CHAPITRE 4

Matrices

4.1 Définitions
Définition 4.1.1
Étant donnés n, m ∈ N∗ . Une matrice A à n lignes et m colonnes est un tableau rectangulaire de réels aij .
Un tel tableau est représenté sous la forme suivante :
 
a11 . . . a1m
 . .. 
 
A =  .. aij . 
 
an1 . . . anm

Le nombre aij est le coefficient situé à la i-ème ligne et à la j-colonne.

Cette matrice est notée A = (aij )1≤i≤n .
1≤j≤m

L’ensemble des matrices de taille n × m est notée Mn,m (R).

Remarques:
— Une matrice qui n’a qu’une seule ligne est appelée vecteur ligne.
 
A = a11 a12 ... a1m

22
 — Une matrice qui n’a qu’une seule colonne est appelée vecteur colonne.
 
a11
 
 a21 
 
A=  .. 

 . 
 
an1
— La matrice dont tous les coefficients sont nuls est appelée la matrice nulle. Dans le calcul matriciel,
la matrice nulle joue le rôle du nombre 0 pour les réels.
Exemple: 4.1.1

 
0 1 3
A= 
2 0 0
est une matrice 2 × 3 avec, a11 = 0 et a22 = 0. A ∈ M2,3 (R)
Remarque:
Lorsque n = m, on parle de matrices carrées. On note Mn (R)
Définition 4.1.2
Deux matrices sont égales si elle ont la même taille et les coefficient de mêmes indices sont égaux.
Définition 4.1.3
La matrice carrée dont ses éléments sont égaux à 1 et tous ses autres éléments sont égaux à 0.
 
1 0 ... 0
 
0 1 . . . 0
 
I=  .. .. . . .. 

. . . .
 
0 0 ... 1
Remarque:
La matrice identité joue un rôle analogue à celui du nombre 1.
Définition 4.1.4
Soit A une matrice carrée d’ordre n
1. A est dite triangulaire inférieure si ses éléments au-dessus de la diagonale sont nuls, autrement dit :
si i < j alors aij = 0. Une telle matrice a la forme
 
a 0 ... ... 0
 11
..

 a21 a22 . . .
 
 .


 . .. .. .. ..
 .. . . . .
 
 .. .. ..
 
.

 . . 0 
 
an1 an2 . . . ... ann

23
 2. A est dite triangulaire supérieure si ses éléments en-dessous de la diagonale sont nuls, autrement dit :
si i > j alors aij = 0 Une matrice triangulaire supérieure est de la forme :
 
a a12 . . . . . . . . . a1n
 11 
 0 a22 . . . . . . . . . a2n 
 
 .. .. 
 
.. ..
 .
 . . . 

 . .. .. .. 
 .. . . . 
 
 .. .. .. .. 
 
 . . . . 
 
0 ... ... ... 0 ann

3. Une matrice qui est triangulaire inférieure et triangulaire supérieure est dite diagonale. Autrement
dit : si i ̸= j alors aij = 0. Une matrice diagonale est de la forme

 
a11 0 ... 0

.. .. 
.
 
 0 a22 . 
 
 .. .. .. 

 . . . 0 
0 ... 0 ann

Exemple: 4.1.2
1. La matrice
 
1 0 1 1
 
 
0 2 1 1
 
 
0 0 1 4
 
0 0 0 1
est une matrice triangulaire supérieure.

2. La matrice  
2 0 0
 
 
1 1 0
 
5 3 1
est une matrice triangulaire inférieure.

3. La matrice  
2 0 0 0
 
 
0 3 0 0
 
 
0 0 1 0
 
0 0 0 1
est une matrice diagonale.

24
Définition 4.1.5
Soit A une matrice de taille n × m. On appelle matrice transposée de A et on note t A, la matrice de taille
m × n obtenue en échangeant les lignes et les colonnes.
Exemples: 4.1.1
Soient
 
9 2 1  
  2 −5 −1
A = 0 et B=
 
2 5 
  −3 2 7
1 0 1
alors    
9 0 1 2 −3
   
t t
A = 2 et B = −5 2 .
   
2 0
   
1 5 1 −1 7

4.2 Opérations sur les matrices

4.2.1 Addition de matrices

Définition 4.2.1
Soient A = (aij ) et B = (bij ) deux matrices de même taille n × m. La matrice somme C = A + B est définie
par
cij = aij + bij .

Exemple: 4.2.1
Soient
     
2 1 −1 1 1 2
A=  et B=  alors A+B = 
−1 0 0 1 −1 1
 
Si B ′ = 1 −1 alors A + B ′ n’est pas définie.

Définition 4.2.2
Le produit d’une matrice A ∈ Mn,m (R) par un réel α est la matrice formée en multipliant chaque coefficient
de A par α. Elle est notée αA.
Exemple: 4.2.2
Si
   
2 1 4 4 2 8
A=  et α=2 alors αA =  
−1 0 1 −2 0 2

Remarque:
La matrice (−1)A est l’opposée de A et notée −A. La différence A − B est définie par A + (−B).

25
Exemple: 4.2.3
Soient
     
2 1 −1 1 3 0
A=  et B=  alors A−B = 
−1 0 0 1 −1 −1

Proposition: 4.2.1
Soient A, B et C trois matrices de Mn,m (R). Soient α et β deux réels.

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 = aαA + βA,

5. α(A + B) = αA + αB

4.2.2 Multiplication de matrices

Définition 4.2.3
Soient A = (aij ) une matrice n × m et B = (aij ) une matrice m × p. Alors le produit C = A × B est une
matrice n × p dont les coefficients cij sont définis par :
m
X
cij = aik bkj
k=1

Remarque:
1. Le produit AB de deux matrices A et B est défini si et seulement si le nombre de colonnes de A est
égal au nombre de lignes de B.

2. Il se peut que AB soit défini mais pas BA.

3. Il se peut que AB et BA soient tous les deux définis mais pas de la même taille. En général, on a
AB ̸= BA.

4. AB = 0 n’implique pas A = 0 ou B = 0
Exemple: 4.2.4
1.
 
  1 2  
0 1 1   1 1
 ×
1 0 = 
 
1 0 1   1 3
0 1
2.    
       
4 1 0 2 2 11 0 2 4 1 2 4
 × =  mais  × = 
1 2 2 3 4 8 2 3 1 2 11 8

26
 3.      
1 −1 1 0 0 0
 × = 
1 −1 1 0 0 0

Proposition: 4.2.2
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.

4.3 Formule du binôme

Définition 4.3.1
Soit A une matrice carrée d’ordre n. Les puissances successives de A sont définies par A0 = I et Ap+1 =
Ap × A pour tout p ∈ N.
Exemple: 4.3.1
Soit
 
1 0 1
 
A = 0 −1
 
0
 
0 0 2
calculons Ap . On a
     
1 0 3 1 0 7 1 0 15
     
2 3 2
A = 0 0 , A = A × A = 0 −1 0 , A 4 = A3 × A =  0
     
1 1 0
     
0 0 4 0 0 8 0 0 16

On remarque que  
1 0 2p − 1
 
p
A = 0 (−1)p
 
0 
 
0 0 2p
On démontre ce résultat par récurrence.
Proposition: 4.3.1
Soient A et B deux matrices de M(R) telles que AB = BA. Alors, pour tout entier p ≥ 0, on a la formule

p
X
(A + B)p = Cpk Ap−k B k
k=0

27
4.4 Inverse d’une matrice

4.4.1 Définition et propriété

Définition 4.4.1
Soit A une matrice carrée de taille n. S’il existe une matrice carrée B de taille n telle que AB = I et
BA = I. On dit que A est inversible. La matrice B est appelée l’inverse de A et on la note A−1 .
Proprieté 4.4.1
Si A est inversible, alors son inverse est unique.

Exemple: 4.4.1
Soit A une matrice carrée telle que A2 − 4A − 2I = 0. Alors
 
2 1
A − 4A = −2I, A(A − 4I) = 2I; A (A − 4I) =I
2
Donc A est inversible et A−1 = 12 (A − 4I)
Proposition: 4.4.1
Soient A et B deux matrices inversibles de même taille. Alors AB est inversible et (AB)−1 = B −1 A−1

Proposition: 4.4.2
Soient A, B et C trois matrice carrées de même tailles avec C est inversible. Alors AC = BC implique que
A = B.

4.4.2 Déterminants

On commence par définir le déterminant d’une matrice carrée de taille 2.

Définition 4.4.2

 
a11 a12
Si A =  , le déterminant de A est le réel, noté det(A) ou |A|,
a21 a22

a11 a12
det(A) = |A| = = a11 a22 − a12 a21 .
a21 a22

Soit A une matrice carrée de taille n, pour tout (i, j) ∈ 1, 2, . . . , n2 , on note Aij la matrice carrée de taille
n − 1 obtenue en enlevant à A la i ème ligne et j ème colonne.
Exemple: 4.4.2
Soit
 
1 0 1
 
A = 1
 
1 1
 
3 4 0

28
Alors      
1 1 1 1 0 1
A22 =  ; A13 =   et A31 = 
3 0 3 4 1 1

Définition 4.4.3
Le déterminant de A est un nombre, noté det(A) ou |A|, que l’on définit par récurrence comme suit :
— Si n = 1, det(A) = a11
Pn
— Si n > 1, det(A) = i=1 (−1)1+i a1i det(A1i )
On appelle ce procédé le calcul du déterminant par développement suivant la première ligne.
Remarques:
Pn k+i
1. Pour tout 1 ≤ k ≤ n, det(A) = i=1 (−1) aki det(Aki ) On appelle ce procédé le calcul du déterminant
par développement suivant la k-ème ligne.
Pn
2. Pour tout 1 ≤ j ≤ n, det(A) = i=1 (−1)j+i aij det(Aij ) On appelle ce procédé le calcul du déterminant
par développement suivant la j-ème colonne.
 
Exemple: 4.4.3 1 0 1
 
Calculons le déterminant de A = 1 1 1
 
 
3 4 0

1 1 1 1 1 1
|A| = 1· (−1)1+1 · + 0· (−1)1+2 · + 1· (−1)1+3 · = −3
4 0 3 0 3 4

Proposition: 4.4.3
Soit A une matrice carrée de taille n.

1. Si une ligne quelconque de A est nulle alors det(A) = 0

2. Si A est une matrice diagonale (resp. triangulaire) alors son déterminant est égal au produit des
coefficients diagonaux.

3. Notons L1 , L2 , . . . , Ln les n lignes de A. Soient i et j dans 1, . . . , n et α un réel quelconque. Le

déterminant de la matrice obtenue en remplaçant dans A la ligne Li par la ligne Li + αLj est égal à
det(A).

4. Le déterminant de la matrice obtenue en remplaçant dans A la ligne Li par αLi est égal à αdet(A)

5. Si deux lignes de A sont identiques alors det(A) est nul.

6. Si une ligne de A est combinaison linéaire des autres lignes alors det(A) = 0.

Exemple: 4.4.4
Calculer le déterminant de la matrice suivante

29
  
0 2 0 4
 
 
1 1 0 2
A=



1 1 0 2
 
4 2 1 0

Définition 4.4.4 (Cofacteur)

Le nombre cij = (−1)i+j det(Aij ) est appelé le cofacteur du coefficient aij .
On appelle comatrice de A, notée Com(A), la matrice des cofacteurs
Théorème 4.4.1
Une matrice carrée A est inversible si et seulement si det(A) ̸= 0. De plus, lorsque A est inversible, son
inverse est donné par A−1 = 1
det(A) Com(A)
t

Exemple: 4.4.5
Soit la matrice
 
1 0 2
 
A = 3
 
1 4
 
0 5 −1
On a det(A) = 9, donc A est inversible et son inverse est
 
−21 10 −2
−1 1 
A =  3 −1
 
2
9 
15 −5 1

4.5 Matrice d’une application linéaire

Soient E et F deux R-espaces vectoriels munis respectivement des bases B = {e1 , e2 , . . . , en } et B ′ =
{e′1 , e′2 , . . . , e′m }. Comme f (e1 ), f (e2 ), . . . , f (en ) sont des vecteurs de F , alors pour i = 1, . . . , n f (ei ) s’écrit
dans la base B ′ de F comme suit

f (e1 ) = a11 e′1 + a21 e′2 + · · · + am1 e′m

f (e2 ) = a12 e′1 + a22 e′2 + · · · + am2 e′m

.. .. .. .. ..
. . . . .

f (en ) = a1n e′1 + a2n e′2 + · · · + amn e′m

Définition 4.5.1
Soit f une application linéaire de E vers F . La matrice de f relativement aux bases B et B ′ , notée M (f, B, B ′ ),
est l’élément de Mm,n (R) dont les colonnes sont les composantes des vecteurs f (e1 ), f (e2 ), . . . , f (en ) dans
la base B ′ = {e′1 , e′2 , . . . , e′m }

30
 f (e1 ) . . . f (en )
a11 . . . a1n e′
 1
 .. ..  ..

′
M (f, B, B ) =  . ..
. . 
  .
am1 . . . amn e′m

Remarque:
Les coefficients de la matrice M (f, B, B ′ ) dépendent du choix des bases B et B ′ . Cela signifie qu’à une
application linéaire f , correspond aux plusieurs matrices.
Exemple: 4.5.1
Soit f l’application linéaire définie de R3 vers R2 par f (x, y, z) = (2x−y, 3z−y). Prenons les bases canoniques
de R3 et R2 B = {e1 , e2 , e3 } et B ′ = {e′1 , e′2 } avec e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1), e′1 = (1, 0) et
e′2 = (0, 1). On a

f (e1 ) = (2, 0) = 2e′1

f (e2 ) = (−1, −1) = −e′1 − e′2

f (e3 ) = (0, 3) = 3e′2

La matrice de f est donc  

2 −1 0
M (f, B, B ′ ) =  
0 −1 3

Proposition: 4.5.1
Soient x ∈ E de coordonnées α1 , α2 , · · · , αn dans la base B et y = f (x) de cordonnées α1′ , α2′ , · · · , αn′ dans
la base B ′ alors    
α1′ α1
   
 ′  
 α2  α 
y = f (x) ⇐⇒   = M(f, B, B ′ ) ×  2 
· · · · · ·
   
   
′
αm αn

Remarque:
Soit idE : E → E l’application identité de E définie par : ∀ x ∈ E, idE (x) = x, alors M(idE , B, B) = I, où
est la matrice identité.
Proposition: 4.5.2
Toute matrice à m lignes et n colonnes représente une application linéaire de Rn vers Rm .

Proposition: 4.5.3
Soient f et g deux applications linéaires de E muni de la base B vers F muni de la base B ′ . Alors pour tout
λ, β ∈ R, la matrice de l’application linéaire λf + βg est donnée par

M (λf + βg, B, B ′ ) = λM (f, B, B ′ ) + βM (g, B, B ′ )

31
Proposition: 4.5.4 (Matrice de la composée de deux applications linéaires)
Soient E, F et G des espaces vectoriels munis respectivement des bases B, B ′ , B ′′ et soient f : E → F , et
g : F → G des applications linéaires. Alors la matrice de g ◦ f est donnée par

M (g ◦ f, B, B ′′ ) = M (g, B ′ , B ′′ ) × M (f, B, B ′ ).

Exemple: 4.5.2
Considérons les applications linéaires suivantes :

f : R3 −→ R2 g : R2 −→ R3
(x, y, z) 7−→ (2x − y, 3y − 2z) (x, y) 7−→ (x + y, y − x, x − y)

On muni R3 de sa base canonique B = {e1 , e2 , e3 } et R2 de la base B ′ = {e′1 , e′2 } où e′1 = (1, 0) et e′2 = (1, 1).
On a  
  1 2
2 −4 2  
M (f, B, B ′ ) =  et M (g, B ′ , B) = −1
 
 0
0 3 −2  
1 0

alors la matrice de g ◦ f relativement à la base B dans R3 est donnée par

 
2 2 −2
 
′ ′
M (g ◦ f, B, B) = M (g, B , B) × M (f, B, B ) = −2 4 −2
 
 
2 −4 2
.
Corollaire 4.5.1
Soit f : E → F une application linéaire bijective, alors la matrice de f −1 relativement aux bases B et B ′ est
donnée par la formule suivante
−1
M (f −1 , B ′ , B) = (M (f, B, B ′ )) .

32
4.6 Changement de base et matrice d’un endomorphisme

4.6.1 Matrice de passage

Soient B = {e1 , e2 , . . . , en } et B ′ = {e′1 , e′2 , . . . , e′n } deux bases de l’espace vectoriel E. Alors il existe
des réels aij , i = 1 . . . , n et j = 1 . . . , n, tels que

e′1 = a11 e1 + a21 e2 + a31 e3 + · · · + an1 en

e′2 = a12 e1 + a22 e2 + a32 e3 + · · · + an2 en

e′3 = a13 e1 + a23 e2 + a33 e3 + · · · + an3 en

.. ..
. .

e′j = a1j e1 + a2j e2 + a3j e3 + · · · + anj en

.. ..
. .

e′n = a1n e1 + a2n e2 + a3n e3 + · · · + ann en

Soit u un vecteur de E de coordonnées α1′ , α2′ , · · · , αn′ dans la base B ′ . Cherchons les coordonnées α1 , α2 , · · · , αn
de u dans la base B. On a

u = α1′ (a11 e1 + a21 e2 + a31 e3 + · · · + an1 en ) + α2′ (a11 e1 + a22 e2 + a32 e3 + · · · + an2 en ) + · · · +

+αn′ (a1n e1 + a2n e2 + a3n e3 + · · · + ann en )

= (α1′ a11 + α2′ a12 + · · · + αn′ a1n )e1 + (α1′ a21 + α2′ a22 + · · · + αn′ a2n )e2 + · · · +

+(α1′ an1 + α2′ an2 + · · · + αn′ ann )en

= α1 e1 + α2 e2 + · · · + αn en

Par unicité, on trouve

α1 = α1′ a11 + α2′ a12 + · · · + αn′ a1n

α2 = α1′ a21 + α2′ a22 + · · · + αn′ a2n

.. ..
. .

αi = α1′ ai1 + α2′ ai2 + · · · + αn′ ain

.. ..
. .

αn = α1′ an1 + α2′ an2 + · · · + αn′ ann

33
On écrit ces équations matricielment
       
α1 a11 a12 ··· a1n α1′ α1′
       
a2n   α2′ 
 ′
 α2   a21 a22 ··· α 
     
 =  ×   = P ×  2
 ..   .. .. .. ..   ..   .. 
 .   . . . . 
  . 
   . 
    
αn an1 an2 ··· ann αn′ αn′
 
a11 a12 ··· a1n
 
 a21 a22 · · · a2n 
 
avec P =  .

.. .. .. . On note que les colonnes de la matrice P sont formées par les composantes

 .. . . . 
 
an1 an2 · · · ann
des vecteurs e′1 , e′2 , · · · , e′n dans la base de la base B.
Définition 4.6.1
La matrice P dont les colonnes sont formées par les coordonnées des vecteurs de la nouvelle base B ′ dans
l’ancienne base B de E est appelée matrice de passage de B à B ′ .
Exemples: 4.6.1
1. Considérons E muni de sa base canonique B = {e1 , e2 } et B ′ = {e′1 , e′2 } une autre base de R avec
e′1 = (1, 0) et e′2 = (1, 1). On a

e′1 = 1 · e1 + 0 · e2

e′2
1 · e1 + 1 · e2
=
 
1 0
donc la matrice de passage de B à B ′ est P =  .
1 1
2. Soit E = R3 muni de sa base canonique B = {e1 , e2 , e3 } et soit B ′ = {e′1 , e′2 , e′3 } une nouvelle base de
R3 , avec e′1 = (1, 1, −1), e′2 = (0, 1, 0) et e′3 = (−1, 1, 0). On a

e′1 = e1 + e2 − e3

e′2 = e2

e′3
= −e1 + e2
 
1 1 −1
 
donc la matrice de passage de B à B ′ est P =  0 1 0 .
 
 
−1 1 0

Proposition: 4.6.1
La matrice de passage de B à B ′ est inversible et son inverse P −1 représente la matrice de passage de B ′ à
B.

34
Remarque:
Les colonnes de P −1 sont formées des coordonnés des vecteurs de la base B dans la base B ′ .

Théorème 4.6.1
Soient u un vecteur de E, X ′ la matrice colonne formée des coordonnées de u dans la base B ′ et X la matrice
colonne formée des coordonnées de u dans la base B. Alors

X = P × X′

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

Exemple: 4.6.1
Considérons E muni de sa base canonique B = {e1 , e2 } et B ′ = {e′1 , e′2 } une autre base de R avec e′1 = (1, 0)
 
1 0
et e′2 = (1, 1). La matrice de passage de B à B ′ est P =  . Soit v = (2, 3) ∈ R2 , donc les coordonnées
1 1
 
2
de v sont données par la matrice colonne X =  . Cherchons les coordonnées de v dans la nouvelle base
3
B ′ , pour cela il faut calculer P −1 l’inverse de la matrice de passage. P −1 représente la matrice de passage
de B ′ à B, c’est-à-dire les colonnes de P −1 sont formées des coordonnées des vecteurs de B dans la base B ′ .
On a

e1 = e′1

e2 = −e′1 + e′2
 
1 −1
donc P −1 =  . Par suite les coordonnées de v dans la base B ′ sont
0 1
     
1 −1 2 −1
P −1 × X =  × = 
0 1 3 3

ainsi v = −e′1 + 3e′2 .

Théorème 4.6.2
Soient B et B ′ deux bases d’un espace vectoriel E et f un endomorphisme de E. Notons P la matrice de
passage de B à B ′ . Alors
M (f, B ′ , B ′ ) = P −1 × M (f, B, B) × P.
Remarque:
Le résultat précédent se généralise à une application linéaire f : E → F , où E et F sont deux espaces
vectoriels. Considérons B1 et B1′ deux bases de E et B2 et B2′ deux bases de F . On note par P la matrice de
passage de B1 à B1′ et Q la matrice de passage de B2 à B2′ . Alors

M (f, B1′ , B2′ ) = Q−1 × M (f, B1 , B2 ) × P.

35
Exemple: 4.6.2
Soit f l’application linéaire définie par

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

Soit B = {e1 , e2 , e3 } la base canonique de R3 et soit B ′ = {e′1 , e′2 , e′3 } une autre base de R3 définie par
e′1 = (1, 1, −1), e′2 = (0, 1, 0) et e′3 = (−1, 1, 0). La matrice de f relativement à la base B est donnée par
 
−1 0 0
 
M (f, B, B) =  0 3
 
2
 
1 0 2

Déterminons la matrice de f relativement à la base B ′ . Pour cela calculons M (f, B ′ , B ′ ) = P −1 ×M (f, B, B)×
P. où P est la matrice de passage de B à B ′ donnée par
 
1 0 −1
 
P = 1 1 1 
 
 
−1 0 0

Déterminons l’inverse de P . La matrice P −1 représente la matrice de passage de B ′ à B, donc les colonnes

de P −1 sont les coordonnées des vecteurs de B dans B ′ . On a

e′1 = e1 + e2 − e3

e′2 = e2

e′3 = −e1 + e2

On cherche à exprimer e1 , e2 , e3 en fonction de e′1 , e′2 , e′3 . On a *

e1 = e′2 − e′3

e2 = e′2

e3 = −e′1 + 2e′2 − e′3

D’où  
0 0 −1
 
P −1 =  1
 
1 2
 
−1 0 −1
Finalement, on obtient
       
0 0 −1 −1 0 0 1 0 −1 0 0 0
       
M (f, B ′ , B ′ ) =  1 1 2 × 0 3 2 ×  1 1 1  = −2 2 .
       
3
       
−1 0 −1 1 0 2 −1 0 0 0 0 −2

36
4.7 Rang d’une matrice
Soit A ∈ Mm,n (R). Comme mentionné auparavant, A représente la matrice d’une application linéaire f
de Rn dans Rm , c’est-à-dire que les colonnes de A sont les coordonnées des vecteurs f (e1 ); f (e2 ), · · · , f (en )
dans la base {e′1 , e′2 , · · · , e′m } de Rm .
Définition 4.7.1
On appelle rang de la matrice A, le rang de l’application linéaire qu’elle représente

rg(A) = dim(Im(f )) = rg(f ).

Remarque:
Le rang d’une matrice, rg(A), représente tout simplement le nombre maximum de vecteurs colonne de A qui
sont linéairement indépendants.
Théorème 4.7.1
Soit A une matrice carrée d’ordre n. Alors

A inversible ⇐⇒ rg(A) = n.

37