Les matrices

Les matrices 1 / 78
Définition d’une matrice

Definition
Soient n et p deux entiers ≥ 1.
On appelle matrice de taille (n,p) toute application :

M : {1, . . . , n} × {1, . . . , p} → R

(i, j) 7→ M(i, j)
On note généralement :
M(i, j) = mij
mij est appelé coefficient (i,j).

Les matrices 2 / 78
Représentation d’une matrice

Une matrice M ∈ Mn,p s’écrit :

 
m11 m12 · · · m1p
m21 m22 · · · m2p 
M= .
 
.. .. .. 
 .. . . . 
mn1 mn2 · · · mnp
Notation compacte :
M = [mij ]
Ligne i, colonne j

Les matrices 3 / 78
Ensemble des matrices

L’ensemble des matrices de taille (n, p) est noté :

Mn,p

Cas particuliers :
n = p : matrice carrée Mn
n = 1 : matrice ligne
p = 1 : matrice colonne

Les matrices 4 / 78
Exemples

Matrice (2,3) :  
1 2 3
M=
5.2 2 4.7
Matrice colonne :  
1
2
Matrice ligne :

2.5 3 1

Les matrices 5 / 78
Addition de matrices

Condition : matrices de même taille.

Soient A = (aij ), B = (bij )

A + B = (aij + bij )
Exemple :      
1 2 5 6 6 8
+ =
3 4 7 8 10 12

Les matrices 6 / 78
Multiplication de matrices

Condition :
A ∈ Mn,p , B ∈ Mp,q
Alors :
AB ∈ Mn,q
Formule :
p
X
(AB)ij = aik bkj
k=1

Exemple :  

3

1 2 = 11
4

Les matrices 7 / 78
Remarques

Addition commutative :

A+B =B +A

Multiplication non commutative :

AB ̸= BA

Toujours vérifier les dimensions

Les matrices 8 / 78
Addition de matrices

Définition
Soient
M = [mij ], N = [nij ] ∈ Mn,p
On définit la somme :
M + N = [mij + nij ]
M + N est encore une matrice de taille (n, p)
Exemple :      
1 2 5 6 6 8
+ =
3 4 7 8 10 12

Les matrices 9 / 78
Propriétés de l’addition

L’addition des matrices vérifie :

Commutativité
M +N =N +M
Associativité
M + (N + P) = (M + N) + P
Même comportement que l’addition dans R

Les matrices 10 / 78
Multiplication par un scalaire

Definition
Soit λ ∈ R et M ∈ Mn,p

λM = [λmij ]

Exemple :    
1 2 3 6
3· =
3 4 9 12
Propriété de distributivité :

λ(M + N) = λM + λN

Les matrices 11 / 78
Multiplication de matrices

Principe
On ne multiplie PAS terme à terme
Condition :
M ∈ Mn,p , N ∈ Mp,r
Alors :
P = MN ∈ Mn,r
Condition essentielle :

colonnes de M = lignes de N

Les matrices 12 / 78
Définition du produit

Definition
Les coefficients de P = MN sont :

pij = mi1 n1j + mi2 n2j + · · · + mip npj

Notation compacte :
p
X
pij = mik nkj
k=1

Produit = (ligne i de M) × (colonne j de N)

Les matrices 13 / 78
Exemple de multiplication

Soient :  
  1 0
2 1 3
M= , N = 1 2 
1 2 1
1 0
Alors :  
6 2
MN =
4 4

Les matrices 14 / 78
Interprétation du produit

Pour calculer pij :

Prendre la ligne i de M
Prendre la colonne j de N
Multiplier terme à terme
Additionner les résultats
C’est un produit scalaire

Les matrices 15 / 78
Condition sur les tailles

Il faut impérativement :

(n, p) · (p, r ) = (n, r )

Sinon, le produit n’existe pas
Astuce mémoire :

les dimensions du milieu doivent coı̈ncider

Les matrices 16 / 78
Attention : non commutativité

Remarque importante
Il peut arriver que :

MN soit défini mais NM ne le soit pas

Condition :
colonnes de N ̸= lignes de M
Même si les deux produits existent :

MN ̸= NM en général

La multiplication matricielle n’est pas commutative

Les matrices 17 / 78
Exemple de non commutativité

    
1 0 1 −1 1 −1
=
1 1 2 1 3 0
    
1 −1 1 0 0 −1
=
2 1 1 1 3 1
Les deux résultats sont différents

Les matrices 18 / 78
Associativité du produit

Proposition Soient :

A ∈ Mm,n , B ∈ Mn,p , C ∈ Mp,q

Alors :
(AB)C = A(BC )
On peut écrire simplement :
ABC

Les matrices 19 / 78
Multiplication et scalaire

Soit λ ∈ R
(λB)C = λ(BC )
B(λC ) = λ(BC )
Le scalaire peut se placer partout dans le produit

Les matrices 20 / 78
Interprétation de l’associativité

Calculer d’abord AB, puis multiplier par C

OU calculer d’abord BC , puis multiplier par A
Donne le même résultat
Gain de flexibilité dans les calculs

Les matrices 21 / 78
Idée de la preuve

On montre que les coefficients sont égaux :

p X
X n
mij = ail blk ckj
k=1 l=1

et
p
n X
X
nij = ail blk ckj
l=1 k=1

On permute les sommes

Donc :
mij = nij

Les matrices 22 / 78
Distributivité

Propriété
A(B + C ) = AB + AC
(A + B)C = AC + BC
La multiplication est distributive par rapport à l’addition

Les matrices 23 / 78
Distributivité matricielle

Proposition 2 1. Si B ∈ Mn,p , A1 , A2 ∈ Mp,q , alors :

B(A1 + A2 ) = BA1 + BA2

2. Si B1 , B2 ∈ Mn,p , A ∈ Mp,q , alors :

(B1 + B2 )A = B1 A + B2 A

La multiplication est distributive à gauche et à droite

Les matrices 24 / 78
Transposée d’une matrice

Definition
Soit A ∈ Mn,p La transposée de A, notée AT , est définie par :

AT (i, j) = A(j, i)

On échange les lignes et les colonnes

AT ∈ Mp,n

Les matrices 25 / 78
Exemple de transposée

Soit :  
1 2 4
A=
1.1 6.5 8
Alors :  
1 1.1
AT = 2 6.5
4 8

Les matrices 26 / 78
Matrices symétriques

Definition
Une matrice carrée A est dite symétrique si :

AT = A

Donc :
aij = aji
Symétrie par rapport à la diagonale

Les matrices 27 / 78
Propriétés de la transposée

Proposition 3
1.
(AT )T = A
2.
(A + B)T = AT + B T
3. Si A ∈ Mn,p , B ∈ Mp,q :

(AB)T = B T AT

Les matrices 28 / 78
Idée de la preuve

On montre que :
(AB)T (i, j) = AB(j, i)

p
X
= A(j, k)B(k, i)
k=1
p
X
= B T (i, k)AT (k, j)
k=1

Donc :
(AB)T = B T AT

Les matrices 29 / 78
Trace d’une matrice

Definition
Soit A ∈ Mn (matrice carrée)
La trace de A est définie par :
n
X
Tr(A) = aii
i=1

Somme des éléments diagonaux Les aii sont appelés coefficients

diagonaux

Les matrices 30 / 78
Propriétés de la trace

Tr(AT ) = Tr(A)
Propriété fondamentale :

Tr(AB) = Tr(BA)

Les matrices 31 / 78
Idée de la preuve

p
X
(AB)ii = A(i, j)B(j, i)
j=1

Donc :
p
n X
X
Tr(AB) = A(i, j)B(j, i)
i=1 j=1

En inversant les sommes :

p X
X n
= B(j, i)A(i, j)
j=1 i=1

Donc :
Tr(AB) = Tr(BA)

Les matrices 32 / 78
Puissances d’une matrice

Soit A ∈ Mn On définit :
A1 = A
Ak+1 = A · Ak = Ak · A
Définition par récurrence

Les matrices 33 / 78
Matrices particulières

Matrice nulle
 
0 ··· 0
 .. . . .. 
0n,p = . . .
0 ··· 0
A+0=A
A·0=0

Les matrices 34 / 78
Matrice identité

Definition
 
1 0 ··· 0
0 1 · · · 0
In =  . . .
 
.. 
 .. .. .. .
0 0 ··· 1

Élément neutre pour la multiplication

AIn = A, In B = B

Les matrices 35 / 78
Matrices diagonales

Definition
Une matrice diagonale vérifie :

aij = 0 si i ̸= j

Exemple :  
2 0 0
0 3 0 
0 0 1

Les matrices 36 / 78
Matrices triangulaires

Triangulaire supérieure

aij = 0 si i > j
Exemple :  
1 2 1
0 1 0 
0 0 2
Triangulaire inférieure :

aij = 0 si i < j

Les matrices 37 / 78
Matrice inversible

Definition
Soit A ∈ Mn
A est inversible s’il existe B ∈ Mn tel que :

AB = BA = In

Cette matrice est unique

On la note :
A−1

Les matrices 38 / 78
Remarques sur l’inverse

1. Unicité de l’inverse Si B et C vérifient :

AB = BA = In et AC = CA = In

Alors :
C = CIn = C (AB) = (CA)B = In B = B
L’inverse est unique

Les matrices 39 / 78
Propriétés de l’inverse

2. Inverse de l’inverse

AA−1 = A−1 A = In
Donc :
(A−1 )−1 = A
3. Condition suffisante
Si BA = In , alors :
AB = In
Une seule égalité suffit

Les matrices 40 / 78
Existence de l’inverse

4. Attention
Toutes les matrices ne sont pas inversibles
Exemple :
0n n’est pas inversible
On verra plus tard le critère :

déterminant ̸= 0

Les matrices 41 / 78
Inverse d’une matrice (2×2)

Soit :  
a b
A=
c d
Si :
ad − bc ̸= 0
Alors :  
1 d −b
A−1 =
ad − bc −c a

Les matrices 42 / 78
Propriétés des matrices inversibles

Proposition 5
Soient A, B ∈ Mn inversibles et λ ∈ R∗
1. Produit et scalaire :
(AB)−1 = B −1 A−1
1 −1
(λA)−1 = A
λ

Les matrices 43 / 78
Suite des propriétés

2. Transposée :
(AT )−1 = (A−1 )T
3. Puissances :
(Ak )−1 = (A−1 )k
Stabilité des opérations avec l’inverse

Les matrices 44 / 78
Remarques sur l’inverse

1. Unicité de l’inverse
Si B et C vérifient :

AB = BA = In et AC = CA = In

Alors :
C = CIn = C (AB) = (CA)B = In B = B
L’inverse est unique

Les matrices 45 / 78
Propriétés de l’inverse

2. Inverse de l’inverse

AA−1 = A−1 A = In

Donc :
(A−1 )−1 = A
3. Condition suffisante
Si BA = In , alors :
AB = In
Une seule égalité suffit

Les matrices 46 / 78
Existence de l’inverse

4. Attention
Toutes les matrices ne sont pas inversibles
Exemple :
0n n’est pas inversible
On verra plus tard le critère :

déterminant ̸= 0

Les matrices 47 / 78
Inverse d’une matrice (2×2)

Soit :  
a b
A=
c d
Si :
ad − bc ̸= 0
Alors :  
1 d −b
A−1 =
ad − bc −c a

Les matrices 48 / 78
Propriétés des matrices inversibles

Proposition 5
Soient A, B ∈ Mn inversibles et λ ∈ R∗
1. Produit et scalaire :
(AB)−1 = B −1 A−1
1 −1
(λA)−1 = A
λ

Les matrices 49 / 78
Suite des propriétés

2. Transposée :
(AT )−1 = (A−1 )T
3. Puissances :
(Ak )−1 = (A−1 )k
Stabilité des opérations avec l’inverse

Les matrices 50 / 78
Inversion de matrices : principe

Objectif
Trouver A−1 en transformant :

(A | In ) −→ (In | A−1 )

On utilise des opérations élémentaires sur les lignes

Les matrices 51 / 78
Opérations élémentaires

Trois types d’opérations :

Li ← λLi (λ ̸= 0)
Li ↔ Lj
Li ← Li + λLj
Chaque opération correspond à une multiplication par une matrice

Les matrices 52 / 78
Principe du pivot de Gauss

Si on transforme A en In :

Dk · · · D1 A = In
Alors :
A−1 = Dk · · · D1
En pratique :
(A | In ) → (In | A−1 )

Les matrices 53 / 78
Exemple : matrice à inverser

 
2 4 3
A = 0 1 1 
2 2 −1
On considère :  
2 4 3 1 0 0
 0 1 1 0 1 0 
2 2 −1 0 0 1

Les matrices 54 / 78
Étape 1 : triangularisation

Objectif : forme triangulaire

L3 ← L3 − L1

 
2 4 3 1 0 0
⇒ 0 1 1 0 1 0 
0 −2 −4 −1 0 1
L3 ← L3 + 2L2
On obtient une matrice triangulaire

Les matrices 55 / 78
Étape 2 : matrice diagonale

Objectif : annuler au-dessus

On utilise le pivot −2

L2 ← L2 + 0.5L3

L1 ← L1 + 1.5L3
On obtient une matrice diagonale

Les matrices 56 / 78
Étape 3 : matrice identité

Objectif : obtenir I3

L1 ← 0.5L1 , L3 ← −0.5L3
La partie gauche devient I3
La partie droite devient A−1

Les matrices 57 / 78
Résultat

 
0.75 −2.5 −0.25
A−1 = −0.5 2 0.5 
0.5 −1 −0.5
Vérification :
AA−1 = I3

Les matrices 58 / 78
Pivot nul : que faire ?

Si le pivot est nul :

On échange deux lignes

Li ↔ Lj
Permet de récupérer un pivot non nul Parfois permet d’avoir un pivot plus
simple (ex : 1)

Les matrices 59 / 78
Remarques

On peut aussi utiliser une forme triangulaire supérieure

Les opérations sur colonnes sont possibles
La méthode est algorithmique (pas à pas)
Méthode fondamentale en algèbre linéaire

Les matrices 60 / 78
Systèmes linéaires

Definition
Un système linéaire à n équations et p inconnues :

a11 x1 + · · · + a1p xp = b1


..
 .

a x + · · · + a x = b
n1 1 np p n

Forme matricielle :
AX = B
avec :
A ∈ Mn,p , X ∈ Mp,1 , B ∈ Mn,1

Les matrices 61 / 78
Objectif

Résoudre le système
Trouver X tel que :
AX = B
Plusieurs cas possibles :
une solution unique
une infinité de solutions
aucune solution

Les matrices 62 / 78
Cas inversible

Proposition 6
Si A ∈ Mn est inversible :

AX = B ⇐⇒ X = A−1 B
Solution unique
Méthode :
calculer A−1
multiplier par B

Les matrices 63 / 78
Méthode du pivot de Gauss

Principe
On transforme :
(A | B)
en :
(In | X )
Les opérations sont appliquées simultanément à A et B

Les matrices 64 / 78
Exemple : système


2x + 3y − 3z = 5

x − 3y − z = −1

2x + y + z = 2


Forme matricielle :  
2 3 −3 5
 1 −3 −1 −1 
2 1 1 2

Les matrices 65 / 78
Étapes du pivot

1. Élimination
On échange :
L1 ↔ L2
Puis :
L2 ← L2 − 2L1 , L3 ← L3 − 2L1
On obtient une forme triangulaire

Les matrices 66 / 78
Suite du calcul

2. Diagonalisation On continue les opérations pour obtenir :

 
1 0 0
0 1 0 
0 0 1

Le vecteur à droite donne directement la solution

Les matrices 67 / 78
Solution

 
14 25 13
(x, y , z) = , ,−
17 34 34
Solution unique

Les matrices 68 / 78
Cas non inversible

Si A n’est pas inversible :

Le système peut avoir :
aucune solution
une infinité de solutions

Les matrices 69 / 78
Exemple avec paramètres

Après réduction :



x + 2y − 3z + t + u = −2

−y + 3t − u = 5


3t = 9

0 = 0

On trouve :
t=3

Les matrices 70 / 78
Solutions générales

On pose :
z = λ, u=µ
Alors :
y =4−µ

x = −13 + 3λ
Ensemble des solutions :

S = {(−13 + 3λ, 4 − µ, λ, 3, µ)}

Les matrices 71 / 78
Conclusion

Pivot de Gauss = méthode générale

Permet de traiter tous les cas
Donne solution explicite ou paramétrique
Outil fondamental en algèbre linéaire

Les matrices 72 / 78
Remarques sur le pivot de Gauss

1. Arrêt anticipé On peut s’arrêter lorsque la matrice est triangulaire

Puis résoudre par remontée (substitution)
Méthode plus rapide dans certains cas

Les matrices 73 / 78
Système sans solution

Exemple
(
x +y =1
x +y =2
Soustraction :
L2 ← L2 − L1

0x + 0y = 1
Contradiction

Les matrices 74 / 78
Système incompatible

Cas général Lors du pivot, on peut obtenir :

0x1 + 0x2 + · · · + 0xn = s avec s ̸= 0

Impossible
Le système n’a aucune solution
On dit que le système est incompatible

Les matrices 75 / 78
Interprétation

Une équation impossible signifie :

0=s (s ̸= 0)
Contradiction
Aucune valeur des inconnues ne peut satisfaire le système

Les matrices 76 / 78
Choix du pivot

3. Pivot nul
Si le pivot est nul :

Li ↔ Lj
On échange deux lignes
On permute deux équations
Permet de continuer la méthode

Les matrices 77 / 78
Conclusion

Méthode du pivot = outil universel

Permet de détecter :
solution unique
infinité de solutions
aucune solution
Indispensable en algèbre linéaire

Les matrices 78 / 78