Quinze méthodes pour calculer l’inverse d’une matrice

David Pigeon∗

30 janvier 2025

Mots clés : matices, inversion, opérations élémentaires, pivot de Gauss, décomposition LU , comatrice, co-
facteurs, déterminant, Cayley-Hamilton, polynôme caractéristique, décomposition QR, décomposition Cholesky,
décomposition de Schur, matrices d’Householder, décomposition polaire, rotations de Givens.

Résumé
On donne sur un exemple quinze méthodes simples pour calculer l’inverse d’une matrices : par la formule
avec la comatrice, par les décompositions P LU et LU , par le pivot de Gauss, en faisant des opérations sur les
lignes, en faisant des opérations sur les colonnes, en utilisant le théorème de Cayley-Hamilton et une formule
déduite de ce théorème, en utilisant la diagonalisation, et en utilisant les décomposition de Schur, de Cholesky,
QR et polaire.

Table des matières

1 Comatrice 7
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2 Décompositions P LU et LU 11
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Exemple de décomposition en matrices éléméntaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

3 Pivot de Gauss 19
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

4 Opération sur les lignes 22

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.3 Produit des matrices associées aux opérations élémentaires . . . . . . . . . . . . . . . . . . . . . . . . . 23

5 Opération sur les colonnes 25

5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
5.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
5.3 Produit des matrices associées aux opérations élémentaires . . . . . . . . . . . . . . . . . . . . . . . . . 27

6 Théorème de Cayley-Hamilton 29
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
6.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
∗
[Link]

1
Table des matières

7 Formule déduite du théorème de Cayley-Hamilton 33

7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
7.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

8 Diagonalisation et polynôme minimal 36

8.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
8.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

9 Diagonalisation et matrice de passage 43

9.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
9.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

10 Diagonalisation et matrice orthogonale 46

10.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
10.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

11 Décomposition de Schur 53
11.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
11.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

12 Décomposition de Cholesky 61
12.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
12.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

13 Décomposition QR et orthonormalisation de Gram-Schmidt 66

13.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
13.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

14 Décomposition RQ et matrices d’Householder 72

14.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
14.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

15 Décomposition polaire 77
15.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
15.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

A Matrices d’opérations 82
A.1 Groupes symétriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
A.2 Déterminant d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
A.3 Matrices de permutation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
A.4 Matrices d’opérations élémentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
A.5 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
A.6 Cas des matrices triangulaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94

B Opérations élémentaires sur les lignes 98

B.1 Les trois opérations élémentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
B.2 Un exemple simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99

C Opérations élémentaires sur les colonnes 100

C.1 Les trois opérations élémentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
C.2 Un exemple simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

2 David Pigeon - Mathématiques

Table des matières

D Rotations de Givens 102

D.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
D.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

Références 108

3 David Pigeon - Mathématiques

Table des matières

Introduction
Dans tout le texte, si rien n’est précisé, n et p sont des entiers naturels non nuls et R le corps de nombres réels.
On note :
● Mn,p (R) l’ensemble des matrices de taille (n, p) ;
● Mn (R) ∶= Mn,n (R) l’ensemble des matrices carrés de taille n.

Définition 0.0.1
Soit M ∈ Mn (R). On dit que M est inversible s’il existe N ∈ Mn (R) telle que :

M N = In ∧ N M = In .

On note GLn (R) le groupe linéaire des matrices inversibles de tailles n.

Si M est inversible alors la matrice N est unique, on a la note :

M −1 .

On peut montrer qu’une seule des deux égalités est utile car on a le théorème suivant.

Théorème 0.0.2
Soit M, N ∈ Mn (R). Supposons que M N = In . Alors on a N M = In .

Chaque section du texte comporte deux sous-sections. Une première sous-section théorique où on étudie le cas
en dimension n (pour une partie des résultats, on démontrera le ou les théorèmes dans le cas n ∶= 3) et une seconde
sous-section où on applique ces résultats à la matrice A qui suit.

La matrice A du texte
La matrice A à laquelle on applique les résultats théoriques pour le calcul de A−1 est la matrice :

⎛ 2 −2 1⎞
A ∶= ⎜ 2 −3 2⎟
⎝−1 2 0⎠

On va calculer l’inverse de A de quinze façons différentes 1 :

1 . en utilisant la comatrice ;
2 . en utilisant les décompositions P LU et LU ;
3 . en appliquant la méthode du pivot de Gauss ;
4 . en faisant des opérations élémentaires sur les lignes ;
5 . en faisant des opérations élémentaires sur les colonnes ;
6 . en utilisant le théorème de Cayley-Hamilton ;
7 . en utilisant une formule déduite du théorème de Cayley-Hamilton ;
1. On commence par les méthodes avec la comatrice et les décompositions P LU et LU car elles sont à la base de plusieurs preuves
qui suivront.

4 David Pigeon - Mathématiques

 Table des matières

8 . en diagonalisant et en utilisant le polynôme minimal ;

9 . en diagonalisant et en utilisant la matrice de passage ;
10 . en diagonalisant et en utilisant une matrice de passage orthogonale ;
11 . en utilisant la décomposition de Schur ;
12 . en utilisant la décomposition Cholesky ;
13 . en utilisant la décomposition QR avec la méthode de Gram-Schmidt ;
14 . en utilisant la décomposition RQ avec les matrices d’Householder ;
15 . en utilisant la décomposition polaire.
On obtiendra dans tous les cas que l’inverse de A vaut :

4 −2 1⎞
1⎛
A−1 = ⎜ 2 −1 2⎟ .
3⎝
−1 2 2⎠

Les méthodes utilisées dans le texte ne sont pas forcément des méthodes usuelles pour calculer l’inverse d’une
matrice. Les deux objectifs du texte sont :
(1) faire pratiquer sur un exemple simple des outils puissants et usuels d’algèbre linéaire ;
(2) faire découvrir de nouvelles techniques d’algèbre linéaire. Certaines méthodes seront lourdes en calcul. Elles
semblent inutiles car longues mais peuvent l’être suivant les informations que l’on possède avant le calcul de
l’inverse.

La fin du texte comporte quatre annexes :

A . sur les notions utiles d’algèbre linéaire : le déterminant et les matrices élémentaires ;
B . sur les opérations élémentaires sur les lignes ;
C . sur les opérations élémentaires sur les colonne ;
D . une dernière technique pour calculer la décomposition QR en utilisant les rotations de Givens.

On trouvera dans les livres de Denis Serre [2], de Roger A. Horn et Charles R. Johnson [1], et sur les pages
Wikipédia [3] des informations complémentaires à ce texte.

Inversibilité de A
On finit cette introduction avec l’inversibilité de la matrice A. On montre de deux façons différentes que A est
inversible (voir en annexe et dans le texte pour les notations utilisées). 2
(1) En exploitant le 0 sur la dernière ligne et comme le rang est invariant par les opérations sur les lignes et les
colonnes (voir les sections B et C pour les notations utilisées), on a directement que :

⎛ 2 −2 1⎞
rg(A) = rg ⎜ 2 −3 2⎟
⎝−1 2 0⎠

⎛ 2 −2 1⎞
= rg ⎜−2 1 0⎟ L2 Ð→ L2 − 2L1
⎝−1 2 0⎠

2. Chacune des méthodes que l’on verra dans ce texte peuvent-être aussi des méthodes pour montrer l’inversibilité : un calcul
possible ou un calcul qui se termine étant un critère d’inversibilité.

5 David Pigeon - Mathématiques

Table des matières

−2 1
= 1 + rg ( )
−1 2
=3

car les deux lignes de la matrice de taille 2 sont non colinéaires (donc forment une famille libre).
(2) En calculant le déterminant par rapport à la dernière colonne, on a :

2 −3 2 −2
det(A) = ∣ ∣ − 2∣ ∣
−1 2 −1 2
=1−4
= −3
≠0

6 David Pigeon - Mathématiques

1 Comatrice

1 Comatrice
On utilise dans cette section la formule usuelle reliant l’inverse d’une matrice et la transposée de la matrice des
cofacteurs appelée aussi comatrice (voir l’appendice A pour les informations nécessaires sur le groupe symétrique
et le déterminant).

1.1 Introduction
On rappelle la définition de la comatrice d’une matrice carrée.

Définition 1.1.1
Soit M ∈ Mn (R).
(i) Soit i, j ∈ {1, . . . , n}.
(a) Le mineur ∆i,j (M ) d’indice (i, j) de M est défini comme le déterminant de la matrice M à
laquelle on a enlevé la ligne i et la colonne j.
(b) Le cofacteur d’indice (i, j) de M est défini par :

(−1)i+j ∆i,j (M ).

(ii) La comatrice de M est la matrice des cofacteurs définie par :

Com(M ) ∶= ((−1)i+j ∆i,j (M ))i,j ∈ Mn (R).

On en déduit une méthode pour calculer l’inverse grâce au résultat usuel suivant.

Proposition 1.1.2

Soit M ∈ Mn (R). On a :
det(M )In = M Com(M )T = Com(M )T M.

Démonstration. On note M ∶= (mi,j )ij . Montrons une des deux égalités pour n ∶= 3. On a pour tous i, j ∈ {1, 2, 3} :
⎡ m11 m12 m13 ⎤
⎢⎛
⎢ ⎞ ⎛ ∆11 (M ) −∆21 (M ) ∆31 (M ) ⎞⎥⎥
[M Com(M ) ]ij = ⎢⎜m21 m22 m23 ⎟ ⎜−∆12 (M ) ∆22 (M ) −∆32 (M )⎟⎥
T
⎢⎝ ⎥
⎢ m31 m32 m33 ⎠ ⎝ ∆13 (M ) −∆23 (M ) ∆33 (M ) ⎠⎥
⎣ ⎦ij
3
= ∑ mik [Com(M )T ]kj
k=1
3
= ∑ mik [Com(M )]jk
k=1
3
= ∑ (−1)j+k mik ∆j,k (M )
k=1

On a deux cas.
(1) Cas i = j. Prenons par exemple i ∶= j ∶= 1. On a :

S3 = {Id, (12), (13), (23), (123) = (12)(23), (132) = (13)(32)}

7 David Pigeon - Mathématiques

1 Comatrice

=∶ {σ1 , σ2 , σ3 , σ4 , σ5 , σ6 }

et les signatures des six permutations valent :

ε (σ1 ) = 1 ε (σ2 ) = −1 ε (σ3 ) = −1

ε (σ4 ) = −1 ε (σ5 ) = 1 ε (σ6 ) = 1

On a :

[M Com(M )T ]11
3
= ∑ m1k (−1)1+k ∆1,k (M )
k=1
=m11 ∆1,1 (M ) − m12 ∆1,2 (M ) + m13 ∆1,3 (M )
m m23 m m23 m m22
=m11 ∣ 22 ∣ − m12 ∣ 21 ∣ + m13 ∣ 21 ∣
m32 m33 m31 m33 m31 m32
=m11 m22 m33 − m11 m23 m32 − m12 m21 m33 + m12 m23 m31 + m13 m21 m32 − m13 m22 m31
3 3 3
=ε (σ1 ) ∏ mi,σ1 (i) + ε (σ4 ) ∏ mi,σ4 (i) + ε (σ2 ) ∏ mi,σ2 (i)
i=1 i=1 i=1
3 3 3
ε (σ5 ) ∏ mi,σ5 (i) + ε (σ6 ) ∏ mi,σ6 (i) + ε (σ3 ) ∏ mi,σ3 (i)
i=1 i=1 i=1
6 3
= ∑ ε (σk ) ∏ mi,σk (i)
k=1 i=1
n
= ∑ ε(σ) ∏ mi,σ(i)
σ∈S3 i=1
= det(M )

(2) Cas i ≠ j. Prenons par exemple i ∶= 1 et j ∶= 2. On a :

[M Com(M )T ]12
3
= ∑ m1k (−1)2+k ∆2,k (M )
k=1
= − m11 ∆2,1 (M ) + m12 ∆2,2 (M ) − m13 ∆2,3 (M )
m m13 m m13 m m12
= − m11 ∣ 12 ∣ + m12 ∣ 11 ∣ − m13 ∣ 11 ∣
m32 m33 m31 m33 m31 m32
= − m11 m12 m33 + m11 m32 m13 + m12 m11 m33 − m12 m31 m13 − m13 m11 m32 + m13 m31 m12
=0

On en déduit alors une formule pour calculer l’inverse d’une matrice.

8 David Pigeon - Mathématiques

1 Comatrice

Corollaire 1.1.3
Soit A ∈ GLn (R). On a :
1
A−1 = Com(A)T .
det(A)

1.2 Exemple
Calculons l’inverse de :
⎛ 2 −2 1⎞
A ∶= ⎜ 2 −3 2⎟
⎝−1 2 0⎠
en utilisant la formule du corollaire :
1
A−1 = Com(A)T .
det(A)
● Comatrice de A. On a :

⎛ ∆11 (A) −∆12 (A) ∆13 (A) ⎞

Com(A) = ⎜−∆21 (A) ∆22 (A) −∆23 (A)⎟
⎝ ∆31 (A) −∆32 (A) ∆33 (A) ⎠

⎛ ∣−3 2
∣ −∣
2 2
∣ ∣
2 −3 ⎞
∣
⎜ 2 0 −1 0 −1 2 ⎟
⎜ ⎟
⎜ −2 1 2 1 2 −2 ⎟
=⎜
⎜− ∣ 2 ∣ ∣ ∣ −∣ ∣⎟
⎜ 0 −1 0 −1 2 ⎟ ⎟
⎜ ⎟
⎜ −2 1 2 1 2 −2 ⎟
⎝ ∣−3 2
∣ −∣
2 2
∣ ∣ ∣
2 −3 ⎠
⎛−4 −2 1 ⎞
=⎜2 1 −2⎟
⎝−1 −2 −2⎠

● Déterminant de A. On a :
RRR 2 −2 1RRR
RR RR
det(A) = RRRR 2 −3 2RRRR
RRR R
RR−1 2 0RRRR
−3 2 −2 1 −2 1
= 2∣ ∣ − 2∣ ∣−∣ ∣
2 0 2 0 −3 2
= −8 + 4 + 1
= −3

Ainsi on a :
1
A−1 = Com(A)T
det(A)
T
−4 −2 1 ⎞
1 ⎛
= ⎜2 1 −2⎟
−3 ⎝
−1 −2 −2⎠
−4 2 −1⎞
1⎛
= − ⎜−2 1 −2⎟
3⎝
1 −2 −2⎠

9 David Pigeon - Mathématiques

1 Comatrice

4 −2 1⎞
1⎛
= ⎜ 2 −1 2⎟
3⎝
−1 2 2⎠

10 David Pigeon - Mathématiques

2 Décompositions P LU et LU

2 Décompositions P LU et LU
On utilise dans cette section les décompositions P LU et LU pour calculer l’inverse d’une matrice (voir l’ap-
pendice A pour les informations nécessaires sur le déterminant et les matrices d’opérations). Ces décompositions
permettent d’exprimer une matrice inversible comme le produit de deux matrices triangulaires à multiplication par
une matrice de permutations près. Le calcul de l’inverse de la matrice devient donc facile.

2.1 Introduction
On commence par une définition qui nous servira pour la décomposition LU , celle de mineur principal.

Définition 2.1.1
Soit M ∶= (mij )ij ∈ Mn (R). Les mineurs principaux de M sont les déterminants des sous-matrices :

(mij )1≤i,j≤k

pour k ∈ {1, . . . , n}.

On note alors pour tout k ∈ {1, . . . , n} :

µk (M ) ∶= det ((mij )1≤i,j≤k )

appelé mineur principal de M de taille k.

Par exemple pour une matrice :

⎛m11 m12 m13 ⎞
M ∶= ⎜m21 m22 m23 ⎟
⎝m31 m32 m33 ⎠
les trois mineurs principaux sont :
µ1 (M ) = det(m11 ) = m11
m m12
µ2 (M ) = ∆33 (M ) = ∣ 11 ∣ = m11 m22 − m12 m21
m21 m22
RRRm m12 m13 RRRR
RR 11 R
µ3 (M ) = det(M ) = RRRRm21 m22 m23 RRRR
RRR R
RRm31 m32 m33 RRRR
On a alors le résultat suivant sur l’existence et l’unicité des décompositions P LU et LU .

Proposition 2.1.2

(i) (Décomposition LU ) Soit A ∈ GLn (R) dont tous les mineurs principaux sont non nuls.
(a) Il existe des uniques matrices L, U ∈ GLn (R) de la forme :

⎛ 1 (0)⎞ ⎛u1,1 u1,2 ⋯ u1,n ⎞

⎜ l 1 ⎟ ⎜ u22 ⋮ ⎟
L ∶= ⎜ 2,1 ⎟ , U ∶= ⎜ ⎟
⎜ ⋮ ⋱ ⋱ ⎟ ⎜ ⋱ ⋮ ⎟
⎝ln,1 ⋯ ln,n−1 1 ⎠ ⎝ (0) un,n ⎠
telles que :
A = LU

11 David Pigeon - Mathématiques

2 Décompositions P LU et LU

On appelle cette décomposition la décomposition LU de A.

(b) On a :
A−1 = U −1 L−1 .

(ii) (Décomposition P LU ) Soit A ∈ GLn (R).

(a) Il existe une matrice de permutations P ∈ GLn (R) et deux matrices L, U ∈ GLn (R) de la forme :

⎛ 1 (0)⎞ ⎛u1,1 u1,2 ⋯ u1,n ⎞

⎜l 1 ⎟ ⎜ u22 ⋮ ⎟
L ∶= ⎜ 2,1 ⎟ , U ∶= ⎜ ⎟
⎜ ⋮ ⋱ ⋱ ⎟ ⎜ ⋱ ⋮ ⎟
⎝ln,1 ⋯ ln,n−1 1 ⎠ ⎝ (0) un,n ⎠

telles que :
A = P LU
On appelle cette décomposition une décomposition P LU de A.
(b) On a :
A−1 = U −1 L−1 P −1 .

Démonstration. Montrons le résultat dans le cas n ∶= 3. Posons :

⎛a11 a12 a13 ⎞

A ∶= ⎜a21 a22 a23 ⎟ ∈ GL3 (R).
⎝a31 a32 a33 ⎠

(i) Notons les trois mineurs principaux de A par :

µ1 ∶= µ1 (A) = a11
a a
µ2 ∶= µ2 (A) = ∣ 11 12 ∣ = a11 a22 − a12 a21
a21 a22
µ3 ∶= µ3 (A) = det(A)

Soit :
⎛1 0 0⎞ ⎛u11 u12 u13 ⎞
L ∶= ⎜l21 1 0⎟ , U ∶= ⎜ 0 u22 u23 ⎟ ∈ M3 (R).
⎝l31 l32 1⎠ ⎝ 0 0 u33 ⎠
On a par identification :

A = LU
⎛a11 a12 a13 ⎞ ⎛ 1 0 0⎞ ⎛u11 u12 u13 ⎞
⇐⇒ ⎜a21 a22 a23 ⎟ = ⎜l21 1 0⎟ ⎜ 0 u22 u23 ⎟
⎝a31 a32 a33 ⎠ ⎝l31 l32 1⎠ ⎝ 0 0 u33 ⎠
⎧
⎪ 1ère ligne : a11 = u11 , a12 = u12 , a13 = u13
⎪
⎪
⎪
⎪ 2ème ligne : a21 = l21 u11 , a22 = l21 u12 + u22 , a23 = l21 u13 + u23
⇐⇒ ⎨
⎪
⎪ 3ème ligne : a31 = l31 u11 , a32 = l31 u12 + l32 u22 , a33 = l31 u13 + l32 u23 + u33
⎪
⎪
⎪
⎩ déterminant : µ3 = det(A) = u11 u22 u33

12 David Pigeon - Mathématiques

2 Décompositions P LU et LU

⎧
⎪ u11 = a11 = µ1 , u12 = a12 , u13 = a13
⎪
⎪
⎪ a21 a21
⎪
⎪
⎪ l21 = =
⎪
⎪
⎪ u11 µ1
⎪
⎪
⎪ a21 a12 µ2
⎪
⎪
⎪ u22 = a22 − l21 u12 = a22 − =
⎪
⎪
⎪ µ1 µ1
⎪
⎪
⎪ ∆32
⎪ u23 = a23 − l21 u13 =
⇐⇒ µ1 , µ2 ≠ 0 ∧ ⎨ µ1
⎪
⎪
⎪ a31 a31
⎪
⎪
⎪ l31 = =
⎪
⎪
⎪ u11 µ1
⎪
⎪
⎪ a32 − l31 u12 ∆23
⎪
⎪
⎪ l32 = =
⎪
⎪
⎪ u22 µ2
⎪
⎪
⎪
µ3 µ3
⎪
⎪ u33 = =
⎩ u11 u22 µ2
⎛ 1 0 0⎞ ⎛µ1 a12 a13 ⎞
⇐⇒ µ1 , µ2 ≠ 0 ∧ L = ⎜a21 /µ1 1 0⎟ , U = ⎜ 0 µ2 /µ1 ∆32 /µ1 ⎟
⎝a31 /µ1 ∆23 /µ2 1⎠ ⎝0 0 µ3 /µ2 ⎠
On a donc, par le raisonnement par équivalence, existence et unicité de la décomposition LU .
(ii) Il suffit de montrer qu’il existe une matrice de permutation P ′ telle que P ′ A ait tous ces mineurs principaux
non-nuls car ainsi P ′ A s’écrira P ′ A = LU comme dans le cas (i) i.e. :

A = P ′−1 LU = P LU.

avec P ∶= (P ′ )−1 qui est aussi une matrice de permutations.

Comme A est inversible, sa première colonne est non nulle. Donc il existe un indice i0 ∈ {1, 2, 3} tel que
ai0 ,1 ≠ 0. Posons alors :
P ′ ∶= P1,i0 .
Posons A′ ∶= P ′ A. La matrice A′ est du type :

⎛ai0 ,1 a12 a13 ⎞

′ ′

A =∶ ⎜ a21 a22 a′23 ⎟

′ ′ ′
⎝ a′31 a′32 a′33 ⎠

Comme A′ est inversible (car A et P ′ le sont), les deux premières colonnes de A′ sont non-colinéaires. Alors
un des deux déterminants suivants est non nul (s’ils étaient tous les deux nuls les deux colonnes seraient
colinéaires donc A′ ne serait pas inversible) :

a a′ ai0 ,1 a′12
′ ∣ , β ∶= ∣ ′
α ∶= ∣ i′0 ,1 12 ∣.
a21 a22 a31 a′32
On a alors deux cas.
(1) Cas α ≠ 0. Alors on a :

µ1 (A′ ) ∶= ai0 ,1 , µ2 (A′ ) ∶= α , µ3 (A′ ) ∶= det(A′ )

qui sont tous non-nuls. Ainsi A′ vérifie les conditions de (i) et par la remarque faite au début de la preuve
de (ii), on a le résultat.
(2) Cas α = 0 et β ≠ 0. Posons :
P ′′ ∶= P2,3 , A′′ ∶= P ′′ A′ = P ′′ P ′ A.
La matrice P ′′ P est une matrice de permutation. La matrice A′′ est inversible et est du type :

⎛ai0 ,1 a12 a13 ⎞

′ ′

A′′ =∶ ⎜ a′31 a′32 a′33 ⎟

⎝ a′21 a′22 a′23 ⎠

13 David Pigeon - Mathématiques

2 Décompositions P LU et LU

Alors on a :
µ1 (A′′ ) ∶= ai0 ,1 , µ2 (A′′ ) ∶= β , µ3 (A′′ ) ∶= det(A′′ )
qui sont tous non-nuls. Ainsi A′′ vérifie aussi les conditions de (i) et par la remarque faite au début de la
preuve de (ii), on a le résultat.

Une décomposition LU donne une décomposition P LU en prenant P ∶= In . Comme nous verrons dans l’exemple
suivant, la décomposition P LU n’est pas forcément unique i.e. il n’existe pas forcément une seule matrice de per-
mutation P telle que P A ait tous ses mineurs principaux non nuls.

Exemple 2.1.3

Soit :
1 2
A ∶= ( ).
2 1
On va trouver deux décompositions P LU distinctes pour A.
(1) Les deux mineurs principaux de A sont :

µ1 (A) = 1 , µ2 (A) = det(A) = 1 − 4 = −3.

Comme ils sont non nuls, A a une unique décomposition LU . Soit :

1 0 u v
L ∶= ( ) , U ∶= ( ).
l 1 0 w

On a :
1 2 1 0 u v
A = LU ⇐⇒ ( )=( )( )
2 1 l 1 0 w
1=u , 2=v
⇐⇒ {
2 = lu , det(A) = −3 = uw
u=1 , v=2
⇐⇒ {
l = 2 , w = −3
1 0 1 2
⇐⇒ L = ( ) , U =( )
2 1 0 −3

(2) Posons :
0 1 0 1 1 2 2 1
P ∶= ( ) , A′ ∶= P A = ( )( )=( ).
1 0 1 0 2 1 1 2
Les deux mineurs principaux de A′ sont :

µ1 (A′ ) = 2 , µ2 (A′ ) = det(A′ ) = 4 − 1 = 3.

Comme ils sont non nuls, A′ a une unique décomposition LU . Soit :

1 0 u′ v ′
L′ ∶= ( ′ ) , U ′ ∶= ( ).
l 1 0 w′

14 David Pigeon - Mathématiques

2 Décompositions P LU et LU

On a :
2 1 1 0 u′ v ′
A′ = L′ U ′ ⇐⇒ ( ) = ( ′ )( )
1 2 l 1 0 w′
2 = u′ , 1 = v ′
⇐⇒ {
1 = l′ u′ , det(A′ ) = 3 = u′ w′
u′ = 2 , v ′ = 1
⇐⇒ {
l = 1/2 , w = 3/2
1 0 2 1
⇐⇒ L′ = ( ) , U′ = ( )
1/2 1 0 3/2

En conclusion, on a trouvé deux décompositions P LU distinctes pour A :

A = LU
= I2 LU
1 0 1 0 1 2
=( )( )( )
0 1 2 1 0 −3
A = P −1 A′ LU
= P ′ L′ U ′
0 1 1 0 2 1
=( )( )( )
1 0 1/2 1 0 3/2

avec P ′ ∶= P −1 .

On obtient alors le résultat fondamental suivant.

Corollaire 2.1.4
Soit A ∈ GLn (R). Alors A s’écrit comme le produit d’au plus :

n2 + n − 1

matrices élémentaires.

Démonstration. La matrice A admet une décomposition P LU par la proposition 2.1.2 i.e. il existe une matrice de
permutation P ∈ GLn (R) et deux matrices L, U ∈ GLn (R) de la forme :

⎛ 1 (0)⎞ ⎛u1,1 u1,2 ⋯ u1,n ⎞

⎜ l 1 ⎟ ⎜ u22 ⋮ ⎟
L ∶= ⎜ 2,1 ⎟ , U ∶= ⎜ ⎟
⎜ ⋮ ⋱ ⋱ ⎟ ⎜ ⋱ ⋮ ⎟
⎝ln,1 ⋯ ln,n−1 1 ⎠ ⎝ (0) un,n ⎠

telles que :
A = P LU
Par la proposition A.6.3, les matrices L et U se décomposent en produit de matrices élémentaires i.e. il existe
r ∈ {0, . . . , n(n − 1)/2}, s ∈ {0, . . . , n(n + 1)/2} et B1 , . . . , Br , Br+1 , . . . , Br+s ∈ En (R) tels que :

L = Br ⋯ B1 , U = Br+s ⋯ Br+1 .

15 David Pigeon - Mathématiques

2 Décompositions P LU et LU

Par le point (i,b) du lemmeA.5.1, il existe un entier t ∈ {0, . . . , n−1} et des matrices de transpositions Br+s+t , . . . , Br+s+1 ∈
En (R) telles que :
Pσ = Br+s+1 ⋯ Br+s+t
Ainsi on a :
A = Br+s+t ⋯ B1 .
et :
n(n − 1) n(n + 1)
r+s+t≤ + + n − 1 = n2 + n − 1.
2 2

2.2 Exemple
Calculons l’inverse de :
⎛ 2 −2 1⎞
A ∶= ⎜ 2 −3 2⎟
⎝−1 2 0⎠

en décomposant A par la décomposition P LU ou la décomposition LU . Posons A ∶= (aij )ij . Les mineurs principaux
de A valent :

µ1 (A) = a11 = 2
2 −2
µ2 (A) = ∣ ∣ = −2
2 −3
µ3 (A) = det(A) = −3.

Ils sont tous non-nuls. Donc on est dans la condition (i) : la matrice A admet une unique décomposition LU .

● Calculs de L et U . Soit

⎛1 0 0⎞ ⎛u11 u12 u13 ⎞

L ∶= ⎜l21 1 0⎟ , U ∶= ⎜ 0 u22 u23 ⎟ ∈ M3 (R)
⎝l31 l32 1⎠ ⎝ 0 0 u33 ⎠

On a :

A = LU

⎛a11 a12 a13 ⎞ ⎛ 1 0 0⎞ ⎛u11 u12 u13 ⎞

⇐⇒ ⎜a21 a22 a23 ⎟ = ⎜l21 1 0⎟ ⎜ 0 u22 u23 ⎟
⎝a31 a32 a33 ⎠ ⎝l31 l32 1⎠ ⎝ 0 0 u33 ⎠
⎧
⎪ 1ère ligne : a11 = u11 , a12 = u12 , a13 = u13
⎪
⎪
⇐⇒ ⎨ 2ème ligne : a21 = l21 u11 , a22 = l21 u12 + u22 , a23 = l21 u13 + u23
⎪
⎪
⎪
⎩ 3ème ligne : a31 = l31 u11 , a32 = l31 u12 + l32 u22 , a33 = l31 u13 + l32 u23 + u33
⎧
⎪ u11 = 2 , u12 = −2 , u13 = 1
⎪
⎪
⎪
⎪
⎪
⎪ l21 = a21 /u11 = 1
⎪
⎪
⎪
⎪
⎪ u = a22 − l21 u12 = −1
⎪ 22
⇐⇒ ⎨ u23 = a23 − l21 u13 = 1
⎪
⎪
⎪
⎪
⎪ l31 = a31 /u11 = −1/2
⎪
⎪
⎪
⎪
⎪ l32 = (a32 − l31 u12 )/u22 = −1
⎪
⎪
⎪
⎩ u33 = a33 − l31 u13 − l32 u23 = 3/2

16 David Pigeon - Mathématiques

2 Décompositions P LU et LU

⎛ 1 0 0⎞ ⎛2 −2 1 ⎞
⇐⇒ L = ⎜ 1 1 0⎟ , U = ⎜0 −1 1 ⎟
⎝−1/2 −1 1⎠ ⎝0 0 3/2⎠

● Calculs de L−1 et U −1 . Les matrices L et U sont inversibles car elles sont triangulaires avec aucun 0 sur leurs
diagonales. On a alors :
A−1 = U −1 L−1
On peut trouver les inverses de L et U par une des méthodes exposées dans les sections du texte. On a aussi
une expression directe dans l’appendice dans le cas d’une matrice triangulaire (voir la sous-section A.6). On a
directement :
⎛ 1 0 0⎞ ⎛1/2 −1 1/3⎞
L−1 = ⎜ −1 1 0⎟ , U −1 = ⎜ 0 −1 2/3⎟ .
⎝−1/2 1 1⎠ ⎝ 0 0 2/3⎠
● Calcul de A−1 . Ainsi on a :

A−1 = U −1 L−1
⎛1/2 −1 1/3⎞ ⎛ 1 0 0⎞
= ⎜ 0 −1 2/3⎟ ⎜ −1 1 0⎟
⎝ 0 0 2/3⎠ ⎝−1/2 1 1⎠
4 −2 1⎞
1⎛
= ⎜ 2 −1 2⎟
3⎝
−1 2 2⎠

2.3 Exemple de décomposition en matrices éléméntaires

Décomposons :
⎛ 2 −2 1⎞
A ∶= ⎜ 2 −3 2⎟
⎝−1 2 0⎠
en matrices élémentaires de taille 3. On a A = LU avec :
⎛ 1 0 0⎞ ⎛2 −2 1 ⎞
L=⎜ 1 1 0⎟ , U = ⎜0 −1 1 ⎟ .
⎝−1/2 −1 1⎠ ⎝0 0 3/2⎠

Par les propositions A.6.1 et A.6.2, on peut décomposer L et U en :

⎛ 1 0 0⎞
L=⎜ 1 1 0⎟ = T2,1 (1)T3,1 (−1/2)T3,2 (−1)
⎝−1/2 −1 1⎠

⎛1 0 0⎞ ⎛ 1 0 0⎞ ⎛1 0 0⎞
= ⎜1 1 0⎟ ⎜ 0 1 0⎟ ⎜0 1 0⎟
⎝0 0 1⎠ ⎝−1/2 0 1⎠ ⎝0 −1 1⎠

⎛2 −2 1 ⎞
U = ⎜0 −1 1 ⎟ = D1 (2)D2 (−1)D3 (3/2)T1,2 (−1)T1,3 (1/2)T2,3 (−1)
⎝0 0 3/2⎠

⎛2 0 0⎞ ⎛1 0 0⎞ ⎛1 0 0 ⎞ ⎛1 −1 0⎞ ⎛1 0 1/2⎞ ⎛1 0 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 0 3/2⎠ ⎝0 0 1⎠ ⎝0 0 1 ⎠ ⎝0 0 1 ⎠

17 David Pigeon - Mathématiques

2 Décompositions P LU et LU

Ainsi on a :

A =LU
=T2,1 (1)T3,1 (−1/2)T3,2 (−1)D1 (2)D2 (−1)D3 (3/2)T1,2 (−1)T1,3 (1/2)T2,3 (−1)
⎛1 0 0⎞ ⎛ 1 0 0⎞ ⎛1 0 0⎞ ⎛2 0 0⎞ ⎛1 0 0⎞
= ⎜1 1 0⎟ ⎜ 0 1 0⎟ ⎜0 1 0⎟ ⎜0 1 0⎟ ⎜0 −1 0⎟
⎝0 0 1⎠ ⎝−1/2 0 1⎠ ⎝0 −1 1⎠ ⎝0 0 1⎠ ⎝0 0 1⎠

⎛1 0 0 ⎞ ⎛1 −1 0⎞ ⎛1 0 1/2⎞ ⎛1 0 0 ⎞
⎜0 1 0 ⎟ ⎜0 1 0⎟ ⎜0 1 0 ⎟ ⎜0 1 −1⎟
⎝0 0 3/2⎠ ⎝0 0 1⎠ ⎝0 0 1 ⎠ ⎝0 0 1 ⎠

18 David Pigeon - Mathématiques

3 Pivot de Gauss

3 Pivot de Gauss
Dans cette section, on expose l’algorithme du pivot de Gauss. En agissant sur les lignes d’un système linéaire
associé à une matrice inversible, cet algorithme rend le système triangulaire sans élément nul sur la diagonale. Il
devient donc facile à résoudre en "remontant" les équations, ce qui nous donne une expression de l’inverse. On
utilise les notations de l’appendice B.

3.1 Introduction
Proposition 3.1.1

Soit A ∶= (aij )ij ∈ GLn (R), B ∈ Rn et soit le système :

(E) ∶ AX = B

d’inconnue X ∈ Rn . Pour calculer A−1 , on peut résoudre le système (E) en opérant sur les lignes, on a
l’équivalence pour X ∈ Rn :

X ∈ Sol(E) ⇐⇒ AX = B ⇐⇒ X = A−1 B.

Cette méthode s’appelle la méthode du pivot de Gauss ou l’élimination de Gauss-Jordan.

Démonstration. Par le corollaire 2.1.4, il existe r ∈ N et des matrices élémentaires B1 , . . . , Br ∈ En (R) tels que :

A = B1 ⋯Br

i.e. on a :
Br−1 ⋯B1−1 A = In .
Et donc on a :
A−1 = Br−1 ⋯B1−1 .
Par l’appendice B, multiplier à gauche une matrice par une matrice élémentaires Bi−1 est équivalent à agir sur les
lignes de la matrice. Posons pour tout i ∈ {1, . . . , r} :

Opi ∶= OpL (Bi−1 ) .

Soit X, B ∈ Rn . Alors en agissant sur le système :

AX = B

en faisant successivement les opérations sur les lignes :

Op1 puis Op2 puis ⋯ Opr

i.e. en multipliant à gauche par :

B1−1 puis B2−1 puis ⋯ Br−1
on a :

X ∈ Sol(E) ⇐⇒ AX = B
⇐⇒ Br−1 ⋯B1−1 AX = Br−1 ⋯B1−1 B
⇐⇒ X = A−1 B

D’où le résultat.

19 David Pigeon - Mathématiques

3 Pivot de Gauss

Posons :
A ∶= (aij )ij , A−1 ∶= (cij )ij ∈ GLn (R) , X ∶= (xi )i , B ∶= (bi )i ∈ Rn .
Alors le système (E) est équivalent à :

⎧
⎪ a1,1 x1 + a1,2 x2 + ⋅ ⋅ ⋅ + a1,n xn = b1
⎪
⎪
⎪
⎪ a2,1 x1 + a2,2 x2 + ⋅ ⋅ ⋅ + a2,n xn = b2
(E) ∶ ⎨
⎪
⎪ ⋮
⎪
⎪
⎪
⎩an,1 x1 + an,2 x2 + ⋅ ⋅ ⋅ + an,n xn = bn

En agissant sur les lignes de (E) par les trois opérations élémentaires sur les lignes (voir annexe B), on obtient que
le système (E) est équivalent à :
⎧
⎪ x1 = c1,1 b1 + c1,2 b2 + ⋅ ⋅ ⋅ + c1,n bn
⎪
⎪
⎪
⎪ x2 = c2,1 b1 + c2,2 b2 + ⋅ ⋅ ⋅ + c2,n bn
⎨
⎪
⎪ ⋮
⎪
⎪
⎪
⎩xn = cn,1 b1 + cn,2 b2 + ⋅ ⋅ ⋅ + cn,n bn

3.2 Exemple
Calculons l’inverse de :
⎛ 2 −2 1⎞
A ∶= ⎜ 2 −3 2⎟
⎝−1 2 0⎠
en opérant sur les lignes par le pivot de Gauss. Soit :

⎛x⎞ ⎛a⎞
⎜ y ⎟ , ⎜ b ⎟ ∈ R3 .
⎝z ⎠ ⎝ c ⎠

On a :
⎧
⎪ − 2y + z = a
⎛x⎞ ⎛a⎞ ⎪
⎪
2x
A ⎜y ⎟ = ⎜ b ⎟ ⇐⇒ ⎨ 2x − 3y + 2z = b
⎝z ⎠ ⎝ c ⎠ ⎪
⎪
⎪
⎩ −x + 2y = c
⎧
⎪ −x + 2y = c L1 ←→ L3
⎪
⎪
⇐⇒ ⎨ 2x − 3y + 2z = b
⎪
⎪
⎪
⎩ 2x − 2y + z = a
⎧
⎪ −x + 2y = c
⎪
⎪
⇐⇒ ⎨ y + 2z = b + 2c L2 ←Ð L2 + 2L1
⎪
⎪
⎪
⎩ 2y + z = a + 2c L3 ←Ð L3 + 2L1
⎧
⎪ −x + 2y = c
⎪
⎪
⇐⇒ ⎨ 2y + z = b + 2c
⎪
⎪
⎪
⎩ − 3z = a − 2b − 2c L3 ←Ð L3 − 2L2
⎧
⎪ x = 2y − c
⎪
⎪
⇐⇒ ⎨ y = (b + 2c − z)/2
⎪
⎪
⎪
⎩ z = (−a + 2b + 2c)/3
⎧
⎪ x = (4a − 2b + c)/3
⎪
⎪
⇐⇒ ⎨ y = (2a − b + 2c)/3
⎪
⎪
⎪
⎩ z = (−a + 2b + 2c)/3

20 David Pigeon - Mathématiques

3 Pivot de Gauss

⎛x⎞ 1 ⎛ 4 −2 1⎞ ⎛a⎞
⇐⇒ ⎜y ⎟ = ⎜ 2 −1 2⎟ ⎜ b ⎟
⎝ z ⎠ 3 ⎝−1 2 2⎠ ⎝ c ⎠

Donc on a :
4 −2 1⎞
1⎛
A −1
= ⎜ 2 −1 2⎟ .
3⎝
−1 2 2⎠

21 David Pigeon - Mathématiques

4 Opération sur les lignes

4 Opération sur les lignes

On utilise les notations de l’appendice B. La méthode est semblable à celle du pivot de Gauss de la section
précédente. La seule différence est qu’au lieu d’agir sur les lignes d’un système linéaire, on agit sur les lignes d’une
matrice par blocs.

4.1 Introduction
Proposition 4.1.1

Soit A ∈ GLn (R). Il existe r ∈ N∗ et des matrices d’opérations élémentaires sur les lignes B1 , . . . , Br de taille
n telles qu’en agissant sur la matrice par blocs (A ∣ In ), on ait :

Br ⋯B1 (A ∣ In ) = (In ∣ A−1 )

i.e. on a :
(Br ⋯B1 A ∣ Br ⋯B1 ) = (In ∣ A−1 ) .
On a donc :
A−1 = Br ⋯B1 .

Démonstration. La preuve est similaire à celle de la proposition 3.1.1. Par le corollaire 2.1.4, il existe r ∈ N et
B1 , . . . , Br ∈ En (R) tels que :
A = B1 ⋯Br
i.e. on a :
Br−1 ⋯B1−1 A = In .
Et donc on a :
A−1 = Br−1 ⋯B1−1 .
Par l’appendice B, multiplier à gauche une matrice par une matrice Bi est équivalent à agir sur les lignes de la
matrice. A chaque étape, on a donc :
(A ∣ In ) ∼L B1 (A ∣ In ) = (B1 A ∣ B1 )
(B1 A ∣ B1 ) ∼L B2 (B1 A ∣ B1 ) = (B2 B1 A ∣ B2 B1 )
⋮
(Br−1 ⋯B1 A ∣ Br−1 ⋯B1 ) ∼L Br (Br−1 ⋯B1 A ∣ Br−1 ⋯B1 )
= (Br ⋯B1 A ∣ Br ⋯B1 ) = (In ∣ A−1 ) .
D’où le résultat.

4.2 Exemple
Calculons l’inverse de :
⎛ 2 −2 1⎞
A ∶= ⎜ 2 −3 2⎟
⎝−1 2 0⎠
en opérant sur les lignes de la matrice par blocs (A ∣ I3 ). On a successivement :

⎛ 2 −2 1 1 0 0 ⎞
(A ∣ I3 ) = ⎜ 2 −3 2 0 1 0 ⎟
⎝ −1 2 0 0 0 1 ⎠

22 David Pigeon - Mathématiques

4 Opération sur les lignes

⎛ −1 2 0 0 0 1 ⎞
∼L ⎜ 2 −3 2 0 1 0 ⎟ L1 ←→ L3
⎝ 2 −2 1 1 0 0 ⎠

⎛ −1 2 0 0 0 1 ⎞ L2 ←Ð L2 + 2L1
∼L ⎜ 0 1 2 0 1 2 ⎟
⎝ 0 2 1 1 0 2 ⎠ L3 ←Ð L3 + 2L1

⎛ −1 2 0 0 0 1 ⎞
∼L ⎜ 0 1 2 0 1 2 ⎟ L3 ←Ð L3 − 2L2
⎝ 0 0 −3 1 −2 −2 ⎠

⎛ −1 2 0 0 0 1 ⎞
∼L ⎜ 0 3 0 2 −1 2 ⎟ L2 ←Ð 3L2 + 2L3
⎝ 0 0 −3 1 −2 −2 ⎠

⎛ −3 0 0 −4 2 −1 ⎞
∼L ⎜ 0 3 0 2 −1 2 ⎟ L1 ←Ð 3L1 − 2L2
⎝ 0 0 −3 1 −2 −2 ⎠

⎛ 1 0 0 4/3 −2/3 1/3 ⎞ L1 ←Ð −1/3.L1

∼L ⎜ 0 1 0 2/3 −1/3 2/3 ⎟ L2 ←Ð 1/3.L2
⎝ 0 0 1 −1/3 2/3 2/3 ⎠ L1 ←Ð −1/3.L3

Donc on a :
4 −2 1⎞
1⎛
A−1 = ⎜ 2 −1 2⎟ .
3⎝
−1 2 2⎠

4.3 Produit des matrices associées aux opérations élémentaires

Associons à chaque opération (élémentaire ou non) sur les lignes sa matrice (voir la section B pour les notations
utilisées) :

Mat (L1 ←→ L3 ) = P1,3 =∶ B1

Mat (L2 ←Ð L2 + 2L1 ) = T2,1 (2) =∶ B2
Mat (L3 ←Ð L3 + 2L1 ) = T3,1 (2) =∶ B3
Mat (L3 ←Ð L3 − 2L2 ) = T3,1 (−2) =∶ B4
Mat (L2 ←Ð 3L2 + 2L3 ) = Mat (L2 ←Ð 3L2 ) Mat (L2 ←Ð L2 + 2/3.L3 )
= D2 (3)T2,3 (2/3) =∶ B6 B5
Mat (L1 ←Ð 3L1 − 2L2 ) = Mat (L1 ←Ð 3L1 ) Mat (L1 ←Ð L1 − 2/3.L2 )
= D1 (3)T1,2 (−2/3) =∶ B8 B7
Mat (L1 ←Ð −1/3.L1 ) = D1 (−1/3) =∶ B9
Mat (L2 ←Ð 1/3.L2 ) = D2 (1/3) =∶ B10
Mat (L3 ←Ð −1/3.L3 ) = D3 (−1/3) =∶ B11

Montrons que le produit de ces opérations élémentaires donne l’inverse de A. On a : 3

B11 B10 B9 B8 B7 B6 B5 B4 B3 B2 B1
=D3 (−1/3)D2 (1/3)D1 (−1/3)D1 (3)T1,2 (−2/3)D2 (3)T2,3 (2/3)
T3,2 (−2)T3,1 (2)T2,1 (2)P1,3
3. On sépare par le symbole ● les multiplications faites ensembles.

23 David Pigeon - Mathématiques

4 Opération sur les lignes

⎛1 0 0 ⎞ ⎛1 0 0⎞ ⎛−1/3 0 0⎞ ⎛3 0 0⎞ ⎛1 −2/3 0⎞
= ⎜0 1 0 ⎟ ⎜0 1/3 0⎟ ⎜ 0 1 0⎟ ● ⎜0 1 0⎟ ⎜0 1 0⎟ ●
⎝0 0 −1/3⎠ ⎝0 0 1⎠ ⎝ 0 0 1⎠ ⎝0 0 1⎠ ⎝0 0 1⎠
⎛1 0 0⎞ ⎛1 0 0 ⎞ ⎛1 0 0⎞ ⎛1 0 0⎞ ⎛1 0 0⎞ ⎛0 0 1⎞
⎜0 3 0⎟ ⎜0 1 2/3⎟ ● ⎜0 1 0⎟ ⎜0 1 0⎟ ● ⎜2 1 0⎟ ⎜0 1 0⎟
⎝0 0 1⎠ ⎝0 0 1 ⎠ ⎝0 −2 1⎠ ⎝2 0 1⎠ ⎝0 0 1⎠ ⎝1 0 0⎠

⎛−1/3 0 0 ⎞ ⎛3 −2 0⎞ ⎛1 0 0⎞ ⎛1 0 0⎞ ⎛0 0 1⎞
=⎜ 0 1/3 0 ⎟ ⎜0 1 0⎟ ● ⎜0 3 2⎟ ⎜0 1 0⎟ ● ⎜0 1 2⎟
⎝ 0 0 −1/3⎠ ⎝0 0 1⎠ ⎝0 0 1⎠ ⎝2 −2 1⎠ ⎝1 0 0⎠
⎛−1 2/3 0 ⎞ ⎛1 0 0⎞ ⎛0 0 1⎞
= ⎜ 0 1/3 0 ⎟ ● ⎜4 −1 2⎟ ⎜0 1 2⎟
⎝0 0 −1/3⎠ ⎝2 −2 1⎠ ⎝1 0 0⎠
⎛−1 2/3 0 ⎞ ⎛0 0 1⎞
= ⎜ 0 1/3 0 ⎟ ⎜2 −1 2 ⎟
⎝0 0 −1/3⎠ ⎝1 −2 −2⎠
4 −2 1⎞
1⎛
= ⎜ 2 −1 2⎟
3⎝
−1 2 2⎠
=A−1

24 David Pigeon - Mathématiques

5 Opération sur les colonnes

5 Opération sur les colonnes

On utilise les notations de l’appendice C. La méthode est similaire à la section précédente 4. On agit cette
fois-ci sur les colonnes d’une matrice par blocs.

5.1 Introduction
Proposition 5.1.1

Soit A ∈ GLn (R). Il existe r ∈ N∗ et des matrices d’opérations élémentaires sur les colonnes B1 , . . . , Br de
A
taille n telles qu’en agissant sur la matrice par blocs ( ), on ait :
In

A In
( ) B1 ⋯Br = ( −1 )
In A

i.e. on a :
AB1 ⋯Br In
( ) = ( −1 ).
B1 ⋯Br A
On a donc :
A−1 = B1 ⋯Br .

Démonstration. Posons la matrice par blocs :

T
A
(A′ ∣ In ) ∶= (AT ∣ In ) = ( ) .
In
On est dans le cas de la proposition 4.1.1 avec la matrice par blocs (A′ ∣ In ). Il existe r ∈ N∗ et des matrices
d’opérations élémentaires sur les lignes B1′ , . . . , Br′ de taille n telles qu’en agissant sur la matrice par blocs (A′ ∣ In ),
on ait :
Br′ ⋯B1′ (A′ ∣ In ) = (In ∣ (A′ )−1 )
i.e. on a :
(Br′ ⋯B1′ A′ ∣ Br′ ⋯B1′ ) = (In ∣ (A′ )−1 ) .
On a donc :
A′−1 = Br′ ⋯B1′ .
En repassant à la transposée et en posant pour tout i ∈ {1, . . . , r} :
T
Bi ∶= (Bi′ ) ,
on a donc à chaque étape :
A A AB1
( ) ∼C ( ) B1 = ( )
In In B1
AB1 AB1 AB1 B2
( ) ∼C ( ) B2 = ( )
B1 B1 B1 B2
⋮
AB1 ⋯Br−1 AB1 ⋯Br−1
( ) ∼C ( ) Br
B1 ⋯Br−1 B1 ⋯Br−1
AB1 ⋯Br In
=( ) = ( −1 )
B1 ⋯Br A

25 David Pigeon - Mathématiques

5 Opération sur les colonnes

5.2 Exemple
Calculons l’inverse de :
⎛ 2 −2 1⎞
A ∶= ⎜ 2 −3 2⎟
⎝−1 2 0⎠

A
en opérant sur les colonnes de la matrice par blocs ( ). On a successivement :
I3

⎛ 2 −2 1 ⎞
⎜ 2 −3 2 ⎟
⎜ ⎟
A ⎜ −1 2 0 ⎟
( ) = ⎜ ⎟
⎜ 0 0 ⎟
I3 ⎜ 1 ⎟
⎜ ⎟
⎜ 0 1 0 ⎟
⎝ 0 0 1 ⎠
⎛ 1 −2 2 ⎞
⎜ 2 −3 2 ⎟
⎜ ⎟
⎜ 0 2 −1 ⎟
∼C ⎜ ⎟ C1 ←→ C3
⎜ 1 ⎟
⎜ 0 0 ⎟
⎜ ⎟
⎜ 0 1 0 ⎟
⎝ 1 0 0 ⎠
⎛ 1 0 0 ⎞
⎜ 2 1 −2 ⎟
⎜ ⎟
⎜ 0 2 −1 ⎟ C2 ←Ð C2 + 2C1
∼C ⎜ ⎟
⎜ 0 1 ⎟ C3 ←Ð C3 − 2C1
⎜ 0 ⎟
⎜ ⎟
⎜ 0 1 0 ⎟
⎝ 1 2 −2 ⎠
⎛ 1 0 0 ⎞
⎜ 2 1 0 ⎟
⎜ ⎟
⎜ 0 2 3 ⎟
∼C ⎜ ⎟ C3 ←Ð C3 + 2C2
⎜ ⎟
⎜ 0 0 1 ⎟
⎜ ⎟
⎜ 0 1 2 ⎟
⎝ 1 2 2 ⎠

⎛ 1 0 0 ⎞
⎜ 2 3 0 ⎟
⎜ ⎟
⎜ 0 0 3 ⎟
∼C ⎜ ⎟ C2 ←Ð 3C2 − 2C3
⎜ 0 −2 1 ⎟
⎜ ⎟
⎜ ⎟
⎜ 0 −1 2 ⎟
⎝ 1 2 2 ⎠
⎛ 3 0 0 ⎞
⎜ 0 3 0 ⎟
⎜ ⎟
⎜ 0 0 3 ⎟
∼C ⎜ ⎟ C1 ←Ð 3C1 − 2C2
⎜ 4 −2 1 ⎟
⎜ ⎟
⎜ ⎟
⎜ 2 −1 2 ⎟
⎝ −1 2 2 ⎠

26 David Pigeon - Mathématiques

5 Opération sur les colonnes

⎛ 1 0 0 ⎞
⎜ 0 1 0 ⎟
⎜ ⎟ C1 ←Ð 1/3.C1
⎜ 0 0 1 ⎟
∼C ⎜ ⎟ C2 ←Ð 1/3.C2
⎜ 4/3 −2/3 1/3 ⎟
⎜ ⎟ C3 ←→ 1/3.C3
⎜ ⎟
⎜ 2/3 −1/3 2/3 ⎟
⎝ −1/3 2/3 2/3 ⎠

Donc on a :
4 −2 1⎞
1⎛
A −1
= ⎜ 2 −1 2⎟ .
3⎝
−1 2 2⎠

5.3 Produit des matrices associées aux opérations élémentaires

Associons à chaque opération (élémentaire ou non) sur les colonnes sa matrice (voir la section C pour les
notations utilisées) :

Mat (C1 ←→ C3 ) = P1,3 =∶ B1

Mat (C2 ←Ð C2 + 2C1 ) = T2,1 (2)T =∶ B2
Mat (C3 ←Ð C3 − 2C1 ) = T3,1 (−2)T =∶ B3
Mat (C3 ←Ð C3 + 2C2 ) = T3,2 (2)T =∶ B4
Mat (C2 ←Ð 3C2 − 2C3 ) = Mat (C2 ←Ð C2 − 2/3.C3 ) Mat (C2 ←Ð 3C2 )
= T2,3 (−2/3)T D2 (3) =∶ B5 B6
Mat (C1 ←Ð 3C1 − 2C2 ) = Mat (C1 ←Ð C1 − 2/3.C2 ) Mat (C1 ←Ð 3C1 )
= T1,2 (−2/3)T D1 (3) =∶ B7 B8
Mat (C1 ←Ð 1/3.C1 ) = D1 (1/3) =∶ B9
Mat (C2 ←Ð 1/3.C2 ) = D2 (1/3) =∶ B10
Mat (C3 ←Ð 1/3.C3 ) = D3 (1/3) =∶ B11

Montrons que le produit de ces opérations élémentaires donne l’inverse de A. On a : 4

B1 B2 B3 B4 B5 B6 B7 B8 B9 B10 B11
=P1,3 T2,1 (2)T T3,1 (−2)T T3,2 (2)T T2,3 (−2/3)T D2 (3)
T1,2 (−2/3)T D1 (3)D1 (1/3)D2 (1/3)D3 (1/3)
⎛0 0 1⎞ ⎛1 2 0⎞ ⎛1 0 −2⎞ ⎛1 0 0⎞ ⎛1 0 0⎞
= ⎜0 1 0⎟ ⎜0 1 0⎟ ● ⎜0 1 0 ⎟ ⎜0 1 2⎟ ● ⎜0 1 0⎟ ●
⎝1 0 0⎠ ⎝0 0 1⎠ ⎝0 0 1 ⎠ ⎝0 0 1⎠ ⎝0 −2/3 1⎠

⎛1 0 0⎞ ⎛ 1 0 0⎞ ⎛3 0 0⎞ ⎛1/3 0 0⎞ ⎛1 0 0⎞ ⎛1 0 0 ⎞
⎜0 3 0⎟ ⎜−2/3 1 0⎟ ● ⎜0 1 0⎟ ⎜ 0 1 0⎟ ⎜0 1/3 0⎟ ⎜0 1 0 ⎟
⎝0 0 1⎠ ⎝ 0 0 1⎠ ⎝0 0 1⎠ ⎝ 0 0 1⎠ ⎝0 0 1⎠ ⎝0 0 1/3⎠
⎛0 0 1⎞ ⎛1 0 −2⎞ ⎛1 0 0⎞ ⎛ 1 0 0⎞ ⎛1 0 0 ⎞
= ⎜0 1 0⎟ ⎜0 1 2 ⎟ ● ⎜0 1 0⎟ ● ⎜−2 3 0⎟ ⎜0 1/3 0 ⎟
⎝1 2 0⎠ ⎝0 0 1 ⎠ ⎝0 −2/3 1⎠ ⎝ 0 0 1⎠ ⎝0 0 1/3⎠

4. On sépare par le symbole ● les multiplications faites ensembles.

27 David Pigeon - Mathématiques

5 Opération sur les colonnes

⎛0 0 1⎞ ⎛1 0 0⎞ ⎛ 1 0 0 ⎞
= ⎜0 1 2⎟ ● ⎜0 1 0⎟ ⎜−2 1 0 ⎟
⎝1 2 2⎠ ⎝0 −2/3 1⎠ ⎝ 0 0 1/3⎠

⎛0 0 1 ⎞ ⎛ 1 0 0 ⎞
= ⎜0 1 2⎟ ⎜ −2 1 0 ⎟
⎝1 2 2⎠ ⎝4/3 −2/3 1/3⎠
4 −2 1⎞
1⎛
= ⎜ 2 −1 2⎟
3⎝
−1 2 2⎠
=A−1

28 David Pigeon - Mathématiques

6 Théorème de Cayley-Hamilton

6 Théorème de Cayley-Hamilton
Le théorème de Cayley-Hamilton dit que le polynôme caractéristique d’une matrice est un polynôme annulateur
de cette matrice. Ainsi dans le cas d’une matrice inversible, on trouve une méthode rapide pour calculer son inverse.

6.1 Introduction
On rappelle quelques résultats utiles sur le polynôme caractéristique d’une matrice 5 .

Définition 6.1.1
Soit M ∈ Mn (R). Le polynôme caractéristique de M est défini par :

χM (X) ∶= det (M − XI3 ) .

En développant le déterminant, on trouve que le polynôme χM (X) est de degré n, de coefficient dominant
(−1)n et de terme constant det(M ). Donc il existe un polynôme R ∈ R[X] de degré n − 1 tel que :
χM (X) = XR(X) + det(M ). (6.1.1)
Exemple 6.1.2

Soit M ∶= (mij )ij ∈ M3 (R). On a en développant par exemple par rapport à la première ligne le déterminant
de taille 3 :

χM (X)
= det (M − XI3 )
RRRm − X m12 m13 RRRR
RRR 11 R
= RRR m21 m22 − X m23 RRRR
RRR R
RR m31 m32 m33 − X RRRR
m22 − X m23 m m23 m m22 − X
= (m11 − X) ∣ ∣ − m12 ∣ 21 ∣ + m13 ∣ 21 ∣
m32 m33 − X m31 m33 − X m31 m32
= (m11 − X) [(m22 − X) (m33 − X) − m32 m23 ]
− m12 [m21 (m33 − X) − m31 m23 ]
+ m13 [m21 m32 − m31 (m22 − X)]
= − X 3 + (m11 + m11 + m11 ) X 2
+ (m12 m21 − m11 m22 + m13 m31 + m23 m32 − m11 m33 − m22 m33 ) X
− m13 m22 m31 + m12 m23 m31 + m13 m21 m32 − m11 m23 m32 − m12 m21 m33 + m11 m22 m33
= −X 3 + Tr(M )X 2 − c1 X + det(M )

avec :
c1 ∶= m12 m21 − m11 m22 + m13 m31 + m23 m32 − m11 m33 − m22 m33 .
On a donc :
χM (X) = XR(X) + det(M )
avec :
R(X) ∶= −X 2 + Tr(M )X − c1 .

5. On aurait pu définir χM par χM (X) ∶= det (XIn − M ).

29 David Pigeon - Mathématiques

6 Théorème de Cayley-Hamilton

Proposition 6.1.3: Théorème de Cayley-Hamilton

Soit M ∈ Mn (R). On a :
χM (M ) = 0.

Démonstration. Montrons le résultat pour n ∶= 3. Posons :

N ∶= Com(M − XI3 )T .

et :
−X 3 + c2 X 2 + c1 X + c0 ∶= χM (X) = det(M − XI3 ).
En développant les déterminants apparaissant dans la comatrice de M − XI3 , on obtient que N est un polynôme
de degré 2 du type :

X 2 N2 + XN1 + N0 ∶= N = Com(M − XI3 )T .

Alors on a par la proposition 1.1.2 :

−X 3 I3 + c2 X 2 I3 + c1 XI3 + c0 I3 = χ(X)I3
= det(M − XI3 )I3
= (M − XI3 )Com(M − XI3 )T
= (M − XI3 )N
= (M − XI3 )(X 2 N2 + XN1 + N0 )
= −X 3 N2 + X 2 (M N2 − N1 ) + X(M N1 − N0 ) + M N0

Par unicité de la décomposition dans l’anneau Mn (R)[X], on a :

c0 I3 = M N0
c1 I3 = M N1 − N0
c2 I3 = M N2 − N1
−I3 = −N2

Ainsi en multipliant la deuxième équation par M , la troisième par M 2 et la quatrième par M 3 , on a :

c0 I3 = M N0
c1 M = M (M N1 − N0 )
c2 M 2 = M 2 (M N2 − N1 )
−M 3 = −M 3 N2

En sommant ces quatre équations, on a par télescopage :

χM (M ) = −M 3 + c2 M 2 + c1 M + c0 I3
= −M 3 N2 + M 2 (M N2 − N1 ) + M (M N1 − N0 ) + M N0
=0

On en déduit le corollaire suivant dans le cas d’une matrice inversible.

30 David Pigeon - Mathématiques

6 Théorème de Cayley-Hamilton

Corollaire 6.1.4
Soit A ∈ GLn (R). Il existe un polynôme R ∈ R[X] de degré n − 1 tel que :
−1
A−1 = R(A).
det(A)

Démonstration. Par l’équation (6.1.1), il existe un polynôme R ∈ R[X] de degré n − 1 tel que :

χA (X) = XR(X) + det(A).

Comme det(A) ≠ 0, on a par le théorème de Cayley-Hamilton :

0 = χA (A) = AR(A) + det(A)In

i.e. on a :
−1
A−1 = R(A).
det(A)

En comparant avec le corollaire 1.1.3, on a donc :

R(A) = −Com(A)T .

6.2 Exemple
Calculons l’inverse de :
⎛ 2 −2 1⎞
A ∶= ⎜ 2 −3 2⎟
⎝−1 2 0⎠
en utilisant le corollaire précédent. Le polynôme caractéristique de A est donné par :

χA (X) = det (A − XI3 )

RRR2 − X −2 1 RRRR
RRR R
= RRR 2 −3 − X 2 RRRR
RRR R
RR −1 2 − X −X RRRR
−3 − X 2 −2 1 −2 1
= (2 − X) ∣ ∣ − 2∣ ∣−∣ ∣
2 − X −X 2 − X −X −3 − X 2
= (2 − X)((3 − X)X − 2(2 − X)) − 2(2X − (2 − X)) − (−4 + 3 − X)
= −X 3 − X 2 + 5X − 3

Par le théorème de Cayley-Hamilton, on a donc :

0 = χA (A)
= −A3 − A2 + 5A − 3I3
= A(−A2 − A + 5I3 ) − 3I3

i.e. on a 6 :
1
A−1 = (−A2 − A + 5I3 )
3
6. On est donc dans le cas où R(X) ∶= −X 2 − X + 5.

31 David Pigeon - Mathématiques

6 Théorème de Cayley-Hamilton

⎡ 2 −2 1⎞ ⎛ 2 −2 1⎞ ⎛ 2 −2 1⎞ ⎤
1 ⎢⎢ ⎛ ⎛1 0 0⎞⎥⎥
= ⎢− ⎜ 2 −3 2⎟ ⎜ 2 −3 2⎟ − ⎜ 2 −3 2⎟ + 5 ⎜0 1 0⎟⎥
3 ⎢⎢ ⎝ ⎠⎝ ⎝0 0 1⎠⎥⎥
⎣ −1 2 0 −1 2 0⎠ ⎝−1 2 0⎠ ⎦
⎡ −1 4 −2 −2 1⎞ ⎛5 0 0⎞⎤⎥
1 ⎢⎢ ⎛ ⎞ ⎛2 ⎥
= ⎢− ⎜−4 9 −4⎟ − ⎜ 2 −3 2⎟ + ⎜0 5 0⎟⎥
3 ⎢⎢ ⎝ ⎥
⎣ 2 −4 3 ⎠ ⎝−1 2 0⎠ ⎝0 0 5⎠⎥⎦
4 −2 1⎞
1⎛
= ⎜ 2 −1 2⎟
3⎝
−1 2 2⎠

32 David Pigeon - Mathématiques

7 Formule déduite du théorème de Cayley-Hamilton

7 Formule déduite du théorème de Cayley-Hamilton

Dans la section précédente, on a obtenu une expression de l’inverse d’une matrice comme un polynôme en la
matrice (voir le corollaire 6.1.4). Dans cette section, on donne la formule explicite de ce polynôme. Les coefficients
de ce polynôme dépendent des traces des puissances de la matrice.

7.1 Introduction
Pour obtenir la formule générale, on a besoin d’une notation. Posons pour tout s ∈ {0, . . . , n − 1} :
n−1
Γ(n, s) ∶= {(k1 , . . . , kn−1 ) ∈ Nn−1 , s + ∑ lkl = n − 1} .
l=1

Proposition 7.1.1

Soit A ∈ GLn (R). On a :

1 n−1 n−1
(−1)kl +1 kl
A−1 = ∑A
s
∑ ∏ kl Tr (Al ) .
det(A) s=0 (k1 ,...,kn−1 )∈Γ(n,s) l=1 l kl !

Démonstration. On donne la preuve dans le cas n ∶= 3. On montre après la preuve que la formule se réduit dans
ce cas à :
1 1
A−1 = ( [(TrA)2 − Tr(A2 )] I3 − ATr(A) + A2 ) .
det(A) 2
Montrons cette formule. Il existe des coefficients c1 , c2 ∈ R tels que le polynôme caractéristique de A vaut :

χA (X) = −X 3 + c2 X 2 + c1 X + det(A)

Soit λ1 , λ2 , λ3 ∈ C les valeurs propres complexes de A (comptées avec multiplicités) i.e. on a :

χA (X) = −(X − λ1 )(X − λ2 )(X − λ3 ).

On a donc en développant et en identifiant les deux expressions de χA (ce sont les relations coefficients-racines) :

c2 = λ1 + λ2 + λ3
c1 = −λ1 λ2 − λ1 λ3 − λ2 λ3

Posons pour tout k ∈ N :

sk ∶= Tr(Ak )
Comme toute matrice est trigonalisable dans C, il existe une matrice P ∈ GL3 (C) et une matrice triangulaire
supérieure :
⎛λ1 ∗ ∗ ⎞
T ∶= ⎜ 0 λ2 ∗ ⎟
⎝ 0 0 λ3 ⎠
telles que :
T = P −1 AP.
Comme pour tout k ∈ N Ak = P T k P −1 , on a donc :

sk = Tr(Ak )
= Tr(P T k P −1 )

33 David Pigeon - Mathématiques

7 Formule déduite du théorème de Cayley-Hamilton

= Tr(T k )
⎛λ1 ∗ ∗ ⎞
k

= Tr ⎜ 0 λk2 ∗ ⎟
⎝ 0 0 λk ⎠
3
= λk1 + λk2 + λk3

Par le théorème sur les polynômes symétriques, les scalaires sk s’expriment en fonction des ck et inversement les
scalaires ck s’expriment en fonction des sk , ce sont les identités de Newton. Les formules générales utilisent les
polynômes de Bell Bk . Dans le cas n ∶= 3, on trouve simplement les formules à la main. On a :

c2 = λ1 + λ2 + λ3
= s1
= Tr(A)
c1 = −λ1 λ2 − λ1 λ3 − λ2 λ3
1
= [− (λ1 + λ2 + λ3 )2 + (λ21 + λ22 + λ23 )]
2
1
= [−s21 + s2 ]
2
1
= [−(TrA)2 + Tr(A2 )]
2
Par le théorème de Cayley-Hamilton, on a :

0 = χA (A) = −A3 + c2 A2 + c1 A + det(A)I3

i.e. on a :
1
A−1 = (A2 − c2 A − c1 I3 )
det A
1 1
= ( [(TrA)2 − Tr(A2 )] I3 − ATr(A) + A2 )
det(A) 2

On finit la sous-section par les cas n ∶= 2 et n ∶= 3. On démontre en particulier la formule donnée dans la preuve
de la proposition précédente dans le cas n ∶= 3.

Exemple 7.1.2

(1) Pour n ∶= 2, on a :

Γ(2, 0) = {k1 ∈ N, 0 + k1 = 1} = {1}

Γ(2, 1) = {k1 ∈ N, 1 + k1 = 1} = {0}

Et ainsi :

1 1
(−1)k1 +1 k1
A−1 = ∑A
s
∑ k
Tr (A1 )
det(A) s=0 k1 ∈Γ(1,s) 1 k1 !
1

1 (−1)1+1 2 (−1)0+1 1
= (A0 1 Tr (A1 ) + A1 0 Tr (A1 ) )
det(A) 1 1! 1 0!

34 David Pigeon - Mathématiques

7 Formule déduite du théorème de Cayley-Hamilton

1
= (Tr(A)I2 − A)
det A

(2) Pour n ∶= 3, on a :

Γ(3, 0) = {(k1 , k2 ) ∈ N2 , 0 + k1 + 2k2 = 2} = {(2, 0) , (0, 1)}

Γ(3, 1) = {(k1 , k2 ) ∈ N2 , 1 + k1 + 2k2 = 2} = {(1, 0)}
Γ(3, 2) = {(k1 , k2 ) ∈ N2 , 2 + k1 + 2k2 = 2} = {(0, 0)}

Et ainsi :

1 2 2
(−1)kl +1 kl
A−1 = ∑A
s
∑ ∏ kl Tr (Al )
det(A) s=0 (k1 ,k2 )∈Γ(3,s) l=1 l kl !
1 (−1)2+1 2 (−1)
0+1
2 0 (−1)0+1 1 0 (−1)
1+1
1
= (A0 ( 2 Tr (A1 ) 0
Tr (A ) + 0
Tr (A ) 1
Tr (A2 ) )
det(A) 1 2! 2 0! 1 0! 2 1!
(−1)1+1 1 1 (−1)
0+1
2 0 2 (−1)
0+1
1 0 (−1)
0+1
0
+A1 1
Tr (A ) 0
Tr (A ) + A 0
Tr (A ) 0
Tr (A2 ) )
1 1! 2 0! 1 0! 2 0!
1 1
= ( [(TrA)2 − Tr(A2 )] I3 − ATr(A) + A2 )
det(A) 2

7.2 Exemple
Calculons l’inverse de :
⎛ 2 −2 1⎞
A ∶= ⎜ 2 −3 2⎟
⎝−1 2 0⎠
en utilisant la formule précédente dans le cas n ∶= 3 :
1 1
A−1 = ( [(TrA)2 − Tr(A2 )] I3 − ATr(A) + A2 )
det(A) 2
Comme :
Tr(A) = −1
det(A) = −3
⎛ 2 −2 1⎞ ⎛ 2 −2 1⎞ ⎛−1 4 −2⎞
A = ⎜ 2 −3 2⎟ ⎜ 2 −3 2⎟ = ⎜−4 9 −4⎟
2
⎝−1 2 0⎠ ⎝−1 2 0⎠ ⎝ 2 −4 3 ⎠
Tr(A2 ) = 11
on a donc :
1 1
A−1 = ( [(TrA)2 − Tr(A2 )] I3 − ATrA + A2 )
det(A) 2
1 0 0⎞ ⎛ 2 −2 1⎞ ⎛−1 4 −2⎞⎞
1 ⎛ ⎛
= ⎜−5 ⎜0 1 0⎟ + ⎜ 2 −3 2⎟ + ⎜−4 9 −4⎟⎟
−3 ⎝ ⎝
0 0 1⎠ ⎝−1 2 0⎠ ⎝ 2 −4 3 ⎠⎠
4 −2 1⎞
1⎛
= ⎜ 2 −1 2⎟
3⎝
−1 2 2⎠

35 David Pigeon - Mathématiques

8 Diagonalisation et polynôme minimal

8 Diagonalisation et polynôme minimal

Comme nous avons vu, le théorème de Cayley-Hamilton dit que le polynôme caractéristique d’une matrice est
un polynôme annulateur de cette matrice. De plus, l’ensemble des polynômes annulateurs d’une matrice forme un
idéal de l’anneau principal R[X]. Ainsi cet idéal est engendré par un polynôme unitaire de degré minimal appelé
le polynôme minimal de la matrice. Son degré peut être le même que le polynôme caractéristique mais dans le cas
contraire, on obtient une méthode plus rapide (car demandant moins de multiplications de matrices) que celle de
la section 6 utilisant le théorème de Cayley-Hamilton.

8.1 Introduction
Soit M, N ∈ Mn (K) avec K ∶= R ou C. On note :
Ann(M ) ∶= {P ∈ K[X], P (M ) = 0} .
Le théorème de Cayley-Hamilton est équivalent à l’assertion :
χM (X) ∈ Ann(M ).
Comme Ann(M ) est un idéal de K[X] (appelé l’idéal des polynômes annulateurs de M ) et comme l’anneau
K[X] est principal i.e. pour tout idéal I de K[X], il existe un polynôme P ∈ R[X] tel que I = P K[X], on a la
définition suivante.

Définition 8.1.1
Le polynôme minimal de M est l’unique polynôme unitaire πM de Ann(M ) (de degré minimal) tel que :

Ann(M ) = πM (X)K[X].

Comme χM (X) ∈ Ann(M ), le polynôme πM divise donc χM . Avant d’énoncer le résultat utile pour cette sec-
tion, on fait des rappels sur la diagonalisation.

Définition 8.1.2
(i) On dit que M et N sont semblables s’il existe P ∈ GLn (K) telle que :

M = P N P −1 .

On note alors :
M ∼ N.
(ii) On dit que M est diagonalisable s’il existe une matrice diagonale D ∈ Mn (K) telle que :

M ∼ D.

(iii) Soit λ ∈ K. On dit que λ est une valeur propre de M dans K s’il existe un vecteur non nul u ∈ Kn
tel que M u = λu. On dit que u est un vecteur propre associé à λ.
(a) On note SpK (M ) l’ensemble des valeurs propres de M dans K. On notera simplement Sp(M ) ∶=
SpR (M ).
(b) L’espace propre associé à la valeur propre λ est le K-espace vectoriel Eλ (M ) défini par :

Eλ (M ) ∶= {v ∈ Kn , M v = λv} ∶= Ker(M − λIn ).

36 David Pigeon - Mathématiques

8 Diagonalisation et polynôme minimal

Pour tout λ ∈ K, on a les équivalences simples :

λ ∈ SpK (M ) ⇐⇒ ∃v ∈ Kn − {0}, M v = λv
⇐⇒ ∃v ∈ Kn − {0}, ∀k ∈ N, M k v = λk v
⇐⇒ ∃v ∈ Kn − {0}, πM (λ)v = 0
⇐⇒ πM (λ) = 0

i.e. λ est valeur propre de M si et seulement si elle est une racine de πM .

Dit autrement, si M est diagonalisable, il existe une base (u1 , . . . , un ) de Kn et des scalaires λ1 , . . . , λn ∈ K tels
que :
⎛ λ1 (0)⎞
P = (u1 ∣ ⋯ ∣ un ) , D = ⎜ ⋱ ⎟.
⎝(0) λn ⎠
Comme P est la matrice de passage de la base canonique (e1 , . . . , en ) à la base (u1 , . . . , un ), on a pour tout
i ∈ {1, . . . , n} P −1 ui = ei et donc :

M ui = P DP −1 ui
= P Dei
= P λi ei
= λi ui

i.e. ui est un vecteur propre associé à la valeur propre λi (ui est non nul car c’est un vecteur d’une base). Ainsi on
a l’équivalence entre :
(i) M est diagonalisable dans K ;
(ii) il existe une base de Kn formée de vecteurs propres de M .
De plus soit λ ∈ K. On a équivalence entre :

λ ∈ SpK (M ) ⇐⇒ ∃v ∈ Kn − {0}, M v = λv
⇐⇒ ∃v ∈ Kn − {0}, (M − λIn )v = 0
⇐⇒ det(M − λIn ) ≠ 0
⇐⇒ χM (λ) = 0

i.e. les valeurs propres de M sont exactement les racines de χM .

On a alors le lemme usuel.

Lemme 8.1.3
On a équivalence entre :
(i) M est diagonalisable dans K ;
(ii) on a la somme directe :
Kn = ⊕ Eλ (M ).
λ∈SpK (M )

Démonstration. Montrons le résultat dans le cas où M a deux valeurs propres distinctes λ et µ.

37 David Pigeon - Mathématiques

8 Diagonalisation et polynôme minimal

Supposons que M soit diagonalisable dans K. Montrons que la somme est directe. Soit :

x ∈ Eλ (M ) ∩ Eµ (M )

i.e. on a :
M x = λx , M x = µx.
Donc on a (λ − µ)x = 0. Comme λ ≠ µ, on a donc x = 0.
Soit x ∈ Kn . Comme M est diagonalisable, il existe une base de vecteurs propres x1 , . . . , xk ∈ Eλ (M ) et
xk , . . . , xk+n ∈ Eµ (M ) (avec k ∈ {1, . . . , n − 1}). Donc il existe des scalaires α1 , . . . , αn ∈ K tels que :
n
x = ∑ αi xi
i=1
k n
= ∑ αi xi + ∑ αi xi ∈ Eλ (M ) + Eµ (M )
i=1 i=k+1

D’où le résultat.
Réciproquement, supposons que Kn = Eλ (M ) ⊕ Eµ (M ). Soit (u1 , . . . , uk ) une base de Eλ (M ) et (uk+1 , . . . , un )
une base de Eµ (M ). Alors (u1 , . . . , un ) est une base de vecteurs propres associée à la somme directe. Donc M est
diagonalisable.

Proposition 8.1.4

On a équivalence entre :
(i) M est diagonalisable dans K ;
(ii) πM est scindé à racines simples i.e. :

πM = ∏ (X − λ).
λ∈SpK (M )

Démonstration. ● (i) Ô⇒ (ii). Supposons que M soit diagonalisable dans K. Il suffit de montrer que :
(1) ∏λ∈SpK (M ) (X − λ) divise πM ;
(2) πM divise ∏λ∈SpK (M ) (X − λ) en redémontrant un cas simple du lemme des noyaux.
On en déduira alors que comme les deux polynômes sont unitaires, ils sont donc égaux. Posons :
p
∑ ak M ∶= πM (X) ∈ K[X]
k
k=0

avec p ≤ n.
(1) Montrons que ∏λ∈SpK (M ) (X − λ) divise πM . Comme l’ensemble des polynômes (X − λ) pour λ ∈ SpK (M ) forme
une famille de polynômes premiers entre eux, il suffit de montrer que pour tout λ ∈ SpK (M ), le polynôme
(X − λ) divise πM i.e. que πM (λ) = 0. Soit λ ∈ SpK (M ) et x ∈ Kn un vecteur propre (non nul) associé à λ.
Montrons que λ est racine de πM . Comme M x = λx, on a par récurrence simple pour tout k ∈ N :

M k x = λk x.

Comme πM (M ) = 0, on a donc :

0Kn = 0Mn (K) x

= πM (M )x

38 David Pigeon - Mathématiques

8 Diagonalisation et polynôme minimal

p
= ∑ ak M k x
k=0
p
= ∑ ak λk x
k=0
= πM (λ)x.

Comme x est non nul, on a donc :

πM (λ) = 0.
(2) Montrons que πM divise P ∶= ∏λ∈SpK (M ) (X − λ) i.e. P (M ) = 0 (car alors P ∈ Ann(M ) et par minimalité de
πM , on a πM qui divise P ). Montrons que :

Ker(P (M )) = ⊕ Ker(M − λIn ). (8.1.1)

λ∈SpK (M )

C’est un cas particulier du lemme des noyaux. Montrons ce résultat dans le cas où M a deux valeurs propres
distinctes λ et µ dans K. Les polynômes X − λ et X − µ sont premiers entre eux i.e. par le théorème de Bézout,
il existe des polynômes U, V ∈ K[X] tels que :

(∗) ∶ U (X)(X − λ) + V (X)(X − µ) = 1

en prenant par exemple (ce n’est pas utile pour la suite) :

1 1
U ∶= , V ∶= .
µ−λ λ−µ
Donc on a en évaluant (∗) en M :

(∗∗) ∶ U (M )(M − λIn ) + V (M )(M − µIn ) = In .

Montrons que :
Ker(M − λIn ) ∩ Ker(M − µIn ) = {0}.
Soit x ∈ Ker(M − λIn ) ∩ Ker(M − µIn ). D’après la relation (∗∗), on a :

x = In x
= U (M )(M − λIn )x + V (M )(M − µIn )x
= U (M )0Kn + V (M )0Kn
= 0Kn

Montrons par double inclusion que :

Ker(P (M )) = Ker(M − λIn ) + Ker(M − µIn ).

Soit x ∈ Ker(P (M )). Posons :

u ∶= U (M )(M − λIn )x , v ∶= V (M )(M − µIn )x.

Par (∗∗), on a :

(M − µIn )u = (M − µIn )U (M )(M − λIn )x

= U (M )P (M )x
=0

39 David Pigeon - Mathématiques

8 Diagonalisation et polynôme minimal

(M − λIn )v = (M − λIn )V (M )(M − µIn )x

= V (M )P (M )x
=0

i.e. on a :
u ∈ Ker(M − µIn ) , v ∈ Ker(M − λIn ).
De plus par (∗∗), on a :

x = In x
= U (M )(M − λIn )x + V (M )(M − µIn )x
= u + v ∈ Ker(M − µIn ) + Ker(M − λIn )

Soit y ∈ Ker(M − λIn ) i.e. (M − λIn )y = 0. Ainsi on a :

P (M )y = (M − λIn )(M − µIn )y

= (M − µIn )(M − λIn )y
= (M − µIn )0
=0

i.e. on a y ∈ Ker(P (M )). De même on a par symétrie Ker(M − µIn ) ⊂ Ker(P (M )). Ainsi on a :

Ker(M − λIn ) + Ker(M − µIn ) ⊂ Ker(P (M )).

Ainsi par le lemme 8.1.3 on a :

Ker(P (M )) = ⊕λ∈SpK (M ) Ker(M − λIn ) = ⊕λ∈SpK (M ) Eλ (M ) = Kn

i.e. P (M ) = 0.
● (ii) Ô⇒ (i). Réciproquement supposons que πM soit scindé à racines simples i.e.

πM = ∏ (X − λ).
λ∈SpK (M )

On a alors par l’équation (8.1.1) :

Kn = Ker (0Mn (K) )

= Ker (πM (M ))
= ⊕ Ker (M − λIn )
λ∈Sp(M )

= ⊕ Eλ (M )
λ∈Sp(M )

Donc on peut choisir une base de vecteurs propres de M dans Kn adaptée à cette somme directe i.e. M est
diagonalisable dans K.

8.2 Exemple
Calculons l’inverse de :
⎛ 2 −2 1⎞
A ∶= ⎜ 2 −3 2⎟
⎝−1 2 0⎠

40 David Pigeon - Mathématiques

8 Diagonalisation et polynôme minimal

en utilisant le polynôme minimal de A. Nous devons pour cela avoir une forme factorisée du polynôme caractéris-
tique de A contrairement à la section 6. On a :

χA (X) = det (A − XI3 )

RRR2 − X −2 1 RRRR
RRR R
= RRR 2 −3 − X 2 RRRR
RRR R
RR −1 2 −X RRRR
RRR 2−X −2 1RRRR
RR R L2 ←Ð L2 − 2L1
= RRRR −2 + 2X 1−X 0RRRR
RRR R L3 ←Ð L3 + XL1
RR−1 + 2X − X 2 − 2X
2
0RRRR
RRR 2 − X −2 1RRRR
RR R
= RRRR−2(1 − X) 1−X 0RRRR
RRR R
RR −(1 − X) 2(1 − X)
2
0RRRR
−2(1 − X) 1−X
=∣ ∣
−(1 − X)2 2(1 − X)
−2 1
= (1 − X)2 ∣ ∣
−(1 − X) 2
= −(X − 1)2 (X + 3)

Soit x, y, z ∈ R. On a :

⎛x⎞ ⎛x⎞ ⎛x⎞

⎜y ⎟ ∈ E1 (A) ⇐⇒ A ⎜y ⎟ = ⎜y ⎟
⎝z ⎠ ⎝z ⎠ ⎝z ⎠
⎧
⎪ 2x − 2y + z = x
⎪
⎪
⇐⇒ ⎨ 2x − 3y + 2z = y
⎪
⎪
⎪
⎩ −x + 2y = z
⇐⇒ { x − 2y + z = 0

et on a :

⎛x⎞ ⎛x⎞ ⎛x⎞

⎜y ⎟ ∈ E−3 (A) ⇐⇒ A ⎜y ⎟ = −3 ⎜y ⎟
⎝z ⎠ ⎝z ⎠ ⎝z ⎠
⎧
⎪ 2x − 2y + z = −3x
⎪
⎪
⇐⇒ ⎨ 2x − 3y + 2z = −3y
⎪
⎪
⎪
⎩ −x + 2y = −3z
⎧
⎪ 5x − 2y + z = 0
⎪
⎪
⇐⇒ ⎨ 2x + 2z = 0
⎪
⎪
⎪
⎩ −x + 2y + 3z = 0
⎧
⎪ 8y + 16z = 0 L5 Ð→ L5 + 5L3
⎪
⎪
⇐⇒ ⎨ 4y + 8z = 0 L2 Ð→ L2 + 2L3
⎪
⎪
⎪
⎩ −x + 2y + 3z = 0
y = −2z
⇐⇒ {
x = 2y + 3z = −z

41 David Pigeon - Mathématiques

8 Diagonalisation et polynôme minimal

Donc on a :
⎛⎛2⎞ ⎛−1⎞⎞ ⎛−1⎞
E1 (A) = Vect ⎜⎜1⎟ , ⎜ 0 ⎟⎟ , E−3 (A) = Vect ⎜−2⎟ .
⎝⎝0⎠ ⎝ 1 ⎠⎠ ⎝1⎠
Ainsi les dimensions des espaces propres sont respectivement égales aux ordres de multiplicité des valeurs propres
dans le polynôme caractéristique i.e. A est diagonalisable dans R. On a deux méthodes possibles.
(1) En utilisant le polynôme minimal annulateur. C’est ce que nous voyons dans cette section.
(2) En utilisant la matrice de passage (la méthode n’est pratique pas car elle nécessite de calculer l’inverse
de la matrice de passage qui peut-être aussi difficile à calculer que l’inverse de A). C’est ce que nous verrons
dans la section suivante 9.
Comme A est diagonalisable dans R, son polynôme annulateur πA est scindé à racines simples réelles, est
divisible par (X − 1)(X + 3) et divise χA i.e. on a :

πA (X) = (X − 1)(X + 3) = X 2 + 2X − 3.

On vérifie bien que (mais c’est inutile) :

πA (A) = A2 + 2A − 3I3
⎛ 2 −2 1⎞ ⎛ 2 −2 1⎞ ⎛ 2 −2 1⎞ ⎛1 0 0⎞
= ⎜ 2 −3 2⎟ ⎜ 2 −3 2⎟ + 2 ⎜ 2 −3 2⎟ − 3 ⎜0 1 0⎟
⎝−1 2 0⎠ ⎝−1 2 0⎠ ⎝−1 2 0⎠ ⎝0 0 1⎠

⎛−1 4 −2⎞ ⎛−1 4 −2⎞

= ⎜−4 9 −4⎟ + ⎜−4 9 −4⎟
⎝ 2 −4 3 ⎠ ⎝ 2 −4 3 ⎠
=0

i.e. on a A(A + 2I3 ) = 3I3 . Ainsi on a :

1
A−1 = (A + 2I3 )
3
2 −2 1⎞
1 ⎛⎛ ⎛1 0 0⎞⎞
= ⎜⎜ 2 −3 2⎟ + 2 ⎜0 1 0⎟⎟
3 ⎝⎝
−1 2 0⎠ ⎝0 0 1⎠⎠
4 −2 1⎞
1⎛
= ⎜ 2 −1 2⎟
3⎝
−1 2 2⎠

42 David Pigeon - Mathématiques

9 Diagonalisation et matrice de passage

9 Diagonalisation et matrice de passage

On va reprendre les calculs de la section précédente 8 et utiliser la matrice de passage pour calculer l’inverse
d’une matrice inversible et diagonalisable.

9.1 Introduction
On a une relation simple entre l’inverse de la matrice, la matrice de passage et la matrice diagonale.

Proposition 9.1.1

Soit A ∈ GLn (R). Supposons que A soit diagonalisable dans R i.e. il existe une matrice P ∈ GLn (R) et une
matrice diagonale :
⎛λ1 0 ⋯ 0 ⎞
⎜ 0 λ2 ⋯ 0 ⎟
D ∶= ⎜ ⎟.
⎜ ⋱ ⎟
⎝ 0 ⋯ 0 λn ⎠

telles que :
A = P DP −1
Alors on a :
⎛1/λ1 0 ⋯ 0 ⎞
⎜ 0 1/λ ⋯ 0 ⎟ −1
A−1 = P D−1 P −1 = P ⎜ 2
⎟P .
⎜ ⋱ ⎟
⎝ 0 ⋯ 0 1/λn ⎠

Démonstration. On a :
⎛ λ1 (0)⎞ ⎛1/λ1 (0) ⎞ ⎛ 1 (0)⎞
⎜ ⋱ ⎟⎜ ⋱ ⎟=⎜ ⋱ ⎟.
⎝(0) λn ⎠ ⎝ (0) 1/λn ⎠ ⎝(0) 1 ⎠
donc on a :
⎛1/λ1 (0) ⎞
D−1 = ⎜ ⋱ ⎟.
⎝ (0) 1/λn ⎠
Et de plus on a :

P D−1 P −1 A = P D−1 P −1 P DP −1
= In

D’où le résultat.

Cette méthode n’est pas pratique car elle nous demande de calculer l’inverse de P qui n’a aucune raison d’être
plus facile que le calcul de l’inverse de A.

9.2 Exemple
Calculons l’inverse de :
⎛ 2 −2 1⎞
A ∶= ⎜ 2 −3 2⎟
⎝−1 2 0⎠

43 David Pigeon - Mathématiques

9 Diagonalisation et matrice de passage

en utilisant la matrice de passage. On a trouvé dans la section précédente 8 que le polynôme caractéristique de A
est donné par :

χA (X) = −(X − 1)2 (X + 3)

et que :
⎛⎛2⎞ ⎛−1⎞⎞ ⎛−1⎞
E1 (A) = Vect ⎜⎜1⎟ , ⎜ 0 ⎟⎟ , E−3 (A) = Vect ⎜−2⎟ .
⎝⎝0⎠ ⎝ 1 ⎠⎠ ⎝1⎠
Donc A est diagonalisable. Posons alors :

⎛2 −1 −1⎞ ⎛1 0 0 ⎞
P ∶= ⎜1 0 −2⎟ , D ∶= ⎜0 1 0 ⎟ .
⎝0 1 1⎠ ⎝0 0 −3⎠

On a par exemple en utilisant la comatrice (voir le corollaire 1.1.3) :

1
P −1 = Com(P )T .
det(P )

● Comatrice de P . On a :

⎛ ∆11 (P ) −∆12 (P ) ∆13 (P ) ⎞

Com(P ) = ⎜−∆21 (P ) ∆22 (P ) −∆23 (P )⎟
⎝ ∆31 (P ) −∆32 (P ) ∆33 (P ) ⎠

⎛ ∣0 −2∣ −∣
1 −2
∣ ∣
1 0 ⎞
∣
⎜ 1 1 0 1 0 1 ⎟
⎜ ⎟
⎜ −1 −1 2 −1 2 −1 ⎟
⎜
= ⎜− ∣ ∣ ∣ ∣ −∣ ∣⎟
⎜ 1 1 0 1 0 1 ⎟ ⎟
⎜ ⎟
⎜ −1 −1 2 −1 2 −1 ⎟
⎝ ∣ 0 −2∣ − ∣1 −2∣ ∣1 0 ∣ ⎠

⎛2 −1 1 ⎞
= ⎜0 2 −2⎟
⎝2 3 1⎠

● Déterminant de P . On a :
RRR2 −1 −1RRR
RR RR
det(P ) = RRRR1 0 −2RRRR
RRR R
RR0 1 1 RRRR
0 −2 −1 −1
= 2∣ ∣−∣ ∣
1 1 1 1
=4

Ainsi on a :
1
P −1 = Com(P )T
det(P )
T
2 −1 1 ⎞
1⎛
= ⎜0 2 −2⎟
4⎝
2 3 1⎠

44 David Pigeon - Mathématiques

9 Diagonalisation et matrice de passage

1⎛
2 0 2⎞
= ⎜−1 2 3⎟
4⎝
1 −2 1⎠

● Calcul de A−1 . Comme D = P −1 AP , on a

A−1 = P D−1 P −1
2 −1 −1⎞ ⎛1 0
1⎛
0 ⎞⎛ 2 0 2⎞
= ⎜1 0 −2⎟ ⎜0 1 0 ⎟ ⎜−1 2 3⎟
4⎝
0 1 1 ⎠ ⎝0 0 −1/3⎠ ⎝ 1 −2 1⎠
6 −3 1 ⎞ ⎛ 2
1⎛
0 2⎞
= ⎜3 0 2 ⎟ ⎜−1 2 3⎟
3⎝
0 3 −1⎠ ⎝ 1 −2 1⎠
4 −2 1⎞
1⎛
= ⎜ 2 −1 2⎟
3⎝
−1 2 2⎠

45 David Pigeon - Mathématiques

10 Diagonalisation et matrice orthogonale

10 Diagonalisation et matrice orthogonale

Le problème de la section précédente 9 est qu’il faut calculer l’inverse de la matrice de passage. Il existe un
cas simple où l’inverse de la matrice de passage est simple à calculer : si la matrice de départ est symétrique alors
la matrice de passage est orthogonale. Comment faire si la matrice de départ n’est pas symétrique, on peut alors
travailler sur une matrice associée qui est le produit de la matrice de départ par sa transposée.
On aurait pu espérer que la méthode soit plus simple mais comme on le verra, à cause de l’orthonormalisation,
on va faire apparaître des racines carrées un peu partout dans le calcul, ce qui au final rendra la méthode longue
et technique.

10.1 Introduction
Définition 10.1.1
Soit A, B ∈ Mn (R).
(i) On dit que A et B sont orthogonalement semblables s’il existe une matrice P ∈ On (R) (i.e.
P −1 = P T ) telle que :
A = P T BP.
On note alors :
A ∼⊥ B.

(ii) On dit que A est orthogonalement diagonalisable s’il existe une matrice diagonale D ∈ Mn (R) :

A ∼⊥ D.

On commence par un lemme usuel sur les valeurs propres et les vecteurs propres d’une matrice symétrique.

Lemme 10.1.2

Soit C ∈ Mn (R) symétrique i.e. C T = C.

(i) Alors SpC (C) ⊂ R.
(ii) Supposons qu’il existe deux valeurs propres λ et µ distinctes de C. Soit x ∈ Eλ (C) et y ∈ Eµ (C). Alors
on a :
⟨x, y⟩ = 0.

Démonstration. (i) Soit λ ∈ SpC (C) et x ∈ Cn un vecteur propre associé à λ (non nul). Comme x est non nul, on
a:
α ∶= ∣∣x∣∣2 = xT x > 0
Et ainsi on a :
λxT x
λ=
α
xT (λx)
=
α
xT Cx
=
α
T
Cx x
=
α

46 David Pigeon - Mathématiques

10 Diagonalisation et matrice orthogonale

T
λx x
=
α
λ xT x
=
α
=λ

i.e. λ ∈ R.
(ii) On a :

(λ − µ)⟨x, y⟩ = λxT y − µxT y

= (λx)T y − xT (µy)
= (Cx)T y − xT (Cy)
= xT C T y − xT Cy
= xT Cy − xT Cy
=0

or λ − µ ≠ 0, d’où le résultat.

On en déduit alors le théorème spectral.

Proposition 10.1.3: Théorème spectral

Soit C ∈ Mn (R) symétrique. Alors C est orthogonalement diagonalisable.

Démonstration. Une preuve usuelle du théorème spectral se fait par récurrence sur la dimension.
On se place ici en dimension n ∶= 3 et on construit à la main la matrice orthogonale. La matrice C admet 3
valeurs propres réelles (comptés avec multiplicité) d’après le lemme 10.1.2.
Soit λ ∈ Sp(C). Il existe u ∈ R3 − {0} tel que Cu = λu. Posons :

F ∶= Vect(u)⊥ = {x ∈ R3 , ⟨u, x⟩ = 0}

l’orthogonal de Vect(u) dans R3 . Alors F est un sous-espace vectoriel de dimension 2 (l’orthogonale d’une droite
vectorielle en dimension 3 est un plan vectoriel) stable par C car pour tout y ∈ F :

⟨Cy, u⟩ = (Cy)T u
= yT C T u
= y T (Cu)
= λy T u
= λ⟨y, u⟩
= 0.

i.e. Cy ∈ F ′ .
Soit (v, w) une base orthonormale de F . Posons la base orthonormale B ∶= (u, v, w) et la matrice orthogonale
P ∶= (u ∣ v ∣ w). Comme F est stable par C, il existe a, b, c, d ∈ R tel que Cv = av + bw et Cw = cv + dw. On a ainsi
par changement de base :

C ′ ∶= P T CP

47 David Pigeon - Mathématiques

10 Diagonalisation et matrice orthogonale

= (MatB (Cu) ∣ MatB (Cv) ∣ MatB (Cw))

= (MatB (λu) ∣ MatB (av + bw) ∣ MatB (cv + dw))
λ 0
=∶ ( ̃′ )
0 C
avec :
̃′ ∶= (a c ) .
C
b d
La matrice C ′ est symétrique car :

(C ′ )T = (P T CP )T
= P T CT P
= P T CP
= C′

̃′ est symétrique.
Ainsi b = c i.e. C
En utilisant encore le lemme 10.1.2, soit µ une valeur propre réelle de C ̃′ . Il existe u′ ∈ R2 −{0} tel que C
̃′ u′ = µu′ .
Posons :
F ′ ∶= Vect(u′ )⊥ = {x ∈ R2 , ⟨u′ , x⟩ = 0}
l’orthogonal de Vect(u′ ) dans R2 . Alors F ′ est un sous-espace vectoriel de dimension 1 (l’orthogonale d’une droite
̃′ car pour tout y ∈ F ′ :
vectorielle en dimension 2 est un droite vectorielle) stable par C
̃′ y, u′ ⟩ = (C
⟨C ̃′ y)T u′

= yT C̃′ u′ T

̃′ u′ )
= y T (C
= µy T u′
= µ⟨y, u′ ⟩
= 0.

̃′ y ∈ F ′ .
i.e. C
Soit v ′ une base orthonormale de F ′ . Posons la base orthonormale B ′ ∶= (u′ , v ′ ) et la matrice orthogonale
̃′ ∶= (u′ ∣ v ′ ). Comme F ′ est stable par C
P ̃′ , il existe ν ∈ R tel que C
̃′ v ′ = νv ′ . On a :

̃′′ ∶= (P
C ̃′ )T C
̃′ P
̃′
= (MatB′ (C ̃′ u′ ) ∣ MatB′ (C
̃′ v ′ ))
= (MatB′ (µu′ ) ∣ MatB′ (νv ′ ))
µ 0
=( )
0 ν

Posons :
1 0
P ′ ∶= ( ̃′ )
0 P
Alors la matrice P ′ est orthogonale car :
T
1 0 1 0
(P ) P = ( ̃′ ) ( ̃′ )
′ T ′
0 P 0 P

48 David Pigeon - Mathématiques

10 Diagonalisation et matrice orthogonale

1 0
= ( ̃′ T ̃′ )
0 P P
= I3

et donc aussi P P ′ . Et on a :

(P P ′ )T CP P ′ = (P ′ )T P T CP P ′
T
1 0 λ 0 1 0
= ( ̃′ ) ( ̃ ) ( ̃′ )
0 P 0 C ′ 0 P
λ 0
=( ̃ T ̃′ ̃′ )
0 (P ) C P
′

⎛λ 0 0⎞
= ⎜ 0 µ 0⎟
⎝0 0 ν ⎠

i.e. on a :
⎛λ 0 0 ⎞
C ∼⊥ ⎜ 0 µ 0⎟ .
⎝0 0 ν ⎠

On en déduit alors une méthode pour calculer l’inverse d’une matrice sans calculer l’inverse de la matrice de
passage. Soit A ∈ GLn (R). Posons :
C ∶= AAT .
Alors C est symétrique car :

C T = (AAT )T
= AAT
= C.

Donc il existe une matrice P orthogonale et une matrice diagonale D ∈ Mn (R) telles que :

C = P DP −1 = P DP T .

Comme C −1 = (AT )−1 A−1 , on a alors :

A−1 = AT C −1
= AP D−1 P T C −1

On doit donc "seulement" calculer l’inverse d’une matrice diagonale. Comme il a été dit dans l’introduction, cela
n’empêchera pas le calcul d’être fastidieux car le calcul de P fera intervenir de nombreuses racines carrées.

10.2 Exemple
Calculons l’inverse de :
⎛ 2 −2 1⎞
A ∶= ⎜ 2 −3 2⎟
⎝−1 2 0⎠
en diagonalisant la matrice symétrique :
C ∶= AAT .

49 David Pigeon - Mathématiques

10 Diagonalisation et matrice orthogonale

On a :

C = AAT
⎛ 2 −2 1⎞ ⎛ 2 2 −1⎞
= ⎜ 2 −3 2⎟ ⎜−2 −3 2 ⎟
⎝−1 2 0⎠ ⎝ 1 2 0⎠
⎛ 9 12 −6⎞
= ⎜ 12 17 −8⎟
⎝−6 −8 5 ⎠

La matrice C est diagonalisable dans R car symétrique. On a :

χC (X) = det (C − XI3 )

RRR9 − X 12 −6 RRRR
RRR R
= RRR 12 17 − X −8 RRRR
RRR R
RR −6 −8 5 − X RRRR
RRR0 8X −36 + (9 − X)(5 − X)RRR
RR RRR L1 ←Ð 6L1 + (9 − X)L3
= RRRR0 1 − X 2 − 2X RRR
RRR RRR L2 ←Ð L2 + 2L3
RR6 −8 5−X RR
8X −36 + (9 − X)(5 − X)
= 6∣ ∣
1−X 2 − 2X
8X 9 − 14X + X 2
= 6(1 − X) ∣ ∣
1 2
= 6(1 − X)(X 2 − 30X + 9)

Posons pour e ∈ {±1} : √

a ∶= 6 6 , λe ∶= 15 + ea.
On a donc : √
Sp(C) = {1, 15 ± 6 6} = {1, λ1 , λ−1 } .
Soit x, y, z ∈ R. On a :

⎛x⎞ ⎛x⎞ ⎛x⎞

⎜y ⎟ ∈ E1 (C) ⇐⇒ C ⎜y ⎟ = ⎜y ⎟
⎝z ⎠ ⎝z ⎠ ⎝z ⎠
⎧
⎪ 9x + 12y − 6z = x
⎪
⎪
⇐⇒ ⎨ 12x + 17y − 8z = y
⎪
⎪
⎪
⎩ −6x − 8y + 5z = z
⎧
⎪ 4x + 6y − 3z = 0
⎪
⎪
⇐⇒ ⎨ 6x + 8y − 4z = 0 L2 = −2L3
⎪
⎪
⎪
⎩ −3x − 4y + 2z = 0
4x + 6y − 3z = 0
⇐⇒ {
−3x − 4y + 2z = 0
4x + 6y − 3z = 0
⇐⇒ { L2 ←Ð 4L2 + 3L1
2y − z = 0
x=0
⇐⇒ {
z = 2y

50 David Pigeon - Mathématiques

10 Diagonalisation et matrice orthogonale

et on a pour e ∈ {±1} :

⎛x⎞ ⎛x⎞ ⎛x⎞

⎜y ⎟ ∈ Eλe (C) ⇐⇒ C ⎜y ⎟ = (15 + ea) ⎜y ⎟
⎝z ⎠ ⎝z ⎠ ⎝z ⎠
⎧
⎪ 9x + 12y − 6z = (15 + ea)x
⎪
⎪
⇐⇒ ⎨ 12x + 17y − 8z = (15 + ea)y
⎪
⎪
⎪
⎩ −6x − 8y + 5z = (15 + ea)z
⎧
⎪ −(6 + ea)x + 12y − 6z = 0
⎪
⎪
⇐⇒ ⎨ 12x + (2 − ea)y − 8z = 0
⎪
⎪
⎪
⎩ −6x − 8y − (10 + ea)z = 0
⎧
⎪ (120 + 8ea)y + 2(120 + 8ea)z = 0
⎪
⎪ L1 ←Ð 6L1 − (6 + ea)L3
⇐⇒ ⎨ −(14 + ea)y − 2(14 + ea)z = 0
⎪
⎪ L2 ←Ð L2 + 2L3
⎪
⎩ 6x − 8y − (10 + ea)z = 0
⎧
⎪ y = −2z
⎪
√
⇐⇒ ⎨ 8y + (10 + ea) −6 + ea
⎪
⎪ x= z= z = (1 − e 6)z
⎩ 6 6

Donc on a en normalisant chaque vecteur :

⎛0⎞ ⎛ 1 ⎛0⎞⎞
E1 (C) = Vect ⎜1⎟ = Vect ⎜ √ ⎜1⎟⎟
⎝2⎠ ⎝ 5 ⎝2⎠⎠
√ √
⎛1 − e 6⎞ ⎛ ⎛1 − e 6⎞⎞
Eλe (C) = Vect ⎜ −2 ⎟ = Vect ⎜αe ⎜ −2 ⎟⎟
⎝ 1 ⎠ ⎝ ⎝ 1 ⎠⎠

avec pour e ∈ {±1} :

1
αe ∶= √ √ .
12 − 2e 6
Donc la matrice de passage orthogonale vaut :
√ √
⎛ 0√ α1 (1 − 6) α−1 (1 + 6)⎞
P ∶= ⎜1/√5 −2α1 −2α−1 ⎟ .
⎝2/ 5 α1 α−1 ⎠

Posons :
⎛1 0 0 ⎞ ⎛1 0√ 0 ⎞
D ∶= ⎜0 λ1 0 ⎟ ∶= ⎜0 15 + 6 6 0 √ ⎟.
⎝0 0 λ−1 ⎠ ⎝0 0 15 − 6 6⎠
Ainsi on a :
C −1 =P D−1 P T
√ √ √ √
⎛ 0√ α1 (1 − 6) α−1 (1 + 6)⎞ ⎛1 0 0 ⎞⎛ 0 √ 1/ 5 2/ 5⎞
= ⎜1/√5 −2α1 −2α−1 ⎟ ⎜0 1/λ1 0 ⎟⎜ (1
⎜ 1 − √6)
α −2α1 α1 ⎟
⎟
⎝2/ 5 α1 α−1 ⎠ ⎝ 0 0 ⎠
1/λ−1 ⎝α−1 (1 + 6) −2α−1 α−1 ⎠
√ √ √ √
⎛ 0√ α1 (1 − 6) α−1 (1 + 6)⎞ ⎛ 0√ 1/ 5 2/ 5 ⎞
= ⎜1/√5 −2α1 −2α−1 ⎟ ⎜ ⎜ α1 (1 − √6) /λ1 −2α1 /λ1 α1 /λ1 ⎟⎟
⎝2/ 5 α1 α−1 ⎠ ⎝α−1 (1 + 6) /λ−1 −2α−1 /λ−1 α−1 /λ−1 ⎠

51 David Pigeon - Mathématiques

10 Diagonalisation et matrice orthogonale

7 −4 2⎞
1⎛
= ⎜−4 3 0⎟
3⎝
2 0 3⎠

Ainsi comme C −1 = (AT )−1 A−1 , on a :

A−1 =AT C −1
2 −1⎞ ⎛ 7 −4 2⎞
1⎛
2
= ⎜−2 −3 2 ⎟ ⎜−4 3 0⎟
3⎝
1 2 0 ⎠⎝ 2 0 3⎠
4 −2 1⎞
1⎛
= ⎜ 2 −1 2⎟
3⎝
−1 2 2⎠

52 David Pigeon - Mathématiques

11 Décomposition de Schur

11 Décomposition de Schur
La décomposition de Schur permet de trigonaliser une matrice trigonalisable dans R avec une matrice de
changement de base orthogonale. On obtient un algorithme simple : l’ingrédient de base est la construction de
bases orthonormales successives ayant pour premier vecteur le normalisé d’un vecteur propre.

11.1 Introduction
On rappelle la définition d’une matrice trigonalisable.

Définition 11.1.1
(i) On dit que M est trigonalisable (dans R) si M est semblable à une matrice triangulaire i.e. il existe
P ∈ GLn (R) et une matrice triangulaire T ∈ Mn (R) telle que :

M = P T P −1 .

(ii) On dit que M est orthogonalement trigonalisable (dans R) si M est orthogonalement semblable
à une matrice triangulaire i.e. il existe P ∈ On (R) et une matrice triangulaire T ∈ Mn (R) telle que :

M = PTPT.

Posons :
⎛ λ1 (0)⎞
T ∶= ⎜ ⋱ ⎟.
⎝(0) λn ⎠
Comme :

χM (X) = det(M − XIn )

= det(P T P −1 − XIn )
= det(T − XIn )
= χT (X)
n
= ∏(λi − X)
i=1

on en déduit que M a n valeurs propres réelles (comptés avec multiplicité).

On commence par un lemme.

Lemme 11.1.2
Soit M ∈ Mn (R) une matrice trigonalisable dans R, (u1 , . . . , un ) une base de vecteurs propres associés
respectivement aux valeurs propres réelles λ1 , . . . , λn de M . Posons :
u1
w1 ∶= .
∣∣u1 ∣∣

Complétons w1 en une base orthonormée (w1 , . . . , wn ) de Rn . Posons la matrice :

Q ∶= (w1 ∣ ⋯ ∣ wn ) ∈ On (R).

53 David Pigeon - Mathématiques

11 Décomposition de Schur

Alors QT M Q est du type :

λ1 ∗
( ) ∶= QT M Q
0 M′
avec M ′ ∈ Mn−1 (R). La matrice M ′ vérifie de plus les deux propriétés suivantes.
(i) On a :
Sp(M ′ ) = {λ2 , . . . , λn }.

(ii) Posons pour tout i ∈ {2, . . . , n}, u′i ∈ Rn−1 tel que :

∗
QT ui = ( ′ ) .
ui

Alors on a u′i ∈ Eλi (M ′ ).

Démonstration. Par le changement de base donné par la matrice Q, la première colonne de la matrice QT M Q =
Q−1 M Q est la décomposition du vecteur M w1 = λ1 w1 dans la base (w1 , . . . , wn ) i.e. cette première colonne vaut
simplement :
λ
( 1) .
0
D’où la forme de la matrice QT M Q.
(i) On a :

χM (X) = det(M − XIn )

= det(QT M Q − XIn )
λ −X ∗
=∣ 1 ∣
0 M − XIn−1
′

= (λ1 − X) det(M ′ − XIn−1 )

= (λ1 − X)χM ′ (X)

D’où le résultat.
(ii) On a :

∗ ∗
( ) = λi ( ′ )
λi u′i ui
= λi QT ui
= QT M u i
= QT M QQT ui
λ1 bT
=( ) QT ui
0 M′
λ1 bT ∗
=( ′) ( ′ )
0 M ui
∗
=( )
M ′ u′ i

Donc on a M ′ u′i = λi u′i .

54 David Pigeon - Mathématiques

11 Décomposition de Schur

On a donc un algorithme simple pour obtenir la décomposition de Schur, il suffit de réappliquer le lemme avec
la matrice M ′ . On obtient alors le résultat suivant.

Proposition 11.1.3: Décomposition de Schur

Soit M ∈ Mn (R) une matrice trigonalisable dans R. Alors M est orthogonalement trigonalisable i.e. il existe
une matrice T triangulaire supérieure et Q une matrice orthogonale telles que :

M = QT QT .

Démonstration. Expliquons l’algorithme dans la cas n ∶= 3. Soit (u1,0 , u2,0 , u3,0 ) une base de vecteurs propres res-
pectivement associés à λ1 , λ2 , λ3 les trois valeurs propres réelles de M (comptées avec multiplicité).

Première étape. Posons :

u1,0
w1,0 ∶= .
∣∣u1,0 ∣∣
On construit une base orthonormale B0 ∶= (w1,0 , w2,0 , w3,0 ) avec pour premier vecteur w1,0 par le procédé d’ortho-
normalisation de Gram-Schmidt. Posons :

Q0 ∶= (w1,0 ∣ w2,0 ∣ w3,0 ) .

On a donc :

⎛w1,0 ⎞
QT0 AQ0 = ⎜w2,0 ⎟ A (w1,0 ∣ w2,0 ∣ w3,0 )
⎝w3,0 ⎠
= (MatB0 (Aw1,0 ) ∣ MatB0 (Aw2,0 ) ∣ MatB0 (Aw3,0 ))
= (MatB0 (λ1 w1,0 ) ∣ MatB0 (Aw2,0 ) ∣ MatB0 (Aw3,0 ))
λ ∗
=∶ ( 1 )
0 A1
avec :
A1 ∈ GL2 (R).
Deuxième étape. Posons u2,1 , u3,1 ∈ R2 tels que :

∗
QT0 u2,0 = ( )
u2,1
∗
QT0 u3,0 = ( )
u3,1

Par le lemme 11.1.2, on a que Sp(A1 ) = {λ2 , λ3 } et

Eλ2 (A1 ) = Vect(u2,1 ) , Eλ3 (A1 ) = Vect(u3,1 ).

Troisième étape. Posons :

u2,1
w2,1 ∶= .
∣∣u2,1 ∣∣

55 David Pigeon - Mathématiques

11 Décomposition de Schur

On construit par le procédé d’orthonormalisation de Gram-Schmidt (voir la section 13 pour des détails sur ce
procédé) une base orthonormale B1 ∶= (w2,1 , w3,1 ) avec pour premier vecteur w2,1 . Posons :

̃1 ∶= (w2,1 ∣ w3,1 ) , Q1 ∶= (1 0 ) .
Q ̃1
0 Q
̃1 est orthogonale. La matrice Q1 est aussi orthogonale car :
La matrice Q
1 0 1 0
Q1 QT1 = ( ̃ )( ̃T )
0 Q1 0 Q 1
1 0
=( ̃T )
̃1 Q
0 Q 1
1 0
=( )
0 I2
= I3
On a donc :

̃1 = (w2,1 ) A1 (w2,1 ∣ w3,1 )

̃ T A1 Q
Q 1
w3,1
= (MatB1 (A1 w2,1 ) ∣ MatB1 (A1 w3,1 ))
= (MatB1 (λ2 w2,1 ) ∣ MatB1 (A1 w3,1 ))
λ ∗
=∶ ( 2 )
0 λ3
Et ainsi, on a :
λ1 ∗
T ∶= QT1 ( ) Q1
0 A1
1 0 λ1 ∗ 1 0
=( ̃ T)( 0 )( ̃1 )
0 Q1 A1 0 Q
λ1 ∗
=( ̃ T ̃1 )
0 Q1 A1 Q
⎛ λ1 (∗)⎞
=⎜ λ2 ⎟
⎝(0) λ3 ⎠
Posons :
Q ∶= Q0 Q1 .
La matrice Q est orthogonale et on a :
QT AQ = QT1 QT0 AQ0 Q1
λ1 ∗
= QT1 ( ) Q1
0 A1
=T
Et donc on a :
⎛ λ1 (∗)⎞
A = QT QT = Q ⎜ λ2 ⎟ QT
⎝(0) λ3 ⎠
i.e. A ∼⊥ T .

56 David Pigeon - Mathématiques

11 Décomposition de Schur

Soit λ1 , . . . , λn les valeurs propres réelles de A comptés avec multiplicité et u1,0 , . . . , un,0 des vecteurs propres
respectivement associés. On construit successivement des matrices Q0 , . . . , Qn−2 orthogonales par récurrence sur la
taille n de la matrice. Expliquons les deux premières étapes.
(1) Soit :
u1,0
B0 ∶= (w1,0 ∶= , w2,0 , . . . , wn,0 )
∣∣u1,0 ∣∣
une base orthonormée avec pour premier vecteurs le normalisé de u1,0 . On pose :
● la matrice orthogonale :
Q0 ∶= (w1,0 ∣ w2,0 ∣ . . . ∣ wn,0 )

● A1 ∈ GLn−1 (R) la matrice telle que :

λ1 ∗
QT0 AQ0 = ( ).
0 A1

● posons u2,1 , . . . , un,1 ∈ Rn−1 tels que

∗ ∗ ∗
QT0 u2,0 = ( ) , QT0 u3,0 = ( ) . . . QT0 un,0 = ( ).
u2,1 u3,1 un,1

Par le lemme 11.1.2, on a que Sp(A1 ) = {λ2 , . . . , λn } et pour tout i ∈ {2, . . . , n}, ui,1 ∈ Eλi (A1 ).
(2) Soit :
u2,1
B1 ∶= (w2,1 ∶= , w3,1 , . . . , wn,1 )
∣∣u2,1 ∣∣
une base orthonormée avec pour premier vecteurs le normalisé de u2,1 . On pose :
● les matrices orthogonales :

̃1 ∶= (w2,1 ∣ w3,1 ∣ . . . ∣ wn,1 ) , Q1 ∶= (1 0 )

Q ̃1
0 Q

● A2 ∈ GLn−1 (R) la matrice telle que :

̃ 1 = (λ2 ∗ ) .
̃ T A1 Q
Q 1
0 A2

● posons u3,2 , . . . , un,2 ∈ Rn−2 tels que

∗ ∗ ∗
QT1 u3,1 = ( ) , QT0 u4,1 = ( ) . . . QT0 un,1 = ( ).
u3,2 u4,2 un,2

Par le lemme 11.1.2, on a que Sp(A2 ) = {λ3 , . . . , λn } et pour tout i ∈ {3, . . . , n}, ui,2 ∈ Eλi (A2 ).
Et ainsi de suite, on construit une suite de matrices orthogonales Q0 , Q1 , . . . , Qn−2 . On pose alors :

Q ∶= Q0 ⋯Qn−2 .

On a :

T ∶= QT AQ
= QTn−1 ⋯QT0 AQ0 ⋯Qn−1
λ1 ∗
= QTn−1 ⋯QT1 ( ) Q1 ⋯Qn−1
0 A1

57 David Pigeon - Mathématiques

11 Décomposition de Schur

⎛λ1 ∗ ∗ ⎞
= QTn−1 ⋯QT2 ⎜ 0 λ2 ∗ ⎟ Q2 ⋯Qn−1
⎝ 0 0 A2 ⎠

⎛ λ1 (∗) ⎞
⎜ ⋱ ⎟
= QTn−2 ⎜ ⎟ Qn−2
⎜ λn−2 ⎟
⎝(0) An−2 ⎠
⎛ λ1 (∗)⎞
=⎜ ⋱ ⎟
⎝(0) λn ⎠

On a ainsi A = QT QT et :
A−1 = QT −1 QT

11.2 Exemple
Calculons l’inverse de :
⎛ 2 −2 1⎞
A ∶= ⎜ 2 −3 2⎟
⎝−1 2 0⎠
en utilisant la décomposition de Schur. On a trouvé dans la section 8 que le polynôme caractéristique de A est
donné par :

χA (X) = −(X − 1)2 (X + 3)

et que :
⎛⎛2⎞ ⎛−1⎞⎞ ⎛−1⎞
E1 (A) = Vect ⎜⎜1⎟ , ⎜ 0 ⎟⎟ , E−3 (A) = Vect ⎜−2⎟ .
⎝⎝0⎠ ⎝ 1 ⎠⎠ ⎝1⎠

Donc A est diagonalisable (donc trigonalisable) dans R. Posons :

⎛2⎞ ⎛−1⎞ ⎛−1⎞

u1,0 ∶= ⎜1⎟ , u2,0 ∶= ⎜ 0 ⎟ , u3,0 ∶= ⎜−2⎟ .
⎝0⎠ ⎝1⎠ ⎝1⎠

Première étape. On construit une base orthonormale avec pour premier vecteur le normalisé de u1,0 :

u1,0 ⎛ 1 ⎛2⎞ 1 ⎛−1⎞ ⎛0⎞⎞

B0 ∶= (w1,0 ∶= , w2,0 , w3,0 ) ∶= ⎜ √ ⎜1⎟ , √ ⎜ 2 ⎟ , ⎜0⎟⎟
∣∣u1,0 ∣∣ ⎝ 5 ⎝0⎠ 5 ⎝ 0 ⎠ ⎝1⎠⎠

Posons :
2 −1 0 ⎞
1 ⎛
Q0 ∶= √ ⎜1 2 √0 ⎟
5 ⎝0 0 5⎠
On a :
2 1 0 ⎞ ⎛ 2 −2 1⎞ 2 −1 0 ⎞
1 ⎛ 1 ⎛
QT0 AQ0 = √ ⎜−1 2 √0 ⎟ ⎜ 2 −3 2⎟ √ ⎜1 2 √0 ⎟
5⎝0 0 5⎠ ⎝−1 2 0⎠ 5 ⎝0 0 5⎠

58 David Pigeon - Mathématiques

11 Décomposition de Schur

√
⎛5 −20 4√5⎞
1
= ⎜0 −10
√ 3 5⎟
5⎝
0 5 5 0 ⎠
1 ∗
=∶ ( )
0 A1
avec : √
1 −10 3 5
A1 ∶= ( √ ).
5 5 5 0
Deuxième étape. On a :
√
⎛ 2 1 0 ⎞ ⎛−1⎞ ⎛−2/√ 5⎞ √
1 −2/ 5
Q0 u2,0 = √ ⎜−1 2 √0 ⎟ ⎜ 0 ⎟ = ⎜ 1/ 5 ⎟ = (
T
)
5⎝0 0 u2,1
5⎠ ⎝ 1 ⎠ ⎝ 1 ⎠
√
⎛ 2 1 0 ⎞ ⎛−1⎞ ⎛−4/√5⎞ √
1 −4/ 5
Q0 u3,0 = √ ⎜−1 2 √0 ⎟ ⎜−2⎟ = ⎜−3/ 5⎟ = (
T
)
5⎝0 0 ⎠ ⎝ ⎠ ⎝ ⎠ u3,1
5 1 1

Par le lemme 11.1.2, on a que Sp(A1 ) = {1, −3} et

√
1/ 5
E1 (A1 ) = Vect (u2,1 ) = Vect ( )
1
√
−3/ 5
E−3 (A1 ) = Vect (u3,1 ) = Vect ( ).
1

Troisième étape. On construit une base orthonormale avec pour premier vecteur le normalisé de u2,1 :

u2,1
B1 ∶= (w2,1 ∶= , w3,1 )
∣∣u2,1 ∣∣
√
⎛ 1 1/ 5 ⎞
= √ ( ) , w3,0
⎝ 6/5 1 ⎠
√ √
1/ 6 − 5/6
= ((√ ) , ( √ ))
5/6 1/ 6

Posons :
⎛1 0
√ √0 ⎞
⎜ 1/ 6 − 5/6⎟
Q1 ∶= ⎜0 √
√ ⎟
⎝0 5/6 1/ 6 ⎠
On a donc :
1 ∗
T ∶= QT1 ( ) Q1
0 A1
√
⎛1 0
√ √0 ⎞ 1 ⎛5 −20 4√5⎞ ⎛1 0
√ √0 ⎞
=⎜
⎜
⎟ ⎜0 −10 3 5⎟ ⎜0 1/ 6 − 5/6⎟
√ ⎟5 ⎜ √ √ ⎟
0 1/
√ 6 5/6 √
⎝0 − 5/6 1/ 6⎠ ⎝0 5 5 0 ⎠ ⎝0 5/6 1/ 6 ⎠
√
−20 5 ⎞ ⎛1 √0 √0 ⎞
1⎛
5 √ 4√ √
= ⎜0 5√ 6/2 12 √6 5⎟ ⎜ ⎜ √ − 6/5⎟
√ ⎟
0 6
5⎝ ⎠
0 5 30/2 −5 6/2 ⎝0 6/5 6 ⎠

59 David Pigeon - Mathématiques

11 Décomposition de Schur

√
⎛1 0 4 6/5
√ ⎞
= ⎜0 1 −2/ 5⎟
⎝0 0 −3 ⎠

et :

Q ∶= Q0 Q1
2 −1 0 ⎞ ⎛1 0 √0 ⎞
1 ⎛ √
= √ ⎜1 2 √0 ⎟ ⎜ ⎜ √ − 5/6⎟
√ ⎟
0 1/ 6
5 ⎝0 0 ⎠
5 ⎝0 5/6 1/ 6 ⎠
√ √ √
⎛2/√5 −1/√ 30 1/ √6 ⎞
=⎜⎜1/ 5 2/√ 30 −2/√ 6⎟
⎟
⎝ 0 5/6 1/ 6 ⎠

Comme T est triangulaire supérieure, son inverse se calcule facilement, on a par la proposition A.6.2 :
√
⎛1 0 8/ √ 30 ⎞
T = ⎜0 1 −2/(3 5)⎟ .
−1
⎝0 0 −1/3 ⎠

Comme :
1 ∗
T = QT1 ( ) Q1
0 A1
= QT1 QT0 AQ0 Q1
= QT AQ

on a :

A−1 = QT −1 QT
√ √ √ √ √ √
⎛2/√5 −1/√ 30 1/ √6 ⎞ ⎛1 0 8/ √30 ⎞ ⎛ 2/ √5 1/ 5 √0 ⎞
√
=⎜⎜1/ 5 2/
⎟ ⎜
√ 30 −2/√ 6⎟ ⎜0 1 −2/(3 5)⎟ ⎜−1/√ 30 2/ √
⎟
⎝ ⎠
30 √ ⎟
5/6
⎝ 0 5/6 1/ 6 ⎠ 0 0 −1/3 ⎝ 1/ 6 −2/ 6 1/ 6⎠
√ √ √ √ √
⎛2/√5 −1/√ 30 √6/2 ⎞ ⎛ 2/ √5 1/ 5 √0 ⎞
√
=⎜⎜
⎟ ⎜−1/ 30 2/ 30
⎟ ⎜
⎟
√ ⎟
1/ 5 2/
√ 30 6/3 5/6
√ √ √
⎝ 0 5/6 −1/ 6⎠ ⎝ 1/ 6 −2/ 6 1/ 6⎠
4 −2 1⎞
1⎛
= ⎜ 2 −1 2⎟
3⎝
−1 2 2⎠

60 David Pigeon - Mathématiques

12 Décomposition de Cholesky

12 Décomposition de Cholesky
Dans la section 10, on a utilisé la matrice AAT symétrique ce qui nous a permis de diagonaliser avec une
matrice orthogonale.
Il y a une information que l’on n’a pas exploitée : comme la matrice A est inversible, alors la matrice AAT est
définie positive. Grâce à cette nouvelle propriété, on obtient une nouvelle décomposition simple.

12.1 Introduction
On rappelle qu’une matrice symétrique réelle est diagonalisable et toutes ses valeurs propres sont réelles (voir
la section 10). On commence par une définition.

Définition 12.1.1
Soit B ∈ Mn (R) une matrice symétrique. On dit que B est définie positive si toutes les valeurs propres
de B sont strictement positives.

Ainsi si B est symétrique et définie positive, il existe une matrice P ∈ On (R) tel que :

⎛ λ1 (0)⎞
P BP = ⎜
T
⋱ ⎟
⎝(0) λn ⎠

avec λ1 , . . . , λn > 0 les valeurs propres de B. Ainsi B est semblable à une matrice diagonale avec des éléments
strictement positifs sur la diagonale (en particulier B est inversible).

Lemme 12.1.2

(i) Soit A ∈ GLn (R). Alors la matrice B ∶= AAT est une matrice symétrique définie positive.
(ii) Soit B ∈ GLn (R) une matrice symétrique définie positive. Alors les mineurs principaux de B sont tous
strictement positifs.

Démonstration. (i) On a :

B T = (AAT )T
= (AT )T AT
= AAT
=B

Soit λ une valeur propre de B et v un vecteur propre associé. Posons u ∶= AT v. Comme v est non nul et
comme AT est inversible, on a que u est non nul i.e. ∣∣u∣∣2 > 0. On a donc :

λ∥v∥2 = λv T v
= v T Bv
= v T AAT v
= (AT v)T AT v
= uT u

61 David Pigeon - Mathématiques

12 Décomposition de Cholesky

= ∣∣u∣∣2 > 0

i.e. on a λ > 0 car ∥v∥2 > 0 (v est non nul).

⎛ λ1 (0)⎞
P T BP = ⎜ λ2 ⎟
⎝(0) λ3 ⎠

avec λ1 , λ2 , λ3 > 0. On a :

⎛λ1 0 0 ⎞
B = P ⎜ 0 λ2 0 ⎟ P T
⎝ 0 0 λ3 ⎠

⎛p11 p12 p13 ⎞ ⎛λ1 0 0 ⎞ ⎛p11 p21 p31 ⎞

= ⎜p21 p22 p23 ⎟ ⎜ 0 λ2 0 ⎟ ⎜p12 p22 p32 ⎟
⎝p31 p32 p33 ⎠ ⎝ 0 0 λ3 ⎠ ⎝p13 p23 p33 ⎠

On a :

µ1 (B) = b11
= λ1 p211 + λ2 p212 + λ3 p213 > 0
µ3 (B) = det(B)
⎛ ⎛λ1 0 0 ⎞ ⎞
= det ⎜P ⎜ 0 λ2 0 ⎟ P T ⎟
⎝ ⎝ 0 0 λ3 ⎠ ⎠
= det(P )2 λ1 λ2 λ3 > 0

Comme P est inversible, les deux dernières lignes sont non colinéaires i.e. un des trois déterminants suivant
est non nul :
∆33 (P ) , ∆32 (P ) , ∆31 (P ).
Donc on a :
b b
µ2 (B) = ∣ 11 12 ∣
b12 b22
= b11 b22 − b212
= (λ1 p211 + λ2 p212 + λ3 p213 )(λ1 p221 + λ2 p222 + λ3 p223 ) − (λ1 p11 p21 + λ2 p12 p22 + λ3 p13 p23 )2
= λ1 λ2 (p211 p222 + p212 p221 − 2p11 p12 p21 p22 ) + λ1 λ3 (p211 p223 + p213 p221 − 2p11 p13 p21 p23 )
+ λ2 λ3 (p212 p223 + p213 p222 − 2p12 p13 p22 p23 )
= λ1 λ2 (p11 p22 − p12 p21 )2 + λ1 λ3 (p11 p23 − p13 p21 )2 + λ2 λ3 (p12 p23 − p13 p22 )2
= λ1 λ2 ∆33 (P )2 + λ1 λ3 ∆32 (P )2 + λ2 λ3 ∆31 (P )2 > 0

On en déduit la décomposition de Cholesky.

62 David Pigeon - Mathématiques

12 Décomposition de Cholesky

Proposition 12.1.3: Décomposition de Cholesky

Soit B ∈ GLn (R) une matrice symétrique définie positive. Alors il existe une unique matrice réelle triangulaire
inférieure L à coefficients diagonaux strictement positifs telle que :

B = LLT .

Démonstration. Montrons le résultat dans le cas n ∶= 3. Posons :

⎛b11 b12 b13 ⎞

B ∶= ⎜b12 b22 b23 ⎟ .
⎝b13 b23 b33 ⎠

Soit la matrice :
⎛a 0 0 ⎞
L ∶= ⎜ b c 0 ⎟
⎝d e f ⎠
avec a, c, f > 0. Comme :

⎛a 0 0 ⎞ ⎛a b d ⎞
LL = ⎜ b c 0 ⎟ ⎜0 c e ⎟
T
⎝d e f ⎠ ⎝ 0 0 f ⎠
2
⎛a ab ad ⎞
= ⎜ ab b + c
2 2
bd + ce ⎟
⎝ad bd + ce d2 + e2 + f 2 ⎠

on a les équivalences :
2
⎛b11 b12 b13 ⎞ ⎛ a ab ad ⎞
B = LL T
⇐⇒ ⎜b12 b22 b23 ⎟ = ⎜ ab b2 + c2 bd + ce ⎟
⎝b13 b23 b33 ⎠ ⎝ad bd + ce d2 + e2 + f 2 ⎠
⎧
⎪ a2 = b11
⎪
⎪
⎪
⎪
⎪
⎪ ab = b12
⎪
⎪
⎪ ad = b
⇐⇒ ⎨ 2 213
⎪
⎪ b + c = b22
⎪
⎪
⎪
⎪
⎪ bd + ce = b23
⎪
⎪
⎪
⎩ d + e + f = b33
2 2 2
√ √
⎧
⎪ a = b11 = µ1 car a, c, f > 0
⎪
⎪
⎪
⎪
⎪
⎪ b12 b 12
⎪
⎪ b= =√
⎪
⎪
⎪ a µ1
⎪
⎪
⎪
⎪
⎪
⎪ d=
b13
=√
b13
⎪
⎪
⎪ a µ1 ¿
⎪
⎪
⎪
⎪
⎪ √ Á b22 b11 − b2 √
⇐⇒ ⎨ c = b22 − b2 = Á À 12
=
µ2
⎪
⎪
⎪ µ µ1
⎪
⎪
⎪
1
⎪
⎪ b − bd b b − b b
⎪
⎪
⎪ e=
23
=
11 23
√
12 13
⎪
⎪
⎪ c µ µ
⎪
⎪ √1 2
⎪
⎪
⎪ µ b −(b b −b12 b13 )2 √
⎪
⎪ √ b33 µ2 − 2 12 11µ23
⎪
⎪
⎪
1 det(B)
⎪ f = b33 − d − e = √ = √
2 2
⎪
⎩ µ2 µ2

63 David Pigeon - Mathématiques

12 Décomposition de Cholesky

1 ⎛ 2 ⎞
µ 0 0
⇐⇒ L = √ ⎜µ2 b12 µ2 b13 √ 0 ⎟
µ1 µ2 ⎝
µ2 b11 b23 − b12 b13 µ1 det(B)⎠

D’où l’existence et l’unicité par l’équivalence.

On obtient alors une technique simple pour calculer l’inverse d’une matrice A. On pose :

B ∶= AAT

Alors B est symétrique définie positive. Donc il existe une unique matrice réelle triangulaire inférieure L à coeffi-
cients diagonaux strictement positifs telle que :
B = LLT .
Comme :
A−1 = AT B −1
on a donc :
A−1 = AT (L−1 )T L−1 (12.1.1)

12.2 Exemple
Calculons l’inverse de :
⎛ 2 −2 1⎞
A ∶= ⎜ 2 −3 2⎟
⎝−1 2 0⎠

en utilisant la décomposition de Cholesky et la formule (12.1.1). On a :

B ∶= AAT
⎛ 2 −2 1⎞ ⎛ 2 2 −1⎞
= ⎜ 2 −3 2⎟ ⎜−2 −3 2 ⎟
⎝−1 2 0⎠ ⎝ 1 2 0⎠
⎛ 9 12 −6⎞
= ⎜ 12 17 −8⎟
⎝−6 −8 5 ⎠

Soit la matrice :
⎛a 0 0 ⎞
L ∶= ⎜ b c 0 ⎟
⎝d e f ⎠
avec a, c, f > 0. On a :

⎛ 9 12 −6⎞ ⎛ a
2
ab ad ⎞
B = LL
T
⇐⇒ ⎜ 12 17 −8⎟ = ⎜ ab b2 + c2 bd + ce ⎟
⎝−6 −8 5 ⎠ ⎝ad bd + ce d2 + e2 + f 2 ⎠
⎧
⎪ a = 3, b = 4, d = −2
⎪
⎪
Ô⇒ ⎨ c2 + b2 = 17, bd + ce = −8
⎪
⎪ 4 + e2 + f 2 = 5
⎪
⎩
⎧
⎪ a = 3, b = 4, d = −2
⎪
⎪
⇐⇒ ⎨ c = 1, e = 0
⎪
⎪
⎪
⎩ f =1

64 David Pigeon - Mathématiques

12 Décomposition de Cholesky

⎛ 3 0 0⎞
⇐⇒ L = ⎜ 4 1 0⎟
⎝−2 0 1⎠

On calcule facilement l’inverse de L par une des méthodes exposées avant car L est triangulaire inférieure. En
utilisant la formule de la proposition A.6.1 pour l’inverse d’une matrice triangulaire inférieure, on a :

1⎛
1 0 0⎞
L−1 = ⎜−4 3 0⎟
3⎝
2 0 3⎠

Et donc on a :
T
B −1 = (L−1 ) L−1
1 −4 2⎞ ⎛ 1 0 0⎞
1⎛
= ⎜0 3 0⎟ ⎜−4 3 0⎟
9⎝
0 0 3⎠ ⎝ 2 0 3⎠
7 −4 2⎞
1⎛
= ⎜−4 3 0⎟
3⎝
2 0 3⎠

Et ainsi on a :

A−1 = AT B −1
2 −1⎞ ⎛ 7 −4 2⎞
1⎛
2
= ⎜−2 −3 2 ⎟ ⎜−4 3 0⎟
3⎝
1 2 0 ⎠⎝ 2 0 3⎠
4 −2 1⎞
1⎛
= ⎜ 2 −1 2⎟
3⎝
−1 2 2⎠

65 David Pigeon - Mathématiques

13 Décomposition QR et orthonormalisation de Gram-Schmidt

13 Décomposition QR et orthonormalisation de Gram-Schmidt

Dans cette section, on expose la décomposition QR d’une matrice inversible en utilisant l’orthonormalisation
de Gram-Schmidt pour trouver la matrice orthogonale Q. Dans la section suivante 14 et dans l’appendice D, on
verra deux autres méthodes pour calculer une matrice Q.

13.1 Introduction
Définition 13.1.1
Soit (u1 , . . . , uk ) une famille libre de Rn avec k ∈ {1, . . . , n} (donc sans vecteurs nuls).
(i) On dit que (u1 , . . . , uk ) est une famille orthogonale de Rn si a :

∀i, j ∈ {1, . . . , n}, i ≠ j Ô⇒ ⟨ui , uj ⟩ = 0.

On dit de plus que la famille est une base orthogonale si de plus c’est une base de Rn (i.e. k = n).
(ii) On dit que (u1 , . . . , uk ) est une famille orthonormale de Rn si :

∀i, j ∈ {1, . . . , n}, ⟨ui , uj ⟩ = δi,j .

On dit de plus que la famille est une base orthonormale si de plus c’est une base de Rn (i.e. k = n).
a. On pourrait définir plus généralement une famille orthogonale avec des vecteurs nuls.

On a alors le procédé d’orthonormalisation de Gram-Schmidt qui construit une base orthonormale (pour le
produit scalaire usuel) à partir d’une base donnée.

Lemme 13.1.2: Orthonormalisation de Gram-Schmidt

Soit (u1 , . . . , un ) une base de Rn . Définissons les deux familles (v1 , . . . , vn ) et (w1 , . . . , wn ) par la récurrence
suivante :

v1 ∶= u1
v1
w1 ∶=
∣∣v1 ∣∣
k−1
vk ∶= uk − ∑ ⟨uk , wi ⟩wi (k ∈ {2, . . . , n})
i=1
vk
wk ∶= (k ∈ {2, . . . , n})
∣∣vk ∣∣

Alors on a les résultats suivants :

(i) la famille (v1 , . . . , vn ) est une base orthogonale de Rn ;
(ii) la famille (w1 , . . . , wn ) est une base orthonormale de Rn ;
(iii) pour tout k ∈ {1, . . . , n} :

VectR (u1 , . . . , uk ) = VectR (v1 , . . . , vk ) = VectR (w1 , . . . , wk ) .

On pose alors :
(w1 , . . . , wn ) ∶= GS (u1 , . . . , un ) .

66 David Pigeon - Mathématiques

13 Décomposition QR et orthonormalisation de Gram-Schmidt

Démonstration. Montrons le lemme pour n ∶= 3. On a :

u1
v1 ∶= u1 w1 ∶=
∣∣u1 ∣∣
v2
v2 ∶= u2 − ⟨u2 , w1 ⟩w1 w2 ∶=
∣∣v2 ∣∣
v3
v3 ∶= u3 − ⟨u3 , w2 ⟩w2 − ⟨u3 , w1 ⟩w1 w3 ∶=
∣∣v3 ∣∣
On commence par une remarque :
(∗) pour tout vecteurs non nuls x ∈ Rn , on a x/∣∣x∣∣ unitaire (i.e. de norme 1) car :

x ∣∣x∣∣
∥ ∥= = 1.
∣∣x∣∣ ∣∣x∣∣

Montrons que la famille (v1 , v2 , v3 ) est libre (donc sans vecteur nul).
(1) Par définition, on a :
VectR (u1 ) = VectR (v1 ) = VectR (w1 ) .
(2) On a par linéarité du produit scalaire :

⟨v1 , v2 ⟩ = ⟨v1 , u2 − ⟨u2 , w1 ⟩w1 ⟩

= ⟨v1 , u2 ⟩ − ⟨u2 , w1 ⟩⟨v1 , w1 ⟩
v1 v1
= ⟨v1 , u2 ⟩ − ⟨u2 , ⟩⟨v1 , ⟩
∣∣v1 ∣∣ ∣∣v1 ∣∣
= ⟨v1 , u2 ⟩ − ⟨u2 , v1 ⟩
=0

Et on a par définition :
v1 , v2 ∈ VectR (u1 , u2 , w1 ) = VectR (u1 , u2 )
i.e. on a :
VectR (v1 , v2 ) ⊂ VectR (u1 , u2 ) .
Montrons que (v1 , v2 ) est une famille libre. Supposons par l’absurde v2 soit colinéaire à v1 i.e. v2 = αv1 (α ∈ R).
Alors on a :

u2 = v2 + ⟨u2 , w1 ⟩w1
⟨u2 , w1 ⟩
= (α + ) v1
∣∣u1 ∣∣

i.e. la famille (u1 , u2 ) est liée (ce qui est contradictoire). Donc la famille (v1 , v2 ) est libre. Donc la famille
(v1 , v2 ) est orthogonale et :
VectR (v1 , v2 ) = VectR (u1 , u2 ) .
Comme la famille (v1 , v2 ) est libre, elle ne contient pas de vecteur non nul. Donc la famille (w1 , w2 ) est normale
(i.e. ne contient que des vecteurs unitaires) par la remarque (∗) et libre (car si la famille (w1 , w2 ) est liée i.e.
w1 et w2 colinéaires, alors la famille (v1 , v2 ) serait liée, ce qui est contradictoire). Donc la famille (w1 , w2 ) est
orthormale. On a de plus :
w1 , w2 ∈ VectR (u1 , v2 ) = VectR (v1 , v2 )
i.e. comme la famille (w1 , w2 ) est libre, on a :

VectR (w1 , w2 ) = VectR (v1 , v2 ) .

67 David Pigeon - Mathématiques

13 Décomposition QR et orthonormalisation de Gram-Schmidt

(3) Pour i ∈ {1, 2}, on a par linéarité du produit scalaire :

⟨vi , v3 ⟩ = ⟨vi , u3 − ⟨u3 , w2 ⟩w2 − ⟨u3 , w1 ⟩w1 ⟩

= ⟨vi , u3 ⟩ − ⟨u3 , w2 ⟩⟨vi , w2 ⟩ − ⟨u3 , w1 ⟩⟨vi , w1 ⟩
= ⟨∣∣vi ∣∣wi , u3 ⟩ − ⟨u3 , w2 ⟩⟨∣∣vi ∣∣wi , w2 ⟩ − ⟨u3 , w1 ⟩⟨∣∣vi ∣∣wi , w1 ⟩
= ∣∣vi ∣∣⟨wi , u3 ⟩ − ⟨u3 , w2 ⟩∣∣vi ∣∣δi2 − ⟨u3 , w1 ⟩∣∣vi ∣∣δi1
=0

Et on a par définition :

v1 , v2 , v3 ∈ VectR (u1 , u2 , w1 , u3 , w2 , w1 ) = VectR (u1 , u2 , u3 )

i.e. on a :
VectR (v1 , v2 , v3 ) ⊂ VectR (u1 , u2 , u3 ) .
Montrons que (v1 , v2 , v3 ) est une famille libre. Supposons par l’absurde v3 soit coplanaire à v1 et v2 i.e.
v3 = αv1 + βv2 (α, β ∈ R). Alors on a :

u3 = v3 + ⟨u3 , w2 ⟩w2 + ⟨u3 , w1 ⟩w1

⟨u2 , w1 ⟩
= (α + ) u1
∣∣u1 ∣∣

i.e. la famille (u1 , u2 , u3 ) est liée (ce qui est contradictoire). Donc la famille (v1 , v2 , v3 ) est libre. Donc la famille
(v1 , v2 , v3 ) est orthogonale et :
VectR (v1 , v2 , v3 ) = VectR (u1 , u2 , v3 ) .
Comme la famille (v1 , v2 , v3 ) est libre, elle ne contient pas de vecteur non nul. Donc la famille (w1 , w2 , w3 ) est
normale par la remarque (∗) et libre (car si la famille (w1 , w2 , w3 ) est liée, alors la famille (v1 , v2 , v3 ) serait
liée, ce qui est contradictoire). Donc la famille (w1 , w2 , w3 ) est orthormale. On a de plus :

w1 , w2 , w3 ∈ VectR (u1 , v2 , v3 ) = VectR (v1 , v2 , v3 )

i.e. comme la famille (w1 , w2 , w3 ) est libre, on a :

VectR (w1 , w2 , w3 ) = VectR (v1 , v2 , v3 ) .

Le procédé d’orthonormalisation construit deux bases de vecteurs : la base (v1 , . . . , vn ) qui est orthogonale et
la base (w1 , . . . , wn ) qui est orthonormale. On construit un élément de chaque base à chaque étape. On aurait pu
séparer les constructions et construire d’abord la base (v1 , . . . , vn ) (l’orthogonalisation) puis la base (w1 , . . . , wn )
(la normalisation).

Proposition 13.1.3

Soit :
A ∶= (u1 ∣ ⋯ ∣ un ) .
Posons :
(w1 , . . . , wn ) ∶= GS (u1 , . . . , un ) , Q ∶= (w1 ∣ ⋯ ∣ wn ) , R ∶= QT A.
Alors la matrice Q est orthonormale et la matrice R est triangulaire supérieure inversible.

68 David Pigeon - Mathématiques

13 Décomposition QR et orthonormalisation de Gram-Schmidt

On a donc :
A−1 = R−1 Q−1 = R−1 QT .

Démonstration. On démontre le résultat dans le cas n ∶= 3. Soit :

A ∶= (u1 ∣ u2 ∣ u3 ) ∈ GL3 (R).
Construisons la base orthonormée (w1 , w2 , w3 ) associée à (u, v, w) par le procédé de Gram-Schmidt. On a :
u1
v1 ∶= u1 w1 ∶=
∣∣u1 ∣∣
v2
v2 ∶= u2 − ⟨u2 , w1 ⟩w1 w2 ∶=
∣∣v2 ∣∣
v3
v3 ∶= u3 − ⟨u3 , w2 ⟩w2 − ⟨u3 , w1 ⟩w1 w3 ∶=
∣∣v3 ∣∣
Posons alors :
Q ∶= (w1 ∣ w2 ∣ w3 ) .
Comme la base (w1 , w2 , w3 ) est orthonormée, on a :
T
⎛w1 ⎞
Q Q = ⎜w2T ⎟ (w1 ∣ w2 ∣ w3 )
T
⎝wT ⎠
3
T T T
⎛w1 w1 w1 w2 w1 w3 ⎞
= ⎜w2T w1 w2T w2 w2T w3 ⎟
⎝wT w1 wT w2 wT w3 ⎠
3 3 3

⎛⟨w1 , w1 ⟩ ⟨w1 , w2 ⟩ ⟨w1 , w3 ⟩⎞

= ⎜⟨w2 , w1 ⟩ ⟨w2 , w2 ⟩ ⟨w2 , w3 ⟩⎟
⎝⟨w3 , w1 ⟩ ⟨w3 , w2 ⟩ ⟨w3 , w3 ⟩⎠

⎛1 0 0⎞
= ⎜0 1 0⎟
⎝0 0 1⎠
= I3
Et on a :
R = QT A
T
⎛w1 ⎞
= ⎜w2T ⎟ (u1 ∣ u2 ∣ u3 )
⎝wT ⎠
3
T
⎛w1 u1 w1T u2 w1T u3 ⎞
= ⎜w2T u1 w2T u2 w2T u3 ⎟
⎝wT u1 w3T u2 w3T u3 ⎠
3

⎛⟨w1 , u1 ⟩ ⟨w1 , u2 ⟩ ⟨w1 , u3 ⟩⎞

= ⎜⟨w2 , u1 ⟩ ⟨w2 , u2 ⟩ ⟨w2 , u3 ⟩⎟
⎝⟨w3 , u1 ⟩ ⟨w3 , u2 ⟩ ⟨w3 , u3 ⟩⎠

⎛⟨w1 , u1 ⟩ ⟨w1 , u2 ⟩ ⟨w1 , u3 ⟩⎞

=⎜ 0 ⟨w2 , u2 ⟩ ⟨w2 , u3 ⟩⎟
⎝ 0 0 ⟨w3 , u3 ⟩⎠
D’où les résultats.

69 David Pigeon - Mathématiques

13 Décomposition QR et orthonormalisation de Gram-Schmidt

On peut exprimer la famille (u1 , . . . , un ) en fonction de la famille orthonormale (w1 , . . . , wn ). Pour n ∶= 3, on

a:
u1 = ∣∣u1 ∣∣w1 = ⟨u1 , w1 ⟩w1
u2 = v2 + ⟨u2 , w1 ⟩w1 = ∣∣v2 ∣∣w2 + ⟨u2 , w1 ⟩w1
= ⟨v2 , w2 ⟩w2 + ⟨u2 , w1 ⟩w1
= ⟨u2 − ⟨u2 , w1 ⟩w1 , w2 ⟩w2 + ⟨u2 , w1 ⟩w1
= ⟨u2 , w2 ⟩w2 + ⟨u2 , w1 ⟩w1
u3 = v3 + ⟨u3 , w2 ⟩w2 + ⟨u3 , w1 ⟩w1
= ∣∣v3 ∣∣w3 + ⟨u3 , w2 ⟩w2 + ⟨u3 , w1 ⟩w1
= ⟨v3 , w3 ⟩w3 + ⟨u3 , w2 ⟩w2 + ⟨u3 , w1 ⟩w1
= ⟨u3 − ⟨u3 , w2 ⟩w2 − ⟨u3 , w1 ⟩w1 , w3 ⟩w3 + ⟨u3 , w2 ⟩w2 + ⟨u3 , w1 ⟩w1
= ⟨u3 , w3 ⟩w3 + ⟨u3 , w2 ⟩w2 + ⟨u3 , w1 ⟩w1

13.2 Exemple
Calculons l’inverse de :
⎛ 2 −2 1⎞
A ∶= ⎜ 2 −3 2⎟
⎝−1 2 0⎠
en utilisant le décomposition QR avec la matrice Q calculée par l’orthonormatlisation de Gram-Schmidt sur la
base des colonnes de A. On note les colonnes de A par :
⎛ 2 −2 1⎞
(u1 ∣ u2 ∣ u3 ) ∶= A = ⎜ 2 −3 2⎟
⎝−1 2 0⎠

Construisons la base orthonormée (w1 , w2 , w3 ) associée à (u1 , u2 , u3 ). On a :

1⎛ ⎞
2
u1
w1 ∶= = ⎜2⎟
∣∣u1 ∣∣ 3 ⎝ ⎠
−1
⎛−2⎞ −12 ⎛ 2 ⎞ 1 ⎛ 2 ⎞
v2 ∶ u2 − ⟨u2 , w1 ⟩w1 = ⎜−3⎟ − ⎜ 2 ⎟ = ⎜−1⎟
⎝2⎠ 9 ⎝ ⎠ 3⎝ ⎠
−1 2

1⎛ ⎞
2
v2
w2 ∶= = v2 = ⎜−1⎟
∣∣v2 ∣∣ 3⎝ ⎠
2
⎛1⎞ 6 ⎛ 2 ⎞ 1 ⎛−1⎞
v3 ∶= u3 − ⟨u3 , w1 ⟩w1 − ⟨u3 , w2 ⟩w2 = ⎜2⎟ − ⎜ 2 ⎟ = ⎜ 2 ⎟
⎝0⎠ 9 ⎝−1⎠ 3 ⎝ 2 ⎠
−1
v3 1⎛ ⎞
w3 ∶= =w = ⎜2⎟
′
∣∣v3 ∣∣ 3⎝ ⎠
2
Posons alors :
2 −1⎞
1⎛
2
Q ∶= (w1 ∣ w2 ∣ w3 ) = ⎜ 2 −1 2 ⎟
3⎝
−1 2 2⎠

70 David Pigeon - Mathématiques

13 Décomposition QR et orthonormalisation de Gram-Schmidt

On a bien (c’est inutile de le calculer) :

2 −1⎞ ⎛ 2 2 −1⎞
1⎛
2
1
QQT = ⎜ 2 −1 2 ⎟ ⎜ 2 −1 2 ⎟
3⎝
2 ⎠ ⎝−1 2 2⎠
3
−1 2
⎛1 0 0 ⎞
= ⎜0 1 0 ⎟
⎝0 0 1 ⎠
= I3

i.e. Q est orthogonale (et même ici symétrique donc Q−1 = QT = Q i.e. Q est involutive). On a :

R = QT A
= QA
2 −1⎞ ⎛ 2 −2 1⎞
1⎛
2
= ⎜ 2 −1 2 ⎟ ⎜ 2 −3 2⎟
3⎝
−1 2 2 ⎠ ⎝−1 2 0⎠
⎛3 −4 2⎞
= ⎜0 1 0⎟ .
⎝0 0 1⎠

On calcule facilement l’inverse de R par une des méthodes exposées avant car R est triangulaire supérieure. Utilisons
par exemple, la méthode de la comatrice. Comme :

⎛ 1 0 0⎞
Com(R) = ⎜ 4 1 0⎟
⎝−2 0 1⎠

on a :
1 4 −2⎞
1 1⎛
R−1 = Com(R)T = ⎜0 1 0 ⎟
3⎝
0 0 1⎠
det(R)

Ainsi comme A = QR, on a :

A−1 = R−1 Q−1

= R−1 QT
1 4 −2⎞ ⎛ 2 2 −1⎞
1⎛ 1
= ⎜0 3 0 ⎟ ⎜ 2 −1 2 ⎟
3⎝
0 0 3 ⎠ ⎝−1 2 2⎠
3

4 −2 1⎞
1⎛
= ⎜ 2 −1 2⎟
3⎝
−1 2 2⎠

71 David Pigeon - Mathématiques

14 Décomposition RQ et matrices d’Householder

14 Décomposition RQ et matrices d’Householder

Cette section est plus un prétexte pour voir une nouvelle technique d’algèbre linéaire. La décomposition QR
utilise les colonnes de la matrice et la décomposition RQ utilise les lignes de la matrice. Dans cette section, on
utilisera les matrices d’Householder pour trouver la matrice Q. 7
Dans la section précédente 13 et dans l’appendice D, on trouvera deux autres méthodes pour calculer une
matrice Q.

14.1 Introduction
Définition 14.1.1
Soit v ∈ Rn non nul. La matrice d’Householder associée à v est :
vv T
Hv ∶= In − 2 .
∣∣v∣∣2

On a donc :
vv T
Hv = In − 2.
vT v
Les matrices de Householder vérifient les propriétés simples qui permettent une décomposition QR.

Lemme 14.1.2
(i) Soit v ∈ Rn non nul. Alors Hv est symétrique et involutive (donc orthogonale).
(ii) Soit x, y ∈ Rn tels que x ≠ y et ∣∣x∣∣ = ∣∣y∣∣. Alors on a :

Hx−y (x) = y.

Démonstration. (i) On a :
T
vv T
(Hv ) = (In − 2
T
)
∣∣v∣∣2
vv T
= In − 2
∣∣v∣∣2
= Hv
2
vv T
Hv2 = (In − 2 )
∣∣v∣∣2
vv T v(v T v)v T
= In − 4 + 4
∣∣v∣∣2 ∣∣v∣∣4
vv T vv T
= In − 4 + 4
∣∣v∣∣2 ∣∣v∣∣2
= In

(ii) Comme xT x = y T y, on a :
∥x − y∥2 = (x − y)T (x − y)
7. La décomposition RQ est simplement une décomposition QR appliquée à la transposée. L’idée de ce texte est de pratiquer des
techniques d’algèbre linéaire, on peut voir cette section comme une astuce supplémentaire.

72 David Pigeon - Mathématiques

14 Décomposition RQ et matrices d’Householder

= xT x − 2xT y + y T y
= xT x − 2xT y + xT x
= 2xT (x − y)

Ainsi on a :
(x − y)(x − y)T x
Hx−y (x) = x − 2
∥x − y∥2
2xT (x − y)
=x− T (x − y)
2x (x − y)
= x − (x − y)
=y

Donc Hv est la matrice de la symétrie orthogonale par rapport à v ⊥ (l’hyperplan orthogonal à v). On en déduit
alors une méthode pour calculer Q dans la décomposition QR en utilisant les matrices d’Householder.

Proposition 14.1.3

Soit :
A ∶= (u1 ∣ ∗ ∣ ⋯ ∣ ∗) ∈ GLn (R)
Alors la matrice Hu1 −∣∣u1 ∣∣e1 A est du type :
∣∣u ∣∣ ∗
( 1 )
0 A1
avec A1 ∈ GLn−1 (R).

Démonstration. Soit A la matrice définie en colonne par :

A ∶= (u1 ∣ ∗ ∣ ⋯ ∣ ∗) ∈ GLn (R).

Alors on a par le point (ii) du lemme précédent :

Hu1 −∣∣u1 ∣∣e1 A = (Hu1 −∣∣u1 ∣∣e1 u ∣ ∗ ∣ ⋯ ∣ ∗)

= (∣∣u1 ∣∣e1 ∣ ∗ ∣ ⋯ ∣ ∗)
∣∣u1 ∣∣ ∗
=∶ ( )
0 A1

avec A1 ∈ GLn−1 (R).

On en déduit alors une méthode pour calculer la matrice Q. Réappliquons la proposition sur la matrice :

A1 ∶= (u2 ∣ ∗ ∣ ⋯ ∣ ∗) ∈ GLn−1 (R)

est le premier vecteur de la base canonique de Rn−1 , on met en puissance

(n−1)
Alors la matrice Hu (n−1) A1 (ici e1
2 −∣∣u2 ∣∣e1
"(n − 1)" pour indiquer la dimension du vecteur) est du type :

∣∣u2 ∣∣ ∗
( ) ∶= Hu −∣∣u ∣∣e(n−1) A1
0 A2 2 2 1

73 David Pigeon - Mathématiques

14 Décomposition RQ et matrices d’Householder

avec A2 ∈ GLn−2 (R). On construit successivement des matrices orthogonales :

1 0 Ik 0
Q1 ∶= Hu (n) , Q2 ∶= (0 H ) , . . . , Qk ∶= ( 0 H ) (k ∈ {1, . . . , n}).
1 −∣∣u1 ∣∣e1 (n−1) (n−k+1)
u 2 −∣∣u2 ∣∣e1 u
k −∣∣uk ∣∣e1

Posons
Q ∶= Qn ⋯ Q1
On a successivement :

QA = Qn ⋯ Q1 A
∣∣u1 ∣∣ ∗
= Qn ⋯ Q2 ( )
0 A1
⎛∣∣u1 ∣∣ ∗ ∗⎞
= Qn ⋯Q3 ⎜ 0 ∣∣u2 ∣∣ ∗ ⎟
⎝ 0 0 A2 ⎠
=⋯
⎛∣∣u1 ∣∣ ∗ ∗ ⎞
=⎜ 0 ⋱ ∗ ⎟
⎝ 0 0 ∣∣un ∣∣⎠
En passant à la transposée, on obtient un résultat similaire mais en décomposant A suivant ses lignes.

Corollaire 14.1.4
Soit :
⎛u1 ⎞
⎜∗⎟
A ∶= ⎜ ⎟ ∈ GLn (R)
⎜⋮⎟
⎝∗⎠

Alors la matrice AHu1 −∣∣u1 ∣∣e1 est du type :

∣∣u ∣∣ 0
( 1 )
∗ A1
avec A1 ∈ GLn−1 (R).

On en déduit encore une fois une méthode pour calculer la matrice Q. Réappliquons la proposition sur la
matrice :
⎛u2 ⎞
⎜∗⎟
A1 ∶= ⎜ ⎟ ∈ GLn−1 (R)
⎜⋮⎟
⎝∗⎠
Alors la matrice A1 Hu (n−1) est du type :
2 −∣∣u2 ∣∣e1

∣∣u2 ∣∣ 0
( ) ∶= A1 Hu −∣∣u ∣∣e(n−1)
∗ A2 2 2 1

avec A2 ∈ GLn−2 (R). On construit successivement des matrices orthogonales :

1 0 Ik 0
Q1 ∶= Hu (n) , Q2 ∶= (0 H ) , . . . , Qk ∶= ( 0 H ) (k ∈ {1, . . . , n}).
1 −∣∣u1 ∣∣e1 (n−1) (n−k+1)
u 2 −∣∣u2 ∣∣e1 uk −∣∣uk ∣∣e1

74 David Pigeon - Mathématiques

14 Décomposition RQ et matrices d’Householder

Posons
Q ∶= Q1 ⋯ Qn
On a successivement :

AQ = AQ1 ⋯ Qn
∣∣u1 ∣∣ 0
=( ) Q2 ⋯ Qn
A1
⎛∣∣u1 ∣∣ 0 0⎞
=⎜ ∗ ∣∣u2 ∣∣ 0 ⎟ Q3 ⋯Qn
⎝ ∗ ∗ A2 ⎠
=⋯
⎛∣∣u1 ∣∣ 0 0 ⎞
=⎜ ∗ ⋱ 0 ⎟
⎝ ∗ ∗ ∣∣un ∣∣⎠

14.2 Exemple
Calculons l’inverse de :
⎛ 2 −2 1⎞
A ∶= ⎜ 2 −3 2⎟
⎝−1 2 0⎠

en utilisant le décomposition QR (ici on va faire dans l’autre sens qu’on peut appeler décomposition RQ) avec la
matrice Q calculée avec les matrices d’Householder. Comme on l’a indiqué en fin de sous-section précédente, on
applique les résultats aux lignes de A (donc on utilise le corollaire précédent).

On note :
⎛ u ⎞ ⎛ 2 −2 1⎞
A ∶= ⎜ v ⎟ ∶= ⎜ 2 −3 2⎟ .
⎝w⎠ ⎝−1 2 0⎠
Posons :
⎛2⎞ ⎛1⎞ ⎛−1⎞
u′ ∶= u − ∣∣u∣∣e1 = ⎜−2⎟ − 3 ⎜0⎟ = ⎜−2⎟
⎝1⎠ ⎝0⎠ ⎝ 1 ⎠

Comme ∣∣u′ ∣∣2 = 6, on a :

Q1 ∶= Hu′
u′ u′T
= In − 2
∣∣u′ ∣∣2
⎛1 0 0⎞ 2 ⎛−1⎞
= ⎜0 1 0⎟ − ⎜−2⎟ (−1 −2 1)
⎝0 0 1⎠ 6 ⎝ 1 ⎠

⎛1 0 0⎞ 1 ⎛ 1 2 −1⎞
= ⎜0 1 0⎟ − ⎜ 2 4 −2⎟
⎝0 0 1⎠ 3 ⎝−1 −2 1 ⎠
2 −2 1⎞
1⎛
= ⎜−2 −1 2⎟
3⎝
1 2 2⎠

75 David Pigeon - Mathématiques

14 Décomposition RQ et matrices d’Householder

On a :
2 −2 1⎞ ⎛ 2 −2 1⎞
1⎛
AQ1 = ⎜ 2 −3 2⎟ ⎜−2 −1 2⎟
3⎝
−1 2 0⎠ ⎝ 1 2 2⎠
⎛ 3 0 0⎞
= ⎜ 4 1 0⎟
⎝−2 0 1⎠

Comme AQ1 est triangulaire inférieure, on a fini l’algorithme. On pose alors :

Q ∶= Q1 , R ∶= AQ.

On a bien QQT = I3 i.e. Q ∈ O3 (R). On a

2 −1⎞ ⎛ 2 −2 1⎞ ⎛3 −4 2⎞
1⎛
2
R ∶= QT A = ⎜ 2 −1 2 ⎟ ⎜ 2 −3 2⎟ = ⎜0 1 0⎟ .
3⎝
−1 2 2 ⎠ ⎝−1 2 0⎠ ⎝0 0 1⎠

On calcule facilement l’inverse de R par une des méthodes exposées avant car R est triangulaire supérieure. Utilisons
par exemple, la méthode de la comatrice, comme

⎛ 1 0 0⎞
Com(R) = ⎜ 4 1 0⎟
⎝−2 0 1⎠

on a :
1 4 −2⎞
1 1⎛
R= Com(R) = ⎜0 1 0 ⎟
T
3⎝
0 0 1⎠
det(R)

Ainsi comme A = QR, on a :

A−1 = R−1 Q−1

= R−1 QT
1 4 −2⎞ ⎛ 2 2 −1⎞
1⎛ 1
= ⎜0 3 0 ⎟ ⎜ 2 −1 2 ⎟
3⎝
0 0 3 ⎠ ⎝−1 2 2⎠
3

4 −2 1⎞
1⎛
= ⎜ 2 −1 2⎟
3⎝
−1 2 2⎠

76 David Pigeon - Mathématiques

15 Décomposition polaire

15 Décomposition polaire
Pour toute matrice symétrique définie positive, on peut définir la notion de racine carrée. On obtient ainsi la
décomposition polaire de cette matrice.
En prenant la produit d’une matrice inversible par sa transposée (voir aussi la section 10), on construit une
matrice symétrique définie positive. En utilisant la décomposition polaire de cette dernière, on obtient une dernière
méthode pour calculer l’inverse d’une matrice.

15.1 Introduction
On commence avec la notion de racine carrée associée à une symétrique définie positive.

Lemme 15.1.1
Soit C ∈ GLn (R) symétrique définie positive. Alors il existe une unique matrice R symétrique définie positive
telle que :
R2 = C.
On la note : √
C ∶= R
appelée la racine carrée de C.

Démonstration. Montrons l’existence de R. Soit λ1 , . . . , λn les valeurs propres strictement positives de C. Il

existe une matrice orthogonale Q telle que :

⎛ λ1 (0)⎞
C = Q⎜ ⋱ ⎟ QT .
⎝(0) λn ⎠

Posons : √
⎛ λ1 (0) ⎞
R ∶= Q ⎜ ⋱ √ ⎟ QT .
⎝ (0) λn ⎠
La matrice R est symétrique car :
√ T
⎛ ⎛ λ1 (0) ⎞ ⎞
RT = ⎜Q ⎜ ⋱ √ ⎟ QT ⎟
⎝ ⎝ (0) λn ⎠ ⎠
√
⎛ λ1 (0) ⎞
= Q⎜ ⋱ √ ⎟ QT
⎝ (0) λn ⎠
=R
√ √
et R est définie positive car ses valeurs propres λ1 , . . . , λn sont strictement positives.

Montrons l’unicité de R. Soit R une matrice symétrique définie positive telle que R2 = C. Posons µ1 , . . . , µp
les valeurs propres distinctes de C (p ≤ n) et pour tout i ∈ {1, . . . , p} ni ∶= dimR Eµi (C). On a la somme directe
(voir la sous-section 8.1) :
p
Rn = ⊕ Eµi (C)
i=1

77 David Pigeon - Mathématiques

15 Décomposition polaire

et soit B une base adaptée à cette somme directe. Posons P la matrice de changement de base de la base canonique
de Rn à B.
Pour tout i ∈ {1, . . . , p}, l’espace propre Eµi (C) est stable par R car pour tout x ∈ Eµi (C) :

C(Rx) = R3 x
= RCx
= µi Rx

i.e. Rx ∈ Eµi (C). Ainsi la matrice S ∶= P −1 RP est une matrice diagonale par blocs du type :

⎛ A1 (0)⎞
S = P −1 RP = ⎜ ⋱ ⎟
⎝(0) Ap ⎠

avec pour tout i ∈ {1, . . . , p} :

Ai ∈ GLni (R).
On a alors :
2
⎛ A1 (0)⎞
⎜ ⋱ ⎟ = S2
⎝(0) A2p ⎠
2
= (P −1 RP )
= P −1 R2 P
= P −1 CP
⎛µ1 In1 (0) ⎞
=⎜ ⋱ ⎟
⎝ (0) µp Inp ⎠

i.e. on a pour tout i ∈ {1, . . . , p} :

A2i = µi Ini .
De plus pour tout i ∈ {1, . . . , p}, Ai est symétrique et définie positive car comme R est symétrique on a :
T T
T
⎛ A1 (0)⎞ ⎛ A1 (0)⎞
⎜ ⋱ ⎟ =⎜ ⋱ ⎟
⎝(0) ApT⎠ ⎝(0) Ap ⎠
= ST
= (P −1 RP )T
= P −1 RT P
= P −1 RP
⎛ A1 (0)⎞
=⎜ ⋱ ⎟
⎝(0) Ap ⎠

i.e. pour tout i ∈ {1, . . . , p}, ATi = Ai , et comme R est définie positive, on a :

χR (X) = det(R − XIn )

= det(P −1 RP − XIn )

78 David Pigeon - Mathématiques

15 Décomposition polaire

= det(S − XIn )
RRRA − XI (0) RRR
RRR 1 n1 RRR
= RRR ⋱ RRR
RRR R
RR (0) Ap − XInp RRRR
p
= ∏ det(Ai − XIn )
i=1
p
= ∏ χAi (X)
i=1

donc on a pour tout i ∈ {1, . . . , p} :

Spec(Ai ) ⊂ Spec(R) ⊂ R+∗ .
Soit i ∈ {1, . . . , p} et α une valeur propre (réelle) de Ai . On a pour tout x ∈ Eα (Ai ) :

µi x = µi Ini
= A2i x
= Ai αx
= α2 x
√
i.e. α2 = µi (x est non nul). Comme α > 0 (car Ai est définie positive), on a donc α = µi . Ainsi Ai est diagonalisable
√
(car symétrique) et a une unique valeur propre µi . Donc il existe une matrice inversible P ′ telle que :
√
(P ′ )−1 Ai P ′ = µi Ini

i.e. on a :
√
Ai = P ′ µi Ini (P ′ )−1
√
= µi Ini

(une matrice qui n’a qu’une seule valeur propre est une homothétie et donc Ai est déterminée de façon unique).
On a donc montré qu’il existe au plus une matrice R qui vaut :

R = P SP −1
⎛ A1 (0)⎞
=P⎜ ⋱ ⎟ P −1
⎝(0) Ap ⎠
√
⎛ µ1 In1 (0) ⎞
=P⎜ ⋱ ⎟ P −1 .
⎝ (0) √
µp Inp ⎠

D’où l’existence et l’unicité de la matrice R.

On en déduit la décomposition polaire.

Proposition 15.1.2: Décomposition polaire

Soit A ∈ GLn (R). Alors il existe une matrice orthogonale U ∈ On (R) et une matrice symétrique définie
positive P ∈ GLn (R) telles que :
A = P U.

79 David Pigeon - Mathématiques

15 Décomposition polaire

Démonstration. Faisons une analyse pour trouver les expressions de U et P .

Analyse. Supposons que A = P U avec U une matrice orthogonale U et P une matrice symétrique définie
positive. Comme P est définie positive, P se décompose en :

P = QDQT

avec Q orthogonale. Et donc on a :

AAT = P U (P U )T
= PUUT PT
= PPT
= P2

Synthèse. Comme AAT est définie positive, on pose alors (voir le lemme précédent 15.1.1) :
√ √
P ∶= AAT , U ∶= P −1 A = ( AT A)−1 A.

La matrice P est symétrique définie positive par le lemme et :

U U T = P −1 A(P −1 A)T
= P −1 AAT (P −1 )T
= P −1 P 2 (P −1 )T
= P −1 P (P −1 P )T
= In

Ainsi U est orthogonale, P est symétrique définie positive et A = P U .

On obtient alors que :

A−1 = AT C −1
= AT P D−1 P T

15.2 Exemple
Calculons l’inverse de :
⎛ 2 −2 1⎞
A ∶= ⎜ 2 −3 2⎟
⎝−1 2 0⎠
en utilisant la décomposition polaire. Dans la section 10, on a étudié la matrice :

C ∶= AAT .

On a trouvé que C est diagonalisable (car symétrique) et :

⎛ 9 12 −6⎞
C = AA = ⎜ 12 17 −8⎟
T
⎝−6 −8 5 ⎠
χC (X) = 6(1 − X)(X 2 − 30X + 9)

80 David Pigeon - Mathématiques

15 Décomposition polaire

√
Sp(C) = {1, 15 ± 6 6} = {1, λ1 , λ−1 }

⎛0⎞ ⎛ 1 ⎛0⎞⎞
E1 (C) = Vect ⎜1⎟ = Vect ⎜ √ ⎜1⎟⎟
⎝2⎠ ⎝ 5 ⎝2⎠⎠
√ √
⎛1 − e 6⎞ ⎛ ⎛1 − e 6⎞⎞
Eλe (C) = Vect ⎜ −2 ⎟ = Vect ⎜αe ⎜ −2 ⎟⎟
⎝ 1 ⎠ ⎝ ⎝ 1 ⎠⎠

avec pour e ∈ {±1} :

1
αe ∶= √ √ .
12 − 2e 6
Donc la matrice de passage orthogonale vaut :
√ √
⎛ 0√ α1 (1 − 6) α−1 (1 + 6)⎞
P ∶= ⎜1/√5 −2α1 −2α−1 ⎟ .
⎝2/ 5 α1 α−1 ⎠

Posons :
⎛1 0√ 0 ⎞ ⎛1 0 0 ⎞
D ∶= ⎜0 15 + 6 6 0 √ ⎟ = ⎜0 λ1 0 ⎟
⎝0 0 15 − 6 6⎠ ⎝0 0 λ−1 ⎠
On a donc :

C −1 =P D−1 P T
√ √ √ √
⎛ 0√ α1 (1 − 6) α−1 (1 + 6)⎞ ⎛1 0 0 ⎞⎛ 0 √ 1/ 5 2/ 5⎞
= ⎜1/√5 −2α1 −2α−1 ⎟ ⎜0 1/λ1 0 ⎟⎜ (1
⎜ 1 − √6)
α −2α1 α1 ⎟
⎟
⎝2/ 5 α1 α−1 ⎠ ⎝ 0 0 1/λ ⎠
−1 ⎝α−1 (1 + 6) −2α−1 α−1 ⎠
√ √ √ √
⎛ 0√ α1 (1 − 6) α−1 (1 + 6)⎞ ⎛ 0√ 1/ 5 2/ 5 ⎞
= ⎜1/√5 −2α1 −2α−1 ⎟ ⎜ ⎜ α1 (1 − √6) /λ1 −2α1 /λ1 α1 /λ1 ⎟⎟
⎝2/ 5 α1 α−1 ⎠ ⎝α−1 (1 + 6) /λ−1 −2α−1 /λ−1 α−1 /λ−1 ⎠
7 −4 2⎞
1⎛
= ⎜−4 3 0⎟
3⎝
2 0 3⎠

Comme C −1 = (AT )−1 A−1 , on a :

A−1 =AT C −1
2 −1⎞ ⎛ 7 −4 2⎞
1⎛
2
= ⎜−2 −3 2 ⎟ ⎜−4 3 0⎟
3⎝
1 2 0 ⎠⎝ 2 0 3⎠
4 −2 1⎞
1⎛
= ⎜ 2 −1 2⎟
3⎝
−1 2 2⎠

81 David Pigeon - Mathématiques

A Matrices d’opérations

A Matrices d’opérations
On définit les trois matrices d’opérations élémentaires. Pour simplifier les définitions, on utilise les notations
suivantes.
● Le symbole de Kronecker est défini pour tous éléments a, b par :

1 si a = b
δa,b ∶= {
0 sinon.

● Pour toute matrice M ∈ Mn,p (R), tout k ∈ {1, . . . , n} et tout l ∈ {1, . . . , p}, on note [M ]k,l le coefficient de M à
la ligne k et la colonne l.
● On omettra la virgule en indice pour séparer les indices si aucune confusion n’est possible. On écrira par exemple
aij ∶= ai,j mais on laissera ai+2,j .
● On note ⟨ , ⟩ le produit sclaire usuel de Rn et ∣∣.∣∣ la norme euclidienne associée. On a pour tous u, v ∈ Rn :

⟨u, v⟩ = uT v
⟨v, v⟩ = v T v = ∣∣v∣∣2

A.1 Groupes symétriques

Définition A.1.1
(i) Une permutation de {1, . . . , n} est une bijection σ de {1, . . . , n} vers {1, . . . , n}. Son support est
défini par :
Supp(σ) ∶= {i ∈ {1, . . . , n}, σ(i) ≠ i} .
On note Sn l’ensemble des permutations de l’ensemble {1, . . . , n}.
(ii) Soit k ∈ {2, . . . , n} et i1 , . . . , ik des éléments distincts de {1, . . . , n}. Le cycle σ ∶= (i1 , . . . , ik ) de
longueur k est la permutation de {1, . . . , n} telle que :

∀j ∈ {1, . . . , k − 1}, σ(ij ) = ij+1

σ(ik ) = i1
Supp(σ) = {i1 , . . . , ik }

(iii) Une transposition τ de {1, . . . , n} est un cycle de longueur 2 i.e. il existe i, j ∈ {1, . . . , n} distincts
tels que Supp(τ ) = {i, j}. On la note :
τi,j ∶= τ = (i, j).

(iv) Pour toute permutation σ de {1, . . . , n}, la signature de σ est définie par :

σ(j) − σ(i)
ε(σ) ∶= ∏ .
1≤i<j≤n j−i

La composition est une loi de composition interne dans Sn qui fait de Sn un groupe et :

Card (Sn ) = n!.

On pourra noter de deux façons une permutation σ :

● sous forme de matrice :
1 2 ⋯ n
σ=( )
σ(1) σ(2) ⋯ σ(n)

82 David Pigeon - Mathématiques

A Matrices d’opérations

● sous-forme de tableau :
i 1 2 ⋯ n
σ(i) σ(1) σ(2) ⋯ σ(n)
La proposition suivante énonce les résultats utiles pour la compréhension du texte.

Proposition A.1.2

(i) Toute permutation σ peut s’écrire comme le produit de transpositions.

(ii) La signature définie un morphisme de groupes :

ε ∶ (Sn , ○) Ð→ ({±1}, ×)
σ z→ ε(σ)

Démonstration. On donne une idée des preuves.

(i) Ce résultat se démontre en deux étapes. Supposons que σ soit différente de l’identité i.e. son support est non
vide.
(a) Premièrement, on a que toute permutation σ peut s’écrire comme le produit de cycle. Pour voir cela,
posons :
{i1 , . . . , ik } ∶= Supp(σ).
Prenons le premier élément, ij1 ∶= i1 et construisons un cycle en posant successivement :

ij1 ∶= i1 , ij2 ∶= σ(ij1 ) , ij3 ∶= σ(ij2 ) . . . .

Comme le support est fini, par le principe des tiroirs et comme σ est bijective, il existe un premier entier
r ≥ 2 tel que :
ij1 ∶= σ(ijr ).
On a alors défini le cycle de longueur r :

c1 ∶= (ij1 , . . . , ijr )

On prend ensuite un élément de (si cet ensemble est non vide, sinon on s’arrête) :

Supp(σ) − {ij1 , . . . , ijr }

et on construit de la même manière un cycle c2 commençant par cet élément. On réitère cet opération
tant que des éléments de Supp(σ) n’apparaissent pas dans un des cycles. Il existe alors s ∈ N∗ et des
cycles c1 , . . . , cs tels que :
σ = c1 ○ ⋯ ○ cs .

(b) Deuxièmement, on a que tout cycle s’écrit comme le produit de transpositions. Soit un cycle (i1 , . . . , ik )
de {1, . . . , n}. On a la formule simple :

(i1 , . . . , ik ) = (i1 , i2 ) ○ (i2 , i3 ) ○ ⋯ ○ (ik−1 , ik ).

(ii) On a pour toute permutation σ ∈ Sn :

σ(j) − σ(i) σ(j) − σ(i)

ε(σ) = ∏ = ∏
1≤i<j≤n j − i {i,j}∈P j−i

83 David Pigeon - Mathématiques

A Matrices d’opérations

avec :
P ∶= {{i, j}, 1 ≤ i ≤ n ∧ 1 ≤ j ≤ n ∧ i ≠ j} .
Soit σ, τ ∈ Sn . Montrons que :
ε(σ ○ τ ) = ε(σ)ε(τ ).
On a :
(σ ○ τ )(j) − (σ ○ τ )(i)
ε(σ ○ τ ) = ∏
{i,j}∈P j−i
σ(τ (j)) − σ(τ (i)) τ (j) − τ (i)
= ∏ ∏
{i,j}∈P τ (j) − τ (i) {i,j}∈P j−i
σ(k) − σ(l)
= ∏ ε(τ )
{k,l}∈P k−l
= ε(σ)ε(τ )

On peut aussi montrer que la parité du nombre de transpositions apparaissant dans la décomposition ne
dépend pas de la décomposition (i.e. si on a deux décompositions de σ en produit de transpositions avec N et N ′
transpositions respectivement alors N ′ ≡ N [2]). On a alors :

ε(σ) = (−1)N .

Soit un cycle c ∶= (i1 , . . . , ik ) de {1, . . . , n}. On a donc :

ε(c) = (−1)k

et en particulier la signature d’une transposition vaut −1 (cycle de longueur 2). On donne deux exemples simples
pour comprendre les objets et notions définis.

Exemple A.1.3

(1) Le groupe symétrique S3 est d’ordre 6 = 3!, on a :

1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3
S3 = {( ),( ),( ),( ),( ),( )}
1 2 3 2 1 3 3 2 1 1 3 2 2 3 1 3 1 2
= {Id, (12), (13), (23), (123) = (12)(23), (132) = (13)(32)}
=∶ {σ1 , σ2 , σ3 , σ4 , σ5 , σ6 }
Comme la signature d’une transposition vaut −1, les signatures des six permutations valent :
ε (σ1 ) = 1 ε (σ2 ) = −1 ε (σ3 ) = −1
ε (σ4 ) = −1 ε (σ5 ) = ε (σ2 ) ε (σ4 ) = 1 ε (σ6 ) = ε (σ3 ) ε (σ4 ) = 1
Montrons avec l’autre formule que ε (σ6 ) = 1. Comme :
1 2 3
σ6 = ( )
3 1 2
on a :
σ6 (j) − σ6 (i)
ε(σ6 ) = ∏
1≤i<j≤3 j−i

84 David Pigeon - Mathématiques

A Matrices d’opérations

σ6 (2) − σ6 (1) σ6 (3) − σ6 (1) σ6 (3) − σ6 (2)

= . .
2−1 3−1 3−2
1−3 2−3 2−1
= . .
2−1 3−1 3−2
= −1 × −1 × 1
=1

(2) Soit la permutation de {1, . . . , 12} :

1 2 3 4 5 6 7 8 9 10 11 12
σ ∶= ( )
2 4 3 10 8 9 7 12 6 1 11 5

On a :
Supp(σ) = {1, 2, 4, 5, 6, 8, 9, 10, 12} .
Construisons, comme dans la preuve, une décomposition en produit de transpositions pour σ.
● On prend le premier élément du support 1 et on construit le premier cycle avec pour éléménts :

1 , σ(1) = 2 , σ(2) = 4 , σ(4) = 10 , σ(10) = 1.

On a donc un cycle de longueur 4 c1 ∶= (1, 2, 4, 10).

● Comme il reste des éléments non choisis, on prend le premier non choisi 5 et on construit le deuxième
cycle avec pour éléménts :
5 , σ(5) = 8 , σ(8) = 12 , σ(12) = 5.
On a donc un cycle de longueur 3 c2 ∶= (5, 8, 12).
● Comme il reste des éléments non choisis, on prend le premier non choisi 6 et on construit le deuxième
cycle avec pour éléménts :
6 , σ(6) = 9.
On a donc un cycle de longueur 2 c3 ∶= (6, 9).
● Il ne reste plus d’éléments dans le support qui ne apparaissent pas dans un cycle. On a alors :

σ = c1 ○ c2 ○ c3 = (1, 2, 4, 10) ○ (5, 8, 12) ○ (6, 9).

● On écrit ensuite chaque cycle comme le produit de transpositions :

c1 = (1, 2, 4, 10) = (1, 2) ○ (2, 4) ○ (4, 10)

c2 = (5, 8, 12) = (5, 8) ○ (8, 12)
c3 = (6, 9)

Ainsi on a :
σ = (1, 2) ○ (2, 4) ○ (4, 10) ○ (5, 8) ○ (8, 12) ○ (6, 9)
et on a :
ε(σ) = (−1)6 = 1

85 David Pigeon - Mathématiques

A Matrices d’opérations

A.2 Déterminant d’une matrice

On donne dans cette sous-section seulement les notions importantes sur le déterminant pour comprendre le
texte. On note (e1 , . . . , en ) la base canonique de Rn définie par :

⎛1⎞ ⎛0⎞ ⎛0⎞

⎜0⎟ ⎜1⎟ ⎜0⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
e1 ∶= ⎜0⎟ , e2 ∶= ⎜0⎟ , . . . , en ∶= ⎜
⎜ ⎟ ⎜ ⎟ ⎟
⎜⋮⎟.
⎜⋮⎟ ⎜⋮⎟ ⎜0⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝0⎠ ⎝0⎠ ⎝1⎠

Définition A.2.1
Soit f une application de (Rn )n vers R. On dit que f est une forme n-linéaire alternée si :
(i) (linéarité en chaque variable) pour tout i ∈ {1, . . . , n}, tous x1 , . . . , xn , yi ∈ Rn et tous α, β ∈ R, on
a:
f (x1 , . . . , xi−1 , αxi + βyi , xi+1 , . . . , xn ) = αf (x1 , . . . , xn ) + βf (x1 , . . . , yi , . . . xn );

(ii) (alternée) pour tous i, j ∈ {1, . . . , n} distincts et tous x1 , . . . , xn ∈ Rn tels que xi = xj , on a :

f (x1 , . . . , xn ) = 0.

Proposition A.2.2

Soit f une forme n-linéaire alternée. Alors on a :

⎛ n ⎞
f (x1 , . . . , xn ) = ∑ ε(σ) ∏ xσ(j),j f (e1 , . . . , en ).
⎝σ∈Sn j=1 ⎠

Démonstration. Montrons le résulat dans le cas n ∶= 3 (on dit que f est trilinéaire alternée). On a en développant
successivement par linéairité par rapport à chaque variable (on met un ’alt’ sous le égal pour signifier qu’on utilise
l’alternance et un ’lin’ pour signifier qu’on utilise la linéarité par rapport à une variable) :

f (x1 , x2 , x3 ) =f (x11 e1 + x21 e2 + x31 e3 , x2 , x3 )

lin =x11 f (e1 , x2 , x3 ) + x21 f (e2 , x2 , x3 ) + x31 f (e3 , x2 , x3 )
=x11 f (e1 , x12 e1 + x22 e2 + x32 e3 , x3 )
+ x21 f (e2 , x12 e1 + x22 e2 + x32 e3 , x3 )
+ x31 f (e3 , x12 e1 + x22 e2 + x32 e3 , x3 )
lin =x11 [x12 f (e1 , e1 , x3 ) + x22 f (e1 , e2 , x3 ) + x32 f (e1 , e3 , x3 )]
+ x21 [x12 f (e2 , e1 , x3 ) + x22 f (e2 , e2 , x3 ) + x32 f (e2 , e3 , x3 )]
+ x31 [x12 f (e3 , e1 , x3 ) + x22 f (e3 , e2 , x3 ) + x32 f (e3 , e3 , x3 )]
alt =x11 [0 + x22 f (e1 , e2 , x3 ) + (−1)1 x32 f (e1 , x3 , e3 )]
+ x21 [(−1)1 x12 f (e1 , e2 , x3 ) + 0 + (−1)2 x32 f (x3 , e2 , e3 )]
+ x31 [(−1)2 x12 f (e1 , x3 , e3 ) + (−1)1 x22 f (x3 , e2 , e3 ) + 0]
= (x11 x22 + (−1)1 x21 x12 ) f (e1 , e2 , x13 e1 + x23 e2 + x33 e3 )
+ ((−1)1 x11 x32 + (−1)2 x31 x12 ) f (e1 , x13 e1 + x23 e2 + x33 e3 , e3 )
+ ((−1)1 x31 x22 + (−1)2 x21 x32 ) f (x13 e1 + x23 e2 + x33 e3 , e2 , e3 )

86 David Pigeon - Mathématiques

A Matrices d’opérations

lin = (x11 x22 + (−1)1 x21 x12 ) (x13 f (e1 , e2 , e1 ) + x23 f (e1 , e2 , e2 ) + x33 f (e1 , e2 , e3 ))
+ ((−1)1 x11 x32 + (−1)2 x31 x12 ) (x13 f (e1 , e1 , e3 ) + x23 f (e1 , e2 , e3 ) + x33 f (e1 , e3 , e3 ))
+ ((−1)1 x31 x22 + (−1)2 x21 x32 ) (x13 f (e1 , e2 , e3 ) + x23 f (e2 , e2 , e3 ) + x33 f (e3 , e2 , e3 ))
alt = (x11 x22 + (−1)1 x21 x12 ) (x33 f (e1 , e2 , e1 ) + 0 + 0)
+ ((−1)1 x11 x32 + (−1)2 x31 x12 ) (0 + x23 f (e1 , e2 , e3 ) + 0)
+ ((−1)1 x31 x22 + (−1)2 x21 x32 ) (x13 f (e1 , e2 , e3 ) + 0 + 0)
= (x11 x22 + (−1)1 x21 x12 ) x33 f (e1 , e2 , e1 )
+ ((−1)1 x11 x32 + (−1)2 x31 x12 ) x23 f (e1 , e2 , e3 )
+ ((−1)1 x31 x22 + (−1)2 x21 x32 ) x13 f (e1 , e2 , e3 )

On a :

S3 = {Id, (12), (13), (23), (123) = (12)(23), (132) = (13)(32)}

=∶ {σ1 , σ2 , σ3 , σ4 , σ5 , σ6 }

et les signatures des six permutations valent :

ε (σ1 ) = (−1)0 = 1 ε (σ2 ) = (−1)1 = −1 ε (σ3 ) = (−1)1 = −1

ε (σ4 ) = (−1)1 = −1 ε (σ5 )(−1)2 = 1 ε (σ6 ) = (−1)2 = 1

Donc on a :

f (x1 , x2 , x3 )
= [x11 x22 x33 + (−1)1 x12 x21 x33 + (−1)1 x11 x23 x32
+(−1)2 x12 x23 x31 + (−1)1 x13 x22 x31 + (−1)2 x13 x21 x32 ] f (e1 , e2 , e3 )
3 3 3
= [ε (σ1 ) ∏ xi,σ1 (i) + ε (σ2 ) ∏ xi,σ2 (i) + ε (σ4 ) ∏ xi,σ4 (i)
i=1 i=1 i=1
3 3 3
ε (σ5 ) ∏ xi,σ5 (i) + ε (σ3 ) ∏ xi,σ3 (i) + ε (σ6 ) ∏ xi,σ6 (i) ] f (e1 , e2 , e3 )
i=1 i=1 i=1
6 3
= [ ∑ ε (σk ) ∏ xi,σk (i) ] f (e1 , e2 , e3 )
k=1 i=1
⎡ ⎤
⎢ n ⎥
= ⎢ ∑ ε(σ) ∏ xi,σ(i) ⎥⎥ f (e1 , e2 , e3 )
⎢
⎢σ∈S3 ⎥
⎣ i=1 ⎦

L’ensemble des formes n-linéaires alternées forme un espace vectoriel de dimension 1. Il est donc engendré par
toute forme n-linéaire alternée non nulle. D’où les définitions suivantes.

Définition A.2.3
(i) Le déterminant det est l’unique forme n-linéaire alternée telle que :

det (e1 , . . . , en ) = 1.

87 David Pigeon - Mathématiques

A Matrices d’opérations

(ii) Soit la matrice définie par ses colonnes :

M ∶= (C1 ∣ ⋯ ∣ Cn ) ∈ Mn (R).

Le déterminant de M est défini par :

det(M ) ∶= det (C1 , . . . , Cn ) .

Pour M = (mi,j )ij , on a donc :

n
det(M ) = ∑ ε(σ) ∏ mi,σ(i) .
σ∈Sn i=1

On a les propriétés utiles suivantes du déterminant.

Proposition A.2.4

Soit M, N ∈ Mn (R).
(i) On a :
det(M T ) = det(M ).

(ii) On a :
det(M N ) = det(M ) det(N ).

(iii) On a :
det(M ) ≠ 0 ⇐⇒ M ∈ GLn (R).

A.3 Matrices de permutation

Définition A.3.1
Soit σ ∈ Sn . La matrice de permutation associée à σ est la matrice Pσ ∈ Mn (R) telle que pour tous
k, l ∈ {1, . . . , n} :
[Pσ ]k,l ∶= δk,σ(l) .

On reprend l’exemple (1) de A.1.3.

Exemple A.3.2

On a :

S3 = {Id, (12), (13), (23), (123) = (12)(23), (132) = (13)(32)}

=∶ {σ1 , σ2 , σ3 , σ4 , σ5 , σ6 }

Les six matrices de permuation associées valent :

⎛δ1,σ1 (1) δ1,σ1 (2) δ1,σ1 (3) ⎞ ⎛δ1,1 δ1,2 δ1,3 ⎞ ⎛1 0 0⎞

Pσ1 = PId = ⎜δ2,σ1 (1) δ2,σ1 (2) δ2,σ1 (3) ⎟ = ⎜δ2,1 δ2,2 δ2,3 ⎟ = ⎜0 1 0⎟
⎝δ3,σ (1) δ3,σ (2) δ3,σ (3) ⎠ ⎝δ3,1 δ3,2 δ3,3 ⎠ ⎝0 0 1⎠
1 1 1

88 David Pigeon - Mathématiques

A Matrices d’opérations

⎛δ1,σ2 (1) δ1,σ2 (2) δ1,σ2 (3) ⎞ ⎛δ1,2 δ1,1 δ1,3 ⎞ ⎛0 1 0⎞

Pσ2 = P(1,2) = ⎜δ2,σ2 (1) δ2,σ2 (2) δ2,σ2 (3) ⎟ = ⎜δ2,2 δ2,1 δ2,3 ⎟ = ⎜1 0 0⎟
⎝δ3,σ (1) δ3,σ (2) δ3,σ (3) ⎠ ⎝δ3,2 δ3,1 δ3,3 ⎠ ⎝0 0 1⎠
2 2 2

⎛δ1,σ3 (1) δ1,σ3 (2) δ1,σ3 (3) ⎞ ⎛δ1,3 δ1,2 δ1,1 ⎞ ⎛0 0 1⎞

Pσ3 = P(1,3) = ⎜δ2,σ3 (1) δ2,σ3 (2) δ2,σ3 (3) ⎟ = ⎜δ2,3 δ2,2 δ2,1 ⎟ = ⎜0 1 0⎟
⎝δ3,σ (1) δ3,σ (2) δ3,σ (3) ⎠ ⎝δ3,3 δ3,2 δ3,1 ⎠ ⎝1 0 0⎠
3 3 3

⎛δ1,σ4 (1) δ1,σ4 (2) δ1,σ4 (3) ⎞ ⎛δ1,1 δ1,3 δ1,2 ⎞ ⎛1 0 0⎞

Pσ4 = P(2,3) = ⎜δ2,σ4 (1) δ2,σ4 (2) δ2,σ4 (3) ⎟ = ⎜δ2,1 δ2,3 δ2,2 ⎟ = ⎜0 0 1⎟
⎝δ3,σ (1) δ3,σ (2) δ3,σ (3) ⎠ ⎝δ3,1 δ3,3 δ3,2 ⎠ ⎝0 1 0⎠
4 4 4

⎛δ1,σ1 (1) δ1,σ1 (2) δ1,σ1 (3) ⎞ ⎛δ1,2 δ1,3 δ1,1 ⎞ ⎛0 0 1⎞

Pσ5 = P(1,2,3) = ⎜δ2,σ1 (1) δ2,σ1 (2) δ2,σ1 (3) ⎟ = ⎜δ2,2 δ2,3 δ2,1 ⎟ = ⎜1 0 0⎟
⎝δ3,σ (1) δ3,σ (2) δ3,σ (3) ⎠ ⎝δ3,2 δ3,3 δ3,1 ⎠ ⎝0 1 0⎠
1 1 1

⎛δ1,σ1 (1) δ1,σ1 (2) δ1,σ1 (3) ⎞ ⎛δ1,3 δ1,1 δ1,2 ⎞ ⎛0 1 0⎞

Pσ6 = P(1,3,2) = ⎜δ2,σ1 (1) δ2,σ1 (2) δ2,σ1 (3) ⎟ = ⎜δ2,3 δ2,1 δ2,2 ⎟ = ⎜0 0 1⎟
⎝δ3,σ (1) δ3,σ (2) δ3,σ (3) ⎠ ⎝δ3,3 δ3,1 δ3,2 ⎠ ⎝1 0 0⎠
1 1 1

On a alors les résultats fondamentaux suivants.

Lemme A.3.3
(i) Soit σ, τ ∈ Sn . On a :
Pσ○τ = Pσ Pτ .

(ii) Soit σ ∈ Sn . On a Pσ ∈ GLn (R) et :

σ = Pσ −1 = Pσ .
T
P−1

Démonstration. (i) Comme τ est une bijection, on a pour tous p, q ∈ {1, . . . , n} :

p = τ (q) ⇐⇒ q = τ −1 (p).

Ainsi Pour tous k, l ∈ {1, . . . , n}, on a :

n
[Pσ Pτ ]kl = ∑ [Pσ ]km [Pτ ]ml
m=1
n
= ∑ δk,σ(m) δm,τ (l)
m=1
=δk,σ(τ (l))
= [Pσ○τ ]kl

(ii) Pour tous k, l ∈ {1, . . . , n}, on a :

n
[Pσ PTσ ]kl = ∑ [Pσ ]km [PTσ ]ml
m=1
n
= ∑ [Pσ ]km [Pσ ]lm
m=1
n
= ∑ δk,σ(m) δl,σ(m)
m=1

89 David Pigeon - Mathématiques

A Matrices d’opérations

=δk,l
= [In ]kl

et par bijection de σ, on a :
n
[Pσ Pσ−1 ]kl = ∑ [Pσ ]km [Pσ−1 ]ml
m=1
n
= ∑ δk,σ(m) δm,
m=1
n
= ∑ δk,σ(σ−1 (l))
m=1
=δk,l
= [In ]kl

Donc on a Pσ ∈ GLn (R) et :

σ = Pσ −1 = Pσ .
T
P−1

Donc l’inverse d’une matrice de permutation est une matrice de permutation.

A.4 Matrices d’opérations élémentaires

Définition A.4.1
(i) Soit i, j ∈ {1, . . . , n} tels que i ≠ j. La matrice de permutation (i, j) de taille n est la matrice :

Pi,j ∶= Pτi,j

avec τi,j la transposition de i et j. On dit aussi que Pi,j est une matrice élémentaire de permuation
ou une matrice de transposition.
(ii) Soit i ∈ {1, . . . , n} et a ∈ R∗ . La matrice de dilatation (i, a) de taille n est la matrice Di (a) ∈ Mn (R)
telle que pour tous k, l ∈ {1, . . . , n} :

a si k = l = i
[Di (a)]k,l ∶= {
δk,l sinon.

(iii) Soit i, j ∈ {1, . . . , n} tels que i ≠ j et b ∈ R. La matrice de transvection (i, j, b) de taille n est la
matrice Ti,j (b) ∈ Mn (R) telle que pour tous k, l ∈ {1, . . . , n} :

b si k = i et l = j
[Ti,j (b)]k,l ∶= {
δk,l sinon.

On note En (R) l’ensemble des matrices élémentaires de taille n i.e. :

En (R) = {Pi,j , i, j ∈ {1, . . . , n}, i ≠ j}

⋃ {Di (a), i ∈ {1, . . . , n}, a ∈ R }
∗

⋃ {Ti (b), i, j ∈ {1, . . . , n}, i ≠ j ∧ b ∈ R} .

90 David Pigeon - Mathématiques

A Matrices d’opérations

Pour n ∶= 3, on a par exemple :

⎛0 1 0⎞ ⎛0 0 1 ⎞ ⎛1 0 0⎞
P1,2 = P2,1 = ⎜1 0 0⎟ P1,3 = P3,1 = ⎜0 1 0⎟ P2,3 = P3,2 = ⎜0 0 1⎟
⎝0 0 1⎠ ⎝1 0 0 ⎠ ⎝0 1 0⎠

⎛a 0 0⎞ ⎛1 0 0⎞ ⎛1 0 0⎞
D1 (a) = ⎜0 1 0⎟ D2 (a) = ⎜0 a 0⎟ D3 (a) = ⎜0 1 0⎟
⎝0 0 1⎠ ⎝0 0 1⎠ ⎝0 0 a⎠

⎛1 b 0⎞ ⎛1 0 b ⎞ ⎛1 0 0⎞
T1,2 (b) = ⎜0 1 0⎟ T1,3 (b) = ⎜0 1 0⎟ T2,1 (b) = ⎜ b 1 0⎟
⎝0 0 1⎠ ⎝0 0 1 ⎠ ⎝0 0 1⎠

⎛1 0 0⎞ ⎛1 0 0 ⎞ ⎛1 0 0⎞
T2,3 (b) = ⎜0 1 b ⎟ T3,1 (b) = ⎜0 1 0⎟ T3,2 (b) = ⎜0 1 0⎟
⎝0 0 1⎠ ⎝ b 0 1⎠ ⎝0 b 1⎠

A.5 Propriétés
On a les relations simples suivantes.

Lemme A.5.1
Soit i, j ∈ {1, . . . , n} tels que i ≠ j, a ∈ R∗ , b ∈ R et σ ∈ Sn ..
(i) (a) On a Pi,j ∈ GLn (R) et :
i,j = Pi,j = Pi,j .
T
P−1

(b) Toute matrices de permutation est le produit d’au plus n−1 matrices élémentaires de permutations.
(c) On a :
det (Pσ ) = ε (σ) .

(ii) (i) On a Di (a) ∈ GLn (R) et :

Di (a)−1 = Di (1/a) , Di (a)T = Di (a).

(ii) On a :
det (Di (a)) = a.

(iii) (i) On a Ti,j (b) ∈ GLn (R) et :

Ti,j (b)−1 = Ti,j (−b) , Ti,j (b)T = Tj,i (b).

(ii) On a :
det (Ti,j (b)) = 1.

Démonstration. (i) (a) Par le lemme A.3.3, on a Pi,j ∈ GLn (R) et :

i,j = Pτi,j
P−1 −1

= Pτ −1
i,j

= Pτi,j
= Pi,j

91 David Pigeon - Mathématiques

A Matrices d’opérations

et :

PTi,j = PTτi,j
= Pτ −1
i,j

= Pτi,j
= Pi,j

(b) Soit σ ∈ Sn une permutation. Alors par la proposition A.1.2, σ est le produit de transpositions τ1 , . . . , τk :

σ = τ1 ○ ⋯ ○ τk .

On a donc par le point (i) :

Pσ = Pτ1 ○⋯○τk
= Pτ1 ⋯Pτk

D’où le résultat.
(c) Soit τi,j une transposition avec i, j ∈ {1, . . . , n} avec i < j. Montrons que :

det (Pi,j ) = −1 = ε (τi,j ) .

On a par antisymétrie du déterminant :

det (Pi,j ) = det (e1 , . . . , ei−1 , ej , ei+1 , . . . , ej−1 , ei , ej+1 , . . . , en )

= − det (e1 , . . . , en )
= −1
= ε (τi,j )

On réutilise les notations du point (iii). Soit une permutation décomposée en produit de transpositions :

σ = τ1 ○ ⋯ ○ τk .

On a donc :

det (Pσ ) = det (Pτ1 ⋯Pτk )

k
= ∏ det (Pτi )
i=1
= (−1)k
= ε (σ)

(ii) Soit k, l ∈ {1, . . . , n}. Comme :

a si k = l = i
[Di (a)]k,l = { = (a − 1)δk,i δl,i + δk,l
δk,l sinon.
on a :
n
[Di (a)Di (1/a)]kl = ∑ [Di (a)]km [Di (1/a)]ml
m=1
n
= ∑ ((a − 1)δk,i δm,i + δk,m ) ((1/a − 1)δm,i δl,i + δm,l )
m=1

92 David Pigeon - Mathématiques

A Matrices d’opérations

n n
=(a − 1)(1/a − 1) ∑ δk,i δm,i δm,i δl,i + (a − 1) ∑ δk,i δm,i δm,l
m=1 m=1
n n
+ (1/a − 1) ∑ δk,m δm,i δl,i + ∑ δk,m δm,l
m=1 m=1
=(a − 1)(1/a − 1)δk,i δl,i + (a − 1)δk,i δl,i + (1/a − 1)δk,i δl,i + δk,l
=δk,l
= [In ]kl
et on a :
[Di (a)T ]kl = [Di (a)]lk
=(a − 1)δl,i δk,i
=(a − 1)δk,i δl,i
= [Di (a)]kl
Donc on a Di (a) ∈ GLn (R) et :
Di (a)−1 = Di (1/a) , Di (a)T = Di (a).
(iii) Soit k, l ∈ {1, . . . , n}. Donnons une expression des coefficients de ces matrices sans conditionnement. On a
pour tous k, l ∈ {1, . . . , n} :
b si k = i et l = j
[Ti,j (b)]k,l = { = bδk,i δl,j + δk,l
δk,l sinon.
On a :
n
[Ti,j (b)Ti,j (−b)]kl = ∑ [Ti,j (b)]km [Ti,j (−b)]ml
m=1
n
= ∑ (bδk,i δm,j + δk,m ) (−bδm,i δl,j + δm,l )
m=1
n n n n
= − b2 ∑ δk,i δm,j δm,i δl,j + b ∑ δk,i δm,j δm,l − b ∑ δk,m δm,i δl,j + ∑ δk,m δm,l
m=1 m=1 m=1 m=1
=0 + bδk,i δj,l − bδk,i δl,j + δk,l
=δk,l
= [In ]kl
et on a :
[Ti,j (b)T ]kl = [Ti,j (b)]lk
=bδl,i δk,j + δl,k
=bδk,j δl,i + δk,l
= [Tj,i (b)]kl
Donc on a Ti,j (b) ∈ GLn (R) et :
Ti,j (b)−1 = Ti,j (−b) , Ti,j (b)T = Tj,i (b).

On en déduit deux stabilités fondamtentales de l’ensemble En (R).

93 David Pigeon - Mathématiques

A Matrices d’opérations

Corollaire A.5.2
L’ensemble En (R) des matrices élémentaires de taille n est stable par la transposée et l’inverse.

A.6 Cas des matrices triangulaires

On montre dans cette sous-section que toute matrice triangulaire inversible de taille 3 s’écrit comme produit
d’opérations élémentaires. On commence par les matrices triangulaires inférieures.

Proposition A.6.1

(i) Soit :
⎛1 0 0⎞
L ∶= ⎜ b 1 0⎟ ∈ GL3 (R).
⎝d e 1⎠

(a) On a :
L = T2,1 (b)T3,1 (d)T3,2 (e).

(b) On a :

L−1 = T3,2 (−e)T3,1 (−d)T2,1 (−b)

⎛ 1 0 0⎞
= ⎜ −b 1 0⎟ .
⎝be − d −e 1⎠

(ii) Soit :
⎛a 0 0 ⎞
L ∶= ⎜ b c 0 ⎟ ∈ GL3 (R).
⎝d e f ⎠

(donc a, c et f sont non nuls).

(a) On a :
L = D3 (f )D2 (c)D1 (a)T2,1 (b/c)T3,1 (d/f )T3,2 (e/f ).

(b) On a :

L−1 = T3,2 (−e/f )T3,1 (−d/f )T2,1 (−b/c)D1 (1/a)D2 (1/c)D3 (1/f )
⎛ 1/a 0 0 ⎞
= ⎜ −b/(ac) 1/c 0 ⎟.
⎝(be − cd)/(acf ) −e/(cf ) 1/f ⎠

Démonstration. (i) (a) On a :

⎛1 0 0⎞ ⎛1 0 0⎞ ⎛1 0 0⎞
T2,1 (b)T3,1 (d)T3,2 (e) = ⎜ b 1 0⎟ ⎜0 1 0⎟ ⎜0 1 0⎟
⎝0 0 1⎠ ⎝d 0 1⎠ ⎝0 e 1⎠

⎛1 0 0⎞ ⎛1 0 0⎞
= ⎜ b 1 0⎟ ⎜0 1 0⎟
⎝0 0 1⎠ ⎝d e 1⎠

94 David Pigeon - Mathématiques

A Matrices d’opérations

⎛1 0 0⎞
= ⎜ b 1 0⎟
⎝d e 1⎠
=L

(b) On a par (a) :

L−1 = T3,2 (−e)T3,1 (−d)T2,1 (−b)
⎛1 0 0⎞ ⎛ 1 0 0⎞ ⎛ 1 0 0⎞
= ⎜0 1 0⎟ ⎜ 0 1 0⎟ ⎜−b 1 0⎟
⎝0 −e 1⎠ ⎝−d 0 1⎠ ⎝ 0 0 1⎠

⎛1 0 0⎞ ⎛ 1 0 0⎞
= ⎜0 1 0⎟ ⎜ −b 1 0⎟
⎝0 −e 1⎠ ⎝−d 0 1⎠

⎛ 1 0 0⎞
= ⎜ −b 1 0⎟
⎝be − d −e 1⎠

(ii) Soit :
⎛a 0 0 ⎞
L ∶= ⎜ b c 0 ⎟ ∈ GL3 (R).
⎝d e f ⎠
(a) On a par (1.a) :
D3 (f )D2 (c)D1 (a)T2,1 (b/c)T3,1 (d/f )T3,2 (e/f )
⎛1 0 0 ⎞ ⎛1 0 0⎞ ⎛a 0 0⎞ ⎛ 1 0 0⎞ ⎛ 1 0 0⎞ ⎛1 0 0⎞
= ⎜0 1 0 ⎟ ⎜0 c 0⎟ ⎜0 1 0⎟ ● ⎜b/c 1 0⎟ ⎜ 0 1 0⎟ ⎜0 1 0⎟
⎝0 0 f ⎠ ⎝0 0 1⎠ ⎝0 0 1⎠ ⎝ 0 0 1⎠ ⎝d/f 0 1⎠ ⎝0 e/f 1⎠
⎛a 0 0 ⎞ ⎛ 1 0 0⎞
= ⎜0 c 0 ⎟ ⎜ b/c 1 0⎟
⎝0 0 f ⎠ ⎝d/f e/f 1⎠
⎛a 0 0 ⎞
= ⎜b c 0⎟
⎝d e f ⎠
=L

(b) On a :
L−1
=T3,2 (−e/f )T3,1 (−d/f )T2,1 (−b/c)D1 (1/a)D2 (1/c)D3 (1/f )
⎛1 0 0⎞ ⎛ 1 0 0⎞ ⎛ 1 0 0⎞ ⎛1/a 0 0⎞ ⎛1 0 0⎞ ⎛1 0 0 ⎞
= ⎜0 1 0⎟ ⎜ 0 1 0⎟ ⎜−b/c 1 0⎟ ● ⎜ 0 1 0⎟ ⎜0 1/c 0⎟ ⎜0 1 0 ⎟
⎝0 −e/f 1⎠ ⎝−d/f 0 1⎠ ⎝ 0 0 1⎠ ⎝ 0 0 1⎠ ⎝0 0 1⎠ ⎝0 0 1/f ⎠
⎛ 1 0 0⎞ ⎛1/a 0 0 ⎞
=⎜ −b/c 1 0⎟ ● ⎜ 0 1/c 0 ⎟
⎝(be − dc)/(cf ) −e/f 1⎠ ⎝ 0 0 1/f ⎠
⎛ 1/a 0 0 ⎞
=⎜ −b/(ac) 1/c 0 ⎟.
⎝(be − cd)/(acf ) −e/(cf ) 1/f ⎠

95 David Pigeon - Mathématiques

A Matrices d’opérations

En passant à la transposée, on a le résultat pour les matrices triangulaires supérieures (voir aussi le lemme A.5.1).

Proposition A.6.2

(i) Soit :
⎛1 b d⎞
U ∶= ⎜0 1 e⎟ ∈ GL3 (R).
⎝0 0 1 ⎠

(a) On a :
U = T2,3 (e)T1,3 (d)T1,2 (b).

(b) On a :

U −1 = T1,2 (−b)T1,3 (−d)T2,3 (−e)

⎛1 −b be − d⎞
= ⎜0 1 −e ⎟ .
⎝0 0 1 ⎠

(ii) Soit :
⎛a b d ⎞
U ∶= ⎜0 c e ⎟ ∈ GL3 (R).
⎝0 0 f ⎠

(a) Les réels a, c et f sont non nuls.

(b) On a :
U = T2,3 (e/f )T1,3 (d/f )T1,2 (b/c)D1 (a)D2 (c)D3 (f ).

(c) On a :

U −1 = D3 (1/f )D2 (1/c)D1 (1/a)T1,2 (−b/c)T1,3 (−d/f )T2,3 (−e/f )

⎛1/a −b/(ac) (be − cd)/(acf )⎞
=⎜ 0 1/c −e/(cf ) ⎟.
⎝ 0 0 1/f ⎠

Le résultat se généralise en dimension quelconque. Comme le produit matriciel n’est pas commutatif, on utilise
les notations :
1→n
∏ ai = a1 ⋯an
i
n→1
∏ ai = an ⋯a1
i

On a pour les matrices triangulaires inférieures et supérieures le résultat suivant.

96 David Pigeon - Mathématiques

A Matrices d’opérations

Proposition A.6.3

(i) Soit :
⎛ t11 (0) ⎞
L ∶= ⎜ ⋮ ⋱ ⎟ ∈ GLn (R).
⎝tn1 ⋯ tn,n ⎠

(a) On a :
n 2→n i−1 ti,k
L = [∏ Di (ti,i )] ● [ ∏ [ ∏ Ti,k ( )]] .
i=1 i k=1 ti,i

(b) On a :
n→2 i−1 ti,k n
1
L−1 = ∏ [ ∏ Ti,k (− )] ● [∏ Di ( )] .
i k=1 ti,i i=1 ti,i

(ii) Soit :
⎛ t11 ⋯ t1n ⎞
U ∶= ⎜ ⋱ ⋮ ⎟ ∈ GLn (R).
⎝(0) tn,n ⎠
(a) On a :
n→2 i−1 tk,i n
U = [ ∏ [ ∏ Tk,i ( )] ● [∏ Di (ti,i )]] .
i k=1 ti,i i=1

(b) On a :
n 2→n i−1 ti,k
1
U −1 = [∏ Di ( )] ● ∏ [ ∏ Tk,i (− )] .
i=1 ti,i i k=1 ti,i

97 David Pigeon - Mathématiques

B Opérations élémentaires sur les lignes

B Opérations élémentaires sur les lignes

On définit les trois opérations élémentaires sur les lignes. A chacune on associe une matrice inversible. On garde
les notations de la section précédente. On commence par la définition d’équivalence par lignes.

Définition B.0.1
Soit M, N ∈ Mn,p (R). On dit que M et N sont équivalentes par lignes s’il existe P ∈ GLn (R) telle que :

M = PN

On note alors M ∼L N .

La relation ∼L est une relation d’équivalence sur les matrices de Mn,p (R).

B.1 Les trois opérations élémentaires

Matrices de permutation
Soit i, j ∈ {1, . . . , n} tels que i ≠ j. La matrice de permutation des lignes i et j de taille n est la matrice
Pi,j . Elle est symbolisée par :
Li ←→ Lj .
On note alors :

Mat (Li ←→ Lj ) ∶= Pi,j

OpL (Pi,j ) ∶= [Li ←→ Lj ]

Matrices de dilatation
Soit i ∈ {1, . . . , n} et a ∈ R∗ . La matrice de dilatation de la ligne i par a de taille n est la matrice Di (a).
Elle est symbolisée par :
Li ←Ð aLi .
On note alors :

Mat (Li ←Ð aLi ) ∶= Di (a)

OpL (Di (a)) ∶= [Li ←Ð aLi ]

Matrices de transvection
Soit i, j ∈ {1, . . . , n} tels que i ≠ j et b ∈ R. La matrice de transvection (b, j) de la ligne i de taille n est
la matrice Ti,j (b, j). Elle est symbolisée par :

Li ←Ð Li + bLj .

On note alors :

Mat (Li ←Ð Li + bLj ) ∶= Ti,j (b, j)

OpL (Ti,j (b, j)) ∶= [Li ←Ð Li + bLj ]

98 David Pigeon - Mathématiques

B Opérations élémentaires sur les lignes

B.2 Un exemple simple

Faire une opération élémentaire sur les lignes d’une matrice est équivalent à multiplier la matrice
à gauche par une matrice élémentaire.

Regardons cela sur un exemple simple. Soit la matrice :

⎛1 2 3⎞
M ∶= ⎜4 5 6⎟ .
⎝7 8 9⎠

(1) Dilatation :

⎛1 0 0⎞ ⎛1 2 3⎞ ⎛ 1 2 3 ⎞
[L2 ←Ð 5L2 ] D2 (5)M = ⎜0 5 0⎟ ⎜4 5 6⎟ = ⎜20 25 30⎟ .
⎝0 0 1⎠ ⎝7 8 9⎠ ⎝ 7 8 9 ⎠

(2) Permutation :
(a)

⎛1 0 0⎞ ⎛1 2 3⎞ ⎛1 2 3⎞
[L2 ←→ L3 ] P2,3 M = ⎜0 0 1⎟ ⎜4 5 6⎟ = ⎜7 8 9⎟
⎝0 1 0⎠ ⎝7 8 9⎠ ⎝4 5 6⎠

(b)

⎛0 0 1⎞ ⎛1 2 3⎞ ⎛7 8 9⎞
[L1 ←→ L3 ] P1,3 M = ⎜0 1 0⎟ ⎜4 5 6⎟ = ⎜4 5 6⎟
⎝1 0 0⎠ ⎝7 8 9⎠ ⎝1 2 3⎠

(3) Transvection :

⎛1 0 0⎞ ⎛1 2 3⎞ ⎛ 1 2 3 ⎞
[L3 ←Ð L3 + 3L1 ] T3,1 (3)M = ⎜0 1 0⎟ ⎜4 5 6⎟ = ⎜ 4 5 6 ⎟
⎝3 0 1⎠ ⎝7 8 9⎠ ⎝10 14 18⎠

(4) Transvection et dilatation :

⎛1 0 0⎞ ⎛1 2 3⎞ ⎛ 1 2 3 ⎞
[L3 ←Ð 2L3 + 3L1 ] D3 (2)T3,1 (3/2)M = ⎜0 1 0⎟ ⎜4 5 6⎟ = ⎜ 4 5 6 ⎟
⎝3 0 2⎠ ⎝7 8 9⎠ ⎝26 31 36⎠

Cela correspond aux deux opérations élémentaires faites successivement :

[L3 ←Ð 2L3 + 3L1 ] ≡ [L3 ←Ð L3 + 3/2.L1 puis L3 ←Ð 2L3 ]

i.e. on a matriciellement 8 :
⎛1 0 0⎞ ⎛1 0 0⎞ ⎛ 1 0 0⎞
⎜0 1 0⎟ = ⎜0 1 0⎟ ⎜ 0 1 0⎟ .
⎝3 0 2⎠ ⎝0 0 2⎠ ⎝3/2 0 1⎠

8. L’ordre dans le produit des matrices est inversé car on multiplie à gauche.

99 David Pigeon - Mathématiques

C Opérations élémentaires sur les colonnes

C Opérations élémentaires sur les colonnes

On définit les trois opérations élémentaires sur les colonnes. A chacune on associe une matrice inversible. Elles
sont simplement les transposées des matrices élémentaires sur les lignes. On garde les notations des sections pré-
cédentes. On commence par la définition d’équivalence par colonnes.

Définition C.0.1
Soit M, N ∈ Mp,n (R). On dit que M et N sont équivalentes par colonnes s’il existe Q ∈ GLn (R) telle
que :
M = N Q−1
On note alors M ∼C N .

La relation ∼C est une relation d’équivalence sur les matrices de Mp,n (R).

C.1 Les trois opérations élémentaires

Matrices de permutation
Soit i, j ∈ {1, . . . , n} tels que i ≠ j. La matrice de permutation des colonnes i et j de taille n est la
matrice :
PTi,j = Pi,j .
Elle est symbolisée par :
Ci ←→ Cj .
On note alors :
Mat (Ci ←→ Cj ) ∶= Pi,j
OpC (Pi,j ) ∶= [Ci ←→ Cj ]
Matrices de dilatation
Soit i ∈ {1, . . . , n} et a ∈ R∗ . La matrice de dilatation de la ligne i par a de taille n est :
Di (a)T = Di (a).
Elle est symbolisée par :
Ci ←Ð aCi .
On note alors :
Mat (Ci ←Ð aCi ) ∶= Di (a)
OpC (Di (a)) ∶= [Ci ←Ð aCi ]
Matrices de transvection
Soit i, j ∈ {1, . . . , n} tels que i ≠ j et b ∈ R. La matrice de transvection (b, j) de la ligne i de taille n est :
Ti,j (b, j)T = Tj,i (b, j).
Elle est symbolisée par :
Ci ←Ð Ci + bCj .
On note alors :
Mat (Ci ←Ð Ci + bCj ) ∶= Tj,i (b, j)
OpC (Tj,i (b, j)) ∶= [Ci ←Ð Ci + bCj ]

100 David Pigeon - Mathématiques

C Opérations élémentaires sur les colonnes

C.2 Un exemple simple

Faire une opération élémentaire sur les colonnes d’une matrice est équivalent à multiplier la
matrice à droite par une matrice élémentaire.

Regardons cela sur un exemple simple. Soit la matrice :

⎛1 2 3⎞
M ∶= ⎜4 5 6⎟ .
⎝7 8 9⎠

(1) Dilatation :

⎛1 2 3⎞ ⎛1 0 0⎞ ⎛1 10 3⎞
[C2 ←Ð 5C2 ] M D2 (5) = ⎜4 5 6⎟ ⎜0 5 0⎟ = ⎜4 25 6⎟ .
⎝7 8 9⎠ ⎝0 0 1⎠ ⎝7 40 9⎠

(2) Permutation :
(a)

⎛1 2 3⎞ ⎛1 0 0⎞ ⎛1 3 2⎞
[C2 ←→ C3 ] M P2,3 = ⎜4 5 6⎟ ⎜0 0 1⎟ = ⎜4 6 5⎟
⎝7 8 9⎠ ⎝0 1 0⎠ ⎝7 9 8⎠

(b)

⎛1 2 3⎞ ⎛0 0 1⎞ ⎛3 2 1⎞
[C1 ←→ C3 ] M P1,3 = ⎜4 5 6⎟ ⎜0 1 0⎟ = ⎜6 5 4⎟
⎝7 8 9⎠ ⎝1 0 0⎠ ⎝9 8 7⎠

(3) Transvection :

⎛1 2 3⎞ ⎛1 0 3⎞ ⎛1 2 6 ⎞
[C3 ←Ð C3 + 3C1 ] M T3,1 (3) = ⎜4 5 6⎟ ⎜0 1 0⎟ = ⎜4 5 18⎟
⎝7 8 9⎠ ⎝0 0 1⎠ ⎝7 8 30⎠

(4) Transvection et dilatation :

⎛1 2 3⎞ ⎛1 0 3⎞ ⎛1 2 9 ⎞
[C3 ←Ð 2C3 + 3C1 ] M T3,1 (3/2)D3 (2) = ⎜4 5 6⎟ ⎜0 1 0⎟ = ⎜4 5 24⎟
⎝7 8 9⎠ ⎝0 0 2⎠ ⎝7 8 39⎠

Cela correspond aux deux opérations élémentaires faites successivement :

[C3 ←Ð 2C3 + 3C1 ] ≡ [C3 ←Ð C3 + 3/2.C1 puis C3 ←Ð 2C3 ]

i.e. on a matriciellement :
⎛1 0 3⎞ ⎛1 0 3/2⎞ ⎛1 0 0⎞
⎜0 1 0⎟ = ⎜0 1 0 ⎟ ⎜0 1 0⎟ .
⎝0 0 2⎠ ⎝0 0 1 ⎠ ⎝0 0 2⎠

101 David Pigeon - Mathématiques

D Rotations de Givens

D Rotations de Givens
Dans la décomposition QR, il existe une autre méthode connue pour calculer la matrice Q. Elle utilise les
rotations de Givens. Cette méthode qui semble compliquée au premier abord, est très utile en pratique car elle
nécessite peu de calculs pour l’obtention de matrice Q.
Dans les sections 13 et 14, on trouvera deux autres méthodes pour calculer une matrice Q. Cette section est
aussi l’occasion grâce à la matrice A de l’introduction de montrer que les matrices Q et R ne sont pas uniques :
on trouvera des matrices différentes de la section 13 avec la méthode de Gram-Schmidt.

D.1 Introduction
On commence avec la définition des rotations de Givens.

Définition D.1.1
Soit i, j ∈ {1, . . . , n} tels que i ≠ j et θ ∈ R. La matrice de rotation de Givens G(i, j, θ) de taille n est
la matrice orthogonale de taille n donnée pour tous k, l ∈ {1, . . . , n} :

⎧
⎪ 1 si k = l ≠ i, j
⎪
⎪
⎪
⎪ cos(θ) si k = l = i ou k = l = j
[G(i, j, θ)]kl ∶= ⎨
⎪
⎪ sin(θ) si (k, l) = (j, i)
⎪
⎪
⎪
⎩ − sin(θ) si (k, l) = (i, j)

On la notera aussi :
G(i, j, c, s) ∶= G(i, j, θ)
avec c ∶= cos(θ) et s ∶= sin(θ).

On a donc :
i j
⎛ 1 ⋯ 0 ⋯ 0 ⋯ 0 ⎞
⎜ ⋮ ⋱ ⋮ ⋮ ⋮ ⎟
⎜ ⎟
⎜ 0 ⋯ c ⋯ −s ⋯ 0 ⎟ i
⎜ ⎟
G(i, j, c, s) = G(i, j, θ) = ⎜
⎜ ⋮ ⋮ ⋱ ⋮ ⋮ ⎟
⎟
⎜ ⋯ ⋯ ⋯ ⎟ j
⎜ 0 s c 0 ⎟
⎜ ⎟
⎜ ⋮ ⋮ ⋮ ⋱ ⋮ ⎟
⎝ 0 ⋯ 0 ⋯ 0 ⋯ 1 ⎠

Exemple D.1.2: Cas n ∶= 3

Soit θ ∈ R. Posons c ∶= cos(θ) et s ∶= sin(θ). Les 6 types de rotations de Givens sont données par :

⎛ c −s 0⎞ ⎛−s c 0⎞
G(1, 2, c, s) = G(1, 2, θ) = ⎜s c 0⎟ G(2, 1, c, s) = G(2, 1, θ) = ⎜ c s 0⎟
⎝0 0 1⎠ ⎝ 0 0 1⎠

⎛ c 0 −s⎞ ⎛−s 0 c ⎞
G(1, 3, c, s) = G(1, 3, θ) = ⎜s 0 c ⎟ G(3, 1, c, s) = G(3, 1, θ) = ⎜ c 0 s⎟
⎝0 1 0 ⎠ ⎝ 0 1 0⎠

102 David Pigeon - Mathématiques

D Rotations de Givens

⎛0 c −s⎞ ⎛0 −s c ⎞
G(2, 3, c, s) = G(2, 3, θ) = ⎜0 s c ⎟ G(3, 2, c, s) = G(3, 2, θ) = ⎜0 c s⎟
⎝1 0 0 ⎠ ⎝1 0 0⎠

On commence par un lemme utile.

Lemme D.1.3
Soit i, j ∈ {1, . . . , n} tels que i ≠ j et θ ∈ R.
(i) On a G(i, j, θ) ∈ On (R).
(ii) Soit :
⎛ x1 ⎞
X ∶= ⎜ ⋮ ⎟ ∈ Rn
⎝xn ⎠
√
avec r ∶= x2i + x2j ≠ 0. Alors on a :

⎛ x1 ⎞
⎜ ⋮ ⎟
⎜ ⎟
⎜r⎟ i
⎜ ⎟
xi xj ⎜ ⋮ ⎟
G (i, j, , − ) X = ⎜
⎜0⎟ j
⎟
r r ⎜ ⎟
⎜ ⎟
⎜ ⋮ ⎟
⎝xn ⎠

Démonstration. Dans les deux preuves, on a va utiliser une expression de G(i, j, θ) avec des symboles de Kronecker.
Pour tous k, l ∈ {1, . . . , n}, on a :

[G(i, j, θ)]kl = s(δ(k,l),(j,i) − δ(k,l),(i,j) ) + (c − 1)(δ(k,l),(i,i) + δ(k,l),(j,j) ) + δk,l

(i) Posons c ∶= cos(θ) et s ∶= sin(θ). Montrons que G(i, j, θ)T G(i, j, θ) = In . Pour tous k, l ∈ {1, . . . , n} et comme
s2 + c2 = 1, on a :

[G(i, j, θ)T G(i, j, θ)]kl

n
= ∑ [G(i, j, θ)T ]kh [G(i, j, θ)]hl
h=1
n
= ∑ [G(i, j, θ)]hk [G(i, j, θ)]hl
h=1
n
= ∑ (s(δ(h,k),(j,i) − δ(h,k),(i,j) ) + (c − 1)(δ(h,k),(i,i) + δ(h,k),(j,j) ) + δh,k )
h=1
× (s(δ(h,l),(j,i) − δ(h,l),(i,j) ) + (c − 1)(δ(h,l),(i,i) + δ(h,l),(j,j) ) + δh,l )
n
=s2 ∑ (δ(h,k),(j,i) − δ(h,k),(i,j) )(δ(h,l),(j,i) − δ(h,l),(i,j) )
h=1
n
+ (c − 1)2 ∑ (δ(h,k),(i,i) + δ(h,k),(j,j) )(δ(h,l),(i,i) + δ(h,l),(j,j) )
h=1

103 David Pigeon - Mathématiques

D Rotations de Givens

n
+ s(c − 1) ∑ [(δ(h,k),(j,i) − δ(h,k),(i,j) )(δ(h,l),(i,i) + δ(h,l),(j,j) ) + (δ(h,k),(i,i) + δ(h,k),(j,j) )(δ(h,l),(j,i) − δ(h,l),(i,j) )]
h=1
n
+ s ∑ [(δ(h,k),(j,i) − δ(h,k),(i,j) )δh,l + δh,k (δ(h,l),(j,i) − δ(h,l),(i,j) )]
h=1
n
+ (c − 1) ∑ [(δ(h,l),(i,i) + δ(h,l),(j,j) )δh,l + δh,k (δ(h,l),(i,i) + δ(h,l),(j,j) )]
h=1
n
+ ∑ δh,k δh,l
h=1
=s (δ(i,k),(i,j) δ(i,l),(i,j) + δ(j,k),(j,i) δ(j,l),(j,i) )
2

+ (c − 1)2 (δ(i,k),(i,i) δ(i,l),(i,i) + δ(j,k),(j,j) δ(j,l),(j,j) )

+ s(c − 1) (−δ(i,k),(i,j) δ(i,l),(i,i) − δ(i,k),(i,i) δ(i,l),(i,j) + δ(j,k),(j,i) δ(j,l),(j,j) + δ(j,k),(j,j) δ(j,l),(j,i) )
+ s (−δ(i,k),(i,j) δi,l − δi,k δ(i,l),(i,j) + δ(j,k),(j,i) δj,l + δj,k δ(j,l),(j,i) )
+ (c − 1) (δ(i,l),(i,i) δi,l + δi,k δ(i,l),(i,i) + δ(j,l),(j,j) δj,l + δj,k δ(j,l),(j,j) )
+ δk,l
=s2 (δk,j δl,j + δk,i δl,i ) + (c − 1)2 (δi,k δi,l + δk,j δl,j )
+ s(c − 1) × 0 + s × 0 + (c − 1) (δi,l + δi,k δl,i + δj,l + δj,k δl,j ) + δk,l
= (s2 + (c − 1)2 + c − 1) (δk,j δl,j + δk,i δl,i ) + (c − 1) (δi,l + δj,l ) + δk,l
(−c + 1) + (c − 1) + 1 si k = l = i ou k = l = j
={
δk,l sinon.
= δk,l
= [In ]k,l

D’où le résultat.
(ii) Pour tout k ∈ {1, . . . , n}, on a :
xi xj
[G (i, j, , − ) X]
r r k
n
xi xj
= ∑ [G (i, j, , − )] [X]h
h=1 r r kh
n −xj xi
=∑( (δ(k,h),(j,i) − δ(k,h),(i,j) ) + ( − 1)(δ(k,h),(i,i) + δ(k,h),(j,j) ) + δk,h ) xh
h=1 r r
−xj xi −xj xi
=( δ(k,i),(j,i) + ( − 1)δ(k,i),(i,i) ) xi + (− δ(k,j),(i,j) + ( − 1)δ(k,j),(j,j) ) xj + δk,k xk
r r r r
⎧
⎪ x i xj
⎪
⎪ ( − 1) xi + xj + xi si k = i
⎪
⎪
⎪ −xrj r
=⎨ xi
xi + ( − 1) xj + xj si k = j
⎪
⎪
⎪
⎪
⎪
⎪
r r
⎩ kx sinon.
⎧
⎪ r si k = i
⎪
⎪
= ⎨ 0 si k = j
⎪
⎪
⎪
⎩ xk sinon.
D’où le résultat.

104 David Pigeon - Mathématiques

D Rotations de Givens

Par le lemme, la multiplication à gauche par une rotation de Givens est une "double transvection" où l’on fait
apparaître un r en ligne i et un 0 en ligne j.
En multipliant successivement à gauche par des rotations de Givens, on peut rendre la matrice triangulaire
supérieure et le produit des rotations de Givens donnera la matrice Q comme on le verra dans la sous-section
suivante.
En multipliant à droite par des rotations de Givens, on obtiendrait une décomposition RQ comme dans la
section 14.

D.2 Exemple
Calculons l’inverse de :
⎛ 2 −2 1⎞
A ∶= ⎜ 2 −3 2⎟
⎝−1 2 0⎠
en utilisant la décomposition QR et les rotations de Givens.

Cas où i ∶= 1, j ∶= 2, xi ∶= 2, xj ∶= 2. On a :
√
r ∶= x2i + x2j
√
= 22 + 22
√
=2 2
et
xi xj
A1 ∶= G (i, j, ,− )A
r r
1 1
= G (1, 2, √ , − √ ) A
2 2
√ √
⎛ 1/ √2 1/√2 0⎞ ⎛ 2 −2 1⎞
= ⎜−1/ 2 1/ 2 0⎟ ⎜ 2 −3 2⎟
⎝ 0 0 1⎠ ⎝−1 2 0⎠
√ √ √
⎛2 2 − 2 √2 2 √2⎞
5 3

=⎜ 0 − 12 2 12 2⎟
⎝ −1 2 0 ⎠
√
Cas où i ∶= 1, j ∶= 3, xi ∶= 2 2, xj ∶= −1. On a :
√
r ∶= x2i + x2j
√
= 8+1
=3
et
xi xj
A2 ∶= G (i, j, , − ) A1
r r
√
2 2 1
= G (1, 3, , ) A1
3 3
√ √ √ √
⎛2 2/3 0 −1/3 ⎞ ⎛2 2 − 2 √2
5 3
2 √2⎞
=⎜ 0 1 √0 ⎟ ⎜ 0 − 12 2 1
2 2⎟
⎝ 1/3 0 2 2/3 ⎠ ⎝ −1 2 0 ⎠

105 David Pigeon - Mathématiques

D Rotations de Givens

⎛3 −4
√ 2 ⎞
√
= ⎜0 − 2√ 2 2 √2⎟
1 1
⎝0 1 2 1 2⎠
2 2
√ √
Cas où i ∶= 2, j ∶= 3, xi ∶= − 2/2, xj ∶= 2/2. On a :
√
r ∶= x2i + x2j
√
= 1/2 + 1/2
=1

et

R ∶= A3
xi xj
∶= G (i, j, , − ) A2
r r
√ √
2 2
= G (2, 3, − ,− ) A2
2 2
⎛1 √0 √0 ⎞ ⎛3 −4
√ 2 ⎞
√
= ⎜0 −√2/2 √2/2 ⎟ ⎜0 − 1
2√2
1
2 √2⎟
⎝0 − 2/2 − 2/2⎠ ⎝0 1 2 1
2⎠
2 2

⎛3 −4 2 ⎞
= ⎜0 1 0⎟
⎝0 0 −1⎠

Posons : √ √ √
2 2 2 2 1 1 1
Q ∶= G (2, 3, − ,− ) G (1, 3, , ) G (1, 2, √ , − √ ) .
2 2 3 3 2 2
On a :
√ √ √
⎛1 √0 √0 ⎞ ⎛2 2/3 0 −1/3 ⎞ ⎛ 1/ √2 1/√2 0⎞
Q = ⎜0 −√2/2 √2/2 ⎟ ⎜ 0 1 √0 ⎟ ⎜−1/ 2 1/ 2 0⎟
⎝0 − 2/2 − 2/2⎠ ⎝ 1/3 0 2 2/3⎠ ⎝ 0 0 1⎠
√ √ √
2
⎛ 3 √2 0√ − 31 ⎞ ⎛ 1/ √2 1/√2 0⎞
= ⎜ 16 √2 − 12 √2 23 ⎟ ⎜−1/ 2 1/ 2 0⎟
⎝− 1 2 − 1 2 − 2 ⎠ ⎝ 0 0 1⎠
6 2 3
2 2 −1⎞
1⎛
= ⎜2 −1 2 ⎟
3⎝
1 −2 −2⎠

On a bien (c’est inutile de le montrer) :

2 2 −1⎞ ⎛ 2 −2 1⎞
1⎛
QA = ⎜2 −1 2 ⎟ ⎜ 2 −3 2⎟
3⎝
1 −2 −2⎠ ⎝−1 2 0⎠
⎛3 −4 2 ⎞
= ⎜0 1 0⎟
⎝0 0 −1⎠
=R

106 David Pigeon - Mathématiques

D Rotations de Givens

En utilisant la formule de la proposition A.6.2 pour l’inverse d’une matrice triangulaire supérieure, on a :

1⎛
1 4 2⎞
R −1
= ⎜0 3 0 ⎟
3⎝
0 0 −3⎠

et ainsi :

A−1 = R−1 Q
1 4 2 ⎞ ⎛2 2 −1⎞
1⎛
= ⎜0 3 0 ⎟ ⎜2 −1 2 ⎟
9⎝
0 0 −3⎠ ⎝1 −2 −2⎠
4 −2 1⎞
1⎛
= ⎜ 2 −1 2⎟
3⎝
−1 2 2⎠

107 David Pigeon - Mathématiques

Références

Références
[1] Roger A. Horn, Charles R. Johnson, Matrix analysis, Cambridge University Press, (1990).
[2] Denis Serre, Matrices, Theory and Applications, Springer, (2000).
[3] Wikipedia, Invertible matrix # Methods of matrix inversion.

108 David Pigeon - Mathématiques