[Link].

tn © 2025 LunaElearn - Tous droits réservés

Matrices & Déterminants

Résumé de Cours : 1ère Année - LunaElearn

Matrices X2 ← X2 − 2X1 et X3 ← X3 − 3X1 :

n
Rang d’une Famille de Vecteurs 
1 0 0


r
Rg 2
 −1 −1
Définition du Rang 1 −3 −3

a
Soit E un K-espace vectoriel et {x1 , x2 , . . . , xp } une famille de vecteurs de E.

e
Le rang de cette famille, noté Rg{x1 , . . . , xp }, est la dimension du sous-espace X3 ← X3 − X2 :

l
   
vectoriel engendré par ces vecteurs : 1 0 0 1 0
Rg 2 −1 0 = Rg 2 −1 = 2

E
Rg{x1 , . . . , xp } = dim(vect{x1 , . . . , xp }) 1 −3 0 1 −3

a
Conclusion : Rg{X1 , X2 , X3 } = 2

n
Propriétés Fondamentales

u
1. Rg{x1 , . . . , xp } ≤ p
2. Rg{x1 , . . . , xp } = p ⇔ la famille est libre Rang d’une Matrice
.t n

L
3. Le rang ne change pas si on remplace un vecteur par une combinaison linéaire : n
e ar
Rg{x1 , . . . , xp } = Rg{α1 x1 + · · · + αp xp , x2 , . . . , xp }
a elDéfinition
un Soit A ∈ M n,p (K). Le rang de A, noté rg(A), est le rang de la famille de ses vecteurs

w.l
pour αi ∈ K∗ colonnes :
4. Rg{0E , x2 , . . . , xp } = Rg{x2 , . . . , xp }
ww
rg(A) = Rg{C1 (A), C2 (A), . . . , Cp (A)}
où Cj (A) désigne la j-ième colonne de A.
Exemple 1 : Dans R3
Soit X1 = (1, 2, 1), X2 = (2, 3, −1), X3 = (3, 5, 0).
Calculons Rg{X1 , X2 , X3 } :  
1 2 3 Remarque Essentielle
Rg 2 3 5
Le rang d’une matrice peut aussi être calculé à partir des vecteurs lignes de A car :
1 −1 0
Opérations élémentaires : rg(A) = rg(t A)

Instagram: @lunaelearn Page 1/14 Facebook: LunaElearn

[Link] © 2025 LunaElearn - Tous droits réservés

Propriétés du Rang Méthode de Calcul du Rang

1. Borne supérieure : Algorithme pratique :
1. Écrire la matrice sous forme de colonnes
rg(A) ≤ min(n, p) ∀A ∈ Mn,p (K) 2. Appliquer des opérations élémentaires sur les colonnes (ou lignes) :
— Échange : Ci ↔ Cj
2. Matrice inversible : Pour A ∈ Mn (K) :
— Multiplication : Ci ← αCi avec α ̸= 0
rg(A) = n ⇔ A ∈ GLn (K) — Addition : Ci ← Ci + αCj
3. Simplifier jusqu’à obtenir des colonnes nulles
3. Matrice triangulaire : Si A est triangulaire avec tous les coefficients diagonaux 4. Le rang = nombre de colonnes non nulles

n
non nuls, alors :

r
rg(A) = n 1. Méthode du Pivot de Gauss

a
4. Transposition : Opérations élémentaires

e
rg(A) = rg(t A)
On appelle opération élémentaire sur les lignes d’une matrice A l’une des opéra-

l
tions suivantes :

E
— Échange de lignes : Li ↔ Lj (avec i ̸= j)
Exemple 2 : Calcul de Rang — Multiplication par un scalaire : Li ← αLi (avec α ̸= 0)

a
Soit la matrice : — Addition : Li ← Li + αLj (avec i ̸= j et α ̸= 0)

n
 
2 3 1 4 Les mêmes opérations peuvent être définies sur les colonnes.
1 −1 3 −3

u
A=
Principe de la méthode

3 2 4 1
.t n

L
−1 0 −2 1

ar n
Soit A ∈ GLn (K). La suite des opérations élémentaires sur les lignes (ou colonnes)
qui transforme A en In transforme simultanément In en A−1 .
Étape 1 : C2 ← 2C2 − 3C1 , C3 ← 2C3 − C1 , C4 ← C4 − 2C1
e
elAlgorithme

2 0 0 0

n a du pivot de Gauss
 1 −5 5 −5 .l u
rg(A) = rg 
 3 −5 5 −5

w w Pour calculer A−1 , on procède ainsi :
−1 3 −3 3 w 1. Former la matrice augmentée (A | In )
2. Appliquer des opérations élémentaires sur les lignes pour transformer A en In
Étape 2 : C3 ← C3 + C2 , C4 ← C4 + C2
3. Les mêmes opérations transforment In en A−1 : (In | A−1 )
 
2 0 0 0
1 −5 0 0 Calcul détaillé
rg(A) = rg  =2
3 −5 0 0
 
1 1 2
−1 3 0 0 Soit A = 2 0 1. Vérifions d’abord que rg(A) = 3, donc A est inversible.
1 −1 0
Résultat : rg(A) = 2

Instagram: @lunaelearn Page 2/14 Facebook: LunaElearn

[Link] © 2025 LunaElearn - Tous droits réservés

Étape 1 : Matrice augmentée initiale Résultat final :

− 12 − 12
 
  1
1 1 2 1 0 0 A−1 = − 12
 1 − 32 
A1 =  2 0 1 0 1 0  1 −1 1
1 −1 0 0 0 1

Étape 2 : L2 ← L2 − 2L1 et L3 ← L3 − L1
  Remarque importante
1 1 2 1 0 0
(1)
A1 =  0 −2 −3 −2 1 0  Pour effectuer le calcul de l’inverse par la méthode du pivot de Gauss, il faut choisir

n
0 −2 −2 −1 0 1 dès le départ d’opérer soit sur les lignes soit sur les colonnes. Toutes les opérations

r
qui suivent doivent être du même type. On ne peut pas mélanger les opérations sur
Étape 3 : L3 ← L3 − L2 lignes et colonnes.

e a
 
1 1 2 1 0 0

l
(2)
A1 = 0 −2 −3 −2 1 0  Matrice d’une Application Linéaire
0 0 1 1 −1 1

E
Définition Générale

a
Étape 4 : L2 ← L2 + 3L3 Soient E et F deux K-e.v. de dimensions finies p et n respectivement, et f ∈ L(E, F ).

n
  Soient B = {e1 , . . . , ep } une base de E et B ′ = {u1 , . . . , un } une base de F .
1 1 2 1 0 0
(3) La matrice de f relativement aux bases B et B ′ est :

u
A1 =  0 −2 0 1 −2 3 
0 0 1 1 −1 1
n
 
a11 a12 · · · a1p
.t

L
1
Étape 5 : L2 ← − L2 ar n  a21 a22 · · · a2p 
M (f, B, B ′ ) =  .

..

.. 
ele  .. ..
2 . . . 
n a an1 an2 ··· anp
.lu
 
1 1 2 1 0 0
(4)
A1 = 0 1 0 − 12 1
−1
− 32 
w w où la j-ième colonne contient les coordonnées de f (ej ) dans B′ :
0 0 1 1 1
w n
X
Étape 6 : L1 ← L1 − L2 − 2L3 f (ej ) = aij ui
i=1
− 12 − 12
 
1 0 0 1
(5)
A1 = 0 1 0 − 12 1 − 32 
0 0 1 1 −1 1 Cas Particulier : Endomorphisme
Si f ∈ L(E) (endomorphisme), on peut choisir une seule base B de E.
On note alors : M (f, B) ∈ Mn (K)

Instagram: @lunaelearn Page 3/14 Facebook: LunaElearn

[Link] © 2025 LunaElearn - Tous droits réservés

Exemples Fondamentaux f (u) = (3, 1) = 5u′1 − 2u′2

Exemple 1 : Application Standard f (v) = (5, 13) = −7u′1 + 6u′2
f (w) = (3, −3) = 9u′1 − 6u′2
Soit l’application linéaire : Matrice :  
5 −7 9
f :R 3
→ R 2 M (f, B, B ′ ) =
−2 6 −6
(x, y, z) 7→ (x + 2y − z, 5x + 4y − 9z)

Soient B = {e1 , e2 , e3 } la base canonique de R3 et B ′ = {u1 , u2 } la base canonique

de R2 .

n
Calcul :

r
f (e1 ) = f (1, 0, 0) = (1, 5) = 1u1 + 5u2

a
f (e2 ) = f (0, 1, 0) = (2, 4) = 2u1 + 4u2

le
f (e3 ) = f (0, 0, 1) = (−1, −9) = −1u1 − 9u2

Matrice :

E
 
′ 1 2 −1
M (f, B, B ) =

a
5 4 −9
Exemple 3 : Endomorphisme

n
Exemple 2 : Base Non Canonique
Soit l’application linéaire :

u
Même application f que précédemment, mais avec :
.t n → R2 [X]

L
f : R2 [X]
B = {u = (1, 0, 0), v = (1, 2, 0), w = (2, −1, 1)}
ar n P 7→ X 2 P ′′ + 2XP ′ − P
Vérification que B est une base :
e canonique : B = {1, X, X }
elBase
a
n Calcul des images :
2

1 1 2

.lu
Rg 0 2 −1 = 3
w w f (1) = 0 + 0 − 1 = −1
0 0 1 w f (X) = 0 + 2X − X = X
B est libre et maximale, donc c’est une base. f (X 2 ) = X 2 · 2 + 2X · 2X − X 2 = 2X 2 + 4X 2 − X 2 = 5X 2
Calcul :
Matrice :
f (u) = f (1, 0, 0) = (3, 1)
 
−1 0 0
f (v) = f (1, 2, 0) = (1 + 4, 5 + 8) = (5, 13) M (f, B) =  0 1 0
f (w) = f (2, −1, 1) = (6 − 2 − 1, 10 − 4 − 9) = (3, −3) 0 0 5
C’est une matrice diagonale !
Mais il faut exprimer dans B ′ = {u′1 , u′2 } où u′1 = (1, 1) et u′2 = (1, 2) :

Instagram: @lunaelearn Page 4/14 Facebook: LunaElearn

[Link] © 2025 LunaElearn - Tous droits réservés

Propriétés Fondamentales Relation Matricielle Fondamentale

Proposition Clé
Soient x ∈ E et y ∈ F avec :

Linéarité de la Correspondance x = α1 e1 + · · · + αp ep
′
Soient E, F deux K-e.v. de dimensions finies, B une base de E et B une base de F . y = β1 u1 + · · · + βn un
1. Homogénéité :
On pose :
M (αf, B, B′ ) = αM (f, B, B ′ )

n
   
α1 β1
2. Additivité :

r
X =  ...  et Y =  ... 
   

a
M (f + g, B, B ′ ) = M (f, B, B ′ ) + M (g, B, B ′ ) αp βn

e
Alors :
3. L’application

l
f (x) = y ⇔ A · X = Y
ψ : L(E, F ) → Mn,p (K)
f →7 M (f, B, B′ ) où A = M (f, B, B ′ )
est un isomorphisme de K-espaces vectoriels.

a E Démonstration

un ele ar
n .tn
f (x) = y ⇔ f
p
X
αi ei
!
=
n
X
βi ui

L
i=1 i=1

na p
X n
X

.lu ⇔
i=1
αi f (ei ) =
i=1
βi ui

Propriétés Supplémentaires
ww ⇔
Xp
αi
n
X
aji uj =
n
X
βi ui
4. Injectivité :
M (f, B, B ′ ) = M (g, B, B ′ ) ⇔ f = g
w i=1 j=1 i=1
p
n
! n
X X X
5. Identité : ⇔ αi aji uj = βi ui
M (IdE , B) = Ip j=1 i=1 i=1
p
si dim E = p
X
⇔ βi = aij αj ∀i
6. Matrice nulle : j=1
M (f, B, B ′ ) = 0 ⇔ f = 0
⇔Y =A·X

Instagram: @lunaelearn Page 5/14 Facebook: LunaElearn

[Link] © 2025 LunaElearn - Tous droits réservés

Application Numérique Exemple Détaillé

Soit f : R2 → R2 définie par :
Construction d’une Matrice de Passage
f (x, y) = (2x + y, x − 3y) Soient les vecteurs de R3 :
Matrice dans la base canonique : u = (1, 1, 1)
v = (1, 2, 1)
 
2 1
A=
1 −3 w = (1, 2, 2)

n
Pour x = (3, 1), calculons f (x) : Étape 1 : Vérifier que B′ = {u, v, w} est une base

r
     Calculons le rang :

a
2 1 3 7 
1 1 1

=
1 −3 1 0

e
Rg 1 2 2

l
1 1 2
Donc f (3, 1) = (7, 0)
Opérations : L2 ← L2 − L1 , L3 ← L3 − L1 :

E
Matrice de Passage

a
 
1 1 1
Définition Rg 0 1 1 = 3

n
0 0 1
Soient E un K-e.v. de dimension finie n, et B = {e1 , . . . , en } et B ′ = {e′1 , . . . , e′n }

u
deux bases de E.
Donc B ′ est une base de R3
La matrice de passage de B à B ′ , notée PB→B′ ou pass(B, B ′ ), est la matrice carrée
.t n
Étape 2 : Construire la matrice de passage

L
d’ordre n dont la j-ième colonne contient les coordonnées du vecteur e′j dans la base
r n
Soit B la base canonique de R3 .
a
ele
B:
n Les colonnes de PB→B′ sont les coordonnées de u, v, w dans B :
Si e′j =
X
pij ei , alors :
n a
u
w.l
 
i=1 1 1 1
PB→B′ = (pij )1≤i,j≤n
ww
PB→B′ = 1 2 2
1 1 2
Interprétation Visuelle
e′1 e′2 e′n
PB→B′ = ···
↓ ↓ ↓ Calcul de la Matrice Inverse
  ← e1 Pour trouver PB′ →B , on calcule l’inverse par la méthode du pivot de Gauss :
··· ··· ··· ···
· · · ··· ··· · · · ← e2  
  . 1 1 1 1 0 0
← ..
· · · ··· ··· · · ·  1 2 2 0 1 0 
··· ··· ··· ··· ← en 1 1 2 0 0 1

Instagram: @lunaelearn Page 6/14 Facebook: LunaElearn

[Link] © 2025 LunaElearn - Tous droits réservés

L2 ← L2 − L1 , L3 ← L3 − L1 : Démonstration :

PB→B′ = M (IdE , B ′ , B)
 
1 1 1 1 0 0
 0 1 1 −1 1 0  PB′ →B = M (IdE , B, B ′ )
0 0 1 −1 0 1
= M (Id−1 ′
E , B, B )
L2 ← L2 − L3 , L1 ← L1 − L2 − L3 :
  Puisque IdE est un isomorphisme, sa matrice est inversible.
1 0 0 2 −1 0
 0 1 0 0 1 −1 

n
0 0 1 −1 0 1

r
 

a
2 −1 0
PB′ →B = 0 1 −1

e
−1 0 1

Propriétés Fondamentales

El Propriété 3 : Composition

a
Soient B, B ′ et B ′′ trois bases de E. Alors :

n
Propriété 1 : Lien avec l’Identité
PB→B′ · PB′ →B′′ = PB→B′′

u
La matrice de passage est la matrice de l’application identité :

.t
Démonstration : n

L
PB→B′ = M (IdE , B ′ , B)
ar n
e M (IdE , B ′ , B) · M (IdE , B ′′ , B ′ )
ael
Justification :
′
(E, B ) → (E, B) = M (IdE ◦ IdE , B ′′ , B)
lun
IdE :
x →7 x
w . = M (IdE , B ′′ , B)
Pour chaque e′j ′
∈B :
IdE (e′j ) = e′j ww
et les coordonnées de e′j dans B forment la j-ième colonne.

Propriété 2 : Inversibilité Changement de Coordonnées

La matrice de passage PB→B′ est inversible et :

(PB→B′ )−1 = PB′ →B

Instagram: @lunaelearn Page 7/14 Facebook: LunaElearn

[Link] © 2025 LunaElearn - Tous droits réservés

Formule du Changement de Coordonnées Application du Changement

Soit x ∈ E avec : Reprenons B canonique et B ′ = {u, v, w} avec :
n  
x=
X
xi ei dans B 1 1 1
i=1
PB→B′ = 1 2 2
Xn 1 1 2
x= x′i e′i dans B ′  
i=1 2
Soit x tel que X ′ = −1
On pose :

n
3 B′
x′1
   
x1 Calculons X dans B :

r
X =  ...  et X ′ =  ... 
   

a
    
1 1 1 2 4
xn x′n X = 1 2 2 −1 = 6

e
B B′

l
Alors : 1 1 2 3 7 B
X = PB→B′ · X ′

E
Donc x = (4, 6, 7) dans la base canonique.
Vérification :

a
Démonstration
On utilise l’application identité : x = 2u − v + 3w = 2(1, 1, 1) − (1, 2, 1) + 3(1, 2, 2)

IdE :
(E, B ′ ) → (E, B)
x → 7 x

u n .t n
= (2, 2, 2) + (−1, −2, −1) + (3, 6, 6) = (4, 6, 7)

L
Méthode Pratique
D’après la relation matricielle fondamentale :
ar n
el eExprimer
Pour construire P :
B→B′
′
IdE (x) = x ⇔ M (IdE , B , B) · X = X ′
a 1. chaque vecteur de B ′
dans B

Or M (IdE , B ′ , B) = PB→B′ w .lun 2. Placer ces coordonnées en colonnes

3. Pour l’inverse, utiliser le pivot de Gauss sur (P |In )
Donc :
ww Pour changer les coordonnées :
X = PB→B′ · X ′ — B ′ → B : X = PB→B′ · X ′
— B → B ′ : X ′ = PB′ →B · X

Instagram: @lunaelearn Page 8/14 Facebook: LunaElearn

[Link] © 2025 LunaElearn - Tous droits réservés

I- Déterminants Propriétés Algébriques

Déterminants de Base 1. Multiplicativité :

det(AB) = det(A) · det(B)
Dimension 2
2. Transposition :
Déterminant 2×2 det t A = det(A)

3. Inverse : Si A inversible :
 
a b 1
Pour A = ∈ M2 (K) : det A−1 =


c d det(A)
a b 4. Scalaire :
det(A) = = ad − bc
c d det(λA) = λn det(A)pour

n
A ∈ Mn (K)

r
Dimension 3

a
Déterminant 3×3 (Règle de Sarrus) 5. Identité :
det(In ) = 1

le
 
a b c
Pour M = d e f  ∈ M3 (K) :

E
g h i
Propriétés sur les Lignes/Colonnes

a
det(M ) = aei + bf g + cdh − ceg − af h − bdi
1. Si deux lignes (ou colonnes) sont identiques :

n
Calcul avec Sarrus det(A) = 0

u
 
n
a b c
.t
2. Échange de deux lignes (ou colonnes) :

L
n
d e f
g h i
e a r det change de signe
Produits positifs :
n ael3. Multiplication d’une ligne par λ :
— Diagonale principale : aei
[Link] det est multiplié par λ
ww
— Diagonales descendantes : bf g + cdh
Produits négatifs : 4. Ajout d’une combinaison linéaire :
— Diagonale anti-principale : ceg
— Diagonales montantes : af h + bdi Li ← Li + λLj ⇒ det inchangé

5. Linéarité par ligne :

Propriétés Fondamentales det L1 , . . . , αLi + βL′i , . . . , Ln

Déterminant et Inversibilité = α det(L1 , . . . , Li , . . . , Ln ) + β det L1 , . . . , L′i , . . . , Ln

Une matrice carrée A est inversible si et seulement si :

det(A) ̸= 0 Méthodes de Calcul

Instagram: @lunaelearn Page 9/14 Facebook: LunaElearn

[Link] © 2025 LunaElearn - Tous droits réservés

Développement par lignes/colonnes Interprétation Géométrique

Stratégie de Calcul Volume et Déterminant
1. Créer des zéros dans une ligne/colonne Pour ⃗
u, ⃗v ∈ R2 :
2. Développer par cette ligne/colonne Aire = | det(⃗
u, ⃗v )|
3. Répéter jusqu’à obtenir des matrices 2×2
Pour ⃗ ⃗ ∈R :
u, ⃗v , w 3

Volume = | det(⃗
u, ⃗v , w)|
⃗
Cofacteur
Le cofacteur de l’élément aij est : Calcul d’Aire

Cij = (−1) i+j

Mij Soient ⃗
u = (3, 1) et ⃗v = (2, 4) :

n
 
3 2

r
où Mij est le mineur (déterminant de la sous-matrice obtenue en supprimant la ligne i et Aire = det = |12 − 2| = 10
la colonne j). 1 4

a
Le parallélogramme formé par ⃗
u et ⃗v a une aire de 10 unités carrées.

le
Développement de Laplace
Développement par la ligne i : Applications

E
n
Famille de Vecteurs
X
det(A) = aij Cij

a
j=1
Déterminant et Base

n
Développement par la colonne j :
Soit F = {v1 , . . . , vn } une famille de n vecteurs dans un espace de dimension n :

u
n
X
det(A) = F est une base ⇔ det(F ) ̸= 0
n
aij Cij

n.t
L ar
i=1

l e
Endomorphismes
ae Déterminant d’un Endomorphisme
Matrices Triangulaires
n
Déterminant Triangulaire
[Link] Pour f ∈ L(E) :

ww
Si T est triangulaire (supérieure ou inférieure) : det(f ) = det(MatB (f ))
Y n
Ce déterminant est indépendant du choix de base B.
det(T ) = tii Propriété :
i=1 f inversible ⇔ det(f ) ̸= 0
Le déterminant est le produit des éléments diagonaux.
Exemples
Exemple Triangulaire
Exemple 1 : Dimension 2
1 2 3
!  
det 0 5 6 = 1 × 5 × 8 = 40 3 2
det = 3 × 4 − 2 × 1 = 12 − 2 = 10
0 0 8 1 4

Instagram: @lunaelearn Page 10/14 Facebook: LunaElearn

[Link] © 2025 LunaElearn - Tous droits réservés

Exemple 2 : Dimension 3 (Sarrus) Opérations sur les Déterminants

1 2 3
!
det 4 5 6 Propriétés Algébriques
7 8 9
5 6 4 6 4 5
=1· −2· +3· Multilinéarité
8 9 7 9 7 8
= 1(45 − 48) − 2(36 − 42) + 3(32 − 35) Le déterminant est multilinéaire : linéaire par rapport à chaque colonne.
Pour la i-ème colonne :
= −3 + 12 − 9 = 0
det C1 , . . . , λCi + µCi′ , . . . , Cn

n
Les trois vecteurs lignes sont coplanaires.

r
= λ det(C1 , . . . , Ci , . . . , Cn )

a
+ µ det C1 , . . . , Ci′ , . . . , Cn


Exemple 3 : Matrice 4×4

le
Par opérations élémentaires et développement :

2 1 0 3
 

E
0 4 1 2
A=

a
0 0 3 1
0 0 0 5 Application de la Multilinéarité

n
A est triangulaire supérieure :

u
1 2+5 3
!
det(A) = 2 × 4 × 3 × 5 = 120 det 2 3+7 4
n
n.t
L
1 4+9 5
Exemple 4 : Vérification de Base
e ar 1 2 3 1 5 3
! !

a e l = det 2 3 4 + det 2 7 4

lun
Les vecteurs v1 = (1, 2, 1), v2 = (0, 1, 3), v3 = (2, 0, 1) forment-ils une base de R3 ? 1 4 5 1 9 5
1 0 2
w.
!
det 2 1 0
ww
1 3 1
Développement par la 1ère ligne :
Caractère Alterné
1 0 2 1
=1· −0+2· Le déterminant est alterné : si deux colonnes (ou lignes) sont égales, alors :
3 1 1 3
= 1(1 − 0) + 2(6 − 1) det(A) = 0
= 1 + 10 = 11 ̸= 0
Plus généralement, si on échange deux colonnes :
Donc {v1 , v2 , v3 } est une base de R3
det M ′ = − det(M )

Instagram: @lunaelearn Page 11/14 Facebook: LunaElearn

[Link] © 2025 LunaElearn - Tous droits réservés

Conséquence de l’Alternance Matrice Triangulaire

Si C2 = C3 : Si T est triangulaire (supérieure ou inférieure) :
1 2 2
!
n
det 3 4 4 =0 Y
5 6 6 det(T ) = tii
i=1
Échange de C1 et C2 :
Le déterminant est le produit des éléments diagonaux.
2 1 3 1 2 3
! !
det 4 3 5 = − det 3 4 5
6 5 7 5 6 7 Exemple Triangulaire Supérieure

n
2 5 7 9
 

r
Opérations Élémentaires
0 3 4 1
det  = 2 × 3 × (−1) × 4 = −24

a
0 0 −1 6
1. Échange : Ci ↔ Cj 0 0 0 4

le
det → − det
2. Multiplication : Ci ← λCi

E
det → λ det Matrices par Blocs

a
3. Transvection : Ci ← Ci + λCj
Matrice par Blocs Triangulaire

n
det inchangé Pour une matrice par blocs de la forme :

u
 
n
A B
.t
L
Déterminants Particuliers M=
0
n
C

e a r
Matrices Diagonales et Triangulaires
el
où A et C sont des matrices carrées, on a :

na
.lu
Matrice Diagonale det(M ) = det(A) · det(C)
w
Pour D = diag(d1 , d2 , . . . , dn ) :
n
ww Exemple par Blocs
Y
det(D) = di = d1 · d2 · . . . · dn
1 2 3 4
 
i=1    
0 3 5 6 1 2 2 7
det  = det · det
0 0 2 7 0 3 0 4
0 0 0 4
Exemple Diagonal
= (1 × 3) · (2 × 4) = 3 × 8 = 24
3 0 0
!
det 0 −2 0 = 3 × (−2) × 5 = −30
0 0 5 Applications Avancées

Instagram: @lunaelearn Page 12/14 Facebook: LunaElearn

[Link] © 2025 LunaElearn - Tous droits réservés

Changement de Base Règle de Cramer

Formule de Cramer
Déterminant et Changement de Base
Pour le système linéaire AX = B avec det(A) ̸= 0 :
Soient B et B′ deux bases de E, et P la matrice de passage de B vers B′ .
Pour une famille F de vecteurs : det(Ai )
xi =
1 det(A)
−1
det (F) = det P · det(F) = · det(F)


B′ B det(P ) B où Ai est la matrice A avec la i-ème colonne remplacée par B.

Application de Cramer

n
Invariance pour les Endomorphismes

r
Système :
Pour un endomorphisme f ∈ L(E) : 2x + 3y = 7

a


x + 2y = 4

le
det(f ) = det(MatB (f ))
   
Ce déterminant est indépendant du choix de la base B. 2 3 7
Matrice : A = , vecteur B =
1 2 4

E
Si A = MatB (f ) et B = MatB′ (f ) :
Calcul de det(A) :

a
det(A) = det(B) det(A) = 2 × 2 − 3 × 1 = 4 − 3 = 1

n
Calcul de x :  
7 3
det

u
4 2 14 − 12
Forme Multilinéaire Alternée x= = =2
.t n det(A) 1

L r n
Calcul de y :
a
ele
Caractérisation du Déterminant 2

7

det
a
lun
Le déterminant est l’unique forme n-linéaire alternée sur Mn (K) telle que det(In ) = 1. 1 4 8−7
y= = =1
tés. w.
Cette propriété le caractérise entièrement et permet de démontrer toutes ses autres proprié- det(A) 1

ww
Solution : (x, y) = (2, 1)

Forme Alternée Méthode de Cramer - Étapes

Une forme est alternée si elle s’annule dès que deux arguments sont égaux. 1. Vérifier que det(A) ̸= 0
Pour le déterminant : 2. Pour chaque inconnue xi :
— Remplacer la colonne i de A par B
det(C1 , . . . , Ci , . . . , Cj = Ci , . . . , Cn ) = 0
— Calculer det(Ai )
det(Ai )
— Appliquer : xi =
det(A)
Résolution de Systèmes Linéaires 3. Vérifier la solution

Instagram: @lunaelearn Page 13/14 Facebook: LunaElearn

[Link] © 2025 LunaElearn - Tous droits réservés

Limitations de Cramer Méthodes de calcul

Avantages : 1. Méthode par échelonnement :
— Formule explicite pour chaque variable — Réduire la matrice sous forme échelonnée
— Utile pour les systèmes théoriques — Le rang = nombre de lignes non nulles
Inconvénients : 2. Méthode des mineurs :
— Très coûteux en calculs pour n > 3 — Chercher le plus grand mineur non nul
— Nécessite n + 1 déterminants — Le rang = ordre du plus grand mineur non nul
— Moins efficace que le pivot de Gauss
Usage : Principalement pour les petits systèmes (n ≤ 3) ou les démonstrations théoriques. Théorème du rang

n
Pour une application linéaire f : E → F de matrice A :
2. Rang de matrice

r
dim(E) = rang(f ) + dim(ker(f ))
Définition du rang

a
Le rang d’une matrice A, noté rang(A) ou rg(A), est : Autrement dit : n = rang(A) + dim(ker(A))

l e
— Le nombre maximal de lignes linéairement indépendantes
— Le nombre maximal de colonnes linéairement indépendantes Cas particuliers

E
— La dimension de l’espace vectoriel engendré par les lignes (ou colonnes) Matrice inversible : A ∈ Mn (K) est inversible ⇔ rang(A) = n
Matrice de rang maximal :

a
Propriétés fondamentales — Si rang(A) = m : les lignes sont indépendantes

n
Pour une matrice A ∈ Mm,n (K) : — Si rang(A) = n : les colonnes sont indépendantes

u
0 ≤ rang(A) ≤ min(m, n)

.t n

L
rang(A) = rang(AT )
rang(AB) ≤ min(rang(A), rang(B)) ar n
a ele
u n
w .l
ww

Instagram: @lunaelearn Page 14/14 Facebook: LunaElearn