PSI MATRICES

K désigne les corps R ou C et (n, p, q) sont des entiers de N∗ .

I - MATRICES Á N LIGNES ET P COLONNES

1) Définition
• Une matrice (n, p), ou de dimension (n, p) est une application : A : [[1, n]] × [[1, p]] −→ K
(i, j) 7−→ aij
On note A = (aij ) i∈[[ 1,n]] . i : Indice de ligne j : Indice de colonne
j∈[[ 1,p]]

Mnp (K) est l’ensemble des matrices de dimensions n, p.

• On définit sur Mnp (K) les opérations + et . ainsi :

Soient A = (aij ) i∈[[ 1,n]] et B = (bij ) i∈[[ 1,n]] deux éléments de Mnp (K) .
j∈[[ 1,p]] j∈[[ 1,p]]

Alors A + B = (aij + bij ) i∈[[ 1,n]] et λ.A = (λaij ) i∈[[ 1,n]] .

j∈[[ 1,p]] j∈[[ 1,p]]

th. 1 (Mnp (K), +, .) est un espace vectoriel sur K de dimension np.

Pour i ∈ [[1, n]] et j ∈ [[1, p]], on définit la matrice Eij telle que :

tous les coefficients de Eij sont nuls sauf l’ élément placé en position (i, j) qui vaut 1.

X
(Eij ) i∈[[ 1,n]] est la base canonique de Mnp (K) et ∀ A = (aij ) i∈[[ 1,n]] ∈ Mnp (K), A= aij Eij .
th. 2 j∈[[ 1,p]] j∈[[ 1,p]]
i∈[[ 1,n]]
j∈[[ 1,p]]

2) Matrice d’un système de vecteurs

Soit E un espace de dimension n, muni d’une base B = (e1 , e2 , . . . , en ).
Soit F = (V1 , V2 , . . . , Vp ) une famille de p vecteurs de E.
n
X
Alors ∀ j ∈ [[1, p]], ∃ (a1j , a2j , . . . , anj ) ∈ Kn / Vj = aij ei .
i=1
La matrice de la famille F relativement à la base B est la matrice A = (aij ) i∈[[ 1,n]] .
j∈[[ 1,p]]
 
a1j
 a2j 
La j ième colonne de A est le vecteur  .  de Mn1 (K) = Kn , formé des coordonnées de Vj dans la base B.
 
 .. 
anj
 
a11 ··· a1j ··· a1p
 a21 ··· a2j ··· a2p 
A = MB (V1 , . . . , Vj , . . . , Vp ) = 
 
.. .. .. .. .. 
 . . . . . 
an1 ··· anj ··· anp

Matrices page 1 sur 12 IB

 3) Matrice d’une application linéaire
Soit E un espace vectoriel de dimension p sur K et B = (e1 , e2 , . . . , ep ) une base de E.
Soit F un espace vectoriel de dimension n sur K et C = (f1 , f2 , . . . , fn ) une base de F .
Alors toute application linéaire de L(E, F ) est entièrement déterminée par la donnée de u(ej ) pour j dans [[1, p]].

n
X
∀ j ∈ [[1, p]], ∃ (a1j , a2j , . . . , anj ) ∈ Kn / u(ej ) = aij fi
i=1

A = (aij ) i∈[[ 1,n]] s’appelle la matrice de l’application linéaire u relativement aux bases B et C.
j∈[[ 1,p]]

A est ausi la matrice de la famille de vecteurs u(ej )j∈[[ 1,p]] dans la base C = (f1 , f2 , . . . , fn ).
On note A = MBC (u) et A ∈ Mnp (K).

Les bases de E et F étant fixées, l’application θ : L(E, F ) −→ Mnp (K)

th. u 7−→ MBC (u)
est un isomorphisme d’espaces vectoriels.

Conséquence :
Soient E et F deux espaces vectoriels de dimension p et n et B = (e1 , e2 , . . . , ep ) et C = (f1 , f2 , . . . , fn )
deux bases fixées de E et F respectivement.
A toute matrice M de Mnp (K), on peut associer une application linéaire et une seule dont M soit la matrice.
En pratique, on choisit souvent E = Kp , F = Kn munis de leurs bases canoniques.
 p
K −→ Kn
On dit que u : est l’application linéaire canoniquement associée à M .
X 7−→ M X
Dans ce cas, on peut confondre Ker (M ) et Ker (u) , Im (M ) et Im (u).

4) Produit de matrices
v u
• Considérons le schéma : E −→ F −→ G
E = (ek )k∈[[ 1,q]] F = (fj )j∈[[ 1,p]] G = (gi )i∈[[ 1,n]]
Soient A = MF G (u) ∈ Mnp (K) et B = MEF (v) ∈ Mpq (K).
On définit le produit A×B de telle sorte que A × B soit égal à C = MEG (u ◦ v) ∈ Mnq (K). Alors :
p
X
∀(i, k) ∈ [[1, n]] × [[1, q]], cik = aij bjk
j=1

Remarques : Le produit A × B n’a de sens que si le nombre de colonnes de A est égal au nombre de lignes de B.
B × A n’a pas toujours un sens !
Même si A × B et B × A sont définis, ils sont différents en général.
Il n’est pas vrai que A × B = 0 =⇒ A = 0 ou B = 0
Il n’est donc pas vrai que A × B = A × C =⇒ B = C.

Matrices page 2 sur 12 IB

 • Propriétés liées aux opérations
Bien que le produit ne soit pas une loi interne puisque les matrices A, B, AB sont a priori dans des espaces différents,
on a, sous réserve d’existence :
A(B + C) = AB + AC et (B + C)A = BA + CA.
(AB)C = A(BC).
A(λB) = (λA)B = λ(AB).

• Interprétation matricielle de " y=u(x) "

Soient E et F deux espaces vectoriels de dimension p et n munis des bases E = (e1 , e2 , . . . , ep ) et F = (f1 , f2 , . . . , fn ).
   
x1 y1
Xp Xn  x2   y2 
Soient x = xj ej ∈ E, y = yi fi ∈ F et X =  .  ∈ Mp1 (K), Y =  ..  ∈ Mn1 (K)
   
j=1 i=1
 ..   . 
xp yn

Soit u ∈ L(E, F ) et A = MEF (u). Alors y = u(x) ⇐⇒ Y = AX

5) Transposition

Soit M = (mij ) i∈[[ 1,n]] ∈ Mnp (K). On définit t M , la matrice transposée de M par :
j∈[[ 1,p]]
déf. t
M = (m0ij ) i∈[[ 1,p]] ∈ Mpn (K) avec ∀ (i, j) ∈ [[1, p]] × [[1, n]], m0ij = mji
j∈[[ 1,n]]

2 t
Linéarité : ∀ (A, B) ∈ (Mnp (K)) , ∀ λ ∈ K, (A + B) = t A + t B et t
(λA) = λt A
t t
prop. ∀ A ∈ Mnp (K), ( A) = A.
t
∀ (A, B) ∈ Mpq (K) × Mnp (K), (BA) = t At B.

6) Rang d’une matrice

a) Définition :
Le rang de M ∈ Mnp (K) est le rang de la famille de ses p vecteurs colonnes, qui appartiennent à Mn1 (K) = Kn .

b) Propriétés :
• Le rang d’une application linéaire est celui de sa matrice dans n’importe quelles bases.

• rg(M ) = rg(t M ). Donc le rang de M est le rang de la famille formée de ses vecteurs lignes.
Donc rg (M ) 6 max(n, p).

• ∀ A ∈ Mnp (K), ∀ P ∈ GLp (K), rg(AP ) = rg(A) et ∀ A ∈ Mnp (K), ∀ Q ∈ GLn (K), rg(QA) = rg(A)

c) Opérations élémentaires sur les lignes ou les colonnes. Ce sont :

L’échange de deux lignes
La multiplication d’une ligne par un scalaire λ non nul
L’addition à une ligne d’une autre multipliée par un scalaire λ
Opérations analogues sur les colonnes.
Le rang d’une matrice est inchangé par les opérations élémentaires sur les lignes ou les colonnes,
ce qui permet d’utiliser la méthode du pivôt de Gauss pour trouver le rang d’une matrice.

Matrices page 3 sur 12 IB

II - CAS PARTICULIER : Mn (K) L’ENSEMBLE DES MATRICES CARRÈES
Ce paragraphe ne concerne que les matrices carrées.
On note Mn (K) à la place de Mnn (K), l’ensemble des matrices carrées d’ordre n > 1.
Soient E un K−espace vectoriel, u un endomorphisme de E et B une base de E.
On note MB (u) de préférence à MBB (u) quand la base B est considérée à la fois comme base de départ et
d’arrivée.

1) Structure de Mn (K) et propriétés

(Mn (K), +, .) est un espace vectoriel sur K de dimension n2 , isomorphe à (L(E), +, .).
 
1 0 ... 0
 .. 
 0 1 . 
Rappelons que l’élément neutre pour × est In =  .. ..
.
 .. 
 . . . 
0 ... 1

• (Eij )(i,j)∈[[ 1,n]] 2 est la base canonique de Mn (K).

X
• ∀ A = (aij ) i∈[[ 1,n]] ∈ Mnp (K), A= aij Eij .
th. 1 j∈[[ 1,n]]
i∈[[ 1,n]]
j∈[[ 1,n]]

• ∀ (i, j, k, l) ∈ [[1, n]] 4 , Eij × Ekl = δjk .Eil

Formule du binôme
Si A et B sont deux matrices de Mn (K) telles que A×B =B×A
th. 2
q   q  
q
X q k q−k
X q
alors ∀ q ∈ N, (A + B) = A B = Aq−k B k
k k
k=0 k=0

2) Trace d’une matrice

n
X
déf. Soit A = (aij )16i,j6n ∈ Mn (K). Alors la trace de A est le scalaire Tr (A) = aii .
i=1

a) Tr est une forme linéaire : ∀ (A, B) ∈ (Mn (K))2 , ∀ λ ∈ K, Tr (A + λB) = Tr (A) + λ Tr (B)
prop.
b) ∀ A ∈ Mnp (K), ∀ B ∈ Mpn (K), Tr (AB) = Tr (BA).

Matrices page 4 sur 12 IB

 3) Le groupe linéaire

Une matrice A ∈ Mn (K) est inversible lorsqu’il existe B ∈ Mn (K) telle que B × A = A × B = In .
déf. On note alors B = A−1 .
L’ensemble des matrices inversibles de Mn (K) s’appelle le groupe linéaire et se note GLn (K).

Soient A et B des matrices de Mn (K).

a) Si (∃ A0 ∈ Mn (K) / A0 × A = In ) ou si (∃ A0 ∈ Mn (K) / A × A0 = In )
alors A est inversible et A0 = A−1
prop. b) Si A et B sont inversibles alors AB est inversible et (AB)−1 = B −1 A−1
c) A est inversible si et seulement si rg (A) = n
d) A = MB (u) est inversible dans Mn (K) ssi u est bijective dans L(E). Dans ce cas, MB (u−1 ) = A−1
e) Si A est inversible alors t
A est inversible et (t A)−1 = t (A−1 )
Dém :

Matrices page 5 sur 12 IB

 4) Sous ensembles importants de Mn (K)
• Matrices symétriques : M ∈ Sn (K) ⇐⇒ M = t M .

Matrices antisymétriques : M ∈ An (K) ⇐⇒ M = −t M .

Sn (K) et An (K) sont des sous espaces vectoriels de Mn (K).

n(n + 1) n(n − 1)
Sn (K) ⊕ An (K) = Mn (K) et dim Sn (K) = et dim An (K) = .
2 2
1 1 1 1
∀ M ∈ Mn (K), M = (M + t M ) + (M − t M ) et (M + t M ) ∈ Sn (K) et (M − t M ) ∈ An (K)
2 2 2 2

• Matrices triangulaires supérieures : M ∈ T + (n, K) ⇐⇒ ∀ (i, j) ∈ [[1, n]] 2 , (i > j =⇒ mij = 0).

Matrices triangulaires inférieures : M ∈ T − (n, K) ⇐⇒ ∀ (i, j) ∈ [[1, n]] 2 , (i < j, mij = 0).
n(n + 1)
Ce sont des sous espaces vectoriels de Mn (K) de dimension .
2

• Matrices diagonales : D(n, K) = T + (n, K) ∩ T − (n, K)

C’est un sous espace vectoriel de Mn (K) de dimension n.

Matrices page 6 sur 12 IB

III - CHANGEMENT DE BASES
E et F sont des espaces vectoriels sur K, de dimensions finies respectives p et n.

1) Matrice de passage
Soient B = (e1 , e2 , . . . , ep ) et B 0 = (e0 1 , e0 2 , . . . , e0 p ) une autre base de E.
On l’appelera nouvelle base tandis que B sera l’ancienne base.

0
La matrice, notée PBB , de la famille B 0 dans la base B s’appelle la matrice de passage de B à B 0 .
0
déf. PBB donne les composantes des vecteurs de la nouvelle base dans l’ancienne.
0
PBB appartient à GLn (K).

Propriétés :
p
X p
X
• Soit x= xj ej = x0j e0j un vecteur de E
j=1 j=1

x01
   
x1
de matrice X =  ...  dans B et de matrice X 0 = 
   ..  dans B 0 .
. 
xp x0p
(xi )i∈[[ 1,p]] sont les anciennes coordonnées de x. (x0i )i∈[[ 1,p]] sont les nouvelles coordonnées de x.

0
On a alors : X = PBB × X 0

0
• Si B et B 0 sont deux bases de E alors (PBB )−1 = PBB0

2) Formules de changement de bases

Soient B et B 0 des bases de E et C et C 0 des bases de F .
Soit u ∈ L(E, F ) , A = MBC (u) ∈ Mnp (K) et A0 = MB0 C 0 (u).
En notant P ∈ GLn (K) la matrice de passage de B à B 0 et Q ∈ GLp (K) la matrice de passage de C à C 0

on a : A0 = Q−1 × A × P

Cas particulier d’un endomorphisme :

Soit E un espace vectoriel de dimension p sur K, B et B 0 deux bases de E et u ∈ L(E).
Notons P la matrice de passage de B à B 0 .

Si A = MB (u) et A0 = MB0 (u) alors A0 = P −1 × A × P

Matrices page 7 sur 12 IB

IV - MATRICES SEMBLABLES
n ∈ N∗ et E est un espace vectoriel sur K de dimension n.
Ce paragraphe ne concerne que les matrices carrées.

déf. 1 A ∈ Mn (K) et B ∈ Mn (K) sont semblables lorsqu’il existe P ∈ GLn (K) telle que B = P −1 × A × P .

A ∈ Mn (K) et B ∈ Mn (K) sont semblables si et seulement si

prop. 1
elles représentent le même endomorphisme de E dans deux bases différentes.

Soient A ∈ Mn (K) et B ∈ Mn (K) deux matrices semblables. Alors

a) ∀ k ∈ N, Ak et B k sont semblables.
prop. 2 b) A−1 et B −1 sont semblables , quand elles sont inversibles.
c) t A et t B sont semblables.
d) A et B ont même rang et même trace
Dém

Soit E un espace vectoriel de dimension finie et u ∈ L(E).

déf. 2 La trace de u est la trace de n’importe quelle matrice A représentant u dans une base.
En effet, d’après d) , la trace de A ne dépend pas de la base B choisie.

Matrices page 8 sur 12 IB

V - MATRICES DECOMPOSÉES PAR BLOCS

1) Définitions
Soient A ∈ Mpq (K) , (p1 , p2 , ..., pn ) un système d’entiers tel que p1 + p2 + ... + pn = p
et un autre système (q1 , q2 , ..., qm ) tel que q1 + q2 + ... + qm = q.
On dit que A est décomposée en blocs de type ((p1 , p2 , ..., pn )),((q1 , q2 , ..., qm )) si
 
A11 A12 · · · A1m
 A21 A22 · · · A2m 
A= .
 
.. .. .. 
 .. . . . 
An1 An2 · · · Anm

où chaque matrice Aij est une matrice de taille (pi , qj ).

Les éléments de Aij figurent entre la ligne p1 + p2 + ... + pi−1 + 1 et la ligne p1 + p2 + ... + pi d’une part
et entre la colonne q1 + q2 + ... + qj−1 + 1 et la colonne q1 + q2 + ... + qj d’autre part.

2) Opérations et propriétés

prop. 1 L’ensemble des matrices-blocs de même type est un espace vectoriel sur K.

Soient A ∈ Mpq (K) une matrice-blocs de type ((p1 , p2 , ..., pn )), ((q1 , q2 , ..., qm ))
et B ∈ Mqr (K) une matrice-blocs de type ((q1 , q2 , ..., qm ), (r1 , r2 , ..., rs ))
prop. 2 Alors le produit C = AB est une matrice-blocs de type ((p1 , p2 , ..., pn )), (r1 , r2 , ..., rs ))
m
X
et on a Cij = Aik Bkj .
k=1

3) Cas particuliers de matrices carrées décomposées en blocs

Soit A ∈ Mp (K), une matrice-blocs de type ((p1 , p2 , ..., pn ), (p1 , p2 , ..., pn )) de sorte que p1 + p2 + ... + pn = p.
Attention : Ici les matrices du type Akk sont carrés.
 
A11 A12 ··· A1n
 (0) A22 ··· A2n 
• Matrices triangulaires par blocs : A=
 
.. .. .. .. 
 . . . . 
(0) (0) ··· Ann
 
A11 (0) ··· (0)
 (0) A22 ··· (0) 
• Matrices diagonales par blocs : A=  On note souvent : A = Diag(A11 , A22 , . . . , Ann )
 
.. .. .. ..
 . . . . 
(0) (0) ··· Ann

4) Utilisation
Dans de paragraphe, E désigne un espace vectoriel sur K.

Soit F un sous-espace vectoriel de E et u ∈ L(E).

On dit que F est stable par u lorsque u(F ) ⊂ F ie ∀ x ∈ F, u(x) ∈ F .
déf. 
F −→ F
On peut donc définir ũ : . ũ s’appelle l’endomorphisme induit par u sur F .
x 7−→ u(x)

Avec les notations précédentes :

prop. 1
ũ est un endomorphisme de F et Ker(ũ) = F ∩ Ker(u).

prop. 2 Soient (u, v) ∈ L2 (E) tels que u ◦ v = v ◦ u. Alors Ker(v) et Im (v) sont stables par u.

prop. 3 Stabilité et matrices

Matrices page 9 sur 12 IB

VI - POLYNÔMES DE MATRICES ET D’ENDOMORPHISMES

1) Polynômes de matrices

Soit d ∈ N, P = a0 + a1 X + · · · + ad X d un polynôme de K[X] et A ∈ Mn (K).

déf.
On note alors P (A) la matrice : P (A) = a0 .In + a1 .A + · · · + ad .Ad

Soit A ∈ Mn (K) fixé et l’application ϕA : K[X] −→ Mn (K)

P 7−→ P (A)
• ϕA est un morphisme d’espaces vectoriels.
prop. 1
• ∀ (P, Q) ∈ K[X]2 , (P × Q)(A) = P (A) × Q(A)
• Ker(ϕA ) un sous-espace vectoriel de K[X] non réduit à {0}.
Ses éléments s’appellent des polynômes annulateurs de A.

Soit A ∈ Mn (K)
a) Si A = diag (A1 , . . . , Aq ) alors ∀ k ∈ N, Ak = diag (Ak1 , . . . , Akq )
et ∀ P ∈ K[X],
P (A) = diag (P (A1 ), . . . , P (Aq ))
prop. 2  
M1 trucs
b) Si A est une matrice par blocs de la forme alors
 (0) M2 
P (M1 ) bidules
∀ P ∈ K[X], P (A) =
(0) P (M2 )

prop. 3 Deux matrices semblables ont mêmes polynômes annulateurs.

2) Polynômes d’endomorphismes
Soit E un espace vectoriel sur K, non réduit à {0E }, et qui n’est pas de dimension finie nécessairement.
Dans le cas où E est de dimension finie , on note B une base de E.
si k ∈ N∗

 |u ◦ u ◦{z· · · ◦ u}
k
Rappelons qu’on peut définir, pour u ∈ L(E) et k ∈ N : u = .
 Id k=fois e si k = 0
E
Alors ∀ k ∈ N, uk+1 = u ◦ uk = uk ◦ u.

Soit d ∈ N et P = a0 + a1 X + · · · + ad X d un polynôme de K[X].

déf.
On note alors P (u) l’endomorphisme de E : P (u) = a0 .e + a1 .u + · · · + ad .ud

Soit u ∈ L(E) ϕu : K[X]

fixé et l’application −→ L(E)
P 7−→ P (u)
• ϕu est un morphisme d’espaces vectoriels.
prop.
• ∀ (P, Q) ∈ K[X]2 , (P × Q)(u) = P (u) ◦ Q(u)
• Ker(ϕu ) est un sous-espace vectoriel de K[X].
Il est formé des polynômes annulateurs de u.

Conséquences : Soit A ∈ Mn (K).

a) Si u ∈ L(E) et si A = MB (u) alors : ∀ P ∈ K[X], P (A) = MB P (u).
b) Les polynômes annulateurs de A sont les polynômes annulateurs de tout endomorphisme associé à A.
c) On retrouve le fait que deux matrices semblables ont mêmes polynômes annulateurs.

Matrices page 10 sur 12 IB

VII - DÉTERMINANTS DE MATRICES CARRÉES

1) Propriétés du déterminant
Soient A ∈ Mn (K) : On a les propriétés suivantes pour le déterminant de A :
1) Si l’une des colonnes est nulle alors le déterminant est nul.
2) Si deux colonnes sont égales alors le déterminant est nul.
3) Plus généralement : les colonnes de A forment une famille liée si et seulement si det A = 0.
4) Donc : les colonnes de A forment une base de Mn1 (K) si et seulement si det A 6= 0.
5) Si on multiplie une colonne par un scalaire λ alors le déterminant est multiplié par λ.
6) Si on échange deux colonnes alors le déterminant est changé en son opposé.
7) det A ne change pas si on ajoute à une colonne une combinaison linéaire des autres.
8) Comme det A = det(t A), on a les mêmes propriétés sur les lignes.

• det In = 1
• ∀ A ∈ Mn (K), ∀ λ ∈ K, det(λA) = λn det A
• ∀ (A, B) ∈ Mn (K)2 , det(A × B) = det A × det B
prop. 1
1
• Soit A dans Mn (K). A ∈ GLn (K) ⇐⇒ det A 6= 0 et dans ce cas det(A−1 ) =
det A
• Soit A dans Mn (K) et p dans N. Alors det(Ap ) = (det A)p
Ce résultat se généralise aux exposants négatifs lorsque A est inversible.

• Le déterminant d’une famille de n vecteurs dans une base est celui de sa matrice relativement à cette base.
prop. 2 • Le déterminant d’un endomorphisme est celui de sa matrice dans n’importe quelle base.
• Deux matrices semblables ont même déterminant.

2) Développement suivant les éléments d’une rangée

Soit n > 2 et A dans Mn (K) : A = (aij )(i,j)∈[[ 1,n]] 2 .

Pour (i, j) ∈ [[1, n]] 2 , on appelle mineur de aij , le déterminant ∆ij de la matrice d’ordre n − 1,
déf. obtenue en supprimant dans A la i-ième ligne et la j-ième colonne, c’est-à-dire la ligne et la colonne de aij .
On appelle cofacteur de aij le scalaire Aij = (−1)i+j ∆ij .

Pour A ∈ Mn (K) et (i, j) ∈ [[1, n]] 2 :

n
X n
X
• Développement suivant la j-ième colonne : det A = aij Aij = aij (−1)i+j ∆ij
th. i=1 i=1
n
X n
X
• Développement suivant la i-ième ligne : det A = aij Aij = aij (−1)i+j ∆ij
j=1 j=1

3) Quelques exemples
a) Matrice triangulaire :
n
Y
Soit T = (tij )(i,j)∈[[ 1,n]] 2 ∈ Mn (K) une matrice triangulaire. Alors det T = tii
i=1

b) Matrice triangulaire par blocs :  

A B
Soit M ∈ Mn (K) une matrice triangulaire par blocs de la forme M=
(0) C
avec A ∈ Mr (K), C ∈ Ms (K), B ∈ Mrs (K) et r+s=n .

Alors det M = det A × det C

Ce résultat se généralise à des matrices triangulaires, avec plus de deux blocs.

Matrices page 11 sur 12 IB

 c) Déterminant de Vandermonde :
Soit (a1 , . . . , an ) ∈ Kn . Le déterminant de Vandermonde est le déterminant Wn de la matrice de Mn (K)
de terme général wij = aj−1 i .
1 a1 a21 ··· an−1
1
1 a2 a22 ··· an−1
2 Y
Ainsi Wn = .. .. .. .. = (aj − ai )
. . . . 16i<j6n
1 an a2n ··· an−1
n

Donc Wn 6= 0 ⇐⇒ les aj sont deux à deux distincts.

4) Orientation d’un espace vectoriel réel

Soit E un espace vectoriel de dimension n > 0 sur R.
Notons L l’ensemble des bases ordonnées de E (ie l’ordre des vecteurs a une importance).
On étudie la relation R définie sur L par : BRB 0 ⇐⇒ det B 0 > 0.
B

a) R est une relation d’équivalence :

• R est réflexive : ∀ B ∈ L, BRB

• R est symétrique : ∀ (B, B 0 ) ∈ L2 , BRB 0 =⇒ B 0 RB
• R est transitive : ∀ (B, B 0 , B 00 ) ∈ L3 , (BRB 0 et B 0 RB 00 ) =⇒ B 0 RB 00

b) Si B et B 0 sont deux bases de E, det B 0 6= 0. Donc det B 0 > 0 ou det B 0 < 0.

B B B
Il y a donc au plus deux classes d’équivalence.

c) De plus si (e1 , . . . , en ) est une base B de E, B 0 = (−e1 , . . . , en ) n’est pas dans la même classe que B.
Il existe donc exactement deux classes d’équivalence, celle de B et celle de B 0 .

d) Orienter E c’est privilégier l’une des deux classes dont les bases seront appelées bases directes, les autres étant
appelées bases indirectes.

Matrices page 12 sur 12 IB