Chapitre 1

Compléments sur les matrices

1.1 Rappels
Dans tout ce qui suit, le corps K = R ou C.

1- A est une matrice à éléments dans K ayant m lignes et n colonnes si :

A = (aij )1≤i≤m,1≤j≤n , avec aij ∈ K. L’ensemble des matrices m lignes et n colonnes à
coefficients dans K est noté Mmn (K). Lorsque n = m, on dit que A est une matrice
carrée d’ordre n et l’ensemble est noté Mn (K), la matrice est notée A = (aij )1≤i,j≤n

2- Soit A ∈ Mn (K). On dit que A est :

- diagonale, si aij = 0 pour i ∕= j et les éléments de la diagonale sont non tous nuls.

- triangulaire inférieure (respectivement supérieure), si aij = 0 pour i < j

(respectivement i > j).

- strictement triangulaire inférieure (respectivement supérieure), si aij = 0

pour i ≤ j (respectivement i ≥ j).
!
- à diagonale dominante, si ∀1 ≤ i ≤ n, | aii |≥ j∕=i | aij |. Si l’inégalité est
stricte, alors A est à diagonale strictement dominante.

3-

(a) - Somme Soient A et B ∈ Mmn (K), avec A = (aij ) et B = (bij ). La somme C

des matrices A et B notée C = A + B, est la matrice C ∈ Mmn (K) telle que :
cij = aij + bij , pour 1 ≤ i ≤ m et 1 ≤ j ≤ n

1
 (b) - Produit Soient A ∈ Mmp (K) et B ∈ Mpn (K), avec A = (aij )1≤i≤m,1≤j≤p et
B = (bij )1≤i≤p,1≤j≤n . On appelle produit des matrices A et B (pris dans cet
ordre), la matrice C ∈ Mmn (K) notée C = AB telle que
!
cij = pk=1 (aik )(bkj )1≤i≤m,1≤j≤n

1.2 Définitions et propriétés

1.2.1 Définitions

1- Soit A ∈ Mmn (K). On appelle transposée de la matrice m lignes et n colonnes A

qu’on note t A, la matrice de Mnm (K) (c’est à dire n lignes et m colonnes) telle que
si A = (aij )1≤i≤m,1≤j≤n , alors (t A)ij = aji

◮ Exemple :

" %
1 − i 2i 3 −4
# &
# &
A=# 2 1 −1 2 & , A ∈ M34 (C)
$ '
0 3 4 i
" %
1−i 2 0
# &
# &
# 2i 1 3&
( A) ∈ M43 (C), ( A) = #
t t
#
&
&
# 3 −1 4&
$ '
−4 2 i

On a les propriétés suivantes :

i) A, B ∈ Mmn (K), t (A + B) = t A + t B
ii) A ∈ Mmp (K), B ∈ Mpn (K), t (AB) = t B t A.
2- Soit A ∈ Mmn (K) telle que A = (aij )1≤i≤m,1≤j≤n . On appelle matrice adjointe
de A qu’on note A! , la matrice de Mnm (K) telle que : (A! )ij = aji

◮ Exemple :

2
 " %
1 − i 2i 3 −4
# &
# &
A=# 2 1 −1 2 & , A ∈ M34 (C)
$ '
0 3 4 i
" %
1+i 2 0
# &
# &
# −2i 1 3&
(A ) = #
!
#
&
&
# 3 −1 4 &
$ '
−4 2 −i

On a les propriétés suivantes :

i) A, B ∈ Mmn (K), (A + B)! = A! + B !
ii) A ∈ Mmp (K), B ∈ Mpn (K), (AB)! = B ! A!
iii) A ∈ Mmn (R), A! = t A

3- Soit A ∈ Mn (K) tel que A = (aij ), 1 ≤ i, j ≤ n. On appelle trace de A qu’on note

!
tr(A) le scalaire tr(A) = ni=1 aii

4- Soit A ∈ Mn (K). On dit que A est inversible, s’il existe une matrice B ∈ Mn (K)
telle que AB = BA = I, où I est la matrice unité d’ordre n. La matrice B notée
A−1 est l’inverse de A.

On a les propriétés suivantes :

i) Si A ∈ Mn (K) est inversible alors (A−1 )! = (A! )−1
ii) A est inversible si et seulement si detA ∕= 0. On a detA−1 = 1
detA

iii) Si C et D sont inversibles alors CD est inversible et on a : (C.D)−1 = D−1 .C −1

1.2.2 Définitions de matrices carrées

Soit A ∈ Mn (C). On dit que A est :

- symétrique, si t A = A.

- hermitienne, si A! = A.

3
 - unitaire, si A! = A−1 .

- orthogonale, si t A = A−1 .

- normale, si AA! = A! A.

1.2.3 Théorème

Les matrices hermitiennes et les matrices unitaires sont des matrices normales.

Démonstration

. Soit A ∈ Mn (C) une matrice hermitienne A! = A

⇒ A! A = AA! , donc A est normale.
. Soit A ∈ Mn (C) une matrice unitaire A! = A−1
⇒ AA! = AA−1 = A−1 A = A! A, donc A est normale.

1.3 Valeurs propres, Vecteurs propres

1.3.1 Définition et caractérisation

Définition

Soit A ∈ Mn (K), un vecteur u ∕= 0 est appelé vecteur propre de A, si :

∃λ ∈ C tel que Au = λu.
Le nombre complexe λ est appelé valeur propre de A associée à u.

Caractérisation

Soit λ ∈ C une valeur propre de A. Il existe u ∕= 0 tel que :

Au = λu ⇔ (A − λI)u = 0 ⇔ u ∈ Ker(A − λI)
Comme u ∕= 0 donc (A − λI) n’est pas injective, et par suite n’est pas bijective. Par
conséquent (A − λI) n’est pas inversible, c’est-à-dire que det(A − λI) = 0.
P (λ) = det(A − λI) est un polynôme de dégré n appelé polynôme caractéristique.
Les zéros du polynôme caractéristique sont donc les valeurs propres de A.

4
1.3.2 Théorème

Soit A ∈ Mn (C) une matrice hermitienne. Alors toutes les valeurs propres de A sont
réelles.

Démonstration

Soit λ une valeur de propre de A. Il existe u ∕= 0 tel que :

Au = λu ⇒ (Au)! = (λu)!
⇒ u! A! = λu!
⇒ u! A = λu!
⇒ u! Au = λu! u
⇒ λu! u = λu! u
u ∈ Mn1 , u! ∈ M1n , u! u ∈ M11 et u! u ∕= 0 car u ∕= 0.
D’où λ = λ ⇒ λ ∈ R

1.3.3 Rayon spectral

Définition

Soient A ∈ Mn (C) et (λi )1≤i≤n l’ensemble des valeurs propres de A.

On appelle rayon spectral de A qu’on note ρ(A) le nombre réel positif défini par :
ρ(A) = max | λi |1≤i≤n

Théorème d’HADAMARD
!
Soient A ∈ Mn (C) et Di = {z ∈ C/ | z − aii |≤ | aij |} pour 1 ≤ i ≤ n, les disques
j∕=i
(
d’HADAMARD. Alors, les valeurs propres de A appartiennent à ni=1 Di .

Démonstration

Soit µ une valeur propre de A.

∃ x ∕= 0 tel que : Ax = µx
Il existe 1 ≤ i ≤ n tel que | xi |= sup1≤k≤n | xk | avec | xi |> 0

5
Pour cette ième ligne, on a :
!n
j=1 aij xj = µxi , c’est à dire
!
aii xi + j∕=i aij xj = µxi , soit
!
(µ − aii )xi = j∕=i aij xj .
! !
D’où | µ − aii |= j∕=i | aij | |xj||xi|
≤ j∕=i | aij |.
(
C’est-à-dire que µ ∈ ni=1 Di

1.4 Normes

1.4.1 Produit scalaire

Considérons l’espace vectoriel Cn muni du produit scalaire suivant :

!
∀x, y ∈ Cn , x = (xi )1≤i≤n ;y = (yi )1≤i≤n , (x, y) = ni=1 xi yi .
Si A ∈ Mn (C), on sait que Ax ∈ Cn

Formule de transfert

Soient A ∈ Mn (C) et x, y ∈ Cn . On a :

(Ax, y) = (x, A! y)

Définition

Une matrice A ∈ Mn (C) est dite :

i) positive si (Ax, x) ≥ 0, ∀x ∈ Cn

ii) définie positive si A est positive et (Ax, x) > 0 pour x ∕= 0

1.4.2 Norme vectorielle

Définition

On appelle norme sur l’espace vectoriel Cn , toute application * . *: Cn → R vérifiant

pour tous x, y ∈ Cn et α ∈ C :

6
 i) * x + y *≤* x * + * y *

ii) * αx *=| α |* x *

iii) * x *≥ 0 et * x *= 0 si et seulement si x = 0
On peut définir sur Cn , un certain nombre de normes vectorielles dont les plus utilisées
en Analyse numérique sont :
!
i) * x *1 = ni=1 | xi | (norme 1)
)!
n 2
ii) * x *2 = i=1 | xi | (norme 2 ou norme euclidienne)

iii) * x *∝ = sup1≤i≤n | xi | (norme infinie)

1.4.3 Norme matricielle

Définition

On appelle norme matricielle sur l’ensemble Mn (C), toute application

* . *:M n (C) → R vérifiant pour toutes matrices A, B ∈ Mn (C) et tout scalaire α ∈ C :

i) * A + B *≤* A * + * B *

ii) * AB *≤* A ** B *

iii) * αA *=| α |* A *

iv) * A *≥ 0 et * A *= 0 si et seulement si A = 0

Étant donnée une norme vectorielle sur Cn , on peut toujours lui associer une norme
vectorielle dite norme matricielle subordonnée et définie par :

* A *= supx∕=0 $Ax$
$x$
= sup$x$≤1 * Ax * = sup$x$=1 * Ax *

Conséquence

Pour toute matrice A ∈ Mn (C) et tout vecteur x ∈ Cn , on a :

* Ax *≤* A ** x *

où la norme vectorielle et sa norme matricielle subordonnée sont notées * . *.

7
Théorème

Soit A = (aij ) ∈ Mn (C) :

!
i) La norme matricielle subordonnée à la norme 1 est : * A *1 = sup1≤j≤n ni=1 | aij |
*
ii) La norme matricielle subordonnée à la norme 2 est : * A *2 = ρ(A! A)
!
iii) La norme matricielle subordonnée à la norme ∝ est : * A *∝ = sup1≤i≤n nj=1 | aij |

Remarque : Il existe des normes matricielles qui ne sont subordonnées à aucune norme
vectorielle. Par exemple, la norme de FROBÉNIUS qui est définie par :
* ! ! 1
* A *F = tr(A! A)) = ( ni=1 nj=1 | aij |2 ) 2

1.5 Triangularisation d’une matrice

Nous retiendrons la réduction d’une matrice à sa forme triangulaire supérieure.

1.5.1 Théorème

Pour toute matrice A ∈ Mn (C), il existe une matrice unitaire U et une matrice triangu-
laire supérieure T telles que :
T = U ! AU
Si de plus A est normale alors T est une matrice diagonale.

Remarques :

i) Les éléments diagonaux de T sont nécessairement les valeurs propres de A répétées

selon leurs multiciplicités.

ii) Le déterminant de A est identique au déterminant de T , c’est-à-dire, au produit

des valeurs propres de A.

8
1.5.2 Théorème

Soit A ∈ Mn (C), une matrice normale. On a * A *2 = ρ(A)

Démonstration

A étant normale, il existe D diagonale et U unitaire telle que :

D = U ! AU où D = diag(λi ), λi valeur propre de A.
A = U DU !
A! = U D! U ! , où D! = diag(λi )
A! A = U D! DU ! , où D! D = diag(| λ1 |2 , | λ2 |2 , . . . , | λn |2 )
D’où, ρ(A! A) = sup1≤i≤n | λi |2
*
* A *2 = ρ(A! A) = sup| λi |1≤i≤n = ρ(A)

1.6 Conditionnement

Considérons le système linéaire Ax = b où, A ∈ Mn (C) et b ∈ Cn .

Compte tenu des erreurs d’appproximation liées à la machine :
- la matrice A devient dans la machine (A + δA)
- le vecteur b devient dans la machine (b + δb)
où δA et δb sont les erreurs sur A et sur b.
Le système initial

Ax = b

devient alors

(A + δA)(x + δx) = b + δb

où δx est la variation sur la solution x.

Un système où une faible variation sur les données entraîne une forte variation sur la
solution est dit mal conditionné

9
Le nombre réel K(A) =* A ** A−1 * est appelé conditionnement de A. On a toujours
K(A) ≥ 1.
Un système est bien conditionné, si K(A) est proche de 1.

Théorème
)
Pour toute matrice inversible A ∈ Mn (C), K(A) = * A *2 * A −1
*2 = ( σσn1 ), où σ1 (res-
pectivement σn ) est la plus petite (respectivement plus grande) valeur propre de A! A.
ρ(A)
En particulier, si A est normale, K2 (A) = inf1≤i≤n (λi )
, où les λi sont les valeurs propres
de A.

10
Exercices et applications

• Travaux dirigés 1

"Exercice 1 : Soit A ∈ Mn (K). Montrer que si A est triangulaire inférieure et triangu-

laire supérieure, alors A est diagonale.

"Exercice 2 :
Montrer que si A et B ∈ Mn (K) sont triangulaires inférieures (respectivement supé-
rieures) alors AB est triangulaire inférieure (respectivement supérieure).

"Exercice 3 à faire sur SCILAB

Écrire un programme qui permet de véfirier si une matrice carrée d’ordre n est à dia-
gonale strictement dominante. La matrice est d’ordre n. On prendra soin d’afficher la
matrice après avoir entré ses composantes.

"Exercice 4 :

" % " %
" %
1 − i 3i 2 + i 2−i 2i 4 − 2i 1
# & # & # &
# & # & # &
Soient A = #5 − i −4i 1 & , B =#1−i 3i 1 + 6i& , U = #3&
$ ' $ ' $ '
3 −2 1 + 3i 2 − 3i 4 − i 5i 2
1- Calculer AB, BA puis comparer.
2- Calculer AU .
3- Calculer tr(A), tr(B), tr(AB) et tr(A + B). Que peut-on conclure ?

11
"Exercice 5 :

Montrer qu’une matrice A est inversible si et seulement si 0 n’est pas valeur propre de A.

"Exercice 6 :

Montrer que toute matrice à diagonale strictement dominante est inversible.

"Exercice 7 :

" %
4 −1 −1
# &
# &
A = #−1 4 −1&
$ '
−1 −1 4
1- Déterminer l’ensemble des valeurs propres de A.
2- Calculer le rayon spectral ρ(A).

"Exercice 8 :

Soit A ∈ Mn (C). Montrer que pour toute norme matricielle subordonnée ou non, on a
toujours :

ρ(A) ≤* A *.

"Exercice 9 :

On se"propose%de résoudre
" % = b où
Ax
1 1 2
A=$ ', b = $ '
1 1.01 2.01
1- Déterminer la solution théorique x.
2- Pour des raisons d’approximations liées à la machine. On étudie :

12
 " = b où
(A + δA)y %
0 0
δA = $ '
0.001 −0.01
a/ Déterminer y puis δx tel que x + δx = y.
b/ Calculer le conditionnement K2 (A). Pouvait-on s’attendre à ce résultat ?

13