IPGEI – MPSI M ATRICES A NNÉE : 2019-2020

M ATRICES
Dans tout ce chapitre, K est un sous-corps de C.

1 Matrices, lien avec les applications linéaires

1.1 Définitions
Définition 1 –
Soient n, p ∈ N∗ , on appelle matrice à n lignes et p colonnes à coefficients dans K, toute application
M : [[1 , n]]×[[1 , p]] → K. Pour (i , j ) ∈ [[1 , n]]×[[1 , p]], on pose M (i , j ) = M i , j (ou m i , j ), c’est le coefficient de
la matrice M d’indices i et j , le premier indice est appelé indice de ligne, et le second indice de colonne.
L’ensemble des matrices à n lignes et p colonnes à coefficients dans K est noté Mn,p (K), on a donc
Mn,p (K) = F [[1 , n]] × [[1 , p]] , K .
¡ ¢

 
m 1,1 · · · m 1,p
 . .. 
Notations : Si M ∈ Mn,p (K), on peut écrire : M = (m i , j ) 1≤i ≤n ou bien M =  .. .  .
1≤ j ≤p

m n,1 · · · m n,p

Remarques –
L’égalité entre deux matrices est en fait l’égalité entre deux fonctions, par conséquent deux matrices sont
égales lorsqu’elles ont la même taille et les mêmes coefficients.

Cas particuliers :

1. Lorsque n = p on dit que la matrice est carrée, l’ensemble des matrices carrées à n lignes est noté
Mn (K) au lieu de Mn,n (K).
³ ´
2. Lorsque n = 1 on dit que M est une matrice ligne : −1 3 −4 ∈ M1,3 (K).
 
0
−3 ∈ M3,1 (K).
 
3. Lorsque p = 1 on dit que M est une matrice colonne :  
8

Définition 2 –
Soit M ∈ Mn,p (K).

1. Pour k ∈ [[1 , p]] :

— On appelle k-ième vecteur colonne de M le vecteur C k (M ) = (m 1,k , . . . , m n,k ), c’est un élément
de Kn .  
m 1,k
 . 
— On appelle k-ième matrice colonne de M la matrice C k (M ) = 
 .  ∈ Mn,1 (K).
. 

m n,k
2. Pour k ∈ [[1 , n]] :
— On appelle k-ième vecteur ligne de M le vecteur L k (M ) = (m k,1 , . . . , m k,p ), c’est un élément de
Kn .

Page 1/24
IPGEI – MPSI M ATRICES A NNÉE : 2019-2020

³ ´
— On appelle k-ième matrice ligne de M la matrice L k (M ) = m k,1 · · · m k,p ∈ M1,p (K).

Définition 3 (transposition) –
Soit M ∈ Mn,p (K), on appelle transposée de M la matrice de Mp,n (K) notée t M et définie par :

[t M ]i , j = M j ,i pour (i , j ) ∈ [[1 , p]] × [[1 , n]].

Autrement dit, la ligne i de t M est la colonne i de M .

 
à ! 1 4
1 2 3
∈ M2,3 (K), on a : t M = 
2 5 ∈ M3,2 (K).
 
Exemples. Soit M = 
4 5 6
3 6

Proposition 1 –
On a les propriétés suivantes :
— Mn (K) est stable pour la transposition.
— t (t M ) = M , on en déduit en particulier que la transposition est une involution dans Mn (K).
— L k (t M ) = C k (M ) et C k (t M ) = L k (M ).

Preuve – Celle-ci est simple et laissée en exercice. 

Définition 4 (trace d’une matrice carrée) –

n
Soit M ∈ Mn (K), on appelle trace de M le scalaire noté tr(M ) et défini par : tr(M ) =
X
M i ,i , c’est donc la
i =1
somme des coefficients diagonaux de M .

Matrices particulières :
— Matrice nulle : la matrice nulle à n lignes et p colonnes est la matrice de Mn,p (K) dont tous les
coefficients sont nuls, celle-ci est notée On,p . Lorsque p = n, la matrice On,n est notée simplement
On , c’est la matrice nulle de Mn (K).
— Matrice unité : la matrice unité de Mn (K) est la matrice carrée de taille n, notée In et définie par
In = (δi , j )1≤i , j ≤n , c’est à dire, In est la matrice dont tous les coefficients diagonaux sont égaux à 1,
les autres (coefficients extra-diagonaux) sont tous nuls.
 
1 0 0
0 1 0 est la matrice unité de M3 (K).
 
Exemples. I3 =  
0 0 1

— Matrice diagonale : une matrice diagonale est une matrice carrée

 dont tous les coefficients
 extra-
a 0 ··· 0
 1
. . 

 0 a 2 . . .. 

diagonaux sont nuls. C’est donc une matrice de la forme M = 
 .. . . . .
, une telle ma-

. . . 0
 
0 · · · 0 an
trice est notée parfois M = diag(a 1 , . . . , a n ).

Page 2/24
IPGEI – MPSI M ATRICES A NNÉE : 2019-2020

— Matrice élémentaire : une matrice élémentaire de Mn,p (K) est une matrice dont tous les coef-
ficients sont nuls sauf un qui vaut 1. Il y a donc np matrices élémentaires dans Mn,p (K), pour
(i , j ) ∈ [[1 , n]] × [[1 , p]], on note Ei , j la matrice élémentaire qui possède un 1 ligne i colonne j , et
des 0 ailleurs, plus précisément : (Ei , j )k,` = δi ,k δ j ,` .
à !
0 1 0
Exemples. Dans M2,3 (K), on a E1,2 = .
0 0 0

— Matrice triangulaire supérieure : c’est une matrice carrée dont tous les éléments situés sous la
diagonale principale sont nuls. L’ensemble des matrices triangulaires supérieures de Mn (K) est
noté Tns (K), on a donc :

M ∈ Tns (K) ⇐⇒ ∀i , j ∈ [[1 , n]], i > j =⇒ M i , j = 0.

— Matrice triangulaire inférieure : c’est une matrice carrée dont tous les éléments situés au-dessus
de la diagonale principale sont nuls. L’ensemble des matrices triangulaires inférieures de Mn (K)
est noté Tni (K), on a donc :

M ∈ Tni (K) ⇐⇒ ∀i , j ∈ [[1 , n]], i < j =⇒ M i , j = 0.

— Matrice symétrique : c’est une matrice qui est égale à sa transposée (elle est donc nécessairement
carrée) : M =t M . L’ensemble des matrices symétriques de taille n est noté S n (K), on a donc :

M ∈ S n (K) ⇐⇒ ∀i , j ∈ [[1 , n]], M i , j = M j ,i .

— Matrice antisymétrique : c’est une matrice qui est égale à l’opposé de sa transposée (elle est donc
nécessairement carrée) : M = −t M . L’ensemble des matrices antisymétriques de taille n est noté
An (K), on a donc :
M ∈ An (K) ⇐⇒ ∀i , j ∈ [[1 , n]], M i , j = −M j ,i ,

on en déduit en particulier que M i ,i = 0 (les coefficients diagonaux sont nuls).

1.2 Structure d’espace vectoriel sur les matrices

Définition 5 (somme de deux matrices) –
Soient A, B ∈ Mn,p (K), on appelle somme de A et B la matrice de Mn,p (K) notée A + B et définie par :

∀(i , j ) ∈ [[1 , n]] × [[1 , p]], (A + B )i , j = A i , j + B i , j .

On additionne entre eux les éléments ayant les mêmes indices.

à ! à ! à !
1 2 3 −1 0 1 0 2 4
Exemples. + = .
4 5 6 −2 3 4 2 8 10

Proposition 2 –
(Mn,p (K) , +) est un groupe abélien. L’élément neutre est la matrice nulle : On,p , et si A ∈ Mn,p (K), l’op-
posé de A est la matrice −A définie par : ∀(i , j ) ∈ [[1 , n]] × [[1 , p]], (−A)i , j = −A i , j .

Page 3/24
IPGEI – MPSI M ATRICES A NNÉE : 2019-2020

Preuve – Celle-ci est simple et laissée en exercice. 

Définition 6 (produit par un scalaire) –
Soit M ∈ Mn,p (K) et soit λ ∈ K, on appelle produit de la matrice M par le scalaire λ la matrice de Mn,p (K)
notée λ · M et définie par : ∀(i , j ) ∈ [[1 , n]] × [[1 , p]], (λ · M )i , j = λ × M i , j . C’est à dire, chaque coefficient
de M est multiplié par λ.
   
1 2 2 4
   
Exemples. 2 · 
3 4  =  6 8 .
  
5 6 10 12

Propriétés : On peut vérifier facilement, soient A, B ∈ Mn,p (K), soient λ, µ ∈ K :

— 1 · A = A.
— λ · (A + B ) = λ · A + λ · B .
— (λ + µ) · A = λ · A + µ · A.
— (λµ) · A = λ · (µ · A).
On peut donc énoncer le résultat suivant : (Mn,p (K) , + , ·) est un K-espace vectoriel .

Proposition 3 (dimension de Mn,p (K)) –

Mn,p (K) est un K-e.v de dimension np, et les matrices élémentaires (Ei , j ) 1≤i ≤n constituent une base de
1≤ j ≤p
Mn,p (K). Cette base est appelée base canonique de Mn,p (K), car les coordonnées d’une matrice M ∈
Mn,p (K) dans cette base sont les coefficients de M , c’est à dire :
X
M= M i , j · Ei , j .
1≤i ≤n
1≤ j ≤p

Preuve – Il reste à montrer que la famille des matrices élémentaires est libre et génératrice de Mn,p (K). Soit M ∈
Mn,p (K), posons B = M i , j · Ei , j , on a alors pour tout (k , `) ∈ [[1 , n]] × [[1 , p]], B k,` =
X X
M i , j (Ei , j )k,` , ce qui
1≤i ≤n 1≤i ≤n
1≤ j ≤p 1≤ j ≤p
M i , j δi ,k δ j ,` , et donc B k,` = M k,` , d’où B = M . Ce qui prouve que toute matrice M s’écrit de
X
donne B k,` =
1≤i ≤n
1≤ j ≤p
manière unique comme combinaison linéaire des matrices élémentaires, celles-ci constituent donc une base de
Mn,p (K), or elles sont au nombre de np, donc dim(Mn,p (K)) = np. 

Exercice 1 – Montrer que Tns (K), Tni (K), S n (K) et An (K) sont des s.e.v de Mn (K). Pour chacun d’eux
donner une base et la dimension.
Proposition 4 (propriétés de la transposition et de la trace) –
On a les propriétés suivantes :
1. La transposition est linéaire, plus précisément, c’est un isomorphisme de Mn,p (K) sur Mp,n (K).
2. La trace est une forme linéaire non nulle sur Mn (K).

Preuve – Pour le premier point, la linéarité est simple à vérifier. On peut voir ensuite que la transposition trans-
forme la base canonique de Mn,p (K) en la base canonique de Mp,n (K).
Pour le second point, il s’agit d’une simple vérification de la linéarité, d’autre part, tr(In ) = n 6= 0. 

Exercice 2 – Montrer que la transposition dans Mn (K) est une symétrie, déterminer ses éléments ca-
ractéristiques.

Page 4/24
IPGEI – MPSI M ATRICES A NNÉE : 2019-2020

1.3 Matrice d’une application linéaire

Soit E un K-e.v de dimension p, soit B = (e 1 , . . . , e p ) une base de E . Soit F un K-e.v de dimension
n, soit B 0 = (u 1 , . . . , u n ) une base de F . Soit f ∈ L (E , F ), on sait que f est entièrement déterminée par
la donnée de f (e 1 ), . . . , f (e p ), mais chacun de ces vecteurs est lui-même déterminé par ses coordonnées
dans la base B 0 de F . Notons Coord( f (e j )) = (a 1, j , . . . , a n, j ) pour j ∈ [[1 , p]], c’est à dire :
B0

n
X
∀ j ∈ [[1 , p]], f (e j ) = ai , j ui .
i =1

On obtient ainsi une matrice A = (a i , j ) 1≤i ≤n cette matrice est définie par : C j (A) = Coord( f (e j )).
1≤ j ≤p B0

Définition 7 –
Soit f ∈ L (E , F ), soit B = (e 1 , . . . , e p ) une base de E et soit B 0 = (u 1 , . . . , u n ) une base de F , on appelle
matrice de f relative aux bases B et B 0 la matrice de Mn,p (K) notée mat ( f ) et définie par : pour j ∈
B,B 0
[[1 , p]], le j -ième vecteur colonne de cette matrice est Coord( f (e j )), autrement dit, le coefficient de la
B0
ligne i colonne j est la coordonnée sur u i du vecteur f (e j ).

Construction de cette matrice :

f (e 1 ) · · · f (e p )
↓ ↓
 
a 1,1 · · · a 1,p → u 1
 . ..  ..
mat ( f ) =  .. .  .
B,B 0  
a n,1 · · · a n,p → u n

Exemples. Soit B = (e 1 , e 2 , e 3 ) la base canonique de K3 et soit B 0 = (u , v) la base canonique de K2 .

1. Soit f ∈ L (K3 , K2 ) définie pour tout (x , y , z) ∈ K3 par f (x , y , z) = (2x − y + z , x + 2y − 3z). Déter-
minons A = mat ( f ). On a :
B,B 0

 f (e 1 ) = f (1 , 0 , 0) = (2 , 1) = 2u + v




f (e 2 ) = f (0 , 1 , 0) = (−1 , 2) = −u + 2v ,



 f (e 3 ) = f (0 , 0 , 1) = (1 , −3) = u − 3v


donc la matrice de f est :

à !
2 −1 1
A= .
1 2 −3

2. Déterminons l’application linéaire g ∈ L (K2 , K3 ) donnée par :

 
6 4
 
mat (g ) = −2 5 .
B 0 ,B
 
1 −1

Pour tout (x , y) ∈ K2 , g (x , y) = xg (u) + y g (v) = x(6 , −2 , 1) + y(4 , 5 , −1) = (6x + 4y , −2x + 5y , x − y).

Page 5/24
IPGEI – MPSI M ATRICES A NNÉE : 2019-2020

Remarques –
Cas particuliers des endomorphismes : lorsque l’espace d’arrivée est le même que celui de départ (F =
E ), on choisit en général la même base à l’arrivée qu’au départ (B 0 = B), on note alors mat( f ) = mat( f ),
B,B B
c’est une matrice carrée.

Exercice 3 – 1. Soit E = K3 [X ] et soit B la base canonique de E .

(a) On note D la dérivation dans E , calculer mat(D).
B
(b) Soit ∆ définie par ∆(P ) = P (X + 1) − P (X ), calculer mat(∆).
B
X (X − 1) X (X − 1)(X − 2)
(c) Soit P 0 = 1, P 1 = X , P 2 = et P 3 = . Montrer que B 0 = (P 0 , P 1 , P 2 , P 3 )
2 6
est une base de E et calculer mat(∆).
B0
2. Calculer la matrice de la transposition dans la base canonique de M2 (K).
Proposition 5 (caractérisation de l’identité et de l’application nulle) –
Soit E un e.v de dimension n et soit B une base de E :
1. Soit f ∈ L (E ), alors f = IdE ⇐⇒ mat( f ) = In .
B
2. Soit F un e.v de dimension p et soit B 0 une base de F , f ∈ L (E , F ), alors :

f = 0 ⇐⇒ mat ( f ) = Op,n .
B,B 0

Preuve – Celle-ci est simple et laissée en exercice. 

Proposition 6 –
Soient E , F deux K-e.v, soit B une base de E et soit B 0 une base de F , soient f , g ∈ L (E , F ) et soit λ ∈ K.
On a :
mat ( f + g ) = mat ( f ) + mat (g ) et mat (λ · f ) = λ · mat ( f ).
B,B 0 B,B 0 B,B 0 B,B 0 B,B 0
Autrement dit, l’application : mat : L (E , F ) → Mn,p (K) (avec n = dim(F ) et p = dim(E )), est une appli-
B,B 0
cation linéaire. Plus précisément, cette application est un isomorphisme.

Preuve – La vérification de la linéarité est simple (elle découle de la linéarité de l’application coordonnées). Si
mat ( f ) = On,p , alors on sait que f est nulle, donc l’application mat0 est injective, la surjectivité étant évidente, on
B,B 0 B,B
a donc bien un isomorphisme. 
Proposition 7 –
Soit E un K-espace vectoriel de dimension p, soit F un K-espace vectoriel de dimension n, et soit u ∈
L (E , F ) une application linéaire de rang r , alors il existe une base B de E et une base B 0 de F telles que
mat (u) = J n,p,r où J n,p,r désigne la matrice de Mn,p (K) définie par :
B,B 0
 
1 0 ··· 0
 .
0 . . .. 
 .
. 
.
. 1

J n,p,r = .

0 · · · 0 · · · 0
 
. .. 
 .. . 
 
0 ··· 0
Il y a r fois le scalaire 1 sur la diagonale.

Page 6/24
IPGEI – MPSI M ATRICES A NNÉE : 2019-2020

Preuve – D’après le théorème du rang, dim(Ker(u)) = p − r , soit H un supplémentaire de Ker(u) dans E et soit
(e 1 , . . . , e r ) une base de H , soit (e r +1 , . . . , e p ) une base de Ker(u), alors B = (e 1 , . . . , e p ) est une base de E . On sait que
(u(e 1 ), . . . , u(e r )) est une base de Im(u), on peut compléter en une base de F : B 0 = (u(e 1 ), . . . , u(e r ), v r +1 , . . . , v n ) et
la matrice de u dans les bases B et B 0 a exactement la forme voulue. 

2 Produit matriciel
Matrice d’une composée : Soient B = (e 1 , . . . , e q ) une base de E , B 0 = (u 1 , . . . , u p ) une base de F ,
et B 00 = (v 1 , . . . , v n ) une base de G, soit f ∈ L (E , F ), g ∈ L (F ,G), on pose B = mat ( f ) ∈ Mp,q (K),
B,B 0
A = mat (g ) ∈ Mn,p (K) et C = mat ( f ◦ g ) ∈ Mn,q (K). Il s’agit de calculer g ◦ f (e j ) dans la base B 00 ,
B 0 ,B 00 B,B 00
p
X Xp Xp X n
on a : f (e j ) = B k, j u k , donc : g ◦ f (e j ) = B k, j g (u k ) = B k, j A i ,k v i , c’est à dire : g ◦ f (e j ) =
à k=1
! k=1 k=1 i =1
n p p
A i ,k B k, j v i . On doit donc avoir : C ∈ Mn,q (K) avec C i , j =
X X X
A i ,k B k, j . On voit que l’opération à
i =1 k=1 k=1
effectuer sur les matrices A et B pour obtenir C n’est pas aussi simple que pour la somme. Nous allons
définir cette opération comme étant le produit entre les deux matrices A et B .

2.1 Définition
Définition 8 –
Soient A ∈ Mn,p (K), soit B ∈ Mp,q (K), on appelle produit de A par B la matrice de Mn,q (K) notée A × B
et définie par :
p
X
∀(i , j ) ∈ [[1 , n]] × [[1 , q]], [A × B ]i , j = A i ,k B k, j .
k=1

On retient ceci en disant que le coefficient [A × B ]i , j est le résultat du « produit de la ligne i de A avec la
colonne j de B ».

Disposition des calculs :

 
b 1,1 · · · b 1, j · · · b 1,q
 . .. .. 
B=  .
 . . .  
b p,1 · · · b p, j · · · b p,q
 
  ∗ ··· ··· ∗
a 1,1 · · · a 1,p .
 .  .. .. 
 .. ..  .
 .  

 p


   X 
A= 
 a i ,1 · · · a i ,p 
 ∗ · · ·
 a i ,k b k, j · · · ∗  = AB
 . ..  k=1
 ..
 
.  . .. 
   .. .
 
a n,1 · · · a n,p
∗ ··· ··· ∗

Remarques –
— Le produit A × B n’est possible que si le nombre de colonnes de A est égal au nombre de lignes
de B . Le résultat a alors autant de lignes que A et autant de colonnes que B .

Page 7/24
IPGEI – MPSI M ATRICES A NNÉE : 2019-2020

— Dans Mn (K) le produit matriciel est interne.

— En général A × B 6= B × A, il se peut même que A × B soit défini, mais pas B × A.

Exemples.
     
³ ´  0 1 1 ´ 1 −1 3
 ³ ´   ³ 
×
1 −1 3 −1 2
  = 7 2 2 × 1 −1
  3 =
2 −2 6

2 1 3 3 −3 9
 
´ 1  ³ ´
à ! à ! à !
³ 1 2 0 1 1 −2 1 3
1 −1 2 ×  2  = 5
 × =
2 −1 −1 0 1 1 2 1
3
     
à ! 0 1 0 1 à 2 −1
!
1 2     1 2  
−1 2 n’est pas défini
× −1 2 × =
3 −4
 
2 −1 2 −1
 
0 1 0 1 2 −1

2.1.1 Retour aux applications linéaires

Proposition 8 –
Soit B une base de E , soit B 0 une base de F et soit B 00 une base de G, soit f ∈ L (E , F ) et soit g ∈ L (F ,G)
avec A = mat (g ) et B = mat ( f ), alors :
B 0 ,B 00 B,B 0

mat (g ◦ f ) = A × B = mat (g ) × mat ( f ).

B,B 00 B 0 ,B 00 B,B 0

Remarques –
Cas particulier des endomorphismes : Soit E un K-e.v et B une base de E et soit u, v ∈ L (E ) avec
A = mat(u) et B = mat(v), on a alors : mat(u ◦ v) = mat(u) × mat(v) = A × B , en particulier :
B B B B B
· ¸n
∀n ∈ N, mat(u ) = mat(u) = A n .
n
B B

Proposition 9 (relation fondamentale) –

Soit B = (e 1 , . . . , e p ) une base de E , soit B 0 = (u 1 , . . . , u n ) une base de F , et soit f ∈ L (E , F ). Pour x ∈ E ,
on pose X la matrice colonne des coordonnées de x dans la base B, ce que l’on note : X = CoordB (x) ∈
Mp,1 (K) et Y la matrice colonne des coordonnées de y = f (x) dans la base B 0 : Y = CoordB 0 ( f (x)) ∈
Mn,1 (K). En posant A = mat ( f ), on a alors la relation suivante :
B,B 0

Y = A×X i.e. CoordB 0 ( f (x)) = mat ( f ) × CoordB (x).

B,B 0

  
x1 y
 1
 ..   .. 
 
Preuve – Posons X =  .  et Y =  . , comme A ∈ Mn,p (K) on voit que le produit A × X est bien défini et que
   
xp yn
p
X n
X
c’est une matrice colonne à n lignes. On a f (x) = x k f (e k ), mais on a f (e k ) = a i ,k u i , ce qui donne :
k=1 i =1
à !
n
X p
X n
X n
X
f (x) = a i ,k x k,1 u i = [A × X ]i u i = y i ui .
i =1 k=1 i =1 i =1

Ce qui prouve que Y = A × X . 

Page 8/24
IPGEI – MPSI M ATRICES A NNÉE : 2019-2020

Exercice 4 – 1. Soit B la base canonique de K3 et B 0 la base canonique de K2 , soit f ∈ L (K3 , K2 )

à !
0 1 −2 3
définie par sa matrice dans les bases B et B : mat ( f ) = A = , calculer f (x , y , z).
B,B 0 2 1 −5
2. Soit B = (i , j , k) la base canonique de K3 , on pose B 0 = (i , i + j , i + j + k), on vérifie que B 0 est
1 −1 0
une base de K3 . Soit f ∈ L (K3 ) définie par : mat( f ) = A = 
 
0 2 −1 , calculer f (x , y , z).
B0
 
0 0 1
3. Soient A, B ∈ Mn,p (K) telles que pour tout X ∈ Mp,1 (K), AX = B X , montrer que A = B .

Définition 9 (application linéaire canoniquement associée) –

Soit A ∈ Mn,p (K), on appelle application linéaire canoniquement associée à A l’application linéaire f A ∈
L (Kp , Kn ) dont la matrice dans les bases canoniques de Kp et Kn est A.

2.2 Propriétés du produit matriciel

— « Associativité » : Si A ∈ Mn,p (K), B ∈ Mp,q (K) et C ∈ Mq,r (K), alors :

(A × B ) ×C = A × (B ×C ) ∈ Mn,r (K).

Preuve – Soit f ∈ L (Kp , Kn ) l’application linéaire canoniquement associée à A, g ∈ L (Kq , Kp ) canoni-

quement associée à B et h ∈ L (Kr , Kq ) canoniquement associée à C . On a f ◦ (g ◦ h) ∈ L (Kr , Kn ) et sa
matrice dans les bases canoniques est A × (B × C ). De même ( f ◦ g ) ◦ h ∈ L (Kr , Kn ) et sa matrice dans les
bases canoniques est (A×B )×C , or la composition des applications est associative, ce qui donne l’égalité.

— « Élément neutre » : Soit A ∈ Mn,p (K), on a : A × Ip = A et I n × A = A.

Preuve – Soit f ∈ L (Kp , Kn ) l’application linéaire canoniquement associée à A, IdKn est l’application li-
néaire canoniquement associée à In , la matrice dans les bases canoniques de IdKn ◦ f est donc I n × A = A,
or IdKn ◦ f = f , donc I n × A = A. De même, on montre que A × Ip = A. 

— « Distributivité » : Si A, B ∈ Mn,p (K), C ∈ Mp,q (K) et D ∈ Mr,n (K), alors :

(A + B ) ×C = A ×C + B ×C et D × (A + B ) = D × A + D × B.

Preuve – Soit f ∈ L (Kp , Kn ) l’application linéaire canoniquement associée à A, g ∈ L (Kp , Kn ) canoni-

quement associée à B et h ∈ L (Kq , Kp ) canoniquement associée à C . L’application linéaire canonique-
ment associé à la matrice (A + B ) × C est ( f + g ) ◦ h ∈ L (Kq , Kn ), et l’application linéaire canoniquement
associée à A ×C + B ×C est f ◦ h + g ◦ h ∈ L (Kq , Kn ), or ( f + g ) ◦ h = f ◦ h + g ◦ h, ce qui donne la première
égalité. La seconde se montre de la même façon. 

— Transposée d’un produit : Si A ∈ Mn,p (K) et B ∈ Mp,q (K), alors : t (A × B ) =t B ×t A.

p p
Preuve – [t (A × B )]i , j = [A × B ] j ,i = [t B ]i ,k [t A]k, j = [t B ×t A]i , j .
X X
A j ,k B k,i = 
k=1 k=1

Page 9/24
IPGEI – MPSI M ATRICES A NNÉE : 2019-2020

Exercice 5 – Calculer le produit entre deux matrices carrées élémentaires de Mn (K).

Proposition 10 (structure de Mn (K)) –

(Mn (K) , + , × , ·) est une K-algèbre (non commutative si n ≥ 2).

Preuve – On sait déjà que (Mn (K) , + , ·) est un K-espace vectoriel, les propriétés du produit matriciel montre que
(Mn (K) , + , ×) est un anneau, il reste simplement à vérifier la compatibilité entre le produit interne et le produit
externe, i.e. :
∀λ ∈ K, ∀A, B ∈ Mn (K), λ · (A × B ) = (λ · A) × B = A × (λ · B ),

ce qui est laissé en exercice.

à ! à ! à !
0 0 1 1 0 0
Donnons un contre-exemple pour la non commutativité : soit A = et B = . On a : AB = mais
1 0 0 1 1 1
à !
1 0
BA= . 
1 0

Remarques – Ã ! Ã !
0 0 0 0
— L’algèbre Mn (K) n’est pas intègre lorsque n ≥ 2. Par exemple : × = O2 . De ce fait, il y
1 0 1 1
à !
0 0
a dans Mn (K) des éléments nilpotents, par exemple : A = .
1 0
— On peut utiliser dans Mn (K) les règles du calcul algébrique, en prenant garde toutefois au fait que
le produit n’est pas commutatif. Par exemple, si A, B ∈ Mn (K) commutent (i.e. AB = B A), alors
on peut utiliser le binôme de Newton pour calculer (A +B )n . Mais si AB 6= B A on peut néanmoins
développer, par exemple : (A + B )2 = A 2 + AB + B A + B 2 .
 
1 1 0
n
0 1 1. En écrivant A = I3 + J , calculer A pour n ∈ N.
 
Exercice 6 – Soit A =  
0 0 1

3 Matrices carrées inversibles

3.1 Définition
L’ensemble (Mn (K) , + , ×) a une structure d’anneau, on peut donc s’intéresser aux éléments inver-
sibles de cet anneau. C’est à dire aux matrices M ∈ Mn (K) pour lesquelles il existe une matrice N ∈
Mn (K) telle que M × N = N × M = In . Si M ∈ Mn (K) est inversible, son inverse sera noté M −1 .
Définition 10 –
Le groupe multiplicatif des inversibles de l’anneau (Mn (K) , + , ×) est noté GLn (K).

Remarques –
Puisque (GLn (K), ×) est un groupe, on a :
— Le produit de deux matrices inversibles est inversible.
— Si M , N ∈ GLn (K) alors (M × N )−1 = N −1 × M −1 .

Cas particuliers :

Page 10/24
IPGEI – MPSI M ATRICES A NNÉE : 2019-2020

— Matrices diagonales inversibles : Soit D = diag(a 1 , · · · , a n ) ∈ Mn (K), alors

µ D est inversible
¶ ssi les
−1 1 1
coefficients diagonaux sont tous non nuls, auquel cas on a : D = diag ,··· , .
a1 an
Preuve – Si les coefficients diagonaux sont tous non nuls, il est facile de vérifier que la matrice proposée
est bien l’inverse de D.
Réciproquement, supposons D ∈ GLn (K), alors l’équation D X = On,1 d’inconnue X ∈ Mn,1 (K) admet
comme unique solution X = D −1 × On,1 = On,1 . Supposons a 1 = 0 et prenons X ∈ Mn,1 (K) définie par
X i ,1 = δi ,1 , il est facile de voir que le produit D X donne la première colonne de D, c’est à dire On,1 , pour-
tant X 6= On,1 : contradiction, donc a 1 6= 0. Le raisonnement est similaire pour les autres coefficients. 
r
— Polynômes de matrices : Soit P ∈ K[X ] et A ∈ Mn (K), si P = a k X k , alors la matrice P (A) est
X
k=0
r
k
X
P (A) = a k A , on a alors le résultat suivant : Si P (A) = On et si P (0) 6= 0, alors A est inversible.
k=0

Preuve – P (0) 6= 0 signifie que a 0 6= 0, on a alors :

" # " #
r −a r −a
X k k−1 X k k−1
In = A × A = A × A.
k=1 a 0 k=1 a 0
à !
a b
Par exemple, si A = avec ad − bc 6= 0, on vérifie que A 2 − (a + d )A + (ad − bc)I2 = O2 , donc A est
c d
à !
−1 1 1 d −b
inversible et A = [(a + d )I2 − A] = . 
ad − bc ad − bc −c a

3.2 Retour aux applications linéaires

Proposition 11 –
Soient E et F deux K-e.v de même dimension n, soit B une base de E et B 0 une base de F , soit u ∈
L (E , F ), alors u est un isomorphisme de E vers F si et seulement si mat (u) ∈ GLn (K), si c’est le cas,
B,B 0
· ¸−1
alors : mat (u −1 ) = mat (u) .
B 0 ,B B,B 0

Preuve – Si u est un isomorphisme, posons A = mat0 (u) et B = mat (u −1 ), on a A, B ∈ Mn (K). On sait que u ◦ u −1 =
B,B
0 B ,B
IdF , d’où In = mat(IdF ) = mat0 (u) × mat (u −1 ) = A × B , de même B × A = mat(IdE ) = In .
B0 B,B 0 B ,B B
Si la matrice de u est inversible, soit v ∈ L (F , E ) telle que mat (v) = A −1 alors en considérant la matrice de v ◦ u
0 B ,B
dans la base B, on vérifie que v ◦ u = IdE , donc u est un isomorphisme (théorème de la dimension finie). 

Cas des endomorphismes : Si E est un K-espace vectoriel de dimension n et B une base de E , alors on
sait déjà que l’application mat : L (E ) → Mn (K) est un isomorphisme d’espaces vectoriels, mais comme
B
(L (E ) , + , ◦ , ·) et (Mn (K) , + , × , ·) sont des K-algèbres et que mat(u◦v) = mat(u)×mat(v) et mat(IdE ) = In ,
B B B B
on peut affirmer que l’application mat est un isomorphisme d’algèbres. En particulier celui-ci induit un
B
isomorphisme de groupes : mat : GL(E ) → GLn (K).
B

Proposition 12 (caractérisations des matrices carrées inversibles) –

Soit A ∈ Mn (K), alors les assertions suivantes sont équivalentes :
1. A est inversible.

Page 11/24
IPGEI – MPSI M ATRICES A NNÉE : 2019-2020

2. Il existe une matrice B ∈ Mn (K) telle que B A = In .

3. L’équation AX = On,1 d’inconnue X ∈ Mn,1 (K) admet une unique solution X = On,1 .
4. ∀Y ∈ Mn,1 (K), l’équation AX = Y d’inconnue X ∈ Mn,1 (K) admet une unique solution.
5. ∀Y ∈ Mn,1 (K), l’équation AX = Y d’inconnue X ∈ Mn,1 (K) admet au moins une solution.

Preuve – L’implication 1. =⇒ 2. est évidente en prenant B = A −1 .

Montrons 2. =⇒ 3. : On a B A = In , d’où AX = On,1 =⇒ B AX = On,1 = X .
Montrons 3. =⇒ 4. : Soit B ∈ L (Kn ) l’endomorphisme de Kn canoniquement associé à A, soit x ∈ Ker( f ), posons
X = CoordB (x) où B désigne la base canonique de Kn , on a alors CoordB (x) = AX = On,1 donc X = On,1 i.e.
x = 0 , l’application f est donc injective, mais alors elle est bijective : ∀y ∈ Kn , ∃!x ∈ Kn , f (x) = y, ce qui entraîne
∀Y ∈ Mn,1 (K), ∃!X ∈ Mn,1 (K), AX = Y (remarquons que A est inversible puisque f est bijective, et que X = A −1 Y ).
L’implication 4. =⇒ 5. est évidente.
Montrons 5. =⇒ 1. : Avec les notations précédentes, l’application f est surjective par hypothèse, donc f est
bijective et par conséquent sa matrice A est inversible. 
Remarques –
Il découle en particulier de ce théorème que si B A = In alors AB = In (car A ∈ GLn (K) et donc B = A −1 ),
ce qui est remarquable.

Exercice 7 – 1. Si A ∈ GLn (K), montrer que t A est inversible et que (t A)−1 =t (A −1 ).

 
1 λ −1
, déterminer en fonction de λ si A est inversible ou non, si c’est le cas, calcu-
 
2. Soit A = 
0 2 1
1 0 1
ler A −1 .
3. Soit T ∈ Mn (K) une matrice triangulaire supérieure, montrer que T ∈ GLn (K) ssi ses éléments
diagonaux sont tous non nuls, si c’est le cas, montrer que T −1 est également triangulaire supé-
rieure.

4 Changement de bases

4.1 Matrice de passage

Définition 11 –
Soit E un K-espace vectoriel, soit B = (e 1 , . . . , e n ) une base de E , soit S = (x 1 , . . . , x p ) une famille de
vecteurs de E , on appelle matrice de la famille S dans la base B, la matrice A ∈ Mn (K) définie par :
∀(i , j ) ∈ [[1 , n]] × [[1 , p]], a i , j est la coordonnée sur e i de x j . Autrement dit, pour j ∈ [[1 , p]], le j -ième vec-
teur colonne de A est C j (A) = CoordB (x j ). Cette matrice est notée P B,S et appelée matrice de passage
de B à S , elle exprime les vecteurs de S dans la base B :

x1 · · · x p → vecteurs de S
↓ ↓
 
a 1,1 · · · a 1,p → coordonnée sur e 1 premier vecteur de B
 . . ..
P B,S . .. 

= 
 .  .
a n,1 · · · a n,p → coordonnée sur e n dernier vecteur de B

Page 12/24
IPGEI – MPSI M ATRICES A NNÉE : 2019-2020

Exemples. — Soit B la base canonique de K3 , soit x 1 =(1 , −1 , 0) et x 2 = (2 , −1 , 3), alors la matrice
1 2
de la famille S = (x 1 , x 2 ) dans la base B, est P B,S = −1 −1
 
.

0 3
— Soit B = (i , j , k) la base canonique de K3 , soit B 0 = (i , i + j , i + j + k), on vérifie que B 0 est une
base de K3 . Déterminons la matrice de la famille S précédent dans la base B 0 : on ax 1 = i − j =
2 3
2i − (i + j ) et x 2 = 2i − j + 3k = 3(i + j + k) − 4(i + j ) + 3i , on a donc P B 0 ,S = 
 
−1 −4 .
 
0 3

Interprétations de la matrice de passage :

1. Dans le cas où p 6= n : soit B = (e 1 , . . . , e n ) une base de E et soit S = (x 1 , . . . , x p ) une famille de

p vecteurs de E . Soit B 0 = (u 1 , . . . , u p ) la base canonique de Kp , on définit l’application linéaire
f : Kp → E en posant pour i ∈ [[1 , p]], f (u i ) = x i , alors : P B,S = mat ( f ).
B 0 ,B
2. Dans le cas où p = n : on a S = (x 1 , . . . , x n ), soit u ∈ L (E ) défini par ; ∀i ∈ [[1 , p]], u(e i ) = x i , on a
alors : P B,S = mat( f ).
B

Proposition 13 (caractérisation des bases) –

Soit B = (e 1 , . . . , e n ) une base de E et soit B 0 = (x 1 , . . . , x n ) une famille de n vecteurs de E . alors B 0 est une
base de E ssi la matrice de passage de B à B 0 est inversible ,i.e. P B,B 0 ∈ GLn (K).

Preuve – Cela découle directement de la deuxième interprétation. 

Interprétation de la matrice de passage entre deux bases : Soient B et B 0 deux bases de E , en considé-
rant l’application IdE : (E , B 0 ) → (E , B) avec B 0 comme base au départ et B comme base à l’arrivée, on
a la relation : P B,B 0 = mat (IdE ).
B 0 ,B

Proposition 14 (application) –
¤−1
Soient B, B 0 , B 00 trois bases de E , on a : P B 0 ,B = P B,B 0 et P B,B 00 = P B,B 0 × P B 0 ,B 00 .
£

· ¸−1
¤−1
Preuve – on a P mat (Id−1 = P B,B 0 car Id−1
£
B 0 ,B = mat (IdE ) = E ) E = IdE , ce qui prouve le premier point.
B ,B
0 B 0 ,B
Pour le second, on considère la composition : IdE ◦ IdE : (E , B 00 ) → (E , B 0 ) → (E , B), ce qui donne mat (IdE ) =
00 B ,B
mat (IdE ) × mat (IdE ), c’est-à-dire P B,B 00 = P B,B 0 × P B 0 ,B 00 . 
B ,B
0 B ,B
00 0

4.2 Formules du changement de bases

Soient B et B 0 deux bases de E , pour tout vecteur x ∈ E on peut calculer ses coordonnées dans la
base B : X = CoordB (x), ou bien ses coordonnées dans la base B 0 : X 0 = CoordB 0 (x), on cherche le lien
entre X et X 0 .
Considérons l’identité : IdE : (E , B 0 ) → (E , B), on sait que mat (IdE ) = P B,B 0 , mais on a IdE (x) = x, d’où
B 0 ,B
CoordB (IdE (x)) = P B,B 0 ×CoordB 0 (x), ce qui donne la relation : X = P B,B 0 ×X 0 , et donc X 0 = P B 0 ,B ×X =
¤−1
P B,B 0
£
× X , on peut donc énoncer :

Page 13/24
IPGEI – MPSI M ATRICES A NNÉE : 2019-2020

Proposition 15 –
Soient B et B 0 deux bases de E , soit x ∈ E , on pose : X = CoordB (x) et X 0 = CoordB 0 (x), on a les formules
suivantes : X = P B,B 0 × X 0 , et donc X 0 = P B 0 ,B × X .

Preuve – Soit B la base canonique de K3 [X ], on pose B 0 = (1 , X , X (X − 1) , X (X − 1)(X − 2)), montrer que B 0 est
une, base de K3 [X ] et pour P ∈ K3 [X ] calculer CoordB 0 (P ). 

4.3 Changement de bases et applications linéaires

Soient E et F deux K-espaces vectoriels, soit B1 une base de E et soit B2 une base de F . Si u ∈
L (E , F ) on peut calculer A = mat (u). Si on prend une autre base dans E : B10 et une autre base dans F ,
B1 ,B2
B20 , alors on peut calculer A 0 = mat (u), on cherche le lien entre ces deux matrices.
B10 ,B20
Soit x ∈ E et y = u(x), on pose X = CoordB1 (x), Y = CoordB2 (u(x)), X 0 = CoordB 0 (x) et Y 0 = CoordB 0 (u(x)).
1 2
On a la relation Y = A × X = A × P B1 ,B 0 × X 0 , d’autre part Y 0 = P B 0 ,B2 × X 0 , d’où finalement Y 0 =
1 2
P B 0 ,B2 × A × P B1 ,B 0 × X 0 , c’est à dire Y 0 = P B
−1
,B 0
× A × P B1 ,B 0 × X 0 , mais de plus Y 0 = A 0 × X 0 , l’éga-
2 1 2 2 1
lité ayant lieu pour toute colonne X 0 , on a : A 0 = P B
−1
,B 0
× A × P B1 ,B 0 , on peut donc énoncer :
2 2 1

Proposition 16 (effet d’un changement de bases sur la matrice d’une application linéaire) –
Soient B1 , B10 deux bases de E et P = P B1 ,B 0 la matrice de passage, soient B2 , B20 deux bases de E et
1
Q = P B2 ,B 0 la matrice de passage, soit u ∈ L (E , F ), on pose A = mat (u) et A 0 = mat (u). On alors la
2 B1 ,B2 B10 ,B20
0 −1
relation : A = Q × A ×P.

Proposition 17 (cas des endomorphismes) –

Soient B, B 0 deux bases de E et P = P B,B 0 la matrice de passage, soit u ∈ L (E ), on pose A = mat(u) et
B
A 0 = mat(u). On alors la relation : A 0 = P −1 × A × P .
B0

Preuve – Cela découle du théorème précédent, puisque l’on a Q = P . 

à !
2 −1
Exercice 8 – Soit B = (i , j ) la base canonique de K2 et soit u ∈ L (K2 ) défini par mat(u) = . On
B −1 2
pose e 1 = (1 , 1) et e 2 = (1 − 1), montrer que B 0 = (e 1 , e 2 ) est une base de K2 , et calculer la matrice de u
dans la base B 0 . En déduire l’expression de u n (x , y).

Définition 12 –
Soient A, B ∈ Mn (K), on dit que les matrices A et B sont semblables si et seulement si il existe une
matrice carrée inversible P ∈ GLn (K) telle que A = P −1 × B × P .

Remarques –
1. Les matrices d’un endomorphisme dans deux bases sont semblables.

2. Deux matrices sont semblables lorsque ce sont deux matrices d’un même endomorphisme ex-
primées dans deux bases (P étant la matrice de passage).

3. La relation « ... est semblable à ... » est une relation d’équivalence dans Mn (K).

Page 14/24
IPGEI – MPSI M ATRICES A NNÉE : 2019-2020

4.4 Trace d’un endomorphisme

Proposition 18 –
Soient A, B ∈ Mn (K), on a la propriété : tr(A × B ) = tr(B × A).
à ! à !
n
X n
X n
X n
X n
X n
X
Preuve – On a tr(A × B ) = [A × B ]i ,i = A i ,k B k,i , ce qui donne tr(A × B ) = B k,i A i ,k = [B ×
i =1 i =1 k=1 k=1 i =1 k=1
A]k,k = tr(B × A). 

Proposition 19 (conséquence) –
Si A ∈ Mn (K) et si P ∈ GLn (K), alors tr(A) = tr(P −1 × A × P ).

Soit E un espace vectoriel de dimension n, soient B et B 0 deux bases de E , et soit u ∈ L (E ), on note

A = mat(u) et A 0 = mat(u), on sait alors que A 0 = P −1 × A × P avec P = P B,B 0 la matrice de passage,
B B0
d’après le théorème précédent, on peut affirmer que tr(A) = tr(A 0 ).
Définition 13 –
Soit u ∈ L (E ) et soit B une base de E , on appelle trace de l’endomorphisme u le scalaire noté tr(u) et
µ ¶
défini par tr(u) = tr mat(u) , ce scalaire est indépendant de la base B choisie.
B

Proposition 20 –
L’application trace, tr : L (E ) → K, est une forme linéaire non nulle sur L (E ), qui vérifie :

∀u, v ∈ L (E ), tr(u ◦ v) = tr(v ◦ u).

µ ¶
Preuve – Soit B une base de E , soit A = mat(u) et B = mat(v), on a par définition, tr(u + v) = tr mat(u + v) =
µ ¶ µ ¶ B B B

tr mat(u) + tr mat(v) = tr(u) + tr(v). De la même façon, on montre que tr(λu) = λtr(u) avec λ ∈ K. On a donc
B B
une
µ forme linéaire
¶ µsur L (E
¶ ), celle-ci
µ ¶ non nulle, car tr(IdE ) = tr(In ) = n = dim(E ) ≥ 1. D’autre part : tr(u ◦ v) =
est
tr mat(u ◦ v) = tr mat(u) × tr mat(v) = tr(u) × tr(v). 
B B B

Exercice 9 – Soit E un espace vectoriel de dimension n, et soit p ∈ L (E ) un projecteur, montrer que

tr(p) = rg(p).

5 Opérations élémentaires

5.1 Rang d’une matrice

Définition 14 –
Soit A ∈ Mn (K) une matrice, on appelle rang de la matrice A, le rang dans Kn de la famille constituée
par ses p vecteurs colonnes, notation : rg(A) = rg(C 1 (A), . . . ,C p (A)).

Proposition 21 –
Soit u ∈ L (E , F ) soit B une base de E , soit B 0 une base de F , et soit A = mat (u), alors rg(u) = rg(A).
B,B 0

Preuve – Soit B = (e 1 , . . . , e p ), B 0 = (e 10 , . . . , e n0 ) et soit B 00 = (e 100 , . . . , e n00 ) la base canonique de Kn . Soit v ∈ L (F , Kn )

défini par : ∀i ∈ [[1 , n]], v(e i0 ) = e i00 , alors v est bijective (transforme une base en une base), donc rg(u) = rg(v ◦ u) =
n
A k, j e k00 = C j (A), donc rg(u) = rg(A) d’après la définition précédente. 
X
rg(v(u(e 1 )), . . . , v(u(e p ))) ; or v(u(e j )) =
k=1

Page 15/24
IPGEI – MPSI M ATRICES A NNÉE : 2019-2020

Proposition 22 (conséquence) –
Soit E un espace vectoriel de dimension n, soit S = (x 1 , . . . , x p ) une famille de p vecteurs de E et soit B
une base de E , alors le rang de la famille S est égal au rang de la matrice de cette famille dans la base B.

Preuve – Posons B = (e 1 , . . . , e n ), soit B 0 = (e 10 , . . . , e p0 ) la base canonique de Kp , soit u ∈ L (Kp , E ) l’application

linéaire définie par : ∀i ∈ [[1 , p]], u(e i0 ) = x i , alors A = mat0 (u) est la matrice de la famille S dans la base B, or
B,B
rg(A) = rg(u) = rg(x 1 , . . . , x p ), ce qui donne le résultat. 

Remarques –
Calculer le rang d’une application linéaire, ou d’une famille de vecteurs, revient à calculer le rang d’une
matrice.

5.2 Propriétés du rang d’une matrice

Les propriétés suivantes découlent de celles du rang des applications linéaires.

1. Soit f ∈ L (E , F ), soit B une base de E avec dim(E ) = p, soit B 0 une base de F avec dim(F ) = n,
et soit A = mat (u) ∈ Mn,p (K), on a :
B,B 0
(a) rg(A) ≤ min(n , p).

(b) rg(A) = n ⇐⇒ f est surjective.

(c) rg(A) = p ⇐⇒ f est injective.

2. Si A ∈ Mn (K), alors A ∈ GLn (K) ⇐⇒ rg(A) = n.

3. Si A ∈ Mn,p (K), B ∈ Mp,q (K), alors rg(A × B ) ≤ min(rg(A) , rg(B )).

4. Si A ∈ GLn (K), B ∈ Mn,p (K), alors rg(A × B ) = rg(B ).

5. Si A ∈ Mn,p (K), B ∈ GLp (K), alors rg(A × B ) = rg(A).

Proposition 23 –
Soit A ∈ Mn,p (K), alors : rg(A) = r ⇐⇒ ∃U ∈ GLn (K), ∃V ∈ GLp (K), U AV = J n,p,r .

Preuve – Si U et V existent alors rg(A) = rg(U AV ) = rg(J n,p,r ) = r .

Réciproquement, si rg(A) = r , soit B la base canonique de Kp , soit B1 la base canonique de Kn , et soit u ∈
L (Kp , Kn ) défini par mat (u) = A (u est l’application linéaire canoniquement associée à A), on a rg(u) = rg(A) = r ,
B,B1
on sait alors qu’il existe une base B 0 de de Kp et une bases B10 de Kn telles que mat0 (u) = J n,p,r , soit P = P B,B 0 et
B 0 ,B1
−1
Q = P B1 ,B10 , d’après les formules de changement de bases, on a J n,p,r = Q × A × P , ce qui termine la preuve, en
−1
prenant U = Q et V = P . 

Exercice 10 – Montrer qu’une matrice A ∈ Mn,p (K) et sa transposée ont le même rang.

5.3 Opérations élémentaires

Définition 15 –
Soit A ∈ Mn,p (K), on appelle opérations élémentaires sur A les opérations suivantes :
— Permuter deux lignes de A (ou deux colonnes), notation : L i ↔ L j (respectivement C i ↔ C j ).

Page 16/24
IPGEI – MPSI M ATRICES A NNÉE : 2019-2020

— Multiplier une ligne (ou une colonne) par un scalaire non nul, notation : L i ← αL i (respective-
ment C i ← αC i ).
— Ajouter à une ligne (ou une colonne) un multiple d’une autre ligne (respectivement une autre
colonne), notation : L i ← L i + αL j , avec i 6= j (respectivement C i ← C i + αC j )).

Proposition 24 –
Effectuer une opération élémentaire sur une matrice A ∈ Mn,p (K) revient à multiplier A à gauche par
une matrice inversible pour les opérations sur les lignes (à droite pour une opération sur les colonnes).

Preuve – On désigne par L i (A) la ligne i de A sous forme d’une matrice ligne.
Pour l’opération L i ↔ L j (avec i 6= j ) : soit P i , j ∈ Mn (K) la matrice obtenue en effectuant cette opération sur
la matrice In , alors P i , j × A est la matrice que l’on obtient en effectuant l’opération L i ↔ L j dans A, en effet :
si k ∉ {i , j }, alors L k (P i , j × A) = L k (P i , j ) × A = L k (In ) × A = L k (A), si k = i , alors L i (P i , j × A) = L i (P i , j ) × A =
L j (In ) × A = L j (A), de même L j (P i , j × A) = L i (A). De plus, par définition même, P i , j × P i , j = In , donc P i , j est
inversible et P i−1
, j = Pi , j .
Pour l’opération L i ← αL i , avec α ∈ K∗ : soit D i (α) ∈ Mn (K) la matrice obtenue en effectuant cette opération sur
In , alors D i (α)× A est la matrice que l’on obtient en effectuant cette même opération sur A, en effet : si k 6= i , alors
L k (D i (α)× A) = L k (D i (α))× A = L k (In )× A = L k (A), et L i (D i (α)× A) = L i (D i (α))× A = α·L i (In )× A = α·L i (A).
De plus, il est clair que D i (α) × D i (1/α) = In , donc cette matrice est inversible et D i (α)−1 = D i (1/α).
Pour l’opération L i ← L i + αL j , avec i 6= j et α ∈ K : soit Ti , j (α) ∈ Mn (K) la matrice obtenue en effectuant cette
opération sur la matrice In , alors Ti , j (α)× A est la matrice que l’on obtient en effectuant cette même opération sur
A, en effet : si k 6= i , alors L k (Ti , j (α)× A) = L k (Ti , j (α))× A = L k (In )× A = L k (A), et L i (Ti , j (α)× A) = L i (Ti , j (α))×
A = (L i (In )+α·L j (In ))× A = L i (A)+α·L j (A). De plus, il est clair que D i (Ti , j )×Ti , j (−α) = In , donc cette matrice
est inversible et Ti , j (α)−1 = Ti , j (−α). 

Proposition 25 –
Les opérations élémentaires conservent le rang de la matrice.

Preuve – Découle directement des propriétés du rang et du théorème précédent. 

5.4 Calcul pratique du rang d’une matrice

Définition 16 –
Soient A, B ∈ Mn,p (K), on dit que A et B sont équivalentes lorqu’il existe Q ∈ GLn (K) et P ∈ GLp (K) telles
que B = Q AP .

Remarques –
— On définit ainsi une relation d’équivalence dans Mn,p (K).
— Deux matrices équivalentes ont le même rang.
— Une opération élémentaire donne une matrice équivalente.
— Deux matrices carrées semblables sont équivalentes.
— A ∈ Mn,p (K) a un rang égal à r si et seulement si A est équivalente à J n,p,r .

Proposition 26 –
Deux matrices sont équivalentes si et seulement si elles ont le même rang.

Page 17/24
IPGEI – MPSI M ATRICES A NNÉE : 2019-2020

Preuve – Celle-ci est simple et laissée en exercice. 

 
p1 ∗ ··· ··· ··· ∗

.. .. .. 
0 . . .
 
Proposition 27 –  ..

..

. p r ∗ · · · ∗

 .
Si A ∈ Mn,p (K) est équivalente à B = 
 ..
, avec p 1 × · · · × p r 6= 0, alors rg(A) = r .

 . 0 0 · · · 0
 
 . .. .. .. 
 .. . . .
 
0 ··· 0 0 ··· 0

Preuve – Le rang de B est le rang de ses vecteurs lignes, d’où rg(B ) = rg(L 1 (B ), . . . , L r (B )) = r , or A est équivalente
à B donc rg(A) = rg(B ) = r . 

La méthode :
Celle-ci consiste à transformer la matrice A en la matrice B ci-dessus à l’aide des opérations élémen-
taires sur les lignes ou les colonnes (méthode de Gauss), à chaque étape, la matrice obtenue a le même
rang que A, plus précisément, à chaque étape la nouvelle matrice s’écrit sous la forme Uk × A × Vk avec
Uk ,Vk inversibles.
À l’étape n° k, le principe est le suivant :

1. On choisit un pivot (i.e. un coefficient non nul) dans les lignes L k à L n et dans les colonnes C k à
Cp .

2. On amène le pivot à sa place, c’est à dire sur la ligne L k dans la colonne C k en échangeant éven-
tuellement deux lignes et/ou deux colonnes.

3. On fait des éliminations en dessous du pivot pour faire apparaître des 0, avec les opérations du
type : L i ← L i + αL k .
 
3 1 1
 
Exemples. Soit A =  1 0 2 .
−1 2 −12
Étape 1 : premier pivot : 1 (ligne L 1 colonne C 2 )
 
1 3 1
 
C1 ↔ C2 et L 3 ← L 3 − 2L 1 donnent 0
 1
2 .
0 −7 −14

Étape 2 : premier pivot : 1 (ligne L 2 colonne C 2 )

 
1 3 1
 
L 3 ← L 3 + 7L 2 donne 0
 1 .
2
0 0 0

Étape 3 : pas de troisième pivot.

Donc rg(A) = 2.

Page 18/24
IPGEI – MPSI M ATRICES A NNÉE : 2019-2020

Exercice 11 – Avec la matrice A précédente, déduire de la méthode deux matrices inversibles U et V

telles que U AV = J 3,3,2 .

Exemples. (Variante) Il peut être parfois avantageux de n’effectuer que des transformations sur les co-
lonnes, les éliminations se font alors à droite du pivot avec les opérations du type C i ← C i +αC k (à l’étape
k). Voici quel peut être l’intérêt : Soit B = (i , j , k) une base de E et soit u ∈ L (E ) défini par mat(u) = A (la
B
matrice précédente), calculons le rang de A (donc le rang de u) en faisant uniquement des opérations
sur les colonnes :
Étape 1 : premier pivot : 1 (ligne L 1 colonne C 2 )
 
1 3 1
 
C1 ↔ C2 donne 0
 1 2 .
2 −1 −12

La matrice obtenue est la matrice dans la base B de la famille (u( j ) , u(i ) , u(k)).
 
1 0 0
 
C 2 ← C 2 − 3C 1 et C 3 ← C 3 −C 1 donnent 0
 1 2 .
2 −7 −14

La matrice obtenue est la matrice dans la base B de la famille (u( j ) , u(i − 3 j ) , u(k − j )).
Étape 2 : deuxième pivot : 1 (ligne L 1 colonne C 2 )
 
1 0 0
 
C 3 ← C 3 − 2C 2 donne 0
 1 .
0
2 −7 0

La matrice obtenue est la matrice dans la base B de la famille (u( j ) , u(i − 3 j ) , u(k + 5 j − 2i )).
On en déduit que le rang de u est égal à 2 et Im(u) = Vect[(u( j ) , u(i − 3 j ))] = Vect[(u( j ) , u(i ))]. Le théo-
rème du rang permet d’en déduire que dim(Ker(u) = 3 − 2 = 1, or −2i + 5 j + k est dans Ker(u) et non nul,
donc Ker(u) = Vect[−2i + 5 j + k].

5.5 Calcul pratique de l’inverse d’une matrice

Soit A ∈ Mn (K), supposons qu’en r opérations sur les lignes de A on obtienne la matrice In , on a
alors une relation du type G r ×· · ·×G 1 × A = In , où G i est la matrice correspondant à l’opération numéro
i . On peut alors en déduire que la matrice A est inversible et que son inverse est A −1 = G r ×· · ·×G 1 , pour
obtenir cette matrice, il suffit d’effectuer les mêmes opérations (dans le même ordre) sur la matrice In
en même temps que sur A. La méthode consiste donc à écrire la matrice A suivie de la matrice In :

A In
a 1,1 · · · a 1,n 1 ··· O
.. .. ..
. . .
a n,1 · · · a n,n O ··· 1

Page 19/24
IPGEI – MPSI M ATRICES A NNÉE : 2019-2020

Les opérations sont effectuées sur toute la longueur de chaque ligne. L’objectif est d’obtenir la matrice
In à la place de A, alors on pourra conclure que A est inversible, et là où il y avait In on aura A −1 , on
utilise la méthode de Gauss-Jordan :
À l’étape k :
— On choisit un pivot (i.e. un coefficient non nul) dans les lignes L k , . . . , L n et dans la colonne C k .
— On amène le pivot à sa place : ligne L k (en échangeant éventuellement deux lignes).
— On fait les éliminations (pour faire apparaître des zéros) en dessous et au-dessus du pivot avec
les opérations : L i ← L i + αL k .

Il y a donc au plus n étapes.

Il y a deux cas possibles au cours du processus :

1. Si à chaque étape on peut trouver un pivot, alors après l’étape n, il ne reste plus qu’à diviser
chaque ligne par le pivot correspondant pour obtenir la matrice In : c’est le cas où la matrice A
est inversible.
2. Si au cours de l’étape k on ne peut pas trouver de pivot dans la colonne C k et dans les lignes
L k , . . . , L n , alors on est dans la situation suivante, à l’issue de l’étape k − 1 :
p1 0 0 ∗ ∗ ∗ ∗ ··· ··· ∗
.. .. .. .. .. ..
0 . 0 . . . . .
.. .. ..
. p k−1 ∗ ∗ ∗ . .
.. .. ..
. 0 0 ∗ ∗ . .
.. .. .. .. .. .. ..
. . . . . . .
0 ··· 0 0 ∗ ∗ ∗ ··· ··· ∗
p 1 , . . . , p k−1 désignent les pivots des k − 1 étapes précédentes, ces pivots étant non nuls, il est
facile de voir qu’avec des opérations sur les colonnes, on peut faire apparaître des zéros dans
la colonne k sur les lignes L k , . . . , L n , sans changer les coefficients des lignes L k , . . . , L n de cette
même colonne. La matrice ainsi obtenue possède une colonne nulle, donc son rang est inférieur
ou égal à n − 1, or cette matrice a le même rang que A, donc nous sommes dans le cas où A est
non inversible.
 
2 4 2 2 4 2 1 0 0
 
Exemples. Soit A = 0 1 1 , appliquons la méthode de Gauss-Jordan : 0 1 1
  0 1 0 .
2 2 −1 2 2 −1 0 0 1
Étape 1 : pivot p 1 = 2, ligne L 1 colonne C 1 , éliminations : L 3 ← L 3 − L 1 , ce qui donne :

2 4 2 1 0 0
0 1 1 0 1 0
0 −2 −3 −1 0 1

Étape 2 : pivot p 2 = 1, ligne L 2 colonne C 2 , éliminations : L 1 ← L 1 − 4L 2 et L 3 ← L 3 + 2L 2 , ce qui donne :

2 0 −2 1 −4 0
0 1 1 0 1 0
0 0 −1 −1 2 1

Page 20/24
IPGEI – MPSI M ATRICES A NNÉE : 2019-2020

Étape 3 : pivot p 3 = −1, ligne L 3 colonne C 3 , éliminations : L 1 ← L 1 − 2L 3 et L 2 ← L 2 + L 3 , ce qui donne :

2 0 0 3 −8 −2
0 1 0 −1 3 1
0 0 −1 −1 2 1

3
 
 2 −4 −1
−1
En conclusion, la matrice A est inversible et son inverse est : A = −1 3 .
 
 1
1 −2 −1

6 Matrices par blocs, matrices extraites

6.1 Matrices par blocs

Soit U ∈ Mn,p (K), alors on peut découper la matrice U en quatre (par exemple) blocs de la manière
suivante :  
u 1,1 · · · u 1,r u 1,r +1 · · · u 1,p
 .. .. .. .. 
. . . .
 
 
 
 u
q,1 · · · u q,r u q,r +1 · · · u q,p 
U =
 

 u q+1,1 · · · u q+1,r u q+1,r +1 · · · u q+1,p 
 
 .. .. .. .. 

 . . . . 

u n,1 · · · u n,r u n,r +1
u n,p ···
à !
A B
ce que l’on peut écrire plus simplement sous la forme U = ∈ Mn,p (K), avec les blocs A ∈
C D
Mq,r (K), B ∈ Mq,p−r (K), C ∈ Mn−q,r (K) et D ∈ Mn−q,p−r (K), et les correspondances suivantes :

1. A i , j = Ui , j pour i ∈ [[1 , q]] et j ∈ [[1 , r ]] ;

2. B i , j = Ui ,r + j pour i ∈ [[1 , q]] et j ∈ [[1 , p − r ]] (attention au décalage sur les colonnes !) ;

3. C i , j = U q+i , j pour i ∈ [[1 , n − q]] et j ∈ [[1 , r ]] (attention au décalage sur les lignes !) ;

4. D i , j = U q+i ,r + j pour i ∈ [[1 , n − q]] et j ∈ [[1 , p − r ]] (attention au décalage sur les lignes et les
colonnes !) ;

Bien entendu on peut faire moins ou bien plus de quatre blocs. Voici plusieurs cas particuliers :
³ ´
Exemples. 1. U = C 1 (U ) · · · C p (U ) , c’est à dire une ligne de blocs et p colonnes, dans ce cas
les blocs sont les matrices colonnes de U ;
 
L 1 (U )
 .. 
2. U =  . , c’est à dire n lignes de blocs et une colonne, dans ce cas les blocs sont les matrices

L n (U )
lignes de U ;

Page 21/24
IPGEI – MPSI M ATRICES A NNÉE : 2019-2020

 
A1 (0) ··· (0)
.. ..
 
.

A2

 (0)  .
3. Matrices diagonales par blocs, ce sont des matrices carrées de la forme A = 
 .. ..
,
 ..
 . . (0)  .
 
(0) · · · (0) A n
 
1 2 0
 
où les matrices A i sont carrées (par forcément de même taille). Par exemple A =  −1 3 0 est

0 0 1
diagonale par blocs.
 
A ∗ ··· ∗
 1
.. .. 

.

 (0) A2 . 
4. Matrices triangulaires par blocs, ce sont des matrices carrées de la forme A = 
 .. . .
,
 . . . . . ∗ 

 
(0) · · · (0) A n
 
1 2 5
 
où les matrices A i sont carrées (par forcément de même taille). Par exemple A =  −1 3 2  est

0 0 1
triangulaire par blocs.

PropositionÃ28 (produit
! par blocs) – Ã !
A B A0 B 0
Soient U = ∈ Mn,p (K), V = ∈ Mp,m (K), avec A ∈ Mq,r (K), B ∈ Mq,p−r (K), C ∈
C D C 0 D0
Mn−q,r (K), D ∈ Mn−q,p−r (K), A 0 ∈ Mr,s (K), B 0 ∈ Mr,m−s (K), C 0 ∈ Mp−r,s (K), D 0 ∈ Mp−r,m−s (K), alors :
à ! à ! à !
A B A0 B0 A A 0 + BC 0 AB 0 + B D 0
U ×V = × = .
C D C 0 D0 C A 0 + DC 0 C B 0 + DD 0

Preuve – On vérifie que U est bien de taille (n , p) et V de taille (p , m), donc le produit W = U × V est défini et de
p
X
taille (n , m). Calculons les coefficients w i , j = u i ,k v k, j , dans les différents « quarts » :
k=1
1. Premier « quart » (i ∈ [[1 , q]] et j ∈ [[1 , s]]) :
r p p−r
a i ,k a 0 k, j + b i ,k−r c 0 k − r, j = [A A 0 ]i , j + b i ,k c 0 k, j = [A A 0 ]i , j + [BC 0 ]i , j = [A A 0 + BC 0 ]i , j .
X X X
wi , j =
k=1 k=r +1 k=1

2. Deuxième « quart » (i ∈ [[1 , q]] et j ∈ [[1 , m − s]]) :

r p p−r
a i ,k b 0 k, j + b i ,k−r d 0 k − r, j = [AB 0 ]i , j + b i ,k d 0 k, j = [AB 0 ]i , j + [B D 0 ]i , j = [AB 0 + B D 0 ]i , j .
X X X
w i , j +s =
k=1 k=r +1 k=1

3. Troisième « quart » (i ∈ [[1 , n − q]] et j ∈ [[1 , s]]) :

r p p−r
c i ,k a 0 k, j + d i ,k−r c 0 k − r, j = [C A 0 ]i , j + d i ,k c 0 k, j = [C A 0 ]i , j + [DC 0 ]i , j = [C A 0 + DC 0 ]i , j .
X X X
w i +q, j =
k=1 k=r +1 k=1

4. Quatrième « quart » (i ∈ [[1 , n − q]] et j ∈ [[1 , m − s]]) :

r p p−r
c i ,k b 0 k, j + d i ,k−r d 0 k − r, j = [C B 0 ]i , j + d i ,k d 0 k, j = [C B 0 ]i , j +[DD 0 ]i , j = [C B 0 +DD 0 ]i , j .
X X X
w i +q, j +s =
k=1 k=r +1 k=1

ce qui prouve la formule. 

Page 22/24
IPGEI – MPSI M ATRICES A NNÉE : 2019-2020

Remarques –
— Cette formule n’est valable qu’à certaines conditions. Le nombre de colonnes de blocs de la ma-
trice de gauche doit correspondre au nombre de lignes de blocs de la matrice de droite, mais il y a
aussi des conditions sur les tailles des différents blocs (la largeur de la colonne de blocs numéro j
de la matrice de gauche, doit être égale à la hauteur de ligne de blocs numéro j de celle de droite,
on dit qu’ils doivent être compatibles). C’est la première chose à vérifier avant de faire un produit
par blocs.
— La formule a été donnée avec 4 blocs, mais elle est évidemment plus générale. Le résultat a autant
de lignes de blocs que la matrice de gauche, et autant de colonnes de blocs que la matrice de
droite (sous réserve de compatibilité).

Applications :
— Si A est une matrice diagonale par blocs, alors ∀p ∈ N, A p s’obtient en élevant tous les blocs
diagonaux à la puissance p.
— Si A est une matrice diagonale par blocs, alors A est inversible si et seulement si tous les blocs
diagonaux sont inversibles, auquel cas la matrice inverse s’obtient en inversant chaque bloc de
la diagonale.
— Si A est une matrice triangulaire par blocs, alors A est inversible si et seulement si tous les blocs
diagonaux sont inversibles.

Exercice 12 – Démontrer ces trois applications.

 
1 2 0 Ã !
  1 2
Exemples. Soit A =  −1 3 0, cette matrice est diagonale par blocs. Le bloc
 est inversible est
−1 3
0 0 2
à !
1 3 −2
µ ¶
1
son inverse est , le deuxième bloc (2) est inversible lui aussi d’inverse , donc A est inversible
5 1 1 2
 
3 −2 0
1 
et son inverse est A −1 = 1 1 0 .
 
5 5
0 0
2

6.2 Matrices extraites

Définition 17 –
Soit A ∈ Mn,p (K), soient r entier strictement positif et inférieur ou égal à n et q entier strictement positif
et inférieur ou égal à p, soient i 1 < i 2 < · · · < i r des entiers de l’intervalle [[1 , n]], et j 1 < j 2 < · · · < j q
des entiers de l’intervalle [[1 , p]], la matrice M ∈ Mr,q (K) définie par m k,l = a i k , j l est dite matrice carrée
extraite de A.
 
1 2 3 4 Ã !
  1 2 4
Exemples. Soit A =  5 6 7 8 , alors la matrice M =
 est une matrice extraite de A en
9 10 12
9 10 11 12
prenant les lignes 1 et 3, et les colonnes 1, 2 et 4.

Page 23/24
IPGEI – MPSI M ATRICES A NNÉE : 2019-2020

Lemme 1 –
Si A ∈ Mn,p (K) et si M ∈ Mr (K) est une matrice carrée inversible extraite de A et de taille r , alors rg(A) ≥
r.

Preuve – Notons 1 ≤ j 1 < j 2 < · · · < j r ≤ p les numéros des colonnes qui ont été extraites de A. Si les colonnes
C j 1 (A), . . . ,C j r (A) étaient liées, alors les colonnes de la matrice extraite M serait liées (avec les mêmes coefficients),
et donc la matrice M ne serait pas de rang r ce qui est absurde car elle est inversible, on en déduit que les colonnes
C j 1 (A), . . . ,C j r (A) forment une famille libre, et donc rg(A) ≥ r . 

Lemme 2 –
Si A ∈ Mn,p (K) est de rang r alors toute matrice carrée inversible extraite de A a une taille inférieure ou
égale à r . Et il existe une matrice carrée extraite de A qui est inversible et de taille r .

Preuve – D’après le premier lemme, si une matrice carrée inversible extraite de A a une taille égale à t , alors on a
t ≤ rg(A) = r .
Le rang de la matrice A est le rang de ses colonnes, celui vaut r , donc il existe des entiers 1 ≤ j 1 < j 2 < · · · < j r ≤ p
tels que la famille (C j 1 (A), . . . ,C j r (A)) est libre dans Mn,1 (K).
Considérons la matrice B obtenue en ne prenant que les colonnes C j 1 (A), . . . ,C j r (A), le rang de cette matrice est
r , or son rang est aussi le rang de ses vecteurs lignes, il existe donc des entiers 1 ≤ i 1 < i 2 < · · · < i r ≤ n tels que les
lignes L i 1 (B ), . . . L i r (B ) forment une famille libre, par conséquent la matrice carrée extraite M ∈ Mr (K) définie par
m k,l = a i k , j l est inversible (car de rang r ). 

Ceci permet d’énoncer le théorème suivant :

Proposition 29 –
Le rang d’une matrice est la taille maximale de ses matrices carrées extraites inversibles.

Page 24/24