Systèmes linéaires, Ma-

trices et déterminant

Dans ce chapitre, K désignera R ou C.

1. Introduction aux systèmes d’équations linéaires

L’équation d’une droite dans le plan (O x y) s’écrit
ax + b y = e
où a, b et e sont des paramètres réels, a et b n’étant pas simultanément nuls. Cette équation s’appelle équation
linéaire dans les variables (ou inconnues) x et y.

Considérons maintenant deux droites D1 et D2 et cherchons les points qui sont simultanément sur ces deux droites.
Un point (x, y) est dans l’intersection D1 ∩ D2 s’il est solution du système :
ax + b y = e

(S)
cx + d y = f
Trois cas se présentent alors :
1. Les droites D1 et D2 se coupent en un seul point. Dans ce cas, illustré par la figure de gauche, le système (S) a une
seule solution.
2. Les droites D1 et D2 sont parallèles. Alors le système (S) n’a pas de solution. La figure du centre illustre cette
situation.
3. Les droites D1 et D2 sont confondues et, dans ce cas, le système (S) a une infinité de solutions.

y y y
D1 D1

D2
D2

D1 = D2

x x x

Nous verrons plus loin que ces trois cas de figure (une seule solution, aucune solution, une infinité de solutions) sont
les seuls cas qui peuvent se présenter pour n’importe quel système d’équations linéaires.
SYSTÈMES LINÉAIRES, MATRICES ET DÉTERMINANT 2. THÉORIE DES SYSTÈMES LINÉAIRES 2

2. Théorie des systèmes linéaires

2.1. Définitions

Définition 1.
On appelle équation linéaire dans les variables (ou inconnues) x 1 , . . . , x p toute relation de la forme
a1 x 1 + · · · + a p x p = b, (1)
où a1 , . . . , a p et b sont des nombres réels donnés.

Soit n ⩾ 1 un entier.

Définition 2.
Un système de n équations linéaires à p inconnues est une liste de n équations linéaires.

On écrit usuellement de tels systèmes en n lignes placées les unes sous les autres.
Exemple 1.
Le système suivant a 2 équations et 3 inconnues :
+ =

x1 − 3x 2 x3 1
−2x 1 + 4x 2 − 3x 3 = 9
La forme générale d’un système linéaire de n équations à p inconnues est la suivante :


 a11 x 1 +a12 x 2 +a13 x 3 + · · · +a1p x p = b1 (← équation 1)
+a +a + · · · +a = (← équation 2)



 a 21 1x 22 2x 23 3x 2p px b 2
 .
.. .
.. .
.. .
.. .
= ..



 ai1 x 1 +ai2 x 2 +ai3 x 3 + ··· +aip x p = bi (← équation i)

 .. .. .. .. ..
. . . . = .




an1 x 1 +an2 x 2 +an3 x 3 + ··· +anp x p = bn (← équation n)


Les nombres ai j , i = 1, . . . , n, j = 1, . . . , p, sont les coefficients du système. Ce sont des données. Les nombres bi ,
i = 1, . . . , n, constituent le second membre du système et sont également des données.

Définition 3.
Une solution du système linéaire est une liste de p nombres réels (s1 , s2 , . . . , s p ) (un p-uplet) tels que si l’on
substitue s1 pour x 1 , s2 pour x 2 , etc., dans le système linéaire, on obtient une égalité. L’ ensemble des solutions du
système est l’ensemble de tous ces p-uplets.

Exemple 2.
Le système
+ =

x1 − 3x 2 x3 1
−2x 1 + 4x 2 − 3x 3 = 9
admet comme solution (−18, −6, 1), c’est-à-dire
x 1 = −18 , x 2 = −6 , x3 = 1 .
Par contre, (7, 2, 0) ne satisfait que la première équation. Ce n’est donc pas une solution du système.
En règle générale, on s’attache à déterminer l’ensemble des solutions d’un système linéaire. C’est ce que l’on appelle
résoudre le système linéaire. Ceci amène à poser la définition suivante.

Définition 4.
On dit que deux systèmes linéaires sont équivalents s’ils ont le même ensemble de solutions.

À partir de là, le jeu pour résoudre un système linéaire donné consistera à le transformer en un système équivalent
dont la résolution sera plus simple que celle du système de départ. Nous verrons plus loin comment procéder de façon
systématique pour arriver à ce but.
SYSTÈMES LINÉAIRES, MATRICES ET DÉTERMINANT 3. MÉTHODES DE RÉSOLUTIONS 3

Différents types de systèmes

Théorème 1.
Un système d’équations linéaires n’a soit aucune solution, soit une seule solution, soit une infinité de solutions.

En particulier, si vous trouvez 2 solutions différentes à un système linéaire, alors c’est que vous pouvez en trouver une
infinité ! Un système linéaire qui n’a aucune solution est dit incompatible.
————————

3. Méthodes de résolutions

3.1. Résolution par substitution

Pour savoir s’il existe une ou plusieurs solutions à un système linéaire, et les calculer, une première méthode est la
substitution. Par exemple pour le système :
3x + 2 y = 1

(S)
2x − 7 y = −2
Nous réécrivons la première ligne 3x + 2 y = 1 sous la forme y = 12 − 23 x. Et nous remplaçons (nous substituons) le y
de la seconde équation, par l’expression 21 − 32 x. Nous obtenons un système équivalent :
y = 12 − 23 x

1 3
2x − 7( 2 − 2 x) = −2
La seconde équation est maintenant une expression qui ne contient que des x, et on peut la résoudre :
y = 12 − 32 x y = 12 − 32 x
 
3 7 ⇐⇒ 3
(2 + 7 × 2 )x = −2 + 2 x = 25
Il ne reste plus qu’à remplacer dans la première ligne la valeur de x obtenue :
8
y = 25

3
x = 25
3 8
Le système (S) admet donc une solution unique ( 25 , 25 ). L’ensemble des solutions est donc
3 8
§ ‹ª
S = , .
25 25

3.2. Résolution par la méthode du pivot de Gauss

3.3. Systèmes échelonnés

Définition 5.
Un système est échelonné si :
• le nombre de coefficients nuls commençant une ligne croît strictement ligne après ligne.
Il est échelonné réduit si en plus :
• le premier coefficient non nul d’une ligne vaut 1 ;
• et c’est le seul élément non nul de sa colonne.

Exemple
 3.
 2x 1 +3x 2 +2x 3 −x 4 = 5
• −x 2 −2x 3 = 4 est échelonné (mais pas réduit).
3x 4 = 1


 2x 1 +3x 2 +2x 3 −x 4 = 5
• −2x 3 = 4 n’est pas échelonné (la dernière ligne commence avec la même variable
x3 +x 4 = 1

que la ligne au-dessus).
Il se trouve que les systèmes linéaires sous une forme échelonnée réduite sont particulièrement simples à résoudre.
SYSTÈMES LINÉAIRES, MATRICES ET DÉTERMINANT 3. MÉTHODES DE RÉSOLUTIONS 4

Exemple 4.
Le système linéaire suivant à 3 équations et 4 inconnues est échelonné et réduit.

 x1 +2x 3 = 25
x 2 −2x 3 = 16
x4 = 1


Ce système se résout trivialement en 

 x 1 = 25 − 2x 3
x 2 = 16 + 2x 3
x4 = 1.

En d’autres termes, pour toute valeur de x 3 réelle, les valeurs de x 1 , x 2 et x 4 calculées ci-dessus fournissent une
solution du système, et on les a ainsi toutes obtenues. On peut donc décrire entièrement l’ensemble des solutions :

S = (25 − 2x 3 , 16 + 2x 3 , x 3 , 1) | x 3 ∈ R .

3.4. 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. L i ← λL i avec λ ̸= 0 : on peut multiplier une équation par un réel non nul.
2. L i ← L i + λL j avec λ ∈ R (et j ̸= i) : on peut ajouter à l’équation L i un multiple d’une autre équation L j .
3. L i ↔ L j : 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 équivalent.
Exemple 5.
Utilisons ces opérations élémentaires pour résoudre le système suivant.

 x + y +7z = −1 (L1 )
2x − y +5z = −5 (L2 )
−x −3 y −9z = −5 (L3 )


Commençons par l’opération L2 ← L2 − 2L1 : on soustrait à la deuxième équation deux fois la première équation. On
obtient un système équivalent avec une nouvelle deuxième ligne (plus simple) :

 x +y +7z = −1
−3 y −9z = −3 L2 ←L2 −2L1
−x −3 y −9z = −5

Puis L3 ← L3 + L1 : 
 x + y +7z = −1
−3 y −9z = −3
−2 y −2z = −6 L3 ←L3 +L1

On continue pour faire apparaître un coefficient 1 en tête de la deuxième ligne ; pour cela on divise la ligne L2 par −3 :

 x + y +7z = −1
y +3z = 1 L2 ← − 13 L2
−2 y −2z = −6


On continue ainsi
 
 x +y +7z = −1  x +y +7z = −1
y +3z = 1 y +3z = 1
4z = −4 L3 ←L3 +2L2 z = −1 L3 ← 14 L3
 
 
 x +y +7z
= −1  x +y = 6 L1 ←L1 −7L3
y = 4 L2 ←L2 −3L3 y = 4
z = −1 z = −1
 
On aboutit à un système réduit et échelonné :

 x = 2 L1 ←L1 −L2
y = 4
z = −1

SYSTÈMES LINÉAIRES, MATRICES ET DÉTERMINANT 3. MÉTHODES DE RÉSOLUTIONS 5

On obtient ainsi x = 2, y = 4 et z = −1 et l’unique solution du système est (2, 4, −1).

La méthode utilisée pour cet exemple est reprise et généralisée dans le paragraphe suivant.

3.5. Méthode du pivot de Gauss

La méthode du pivot de Gauss permet de trouver les solutions de n’importe quel système linéaire. Nous allons décrire
cet algorithme sur un exemple. Il s’agit d’une description précise d’une suite d’opérations à effectuer, qui dépendent de
la situation et d’un ordre précis. Ce processus aboutit toujours (et en plus assez rapidement) à un système échelonné
puis réduit, qui conduit immédiatement aux solutions du système.
Partie A. Passage à une forme échelonnée.
Soit le système suivant à résoudre :

 −x 2 +2x 3 +13x 4 = 5
x 1 −2x 2 +3x 3 +17x 4 = 4
−x 1 +3x 2 −3x 3 −20x 4 = −1


Pour appliquer la méthode du pivot de Gauss, il faut d’abord que le premier coefficient de la première ligne soit non
nul. Comme ce n’est pas le cas ici, on échange les deux premières lignes par l’opération élémentaire L1 ↔ L2 :

 x 1 −2x 2 +3x 3 +17x 4 = 4 L1 ↔L2
−x 2 +2x 3 +13x 4 = 5
−x 1 +3x 2 −3x 3 −20x 4 = −1


Nous avons déjà un coefficient 1 devant le x 1 de la première ligne. On dit que nous avons un pivot en position (1, 1)
(première ligne, première colonne). Ce pivot sert de base pour éliminer tous les autres termes sur la même colonne.
Il n’y a pas de terme x 1 sur le deuxième ligne. Faisons disparaître le terme x 1 de la troisième ligne ; pour cela on fait
l’opération élémentaire L3 ← L3 + L1 :

 x 1 −2x 2 +3x 3 +17x 4 = 4
−x 2 +2x 3 +13x 4 = 5
x2 −3x 4 = 3 L3 ←L3 +L1


On change le signe de la seconde ligne (L2 ← −L2 ) pour faire apparaître 1 au coefficient du pivot (2, 2) (deuxième
ligne, deuxième colonne) : 
 x 1 −2x 2 +3x 3 +17x 4 = 4
x2 −2x 3 −13x 4 = −5 L2 ← −L2
x2 −3x 4 = 3

On fait disparaître le terme x 2 de la troisième ligne, puis on fait apparaître un coefficient 1 pour le pivot de la position
(3, 3) : 
 x 1 −2x 2 +3x 3 +17x 4 = 4
x2 −2x 3 −13x 4 = −5
2x 3 +10x 4 = 8

L3 ←L3 −L2

 x 1 −2x 2 +3x 3 +17x 4 = 4
x2 −2x 3 −13x 4 = −5
x3 +5x 4 = 4 L3 ← 12 L3

Le système est maintenant sous forme échelonnée.

Partie B. Passage à une forme réduite.

Il reste à le mettre sous la forme échelonnée réduite. Pour cela, on ajoute à une ligne des multiples adéquats des lignes
situées au-dessous d’elle, en allant du bas à droite vers le haut à gauche.
On fait apparaître des 0 sur la troisième colonne en utilisant le pivot de la troisième ligne :

 x 1 −2x 2 +3x 3 +17x 4 = 4
x2 −3x 4 = 3 L2 ←L2 +2L3
x3 +5x 4 = 4


 x 1 −2x 2 2x 4 = −8 L1 ←L1 −3L3
x2 −3x 4 = 3
x 3 +5x 4 = 4

SYSTÈMES LINÉAIRES, MATRICES ET DÉTERMINANT 4. MATRICES ET DÉTERMINANT 6

On fait apparaître des 0 sur la deuxième colonne (en utilisant le pivot de la deuxième ligne) :

 x1 −4x 4 = −2 L1 ←L1 +2L2
x2 −3x 4 = 3
x 3 +5x 4 = 4


Le système est sous forme échelonnée réduite.

Partie C. Solutions. Le système est maintenant très simple à résoudre. En choisissant x 4 comme variable libre, on
peut exprimer x 1 , x 2 , x 3 en fonction de x 4 :
x 1 = 4x 4 − 2, x 2 = 3x 4 + 3, x 3 = −5x 4 + 4.
Ce qui permet d’obtenir toutes les solutions du système :

S = (4x 4 − 2, 3x 4 + 3, −5x 4 + 4, x 4 ) | x 4 ∈ R .

Systèmes homogènes
Un cas particulièrement important est celui des (systèmes dont le second membre est nul), c’est-à-dire lorsque
b1 = b2 = · · · = bn = 0. Ces systèmes admettent toujours la solution triviale, donnée par s1 = s2 = · · · = s p = 0. De
plus :

Théorème 2.
Tout système homogène d’équations linéaires, où le nombre d’inconnues est strictement supérieur au nombre d’équations,
admet une infinité de solutions.

Exemple 6.
Considérons le système homogène


 3x 1 + 3x 2 − 2x 3 − x5 = 0
−x 1 − x2 + x3 + 3x 4 + x5 = 0


 2x 1 + 2x 2 − x3 + 2x 4 + 2x 5 = 0
x3 + 8x 4 + 4x 5 = 0.


Sa forme échelonnée réduite est


 x1 + x2 + 13x 5 = 0
x3 + 20x 5 = 0
x4 − 2x 5 = 0.

On pose comme variables libres x 2 et x 5 pour avoir
x 1 = −x 2 − 13x 5 , x 3 = −20x 5 , x 4 = 2x 5 ,
et l’ensemble des solutions :

S = (−x 2 − 13x 5 , x 2 , −20x 5 , 2x 5 , x 5 ) | x 2 , x 5 ∈ R
qui est bien infini.

4. Matrices et Déterminant

Les matrices sont des tableaux de nombres. La résolution d’un certain nombre de problèmes d’algèbre linéaire se
ramène à des manipulations sur les matrices. Ceci est vrai en particulier pour la résolution des systèmes linéaires.
SYSTÈMES LINÉAIRES, MATRICES ET DÉTERMINANT 5. DÉFINITION 7

5. Définition

5.1. Définition

Définition 6.
• Une matrice A est un tableau rectangulaire d’éléments de K.
• Elle est dite de taille n × p si le tableau possède n lignes et p colonnes.
• Les nombres du tableau sont appelés les coefficients de A.
• Le coefficient situé à la i-ème ligne et à la j-ème colonne est noté ai, j .

Un tel tableau est représenté de la manière suivante :

 
a1,1 a1,2 . . . a1, j . . . a1,p
 a2,1 a2,2 . . . a2, j . . . a2,p 
 
 ... ... ... ... ... ... 


A=   ou A = ai, j 1⩽i ⩽n ou ai, j .
 a i,1 a i,2 . . . a i, j . . . a i,p

 1⩽ j ⩽ p
 ... ... ... ... ... ... 
an,1 an,2 . . . an, j . . . an,p
Exemple 7.
 
−2 1 5
A=
3 0 7
est une matrice 2 × 3 avec, par exemple, a1,1 = 1 et a2,3 = 7.
Encore quelques définitions :

Définition 7.
• Deux matrices sont égales lorsqu’elles ont la même taille et que les coefficients correspondants sont égaux.
• L’ensemble des matrices à n lignes et p colonnes à coefficients dans K est noté Mn,p (K). Les éléments de Mn,p (R)
sont appelés matrices réelles.

5.2. Matrices particulières

Voici quelques types de matrices intéressantes :
• Si n = p (même nombre de lignes que de colonnes), la matrice est dite matrice carrée. On note Mn (K) au lieu de
Mn,n (K).
 
a1,1 a1,2 . . . a1,n
 a2,1 a2,2 . . . a2,n 
 
 . .. .. .. 
 .. . . . 
an,1 an,2 . . . an,n
Les éléments a1,1 , a2,2 , . . . , an,n forment la diagonale principale de la matrice.
 
a11 a12 . . . . . . . . . a1n
 0 a22 . . . . . . . . . a2n 
 
 .. .. .. .. 
 .
 . . .  
 . .. .. .. 
 .. . . . 
 
 . .. .. .. 
 .. . . . 
0 . . . . . . . . . 0 ann
• De même, on parle de matrice triangulaire inférieure lorsque les coefficients situés au-dessus de la diagonale
sont nuls.
• Une matrice qui n’a qu’une seule ligne (n = 1) est appelée matrice ligne ou vecteur ligne. On la note


A = a1,1 a1,2 . . . a1,p .
SYSTÈMES LINÉAIRES, MATRICES ET DÉTERMINANT 5. DÉFINITION 8

• De même, une matrice qui n’a qu’une seule colonne (p = 1) est appelée matrice colonne ou vecteur colonne. On
la note  
a1,1
 a2,1 
A =  . .
 
 .. 
an,1
• La matrice (de taille n × p) dont tous les coefficients sont des zéros est appelée la matrice nulle et est notée 0n,p
ou plus simplement 0. Dans le calcul matriciel, la matrice nulle joue le rôle du nombre 0 pour les réels.

5.3. Addition et produit par un scalaire matricielles

Définition 8 (Somme de deux matrices).

Soient A et B deux matrices ayant la même taille n × p. Leur somme C = A + B est la matrice de taille n × p définie
par
ci j = ai j + bi j .

En d’autres termes, on somme coefficients par coefficients. Remarque : on note indifféremment ai j où ai, j pour les
coefficients de la matrice A.
Exemple 8.
     
3 −2 0 5 3 3
Si A= et B= alors A+ B = .
1 7 2 −1 3 6
 
−2
Par contre si B′ = alors A + B ′ n’est pas définie.
8

Définition 9 (Produit d’une matrice

par un scalaire).

Le produit d’une matrice A = ai j de Mn,p (K) par un scalaire α ∈ K est la matrice αai j formée en multipliant
chaque coefficient de A par α. Elle est notée α · A (ou simplement αA).

Exemple 9.
   
1 2 3 2 4 6
Si A= et α=2 alors αA = .
0 1 0 0 2 0
La matrice (−1)A est l’opposée de A et est notée −A. La différence A − B est définie par A + (−B).
Exemple 10.
     
2 −1 0 −1 4 2 3 −5 −2
Si A= et B= alors A − B = .
4 −5 2 7 −5 3 −3 0 −1
L’addition et la multiplication par un scalaire se comportent sans surprises :

Proposition 1.
Soient A, B et C trois matrices appartenant à Mn,p (K). Soient α ∈ K et β ∈ K deux scalaires.
1. A + B = B + A : la somme est commutative,
2. A + (B + C) = (A + B) + C : la somme est associative,
3. A + 0 = A : la matrice nulle est l’élément neutre de l’addition,
4. (α + β)A = αA + βA,
5. α(A + B) = αA + αB.
SYSTÈMES LINÉAIRES, MATRICES ET DÉTERMINANT 5. DÉFINITION 9

5.4. Multiplication de matrices

Contrairement à la somme de matrices A + B, le produit matriciel AB n’est défini que si le nombre de colonnes de A est
égal au nombre de lignes de B.

Définition 10 (Produit de deux matrices).

Soient A = (ai j ) une matrice n × p et B = (bi j ) une matrice p × q. Alors le produit C = AB est une matrice n × q
dont les coefficients ci j sont définis par :

p
X
ci j = aik bk j = ai1 b1 j + ai2 b2 j + · · · + aik bk j + · · · + aip b p j
k=1

Il est commode de disposer les calculs de la façon suivante.

 
×
 × 
  ←B
 × 
×
   
|
   | 
A→    ← AB
 × × × × − − − ci j 

Avec cette disposition, on considère d’abord la ligne de la matrice A située à gauche du coefficient que l’on veut
calculer (ligne représentée par des × dans A) et aussi la colonne de la matrice B située au-dessus du coefficient que
l’on veut calculer (colonne représentée par des × dans B). On calcule le produit du premier coefficient de la ligne par
le premier coefficient de la colonne (ai1 × b1 j ), que l’on ajoute au produit du deuxième coefficient de la ligne par le
deuxième coefficient de la colonne (ai2 × b2 j ), que l’on ajoute au produit du troisième. . .
Exemple 11.
     
1 2 1 2 1 2
−1 1 −1 1 −1 1

   1 1    1 1    1 1
1 2 3 c11 c12 1 2 3 2 c12 1 2 3 2 7
2 3 4 c21 c22 2 3 4 c21 c22 2 3 4 3 11

Un exemple intéressant est le produit d’un vecteur ligne par un vecteur colonne :
 
b1
 b2 

 
u = a1 a2 · · · an v= . 
 .. 
bn
Alors u × v est une matrice de taille 1 × 1 dont l’unique coefficient est a1 b1 + a2 b2 + · · · + an bn . Ce nombre s’appelle le
produit scalaire des vecteurs u et v.
Calculer le coefficient ci j dans le produit A × B revient donc à calculer le produit scalaire des vecteurs formés par la
i-ème ligne de A et la j-ème colonne de B.

Pièges à éviter
Premier piège. Le produit de matrices n’est pas commutatif en général.
En effet, il se peut que AB soit défini mais pas BA, ou que AB et BA soient tous deux définis mais pas de la même taille.
Mais même dans le cas où AB et BA sont définis et de la même taille, on a en général AB ̸= BA.
Exemple 12.
         
5 1 2 0 14 3 2 0 5 1 10 2
= mais = .
3 −2 4 3 −2 −6 4 3 3 −2 29 −2
SYSTÈMES LINÉAIRES, MATRICES ET DÉTERMINANT 5. DÉFINITION 10

Deuxième piège. AB = 0 n’implique pas A = 0 ou B = 0.

On peut avoir A ̸= 0 et B ̸= 0 mais AB = 0.
Exemple 13.
     
0 −1 2 −3 0 0
A= B= et AB = .
0 5 0 0 0 0

Troisième piège. AB = AC n’implique pas B = C. On peut avoir AB = AC et B ̸= C.

Exemple 14.
       
0 −1 4 −1 2 5 −5 −4
A= B= C= et AB = AC = .
0 3 5 4 5 4 15 12
Malgré les difficultés soulevées au-dessus, le produit vérifie les propriétés suivantes :

Proposition 2.
1. A(BC) = (AB)C : associativité du produit,
2. A(B + C) = AB + AC et (B + C)A = BA + CA : distributivité du produit par rapport à la somme,
3. A · 0 = 0 et 0 · A = 0.

5.5. La matrice identité

La matrice carrée suivante s’appelle la matrice identité :
 
1 0 ... 0
 0 1 ... 0 
In =  .
 
.. .. ..
 ..

. . . 
0 0 ... 1
Ses éléments diagonaux sont égaux à 1 et tous ses autres éléments sont égaux à 0. Elle se note I n ou simplement I.
Dans le calcul matriciel, la matrice identité joue un rôle analogue à celui du nombre 1 pour les réels. C’est l’élément
neutre pour la multiplication. En d’autres termes :

Proposition 3.
Si A est une matrice n × p, alors
In · A = A et A · I p = A.

5.6. Puissance d’une matrice

Si A, B ∈ Mn (K) alors AB ∈ Mn (K). En particulier, on peut multiplier une matrice carrée par elle-même : on note
A2 = A × A, A3 = A × A × A = A2 × A. On peut ainsi définir les puissances successives d’une matrice :

Définition 11.
Pour tout A ∈ Mn (K), on définit les puissances successives de A par A0 = I n et Ap+1 = Ap × A pour tout p ∈ N.
Autrement dit, Ap = A × A × · · · × A.
| {z }
p facteurs

Exemple 15.     
1 0 1 1 0 3 1 0 7
Pour A = 0 −1 0 : A2 = 0 1 0 A3 = A2 × A = 0 −1 0 .
0 0 2 0 0 4 0 0 8
SYSTÈMES LINÉAIRES, MATRICES ET DÉTERMINANT 6. INVERSE D’UNE MATRICE : DÉFINITION 11

5.7. La transposition
Soit A la matrice de taille n × p
 
a11 a12 ... a1p
 a21 a22 ... a2p 
A= .
 
.. .. ..
 . . . 
an1 an2 ... anp

Définition 12.
On appelle matrice transposée de A la matrice AT de taille p × n définie par :
 
a11 a21 . . . an1
 a12 a22 . . . an2 
AT =  . ..  .
 
..
 .. . . 
a1p a2p . . . anp

Autrement dit : le coefficient à la place (i, j) de AT est a ji . Ou encore la i-ème ligne de A devient la i-ème colonne de
AT (et réciproquement la j-ème colonne de AT est la j-ème ligne de A).

Notation : La transposée de la matrice A se note aussi souvent tA.

Exemple 16.
 T    T 
1 2 3 1 4 −7 0 3   1
 4 5 −6 = 2 0 1 −1
5 8 ,  1 −5 = , (1 − 2 5) T = −2
3 −5 2
−7 8 9 3 −6 9 −1 2 5
L’opération de transposition obéit aux règles suivantes :

Théorème 3.
1. (A + B) T = AT + B T
2. (αA) T = αAT
3. (AT ) T = A
4. (AB) T = B T AT . En particulier, (An ) T = (AT )n , pour tout n ∈ N.

6. Inverse d’une matrice : définition

6.1. Définition

Définition 13 (Matrice inverse).

Soit A une matrice carrée de taille n × n. S’il existe une matrice carrée B de taille n × n telle que
AB = I ou BA = I,
on dit que A est inversible. On appelle B l’inverse de A et on la note A−1 .

Exemple 17.
• Soit I n la matrice carrée identité de taille n × n. C’est une matrice inversible, et son inverse est elle-même I n−1 = I n .
• La matrice nulle 0n de taille n × n n’est pas inversible.

Proposition 4. 1. Si A est inversible, alors son inverse est unique.

2. Soit A une matrice inversible. Alors A−1 et AT le sont aussi. De plus :

(A−1 )−1 = A et (AT )−1 = (A−1 ) T

3. Soient A et B deux matrices inversibles de même taille. Alors AB est inversible et

(AB)−1 = B −1 A−1
SYSTÈMES LINÉAIRES, MATRICES ET DÉTERMINANT 7. INVERSE D’UNE MATRICE : CALCUL 12

4. Soient A, B, C ∈ Mn (K) avec C inversible. Alors, l’égalité AC = BC entraîne A = B.

7. Inverse d’une matrice : calcul

7.1. Méthode de Gauss pour inverser les matrices

La méthode pour inverser une matrice A consiste à faire des opérations élémentaires sur les lignes de la matrice A
jusqu’à la transformer en la matrice identité I. On fait simultanément les mêmes opérations élémentaires en partant
de la matrice I. On aboutit alors à une matrice qui est A−1 . La preuve sera vue dans la section suivante.

En pratique, on fait les deux opérations en même temps en adoptant la disposition suivante : à côté de la matrice A
que l’on veut inverser, on rajoute la matrice identité pour former un tableau (A | I). Sur les lignes de cette matrice
augmentée, on effectue des opérations élémentaires jusqu’à obtenir le tableau (I | B). Et alors B = A−1 .

Ces opérations élémentaires sur les lignes sont :

1. L i ← λL i avec λ ̸= 0 : on peut multiplier une ligne par un réel non nul (ou un élément de K \ {0}).
2. L i ← L i + λL j avec λ ∈ K (et j ̸= i) : on peut ajouter à la ligne L i un multiple d’une autre ligne L j .
3. L i ↔ L j : on peut échanger deux lignes.

N’oubliez pas : tout ce que vous faites sur la partie gauche de la matrice augmentée, vous devez aussi le faire sur la
partie droite.

Un exemple
 
1 2 1
Calculons l’inverse de A =  4 0 −1 .
−1 2 2
Voici la matrice augmentée, avec les lignes numérotées :
 
1 2 1 1 0 0 L1
(A | I) =  4 0 −1 0 1 0  L2
−1 2 2 0 0 1 L3

On applique la méthode de Gauss pour faire apparaître des 0 sur la première colonne, d’abord sur la deuxième ligne
par l’opération élémentaire L2 ← L2 − 4L1 qui conduit à la matrice augmentée :
 
1 2 1 1 0 0
 0 −8 −5 −4 1 0  L2 ←L2 −4L1
−1 2 2 0 0 1
Puis un 0 sur la première colonne, à la troisième ligne, avec L3 ← L3 + L1 :
 
1 2 1 1 0 0
 0 −8 −5 −4 1 0 
0 4 3 1 0 1 L3 ←L3 +L1
On multiplie la ligne L2 afin qu’elle commence par 1 :
 
1 2 1 1 0 0
 0 1 5 1 − 1 0  L2 ←− 18 L2
8 2 8
0 4 3 1 0 1
On continue afin de faire apparaître des 0 partout sous la diagonale, et on multiplie la ligne L3 . Ce qui termine la
première partie de la méthode de Gauss :
 
1 2 1 1 0 0
 0 1 5 1
−1 0 
8 2 8
1 1
0 0 2 −1 2 1 L3 ←L3 −4L2
SYSTÈMES LINÉAIRES, MATRICES ET DÉTERMINANT 8. DÉTERMINANT D’UNE MATRICE CARRÉE 13

puis
 
1 2 1 1 0 0
 0 1 5 1
− 18 0 
8 2
0 0 1 −2 1 2 L3 ←2L3
Il ne reste plus qu’à « remonter » pour faire apparaître des zéros au-dessus de la diagonale :
 
1 2 1 1 0 0
7
 0 1 0 4 − 34 − 54  L2 ←L2 − 58 L3
0 0 1 −2 1 2
puis
− 12 1 1
 
1 0 0 2 2 L1 ←L1 −2L2 −L3
7
 0 1 0 4 − 34 − 54 
0 0 1 −2 1 2
Ainsi l’inverse de A est la matrice obtenue à droite et après avoir factorisé tous les coefficients par 14 , on a obtenu :
 
−2 2 2
1
A−1 =  7 −3 −5
4
−8 4 8
Pour se rassurer sur ses calculs, on n’oublie pas de vérifier rapidement que A × A−1 = I.

8. Déterminant d’une matrice carrée

8.1. Déterminant en dimension 2 et 3

Matrice 2 × 2

En dimension 2, le déterminant est très simple à calculer :

 
a b
det = ad − bc.
c d
C’est donc le produit des éléments sur la diagonale principale (en bleu) moins le produit des éléments sur l’autre
diagonale (en orange).

−
 
a b
 
c d

Matrice 3 × 3
 
a11 a12 a13
Soit A = a21 a22 a23  une matrice d’ordre 3. Il existe une méthode simple pour calculer le déterminant de A,
a31 a32 a33
appelée la règle de Sarrus. Cette méthode consiste à recopier les deux premières colonnes à droite de la matrice, puis
à additionner les produits des termes alignés selon la direction de la diagonale descendante (à gauche), et enfin à
soustraire les produits des termes alignés selon la direction de la diagonale montante (à droite).
   
 a11 a12 a13 a11 a12   a11 a12 a13 a11 a12 
   
   
 a21 a22 a23 a21 a22   a21 a22 a23 a21 a22 
   
   
a31 a32 a33 a31 a32 a31 a32 a33 a31 a32
   
SYSTÈMES LINÉAIRES, MATRICES ET DÉTERMINANT 8. DÉTERMINANT D’UNE MATRICE CARRÉE 14

Exemple 18.  
2 1 0
Calculons le déterminant de la matrice A = 1 −1 3.
3 2 1
Par la règle de Sarrus : det A = 2 × (−1) × 1 + 1 × 3 × 3 + 0 × 1 × 2 − 3 × (−1) × 0 − 2 × 3 × 2 − 1 × 1 × 1 = −6.
 
 2 1 0 2 1 
 
 

 1 −1 3 1 −1 

 
 
3 2 1 3 2

Attention : cette méthode ne s’applique pas pour les matrices de taille supérieure à 3.

Interprétation géométrique du déterminant

On va voir qu’en dimension 2, les déterminants
correspondent à des aires et en dimension 3 à des volumes.
Donnons nous deux vecteurs v1 = ( ac ) et v2 = db du plan R2 . Ces deux vecteurs v1 , v2 déterminent un parallélogramme.

v2

⃗j
v1

O ⃗i x

Proposition 5.
L’aire du parallélogramme est donnée par la valeur absolue du déterminant :
 
a b
A = det(v1 , v2 ) = det .
c d

De manière similaire, trois vecteurs de l’espace R3 :

     
a11 a12 a13
v1 = a21
  v2 = a22 
 v3 = a23 
a31 a32 a33
définissent un parallélépipède.

v3

v2 v1

À partir de ces trois vecteurs on définit, en juxtaposant les colonnes, une matrice et un déterminant :
 
a11 a12 a13
det(v1 , v2 , v3 ) = det a21 a22 a23  .
a31 a32 a33

Proposition 6.
Le volume du parallélépipède est donné par la valeur absolue du déterminant :

V = det(v1 , v2 , v3 ) .
SYSTÈMES LINÉAIRES, MATRICES ET DÉTERMINANT 8. DÉTERMINANT D’UNE MATRICE CARRÉE 15




On prendra comme unité d’aire dans R2 l’aire du carré unité dont les côtés sont les vecteurs 1
0 , 0
1 , et comme
unité de volume dans R3 , le volume du cube unité.

8.2. Définition générale du déterminant

Dans cette section, nous définissons le déterminant d’une matrice carrée de tout ordre, en étendant les définitions des
cas d’ordre 2 et 3.

8.3. Cofacteur

Définition 14.


Soit A = ai j ∈ Mn (K) une matrice carrée.
• Ai j désigne la matrice obtenue en supprimant la ligne i et la colonne j de A.
• Le nombre det Ai j est appelé le mineur d’ordre n − 1 de la matrice A.
• Le nombre Ci j = (−1)i+ j det Ai j est le cofacteur de A relatif à l’élément ai j .

 
a11 · · · a1, j−1 a1, j a1, j+1 · · · a1n
 .. .. .. ..
 

 . . . . 
a
 i−1,1 · · · ai−1, j−1 ai−1, j ai−1, j+1 · · · ai−1,n 

 
· · · ai, j−1 · · · ai,n 
 
A=  a ai, j ai, j+1
 i,1 
 
 ai+1,1
 · · · ai+1, j−1 ai+1, j ai+1, j+1 · · · ai+1,n 

 .. .. .. .. 
 
 . . . . 
an1 · · · an, j−1 an, j an, j+1 · · · ann

 
a1,1 ... a1, j−1 a1, j+1 ... a1,n
 .. .. .. .. 
 . . . . 
 
ai−1,1 ... ai−1, j−1 ai−1, j+1 ... ai−1,n 
Ai j =  
a
 i+1,1 ... ai+1, j−1 ai+1, j+1 ... ai+1,n 

 . .. .. 
 .. . . 
an,1 ... an, j−1 an, j+1 ... an,n
Exemple19. 
1 2 3
Soit A = 4 2 1. ALors
0 1 1

 
1 2 3  
A32 =   = 1 3
 
4 2 1
  4 1
0 1 1

C32 = (−1)3+2 det A32 = (−1) × (−11) = 11.

Pour déterminer si Ci j = + det Ai j ou Ci j = − det Ai j , on peut se souvenir que l’on associe des signes en suivant le
schéma suivant :
+ − +
 
− ...
− + − + . . .
A = + −
 
 + − . . .

.. .. .. ..
. . . .
Donc C11 = + det A11 , C12 = − det A12 , C21 = − det A21 ...
SYSTÈMES LINÉAIRES, MATRICES ET DÉTERMINANT 8. DÉTERMINANT D’UNE MATRICE CARRÉE 16

8.4. Définition et premières propriétés

Définition 15 (Développement selon une ligne ou une colonne).

Le déterminant d’une matrice A = (ai j ) d’ordre n peut être calculé en développant par rapport à une ligne ou à
une colonne de la manière suivante :
1. Développement par rapport à la ligne i :
n
X n
X
det(A) = (−1)i+ j ai j det(Ai j ) = ai j Ci j .
j=1 j=1

2. Développement par rapport à la colonne j :

X n n
X
det(A) = (−1)i+ j ai j det(Ai j ) = ai j Ci j .
i=1 i=1

Notations : On note le déterminant d’une matrice A = (ai j ) par :

a11 a12 ··· a1n
a21 a22 ··· a2n
det A ou .. .. .. .
. . .
an1 an2 ··· ann
Exemple 20.
On choisit de développer par rapport à la seconde colonne (car c’est là qu’il y a le plus de zéros) :
4 0 3 1
4 2 1 0
= 0C12 + 2C22 + 3C32 + 0C42
0 3 1 −1
1 0 2 3
(développement par rapport à la deuxième colonne)
4 3 1 4 3 1
= +2 0 1 −1 − 3 4 1 0
1 2 3 1 2 3
on n’oublie pas les signes des cofacteurs et on recommence
en développant chacun de ces deux déterminants 3 × 3
 
1 −1 3 1 3 1
= +2 +4 −0 +1
2 3 2 3 1 −1
(par rapport à la première colonne)
 
3 1 4 1 4 3
−3 −4 +1 −0
2 3 1 3 1 2
(par rapport à la deuxième ligne)



= +2 + 4 × 5 − 0 + 1 × (−4) − 3 − 4 × 7 + 1 × 11 − 0
= 83
Remarque.
Le développement par rapport à une ligne ramène le calcul d’un déterminant n × n à celui de n déterminants
(n − 1) × (n − 1), menant à n! sous-déterminants, rendant le calcul vite fastidieux. Il est donc utile uniquement si la
matrice contient de nombreux zéros.

Proposition 7.
Soient A, B deux matrices d’ordre n ⩾ 2. Alors
1. Si tous les éléments d’une ligne ou d’une colonne d’un déterminant sont nuls, alors det(A) = 0.
2. Si une colonne de la matrice A est une combinaison linéaire des autres colonnes, c’est-à-dire, par exemple, C1 =
2C2 − C3 , alors det(A) = 0.
3. det(A) = det(AT ).
SYSTÈMES LINÉAIRES, MATRICES ET DÉTERMINANT 8. DÉTERMINANT D’UNE MATRICE CARRÉE 17

4. L’échange de deux lignes ou de deux colonnes d’une matrice change le signe du déterminant.
5. det(λA) = λn det(A). En particulier, det(−A) = (−1)n det(A).
6. L’ajout à une ligne (ou une colonne) d’un multiple d’une autre ligne (ou colonne) ne modifie pas la valeur du
déterminant.
1
7. det(AB) = det(A) det(B) = det(B) det(A). En particulier, si A est inversible, alors det(A−1 ) = det(A) .

8. Si A est une matrice triangulaire par blocs de la forme

 
B D
A= ,
0 C
où B, C et D sont des sous-matrices, avec B et D ayant le même nombre de lignes, et C et D le même nombre de
colonnes, alors son déterminant vérifie :

det(A) = det(B) det(C).

9. Le déterminant est linéaire par rapport à une ligne ou une colonne, c’est-à-dire que :
a11 · · · (λa1 j + µa1′ j ) · · · a1n a11 · · · a1 j · · · a1n a11 · · · a1′ j · · · a1n
.. .. .. .. .. .. .. .. ..
. . . . . . . . .
ai1 · · · (λai j + µai j ) · · · ain = λ ai1 · · · ai j · · · ain + µ ai1 · · · ai j · · · ain
′ ′

.. .. .. .. .. .. .. .. ..
. . . . . . . . .
an1 · · · (λan j + µan′ j ) · · · ann an1 · · · an j · · · ann an1 · · · an′ j · · · ann
10. Le déterminant d’une matrice triangulaire supérieure (ou inférieure) est égal au produit des termes diagonaux.
Autrement dit,
a11 a12 ... ... ... a1n
0 a22 ... ... ... a2n
.. .. .. ..
. . . .
.. .. .. .. = a11 · a22 · · · ann .
. . . .
.. .. .. ..
. . . .
0 ... ... ... 0 ann

En pratique cela ce passe comme sur l’exemple suivant.

Exemple 21.

3 0 2 1 0 2
C
−6 1 6 = 3 × −2 1 6 ”C1 ← 31 ”
9 5 1 3 5 1
1 0 0
= 3 × −2 1 10 ”C3 ← C3 − 2C1 ”
3 5 −5
1 0 0
= 3 × −2 1 0 ”C3 ← C3 − 10C2 ”
3 5 −55
= 3 × (−55) "car la matrice est triangulaire"
= −165
SYSTÈMES LINÉAIRES, MATRICES ET DÉTERMINANT 9. APPLICATIONS DES DÉTERMINANTS 18

9. Applications des déterminants

9.1. Inverse d’une matrice

Soit A ∈ Mn (K) une matrice carrée. Nous lui associons la matrice des cofacteurs, appelée comatrice, et notée Com(A) :
 
C11 C12 · · · C1n
 C21 C22 · · · C2n 
Com(A) = (Ci j ) =  .
 
.. .. 
 .. . . 
Cn1 Cn2 ··· Cnn

Théorème 4.
Si A ∈ Mn (K) est une matrice inversible, alors

1
A−1 = Com(A) T
det A

Exemple22. 
1 1 0
Soit A =  0 1 1 . Le calcul donne que det A = 2. La comatrice Com(A) s’obtient en calculant 9 déterminants
1 0 1
2 × 2 (sans oublier les signes +/−). On trouve :
   
1 1 −1 1 −1 1
1 1
Com(A) = −1 1 1  et donc A−1 = · Com(A) T =  1 1 −1
det A 2
1 −1 1 −1 1 1

9.2. Matrices et systèmes linéaires

Le système linéaire 

 a11 x 1 + a12 x 2 + ··· + a1p x p = b1
a21 x 1 + a22 x 2 + ··· + a2p x p = b2


 ...
an1 x 1 + an2 x 2 + ··· + anp x p = bn

peut s’écrire sous forme matricielle :
     
a11 . . . a1p x1 b1
 a21 . . . a2p   x2   b2 
= .
     
 . ..   .. ..
.
 
 . .   .   . 
an1 . . . anp xp bn
| {z } | {z } | {z }
A X B
On appelle A ∈ Mn,p (K) la matrice des coefficients du système. B ∈ Mn,1 (K) est le vecteur du second membre. Le
vecteur X ∈ M p,1 (K) est une solution du système si et seulement si AX = B.

Proposition 8.
Si de plus A est une matrice carrée et inversible, alors la solution du système AX = B est unique et est donnée par :

X = A−1 B.

Par contre, si la matrice n’est pas inversible, alors soit il n’y a pas de solution, soit une infinité.
SYSTÈMES LINÉAIRES, MATRICES ET DÉTERMINANT 9. APPLICATIONS DES DÉTERMINANTS 19

9.3. Méthode de Cramer

Considérons le système d’équations linéaires à n équations et n inconnues suivant :


 a11 x 1 + a12 x 2 + · · · + a1n x n = b1
a21 x 1 + a22 x 2 + · · · + a2n x n = b2


 ...
an1 x 1 + an2 x 2 + · · · + ann x n = bn


Ce système peut également être exprimé sous forme matricielle AX = B, comme nous l’avons fait précédemment.
Définissons la matrice A j ∈ Mn (K) par :
 
a11 . . . a1, j−1 b1 a1, j+1 . . . a1n
 a21 . . . a2, j−1 b2 a2, j+1 . . . a2n 
Aj =  .
 
.. .. .. .. 
 .. . . . . 
an1 . . . an, j−1 bn an, j+1 . . . ann
Autrement dit, A j est la matrice obtenue en remplaçant la j-ème colonne de A par le second membre B. La règle de
Cramer va nous permettre de calculer la solution du système dans le cas où det A ̸= 0 en fonction des déterminants
des matrices A et A j .

Théorème 5 (Règle de Cramer).

Si la matrice carrée A d’ordre n, associée à l’équation AX = B, est inversible, alors l’unique solution (x 1 , x 2 , . . . , x n ) du
système est donnée par :
det A1 det A2 det An
x1 = , x2 = , . . . , xn = .
det A det A det A

Exemple 23.
Résolvons le système suivant : 
 x1 + 2x 3 = 6
−3x 1 + 4x 2 + 6x 3 = 30
−x 1 − 2x 2 + 3x 3 = 8.

On a    
1 0 2 6
A=  −3 4 6  B =  30 
−1 −2 3 8
     
6 0 2 1 6 2 1 0 6
A1 =  30 4 6  A2 =  −3 30 6  A3 =  −3 4 30 
8 −2 3 −1 8 3 −1 −2 8
et
det A = 44 det A1 = −40 det A2 = 72 det A3 = 152.
La solution est alors
det A1 40 10 det A2 72 18 det A3 152 38
x1 = =− =− , x2 = = = , x3 = = = ·
det A 44 11 det A 44 11 det A 44 11

Auteurs du chapitre
• Basé sur un cours d’Exo7