Chapitre 1

Les matrices

1.1 Espace Vectoriel Mn,p (K)

Dans toute la suite K = R ou C, n, p ∈ N∗ .

1.1.1 Généralités
Définition 1.1.1 On appelle matrice à n lignes− p colonnes et à coefficients
dans K, toute application

A : [1, n] × [1, p] −→ K
( i, j ) 7−→ a i j ,

c’est à dire la donnée de p.n scalaires de K que l’on peut disposer en tableau :
 
a 11 a 12 . . . a 1 j . . . a 1 p
 
 a 21 a 22 . . . a2 j . . . a2 p 
 
 
 . . ... . ... . 
 
A =  a i1 a i2 . . . ai j . . . aip 
 
 
 . . ... . ... . 


 
 . . ... . ... . 
 
a n1 a n2 . . . a n j . . . a np

On note A = (a i j )1≤ i≤n,1≤ j≤ p .

1. Le coefficient de A situé sur la i ième ligne, j ième colonne est noté a i j :

1
2 CHAPITRE 1. LES MATRICES

(i) i représente l’indice de ligne.

(ii) j est l’indice de colonne.

2. On dit que A est une matrice de type ( n, p) ou matrice n × p.

3. Pour tout i , (1 ≤ i ≤ n), on appelle i ième vecteur ligne de A , le p-uplet :

L i = (a i1 , a i2 , ..., a i p ).

4. ∀ j , (1 ≤ j ≤ p), on appelle j ième vecteur colonne de A , le n-uplet :

 
a1 j
 
 a2 j 
 
 
 . 
 
Ci =  ai j
 

 
 .
 

 
 . 
 
an j

5. On note Mn,p (K) l’ensemble des matrices de type ( n, p) et à coefficients

dans K.

Exemple 1.1.1 Ã !
−1 8 3
A= ∈ M2,3 (R)
4 5 −6

Définition 1.1.2 (Matrices Particulières)

Soit A = (a i j ) ∈ Mn,p (K). A est dite :

(i) matrice nulle si et seulement si a i j = 0, ∀ i ∈ {1, ..., n}, ∀ j ∈ {1, ..., p}.
(ii) matrice ligne si et seulement si n = 1,

A = (a 11 , a 12 , ..., a 1 p ) ∈ M1,p (K).

1.1. ESPACE VECTORIEL MN,P (K) 3

(iii) matrice colonne si et seulement si p = 1,

 
a
 11 
 a 21
 

 
 . 
A=  ∈ Mn,1 (K).
 
 . 
 
 
 . 
 
a n1

(iv) matrice carrée si et seulement si n = p.

Dans ce cas on dit que A est une matrice carrée d’ordre n : A = (a i j )1≤ i, j≤n .

1. Le coefficient a ii (1 ≤ i ≤ n) s’appelle coefficient diagonale de A .

2. La famille des coefficients diagonaux s’appelle diagonale de A .

3. On note Mn (K) l’ensemble des matrices carrées d’ordre n.

Remarque 1.1.1 Deux matrices sont égales si et seulement si elles sont de

même type et leurs coefficients correspondants sont égaux.
i.e : A = (a i j ), B = ( b i j ) ∈ Mn,p (K)

A = B ⇔ a i j = b i j , ∀ i, 1 ≤ i ≤ n et ∀ j, 1 ≤ j ≤ p.

1.1.2 Opérations sur les matrices

Addition des matrices

Définition 1.1.3 Soit A = (a i j ), B = ( b i j ) ∈ Mn,p (K).

On appelle somme des matrices A et B, la matrice A + B = C i j avec C i j = a i j + b i j ,
1 ≤ i ≤ n, 1 ≤ j ≤ p ,
A + B ∈ Mn,p (K).

Exemple 1.1.2 Soit

à ! à !
1 2 3 4 0 −1 2 1
A= , B= ∈ M2,4 (R).
5 6 7 8 1 0 −3 −5
4 CHAPITRE 1. LES MATRICES

Alors à !
1 1 5 5
A+B = ∈ M2,4 (R).
6 6 4 3

Remarque 1.1.2 La matrice nulle, notée O , est l’élément neutre de Mn,p (K)
pour la somme,
∀ A ∈ Mn,p (K), A + O = O + A = A.

Multiplication d’une matrice par un scalaire

Définition 1.1.4 Soit A = (a i j ) ∈ Mn,p (K), λ ∈ K.

On appelle produit de la matrice A par le scalaire λ, la matrice λ A , λ A =
(λa i j ) ∈ Mn,p (K).

Exemple 1.1.3 Soit λ = 3,

   
2 −1 6 −3
 ∈ M3,2 (R), λ.A =  0  ∈ M3,2 (R).
   
A= 0 5 15
 p 
2
 p 
−4 3 −12 2

Remarque 1.1.3 Toute matrice A = (a i j ) ∈ Mn,p (K) possède un élément symé-

trique pour la somme, c’est la matrice

− A = (−a i j ) ∈ Mn,p (K).

Théoréme 1.1.1 (Mn,p (K), +, .) est un K-espace vectoriel.

Exemple 1.1.4 Soit

à ! à !
2 1 3 0 5 −8
A= , B= ∈ M2,3 (R).
−1 0 −4 2 1 3

Alors
à ! à ! à !
4 2 6 0 15 −24 4 −13 30
2 A − 3B = − = ∈ M2,3 (R).
−2 0 −8 6 3 9 −8 −3 −17
1.1. ESPACE VECTORIEL MN,P (K) 5

1.1.3 Base de Mn,p (K)

Définition 1.1.5 (Matrice élémentaire) : Pour tout 1 ≤ i ≤ n, 1 ≤ j ≤ p, on

définit la matrice élémentaire E i j de Mn,p (K) par :
 
0 ... 0 ... 0
 
0 ... 0 ... 0
 
 
. ... . ... .
 
E i j = 0 ... 1 ... 0 .
 
 
. ... . ... .


 
. ... . ... .
 
0 ... 0 ... 0

Tous les coefficients de E i j sont nuls sauf celui de la ième ligne, jème colonne qui
vaut 1.

Exemple 1.1.5 Les matrices élémentaires de M2,3 (K) sont :

à ! à ! à !
1 0 0 0 1 0 0 0 1
E 11 = , E 12 = , E 13 = ,
0 0 0 0 0 0 0 0 0

à ! à ! à !
0 0 0 0 0 0 0 0 0
E 21 = , E 22 = , E 23 = .
1 0 0 0 1 0 0 0 1
Pour toute matrice A = (a i j ) ∈ M2,3 (K) on a :
à !
a 11 a 12 a 13
A= ,
a 21 a 22 a 23

A = a 11 E 11 + a 12 E 12 + a 13 E 13 + a 21 E 21 + a 22 E 22 + a 23 E 23 .

Théoréme 1.1.2 La famille formée par les matrices élémentaires

{E i j , 1 ≤ i ≤ n, 1 ≤ j ≤ p}

est une base de Mn,p (K) appelée base canonique de Mn,p (K).
6 CHAPITRE 1. LES MATRICES

∀ A = (a i j ) ∈ Mn,p (K) on a :
p
n X
X
A= ai j E i j.
i =1 j =1

(i) Mn,p (K) est un K-e.v de dimension np.

(ii) En particulier Mn (K) est un K-e.v de dimension n2 .

Exemple 1.1.6 1. M2,3 (K) est de dimension 2.3 = 6.

La base canonique de M2,3 (K) est B c = (E 11 , E 12 , E 13 , E 21 , E 22 , E 23 ).

2. M2 (K) est de dimension 2.2 = 4.

La base canonique de M2 (K) est B c = (E 11 , E 12 , E 21 , E 22 ).

1.1.4 Multiplication Matricielle

Soit n, p, q ∈ N∗ .

Définition 1.1.6 Soit A = (a i j ) ∈ Mn,p (K), B = ( b i j ) ∈ M p,q (K) ( Le nombre de

colonnes de A est égal au nombre de lignes de B).
On appelle produit des matrices A et B, la matrice A.B ∈ Mn,q (K) (elle a le même
nombre de lignes que A et le même nombre de colonnes que B), définie par :

p
X
A.B = ( c i j )1≤ i≤n, 1≤ j≤ q avec c i j = a ik b k j .
k=1

En pratique, pour calculer le coefficient c i j de la matrice A.B, on considère la

ième ligne de A et la jème colonne de B et on fait la somme de leurs produits terme
à terme :
c i j = a i1 b 1 j + a i2 b 2 j + ... + a i p b j p .

Exemple 1.1.7 Soit

à ! à !
−2 3 5 −1 6
A= , B= .
4 1 6 2 0

Alors
à ! à ! à !
−2 3 5 −1 6 −2.5 + 3.6 −2.(−1) + 3.2 −2.6 + 3.0
A.B = × = .
4 1 6 2 0 4.5 + 1.6 4.(−1) + 1.2 4.6 + 1.0
1.1. ESPACE VECTORIEL MN,P (K) 7

Ainsi à !
8 8 −12
A.B = ∈ M2,3 (R).
26 −2 24

Remarque 1.1.4 On peut effectuer le produit de A ∈ Mn,p (K) par B ∈ M p0 ,q (K)

que si p = p0 .
Le produit A.B peut exister sans que ce soit le cas pour B.A .

Propriété 1.1.1 Soit A, A 0 ∈ Mn,p (K), B, B0 ∈ M p,q (K), C ∈ M q,r K) on a :

(i) ( A.B).C = A.(B.C ) : le produit matriciel est associatif.
(ii) ∀λ ∈ K, (λ.A ).B = A.(λ.B) = λ( A.B).
(iii) ∀λ, α ∈ K, (α A + λ A 0 )B = α( A.B) + λ( A 0 .B).
(iv) ∀λ, α ∈ K, A (αB + λB0 ) = α( A.B) + λ( A.B0 ).

1.1.5 Transposée d’une matrice

Définition 1.1.7 Soit A ∈ Mn,p (K), on appelle transposée de A , notée t A , la
matrice de M p,n (K) dont les colonnes sont formées par les lignes de A . i.e :

t
A = (a i j ) ∈ Mn,p (K), A = ( b i j ) ∈ M p,n (K) avec b i j = a ji .

Exemple 1.1.8 Soit

 
à ! 5 6
5 −1 6
∈ M2,3 (R), t A =   ∈ M3,2 (R).
 
A= − 1 2
6 2 0
 
6 0

Propriété 1.1.2 (i) ∀ A ∈ Mn,p (K), t (t A ) = A.

(ii) ∀ A, B ∈ Mn,p (K), t ( A + B) =t A +t B.
(iii) ∀ A ∈ Mn,p (K), ∀λ ∈ K, t (λ A ) = λt ( A ).
(iv) L’application

Φ : Mn,p (K) −→ M p,n (K)

A 7−→ Φ( A ) =t A,

est un isomorphisme d’e.v.

8 CHAPITRE 1. LES MATRICES

Théoréme 1.1.3 Pour tout A ∈ Mn,p (K), B ∈ M p,q (K)

t
( A.B) =t B. t A.

Démonstration 1.1.1 Soit A = (a i j ) ∈ Mn,p (K), B = ( b i j ) ∈ M p,q (K).

p
A.B = C = ( c i j ) ∈ Mn,q (K), avec c i j =
X
a ik b k j
k=1

p
t t 0 0
( A.B) = C = ( c i j ) ∈ M q,n (K) avec c i j = c ji =
X
a jk b ki ,
k=1

d’autre part, soit

A 0 =t A = a0i j avec a0i j = a ji , A 0 ∈ M p,n (K)

B0 =t B = b0i j avec b0i j = b ji , B0 ∈ M q,p (K).

Soit D =t B. t A = ( d i j ) ∈ M q,n (K)

p
X p
X
di j = b0ik a0k j = b ki a jk = c0i j
k=1 k=1

d’où, D =t C , i.e : t ( A.B) =t B. t A .

Exemple 1.1.9 Soit

à ! à !
2 0 −1 4 2
A= , B= .
−1 3 1 0 −3

Calculer t A , t B, A.B, t ( A.B), t B. t A .

 
à ! −1 1
t 2 −1
, tB = 
 
A= 4 0 .
0 3
 
2 −3
1.2. MATRICES CARRÉES 9

   
à ! −2 4 −2 4
−2 8 4 t
  t t  
A.B = , ( A.B) =  8 −4  , B. A =  8 −4  .
4 −4 −11
   
4 −11 4 −11

1.2 Matrices Carrées

1.2.1 Généralités
Définition 1.2.1 Rappelons qu’une matrice A est dite carrée d’ordre n si elle
possède n lignes- n colonnes.
L’ensemble des matrices carrées d’ordre n est noté Mn (K).
(Mn (K), +, .) est un K-e.v de dimension n2 .

Proposition 1.2.1 Dans Mn (K), le produit matriciel est une loi de composition
interne.
i.e : ∀ A, B ∈ Mn (K), le produit A.B ∈ Mn (K), de même le produit B.A existe,
B.A ∈ Mn (K). L’élément neutre pour le produit matriciel est la matrice
 
1 0 ... 0 ... 0 0
 
0 1 . . . 0 . . . 0 0
 
 
. . ... . ... . . 
 
I n = 0 0 . . . 1 . . . 0 0
 
 
. . ... . ... . . 


 
. . ... . ... . . 
 
0 0 ... 0 ... 0 1

dont tous les coefficients sont nuls sauf ceux de la diagonale qui valent 1.
I n est appelée matrice identité d’ordre n. On a

∀ A ∈ Mn (K), A.I n = I n .A = A.

Exemple 1.2.1 1. Soit

 
à ! 1 0 0
1 0  
I2 = , I3 = 0 1 0 .
0 1
 
0 0 1
10 CHAPITRE 1. LES MATRICES

2. Dans Mn (K), ( n ≥ 2), le produit matriciel n’est pas commutatif.

à ! à !
0 1 0 −1
A= , B= .
1 0 1 0

Alors à ! à !
1 0 −1 0
A.B = , B.A = 6= A.B.
0 −1 0 1

3. Dans Mn (K), ( n ≥ 2), on peut avoir A.B = 0 avec A 6= 0 et B 6= 0.

Soit à ! à ! à !
1 0 0 0 0 0
A= , B= , A.B = ,
0 0 0 1 0 0
alors A.B = 0, avec A 6= 0 et B 6= 0.

Proposition 1.2.2 Pour deux matrices élémentaires de Mn (K) on a :


O

si j 6= k
E i j .E kl =
E il si j = k.


Proposition 1.2.3 (Formule de Binôme de Newton)

Soit A, B ∈ Mn (K) deux matrices qui commutent : A.B = B.A . Alors ∀ k ∈ N on
a:
k
k j
C k A j B k− j .
X
( A + B) =
j =0

Exemple 1.2.2 Soit  

1 −1 1
 
0 1 −1 ,
 
0 0 1

on veut calculer A k , ∀ k ∈ N.
On écrit A = I 3 + B avec
   
1 0 0 0 −1 1
   
I3 = 
0 1 0  , B = 0 0 −1 .
  
0 0 1 0 0 0
1.2. MATRICES CARRÉES 11

On calcule    
0 0 1 0 0 0
B2 =   , B3 = 0 0 0 ,
   
0 0 0   
0 0 0 0 0 0

d’oû, B k = 0, ∀ k ≥ 3.
Comme I 3 et B commutent alors d’après la formule de Binôme de Newton on a :

k
k k j
CkB j
X
A = ( I 3 + B) =
j =0

k( k − 1) 2
A k = I 3 + C 1k B + C 2k B2 = I 3 + kB + B .
2
Ainsi  
k( k+1)
1 −k 2
Ak =   , ∀ k ∈ N.
 
0 1 −k 
0 0 1

1.2.2 Matrices carrées remarquables

Définition 1.2.2 (Matrice diagonale)

Une matrice D = ( d i j ) ∈ Mn (K) est dite diagonale si et seulement si d i j = 0,
∀ i 6= j , i, j ∈ {1, ..., n}.
 
d 11 0 ... 0 ... 0 0
 

 0 d 22 . . . 0 ... 0 0  
 

 . . ... . ... . . 
D= 0 0 . . . d ii . . . 0 0 ,
 
 

 . . ... . ... . . 
 

 . . ... . ... . . 
0 0 ... 0 ... 0 d nn

on note D = diag( d 11 , ..., d nn ). L’ensemble des matrices carrées diagonales d’ordre

n est noté Dn (K).
Dn (K) est un s.e.v de Mn (K). Et dim Dn (K) = n, (E 11 , E 22 , ..., E nn ) est une base
de Dn (K).
12 CHAPITRE 1. LES MATRICES

Exemple 1.2.3 1. Ã p !
− 2 0
A= ∈ D2 (R).
0 4

2.  
i 0 0
 ∈ D3 (C).
 
M =
0 4 0 
0 0 6

3. Ã p !
− 2 5
N= ∉ D2 (R).
7 4

Proposition 1.2.4 Soit D 1 = diag(α1 , α2 , ..., αn ) ∈ Dn (K) et D 2 = diag(λ1 , λ2 , ..., λn ) ∈

Dn (K).
Alors D 1 .D 2 est une matrice diagonale :

D 1 .D 2 = diag(λ1 α1 , λ2 α2 , ..., λn αn ) ∈ Dn (K).

Définition 1.2.3 (Matrice triangulaire) :

(i) Une matrice carrée T = ( t i j ) ∈ Mn (K) est dite triangulaire supérieure si et

seulement si t i j = 0, ∀ i > j , i, j ∈ {1, ..., n}
 
t 11 t 12 . . . . . . . . t 1n
 

 0 t 22 . . . .. . . . t 2n 

 

 . . ... . ... . .  
T = 0 0 ... t ii . . . . t in  .
 
 

 . . ... . ... . .  
 

 . . ... . ... . .  
0 0 ... 0 . . . 0 t nn

On note Tn,s (K) l’ensemble des matrices carrées triangulaires supérieures

d’ordre n.
(ii) Une matrice carrée T = ( t i j ) ∈ Mn (K) est dite triangulaire inférieure si et
 1.2. MATRICES CARRÉES 13

seulement si t i j = 0, ∀ i < j , i, j ∈ {1, ..., n}

 
t 11 0 ... 0 ... 0 0
 
 t 21 t 22 ... 0 ... 0 0 
 
 
 . . ... . ... . . 
 
T = . . . . . t ii . . . 0 0 .
 
 
 . . ... . ... . . 


 
 . . ... . ... . . 
 
t n1 t n2 ... . . . . . t nn

On note Tn,i (K) l’ensemble des matrices carrées triangulaires inférieures

d’ordre n.

Exemple 1.2.4 1.
 
i
0 0
 
T =
 1 4 0 est triangulaire inférieure d’ordre 3.


2i 2 6

2.  
1 5 7
 
B=
0 4 1  est triangulaire supérieure d’ordre 3.

0 0 6

3.  
i 0 4
 
C=
1 4 1  n’est pas triangulaire.

1 2 0

Proposition 1.2.5
n( n+1)
(i) Tn,i (K) et Tn,s (K) sont des s.e.v de Mn (K) chacun est de dimension 2
.

(E i j )1≤ i≤ j≤n est une base de Tn,s (K),

(E i j )1≤ j≤ i≤n est une base de Tn,i (K).

(ii) Soit T1 et T2 deux matrices triangulaires supérieures (resp inférieures) dont

les coefficients diagonaux sont resp λ1 , ..., λn et α1 , ..., αn . Alors T1 .T2 est une
 14 CHAPITRE 1. LES MATRICES

matrice triangulaire supérieure (resp inférieure) et ses coefficients diagonaux

sont λ1 α1 , ..., λn αn .

(iii) Soit N ∈ Mn (K) une matrice triangulaire (supérieure ou inférieure) dont tous
les coefficients diagonaux sont nuls alors : N n = O .
N est appelée matrice nilpotente.

Définition 1.2.4 (Matrices symétriques-antisymétriques) :

Soit A = (a i j ) ∈ Mn (K) une matrice carrée.
(i) A est dite symétrique si et seulement si t A = A ,
i.e : a ji = a i j , ∀ i, j ∈ {1, ..., n}, on note S n (K) l’ensemble des matrices symé-
triques d’ordre n.
(ii) A est dite antisymétrique si et seulement si t A = − A ,
i.e : a ji = −a i j , ∀ i, j ∈ {1, ..., n}, on note An (K) l’ensemble des matrices
antisymétriques d’ordre n.

Théoréme 1.2.1 S n (K) et An (K) sont des s.e.v supplémentaires de Mn (K)

i.e :
Mn (K) = S n (K) ⊕ An (K).
A+t A t
Pour toute A ∈ Mn (K), A = 2
+ A −2 A .

n( n + 1) n( n − 1)
dim S n (K) = , dim An (K) =
2 2

1.2.3 Matrices inversibles

Définition 1.2.5 On dit qu’une matrice carrée A ∈ Mn (K) est inversible s’il
existe M ∈ Mn (K) tel que
A.M = M.A = I n .

Dans ce cas M est unique et est appelée matrice inverse de la matrice A , on note
M = A −1 .
L’ensemble des matrices inversibles d’ordre n est noté GL n (K).

Exemple 1.2.5 La matrice

à !
1 1
A= ∈ GL n (R).
0 1
1.2. MATRICES CARRÉES 15

En effet, cherchons à !
x y
M= ∈ M2 (R)
z t
tel que A.M = I 2 .





x+z =1


y + t = 0

A.M = I 2 ⇔



 z=0


t = 1


et on trouve à !
1 −1
M= .
0 1

On vérifie que A.M = M.A = I 2 . Ainsi A −1 = M .

Théoréme 1.2.2 (i) Pour tout A, M ∈ GL n (K), le produit A.M ∈ GL n (K) et

( A.M )−1 = M −1 .A −1 .

(ii) Pour tout A ∈ GL n (K), A −1 ∈ GL n (K) et

( A −1 )−1 = A.

Démonstration 1.2.1 (i) Soit A, M ∈ GL n (K),

( A.M ).( M −1 .A −1 ) = A.( M.M −1 ).A −1 = A.I n .A −1 = A.A −1 = I n ,

d’où A.M est inversible et ( A.M )−1 = M −1 .A −1 .

(ii) Comme A ∈ GL n (K) alors on a : A.A −1 = A −1 .A = I n . Ainsi A −1 ∈ GL n (K)
et ( A −1 )−1 = A .

Exemple 1.2.6 Soit à !

2 −3
A= .
−1 3

Calculer A 2 − 5 A + 3 I 2 . En déduire que A est inversible.

16 CHAPITRE 1. LES MATRICES

Proposition 1.2.6 Soit A, M ∈ Mn (K) tel que A.M = I n . Alors A et M sont in-
versibles et A −1 = M , M −1 = A .

Proposition 1.2.7 Soit A ∈ Mn (K).

A est inversible si et seulement si t A est inversible. Dans ce cas :

(t A )−1 =t ( A −1 ).

Démonstration 1.2.2

A est inversible ⇔ ∃ M ∈ Mn (K) tel que AM = I n

⇔ ∃ M ∈ Mn (K) tel que t ( AM ) =t I n
⇔ ∃ M ∈ Mn (K) tel que t M. t A = I n
t
⇔ A est inversible et (t A )−1 =t M =t ( A −1 ).

Proposition 1.2.8 (i) Soit D ∈ Mn (K) une matrice diagonale, D = diag(λ1 , ..., λn ).
Alors D est inversible si et seulement si ∀ i , λ i 6= 0. Dans ce cas D −1 =
³ ´
diag λ11 , ..., λ1n .
(ii) Soit T une matrice triangulaire supérieure ou inférieure de Mn (K). La
matrice T est inversible si et seulement si ses termes diagonaux sont tous
non nuls.

1.2.4 Trace d’une matrice carré

Définition 1.2.6 Soit A = (a i j ) ∈ Mn (K) une matrice carrée. On appelle trace de
A , notée tr ( A ), le scalaire :

n
X
tr ( A ) = a ii = a 11 + a 22 + ... + a nn .
i =1

tr ( A ) est la somme des éléments diagonaux de A .

Exemple 1.2.7 Soit  

2 −3 7
 M3 (R).
 
A=
− 1 3 0 
5 6 8
1.3. MATRICE D’UNE APPLICATION LINÉAIRE 17

Alors tr ( A ) = 2 + 3 + 8 = 13.

Propriété 1.2.1 (i) ∀ A, B ∈ Mn (K), tr ( A + B) = tr ( A ) + tr (B).

(ii) ∀ A ∈ Mn (K), λ ∈ K, tr (λ A ) = λ tr ( A ).
Ainsi l’application

tr : Mn (K) −→ K
A 7−→ tr ( A )

est une forme linéaire.

(iii) ∀ A ∈ Mn (K), tr (t A ) = tr ( A ).
(iv) ∀ A, B ∈ Mn (K), tr ( A.B) = tr (B.A ).

1.3 Matrice d’une application linéaire

1.3.1 Matrice d’une famille de vecteurs

Dans la suite E est K-e.v de dimension n ≥ 1.

Définition 1.3.1 Soit B = ( e 1 , ..., e n ) une base de E .

Tout vecteur x de E s’écrit

x = x1 e 1 + x2 e 2 + ... + xn e n , avec x1 , ..., xn ∈ K.

On appelle matrice x dans la base B, notée mat B ( x), la matrice colonne :

 
x
 1
 x2 
 
 
.
mat B ( x) =   Mn,1 (K).
 
.
 
 
.
 
xn

Exemple 1.3.1 E = R2 [ X ], P = −3 X 2 + X + 7. B c = (1, X , X 2 ) la base canonique

18 CHAPITRE 1. LES MATRICES

de E .  
7
 2  M3,1 (R).
 
mat B c (P ) =  

−3

Proposition 1.3.1 Soit B = ( e 1 , ..., e n ) une base de E . Alors l’application

E −→ Mn,1 (K)
x 7−→ mat B ( x)

est un isomorphisme d’e.v.

Ainsi tout K-e.v de dimension n est isomorphe à Mn,1 (K).

Définition 1.3.2 Soit B = ( e 1 , ..., e n ) une base de E . Soit V1 , ..., Vp des vecteur de
E.
Chaque de vecteur V j (1 ≤ j ≤ p) se décompose dans la base B sous la forme :

V j = a 1 j e 1 + a 2 j e 2 + ... + a n j e n .

On appelle matrice de la famille (V1 , ..., Vp ) relativement à la base B, notée

mat B (V1 , ..., Vp ), la matrice de type ( n, p) dont la j ème colonne représente les co-
ordonnées du vecteur V j dans la base B :

V1 V2 ... Vi ... Vp
 
e1 a 11 a 12 ... a1 j ... a1 p
 
e2 
 a 21 a 22 ... a2 j ... a2 p 

 
.  . . ... . ... . 
mat B (V1 , ..., Vp ) = .  a i1 a i2 ... ai j ... aip 
 
 
.  . ... . ... . . 
 
.  . ... . ... . . 
e n a n1 a n2 ... an j ... a np

Exemple 1.3.2 1. Dans R4 muni de sa base canonique on donne : V1 =

(−1, 0, 0, 2), V2 = (4, 5, −2, 7),
1.3. MATRICE D’UNE APPLICATION LINÉAIRE 19

V3 = (1, 1, 1, 1).

V1 V2 V3
 
e1 −1 4 1
 
e2 
 0 5 1
mat Bc (V1 , V2 , V3 ) =  ∈ M4,3 (R).


e3 
 0 −2 1
e4 2 7 1

2. Dans R4 [X] muni de sa base canonique, on donne :

P1 = −2 X + 4 X 2 + 3, P2 = X 3 + 1

P1 P2
 
1 3 1
 
X   −2 0
 ∈ M5,2 (R).
 
mat Bc (P1 , P2 ) = X 2 
 4 0
X3 
 
 0 1
X4 0 0

1.3.2 Matrice d’une application linéaire

Dans la suite E est un K-e.v, et dim E = n ≥ 1 et F est un K-e.v, et dim F =

p ≥ 1.

Définition 1.3.3 Soit u : E −→ F une application linéaire.

Soit B = ( e 1 , ..., e n ) une base de E et B0 = ( f 1 , ..., f p ) une base de F .
On appelle matrice de u relativement aux bases B et B0 , notée mat( u, B, B0 ), la
matrice de type ( p, n), dont la j ème colonne représente les coordonnés du vecteur
u( e j ) dans la base B0 :
20 CHAPITRE 1. LES MATRICES

u( e 1 ) u( e 2 ) ... u( e j ) ... u( e n )
 
f1 a 11 a 12 ... a1 j ... a 1n
 
f2 
 a 21 a 22 ... a2 j ... a 2n 

 
.  . . ... . ... . 
mat( u, B, B0 ) = .  a i1 a i2 ... ai j ... a in 
 
 
.  . ... . ... . . 
 
.  . ... . ... . . 
f p a p1 a p2 ... apj ... a pn

mat( u, B, B0 ) = mat B0 ( u( e 1 ), u( e 2 ), ..., u( e n )) ∈ M p,n (K).

∀ j, 1 ≤ j ≤ n,
j
X
u( e j ) = a i j f i = a 1 j f 1 + a 2 j f 2 + ... + a p j f p .
i =1

Exemple 1.3.3 E = R3 muni de sa base canonique B = ( e 1 , e 2 , e 3 ), F = R2 muni

de sa base canonique B0 = ( f 1 , f 2 ).
Soit

u : R3 −→ R2
( x, y, z) 7−→ (2 x + y − 3 z, − x + 4 y + z)

une application linéaire.

u( e 1 ) = u(1, 0, 0) = (2, −1) = 2(1, 0) − (0, 1) = 2 f 1 − f 2

u( e 2 ) = u(0, 1, 0) = (1, 4) = (1, 0) + 4(0, 1) = f 1 + 4 f 2

u( e 3 ) = u(0, 0, 1) = (−3, 1) = −3(1, 0) + (0, 1) = −3 f 1 + f 2

u( e 1 ) u( e 2 ) u( e 3 )
à !
f1 2 1 −3
mat( u, B, B0 ) = ∈ M2,3 (R).
f2 −1 4 1
1.3. MATRICE D’UNE APPLICATION LINÉAIRE 21

Théoréme 1.3.1 Soit B une base de E , B0 une base de F . Alors l’application

T : L (E, F ) −→ M p,n (K)

u 7−→ T ( u) = mat( u, B, B0 )

est un isomorphisme d’e.v.

En particulier, pour toute matrice A ∈ M p,n (K), il existe une unique application
linéaire u ∈ L (E, F ) tel que mat( u, B, B0 ) = A .
On dit que u est l’application linéaire de E dans F représentée par A dans les
bases B de E et B0 de F .

Corollaire 1.3.1 dim L (E, F ) = dim E.dim F.

Démonstration 1.3.1 D’après le théorème précédent, L (E, F ) et M p,n (K) sont

isomorphes, d’où

dim L (E, F ) = dim M p,n (K) = p.n = dim F.dim E.

Théoréme 1.3.2 Soit E, F,G des K-e.v de dimension finies. B, B0 , B" sont des
bases de E, F ,et G respectivement.
Soit u ∈ L (E, F ), v ∈ L (F,G ). Alors vou ∈ L (E,G ) et

mat(vou, B, B") = mat(v, B0 , B").mat( u, B, B0 )

i.e : Soit A = mat( u, B, B0 ) et M = mat(v, B0 , B"). Alors

mat(vou, B, B") = M.A.

Proposition 1.3.2 Ecriture matricielle de l’image d’un vecteur :

Soit B une base de E , B0 une base de F . u : E −→ F une application linéaire.
Alors ∀ x ∈ E ,
mat B0 ( u( x)) = mat( u, B, B0 ).mat B ( x)

i.e : pour x ∈ E , soit X = mat B x, A = mat( u, B, B0 )

Y = mat B0 ( u( x)) Alors Y = A X .

22 CHAPITRE 1. LES MATRICES

Démonstration 1.3.2 Soit B = ( e 1 , ..., e n ), B0 = ( f 1 , ..., f p ).

Soit A = (a i j ) = mat( u, B, B0 ) :

p
X
∀ j, 1 ≤ j ≤ n, u( e j ) = ai j f i.
i =1

 
x
 1
.
 
Pn  
Soit x ∈ E , x = i=1 x i e i , X = mat B ( x) = 
.

 
.
 
xp

n
X n
X p
X
u ( x) = x i u( e i ) = xi a ki f k
i =1 i =1 k=1
à !
X p X n
= x i a ki f k
k=1 i =1
Xp n
X
= yk f k , avec yk = x i a ki , ∀ k.
k=1 i =1

   
y x
 1  1
. .
   
   
Y =
 .  = mat B0 ( u( x)) = A.  .  = A.X
 
   
. .
   
yp xp

Exemple 1.3.4 Soit u l’application de R3 dans R2 muni de leurs bases cano-

niques B, B0 , donnée par sa matrice
à !
−2 1 3
A = mat( u, B, B0 ) =
0 −1 4

1. Déterminer l’expression de u( x, y, z) pour tout (( x, y, z) ∈ R3 .

1.3. MATRICE D’UNE APPLICATION LINÉAIRE 23

 
x
Soit a = ( x, y, z) ∈ R3 , X = mat B (a) = 
 
 .
y 

 
à x à ! !
−2 1 3   −2 x + y + 3 z
Y = mat B0 ( u(a)) = A.X = .
 y =

0 −1 4 − y + 4z
z

d’où,
u(a) = u( x, y, z) = (−2 x + y + 3 z, − y + 4 z).

2. Soit

v : R2 −→ R4
( x, y) 7−→ (−8 x + y, y, x − y, 2 x)

(i) Ecrire mat(v, B0 , B") où B" est la base canonique de R4 .

(ii) Ecrire mat(vou, B, B").
(iii) Déduire l’expression de vou( x, y, z), ∀( x, y, z) ∈ R3 .

Solution :

(i) On a B0 = ( f 1 , f 2 ) : la base canonique de R2 et B" = (w1 , w2 , w3 , w4 ) : la

base canonique de R4 .

v( f 1 ) = v(1, 0) = (−8, 0, 1, 2), v( f 2 ) = v(0, 1) = (1, 1, −1, 0)

d’où  
−8 1
 
0 1
mat(v, B0 , B") =   = M.
 
1 −1
 
2 0
24 CHAPITRE 1. LES MATRICES

(ii)

mat(vou, B, B") = mat(v, B0 , B").mat( u, B, B0 ) = M.A

 
−8 1
  Ã !
0 1 − 2 1 3
=  .
 
 1 −1 0 −1 4
 
2 0
 
16 −9 −20
 
 0 −1 4 
=   =D
 
−2 2 −1 
 
−4 2 6

(iii) Soit D = mat(vou, B, B"), vou : R3 −→  R

4
.
x
Soit a = ( x, y, z) ∈ R3 , X = mat B c (a) = 
 
 .
y 

Y = mat B" (vou(a)) = D.X

   
16 −9 −20   16 x − 9 y − 20 z
  x  
 0 −1 4     − y + 4 z 
=   .  y = 
     

−2 2 −1   −2 x + 2 y − z 
  z  
−4 2 6 −4 x + 2 y + 6 z

d’où

vou( x, y, z) = (16 x − 9 y − 20 z, − y + 4 z, −2 x + 2 y − z, −4 x + 2 y + 6 z) .

Proposition 1.3.3 Soit B une base de E et B0 une base de F . Soit u ∈ L (E, F ),

A = mat( u, B, B0 ). Alors
u est inversible si et seulement si A est inversible. Dans ce cas, mat( u−1 , B0 , B) =
A −1 .

Définition 1.3.4 Matrice d’un endomorphisme :

Soit u un endomorphisme de E , u : E −→ E linéaire. Soit B = ( e 1 , ..., e n ) une base
de E .
1.3. MATRICE D’UNE APPLICATION LINÉAIRE 25

On appelle matrice de l’endomorphisme u relativement à la base B, notée mat B ( u)

ou mat( u, B), la matrice mat( u, B, B) :

u( e 1 ) u( e 2 ) ... u( e j ) ... u( e n )
 
e1
 
e2 



 
. 


mat B ( u) = .   ∈ Mn (K).
 
 
. 


 
. 


en

mat B ( u) est une matrice carrée d’ordre n = dim E .

Exemple 1.3.5 Soit

u : R2 −→ R2
( x, y) 7−→ u( x, y) = (5 x − 6 y, 7 x + 8 y),

u ∈ L (R2 ). B c = ( e 1 , e 2 ) la base canonique de R2 . Alors

u( e 1 ) u( e 2 )
à !
e1 5 −6
mat B c ( u) = ∈ M2 (R).
e2 7 8

Théoréme 1.3.3 Soit dim E = n ≥ 1. Soit B une base de E . Alors l’application

T : L (E ) −→ Mn (K)
u 7−→ mat B ( u)

est un isomorphisme d’e.v. En particulier, pour toute matrice A ∈ Mn (K), il existe

un unique endomorphisme
u ∈ L (E ) tel que mat B ( u) = A .
On dit que u est l’endomorphisme de E représenté par A dans la base B.

Corollaire 1.3.2 Prenons E = Kn muni de sa base canonique B c . Alors l’appli-

26 CHAPITRE 1. LES MATRICES

cation

T : L (Kn ) −→ Mn (K)
u 7−→ mat B c ( u),

est un isomorphisme d’e.v. En particulier, pour toute matrice A ∈ Mn (K), il existe

un unique endomorphisme
u ∈ L (Kn ) tel que mat B c ( u) = A .
On dit que u est l’endomorphisme de (Kn ) canoniquement associé à A .
 
1 2 0
 
Exemple 1.3.6 Soit A = 
1 4 3 .
−1 5 2
Déterminer l’endomorphisme u ∈ L (R 3
 )canoniquement associé à A .
x
Soit a = ( x, y, z) ∈ R3 , X = mat B c (a) = 
 
 .
y 

Y = mat B c ( u(a)) = A.X

     
1 2 0 x x + 2y
     
 1 4 3 .  y =
=      x + 4 y + 3z  ,
 
−1 5 2 z −x + 5 y + 2z

ainsi

u : R3 −→ R3
( x, y, z) 7−→ ( x + 2 y, x + 4 y + 3 z, − x + 5 y + 2 z).

Proposition 1.3.4 Soit B une base de E .

(i) Soit u ∈ L (E ), A = mat B ( u). Alors u est inversible si et seulement si A
est inversible et
mat B ( u−1 ) = A −1 .

(ii) Soit u, v ∈ L (E ), A = mat B ( u), M = mat B (v). Alors

mat B ( uov) = A.M = mat B ( u).mat B (v).

1.4. CHANGEMENT DE BASES 27

Exemple 1.3.7 Soit

u : K1 [ X ] −→ K1 [ X ]
P 7−→ u(P ) = P ( X + 1).

Déterminer mat B c ( u) = A .
Soit B c = (1, X ) la base canonique de K1 [ X ].

u(1) = 1( X + 1) = 1, u( X ) = X ( X + 1) = X + 1,

d’où
u(1) u( X )
à !
1 1 1
A= ,
X 0 1
ainsi A est triangulaire supérieure et est inversible et on a :
à !
1 −1
A −1 = .
0 1

On conclut que u est inversible et on a : mat B ( u−1 ) = A −1 .

1.4 Changement de bases

1.4.1 Matrice de changement de bases

E est un K espace vectoriel de dimension finie : n ≥ 1.

Définition 1.4.1 Soit B = ( e 1 , ..., e n ) et B1 = (V1 , ..., Vn ) deux bases de E .

On appelle matrice de passage de la base B à la base B1 , notée Pass(B, B1 ), la
matrice de la famille des vecteurs B1 = (V1 , ..., Vn ) relativement à la base B.
28 CHAPITRE 1. LES MATRICES

i.e :

V1 V2 ... Vi ... Vn
 
e1 . . ... . ... .
 
e2 
 . . ... . ... . 

 
.  . . ... . ... . 

Pass(B, B1 ) = mat B (V1 , ..., Vn ) = .  . . ... . ... . .
 
 
.  . . ... . ... . 

 
.  . . ... . ... . 

en . . ... . ... .

Pass(B, B1 ) ∈ Mn (K).

Propriété 1.4.1 Soit B, B1 , B2 des bases de E . On a :

(i) Pass(B, B1 ) = mat( I d E , B1 , B).
(ii) Pass(B, B2 ) = Pass(B, B1 ).Pass(B1 , B2 ).
(iii) Pass(B, B1 ) est inversible et (Pass(B, B1 ))−1 = Pass(B1 , B).

Démonstration 1.4.1 (i) Soit B = ( e 1 , ..., e n ) et B1 = (V1 , ..., Vn ) deux bases

de E . Soit

I d E : E −→ E
x 7−→ I d E ( x) = x

I d E (V1 ) I d E (V2 ) ... I d E (Vi ) ... I d E (Vn )

 
e1 . . ... . ... .
 
e2 
 . . ... . ... . 

 
.  . . ... . ... . 

mat( I d E , B1 , B) = .  . . ... . ... . =
 
 
.  . . ... . ... . 

 
.  . . ... . ... . 

en . . ... . ... .
1.4. CHANGEMENT DE BASES 29

V1 V2 ... Vi ... Vn
 
e1 . . ... . ... .
 
e2 
 . . ... . ... . 

 
. 
 . . ... . ... . 

. . . ... . ... . 
 

 
. 
 . . ... . ... . 

 
. 
 . . ... . ... . 

en . . ... . ... .
= Pass(B, B1 ).
(ii)

Pass(B, B1 ) = mat( I d E , B1 , B).mat( I d E , B2 , B1 )

= mat( I d E oI d E , B2 , B)
= Pass(B, B2 ).

(iii) D’après (ii) on a :

Pass(B, B1 ).Pass(B1 , B) = Pass(B, B) = I n ,

d’où le résultat.

Proposition 1.4.1 Soit B = ( e 1 , ..., e n ) une base de E . Soit (V1 , ..., Vn ) une fa-
mille de vecteurs de E . Alors :

(V1 , ..., Vn ) est libre si et seulement si mat B (V1 , ..., Vn ) est inversible.

Démonstration 1.4.2 Supposons que la famille B1 = (V1 , ..., Vn ) est libre alors
B1 est une base de E .
Ainsi, mat B (V1 , ..., Vn ) = Pass(B, B1 ) qui est inversible.

Supposons A = mat B (V1 , ..., Vn ) est inversible alors A ∈ GL n (K). Donc A repré-
sente la matrice d’un automorphisme u de E dans la base de E .
Comme l’image d’une base de E par un automorphisme est une base de E . Alors
(V1 , ..., Vn ) est une base de E et parsuite (V1 , ..., Vn ) est libre.
30 CHAPITRE 1. LES MATRICES

Corollaire 1.4.1 Soit B = ( e 1 , ..., e n ) une base de E .

Soit A ∈ GL n (K). Alors A représente la matrice de passage de la base B à une
unique base B0 de E .
i.e :
∃! base de E tel que A = Pass(B, B0 ).

1.4.2 Formule de changement de bases

Soit B et B1 deux bases de E .

Proposition 1.4.2 Soit x ∈ E , X = mat B ( x), X 0 = mat B1 ( x). Alors

X = P X 0 , avec P = Pass(B, B1 ).

Démonstration 1.4.3 On a P = Pass(B, B1 ) = mat( I d E , B1 , B). Alors

P X 0 = mat( I d E , B1 , B).mat B1 ( x) = mat B ( I d E ( x)) = X .

Théoréme 1.4.1 (Formule de changement de bases pour une applica-

tion linéaire) : Soit E et F des K-e.v de dimensions finies. Soit B et B1 deux
0 0
bases de E , P = Pass(B, B1 ), B0 et B1 deux bases de F , Q = Pass(B0 , B1 ). Soit
f : E −→ F une application linéaire. Alors

0
mat( f , B1 , B1 ) = Q −1 .mat( f , B, B0 ).P.

Définition 1.4.2 Deux matrices A et M de M p,n (K) sont dites équivalentes s’il
existe des matrices inversibles P ∈ GL n (K) et Q ∈ GL p (K) tels que M = Q −1 .A.P

Théoréme 1.4.2 (Formule de changement de bases pour un endomor-

phisme) :
Soit f : E −→ E un endomorphisme de E . Soit B et B1 deux bases de E , P =
Pass(B, B1 ). Alors
mat( f , B1 ) = P −1 .mat( f , B).P.

Définition 1.4.3 Deux matrices carrées A, M ∈ Mn (K) sont dites semblables s’il
existe une matrice inversible
P ∈ GL n (K) tel que M = P −1 .A.P .
1.4. CHANGEMENT DE BASES 31

Exemple 1.4.1 Soit

f : R2 −→ R2
( x, y) 7−→ (2 x + y, x − y).

Soit V1 = (1, −1), V2 = (0, 2).

1. Vérifier que B1 = (V1 , V2 ) est une base de R2 .
2. Ecrire P = Pass(B c , B1 ), B c = ( e 1 , e 2 ) la base canonique de R2 .
3. Donner mat( f , B c ) et mat( f , B1 ).
Solution :
1. V1 et V2 ne sont pas colinéaires et parsuite (V1 , V2 ) est libre. Comme
card (V1 , V2 ) = 2 = dim R2 .
Ainsi B1 = (V1 , V2 ) est une base de R2 .
2.
V1 V2
à !
e1 1 0
P = Pass(B c , B1 ) =
e2 −1 2

3.
f ( e 1) f ( e 2)
à !
e1 2 1
mat( f , B c ) = .
e2 1 −1

Pour avoir M = mat( f , B1 ), on applique la formule de changement de

bases. On a :
M = P −1 .A.P
e1 e2
à !
V1 1 0
P = Pass(B c , B1 ) implique que P −1 = Pass(B1 , B c ) = 1 1
.
V2 2 2
Ainsi
! Ã Ã ! Ã !
1 2 0 2 1 1 0
M = P −1 .A.P = . .
2 1 1 1 −1 −1 2
à ! à ! à !
1 2 0 1 2 1 2 4
= . = .
2 1 1 2 −2 2 3 0
32 CHAPITRE 1. LES MATRICES

à !
2 4
Conclusion : M = mat( f , B1 ) = 21 .
3 0

1.5 Rang d’une matrice

Définition 1.5.1 Soit A = (a i j ) ∈ Mn,p (K). Notons ( c 1 , c 2 , ..., c p ) les vecteurs co-
lonnes de A . ∀ j , 1 ≤ j ≤ p : c j est un vecteur de Kn .
On appelle rang de A , noté r g( A ), le rang de la famille ( c 1 , c 2 , ..., c p ) dans Kn .

r g( A ) = r g( c 1 , c 2 , ..., c p ) = le nombre maximal de colonnes linéairement indépendantes qu

r g( A ) ≤ p, r g( A ) ≤ n.

Proposition 1.5.1 (i) Soit f : E −→ F une application linéaire tel que mat( f , B, B0 ) =
A , où B et B0 sont des bases de E et F respectivement. Alors

r g ( f ) = r g ( A ).

(ii) Une matrice et sa transposée ont le même rang : r g( A ) = r g(t A ).

Théoréme 1.5.1 Deux matrices sont équivalentes si et seulement si elles ont le

même rang.
En particulier r g(Q −1 .A.P ) = r g( A ), avec A ∈ M p,n (K), P ∈ Mn (K) inversible et
Q ∈ GL p (K) inversible.

1.5.1 Opérations conservant le rang :

Soit A ∈ Mn,p (K), le rang de A ne change pas si :

(i) On échange deux lignes (L i ←→ L j ).
(ii) On multiplie une ligne par un scalaire non nul (L i ←− λL i , λ 6= 0).
(iii) On ajoute une ligne à une autre : (L i ←− λL i + L j ).
(iv) On ajoute à une ligne une combinaison linéaire des autres.
(v) On remplace une ligne par une combinaison linéaire de toutes les lignes
à condition que le coefficient de la ligne elle même soit non nul.
1.5. RANG D’UNE MATRICE 33

Remarque 1.5.1 Les opérations élémentaires précédentes peuvent aussi être

effectuées sur les colonnes.

Remarque 1.5.2 Pour calculer le rang d’une matrice, l’idée c’est d’effectuer des
opérations élémentaires sur les lignes de A jusqu’à obtenir une matrice de la
forme :
 
λ1 . ... . ... . . .
 
 0 λ2 ... . ... . . .
 
 
. 0 ... . ... . . .
 
0 0 ... . ... . . .  , avec λ1 6= 0, ..., λr 6= 0.
 
 
.

. . . . . . . . λr . .
 
. . ... . ... 0 . 0
 
0 0 ... 0 ... 0 0 0
Dans ce cas r g( A ) = r .

Exemple 1.5.1 Calculer le rang de

 
1 1 0 1
 
2 1 1 0
A= .
 
 1 2 −1 −3
 
−1 0 −1 −3

On effectue les opérations suivantes sur les lignes :

L 2 ←− L 2 − 2L 1
L 3 ←− L 3 − L 1
L 4 ←− L 4 + L 1 :
 
1 1 0 1
 
0 −1 1 −2
 
 
0 1 −1 0 
 
0 1 −1 −2
L 3 ←− L 3 + L 2
L 4 ←− L 4 + L 2 :
34 CHAPITRE 1. LES MATRICES

 
1 1 0 1
 
0 −1 1 −2
 
 
0 0 0 −2
 
0 0 0 −4
L 4 ←− L 4 − 2L 3 :
 
1 1 0 1
 
0 −1 1 −2
 
 
0 0 0 −2
 
0 0 0 0
finalement on échange la dernière colonne avec la troisième et on obtient
 
1 1 1 0
 
0 −1 −2 1
 
 
0 0 −2 0
 
0 0 0 0

et parsuite r g( A ) = 3.

Remarque 1.5.3 La méthode précédente s’appelle méthode des pivots de Gauss.

1.5.2 Calcul de l’inverse d’une matrice inversible

Soit A ∈ Mn (K) une matrice inversible.
On effectue des opérations élémentaires sur les lignes de A jusqu’à obtenir la
matrice unité I n . Et en parallèle ces même transformations on les effectue sur
la matrice identité pour obtenir A −1 .
 
1 2 −1
 
Exemple 1.5.2 A =  2 1 0 .

1 0 2

   
1 2 −1 1 0 0
   
A=
2 1 0 .
 I3 = 
0 1 0 .

1 0 2 0 0 1
1.5. RANG D’UNE MATRICE 35

On effectue les opérations suivantes sur les lignes :

L 2 ←− L 2 − 2L 1
L 3 ←− L 3 − L 1

   
1 2 −1 1 0 0
   
0 −3 2  . −2 1 0 .
   
0 −2 3 −1 0 1

L 3 ←− 3L 3 − 2L 2

   
1 2 −1 1 0 0
   
0 −3 2  . −2 1 0 .
   
0 0 5 1 −2 3

L 1 ←− 5L 1 + L 3
L 2 ←− 5L 1 + 2L 3

   
5 10 0 6 −2 3
   
0 −15 0 . −12 9 −6 .
   
0 0 5 1 −2 3

L 1 ←− 3L 1 + 2L 2

   
15 0 0 −6 12 −3
   
 0 −15 0 . −12 9 −6 .
   
0 0 5 1 −2 3

1
L 1 ←− 15 L1
1
L 2 ←− − 15 L2
L 3 ←− 15 L 3
36 CHAPITRE 1. LES MATRICES

 
1 0 0  
−2 4 −1
 
0 1 0 .
  1
 4 −3 2  = A −1 .

0 0 1 5 
1 −2 3