Algèbre Linéaire

Calcul Matriciel
Chapitre 2

À l’intention des étudiants en :

Sciences et Sciences appliquées

Auteur : Kevin

la répétition est la mère des sciences.

Algèbre Linéaire - Calcul Matriciel Chapitre 2

Table des matières

Introduction 4

1 Introduction et historique 5
1.1 Origine des matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Importance des matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2 Définition d’une matrice 5

2.1 Définition formelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Exemples fondamentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3 Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

3 Construction de l’ensemble des matrices carrées d’ordre n 6

3.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.2 Propriétés des matrices carrées . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.3 Structure d’algèbre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.4 Base canonique de Mn (K) . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

4 Théorèmes fondamentaux 7
4.1 Théorème d’associativité du produit matriciel . . . . . . . . . . . . . . . . 7
4.2 Théorème de distributivité . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
4.3 Théorème d’existence de l’inverse . . . . . . . . . . . . . . . . . . . . . . . 7
4.4 Théorème de Binet-Cauchy . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4.5 Théorème du rang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4.6 Théorème de Cayley-Hamilton . . . . . . . . . . . . . . . . . . . . . . . . . 8
4.7 Théorème de Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

5 Matrices échelonnées 8
5.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.2 Matrice échelonnée réduite . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.3 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
5.4 Algorithme d’élimination de Gauss . . . . . . . . . . . . . . . . . . . . . . 9
5.5 Méthode de Gauss-Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

6 Opérations sur les matrices 9

6.1 Addition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
6.2 Multiplication par un scalaire . . . . . . . . . . . . . . . . . . . . . . . . . 9
6.3 Produit matriciel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
6.4 Transposition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
6.5 Trace d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
6.6 Déterminant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
6.7 Inverse d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

7 Matrices particulières 11
7.1 Matrice nulle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
7.2 Matrice identité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
7.3 Matrice diagonale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
7.4 Matrice triangulaire supérieure . . . . . . . . . . . . . . . . . . . . . . . . 12

1/24
Algèbre Linéaire - Calcul Matriciel Chapitre 2

7.5 Matrice triangulaire inférieure . . . . . . . . . . . . . . . . . . . . . . . . . 12

7.6 Matrice symétrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
7.7 Matrice antisymétrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
7.8 Matrice orthogonale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
7.9 Matrice hermitienne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
7.10 Matrice unitaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
7.11 Matrice nilpotente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
7.12 Matrice idempotente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
7.13 Matrice de permutation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

8 Applications linéaires 13
8.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
8.2 Matrice associée à une application linéaire . . . . . . . . . . . . . . . . . . 13
8.3 Noyau et image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
8.4 Isomorphisme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
8.5 Matrice de passage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

9 Orthogonalité 14
9.1 Produit scalaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
9.2 Norme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
9.3 Orthogonalité de vecteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
9.4 Famille orthogonale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
9.5 Famille orthonormale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
9.6 Matrices orthogonales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
9.7 Processus d’orthogonalisation de Gram-Schmidt . . . . . . . . . . . . . . . 14

10 Matrices symétriques 15
10.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
10.2 Propriétés fondamentales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
10.3 Diagonalisation des matrices symétriques . . . . . . . . . . . . . . . . . . . 15
10.4 Formes quadratiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
10.5 Critère de Sylvester . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

11 Transformations du plan 16
11.1 Homothétie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
11.2 Translation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
11.3 Rotation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
11.4 Composition de transformations . . . . . . . . . . . . . . . . . . . . . . . . 17
11.5 Transformation affine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

12 Exercices résolus 17
12.1 Exercices sur les opérations . . . . . . . . . . . . . . . . . . . . . . . . . . 17
12.2 Exercices sur les propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

13 Exercices appliqués 21
13.1 Physique - Mécanique quantique . . . . . . . . . . . . . . . . . . . . . . . . 21
13.2 Physique - Optique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
13.3 Ingénierie - Analyse structurale . . . . . . . . . . . . . . . . . . . . . . . . 21
13.4 Ingénierie - Traitement du signal . . . . . . . . . . . . . . . . . . . . . . . 22

2/24
Algèbre Linéaire - Calcul Matriciel Chapitre 2

13.5 Informatique - Graphisme 3D . . . . . . . . . . . . . . . . . . . . . . . . . 22

13.6 Informatique - Intelligence artificielle . . . . . . . . . . . . . . . . . . . . . 22
13.7 Économie - Modèle input-output . . . . . . . . . . . . . . . . . . . . . . . 22
13.8 Économie - Optimisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
13.9 Physique - Relativité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
13.10Ingénierie - Contrôle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

14 Récapitulatif des formules essentielles 24

3/24
Algèbre Linéaire - Calcul Matriciel Chapitre 2

Introduction
Le calcul matriciel est un outil fondamental des mathématiques modernes. Il permet
de représenter et de manipuler efficacement des systèmes d’équations linéaires, des trans-
formations géométriques et des données multidimensionnelles.
Ce chapitre couvre :
— Les définitions et opérations fondamentales
— Les matrices particulières et leurs propriétés
— Les applications linéaires et leur représentation matricielle
— Les transformations géométriques
— Les applications concrètes en physique, ingénierie et économie

4/24
Algèbre Linéaire - Calcul Matriciel Chapitre 2

Introduction et historique
Origine des matrices
Le concept de matrice trouve ses origines dans l’Antiquité avec les systèmes d’équa-
tions linéaires. Les Babyloniens et les Chinois résolvaient déjà des systèmes d’équations à
plusieurs inconnues.

Dates clés :
— 1683 : Gottfried Wilhelm Leibniz introduit la notation des coefficients.
— 1750 : Gabriel Cramer formule la règle de Cramer pour résoudre les systèmes
linéaires.
— 1850 : James Joseph Sylvester introduit le terme "matrice".
— 1855 : Arthur Cayley définit les opérations matricielles modernes.
— 1925 : Werner Heisenberg utilise les matrices en mécanique quantique.

Importance des matrices

Les matrices sont omniprésentes dans les sciences modernes :
— Physique : mécanique quantique, relativité, électromagnétisme
— Informatique : graphisme 3D, intelligence artificielle, cryptographie
— Économie : modèles input-output, optimisation, finance
— Ingénierie : analyse structurale, traitement du signal, contrôle
— Statistiques : analyse de données, régression linéaire
—

Définition d’une matrice

Définition formelle
Définition 2.1. Une matrice de taille m × n (ou d’ordre (m, n)) est un tableau rectan-
gulaire de nombres (éléments) disposés en m lignes et n colonnes :
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
A =  ..
 
.. ... .. 
 . . . 
am1 am2 · · · amn
— Les éléments aij appartiennent à un corps K (généralement R ou C).
— L’indice i désigne la ligne, j la colonne.
— L’ensemble des matrices m × n sur K est noté Mm,n (K).

5/24
Algèbre Linéaire - Calcul Matriciel Chapitre 2

Exemples fondamentaux
Exemple 2.2 (Matrice 2 × 3).  
1 2 3
A=
4 5 6
Exemple 2.3 (Matrice 3 × 3 (carrée)).
 
1 0 2
B = −1 3 1
4 −2 0
Exemple 2.4 (Matrice ligne (vecteur ligne)).
 
C= 1 2 3 4
Exemple 2.5 (Matrice colonne (vecteur colonne)).
 
1
D = 2

3

Notations

Notation Signification
A = (aij )1≤i≤m,1≤j≤n Matrice générique
A ∈ Mm,n (K) Matrice de taille m × n sur K
AT Transposée de A
A Conjuguée de A (pour matrices complexes)
∗ T
A =A Matrice adjointe (hermitienne)

Construction de l’ensemble des matrices carrées d’ordre n

Définition
Définition 3.1. Une matrice carrée est une matrice ayant le même nombre de lignes et
de colonnes. L’ensemble des matrices carrées d’ordre n sur K est noté Mn (K).
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
A =  ..
 
.. . . .. 
 . . . . 
an1 an2 · · · ann

Propriétés des matrices carrées

Propriété 3.2. 1. Mn (K) est un espace vectoriel sur K de dimension n2 .
2. La multiplication est définie pour deux matrices carrées de même ordre.
3. L’ensemble Mn (K) est une algèbre sur K.
4. Une matrice carrée peut avoir une inverse.

6/24
Algèbre Linéaire - Calcul Matriciel Chapitre 2

Structure d’algèbre
Théorème 3.3. (Mn (K), +, ×) est une algèbre associative unitaire :
— L’addition est commutative et associative
— La multiplication est associative
— La multiplication est distributive sur l’addition
— Il existe un élément neutre pour la multiplication : la matrice identité In

Base canonique de Mn (K)

La base canonique est formée des matrices Eij ayant un 1 en position (i, j) et des 0
ailleurs.

0 ··· 0 ··· 0
 
 .. . . . .. . . . .. 
. . .
Eij = 0 · · · 1 · · · 0
 
. .
 .. . . ... . . . ... 


0 ··· 0 ··· 0
Théorème 3.4.
dim(Mn (K)) = n2

Théorèmes fondamentaux
Théorème d’associativité du produit matriciel
Théorème 4.1. Le produit matriciel est associatif.
Soient A ∈ Mm,n (K), B ∈ Mn,p (K), C ∈ Mp,q (K). Alors :

(AB)C = A(BC)

Théorème de distributivité
Théorème 4.2. Le produit matriciel est distributif sur l’addition.

A(B + C) = AB + AC

(A + B)C = AC + BC

Théorème d’existence de l’inverse

Théorème 4.3. Une matrice carrée A ∈ Mn (K) est inversible si et seulement si det(A) ̸=
0.

7/24
Algèbre Linéaire - Calcul Matriciel Chapitre 2

Théorème de Binet-Cauchy
Théorème 4.4. Pour A, B ∈ Mn (K) :

det(AB) = det(A) · det(B)

Corollaire : Si A est inversible :

1
det(A−1 ) =
det(A)

Théorème du rang
Théorème 4.5. Pour A ∈ Mm,n (K) :

rg(A) = dim(ℑ(A)) = n − dim(Ker(A))

Théorème de Cayley-Hamilton
Théorème 4.6. Toute matrice carrée A ∈ Mn (K) annule son polynôme caractéristique.
Si PA (λ) = det(λIn − A), alors PA (A) = 0.

Théorème de Jordan
Théorème 4.7. Toute matrice complexe est semblable à une matrice de Jordan (diagonale
par blocs).

Matrices échelonnées
Définition
Définition 5.1. Une matrice est dite échelonnée (ou en forme échelonnée) si :
1. Les lignes nulles (si elles existent) sont en bas de la matrice.
2. Le premier élément non nul de chaque ligne (appelé pivot) est strictement à droite
du pivot de la ligne précédente.

Matrice échelonnée réduite

Définition 5.2. Une matrice est en forme échelonnée réduite si :
1. Elle est échelonnée.
2. Chaque pivot est égal à 1.
3. Chaque colonne contenant un pivot n’a que des zéros ailleurs.

8/24
Algèbre Linéaire - Calcul Matriciel Chapitre 2

Exemples
Exemple 5.3 (Matrice échelonnée).
 
1 2 3 4
0 0 1 2
 
0 0 0 1
0 0 0 0

Exemple 5.4 (Matrice échelonnée réduite).

 
1 0 0 2
0 1 0 −1
 
0 0 1 3 
0 0 0 0

Algorithme d’élimination de Gauss

Propriété 5.5. Principe : Transformation d’une matrice en forme échelonnée par opé-
rations élémentaires sur les lignes :
1. Échanger deux lignes (Li ↔ Lj )
2. Multiplier une ligne par un scalaire non nul (Li ← αLi )
3. Ajouter un multiple d’une ligne à une autre (Li ← Li + αLj )

Méthode de Gauss-Jordan
Propriété 5.6. Principe : Transformation d’une matrice en forme échelonnée réduite
pour résoudre des systèmes ou calculer des inverses.
—

Opérations sur les matrices

Addition
Définition 6.1. Pour A = (aij ) et B = (bij ) de même taille :

(A + B)ij = aij + bij

Exemple 6.2.      
1 2 5 6 6 8
+ =
3 4 7 8 10 12

Multiplication par un scalaire

Définition 6.3. Pour α ∈ K et A = (aij ) :

(αA)ij = α · aij

Exemple 6.4.    
1 2 2 4
2· =
3 4 6 8

9/24
Algèbre Linéaire - Calcul Matriciel Chapitre 2

Produit matriciel
Définition 6.5. Le produit de A ∈ Mm,n (K) et B ∈ Mn,p (K) est C = AB ∈ Mm,p (K)
défini par :
n
X
cij = aik bkj
k=1

Exemple 6.6.
      
1 2 5 6 1·5+2·7 1·6+2·8 19 22
= =
3 4 7 8 3·5+4·7 3·6+4·8 43 50

Transposition
Définition 6.7. La transposée de A = (aij ) ∈ Mm,n (K) est AT ∈ Mn,m (K) définie par :

(AT )ij = aji

Propriété 6.8. 1. (AT )T = A

2. (A + B)T = AT + B T
3. (αA)T = αAT
4. (AB)T = B T AT

Exemple 6.9.  
  1 4
1 2 3
A= , AT = 2 5
4 5 6
3 6

Trace d’une matrice carrée

Définition 6.10. La trace de A = (aij ) ∈ Mn (K) est :
n
X
tr(A) = aii
i=1

Propriété 6.11. 1. tr(A + B) = tr(A) + tr(B)

2. tr(αA) = αtr(A)
3. tr(AB) = tr(BA)
4. tr(AT ) = tr(A)

Déterminant
Définition 6.12. Pour A ∈ Mn (K), le déterminant det(A) est défini par :

X n
Y
det(A) = ε(σ) aiσ(i)
σ∈Sn i=1

10/24
Algèbre Linéaire - Calcul Matriciel Chapitre 2

Cas particuliers :
2×2 :  
a b
det = ad − bc
c d
3×3 :  
a b c
det d e f  = a(ei − f h) − b(di − f g) + c(dh − eg)
g h i

Inverse d’une matrice

Définition 6.13. A−1 est l’inverse de A si :
AA−1 = A−1 A = In

Formule pour 2 × 2 :
   
a b −1 1 d −b
A= , A =
c d ad − bc −c a

Méthode de calcul : Gauss-Jordan

[A|In ] −→ [In |A−1 ]

Matrices particulières
Matrice nulle
Définition 7.1. La matrice nulle Om,n a tous ses éléments nuls.

Matrice identité
Définition 7.2. La matrice identité In est la matrice carrée avec des 1 sur la diagonale
et des 0 ailleurs.  
1 0 ··· 0
0 1 · · · 0
In =  ..
 
.. . . .. 
. . . .
0 0 ··· 1

Matrice diagonale
Définition 7.3. Une matrice diagonale a des éléments non nuls uniquement sur la dia-
gonale principale.
 
d1 0 · · · 0
 0 d2 · · · 0 
D = diag(d1 , d2 , . . . , dn ) =  .. .. . .
 
.. 
. . . .
0 0 · · · dn

11/24
Algèbre Linéaire - Calcul Matriciel Chapitre 2

Matrice triangulaire supérieure

Définition 7.4. Une matrice triangulaire supérieure a des zéros sous la diagonale prin-
cipale.  
u11 u12 · · · u1n
 0 u22 · · · u2n 
U =  ..
 
.. . . .. 
 . . . . 
0 0 ··· unn

Matrice triangulaire inférieure

Définition 7.5. Une matrice triangulaire inférieure a des zéros au-dessus de la diagonale
principale.  
l11 0 · · · 0
 l21 l22 · · · 0 
L =  ..
 
.. . . .. 
 . . . . 
ln1 ln2 · · · lnn

Matrice symétrique
Définition 7.6. Une matrice carrée A est symétrique si AT = A.
 
1 2 3
A = 2 4 5
3 5 6

Matrice antisymétrique
Définition 7.7. Une matrice carrée A est antisymétrique si AT = −A.
 
0 2 −3
A = −2 0 4
3 −4 0

Matrice orthogonale
Définition 7.8. Une matrice carrée A est orthogonale si AT A = AAT = In .
Propriété : det(A) = ±1

Matrice hermitienne
T
Définition 7.9. Une matrice complexe A est hermitienne si A∗ = A où A∗ = A .

Matrice unitaire
Définition 7.10. Une matrice complexe A est unitaire si A∗ A = AA∗ = In .

Matrice nilpotente
Définition 7.11. Une matrice carrée A est nilpotente s’il existe k ∈ N∗ tel que Ak = 0.

12/24
Algèbre Linéaire - Calcul Matriciel Chapitre 2

Matrice idempotente
Définition 7.12. Une matrice carrée A est idempotente si A2 = A.

Matrice de permutation
Définition 7.13. Une matrice de permutation est obtenue en permutant les lignes de la
matrice identité.

Applications linéaires
Définition
Définition 8.1. Une application f : E → F entre deux espaces vectoriels est linéaire
si :
1. f (x + y) = f (x) + f (y)
2. f (αx) = αf (x)

Matrice associée à une application linéaire

Théorème 8.2. Toute application linéaire f : Kn → Km est représentée par une matrice
A ∈ Mm,n (K).
Si f (x) = Ax, alors :
— Les colonnes de A sont les images des vecteurs de la base canonique.

Noyau et image
Définition 8.3. — Noyau : Ker(f ) = {x | Ax = 0}
— Image : ℑ(f ) = {Ax | x ∈ Kn }

Isomorphisme
Définition 8.4. f est un isomorphisme si elle est bijective.
Condition : A est inversible (det(A) ̸= 0).

Matrice de passage
Définition 8.5. La matrice de passage P d’une base B à une base B ′ est la matrice dont
les colonnes sont les coordonnées des vecteurs de B dans la base B ′ .
Formule : xB′ = P −1 xB

13/24
Algèbre Linéaire - Calcul Matriciel Chapitre 2

Orthogonalité
Produit scalaire
Définition 9.1. Le produit scalaire euclidien dans Rn est :
n
X
T
⟨x, y⟩ = x y = xi y i
i=1

Norme
Définition 9.2. La norme d’un vecteur est :
v
u n
p uX
∥x∥ = ⟨x, x⟩ = t x2 i
i=1

Orthogonalité de vecteurs
Définition 9.3. Deux vecteurs x et y sont orthogonaux si :

⟨x, y⟩ = 0

Famille orthogonale
Définition 9.4. Une famille de vecteurs est orthogonale si tous les vecteurs sont deux à
deux orthogonaux

Famille orthonormale
Définition 9.5. Une famille de vecteurs est orthonormale si elle est orthogonale et que
chaque vecteur a une norme égale à 1.

Matrices orthogonales
Définition 9.6. Une matrice carrée A est orthogonale si :

AT A = AAT = In

Propriétés :
— Les colonnes (et les lignes) de A forment une base orthonormale de Rn .
— det(A) = ±1
— A−1 = AT

Processus d’orthogonalisation de Gram-Schmidt

Propriété 9.7. Algorithme :
1. v1 = u1
⟨u2 , v1 ⟩
2. v2 = u2 − v1
⟨v1 , v1 ⟩

14/24
Algèbre Linéaire - Calcul Matriciel Chapitre 2

Pk−1 ⟨uk , vi ⟩
3. vk = uk − i=1 vi
⟨vi , vi ⟩
vi
Puis on normalise : ei =
∥vi ∥
—

Matrices symétriques
Définition
Définition 10.1. Une matrice A ∈ Mn (R) est symétrique si AT = A.

Propriétés fondamentales
Propriété 10.2. 1. Une matrice symétrique est diagonalisable.
2. Les valeurs propres d’une matrice symétrique sont réelles.
3. Les vecteurs propres d’une matrice symétrique correspondant à des valeurs propres
distinctes sont orthogonaux.
4. Une matrice symétrique est définie positive si toutes ses valeurs propres sont > 0.

Diagonalisation des matrices symétriques

Théorème 10.3. Si A est symétrique réelle, il existe une matrice orthogonale P telle
que :
P −1 AP = P T AP = D
où D est une matrice diagonale contenant les valeurs propres de A.

Formes quadratiques
Définition 10.4. Une forme quadratique sur Rn est une fonction :

Q(x) = xT Ax

où A est symétrique.

Classification :
— A définie positive : Q(x) > 0 pour x ̸= 0
— A définie négative : Q(x) < 0 pour x ̸= 0
— A semi-définie : Q(x) ≥ 0 ou Q(x) ≤ 0
— A indéfinie : Q prend des valeurs des deux signes

Critère de Sylvester
Théorème 10.5. Une matrice symétrique A est définie positive si tous ses mineurs prin-
cipaux sont strictement positifs.

15/24
Algèbre Linéaire - Calcul Matriciel Chapitre 2

Transformations du plan
Homothétie
Définition 11.1. Une homothétie de rapport k ∈ R∗ centrée à l’origine est :

Hk : R2 → R2 , Hk (x, y) = (kx, ky)

Matrice associée :  
k 0
Hk =
0 k
Dans Rn :  
k 0 ··· 0
0 k · · · 0
Hk =  .. .. . . ..  = kIn
 
. . . .
0 0 ··· k
Déterminant : det(Hk ) = k n

Translation
Définition 11.2. Une translation de vecteur t = (a, b) est :

Tt : R2 → R2 , Tt (x, y) = (x + a, y + b)

Remarque : La translation n’est pas une transformation linéaire (sauf si t = 0). Elle
est affine.
En coordonnées homogènes (matrice 3 × 3) :
 
1 0 a
Tt = 0 1 b 
0 0 1

Pour Rn :  
In t
Tt =
0 1

Rotation
Définition 11.3. Une rotation d’angle θ dans R2 est :

Rθ : R2 → R2 , Rθ (x, y) = (x cos θ − y sin θ, x sin θ + y cos θ)

Matrice associée :  
cos θ − sin θ
Rθ =
sin θ cos θ
Dans R3 :
Rotation autour de l’axe Oz :
 
cos θ − sin θ 0
Rz (θ) =  sin θ cos θ 0
0 0 1

16/24
Algèbre Linéaire - Calcul Matriciel Chapitre 2

Rotation autour de l’axe Ox :

 
1 0 0
Rx (θ) = 0 cos θ − sin θ
0 sin θ cos θ

Rotation autour de l’axe Oy :

 
cos θ 0 sin θ
Ry (θ) =  0 1 0 
− sin θ 0 cos θ

Composition de transformations
Propriété 11.4. La composition de transformations correspond au produit des matrices.
Exemple : Rotation suivie d’une homothétie :

M = Hk · Rθ

Transformation affine
Définition 11.5. Une transformation affine est une transformation de la forme :

x 7→ Ax + t

En coordonnées homogènes :
 ′   
x A t x
=
1 0 1 1
—

Exercices résolus
Exercices sur les opérations
Exercice 12.1. Calculer le produit des matrices :
   
1 2 5 6
A= , B=
3 4 7 8

Démonstration 12.2.
   
1·5+2·7 1·6+2·8 19 22
AB = =
3·5+4·7 3·6+4·8 43 50
 
1 2 3
Exercice 12.3. Calculer la transposée de A = .
4 5 6
Démonstration 12.4.  
1 4
A T = 2 5 
3 6

17/24
Algèbre Linéaire - Calcul Matriciel Chapitre 2

 
1 2 3
Exercice 12.5. Calculer le déterminant de A = 4 5 6.
7 8 9
Démonstration 12.6.
det(A) = 1(5 · 9 − 6 · 8) − 2(4 · 9 − 6 · 7) + 3(4 · 8 − 5 · 7)
= 1(45 − 48) − 2(36 − 42) + 3(32 − 35) = −3 − 2(−6) + 3(−3) = −3 + 12 − 9 = 0
Conclusion : A n’est pas inversible.
 
1 2
Exercice 12.7. Trouver l’inverse de A = .
3 4
Démonstration 12.8.
det(A) = 1 · 4 − 2 · 3 = 4 − 6 = −2
   
−1 1 4 −2 −2 1
A = =
−2 −3 1 3/2 −1/2
   
1 2 5
Exercice 12.9. Résoudre le système Ax = b où A = et b = .
3 4 11
Démonstration 12.10.     
1 2 x 5
=
3 4 y 11
(
x + 2y = 5
3x + 4y = 11
De la première : x = 5 − 2y. Dans la deuxième : 3(5 − 2y) + 4y = 11 ⇒ 15 − 6y + 4y =
11 ⇒ −2y = −4 ⇒ y = 2. x = 5 − 4 = 1.
1
Solution : x =
2
 
1 2
Exercice 12.11. Montrer que A = est symétrique.
2 4
Démonstration 12.12. 

1 2
T
A = =A
2 4
Conclusion : A est symétrique.

cos θ − sin θ
Exercice 12.13. Vérifier que la matrice de rotation Rθ = est orthogo-
sin θ cos θ
nale.
Démonstration 12.14.
  
cos θ sin θ cos θ − sin θ
RθT Rθ =
− sin θ cos θ sin θ cos θ

cos2 θ + sin2 θ
   
− cos θ sin θ + sin θ cos θ 1 0
= =
− sin θ cos θ + cos θ sin θ sin2 θ + cos2 θ 0 1
Conclusion : Rθ est orthogonale.

18/24
Algèbre Linéaire - Calcul Matriciel Chapitre 2

Exercice 12.15. Calculer la matrice de l’homothétie de rapport 3 dans R2 .

Démonstration 12.16.  
3 0
H3 =
0 3

Exercice 12.17. Donner la matrice de rotation de 45◦ dans R2 .

Démonstration 12.18.
"√ √ #
◦ ◦ 2
−√ 22
 
cos 45 − sin 45 √2
R45◦ = =
sin 45◦ cos 45◦ 2 2
2 2

Exercice 12.19. Trouver la matrice de la composition : rotation de 90◦ suivie d’une

homothétie de rapport 2.

Démonstration 12.20.
  
0 −1 2 0
R90◦ = , H2 =
1 0 0 2
    
2 0 0 −1 0 −2
M = H2 · R90◦ = =
0 2 1 0 2 0

Exercices sur les propriétés

Exercice 12.21. Résoudre le système :

x + 2y + 3z = 1

2x + 3y + 4z = 2

3x + 4y + 5z = 3


 
1 2 3
Démonstration 12.22. La matrice du système est A = 2 3 4. On a det(A) = 0,
3 4 5
donc le système n’a pas de solution unique. (Les équations sont liées : L3 − L2 = L2 − L1 )

Exercice 12.23. Trouver la dimension de l’ensemble des matrices symétriques n × n.

Démonstration 12.24. Une matrice symétrique est déterminée par ses éléments aij avec
i ≤ j. Le nombre de tels éléments est n(n+1)
2
.
n(n+1)
Conclusion : dim(Sn ) = 2

Exercice 12.25. Montrer que toute matrice carrée se décompose en somme d’une matrice
symétrique et d’une matrice antisymétrique.

Démonstration 12.26.
A + AT A − AT
A= +
2 2
A+AT T AT +A A+AT
— 2
est symétrique car ( A+A
2
)T = 2
= 2
A−AT T AT −A T
— 2
est antisymétrique car ( A−A
2
)T = 2
= − A−A
2

19/24
Algèbre Linéaire - Calcul Matriciel Chapitre 2

 
2 1 2
Exercice 12.27. Calculer A pour A = .
3 4
Démonstration 12.28.
      
2 1 2 1 2 1+6 2+8 7 10
A = = =
3 4 3 4 3 + 12 6 + 16 15 22
   
1 1 1 0
Exercice 12.29. Vérifier que A = et B = ne commutent pas.
0 1 1 1
Démonstration 12.30.
   
1 1 1 0 2 1
AB = =
0 1 1 1 1 1
    
1 0 1 1 1 1
BA = =
1 1 0 1 1 2
AB ̸= BA, donc les matrices ne commutent pas.
 
1 2 3
Exercice 12.31. Calculer la trace de A = 4 5 6.
7 8 9
Démonstration 12.32.
tr(A) = 1 + 5 + 9 = 15
Exercice 12.33. Montrer que tr(AB) = tr(BA) pour A, B ∈ Mn (R).
Démonstration 12.34.
n
X n X
X n
tr(AB) = (AB)ii = aik bki
i=1 i=1 k=1
n
X n X
X n
tr(BA) = (BA)ii = bik aki
i=1 i=1 k=1
En changeant les indices, on obtient l’égalité.
Exercice 12.35. Trouver la matrice de rotation de 30◦ dans R2 .
Démonstration 12.36.
"√ #
◦ ◦ 3 1
 
cos 30 − sin 30 2
−
√2
R30◦ = =
sin 30◦ cos 30◦ 1 3
2 2
 
1 2 3
Exercice 12.37. Déterminer si A = 2 4 6 est diagonalisable.
3 6 9
Démonstration 12.38. Les colonnes de A sont colinéaires : C2 = 2C1 et C3 = 3C1 .
Donc rg(A) = 1. A est diagonalisable car symétrique réelle.
Exercice 12.39. Calculer le déterminant de la matrice de rotation Rθ .
Démonstration 12.40.
 
cos θ − sin θ
det(Rθ ) = det = cos2 θ + sin2 θ = 1
sin θ cos θ
—

20/24
Algèbre Linéaire - Calcul Matriciel Chapitre 2

Exercices appliqués
Physique - Mécanique quantique
Exercice 13.1. En mécanique quantique, les matrices de Pauli sont :
     
0 1 0 −i 1 0
σx = , σy = , σz =
1 0 i 0 0 −1

Montrer que σx2 = σy2 = σz2 = I2 .

Démonstration 13.2.  2  
0 1 1 0
σx2
= = = I2
1 0 0 1
 2  2   
2 0 −i −i 0 1 0
σy = = = = I2
i 0 0 −i2 0 1
 2  
2 1 0 1 0
σz = = = I2
0 −1 0 1

Physique - Optique
Exercice 13.3. Une plaque polarisante transforme un vecteur de polarisation selon la
matrice :  
cos2 θ cos θ sin θ
Pθ =
cos θ sin θ sin2 θ
Calculer Pθ pour θ = 45◦ .

Démonstration 13.4. 1 1

P45◦ = 2 2
1 1
2 2

Ingénierie - Analyse structurale

Exercice 13.5. La matrice de rigidité d’une poutre est :
 
4 −2
K=
−2 4

Trouver le déterminant et vérifier si la matrice est définie positive.

Démonstration 13.6.

det(K) = 4 · 4 − (−2)(−2) = 16 − 4 = 12 > 0

K est définie positive car det(K) > 0 et K11 = 4 > 0.

21/24
Algèbre Linéaire - Calcul Matriciel Chapitre 2

Ingénierie - Traitement du signal

Exercice 13.7. La transformée de Fourier discrète (TFD) pour n = 2 est :
 
1 1
F2 =
1 −1
Montrer que F2 est inversible et trouver son inverse.
Démonstration 13.8.
det(F2 ) = 1 · (−1) − 1 · 1 = −2 ̸= 0
Donc F2 est inversible.
   
1 −1 −1 1 1 1
F2−1 = =
−2 −1 1 2 1 −1

Informatique - Graphisme 3D
Exercice 13.9. Donner la matrice de rotation autour de l’axe Oz d’angle 90◦ et son effet
sur le point (1, 0, 0).
Démonstration 13.10.  
0 −1 0
Rz (90◦ ) = 1 0 0
0 0 1
   
1 0
◦  
Rz (90 ) 0 = 1
0 0
Le point (1, 0, 0) est transformé en (0, 1, 0).

Informatique - Intelligence artificielle

Exercice 13.11. La rétropropagation en réseau de neurones utilise la matrice :
   
0.2 0.3 1
W = , x=
0.4 0.5 2
Calculer W x.
Démonstration 13.12.
      
0.2 0.3 1 0.2(1) + 0.3(2) 0.8
Wx = = =
0.4 0.5 2 0.4(1) + 0.5(2) 1.4

Économie - Modèle input-output

Exercice 13.13. La matrice de Leontief est :
 
0.2 0.3
A=
0.4 0.1
Trouver la matrice I − A.
Démonstration 13.14.

    
1 0 0.2 0.3 0.8 −0.3
I −A= − =
0 1 0.4 0.1 −0.4 0.9

22/24
Algèbre Linéaire - Calcul Matriciel Chapitre 2

Économie - Optimisation
Exercice 13.15. La matrice de covariance d’un portefeuille est :
 
0.04 0.01
Σ=
0.01 0.09
 
0.6
Calculer la variance du portefeuille x = .
0.4
Démonstration 13.16.
σ 2 = xT Σx
  
  0.04 0.01 0.6
= 0.6 0.4
0.01 0.09 0.4
 
  0.028
= 0.6 0.4 = 0.0168 + 0.0168 = 0.0336
0.042

Physique - Relativité
Exercice 13.17. La matrice de Lorentz en relativité restreinte est :
 
γ −γβ
L=
−γβ γ

où γ = √ 1 . Montrer que det(L) = 1.

1−β 2

Démonstration 13.18.

det(L) = γ · γ − (−γβ)(−γβ) = γ 2 − γ 2 β 2 = γ 2 (1 − β 2 ) = 1

Ingénierie - Contrôle
Exercice 13.19. La matrice d’état d’un système est :
 
−2 1
A=
−1 −3

Trouver les valeurs propres de A.

Démonstration 13.20.
 
−2 − λ 1
det(A − λI) = det
−1 −3 − λ

= (−2 − λ)(−3 − λ) − (−1)(1) = (λ + 2)(λ + 3) + 1 = λ2 + 5λ + 6 + 1 = λ2 + 5λ + 7

√ √
−5 ± 25 − 28 −5 ± i 3
λ= =
2 2
—

23/24
Algèbre Linéaire - Calcul Matriciel Chapitre 2

Récapitulatif des formules essentielles

Concept Formule
P
Produit matriciel (AB)ij = k aik bkj
Transposée (AT )ij =Paji
Trace tr(A) = i aii
Déterminant 2 × 2 ad − bc
Déterminant 3 × 3 a(ei − f h) − b(di − f g) + c(dh − eg)
1 d −b
Inverse 2 × 2 ad−bc −c
 a
cos θ − sin θ
Rotation 2D
sin θ cos θ
Homothétie kIn
Matrice orthogonale A A = AAT = I
T

Matrice symétrique AT = A
Binet-Cauchy det(AB) = det(A) det(B)
Théorème du rang dim(E) = dim(Ker(f )) + rg(f )

Fin du chapitre : Calcul Matriciel

24/24