0 (matrice nulle).

Définition 3.10.3 La trace d’une matrice carrée A, est la somme de ses coefficients diagonaux
qu’on la note par Tr (A).

■ Exemple 3.54
 
2 3 3
A =  1 4 −1  ⇒ Tr (A) = 2 + 4 + (−7) = −1.
5 2 −7

Proposition 3.10.1 Tout endomorphisme d’un espace vectoriel E de dimension n admet n valeurs
propres, réelles ou complexes, distinctes ou confondues. Leur produit où chaque valeur propre est
comptée avec sa multiplicité (nombre de répétition de la valeur propre) est égal au déterminant de
A, leur somme est égale à la trace de la matrice A associée à f .
104 Chapitre 3. Les matrices

■ Exemple 3.55 Trouvons les valeurs propres et les vecteurs propres des deux matrices suivantes :
 
−1 3
(1) A1 = .
4 1

−1 − λ 3
det (A1 − λ I) = =0
4 1−λ
⇒ (−1 − λ ) (1 − λ ) − 12 = 0
⇒ λ 2 − 13
√ =0 √
⇒ λ1 = 13 et λ2 = − 13 (les deux valeurs propres).
Alors :
n√ √ o √ √ 
SpA1 = 13, − 13 et TrA1 = 13 − 13 = (−1 + 1) = 0.
| {z } | {z }
coefficients diagonaux
valeurs propres

Cherchons les sous espaces propres :

n √ o
Eλ1 = E√13 = v ∈ R2 /A1 v = 13v

√ √
x
 
A1 v = 13v ⇒ A1 − 13I =0
 √  y 
−1 − 13 3√ x
⇒ =0
 4
√
1 − 13 y
−1 − 13√x +
3y = 0
4x +√ 1 − 13 y = 0
( 13−1)
⇒x= 4 y  √ 
13 − 1
⇒ Eλ1 = vect {v1 } avec v1 .
4
D’autre part :
n √ o
Eλ2 = E−√13 = v ∈ R2 /A1 v = − 13v

√ √
x
 
A1 v = − 13v ⇒ A1 + 13I =0
 √  y
−1 + 13 3√ x
⇒ =0
4
√
1 + 13 y

−1 + 13√x +
3y = 0
4x + √
1 + 13 y = 0
−( 13+1)
⇒x= 4 y  √ 
− 13 − 1
⇒ Eλ2 = vect {v2 } avec v2 .
4

 
1 1 3
(2) A2 =  −1 1 1  (3.17)
1 2 2
3.10 Valeurs Propres, Vecteurs Propres, sous espaces Propres 105

1−λ 1 3
det (A2 − λ I) = 0 ⇒ −1 1 − λ 1 =0
1 2 2−λ
1−λ 1 −1 1 −1 1 − λ
⇒ (1 − λ ) − +3 =0
2
2 − λ 1 2−λ 1 2
⇒ (1 − λ ) λ 2 − 3λ − (−3 + λ ) + 3 (−3 + λ ) = 0
⇒ −λ 3 + 4λ 2 − λ − 6 = 0,
(2 est une racine)
2
⇒ (λ − 2) −λ + 2λ + 3 = 0,
⇒ − (λ − 2) (λ + 1) (λ − 3) = 0,
Alors :

SpA2 = {−1, 2, 3} , det A2 = −6 et TrA2 = (−1 + 2 + 3) = (1 + 1 + 2) = 4.

| {z } | {z }
valeurs propres coefficients diagonaux

Cherchons les sous espaces propres :

Eλ1 = v ∈ R3 /A2 v = (−1) v ,



    
2 1 3 x 0
A2 v = (−1) v ⇒ (A2 + I) v = 0 ⇒  −1 2 1   y  =  0 
 1 2 3 z 0
 2x + y + 3z = 0 · · · (1)
⇒ −x + 2y + z = 0 · · · (2)
x + 2y + 3z = 0 · · · (3),


(1) − (3) implique :

y = x,

donc (3) donne :

z = −x ⇒ v (x, x, −x) , x ∈ R ⇒ Eλ1 = vect {v1 } avec v1 (1, 1, −1) ..

D’autre part :

Eλ2 = v ∈ R3 /A2 v = 2v ,


A2 v= 2v ⇒ (A2 − 2I)

 v = 0  
−1 1 3 x 0
⇒  −1 −1 1   y  =  0 
 1 2 0 z 0
 −x + y + 3z = 0 · · · (1)
⇒ −x − y + z = 0 · · · (2)
x + 2y = 0 · · · (3),


(3) donne :

x = −2y,

on remplace dans (2) on trouve :

z = x + y = −2y + y = −y ⇒ v (−2y, y, −y) , y ∈ R

⇒ Eλ2 = vect {v2 } avec v2 (−2, 1, −1) .
 106 Chapitre 3. Les matrices

Pour :

Eλ3 = v ∈ R3 /A2 v = 3v ,


et :
A2 v= 3v ⇒ (A2 − 3I) v=  0,   
−2 1 3 x 0
⇒  −1 −2 1   y  =  0 
 1 2 −1 z 0
 −2x + y + 3z = 0 · · · (1)
⇒ −x − 2y + z = 0 · · · (2)
x + 2y − z = 0 · · · (3),


L’équation (3) donne :

x = z − 2y,

on remplace dans (1) on trouve :

−2 (z − 2y) + y + 3z = 0 ⇒ z = −5y ⇒ x = −7y,

donc :

v (−7y, y, −5y) , y ∈ R,

d’où :

Eλ 3 = vect {v3 } avec v3 (−7, 1, −5) .

R Le seul problème dans la recherche des valeurs propres est la factorisation du polynôme
caractéristique.

3.11 Diagonalisation ou trigonalisation d’une matrice

Proposition 3.11.1 Pour qu’un endomorphisme d’un espace vectoriel de dimension finie soit
diagonalisable, il faut et il suffit que les valeurs propres soient distinctes ou bien chaque sous-espace
propre de f ait pour dimension l’ordre de multiplicité de la valeur propre correspondante. De plus
la forme diagonale est donnée par :

D = P−1 AP,

où P est la matrice des vecteurs propres et D est la matrice diagonale des valeurs propres. Par contre
si les valeurs propres sont distinctes et la dimension de l’un des sous espaces propres est différente
de l’ordre de multiplicité de cette valeur propre alors la matrice A est trigonalisable, de plus la
forme triangulaire est donnée par la formule :

T = P−1 AP,

où P est la matrice des vecteurs propres.

Proposition 3.11.2 La ransformation d’une matrice carrée A en une matrice diagonale sinon
triangulaire par la méthode de G AUSS permet de trouver les valeurs propres de A qui sont les
éléments de la diagonale dans les deux cas.
3.11 Diagonalisation ou trigonalisation d’une matrice 107

R Si A est la matrice associée à une application linéaire f dans la base canonique, alors Les
deux matrices D ou T sont les matrices associées à f dans la base formée par les vecteurs
propres associés aux valeurs propres qui se trouvent dans la diagonale de D ou T .

R Dans les cas de la trigonalisation le nombre des colonnes de la matrice A qui contient que des
zéros en dehors de la diagonale pour chaque valeur propre est égal exactement à la dimension
du sous espace propre.

■ Exemple 3.56 Si :

SpA = {λ1 , λ1 , λ1 , λ2 } .

1er cas : Si dim Aλ1 = 3 (cas de la diagonalisation), alors :

 
λ1 0 0 0
 0 λ1 0 0 
D=
 0 0 λ1 0  .


0 0 0 λ2

2ème cas : Si dim Aλ1 = 2 (cas de la trigonalisation), alors :

 
λ1 0 b 0
 0 λ1 c 0 
 0 0 λ1 0  . (b, c ̸= 0)
T = 

0 0 0 λ2

3ème cas : Si dim Aλ1 = 1 (cas de la trigonalisation), alors :

 
λ1 a b 0
 0 λ1 c 0 
 0 0 λ1 0  . (a, b, c ̸= 0)
T = 

0 0 0 λ2

■ Exemple 3.57 Pour l’exemple 3.17 la matrice A2 est diagonalisable car les valeurs propres sont
distinctes et on a :

D = P−1 AP,

avec :
   
−1 0 0 1 2 −7
D =  0 2 0  et P =  1 1 1 .
0 0 3 −1 −1 5

Le classement par colonne des vecteurs propres est le même que celui des valeurs propres associées.
■ Exemple 3.58
 
−1 1 1
B =  1 −1 1  .
1 1 −1
108 Chapitre 3. Les matrices

Le polynôme caractéristique est :

−1 − λ 1 1
PB (λ ) = det (B − λ I) = 1 −1 − λ 1
1 1 −1 − λ
−1 − λ 1 1 1 1 −1 − λ
= (−1 − λ ) − +
1 −1 − λ 1 −1 − λ 1 1
h i
= (−1 − λ ) (−1 − λ )2 − 1 − [(−1 − λ ) − 1] + [1 − (−1 − λ )]
= − (1 + λ ) λ 2 + 2λ + λ + 2 + 2 + λ

= − (1 + λ ) λ (2 + λ ) + 2 (2 + λ )
= (2 + λ ) −λ 2 − λ + 2
 

= − (λ + 2)2 (λ − 1) .
Alors la valeur propre (λ1 = −2) est d’ordre de multiplicité 2.
Cherchons la dimension du sous espace propre E−2 ?

Eλ1 = v ∈ R3 /Bv = (−2) v ,



= (−2) v ⇒ (B
Bv   + 2I)v = 0 
1 1 1 x 0
⇒  1 1 1  y  =  0 
1 1 1 z 0
⇒ x+y+z = 0
⇒ x = −y − z
⇒ v (−y − z, y, z) , y, z ∈ R
⇒ v = y (−1, 1, 0) + z (−1, 0, 1) , y, z ∈ R
⇒ Eλ1 = vect {w1 , w2 } avec w1 (−1, 1, 0) et w2 = (−1, 0, 1) ,
de plus la famille {w1 , w2 } est libre car :

α1 w1 + α2 w2 = (0, 0, 0) ⇒ (−α1 − α2 , α1 , α2 ) = (0, 0, 0)

⇒ α1 = α2 = 0 ⇒ {w1 , w2 } est une base de E−2 ,
⇒ dim Eλ1 = 2 ( ordre de multiplicité).

Alors la matrice B est diagonalisable. Pour la 2ème valeur propre (λ2 = 1) on a :

Eλ2 = v ∈ R3 /Bv = v ,


= v ⇒ (B − I) v = 
Bv  0   
−2 1 1 x 0
⇒  1 −2 1   y  =  0 
 1 1 −2 z 0
 −2x + y + z = 0 · · · (1)
⇒ x − 2y + z = 0 · · · (2)
x + y − 2z = 0 · · · (3)


(1) et (3) implique :

2x − y = −x + 2y ⇒ x = y,

(3) donne :

z = y ⇒ z = y ⇒ v (y, y, y) , y ∈ R,
3.11 Diagonalisation ou trigonalisation d’une matrice 109

donc :

Eλ 2 = vect {w3 } avec w3 (1, 1, 1) .

alors la matrice B est diagonalisable avec :

D = P−1 BP,

où :
   
1 0 0 1 −1 −1
D =  0 −2 0  et P =  1 1 0 .
0 0 −2 1 0 1

■ Exemple 3.59
 
3 2 −2
C =  −1 0 1  .
1 1 0

Remarque : C est la matrice associée à l’application linéaire f donnée par :

f : R3 → R3
(x, y, z) 7→ f (x, y, z) = (3x + 2y − 2z, −x + z, x + y) .

Le polynôme caractéristique est :

3−λ 2 −2
PC (λ ) = det (C − λ I) = −1 −λ 1
1 1 −λ
−λ1 −1 1 −1 −λ
= (3 − λ ) −2 −2
−λ
1 1 −λ 1 1
 2 
= (3 − λ ) λ − 1 − 2 (λ − 1) − 2 (−1 + λ )
= − (λ − 1) [(λ − 3) (λ + 1) + 4]
= − (λ − 1) λ 2 − 2λ + 1

= − (λ − 1)3 .
La seule valeur propre est λ1 = 1 avec un ordre de multiplicité 3. Cherchons la dimension du sous
espace propre Eλ1 ?

Eλ1 = v ∈ R3 /Cv = v ,


= v ⇒ (C − I) v = 
Cv  0   
2 2 −2 x 0
⇒  −1 −1 1   y  =  0 
 1 1 −1 z 0
 2x + 2y − 2z = 0
⇒ −x − y + z = 0
x+y−z = 0

⇒ x+y−z = 0 ⇒ z = x+y
⇒ v (x, y, x + y) , x, y ∈ R
⇒ v = x (1, 0, 1) + y (0, 1, 1) , y, z ∈ R
⇒ Eλ1 = vect {v1 , v2 } avec v1 (1, 0, 1) et v2 = (0, 1, 1) ,
110 Chapitre 3. Les matrices

de plus la famille {v1 , v2 } est libre car :

α1 v1 + α2 v2 = (0, 0, 0) ⇒ (α1 , α2 , α1 + α2 ) = (0, 0, 0)

⇒ α1 = α2 = 0 ⇒ {v1 , v2 } est une base de E1 ,
⇒ dim Eλ1 = 2 (différent de l’ordre de multiplicité).

Alors C n’est pas diagonalisable mais elle est trigonalisable avec :

T = P−1CP.

où :
   
1 a b 1 0 0
T =  0 1 c  et P =  0 1 0  ,
0 0 1 1 1 1

où les deux premières colonnes de P sont les vecteurs de la base de Eλ1 et la dernière est un vecteur
arbitraire de façon que P soit inversible (det P ̸= 0).
Il reste à trouver a, b et c.
Sachant que le nombre de colonnes qui contiennent des zéros en dehors de la diagonale est égal à
la dimension du sous espace propre donc a = 0, pour avoir deux colonnes (le même ordre de la
dimension du sous espace propre Eλ1 ).
Pour trouver b et c, on applique la propriété de la matrice de passage, en effet :

f (v3 ) = bv1 + cv2 + v3 avec v3 (0, 0, 1)

⇒ (−2, 1, 0) = (b, c, b + c + 1)
⇒ b = −2 et c = 1.

Conclusion :
 
1 0 −2
T =  0 1 1 .
0 0 1

R Le changement du 3ème vecteur dans P nous donne une autre matrice triangulaire.

R La diagonalisation permet de calculer des puissances successives d’une matrice A, par la

formule :
D = P−1 AP ⇔ A
= PDP−1

⇒ Am = PDP−1 PDP−1 · · · PDP−1


| {z }
m fois
⇒ Am = PDm P−1 car : P−1 P = I(matrice unité),
et
an11
 
0 0 ··· 0
 0
 an22 0 ··· 0 
n
 .. 
D =
 0 0 an33 . 0 
 . .. .. .. .. 
 .. . . . . 
0 0 0 am
nn
 3.11 Diagonalisation ou trigonalisation d’une matrice 111

3.11.1 Application de la diagonalisation et la trigonalisation dans la résolution d’un

système d’équations différentielles du premier ordre
Soit le système d’équations différentielles du premier ordre à coefficients constants :
 dx1

 dt = a11 x1 + a12 x2 + a13 x3 + · · · + a1n xn + b1
 dx2 = a21 x1 + a22 x2 + a13 x3 + · · · + a2n xn + b2

dt
..


 .
 dx3
dt = an1 x1 + an2 x2 + a n3 x3 + · · · + ann xn + bn
dX
⇔ dt = AX + B,

où :
     
a11 a12 . . . a1n x1 b1
 a21 a22 . a2n   x2   b2 
A= ..  , X =  ..  et B =  .
     
.. .. .. ..
 . . . .   .   . 
an1 an2 · · · ann xn bn

Alors si A est diagonlisable semblable à D on a :

dX dY
= AX + B ⇔ = DY +C
dt dt
avec :

X = PY, B = PC et D = P−1 AP,

où P est la matrice de passage de A à D (la matrice des vecteurs propres).

■ Exemple 3.60 Résoudre le système :

dx1
= 2x1 + 3x2 + t 2

dt (3.18)
dx2
dt = x1 + 4x2 + t,

le problème (3.18) est équivalent à :

dX
= AX + B,
dt
où :

t2
     
2 3 x1
A= ,X = et B = .
1 4 x2 t

2−λ 3
PA (λ ) = det (A − λ I) =
1 4−λ
= (2 − λ ) (4 − λ ) − 3
= λ 2 − 6λ + 5
= (λ − 1) (λ − 5)
⇒ S p (A) = {1, 5} ,
les deux valeurs propres sont distinctes, donc A est semblable à la matrice diagonale :
 
1 0
D= ,
0 5
112 Chapitre 3. Les matrices

de plus pour les vecteurs propres :

    
1 3 x 0
Av = v ⇐⇒ =
1 3 y 0
⇒ x + 3y = 0 ⇒ x = −3y
⇒ v (−3y, y) , y ∈ R
⇒ E1 = vect {v1 } avec v1 (−3, 1) ,
et
    
−3 3 x 0
Av = 5v ⇐⇒ =
1 −1 y 0
⇒ −x − y = 0 ⇒ x = −y
⇒ v (−y, y) , y ∈ R
⇒ E5 = vect {v2 } avec v2 (−1, 1) ,
ce qui implique que :
 
−3 −1
P= .
1 1
Alors :
dX dY
= AX + B ⇔ = DY +C,
dt dt
avec :
 
−1 y1
X = PY, B = PC, D = P AP et Y = ,
y2
   
1 t 1 −1 1 1
P−1= −2
1
= −2 ,
1 −3 −1
  2−3
1 1 t
⇒ C = P−1 B = − 12
! −1 −3 t
−t 2 t
⇒C = 2 −2 ,
−t 2 3t
2 + 2
donc :
  
dy1 −t 2
dY  = y1 + −t
= DY +C ⇔
dt 2 2 2 
dy2
dt 
dt = 5y2 + −t2 + 3t2 ,

qui est un système à deux équations différentielles d’ordre 1 linéaires.

 2 
dy1 −t t
= y1 + − . (3.19)
dt 2 2
1ère étape : Sans second membre :
dy1
dt= y1 ⇒ dy y1 = dt ⇒ ln |y1 | = t + c1 , c1 ∈ R
1

t
⇒ y1 = k1 e , k1 ∈ R.

2ème étape : Avec second membre. La solution particulière est de la forme at 2 + bt + c donc :
 2 
−t t
(2at + b) − at 2 + bt + c =


− ,
2 2
 3.12 Exercices avec solutions 113

par identification on trouve :

1 3
a= et b = c = ,
2 2
donc la solution générale de l’équation (3.19) est :
 2 
t t 3t 3
y1 = k1 e + + + , k1 ∈ R.
2 2 2
De même pour :
 2 
dy2 −t 3t
= 5y2 + + , (3.20)
dt 2 2
1ère étape : Sans second membre :
dy2
= 5y2 ⇒ dy
dt y2 = 5dt ⇒ ln |y2 | = 5t + c2 , c2 ∈ R,
2

⇒ y2 = k2 e5t , k2 ∈ R.

2ème étape : Avec second membre. La solution particulière est de la forme at 2 + bt + c d’où :
 2 
2

−t 3t
(2at + b) − 5 at + bt + c = + ,
2 2
par identification on trouve :
1 −13 −13
a= ,b = et c = ,
10 50 250
donc la solution générale de l’équation (3.20) est :
 2 
5t t 13t 13
y2 = k2 e + − − , k2 ∈ R.
10 50 250
Donc :
  
−3 −1 y1
X = PY =
1 1 y2
2
!
k1 et + t2 + 3t2 + 32
 
−3 −1
= t2
1 1 k2 e5t + 10 − 13t 13
50 − 250
−3k1 et − k2 e5t − 85 t 2 − 106 556
 
25 t − 125
= , k1 , k2 ∈ R,
k1 et + k2 e5t + 35 t 2 + 31 181
25 t + 125

qui est la solution générale de (3.18).

3.12 Exercices avec solutions

Exercice 01 : Soient A, B et C les matrices définies par :
   
−1 2 5 2 3  
2 −1 3
A =  3 7 1  , B =  1 7  et C = .
4 4 5
4 2 4 −1 4
Déterminer s’ils existent :

AB, BA, At B, At C et CB.