Algèbre Linéaire Prof.

Walid Zouhair

Cours d’Algèbre Linéaire

TC-AI // ch5 Algèbre
Prof. Walid Zouhair

11 décembre 2025

Table des matières

1 Matrices et applications linéaires 2
1.1 Matrice d’une application linéaire dans un couple de bases . . . . . . . . . . . . 2
1.2 Coordonnées de l’image d’un vecteur par une application linéaire . . . . . . . . . 3
1.3 Matrice d’une composée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Changements de bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.1 Matrice de passage d’une base à une autre . . . . . . . . . . . . . . . . . 6
1.4.2 Effet d’un changement de base . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5 Matrices semblables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.6 Trace d’une matrice et d’un endomorphisme . . . . . . . . . . . . . . . . . . . . 9
1.6.1 Trace d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.6.2 Trace d’un endomorphisme . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.7 Noyau, image et rang d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.8 Inversibilité et noyau, pour une matrice carrée . . . . . . . . . . . . . . . . . . . 11
1.9 Calcul du rang par la méthode du pivot . . . . . . . . . . . . . . . . . . . . . . . 12

1
Algèbre Linéaire Prof. Walid Zouhair

1 Matrices et applications linéaires

Introduction
Les matrices constituent un outil privilégié pour représenter et étudier les applications li-
néaires entre espaces vectoriels. En effet, une application linéaire f : E → F peut être entière-
ment décrite, une fois les bases de E et F fixées, par une matrice appelée matrice de f.
Cette correspondance entre matrices et applications linéaires permet de traduire les pro-
blèmes algébriques en calculs matriciels, et inversement, d’interpréter les opérations sur les
matrices (somme, produit, inversion) comme des propriétés des applications linéaires (compo-
sition, bijectivité, etc.).
Dans ce chapitre, nous allons établir ce lien fondamental, définir la notion de matrice associée
à une application linéaire, et étudier ses principales propriétés.

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

Définition 5.1.2 - Matrice d’une application linéaire

Soient E et F deux espaces vectoriels sur K, avec dim(E) = p > 1 et dim(F ) = n > 1. On
se donne une base e = (e1 , ..., ep ) de E et une base ϵ = (ϵ1 , ..., ϵn ) de F. Soit f : E → F
une application linéaire.
On appelle matrice de f dans les bases e et ϵ cette matrice :

Λ = M ate,ϵ (f ) ∈ Mn,p (K)

dont la j ème colonne est formée des coordonnées de f (ej ) dans la base ϵ.

Exemple 5.1.1

Soit E un espace de dimension 3 muni de la base e = (e1 , e2 , e3 ), et F un espace de

dimension 2 muni de la base ϵ = (ϵ1 , ϵ2 ). On définit f : E → F par :

f (e1 ) = ϵ1 + 2ϵ2 ,

f (e2 ) = 7ϵ1 + 5ϵ2 ,

f (e3 ) = 3ϵ1 .


Alors la matrice de f dans les bases e et ϵ est :

 
1 7 3
M ate,ϵ (f ) =
2 5 0

Remarque 5.1.1

1) Une application linéaire est entièrement déterminée par sa matrice dans un couple de
bases donné. Ainsi, l’application

L(E, F ) −→ Mn,p (K), f 7→ M ate,ϵ (f )

est une bijection.

2
Algèbre Linéaire Prof. Walid Zouhair

2) Si l’on change la base de E ou de F, la matrice de f change en général. On étudiera

plus loin cette dépendance. Cependant, la matrice de l’application nulle est toujours la
matrice nulle, quel que soit le couple de bases.
3) Si A = M ate,ϵ (f ), alors :
— nombre de colonnes de A = dim(E).
— nombre de lignes de A = dim(F ).

Cas particulier : Matrice d’un endomorphisme

Soit f un endomorphisme d’un espace vectoriel E de dimension n ≥ 1. Si l’on choisit la
même base e = (e1 , ..., en ) pour E au départ et à l’arrivée, on note simplement
M ate (f ) := M ate,e (f )
et on l’appelle la matrice de f dans la base e. Dans ce cas, la matrice est carrée d’ordre n.

Exemple 5.1.2

Considérons l’endomorphisme f : R3 [X] → R3 [X] défini par

f (P (X)) = (X + 1)P ′ (X) + P (X).

On munit R3 [X] de la base canonique e = {1, X, X 2 , X 3 }. On calcule :



 f (1) = 1,

f (X) = 1 + 2X,
f (X 2 ) = 2X + 3X 2 ,


f (X 3 ) = 3X 2 + 4X 3 .


Ainsi, la matrice de f dans la base e est :

 
1 1 0 0
0 2 2 0
M ate (f ) = 
0

0 3 3
0 0 0 4

1.2 Coordonnées de l’image d’un vecteur par une application linéaire

Proposition

Soient E et F deux espaces vectoriels sur K, avec dim(E) = p > 1 et dim(F ) = n > 1. On
se donne une base e = (e1 , ..., ep ) de E et une base ϵ = (ϵ1 , ..., ϵn ) de F. Soit f : E → F une
application linéaire de matrice A = M ate,ϵ (f ). Alors, pour tout u ∈ E, on a l’équivalence :

v = f (u) ⇐⇒ [v]ϵ = A[u]e .

Réciproquement, si une application f : E → F admet une matrice A telle que

[v]ϵ = A[u]e , ∀u ∈ E

3
Algèbre Linéaire Prof. Walid Zouhair

alors f est linéaire et A = M ate,ϵ (f ).

Exemple 5.1.1 (Suite)

Soit E de base e = (e1 , e2 , e3 ) et F de base ϵ = (ϵ1 , ϵ2 ). On définit f : E → F par :


f (e1 ) = ϵ1 + 2ϵ2 ,

f (e2 ) = 7ϵ1 + 5ϵ2 ,

f (e3 ) = 3ϵ1 .


Alors la matrice de f est :

 
1 7 3
A = M ate,ϵ (f ) =
2 5 0

Si u = (x, y, z) est exprimé dans e et v = (x′ , y ′ ) dans ϵ, on a :

 
 ′   x
x 1 7 3  
[v]ϵ = A[u]e ⇐⇒ ′ = y
y 2 5 0
z

soit encore : (
x′ = x + 7y + 3z,
y ′ = 2x + 5y.

Exemple 5.1.2 - Vérification de linéarité

Définissons g : E → F par : (
x′ = x + 2y + 3z,
y ′ = 9x + 8y + 7z.
pour u = xe1 + ye2 + ze3 ,
Ce système s’écrit :  
 ′   x
x 1 2 3  
′ = y
y 9 8 7
z
On en déduit que g est linéaire, et que :
 
1 2 3
M ate,ϵ (g) =
9 8 7

Remarque 5.1.2 - Application identité

La matrice de l’application identité IdE dans une base e de E est la matrice identité In .

4
Algèbre Linéaire Prof. Walid Zouhair

1.3 Matrice d’une composée

Proposition 5.1.2 - Matrice de la composée g ◦ f
Soient E, F, G trois espaces vectoriels de dimension finie non nulle sur K. On munit E,
F, G de bases notées respectivement α, β, γ. Soient :

f : E → F, g:F →G

deux applications linéaires. On note :

A = M atα,β (f ), B = M atβ,γ (g).

Alors la matrice de la composée g ◦ f : E → G dans les bases α et γ est donnée par :

M atα,γ (g ◦ f ) = BA

Autrement dit,
M atα,γ (g ◦ f ) = M atβ,γ (g) · M atα,β (f ).

Proposition 5.1.3 - Matrice de f −1

Soient E et F deux espaces vectoriels sur K de même dimension n > 1. On munit E
d’une base e et F d’une base ϵ. Soit f : E → F une application linéaire, de matrice
A = M ate,ϵ (f ). Alors :

f est un isomorphisme ⇐⇒ A est inversible.

Dans ce cas, la matrice de l’application réciproque f −1 : F → E dans les bases ϵ et e est

donnée par :
M atϵ,e (f −1 ) = A−1 = (M ate,ϵ (f ))−1 .

Cas particulier : Automorphisme

Soit E un espace vectoriel de dimension n > 1 muni d’une base e. Soit f : E → E un
endomorphisme, de matrice A = M ate (f ). Alors :

f ∈ GL(E) ⇐⇒ A ∈ GLn (K)

Dans ce cas, la matrice de f −1 dans la base e est :

M ate (f −1 ) = A−1 = (M ate (f ))−1 .

Proposition 5.1.4 - Matrice de f k

Soit E un espace vectoriel sur K, de dimension n > 1 muni d’une base e. Soit f : E → E
un endomorphisme, de matrice A = M ate (f ). Alors pour tout entier naturel k ≥ 0 :

M ate (f k ) = Ak

5
Algèbre Linéaire Prof. Walid Zouhair

De plus, si f est un automorphisme (i.e. A est inversible), cette propriété s’étend aux
entiers k < 0, avec :
M ate (f k ) = Ak .

1.4 Changements de bases

1.4.1 Matrice de passage d’une base à une autre

Proposition 5.2.1 - Inversibilité de la matrice d’une famille de vecteurs

Soit E un espace vectoriel de dimension n > 1 sur K, muni d’une base e = (e1 , ..., en ).
Soit v = (v1 , ..., vn ) une famille de n vecteurs de E. On note A la matrice de la famille v
dans la base e (donc A ∈ Mn (K)). Alors :

v est une base de E ⇐⇒ A est inversible.

Définition 5.2.1 - Matrice de passage

Soit E un espace vectoriel de dimension n > 1 sur K, muni de deux bases :

e = (e1 , ..., en ), ϵ = (ϵ1 , ..., ϵn ).

La matrice de la famille ϵ exprimée dans la base e est appelée matrice de passage de

e vers ϵ, et se note :
Peϵ
D’après la proposition précédente, Peϵ est toujours inversible.

Exemple 5.2.1 - Matrice de passage

Considérons l’espace vectoriel R2 muni de deux bases :

e = (e1 , e2 ) = ((1, 0), (0, 1)), ϵ = (ϵ1 , ϵ2 ) = ((1, 1), (1, −1)).

On souhaite déterminer la matrice de passage de e vers ϵ, notée Peϵ . Il faut exprimer

chaque vecteur de ϵ dans la base e :

ϵ1 = (1, 1) = 1 · e1 + 1 · e2 .

ϵ2 = (1, −1) = 1 · e1 + (−1) · e2 .

Ainsi, les coordonnées de ϵ1 et ϵ2 dans la base e forment les colonnes de la matrice de
passage :  
ϵ 1 1
Pe =
1 −1
Vérifions l’inversibilité : det(Peϵ ) = (1)(−1)−(1)(1) = −2 ̸= 0, donc Peϵ est bien inversible.

6
Algèbre Linéaire Prof. Walid Zouhair

1.4.2 Effet d’un changement de base

Proposition 5.2.2 - Changement de base pour les coordonnées d’un vecteur

Soit E un espace vectoriel sur K de dimension n > 1, muni de deux bases e et ϵ. Soit P
la matrice de passage de e vers ϵ. Alors, pour tout vecteur u ∈ E :

[u]e = P [u]ϵ

Exemple 5.2.2 - Changement de base pour les coordonnées d’un vecteur

Soit E = R2 muni de deux bases :

e = (e1 , e2 ) = ((1, 0), (0, 1)), ϵ = (ϵ1 , ϵ2 ) = ((1, 1), (1, −1)).

La matrice de passage de e vers ϵ est :



1 1
= Peϵ
1 −1
 
2
Soit un vecteur u ∈ E de coordonnées [u]ϵ = dans la base ϵ. Pour obtenir ses
3
coordonnées dans l’ancienne base e, on utilise la formule :

[u]e = Peϵ [u]ϵ

Calculons :       
1 1 2 2+3 5
[u]e = = =
1 −1 3 2−3 −1
Ainsi, les coordonnées de u dans la base e sont [u]e = (5, −1)T .

Endomorphisme et changement de base :

Soit E un espace vectoriel sur K, de dimension n > 1. Soient :
— e : une ancienne base de E.
— e′ : une nouvelle base de E.
— f : E → E un endomorphisme.
— A = M ate (f ) la matrice de f dans la base e.
— B = M ate′ (f ) la matrice de f dans la base e′ .
— P la matrice de passage de e vers e′ .
Alors on a la relation fondamentale :

B = P −1 AP.

7
Algèbre Linéaire Prof. Walid Zouhair

1.5 Matrices semblables

Définition 5.2.3 - Matrices semblables
Soient A, B ∈ Mn (K). On dit que A et B sont semblables s’il existe une matrice
inversible P ∈ GLn (K) telle que :

B = P −1 AP.

Remarque 5.2.2
La similarité concerne uniquement les matrices carrées.
La seule matrice semblable à la matrice nulle 0n est 0n elle-même.
Pour tout scalaire λ ∈ K, la seule matrice semblable à λIn est λIn .

Proposition 5.2.5 - Caractérisation de la similarité

Soient A, B ∈ Mn (K). Si f est un endomorphisme d’un espace vectoriel E de dimension

n, de matrice A dans une base e et B dans une autre base e′ , alors :

B = P −1 AP,

où P est la matrice de passage de e à e′ . Ainsi, A et B sont semblables.

Propriété : Puissances de matrices semblables :

Si A, B ∈ Mn (K) sont semblables avec B = P −1 AP , alors pour tout entier naturel m :

B m = P −1 Am P.

Cette propriété s’étend aux entiers négatifs si A (et donc B) est inversible. En particulier, on
peut calculer B m à partir de Am , ce qui est particulièrement utile lorsque A est diagonale.

Exemple 5.2.3 - Matrices semblables

Considérons les matrices suivantes :
   
2 1 1 1
A= , P = .
0 3 0 1
 
−1 −1 1 −1
Calculons P . On trouve : P = .
0 1
Posons B = P −1 AP . On obtient :
     
1 −1 2 1 1 1 2 0
B= = .
0 1 0 3 0 1 0 3

Ainsi, A et B sont semblables. Remarquons que B est diagonale, ce qui montre qu’une
matrice triangulaire comme A peut être transformée en matrice diagonale par similarité.

8
Algèbre Linéaire Prof. Walid Zouhair

1.6 Trace d’une matrice et d’un endomorphisme

1.6.1 Trace d’une matrice
Définition 5.3.1 - Trace d’une matrice carrée
Soit A = (aij ) ∈ Mn (K) une matrice carrée d’ordre n. On appelle trace de A, et on la
note tr(A), la somme des coefficients diagonaux de A :
n
X
tr(A) = aii .
i=1

Proposition 5.3.1 - Linéarité de la trace

L’application
tr : Mn (K) −→ K, A 7→ tr(A)
est une forme linéaire. Ainsi, pour toutes matrices A, B ∈ Mn (K) et pour tous scalaires
α, β ∈ K on a :
tr(αA + βB) = α tr(A) + β tr(B).

Proposition 5.3.2 - Trace d’un produit de matrices

Soient A ∈ Mn,p (K) et B ∈ Mp,n (K). Alors :

— AB ∈ Mn (K) est une matrice carrée d’ordre n.
— BA ∈ Mp (K) est une matrice carrée d’ordre p.
et ces deux matrices ont la même trace :

tr(AB) = tr(BA)

Proposition 5.3.3 - Invariance de la trace par similitude

Soient A, B ∈ Mn (K).
Si A et B sont semblables, c’est-à-dire s’il existe P ∈ GLn (K) tel que :

B = P −1 AP

alors elles ont la même trace : tr(A) = tr(B).

Preuve : Soient A, B ∈ Mn (K) telles que B = P −1 AP pour une matrice inversible P ∈

GLn (K). Rappelons que pour toutes matrices X, Y ∈ Mn (K), on a la propriété fondamentale
de la trace :
tr(XY ) = tr(Y X)
En appliquant cette propriété, on obtient :

tr(B) = tr(P −1 AP ) = tr(AP P −1 ) = tr(AIn ) = tr(A).

car P P −1 = In est la matrice identité.

Ainsi, la trace est invariante par similarité, ce qui conclut la preuve.

9
Algèbre Linéaire Prof. Walid Zouhair

1.6.2 Trace d’un endomorphisme

Définition 5.3.2 - Trace d’un endomorphisme en dimension finie

Soit E un espace vectoriel sur K de dimension finie n > 1. Soit f ∈ L(E) un endomor-
phisme de E. On appelle trace de f, notée tr(f ), la trace de la matrice de f dans une base
quelconque de E :
tr(f ) := tr(M ate (f ))
pour une base e de E. Cette définition est bien posée : même si la matrice de f dépend
du choix de la base, sa trace n’en dépend pas, car toutes ces matrices sont semblables.

Propriétés immédiates :
Soit E un espace vectoriel de dimension finie. Pour tous f, g ∈ L(E) et α, β ∈ K :
— Linéarité : tr(αf + βg) = α tr(f ) + β tr(g).
— Symétrie de la trace : tr(gf ) = tr(f g).

1.7 Noyau, image et rang d’une matrice

Définition
Soit A ∈ Mn,p (K). On associe à A l’application linéaire

f : Kp → Kn , U 7→ AU.

L’image de A est définie par Im(A) = Im(f ).

Le noyau de A est défini par Ker(A) = Ker(f ).
Le rang de A est défini par rg(A) = rg(f ) = dim(Im(A)).
Le théorème du rang assure que :

rg(A) + dim(Ker(A)) = p

Remarque Lignes et noyau

Déterminer Ker(A) revient à résoudre un système de n équations linéaires obtenu à partir

des lignes de A.

Remarque Colonnes et image

Les colonnes d’une matrice A forment toujours une famille génératrice de Im(A).

Exemple
Déterminons le noyau, l’image et le rang de la matrice
 
2 −1 1 5
A = −1 2 3 −4
3 0 5 6

10
Algèbre Linéaire Prof. Walid Zouhair

1) Noyau. On cherche les solutions de AU = 0 avec U = (x, y, z, t)T ∈ K4 :


2x − y + z + 5t = 0
 (E1 )
−x + 2y + 3z − 4t = 0 (E2 )

3x + 5z + 6t = 0 (E3 )


On remarque que E3 = 2E1 + E2 , donc seules les deux premières équations sont indépen-
dantes : (
2x − y = −z − 5t,
x − 2y = 3z − 4t.
En résolvant, on obtient : x = − 35 z − 2t et y = − 73 z + t.
Ainsi, (x, y, z, t) = z3 (−5, −7, 3, 0) + t(−2, 1, 0, 1).
Donc     

 −5 −2 
    
−7 , 1 

Ker(A) = V ect   3   0 

 
0 1
 

C’est un sous-espace de dimension 2.

2) Rang. Par le théorème du rang : dim(Ker(A)) + dim(Im(A)) = 4. Comme
dim(Ker(A)) = 2, on en déduit dim(Im(A)) = 2. Donc rg(A) = 2.
3) Image. Les colonnes de A engendrent Im(A). On vérifie que deux colonnes indépen-
dantes suffisent, par exemple :
   
2 −1
C1 = −1 , C2 =
   2
3 0

Ainsi :     
 2 −1 
Im(A) = V ect −1 ,  2 
3 0
 

Conclusion :
Ker(A) = V ect{(−5, −7, 3, 0), (−2, 1, 0, 1)}, Im(A) = V ect{(2, −1, 3), (−1, 2, 0)},
rg(A) = 2.

1.8 Inversibilité et noyau, pour une matrice carrée

Proposition 5.4.1 - Inversibilité et noyau

Soit A ∈ Mn (K). Alors A est inversible si et seulement si :

Ker(A) = {0}.

Autrement dit, pour prouver qu’une matrice A est inversible, il suffit de vérifier que
l’équation AX = 0 n’admet que la solution triviale X = 0. (Remarque : cela ne permet
pas de calculer A−1 : pour cela, il faut résoudre AX = B en X = A−1 B.)

11
Algèbre Linéaire Prof. Walid Zouhair

Proposition 5.4.5 - Rang et transposée

Pour toute matrice A :
rg(A) = rg(t A).

Proposition 5.4.6 - Interprétations du rang

Soit A ∈ Mn,p (K). Le rang de A peut s’interpréter de plusieurs façons équivalentes :

— c’est le nombre maximum de colonnes linéairement indépendantes de A.
— c’est aussi le nombre maximum de lignes linéairement indépendantes de A.

1.9 Calcul du rang par la méthode du pivot

Rang : trois définitions équivalentes .
Le mot « rang » peut se comprendre de trois façons différentes, mais équivalentes :
1)Application linéaire. Si f : E → F est une application linéaire, alors :
rg(f ) = dim(Im(f )).
2) Matrice. Si A ∈ Mn,p (K) et f : Kp → Kn est l’application associée, alors :
rg(A) = rg(f ).
3) Famille de vecteurs. Si (v1 , ..., vp ) est une famille de vecteurs d’un espace E de dimension
n, alors :
rg(v1 , ..., vp ) = dim(V ect(v1 , ..., vp )).

Proposition 5.4.7 - Passage à une forme échelonnée

Soit A ∈ Mn,p (K). Par une suite d’opérations élémentaires sur les lignes, on peut trans-
former A en une matrice échelonnée supérieure. Ces opérations ne modifiant pas le rang,
on obtient : rg(A) = nombre de pivots non nuls de la forme échelonnée finale.

Exemple 5.4.3 - Calcul du rang d’une matrice 3 × 3 par pivot

Calculons le rang de :  
2 4 1
A =  6 13 5
−2 −3 1
Étape 1 : élimination sous le premier pivot 2. L2 ← L2 −3L1 , L3 ← L3 +L1 . On obtient :
 
2 4 1
A1 = 0 1
 2
0 1 2
Étape 2 : élimination sous le pivot 1 de la deuxième ligne. L3 ← L3 − L2 . On obtient :
 
2 4 1
A2 = 0 1 2
0 0 0
Conclusion : la forme échelonnée A2 possède 2 pivots non nuls. Donc rg(A) = 2.

12
Algèbre Linéaire Prof. Walid Zouhair

Exemple 5.4.2 - Calcul du rang par pivot

Calculons le rang de :  
1 5 9 13 17
3 7 11 15 19
A=
2

6 1 0 11
1 3 14 21 16
Étape 1 : élimination sous la première ligne. L2 ← L2 −3L1 , L3 ← L3 −2L1 , L4 ← L4 −L1 .
On obtient :  
1 5 9 13 17
0 −8 −16 −24 −32
A1 = 0 −4 −17 −26 −23


0 −2 5 8 −1
Étape 2 : élimination sous le pivot -8. L3 ← 2L3 − L2 . L4 ← 4L4 − L2 . On obtient :
 
1 5 9 13 17
0 −8 −16 −24 −32
A2 = 0 0

18 28 14 
0 0 −36 −56 −28

Étape 3 : élimination sous le pivot 18. L4 ← L4 + 2L3 . On obtient :

 
1 5 9 13 17
0 −8 −16 −24 −32
A3 = 0 0

18 28 14 
0 0 0 0 0

Conclusion : la forme échelonnée A3 possède 3 pivots non nuls. Donc : rg(A) = 3.

13