© Laurent Garcin MPSI Lycée Jean-Baptiste Corot

Matrices
Dans tout ce chapitre, K désigne les corps R ou C, p et n des entiers naturels non nuls.

1 Matrices à coefficients dans K

1.1 Définition

Définition 1.1 Matrice

On appelle matrice à coefficients dans K à n lignes et p colonnes ou matrice à coefficients dans K de taille n × p toute
famille d’éléments de K indexée sur J1, nK × J1, pK i.e. toute famille d’éléments de K du type (ai,j )16i6n .
16j6p

Notation 1.1

Une matrice de taille n × p est généralement représentée sous forme d’un tableau à n lignes et p colonnes (d’où
l’appellation…) :  
a1,1 a1,2 · · · a1,j · · · a1,p
 
 a2,1 a2,2 · · · a2,j · · · a2,p 
 
 . .. .. .. 
 .. . 
 . . 
 
 ai,1 ai,2 · · · ai,j · · · ai,p 
 
 . .. .. .. 
 .. . . . 
 
an,1 an,2 · · · an,j · · · an,p

L’élément ai,j est donc placé sur la ième ligne et sur la jème colonne.

Définition 1.2 Ensembles de matrices

On note Mn,p (K) l’ensemble des matrices à coefficients dans K de taille n × p.

Lorsque n = p, cet ensemble est plus simplement noté Mn (K). On parle alors de matrices carrées de taille n.
Lorsque p = 1, on parle de matrices colonnes de taille n.
Lorsque n = 1, on parle de matrices lignes de taille p.

Remarqe. Les appellations «matrices carrées», «matrices colonnes» et «matrices lignes» proviennent bien évidemment
de la forme des tableaux représentant ces matrices dans les cas n = p, p = 1 et n = 1. n

1.2 Structure de K-espace vectoriel

Mn,p (K) n’est autre que KJ1,nK×J1,pK ou encore Knp . On définit donc la loi interne + et la loi interne . usuelles de
sorte qu’on a le résultat suivant.

Proposition 1.1 Structure de K-espace vectoriel de Mn,p (K)

Mn,p (K) est un K-espace vectoriel.

Remarqe. Le vecteur nul de Mn,p (K) est la matrice nulle i.e. le tableau à n lignes et p colonnes rempli de zéros. n

[Link] 1
 © Laurent Garcin MPSI Lycée Jean-Baptiste Corot

Définition 1.3 Base canonique de Mn,p (K)

Pour (i, j) ∈ J1, nK × J1, pK, on note Ei,j la matrice de Mn,p (K) dont tous les coefficients sont nuls à l’exception de
celui de la ième ligne et de la jème colonne qui vaut 1.
La famille (Ei,j )16i6n est une base de Mn,p (K) appelée base canonique de Mn,p (K).
16j6p
La dimension de Mn,p (K) est donc np.

1.3 Produit matriciel

On définit également une multiplication sur les matrices qui peut paraître étrange au premier abord mais dont le sens
apparaîtra lorsque nous identifierons matrices et applications linéaires.

Définition 1.4 Produit matriciel

Soient A = (ai,j )16i6n ∈ Mn,p (K) et B = (bi,j )16i6p ∈ Mp,q (K). On définit le produit AB comme la matrice
16j6p 16j6q
C = (ci,j )16i6n ∈ Mn,q (K) telle que :
16j6q

∑
p
∀(i, j) ∈ J1, nK × J1, qK, ci,j = ai,k bk,j
k=1

 Attention ! On ne multiplie que des matrices de taille compatible, c’est-à-dire que l’on multiplie une matrice à p
colonnes par une matrice à p lignes.

 Attention ! Non commutativité du produit matriciel Le produit matriciel est non commutatif. En effet, si le produit
AB est bien défini, le produit BA ne l’est généralement pas pour des raisons de non
( compatibilité
) de
( taille.)Quand bien
1 1 0 0
même il serait défini, on n’a généralement pas BA ̸= AB. Il suffit de prendre A = et B = .
0 1 1 0

Proposition 1.2 Propriétés du produit matriciel

I Le produit matriciel est bilinéaire

∀(λ, µ) ∈ K2 , ∀(A, B) ∈ Mn,p (K)2 , ∀C ∈ Mp,q (K), (λA + µB)C = λAC + µBC
∀(λ, µ) ∈ K2 , ∀A ∈ Mn,p (K), ∀(B, C) ∈ Mp,q (K)2 , A(λB + µC) = λAB + µAC

I Le produit matriciel est associatif

∀A ∈ Mn,p (K), ∀B ∈ Mp,q (K), ∀C ∈ Mq,r (K), A(BC) = (AB)C

Exercice 1.1

Soit (Ei,j )16i,j6n la base canonique de Mn (K). Montrer que pour tout (i, j, k, l) ∈ Mn (K)4 , Ei,j Ek,l = δj,k Ei,l .

1.4 Transposition

Définition 1.5 Transposée

Soit A = (ai,j )16i6n ∈ Mn,p (K). On appelle transposée de A la matrice (aj,i )16i6p ∈ Mp,n (K), notée t A.
16j6p 16j6n

[Link] 2
 © Laurent Garcin MPSI Lycée Jean-Baptiste Corot

Remarqe. Concrètement, l’opération de transposition échange les lignes et les colonnes des matrices. n
Remarqe. La transposée d’une matrice carrée est une matrice carrée de même taille. n

Proposition 1.3 Propriétés de la transposition

I La transposition est linéaire :

∀(λ, µ) ∈ K2 , ∀(A, B) ∈ Mn,p (K)2 , t (λA + µB) = λt A + µt B

I La transposition est involutive :

∀A ∈ Mn,p (K), t (t A) = A

I Transposée d’un produit :

∀(A, B) ∈ Mn,p (K)2 , t (AB) = t Bt A

1.5 Matrices définies par blocs

Matrices définies par blocs

Soit A ∈ Mn,q (K), B ∈ Mp,q (K), C ∈ Mn,r (K) et D ∈ Mp,r (K). On peut définir une matrice M ∈
Mn+p,q+r (K) à l’aide de ces quatre matrices de la façon suivante :
( )
A C
M=
B D

Produit de matrices définies par blocs

Le produit de deux matrices définies par blocs s’effectue de la manière suivante :
( )( ) ( )
A C E G AE + CF AG + CH
=
B D F H BE + DF BG + DH

 Attention ! Il faut bien évidemment que les différentes matrices soient de taille compatible :
I le nombre de colonnes de A et B doit être le nombre de lignes de E et G ;

I le nombre de colonnes de C et D doit être le nombre de lignes de F et H.

( ) ( )
t t
A C A B
Remarqe. La transposée de la matrice est la matrice t t
. n
B D C D

[Link] 3
© Laurent Garcin MPSI Lycée Jean-Baptiste Corot

2 Opérations élémentaires sur les lignes et les colonnes d’une matrice

2.1 Opérations élémentaires et pivot de Gauss

Définition 2.1 Opérations élémentaires

On appelle opérations élémentaires sur les colonnes d’une matrice les opérations suivantes :
I échange de deux colonnes, notée Ci ↔ Cj ;

I multiplication d’une colonne par un scalaire non nul α, notée Ci ← αCi ;

I addition d’un multiple d’une colonne à une autre, notée Ci ← Ci + αCj .
On définit de même les opérations élémentaires sur les lignes :
I échange de deux lignes, notée Li ↔ Lj ;

I multiplication d’une ligne par un scalaire non nul α, notée Li ← αLi ;

I addition d’un multiple d’une ligne à une autre, notée Li ← Li + αLj .

Remarqe. Un échange peut s’écrire à l’aide des autres opérations. En effet, l’échange Ci ↔ Cj peut s’écrire comme la
suite d’opérations Ci ← Ci + Cj , Cj ← Cj − Ci , Ci ← Ci + Cj , Cj ← −Cj . De même pour les lignes. n

Proposition 2.1

On peut échelonner une matrice en colonnes à l’aide d’opérations élémentaires sur les colonnes.
On peut échelonner une matrice en lignes à l’aide d’opérations élémentaires sur les lignes.

Méthode Pivot de Gauss

Le pivot de Gauss consiste à utiliser des opérations élémentaires sur les lignes ou les colonnes d’une matrice pour se
ramener à une forme échelonnée en lignes ou en colonnes.

[Link] 4
© Laurent Garcin MPSI Lycée Jean-Baptiste Corot

2.2 Interprétation matricielle

Proposition 2.2 Matrices élémentaires

Soit n ∈ N∗ . Pour i, j ∈ J1, nK avec i ̸= j et α ∈ K, on pose :

Pi,j = Ei,j + Ej,i + In − Ei,i − Ei,j Di (α) = In + (α − 1)Ei,i Ti,j (α) = In + αEi,j

Pour une matrice de Mp,n (K) :

I l’opération Ci ↔ Cj correspond à la multiplication à droite par Pi,j ;
I l’opération Ci ← αCi correspond à la multiplication à droite par Mi (α) ;

I l’opération Cj ← Cj + αCi correspond à la multiplication à droite par Ti,j (α).

Pour une matrice de Mn,p (K) :
I l’opération Li ↔ Lj correspond à la multiplication à gauche par Pi,j ;

I l’opération Li ← αLi correspond à la multiplication à gauche par Mi (α) ;

I l’opération Li ← Li + αLj correspond à la multiplication à gauche par Ti,j (α).
Ces matrices sont appelées des matrices élémentaires.

Remarqe. Les Pi,j sont des matrices de permutation ou plus exactement de transposition.
Les Di (α) sont des matrices de dilatation.
Les Ti,j (α) sont des matrices de transvection.
Une matrice de transposition peut s’écrire comme un produit de matrices de dilatation et de transvection. n
Remarqe. Ce qu’il faut surtout retenir, c’est que les opérations sur les colonnes correspondent à des multiplications à
droite et les opérations sur les lignes à des multiplications à gauche. n

3 L’anneau Mn (K)
3.1 Structure d’anneau de Mn (K)

Notation 3.1

On appelle matrice identité de taille n la matrice carrée de taille n dont les coefficients diagonaux sont égaux à 1 et les
autres nuls.
On a donc In = (δi,j )16i,j6n où δi,j est le symbole de Kronecker qui vaut 1 si i = j, 0 sinon.

Proposition 3.1 Structure d’anneau de Mn (K)

(Mn (K), +, ×) est un anneau. L’élément neutre pour la multiplication est la matrice identité In .
Pour n > 1, l’anneau Mn (K) est non commutatif et non intègre.

Remarqe. Mn (K) est même une K-algèbre : c’est à la fois un K-espace vectoriel et un anneau et pour λ ∈ K et (A, B) ∈
Mn (K)2 , (λ.A)B = A(λ.B) = λ.(AB). n

Exemple 3.1
( ) ( )
0 1 1 0
Soit A = et B = . Alors AB = 0 mais A ̸= 0 et B ̸= 0.
0 0 0 0

[Link] 5
© Laurent Garcin MPSI Lycée Jean-Baptiste Corot

Remarqe.
 Comme
 dans tout anneau, une matrice A est dite nilpotente s’il existe n ∈ N∗ tel que An = 0. Par exemple,
0 1 1
 
A=0 0 1

 est nilpotente. n
0 0 0

Exercice 3.1

Montrer que le centre de Mn (K) est vect(In ).

Méthode Calcul de puissances à l’aide d’un polynôme annulateur

Soient A ∈ Mn (K) et P ∈ K[X] tel que P(A) = 0. En notant Rn le reste de la division euclidienne de Xn par P,
An = Rn (A).

Exercice 3.2
( )
1 −1
Soit A = . Trouver un polynôme P de degré 2 tel que P(A) = 0. En déduire An pour tout n ∈ N.
2 4

Méthode Calcul de puissances à l’aide de la formule du binôme

Mn (K) étant un anneau, la formule du binôme est vraie pour deux matrices carrées qui commutent.

Exercice 3.3
( )
a b
Soit A = . Calculer An pour tout n ∈ N.
b a

Exercice 3.4
 
1 2 3
 
Soit A =  
 0 1 2 . Calculer A pour tout n ∈ N.
n

0 0 1

3.2 Matrices particulières de Mn (K)

3.2.1 Matrices triangulaires

Définition 3.1 Matrices triangulaires inférieures et supérieures

On appelle matrice triangulaire supérieure (resp. inférieure) toute matrice carrée dont tous les coefficients situés au-
dessous (resp. au-dessus) de la diagonale sont nuls.
On notera Tn+ (K) (resp. Tn− (K)) l’ensemble des matrices triangulaires supérieures (resp. inférieures) de taille n à
coefficients dans K.

Remarqe. Soit T = (ti,j )16i,j6n .

[Link] 6
© Laurent Garcin MPSI Lycée Jean-Baptiste Corot

I T est triangulaire supérieure si et seulement si ti,j = 0 pour i > j.

I T est triangulaire inférieure si et seulement si ti,j = 0 pour i < j.
n
Remarqe. Une matrice est dite triangulaire supérieure (resp. inférieure) stricte si elle est triangulaire supérieure (resp.
inférieure) et si ses coefficients diagonaux sont nuls.
Soit T = (ti,j )16i,j6n .
I T est triangulaire supérieure stricte si et seulement si ti,j = 0 pour i > j.
I T est triangulaire inférieure stricte si et seulement si ti,j = 0 pour i 6 j.
n
Proposition 3.2

Tn+ (K) et Tn− (K) sont des sous-espaces vectoriels de dimension n(n+1)2 et des sous-anneaux de Mn (K).
De plus, les coefficients diagonaux d’un produit de matrices triangulaires supérieures (resp. inférieures) sont les produits
des coefficients diagonaux de ces matrices.

Remarqe. La transposition sur Mn (K) induit une involution linéaire (et donc un isomorphisme) de Tn+ (K) sur Tn− (K).
n

3.2.2 Matrices diagonales

Définition 3.2 Matrices diagonales

On appelle matrice diagonale toute matrice carrée dont tous les coefficients non diagonaux sont nuls.
Soit (α1 , . . . , αn ) ∈ Kn . On note diag(α1 , . . . , αn ) la matrice diagonale de taille n dont les coefficients diagonaux
sont α1 , . . . , αn .
L’ensemble des matrices diagonales de taille n à coefficients dans K sera noté Dn (K).

Remarqe. Dn (K) = Tn+ (K) ∩ Tn− (K). n

Proposition 3.3

Dn (K) est un sous-espace vectoriel de dimension n et un sous-anneau de Mn (K).

De plus, les coefficients diagonaux d’un produit de matrices diagonales sont les produits des coefficients diagonaux de
ces matrices.

3.2.3 Matrices diagonales par blocs et triangulaires par blocs

Définition 3.3 Matrices triangulaires par blocs

On dit qu’une matrice carrée A est triangulaire supérieure par blocs s’il existe des matrices

Définition 3.4 Matrices diagonales par blocs

On dit qu’une matrice carrée A est diagonale par blocs s’il existe des matrices carrées A1 , . . . , Ar telles que
 
0 ··· 0
A1
 .. .. 
 
 0 A2 . . 
A= . 
 . .. .. 
 . . . 0 
0 · · · 0 Ar

[Link] 7
 © Laurent Garcin MPSI Lycée Jean-Baptiste Corot

3.2.4 Matrices symétriques et antisymétriques

Définition 3.5 Matrice symétrique ou antisymétrique

Soit A ∈ Mn (K).
I On dit que A est symétrique si t A = A.

I On dit que A est antisymétrique si t A = −A.

On notera Sn (K) (resp. An (K)) l’ensemble des matrices symétriques (resp. antisymétriques) de Mn (K).

Remarqe. La dénomination «symétrique» ou «antisymétrique» provient de la symétrie des coefficients par rapport à la
diagonale.
I A est symétrique si et seulement si aj,i = ai,j pour (i, j) ∈ J1, nK2 .
I A est symétrique si et seulement si aj,i = −ai,j pour (i, j) ∈ J1, nK2 .

La diagonale d’une matrice antisymétrique est nulle. n

 Attention ! Le produit de deux matrices symétriques (resp. antisymétriques) n’est pas forcément une matrice symé-
trique (resp. antisymétrique).

Proposition 3.4
n(n+1)
Sn (K) et An (K) sont des sous-espaces vectoriels supplémentaires de Mn (K) de dimensions respectives 2 et
n(n−1)
2 .

Exercice 3.5

Montrer que la transposition dans Mn (K) est la symétrie par rapport à Sn (K) parallèlement à An (K).

3.3 Matrices inversibles

Rappel
L’inversibilité des matrices est à comprendre dans le sens de l’inversibilité dans un anneau. Soit A ∈ Mn (K). A est donc
inversible s’il existe B ∈ Mn (K) telle que AB = BA = In .

 Attention ! L’inversibilité n’a de sens que pour les matrices carrées !

Remarqe. On verra plus tard qu’il est suffisant d’avoir seulement AB = In ou BA = In pour affirmer que A est inversible
d’inverse B. n

Définition 3.6 Groupe linéaire

On appelle groupe linéaire de degré n sur K, noté GLn (K), le groupe des éléments inversibles de Mn (K).

[Link] 8
© Laurent Garcin MPSI Lycée Jean-Baptiste Corot

Proposition 3.5 Propriétés de l’inversion

Inversibilité et produit Soit (A, B) ∈ GLn (K)2 . Alors AB ∈ GLn (K) et (AB)−1 = B−1 A−1 .
( )−1
Involution Soit A ∈ GLn (K). Alors A−1 est inversible et A−1 = A.
( )−1 ( )k
Inversibilité et puissance Soit A ∈ GLn (K). Pour tout k ∈ N, Ak est inversible et Ak = A−1 (on note
A−k ).
Inversibilité et transposée Soit A ∈ Mn (K). Alors A ∈ GLn (K) si et seulement si t A ∈ GLn (K). Dans ce cas,
(t A)−1 = t (A−1 ).

Méthode Calcul de l’inverse à l’aide d’un polynôme annulateur

Pour déterminer l’inverse d’une matrice A, on peut déterminer un polynôme annulateur de A i.e. un polynôme P tel
que P(A) = 0. On peut alors déterminer A−1 sous la forme d’un polynôme en A.

Exercice 3.6

Soit  
1 0 2
 
A= 
 0 −1 1  .
1 −2 0

1. Calculer A3 − A.

2. En déduire que A est inversible puis déterminer A−1 .

Proposition 3.6 Inversibilité et inverse des matrices triangulaires

Une matrice triangulaire supérieure (resp. inférieure) T est inversible si et seulement si ses coefficients diagonaux sont
non nuls. Dans ce cas, T −1 est triangulaire supérieure (resp. inférieure) et ses coefficients diagonaux sont les inverses
des coefficients diagonaux de T .

Proposition 3.7 Inversibilité et inverse des matrices diagonales

Une matrice diagonale D est inversible si et seulement si ses coefficients diagonaux sont non nuls. Dans ce cas, D−1
est diagonale et ses coefficients diagonaux sont les inverses des coefficients diagonaux de D.

Exemple 3.2
(1)
Les matrices de permutation, de dilatation et de transvection sont inversibles : Pi,j
−1
= Pi,j , Mi (α)−1 = Mi α et
−1
Ti,j (α) = Ti,j (−α).

Proposition 3.8

Toute matrice inversible peut être transformée en la matrice identité à l’aide d’opérations sur les colonnes uniquement
ou à l’aide d’opérations sur les lignes uniquement.

[Link] 9
 © Laurent Garcin MPSI Lycée Jean-Baptiste Corot

Méthode Calcul de l’inverse par la méthode de Gauss-Jordan

 
 1 0 2 
Supposons que l’on ait à inverser la matrice A = 
 1 −1 2
. On écrit I3 à droite de A et on effectue les

0 2 −1
mêmes opérations élémentaires sur les lignes de A et I3 de manière à transformer A en I3 . La suite d’opérations sur les
lignes de A correspondra à une multiplication à gauche par A−1 : I3 sera donc transformé en A−1 .
 
 1 0 2 1 0 0 
 
 1 −1 2 0 1 0 
0 2 −1 0 0 1

On annule dans la première colonne.

 
 1 0 2 1 0 0 
  L2 ← L2 − L1
 0 −1 0 −1 1 0 
0 2 −1 0 0 1

Puis dans la deuxième ligne.

 
 1 0 2 1 0 0 
  L3 ← L3 + 2L2
 0 −1 0 −1 1 0 
0 0 −1 −2 2 1

On met des 1 sur la diagonale.

 
 1 0 2 1 0 0  L2
  ← −L2
 0 1 0 1 −1 0  L3 ← −L3
0 0 1 2 −2 −1

On annule au-dessus de la diagonale.

 
 1 0 0 −3 4 2 
  L1 ← L1 − 2L3
 0 1 0 1 −1 0 
0 0 1 2 −2 −1
 
 −3 4 2 
On a donc A−1 =
 1 −1 0
.

2 −2 −1
On aurait également pu placer I3 au-dessous de A et effectuer des opérations élémentaires sur les colonnes.

Remarqe. Si jamais la matrice donnée n’est pas inversible, la méthode précédente donnera une ligne ou une colonne
nulle, ce qui montre la non inversibilité. n

 Attention ! Dans la méthode de Gauss-Jordan, on effectue des opérations sur les lignes ou sur les colonnes. Jamais sur
les deux en même temps !

[Link] 10
© Laurent Garcin MPSI Lycée Jean-Baptiste Corot

Explication de la méthode de Gauss-Jordan

Soit A ∈ GLn (K).
Supposons qu’on pivote uniquement sur les lignes d’une matrice A. La transformation de la matrice A en la matrice
In se traduit par l’existence de matrices élémentaires G1 , . . . Gk telles que Gk . . . G1 A = In . On a donc Gk . . . G1 =
A−1 . Comme on effectue les mêmes opérations sur In , celle-ci est transformée en Gk . . . G1 In = A−1 .
Supposons qu’on pivote uniquement sur les colonnes d’une matrice A. La transformation de la matrice A en la matrice
In se traduit par l’existence de matrices élémentaires G1 , . . . Gk telles que AG1 . . . Gk = In . On a donc G1 . . . Gk =
A−1 . Comme on effectue les mêmes opérations sur In , celle-ci est transformée en In G1 . . . Gk = A−1 .

Remarqe. L’algorithme du pivot de Gauss permet de montrer que toute matrice de GLn (K) peut s’écrire comme un
produit de matrices de dilatation et de transvection. On dit que ces matrices engendrent le groupe GLn (K). n

Exercice 3.7

Déterminer l’inverse de la matrice :  

1 2 3 ··· n
 
0 1 2 ··· n − 1 
 
0 0 1 ··· n − 2 
 
. .. 
. .. .. . . 
. . . . . 
0 0 0 ··· 1

Exercice 3.8 Matrices diagonales par blocs

( )
A 0
Soient A ∈ Mn (K) et B ∈ Mp (K). Montrer que la matrice M = est inversible si et seulement si A et B
0 B
le sont et déterminer M−1 dans ce cas.
Étendre ce résultat à une matrice diagonale par blocs.

Exercice 3.9 Matrices triangulaires par blocs

( )
A C
Soient A ∈ Mn (K), B ∈ Mp (K) et C ∈ Mn,p (K). Montrer que la matrice M = est inversible si et
0 B
seulement si A et B le sont.
Étendre ce résultat à une matrice triangulaire par blocs.

3.4 Trace

Définition 3.7 Trace

Pour A ∈ Mn (K), on appelle trace de A, notée tr(A), la somme des coefficients diagonaux de A.

Proposition 3.9 Propriétés de la trace

(i) La trace est une forme linéaire sur Mn (K).

(ii) Pour tout A ∈ Mn (K), tr(t A) = tr(A).

(iii) Pour tout (A, B) ∈ Mn (K)2 , tr(AB) = tr(BA).

[Link] 11
 © Laurent Garcin MPSI Lycée Jean-Baptiste Corot

 Attention ! Si (A, B, C) ∈ Mn (K)3 , on peut affirmer que d’une part tr(ABC) = tr(CAB) = tr(BCA) et, d’autre
part que tr(CBA) = tr(ACB) = tr(BAC). Mais en général

tr(ABC) = tr(CAB) = tr(BCA) ̸= tr(CBA) = tr(ACB) = tr(BAC)

Remarqe. On peut également montrer que si (A, B) ∈ Mn,p (K) × Mp,n (K), alors tr(AB) = tr(AB) même si les
matrices A et B ne sont pas carrées. n

4 Représentation matricielle des vecteurs et des applications linéaires

4.1 Matrices et vecteurs

Définition 4.1 Matrice d’un vecteur dans une base

Soient E un K-espace vectoriel de dimension n > 1, B = (e1 , . . . , en ) une base de E et x ∈ E. On appelle matrice de
x dans la base B la matrice colonne de taille n, notée mat B (x), formée des coordonnées de x dans la base B :
 
a1
 
 a2  ∑ n
 
mat B (x) =  .  avec x = ai ei
 .. 
  i=1

an

Exemple 4.1
 
1
 
 −2 

La matrice de (1, −2, 4, −3) dans la base canonique de R est 
4 .

 4 
−3

Exemple 4.2
 
−5
 
 −2 

La matrice de 4X + 3X − 2X − 5 dans la base canonique de R3 [X] est 
3 2 .

 3 
4

Proposition 4.1
{
E −→ Mn,1 (K)
Soient E un K-espace vectoriel de dimension n > 1 et B une base de E. L’application est un
x 7−→ mat B (x)
isomorphisme.

Remarqe. En particulier, si on considère la base canonique de Kn , on peut associer à une matrice colonne de taille n un
unique vecteur de Kn .
On identifiera souvent les matrices colonnes de Mn,1 (K) aux vecteurs de Kn . n

[Link] 12
© Laurent Garcin MPSI Lycée Jean-Baptiste Corot

Définition 4.2 Matrice d’une famille de vecteurs dans une base

Soient E un K-espace vectoriel de dimension n > 1, B = (e1 , . . . , en ) une base de E et F = (x1 , . . . , xp ) une
famille de vecteurs de E. On appelle matrice de F dans la base B la matrice de taille n × p, notée mat B (F), formée des
coordonnées des vecteurs de F dans la base B :
∑
n
mat B (F) = (ai,j )16i6n avec ∀j ∈ J1, pK, xj = ai,j ei
16j6p i=1

Exemple 4.3

La matrice
 la famille ((1, 2, −3), (0, 1, 2), (−2, 1, 3), (4, 5, −1)) dans la base canonique de R3 est
de 
1 0 −2 4
 
 2 1 1 5 
 .
−3 2 3 −1

Exemple 4.4

La matrice de la famille (−X3 + X2 − 1, 2X2 − 3, 4X3 + 3X2 − 2X − 5) dans la base canonique de R3 [X] est
 
−1 −3 −5
 
 0 0 −2 
 .
 1 2 3 
 
−1 0 4

Proposition 4.2 Matrices et bases

Soient E un K-espace vectoriel de dimension n > 1, B = (e1 , . . . , en ) une base de E et F = (x1 , . . . , xn ) une famille
de vecteurs de E. Alors F est une base de E si et seulement si mat B (F) est inversible.

4.2 Matrices et applications linéaires

Définition 4.3 Matrice d’une application linéaire dans des bases

Soient E et F deux K-espaces vectoriels de dimensions respectives p et n. Soient B1 = (e1 , . . . , ep ) et B2 = (f1 , . . . , fn )

des bases respectives de E et F. Soit enfin u ∈ L(E, F). On appelle matrice de u dans les bases B1 et B2 la matrice de
taille n × p :
mat B1 ,B2 (u) = mat B2 (u(e1 ), . . . , u(ep ))

Exemple 4.5
{
R3 −→ R2
Soit f : . On vérifie que f est bien une application linéaire. Notons B3 et
(x, y, z) 7−→ (x + y − z, 2x − y + 3z)
B2 les bases canoniques
( respectives)de R et R . Alors f(1, 0, 0) = (1, 2), f(0, 1, 0) = (1, −1) et f(0, 0, 1) = (−1, 3)
3 2

1 1 −1
donc mat B3 ,B2 (f) = .
2 −1 3

[Link] 13
© Laurent Garcin MPSI Lycée Jean-Baptiste Corot

Exemple 4.6
{
R4 [X] −→ R5 [X]
Soit T : . On vérifie que T est bien une application linéaire. Notons B4 et
P 7−→ X4 P(3) + P(2) + P(−X)
B5 les bases canoniques respectives de R4 [X] et R5 [X]. Alors T (1) = 2, T (X) = 2 − X, T (X2 ) = X2 + 4, T (X3 ) =
 
2 2 4 8 16
 
 0 −1 0 0 0 
 
0 0 1 0 0 
 
6X4 − X3 + 8 et T (X4 ) = 24X5 + X4 + 16 donc mat B4 ,B5 (T ) =  .
 0 0 0 −1 0 
 
 
0 0 0 6 1 
0 0 0 0 24

Proposition 4.3

Soient E et F deux K-espaces vectoriels de dimensions

{ respectives p et n. Soient B1 = (e1 , . . . , ep ) et B2 = (f1 , . . . , fn )
L(E, F) −→ Mn,p (K)
des bases respectives de E et F. L’application est un isomorphisme.
u 7−→ mat B1 ,B2 (u)

Corollaire 4.1

Soient E et F deux espaces vectoriels de dimension finie. Alors dim L(E, F) = dim E × dim F.

Définition 4.4

Soit A ∈ Mn,p (K). On appelle application linéaire canoniquement associée à A l’unique application f ∈ L(Kp , Kn )
dont la matrice dans les bases canoniques de Kp et Kn est A.
{
Kp −→ Kn
Remarqe. Quitte à identifier matrices colonnes et vecteurs, l’application linéaire canoniquement associée à A est .
X 7−→ AX
n
Exemple 4.7
( )
2 −3 4
L’application linéaire canoniquement associée à la matrice est
−1 0 2
{
K3 −→ K2
(x, y, z) 7−→ (2x − 3y + 4z, −x + 2z)

Proposition 4.4 Interprétation matricielle de l’image d’un vecteur

Soient E et F deux K-espaces vectoriels de dimension finie. Soient B1 et B2 des bases respectives de E et F. Soient
x ∈ E, y ∈ F et u ∈ L(E, F). On pose X = mat B1 (x), Y = mat B1 (y) et U = mat B1 ,B2 (u). Alors

y = u(x) ⇐⇒ Y = UX

[Link] 14
© Laurent Garcin MPSI Lycée Jean-Baptiste Corot

Exemple 4.8
( )
1 1 −1
Soit u ∈ L(R3 , R2 ) de matrice U = où B3 et B2 sont les bases canoniques respectives de R3 et R2 .
2 −1 3
 
1 ( )
  0
Soit x = (1, 2, 3) ∈ R3 . La matrice de x dans B3 est X =  
 2 . Puisque UX = 9 , u(x) = (0, 9).
3

Proposition 4.5 Interprétation matricielle d’une composée d’applications linéaires

Soient E, F et G trois K-espaces vectoriels de dimension finie. Soient B1 , B2 , B3 des bases respectives de E, F, G. Soient
u ∈ L(E, F) et v ∈ L(F, G). Alors

mat B1 ,B3 (v ◦ u) = mat B2 ,B3 (v) mat B1 ,B2 (u)

Remarqe. Ces deux dernières propositions nous disent tout simplement que toute l’algèbre linéaire en dimension finie
peut être interprété en termes de matrices. n

Proposition 4.6

Soient E et F deux K-espaces vectoriels de même dimension de bases respectives B1 et B2 . Soit u ∈ L(E, F). Alors u
est bijective si et seulement si mat B1 ,B2 (u) est inversible, et dans ce cas :
−1
(mat B1 ,B2 (u)) = mat B2 ,B1 (u−1 )

Matrices de Vandermonde
Soit (x0 , . . . , xn ) ∈ Kn+1 . On pose M = (xji )06i,j6n . M est {
inversible si et seulement si les xi sont distincts entre
Kn [X] −→ Kn+1
eux deux à deux car M est la matrice de l’application linéaire dans les bases
P 7−→ (P(x0 ), . . . , P(xn ))
canoniques de Kn [X] et Kn+1 .

4.3 Matrices et endomorphismes

Dans le cas des endomorphismes, on utilise souvent la même base de départ et d’arrivée pour la représentation matricielle.

Définition 4.5 Matrice d’un endomorphisme dans une base

Soient E un K-espace vectoriel de dimension n, B une base de E et u ∈ L(E). On appelle matrice de u dans la base B
la matrice carrée de taille n :
mat B (u) = mat B,B (u)

Exemple 4.9 Matrice de l’identité

Soit E un espace vectoriel de dimension n ∈ N∗ . La matrice de IdE dans toute base de E est In .

Exemple 4.10 Matrice d’un projecteur

La matrice d’un projecteur p d’un espace

( vectoriel de
) dimension finie E dans une base adaptée à la décomposition en
Iq 0q,r
somme directe E = Im p ⊕ Ker p est avec q = dim Im p et r = dim Ker p.
0r,q 0q

[Link] 15
© Laurent Garcin MPSI Lycée Jean-Baptiste Corot

Exemple 4.11 Matrice d’une symétrie

La matrice d’une symétrie s d’un espace vectoriel(de dimension )

finie E dans une base adaptée à la décomposition en
Iq 0q,r
somme directe E = Ker(s−IdE )⊕Ker(s+IdE ) est avec q = dim Ker(s−IdE ) et r = dim Ker(s+IdE ).
0r,q −Ir

Exemple 4.12 Sous-espace stable

Soit u un endomorphisme d’un espace vectoriel de dimnension finie E. Soient F et G deux sous-espaces vectoriels de
E supplémentaires dans E. On note B une base adaptée à la décomposition
( ) en somme directe E = F ⊕ G.
A C
Si F est stable par u, la matrice de u dans B est de la forme où A et B sont des matrices carrées de tailles
0 B
respectives dim F et dim G. Plus précisément, A est la matrice de l’endomorphisme induit par u sur F dans la base de
F extraite de B. ( )
A 0
Si F et G sont stables par u, la matrice de u dans B est de la forme où A et B sont à nouveau des matrices
0 B
carrées de tailles respectives dim F et dim G. Plus précisément, A et B sont respectivement les matrices des endomor-
phismes induits par u sur F et G dans les bases de F et G extraites de B.

Proposition 4.7
{
L(E) −→ Mn (K)
Soient E un K-espace vectoriel de dimension n et B une base de E. L’application est un
u 7−→ mat B (u)
isomorphisme d’anneaux.

Remarqe. Comme précédemment, on peut associer à toute matrice de Mn (K) un unique endomorphisme de Kn . n

Exercice 4.1

Montrer qu’une matrice triangulaire stricte est nilpotente à l’aide de l’endomorphisme qui lui est canoniquement
associé.

Proposition 4.8
{
GL(E) −→ GLn (K)
Soit E un K-espace vectoriel de dimension n et de base B. L’application est un isomor-
u 7−→ mat B (u)
phisme de groupes.

Corollaire 4.2

Soit E un K-espace vectoriel de dimension n et de base B. Soit u ∈ L(E). Alors u est un automorphisme si et seulement
−1
si mat B (u) est inversible et, dans ce cas, mat B (u−1 ) = mat B (u) .

Exercice 4.2
{
R2 [X] −→ R2 [X]
Montrer que l’application est un automorphisme de R2 [X].
P 7−→ P(X + 1) + P(X)

Exercice 4.3
(( ) ) (j)
j
On pose A = i en convenant que i = 0 pour i > j. En remarquant que A est la matrice d’un
06i,j6n
endomorphisme de Kn [X], montrer que A est inversible et déterminer son inverse.

[Link] 16
© Laurent Garcin MPSI Lycée Jean-Baptiste Corot

Corollaire 4.3

Soit (A, B) ∈ Mn (K)2 . Si AB = In , alors A et B sont inversibles et inverses l’une de l’autre.

Remarqe. En toute généralité, on devrait prouver que AB = In et BA = In . La proposition précédente nous dit donc,
que dans le cadre de l’anneau Mn (K), il suffit de vérifier l’une des deux conditions. n

Exercice 4.4

Soient A et B dans M n (C) telles que

AB = I n + A + A2 .
Montrer que AB = BA.

Méthode Inversibilité et inversion d’une matrice

Pour déterminer l’inversibilité d’une matrice A ∈ Mn (K) et calculer A−1 le cas échéant, on écrit le système Y = AX
avec X = t (x1 , . . . , xn ) et Y = t (y1 , . . . , yn ) où les inconnues sont x1 , . . . , xn . Si le système admet une solution, elle
est du type X = A−1 Y ce qui permet d’identifier A−1 .

4.4 Matrices et formes linéaires

Définition 4.6 Matrice d’une forme linéaire dans une base

Soient E un K-espace vectoriel de dimension p et B = (e1 , . . . , ep ) une base de E. Soit enfin φ ∈ E∗ . On appelle
matrice de φ dans la base B la matrice ligne de taille p :

mat B (u) = mat B (φ(e1 ), . . . , φ(ep ))

Remarqe. En particulier, si on considère la base canonique de Kp , on peut associer à toute matrice ligne de taille p une
unique forme linéaire sur Kp .
On identifiera souvent les matrices lignes de M1,p (K) aux formes linéaires sur Kp . n

Définition 4.7 Matrice d’une famille de formes linéaires dans une base

Soient E un K-espace vectoriel de dimension p > 1, B = (e1 , . . . , ep ) une base de E et F = (φ1 , . . . , φn ) une famille
de formes linéaires sur E. On appelle matrice de F dans la base B la matrice de taille n × p, notée mat B (F) :

mat B (F) = (φi (ej )16i6n

16j6p

5 Noyau, image et rang d’une matrice

5.1 Noyau et image

Définition 5.1

Pour A ∈ Mn,p (K), on pose :

Ker A = {X ∈ Mp,1 (K) | AX = 0} Im A = {AX, X ∈ Mp,1 (K)}

[Link] 17
© Laurent Garcin MPSI Lycée Jean-Baptiste Corot

{
Mp,1 (K) −→ Mn,1 (K)
Remarqe. L’application est une application linéaire. Ker A et Im A sont respectivement
X 7−→ AX
le noyau et l’image de cette application linéaire. Ker A et Im A sont donc des sous-espaces vectoriels respectifs de Mp,1 (K)
et Mn,1 (K). n
Remarqe. Quitte à identifier les matrices colonnes de taille p et n aux vecteurs de Kp et Kn , on peut dire que Ker A et
Im A sont les noyau et image de l’application linéaire canoniquement associée à A. n

Proposition 5.1

Soit A ∈ Mn,p (K). Im A est le sous-espace vectoriel de Mn,1 (K) engendré par les colonnes de A.

Méthode Calcul du noyau et de l’image

Pour déterminer le noyau d’une matrice A ∈ Mn,p (K), il suffit de résoudre le système correspondant à l’équation
AX = 0.
L’image d’une matrice A est le sous-espace vectoriel engendré par les vecteurs colonnes de A.

Méthode Critère d’inversibilité

En particulier, pour montrer qu’une matrice carrée A est inversible, il suffit de montrer que l’équation AX = 0 admet
comme unique solution X = 0.

Proposition 5.2 Lien entre noyau, image d’une application linéaire et de sa matrice

Soient B1 et B2 des bases respectives de deux K-espaces vectoriels E et F de dimension n et p. Soient u ∈ L(E, F) et
A = mat B1 ,B2{(u).
E −→ Mp,1 (K)
L’application induit un isomorphisme de Ker u sur Ker A.
x 7−→ mat B1 (x)
{
F −→ Mn,1 (K)
L’application induit un isomorphisme de Im u sur Im A.
x 7−→ mat B2 (x)

Méthode Détermination d’une base du noyau et de l’image d’une application linéaire

grâce à sa matrice
Soit u une application linéaire de matrice A dans deux bases. On sait déterminer une base de Ker A et Im A. Les
isomorphismes précédents nous permettent d’en déduire une base de Ker u et Im u.

Exemple 5.1
{
R3 [X] −→ R3 [X]
Déterminer le noyau et l’image de l’application .
P 7−→ P(X + 1) + P(X − 1) − 2P(X)

Proposition 5.3

Les opérations élémentaires sur les colonnes d’une matrice laissent son image inchangée.
Les opérations élémentaires sur les lignes d’une matrice laissent son noyau inchangé.

[Link] 18
 © Laurent Garcin MPSI Lycée Jean-Baptiste Corot

Méthode Déterminer le noyau et l’image d’une matrice en même temps !

 
 1 2 1 
Supposons que l’on veuille déterminer le noyau et l’image de A = 
 2 1

−1 . On écrit A puis on ajoute
1 2 1
au-dessous une matrice identité.  
 1 2 1 
 
 2 1 −1 
 
 1 
 1 2 
 
 
 
 1 0 0 
 
 0 
 0 1 
0 0 1
Puis on pivote sur les colonnes.
 
 1 0 
0
 
 2 −3 −3 
 
 0 
 1 0  C2 ← C2 − 2C1
 
  C3 ← C3 − C1
 
 1 −2 −1 
 
 0 
 0 1 
0 0 1

Encore une fois pour avoir la dernière colonne nulle.

 
 1 0 0 
 
 2 −3 0 
 
 0 
 1 0 
  C3 ← C3 − C2
 
 
 1 −2 1 
 
 −1 
 0 1 
0 0 1
     
1 0 1
     
On a alors Im A = vect       
 2  ,  −3  et Ker A = vect  −1 .
1 0 1

 Attention ! Pour appliquer cette méthode, on pivote uniquement sur les colonnes.

5.2 Rang

Définition 5.2 Rang d’une matrice

Soit A une matrice. On pose rg(A) = dim Im A.

[Link] 19
© Laurent Garcin MPSI Lycée Jean-Baptiste Corot

Remarqe. Le rang d’une matrice est également le rang de la famille de ses vecteurs colonnes ou encore de l’application
linéaire qui lui est canoniquement associée. n
Remarqe. Si A ∈ Mn,p (K), alors rg(A) 6 min(n, p). n
Remarqe. On verra plus tard que rg(A) = rg(t A). Le rang d’une matrice est aussi le rang des vecteurs lignes de A. n

Proposition 5.4 Théorème du rang matriciel

Soit A ∈ Mn,p (K). Alors p = rg(A) + dim Ker(A).

Proposition 5.5 Rang d’une famille de vecteurs et de sa matrice

Soient B une base d’un K-espace vectoriel E de dimension finie et F une famille vecteurs de E. Alors rg F =
rg mat B (F).

Proposition 5.6 Rang d’une application linéaire et de sa matrice

Soient B1 et B2 des bases respectives de deux K-espaces vectoriels E et F de dimension finie. Soit u ∈ L(E, F). Alors
rg u = rg mat B1 ,B2 (u).

Proposition 5.7 Rang d’un endomorphisme et de sa matrice

Soient B une base d’un K-espace vectoriel E de dimension finie. Soit u ∈ L(E). Alors rg u = rg mat B (u).

Proposition 5.8 Rang et inversibilité

Soit A ∈ Mn (K). A est inversible si et seulement si rg A = n.

Lemme 5.1

Soient α ∈ K∗ , A ∈ Mn,p (K), C ∈ Mn,1 (K) et L ∈ M1,p (K). Alors

( ) ( )
α L α 0
rg = rg = 1 + rg A
0 A C A

[Link] 20
© Laurent Garcin MPSI Lycée Jean-Baptiste Corot

Méthode Calcul du rang

On utilise le pivot de Gauss (sur les lignes ou les colonnes) pour annuler des coefficients sur la première ligne et le
lemme précédent pour se ramener à une matrice de taille inférieure. On supprime également les lignes ou colonnes
nulles apparaissant au cours des opérations de pivot.
   
1 3 2 3 1 1 3 2 3 1
   
 −3 −1 1 2 2   0 8 7 11 5  L2 ← L2 + 3L1

rg   
= rg   L3 ← L3 + L1
 −1 −2 0 4 3 

 0 1 2 7 4  L4 ← L4 + 20L1
−20 −5 3 −10 −1 0 55 43 50 19
 
8 7 11 5
 
= 1 + rg 
 1 2 7 4 

55 43 50 19
 
1 2 7 4
 
= 1 + rg 
 8 7 11 5   L1 ↔ L2
55 43 50 19
 
1 2 7 4
  L2 ← L2 − 8L1
= 1 + rg 
 0 −9 −27  −45
 L3 ← L3 − 55L1
0 −67 −335 −201
( )
−9 −45 −27
= 2 + rg
−67 −335 −201
( )
1 5 3
= 2 + rg L1 ← − 91 L1
−67 −335 −201
( )
1 5 3
= 2 + rg L2 ← L2 + 67L1
0 0 0
=3

Remarqe. Pour le calcul du rang, on peut effectuer des opérations de pivot sur les lignes et les colonnes en même temps.
n

6 Changements de bases, équivalence et similitude

6.1 Changement de base

Définition 6.1 Matrice de passage

Soient B et B ′ deux bases d’un espace vectoriel E de dimension finie. On appelle matrice de passage de la base B à la
B′
base B ′ la matrice mat B (B ′ ), notée PB .

Proposition 6.1
( ′ )−1
B′
Soient B et B ′ deux bases d’un espace vectoriel E de dimension finie. Alors PB B
est inversible et PB B
= PB ′.

′
B
Remarqe. On peut remarquer que PB = mat B ′ ,B (IdE ). n

[Link] 21
 © Laurent Garcin MPSI Lycée Jean-Baptiste Corot

Proposition 6.2 Changement de base pour les vecteurs

Soit B et B ′ deux bases d’un espace vectoriel E de dimension finie. Soit x ∈ E. On pose X = mat B (x), X ′ = mat B ′ (x)
B′
et P = PB . Alors X = PX ′ .

 Attention ! La formule de changement de base est bien X = PX ′ et non X ′ = PX.

Proposition 6.3 Changement de base pour les applications linéaires

Soit E un K-espace vectoriel de dimension finie de bases E et E ′ . Soit également F un K-espace vectoriel de dimension
′
F′
finie de bases F et F ′ . Soit enfin u ∈ L(E, F). On note P = PEE , Q = PF , A = mat E,F (u) et A ′ = mat E ′ ,F ′ (u).
′
Alors A = Q AP.−1

Proposition 6.4 Changement de base pour les endomorphismes

′
Soit E un K-espace vectoriel de dimension finie de bases E et E ′ . Soit u ∈ L(E). On note P = PEE , A = mat E (u) et
A ′ = mat E ′ (u). Alors A ′ = P−1 AP.

Méthode Se souvenir des formules de changement de base

Soient u ∈ L(E), x ∈ E, y = u(x) ∈ E et B, B ′ deux bases de E. Notons respectivement A, X, Y les matrices de u, x, y
dans la base B et A ′ , X ′ , Y ′ les matrices de u, x, y dans la base B ′ . Notons enfin P la matrice de passage de B vers B ′ .
On a Y = AX, X = PX ′ et Y = PY ′ . On en déduit Y = P−1 APX. Or Y ′ = A ′ X ′ donc A ′ = P−1 AP.

Proposition 6.5 Changement de base pour les formes linéaires

′
Soit E un K-espace vectoriel de dimension finie de bases E et E ′ . Soit φ ∈ E∗ . On note P = PEE , L = mat E (φ) et
L ′ = mat E ′ (va). Alors L ′ = LP.

6.2 Matrices équivalentes et rang

Définition 6.2 Matrices équivalentes

Soient A et A ′ deux matrices de Mn,p (K). On dit que A ′ est équivalente à A si et seulement si il existe P ∈ GLp (K)
et Q ∈ GLn (K) telle que A ′ = Q−1 AP.

Proposition 6.6

La relation «être équivalente à» est une relation d’équivalence.

Remarqe. On pourra alors dire sans ambiguïté que deux matrices sont équivalentes plutôt que de dire que l’une est
équivalente à l’autre. n

Proposition 6.7

Deux matrices sont équivalentes si et seulement si elles représentent la même application linéaire dans deux couples de
bases.

[Link] 22
© Laurent Garcin MPSI Lycée Jean-Baptiste Corot

Notation 6.1

Lorsque l’on travaille dans Mn,p (K), pour 0 6 r 6 min(n, p), on note Jn,p,r la matrice suivante :
( )
Ir 0r,p−r
0n−r,r 0n−r,p−r

Il est clair que la matrice Jn,p,r est de rang r.

Proposition 6.8

Soient E et F deux K-espaces vectoriels de dimensions finies respectives n et p et u ∈ L(E, F). Alors u est de rang r si
et seulement si il existe des bases B et B ′ de E et F telles que mat B,B ′ (u) = Jn,p,r .

Corollaire 6.1 Caractérisation du rang

Soit M ∈ Mn,p (K). Alors M est de rang r si et seulement si M est équivalente à Jn,p,r .

Exercice 6.1
 
 1 −4 −3 −2 −2 
 
 −6 −6 −4 −2 
Soient A =  2  et r = rg A. Déterminer U ∈ GL4 (R) et V ∈ GL5 (R) telles que
 −3 3 
 12 12 6 
0 2 3 0 −1
UAV = Jr .

Corollaire 6.2

Deux matrices ont même rang si et seulement si elles sont équivalentes.

Proposition 6.9 Invariance du rang par transposition

Soit M ∈ Mn,p (K). Alors rg t A = rg A.

Corollaire 6.3

Le rang d’une matrice est égal au rang de la famille de ses vecteurs lignes.

Définition 6.3 Matrice extraite

Soit A = (ai,j )16i6n une matrice de Mn,p (K). On appelle matrice extraite de A toute matrice de la forme
16j6p
(ai,j )(i,j)∈I×J où I ⊂ J1, nK et J ⊂ J1, pK.

Remarqe. Plus prosaïquement, une matrice extraite est une matrice obtenue en conservant certaines ou toutes les lignes
ou colonnes de la matrice initiale ou, de manière équivalente, en supprimant éventuellement certaines lignes ou colonnes
de la matrice initiale. n

[Link] 23
© Laurent Garcin MPSI Lycée Jean-Baptiste Corot

Exemple 6.1
 
  1 2 3 4 5
1 3 4  
   
La matrice  11 13 14  est une matrice extraite de la matrice  6 7 8 9 10 . On a en effet conservé les
   11 12 13 14 15 
 
16 18 19
16 17 18 19 20
colonnes 1, 3, 4 et les lignes 1, 3, 4.

Proposition 6.10

Le rang d’une matrice extraite est inférieur au rang de la matrice dont elle est extraite.

Proposition 6.11

Le rang d’une matrice est égale à la taille de la plus grande matrice carrée inversible que l’on peut extraire de cette
matrice.

6.3 Matrices semblables et trace

Définition 6.4 Matrices semblables

Soient A et B deux matrices de Mn (K). On dit que B est semblable à A si et seulement si il existe P ∈ GLn (K) telle
que B = P−1 AP.

Exemple 6.2

La seule matrice semblable à la matrice identité est la matrice identité elle-même.

La seule matrice semblable à la matrice nulle est la matrice nulle.

Proposition 6.12

La relation de similitude («être semblable à») est une relation d’équivalence.

Remarqe. On pourra alors dire sans ambiguïté que deux matrices sont semblables plutôt que de dire que l’une est sem-
blable à l’autre. n
Remarqe. Deux matrices semblables sont équivalentes. La réciproque est fausse. n
Remarqe. Si deux matrices sont semblables, l’une est inversible si et seulement si l’autre l’est. n
Remarqe. Si A et B sont semblables, alors An et Bn sont semblables pour tout n ∈ N (pour tout n ∈ Z si A est inversible).
Plus précisément, s’il existe une matrice inversible P telle que B = P−1 AP, alors Bn = P−1 An P pour tout n ∈ N (pour
tout n ∈ Z si A est inversible). n

Exercice 6.2
( )
1 2
Soit A = . Montrer que A est semblable à une matrice diagonale. En déduire An pour tout n ∈ N.
−1 4

Proposition 6.13

Deux matrices sont semblables si et seulement si elles représentent le même endomorphisme dans deux bases.

[Link] 24
 © Laurent Garcin MPSI Lycée Jean-Baptiste Corot

Proposition 6.14

Deux matrices semblables ont la même trace.

 Attention ! La réciproque est fausse. Deux matrices de même trace ne sont même pas nécessairement équivalentes.

Définition 6.5 Trace d’un endomorphisme

Soit u un endomorphisme d’un espace vectoriel E de dimension finie. Alors la trace de mat B (u) est indépendante de
la base choisie. On l’appelle la trace de l’endomorphisme u et on la note tr(u).

Exemple 6.3 Trace d’un projecteur

La trace d’un projecteur est égale à son rang.

Proposition 6.15 Propriétés de la trace

Soit E un espace vectoriel de dimension finie. Soient u et v deux endomorphismes d’un même K-espace vectoriel de
dimension finie.
(i) La trace est une forme linéaire sur L(E).
(ii) Pour tout (u, v) ∈ L(E)2 , tr(u ◦ v) = tr(v ◦ u).

7 Systèmes linéaires

Interprétation matricielle d’un système linéaire

Un système linéaire (S) de n équations à p inconnues peut toujours se mettre sous la forme AX = B avec A ∈
Mn,p (K) B ∈ Mn,1 (K) et où X ∈ Mp,1 (K) est l’inconnue. B est alors appelé le second membre de ce système
d’équations.
Le système linéaire homogène ou sans second membre associé à S est le système AX = 0.

Remarqe. Résoudre un système linéaire, c’est également rechercher les coefficients des combinaisons linéaires des vec-
teurs colonnes de A égales à B.
Si on note φ1 , . . . , φp les formes linéaires canoniquement associées aux lignes de A, c’est également rechercher les vecteurs
x ∈ Kn tels que φi (x) = bi pour 1 6 i 6 n.
C’est également déterminer l’intersection des hyperplans affines d’équations φi (x) = b. n

Définition 7.1

Le rang du système linéaire AX = B est le rang de A.

Un système linéaire est dit compatible s’il admet au moins une solution.

Proposition 7.1 Structure de l’ensemble des solutions

L’ensemble des solutions du système AX = 0 où A ∈ Mn,p (K) est Ker A. C’est un sous-espace vectoriel de Mp,1 (K)
de dimension n − rg(A).
Le système AX = B où A ∈ Mn,p (K) et B ∈ Mn,1 (K) n’a de solution que si B ∈ Im A. Dans ce cas, l’ensemble des
solutions est le sous-espace affine X0 + Ker A où X0 est une solution particulière.

[Link] 25
© Laurent Garcin MPSI Lycée Jean-Baptiste Corot

Méthode
La résolution d’un système linéaire peut se faire de la manière suivante.
I On forme une nouvelle matrice C = (A|B) en plaçant B à droite de A.

I On effectue un pivot de Gauss sur les lignes de C de manière à se ramener à une matrice C ′ = (A ′ |B ′ ). Les
solutions de AX = B sont les solutions de A ′ X = B ′ . La résolution du second système est plus simple car A ′ est
sous forme triangulaire.

Définition 7.2 Système de Cramer

On dit que le système AX = B est de Cramer si A est inversible (en particulier n = p).

Proposition 7.2

Le système AX = B possède une unique solution si et seulement si A est inversible. Dans ce cas, cette unique solution
est A−1 B.

Remarqe. En pratique, on ne calcule jamais A−1 pour obtenir la solution. On triangularise le système avec la méthode
décrite précédemment. n

Exercice 7.1

Résoudre le système d’équations suivant d’inconnues complexes :



 x1 + x2 + x3 + ... + xn = 1



 x1 + 2x2 + 2x3 + ... + 2xn = 1
x1 + 2x2 + 3x3 + ... + 3xn = 1

 .. .. ..

 . . .


x1 + 2x2 + 3x3 + ... + nxn = 1

[Link] 26