Mathématiques – AL3 - Matrices

AL3 – Matrices
- Cours -

Page 1 sur 27
AL3 – Matrices – Cours – Rev 2018
 Mathématiques – AL3 - Matrices

1 DÉFINITIONS 3

1.1 MATRICE DE DIMENSION (N, P) 3

1.2 MATRICES CARRÉES ET VECTEURS 3
1.3 MATRICES CARRÉES PARTICULIÈRES 3
1.4 MATRICE TRANSPOSÉE 4

2 OPÉRATIONS SUR LES MATRICES 4

2.1 MULTIPLICATION D’UNE MATRICE PAR UN SCALAIRE 4

2.2 ADDITION MATRICIELLE 4
2.3 PRODUIT MATRICIEL 6
2.4 DÉTERMINANT D’UNE MATRICE CARRÉE 9
2.5 MATRICE INVERSE 13

3 EXEMPLES 16

3.1 RÉSOLUTION D’UN SYSTÈME D’ÉQUATIONS 16

3.2 CHANGEMENTS DE BASE 19

4 APPLICATIONS LINÉAIRES 22

4.1 DÉFINITION 22
4.2 CHANGEMENT DE BASE 22
4.3 VALEURS PROPRES, VECTEURS PROPRES 23
4.4 DIAGONALISATION D’UNE MATRICE CARRÉE 26

Page 2 sur 27
AL3 – Matrices – Cours – Rev 2018
 Mathématiques – AL3 - Matrices

1 Définitions
1.1 Matrice de dimension (n, p)
Une matrice (n, p) est simplement un tableau de scalaires composé de n lignes ( Li )1≤i≤ n et de p

( )
colonnes C j
1≤ j ≤ p
. Ces scalaires sont par exemple des nombres réels (mais pas forcément !). Ainsi la
matrice Anp contient n×p éléments aij rangés comme suit (par convention d’indices) :
 a11 a12 . . a1 j . . a1 p 
  L2
 a21 a22 . . a2 j . . a2 p 
 . . . . . . . . 
Anp =  
 ai1
 .
ai 2 . . aij
. . . .
. . aip 
. . . 
aij j = N° de colonne
 
a an 2 . . anj . . anp 
 n1
Cj i = N° de ligne
Une matrice se note principalement entre parenthèses (parfois entre crochets : Anp = [aij]).
Deux matrices sont égales si elles sont identiques. Ainsi, elles sont nécessairement de même dimension
(n, p) et de sorte que : A = B ⇔ ∀ ( i , j ) ∈[1, n ] ×[1, p ] , aij = bij

1.2 Matrices carrées et vecteurs

Lorsque p et n sont égaux , la matrice est dite Lorsque p = 1, on parle de matrice à une
carrée de dimension (n, n) ou plus colonne, ou encore de vecteur.
simplement de dimension n. Pour une telle 1
matrice, on nomme diagonale principale la  
Exemple (dimension 3) : V =  5 
liste ( aii )1≤i ≤ n .  −3 
 
 1 3 −1 
 
Exemple : A =  3 4 5 
 −2 0 2 
 
Nous travaillerons plus principalement sur ces deux types d’objets, en dimension 2 ou 3.

1.3 Matrices carrées particulières

1.3.1 Matrices carrées symétriques
Une matrice carrée est symétrique lorsque l’on a :  1 3 −1 
∀ i , j ∈ [1, n ] aij = a ji  
Ex : A =  3 −2 5 
 −1 5 4 
 
1.3.2 Matrices carrées triangulaires
Une matrice carrée est triangulaire lorsque tous Exemple :
les éléments situés soit en dessous soit en dessous  1 −1 4  1 0 0 
de sa diagonale sont nuls :    
A =  0 2 8  ou A =  6 −2 0 
j < i ⇔ aij = 0 ou j > i ⇔ aij = 0 0 0 3 5 0 4
   
triangulaire supérieure / inférieure

Page 3 sur 27
AL3 – Matrices – Cours – Rev 2018
 Mathématiques – AL3 - Matrices

1.3.3 Matrices carrées diagonales

Une matrice carrée est diagonale lorsque tous les 1 0 0
éléments situés en dehors de sa diagonale principale  
Exemple : A =  0 −2 0 
sont nuls : i ≠ j ⇔ aij = 0 0 0 4
 

déf : matrice Identité : matrice diagonale dont les termes 1 0 0

valent 1. Ici en dimension 3 :  
I3 =  0 1 0 
0 0 1
Toute matrice multiple de la matrice identité est dite  
matrice scalaire.

1.4 Matrice transposée

La matrice transposée d’une matrice A , notée TA, est Exemple :
obtenue à partir de A en échangeant lignes et colonnes. Si 1 4 7
A est de dimension (n, p), alors TA est de dimension (p, n).  
A = 2 5 8 
Donc pour une matrice carrée de dimension n : pas de 3 6 9
 
changement de dimension. Il suffit d’opérer une symétrie
par rapport à la diagonale principale. Enfin, les éléments 1.
aii situés sur cette diagonale ne « bougent » pas.  1 2 3
 
T
A =  4 5 6
Remarque : toute matrice symétrique est sa propre
 7 8 9
transposée.  

2 Opérations sur les matrices

2.1 Multiplication d’une matrice par un scalaire
Multiplier une matrice par un scalaire λ, c’est multiplier chacun de ses termes par λ :
B = λ A ⇔ ∀ ( i, j ) ∈[1, n ] × [1, p ] , bij = λ aij

2.2 Addition matricielle

L’addition de deux matrices est définie à condition qu’elles soient de même dimension.
Le résultat est une matrice de même dimension.
Soient A et B deux matrices de dimension (n, p), la matrice somme C est de même dimension et obtenue
en additionnant les éléments de même position : C = A + B ⇔ cij = aij + bij
Élément neutre de l’addition 0 0 0 . . 0 . . 0
Une dimension (n, p) choisie, l’élément neutre de l’addition est la matrice  
0 0 0 . . 0 . . 0
nulle O = [0] telle que . . . . . . . . .
 
A + O = A. Tous les éléments de cette matrice sont égaux à zéro. 0 0 0 . . 0 . . 0
. . . . . . . . .
 
L’addition est une opération bilinéaire 0 0 0 . . 0 . . 0 
Soient A et B deux matrices de même dimension (n, p) et la matrice C, combinaison linéaire de A et B.
Alors les éléments de C sont obtenus par la même combinaison linéaire des éléments de A et B de
même emplacement : C = λa A + λbB ⇔ cij = λa aij + λb bij
Page 4 sur 27
AL3 – Matrices – Cours – Rev 2018
 Mathématiques – AL3 - Matrices

2.

Page 5 sur 27
AL3 – Matrices – Cours – Rev 2018
 Mathématiques – AL3 - Matrices

2.3 Produit matriciel

2.3.1 Cas général
Pour pourvoir multiplier une matrice A de dimension (n, p) par une matrice B , il faut et il suffit que B
ait autant de lignes que A a de colonnes : que B soit de dimension (p, r).
À ce moment-là :
• La matrice produit AB a le même nombre de lignes que A, soit n
• La matrice produit AB a le même nombre de colonnes que B, soit r
A(n,p) que multiplie B(p,r) donne AB(n,r)
(on entrevoit que le produit AB ne vaut sans doute pas BA, si toutefois ce dernier existe !)
Ainsi dans le cas courant des matrices carrées, celles-ci doivent être de même dimension.
Méthodologie :  b11 b12 . b1 k . b1r 
(on note C la matrice produit AB)  
 b21 b22 . b2k . b2 r 
 . . . . . . 
 
 . . . . . . 
 b j1 bj2 . b jk . b jr 
 
 . . . . . . 
 . . . . . . 
 
 b p1 bp2 . bpk . bpr 

Ligne i de A avec
 a11 a12 . . a1 j . . a1 p   c11 c12 . c1k . c1r  colonne k de B
    donnent cik
 a21 a22 . . a2 j . . a2 p 
 c21 c22 . c2 k . c2r 
 . . . . . . . .   . . . . . .  q= p

 ai1 ai 2 . . aij . . aip 
   cik = ∑ aiq bqk
 ci1 ci 2 . cik . cir 
 . q =1
. . . . . . .   . . . . . . 
   
a
 n1 an2 . . anj . . anp   cn 1 cn 2 . cnk . cnr 

Attention :
1. La multiplication matricielle n’est pas commutative (sauf cas particuliers) : en général, AB ≠ BA
2. AB = O peut être obtenu avec deux matrices A et B non nulles
Un exemple pour l'illustrer, dans l'espace des matrices carrées de dimension 2 : posons A² - 3A + 2I = O.
On peut être tenté d'identifier cette équation à x² - 3x + 2 = 0, calculer son discriminant, égal à 1, et citer
ses solutions, 1 et 2, pour conclure que A = I ou A = 2I. En effet, ces deux matrices sont solutions de
l'équation A² - 3A + 2I = O, et d'ailleurs A² - 3A + 2I = (A – I)(A – 2I). Mais il y a d'autres solutions pour A :
1 0
ce polynôme matriciel est nul avec A =   , par exemple. (sauriez-vous trouver toutes les matrices
0 2
A, 2x2, solutions ?)

* S'il existe un entier k tel que Ak = O, alors la matrice A est dite nilpotente. Si A et B commutent (AB = BA),
alors A+B et AB sont deux matrices nilpotentes ;
* Si A et B sont diagonales (resp. scalaires), alors AB l'est aussi (constituée des produits deux à deux des
termes diagonaux de A et de B) ; si A et B sont triangulaires supérieures (resp. inférieures), alors AB l'est
aussi.

Page 6 sur 27
AL3 – Matrices – Cours – Rev 2018
 Mathématiques – AL3 - Matrices

3.

Page 7 sur 27
AL3 – Matrices – Cours – Rev 2018
 Mathématiques – AL3 - Matrices

2.3.2 Multiplication d’une matrice par un vecteur

Un cas particulier de ce qu’on vient de voir :
Soit un vecteur V de dimension p. Nous pouvons le multiplier à gauche par une matrice A de
dimension (n, p). Il en résultera un vecteur W de dimension n. On écrit : A.V = W
La méthode de calcul est la même que celle employée pour le produit de deux matrices. Il suffit de
considérer le vecteur V comme une matrice de dimension (p, 1) :
 v1 
 
 a11 a12 . . a1 j . . a1 p   v2   w1 
 
 a21 a22 . . a2 j . . a2 p   .   w2 
 
 . . . . . . . .  .   .  q= p
 . = 
aip   v j   wi 
wi = ∑ aiqvq
 ai1 ai1 . . aij . .
  q =1
 . . . . . . . .  .   . 
   
a
 n1 an 2 . . anj . . anp   .   wn 
 
v 
 p

Cas particulier important : Si on multiplie une matrice carrée de dimension n par un vecteur de
dimension n, le résultat est un nouveau vecteur de dimension n.

4.

2.3.3 Élément neutre de la multiplication

L’élément neutre de la multiplication est, dans une certaine dimension et s’il existe,
une matrice I telle que A.I = A. (I ne peut être qu’une matrice carrée, dont la dimension est le
nombre de colonnes de A). On admet que : I est la matrice identité telle que définie en 1.3.3

Dans le corps des matrices carrées de dimension n, on a en outre la commutativité :

A.I = I.A = A
Dans un espace vectoriel de dimension n, I est l’élément neutre par multiplication à droite
seulement : I.V = V

Page 8 sur 27
AL3 – Matrices – Cours – Rev 2018
 Mathématiques – AL3 - Matrices

5.

2.4 Déterminant d’une matrice carrée

Le déterminant d’une matrice carrée A est un scalaire issu d’un calcul sur ses termes aij, que l’on peut
noter de trois manières différentes, comme suit :
a11 a12 . a1n  a11 a12 . a1n 
 
a21 a22 . . a a22 . . 
∆ ( A ) = det ( A ) = où A =  21
. . . .  . . . . 
 
an1 . . ann  an1 . . ann 

2.4.1 Déterminant d’une matrice (1, 1)

Le déterminant d’une matrice (1, 1) est tout simplement égal à son unique élément !

Page 9 sur 27
AL3 – Matrices – Cours – Rev 2018
 Mathématiques – AL3 - Matrices

2.4.2 Déterminant d’une matrice (2, 2)

a a12 
A =  11  : det ( A ) = a11 a22 − a21a12 (différence des produits en croix)
 a21 a22 
2.4.3 Déterminant d’une matrice (3, 3)
Pour calculer le déterminant d’une telle matrice, il est commode d’utiliser la « règle de Sarrus » :
1. Répéter les DEUX PREMIERES colonnes à la suite de la dernière.
2. Effectuer les produits en diagonale « principale » (trait plein) et les cumuler (total1)
3. Effectuer les produits en diagonale « secondaire » (pointillés) et les cumuler (total2)
4. Déterminant = total1 – total2.
 a11 a12 a13  a11 a12 a13 a11 a12
 
A =  a21 a22 a23  ; det ( A ) = a21 a22 a23 a21 a22
a a32 a33  a31 a32 a33 a31 a32
 31
det ( A ) = a11a22a33 + a12a23a31 + a13a21a32 − a31a22a13 − a32a23a11 − a33a21a12

6.

Page 10 sur 27
AL3 – Matrices – Cours – Rev 2018
 Mathématiques – AL3 - Matrices

2.4.4 Méthode des cofacteurs

La méthode générale de calcul d’un déterminant est celle des cofacteurs, quelle que soit la
dimension.
Ici, le calcul d’un déterminant (n, n) revient au calcul de n déterminants (n-1, n-1), et ainsi de suite
(c’est une procédure récursive)…

 a11 a12 a13 

 
Pour A =  a21 a22 a23  et en développant suivant la première ligne, on obtient :
a a32 a33 
 31
a22 a23 a21 a23 a21 a22
det ( A ) = a11 − a12 + a13
a32 a33 a31 a33 a31 a32

det ( A ) = a11 ( a22a33 − a32a23 ) − a12 ( a21a33 − a31a23 ) + a13 ( a21a32 − a31a22 )
det ( A ) = a11a22a33 − a11a32a23 − a12a21a33 + a12a31a23 + a13a21a32 − a13a31a22
det ( A ) = a11a22a33 + a12a23a31 + a13a21a32 − a31a22 a13 − a32a23a11 − a33a21a12
(et on retrouve Sarrus, valable en dimension 3 uniquement)

On vérifie que l’on obtient le même résultat en développant selon la première colonne :
a a23 a a13 a a
det ( A ) = a11 22 − a21 12 + a31 12 13
a32 a33 a32 a33 a22 a23

Diverses propriétés du déterminant :

Les déterminants de A et de sa transposée TA sont égaux. det ( A ) = det ( T A )

Les déterminants de A et de son inverse A-1 sont inverses. det ( A −1 ) = det ( A ) 

−1

det ( AB ) = det ( A ) × det ( B )

Si on multiplie tous les éléments d’une même ligne ou d’une même colonne par un nombre, le
déterminant est multiplié par ce même nombre.
On en déduit que si une ligne (ou colonne) est nulle, det(A) aussi ;
Également : det ( λ A ) = λ det ( A ) pour A de dimension (n, n).
n

Les déterminants de deux matrices carrées ne différant que par l’échange de deux lignes (ou de
deux colonnes) sont opposés.
Si deux lignes (ou deux colonnes) sont identiques, le déterminant est nul. Il en est de même si
deux lignes (ou colonnes) sont proportionnelles et plus généralement si une ligne (ou colonne) est
une combinaison linéaire de deux ou plusieurs autres.
Si une ligne (ou une colonne) est additionnée d’une combinaison linéaire des autres, le
déterminant est inchangé.

Une matrice de déterminant nul est dite singulière.

Page 11 sur 27
AL3 – Matrices – Cours – Rev 2018
 Mathématiques – AL3 - Matrices

7.

Page 12 sur 27
AL3 – Matrices – Cours – Rev 2018
 Mathématiques – AL3 - Matrices

2.5 Matrice inverse

2.5.1 Définition et propriétés
Soit une matrice carré A. Cette matrice est dite inversible s’il existe une matrice carrée de même

dimension, A-1 , appelée inverse de A, telle que : AA−1 = I

* Propriété d’existence : A est inversible ⇔ det ( A ) ≠ 0
* Commutativité : dans ce cas, AA −1 = A −1 A = I .
Autres propriétés :
* l'inverse de A-1 est A * I est inversible et est sa propre inverse
* [AC = BC (resp. CA = CB) et C inversible] ⇒ A = B
* si A et B sont inversibles, alors AB l'est aussi, et (AB)-1 = B-1A-1
* si A ≠ O, B ≠ O et AB = O, alors A et B ne sont pas inversibles
2.5.2 Méthode des cofacteurs
Pour illustrer cette procédure, prenons l’exemple d’une matrice A de dimension (3, 3) :
1. Calculer le déterminant de la matrice : det(A), s’assurer qu’il est non nul.
2. Établir la comatrice de A, Com(A) : matrice de ses cofacteurs.
Le cofacteur de l’élément aij d’une matrice carrée A de dimension n est le déterminant de la
matrice de dimension n - 1 obtenue en supprimant la colonne n°i et la ligne n°j de A, multiplié
par –1 si la somme i + j est impaire, donc par (-1)i+j.
 a22 a23 a a a21 a22 
 − 21 23 
 a32 a33 a31 a33 a31 a32 
 a a13 a11 a13 a a 
par exemple en dimension 3 : Com ( A ) =  − 12 − 11 12 
 a32 a33 a31 a33 a31 a32 
 
 a12 a13 a11 a13 a11 a12 
 a −
 22 a23 a21 a23 a21 a22 
1 T
A−1 = Com ( A)
3. On a alors :
det ( A )

 3 2 −1 
 
exemple : déterminer la matrice inverse de A =  1 4 3 
 −2 1 2 
 
8.
1. On vérifie que det(A) = -10

 4 3 1 3 1 4
 + − + 
 1 2 −2 2 −2 1
 2  5 −8 9 
−1 3 −1 3 2 
2. Cof ( A ) =  − + −  = −5 4 −7 
 1 2 −2 2 −2 1   

   10 −10 10 
+ 2 −1 3 −1 3 2 
 4 − +
 3 1 3 1 4 
Page 13 sur 27
AL3 – Matrices – Cours – Rev 2018
 Mathématiques – AL3 - Matrices

8 (suite).  5 −5 10   −0, 5 0, 5 −1 
  1 T  
3. Cof ( A ) =  −8 4 −10  , donc A = Cof ( A ) =  0, 8 −0, 4 1 
T −1

 9 −7 10  −10  −0, 9 0, 7 −1 
   

2.5.3 Méthode de Gauss

Cette méthode est basée sur la constatation AA-1 = I.
Elle correspond à la résolution de systèmes linéaires de n équations à n inconnues telle qu’on
pourrait la mettre en œuvre par combinaison linéaire des équations, opérations valides ne modifiant
pas la nature du système et menant à sa solution (si elle est unique), consistant en une série
d’éliminations systématiques des inconnues, rendant le système triangulaire.

Ici, nous irons plus loin : par des opérations similaires, nous rendrons la matrice diagonale, puis
unitaire (pivot de Gauss « prolongé »).

Sur la matrice que l’on est en train de traiter, les opérations « valides », que nous sommes en droit
d’effectuer, sont soit des échanges de deux lignes (ou de deux colonnes), soit le remplacement d’une
ligne Li (ou une colonne Cj) par une combinaison linéaire faisant impérativement intervenir Li (ou
Cj), donc, pour le cas de Li, une forme a1L1 + a2L2 + … + anLn, où les coefficients a1, a2, …, an seront
« bien choisis » et où ai sera différent de zéro.

Entre les échanges et les combinaisons linéaires, s’offrent à nous une infinité de possibilités.
La méthode de Gauss consiste à transformer pas à pas la matrice A en la matrice identité I.
En parallèle, si nous appliquons à I les mêmes transformations dans le même ordre, nous obtenons A-1 !
Attention : * ces transformations doivent se faire uniquement sur les lignes (ou uniquement sur les
colonnes, il faut faire un choix au début) !
* la transformée d’une ligne doit utiliser cette même ligne

Page 14 sur 27
AL3 – Matrices – Cours – Rev 2018
 Mathématiques – AL3 - Matrices

9. exemple :
 3 2 −1  1 0 0
A =  1 4 3  L2 ← 3L2 − L1 I =  0 1 0  L2 ← 3L2 − L1
 −2 1 2  L ← 3L + 2L  0 0 1  L ← 3L + 2L
  3 3 1   3 3 1

 3 2 −1  L1 ← 5L1 − L2  1 0 0  L1 ← 5L1 − L2
 0 10 10   −1 3 0 
   
 0 7 4  L ← 10L − 7L  2 0 3  L ← 10L − 7L
  3 3 2   3 3 2

 15 0 −15  L1 ← 2L1 − L3  6 −3 0  L1 ← 2L1 − L3

   
 0 10 10  L2 ← 3L2 + L3  −1 3 0  L2 ← 3L2 + L3
 0 0 −30   27 −21 30 
   

 30 0 0  L1 ← L1 / 30  −15 15 −30  L1 ← L1 / 30
 0 30 0  L ← L / 30  24 −12 30  L ← L / 30
  2 2   2 2
 0 0 −30  L ← −L / 30  27 −21 30  L ← −L / 30
  3 3   3 3

1 0 0  −0, 5 0, 5 −1 
 0 1 0 = I  0, 8 −0, 4 1  = A−1
   
0 0 1  −0, 9 0, 7 −1 
   

On s’est attaché, à partir de A, à faire apparaître des zéros par combinaisons successives sur
certaines lignes (dans l’ordre : zéros dans colonne 1 puis 2 puis 3) ; enfin, il ne restait qu’à diviser (ou
multiplier) les lignes de la matrice diagonale obtenue pour la transformer en la matrice identité.
En seconde partie (à droite), on a réédité les mêmes combinaisons à partir de la matrice identité et
donc obtenu la matrice inverse de A.

Page 15 sur 27
AL3 – Matrices – Cours – Rev 2018
 Mathématiques – AL3 - Matrices

3 Exemples
3.1 Résolution d’un système d’équations
Le calcul des déterminants permet de résoudre un système linéaire de n équations à n inconnues
(appelé système de Cramer lorsqu'il admet une unique n-liste solution).
3.1.1 Généralités
 a11 x1 + a12 x2 + ... + a1n xn = b1
 a x + a x + ... + a x = b2
 21 1 22 2 2n n
Soit le système linéaire  .
 : : : : : : = :
an 1 x1 + an 2 x2 + ... + ann xn = bn

10.
* On appelle matrice du système la matrice A composée des coefficients aij.

 x1   b1 
   
x2  b2  ,
* Si on nomme X le vecteur inconnu   et B le vecteur
 :   :
   
 xn   bn 

alors le système revient à écrire : A.X = B

Si det(A) ≠ 0, alors le système admet un unique vecteur solution.

Si det(A) = 0, on se trouve dans les cas particuliers où le système admet soit aucune solution, soit
une infinité. Cela se produit si toutes les équations ne sont pas indépendantes, c’est à dire si le
membre de gauche de l’une est multiple du membre de gauche d’une autre ou s’il est une
combinaison linéaire des membres de gauche d’au moins deux autres.

Page 16 sur 27
AL3 – Matrices – Cours – Rev 2018
 Mathématiques – AL3 - Matrices

3.1.2 Méthode de Cramer (des déterminants)

A tout i compris entre 1 et n on peut associer la construction d’une matrice Ai formée à partir de la
matrice A dans laquelle la colonne n°i a été remplacée par le vecteur B .
det ( Ai )
xi =
det ( A )
On peut calculer alors directement la valeur de chaque inconnue :

3.1.3 Méthode par l’inversion de A

On a vu que le système revient à poser A.X = B .
On suppose que A-1 existe, c’est à dire que det(A) est non nul.
Multiplions à gauche les deux membres de cette égalité par la matrice inverse de A :
A−1 AX = A−1B ⇔ IX = A−1B ⇔ X=A B −1

 x1   b1 
   
x2 b2
Nous obtenons le vecteur X dont les coordonnées sont les inconnues du système.   = A −1  
… …
   
 xn   bn 
Remarque : la méthode du pivot de Gauss s’applique bien entendu à la résolution de ces systèmes.
Plutôt que de rendre diagonal ce système, ce qui peut être long, il suffit de générer des combinaisons
linéaires qui le rendent triangulaire (la première équation contiendra toutes les inconnues, la
seconde équation toutes sauf la première inconnue, la troisième équation toutes sauf les deux
premières, …, la dernière équation ne contient que la dernière inconnue dont on a donc la valeur, et
on remonte dans les équations pour trouver une à une les valeurs des autres inconnues).

11.

Page 17 sur 27
AL3 – Matrices – Cours – Rev 2018
 Mathématiques – AL3 - Matrices

11 (suite).

12.

Page 18 sur 27
AL3 – Matrices – Cours – Rev 2018
 Mathématiques – AL3 - Matrices

3.2 Changements de base

3.2.1 Composantes d’un vecteur dans une base.
Nous avons vu dans un espace à deux dimensions que nous pouvions décrire un vecteur V par ses
coordonnées (x, y) dans une base ( i , j ) comme suit :
 x  x   1 0  x 
V = x.i + y. j =   =  i j  ij   =   
 y  ij  y  ij  0 1  y  ij
La notation matricielle fait apparaître la multiplication d’une matrice (2,2) par un vecteur.
L’indication ij en indice a pour objet de rappeler que x et y sont les coordonnées (ou composantes)
du vecteur dans la base ( i , j ) .
Dans l’espace à trois dimensions muni d’une base i , j , k : ( )
x x  1 0 0  x 
      
V = x.i + y. j + z.k =  y  =  i j k   y  =  0 1 0  y 
ijk
z     
 ijk  z ijk  0 0 1  z  ijk
3.2.2 Changement de base en 2 dimensions, dans le plan
Introduction :
Soit un plan défini par deux vecteurs i et j . ( i , j ) est donc une base de ce plan. Soit deux vecteurs
u et v non colinéaires, dans ce plan. ( u , v ) est donc une autre base de ce plan. Nous considérons
un vecteur M dans ce même plan. Les figures ci-dessous montrent le même vecteur, associé aux
deux bases :

Les coordonnées d’un même objet sont dépendantes de la base choisie.

Nous souhaitons être en mesure d’exprimer ses coordonnées dans une base sachant qu’on les
connaît dans l’autre, ce qui nécessitera que la base « d’arrivée » soit définie par rapport à la base
« de départ ».

Démarche :
* Les coordonnées de M seront notées mi et mj dans ( i , j ) et mu et mv dans ( u , v ) :
* Les vecteurs u et v eux-mêmes s’expriment comme suit dans la base ( i , j ) :

 ui   vi 
u = ui ⋅ i + u j ⋅ j =   ; v = vi ⋅ i + v j ⋅ j =  
 u j  ij  v j ij
Considérons que mu et mv sont connues et que nous cherchons mi et mj. Nous avons :
M = mu .u + mv .v = mu ( ui .i + u j . j ) + mv ( vi .i + v j . j ) = ( mu ui + mv vi ) .i + ( mu u j + mv v j ) . j
Ainsi nous obtenons les coordonnées dans ( i , j ) à partir de celles connues dans ( u , v ) :
mi = mu ui + mv vi m j = mu u j + mv v j

Page 19 sur 27
AL3 – Matrices – Cours – Rev 2018
 Mathématiques – AL3 - Matrices

Nous pouvons alors employer une écriture matricielle de ces résultats :

13.
 mi   ui v i   mu 
 = . ; M ij = P.M uv
 mj   u j v j   mv 

où P est dénommée matrice de passage de la base ( u , v ) vers la base ( i , j ) , notée également

[u v ]ij , qui exprime les coordonnées des vecteurs u et v dans la base ( i , j ) .

Il est pratique de mémoriser :

14.
M ij = [u v ]ij .M uv

Obtention de mu et mv à partir de mi et mj :
15. Multiplions l’égalité obtenue au-dessus par P-1 à gauche. (P-1 existe ssi u et v ne sont pas
−1 −1
colinéaires, ce qui est le cas) : P .M ij = P .P.M uv = M uv . Or ce qui a été fait au-dessus serait
également vrai si on échangeait les notations « ij » et « uv ».

La matrice de passage « dans le sens contraire », celle de (i , j ) vers (u, v ) , exprimant les
-1
coordonnées de i et j dans la base ( u , v ) est donc P :

P = [u v ]
(i , j ) ij (u, v ) et M uv = P −1 .M ij
P −1 =  i j 
uv

16.

Page 20 sur 27
AL3 – Matrices – Cours – Rev 2018
 Mathématiques – AL3 - Matrices

Travail personnel : Etablir les matrices de changement de base d’une base orthonormée vers une
autre par rotation d’angle θ et vérifier que leur produit est bien égal à la matrice identité :

j v θ
u
i

3.2.3 Changement de base à 3 dimensions, dans l’espace

Le raisonnement que nous avons conduit dans le plan s’étend dans l’espace physique à trois
dimensions (ou dans tout espace de dimension supérieure). Les coordonnées de M dans chacune
des deux bases sont mi, mj, mk et mu, mv, mw.

Nous pouvons écrire la relation entre ces deux expressions comme suit, en construisant la matrice de
( )
passage P de ( u , v , w ) vers i , j , k :

 mi   ui vi wi   mu 
    
 m j  = u j vj w j  ⋅  mv  ; M ijk = P.M uvw
 m  u vk wk   mw 
 k  k

(i , j , k ) P = [u v w]ijk ( u , v , w)
P −1 = i j k 
uvw

Ainsi nous avons : M ijk = P.M uvw et M uvw = P −1 .M ijk

Page 21 sur 27
AL3 – Matrices – Cours – Rev 2018
 Mathématiques – AL3 - Matrices

4 Applications linéaires
4.1 Définition
Nous travaillerons ici sur des applications linéaires vectorielles, en dimension 2 ou 3.
Il s’agit d’une fonction f définie, dans une base choisie, par une matrice F qui fait correspondre à un

( )
f
vecteur X un vecteur Y , image de X par f : X ֏Y = f X = F.X .
( )
Linéarité : on constate facilement que f a. X 1 + X 2 = a. f X 1 + f X 2 . ( ) ( )
4.2 Changement de base

( )
L’application est définie dans une base i , j , k , dans laquelle nous notons sa matrice Fijk.
Dans une autre base, ( u , v , w ) , sa matrice, éventuellement différente, se notera Fuvw.
P désigne la matrice de passage de ( u , v , w ) vers i , j , k : P = [u v w]ijk
( )
17.
Yijk = Fijk X ijk ⇔ PYuvw = Fijk PXuvw ⇔ P −1PYuvw = P −1Fijk PXuvw
⇔ Yuvw = ( P −1Fijk P ) Xuvw

Or l’expression de f dans la base ( u , v , w ) est : Yuvw = Fuvw Xuvw , donc :

Fuvw = P −1Fijk P

n
définition : Soit A une matrice carrée. On appelle trace de A le nombre Tr ( A ) = ∑ aii .
i=1

définition : on appelle trace de la matrice A le nombre Tr(A), somme de ses valeurs propres (voir 4.3.).
propriété : Tr(A) est également la somme de ses termes diagonaux.
définition : Soit A et B deux matrices carrées.
S’il existe une matrice P inversible telle que B = P-1.A.P, alors A et B sont dites semblables.
Propriété : Si A et B sont semblables, alors Tr(A) = Tr(B) et det(A) = det(B)
Conséquence : Par changement de base, la trace et le déterminant d’une matrice se conservent.

Page 22 sur 27
AL3 – Matrices – Cours – Rev 2018
 Mathématiques – AL3 - Matrices

18.

4.3 Valeurs propres, vecteurs propres

4.3.1 Définition
Un vecteur V non nul est un vecteur propre d’une matrice carrée F s’il existe un scalaire λ appelé

alors valeur propre tel que : F .V = Vλ

Les vecteurs propres d’une matrice (donc de l’application linéaire correspondante) sont donc les
vecteurs qui sont colinéaires à leurs images par cette application.
4.3.2 Existence de valeurs et vecteurs propres
F .V = λV ⇔ F.V = λI.V ⇔ ( F − λI ) .V = 0 .
Notons C = F − λ I , d’où : C.V = 0 . Si la matrice C était inversible, alors on pourrait écrire :
C −1C .V = C −1 0 = 0 ⇒ I.V = 0 ⇒ V = 0 .
Mais par définition, le vecteur nul n’est pas un vecteur propre. Ainsi on en voit bien, par
contraposée, que si V est un vecteur propre (donc non nul), alors C n’est pas inversible.

D’où l’énoncé de la condition d’existence de vecteurs propres pour la matrice F :

19.
det ( F − λ I ) = 0

Page 23 sur 27
AL3 – Matrices – Cours – Rev 2018
 Mathématiques – AL3 - Matrices

4.3.3 Calcul des valeurs et vecteurs propres

Valeurs propres
Pour calculer toutes les valeurs propres d’une matrice carrée F, on admettra qu’il suffit de
résoudre l’équation que nous venons d’établir : det ( F − λI ) = 0 .
 a11 a12 a13 
 
Soit par exemple une matrice carrée de dimension 3 : F =  a21 a22 a23  .
a 
 31 a32 a33 
 a11 − λ a12 a13 
 det ( F − λ I ) = ( a11 − λ )( a22 − λ )( a33 − λ ) + a12 a23a31 + a13a21a32
F − λ I =  a21 a22 − λ a23 
 a −a31 ( a22 − λ ) a13 − a32 a23 ( a11 − λ ) − ( a33 − λ ) a21a12
 31 a32 a33 − λ 

Ainsi l’équation det ( F − λI ) = 0 nous donnera à chercher les racines d’un polynôme du troisième
degré. F pourra avoir jusqu’à 3 valeurs propres réelles, si ce polynôme admet 3 racines réelles, qui
mèneront à trois recherches de vecteurs propres.
Pour une matrice carrée de dimension n, ce déterminant donnera une équation polynomiale de
degré n et d’inconnue λ , qui aura au plus n racines réelles.
Donc une matrice carrée de dimension n peut avoir jusqu’à n valeurs propres réelles (pas
forcément distinctes) et leurs groupes de vecteurs propres associés.

* Le polynôme det ( F − λ I ) est appelé polynôme caractéristique de F.

Son terme de degré n est ( −1 ) λ n et son terme de degré zéro est det(F).
n

* L'ensemble des valeurs propres de F est appelé spectre de F et est noté σ(F).
Propriété : deux matrices semblables ont même spectre.
* Si F est triangulaire, alors ses éléments diagonaux sont ses valeurs propres.
* Dans ℝ , dans le cas de valeurs propres uniquement réelles :
La trace d'une matrice carrée est la somme de ses valeurs propres : Tr ( F ) = ∑ λi
Le déterminant d'une matrice carrée est le produit de ses valeurs propres : det ( F ) = ∏ λi

Vecteurs propres
Connaissant la valeur propre n° k, nous pouvons chercher le(s) vecteur(s) propre(s) associé(s). Il
suffit de résoudre l’équation suivante : ( F − λk I ) .Vk = 0 . (cf. définition)
Dans le cas de l’espace à trois dimensions, ceci donne :
 a11 − λk a12 a13  x   0 
    
 a21 a22 − λk a23  y  =  0 
 a a32  z   0 
a33 − λk 
 31   

Or nous avons vu que le déterminant de la matrice de ce système est nul, ce qui signifie que les
trois lignes de cette matrices ne sont pas linéairement indépendantes et, le membre de droite
étant nul, les trois équations du système sont liées de la même manière. Il n’y a donc pas pour ce
type de système un unique triplet solution (x, y, z).
Il y a ici pour Vk une infinité de solutions, toutes colinéaires entre elles, que l’on citera comme
les multiples (facteur réel quelconque, fixé, non nul) d’un vecteur propre cité en référence.

Page 24 sur 27
AL3 – Matrices – Cours – Rev 2018
 Mathématiques – AL3 - Matrices

Par exemple en dimension 2, on dira : pour la valeur propre λ1 = 5, les vecteurs propres sont
 −1 
V1 = α   , α ∈ ℝ * .
3

20.

Page 25 sur 27
AL3 – Matrices – Cours – Rev 2018
 Mathématiques – AL3 - Matrices

4.4 Diagonalisation d’une matrice carrée

4.4.1 Base propre
Dans la base de référence, considérons le cas relativement particulier où la matrice F carrée de
dimension n possède n valeurs propres réelles distinctes (λ1, λ2, … , λn) et n groupes de vecteurs
propres associés ({α V , α ∈ ℝ } ,{α V , α
1 1 1
*
2 2 2 }) . Colinéaires entre eux dans
} {
∈ ℝ* ,..., α n Vn , α n ∈ ℝ*

chaque groupe, on en choisit un représentant par groupe, formant ainsi la liste (V , V ,..., V ) . 1 2 n

Deux vecteurs propres associés à deux valeurs propres différentes ne peuvent être colinéaires entre
eux. Trois de ces vecteurs ne peuvent non plus être coplanaires, et ainsi de suite. On admettra donc
( )
que V1 , V2 ,..., Vn forme une nouvelle base de l’espace.
Remarque : une valeur propre réelle peut être une racine double, voire multiple. Dans ce cas, l'espace
des vecteurs propres correspondants pourrait posséder autant de dimensions que l'ordre de
( )
multiplicité de la valeur propre, et la base propre V1 , V2 ,..., Vn pourrait tout aussi bien exister.

Nous allons considérer un changement de base, de notre base de référence dans laquelle F est
définie, vers la base de vecteurs propres V1 , V2 ,..., Vn ( ) dénommée « base propre » et que nous
noterons Vp.
4.4.2 Écriture dans la base propre
Soit P la matrice de passage de Vp vers la base de référence. P = V1 ,V2 ,...,Vn 
ijk ...

Le résultat du paragraphe 4.2 montre que : FVp = P −1 .F .P

Écrivons maintenant la propriété définissant valeurs propres et vecteurs propres associés, mais cette
fois dans la base propre : FVp .Vk = λk Vk . En détails :
Vp Vp

′
 a11 ′
a12 . . a1′k
. . a1′n   0  0  a1′k   0 
 ′ ′       ′   
 a21 a22 . . a2′k
. . a2′ n   0  0  a2 k   0 
 . . . . . . . .  .  .  .   .  aik′ = 0 pour i ≠ k
    = λk   ⇔   =   ⇔ 
 ak′ 1
ak′ 1 . . akk′ . . akn ′  1  1  akk′   λk  et akk′ = λk
 . . . . . . . .  .  .  .   . 
         
 an′ 1
a′n2 . . ank ′ . . ann ′  0  0  ank′  0
Comme on le voit, les seuls termes non nuls de FVp sont ses termes diagonaux,
qui sont de plus les valeurs propres de l’application f.

21.

La matrice FVp = P-1.F.P est diagonale et composée de ses valeurs propres.

‘’L’expression matricielle de f dans sa base propre est la plus simple possible.’’

Page 26 sur 27
AL3 – Matrices – Cours – Rev 2018
 Mathématiques – AL3 - Matrices

Attention : toutes les matrices ne sont pas diagonalisables dans ℝ ! (ni même dans ℂ , d'ailleurs).
Il faut que le polynôme caractéristique, de degré n, n’ait que des racines réelles, et que chaque sous-
espace de vecteurs propres associé à sa valeur propre ait une dimension égale à l'ordre de
multiplicité de cette dernière.
Cas particulier : toute matrice (n, n) ayant n valeurs propres réelles distinctes est diagonalisable dans ℝ .

( )
* Avec l’exemple précédent, transcrivons la matrice F dans la base des vecteurs propres V1 , V2 et vérifions
3 0 
qu’on obtient bien la matrice diagonale des valeurs propres : FVp =  
 0 −3 
22.

Page 27 sur 27
AL3 – Matrices – Cours – Rev 2018