Calcul matriciel

K désigne R ou(C, m, n, p, q, r sont des entiers naturels.

0 si i 6= j
On note δi,j = (symbole de Kronecker).
1 si i = j

1 Opérations sur les matrices

1.1 Matrices
Déf : On appelle matrice de type (n, p) (pour n lignes et p colonnes) à coefficients dans K tout famille
A = (ai,j )1≤i≤n,1≤j≤p d’éléments de K.
Une telle matrice est généralement
 représentée sous laforme d’un tableau à n lignes et p colonnes :
a1,1 a1,2 · · · a1,p
 a2,1 a2,2 · · · a2,p 
 
A = (ai,j )1≤i≤n,1≤j≤p =  .
 .. ..  .
 .. . . 
an,1 an,2 · · · an,p

ai,j est appelé coefficient d’indice (i, j) de la matrice A, il est positionné à la i ème ligne et j ème colonne
de A. On note Mn,p (K) l’ensemble des matrices de type (n, p) à coefficients dans K.

Convention :
Le 1er indice est l’indice de ligne (souvent noté i).
Le 2nd indice est l’indice de colonne (souvent noté j).

Cas particuliers :
Pour n = p = 1 : les matrices de M1,1 (K) sont appelées matrices (uni-)coefficient. Elles sont de la forme (x).
Il est usuel d’identifier ces matrices avec l’élément x de K qui leur correspond.
Pour n quelconque et p = 1 :
Les matrices de Mn,1 (K)  sont 
appelées matrices (uni-)colonnes.
a1
 . 
Elles sont de la forme :  . 
 . .
an
Il est usuel d’identifier cette matrice colonne avec le n uplet (a1 , . . . , an ).
Pour n = 1 et p quelconque : les matrices de M1,p (K) sont appelées matrices (uni-)lignes.
Elles sont de la forme : ( a1 · · · ap ).

Déf : Soit A = (ai,j ) ∈ Mn,p (K) (présentation de l’abus de notation correspondant).

 
a1,1 a1,2 · · · a1,p
 a2,1 a2,2 · · · a2,p 
 
A= . .. .. .
 . . . . 
an,1 an,2 · · · an,p
 
a1,j
 .  ème colonne de A.
Pour 1 ≤ j ≤ p, la matrice Cj =  . 
 .  est appelée j
an,j

1
Pour 1 ≤ i ≤ n, la matrice Li = ( ai,1 · · · ai,p ) est appelée i ème ligne de A.

1.2 Matrice carrée

Déf : Les matrices de type (n, n) sont appelées matrices carrées d’ordre n.
On note Mn (K), au lieu de Mn,n (K), l’ensemble de ces matrices.

Déf : Soit A = (ai,j ) ∈ Mn (K). Les coefficients d’indice (i, i) de A sont appelées coefficients diagonaux de
A. La famille (a1,1 , a2,2 , . . . , an,n ) = (ai,i )1≤i≤n est appelée diagonale de la matrice A.

Déf : Une matrice A ∈ Mn (K) est dite diagonale ssi tous ses coefficients hors de la diagonale sont nuls.
On note Dn (K) l’ensemble de ces matrices.
 
λ1 0

Déf : On note diag(λ1 , . . . , λn ) la matrice diagonale dont la diagonale est (λ1 , . . . , λn ) i.e.  .. 
.
 . 
0 λn

Déf : Une matrice A ∈ Mn (K) est dite triangulaire supérieure (resp. inférieure) ssi tous les coefficients en
dessous (resp. au dessus) de la diagonale sont nuls.
On note Tn+ (K) (resp. Tn− (K)) l’ensemble de ces matrices.

Proposition : Dn (K) = Tn+ (K) ∩ Tn− (K).

1.3 Espace vectoriel (Mn,p (K), +, .).

Déf : Soit A = (ai,j ) ∈ Mn,p (K) et B = (bi,j ) ∈ Mn,p (K).
On définit la matrice A + B ∈ Mn,p (K) par A + B = (ai,j + bi,j )1≤i≤n,1≤j≤p .
     
a1,1 · · · a1,p b1,1 · · · b1,p a1,1 + b1,1 · · · a1,p + b1,p
 . ..   . ..   .. .. 
.  .
Ainsi  + . =
.
 . .  .  . .


an,1 · · · an,p bn,1 · · · bn,p an,1 + bn,1 · · · an,p + bn,p

Déf : Soit A = (ai,j ) ∈ Mn,p (K) et λ ∈ K.

On définit la matrice λ.A ∈ Mn,p (K) par λ.A = (λai,j )1≤i≤n,1≤j≤p .
   
a1,1 · · · a1,p λa1,1 · · · λa1,p
 . ..   . .. 
Ainsi λ.  .  .
 . . = . . .
an,1 · · · an,p λan,1 · · · λan,p

Théorème : (Mn,p (K), +, .) est un K-espace vectoriel d’élément nul O = On,p .

Déf : Soit 1 ≤ k ≤ n et 1 ≤ l ≤ p. On appelle matrice élémentaire d’indice (k, l) de Mn,p (K) la matrice Ek,l
dont tous les coefficients sont nuls sauf celui d’indice (k, l) qui est égal à 1. Ainsi
 
0 0
Ek,l =  1  ∈ Mn,p (K).
 

0 0

2
Théorème :
La famille B = (Ek,l )1≤k≤n,1≤l≤p forme une base de Mn,p (K) appelée base canonique.

Corollaire : dimMn,p (K) = np et en particulier

dimMn (K) = n2 , dimMn,1 (K) = n et dimM1,p (K) = p.

Proposition : Dn (K) est un sous-espace vectoriel de Mn (K) de dimension n.

n(n+1)
Proposition : Tn+ (K) et Tn− (K) sont des sous-espaces vectoriels de Mn (K) de dimension 2 .

1.4 Produit matriciel

Définition : Soit A = (ai,j ) ∈ Mn,p (K) et B = (bj,k ) ∈ Mp,q (K). On définit la matrice C = A × B =
(ci,k ) ∈ Mn,q (K)
p
P
par : ∀1 ≤ i ≤ n, ∀1 ≤ k ≤ q, ci,k = ai,j bj,k .
j=1

1.5 Propriétés du produit matriciel

Proposition : Soit A ∈ Mn,p (K), B ∈ Mp,q (K), C ∈ Mq,r (K).
On a (AB)C = A(BC).

Proposition : ∀A ∈ Mn,p (K), AIp = A et In A = A.

Proposition : ∀A, B ∈ Mn,p (K), ∀C ∈ Mp,q (K) (A + B)C = AC + BC.

∀A ∈ Mn,p (K), ∀B, C ∈ Mp,q (K) A(B + C) = AB + AC.

Proposition : ∀A ∈ Mn,p (K), ∀B ∈ Mp,q (K), ∀λ ∈ K, (λ.A)B = λ.AB = A(λ.B).

1.6 L’anneau (Mn (K), +, ×).

1.6.1 présentation

Théorème :
(Mn (K), +, ×) est un anneau, généralement non commutatif, d’élément nul O = On et d’élément unité I = In .
De plus, ∀λ ∈ K, ∀A, B ∈ Mn (K) : (λ.A)B = λ.(AB) = A(λ.B).

Définition : On dit que deux matrices A et B de Mn (K) commutent ssi AB = BA.

Définition : Soit A ∈ Mn (K). On note A0 = In , A1 = A, A2 = A × A, . . . , Am = A × A × . . . × A (m

termes)
Exemple :
! ! !
1 1 a b 1 2 n−1
Soit A = et B = il est facile de montrer par recurence que An = et
0 2 0 a 0 2n
!
an nan−1 b
Bn =
0 an

3
Théorème :
Si A et B commutent alors pour tout m ∈ N :
m m−1
m
(AB)m = Am B m , (A + B)m =

k m−k
et Am − B m = (A − B)
P P k m−1−k
k A B A B .
k=0 k=0

Exemple :
 
1 1 1
Soit A =  0 1 1  et on pose B = A − I3 , calculer B n et en déduire An .
 

0 0 1
   
0 1 1 0 0 1
B =  0 0 1 , B 2 =  0 0 0 , B n = O3 ∀n ≥ 3.
   

0 0 0 0 0 0
An = (I3 + B)n = I3 + nB + n(n−1) 2 B2.
Définition : Soit A ∈ Mn (K).
On dit que A est idempotente ssi A2 = A.
On dit que A est une matrice nilpotente ssi ∃m ∈ N, Am = 0.

1.6.2 Matrices inversibles

Définition : Une matrice A ∈ Mn (K) est dite inversible ssi ∃B ∈ Mn (K), AB = BA = In . On note alors
B = A−1 .
Exemple :
   
1 0 1 0 1 1
Soit A =  2 −1 1 , A−1 =  1 0 1 
   

−1 1 −1 1 −1 −1
Proposition : Soit A, B ∈ Mn (K)
Si A et B sont inversibles alors AB l’est aussi et (AB)−1 = B −1 A−1 .
Si A est inversible alors A−1 l’est aussi et (A−1 )−1 = A.

Définition : On note GLn (K) l’ensemble des matrices inversibles de Mn (K).

Proposition : (GLn (K), ×) est un groupe appelé groupe linéaire d’ordre n.

Théorème d’inversibilité :
Soit A ∈ Mn (K). On a équivalence entre
(i) A est inversible
(ii) A est inversible à droite i.e. ∃B ∈ Mn (K), AB = In
(iii) A est inversible à gauche i.e. ∃C ∈ Mn (K), CA = In .
De plus si tel est le cas A−1 = B = C.

1.6.3 Matrices diagonales

Proposition : Dn (K) est un sous-anneau commutatif de Mn (K).

 
a1

Proposition : Soit A =  .. 
 ∈ Dn (K). On a équivalence entre :
 . 
an

4
 (i) A est inversible.
(ii) ∀1 ≤ i ≤ n, ai 6= 0.  
1
a1
De plus si tel est le cas : A−1 = 
 .. 
.
 . 
1
an

1.6.4 Matrices triangulaires

Proposition : Tn+ (K) est un sous-anneau de Mn (K).

Proposition : Soit A ∈ Tn+ (K). On a équivalence entre :

(i) A est inversible
(ii) Les coefficients diagonaux de A sont tous non nuls.
De plus, si tel est le cas, A−1 ∈ Tn+ (K)

1.7 Transposition
1.7.1 Définition
0
Définition : Soit A = (ai,j ) ∈ Mn,p (K). On appelle matrice transposée de A la matrice t A = (aj,i ) ∈ Mp,n (K)
0
définie par ∀1 ≤ i ≤ n, 1 ≤ j ≤ p, aj,i = ai,j .
Ainsi le coefficient d’indice (j, i) de t A est égal au coefficient d’indice (i, j) de A.
   
a11 · · · a1p a11 · · · an1
 . ..  t
 . .. 
Concrètement : Pour A =  .  .
 . , A =  .
.  .
. 
an1 · · · anp a1p · · · anp

Proposition : ∀A ∈ Mn,p (K), t (t A) = A.

∀A, B ∈ Mn,p (K), ∀λ, µ ∈ K, t (λA + µB) = λt A + µt B.

Proposition : ∀A ∈ Mn,p (K), ∀B ∈ Mp,q (K), t (AB) =t B t A.

Proposition : Soit A ∈ Mn (K).

Si A est inversible alors t A l’est aussi et t (A−1 ) = (t A)−1 .

1.7.2 Matrices symétriques et antisymétriques

Définition : On dit que A ∈ Mn (K) est symétrique (resp. antisymétrique) ssi

tA = A (resp. t A = −A).
On note Sn (K) (resp. An (K)) l’ensemble de ces matrices.
 
! −1 0 5
1 2
Exemples : Soit A = ,B = 0 2 −1  A et B sont symétriques.
 
2 4
5 −1 0
 
! 0 4 2
0 1
Soit C = , D =  −4 0 −5  C et D sont antisymétriques.
 
−1 0
−2 5 0

5
  
a11 a12 ··· a1n
 .. .. 
 a
 12 a22 . . 
Proposition : Les matrices de Sn (K) sont de la forme : A =  . .

 .. .. ..
 . an−1,n . 

a1n · · · an−1,n an,n
n(n+1)
Par suite Sn (K) est un sous-espace vectoriel de dimension 2 de Mn (K).
 
0 a12 ··· a1n
 .. .. 
 −a
12 0 . . 
Proposition : Les matrices de An (K) sont de la forme : A =  . .
 
 .. . .. ..
 . an−1,n 

−a1n · · · −an−1,n 0

Théorème :
Sn (K) et An (K) sont deux sous-espaces vectoriels supplémentaires de Mn (K).

Proposition : Soit A ∈ Mn (K) inversible.

Si A ∈ Sn (K) alors A−1 ∈ Sn (K).
Si A ∈ An (K) alors A−1 ∈ An (K).

2 Représentation matricielle d’une application linéaire

2.1 Matrice d’une famille de vecteurs
Soit E un K-espace vectoriel muni d’une base B = (e1 , . . . , en ).
Pour tout x ∈ E, ∃!(α1 , . . . , αn ) ∈ Kn , x = α1 e1 + · · · + αn en .

Définition : On appelle matrice des composantes de x dans B

 
α1
 . 
. 
 .  ∈ Mn,1 (K).
la matrice colonne M atB (x) = 
αn
x
 
.
Ainsi M atB (x) =  ..  composantes dans B.

Proposition : L’application x 7→ M atB (x) est un isomorphisme entre les K-espaces vectoriels E et Mn,1 (K).
Soit F = (x1 , x2 , . . . , xn ) une famille de vecteurs de E. Pour tout 1 ≤ j ≤ p, posons Cj = M atB (xj ).

Définition : On appelle matrice représentative de la famille F dans B la matrice A dont les colonnes sont les
C1 , C2 , . . . , Cp .
On note A = M atB (F) = M atB (x1 , x2 , . . . , xp ) ∈ Mn,p (K).

x1 xp
 
 . .. 
Ainsi M atB (F) =  .. .  composantes dans B.

6
2.2 Matrice d’une application linéaire
Définition : Soit E et F des K-espaces vectoriels de dimension p et n et munis de bases B = (e1 , . . . , ep ) et
C = (f1 , . . . , fn ). Soit u ∈ L(E, F ), on appelle matrice représentative de u relativement aux bases B et C la
matrice :
M atB,C (u) = M atC (u(B)) = M atC (u(e1 ), . . . , u(ep )) ∈ Mn,p (K).

u(e1 ) u(ep )
 
.. ..
M atB,C (u) =  . .  composantes dans C.
 

Définition : Soit E un K-espace vectoriel de dimension n muni d’une base B = (e1 , . . . , en ).

Soit f ∈ L(E), en général on représente matriciellement f en choisissant la même base au départ et à l’arrivée.
La matrice carrée d’ordre n ainsi obtenue est notée M atB (f ) au lieu de M atB,B (f ).

2.3 Propriétés de la représentation matricielle

2.3.1 Isomorphisme

Théorème :
Soit E et F des K-espaces vectoriels munis de bases B = (e1 , . . . , ep ) et C = (f1 , . . . , fn ).
L’application M : L(E, F ) → Mn,p (K) définie par M (u) = M atB,C (u) est un isomorphisme de K-espace
vectoriel.

Corollaire : Soit E et F deux K-espaces vectoriels de dimensions finies.

L(E, F ) est un K-espace vectoriel de dimension finie et dimL(E, F ) = dimE × dimF .
En particulier : dimL(E) = dimE 2 et dim(E ∗ ) = dimE.

Corollaire : Lorsque deux K-espaces vectoriels E et F sont munis de bases B et C, il est équivalent de se
donner u ∈ L(E, F ) ou de se donner A = M atB,C (u) ∈ Mn,p (K).

Définition : Pour E = Kp et B base canonique de Kp .

Pour F = Kn et C base canonique de Kn .
L’application M : L(Kp , Kn ) → Mn,p (K) est appelée isomorphisme canonique entre L(Kp , Kn ) et Mn,p (K).
Pour u ∈ L(Kp , Kn ), A = M (u) ∈ Mn,p (K) est appelée matrice canoniquement associée à u.
Pour A ∈ Mn,p (K), u = M −1 (A) ∈ L(Kp , Kn ) est appelée application linéaire canoniquement associée à A.

2.3.2 Image d’un vecteur

Théorème :
Soit E et F des K-espaces vectoriels munis de bases B = (e1 , . . . , ep ) et C = (f1 , . . . , fn ).
Soit u ∈ L(E, F ), x ∈ E et y ∈ F .
Notons A = M atB,C (u), X = M atB (x) et Y = M atC (y).
On a : y = u(x) ⇔ Y = AX.
Ainsi : M atC (u(x)) = M atB,C (u) × M atB (x).
En Particulier : Les formes linéaires.

7
Si F = K muni de sa base canonique (1) et f ∈ E ∗ alors la matrice de f est une matrice ligne L est y =
f (x) ⇔ y = LX.

2.3.3 Composition d’applications linéaires

Théorème :
Soit E, F , G trois K-espaces vectoriels munis de bases B = (e1 , . . . , ep ), C = (f1 , . . . , fn ), D = (g1 , . . . , gm ).
Pour u ∈ L(E, F ) et v ∈ L(F, G) on a :
M atB,D (v ◦ u) = M atC,D (v) × M atB,C (u).

Corollaire : Soit E un K-espace vectoriel muni d’une base B = (e1 , . . . , en ).

Soit f, g ∈ L(E) et A = M atB (f ), B = M atB (g) ∈ Mn (K).
On a M atB (f ◦ g) = AB et ∀m ∈ N, M atB (f m ) = Am .

2.3.4 Représentation d’un isomorphisme

Théorème :
Soit E et F deux K-espaces vectoriels de même dimension n munis de bases B = (e1 , . . . , en ) et C =
(e1 , . . . , en ). Soit u ∈ L(E, F ) et A = M atB,C (u)
On a équivalence entre :
(i) u est un isomorphisme
(ii) A est inversible.
De plus si tel est le cas M atC,B (u−1 ) = A−1 .
En Particulier : (Les automorphismes)
Soit E un K-espace vectoriel muni d’une base B = (e1 , . . . , en ). Soit f ∈ L(E) et A = M atB (f ).
f ∈ GL(E) ⇔ A ∈ GLn (K)
De plus, si tel est le cas : M atB (f −1 ) = A−1 .

2.4 Représentation d’un endomorphisme dans une base adaptée

Soit E un K-espace vectoriel de dimension n.

Proposition : Soit λ ∈ K et hλ : E → E l’homothétie vectorielle de rapport λ.

 
λ 0

Dans toute base B = (e1 , . . . , en ) : M atB (hλ ) =  .. 
.
 . 
0 λ

Proposition : Soit F et G deux sous-espaces vectoriels supplémentaires de dimensions respectives r et n − r.

Notons p la projection vectorielle sur F parallèlement à G et s la symétrie vectorielle par rapport à F et paral-
lèlement à G. Dans toute base B adaptée à la supplémentarité de F et G :
! !
Ir 0 Ir 0
M atB (p) = et M atB (s) = .
0 0n−r 0 −In−r

8
2.5 Formules de changement de bases.
2.5.1 Matrice de passage
0
Soit E un K-espace vectoriel de dimension n muni de deux bases B = (e1 , . . . , en ) et B = (ε1 , . . . , εn ).

0
Définition : On appelle matrice de passage de B à B la matrice
0
P = M atB (B ) = M atB (ε1 , . . . , εn ).

0
Proposition : Soit P la matrice de passage de B à B . On a P = M atB0 ,B (IdE ).

0
Proposition : Soit P la matrice de passage de B à B .
0
P est inversible et P −1 est la matrice de passage de B à B.

2.5.2 Nouvelles composantes d’un vecteur

0
Proposition : Soit B et B deux bases d’un K-espace vectoriel E de dimension n.
0 0
Soit x ∈ E, notons X et X ses matrices composantes dans B et B .
0 0 0
En notant P la matrice de passage de B à B , on a : X = P X et X = P −1 X,
0
i.e. : M atB (x) = M atB B M atB0 (x) et M atB0 (x) = M atB0 BM atB (x).

2.5.3 Nouvelle représentation d’une application linéaire

0
Proposition : Soit B et B deux bases d’un K-espace vectoriel E.
0
Soit C et C deux bases d’un K-espace vectoriel F .
0
Soit u ∈ L(E, F ). Posons A = M atB,C (u) et A = M atB0 ,C 0 (u).
0 0
En notant P la matrice de passage de B à B et Q a matrice de passage de C à C on a :
0 0 0
A = Q−1 AP . Ainsi A = M atB0 ,C 0 (u) = M atC 0 C.M atB,C (u).M atB B .

2.5.4 Nouvelle représentation d’un endomorphisme

Théorème :
0
Soit B et B deux bases d’un K-espace vectoriel E.
0
Soit f ∈ L(E). Posons A = M atB (f ) et A = M atB0 (f ).
0 0
En notant P = M atB B . On a : A = P −1 AP .
0 0
Ainsi A = M atB0 (f ) = M atB0 B.M atB (f ).M atB B .

2.6 Traces
2.6.1 Trace d’une matrice carrée

Définition : Soit A = (ai,j ) ∈ Mn (K).

n
P
On appelle trace de la matrice A le scalaire tr(A) = ai,i .
i=1

Proposition : tr : Mn (K) → K est une forme linéaire.

Proposition : ∀A, B ∈ Mn (K), tr(AB) = tr(BA).

9
2.6.2 Trace d’un endomorphisme

Soit E un K-espace vectoriel de dimension n et f ∈ L(E).

0 0 0
Soit B et B deux bases de E. Notons P = M atB B , A = M atB (f ), A = M atB0 (f ).
0
La relation de passage permet d’écrire : A = P A P −1 . On a :
0 0
tr(A) = tr(P −1 P A ) = tr(A ).
Par suite la trace de la matrice représentative de f est indépendante de la base choisie.

Définition : Cette quantité est appelée trace de l’endomorphisme f et est notée tr(f ).

Proposition : L’application tr : L(E) → K est une forme linéaire sur E.

Proposition : ∀f, g ∈ L(E), tr(f ◦ g) = tr(g ◦ f ).

3 Rang d’une matrice

3.1 Définition
Soit A = (ai,j ) ∈ Mn,p (K). Notons C1 , C2 , . . . , Cp les colonnes de A. Les Cj sont des vecteurs du K-
espace vectoriel Mn,1 (K), on peut donc considérer le rang de la famille de vecteurs (C1 , C2 , . . . , Cp ).

Définition : On appelle rang de la matrice A, noté rg(A), le rang de la famille des colonnes de A, ainsi
rg(A) = rg(C1 , C2 , . . . , Cp ).

Proposition : Soit F = (x1 , x2 , . . . , xp ) une famille de vecteurs de d’un K-espace vectoriel E muni d’une
base B.
En notant A = M atB (x1 , x2 , . . . , xp ), on a rg(x1 , x2 , . . . , xp ) = rg(A).

Proposition : Soit E, F deux K-espaces vectoriels munis de bases B et C et u ∈ L(E, F ).

En notant A = M atB,C (u), on a rg(u) = rg(A).

3.2 Propriétés du rang d’une matrice

Proposition : ∀A ∈ Mn,p (K), rg(A) ≤ min(n, p).

Proposition : ∀A ∈ Mn,p (K), ∀A ∈ Mp,q (K), rg(AB) ≤ min(rg(A), rg(B)).

De plus :
Si A est une matrice carrée inversible alors rg(AB) = rg(B)
Si B est une matrice carrée inversible alors rg(AB) = rg(A).

Théorème :
Soit A ∈ Mn (K). On a équivalence entre :
(i) A est inversible
(ii) rg(A) = n.

10
3.3 Caractérisation théorique du rang
Soit 0 ≤ r ≤ min(n, p).
 
1 0
 .. 
 . 0 
On note Jr la matrice de Mn,p (K) définie par Jr = 
 .
 0 1


0 0

Proposition : rg(Jr ) = r.

Théorème :
Soit A ∈ Mn,p (K) et r ∈ N tel que 0 ≤ r ≤ min(n, p).
On a équivalence entre :
(i) rg(A) = r
(ii) ∃P ∈ GLp (K), ∃Q ∈ GLn (K) telles que A = QJr P .
Corollaire : ∀A ∈ Mn,p (K), rg(t A) = rgA.

11