Calcul matriciel

Emmanuel Vieillard-Baron1 , Alain Soyeur2 , and François Capaces3

1
Enseignant en CPGE, Lycée Kléber, Strasbourg
2
Enseignant en CPGE, Lycée Pierre de Fermat, Toulouse
3
,,

11 août 2023

1 Calcul matriciel

Introduction au calcul matriciel.

Pour bien aborder ce chapitre

Tout est dit dans le théorème ?? page ?? du chapitre ??...si on se fixe une base e = (e1 , . . . , ep )
de E et une base f = (f1 , . . . , fq ) de F alors une application linéaire u ∈ L (E, F ) est entièrement
déterminée par les composantes des vecteurs u (ei ) dans la base f . Ces pq scalaires définissent
complètement
Pq u. Il est tentant de les représenter dans un tableau. Si on note, pour tout j ∈ J1, pK,
u (ej ) = i=1 ai,j fj alors on peut écrire :

Ce tableau est la matrice de u dans les bases e de E et f de G. Se posent alors des questions
naturelles :
1. Si on effectue cette manipulation pour deux applications linéaires u et v, comment se calcule
la matrice correspondante à αu + βv ? On verra qu’on peut définir une addition entre les

1
 matrices et une multiplication par un scalaire. Avec ces deux lois, l’ensemble des matrices (de
même taille) possède une structure de K-espace vectoriel.
2. Si u et v sont deux endomorphismes de E, quel est le lien entre la matrice de u ◦ v et celles
de u et v ? Pour l’expliciter, on définira le produit entre les matrices.
3. Peut-on calculer le rang d’une application linéaire facilement à partir de sa matrice dans des
bases données ? La réponse est oui et l’outil est le pivot de Gauss.
4. Peut-on par un procédé calculatoire déterminer si un endomorphisme est inversible à partir
de sa matrice dans des bases données ? La réponse est encore oui et l’outil est le déterminant.
5. Pour un endomorphisme inversible, existe-t-il un procédé permettant de calculer la matrice
de son inverse ? Cet outil existe et il est donné par la comatrice.
6. Si on prend d’autres bases e′ et f ′ de E et F , peut-on calculer la matrice de u dans ces
nouvelles bases en fonction de sa matrice dans les bases initiales ? La réponse est encore
positive et on mettra en place des formules de changement de bases.
7. Enfin, pour un endomorphisme u ∈ L (E), existe-il une base de E dans laquelle la matrice
de u prend une forme simple et facile à manipuler ? La réponse sera donnée en spé dans le
chapitre sur la réduction des endomorphismes.
Au niveau historique, on peut indiquer qu’au 3 e siècle, le mathématicien chinois Liu Hui résolvait
les systèmes linéaires ayant jusqu’à 6 inconnues. Il représentait ces systèmes grâce à des tableaux
et avait découvert la méthode qu’on appelle maintenant pivot de Gauss pour les résoudre. Au 17 e
siècle, toujours pour résoudre des systèmes linéaires, Leibniz invente le déterminant. Cette notion
est approfondie par Cramer qui découvre soixante ans plus tard la méthode qui porte maintenant
son nom. Il faut attendre le 19 e siècle, pour que la notation matricielle sous forme de « rectangle
(ou carré) de nombres » apparaisse. Gauss découvre le produit matriciel en dimension 3 et indique
que la formule se généralise dans les autres dimensions mais sans détailler. Sylvester, le premier,
dénomme ces rectangles de nombres du mot « matrix ».
Dans tout ce chapitre, m, n, p, q, r sont des entiers positifs, K désigne le corps R des réels ou le
corps C des complexes. E et F sont des K-espaces vectoriels.

1.1 Matrice à coefficients dans K

1.1.1 Définitions

Définition 0.1 Matrice

Soit K un corps et q, p ∈ N∗ . On appelle matrice à q lignes et p colonnes à coefficients dans K
toute application : 
J1, qK × J1, pK −→ K (i, j)
A:
7−→ ai,j
que l’on note :
 — Le coefficient de A qui se trouve à l’intersection de la i-ème ligne et de la j-ème colonne est
noté ai,j ou [A]i,j :
1. i représente l’indice de ligne.
2. j représente l’indice de colonne.
— On dit aussi que A est une matrice q × p ou une matrice (q, p) à coefficients dans K.
— On note Mq,p (K) l’ensemble des matrices à q lignes et p colonnes à coefficients dans K.

✎ Notation 0.1 On notera aussi [A]ij ou encore aij le coefficient ai,j de A.

Définition 0.2 Vecteur ligne, vecteur colonne d’une matrice

Pour toute matrice A ∈ Mq,p (K) :
 
a1,1 . . . a1,p
A =  ... .
. . . ..a
 
q,1

... aq,p

on appelle, pour (i, j) ∈ J1, qK × J1, pK :

— i-ème vecteur ligne de A le p−uplet Li = (ai,1 , . . . , ai,p ) ∈ Kp .
— j-ème vecteur colonne de A le q−uplet Cj (a1,j , . . . , aq,j ) ∈ Kq .

Définition 0.3 Matrice ligne, matrice colonne

— Une matrice colonne est une matrice qui ne possède qu’une seule colonne.
— Une matrice ligne est une matrice qui ne possède qu’une seule ligne.

Définition 0.4 Matrice nulle

On dit que A ∈ Mq,p (K) est la matrice nulle de Mq,p (K) si et seulement si tous ses coefficients
sont nuls. On la note : 0Mq,p (K) ou 0 lorsqu’aucune confusion n’est à craindre.
Définition 0.5 Matrice carrée
Une matrice possédant autant de lignes que de colonnes est dite carrée. On note Mn (K) l’ensemble
des matrices carrées à n lignes et n colonnes.

Définition 0.6 Matrice identité

On appelle matrice identité et on note In la matrice de Mn (K) donnée par :
 
1 0 ... 0
.. .
. ..
 
In = 0 1
 ∈ Mn (K)
.. . . ..

. . . 00 . . . 0 1

Tous ses coefficients sont nuls sauf ceux situés sur la diagonale et qui valent 1.

   
1 0 1 0 0
I1 = 1 , I2 = , I3 = .


Exemple 0.2
0 1 0 1 00 0 1

1.1.2 L’espace vectoriel Mq,p (K)

On munit Mq,p (K) d’une addition et d’une multiplication par un scalaire. Le triplet (Mq,p (K) , +, .)
est alors un K-espace vectoriel de dimension pq.

Proposition 0.1 Somme de matrices, multiplication d’une matrice par un scalaire

— Soient A = (ai,j ) , B = (bi,j ) ∈ Mq,p (K). On définit A + B comme étant la matrice C =

(ci,j ) ∈ Mq,p (K) donnée par :

∀ (i, j) ∈ J1, qK × J1, pK, ci,j = ai,j + bi,j .

— Soit A = (ai,j ) ∈ Mq,p (K) et λ ∈ K. On définit λ · A comme étant la matrice D = (di,j ) ∈

Mq,p (K) donnée par :
∀ (i, j) ∈ J1, qK × J1, pK, di,j = λai,j
Muni de ces deux lois (Mq,p (K) , +, ·) est un K−espace vectoriel.

Démonstration Laissée au lecteur. On vérifie aisément les différents axiomes définissant un espace
vectoriel.
Exemple 0.3
   
1 −1 0 0 2 1

−2 = 1 −5 −20 1 −5
−2 1 −3 −1 0 1
Définition 0.7 Matrices élémentaires
Pour tout i ∈ J1, qK et j ∈ J1, pK on définit la matrice élémentaire Ei,j ∈ Mq,p (K) par :

Tous les coefficients de la matrice élémentaire Ei,j sont nuls sauf celui à l’intersection de la
i-ème ligne et de la j-ème colonne qui vaut 1.

Exemple 0.4 Les matrices élémentaires de M2,3 (K) sont

         
1 0 0 0 1 0 0 0 1 0 0 0 0 0 0
E1,1 = , E1,2 = , E1,3 = , E2,1 = , E2,2 = , E2,3 = 0 0 00
0 0 0 0 0 0 0 0 0 1 0 0 0 1 0

À titre d’exercice, et pour préparer le théorème suivant, montrer que cette famille de 6 matrices
constitue une base de M2,3 (K).

Théorème 0.2 Base canonique de Mq,p (K)

La famille formée par les matrices élémentaires (Ei,j )(i,j)∈J1,qK×J1,pK est une base de Mq,p (K)
appelée base canonique de Mq,p (K). On en déduit que :

dim Mq,p (K) = qp

Démonstration
— Prouvons que cette famille est libre. Soient (αi,j )i∈J1,qK,j∈J1,pK une famille de scalaires de K tels
que : qi=1 pj=1 αi,j Ei,j = 0. Alors on a l’égalité :
P P

!
α1,1 ... α1,p
.. .. .. = 0.
. . .αq,1 ... αq,p

Par identification des coefficients de ces deux matrices, on a : ∀i ∈ J1, qK, ∀j ∈ J1, pK, αi,j = 0
ce qui prouve la liberté de la famille (Ei,j ).
— Montrons que cette famille est génératrice de Mq,p (K). Soit A = (ai,j )i∈J1,qK,j∈J1,pK ∈ Mq,p (K).
On a clairement : A = qi=1 pj=1 ai,j Ei,j . Ce qui prouve que la famille (Ei,j ) est génératrice de
P P
Mq,p (K).
1.1.3 Produit matriciel
On définit maintenant, quand c’est possible, le produit de deux matrices. Le théorème ?? page
?? explicite le sens de ce produit, il correspond en fait à la composition des applications linéaires.

Définition 0.8 Produit matriciel

Soit A ∈ Mr,q (K) et B ∈ Mq,p (K). On définit AB comme la matrice C de Mr,p (K) définie par :
q
X
∀i ∈ J1, rK ∀j ∈ J1, pK ci,j = [AB]i,j = ai,k bk,j
k=1

Attention 0.5 On ne peut effectuer le produit de A ∈ Mr,q (K) et B ∈ Mq′ ,p (K) que si
q = q′ !    
1 −1   −1 −1 −1
−1 1 0
Exemple 0.6 Si A = 0 2  et B = alors AB =  0 4 2  et
0 2 1
1 −3 −1 −5 −3
BA = −1 31 1 . Remarquons qu’en général, le produit AB peut exister sans que ce ne soit

forcément le cas pour le produit BA.

 Il est souvent utile dans les exercices de savoir multiplier les matrices élémentaires. Pour ce faire
introduisons le symbole de Kronecker.

Définition 0.9 Symbole de Kronecker

Pour tout i, j ∈ N, on définit le symbole de Kronecker δi,j par :
(
1 si i = j0
δi,j =
sinon

Remarque 0.1 Le nombre δi,j est l’élément générique de la matrice identité In .

Théorème 0.3 Produit de matrices élémentaires

Pour deux matrices élémentaires de Mn (K), on a la formule importante suivante qui donne leur
produit :
Ek,ℓ Ep,q = δℓ,p Ek,q

Démonstration Par un calcul direct. Voir aussi le paragraphe ?? page ??.

Proposition 0.4 Règles de calculs avec les matrices

Quant les produit suivants sont possibles, pour des matrices A, B, C et des scalaires α, β :

1. Le produit matriciel est distributif tion :(αA + βB) C = αAC + βBC.

à gauche par rapport à l’addition : 3. Le produit matriciel est associatif :
C (αA + βB) = αCA + βCB. (AB) C = A (BC).
2. Le produit matriciel est distribu- 4. Le produit matriciel admet la matrice In
tif à droite par rapport à l’addi- comme élément neutre :AIn = In A = A.

Démonstration Laissée au lecteur.

1.1.4 Transposition

Définition 0.10 Transposée d’une matrice

On appelle transposée de A ∈ Mq,p (K) la matrice noté AT ∈ Mp,q (K) dont les colonnes sont
formées par les lignes de A. Autrement dit :
 T
∀i ∈ J1, pK, ∀j ∈ J1, qK, A i,j = aj,i
 Remarque 0.2 Transposer revient à échanger les lignes et les colonnes d’une matrice.
 
1 −3
Si A = 2 7  alors AT = 1 2 0 − 3 7 −4 .


Exemple 0.7
0 −4

Proposition 0.5
L’application : 
Mq,p (K) −→ Mp,q (K) A
Φ: t
7−→ A
est un isomorphisme d’espaces vectoriels. En particulier, si A, B ∈ Mq,p (K) et si α, β ∈ K. Alors :

T T
AT =A et (αA + βB) = αAT + βB T .

T
Démonstration La linéarité ainsi que la relation AT = A sont faciles à prouver. Pour la
bijectivité, on propose deux méthodes :

T
— On montre facilement que, si A ∈ Ker Φ, on a AT = 0 et donc A = AT = 0 et Ker Φ = {0}, θ

est injective. Grâce à la formule du rang, on en déduit qu’elle est aussi surjective et donc bijective.
— On peut aussi remarquer que Φ ◦ Φ = id ce qui prouve que Φ est bijective et égale à sa fonction
réciproque.

Remarque 0.3 En prenant un peu d’avance sur le paragraphe ??, L’opération de transposition
sur Mn (K) est une symétrie par rapport à Ker Φ−id = Sn (K) parallèlement à Ker Φ+id = An (K).

Proposition 0.6 Transposée d’un produit

Pour tout A ∈ Mr,q (K) et B ∈ Mq,p (K) :

(AB)T = B T AT

Démonstration On suppose que A = (ai,k ) ∈ Mr,q (K), que B = (bk,j ) ∈ Mq,p (K), C = AB =
(ci,j ) ∈ Mr,p (K) où ci,j = qk=1 ai,k bk,j . On note aussi :
P

— A′ = AT = a′i,k ∈ Mq,r (K) avec pour tout i ∈ J1, qK et tout k ∈ J1, rK, a′i,k = ak,i .

— B ′ = B T = b′k,j ∈ Mp,q (K) avec pour tout k ∈ J1, pK et tout j ∈ J1, qK, b′k,j = bj,k .

— C ′ = B T AT = c′i,j ∈ Mp,r (K).

Pour tout i ∈ J1, pK et j ∈ J1, rK :

q q
X X
c′i,j = b′i,k a′k,j = aj,k bk,i = cj,i
k=1 k=1

et par conséquent, C ′ = B T AT = C = AB T .
Attention 0.8 Attention au retournement dans le produit.