Chapitre 3

Les Matrices
Dans tout ce chapitre K désigne un corps commutatif ( en particulier (K = R ou C) .)

3.1 Généralités
3.1.1 Dénitions et Notations
Dénition 3.1.1.
Sient n et m deux entiers naturels non nuls. On appelle matrice à n lignes et m colonne
(ou de type (n, m) à coecients dans K, toute application de [[1, n]] × [[1, m]] dans K.
les images aij des couples (i, j) sont appelés coecients ou termes de la matrice.

Dans la pratique, une matrice est écrite sous une des formes suivantes :
   
a11 a12 ... a1m a11 a12 ... a1m
 a21 a22 ... a2m   a21 a22 ... a2m 
A= . .. .. .. − ou A= . .. .. ..
   
 .. . . .  .. . . .

 
an1 an2 ... anm an1 an2 ... anm

En notation abrégée, A s'écrit : A = (aij ) 1≤i≤n .

1≤j≤m

Remarque 3.1.1. Pour n et m deux entiers naturels non nuls donnés, une matrice à n lignes
et m colonnes à coecients dans K est un tableau rectangulaire à n lignes et m colonnes et
donc à nm cases, chaque case contenant un élément de K. Dans ce cas, la matrice est de format
(n, m).
L'ensemble des matrices à n lignes et à m colonnes sera désigné par : Mn,m (K).
• Dans le cas particulier où tous les coecients de la matrice A = (aij ) 1≤i≤n sont nuls (c'est à
1≤j≤m
dire aij = 0 pour tous 1 ≤ i ≤ n et 1 ≤ j ≤ m), on dit que A est nulle et on la note par On,m .
• Une matrice à n lignes et 1 colonne s'appelle une matrice colonne ou unicolonne. L'ensemble des
matrices unicolonnes se note Mn,1 (K).
• Une matrice à 1 ligne et m colonnes s'appelle une matrice ligne ou uniligne. L'ensemble des
matrices uniligne se note M1,m (K).
• La matrice uniligne Li = (ai1. . . aij .
. . aim ) est la i-ième ligne de la matrice A.
a1j
 ..
 .


• La matrice unicolonne Cj =   est appelée la j -ième colonne de A.
 
 aij
 .

 ..


anj

45
46 CHAPITRE 3. LES MATRICES

 
1 −3 2
Exemples 3.1.1. 0 4 1
, est une matrice de type (2, 3).
1 , est une matrice de type (1, 6).


1 −3 2 4 5

Dénition 3.1.2 (Egalité de deux matrices).

Deux matrices A = (aij ) ∈ Mn,m (K) et B = (bij ) ∈ Mp,q (K) sont dites égales si
1. elles sont de même type, c'est à dire n = p et m = q ,
2. pour tout 1 ≤ i ≤ n et 1 ≤ j ≤ m, on a aij = bij .

3.1.2 Matrices carrées d'ordre n

Dénition 3.1.3.
Une matrice de type (n, n) est appelée matrice carrée d'ordre n.
L'ensemble des matrices carées d'ordre n à coecients dans K est noté Mn (K) .
La suite (a11 , a22 , ..., ann ) est appelée diagonale principale.

Matrices particulières :

1. On appelle matrice identité de Mn (K), notée In , la matrice dont les coecients diagonaux
sont égaux à 1 et les autres sont nuls.
   
1 0 ... ... 0 0 0 ... ... 0
 0 1 0 ... 0   0 0 0 ... 0 
 .. .. .. .. ..   .. .. .. .. .. 
   
In = . . . . .  On = . . . . . 
 . .. ..  . .. ..
   
 .. . .  .. . .
 
0  0 
0 ... ... 0 1 0 ... ... 0 0
| {z } | {z }
M atrice identite M atrice nulle d′ ordre n

2. On dit qu'une matrice A = (aij ) 1≤i≤n est trialgulaire supérieure si aij = 0 pour tout
1≤j≤m
i > j.

3. On dit qu'une matrice A = (aij ) 1≤i≤n est triangulaire inférieure si aij = 0 pour tout
1≤j≤m
i < j.
   
a11 a12 ... ... a1n a11 0 ... ... 0
 0 a22 a23 ... a2n   a21 a22 0 ... 0 
 .. .. .. .. ..  .. .. .. .. ..
   
 . . . . .  . . . . .
 
 
 . .. ..  . .. ..
   
 .. . .  .. . .
 
a(n−1)n  0 
0 ... ... 0 ann an1 ... ... an(n−1) ann
| {z } | {z }
M atrice triangulaire suprieure M atrice triangulaire inf rieure

4. On dit qu'une matrice A = (aij ) 1≤i≤n est diagonale si aij = 0 pour tout i ̸= j .
1≤j≤m

5. Une matrice diagonale dont tous les termes diagonaux sont égaux est appelée matrice sca-
laire.
3.2. L'ESPACE VECTORIEL Mn,m (K) ET OPÉRATIONS SUR LES MATRICES 47

   
a 0 ... ... 0 a1 0 ... ... 0
 0 a 0 ... 0   0 a2 0 ... 0 
 .. .. .. .. ..   .. .. .. .. .. 
   
aIn = . . . . .   . . . . . 
 . .. ..  . .. ..
   
 .. . .  .. . .
 
0  0 
0 ... ... 0 a 0 ... ... 0 an
| {z } | {z }
M atrice scalaire M atrice diagonale

6. Une matrice carrée est dite symétrique (respectivement antisymétrique ) si aij = aji
(respectivement aij = −aji ) pour tous i, j de [[1, n]].

3.2 L'espace vectoriel Mn,m(K) et opérations sur les matrices

3.2.1 Addition de deux matrices - produit d'une matrice par un scalaire
Dénition 3.2.1 (Somme de deux matrices ).
Soient A = (aij ) 1≤i≤n ∈ Mn,m (K) et B = (bij ) 1≤i≤n ∈ Mn,m (K) deux matrices de
1≤j≤m 1≤j≤m
même type (n, m).
On additionne terme à terme pour obtenir la matrice somme A + B = (aij + bij ) 1≤i≤n
1≤j≤m
de même type (n, m).
On ne peut pas faire la somme de deux matrices de type diérents.

La somme de deux matrices dénie une loi de composition interne sur Mn,m (K) et elle possède les
propriétés suivantes :

Proposition 3.2.1.
Soit A, B et C trois matrices de même type (n, p) et 0n,m la matrice nulle dont les
coécients sont égaux à 0.
1. (A + B) + C = A + (B + C) (l'associativité).
2. A + 0n,m = 0n,m + A = A (l'élément neutre).
3. A + (−A) = 0n,m (l'opposé).
4. A + B = B + A (commutativité).
Conclusion : L'ensemble Mn,m (K), muni de l'addition, est un groupe abélien.

Dénition 3.2.2 (Multiplication d'une matrice par un scalaire.).

Soient A = (aij ) 1≤i≤n ∈ Mn,m (K) une matrice de type (n, m) et soit λ ∈ K.
1≤j≤m
On dénit la matrice λA comme matrice dont dont tous les coecients sont multipliés
par λ : λA = (λaij ) 1≤i≤n .
1≤j≤m
λA est une matrice de même type (n, m).

La multiplication d'une matrice par un scalaire dénie une loi externe sur Mn,m (K) qui possède
les propriétés suivantes.
48 CHAPITRE 3. LES MATRICES

Proposition 3.2.2.
Soit A, B deux matrices de même type (n, p) et λ, µ ∈ K deux scalaires.
1. λ(A + B) = λA + λB .
2. λ(µA) = (λµ)A.
3. (λ + µ)A = λA + µA.
4. 1.A = A

D'après les propositions précédentes on a le résultat suivant :

Théorème 3.2.1.
L'ensemble Mn,m (K), muni de l'addition et de la multiplication par un scalaire est un
K-espace vectoriel.

3.2.2 Produit de deux matrices

Dénition 3.2.3.
Le produit d'unematriceuniligne (a11 . . . a1i . . . a1m ) de type (1, m) par une ma-
b11
 ..
 .


trice unicolonne  de type (m, 1) est déni par :
 
 bi1
 .
 
 ..


bm1
 
b11
 ..
 .


 
(a11 . . . a1i . . . a1m ) · 
 bi1
 = (a11 b11 + · · · + a1i bi1 + · · · + a1m bm1 ).
 .

 ..


bm1

Dénition 3.2.4 (Produit de deux matrices).

Le Produit d'une matrice A = (aij ) de type (n, m) par une matrice B = (bij )
de type (m, p) est la matrice C = (cij ), de type (n, p), dénie par
m
C = A × B = (cij )1≤i≤n , avec cij =
X
aik bkj .
1≤j≤p
k=1

On note que dans le cas général × n'est pas une loi interne car les matrices que l'on multiplie
n'appartiennent pas au même ensemble.
 
  1 0 1
1 2 0
Exemples 3.2.1. Soient A = 0 −1 1
et B = 0 −1 −1
0 0 1
Calculons AB :
3.2. L'ESPACE VECTORIEL Mn,m (K) ET OPÉRATIONS SUR LES MATRICES 49

 
  1 0 1
1 2 0 
A.B = 0 −1 −1
0 −1 1
 0 0 1 
1×1+0×2+0×0 0×1−1×2+0×0 1×1−1×2+1×0
=
1 × 0 + 0 × (−1)
 + 0 × 1 0 × 0 − 1 × (−1) + 0 × 1 1 × 0 − 1 × (−1) + 1 × 1
1 −2 −1
=
0 1 2

Remarque 3.2.1. 1. Le produit BA de deux matrices n'est déni que si le nombre de colonnes
de B est égal au nombre de lignes de A.
2. Le produit matriciel n'est pas commutatif, car si BA est déni, AB ne l'est pas en général.
3. Cas particulier : Si A et B sont des matrices carrées d'ordre n, les produits AB et BA
sont toujours déni mais AB ̸= BA, en général, comme le montre l'exemple suivant :
   
1 0 0 1
A= et B=
1 1 0 0
   
0 1 1 1
Alors : AB = et BA = .
0 1 0 0

Proposition 3.2.3.

1. Si B et B sont des matrices de Mn,p (K) , A et A des matrices de Mp,m (K) ,

′ ′

alors : ′ 
  
B + B A = BA + B A et B A + A = BA + BA .
′ ′ ′

2. Si C ∈ Mn,m (K) , B ∈ Mm,p (K) , et A ∈ Mp,q (K) , alors :

(a) C (BA) = (CB) A.
(b) Pour tout λ ∈ K, B (λA) = (λB) A = λ (BA) .

 
cos(t) − sin(t)
Exemples 3.2.2. Pour t ∈ R, on pose M (t) = sin(t) cos(t)
.

1. Calculer M (t).M (t′ ) pour (t, t′ ) ∈ R2

2. Calculer (M (t))n pour tout t ∈ R et n ∈ N∗ (où (M (t))n = M (t) × ... × M (t)).

3.2.3 Matrices élémentaires

Soient n et m deux entiers naturels non nuls. Pour (i, j) ∈ [[1, ]] × [[1, m]], on note Ei,j la
matrice rectangulaire de format (n, m) dont tous les coecients sont nuls sauf le coecient ligne
i, colonne j , qui est égal à 1.
Les matrices Ei,j sont appelées les matrices
 élémentaires.
1 si u = v
On a Ei,j = (δk,i .δℓ,j ) 1≤k≤n où δu,v = , (symbole de Kronecker).
1≤ℓ≤m 0 ̸ v
si u =
Si A = (aij ) 1≤i≤n est une matrice donnée, alors
1≤j≤m

X
A= aij .Ei,j .
1≤i≤n
1≤j≤m

Ce qui permet de donner le théorème suivant :

50 CHAPITRE 3. LES MATRICES

Théorème 3.2.2.
La famille des matrices élélentaires (Ei,j ) 1≤i≤n est une base de Mn,m (K), c'est sa base
1≤j≤m
canonique.
Et on a dim(Mn,m (K)) = nm.

En particulier, dim(Mn (K)) = n2 .

 
1 2 4
Exemples 3.2.3. 0 −2 0
= E1,1 + 2E1,2 + 4E1,3 − 2E2,2

Exemples 3.2.4. Dans M2,3 (R), On a

B = {E1,1 , E1,2 , E1,3 , E2,1 , E2,2 , E2,3 } est la base canonique de M2,3 (R) et on a par exemple :
 
a b c
= aE1,1 + bE1,2 + cE1,3 + dE2,1 + eE2,2 + f E2,3 .
d e f

Proposition 3.2.4 (Produit de deux matrices élémentaires).

∀(i, j, k, ℓ)∈ [[1, n]] × [[1, p]] × [[1, p]] × [[1, q]], Ei,j × Ek,ℓ = δj,k Ei,ℓ ,
1 si i = j
où δi,j =
0 si i ̸= j
δi,j s'appelle le symbole de Kronecker ou delta de Kronecker.

Exemple
E1,2 × E2,4 = E1,4
E2,3 × E1,4 = 0
Ei,j × Ej,ℓ = Ei,ℓ

 
0 1 0
Exercice 3.2.1. On considère la matrice N =  0 0 1 .
0 0 0
Calculer N 2 et N 3 .

3.3 Matrice d'une application linéaire

3.3.1 Matrice d'une application linéaire
Notations : Soient E un K espace vectoriel non nul de dimension nie n et B = {e1 , e2 ..., en }
une base de E .
Soit a = a1 e1 + a2 e2 + ... + an en un vecteur de E (c'est à dire (a1 , ..., an ) sont les composantes de
a dans la base B ). On note
(1) (a)B le vecteur (a1 , a2 , ..., an ) ∈ Kn ,

a1
 a2 
(2) [a]B la matrice colonne 
 .. .

 . 
an

Exemples 3.3.1. Soit E = R2 [X] et B = (1 + X, X + X 2 , 2 + X 2 ).

1. Vérier que B est une base de E .
3.3. MATRICE D'UNE APPLICATION LINÉAIRE 51

2. Soit P = a0 + a1 X + a2 X 2 ∈ E . Calculer (P )B et [P ]B .
3. Application : P = 3 − 2X .
Dénition 3.3.1.
Soient E et F deux K-espaces vectoriels de dimension nie. Soit u : E → F une appli-
cation linéeaire ;
B1 = {e1 , . . . , em } une base de E et B2 = {f1 , . . . , fn } une base de F .
On appelle matrice de u par rapport aux bases B1 et B2 la matrice de colonnes
[u(e1 )]B2 , [u(e2 )]B2 , ..., [u(em )]B2 . c'est à dire :

[u(e1 )]B2 ... [u(ei )]B2 ... [u(em )]B2

 
a11 ... a1i ... a1m
.. .. .. .. ..
M (u, B1 , B2 ) =  . . . . .
 

an1 ... ani ... anm


a1i
 a2i 
avec u(ei ) = a1i f1 + · · · + ani fn . Autrement dit [u(ei )]B2 =  .. .
 
 . 
ani

→ La matrice M (u, B1 , B2 ) est de type (n, m).

→ Le nombre de colonnes est égale a la dimension de E
→ le nombre de ligne est égale à la dimension de F .
Exemples 3.3.2. (1) On considère l'application linéaire f : R3 → R2 dénie par
f (x, y, z) = (2x − z, −x + y + z).
Si on note B = {e1 , e2 , e3 } et B ′ = {e′1 , e′2 } les bases canoniques de R3 et R2 respectivement,
alors la matrice de f par rapport aux bases B et B ′ est
 
′ 2 0 −1
M (f, B, B ) = .
−1 1 1
(2) Soit E un K-espace vectoriel de dimension nie n. Soit B = {e1 , ..., en } une base de E .
On considère l'application identité idE : E → E qui à x associe x. On a
 
1 0 ... ... 0
 0 1 0 ... 0 
 .. . . .. .. .. 
 
 .
M (idE , B, B) =  . . . . 
 = In .
 . .. ..
 .. . .

0 
0 ... ... 0 1
(3) On considère l'application p : K2 → K2 dénie par p(x, y) = (x, 0) pour tout (x, y) ∈ K2 .
Considérons la base canonique B = {e1 , e2 } de K2 .
Alors on a p(e1 ) = p(1, 0) = (1, 0) et p(0, 1) = (0, 0) et
 
1 0
M (p, B, B) = .
0 0
(4) On considère l'appliaction linéiare
D : K3 [X] −→ K2 [X]
′
P 7−→ D (P ) = P
52 CHAPITRE 3. LES MATRICES

Soient B1 = (1, X, X 2 , X 3 ) et B2 = (1, X, X 2 ) les bases canoniques de K3 [X] et K3 [X] respective-

ment.
Alors la mtrice de D relativement aux bases B1 et B2 est
 
0 1 0 0
M (D, B1 , B2 ) =  0 0 2 0 .
.0 0 0 3

3.3.2 Isomorphisme entre Mn,m (K) et L (E, F )

Proposition 3.3.1.
Soient E et F deux K-espaces vectoriels de dimensions nies ; B une base de E et B ′ une
base de F . Alors
1. ∀(f, g) ∈ (L (E, F ))2 , M (f + g, B, B ′ ) = M (f, B, B ′ ) + M (g, B, B ′ ).
2. ∀f ∈ L (E, F ) et ∀λ ∈ K, M (λf, B, B ′ ) = λM (f, B, B ′ ).

Démonstration. Soient B = {e1 , . . . , em } une base de E et B ′ = {f1 , . . . , fn } une base de F .

Le coecient ligne i, colonne j , (i, j) ∈ [[1, n]]×[[1, m]], de M (λf +g, B, B ′ ) est la i-ème coordonnée
du vecteur λf (ej ) + g(ej ) dans la base B ′ .
De même Le coecient ligne i, colonne j , (i, j) ∈ [[1, n]] × [[1, m]], de λM (f, B, B ′ ) + M (g, B, B ′ )
est la i-ème coordonnée du vecteur λf (ej ) + g(ej ). Ceci montre que

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

Si E est de dimension n ∈ N et F est de dimension m ∈ N, alors dim(L(E, F )) = mn et on a

dim(Mn,m (K)) = mn. Donc ces deux espaces sont isomorphes.
Dans le théorème suivant on va expliciter un isomorphisme entre L (E, F ) et Mn,m .

Théorème 3.3.1.
Soient E et F deux K-espaces vectoriels de dimension nie, B = {e1 , . . . , em } une base
de E et B ′ = {f1 , . . . , fn } une base de F .
L'application :
φ : L (E, F ) −→ Mn,m (K)
f 7−→ φ (f ) = M (f, B, B ′ )
est un isomorphisme d'espaces vectoriels.

Démonstration. D'abord l'application φ est linéaire.

φ est injective, en eet : Soit (f, g) ∈ (L (E, F )) : φ (f ) = φ (g) , alors M (f, B, B ′ ) =
2

M (g, B, B ) , d'où (∀j ∈ {1, 2, ..., m}) f (ej ) = g (ej ), donc f = g .

′

φ est surjective, en eet : Soit A ∈ Mn,m (K) de terme général aij . Alors, on considère l'appli-
n
cation linéaire f de E dans F dénie par : (∀j ∈ {1, 2, ..., m}) f (ej ) = aij fi , on a bien :
X

i=1
φ (f ) = A.
Conclusion : φ est un isomorphisme d'espces vectoriels.
3.3. MATRICE D'UNE APPLICATION LINÉAIRE 53

Proposition 3.3.2 (Matrice de la composée de deux applications).

Soient E , F et G trois K-espaces vectoriels de dimensions nies non nulles notées res-
pectivement n, p et q . Soient B1 une base de E , B2 une base de F et B3 une base de G.
Soient f ∈ L(E, F ) et g ∈ L(F, G). Alors,
M (gof, B1 , B3 ) = M (g, B2 , B3 ) × M (f, B1 , B2 ).

Démonstration. Soient B1 = {e1 , .., em } une base de E , B2 = {f1 , .., fn } une base de F
et B3 = {g1 , .., gs } une base de G.
n s
Posons f (ei ) = aji fj et g(fi ) = bkj gk .
X X

j=1 k=1
Alors,
s X
X n
gof (ei ) = ( bkj aji )gk
k=1 j=1

ce qui donne le résultat.

3.3.3 L'image d'un vecteur par une application linéaire

Proposition 3.3.3.
Soient E et F deux e.v de dimensions nies non nulles n et m. Soient B une base de E
et B ′ une base de F .
Soit u ∈ L(E,F ) puis
 M = M (u, B, B ) la matrice de u.
′

x1
 x2 
X = [x]B =  .  le vecteur colonne dont les composantes sont les coordonnées de
 
 .. 
xm
x ∈ E dans la baseB . 
y1
 y2 
et Y = [u (x)]B ′ =  ..  le vecteur colonne dont les composantes sont les coordonnées

 . 
yn
de u(x) dans la base B ′ alors :
Y = M X.

Preuve : Soient B = (e1 , e2 , ..., em ) une base de E et B ′ = (f1 , f2 , ..., fn ) une base de F. Soit
M = (aij ) 1≤i≤n .
1≤j≤m
m
Soit x = xj ej de E,, alors
X

j=1
!  
m
X m
X n
X n
X m
X
u (x) = xj u (ej ) = xj aij fi =  aij xj  fi .
j=1 j=1 i=1 i=1 j=1
   
x1 y1
 x2   y2 
On a [x]B = X = 
 ..  et [u (x)]B ′ = Y =  ..
  
 .   .


xm yn
54 CHAPITRE 3. LES MATRICES

 m
X

 a1j xj 
 j=1 
 m 
 X 
 a2j xj 
Donc Y = 
 
 j=1

..

 m .
 
 

 X 
 anj xj 
j=1
     
y1 a11 a12 ... a1m x1
 y2   a21 a22 ... a2m   x2 
D'où 
 ..  =  ..
 
.. .. ..  .  ..  .
  
 .   . . . .   . 
yn an1 an2 ... anm xm

Proposition 3.3.4.
Soit A et B deux matrices de Mn,m (K)
Si ∀X ∈ Mm,1 (K) AX = BX , alors A = B

Démonstration. Soit f ∈ L(Km , Kn ) de matrice A et g ∈ L(Km , Kn ) de matrice B relativement

aux bases canoniques de Km et Kn .
( ∀X ∈ Mm,1 (K) AX = BX ) =⇒ (∀x ∈ Km , f (x) = g(x)) =⇒ f = g =⇒ A = B .

3.4 Matrice inversible. Le groupe GLn(K)

Dénition 3.4.1.
Soit A ∈ Mn (K) une matrice carrée d'ordre n.
la matrice A est inversible si, et seulement si , il existe B ∈ Mn (K) telle que :
A.B = B.A = In ,

où In est la matrice carrée unité d'ordre n.

Dans ce cas la matrice B est unique et se note A−1 et s'appelle l'inverse de la matrice A.
On note GLn (K) l'ensemble des matrices carrées inversibles pour ×.

Proposition 3.4.1.
Si A et B sont deux matrices inversibles de Mn (K) alors
(A.B) = B −1 .A−1 et (A−1 )−1 = A.
−1

Proposition 3.4.2.
Soit n ∈ N∗ . (GLn (K), ×) est un groupe.

L'élément neutre est la matrice identité In .

Si A, B ∈ GLn (K, alors AB −1 ∈ GLn (K.
3.5. TRANSPOSÉE D'UNE MATRICE 55

Matrice de l'inverse d'une application linéaire

Proposition 3.4.3.
Soient E et F deux espaces vecroriels de même dimension et de bases respectives B et
B ′ . Soit f ∈ L(E, F ).
f est bijective ⇐⇒ la matrice M (f, B, B ′ ) est inversible.
De plus
(M (f, B, B ′ ))−1 = M (f −1 , B ′ , B).

Une matrice A est inversible à gauche (reps. à droite) s'il existe une matrice B telle que
B × A = In (resp.A × B = In ).

Proposition 3.4.4.
Soit A ∈ Mn (K).
A est inversble ⇐⇒ A est inversible à droite ⇐⇒ A est inversible à gauche.

Exercice 3.4.1. Soit A une matrice carrée d'ordre n vériant l'équation A3 + 4A − 2In = 0n .
Montrer que A est inversible et calculer son inverse.
   
1 −1 0 0 1 0
Exercice 3.4.2. Soient A =  0 1 −1  et N =  0 0 1 .
0 0 1 0 0 0

1. Exprimer A en fonction e N et I3 .
2. calculer N 3 .
3. En déduire que A est inversible et calculer A−1 .

3.5 Transposée d'une matrice

Dénition 3.5.1.
Soit (n, m) ∈ (N∗ )2 Soit A ∈ Mn,m (K) une matrice à n lignes et m colonnes, de terme
général aij .
La matrice transposée de A, notée t A est la matrice à m lignes et à n colonnes, de terme
général bij déni par :
bij = aji , pour tout (i, j) ∈ [[1, n]] × [[1, m]].

(les lignes deviennent des colonnes et les colonnes deviennent des lignes).

Exemples 3.5.1.
 
  a11 a21
a11 a12 a13 t
Si A= alors A =  a12 a22  .
a21 a22 a23
a13 a23

Les propriétés usuelles de calcul de la transposition sont :

56 CHAPITRE 3. LES MATRICES

Proposition 3.5.1.
Soient A et B sont deux matrices, alors :
1. t (t (A)) = A.
2. t (A + B) = t A + t B.
3. Pour tout λ ∈ K, t (λ.A) = λ.t A.
4. Si le produit AB est déni on a : t (AB) = (t B)(t A).

Proposition 3.5.2.
Soit A ∈ Mn (K), alors on a
A est inversible ⇐⇒ t
A est inversible.
De plus, en cas d'inversibilté on a
(t A)−1 =t A−1 .

Dénition 3.5.2.
Soit A ∈ Mn (K) .
1. A est dite symétrique si, et seulement si, t A = A c'est à dire ∀ (i, j) ∈
2
({1, 2, ..., n}) , aij = aji .
2. A est dite antisymétrique si, et seulement si, t A = −A c'est à dire ∀ (i, j) ∈
2
({1, 2, ..., n}) , aij = −aji .

Dénition 3.5.3.
On désigne par Sn l'ensemble des matrices symétriques d'ordre n et An l'ensemble des
matrices antisymétriques d'ordre n.

3.6 Changement de bases

3.6.1 Matrice de passage
Dénition 3.6.1 ( Matrice d'une famille).
Soit E un espace vectoriel de dimension nie et B = {e1 , ..., en } une base de E .
La matrice d'une famille (u1 , ..., up ), de vecteurs de E , dans la base B est la matrice de
type (n, p) dont le coecient ligne i, colonne j est la iem coordonnée de uj dans la base
B . On la note par M atB (u1 , ..., up ).

Exemple : (1) si B = {e est la base canonique de R3 , et si u1 = e1 −3e2 et u2 = e1 +e2 +4e3 ,

 1 , e2 , e3 } 
1 1
alors M atB (u1 , u2 ) =  −3 1  .
0 1
3.6. CHANGEMENT DE BASES 57

Proposition 3.6.1.
Soient E un espace vectoriel de dimension n et B = (ei )1≤i≤n une base de E . Soit
(u1 , ..., un ) une famille de n vecteurs de E .
(u1 , ..., un ) est une base de E ⇐⇒ M atB (u1 , ..., un ) est inversible.

Preuve : Posons A = M atB (u1 , ..., un ) et soit f l'endomorphisme de E dénie par la matrice A.
Par dénition de A, ∀i ∈ [[1, n]], f (ei ) = ui . Donc
(u1 , ..., un ) est base de E ⇐⇒ f est bijecctive ⇐⇒ A est inversible.

Dénition 3.6.2.
Soient E un espace vectoriel de diemension n puis B et B ′ deux bases de E . La matrice
de passage de la base B à la base B ′ , notée PBB ′ , est la matrice de la base B ′ dans la
base B .
c-à-d
PBB ′ = M atB (B ′ ).
Autrement dit, si B = (ei )1≤i≤n et B = (ei )1≤i≤n deux bases de E . Alors
′ ′

′ ′ ′

 [e1 ]B [e2 ]B ... [en ]B 

... ... ... ...
PBB ′ =  ... ... ... ... 
... ... ... ...

Exemple : La matrice de passage de la base canonique B0 = (1, X,X 2 ) de R2 [X]

 à la base
1 −1 1
B ′ = (P0 = 1, P1 = X − 1, P − 2 = (x − 1)2 ) est PB0 B ′ = M atB0 (B ′ ) =  0 1 2  .
0 0 1

Proposition 3.6.2.

Soient E un espace vectoriel de dimension n, B = (ei )1≤i≤n et B = (ei )1≤i≤n deux bases
′ ′

de E et PBB ′ la matrice de passage de B à B . Alors

′

1. PBB ′ = M (idE , B ′ , B),

2. PBB ′ est inversible et (PBB ′ )−1 = PB ′ B la matrice de passage de B à B .
′

Exercice 3.6.1. (1)

1. Vérier que S = {ε1 = (1, 0, 1), ε2 = (1, 1, 0), ε3 = (0, 0, 1)} est une base de R3 .
2. Donner PBS la matrice de passage de la base canonique de R3 à la base S .
3. Calculer PSB la matrice de passage de la base S à la base canonique B = {e1 = (1, 0, 0), e2 =
(0, 1, 0), e3 = (0, 0, 1)}.
(2) Soit B = {1, X} la base canonique de R1 [X] et B = {2X + 1, X + 1} une famille de polynômes
′

de R1 [X].
1. Montrer que B est une base de R1 [X].
′

2. Calculer PBB ′ .
58 CHAPITRE 3. LES MATRICES

3.6.2 Action sur les coordonnées d'un vecteur

Théorème 3.6.1.
Soient E un K -espace vectoriel de dimension nie n , B et B deux bases de E . Soient
′

   ′ 
x1 x1
 x2   x′2 
u ∈ E tel que X = [u]B =  ..  et X ′ = [u]B ′ =  .  et PBB ′ = (aij ) est la
   
 .   .. 
′
xn xn
matrice de passage de B à B ′ . Alors,
[u]B = PBB ′ [u]B ′ ou X = PBB ′ X ′

c'est à dire
 ′ 
x1
   
x1 a11 ... ann
 ..  .. .. ..  .. 
 .  . . .  . 
 
 
′
xn = an1 ... ann xn
·
| {z } | {z } | {z }
coordonnées de u dans B matrice de passage coordonnées de u dans B ′

Preuve : On a PBB ′ = M (idE , B ′ , B). idE : (E, B ′ ) → (E, B).

n n
′ ′
Soit u =
X X
xi ei = xi ei ,
i=1 i=1
On a : [u]B = M (idE , B ′ , B)[u]′B d'où [u]B = PBB ′ .[u]B ′ , c-à-d X = PBB ′ .X ′
et alors
[u]B ′ = (PBB ′ )−1 .[u]B = PB ′ B .[u]B
.

3.6.3 Changement de bases et applications linéaires

Théorème 3.6.2.
Soient E et F deux K-espaces vectoriels de dimensions nies.
Soient B1 et B1 deux bases de E et B2 et B2′ deux bases de F .
′

Soit f : E → F une application linéaire.

Soit M = M (f, B1 , B2 ) et M ′ = M (f, B1′ , B2′′ ) la matrice de f dans les bases B1′ et B2′ ,
P = PB1 B ′ la matrice de passage de B1 à B1
1

et Q = PB2 B2′ la matrice de passage de B2 à B2 . On a alors

′

M ′ = Q−1 M P.

f
(E, B1 ) → (F, B2 )
P ↓ ↓Q
f
(E, B1′ ) → (F, B2′ )

Preuve : Soit u ∈ E .
3.7. RANG D'UNE MATRICE 59
   ′ 
x1 x1
′
 x2 
 x2 
 
Soient X = [x]B1 =  ..  et X = [x]S =  .  les vecteurs colonnes dont les composantes
  ′

 .. 
′
 . 
′
xn xn
sont les coordonnées de x dans B1 et B1 .
′
   ′ 
y1 y1
′
 y2   y2 
Soient Y = [u (x)]B =  ..  et Y = [u(x)]B ′ =  .   les vecteurs colonnes dont les compo-
  ′ 
 .   .. 
′
yn yn
santes sont les coordonnées de f (x) dans B2 et B2′ .

On a Y = QY ′ , donc Y ′ = Q−1 Y . Puisque Y = M X , alors Y ′ = Q−1 M X .

Et X = P X ′ , donc Y ′ = Q−1 M P X ′ .
D'autre part, Y ′ = M ′ X ′ . Ce qui montre que M ′ X ′ = Q−1 M P X ′ pour tout X .
D'où M ′ = Q−1 M P (d'après la Proposition 2.9).
Un cas particulier très important du théorème précédent est :

Proposition 3.6.3.
Soit E un espace vectoriel de dimension nie non nulle n.
Soient B et B ′ deux bases de E et P = PBB ′ la matrice de passage de B à B ′ .
Soit f ∈ L(E). soient A = M (f, B, B) et B = M (f, B ′ , B ′ ). Alors,
B = P −1 AP.

3.6.4 Matrices équivalentes et matrices semblables

Dénition 3.6.3.
1. Deux matrices A et B de Mn (K) sont dites semblables s'ils existent une matrice
P ∈ GLn (K) telle que B = P −1 AP. Autrement dit, A et b sont deux matrices
d'une même application linéaire.
2. Deux matrices A et B de Mnm (K) sont dites équivalentes s'ils existent deux
matrices carrées inversibles P et Q telles que B = P.A.Q ;
P est une matrice carrée d'ordre n et Q étant une matrice carrée d'ordre m;

3.7 Rang d'une matrice

3.7.1 Dénition du Rang d'une matrice
Dénition 3.7.1.
Soit A ∈ Mn,p (K) une matrice de type (n, p).
Le rang de la matrice A, noté rg(A), est le rang de ces vecteurs colonnes dans Mn,1 (K)

       
0 0 0 0 1 0 1 2
Exemples : rg 0 0
= 0. rg
1 0
= 1. rg
0 1
= 2. rg
2 4
= 1.
60 CHAPITRE 3. LES MATRICES

3.7.2 Lien avec le rang d'une famille

Proposition 3.7.1.
Soit E un espace vectoriel de dimension n ∈ N∗ et B = {e1 , ..., en } une base de E . Soit
(u1 , ..., up ) une famille de p vecteurs de E . Soit A = M atB (u1 , ..., up ).
Alors, rg(A) = rg(u1 , ..., up ).

 
x1
 x2 
Démonstration. On considère l'application ϕ : Mn,1 → E telle que ϕ  .  = x1 e1 + ... + xn en .
 
 .. 
xn
→ ϕ est linéaire.
→ ϕ est bijective car l'image par ϕ de la base canonique de Mn,1 (K) est (e1 , ..., en ) la base de E .
Donc ϕ est un ismorphisme.
Notons C1 , ..., Cp les colonnes de A on a alors

rg(A) ⇐⇒ rg(C1 , ..., Cp )

= dim(V ect(C1 , ..., Cp ))
= dim(ϕ(V ect(C1 , ..., Cp )))
= dim(V ect(ϕ(C1 ), ..., ϕ(Cp )))
= dim(V ect(u1 , ..., up )) = rg(u1 , ..., up )

En prenant les premières propriétés du rang d'une famille, on en déduit immédiatement

Proposition 3.7.2.
Soit A ∈ Mn,p . Alors
1. rg(A) ≤ M in(n, p).
2. rg(A) = n ⇐⇒ les colonnes de A forment une famille génératrice de Mn,1 .
3. rg(A) = p ⇐⇒ les colonnes de A forment une famille génératrice de M1,p

En particulier on a le résultat suivant

Proposition 3.7.3.
Soit A ∈ Mn . Alors
1. rg(A) ≤ n.
2. rg(A) = n ⇐⇒ les colonnes de A forment une famille génératrice de Mn,1 (K)
⇐⇒ A est inversible.
3.7. RANG D'UNE MATRICE 61

3.7.3 Lien avec le rang d'une application linéaire

Proposition 3.7.4.
Soient E et F deux espaces de dimensions respectives n et p puis B une base de E et B ′
une base de F .
Soient f ∈ L(E, F ) et A = M (f, B, B ′ ).
Alors, rg(A) = rg(f )

Preuve : Posons B = (e1 , ..., en ) de sorte que A = M atB (f (e1 ), ...f (en )).
′

Alors,
rg(f ) = rg(f (e1 ), ...f (en )) = rgM atB ′ (f (e1 ), ...f (en )) = rg(A).

3.7.4 Caractérisation du rang d'une matrice

Soient n, p deux entiers naturels non nuls. Pour r ≤ M in(n, p) on dénit la matrice
 
Ir 0r,p−r
Jr = .
0n−r,r 0n−r,p−r

Ir désignant la matrice unité d'ordre r et 0u,v désignant la matrice nulle de format (u, v).
On peut alors caractériser le rang d'une matrice à partir de la matrice Jr .

Théorème 3.7.1.
Soit A ∈ Mn,p (K). Soit r ≤ M in(n, p).
rg(A) = r ⇐⇒ A est équivalente à Jr

Preuve :
Soit A ∈ Mn,p (K). Soit r ≤ M in(n, p). Choisissons deux espaces vectoriels E et F de dimensions
p et n respectivement.
Soit f : E → F une application linéaire dénie par la matrice A.
D'après le théorème du rang

dim(ker(f )) = dim(E) − rg(f ) = p − r.

Soit, alors, (er+1 , ...., ep ) une base de ker(f ) que l'on complète par les vecteurs = (e1 , ...er+ ) en
une base de E . Donc (f (e1 ), ...., f (er )) est une base de Im(f ) que l'on complète par les vecteurs
fr+1 , ...., fn en une base de F .
La matrice de f par rapport aux beses B = (e1 , ...er+1 , ...., ep ) et B ′ = ((f (e1 ), ...., f (er ), fr+1 , ...., fn
est donc Jr .
D'où A est équivalente à Jr .

Corollaire 8.
Soit A, B ∈ Mn,p .
A et B sont équivalents ⇐⇒ rg(A) = rg(B).
62 CHAPITRE 3. LES MATRICES

Proposition 3.7.5.
Pour toute matrice A ∈ Mn,p (K) on a
rg(t A) = rg(A).

Cela veut dire que le rang d'une matrice est aussi le rang du système de ses vecteurs
lignes.

Corollaire 9.
Soit A ∈ Mnp (K), avec L1 , .., Ln ses lignes et C1 , .., Cp ses colonnes. Alors
rg(A) = rg(L1 , .., Ln ) = rg(C1 , .., Cp ).

Exemples
 3.7.1. Déterminer
 le rang des 
matrice suivantes :
1 3 4 1 2 3 4
A= .B= .
2 4 6 5 6 7 8

3.7.5 Matrices échelonnée

Dénition 3.7.2.
Une matrice A ∈ Mnm (K) est dite échelonnée si, et seulement si,
1. Toute ligne nulle n'est suivie que de lignes nulles.
2. L'indice de colonne du premier terme non nul de toute ligne non nulle est supérieur
à l'indice de colonne du premier terme non nul de la ligne qui la précède.
Autrement dit, Le nombre de 0 au début de chaque ligne est stictement croissant
quand on passe d'une ligne à la suivante.
→ Le premier élément non nul de chaque ligne est appelé pivot.
→ Si A est ligne échelonnée, on note m.l.e

Exemples 3.7.2. Les deux matrices suivantes sont échelonnées :

 
  1 1 −1 0 0
1 3 −1 0 0  0
 0 0 1 4 1 
2 1 4 1   
A= B= 0 0 0 0 −3 
 0 0 0 4 −3  
 0

0 0 0 0 
0 0 0 0 2
0 0 0 0 0
 
1 1 −1 0 0
 0 0 1 4 1 
Par contre la matrice suivante B = 
 
 0 0 2 0 −3 

 0 0 0 4 0 
0 0 0 0 0
n'est pas échelonné.
3.8. OPÉRATIONS ÉLÉMENTAIRES (TRANSFORMATIONS DE GAUSS) 63

Dénition 3.7.3.
Matrice échelonnée réduite canonique
Une matrice A ∈ Mn,m (K) est dite à lignes échelonnées réduite et on note m.l.e.r si
1. A est m.l.e.
2. Le premier élément non nul de toute ligne (Le pivot) est égal à 1.

Dénition 3.7.4.
Une matrice A ∈ Mn,m (K) est dite à lignes échelonnées réduite canonique et on note
m.l.e.r.c si
1. A est m.l.e.r
2. Chaque pivot est le seul coecient non nul dans sa colonne.

 
1 0 0
Exemples 3.7.3. A =  0 1 0 
0 0 1
Matrice 
échelonnée réduite
 canonique
0 1 −3
 0 0 2 
B=  0 0 1 


0 0 0
Matrice 
n'est pas échelonnée

1 0 0
 0 1 2 
C=  0 0 1 


0 0 0
Matrice 
échelonnée réduite
 mais elle n'est pas échelonnée réduite canonique
1 0 6
D= 0 1 3 
0 0 0
Matrice échelonnée réduite canonique
Proposition 3.7.6.
Le rang d'une matrice échelonnée égal au nombre de ses lignes non nuls.

Preuve : Dans une matrice échelonnée les lignes forment un système libre.
Exemple  
1 3 −1 0 0
 0 2 1 4 1 
Le rang de   égal à 4.
 
 0 0 0 4 −3 
 0 0 0 0 2 
0 0 0 0 0

3.8 Opérations élémentaires (Transformations de Gauss)

3.8.1 Opérations élémentaires (Transformations de Gauss)
Les transformations élémentaires sur les colonnes ou les lignes d'une matrice, ne modiant pas
le rang de cette matrice sont :
64 CHAPITRE 3. LES MATRICES

• Echange de deux colonnes. L'échange de la colonne i et de la colonne j (i ̸= j) se note Ci ↔ Cj

. Echange de deux lignes. L'échange de la ligne i et de la ligne j (i ̸= j) se note Li ↔ Lj .
• Multiplier une colonne par un nombre λ ̸= 0. Le remplacement de la colonne j par λ fois cette
ligne se note Cj ↔ λCj .
Multiplier une ligne par un nombre λ ̸= 0. On note Lj ↔ λLj .
• Ajouter une colonne Cj à une autre. On note C↔ λCi + Cj .
Ajouter une ligne à une autre. On note Li ↔ λLi + Lj .
On en déduit d'autres transformations moins élémentaires sur les colonnes ou les lignes d'une
matrice, ne modiant pas le rang de cette matrice :
ˆ Ajouter à une colonne une combinaison linéaire des autres colonnes : Lj ↔ i̸=j λLi
P

Proposition 3.8.1.

1. Soit A une′ matrice obtenue à partir de A par des transformations élémentaires.

′

Alors, rg(A ) = rg(A)

2. Soient B et C deux formes échelonnées d'une matrice A. Alors rg(B) = rg(C) =
rg(A).

Preuve,1) Posons L1 , L2 , ..Ln les lignes de A et A une matrice obtenue à partir de A en remplaçons
′

n
la ligne Li par L i = αLi + αt · Lt , avec α ̸= 0 alors
′ P
t=1,t̸=i

′ ′
rg(A) = dim(vect(L1 , .., Li , .., Ln )) = dim(vect(L1 , .., Li , .., Ln ) = rg(A ).

Par le même raisonnement, le rang ne change pas si on applique des permutations ou d'autres
opérations élémentaires.
2) Se déduit immédiatement de 1).

Corollaire 10.
Le rang d'une matrice A est égal au rang d'une forme échelonnée de A.

3.8.2 Applications 1 : Calcule de l'inverse d'une matrice

Exemple
1. Calcule du rang d'une Matrice :  
2 3 −1 0 0
 0 2 1 4 1 
Calculer le rang de la matrice A =  .
 1 0 0 4 −3 
2 −1 1 2 2
2. Calcule de l'inverse d'une matrice
 : 
2 3 −1
Montrer que la matrice B =  0 2 1  est inversible et calculer son inverse.
1 0 0

3.8.3 La résolution des systèmes linéaires

La forme matricielle
3.8. OPÉRATIONS ÉLÉMENTAIRES (TRANSFORMATIONS DE GAUSS) 65

Dénition 3.8.1.
Soit Σ le système


 a11 x1 + a12 x2 + ... a1p xp = b1
 a21 x1

+ a22 x2 + ... a2p xp = b2
Σ: .. .. .. ..


 . . . .
an1 x1 + an2 x2 + ... anp xp = bn


où x1 , . . . , xp sont les inconnus et les nombres aij sont les coecients

 du système. 
a11 ... a1p
 a21 ... a2p 
Σ peut aussi s'écrire sous la forme matricielle : AX = b avec A =  . .. ..  ,
 
 .. . . 
an1 ... anp
   
x1 b1
 x2   b2 
X =  .  et b =  .  .
   
 ..   .. 
xp bn
1. A est appelé la matrice associer au système Σ .
2. la matrice élargie (A|b) ∈ Mn,p+1 (K) est appelé la matrice élargie du système Σ .

Théorème 3.8.1.
Soient Σ le système d'équations linéaires de matrice élargie (A|b) et Σ le système d'équa-
′

tions linéaires de matrice élargie (A′ |b′ ).

Si (A|b) est équivalentes à (A′ |b′ ) par les transformations de Gauss alors Σ est équivalent
à Σ′.
(A|b) ∼ Gaus (A′ |b′ ) ⇒ Σ ≃ Σ ′ .

Corollaire 11.
Soient Σ et Σ ′ deux systèmes d'équations linéaires homogènes de matrices A et A′ .
Alors

A ∼ Gaus A′ ⇒ Σ ≃ Σ ′ .
66 CHAPITRE 3. LES MATRICES

Théorème 3.8.2.
 
a11 ... a1p b1
 a21 ... a2p b2 
Soit Σ un système de matrice élargie (A|b) = 
 .. .. .. .

 . . . 
an1 ... anp bn
1. Si rg A < rg (A|b) alors le système n'admet pas de solution.
2. Si rg A = rg (A|b) = le nombre des inconnus = p alors le système admet une
solution unique.
3. Si rg A = rg (A|b) < le nombre des inconnus = p alors le système admet une
innité de solutions.

Système de Cramer

Dénition 3.8.2.
Soit Σ un système à n équations linéaires et à n inconnus.
Si Σ admet une solution et une seule on dit que c'est un système de Cramer.

Théorème 3.8.3.
Soit Σun système de n équations et n inconnus et de matrice élargie (A|b) où b =

b1
 b2 
 .. .
 
 . 
bn
Σ est un système de Cramer si et seulement si A est inversible et dans ce cas si (x1 , ..., xn )
est la solution de Σ alors    
x1 b1
 x2   b2 
 ..  = A−1  ..  .
   
 .   . 
xn bn

Exemples
 3.8.1. Résoudre les systèmes suivants :
 x + 3y − z = 9
Σ 3x − y + z = −1
−2x + y − 3z = 6


 x + 3y − z = 9
L 3x + 9y − 3z = −1
−2x + y − 3z = 6


 x + 3y − z = 9
′
L 3x + 9y − 3z = 27
−2x + y − 5z = 10


Exemples
 3.8.2. Résoudre le système suivant :
 mx + y + mz = 2m
x + my + mz = 2
mx + y − mz = 0
