0.

1 Matrices et applications linéaires

0.1.1 Matrice d’une famille de vecteurs dans une base

Soit E un K-espace vectoriel, de dim n → 1, muni d’une base B = (e1 , e2 , · · · , en ).
!n
Donc,↑x ↓ E, ↔!(ω1 , ..., ωn ) ↓ K tel que x =
n
ωk .ek .
k=1  
ω1
 
 ω2 
 
La matrice du vecteur x dans la base B est MB (x) =  . 
 .. 
 
ωn
B

Définition 0.1. Soit E un K-espace vectoriel, de dim n → 1, muni d’une base B = (e1 , e2 , · · · , en ).
Soit F = (x1 , ..., xp ) une famille de p vecteurs de E. ↑1 ↗ j ↗ p, on a

x1 = a11 e1 + ... + an1 en

x2 = a12 e1 + ... + an2 en
..
.
x1 = a1p e1 + ... + anp en
Soit A la matrice de Mn,p (K) de terme général aij .
 
a a · · · a1,p
 1,1 1,2 
 a2,1 a2,2 · · · a2,p 
 
A= . .. .. .. 
 .. . . . 
 
an,1 an,2 · · · an,p

A est appelée matrice de la famille F dans la base B.

Interprétation
Avec ces notations, la j eme colonne de A est formée des composantes de xj dans B.

Exemple 0.2.
Supposons par exemple que B = (e1 , e2 , e3 ) est une base de E (donc dim(E) = 3).
Supposons
( également que les vecteurs x1 , x2 soient donnés par :
x1 = 3e1 + 5e2 + e3
x2 = 2e1 + 4e2 + 7e3 .
 
3 2
 
Alors la matrice de F = (x1 , x2 ) dans la base B est 
 5 4 .

1 7

1
 Notation dans un cas particulier
) *
Dans un K-espace vectoriel E de dimension finie, muni d’une base B, on notera u B la
matrice-colonne des coordonnées d’un vecteur u de E dans la base B.

0.1.2 Matrice d’une application linéaire dans un couple de bases

Définition 0.3. Soient E et F deux espaces vectoriels sur K.
On suppose que dim(E) = p → 1, et que E est muni d’une base B = (e1 , e2 , · · · , ep )
On suppose que dim(F ) = n → 1, et que F est muni d’une base B → = (v1 , v2 , · · · , vn ).
Soit f une application linéaire de E dans F .
Donc, 

 f (e1 ) = a1,1 v1 + ... + an,1 vn



 f (e2 ) = a1,2 v1 + ... + an,2 vn
 ..

 .


 f (e ) = a v + ... + a v
p 1,p 1 n,p n

On appelle matrice de f dans les bases B et B → la matrice A de la famille des vecteurs

(f (e1 ), f (e2 ), · · · , f (ep ) dans la base B → .
 
a1,1 a1,2 · · · a1,p
 
 a2,1 a2,2 · · · a2,p 
 
A = M(f, B, B → ) =  . .. ... .. 
 .. . . 
 
an,1 an,2 · · · an,p

Cette matrice, élément de Mn,p (K), est notée M(f, B, B → ), ou matB,B→ (f ).

Interprétation
Pour tout indice j de {1, · · · , p}, la j eme colonne de A = M(f, B, B → ) est formée des compo-
santes du vecteur f (ej ) dans la base B → .

Exemple 0.4.
Supposons qu’une base de E soit B = (e1 , e2 , e3 ), et qu’une base de F soit B → = (v1 , v2 ).
Soit
 f l’application linéaire de E dans F définie par

 f (e1 ) = v1 + 2v2

f (e2 ) = 7v1 + 5v2


 f (e ) = 3v
3 1
/ 
1 7 3
Alors la matrice de f dans les bases B et B → est A = .
2 5 0

2
Applications :

1. Soit f : R3 [X] ↘≃ R2 [X]

P ⇐↘≃ P →
La base canonique de R3 [X] = (1, X, X 2 , X 3 ) et la base canonique de R2 [X] =
(1, X, X 2 ).
 
0 1 0 0
 
M (f, B, B ) = 
→ 
 0 0 2 0 
0 0 0 3
2. Soit g : R3 ↘≃ R2
(x, y, z) ⇐↘≃ (x + 2y ↘ z, x ↘ y + 3z)
La base canonique de R3 = (e1 , e2 , e3 ) et la base canonique de R2 = (e→1 , e→2 ).
/ 
1 2 ↘1
M (f, B, B → ) = .
1 ↘1 3

Cas particulier : Matrice d’un endomorphisme dans une base

Soit f un endomorphisme de E, où dim(E) = n → 1. Si on munit E de la même base B au
départ et à l’arrivée on parle de la matrice de f dans la base B.
Cette matrice, carrée d’ordre n, sera notée M(f, B), ou matB (f ).

Proposition 0.5. Soient E et F deux espaces vectoriels sur K. E est muni d’une base
B = (e1 , e2 , · · · , en ) et F est muni d’une base B → = (u1 , u2 , · · · , un ).
Soit f une application linéaire de E dans F , de matrice A dans les bases B et B → .
Pour tout x de E, l’égalité vectorielle y = f (x) équivaut à l’égalité matricielle [f (x)]B→ =
A[x]B , càd matB→ (f (x)) = [Link] (x).

Remarque 0.6. Réciproquement, si une application f : E ↘≃ F est telle qu’il existe une
matrice A telle que pour tout vecteur x de E, matB→ (f (x)) = [Link] (x), alors f est linéaire
et A = matB,B→ (f ).
• Cas particulier :
⇒ La matrice de l’application nulle de E dans F est la matrice nulle, et ceci quelque
soit le couple de bases.
⇒ La matrice de IdE dans une base B de E est la matrice identité, quelque soit la base
B.

3
 • A toute application linéaire f de E (de dimension p → 1) vers F (de dimension n → 1)
correspond une matrice unique de Mn,p (K) dans un couple de bases donné.
Inversement, une matrice A dans Mn,p (K) peut représenter une infinité d’applications
linéaires.

0.1.3 Propriétés opératoires

Proposition 0.7. On suppose que dim(E) = p → 1 et que dim(F ) = n → 1. E est muni
d’une base B et F est muni d’une base B → .
L’application
M : L(E, F ) ≃ Mn,p (K)
f ⇐≃ M(f, B, B → )
est linéaire, (c’est donc un isomorphisme d’espaces vectoriels) :
↑(f, g) ↓ L(E, F )2 , ↑(ε, µ) ↓ K2
M(εf + µg, B, B → ) = εM(f, B, B → ) + µM(g, B, B → ).

Matrice de la composée g ⇑ f

Proposition 0.8. Soient E, F, G trois espaces vectoriels de dimension finie, munis des bases
B, B → , et B”.
Soit f : E ↘≃ F , une application linéaire, de matrice A dans les bases B et B → .
Soit g : F ↘≃ G, une application linéaire, de matrice B dans les bases B → et B →→ .
Alors la matrice de g ⇑ f , dans les bases B et B →→ , est BA.
Autrement dit : M(g ⇑ f, B, B →→ ) = M(g, B → , B →→ ) ⇓ M(f, B, B → ).

Matrice de f ↑1

Proposition 0.9. Soient E et F deux K-espaces vectoriels de même dimension n → 1. On

suppose que E est muni de la base B, et que F est muni de la base B → .
Soit f une application linéaire de E dans F , de matrice A dans les bases B et B → .
f est un isomorphisme ⇔↖ A est inversible.
La matrice de f ↑1 dans les bases B et B → est alors A↑1 .

Matrice de f n

Proposition 0.10. Soit E un K-espace vectoriel de dimension n → 1, muni d’une base B.

Soit f un endomorphisme de E, de matrice A dans la base B.

4
Pour tout entier naturel k, la matrice de f k dans la base B est Ak .
Cette propriété s’étend aux exposants k négatifs si f est un automorphisme de E, c’est-à dire
si A est inversible.

Matrice d’une application nilpotente

Proposition 0.11. Soit E un K-espace vectoriel de dimension n → 1, muni d’une base B.

Soit f un endomorphisme de E, de matrice A dans la base B.
Alors f est nilpotente ⇔↖ A est nilpotente.

0.2 Changements de bases

0.2.1 Matrices de passage

Proposition 0.12. Soit E un K-espace vectoriel de dimension n → 1, muni d’une base B.
Soit F une famille de n vecteurs de E (autant donc que la dimension de E).
Soit A la matrice de la famille F dans la base B. C’est un élément de Mn (K).
Alors la famille F est une base de E ⇔↖ la matrice A est inversible.

Définition 0.13. Soit E un K-espace vectoriel de dimension n → 1, muni de deux bases B

et B → .
La matrice de la famille B → dans la base B est appelée matrice de passage de la base B à la
base B → , et notée P(B↑↓B→ ) .
D’après ce qui précède, cette matrice est inversible.

Avec les notations précédentes, la matrice de passage de B à B → est :

• La matrice de l’identité, de E muni de B → vers E muni de B : P(B↑↓B → ) = M(IdE , B → , B).
• La matrice dans B de l’automorphisme f défini par : ↑j ↓ {1, · · · , n}, f (ej ) = ej , c’est-à
dire qui transforme la base B en la base B → .
Conséquences
• L’inverse de la matrice de passage P(B↑↓B→ ) est la matrice de passage P(B→ ↑↓B) de B → à
B.
• Si B, B → et B →→ sont trois bases de E, alors on a la relation :
P(B↑↓B→→ ) = P(B↑↓B→ ) P(B→ ↑↓B→→ ) .

5
Exemple 0.14. Soit E = R2 [X] la base canonique de E B = (1, X, X 2 ).
Soit B → = (1, (X ↘ 2), (X ↘ 2)2 ). On a donc
 
1 ↘2 4
 
PB↓B→ = 
 0 1 ↘4 

0 0 1

 →
 u1 = u1

car u→2 = ↘2u1 + u2


 u→ = 4u ↘ 4u + u
3 1 2 3
  
1 2 4  →
   u1 = u1

On a aussi PB→ ↓B =  
 0 1 4  car  u2 = 2u1 + u2
→ → .

 u = 4u→ + 4u→ + u→
0 0 1 3 1 2 3
De plus PB→ ↓B = PB↓B
↑1
→ .

0.2.2 Changements de matrice pour une application linéaire

Matrices de passage et coordonnées

Proposition 0.15. Soit E un K-espace vectoriel de dimension n → 1, muni de deux bases B

et B → . Soit P la matrice de passage de B à B → .
Pour tout u de E : mat(u)B = P mat(u)B→ .

Changement de base pour une application linéaire

Proposition 0.16. Soient E et F deux espaces vectoriels sur K, de dimensions respectifs

p → 1 et n → 1. On suppose que E est muni d’une ancienne base B et d’une nouvelle base B → .
De même soient C l’ancienne base de F et C → la nouvelle base de F .
Soient P la matrice de passage de B à B → et Q la matrice de passage de C à C → .
Soit f une application linéaire de E dans F .
Soit A la matrice de f dans les bases B et C (ancienne matrice).
Soit B la matrice de f dans les bases B → et C → (nouvelle matrice).
Alors on a l’égalité : B = Q↑1 AP .

Conséquence dans un cas particulier

Soit E un espace vectoriel sur K, de dimension n → 1.
Soient B l’ancienne base de E et B → la nouvelle base de E.

6
Soit f un endomorphisme de E, de matrice A dans B et de matrice B dans B → .
Soit P la matrice de passage de B à B → . Alors on a l’égalité : B = P ↑1 AP .

0.2.3 Matrices équivalentes et matrices semblables

Matrices équivalentes

Définition 0.17. Deux matrices A et B de Mn,p (K) sont dites équivalentes s’il existe une
matrice inversible Q d’ordre n et une matrice inversible P d’ordre p telles que : B = QAP .

Matrices semblables

Définition 0.18. Deux matrices A et B de Mn (K) sont dites semblables s’il existe une
matrice inversible P d’ordre n telle que : B = P ↑1 AP .

Remarques 0.19. • Deux matrices semblables sont équivalentes (choisir Q = P ↑1 ), et

la réciproque est fausse.
• Dans Mn,p (K) la relation "A est équivalente à B" est une relation d’équivalence.
• De même, "A est semblable à B" définit une relation d’équivalence dans Mn (K).
• Si B = P ↑1 AP , alors pour tout entier naturel n on a : B n = P ↑1 An P .
Cette relation s’étend aux exposants négatifs si A et donc B sont inversibles. On peut
donc calculer B n si An est plus facile à obtenir, notamment si A est diagonale.

Proposition 0.20. Soient A et B deux matrices de f : E ↘≃ F , dans deux couples de bases.

Alors les matrices A et B sont équivalentes.
Réciproquement, toute matrice équivalente à A (donc à B) est la matrice de f dans un certain
couple de bases.

Interprétation
Deux matrices A et B sont équivalentes ssi elles peuvent représenter une même application
linéaire f : E ↘≃ F , chacune dans un couple de bases de E et F .

Proposition 0.21. Soient f un endomorphisme de E, A la matrice de f dans une base B

de E et B la matrice de f dans une base B → de E. Alors A et B sont semblables.
Réciproquement, soit C une matrice semblable à A (donc à B). Alors il existe une base B →→
de E dans laquelle la matrice de f est C.

Interprétation
Deux matrices A et B, carrées d’ordre n, sont semblables ssi elles peuvent représenter un
même endomorphisme f de E, avec dim(E) = n, chacune dans une certaine base de E.

7
0.3 Trace d’une matrice, d’un endomorphisme

0.3.1 Trace d’une matrice

Définition 0.22. Soit A une matrice carrée d’ordre n, à coe!cients dans K, de terme géné
ral aij . On appelle trace de A, et on note tr(A), la somme des coe!cients diagonaux de A.

Autrement dit, tr(A) = ni=1 aii .

Remarques 0.23.
(
tr : Mn (K) ≃ K
• L’application
A ⇐≃ tr(A)
est une forme linéaire sur l’espace vectoriel Mn (K), c’est-à-dire une application li-
néaire de Mn (K) dans K.
Ainsi pour toutes matrices A et B de Mn (K) et pour tout scalaires ω, ϑ :
tr(ωA + ϑB) = ωtr(A) + ϑtr(B).
• Soient A une matrice de Mn,p (K) et B une matrice de Mpn (K). La matrice AB est
donc carrée d’ordre n, tandis que BA est carrée d’ordre p.
Dans ces conditions, AB et BA ont la même trace : tr(AB) = tr(BA).
• L’égalité tr(AB) = tr(BA) est vraie en particulier pour toutes matrices A, B de Mn (K).
• Deux matrices semblables ont la même trace. Plus précisément, si A, P ↓ Mn (K) et si P
est inversible, alors B = P ↑1 AP et B a la même trace que A. En e"et : tr(P ↑1 AP ) =
tr((P ↑1 A)P ) = tr(P (P ↑1 A)) = tr(A)

0.3.2 Trace d’un endomorphisme

Définition 0.24. Soient E un K-espace vectoriel de dimension finie n → 1 et f un endo-
morphisme de E. On appelle trace de f et on note tr(f ) la trace de la matrice de f dans une
base quelconque de l’espace vectoriel E.

Propriétés 0.25.
• La trace de f ne dépend pas de la base B choisie dans E pour représenter matricielle-
ment f .
• Si f et g sont deux endomorphismes de E, on a : tr(g ⇑ f ) = tr(f ⇑ g).
• Si p est la projection de E sur un sous-espace F de dimension r, alors tr(p) = rg(p) = r.

8
0.4 Opérations élémentaires, calcul du rang

0.4.1 Rang d’une famille de vecteurs

Définition 0.26. Soit B = (u1 , u2 , · · · , up ) une famille de p vecteurs d’un espace vectoriel E
sur K. On appelle rang de la famille B la dimension du sous-espace vectoriel de E engendré
par cette famille :
rg(u1 , u2 , · · · , up ) = dim(V ect(u1 , u2 , · · · , up )).

Remarques 0.27.
• On a rg(u1 , u2 , · · · , up ) ↗ p.
rg(u1 , u2 , · · · , up ) = p ⇔↖ la famille B est libre.
• Si dim(E) = n, alors rg(u1 , u2 , · · · , up ) ↗ n, et rg(u1 , u2 , · · · , up ) = n ⇔↖ la famille
B engendre E.

0.4.2 Rang d’une application linéaire

Définition 0.28. Soit f une application linéaire de E dans F . On suppose que E est de
dimension finie. On appelle rang de f la dimension du sous-espace Im(f ) de F . On le note
rg(f ).

Remarques 0.29.
• On a rg(f ) = dim(E) ⇔↖ l’application f est injective.
• Si F est de dimension finie, on a rg(f ) = dim(F ) ⇔↖ f est surjective.
• Les notions de rang d’une application linéaire et de rang d’une famille de vecteurs se re-
joignent. Pour toute base (u1 , u2 , · · · , up ) de E =, rg(f ) = rg(f (u1 ), f (u2 ), · · · , f (up )).

0.4.3 Rang d’une matrice

Définition 0.30. Soit A une matrice, élément de Mn,p (K). On appelle rang de A, et on
note rg(A), le rang de la famille des p vecteurs-colonne de A, considérés comme éléments de
Kn .

Remarques 0.31.
• rg(A) est nul ⇔↖ A est la matrice nulle.

9
 • Le rang de la matrice A est égal au rang de toute application linéaire susceptible d’être
représentée par A.

Proposition 0.32. Soient E, F deux K↘ espaces vectoriels, B, B → deux bases de E, F res-

pectivement, f ↓ L(E, F ), A = M(B, B → , f ).
Alors on a, rg(f ) = rg(A).

Proposition 0.33.
1. ↑A ↓ Mn,p (K), rg(A) ↗ min(n, p).
2. ↑A ↓ Mn (K), rg(A) = n ↙ A ↓ GLn (K).

Proposition 0.34. ↑A ↓ Mn,p (K)

1. ↑P ↓ GLp (K), rg(AP ) = rg(A).
2. ↑Q ↓ GLn (K), rg(QA) = rg(A).

Proposition 0.35. Deux matrices A et B de Mn,p (K) sont équivalentes ⇔↖ elles ont le
même rang.

Proposition 0.36. Le rang d’une matrice A est égal au rang de la matrice transposée t A.

Remarque 0.37. Soit A une matrice de Mn,p (K).

Le rang de A est égal au nombre maximum de colonnes libres dans A.
Il est aussi égal au nombre maximum de lignes libres dans A.

0.4.4 Opérations sur les lignes ou les colonnes

Opérations élémentaires sur les lignes d’une matrice

Définition 0.38. Soit A une matrice de Mn,p (K). Notons L1 , · · · , Ln les lignes de A. On
appelle opération élémentaire sur les lignes de A l’une des opérations suivantes :
• Multiplier une ligne Li par un scalaire non nul ω. Cette opération est notée : Li ∝↘ ωLi
.
• Ajouter à l’une des lignes Li un multiple d’une autre ligne Lj . Cette opération est
notée : Li ∝↘ Li + ϑLj .
• Echanger deux lignes Li et Lj . Cette opération est notée : Li ∝≃ Lj .

10
Remarques 0.39.
• On définit de même les opérations élémentaires sur les colonnes de la matrice A. Ces
opérations sont notées : Ci ∝↘ ωCi , Ci ∝↘ Ci + ϑCj , et Ci ∝≃ Cj .
• Toute opération élémentaire (ou toute suite d’opérations élémentaires) transforme une
matrice A en une matrice de même rang.
• On note souvent Li ∝↘ ωLi + ϑLj la composée de Li ∝↘ ωLi puis de Li ∝↘ Li + ϑLj .
Ici il est nécessaire que ω soit non nul

Proposition 0.40. Soit A une matrice de Mn,p (K), transformée en une matrice B par une
suite d’opérations élémentaires sur les lignes. Alors il existe une matrice inversible P telle
que B = P A.
De même si C est obtenue à partir de A par une ou plusieurs opérations élémentaires sur les
colonnes, alors il existe une matrice inversible Q telle que B = AQ.

Interprétation On peut interpréter ces résultats en disant que :

• Toute opération élémentaire sur les lignes équivaut à une multiplication à gauche par
une matrice inversible.
• Toute opération élémentaire sur les colonnes équivaut à une multiplication à droite par
une matrice inversible.

0.4.5 Matrices échelonnées

Définition 0.41. Soit A = (aij ) une matrice de Mn,p (K). On note L1 , · · · , Ln les lignes
successives de A.
Pour chaque ligne Li de A, soit d(i) le plus petit indice j, s’il existe, tel que aij ′= 0.
On dit que A est échelonnée supérieurement s’il existe un entier r de {0, · · · , n} tel que :
• Pour tout indice i inférieur ou égal à r, la ligne Li est non nulle.
• Pour tout indice i strictement supérieur à r, la ligne Li est nulle.
• La suite d(1), d(2), · · · , d(r) est strictement croissante.
Une telle matrice est de rang r.
Les r coe!cients non nuls situés aux positions (i, d(i)) sont appelés les pivots de A.

11
Exemple 0.42.
 
0 1 3 4 0 1 5
 
 0 0 3 5 1 0 0 
 
 
A= 0 0 0 0 4 1 2  est échelonnée, avec quatre pivots : rg(A) = 4.
 
 0 0 0 0 0 9 1 
 
0 0 0 0 0 0 0

0.4.6 Calcul du rang par la méthode du pivot

Le calcul du rang d’une famille de vecteurs ou d’une application linéaire peut toujours se
ramener au calcul du rang d’une matrice.

Proposition 0.43. On peut transformer une matrice quelconque A en une matrice échelon-
née B, par une succession d’opérations élémentaires sur les lignes de A.

Conséquence Les opérations élémentaires ne modifiant pas le rang de la matrice initiale,

on peut ainsi calculer le rang de A : c’est celui de la matrice échelonnée finale, c’est-à-dire le
nombre de ses pivots non nuls.

0.4.7 Calcul de l’inverse par la méthode du pivot

Proposition 0.44. La matrice A de Mn,p (K) est inversible ssi il est possible, par une suite
d’opérations élémentaires sur les lignes, de passer de A à In .
La même suite d’opérations, dans le même ordre, permet de passer de In à A↑1 .

Principe de la méthode
Soit A la matrice de Mn,p (K) dont on veut calculer l’inverse.
On place A et In côte à côte dans un tableau à n lignes et 2n colonnes.
On procède ensuite à une succession d’opérations élémentaires sur les lignes de ce tableau,
de manière à transformer A (la partie gauche du tableau) en In .
Le tableau (A | In ) est alors tranformé en (In | A↑1 ).
Dans la pratique
• On part du tableau (A | In )
• Supposons que le coe!cient a11 soit non nul. Si ce n’est pas le cas, on commence par
échanger la ligne L1 avec une ligne Li telle que ai1 = 0 : il y a nécessairement au
moins un coe!cient non nul sur la première colonne du tableau sinon A ne serait pas
inversible.

12
 • On applique les opérations élémentaires : Li ∝↘ a11 Li ↘ ai1 L1 , pour i = 2, · · · , n. Dans
cette succession d’opérations, le coe!cient non nul a11 est appelé le pivot.
• On poursuit alors avec le coe!cient b22 , de la nouvelle matrice obtenue, qui permet
d’annuler tous les coe!cients de la deuxième colonne (sauf lui-même).
Là encore si b22 = 0, on commence par échanger L2 avec l’une des lignes Li (i = 3).
• On continue ainsi jusqu’à obtenir à la place de A une matrice diagonale. On termine
en divisant chaque ligne par le coe!cient diagonal obtenu. A la place qu’occupait In
se trouve maintenant A↑1 .
• Il n’est pas utile (au contraire) de rendre égaux à 1 les coe!cients diagonaux de la
moitié gauche du tableau avant que d’ avoir obtenu une matrice diagonale. Cela a en
e"et souvent pour conséquence d’introduire des coe!cients fractionnaires di!ciles à
manipuler : puisqu’on demande souvent d’inverser des matrices à coe!cients entiers,
autant garder les coe!cients entiers le plus longtemps possible.

Exemple 0.45.
/  / 
3 1
2 ↘1
1. Si A = alors A↑1 = 2 2
↘4 3 2 1

En
/ e"et 
2 ↘1 1 0
L2 ∝↘ L2 + 2L1
↘4 0 1 3
/ 
2 ↘1 1 0
L1 ∝↘ L1 + L2
0 1
2 1
/ 
2 0 3 1
L1 ∝↘ L1 /2
0 1 2 1
/ 
3 1
1 0 2 2
0 1 2 1
/ 
3 1
d’où A↑1 = 2 2
.
2 1
   
1 1
1 ↘1 0 3
0 3
   
2. Si A = 
 1 1 2 
 alors A↑1
=  ↘2 0
 3
.

1
3
1 1 1
2 1 0 6 2
↘3

13