Matrices

François DE M ARÇAY
Institut de Mathématique d’Orsay
Université Paris-Saclay, France

1. Introduction
2. Étude d’un cas particuler éclairant
Considérons d’abord deux espaces vectoriels F et E, de dimensions respectives 2 et 3,
sur un même corps K. On pourra penser, pour fixer les idées, que K = R ou K = C.
Soient aussi :
f~1 , f~2

une base de F,

~e1 , ~e2 , ~e3 une base de E.
Considérons enfin une application linéaire f de F dans E :
f ∈ L F, E ,

c’est-à-dire :
f
F −→ E.
D’après un théorème qui a déjà été vu dans un chapitre qui précède, f est déterminée de
~ ~
 images f (f1 ) et f (f2 ). Donnons-nous alors ces images par
façon unique dès que l’on fixe les
leurs coordonnées dans la base ~e1 , ~e2 , ~e3 de E :
f (f~1 ) = a1,1 ~e1 + a2,1 ~e2 + a3,1 ~e3 ,
f (f~2 ) = a1,2 ~e1 + a2,2 ~e2 + a3,2 ~e3 ,
où a1,1 , . . . , a3,2 sont certains nombres bien déterminés appartenant au corps K.
Pour tout vecteur ~x ∈ F , considérons ses coordonnées dans la base f~1 , f~2 :


~x = x1 f~1 + x2 f~2 .
x) =: ~y est un vecteur ~y ∈ E dont nous désignons par y1 , y2 , y3 les coordonnées
Son image f (~
dans la base ~e1 , ~e2 , ~e3 :
~y = y1 ~e1 + y2 ~e2 + y3 ~e3 .
Or on a aussi, puisque f est un homomorphisme linéaire :
~y = f (~x)
= x1 f (f~1 ) + x2 f (f~2 ).
En remplaçant alors f (f~1 ) et f (f~2 ) par les valeurs précédemment choisies, nous obtenons :


~y = x1 a1,1 ~e1 + a2,1 ~e2 + a3,1 ~e3 +


+ x2 a1,2 ~e1 + a2,2 ~e2 + a3,2 ~e3 ,
1
2 François DE M ARÇAY, Institut de Mathématique d’Orsay, Université Paris-Saclay, France

et par conséquent, nous déduisons par identification que :


 y1 = a1,1 x1 + a1,2 x2 ,

(2.1) y2 = a2,1 x1 + a2,2 x2 ,

y = a x + a x .
3 3,1 1 3,2 2

f~1 , f~2

Terminologie 2.2. Ces relations se nomment équations de f par rapport à la base
de F et à la base ~e1 , ~e2 , ~e3 de E.
Ces équations sont caractérisées par les coefficients ai,j rangés sous forme d’un tableau :
 
a1,1 a1,2  16j62 colonnes
 a2,1 a2,2  = ai,j .
16i63 lignes
a3,1 a3,2
Terminologie 2.3. Un tel tableau se nomme matrice à 3 lignes et à 2 colonnes. Ses éléments
ai,j se nomment termes ou entrées de la matrice.
Convention 2.4. Dans ai,j , le premier indice i concernera toujours 1 les lignes, et le


deuxième indice j concerne toujours les colonnes.
Mais les lettres peuvent changer ! On pourra aussi écrire parfois :
 16i62 colonnes
aj,i .
16j63 lignes

Observation 2.5. Pour chaque 1 6 j 6 2, la colonne de rang j de la matrice est constituée

par les coordonnées, dans la base ~e1 , ~e2 , ~e3 de E, de l’image f (f~j ) du vecteur f~j de rang
j dans la base f~1 , f~2 de F .


Nous pouvons abréger la dénomination des deux bases :

BF := f~1 , f~2 ,


BE := ~e1 , ~e2 , ~e3 .
Terminologie 2.6. On dit aussi que la matrice est associée à f par rapport à la donnée
simultanée de la base BF de F et de la base BE de E. On note alors cette matrice :
MatBF BE (f ) ou parfois simplement : Mat(f ).
Toutefois, la théorie va démontrer qu’une unique application linéaire f ∈ L (F, E) peut
donner lieu à des matrices très différentes quand on change les bases.
Réciproquement, si on se donne une matrice à 3 lignes et à 2 colonnes, dont les termes
sont des scalaires appartenant à K, alors les relations (2.1) définissent une application f de
F dans E, car tout vecteur ~x ∈ F , de coordonnées (x1 , x2 ), est envoyé par cette application
sur un vecteur ~y ∈ F , dont les coordonnées (y1 , y2 , y3 ) sont justement données par (2.1).
Une vérification fondée sur calcul simple montre que cette application f est linéaire de
F dans E, c’est-à-dire f ∈ L (F, E). Par conséquent, si on désigne par M3,2 (K) l’ensemble
des matrices à 3 lignes et à 2 colonnes sur le corps K, on constate que l’application :
L (F, E) −→ M3,2 (K)
f 7−→ M (f )
est une bijection. Mais attention, cette bijection dépend du choix de deux bases BF et BE !
1. Sauf dans la Section 12.
 3. Passage au cas général 3

3. Passage au cas général

Maintenant que les premières idées intuitives ont bien pénétré la douce cervelle de notre
cerveau, nous pouvons généraliser ces notions à deux espaces vectoriels F et E de dimen-
sions finies quelconque sur un corps K — penser que K = R ou K = C. Soient :
n := dimK F et m := dimK E.
Choisissons une base BF de F :
f~1 , f~2 , . . . , f~n ,

BF =
ainsi qu’une base BE de E :

BE = ~e1 , ~e2 , . . . , ~em .
Exprimons tout vecteur ~x ∈ F et tout vecteur ~y ∈ E par leurs coordonnées dans BF et dans
BE :
n
X
(3.1) ~x = x1 f~1 + x2 f~2 + · · · + xn f~n = xj f~j ,
j=1
Xm
(3.2) ~y = y1 ~e1 + y2 ~e2 + · · · + ym ~em = yi ~ei .
i=1

Un diagramme résume la situation.

f~1 , . . . , f~n
 
BF = BE = ~e1 , . . . , ~em

f
F / E

x1 , . . . , x n y1 , . . . , ym

1 6 j 6 n 1 6 i 6 m

n
X m
xj f~j
X
~x = ~y = yi ~ei .
j=1 i=1

Il faut bien faire la différence entre les vecteurs f~j , ~x, ~ei , ~y qui appartiennent à des espaces
vectoriels et les coordonnées xj , yi qui sont des nombres scalaires appartenant au corps K.
Ensuite, prenons une application linéaire de F dans E :
f ∈ L (F, E).
Nous savons que f est déterminée de façon unique dès que l’on fixe les images :

f (f~1 ), f (f~2 ), . . . . . . , f (f~n )

4 François DE M ARÇAY, Institut de Mathématique d’Orsay, Université Paris-Saclay, France

des vecteurs de la base BF de F . Donnons-nous alors ces images par leurs coordonnées dans
la base BE de E :
(3.3) ∀ 1 6 j 6 n: f (f~j ) = a1,j ~e1 + a2,j ~e2 + · · · + am,j ~em .
Il y a donc n relations (3.3), que l’on peut écrire, d’une façon plus condensée :
m
X
f (f~j ) = ai,j ~ei (1 6 j 6 n).
i=1

Tout vecteur ~x ∈ E, mis sous la forme (3.1), est envoyé, par l’application linéaire f , sur
le vecteur de F suivant :
~y = f (~x) = x1 f (f~1 ) + · · · + xn f (f~n )
n
X
= xj f (f~j ).
j=1

Cherchons les coordonnées de ce vecteur ~y dans la base BE de E, c’est-à-dire mettons-le

sous la forme (3.2) ; à cet effet, remplaçons les f (f~j ) par leur valeur donnée par (3.3) :
n
X
~y = xj f (f~j )
j=1
Xn m
X
(3.4) = xj ai,j ~ei
j=1 i=1
Xm n
X 
= ai,j xj ~ei ,
i=1 j=1

où nous avons utilisé les propriétés d’associativité et de commutativité de l’addition vecto-

rielle ainsi que celles de la multiplication par des scalaires, et par conséquent, une identifica-
tion donne :
X n
yi = ai,j xj (1 6 i 6 m).
j=1

Nous avons ainsi obtenu les coordonnées (y1 , . . . , ym ) du vecteur ~y = f (~x) dans la base BE
de E, ce qui s’écrit aussi de manière détaillée :
y1 = a1,1 x1 + a1,2 x2 + · · · + a1,n xn ,



 y2 = a2,1 x1 + a2,2 x2 + · · · + a2,n xn ,

(3.5)

 ····································

ym = am,1 x1 + am,2 x2 + · · · + am,n xn .


Terminologie 3.6. Ces m équations à n variables x1 , . . . , xn se nomment équations de f par

rapport aux bases BF de F et BE de E.
Elles peuvent aussi se représenter sous la forme :
y1 a1,1 a1,2 · · · a1,n x1
    
 y2  a a2,2 · · · a2,n   x2 
 .  =  2,1 . .. .. ..   . ,
 ..   .. . . .   .. 
ym am,1 am,2 · · · am,n xn
 3. Passage au cas général 5

et il est clair qu’elles sont caractérisées par le tableau de nombres scalaires :

a1,1 a1,2 · · · a1,n
 
 a2,1 a2,2 · · · a2,n 
 .
 .. .. .. ..  .
. . . 
am,1 am,2 · · · am,n
Terminologie 3.7. On nomme un tel tableau matrice à m lignes et à n colonnes. On dit aussi
que cette matrice est associée à f par rapport à la base BF de F et à la base BE de E, et on
la note :
 16j6n colonnes
MatBF BE (f ) = ai,j .
16i6m lignes

Voici pour commencer une belle petite matrice à 3 lignes et à 3 colonnes :

Ensuite, voici une représentation de la matrice générale à m lignes et à n colonnes, dans

laquelle on fait bien voir comment le premier indice ai,• augmente en descendant, tandis que
le second indice a•,j augmente pendant qu’on progresse vers la droite (sans gilet jaune —
tenue correcte exigée !).

Et avec la même chose en version anglaise pour ceux qui aiment les cours de langue Poly-
tech ! Et les bonnes couleurs flashy ! Welcome to London !
Observation 3.8. Pour tout indice 1 6 j 6 n, la colonne de rang j de cette matrice est
constituée par les coordonnées, dans la base BE de E, de l’image f (f~j ) du vecteur f~j de
rang j de la base BF de F :
a1,1 a1,2 · · · a1,n
 

 a2,1 a2,2 · · · a2,n 
ai,j =   ... .. .. . 
. . ··· 
am,1 am,2 · · · am,n
f (f~1 ) f (f~2 ) ··· f (f~n )

Réciproquement, si on se donne une matrice à m lignes et à n colonnes, les formules (3.5)

définissent une application f de F dans E ; en effet, à tout vecteur ~x ∈ F de coordonnées
x1 , . . . , xn dans la base BF , les formules 3.5 font correspondre un vecteur ~y ∈ E de coor-
données y1 , . . . , ym dans la base BE . Ce vecteur ~y est donné par la relation (3.4).
6 François DE M ARÇAY, Institut de Mathématique d’Orsay, Université Paris-Saclay, France

À partir de cette relation (3.4), on peut prouver que cette application f est linéaire ; si on
pose :
Xm
~`j := ai,j ~ej (1 6 j 6 n),
i=1

il est facile de voir que, pour tout indice j, on a ~`j = f (f~j ), et les relations (3.4) s’écrivent
alors : n
X
~y = f (~x) = xj ~`j ,
j=1
et, pour tous scalaires a et a0 , et tous vecteurs ~x et ~x 0 de E, on a :
Xn X n
a f (~x) + a0 f (~x 0 ) = a xj ~`j + a0 x0j ~`j
j=1 j=1
n
X
a xj + a0 x0j ~`j = f a ~x + a0 ~x 0 ,



=
j=1

donc f est bien linéaire.

Notation 3.9. On désignera par :
Mm,n (K)
l’ensemble des matrices à m lignes et à n colonnes sur le corps K.
L’étude qui précède permet alors d’énoncer le
Théorème 3.10. Deux bases BF et BE étant choisies respectivement dans deux espaces
vectoriels F et E, de dimensions n et m sur un corps K, il existe, par rapport à BF et BE ,
une bijection unique :
L (F, E) −→ Mm,n (K)
f 7−→ MatBF BE . 

4. Matrices de rotation en géométrie euclidienne planaire

Considérons l’espace vectoriel R2 de la géométrie euclidienne plane. On sait que toute
rotation r autour de l’origine est une application linéaire de R2 dans lui-même. On a donc
F = E = R2 .
Choisissons les bases confondues :
BF = BE = ~i, ~j ,


en termes des deux vecteurs de coordonnées :

~i := (1, 0) et ~j := (0, 1).
 5. Matrice ligne et matrice colonne 7

Si α est l’angle de la rotation r, on a :

r(~i) = cos α · ~i + sin α · ~j,
r(~j) = − sin α · ~i + cos α · ~j.
La matrice Mat(r) associée à cette rotation dans la base {~i, ~j} est donc :
 
cos α − sin α
Mat(r) = .
sin α cos α
r(~i) r(~j)

Observons que la première colonne est constituée des coordonnées r(~i), et la seconde co-
lonne de celles de r(~j).
Un vecteur général ~x = x1 ~i + x2 ~j devient le vecteur r(~x) =: y1 ~i + y2 ~j défini par :
y1 = cos α · x1 − sin α · x2 ,
y2 = sin α · x1 + cos α · x2 .
Enfin, remarquons que toute rotation r de R2 est caractérisée par son angle de rotation α,
et ainsi, cette matrice Mat(r) est indépendante de la base orthonormée choisie.

5. Matrice ligne et matrice colonne

Soit toujours F un espace vectoriel de dimension n > 1 sur un corps K. On sait que
ce corps K lui-même est un espace vectoriel de dimension 1 sur le corps K, et que la base
canonique de K est constituée de l’unique vecteur 1 ∈ K. Prenons alors comme espace
vectoriel d’arrivée :
E := K.
Rappelons que toute application linéaire de E dans K s’appelle une forme linéaire. À tout
vecteur ~x ∈ F , une forme linéaire f ∈ L (F, K) associe un scalaire f (~x) ; et, pour tous
scalaires a et a0 , et tous vecteurs ~x et ~x 0 , on a :
f a ~x + a0~x 0 = a f (~x) + a0 f (~x 0 ).

Si on rapporte F à une base BF = f~1 , . . . , f~n et K à sa base canonique BK = {1}, on



obtient, pour image de ~x = x1 f~1 + · · · + xn f~n le scalaire :

f (~x) = x1 f (f~1 ) + · · · + xn f (f~n ).
Pour caractériser f , il suffit donc de préciser les n scalaires :
a1 := f (f~1 ), . . . . . . . . . , an := f (f~n ),
qui se nomment coefficients de la forme linéaire relativement à la base BF .
La matrice Mat(f ) associée à f dans ces bases BF et BK comporte alors 1 ligne et n
colonnes :

Mat(f ) = a1 a2 . . . an
c’est-à-dire :
x1
 

 x2 
y = a1 a2 · · · an   ...  = a1 x1 + a2 x2 + · · · + an xn .


xn
8 François DE M ARÇAY, Institut de Mathématique d’Orsay, Université Paris-Saclay, France

Ensuite, soit E un espace vectoriel de dimension m > 1 sur un corps K, et soit f : K −→

E une appplication linéaire. Ainsi, on choisit F := K. L’image d’un scalaire x ∈ K est
un vecteur
 f (x) ∈ E. Rapportons K à la base canonique BK = {1}, et E à une base
BE = ~e1 , . . . , ~em . Alors :

x = x·1 =⇒ f (x) = x f (1).

Pour caractériser f , il suffit par conséquent de préciser l’image f (1) par ses coordonnées
dans BE :
f (1) = a1 ~e1 + a2 ~e2 + · · · + am ~em .
La matrice associée à une telle application possède donc m lignes et 1 colonne :

a1
 
 a2 
Mat(f ) =   ...  .


am

Ainsi :

y1 = a1 x,
y1 a1
    

 y2 = a2 x,

 y2   a  

 .  =  .2  x ⇐⇒
 ..   ..  ..


 .
ym am 

ym = am x.

6. Espace vectoriel Mm,n (K)

Commençons par définir l’addition des matrices. Dans l’ensemble Mm,n (K) des matrices
à m lignes et à n colonnes sur le corps K, nous allons définir une addition de telle sorte que
la bijection f 7−→ Mat(f ) de L (F, E) sur Mm,n (K) soit un isomorphisme linéaire.
Pour simplifier les notations, nous désignerons la matrice par son terme général simple-
ment mis entre parenthèses :

 16j6n colonnes
ai,j = ai,j .
16i6m lignes

Ici, rappelons que le premier indice i décrit les lignes, tandis que le second j décrit les
colonnes.
Soient f et f 0 deux applications linéaires de F dans E, rapportées à deux bases BF et
BE :
BF = f~1 , . . . , f~n ,


BE = ~e1 , . . . , ~em .
Soient aussi les deux matrices associées, dans ces bases, à f et à f 0 :


M (f ) = MatBF BE (f ) = ai,j ,
M (f 0 ) = MatBF BE (f 0 ) = a0i,j .


 6. Espace vectoriel Mm,n (K) 9

Elles appartiennent à Mm,n (K). Ainsi, on a :

m
X
f (f~j ) = ai,j ~ei (1 6 j 6 n),
i=1
m
X
f 0 (f~j ) = a0i,j ~ei (1 6 j 6 n),
i=1

Par définition de la somme f + f 0 vue au chapitre qui précède, on a :

m
X m
X
0~ a0i,j ~ei


f + f (fj ) = ai,j ~ei +
i=1 i=1
Xm
ai,j + a0i,j ~ej


= (1 6 j 6 n).
i=1

Par conséquent, la matrice associée à f + f 0 est :

 16j6n colonnes
Mat(f + f 0 ) = ai,j + a0i,j .
16i6m lignes

Ceci justifie la
Définition 6.1. À tout couple ai,j et a0i,j de deux matrices de Mm,n (K), on associe une

matrice de Mm,n (K), nommée somme de ces matrices, noté et définie par :
ai,j + a0i,j := ai,j + a0i,j .

  0
a1,1 a1,2 ··· a1,n a1,1 a01,2 · · · a01,n
 
 a2,1 a2,2 ··· a2,n   a02,1 a02,2 · · · a02,n 
ai,j + a0i,j = 



 ... .. .. ..  + . .. ... .. 
. . .   .. . . 
0 0 0
am,1 am,2 · · · am,n am,1 am,2 · · · am,n
a1,1 + a01,1 a1,2 + a01,2 · · · a1,n + a01,n
 
 a2,1 + a02,1 a2,2 + a02,2 · · · a2,n + a02,n 
=  .. .. .. .. 
 . . . . 
am,1 + a0m,1 am,2 + a0m,2 · · · am,n + a0m,n
Ainsi on a :
Mat(f ) + Mat(f 0 ) = Mat f + f 0 .

La bijection f 7−→ Mat(f ) de L (F, E) sur Mm,n (K) est un isomorphisme pour l’addition.
Par conséquent :
Lemme 6.2. Mm,n (K) est un groupe commutatif pour l’addition. 
L’élément neutre est la matrice nulle, i.e. celle dont tous les m n éléments sont nuls, et on
la notera 0. L’opposé d’une matrice est tout simplement :



− ai,j := − ai,j .
Ensuite, définissons la multiplication des matrices par un scalaire. Soient donc :
f ∈ L (F, E) et λ ∈ K.
10 François DE M ARÇAY, Institut de Mathématique d’Orsay, Université Paris-Saclay, France

Par définition de l’application linéaire λ f vue au chapitre qui précède, on a :

Xm Xm
~ ~



f (fj ) = ai,j ~ei =⇒ λ f (fj ) = λ ai,j ~ei .
i=1 i=1

Par conséquent,

la matrice associée à (λ f ) est simplement la matrice dont tous les m n
termes λ ai,j sont multipliés par λ, ce qui justifie la
Définition 6.3. À toute matrice ai,j de Mm,n
(K) et à tout scalaire λ ∈ K, on associe une

matrice de Mm,n (K), nommée produit de ai,j par λ, notée et définie par :

 16j6n colonnes
λ ai,j := λ ai,j .
16i6m lignes

Ainsi, nous avons :

Mat λ f = λ Mat(f ).
Par conséquent, nous pouvons énoncer en résumé un
Théorème 6.4. La bijection :
L (F, E) −→ Mm,n (K)
f 7−→ M (f )
est un isomorphisme de K-espaces vectoriels. 

7. Multiplication des matrices

Après l’addition et la soustraction, que pourrait-être la multiplication des matrices ?
La seule réponse candidate à cette question s’inspire de la composition des applications
linéaires. Il n’y a donc pas à proprement parler de « multiplication », notamment il n’y a
en aucun cas multiplication terme à terme des éléments de deux matrices données — il
faut s’interdire de faire cette bêtise ! Honte, fatale, à l’étudiant(e) idiot(e) de Polytech qui la
commettrait !
Au contraire, le bon concept de multiplication va s’inspirer de ce qu’il se passe en pré-
sence de trois K-espaces vectoriels.
En effet, soit un troisième K-espace vectoriel G de dimension finie :
p := dimK G,
 7. Multiplication des matrices 11

et soit un diagramme de composition de deux applications linéaires :

f ◦g

g f &
G / F / E.
Dans le chapitre qui précède, nous avons vu qu’une telle composition préservait la linéarité :
 
g ∈ L (G, F ) et f ∈ L (F, E) =⇒ f ◦ g ∈ L (G, E).
Choisissons aussi trois bases quelconques de G, F , E :

BG = ~g1 , . . . , ~gp ,
BF = f~1 , . . . , f~n ,


BE = ~e1 , . . . , ~em .
Relativement aux deux paires de bases BG , BF et BF , BE , soient aussi les deux matrices de
ces deux applications linéaires :
 16k6p colonnes  16j6n colonnes
Mat(g) = bj,k et Mat(f ) = ai,j .
16j6n lignes 16i6m lignes

Observons, car cela sera important, que le nombre n de lignes de Mat(g) est égal au nombre
n de colonnes de Mat(f ), puisque la balle vectorielle F de dimension n est au centre !
Avant de poursuivre, élaborons un diagramme synthétique qui nous fera office de GPS
dans cette forêt algébrique.

BF = f~1 , . . . , f~n
  
BG = ~g1 , . . . , ~gp BE = ~e1 , . . . , ~em

g f
G / F / E

u1 , . . . , un x1 , . . . , x n y1 , . . . , y m

1 6 k 6 p 1 6 j 6 n 1 6 i 6 m

p n
X m
xj f~j
X X
~u = uk ~gk ~x = ~y = yi ~ei .
k=1 j=1 i=1

On a évidemment :
Mat(f ) ∈ Mm,n (K) et Mat(g) ∈ Mn,p (K).
Dans la concaténation, l’entier n va disparaître :
(•)m,n (•)n,p = (•)m,p .
On a évidemment aussi :
Mat f ◦ g ∈ Mm,p (K).


12 François DE M ARÇAY, Institut de Mathématique d’Orsay, Université Paris-Saclay, France

Maintenant, écrivons les actions de f et de g dans ces bases :

m
X
f (f~j ) = ai,j ~ei (1 6 j 6 n),
i=1
Xn
g(~gk ) = bj,k f~j (1 6 k 6 p),
j=1

et pour déterminer l’action de l’application composée f ◦ g : G −→ E, commençons un

calcul très important qui utilise franchement la linéarité de f :

n
X 
bj,k f~j


f ◦ g (~gk ) = f g(~gk ) = f
j=1
n
X
= bj,k f (f~j )
j=1
Xn m
X
= bj,k ai,j ~ei ,
j=1 i=1


et ensuite, utilisons la commutativité de la sommation addition afin de réorganiser cette
double somme en regroupant les termes multiples de chaque vecteur ~ei :

m X
X n 
f ◦ g (~gk ) = bj,k ai,j ~ei
i=1 j=1
Xm Xn 
[α · β = β · α] = ai,j bj,k ~ei ,
i=1 j=1
| {z }
=: ci,k

et par conséquent, si nous posons comme cela vient d’être souligné par en-dessous :

n
X
ci,k := ai,j bj,k (1 6 i 6 m, 1 6 k 6 p),
j=1

nous obtenons une représentation adéquate de l’action de f ◦ g sur les vecteurs de la base BG
de G :
m
X
f ◦ g (~gk ) = ci,k ~ei (1 6 k 6 p),
i=1

ce qui nous permet de conclure que nous venons effectivement de calculer la matrice de cette
composée f ◦ g dans la paire de base(kets ?) BG , BE !
 7. Multiplication des matrices 13

Tout ce beau travail de calculs utiles justifie alors la

Définition 7.1. À toute paire de matrices de tailles m × n et n × p :
 16j6n  16k6p
ai,j et bj,k
16i6m 16j6n

dont le nombre n de colonnes de la première coïncide avec le nombre n de lignes de la

seconde, on associe une matrice :
 16k6p  16j6n  16k6p
◦
ci,k := ai,j · bj,k ,
16i6m 16i6m 16j6n◦



appelée multiplication de ai,j par bj,k , dans laquelle a disparu le nombre n, et qui est
définie par :
 16j6n  16k6p X n 16k6p
◦
ai,j · bj,k := ai,j bj,k .
16i6m 16j6n◦ 16i6m
j=1

Malheureusement, plusieurs mises en garde doivent être formulées.

a
Cela n’a aucun sens de composer g ◦ f , puisque f arrive dans E, tandis que G part de
G 6= E. C’est seulement f ◦ g qui a un sens, car nous avons fait l’hypothèse que g arrive
dans l’espace F , et que f part du même espace F .
14 François DE M ARÇAY, Institut de Mathématique d’Orsay, Université Paris-Saclay, France

a


Par conséquent, la multiplication de matrices dans l’autre sens bj,k · ai,j n’a pas de
sens en général, y compris parce qu’il est absolument nécessaire d’avoir coïncidence des
nombres de colonnes et de lignes qui ont été soulignés dans l’encadré ci-dessus, sachant
qu’on n’a pas en général p = m.

a
Même lorsque p = m = n, cette multiplication de matrices n’est en général pas commu-
tative, comme le montre l’exemple :

   
0 1 1 1
A := et B := ,
1 0 0 0

qui oblige à constater que A · B 6= B · A :

      
0 1 1 1 0·1+1·0 0·1+1·0 0 0
A·B = = = ,
1 0 0 0 1·1+0·0 1·1+0·0 1 1
      
1 1 0 1 1·0+1·1 1·1+1·0 1 1
B·A = = = .
0 0 1 0 0·0+0·1 0·1+0·0 0 0

a
Aussi, bien qu’on parle de multiplication de matrices, l’analogie avec la multiplication
des nombres réels est plutôt trompeuse !

a
Il vaudrait mieux dire « composition » des matrices, puisqu’on compose des applications
linéaires.

Maintenant, voici de nombreuses schématisations, dans des
notations parfois différentes,

de la manière dont les colonnes

de la matrice à droite bj,k se rabattent sur les lignes de
la matrice à gauche ai,j , en tombant comme des sapins géants coupés par un impitoyable
bûcheron-mathématicien (le prof, donc. . .).
Commençons par la meilleure de toutes ces illustrations. Elle a probablement dû deman-
der plusieurs jours de travail au pauvre malheureux auquel elle a été volée sur internet !
 7. Multiplication des matrices 15

Et comme elle est assez complète et complexe, il s’avère utile d’examiner d’autres illus-
trations plus simples qui permettront de se former les bonnes intuitions de la multiplication
entre matrices. Que doit faire l’étudiant ? Il doit étudier ! Alors on lui montre plein de figures
pour qu’il les étudie.

Oui, quelque chose se rabat de la verticale vers l’horizontale, afin de s’accoupler comme
deux ADNs : c’est cette intuition dynamique qu’il faut conserver en mémoire, la plus riche
d’entre toutes.
16 François DE M ARÇAY, Institut de Mathématique d’Orsay, Université Paris-Saclay, France

Passons maintenant à des illustrations moins dynamiques, bien que présentées en cou-
leurs. Quand n = 1, un seul sapin à droite tombe au sol à gauche.

Voici encore de belles illustrations numériques. Exercice impératif : vérifier qu’il n’y a
pas d’erreur de calcul ! Une première :

Une deuxième :

Une troisième :
 7. Multiplication des matrices 17

Sur le plan formel, c’est-à-dire quand les termes d’une matrice ne sont pas des nombres
entiers explicites, mais des lettres, la multiplication de deux matrices 2 × 2 est la suivante.

Observons ici dans un cadre formel général que le produit dans un sens, puis dans un
autre sens, de deux matrices 2 × 2 :
    
a b e f ae + bg af + bh
= ,
c d g h ce + dg cf + dh
    
e f a b ea + f c eb + f d
= ,
g h c d ga + hc gb + hd
ne peut donner le même résultat que lorsque les 4 équations suivantes sont satisfaites :
ae + bg = ea + f c, af + bh = eb + f d,
ce + dg = ga + hc, cf + dh = gb + hd,
et il est intuitivement clair que pour la plupart des choix possibles de nombres rationnels :
a, b, c, d, e, f, g, h ∈ Q,
ces quatre équations ne sont pas satisfaites, et ainsi, le produit entre les deux matrices cor-
respondantes n’est pas commutatif. Évidemment, en dimension n > 3, ce sera encore pire !
Il y aura encore moins de chances que le produit entre deux matrices quelconques soit com-
mutatif !
Or lorsqu’il s’agit de deux matrices 3 × 3, les choses se corsent. Voici ce qu’on écrivait
lors du précédent millénaire, à Chicago, avec une vraie machine à écrire, ses touches en
plomb, la cigarette entre les dents, et le gun à portée de main.

Voici le même produit dans un style plus contemporain, volé, lui aussi, sur internet, sans
vergogne, et qui a des couleurs plutôt discrètes.
18 François DE M ARÇAY, Institut de Mathématique d’Orsay, Université Paris-Saclay, France

Certaines fois, on peut multiplier des matrices dans les deux sens, par exemple une ma-
trice 3 × 2 que multiplie une matrice 2 × 3, ainsi que dans l’autre sens :

 
a1,1 a1,2  
b1,1 b1,2 b1,3
A :=  a2,1 a2,2  , B := ,
b2,1 b2,2 b2,3
a3,1 a3,2

d’où :

 
a1,1 b1,1 + a1,2 b2,1 a1,1 b1,2 + a1,2 b2,2 a1,1 b1,3 + a1,2 b2,3
A · B =  a2,1 b1,1 + a2,2 b2,1 a2,1 b1,2 + a2,2 b2,2 a2,1 b1,3 + a2,2 b2,3  ,
a3,1 b1,1 + a3,2 b2,1 a3,1 b1,2 + a3,2 b2,2 a3,1 b1,3 + a3,2 b2,3
 
b1,1 a1,1 + b1,2 a2,1 + b1,3 a3,1 b1,1 a1,2 + b1,2 a2,2 + b1,3 a3,2
B·A =
b2,1 a1,1 + b2,2 a2,1 + b2,3 a3,1 b2,1 a1,2 + b2,2 a2,2 + b2,3 a3,2

Voici encore deux autres illustrations intuitives en petites dimensions :

Et encore une :

Enfin, redonnons un graphique en dimension quelconque :

 7. Multiplication des matrices 19

et encore deux autres (on voit bien que le tout dernier a été volé ! « matriz » !) :

Voilà, une fois terminé cet interlude joyeux et fou, reprenons le chemin de la théorie
austère et froide, le dos courbé, la cervelle en surchauffe, et le stylo droit comme un I.
Par définition de la multiplication matricielle, on a :


Mat(f ) Mat(g) = Mat f ◦ g .
Maintenant, si H est un quatrième K-espace vectoriel de dimension finie q > 1, et si
h : H −→ G est une troisième application linéaire, de telle sorte qu’on a le diagramme :
g f
H
h / G / F / E,
le fait que la composition d’applications entre ensembles est associative :
   
f ◦g ◦h = f ◦ g◦h ,
implique immédiatement que la multiplication entre les matrices correspondantes est asso-
ciative :







ai,j · bj,k · ck,l = ai,j · bj,k · ck,` ,
20 François DE M ARÇAY, Institut de Mathématique d’Orsay, Université Paris-Saclay, France

où, comme on l’aura deviné :

 16`6q colonnes
ck,` = Mat(h).
16k6p lignes

Ainsi, avec quatre entiers q, p, n, m > 1, pour trois matrices quelconques :

M ∈ Mm,n (K), M 0 ∈ Mn,p (K), M 00 ∈ Mp,q (K),
bien qu’on n’ait pas commutativité de la multiplication, on a au moins associativité :
M · M 0 · M 00 = M · M 0 · M 00 .
   

De plus, on déduit de propriétés déjà vues dans le chapitre qui précède que la multiplica-
tion matricielle est distributive, à gauche comme à droite, par rapport à l’addition matricielle.
Plus précisément, étant donné deux paires d’applications représentées par le diagramme :
g1 f1
G / F / E,
g2 f2

on a toujours :

f1 ◦ g1 + g2 = f1 ◦ g1 + f1 ◦ g2 ,


f1 + f2 ◦ g1 = f1 ◦ g1 + f2 ◦ g1 ,
et on en déduit que pour toutes matrices :
M1 , M2 ∈ Mm,n et M10 , M20 ∈ Mn,p ,
on a ladite distributivité :
M1 · M10 + M20 = M1 · M10 + M1 · M20 ,

M1 + M2 · M10 = M1 · M10 + M2 · M10 .

Enfin, pour terminer cette section, revenons à l’écriture matricielle (3.5) des applications
linéaires :
Xn
yi = ai,j xj (1 6 i 6 m).
j=1
Comme nous l’avons implicitement anticipé, ces formules peuvent s’interpréter comme mul-
tiplication matricielle. En effet, introduisons les deux matrices colonnes :
x1 y1
   
 x2   y2 
X :=   ... 
 et Y :=   ...  ,


xn ym
qui sont la matrice X des coordonnées du vecteur ~x dans la base BF de F , et la matrice Y
des coordonnées du vecteur ~y dans la base BE de E.
D’après la définition de la multiplication d’une matrice de Mm,n (K) par une matrice de
Mn,1 (K), les formules en question expriment que pour tout indice

1 6 i 6 m, la coordonnée
yi est le terme de la ligne i de la matrice produit de A := ai,j par X, et par conséquent, on
peut écrire ces m équations d’un seul bloc comme simple produit matriciel :
y1 a1,1 a2,1 · · · an,1 x1
    
 y2  a a2,2 · · · an,2   x2 
 .  =  1,2 . .. .. ..   . .
 ..   .. . . .   .. 
ym a1,m a2,m · · · an,m xn
 8. Anneau des matrices carrées d’ordre n 21

D’une façon condensée, nous pouvons aussi abréger le tout sous une forme :
Y = A · X,
qui est la traduction matricielle de la relation ~y = f (~x).
De même, l’application g : G −→ F , à savoir la relation ~x = g(~u), s’écrit sous forme
condensée :
X = B · U,
et sous forme de polystyrène expansé comme :
x1 b1,1 b1,2 · · · b1,p u1
    
 x2   b2,1 b2,2 · · · b2,p   u2 
 .  =  . .. ... ..   . .
 ..   .. . .   .. 
xn bn,1 bn,2 · · · bn,p up
Observons avant de changer de section que la composition s’écrit en abrégé :
Y = A·X = A · B} · U,
| {z
=: C

c’est-à-dire avec tout le polystyrène qu’on aime et qu’on Dior-adore en se roulant dans le
pop-corn :
y1 a1,1 a2,1 · · · an,1 b1,1 b2,1 · · · bp,1 u1
     
 y2   a1,2 a2,2 · · · an,2   b1,2 b2,2 · · · bp,2   u2 
 .  =  . .. .. ..   . .. .. ..   . .
 ..   .. . . .   .. . . .   .. 
ym a1,m a2,m · · · an,m b1,n b2,n · · · bp,n up
| {z }
multiplication matricielle

8. Anneau des matrices carrées d’ordre n

Quand m = n, l’ensemble Mm,n (K) = Mn,n (K) jouit de propriétés particulières.
Terminologie 8.1. On appelle matrice carrée toute matrice dont le nombre de lignes égale
celui des colonnes. Ce nombre s’appelle ordre de la matrice carrée. L’ensemble des matrices
carrées sur le corps K sera noté :
Mn (K) ≡ Mn,n (K).
Ainsi, une matrice carrée d’ordre n > 1 est associée à une application linéaire f ∈
L (F, E) lorsque :
n = dim F = dim E.
Cela est en particulier le cas lorsque F = E, avec n = dim E. Si, dans ce dernier cas,
on choisit une base BE de E, l’application f 7−→ Mat(f ) est une bijection de L (E) sur
Mn (K).
Cette bijection est un isomorphisme pour l’addition :


Mat f + g = Mat(f ) + Mat(g),
et c’est un isomorphisme pour la multiplication, ou composition :


Mat f ◦ g = Mat(f ) · Mat(g).
22 François DE M ARÇAY, Institut de Mathématique d’Orsay, Université Paris-Saclay, France

Ici, les multiplications, comme les additions, sont des lois de composition internes, à
savoir on a :
f + g ∈ Mn (K),

f, g ∈ Mn (K) =⇒
f ◦ g ∈ Mn (K).
Or nous avons vu au chapitre précédent que L (E) est un anneau à élément unité. Par iso-
morphie, on peut donc énoncer le
Théorème 8.2. L’ensemble Mn (K) des matrices carrées d’ordre n sur K est un anneau à
élément unité. 
Rappelons que nous avons, à deux reprises, insisté sur le fait que cet anneau n’est pas
commutatif.
L’élément unité de cet anneau n’est autre que la matrice qui correspond à l’application
identité :
Id : E −→ E
~x 7−→ ~x,
et dont la matrice est (exercice) :
1 0 ···
0 0
 
0 0 ···
1 0
0 1 ···
0 0 .
 
Mat(Id) := In := 
.
 .. ..
.. . . .. 
.
. . .
0 0 0 ··· 1

9. Matrices scalaires, diagonales et triangulaires

Commençons par introduire un objet mathématique qui permet souvent d’économiser et
de contracter l’écriture des textes.
Notation 9.1. On appelle symbole de Kronecker les quantités δi,j , définies pour des paires
d’indices 1 6 i, j 6 n, par :
1 lorsque i = j,

δi,j :=
0 lorsque i 6= j.
Il est symétrique par rapport à ses deux indices :
δj,i = δi,j (1 6 i, j 6 n).

En ces termes, nous pouvons alors écrire la matrice identité sous forme très condensée :
1 0 ··· 0
 

 0 1 ··· 0 
In = δi,j =   ... ... . . . ...  .


0 0 ··· 1
Observation 9.2. Dans l’ensemble Mn (K) des matrices carrées de taille n × n, la matrice
identité est l’élément neutre pour la multiplication de matrices :
A · In = In · A = A (∀ A ∈ Mn (K)),
 9. Matrices scalaires, diagonales et triangulaires 23

c’est-à-dire :
a1,1 a1,2 · · · a1,n 1 0 ··· 0 a1,1 a1,2 · · · a1,n
     
 a2,1 a2,2 · · · a2,n   0 1 ··· 0  a2,1 a2,2 · · · a2,n 
 .
 .. .. .. ..  · . .. . . ..  = 
 ... .. .. ..  ,
. . .   .. . . . . . . 
an,1 an,2 · · · an,n 0 0 ··· 1 an,1 an,2 · · · an,n
ainsi que :
1 0 ··· 0 a1,1 a1,2 · · · a1,n a1,1 a1,2 · · · a1,n
     
 0 1 ··· 0   a2,1 a2,2 · · · a2,n   a2,1 a2,2 · · · a2,n 
. . .
 .. .. . . ..  · . .. ... ..  = 
 ... .. .. ..  . 
.   .. . .  . . . 
0 0 ··· 1 an,1 an,2 · · · an,n an,1 an,2 · · · an,n
Introduisons maintenant les matrices scalaires. Comme précédemment, soit E un espace
vectoriel de dimension n > 1 sur un corps K. Soit λ ∈ K un scalaire fixé, et soit l’homothétie
de rapport λ :
f : ~x 7−→ λ ~x.
Choisissons aussi une base de E :

BE = ~e1 , . . . , ~en .
On a donc pour tout 1 6 i 6 n :
f (~ei ) = λ ~ei .
Dans la matrice associée Mat(f ), la colonne de rang i est constituée de zéros, sauf à la ligne
i où l’élément vaut λ.
Par conséquent, en introduisant les symboles de Kronecker, nous avons :


Mat(f ) = λ δi,j = λ In ,
ce qui s’écrit sous forme détaillée :
λ 0 ··· 0 1 0 ··· 0
   
 0 λ ··· 0 0 1 ··· 0
Mat(f ) =  ... ... . . . ..  = λ
 ... .. . . ..  .
.  . . .
0 0 ··· λ 0 0 ··· 1
Terminologie 9.3. La matrice Mat(f ) ∈ Mn (K) d’une homothétie f = λ Id se nomme
matrice scalaire.
On peut vérifier que la matrice scalaire, associée à une homothétie de rapport λ, est indé-
pendante de la base BE choisie pour E.
Passons maintenant à des matrices un peu plus générales, au sens où leurs éléments non
nuls ne sont pas tous égaux à un même scalaire λ.
Définition 9.4. On appelle matrice diagonale toute matrice carrée dont tous les termes sont
nuls en dehors de la diagonale principale. L’ensemble de ces matrices sera noté :
Dn (K).
Si on se donne n éléments scalaires :
a1 , a2 . . . , an ∈ K,
24 François DE M ARÇAY, Institut de Mathématique d’Orsay, Université Paris-Saclay, France

dont certains peuvent éventuellement être nuls, il leur correspond une matrice diagonale :
a1 0 · · · 0
 


 0 a2 · · · 0 
Diag a1 , a2 , . . . , an = ai δi,j =   ... ... . . . ...  .


0 0 ··· an
Les matrices scalaires sont alors des matrices diagonales (très) particulières dans lesquelles
tous les éléments diagonaux ai = λ avec 1 6 i 6 n sont égaux à un même et unique scalaire.
Observons qu’on peut tout aussi bien écrire en changeant ai 7−→ aj grâce à la symétrie
du symbole de Kronecker :



Diag a1 , a2 , . . . , an = aj δi,j .
Proposition 9.5. L’ensemble des matrices diagonales d’ordre n est un sous-anneau commu-
tatif de Mn (K).
Être un sous-anneau signifie être stable par l’addition et par la multiplication.
Démonstration. En effet, l’addition de deux matrices diagonales est clairement une matrice
diagonale : 

ai δi,j + a0i δi,j = ai + a0i δi,j .

Ensuite, nous affirmons que le produit de deux matrices diagonales est encore une matrice
diagonale, ce que l’on peut représenter par l’équation complète :
a1 0 · · · 0 b1 0 · · · 0 a1 b 1 0 · · · 0
    
 0 a2 · · · 0   0 b 2 · · · 0   0 a2 b 2 · · · 0 
 . . . .  . . . .  =  . . . ..  .
 .. .. . . ..   .. .. . . ..   .. .. .. . 
0 0 ··· an 0 0 ··· bn 0 0 ··· an b n
En effet, le calcul du produit de deux matrices diagonales quelconques :





Diag a1 , . . . , an · Diag b1 , . . . , bn = ai δi,j · bj δj,k



[bj ←→ bk ] = ai δi,j · bk δj,k
X n 
[Définition !] = ai δi,j bk δj,k
j=1
 n
X 
= ai b k δi,j δj,k ,
j=1

fait apparaître une somme de produits de symboles de Kronecker, qu’il faut comprendre —
mais cela est facile !
Parmi les n symboles δi,1 , . . . , δi,i , . . . , δi,n dans cette somme, seul δi,i = 1 est non nul.
Par conséquent, dans la somme, il ne reste que le terme pour j = i, et en remplaçant alors
j := i dans le deuxième symbole de Kronecker, on obtient un réultat :


 16k6n colonnes
Diag a1 , . . . , an · Diag b1 , . . . , bn = ai bk δi,k
16i6n lignes


= Diag a1 b1 , . . . , an bn ,
dans lequel un nouveau symbole de Kronecker fait bien voir une matrice diagonale.
 9. Matrices scalaires, diagonales et triangulaires 25

De plus, la commutativité de la multiplication devient évidente avec cette formule, car la

multiplication dans K est commutative :




Diag b1 , . . . , bn · Diag a1 , . . . , an = Diag b1 a1 , . . . , bn an


= Diag a1 b1 , . . . , an bn



= Diag a1 , . . . , an · Diag b1 , . . . , bn . 
Maintenant, nous pouvons voir comment se comporte l’ensemble des matrices scalaires
dans l’ensemble plus grand des matrices diagonales.
Proposition 9.6. L’ensemble des matrices scalaires d’ordre n sur K est un corps, isomorphe
à K, et inclus dans l’anneau commutatif des matrices diagonales.
Démonstration. Comme plus haut, soit In la matrice unité, avec des 1 sur la diagonale, et
des 0 partout ailleurs. Introduisons l’application :
Φ: K −→ Mn (K)
λ 7−→ λ In .
Elle est visiblement injective (exercice mental). C’est donc une bijection de K sur l’ensemble
Φ(K) des matrices scalaires.
Ensuite, on a :


Φ(λ) + Φ(µ) = λ In + µ In = λ + µ In = Φ(λ + µ),
ainsi que :



Φ(λ) · Φ(µ) = λ In · µ In = λ µ In = Φ(λ µ),
ce qui fait voir que Φ est bien un isomorphisme de corps. 
Évidemment, toutes ces petites matrices diagonales sont beaucoup trop simplettes pour
nous, mathématiciens en herbe qui ambitionnent de travailler avec des matrices de taille
137 225 808 dans lesquelles il y aurait peu de zéros.
Définition 9.7. Une matrice triangulaire supérieure d’ordre n est une matrice carrée dans
Mn (K) tel que tout terme situé en-dessous de la diagonale soit nul :
a1,1 a1,2 a1,3 · · · a1,n
 
 0 a2,2 a2,3 · · · a2,n 
 0 0 a3,3 · · · a3,n  .
 
 . .. .. ... .. 
 .. . . . 
0 0 0 · · · an,n
La notion de matrice triangulaire inférieure se définit d’une façon analogue et très évi-
dente pour notre intuition instantanée.
Ainsi, une matrice est triangulaire supérieure si et seulement si :
i > j =⇒ ai,j = 0.
Notation 9.8. Le sous-ensemble de Mn (K) constituée des matrices triangulaires supérieures
sera noté :
Tn (K).
Proposition 9.9. Tn (K) est un sous-anneau de Mn (K).
26 François DE M ARÇAY, Institut de Mathématique d’Orsay, Université Paris-Saclay, France

Rappelons que cela signigie que l’ensemble des matrices triangulaires supérieures est
stable par addition et par multiplication.
Démonstration. Tout d’abord, étant donné deux matrices :
ai,j ∈ Tn (K) a0i,j ∈ Tn (K),



et
ce qui s’exprime par :
 
i > j =⇒ ai,j = 0 et a0i,j = 0 ,
il est clair que :
i > j =⇒ ai,j + a0i,j = 0 + 0 = 0,
ce qui établit la triangularité supérieure de la somme matricielle :
ai,j + a0i,j ∈ Tn (K).

Pour

ce qui
est de la triangularité du produit de deux matrices triangulaires supérieures
ai,j et bj,k , regardons :
X n 




ai,j · bj,k = ai,j bj,k =: ci,k .
j=1

Pci,k sont nuls lorsque i > k.

Nous devons établir que tous ces termes
Or si nous décomposons la somme nj=1 qui les constitue en deux morceaux astucieux :
i−1
X n
X
ci,k = ai,j bj,k + ai,j bj,k ,
◦ ◦
j=1 j=i
|{z}
j>i>k

dans le premier morceau, tous les termes s’annulent grâce à la première hypothèse que ai,j =
0 lorsque j < i, et dans le second morceau, tous les termes s’annulent aussi, car pour eux,
on voit que j > k, et l’autre hypothèse bj,k = 0 lorsque j > k s’applique ! 
Remarquons pour terminer que l’ensemble des matrices diagonales est un sous-anneau de
Tn (K).

10. Matrices inversibles

Dans tout anneau commutatif A à élément unité noté 1 ∈ A, on dit qu’un élément x est
inversible lorsqu’il existe un élément x0 ∈ A satisfaisant :
x x0 = x0 x = 1.
On note alors :
x0 =: x−1 .
Notation 10.1. L’ensemble des éléments inversible de l’anneau A sera noté :
InvA .
Cet ensemble InvA n’est pas vide, tout bêtement parce que 1 ∈ InvA .
Lemme 10.2. InvA est un groupe multiplicatif.
 10. Matrices inversibles 27

Preuve. Il s’agit de vérifier que InvA est stable par multiplication et par inversion, et cela est
aisé.
En effet, puisque pour x ∈ InvA et y ∈ InvA , il existe des inverses x−1 ∈ A et y −1 ∈ A, si
nous calculons le produit :
x y y −1 x−1 = x y y −1 x−1 = x 1 x−1 = 1,

−1
nous constatons que xy ∈ InvA , avec de plus l’information que xy = y −1 x−1 .
Ensuite, il est clair (exercice mental) par définition que :
x ∈ InvA =⇒ x−1 ∈ InvA .
Ceci démontre bien que InvA est un groupe multiplicatif. 
La multiplication entre matrices qui avait été notée jusqu’à présent avec un point (•) ·
(•) sera autorisée à être notée sans aucun signe mathématique, comme c’est le cas pour la
multiplication entre scalaires λ µ dans le corps de référence K.
Définition 10.3. On dit qu’une matrice M ∈ Mn (K) est inversible, ou régulière, lorsqu’il
existe une matrice de Mn (K), notée M −1 , telle que :
M M −1 = M −1 M = In .
Rappelons que l’on note L (E) ≡ L (E, E) l’anneau des endomorphismes d’un K-
espace vectoriel E de dimension n > 1 sur un corps K. Choisissons une base BE de E.
Dans la bijection vue à de nombreuses reprises :
L (E) −→ Mn (K)
f 7−→ Mat(f ),
entre f et sa matrice dans la base BE , l’application identité Id ∈ L (E) a pour correspondante
la matrice identité In . Ainsi, pour qu’une matrice M soit inversible, il faut et il suffit que son
application correspondante f = fM ∈ L (E) jouisse de la propriété analogue qu’il existe un
endomorphisme g ∈ L (E), tel que :
f ◦ g = g ◦ f = Id,
et on note :
g =: f −1 .
Ainsi, pour que f possède un inverse dans L (E), il faut et il suffit que f soit bijective.
Réciproquement, si f est bijective, alors f −1 existe en tant qu’application, et :
Mat(f ) · Mat f −1 = Mat f ◦ f −1 = Mat (Id) = In ,

Mat f −1 · Mat(f ) = Mat f −1 ◦ f = Mat (Id) = In .

Par conséquent, Mat(f ) est inversible, et on a :

−1
= Mat f −1 .


Mat(f )
Toutes ces considérations assez élémentaires peuvent maintenant être résumées sous la
forme d’un
Théorème 10.4. L’ensemble des matrices inversibles de Mn (K) est un groupe multiplicatif,
isomorphe au groupe A (E) ⊂ L (E) des automorphismes linéaires de E. 
28 François DE M ARÇAY, Institut de Mathématique d’Orsay, Université Paris-Saclay, France

Notation 10.5. Dans l’ensemble Mn (K) des matrices carrées d’ordre n > 1, le sous-
ensemble des matrices inversibles sera noté :
An (K).
Le groupe de ces matrices inversibles sera appelé groupe linéaire à n variables sur le corps
K, et il sera noté :
GLn (K).

11. Changements de bases

À plusieurs reprises, nous avons signalé que la matrice Mat(f ) d’une application linéaire
dépend en général d’une base choisie dans les espaces vectoriels considérés — mais sans en
dire plus. Cette section est destinée à étudier cette dépendance en la base. Nous travaillerons
avec L (E), c’est-à-dire avec un unique espace vectoriel E = F .
Choisissons deux bases quelconques de E :

BE = ~e1 , ~e2 , . . . , ~en ,
B0E = ~e10 , ~e20 , . . . , ~en0 .


Problème 11.1. Connaissant les coordonnées (x1 , x2 , . . . , xn ) d’un vecteur ~x ∈ E dans la

première base BE , déterminer ses nouvelles coordonnées (x01 , x02 , . . . , x0n ) dans la deuxième
base B0E .
D’après un théorème vu dans le chapitre précédent, il existe un unique endomorphisme
f ∈ L (E) qui envoie la base BE sur la base B0E , c’est-à-dire tel que :
f (~e1 ) = ~e10 , . . . . . . . . . , f (~en ) = ~en0 .
De plus, cet endomorphisme est une bijection, et ainsi, c’est un automorphisme de E. Il en
résulte que la matrice de f dans toute base de E est inversible.
Donnons-nous alors la matrice de f dans la première base BE :
n
X
~ei0 = f (~ei ) = aj,i ~ej (1 6 i 6 n).
j=1


Terminologie 11.2. La matrice ai,j se nomme matrice de passage de la base BE vers la
base B0E , et sera notée :


P = ai,j .
Rappelons — au passage ! — que les colonnes de cette matrice P sont constituée des
coordonnées des vecteurs images f (~e1 ), f (~e2 ), . . ., f (~en ) de la base BE , ce que nous pouvons
représenter sous forme diagrammatique et intuitive comme :
a1,1 a1,2 · · · a1,n
 

 a2,1 a2,2 · · · a2,n 
P = ai,j =   ... .. ... ,
. ··· 
an,1 an,2 · · · an,n
f (~e1 ) f (~e2 ) ··· f (~en )
 11. Changements de bases 29

en ajoutant la représentation explicite de ces images de vecteurs :

a1,1 a1,2 a1,n
     
 a2,1   a2,2   a2,n 
f (~e1 ) = 
 ...  , f (~e2 ) =  ...  , . . . . . . . . . , f (~en ) =  ...  .
    

an,1 an,2 an,n

Soit alors un vecteur quelconque ~x ∈ E, de coordonnées (x1 , x2 , . . . , xn ) dans la première
base BE :
n
X
~x = x1 ~e1 + x2 ~e2 + · · · + xn ~en = xi ~ei .
i=1
Cherchons les coordonnées (x01 , x02 , . . . , x0n ) de ce vecteur ~x dans la nouvelle base B0E :
Xn
0 0 0 0 0 0
~x = x1 ~e1 + x2 ~e2 + · · · + xn ~en = x0i ~ei0 .
i=1

À cette fin, remplaçons et calculons :

Xn n
X n
X n
X 
0 0 0
~x = xi ~ei = xi ~ei = xi aj,i ~ej
i=1 i=1 i=1 j=1
Xn n
X 
= aj,i x0i ~ej
j=1 i=1
n X
X n 
[i ←→ j] = ai,j x0j ~ei ,
i=1 j=1

où, pour des raisons notationnelles, nous avons permuté rigoureusement les lettres i et j à
la dernière ligne, afin d’obtenir par identification des coefficients des n vecteurs ~ei entre les
deux membres de l’équation obtenue les relations :
Xn
xi = ai,j x0j (1 6 i 6 n),
j=1

qui expriment les coordonnées x• en fonction des coordonnées x0• .

Ce n’est pas encore tout à fait la solution à notre problème, qui demandait à l’inverse
d’exprimer les coordonnées x0• en fonction des coordonnées x• , mais nous pouvons toutefois
exprimer ce que nous avons obtenu avant de progresser plus avant.
En effet, au moyen des deux matrices colonnes :
 0 
x1 x1
 
 x2  0
 x02 
X :=  .. 
  et X :=  .. 
 ,
. . 
xn x0n
ces n équations scalaires qui reviennent à une équation incorporant un produit matriciel :
  0 
x1 a1,1 a1,2 · · · a1,n x1
  
 x2   a2,1 a2,2 · · · a2,n   x02 
 .  =  . .. ..  ·  . ,
 ..   .. . . · · ·   .. 
xn an,1 an,2 · · · an,n x0n
30 François DE M ARÇAY, Institut de Mathématique d’Orsay, Université Paris-Saclay, France

peuvent alors s’exprimer de manière beaucoup plus condensée sous la forme agréable :

X = P X 0.

Mêzalorre — Mais alors pour recevoir X 0 en fonction de X, il suffit de faire passer P à

gauche — comme l’Assemblée Nationale en 1997 — :

P −1 X = X 0 ,

et notre problème est résolu !

Pas tout à fait, car cette équation sous-entend que nous sachions calculer l’inverse :

−1
P −1 = ai,j


d’une matrice inversible P = ai,j , et ce problème de calcul s’avère très difficile, y compris
pour les ordinateurs quand la taille n d’une matrice devient un peu grande.
En tout cas, il est

absolument interdit de s’imaginer que l’inverse d’une matrice soit la
1
matrice idiote ai,j dont les termes sont les inverses, car nous avons insisté sur le fait que la


multiplication entre matrice n’était pas la multiplication ai,j bi,j
Ainsi, calculer l’inverse d’une matrice sera un travail difficile, et nous en parlerons plus
tard.
Pour le fun, et pour créer du suspens, importons trois exemples amusants d’inverses de
matrices (•)−1 concoctés sur ordinateur.
 −1  2 1

3 1 5
− 10
= ,
2 4 − 15 3
10
 −1  1 3 5

1 0 −1 2 38
− 38
 3 5 −2  =  − 12 38 7 1
38
,
1 3 5
−2 3 −5 − 2 38 − 38
 −1  222 182 19 103

4 −4 8 7 2141 2141
− 2141 2141
750 557 283 520 
2 4 −9 −9  −
2141
− 2141 − 2141 214  —
  =  241 159 146
2 −3 −9 1  
2141 2141
− 2141 − 110
214

525 604 16 364
9 1 −3 1 − 2141 − 2141 2141 214

— oh, allez, encore un gros dernier pour la route, l’inverse de la matrice pas très simple de
taille 5 × 5 :

est la matrice pas vraiment plus simple :

 12. Transpositions de matrices 31

On voit bien que le problème d’inverser une matrice ne va pas être simple, n’est-il pas,
Milady ? Alors là, pendant les examens, on va en voir ce qu’on va en voir, des inversions de
matrices !
Maintenant que nous savons comment se transforment les coordonnées d’un vecteur
quand on change de base, une deuxième question se présente à nous.
Problème 11.3. Connaissant la matrice M = Mat(f ) dans une base BE d’un homomor-
phisme linéaire f ∈ L (E), trouver la matrice M 0 de cet homomorphisme dans une autre
base B0E de E.
Soit donc f ∈ L (E), et soit M := Mat(f ) sa matrice dans la base BE de E. Si X et Y
sont les matrices colonnes des coordonnées d’un vecteur ~x ∈ E et de son image ~y := f (~x)
dans la base BE , nous avons vu plus haut que :
Y = M X.
Soit aussi P la matrice de passage de la base BE à la base B0E . Si X 0 et Y 0 désignent les
matrices colonnes des coordonnées de ces mêmes vecteurs ~x et ~y = f (~x) dans la base B0E ,
nous venons de voir que :
X = P X0 et Y = P Y 0.
La dernière équivaut à :
Y 0 = P −1 Y.
Remplaçons alors, dans cette relation, Y par M X = M P X 0 , pour obtenir :
Y 0 = P −1 M P X 0 ,

ce qui prouve que la matrice M 0 de l’homomorphisme f dans la base B0E est :

M 0 = P −1 M P.
Cette relation résout le problème posé.
12. Transpositions de matrices
Soient deux entiers m > 1 et n > 1. À présent, considérons des matrices qui ne sont pas
forcément carrées.
Définition 12.1. On appelle transposée d’une matrice M ∈ Mm,n (K) comportant m > 1
lignes et n > 1 colonnes la matrice, notée :
t
M ∈ Mn,m (K),
qui est obtenue à partir de M en échangeant les lignes et les colonnes, de telle sorte que t M
comporte à l’inverse n lignes et m colonnes.
32 François DE M ARÇAY, Institut de Mathématique d’Orsay, Université Paris-Saclay, France

Par exemple :  
  1 2
1 0 5 transposer
−−−−−−−→  0 −4  .
2 −4 7
5 7
En général, si donc on note la matrice considérée :
 16j6n colonnes
M = ai,j ,
16i6m lignes

et si on donne un nom aux éléments de la matrice transposée :

 16i6m colonnes
t
M =: atj,i ,
16j6n lignes

on doit avoir par définition :

∀1 6 i 6 m ∀1 6 j 6 n : atj,i := ai,j .
On pourra ainsi écrire :
h 16j6n colonnes i  16i6m colonnes
t
ai,j = ai,j .
16i6m lignes 16j6n lignes

Cette opération de transposition définit donc une application :

t
(•) : Mm,n (K) −→ Mn,m (K)
M 7−→ t M,
qui est naturellement bijective et inverse d’elle-même :
t t


M = M.
En particulier, si on se restreint aux matrices carrées d’ordre n, on obtient la propriété
suivante.
Observation 12.2. La transposition M 7−→ t M est une involution de Mn (K). 
Cet opérateur possède quelques propriétés simples vis-à-vis de la structure d’anneau de
Mn (K).
Lemme 12.3. La transposition est un isomorphisme linéaire pour l’addition et pour la mul-
tiplication par un scalaire :  
t
M + N = t M + t N,
t
 
λ M = λ t M.
Preuve. Soient donc deux matrices de Mm,n (K) :



M = ai,j et N = bi,j .
Le calcul suivant justifie la première affirmation :
  h
16j6n colonnes i  16i6m colonnes
t
M + N = t ai,j + bi,j 16i6m lignes = ai,j + bi,j
16j6n lignes
 16i6m colonnes  16i6m colonnes
= ai,j + bi,j
16j6n lignes 16j6n lignes
t t
= M + N,
 12. Transpositions de matrices 33

tandis que la seconde se justifie de manière analogue :

  h 16j6n colonnes i  16i6m colonnes
t
λ M = t λ ai,j = λ ai,j
16i6m lignes 16j6n lignes
 16i6m colonnes
= λ ai,j
16j6n lignes
t
= λ M. 
Par conséquent, l’application M 7−→ t M est un isomorphisme linéaire de l’espace vec-
toriel Mm,n (K) sur l’espace vectoriel Mn,m (K).
Fait remarquable : vis-à-vis du produit, la transposition intervertit l’ordre des facteurs.
Lemme 12.4. Pour tous entiers m, n, p > 1, toute matrice M ∈ Mm,n (K), et toute matrice
N ∈ Mn,p (K), on a :
t
 
M · N = t N · t M.

Observons, et il est important de le dire, que la matrice t N a le droit de multiplier la

matrice t M , puisque le nombre n de colonnes de :
t
N ∈ Mp,n (K)
est bel et bien égal au nombre de lignes n de :
t
M ∈ Mn,m (K).
Démonstration. Soient donc deux matrices :
 16j6n colonnes  16k6p colonnes
M = ai,j et N = bj,k ,
16i6m lignes 16j6n lignes

qui ont pour produit :

n
X 16k6p colonnes
M ·N = ai,j bj,k ,
j=1 16i6m lignes

d’où, par transposition, un premier résultat :

X n 16i6m colonnes
t
 
M ·N = ai,j bj,k .
j=1 16k6p lignes

Par ailleurs, les transposées de M et de N sont :

 16i6m colonnes  16j6n colonnes
t
M = atj,i et t
N = btk,j ,
16j6n lignes 16k6p lignes

avec bien sûr :

atj,i := ai,j et btk,j := bj,k ,
et elles ont pour produit autorisé un deuxième résultat :
X n 16i6m colonnes
t t t t
N· M = bk,j aj,i
j=1 16k6p lignes
n
X 16i6m colonnes
= bj,k ai,j ,
j=1 16k6p lignes
34 François DE M ARÇAY, Institut de Mathématique d’Orsay, Université Paris-Saclay, France

et puisque la multiplication dans K est commutative :

ai,j bj,k = bj,k ai,j ,
nous concluons bien en regardant les deux résultats obtenus que :
t
 
M · N = t N · t M. 
Faisons remarquer que si on se restreint à l’ensemble Mn (K) des matrices carrées d’ordre
n, l’involution M 7−→ t M est un automorphisme pour l’addition, mais ce n’est pas un
automorphisme pour la multiplication, car il y a changement de l’ordre des facteurs d’un
produit.
Lemme 12.5. Pour qu’une matrice carrée soit inversible, il faut et il suffit que sa transposée
t
M le soit.
Preuve. Soit donc M ∈ An (K). Alors M −1 existe, et :
M · M −1 = In ,
M −1 · M = In .
Passons aux transposées, en appliquant le lemme qui précède et en observant que la transpo-
sée de la matrice identité est encore la matrice identité :
M · M −1 = t M −1 · t M = t In = In ,
t
   
 −1
M · M = t M · t M −1 = t In = In ,
t
  

ce qui donne deux équations signifiant par définition que la matrice t M est inversible, et a
pour matrice inverse :

−1
= t M −1 .
t
 
M
La réciproque est immédiate : si t M ∈ An (K) est inversible, alors en appliquant à t M la
démonstration précédente, on trouve que :
M ∈ An (K),
 
t t

c’est-à-dire que M ∈ An (K) est inversible. 

Ce lemme signifie que la restriction à An (K) de l’involution M 7−→ t M de Mn (K) est
une involution de An (K).

13. Matrices inverses et systèmes linéaires

Toujours avec une matrice carrée, c’est-à-dire avec :
m = n,
considérons un système linéaire de n équations à n inconnues x1 , . . . , xn , représenté sous
forme développée :
a1,1 x1 + a1,2 x2 + · · · + a1,n xn = b1 ,
a2,1 x1 + a2,2 x2 + · · · + a2,n xn = b2 ,
····································
an,1 x1 + an,2 x2 + · · · + an,n xn = bn ,
 14. Inverses de matrices 2 × 2 35

ou sous forme matricielle :

a1,1 · · · a1,n x1 b1
    
 ... ... ..   ..  =  ..  .
. . .
an,1 · · · an,n xn bn
En partant de la représentation abrégée :
A ~x = ~b,
il est clair que si l’inverse A−1 de la matrice A existe, la solution ~x unique est donnée par :
~x = A−1 A ~x = A−1 ~b.
Il serait donc très intéressant de savoir calculer la matrice inverse A−1 . Avant de traiter ce
problème hyper-important, énonçons et démontrons le
Théorème 13.1. Si A est une matrice de taille n×n à coefficients dans R, alors pour vecteur
~b ∈ →
−
V Rn , le système de n équations linéaires
A ~x = ~b,
aux n inconnues x1 , . . . , xn admet la solution unique :
~x 0 := A−1 ~b.
Démonstration. Nous venons de constater que ce vecteur ~x 0 est bien une solution. Justifions
maintenant que cette solution est unique.
→
−
Soit donc ~x ∈ V Rn une solution quelconque, c’est-à-dire avec A ~x = ~b, d’où :
A ~x = ~b = A ~x 0 .
Multiplions ceci par A−1 :
~x = A−1 A ~x = A−1 A ~x 0 = ~x 0 ,
pour constater que ~x = ~x 0 coïncide nécessairement avec la solution déjà trouvée. 

14. Inverses de matrices 2 × 2

Notre objectif est maintenant de savoir calculer la matrice inverse d’une matrice donnée,
quand cette matrice inverse existe. À ce sujet, commençons par la dimension n = 2 :
    
a1,1 a1,2 x1 b1
= ,
a2,1 a2,2 x2 b2
et rappelons comment nous avons résolu un tel système général :
a1,1 x1 + a1,2 x2 = b1 ,
a2,1 x1 + a2,2 x2 = b2 .
Pour éliminer x1 , multiplions l’équation 1 par a2,1 et l’équation 2 par a1,1 :


a2,1 a1,1 x1 + a1,2 x2 = b1 a2,1 a1,1 x1 + a2,1 a1,2 x2 = a2,1 b1
◦

ce qui donne :
a1,1 a2,1 x1 + a2,2 x2 = b2 a 1,1 2,1 1 + a1,1 a2,2 x2 = a1,1 b1
a x
◦
et soustrayons afin de faire disparaître x1 :


a2,1 a1,2 − a1,1 a2,2 x2 = a2,1 b1 − a1,1 b2 .
36 François DE M ARÇAY, Institut de Mathématique d’Orsay, Université Paris-Saclay, France

Comme facteur devant x2 , nous reconnaissons bien sûr le déterminant :

a1,1 a1,2
6= 0 (hypothèse naturelle),
a2,1 a2,2
et il est naturel de supposer que ce déterminant est non nul pour pouvoir résoudre :
a2,1 b1 − a1,1 b2
x2 =
a2,1 a1,2 − a1,1 a2,2
a1,1 b1
a2,1 b2
= a1,1 a1,2 .
|a2,1 a2,2 |
On trouve de même (exercice) :
a2,2 b1 − a1,2 b2
x1 =
a1,1 a2,2 − a2,1 a1,2
b1 a1,2
b2 a2,2
= a1,1 a1,2 .
|a2,1 a2,2 |
Et par remplacement dans le système initial, on vérifie (exercice) que ces valeurs de x1 , x2
sont bien solutions, toujours sous l’hypothèse que le déterminant est non nul.
Or si on donne un nom abrégé à ce déterminant :
∆ := a1,1 a2,2 − a2,1 a1,2 ,
cette solution unique peut aussi s’écrire sous la forme matricielle agréable :
! 
  a2,2 a1,2
x1 ∆
− ∆ b1
= a2,1 a1,1 .
x2 − ∆ b2
∆

Par conséquent, nous avons trouvé l’expression de la matrice inverse :

!
a2,2 a1,2
−
A−1 = ∆
a2,1
∆
a1,1
− ∆ ∆
!
1 a2,2 −a1,2
= .
a1,1 a2,2 − a1,2 a2,1 −a2,1 a1,1
On peut vérifier (exercice utile) que les deux relations que doit satisfaire une matrice inverse :
A · A−1 = I2×2 = A−1 · A,
sont effectivement vraies, puisque (solution-express de la moitié de l’exercice) :
   
−1 a1,1 a1,2 1 a2,2 −a1,2
A·A =
a2,1 a2,2 ∆ −a2,1 a1,1
!
1 a1,1 a2,2 − a1,2 a2,1 −a1,1 a1,2 + a1,2 a1,1
= ◦
∆ a2,1 a2,2 − a2,2 a2,1 −a2,1 a1,2 + a2,2 a1,1
◦
 
1 ∆ 0
=
∆ 0 ∆
 
1 0
= = I2×2 .
0 1
 15. Algorithme de calcul de l’inverse d’une matrice A 37

a a
Théorème 14.1. Si une matrice A = ( a1,1 1,2
2,1 a2,2 ) de taille 2 × 2 a un déterminant a1,1 a2,2 −
a2,1 a1,2 6= 0 non nul, alors sa matrice inverse est :
 −1 !
a1,1 a1,2 1 a2,2 −a1,2
= .
a2,1 a2,2 a1,1 a2,2 − a1,2 a2,1 −a2,1 a1,1

Si le déterminant de A est nul, elle n’a pas d’inverse. 

Exemple 14.2. Soit la matrice A := ( 13 25 ). Son déterminant vaut 1 · 5 − 3 · 2 = −1, donc

elle est inversible. Une application directe donne :
   
−1 1 5 −2 −5 2
A = = ,
−1 −3 1 3 −1

et on peut vérifier (exercice) que l’on a bien A−1 · A = I2×2 = A · A−1 .

Exemple 14.3. Utilisons à nouveau le Théorème 14.1 pour résoudre le système :

3 x1 + 4 x2 = 3,
5 x1 + 6 x2 = 7.


Sa matrice non complète est A := 35 46 , qui a un déterminant non nul :

3 · 6 − 5 · 4 = 18 − 20 = − 2.

Donc la matrice inverse existe :

 −1    
−1 3 4 1 6 −4 −3 2
A = = = 5 ,
5 6 −2 −5 3 2
− 32

et on conclut que :
      
x1 −3 2 3 5
= 5 = .
x2 2
− 32 7 −3
En DM ou en examen, on devrait impérativement vérifier que A−1 · A = I2×2 .

Heureusement, l’énoncé suivant montre que lorsque, à l’issue d’un calcul manuel, on a
trouvé une matrice-candidate A0 ∈ Mn (R) pour être la matrice inverse d’une matrice donnée
A ∈ Mn (R), il n’est pas nécessaire de vérifier les deux relations :

A0 · A = In×n = A · A0 ,

car une seule vérification suffit.

Théorème 14.4. [Admis] Soit une matrice A ∈ Mn (R).

• S’il existe une matrice A0 telle que A0 · A = In×n , alors on a aussi A · A0 = In×n ,
automatiquement.
• S’il existe une matrice A0 telle que A · A0 = In×n , alors on a aussi A0 · A = In×n ,
automatiquement. 
38 François DE M ARÇAY, Institut de Mathématique d’Orsay, Université Paris-Saclay, France

15. Algorithme de calcul de l’inverse d’une matrice A

Nous allons à nouveau constater que la méthode du pivot de Gauss couvre plus de 50%
du cours d’Algèbre Linéaire. Commençons par un


Exemple 15.1. Pour déterminer la matrice inverse de la matrice A := 13 25 , voici une petite
recette simplette. Écrivons cette matrice, ajoutons-lui la matrice I2×2 :
 
1 2 1 0
,
3 5 0 1

puis, de manière compulsive, instinctive, comme un kangourou hors de contrôle, soumettons

cette matrice augmentée à l’algorithme du pivot :
       
1 2 1 0 1 2 1 0 1 2 1 0 1 0 −5 2
7−→ 7−→ 7−→ ,
3 5 0 1 0 −1 −3 1 0 1 3 −1 0 1 3 −1

ce qui nous offre sur un plateau doré :

 
−1 −5 2
A = .
3 −1

On constate en effet que c’est bien l’expression que nous aurait donnée le Théorème 14.1.


Exemple 15.2. Tentons de faire de même pour la matrice 13 25 :
   
1 2 1 0 1 2 1 0
7−→ 7−→ ? ?,
2 4 0 1 0 0 −2 1

et retrouvons-nous bloqués par le fait que la deuxième et dernière ligne n’ait pas de position
de pivot.

Rappelons que les trois opérations élémentaires fondamentales sur une matrice carrée A
constituées de n lignes L1 , . . . , Ln peuvent être exprimées comme suit :
(1) permuter deux lignes Li1 7−→ Li2 et Li2 7−→ Li1 pour 1 6 i1 < i2 6 n quelconques.
(2) multiplier une ligne Li 7−→ c Li , avec 1 6 i 6 n quelconque, par une constante c ∈
R\{0} non nulle.
(3) ajouter à une ligne Li 7−→ Li + e Li0 un multiple quelconque d’une autre ligne pour un
indice de ligne distinct i0 6= i et pour une constante e ∈ R arbitraire.

Théorème 15.3. [Admis] Une matrice carrée A ∈ Mn (R) de taille n × n est inversible si
et seulement si elle est équivalente, après des opérations élémentaires sur ses lignes, à la
matrice identité In×n . 

Autrement dit, une matrice carrée est inversible si et seulement si elle possède exactement
n positions de pivots, par exemple pour n = 7, si et seulement si elle est équivalente à la
 15. Algorithme de calcul de l’inverse d’une matrice A 39

belle forme échelonnée suivante :

   
a1,1 a1,2 a1,3 a1,4 a1,5 a1,6 a1,7  ∗ ∗ ∗ ∗ ∗ ∗

 a2,1 a2,2 a2,3 a2,4 a2,5 a2,6 a2,7 

0
  ∗ ∗ ∗ ∗ ∗ 


 a3,1 a3,2 a3,3 a3,4 a3,5 a3,6 a3,7 

0
 0  ∗ ∗ ∗ ∗ 


 a4,1 a4,2 a4,3 a4,4 a4,5 a4,6 a4,7  ∼ 0
  0 0  ∗ ∗ ∗ 


 a5,1 a5,2 a5,3 a5,4 a5,5 a5,6 a5,7 

0
 0 0 0  ∗ ∗ 

 a6,1 a6,2 a6,3 a6,4 a6,5 a6,6 a6,7  0 0 0 0 0  ∗ 
a7,1 a7,2 a7,3 a7,4 a7,5 a7,6 a7,7 0 0 0 0 0 0 
 
1 0 0 0 0 0 0
0 1 0 0 0 0 0 
 
0 0 1 0 0 0 0 
 
∼ 
0 0 0 1 0 0 0 .

0 0 0 0 1 0 0 
 
0 0 0 0 0 1 0 
0 0 0 0 0 0 1

si et seulement si sa forme échelonnée réduite est l’identité.

Exemple 15.4. Voici un exemple d’application de l’algorithme du pivot pour déterminer, si
elle existe, la matrice inverse d’une matrice donnée :
     
1 −2 −1 1 0 0 1 −2 −1 1 0 0 1 −2 −1 1 0 0
 −1 5 6 0 1 0 ∼ 0 3 5 1 1 0 ∼ 0 3 5 1 1 0 .
5 −4 5 0 0 1 0 6 10 −5 0 1 0 0 0 −7 −2 1

Carramba ! Encorrre rrrrrâté ! ! !.

Exemple 15.5. Nouvelle tentative d’illustration de cet algorithme :
     
1 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0
 1 1 0 0 1 0  ∼  0 1 0 −1 1 0  ∼  0 1 0 −1 1 0  .
1 1 1 0 0 1 0 1 0 −1 0 1 0 0 1 0 −1 1
Il y a donc ici une matrice inverse, lisible à droite.
Passons follement à la dimension 4 :
     
1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0
1
 1 0 0 0 1 0 0 ∼ 0
 1 0 0 −1 1 0 0 ∼ 0
 1 0 0 −1 1 0 0 
1 1 1 0 0 0 1 0 0 1 1 0 −1 0 1 0 0 0 1 0 0 −1 1 0
1 1 1 1 0 0 0 1 0 1 1 1 −1 0 0 1 0 0 1 1 0 −1 0 1
 
1 0 0 0 1 0 0 0
0 1 0 0 −1 1 0 0
∼  
0 0 1 0 0 −1 1 0
0 0 0 1 0 0 −1 1

À partir de ces calculs tranquilles, on devine spontanément que l’on a en dimension 5 :

 −1  
1 0 0 0 0 1 0 0 0 0
1 1 0 0 0  −1 1 0 0 0
   
1 1 1 0 0
  = 
 0 −1 1 0 0 ,

1 1 1 1 0  0 0 −1 1 0 
1 1 1 1 1 0 0 0 −1 1

puis de même en dimensions 6, 7, . . .

40 François DE M ARÇAY, Institut de Mathématique d’Orsay, Université Paris-Saclay, France

En fait, si on ne conserve qu’une seule colonne de la matrice identité, par exemple en

taille 3 × 3 la première colonne :
 x1 x2 x3      
1 0 −2 1 1 0 −2 x1 1
 −3 1 4 0  ←→  −3 1 4   x2  =  0 
2 −3 4 0 2 −3 4 x3 0
←→ A ~x = ~e1 ,
on voit qu’il s’agit de résoudre un système linéaire classique !
Ensuite, rappelons que :
 
  1 0 0
I3×3 = ~e1 ~e2 ~e3 =  0 1 0  ,
0 0 1
donc en général :
 x1 x2 x3 
h i a1,1 a1,2 a1,3 1 0 0
A I3×3 =  a2,1 a2,2 a2,3 0 1 0 .
a3,1 a3,2 a3,3 0 0 1
Ainsi, si on prend l’une après l’autre chaque colonne de la matrice identité à droite, on obtient
n = 3 systèmes linéaires classiques à résoudre !
Comme autre exemple, si on conserve la troisième colonne de la matrice identité, on
obtient le système linéaire suivant :
 x1 x2 x3      
1 0 −2 0 1 0 −2 x1 0
 −3 1 4 0  ←→  −3 1 4   x2  =  0 
2 −3 4 1 2 −3 4 x3 1
←→ A ~x = ~e3 .
Pour terminer cette section, dévoilons une dernière manière de calculer l’inverse d’une
matrice A, qui est souvent efficace dans les applications.
Exemple 15.6. Proposons-nous de calculer la matrice inverse, si elle existe, de la matrice :
 
1 0 −2
A :=  −3 1 4 .
2 −3 4
Associons-lui le système linéaire de second membre arbitraire :
x1 − 2 x3 = y 1
− 3 x 1 + x2 + 4 x3 = y 2
2 x1 − 3 x2 + 4 x3 = y 3 ,
et résolvons les xi en fonction des yj .
Pour effectuer une telle résolution, on peut ou bien travailler directement sur ces équa-
tions, ou bien travailler avec la matrice complète du système linéaire :
 
1 0 −2 y1
 −3 1 4 y2  ,
2 −3 4 y3
 16. Matrices élémentaires 41

et enclencher les engrenages mécaniques du pivot sans pitié :

   
1 0 −2 y1 1 0 −2 y1
 −3 1 4 y2  7−→  0 1 −2 3y1 + y2 
2 −3 4 y3 0 −3 8 −2y1 + y3
 
1 0 −2 y1
7−→  0 1 −2 3y1 + y2 
0 0 2 7y1 + 3y2 + y3
 
1 0 0 8y1 + 3y2 + y3
7−→  0 1 0 10y1 + 4y2 + y3 
0 0 2 7y1 + 3y2 + y3
 
1 0 0 8y1 + 3y2 + y3
7−→  0 1 0 10y1 + 4y2 + y3  ,
0 0 2 72 y1 + 23 y2 + 12 y3

pour conclure que :

 −1  
1 0 −2 8 3 1
 −3 1 4  =  10 4 1  .
7 3 1
2 −3 4 2 2 2

16. Matrices élémentaires

Soit la matrice générale :
 
a b c
A :=  d e f  ,
g h i

où les lettres a, b, c, d, e, f , g, h, i désignent des constantes réelles qui peuvent prendre des
valeurs quelconques. Soient aussi les trois matrices « élémentaires » :
     
1 0 0 0 1 0 1 0 0
E1 :=  0 1 0  , E2 :=  1 0 0  , E3 :=  0 1 0  .
−4 0 1 0 0 1 0 0 5

D’autres exemples de matrices élémentaires existent, évidemment.

Proposons-nous de calculer les 3 produits matriciels :

E1 · A, E2 · A, E3 · A,

et de constater interpréter qu’ils correspondent à des opérations élémentaires sur les lignes
(ou rangées) de A.
42 François DE M ARÇAY, Institut de Mathématique d’Orsay, Université Paris-Saclay, France

Trois calculs simples donnent en effet :

 
a b c
E1 · A =  d e f 
g − 4a h − 4b i − 4c L3 − 4 L1
 
d e f L2
E2 · A = a b c
  L1
g h i
 
a b c
E3 · A =  d e f 
5g 5h 5i 5 L3
Théorème 16.1. [Admis] Si une opération élémentaire est effectuée sur les lignes d’une
matrice A de taille m × n, cette opération peut s’écrire :
E · A,
avec une certaine matrice élémentaire E.
L’expression de cette matrice E peut être obtenue en effectuant la même opération élé-
mentaire sur les lignes de la matrice identité Im×m . 
Pour les 3 exemples ci-dessus, on a en effet :
   
1 0 0 1 0 0
0 1 0 =  0 1 0  = E1 ,
0 0 1 L3 − 4 L1 −4 0 1
   
1 0 0 L2 0 1 0
 0 1 0  L1 =  1 0 0  = E2 ,
0 0 1 0 0 1
   
1 0 0 1 0 0
0 1 0 =  0 1 0  = E3 .
0 0 1 5 L3 0 0 5
17. Exercices
Exercice 1. Calculer le produit des deux matrices suivantes dans M2,3 (Q) et M3,4 (Q) :
 
  2 0 1 0
2 −1 1 
1 1 2 −2  .
1 0 2
1 0 1 0
Exercice 2. EE