Chapitre 1

Calcul matriciel et introduction à ses

applications
1.1 Notion de matrice
1.1.1 Introduction
Une matrice (m × n) est un ensemble d’éléments, les coefficients ou les
composantes, rangés en tableau à m lignes et n colonnes de la forme

a11 ... a1n

.. ..
. .
am1 . . . amn

Notation On note une matrice par une lettre capitale et on la représente

par un tableau à m lignes et n colonnes :
⎛ ⎞
a11 . . . a1n
⎜ .. .. ⎟
A=⎝ . . ⎠
am1 . . . amn

Les éléments aij , où i est l’indice de ligne et j celui de la colonne peuvent
être pris dans divers ensembles comme par exemple :

– les entiers N pour l’optimisation entière par exemple

– les réels R ou les complexes C pour l’analyse
– les polynômes réels en λ : R[λ]

1
 – les fractions rationnelles en λ : F[λ]
– les matrices de taille (k × l)
– les corps finis quelconques Z/2Z pour la cryptographie, les codes, en
informatique théorique

Exemple Soit M matrice à coefficients dans Z/2Z. Par exemple

⎛ ⎞
0 0 1
M =⎝ 1 0 0 ⎠
0 1 1

L’ensemble Z/2Z est l’ensemble des restes modulo 2 muni de l’addition et de

la multiplication modulo 2. C’est un corps servant à écrire les codes binaires.

Remarque Dans Z/2Z,

- 0 + 0 = 0, 0 + 1 = 1 et 1 + 1 = 0
- 0 ∗ 0= 0, 0 ∗ 1 = 0 et 1 ∗ 1 = 1.
Donc ni=1 xi = 1 si on a un nombre impair de xi égaux à 1.
Attention, ne pas confondre avec l’ensemble des booléens B = 0 ,1 où
 n
i=1 xi = 1 dès que un des xi est égal à 1.

1.1.2 Définition mathématique d’un tableau matriciel

Définition 1.1.1 On appelle matrice à m lignes et n colonnes à coefficients
dans un corps K une suite (aij )1≤i≤m, 1≤j≤n
c’est à dire une application A :

[1,m] → K (i,j) → A(i,j) = aij

L’ensemble des matrices à m lignes et n colonnes à coefficients dans K est

noté Mm,n (K).

Quelques définitions et exemples

– les matrices carrées : m = n
– les matrices creuses :
• la matrice nulle
• la matrice identité
• les matrices diagonales
• les matrices tridiagonales
• les matrices triangulaires supérieures ou inférieures

2
 • les matrices élémentaires Eij : ses coefficients sont nuls sauf celui
placé sur la i-ème ligne et j-ème colonne. Ces matrices forment une
base de Mm,n .
• les matrices de Hessenberg supérieure ou inférieure où aij = 0
pour i > j + 1.
Ces matrices présentent un intérêt au point de vue du temps de traite-
ment ou place de mémoire (cf Matlab qui exploite cette caractéristique).
– les matrices partitionnées de la forme A =[Aij ] où les 
matrices Aij
sont des blocs de dimension mi ×nj tels que mi = m et nj = n. Le
partitionnement permet, lorsqu’il est choisi judicieusement, d’accélérer
les calculs ou de réduire les formules.

Exemple
⎛ ⎞
3 4 0 0

⎜ 1 2 0 0 ⎟
A=⎜ ⎟= B 0
⎝ 0 0 1 0 ⎠ 0 I2
0 0 0 1
avec

3 4
B=
1 2

– Dans la plupart des cas, on considère des matrices à coefficients constants

(donc des opérations interprétables en tant que transformation linéaire),
le langage matriciel permet d’appéhender des objets plus généraux
• Soit f une fonction réelle de plusieurs variables de Rn dans R qui
à (x1 ,..,xn ) associe f (x1 ,..xn ).
On définit le gradient de cette fonction comme une matrice ligne

∂f ∂f ∂f
=[ ,.., ]
∂x ∂x1 ∂xn
et sa matrice Hessienne
⎛ ∂2f ∂2f
⎞
∂x21
... ∂x1 ∂xn
⎜ ⎟
Hf = ⎜
⎝
..
.
..
.
⎟
⎠
∂2f ∂2f
∂xn ∂x1 ... ∂x2n

• Soit f une fonction vectorielle de plusieurs variables de Rn dans

Rm qui à (x1 ,..,xn ) associe (f1 (x1 ,..xn ),..,fm (x1 ,..xn )).

3
 On définit la matrice jacobienne Jacobienne
⎛ ∂f1 ∂f1 ∂f1 ⎞
∂x1 ∂x2 . . . ∂x n
⎜ ⎟
Jf = ⎝ ... ..
. ⎠
∂fm ∂fm ∂fm
∂x1 ∂x2 . . . ∂xn

Application : en optimisation.
Cette écriture matricielle permet de traduire, de façon concise et claire,
de nombreuses opérations que l’on peut rencontrer dans les Sciences de
l’Ingénieur.
C’est un formalisme simple qui permet d’une part de généraliser des mani-
pulations scalaires (le seul point délicat est le perte de commutativité) et
d’autre part de pouvoir manipuler dans un seul langage scalaires, vecteurs,
tableaux.

1.1.3 Une application

Exemple du problème d’affectation.

Soient M1 ,M2 ,M3 ,M4 4 machines à affecter aux tâches T1 ,T2 ,T3 ,T4 . Soient
aij les coûts d’affectation de Mi à Tj :

T1 T2 T3 T4
M1 8 3 1 5
M2 11 7 1 6
M3 7 8 6 8
M4 11 6 4 9

Toute machine Mi doit effectuer une seule tâche Tφ(i) .

Problème Trouver une affectation de coût minimum ie une bijection φ de

{1,2,3,4} dans {1,2,3,4}.

Procédé naturel : On choisit Mi puis la tâche de moindre coût parmi celles

qui restent.

Par exemple : M1 → T3 , M2 → T4 , M3 → T1 et M4 → T2 . On obtient

un coût total de 1 + 6 + 7 + 6 = 20.
Est-ce bien l’affectation de coût minimum?

4
Si l’on veut faire une énumération exhaustive, il faut faire 4 ∗ 3 ∗ 2 ∗ 1 = 4!
tests. Ce qui devient vite impossible dès que n est grand.

1.2 Opérations élémentaires

1.2.1 Egalité
Les matrices A et B sont égales ssi elles ont même dimension et ∀i, j, aij =
bij .

1.2.2 Somme
On définit la somme de 2 matrices A et B par la matrice A + B de co-
efficients (aij + bij ).

Propriétés
•A + B = B + A
•A + 0 = 0 + A = A
•−A = (−aij
•−A + A = 0

1.2.3 Multiplication par un scalaire

On définit la multiplication de A par un scalaire k par la matrice kA de
terme général kaij .

Remarque Lorsque K est un corps, l’addition et la multiplication par un

scalaire munissent l’ensemble Mm,n (K) d’une structure d’espace vectoriel
de dimension dim(Mm,n (K)) = m × n sur K.

1.2.4 Transposition
La notion de transposition vient du produit scalaire (aussi appelé pro-
n intérieur) de deux vecteurs de même dimension n : (x,y) →< x,y >=
duit
i=1 xi yi .
Soit A ∈ Mmn . Si on calcule < x,Ay > alors la matrice B, transposée de A
est l’unique matrice telle que < x,Ay >=< Bx,y >. Ainsi la transposée de
A est l’unique matrice (n × m) notée AT dont le coefficient correspondant à
la i-ème ligne et l̀a j-ème colonne est aji .

Définition 1.2.1 Lorsque m = n et AT = A, on dit que A est symétrique

5
et AT = −A on dit que A est antisymétrique.

Lorsque K ⊂ C, on définit la matrice adjointe ou transconjuguée par A =

ĀT (où Ā = (a¯ij 1≤i≤n, 1≤j≤n est la conjuguée).

Définition 1.2.2 Lorsque m = n et A = A, on dit que A est hermitienne

et A = −A on dit que A est antihermitienne.
⎛ ⎞ ⎛ ⎞
8 3 1 8 1 7
Exemple -Si A = ⎝ 1 7 1 ⎠ alors AT = ⎝ 3 7 8 ⎠
7 8 6 1 1 6
⎛ ⎞
1 5

⎜ 2 6 ⎟
-Si B = ⎜ ⎟ alors B T = 1 2 3 4
⎝ 3 7 ⎠ 5 6 7 8
4 8
- les matrices symétriques carrées d’ordre 3 sont de la forme
⎛ ⎞
a d f
⎝ d b e ⎠
f e c

Propriétés
-(A + B)T = AT + B T et (A + B) = A + B 
-(AT )T = A et (A ) = A
-(A )T = (AT ) = Ā

1.2.5 Trace
min(m,n)
On définit la trace d’une matrice A par tr(A) = i=1 aii .

Propriétés
-tr(αA + βB) = αtr(A) + βtr(B)
-tr(AT ) = tr(A)
ˆ
-tr(A ) = tr(A)

1.2.6 Dérivation et intégration

On dérive et on intg̀re terme à terme.

6
1.2.7 Partionnement
C’est l’organisation de la matrice A en sous-matrices.

Exemple 1) organisation de A en colonnes :

A = [A1 ...An ] où Ai est la i-ème colonne de A.

2) organisation de A en lignes :
⎛ ⎞
αT1
⎜ ⎟
A = ⎝ ... ⎠
αTm
où αTi est la i-ème ligne de A.

1.2.8 Construction de mineures

Une mineure de A est une matrice extraite de A de la forme :
⎛ ⎞
ai1 j1 . . . ai1 jν
⎜ .. ⎟
M = ⎝ ... . ⎠
aiμ j1 . . . aiμ jν

avec 1 ≤ i1 < ... < iμ ≤ m et 1 ≤ j1 < ... < jν ≤ n.

Notation habituellement utilisée pour définir une matrice carrée (ie μ = ν)

extraite de A :

i1 i2 . . . iμ
M =A
j1 j2 . . . jμ
Définition 1.2.3 Lorsque μ = ν et que ik = jk f orallk, on dit que la mi-
neure est centrée.
Si de plus, iμ = i1 + μ − 1, on dit que la mineure est principale.
⎛ ⎞
1 2 3

1 2 3
Exemple Soit A = ⎝ 4 5 6 ⎠. Alors M = est une mi-
7 8 9
7 8 9
neure de A.

1 3 5 6
M= est centrée et M = est principale.
7 9 8 9
On retrouve les matrices extraites dans la formule d’inversion d’une ma-
trice carrée par exemple.

7
1.2.9 Retour au problème d’affectation
⎛ ⎞
8 3 1 5
⎜ 11 7 1 6 ⎟
Soit A = ⎜
⎝ 7
⎟.
8 6 8 ⎠
11 6 4 9
Le coût minimum d’affectation pour T1 est 7, pour T2 3, pour T3 1 et pour
T4 5. Décomposons alors la matrice A en la somme d’une matrice colonnes
constantes et d’un reste. On obtient
⎛ ⎞ ⎛ ⎞
7 3 1 5 1 0 0 0
⎜ 7 3 1 5 ⎟ ⎜ 4 4 0 1 ⎟
A=⎜ ⎟ ⎜
⎝ 7 3 1 5 ⎠+⎝ 0 5 5 3 ⎠
⎟

7 3 1 5 4 3 3 4

On fait de même avec les lignes du reste :

⎛ ⎞ ⎛ ⎞ ⎛ ⎞
7 3 1 5 0 0 0 0 1 0 0 0
⎜ 7 3 1 5 ⎟ ⎜ 0 0 0 0 ⎟ ⎜ 4 4 0 1 ⎟
A=⎜ ⎝ 7
⎟+⎜ ⎟+⎜ ⎟
3 1 5 ⎠ ⎝ 0 0 0 0 ⎠ ⎝ 0 5 5 3 ⎠
7 3 1 5 3 3 3 3 1 0 0 1

On a donc une décomposition de A en la somme de 3 matrices : une colonnes-

constante, une lignes-constante et une matrice reste

A=C+L+R

et le coût d’une affectation par rapport à A est

C/A = C/C + C/L + C/R ≥ C/C + C/L = 16 + 3 = 19

En affectant M1 à T4 , M2 à T3 , M3 à T1 et M4 à T2 , le coût du reste est 0

et on a donc l’affectation de coût minimal (C/A = 19).

8
Chapitre 2

Combinaison linéaire et
produit matriciel

3.1 Produit matriciel

3.1.1 Vecteurs et combinaisons linéaires

 vectoriel sur le corps K. Soient λ1 ,..,λp ∈

Définition 3.1.1 1) Soit E un espace
K et x1 ,..,xp ∈ E. Alors on dit que pi=1 λi xi est combinaison linéaire (CL)
des xi .
2) Une famille de vecteurs {x1 ,..,xp } d’un ev E est dite génératrice si E =
V ect{x1 ..xp } ie

p
∀x ∈ E ∃ λ1 ,..,λp ∈ K / x = λi xi
i=1

On dit que tout x de E se décompose sur les vecteurs xi ou encore que tout
x de E est combinaison linéaire des vecteurs xi .

ex : dans R2 , {(1,0),(0,1)} est une famille génératrice.

Un espace vectoriel est de dimension finie s’il existe une famille génératrice
finie.
3) Une famille {x1 ,..,xp } est libre si

λ1 x1 + .. + λp xp = 0 ⇒ λ1 = .. = λp = 0

On dit que les vecteurs sont linéairement indépendants. Si la famille n’est

pas libre, on dit qu’elle est liée.

19
ex : x1 = (1,2,1), x2 = (−1,3,1) et x3 = (−1,13,5) sont liés car 2x1 + 3x2 =
x3 .
4) On appelle une base de E toute famille libre et génératrice.

Proposition 3.1.1 Une famille {x1 ,..,xp } est une base de E ssi tout x de
E se décompose de manière unique sur les vecteurs xi .

Théorème 3.1.1 Théorème d’existence de base

Soit E = {0} un espace vectoriel de dimension finie. Alors
1) de toute famille génératrice on peut extraire une base.
2) toute famille libre peut être complétée en une base.

Propriété-Définition Toutes les bases ont même nombre d’éléments. On

appelle ce nombre la dimension de E et on le note dimK (E).

Conséquence Soit E un ev de dimension n. Alors

1) Toute famille génératrice ayant n éléments est libre.
2) Toute famille libre ayant n éléments est génératrice.

Cas particuliers : 1) cas de deux vecteurs v1 et v2 :

– ou bien ils sont libres
– ou bien v1 = λv2
2) dans R3 , si v1 et v2 sont deux vecteurs,

ils sont libres ⇔ v1 ∧ v2 = 0

 
3) Si K = Z2 , les CL sont pi=1 λi xi = σ xi où σ est le support de la suite
des λi ie σ = {i/λi = 0} = {i/λi = 1}

3.1.2 Le produit matriciel

Définition 3.1.2 Le produit C = AB de deux matrices A ∈ Mn,p (K) et
B ∈ Mp,m (K) est une matrice de Mn,m (K) de terme général

p
cij = aik bkj
k=1

CL des aik et bkj .

9
Remarque AB n’a de sens et n’est défini que si le nombre de colonnes de
A est égal au nombre de lignes de B. Par exemple, AB peut exister alors
que BA non (dès que m = n).

Propriétés
– associativité : A(BC) = (AB)C
– distributivité par rapport à la loi + : (A + B)C = AC + BC
et A(B + C) = AB + AC
– attention non commutativité : AB = BA en général
– existence de diviseurs de 0 : AB = 0 n’implique pas nécéssairement
que A = 0 ou B = 0.
Conséquence : AB = AC n’implique pas que B = C
Définition 3.1.3 – Si AAT = AT A, on dit que A est normale.
– Si AA∗ = A∗ A, on dit que A est normale complexe.
– Si ∃k > 1, Ak = A, on dit que A est idempotente.
– Si ∃k > 1, Ak = 0, on dit que A est nilpotente.
Propriétés Lorsque les produits sont compatibles
• (AB)T = B T AT
• trace(AB) = trace(BA)  n
• trace(AAT ) = trace(AT A) = m i=1
2
j=1 aij

L’extension aux matrices partitionnées se fait sans difficulté :

ν
C = AB = [Cij ] = [ Aik Bkj ]
k=1

où ν est le nombre de colonnes de A et de lignes de B.

Remarque Il existe d’autres produits matriciels.

1) terme à terme :

Anp ∗ Bpm = [cij ]1≤i≤n,1≤j≤m = [aij bij ]1≤i≤n,1≤j≤m ∈ Mn,m

2) produit de Kronecker (toujours défini)

⎛ ⎞
a11 B a12 B . . . a1p B
⎜ .. ⎟
AoB = ⎝ ... . ⎠
an1 B an2 B . . . anp B

10
si A ∈ Mn,p et B ∈ Mr,m .
Il est souvent utilisé dans les équations de régression et généralise le produit
d’une matrice par un scalaire.

Exemple Il est souvent utilisé pour transformer une équation linéaire ma-
tricielle, par exemple AX = B avec A ∈ Mm,n , X ∈ Mn,p et B ∈ Mm,p , en
un système linéaire.
En effet, si X = [X1 ..Xp ] où les Xi sont les colonnes de X et si B = [B1 ..Bp ]
où les Bi sont
⎛ les colonnes
⎞ de⎛B, ⎞
X1 B1
⎜ .. ⎟ ⎜ .. ⎟
posons x = ⎝ . ⎠ et b = ⎝ . ⎠.
X2 B2
Le système est équivalent à (IoA)x = b.

3.1.3 Produit d’une matrice par un vecteur et applications

On définit différents produits.

1) Le produit usuel du type

⎛  ⎞
xi a1i
⎜ .. ⎟
Y = AX = xj Aj = ⎝ . ⎠

xi ani

CL des vecteurs colonnes de A.

2) La prémultiplication du type
   
XA = xj Ãj = xi ai1 . . . xi ain

CL des vecteurs lignes de A. Ici le vecteur X, ligne, est placé devant.

3) Cas particulier où A est un vecteur ligne ou colonne. Soient x et y deux

vecteurs colonnes.
On définit le produit intérieur par
⎛ ⎞
y1
 ⎜ ⎟
xT y = x1 . . . xn ⎝ ... ⎠ = xi yi = nombre
yn

11
et le produit extérieur par
⎛ ⎞ ⎛ ⎞
x1 x1 y1 x1 y2 . . . x1 yn
⎜ ⎟  ⎜ .. ⎟ = matrice
xy T = ⎝ ... ⎠ y1 . . . yn = ⎝ ... ..
. . ⎠
xn xn y1 xn y2 . . . xn yn

Application aux codes correcteurs

On a vu que pour calculer le mot de code associé à un bloc, il suffit de

faire la somme modulo 2 des lignes de G qui correspondent aux bits égaux
à 1 dans le bloc. Interprétation matricielle de ce calcul : dans la base ca-
nonique la matrice colonne qui représente un bloc b s’obtient en écrivant
verticalement les bits de b. Ce qui revient à considérer b comme une matrice
ligne pui à prendre sa transposée.
La matrice de l’application linéaire f est GT . Donc si f (b) est le mot de code
associé à b alors GT bT = f (b)T ie

bG = f (b)
⎛ ⎞
1 0 0 1
Exemple 1 (101) a pour image (101) ⎝ 0 1 0 1 ⎠ = (1010).
0 0 1 1

Le sous-espace vectoriel orthogonal C ⊥ = {X ∈ E/XY T = 0∀Y ∈ C} de

ce code dans le dual de Zn2 est un sous-espace de dimension n − k. Soit
(h1 ,..,hn−k ) une base de cet espace et soit H la matrice (n − k) × n des
coordonnées dans la base canonique.
Si c = (c1 ..cn ) ∈ Zn2 , alors

c ∈ C ⇔ ∀i = 1..n − k, chi = 0 ⇔ HcT = 0

La matrice H est appelée matrice de contrôle du code C. Et ces relations les

relations de code.
⎛ ⎞
1 0 0 1
Retour à l’exemple 1 G = ⎝ 0 1 0 1 ⎠ = (1010). On peut prendre
0 0 1 1
par exemple H = (1111).
   
Théorème 3.1.2 Si G = Ik | Ak,r alors H = −ATk,r | Ir convient.

12
  
Remarque Dans le cas des codes binaires, il suffit de prendre H = ATk,r | Ir

  1 1 0
Retour à l’exemple 2 G = 1 1 1 et on prend H =
1 0 1
⎛ ⎞
1 0 0 1 0

1 0 1 1 0
Exemple 3 Si G = ⎝ 0 1 0 0 1 ⎠, on prend H =
0 1 1 0 1
0 0 1 1 1

0 si c∗ ∈ C
Soit c∗ le mot reçu. Hc∗T =
= 0 sinon
∗T
Dans le cas où Hc = 0 ce vecteur est appelé le syndrome s. On peut écrire
le message reçu comme la somme du mot de code et d’un vecteur d’erreur :
c∗ = c + e. Alors
s = Hc∗T = HcT + HeT = HeT
Le syndrome caractérise une maladie (erreur) mais ne dépend pas du malade
(du mot émis).

Il faut donc résoudre le système Hc∗T = HeT pour estimer l’erreur. Le

problème est que le système est indéterminé : il y a trop d’inconnues.

Si l’on suppose qu’il n’y a qu’un seule erreur, alors e = (000..010..0000)

où le 1 indique la place du bit erroné. Donc le syndrome recopie la colonne
de H correspondant à l’erreur.
Cas général : le syndrome sera une CL des colonnes de H correspondant aux
erreurs.

Retour à l’exemple 3 Si on reçoit c∗ = (11111),

∗T 1
s = Hc =
1

s = 0 donc on a au moins une erreur et s est CL des vecteurs colonnes de

H correspondant aux erreurs.
• ou bien il y a une erreur en 3ème position
• ou bien il y a deux erreurs qui sont sur les 1ère et 2ème positions ou 1ère et
dernière positions ou 2ème et 4ème positions ou 4ème et dernière positions
• ...
Si on suppose que l’on fait au plus une erreur alors on voit que la 3ème
colonne est recopiée donc l’erreur est en 3ème position dans c∗ . Donc c =
(11011).

13
Plus généralement, le syndrome s a r composantes, il rend compte de 2r
situations.
Pour corriger une erreur,
• ou bien 1ère position
• ou bien 2ème position
• ...
• ou bien nème position
• ou bien pas d’erreurs
On a donc n + 1 situations.

CN pour corriger une erreur :

2r ≥ n + 1 ⇔ n ≤ 2r − 1

C’est une condition incluse dans celle déjà vue.

Définition 3.1.4 Quand il y a égalité, on a des codes optimaux : codes de

Hamming.

Retour à l’exemple 1 n = 4, r = 1 donc n + 1 = 5 et 2r = 2.

Retour à l’exemple 2 n = 3, r = 2 donc n + 1 = 4 = 2r = 2. C’est

un code optimal.

La répercution sur la matrice H est la suivante : les colonnes de H doivent

être non nulles et différentes.

Proposition 3.1.2 Si les colonnes de H sont toutes différentes et non

nulles alors on sait corriger et détecter une erreur au moins et si Y est le mot
codé, Y  le mot reçu et e l’erreur, s(Y  ) = HY T = HY T +HeT = s(e) = Hi
et alors Y = Y  − ei .

Question : jusqu’où peut-on aller dans la vérification d’un code? combien

d’erreurs va-t-on pouvoir corriger?

Théorème 3.1.3 Capacité de correction d’un code.

Si dans la matrice H d’un code, tout système de 2e vecteurs colonnes est
indépendant, alors le code est capable de corriger e erreurs au moins.

14
3.2 L’inversion
3.2.1 Df́inition et propriétés
La notion de produit permet de définir l’inverse d’une matrice et comme
le produit matriciel n’est pas commutatif, il y a lieu de distinguer l’inverse
à droite et l’inverse à gauche.
Soit A ∈ Mm,n . On définit :

– l’inverse à droite comme la matrice A−d ∈ Mn,m telle que AA−d = Im

– l’inverse à gauche comme la matrice A−g ∈ Mn,m telle que A−g A = In

Si m = n, les inverses à doite et à gauche ne peuvent simultanément exister

et dans le cas où m = n, si A−d et A−g existent alors elles sont égales. Dans
ce cas, on note A−d = A−g = A−1 .
On verra qu’en fait l’existence de l’une implique celle de l’autre.

Définition 3.2.1 Une matrice carrée est régulière si elle est inversible ie
si elle admet une inverse. Sinon, on dit qu’elle est singulière.

Proposition 3.2.1 Si elle existe, l’inverse est unique.

Remarque On peut construire une inverse généralisée pour les matrices

qui ne sont pas inversibles, qui présente des propriétés interessantes pour la
résolution de systèmes linéaires.

Définition 3.2.2 – Si A2 = I, on dit que A est involutive.

– Si AAT = AT A = I, on dit que A est orthogonale et A−1 = AT .
– Si AA∗ = A∗ A = I, on dit que A est unitaire et A−1 = A∗ .

Propriétés lorsque A−1 et B −1 existent, on a les propriétés suivantes :

• (AB)−1 = B −1 A−1 ,
• (A−1 )T = (AT )−1 , donc AT inversible ⇔ A inversible,
• (A−1 )∗ = (A∗ )−1 .

Remarque les matrices carrées inversibles forment un groupe multiplicatif

appelé le groupe linéaire

15
3.2.2 Calcul pratique de l’inverse
Lorsqu’une matrice carrée est régulière, comment calculer son inverse?

Méthode 1 : inverser le système linéaire AX = Y en X = A−1 Y .

a b −1 1 d −b
Exemple Si A = , alors A = ad−bc
c d −c a
Méthode 2 : méthode de Gauss.

Méthode 3 : formule donnée par le déterminant et la transposée de la co-

matrice :
1 1
A−1 = com(A)T = (matrice des cofacteurs de A)T
det(A) det(A)

C’est une formule complexe, difficile à mettre en pratique en général.

Méthode 4 : par récurrence. On ramène la calcul de l’inverse d’une matrice

n × n à celui d’une matrice n − 1 × n − 1, ceci grâce à l’inverse des matrices
partitionnées.

A11 A12
Si A = est régulière avec A11 et A22 sont des blocs carrés,
A21 A22

X11 X12
partitionnons l’inverse de A : A−1 = où les Xij ont des tailles
X21 X22
identiques à celles des Aij .
Les produits AA−1 = A−1 A = I conduisent à un système que l’on résoud
ensuite.

An,n bn
Exemple 1 Soit Mn+1,n+1 = avec an scalaire et bn et cn
cTn an
vecteurs colonnes.  
X −X abnn
Si an = 0, Mn+1,n+1 = T
− acnn X a12 (an + cTn Xbn )
n
bn cT
n −1
avec X = (A − an ) .

 −1

Tn−1,n−1 0 −1 =
Tn−1,n−1 0
Exemple 2 Si Tn,n = , alors Tn,n −cT −1
cTn tn n
tn Tn−1,n−1
1
tn

Méthode 5 : Lemme d’inversion matricielle.

Soi M une matrice régulière telle que M = A + BCD où A et C sont

16
régulières.
Alors M −1 = (A + BCD)−1 = A−1 − A−1 B(C −1 + DA−1 B)−1 DA−1 .

Remarque Si B et D sont respectivement des matrices ligne et colonne et

C un scalaire non nul, M −1 = (A+BCD)−1 = A−1 − 1+CDA
C
−1 B A
−1 BDA−1 .

⎛ ⎞
2 −1 1
Exemple M = ⎝ 2 −1 2 ⎠
3 −3 2
⎛ ⎞ ⎛ ⎞
1 0 0 1  
Posons A = ⎝ 0 1 O ⎠ ,B= ⎝ 2 ⎠, C = 1 et D = 1 −1 −1 .
0 0 −1 3
⎛ ⎞
4 −1 −1
Alors M −1 = 13 ⎝ 2 1 −2 ⎠
−3 3 0

17