c Christophe Bertault - MPSI

Matrices
Dans tout ce chapitre, K est lun des corps R ou C. Tous les rsultats prsents dans ce chapitre demeurent vrais si K est un
corps quelconque, mais nous ne nous en proccuperons pas ici. Les lettres n, p, q . . . dsignent des entiers naturels non nuls.
1 Matrices et oprations sur les matrices
1.1 Matrices
Dnition (Matrice)
On appelle matrice de taille np coecients dans K toute famille A de np lments de K prsente sous la forme
dun tableau
_
_
_
_
_
a11 a12 a1p
a21 a22 a2p
.
.
.
.
.
.
.
.
.
an1 an2 anp
_
_
_
_
_
, not aussi
_
aij
_
1in
1jp
, o aij K pour tout (i, j) 1, n 1, p.
Pour tout (i, j) 1, n 1, p, le scalaire aij est appel coecient de A de position (i, j), la matrice
_
_
_
_
_
a1j
a2j
.
.
.
anj
_
_
_
_
_
est appele la
j
me
colonne de A et la matrice
_
ai1 ai2 aip
_
est appele sa i
me
ligne.
Lensemble des matrices de taille n p coecients dans K est not Mn,p(K).
Pour n = p, on parle de matrices carres de taille n et la notation simplie Mn(K) est alors prfre. La
famille (a11, a22, . . . , ann) est alors appele diagonale de A.
Pour p = 1, on parle de matrices colonnes de taille n.
Pour n = 1, on parle de matrices lignes de taille p.
Explication
Une matrice de taille n p coecients dans K nest rien de plus quun lment de K
np
, i.e. une famille de np lments
de K, mais quon a prfr crire sous la forme dun tableau. Ainsi, en ralit : Mn,p(K) = K
np
. Pourquoi donc
introduire les matrices dans ce cas ? Parce que nous allons sous peu dnir une loi interne de produit sur les matrices, et
vous comprendrez alors quil est bien pratique dcrire les matrices comme des tableaux et non comme des familles.
Lusage veut quon utilise le plus possible la lettre i pour indice des lignes et la lettre j pour indice des colonnes.
Par convention dans ce cours, si A (majuscule) est une matrice de taille np, nous noterons gnralement aij (minuscule)
le coecient de A de position (i, j) mais parfois Aij.
1.2 Structure vectorielle
Thorme (Structure vectorielle sur Mn,p(K)) Muni de la structure vectorielle naturelle de K
np
, Mn,p(K) est un
K-espace vectoriel de dimension n p.
Pour tous A, B Mn,p(K) et , K : A +B =
_
_
_
_
_
a11 +b11 a12 +b12 a1p +b1p
a21 +b21 a22 +b22 a2p +b2p
.
.
.
.
.
.
.
.
.
an1 +bn1 an2 +bn2 anp +bnp
_
_
_
_
_
.
Pour tout (i, j) 1, n 1, p, on note Ei,j la matrice dont le coecient de position (i, j) est gal 1 et dont tous
les autres coecients sont nuls. Alors (Ei,j)
1in
1jp
est une base de Mn,p(K) appele sa base canonique.
1
c Christophe Bertault - MPSI
Explication La base canonique de Mn,p(K) nest rien dautre que la base canonique de K
np
, simplement indexe
par deux entiers conformment lide que les matrices sont des tableaux. Pour n = 3 et p = 2 par exemple :
E11 =
_
_
1 0
0 0
0 0
_
_
, E21 =
_
_
0 0
1 0
0 0
_
_
, E31 =
_
_
0 0
0 0
1 0
_
_
, E12 =
_
_
0 1
0 0
0 0
_
_
, E22 =
_
_
0 0
0 1
0 0
_
_
et E32 =
_
_
0 0
0 0
0 1
_
_
.
Pour toute matrice A M3,2(K), les coordonnes de A dans la base canonique sont (a11, a21, a31, a12, a22, a32) car :
A =
_
_
a11 a12
a21 a22
a31 a32
_
_
= a11E11 +a21E21 +a31E31 +a12E12 +a22E22 +a32E32.
1.3 Produit matriciel
Dnition (Produit matriciel) Soient A Mp,q(K) et B Mq,r(K). Par dnition, le produit de A par B, not AB
ou AB, est la matrice
_
q

k=1
a
ik
b
kj
_
1ip
1jr
de taille p r.
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
a11 a12
a1q
a21 a22
a2q
.
.
.
.
.
.
.
.
.
ap1 ap2
apq
Produit
et somme
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
b11 b12
b1r
b21 b22
b2r
.
.
.
.
.
.
.
.
.
bq1 bq2
bqr
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
q

k=1
a
1k
b
k1
q

k=1
a
1k
b
k2
q

k=1
a
1k
b
kr
q

k=1
a
2k
b
k1
q

k=1
a
2k
b
k2
q

k=1
a
2k
b
kr
.
.
.
.
.
.
.
.
.
q

k=1
a
pk
b
k1
q

k=1
a
pk
b
k2
q

k=1
a
pk
b
kr
Sur une copie, vous ntes pas autoriss crire ainsi les matrices les unes au-dessus des autres.
Attention !
Le produit de deux matrices en gnral nest pas dni sil ny a pas, comme on dit, compatibilit des formats :
Matrice de taille p q Matrice de taille q r Matrice de taille p r
Le produit matriciel nest pas commutatif mme en cas de compatibilit des formats ! Exemple :
_
1 1
0 1
__
0 0
1 0
_
=
_
1 0
1 0
_
=
_
0 0
1 1
_
=
_
0 0
1 0
__
1 1
0 1
_
.
Un produit de matrices peut tre nul sans quaucune de ces matrices soit nulle. Exemple :
_
0 1
0 0
__
1 1
0 0
_
=
_
0 0
0 0
_
.
Explication Remarque fondamentale : tout systme linaire peut tre crit matriciellement comme un produit. Par
exemple, pour tout (x, y, z) R
3
:
_
_
_
2x + y 3z = 3
5y + z = 2
9x + 10y = 1

_
_
2 1 3
0 5 1
9 10 0
_
_
. .
Matrice
du systme
_
_
x
y
z
_
_
=
_
_
3
2
1
_
_
.
. .
Second
membre
Un systme linaire dont le second membre est nul
est dit homogne ou sans second membre.
2
c Christophe Bertault - MPSI
Thorme (Produit matriciel et lignes/colonnes) Soient A Mn,p(K), i 1, n et j 1, p.
A
_
_
_
_
_
_
_
_
0
.
.
.
1
.
.
.
0
_
_
_
_
_
_
_
_
= j
me
colonne de A .
position j
_
0 1 0
_
A = i
me
ligne de A .
position i
Dmonstration Simple calcul ! Il faut que ce petit rsultat coule dans vos veines.
Par convention, quand une matrice contient beaucoup de zros, on omet souvent de les noter par souci de lisibilit.
Thorme (Proprits du produit matriciel, matrice identit)
Associativit : Pour tous A Mp,q(K), B Mq,r(K), C Mr,s(K) : (AB)C = A(BC).
Bilinarit : Pour tous A, B Mp,q(K), C, D Mq,r(K) et , K :
(A+B)C = AC +BC et B(C +D) = BC +BD.
Elment neutre : On appelle matrice identit de taille n la matrice carre In =
_
_
_
1
.
.
.
1
_
_
_ de taille n.
Pour toute matrice A Mn,p(K) : InA = AIp = A.
Dmonstration Pour lassociativit, soit (i, j) 1, p 1, s.
_
(AB)C
_
ij
=
r

l=1
(AB)
il
c
lj
=
r

l=1
_
q

k=1
a
ik
b
kl
_
c
lj
=
r

l=1
q

k=1
a
ik
b
kl
c
lj
=
q

k=1
r

l=1
a
ik
b
kl
c
lj
=
q

k=1
a
ik
_
r

l=1
b
kl
c
lj
_
=
q

k=1
a
ik
(BC)
kj
=
_
A(BC)
_
ij
.
Thorme (Produit par blocs) Soient A, B, C, D, A

, B

, C

, D

des matrices coecients dans K de tailles indiques

ci-dessous.
A
B
C
D
_ _
p
p

q q

_ _
q
q

r r

=
AA

+CB

BA

+DB

AC

+CD

BC

+DD

_ _
Explication En rsum, tout se passe avec les blocs comme si chacun dentre eux tait un scalaire.
Dmonstration Seulement calculatoire mais sans dicult.
1.4 Transposition
Dnition (Transpose) Soit A Mn,p(K). On appelle transpose de A la matrice (aji)
1ip
1jn
, note
t
A ou A
T
.
Exemple
_
3 0 1
5 2 7
_
=
_
_
3 5
0 2
1 7
_
_
et
_
_
_
1
.
.
.
n
_
_
_ =
_
1 n
_
.
t
t
Thorme (Proprits de la transposition)
Linarit : Soient A, B Mn,p(K) et , K.
t
(A +B) =
t
A+
t
B.
Involutivit : Soit A Mn,p(K).
t
_
t
A
_
= A.
Produit : Soient A Mp,q(K) et B Mq,r(K).
t
(AB) =
t
B
t
A.
3
c Christophe Bertault - MPSI
Dmonstration Seule lassertion sur le produit mrite une preuve. Pour tout (i, j) 1, r 1, p :
_
t
(AB)
_
ij
= (AB)ji =
q

k=1
a
jk
b
ki
=
q

k=1
b
ki
a
jk
=
q

k=1
_
t
B
_
ik
_
t
A
_
kj
=
_
t
B
t
A
_
ij
.
Dnition (Matrice symtrique/antisymtrique) Soit A Mn(K).
On dit que A est symtrique si
t
A = A. On dit que A est antisymtrique si
t
A = A.
Exemple
_
_
1 2 3
2 5 0
3 0 6
_
_
est symtrique et
_
_
0 1 5
1 0 2
5 2 0
_
_
est antisymtrique.
Diagonale nulle
car tout coecient diagonal
est gal son oppos.
1.5 Oprations lmentaires
Dnition (Oprations lmentaires) Soient i, j N

et K. On appelle opration lmentaire sur les lignes dune

matrice les oprations suivantes :
permutation des i
me
et j
me
lignes, note Li Lj,
multiplication de la i
me
ligne par le scalaire = 0, note Li Li,
addition de la j
me
ligne multiplie par le scalaire la i
me
ligne (avec i = j), note Li Li +Lj.
On dnit de mme des oprations lmentaires sur les colonnes, notes Ci Cj, Ci Ci et Ci Ci +Cj.
La dmonstration du thorme suivant requiert seulement un soupon denthousiasme calculatoire. Calculez !
Thorme (Oprations lmentaires = multiplication par certaines matrices) Soit A Mn,p(K).
Soient i, j 1, n. Lop-
ration lmentaire Li Lj est
quivalente la multiplication de A
gauche par :
Soient i 1, n et K

.
Lopration lmentaire Li Li
est quivalente la multiplication de
A gauche par :
Soient i, j 1, n, i = j
et K. Lopration lmentaire
Li Li +Lj est quivalente la
multiplication de A gauche par :
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1
.
.
.
1
0
1
.
.
.
1
0
1
.
.
.
1
1
1
j
i
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1
.
.
.
1

1
.
.
.
1

i
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1
.
.
.
1
.
.
.
1
.
.
.
1

j
i
Si, au lieu de multiplier gauche, on multiplie A droite par les matrices dcrites ci-dessus, on obtient une simulation des
oprations lmentaires sur les colonnes, respectivement : Ci Cj, Ci Ci et Cj Cj + Ci condition de
faire varier i et j dans 1, p et non plus dans 1, n.
Explication Pas la peine de retenir par cur btement les trois formes de matrices du thorme ! Pour les retrouver,
appliquer simplement la matrice In lopration lmentaire concerne.
Attention !
Oprations lmentaires sur les lignes
Oprations lmentaires sur les colonnes
=
=
Multiplication gauche
Multiplication droite
4
c Christophe Bertault - MPSI
1.6 Application linaire canoniquement associe une matrice
Un lement de K
n
peut toujours tre vu comme une colonne car aprs tout K
n
= Mn,1(K). Dans la dnition qui suit, X
doit tre justement vu comme une colonne pour que le produit AX ait un sens.
Dnition (Application linaire canoniquement associe une matrice, noyau, image) Soit A Mn,p(K).
(i) Lapplication X AX est linaire de K
p
dans K
n
, appele lapplication linaire canoniquement associe A.
(ii) On appelle noyau de A et on note Ker A le noyau de lapplication linaire canoniquement associe A :
Ker A =
_
X K
p
/ AX = 0
_
. Les lignes de A forment un systme dquations de Ker A.
(iii) On appelle image de A et on note Im A limage de lapplication linaire canoniquement associe A. Les colonnes
de A forment une famille gnratrice de Im A.
Explication Lapplication X AX est dnie de K
p
dans K
n
et non linverse pour une simple raison de compatibilit
des formats.
Dmonstration
(ii) Lgalit AX = 0 peut tre vue comme un systme linaire dont les lignes sont celles de A.
(iii) Si nous notons (Ei)
1ip
la base canonique de K
p
crite en colonnes et C1, C2, . . . , Cp les colonnes de A,
alors Ci = AEi pour tout i 1, p, donc : ImA = Vect
_
AE1, AE2, . . . , AEn
_
= Vect(C1, C2, . . . , Cp).
Exemple Lapplication linaire canoniquement associe
_
0 1 2
3 4 5
_
est lapplication (x, y, z) (y + 2z, 3x + 4y + 5z)
de R
3
dans R
2
. Son noyau est la droite vectorielle de R
3
dquations y + 2z = 0 et 3x + 4y + 5z = 0. Quant son image, cest
Vect
_
(0, 3), (1, 4), (2, 5)
_
= Vect
_
(0, 3), (1, 4)
_
= R
2
surjectivit.
2 Matrices carres
2.1 Structure danneau
Le produit de deux matrices carres de taille n est une matrice carre de taille n : la multiplication des matrices est donc une
loi de composition interne sur Mn(K). Si A Mn(K) et k N, nous pouvons donc noter A
k
la matrice
k fois
..
A A . . . A, avec
la convention A
0
= In. Il a ds lors un sens, pour tout P =

k=0
p
k
X
k
K[X], de noter P(A) la matrice

k=0
p
k
A
k
(somme nie).
Le thorme suivant est une consquence immdiate des rsultats prcdents.
Thorme (Anneau Mn(K))
_
Mn(K), +,
_
est un anneau dlment neutre In pour la multiplication. Si n 2, cet
anneau nest ni commutatif ni intgre.
Explication
Lanneau Mn(K) possde une autre proprit remarquable de stabilit : la transpose dune matrice carre de taille n est
encore une matrice carre de taille n.
Comme dans tout anneau, deux formules importantes sont vraies dans Mn(K) :
(A+B)
k
=
k

i=0
_
k
i
_
A
i
B
ki
(formule du binme) et A
k
B
k
= (A B)
k1

i=0
A
i
B
ki1
pour toutes matrices A, B Mn(K) qui commutent. Il est essentiel que A et B commutent.
5
c Christophe Bertault - MPSI
Exemple On pose A =
_
_
1 1 2
0 1 0
0 0 1
_
_
. Alors pour tout k N : A
k
=
_
_
1 k 2k
0 1 0
0 0 1
_
_
.
En eet Pour calculer les puissances de A, crivons A = I3 + J avec J =
_
_
0 1 2
0 0 0
0 0 0
_
_
. Bien sr, I3 et J
commutent car I3 commute avec toute matrice carre de taille 3, et on remarque que J
2
= 0, donc que J
i
= 0
pour tout i 2. Par consquent, pour tout k N : A
k
=
k

i=0
_
k
i
_
I
i
3
J
ki
= I3 +kJ =
_
_
1 k 2k
0 1 0
0 0 1
_
_
.
2.2 Matrices inversibles
Dnition (Matrice inversible et inverse, groupe linaire)
Soit A Mn(K). On dit que A est inversible (dans Mn(K)) si A est inversible (pour la multiplication) dans lanneau
_
Mn(K), +,
_
, i.e. sil existe une matrice B Mn(K) telle que AB = BA = In.
On sait dj quune telle matrice B, si elle existe, est unique, note A
1
et appele linverse de A.
Si A, B Mn(K) sont inversibles :
A
1
est inversible et (A
1
)
1
= A,
AB est inversible et (AB)
1
= B
1
A
1
et non pas A
1
B
1
!
pour tout k Z, A
k
est inversible et (A
k
)
1
= (A
1
)
k
,

t
A est inversible et
_
t
A
_
1
=
t
_
A
1
_
.
Lensemble des matrices inversibles de Mn(K) est not GL
n
(K) et appel le groupe linaire de degr n sur K. Il
sagit l du groupe des inversibles de lanneau
_
Mn(K), +,
_
: U
_
Mn(K)
_
= GL
n
(K).
Dmonstration Pour le rsultat sur la transposition, simple vrication :
t
A
t
_
A
1
_
=
t
_
A
1
A
_
=
t
In = In
et de mme
t
_
A
1
_

t
A = In.
Attention ! La notation
A
B
, o A et B sont deux matrices, est rigoureusement interdite, mme lorsque B est
inversible. Quel en serait le sens : AB
1
ou B
1
A? Deux matrices ne commutent pas en gnral.
Thorme (Matrices inversibles de taille 2) Soient a, b, c, d K. On appelle dterminant de
_
a c
b d
_
, not det
_
a c
b d
_
ou

a c
b d

, le scalaire ad bc.
La matrice
_
a c
b d
_
est inversible si et seulement si son dterminant est non nul. Dans ce cas
_
a c
b d
_
1
=
1
ad bc
_
d c
b a
_
.
Dmonstration Par un simple calcul :
_
d c
b a
__
a c
b d
_
=
_
a c
b d
__
d c
b a
_
= (ad bc)I2.
Du coup, clairement, si ad bc = 0, alors
_
a c
b d
_
est inversible dinverse
1
ad bc
_
d c
b a
_
.
Dans lautre sens, si nous supposons par labsurde que adbc = 0 et que
_
a c
b d
_
est inversible, alors aprs
multiplication par
_
a c
b d
_
1
,
_
d c
b a
_
= 0, i.e. a = b = c = d = 0, et donc
_
a c
b d
_
= 0 alors que
_
a c
b d
_
est suppose inversible.
Thorme (Inversibilit gauche/ droite) Soient A, B Mn(K) telles que AB = In. Alors A et B sont inversibles,
inverses lune de lautre.
6
c Christophe Bertault - MPSI
Explication En principe, montrer que A est inversible revient montrer lexistence dune matrice B telle que
AB = In et BA = In. Ce thorme montre que lune ou lautre des assertions sut en ralit, ce qui est bien pratique.
Dmonstration Lapplication M

BM est un endomorphisme de Mn(K). Comme Mn(K) est de dimension
nie, il nous sut dtablir linjectivit de pour avoir sa bijectivit. Or en eet est injective, car pour tout
M Ker : M = InM = (AB)M = A(BM) = A(M) = A 0 = 0.
La bijectivit de montre en particulier que pour une certaine matrice A

Mn(K), (A

) = In. Or en fait :
A

= InA

= (AB)A

= A(BA

) = A(A

) = AIn = A. Bref : AB = BA = In comme voulu.

Thorme (Caractrisation des matrices inversibles en termes de systmes linaires, systme de Cramer)
Soit A Mn(K). Les assertions suivantes sont quivalentes :
(i) A est inversible.
(ii) Ker A =
_
0
_
.
(iii) Pour tout second membre Y K
n
, le systme linaire Y = AX dinconnue X K
n
possde une
et une seule solution. En dautres termes : Y K
n
, ! X K
n
/ Y = AX.
Un systme linaire (carr) associ une matrice inversible est appel un systme de Cramer. Prcisment, si le
systme Y = AX dinconnue X K
n
, de matrice A Mn(K) et de second membre Y K
n
est de Cramer, sa solution
unique est la colonne X = A
1
Y .
Dmonstration
(i) = (ii) Si A est inversible, soit X Ker A. Alors X = InX = (A
1
A)X = A
1
(AX) = A
1
0 = 0.
Conclusion : Ker A =
_
0
_
.
(ii) = (iii) Si Ker A =
_
0
_
, alors lapplication linaire canoniquement associe A est injective de K
n
dans
K
n
, donc bijective comme endomorphisme en dimension nie. Cest exactement le rsultat attendu.
(iii) = (i) Notons (Ei)
1in
la base canonique de K
n
. Alors In est la matrice de colonnes E1, E2, . . . , En.
Par hypothse, pour tout i 1, n, Ei = ACi pour un certain Ci K
n
. Notant B la matrice de colonnes
C1, C2, . . . , Cn, nous avons : In = AB, donc A est inversible dinverse B.
Thorme (Caractrisation des matrices inversibles au moyen de leurs lignes/colonnes) Soit A Mn(K). Les
assertions suivantes sont quivalentes :
(i) A est inversible.
(ii) La famille des colonnes de A est une base de K
n
cela revient dire quelle est libre ou gnratrice.
(iii) La famille des lignes de A est une base de K
n
cela revient dire quelle est libre ou gnratrice.
Dmonstration
(i) (ii) Notons C1, C2, . . . , Cn les colonnes de A.
A est inversible Ker A =
_
0
_
X K
n
,
_
AX = 0 = X = 0
_
(xi)
1in
K
n
,
_
n

i=1
xiCi = 0 = x1 = x2 = . . . = xn = 0
_
(Ci)
1in
est libre
dimK
n
=n
(Ci)
1in
est une base de K
n
.
(ii) (iii) Nous avons vu que A est inversible si et seulement
t
A lest. Comme la transposition change les
lignes et les colonnes, lquivalence (i) (iii) se dduit de lquivalence (i) (ii).
Thorme (Inversibilit des oprations lmentaires) Les matrices doprations lmentaires sont inversibles.
Dmonstration La matrice de lopration lmentaire Li Lj est inversible dinverse elle-mme. Pour
tout K

, la matrice de lopration lmentaire Li Li est inversible dinverse la matrice de lopration

lmentaire Li
1

Li. Enn pour tout K, la matrice de lopration lmentaire Li Li + Lj est

inversible dinverse la matrice de lopration lmentaire Li Li Lj. Mme chose sur les colonnes.
7
c Christophe Bertault - MPSI
En pratique Nous avons vu un peu plus haut que linversibilit dune matrice A peut tre exprime en termes de
systmes linaires. Prcisment, A est inversible si et seulement si pour tout Y , le systme linaire Y = AX possde une et
une seule solution. Rsoudre ce systme lorsque A est inversible, cest transformer lgalit Y = AX en une galit de la forme
X = BY dans laquelle, en fait, B = A
1
. Or comment rsolvons-nous les systmes linaires ? Nous utilisons lalgorithme du pivot
de Gauss, fond sur la notion dopration lmentaire.
Voyons cela sur un exemple, celui de la matrice A =
_
_
1 3 1
1 2 2
1 2 1
_
_
. Pour tous X = (x1, x2, x3) R
3
et Y = (y1, y2, y3) R
3
:
Y = AX
A
..
_
_
1 3 1
1 2 2
1 2 1
_
_

_
_
_
x1 + 3x2 + x3 = y1
x1 + 2x2 + 2x3 = y2
x1 + 2x2 + x3 = y3
_
_
1 0 0
0 1 0
0 0 1
_
_
_
_
1 3 1
0 1 1
0 1 0
_
_

_
_
_
x1 + 3x2 + x3 = y1
x2 x3 = y1 y2
x2 = y1 y3
L2 L1 L2
L3 L1 L3
_
_
1 0 0
1 1 0
1 0 1
_
_
_
_
1 3 1
0 1 1
0 0 1
_
_

_
_
_
x1 + 3x2 + x3 = y1
x2 x3 = y1 y2
x3 = y2 y3 L3 L3 L2
_
_
1 0 0
1 1 0
0 1 1
_
_
_
_
1 3 0
0 1 0
0 0 1
_
_

_
_
_
x1 + 3x2 = y1 y2 + y3
x2 = y1 y3
x3 = y2 y3
L1 L1 L3
L2 L2 + L3
_
_
1 1 1
1 0 1
0 1 1
_
_
_
_
1 0 0
0 1 0
0 0 1
_
_

_
_
_
x1 = 2y1 y2 + 4y3
x2 = y1 y3
x3 = y2 y3.
L1 L1 3L2
_
_
2 1 4
1 0 1
0 1 1
_
_
. .
A
1
Transformation de A en I3
par des oprations lmentaires
sur les lignes.
Transformation de I3 en A
1
par report des mmes oprations lmentaires
qui ont chang A en I3.
Cf. plus loin
Pour clairer le principe de cette mthode, rappelons que les oprations lmentaires peuvent tre vues matriciellement comme
des produits. Transformer A en In par des oprations lmentaires P1, P2, . . . , Pr dans cet ordre, cest au fond dire ceci :
PrPr1 . . . P1A = In multiplications gauche car nous oprons sur les lignes. Or cette galit peut aussi tre crite :
PrPr1 . . . P1In = A
1
, donc en eet le report des oprations P1, P2, . . . , Pr sur In transforme celle-ci en A
1
.
Bon, daccord, mais quoi peut-on reconnatre avec cette mthode que A nest pas inversible ?
Si A est inversible, on peut toujours la transformer en In par des oprations lmentaires sur les lignes via
lalgorithme du pivot de Gauss.
Si elle ne lest pas, on nit toujours par tomber sur une ligne nulle en appliquant le mme algorithme.
La matrice B =
_
_
1 0 2
1 3 1
0 1 1
_
_
, par exemple, nest pas inversible, car :
B
..
_
_
1 0 2
1 3 1
0 1 1
_
_
_
_
1 0 2
0 3 3
0 1 1
_
_
L2 L1 + L2
_
_
1 0 2
0 3 3
0 0 0
_
_
L3 L2 + 3L3
Attention ! Il est impratif que vos oprations lmentaires se fassent ici toutes sur les lignes. Vous pouvez en fait
les eectuer aussi toutes sur les colonnes pourquoi ? mais les mlanges sont interdits.
8
c Christophe Bertault - MPSI
2.3 Matrices diagonales et triangulaires
Dnition (Matrice diagonale, matrice scalaire, matrice triangulaire)
Une matrice carre est dite diagonale si tous ses coecients non diagonaux sont nuls.
En particulier, les matrices In, dcrivant K, sont appeles matrices scalaires.
Une matrice carre est dite triangulaire suprieure (resp. infrieure) si ses coecients situs strictement au-dessous
(resp. strictement au-dessus) de la diagonale sont nuls.
_
_
_
_
_
a11 a12 a1n
a22 a2n
.
.
.
.
.
.
ann
_
_
_
_
_
Matrice
triangulaire
suprieure
_
_
_
_
_
a11
a21 a22
.
.
.
.
.
.
.
.
.
an1 an2 ann
_
_
_
_
_
Matrice
triangulaire
infrieure
Les matrices diagonales sont exactement les matrices la fois triangulaires suprieures et triangulaires infrieures.
Explication Pour tous (1, 2, . . . , n), (1, 2, . . . , n) K
n
et , K :
Combinaisons linaires :
_
_
_
1
.
.
.
n
_
_
_+
_
_
_
1
.
.
.
n
_
_
_ =
_
_
_
1 +1
.
.
.
n +n
_
_
_.
Produit :
_
_
_
1
.
.
.
n
_
_
_
_
_
_
1
.
.
.
n
_
_
_ =
_
_
_
11
.
.
.
nn
_
_
_.
Inverse :
_
_
_
1
.
.
.
n
_
_
_ est inversible
si et seulement si

k
= 0 pour tout k 1, n.
Dans ce cas
_
_
_
1
.
.
.
n
_
_
_
1
=
_
_
_

1
1
.
.
.

1
n
_
_
_.
Ces rsultats sur les matrices diagonales sont en fait gnralisables aux matrices triangulaires suprieures (resp. infrieures)
comme le montre le thorme suivant.
Thorme (Produit et inverse dune matrice triangulaire)
(i) Produit : Le produit de deux matrices triangulaires suprieures (resp. infrieures) est encore une matrice trian-
gulaire suprieure (resp. infrieure).
(ii) Inverse : Une matrice triangulaire est inversible si et seulement si ses coecients diagonaux sont tous non nuls.
De plus, en cas dinversibilit, linverse dune matrice
_
_
_
_
_
a11 a12 a1n
a22 a2n
.
.
.
.
.
.
ann
_
_
_
_
_
est de la forme
_
_
_
_
_
_
_
_
_
1
a11

1
a22

.
.
.
.
.
.
1
ann
_
_
_
_
_
_
_
_
_
, o
le symbole dsigne des coecients de valeurs non prcises rsultat analogue pour les matrices triangulaires infrieures.
Explication Lassertion (ii) est quivalente au principe bien connu suivant : un systme linaire triangulaire possde
une et une seule solution si et seulement si ses coecients diagonaux sont tous non nuls. Nous avions plus ou moins admis ce
rsultat jusquici.
Dmonstration Contentons-nous du cas des matrices triangulaires suprieures : le cas des matrices triangulaires
infrieures sen dduit par transposition.
(i) Soient A, B Mn(K) triangulaires suprieures. Posons C = AB. Alors C est triangulaire suprieure car
pour tous i, j 1, n tels que i > j : cij =
n

k=1
a
ik
b
kj
=
i1

k=1
a
ik
..
=0
b
kj
+
n

k=i
a
ik
b
kj
..
=0
= 0.
(ii) Raisonnons par rcurrence sur la taille n des matrices concernes.
Initialisation : Toute matrice triangulaire suprieure de taille 1 est de la forme
_
a
_
o a K. Une
telle matrice est inversible si et seulement si a = 0 et dans ce cas
_
a
_
1
=
_
a
1
_
. Linverse dune matrice
triangulaire suprieure inversible de taille 1 est bien une matrice triangulaire suprieure.
9
c Christophe Bertault - MPSI
Hrdit : Soit n N

. Supposons le rsultat vrai pour les matrices triangulaires suprieures de taille n

et xons A Mn+1(K) triangulaire suprieure. Ecrivons A sous la forme A =
_
B C
0 a
_
avec B Mn(K)
triangulaire suprieure, a K et C K
n
crit en colonne.
Supposons A inversible. Les lignes de A forment alors une famille libre donc sa dernire ligne est
non nulle : a = 0.
De mme, les n premires colonnes de A forment une famille libre, donc comme le dernier coecient de
chacune est nul, les colonnes de B forment une famille libre. Ainsi B est inversible, donc coecients
diagonaux non nuls par hypothse de rcurrence.
Supposons A coecients diagonaux non nuls. Alors B est inversible par hypothse de rcurrence
et B
1
triangulaire suprieure coecients diagonaux inverses de ceux de B. Posons D =
1
a
B
1
C, de
sorte que BD +
1
a
C = 0. Alors
_
B C
0 a
_

_
B
1
D
0
1
a
_
=
_
BB
1
BD +
1
a
C
0 1
_
=
_
In 0
0 1
_
= In+1.
Conclusion : A est inversible dinverse
_
B
1
D
0
1
a
_
triangulaire suprieure et les coecients diagonaux de
A
1
sont exactement les inverses de ceux de A.
Explication Revenons maintenant rapidement sur la mthode dinversibilit prsente quelques pages plus haut, et
plus prcisment sur lexemple de la matrice A =
_
_
1 3 1
1 2 2
1 2 1
_
_
. A lissue de la deuxime tape , la matrice T =
_
_
1 3 1
0 1 1
0 0 1
_
_
obtenue gauche est inversible car triangulaire coecients diagonaux non nuls. On a donc transform A en une matrice
inversible par des oprations lmentaires, cest--dire en multipliant par des matrices inversibles. Forcment, A elle-mme
est inversible. Il nest donc pas ncessaire de transformer A en In pour savoir quelle est inversible, il sut en fait de la transformer
en une matrice dont on connat linversibilit. On ne va jusqu In puis jusqu A
1
que lorsquon veut explicitement A
1
.
3 Reprsentation matricielle des familles de vecteurs
et des applications linaires
3.1 Matrice dune famille de vecteurs dans une base
Dnition (Matrice dune famille de vecteurs dans une base) Soient E un K-espace vectoriel de dimension n,
B = (ei)
1in
une base de E et X = (xj)
1jp
une famille quelconque de vecteurs de E.
Pour tout (i, j) 1, n 1, p, notons aij la i
me
coordonne de xj dans B. La matrice
_
aij
_
1in
1jp
, note Mat
B
(X), est
appele matrice de X dans B.
Mat
B
(X) =
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
a11 a12 a1j a1p
a21 a22 a2j a2p
.
.
.
.
.
.
.
.
.
.
.
.
ai1 ai2 aij aip
.
.
.
.
.
.
.
.
.
.
.
.
an1 an2 anj anp
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_

x1

x2

xj

xp
e1
e2
ei
en
Coordonnes de xj dans B crites en colonne
Exemple Soient E un K-espace vectoriel de dimension nie et B une base de E. Alors pour tout x E, Mat
B
(x) est tout
simplement la colonne des coordonnes de x dans B.
10
c Christophe Bertault - MPSI
Exemple Si on note B4 la base canonique de R
4
: Mat
B
4
_
(1, 0, 3, 1), (2, 1, 0, 1)
_
=
_
_
_
_
1 2
0 1
3 0
1 1
_
_
_
_
.
Exemple Mat
(1,X,X
2
)
(X
2
+2X +1, X, X
2
X) =
_
_
1 0 0
2 1 1
1 0 1
_
_
et Mat
(X
2
,X,1)
(X
2
+2X +1, X
2
X, X) =
_
_
1 1 0
2 1 1
1 0 0
_
_
.
Bref, si on change la base ou lordre des vecteurs de la famille tudie, on change la matrice !
Thorme (Matrice des colonnes dans la base canonique) Soit A Mn,p(K) de colonnes C1, C2, . . . , Cp. Si on note
Bn la base canonique de K
n
, alors : A = Mat
Bn
(C1, C2, . . . , Cp).
Dmonstration Rchissez ! Il faut que ce petit rsultat coule dans vos veines.
3.2 Matrice dune application linaire dans des bases
Dnition (Matrice dune application linaire dans des bases) Soient E et F deux K-espaces vectoriels de dimensions
respectives p et n, B = (ej)
1jp
une base de E et C = (fi)
1in
une base de F. Soit en outre f L(E, F).
On appelle matrice de f dans B et C et on note Mat
B,C
(f) la matrice de la famille f(B) =
_
f(ej)
_
1jp
dans la base C.
Mat
B,C
(f) = Mat
C
_
f(B)
_
=
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
a11 a12 a1j a1p
a21 a22 a2j a2p
.
.
.
.
.
.
.
.
.
.
.
.
ai1 ai2 aij aip
.
.
.
.
.
.
.
.
.
.
.
.
an1 an2 anj anp
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_

f(e1)

f(e2)

f(ej)

f(ep)
f1
f2
fi
fn
Coordonnes de f(ej) dans C crites en colonne
Si E = F et si B = C, la
matrice Mat
B,B
(f) est simple-
ment note Mat
B
(f).
Exemple Si E est de dimension nie n et si B est une base de E : Mat
B
(IdE) = In.
Exemple On note T lendomorphisme P X
2
P

+P(X) +P(1) de R3[X] et B3 la base canonique de R3[X].

Alors : Mat
B
3
(T) =
_
_
_
_
2 1 1 1
0 1 0 0
0 0 3 0
0 0 0 5
_
_
_
_
.
En eet T(1) = 0+1+1 = 2, T(X) = 0+(X)+1 = 1X, T
_
X
2
_
= X
2
2+(X)
2
+1 = 1+3X
2
et T
_
X
3
_
= X
2
6X + (X)
3
+ 1 = 1 + 5X
3
.
Exemple On note lapplication linaire (x, y) (x, x+y, yx) de R
2
dans R
3
et B2 et B3 les bases canoniques respectives
de R
2
et R
3
. On pose galement B

2
=
_
(0, 1), (1, 0)
_
et B

3
=
_
(1, 1, 1), (1, 1, 0), (1, 0, 0)
_
, bases de R
2
et R
3
respectivement.
Alors : Mat
B
2
,B
3
() =
_
_
1 0
1 1
1 1
_
_
et Mat
B

2
,B

3
() =
_
_
1 1
0 2
1 0
_
_
. Bref, si on change les bases, on change la matrice !
11
c Christophe Bertault - MPSI
En eet Pour la deuxime matrice, nous devons calculer les coordonnes de (0, 1) et (1, 0) dans B

3
. Or :
(0, 1) = (0, 1, 1) = (1, 1, 1) (1, 0, 0) et (1, 0) = (1, 1, 1) = (1, 1, 1) + 2(1, 1, 0),
donc les coordonnes de (0, 1) dans B

3
sont (1, 0, 1) et celles de (1, 0) sont (1, 2, 0).
Thorme (Matrice dune application linaire canoniquement associe dans les bases canoniques) Soit
A Mn,p(K). Si on note encore A lapplication linaire X AX de K
p
dans K
n
canoniquement associe A, et si on note
Bp et Bn les bases canoniques respectives de K
p
et K
n
, alors : A = Mat
Bp,Bn
(A).
Dmonstration Rchissez ! Il faut que ce petit rsultat coule dans vos veines.
Thorme (Equivalence des points de vue vectoriel et matriciel) Soient E et F deux K-espaces vectoriels de
dimension nie, B une base de E et C une base de F.
Soient en outre u L(E, F), x E et y F. Si on pose U = Mat
B,C
(u), X = Mat
B
(x) et Y = Mat
C
(y), alors :
y = u(x) Y = UX.
Explication Ce thorme montre que le calcul du vecteur u(x) est quivalent au calcul du produit matriciel
UX. Prcisment, UX est la colonne des coordonnes de u(x) dans C. Rappelons que par dnition, X = Mat
B
(x) est la colonne
des coordonnes de x dans B et Y = Mat
C
(y) celle de y dans C.
Dmonstration Introduisons les vecteurs de B et C : B = (ej)
1jp
et C = (fi)
1in
.
y = u(x)
n

i=1
yifi = u
_
p

j=1
xjej
_

n

i=1
yifi =
p

j=1
xju(ej)
n

i=1
yifi =
p

j=1
xj
n

i=1
uijfi

i=1
yifi =
n

i=1
_
p

j=1
uijxj
_
fi i 1, n, yi =
p

j=1
uijxj Y = UX.
Exemple On note R lendomorphisme de R
3
de matrice
_
_
4 0 0
0 1

3
0

3 3
_
_
dans la base canonique, cest--dire
lapplication linaire canoniquement associe cette matrice. Alors Ker R = Vect
_
_
0,

3, 1
_
_
.
En eet Pour tout (x, y, z) R
3
: (x, y, z) Ker R R(x, y, z) = (0, 0, 0)

_
_
4 0 0
0 1

3
0

3 3
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_

_
_
_
4x = 0
y

3z = 0

3y + 3z = 0

_
x = 0
y =

3z.
Comme annonc : Ker R = Vect
_
_
0,

3, 1
_
_
.
Thorme (Equivalence des points de vue vectoriel et matriciel, bis)
(i) Soient E et F deux K-espaces vectoriels de dimensions nies respectives p et n, B une base de E et C une base
de F. Lapplication f Mat
B,C
(f) est un isomorphisme (linaire) de L(E, F) sur Mn,p(K).
(ii) Soient E, F, G trois K-espaces vectoriels de dimension nie, de bases respectives B, C, D.
Soient en outre f L(E, F) et g L(F, G). Alors : Mat
B,D
(g f) = Mat
C,D
(g) Mat
B,C
(f).
(iii) Soient E un K-espace vectoriel de dimension n et B une base de E. Lapplication f Mat
B
(f) est un isomor-
phisme danneaux de L(E) sur Mn(K).
En particulier, les groupes linaires GL(E) = U
_
L(E)
_
et GL
n
(K) = U
_
Mn(K)
_
sont isomorphes comme groupes.
12
c Christophe Bertault - MPSI
Explication
Lassertion (i) exprime deux choses :
une proprit de linarit : Mat
B,C
(f +g) = Mat
B,C
(f) + Mat
B,C
(g) pour tous f, g L(E, F) et , K,
une proprit de bijectivit : pour tout f L(E, F), connatre Mat
B,C
(f) revient connatre entirement f.
Lassertion (ii) montre que le produit matriciel et la composition des applications linaires sont deux faces dune mme
pice. Le produit est aux matrices ce que la composition est aux applications linaires.
Dmonstration
(i) La construction de la matrice dune application linaire rend vidente la linarit de Mat
B,C
: rchissez !
Ensuite, comme : dimL(E, F) = dimEdimF = np = dimMn,p(K), il nous sut de montrer linjectivit
de Mat
B,C
pour montrer sa bijectivit. Soit donc f Ker Mat
B,C
. Alors Mat
B,C
(f) = 0
Mn,p(K)
, donc f envoie tout
vecteur de B sur 0F , et donc a fortiori tout vecteur de E sur 0F par linarit. Comme voulu, f = 0
L(E,F)
.
(ii) Posons A = Mat
B,C
(f), B = Mat
C,D
(g) et C = Mat
B,D
(g f). Nous devons montrer que BA = C, i.e. que BA et C
ont les mmes colonnes.
Ej =
_
_
_
_
_
_
_
_
0
.
.
.
1
.
.
.
0
_
_
_
_
_
_
_
_
position j
Posons n = dimE, xons j 1, n et notons ej le j
me
vecteur de B et Ej la matrice des coordonnes de
ej dans B. Dans ces conditions :
AEj est la colonne des coordonnes de f(ej) dans C,
donc B(AEj) est la colonne des coordonnes de g
_
f(ej)
_
dans D,
or CEj est aussi la colonne des coordonnes de (g f)(ej) dans D,
donc enn (BA)Ej = CEj. On conclut en remarquant que (BA)Ej est la j
me
colonne de BA et CEj la
j
me
colonne de C. Comme voulu, BA et C ont les mmes colonnes.
(iii) Daprs (i), Mat
B
est un isomorphisme linaire de L(E) sur Mn(K), donc une bijection et un morphisme
de groupes pour laddition. Ensuite, daprs (ii), Mat
B
prserve les produits : Mat
B
(g f) = Mat
B
(g) Mat
B
(f)
pour tous f, g L(E). Enn : Mat
B
(IdE) = In.
Exemple Lendomorphisme de R3[X] dont la matrice dans la base canonique de R3[X] est =
_
_
_
_
0 0 1 1
1 1 1 1
0 2 1 2
1 2 1 2
_
_
_
_
est la
symtrie par rapport Vect(X
3
+X
2
+X, X
2
+ 1) paralllement Vect(X
3
+X + 1, X
3
+X
2
).
En eet
Par dnition, est linaire. Montrer que est une symtrie revient donc montrer que
2
= Id
R
3
[X]
, ou
encore que
2
= I4 ce qui est trs facile vrier.
Cherchons le sous-espace vectoriel de R3[X] par rapport auquel est une symtrie, savoir Ker( Id
R
3
[X]
).
Pour tout P = aX
3
+bX
2
+cX +d R3[X] :
Coordonnes de P dans la base canonique de R3[X]
P Ker( Id
R
3
[X]
) (P) = P
_
_
_
_
d
c
b
a
_
_
_
_
=
_
_
_
_
d
c
b
a
_
_
_
_

_

_
b a = d
d + c + b a = c
2c + b 2a = b
d + 2c + b 2a = a

_
d + b a = 0
d + b a = 0
c a = 0
d + 2c + b 3a = 0

_
d + b a = 0
c a = 0
, R/
_

_
a =
b = +
c =
d = .
Ainsi Ker( Id
R
3
[X]
) = Vect(X
3
+X
2
+X, X
2
+ 1).
On montre de la mme manire que Ker( + Id
R
3
[X]
) = Vect(X
3
+X + 1, X
3
+X
2
).
13
c Christophe Bertault - MPSI
3.3 Interprtation vectorielle de linversibilit
Thorme (Interprtation vectorielle de linversibilit)
(i) Soient E un K-espace vectoriel de dimension nie n, B une base de E et X une famille de n vecteurs de E. Alors
X est une base de E si et seulement si Mat
B
(X) est inversible.
(ii) Soient E et F deux K-espaces vectoriels de mmes dimensions nies, B une base de E et C une base de F. Soit
en outre f L(E, F).
Alors f est un isomorphisme de E sur F si et seulement si Mat
B,C
(f) est inversible. Dans ce cas : Mat
C,B
_
f
1
_
=
_
Mat
B,C
(f)
_
1
.
Dmonstration Nous commencerons par lassertion (ii).
(ii) Si f est bijective, alors Mat
B,C
(f) Mat
C,B
_
f
1
_
= Mat
C
(IdF) = In avec n = dimF, donc Mat
B,C
(f) est inversible
dinverse Mat
C,B
_
f
1
_
.
Rciproquement, si A = Mat
B,C
(f) est inversible, notons g lunique application linaire de F dans E pour
laquelle Mat
C,B
(g) = A
1
. Alors Mat
B
(g f) = Mat
C,B
(g) Mat
B,C
(f) = A
1
A = In et de mme Mat
C
(f g) = In,
donc g f = IdE et que f g = IdF , et enn f est bijective de E sur F.
(i) Notons f lunique endomorphisme de E envoyant la base B sur la famille X.
X est une base de E f(B) est une base de E f est un automorphisme de E
(ii)
Mat
B
(f) est inversible Mat
B
(X) est inversible.
4 Changements de base et matrices semblables
4.1 Changements de base
Dnition (Matrice de passage dune base une autre) Soient E un K-espace vectoriel et B et B

deux bases de
E. On appelle matrice de passage de B B

la matrice Mat
B
(B

) = Mat
B

,B
(IdE), souvent note P
B

B
.
Thorme (Proprits des matrices de passage) Soient E un K-espace vectoriel et B, B

et B

trois bases de E.
(i) P
B

B
est inversible dinverse P
B
B
. (ii) P
B

B
P
B

B
= P
B

B
.
Dmonstration
(i) P
B

B
est la matrice dun isomorphisme : P
B

B
1
=
_
Mat
B

,B
(IdE)
_
1
= Mat
B,B

_
Id
1
E
_
= Mat
B,B

(IdE) = P
B
B
.
(ii) P
B

B
P
B

B
= Mat
B

,B
(IdE) Mat
B

,B

(IdE) = Mat
B

,B
(IdE IdE) = Mat
B

,B
(IdE) = P
B

B
.
Thorme (Changement de base) Soient E et F deux K-espaces vectoriels, B et B

deux bases de E et C et C

deux
bases de F. On pose P = P
B

B
et Q = P
C

C
.
(i) Version vecteur : Soit x E. On pose X = Mat
B
(x) et X

= Mat
B

(x). Alors : X = PX

.
(ii) Version application linaire : Soit f L(E, F). On pose A = Mat
B,C
(f) et A

= Mat
B

,C

(f).
Alors : A

= Q
1
AP.
14
c Christophe Bertault - MPSI
Dmonstration
(i) En termes matriciels, lgalit x = IdE(x) scrit, dans les bases adaptes, X = PX

.
(ii) A

= Mat
B

,C

(f) = Mat
B

,C

_
Id
1
F
f IdE
_
=
_
Mat
C

,C
(IdF )
_
1
Mat
B,C
(f) Mat
B

,B
(IdE) = Q
1
AP.
Exemple Soit R x. Notons
_

_
la base canonique de R
2
et :
_

u

= cos

+ sin

v

= sin

+ cos

.
(i)
_

v

_
est une base de R
2
.
(ii) Soit

u = (x, y) R
2
. Les coordonnes de

u dans
_

_
sont bien sr X =
_
x
y
_
. Notons X

=
_
x

_
les
coordonnes de

u dans la base
_

v

_
. Alors :
_
x = x

cos y

sin
y = x

sin +y

cos
et
_
x

= x cos +y sin
y

= xsin +y cos .
En gomtrie lmentaire de dbut danne, nous aurions bien sr obtenu les mmes formules de changement de base.
En eet
(i) La matrice de
_

v

_
dans
_

_
est
_
cos sin
sin cos
_
, de dterminant cos
2
+ sin
2
= 1 = 0 donc
inversible. Comme voulu,
_

v

_
est une base de R
2
.
(ii) Sachant que P
(

u

,

v

)
(

,

)
=
_
cos sin
sin cos
_
: X =
_
cos sin
sin cos
_
X

. Pour lautre formule, simplement

calculer linverse de P
(

u

,

v

)
(

,

)
.
Thorme (Changement de bases et matrice Jr)
Soient E et F deux K-espaces vectoriels de dimension nie et f L(E, F) de rang r.
Alors pour une certaine base B de E et une certaine base C de F : Mat
B,C
(f) = Jr,
o Jr est la matrice de taille n p suivante :
Jr =
_
_
_
_
_
_
_
_
_
_
1
.
.
.
1
0
.
.
.
0
_
_
_
_
_
_
_
_
_
_
.
r colonnes
..
Dmonstration Soient B = (ei)
1jp
une base de E et C = (fi)
1in
une base de F. Que faut-il imposer
ces bases pour que la matrice de f y soit Jr ?
Pour que les p r dernires colonnes de Mat
B,C
(f) soient nulles, il faut que les vecteurs epr+1, epr+2, . . . , ep
soient lments de Ker f et linairement indpendants. Comme Ker f est de dimension p r daprs le
thorme du rang, nous navons qu choisir pour famille (ej)
pr+1jp
une base de Ker f et la complter
simplement en une base B de E.
Pour que les r premires colonnes de Mat
B,C
(f) soient celles quon veut, il sut quon pose fj = f(ej) pour
tout j 1, r, puis quon complte en une base C de F si tant est que la famille (fj)
1jr
soit
bien libre. Or la famille (ej)
1jr
, par construction, engendre un supplmentaire I de Ker f dans E,
donc f

I
est un isomorphisme de I sur Im f, donc comme voulu, (fj)
1jr
=
_
f(ej)
_
1jr
est libre.
Voil, nous avons garanti lexistence de deux bases B et C pour lesquelles Mat
B,C
(f) = Jr.
4.2 Matrices semblables et trace
Dnition (Matrices semblables) Soient A, B Mn(K). On dit que B est semblable A (dans Mn(K)) sil existe une
matrice inversible P GL
n
(K) telle que B = P
1
AP.
Explication A tout endomorphisme f dun espace vectoriel E de dimension nie peuvent tre associes de multiples
matrices Mat
B
(f) o B est une base de E. Si B

est une autre base de E, quel rapport y a-t-il entre Mat

B
(f) et Mat
B

(f) ? Tout
simplement, si on pose P = P
B

B
: Mat
B

(f) = P
1
Mat
B
(f)P, autrement dit Mat
B

(f) est sembable Mat

B
(f). La relation de
similitude met donc en vidence ce quil y a de rellement propre f dans les direntes matrices quon peut lui associer.
15
c Christophe Bertault - MPSI
Thorme (Proprits de la relation de similitude) La relation de similitude sur Mn(K) est une relation dquivalence.
Dmonstration
Rexivit : Soit A Mn(K). Alors A est semblable A car In est inversible et A = I
1
n
AIn.
Symtrie : Soient A, B Mn(K). On suppose B semblable A. Il existe donc P GL
n
(K) telle que
B = P
1
AP. Alors P
1
est inversible et A =
_
P
1
_
1
BP
1
, donc A est semblable B.
Transitivit : Soient A, B, C Mn(K). On suppose B semblable A et C semblable B. Il existe
donc P, Q GL
n
(K) telles que B = P
1
AP et C = Q
1
BQ. Alors PQ est inversible par produit et
C = Q
1
BQ = Q
1
P
1
APQ = (PQ)
1
A(PQ), donc C est semblable A.
Dnition (Trace dune matrice carre) Soit A Mn(K). On appelle trace de A et on note tr(A) ou Tr(A) la somme
des lments diagonaux de A.
(i) Linarit : Pour tous A, B Mn(K) et , K : tr(A +B) = tr(A) +tr(B).
(ii) Eet sur un produit : Pour toutes matrices A, B Mn(K) : tr(AB) = tr(BA).
(iii) Invariance par similitude : Deux matrices de Mn(K) semblables ont mme trace.
Dmonstration
(i) tr(A+B) =
n

k=1
(a
kk
+b
kk
) =
n

k=1
a
kk
+
n

k=1
b
kk
= tr(A) +tr(B).
(ii) tr(AB) =
n

k=1
(AB)
kk
=
n

k=1
n

l=1
a
kl
b
lk
=
n

l=1
n

k=1
b
lk
a
kl
=
n

l=1
(BA)
ll
= tr(BA).
(iii) Soient A, B Mn(K) semblables, disons B = P
1
AP pour une certaine matrice P GL
n
(K). Alors
tr(B) = tr
_
P
1
(AP)
_
(ii)
= tr
_
(AP)P
1
_
= tr(A).
Dnition (Trace dun endomorphisme en dimension nie) Soit E un K-espace vectoriel de dimension nie.
(i) Dnition : Soit f L(E). La trace de la matrice Mat
B
(f) ne dpend pas du choix de la base B de E choisie.
On lappelle trace de f, note tr(f) ou Tr(f).
(ii) Linarit : Pour tous f, g L(E) et , K : tr(f +g) = tr(f) +tr(g).
(iii) Eet sur une compose : Pour tous f, g L(E) : tr(f g) = tr(g f).
Dmonstration Il nous sut au fond de montrer lassertion (i). Soient B et B

deux bases de E. Les matrices

Mat
B
(f) et Mat
B

(f) tant semblables, elles ont en eet mme trace.

5 Rang dune matrice
Dnition (Rang dune matrice) Soit A Mn,p(K). Le rang de lapplication linaire canoniquement associe A est
gal au rang de la famille des colonnes de A. On appelle rang de A, not rg(A), la valeur commune de ces deux rangs.
Forcment : rg(A) min
_
n, p
_
.
Dmonstration Tout simplement, les colonnes de A engendrent ImA.
Exemple Soit A Mn,p(K). Si A possde une colonne nulle et si A

est la matrice obtenue partir de A aprs suppression

de cette colonne nulle, alors rg(A) = rg(A

).
En eet Le rang de A est la dimension du sous-espace vectoriel de K
n
engendr par les colonnes de A. Or dans
un Vect, on peut toujours se dfaire des vecteurs nuls.
16
c Christophe Bertault - MPSI
Thorme (Rang dun systme linaire et structure de lensemble des solutions) Soient A Mn,p(K) et
B K
n
. On appelle rang du systme linaire AX = B dinconnue X K
p
le rang de la matrice A de ce systme.
(i) Lensemble Ker A des solutions du systme homogne AX = 0 dinconnue X K
p
est un sous-espace vectoriel
de K
p
de dimension p rg(A).
(ii) Dans le cas gnral :
soit le systme linaire AX = B dinconnue X K
p
ne possde pas de solution,
soit, sil en possde une X0, lensemble de toutes ses solutions est lensemble X0 + Ker A.
On rappelle que lorsque A est inversible, i.e. lorsque le systme est de Cramer, il admet A
1
B pour solution unique.
Dmonstration
(i) Simple application du thorme du rang, puisque le rang de A comme matrice est par dnition son rang
comme application linaire.
(ii) Si le systme possde une solution X0, alors pour tout X K
p
:
AX = B AX = AX0 A(XX0) = 0 XX0 Ker A X X0 +Ker A.
Thorme (Rang et inversibilit) Soit A Mn(K). Alors A est inversible si et seulement si rg(A) = n.
Dmonstration A est inversible La famille des colonnes de A est une base de K
n
Le sous-espace vectoriel engendr par les colonnes de A est de dimension n rg(A) = n.
Thorme (Relation entre les direntes notions de rang) Soient E et F deux K-espaces vectoriels de dimension
nie, B une base de E et C une base de F.
(i) Pour toute famille (nie) X de vecteurs de E : rg(X) = rg
_
Mat
B
(X)
_
.
(ii) Pour tout f L(E, F) : rg(f) = rg
_
Mat
B,C
(f)
_
.
En pratique En rsum, tout rang dune famille de vecteurs ou dune application linaire peut tre calcul comme
le rang dune matrice. Il ne nous reste plus qu trouver une mthode en or pour calculer les rangs matriciels !
Dmonstration
(i) Introduisons les vecteurs de B et X : B = (ei)
1in
et X = (xj)
1jp
, ainsi que les colonnes
C1, C2, . . . , Cp de Mat
B
(X). Lapplication (i)
1in

i=1
iei est un isomorphisme de K
n
sur E car B est
une base de E. De plus, pour tout j 1, p : (Cj) = xj puisque Cj est la colonne des coordonnes de
xj dans B. Par restriction, induit alors un isomorphisme de Vect(Cj)
1jp
sur Vect(xj)
1jp
= Vect(X).
En particulier : rg(X) = dimVect(X) = dimVect(Cj)
1jp
= rg(Cj)
1jp
= rg
_
Mat
B
(X)
_
.
(ii) rg
_
Mat
B,C
(f)
_
= rg
_
Mat
C
_
f(B)
_
_
(i)
= rg
_
f(B)
_
= dimVect
_
f(B)
_
= dimIm f = rg(f).
Thorme (Invariance du rang par multiplication par une matrice inversible) Le rang dune matrice nest pas
modi quand on la multiplie gauche ou droite par une matrice inversible.
En particulier, les oprations lmentaires conservent le rang et deux matrices semblables ont mme rang.
Dmonstration Soient A Mn,p(K) et P GL
p
(K). Notons

A et

P les applications linaires canoniquement
associes A et P respectivement. Par dnition : rg(AP) = rg
_

AP
_
= rg
_

A

P
_
. Or P est inversible donc

P est un automorphisme de K
p
, donc comme le rang dune application linaire est prserv quand on la compose
par un isomorphisme : rg(AP) = rg
_

A
_
= rg(A).
17
c Christophe Bertault - MPSI
Thorme (Invariance du rang par transposition) Le rang dune matrice est gal au rang de sa transpose.
Dmonstration Soit A Mn,p(K) de rang r.
Notons

A lapplication linaire canoniquement associe A et Bp et Bn les bases canoniques respectives de
K
p
et K
n
. Nous savons qualors A = Mat
Bp,Bn
_

A
_
, mais aussi que pour certaines bases B de K
n
et C de K
p
:
Mat
B,C
_

A
_
= Jr. Pour P = P
Bp
B
et Q = P
Bn
C
, nonons le changement de bases sous-jacent : A = Q
1
JrP.
Aussitt : rg
_
t
A
_
= rg
_
t
_
Q
1
JrP
_
_
= rg
_
t
P
t
Jr
t
_
Q
1
_
_
. Or
t
P et
t
_
Q
1
_
sont inversibles, donc comme
le rang est invariant par multiplication par de telles matrices : rg
_
t
A
_
= rg(
t
Jr) = r = rg(A).
Exemple Soit A Mn,p(K). Si A possde une ligne nulle et si A

est la matrice obtenue partir de A aprs suppression de

cette ligne nulle, alors rg(A) = rg(A

).
En eet Nous avons dj montr le rsultat pour une colonne nulle et nous savons maintenant que le rang est
invariant par transposition.
En pratique Dcrivons enn comment lalgorithme du pivot de Gauss peut tre utilis pour calculer rapidement
le rang dune matrice. Partons dune matrice A Mn,p(K). Lalgorithme suivant ramne le calcul du rang de A au calcul du
rang dune matrice de taille strictement plus petite sur laquelle le procd doit tre rpt lidentique.
0) Si A = 0, alors rg(A) = 0 sortie de lalgorithme.
1) Sinon au moins un coecient de A est non nul. En permutant les lignes et les colonnes de A, on se ramne au
calcul du rang dune matrice de mme rang que A dont le coecient a de position (1, 1) est non nul. Ce coecient a est
alors quali de pivot.
2) A laide du pivot a, on annule par des oprations lmentaires sur les lignes tous les termes de la premire colonne
de la matrice obtenue lissue de ltape 1) ( lexception du pivot).
3) Toujours laide du pivot a, on annule ensuite par des oprations lmentaires sur les colonnes tous les termes de
la premire ligne de la matrice obtenue lissue de ltape 2) ( lexception du pivot).
4) La premire colonne de la matrice obtenue lissue de ltape 3) est clairement non combinaison linaire des
autres colonnes de cette matrice. Ceci explique le rsultat de ltape 4) gur ci-dessous.
Lalgorithme ainsi dcrit se termine avec certitude car A

est strictement plus petite en taille que A.

rg(A) = rg
_
_
_
_
_
a

.
.
.
.
.
.
.
.
.

_
_
_
_
_
= rg
_
_
_
_
_
a
0
.
.
.
0
_
_
_
_
_
= rg
_
_
_
_
_
a 0 0
0
.
.
.
0
_
_
_
_
_ A

. .
Cette tape na pas gurer sur vos copies,
vous pouvez directement passer ltape 4).
Etape 4) Etape 3) Etape 2) Etape 1)
= rg(A

) + 1.
Attention ! Pour calculer le rang dune matrice, vous pouvez mlanger comme vous voulez les oprations sur les
lignes et celles sur les colonnes !
Exemple rg
_
_
_
_
_
_
0 0 1 3
1 0 1 2
0 0 1 2
2 4 4 1
1 0 3 0
_
_
_
_
_
_
= rg
_
_
_
_
_
_
0 0 1 3
0 1 1 2
0 0 1 2
4 2 4 1
0 1 3 0
_
_
_
_
_
_
C1 C2 = rg
_
_
_
_
_
_
4 2 4 1
0 1 1 2
0 0 1 2
0 0 1 3
0 1 3 0
_
_
_
_
_
_
L1 L4
= 1 + rg
_
_
_
_
1 1 2
0 1 2
0 1 3
1 3 0
_
_
_
_
= 1 + rg
_
_
_
_
1 1 2
0 1 2
0 1 3
0 1 1
_
_
_
_
L4
1
2
L1 +
1
2
L4
= 2 + rg
_
_
1 2
1 3
1 1
_
_
= 2 + 2 = 4 car les vecteurs
_
_
1
1
1
_
_
et
_
_
2
3
1
_
_
sont non colinaires.
18