MATRICES

Soient K un corps arbitraire et les aij sont des

scalaires de K . Un tableau rectangulaire de la
forme
⎛a
11 a12 … a1n ⎞ ⎡a
11 a12 … a1n ⎤
⎜ ⎟ ⎢ ⎥
a
⎜ 21 a 22 … a2n ⎟ a
⎢ 21 a22 … a2n ⎥
⎜ ⎟ ou ⎢ ⎥
⎜ ⎟ ⎢ ⎥
⎜⎜ a am2 … amn ⎟⎟⎠ ⎢a am2 … amn ⎥⎥⎦
⎝ m1 ⎢⎣ m1
est appelé une matrice sur K , ou simplement
une matrice si K est implicite. La matrice
⎛ ⎞
précédente est aussi notée par ⎜ aij ⎟ ou par
⎝ ⎠m×n

(a ).
ij

Les m n-tuples horizontaux ( a11, a12 ,…, a1n ) ,

( a21, a22,…, a2n ),…, ( am1, am2,…, amn ) sont les
lignes de la matrice, et les n m-tuples verti-
caux

1
 ⎛a ⎞ ⎛a ⎞ ⎛a ⎞
⎜ 11 ⎟ ⎜ 12 ⎟ ⎜ 1n ⎟
⎜ a21 ⎟ ⎜ a22 ⎟ ⎜ a2n ⎟
⎜ ⎟,⎜ ⎟ ,..., ⎜ ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜⎜ a ⎟⎟ ⎜⎜ a ⎟⎟ ⎜a ⎟
⎝ m1 ⎠ ⎝ m 2 ⎠ ⎝ mn ⎠
sont ses colonnes.

Remarquons que l’élément aij , appelé le ij -

élément ou la ij ème composante, se trouve à
l’intersection de la i ième ligne et de la j ième
colonne. Une matrice ayant m lignes et n
colonnes est appelée une ( m, n ) matrice, ou
m × n matrice; le couple de nombres ( m, n ) est
appelé la dimension de la matrice; n est sa
largeur, m sa hauteur.

−3 ⎛1
4
2 × 3: ⎜⎜
⎞
Exemple 1 : Soit la matrice ⎟.
5 −2 ⎟⎠
⎝0
Ses lignes sont (1, − 3, 4) et ( 0, 5, − 2) ; ses colo-
⎛1⎞ ⎛ −3 ⎞ ⎛ 4⎞
nnes sont ⎜ ⎟, ⎜ ⎟ et ⎜ ⎟.
⎜ 0⎟ ⎜ 5⎟ ⎜ −2 ⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠

Deux matrices A et B sont égales, et on écrit

A = B , si elles ont même dimension et si leurs
2
éléments correspondants sont égaux. Ainsi
l’égalité de deux m × n matrices est équivalente
à un système de m.n égalités, une pour chaque
paire d’indices.
⎛ x + y 2z + w⎞ ⎛ 3 5 ⎞
Exemple 2 : L’égalité ⎜⎜ ⎟=⎜ ⎟
⎝ x − y z − w ⎟ ⎜1 4⎟
⎠ ⎝ ⎠
est équivalente au système suivant
d’équations :
⎧x + y = 3
⎪
⎪x − y = 1
⎨ .
⎪2 z + w = 5
⎪ z − w = 4
⎩
La solution de ce système est
x = 2, y = 1, z = 3, w = −1.

Remarque : Une matrice à une ligne peut être

considérée comme un vecteur ligne, et une
matrice à une colonne un vecteur colonne. En
particulier un élément du corps K peut être
interprété comme une matrice 1×1.

Une matrice de la forme

3
 ⎛a a12 … a1n ⎞
⎜ 11 ⎟
⎜ a21 a22 … a2n ⎟
⎜ ⎟
⎜ ⎟
⎜⎜ a an2 … ann ⎟⎟⎠
⎝ n1
s’appelle matrice carrée d’ordre n . La diago-
nale (principale) de la matrice carrée est cons-
tituée par les aii , i =1,2,..., n .
Une matrice triangulaire supérieure est
une matrice carrée dont les éléments au-
dessous de la diagonale principale sont tous
nuls:
⎛a
11 a12 … a1n ⎞ ⎛ a11 a12 … a1n ⎞
⎜ ⎟
⎜ 0 a22 … a2n ⎟ ⎜ a … a ⎟
⎟ ou ⎜
22 2n ⎟
⎜
⎜ ⎟ ⎜ ⎟
⎜ ⎜ ⎟
⎝ 0 0 … ann ⎟⎠ ⎝ ann ⎠

Une matrice triangulaire inférieure est une

matrice carrée dont les éléments au-dessus de
la diagonale principale sont tous nuls:
⎛a 0 … 0 ⎞ ⎛a ⎞
⎜ 11 ⎟ ⎜ 11 ⎟
⎜ a21 a22 … 0 ⎟ ⎜ a21 a22 ⎟
⎜ ⎟ ou ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎜
⎜ an1
⎝
an2 … ann ⎟⎟⎠ ⎜⎜ a
⎝ n1
… … ann ⎟⎟⎠

4
Une matrice diagonale est une matrice carrée
dont les éléments non diagonaux sont tous
nuls:
⎛a 0 … 0 ⎞ ⎛a ⎞
⎜ 11 ⎟ ⎜ 11 ⎟
⎜ 0 a22 … 0 ⎟ ⎜ a22 ⎟
⎜ ⎟ ou ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎜⎜
⎝ 0 0 … ann ⎟⎟⎠ ⎜
⎝ ann ⎟⎠

En particulier, les matrices carrées d'ordre n ,

ne contenant que des 1 sur la diagonale princi-
pale et des 0 pour tous les autres éléments,
sont notées In ou simplement I , et sont appe-
lées matrices unités ou identités; par exemple
⎛
⎜1 0 0 ⎞⎟
⎜ ⎟
I3 = 0 1 0
⎜
⎜
⎜
⎟
⎟
⎟
⎜ ⎟
0 0 1
⎜
⎜
⎟
⎟
⎝ ⎠

La m × n matrice dont les éléments sont tous

nuls,
⎛ 0 0 … 0⎞
⎜ ⎟
⎜ 0 0 … 0 ⎟
⎜ ⎟
⎜ ⎟
⎜0 0 … 0 ⎟⎠
⎝

5
est appelée la matrice nulle, et sera notée 0.
Elle est semblable à 0 .

⎛1 0 ... 0 ⎞
⎜ ⎟
⎜0 1 ... 0 ⎟
Soit I =⎜ ⎟ la matrice unité d’ordre
⎜ ⎟
⎜0 0 ... 1 ⎟⎠
⎝
n . On appelle matrice élémentaire :
- Type 1 : Iil ( i ≠ l ) se déduit de I par échan-
ge de la i -ième et la l -ième ligne. C’est-à-
dire
⎛1 … 0 … 0 … 0⎞
⎜ ⎟
⎜ ⎟
⎜
⎜0 … 0 … 1 … 0 ⎟⎟
I il = ⎜ ⎟
⎜ ⎟
⎜0 … 1 … 0 … 0⎟
⎜ ⎟
⎜ ⎟
⎜0 … 0 … 0 … 1 ⎟⎠
⎝

- Type 2 : Iil ( a ) ( i ≠ l ) se déduit de I par

addition à la i -ième du produit de la l -ième
ligne par le nombre a . C’est-à-dire

6
 ⎛1 … 0 … 0 … 0⎞
⎜ ⎟
⎜ ⎟
⎜
⎜0 … 1 … a … 0 ⎟⎟
I il ( a ) = ⎜ ⎟
⎜ ⎟
⎜0 … 0 … 1 … 0⎟
⎜ ⎟
⎜ ⎟
⎜0
… 0 … 0 … 1 ⎟⎠
⎝
- Type 3 : Ii ( a ) ( a ≠ 0 ) se déduit de I par
multiplication de la i -ième par le nombre
a. C’est-à-dire
⎛1 … 0 … 0 … 0⎞
⎜ ⎟
⎜ ⎟
⎜
⎜0 … a … 0 … 0 ⎟⎟
Ii ( a ) = ⎜ ⎟
⎜ ⎟
⎜0 … 0 … 1 … 0⎟
⎜ ⎟
⎜ ⎟
⎜0 … 0 … 0 … 1 ⎟⎠
⎝

Soit A et B deux matrices de même dimen-

sion, c’est-à-dire ayant le même nombre de
lignes et de colonnes, c’est-à-dire deux m × n
matrices :

7
 ⎛a … a1n ⎞
⎜ 11 ⎟
A=⎜ ⎟
⎜ ⎟
⎜ am1 … amn ⎟
⎝ ⎠
et
⎛b … b1n ⎞
⎜ 11 ⎟
B = ⎜⎜ ⎟
⎟
⎜ bm1 … bmn ⎟
⎝ ⎠
La somme de A et B , écrite A + B , est la
matrice obtenue en ajoutant les éléments
correspondant des deux matrices :
⎛ a +b … a + b ⎞
⎜ 11 11 1n 1n ⎟
A + B = ⎜⎜ ⎟
⎟
⎜ am1 + bm1 … amn + bmn ⎟
⎝ ⎠

Le produit d’une matrice A par un scalaire k ,

noté k ⋅ A , ou kA , est la matrice obtenue en
multipliant chaque élément de la matrice A par
k :
⎛ ka … ka1n ⎞
⎜ 11 ⎟
kA = ⎜⎜ ⎟
⎟
⎜ kam1 … kamn ⎟
⎝ ⎠

8
Remarquons que A + B et kA sont aussi de
m × n matrices. On définit aussi
− A = ( −1) ⋅ A et A − B = A + ( − B ) .

La somme de deux matrices de dimensions

différentes n’est pas définie.

Théorème 1 : Soit V l’ensemble de toutes les

m × n matrices sur un corps K . Quelles que
soient les matrices A, B, C ∈V et quels que
soient les scalaires k1, k2 ∈ K .
(i) ( A + B) + C = A + ( B + C )
(ii) A+ 0 = A
(iii) A + ( − A) = 0
(iv) A+ B = B + A
(v) k1 ( A + B ) = k1 A + k1B
(vi) ( k1 + k2 ) A = k1A + k2 A
(vii) ( k1k2 ) A = k1 ( k2 A)
(viii) 1⋅ A = A

( ) ( )
Supposons que A = aij et B = bij soient des
matrices où A est une m × p matrice et B est

9
une p × n matrice. Alors, le produit AB est une
m × n matrice où le ij élément est obtenu en
multipliant la i -ième ligne Ai de A par la j -
ième colonne B j de B :
⎛ A ⋅ B1 … A ⋅ B n ⎞
⎜ 1 1 ⎟
AB = ⎜⎜ ⎟
⎟
⎜ A ⋅ B1 … A ⋅ B n ⎟
⎜ m m ⎟
⎝ ⎠
D’où
⎛ a11 … a1 p ⎞ ⎛ c11 … c1n ⎞
⎜ ⎟⎛ ⎞ ⎜ ⎟
⎜ b
⎟ ⎜ 11 … b … b
⎟ ⎜ ⎟
1j 1n
⎜ ai1 … aip ⎟ ⎜ ⎟ = ⎜ . cij . ⎟
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ b
⎟ ⎝ p1 … b pj … b pn ⎠ ⎜ ⎟
⎜a ⎟ ⎜ ⎟
⎝ m1 … amp ⎠ ⎝ cm1 … cmn ⎠
p
où cij = ai1b1 j + ai 2b2 j +⋅⋅⋅ + aipbpj = ∑ aik bkj .
k =1

Exemple 3 :
⎛1 2⎞⎛ 1 1 ⎞ ⎛ 1 ⋅1 + 2 ⋅ 0 1 ⋅1 + 2 ⋅ 2 ⎞ ⎛ 1 5⎞
⎜3 =⎜ =⎜
⎝ 4 ⎟⎠ ⎜⎝ 0 ⎟ ⎟
2 ⎠ ⎝ 3 ⋅1 + 4 ⋅ 0 3 ⋅1 + 4 ⋅ 2 ⎠ ⎝ 3 11⎟⎠
⎛1 1 ⎞⎛1 2 ⎞ ⎛ 1 ⋅1 + 1 ⋅ 3 1 ⋅ 2 + 1 ⋅ 4 ⎞ ⎛ 4 6⎞
=⎜ =⎜
⎜0
⎝ 2 ⎟⎠ ⎜⎝ 3 ⎟ ⎟
4 ⎠ ⎝ 0 ⋅1 + 2 ⋅ 3 0 ⋅ 2 + 2 ⋅ 4 ⎠ ⎝ 6 8 ⎟⎠

Les exemples précédents montrent que la mul-

tiplication des matrices n’est pas commutative;
10
les produits AB et BA des matrices ne sont pas
égaux.

Théorème 2 :
(i) ( AB)C = A( BC ) (associativité)
(ii) A( B + C ) = AB + AC (distributivité à
gauche)
(iii) ( B + C ) A = BA + CA(distributivité à
droite)
(iv) k ( AB ) = ( kA) B = A( kB ) où k est un
scalaire
(v) Iil Iil = I n , Iil ( a ) Iil ( −a ) = I n et Ii ( a ) Ii ⎛⎜ 1 ⎞⎟ = I n
⎝a⎠
(vi) Soit A une n × p matrice. Alors
a). Iil A se déduit de I par échange
de la i -ième et la l -ième ligne.
b). Iil ( a ) A se déduit de I par addition à
la i -ième du produit de la l -ième
ligne par le nombre a .
c). Ii ( a ) A se déduit de I par multipli-
cation de la i -ième par le nombre
a.
Nous supposons que les sommes et produits
précédents sont définis.
11
La matrice transposée d'une matrice A, écrite
At , est la matrice obtenue en écrivant les
lignes de A en colonnes
t
⎛a
11 a12 … a1n
⎞ ⎛a
11 a21 … am1 ⎞
⎜ ⎟ ⎜ ⎟
⎜ a21 a22 … a2n ⎟ ⎜ a12 a22 … am 2 ⎟
⎜ ⎟ =⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎜⎜ a am2 … amn ⎟⎟⎠ ⎜⎜ a a2n … amn ⎟⎟⎠
⎝ m1 ⎝ 1n

t ⎛1 4⎞
⎛1 2 3⎞ ⎜ ⎟
Exemple 4 : ⎜ ⎟ = ⎜2 −5 ⎟
⎜4
⎝ −5 −6 ⎟⎠ ⎜3 −6 ⎟⎠
⎝

Théorème 3:
(i) ( A + B ) = At + Bt
t

(ii) ( ) =A
t
At
(iii) ( kA) = kAt , pour k scalaire
t

(iv) ( AB ) = Bt At
t

(v) ( Iil ) = Iil , ( Iil ( a ) ) = Ili ( a ) et ( Ii ( a ) ) = Ii ( a )

t t t

En utilisant un système de lignes horizontales

et verticales, nous pouvons décomposer une
12
matrice A en plusieurs matrices plus petites
appelées blocs de A . La matrice A est alors
appelée matrice décomposée en blocs. Il est
évident qu'une matrice donnée peut être
décomposée de différentes manières ; par
exemple,
⎛ ⎞
1 ⎜
−2 | 0 1 | 3 ⎟⎟⎟
−
⎜
⎛1 2 0 1 3 ⎞ ⎜
⎜ ⎟ ⎜ ⎟
⎜ ⎟ 2 ⎜
3 | 5 7 | −2 ⎟⎟⎟
− ⎟=
⎜
⎜2 3 5 7 2 ⎜
⎜ ⎟ ⎜ ⎟
⎜ −− ⎜
−− −− −− −− −− −− ⎟⎟
⎜3
⎝ 1 4 5 9 ⎟⎟⎠ ⎜
⎜
⎜
⎟
⎟
3 ⎜⎜
⎝⎜
1 | 4 5 | 9 ⎟⎟⎠⎟
⎛ ⎞
⎜
⎜
⎜
1 −2 0 | 1 3 ⎟
⎟
⎟
⎜ ⎟
⎜
⎜
⎜
−− −− −− −− −− −− ⎟
⎟
⎟

= 2
⎜
⎜
⎜ 3 5 | 7 −2
⎟
⎟
⎟
⎜ ⎟

−− −− −− −− −− −−
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜⎜
⎜⎝
3 1 4 | 5 9 ⎟⎟
⎟⎠

Supposons que A soit décomposée en blocs ;

c'est-à-dire
⎛A A12 … A1n ⎞
⎜ 11 ⎟
⎜ A21 A22 … A2n ⎟
A=⎜ ⎟
⎜ ⎟
⎜
⎜ Am1
⎝
Am2 … Amn ⎟⎟⎠
En multipliant chaque bloc par un scalaire k ,
on multiplie chaque élément de A par k ; ainsi
13
 ⎛ kA kA12 … kA1n ⎞
⎜ 11 ⎟
⎜ kA kA22 … kA2n ⎟
kA = ⎜ 21 ⎟
⎜ ⎟
⎜ ⎟
⎜ kAm1
⎝
kAm2 … kAmn ⎟⎠
Supposons maintenant que la matrice B soit
décomposée en un même nombre de blocs que
la matrice A ; c'est-à-dire
⎛B B12 … B1n ⎞
⎜ 11 ⎟
⎜ B21 B22 … B2n ⎟
B=⎜ ⎟
⎜ ⎟
⎜
⎜ Bm1
⎝
Bm2 … Bmn ⎟⎟⎠
De plus nous supposons que les blocs correspo-
ndants de A et de B ont la même dimension.
En additionnant les blocs correspondants, on
additionne les éléments correspondants de A et
de B . D'où
⎛ A +B A12 + B12 … A1n + B1n ⎞
⎜ 11 11 ⎟
⎜ A +B A22 + b22 … A2n + B1n ⎟
A+ B = ⎜ 21 21 ⎟
⎜ ⎟
⎜ ⎟
⎜ Am1 + Bm1 Am2 + Bm2 … Amn + Bmn ⎟⎠
⎝

Supposons que U et V soient deux matrices

décomposées en blocs comme suit :
14
 ⎛ U11 U12 … U1 p ⎞ ⎛ V11 V12 … V1n ⎞
⎜U U … U ⎟ ⎜V V … V ⎟
U =⎜ ⎟ V =⎜
21 22 2 p 21 22 2n ⎟

⎜ ⎟
et ⎜ ⎟
⎜ ⎟ ⎜ ⎟
U
⎝ m1 U m2 … U mp ⎠ V
⎝ p1 22V … V pn ⎠

de telle sorte que le nombre de colonnes de

chaque bloc U ik est égal au nombre de lignes
de chaque bloc Vkj
⎛ W11 W12 … W1n ⎞
⎜W W … W ⎟
UV = ⎜ 21 22 2 n ⎟
⎜ ⎟
⎜ ⎟
⎝ Wm 1 Wm 2 … Wmn ⎠

⎛
⎜ 3 2 0 0⎞⎟
⎜ ⎟
⎜
⎜ −1 4 0 0⎟⎟⎟
Exemple 5 Soit A = ⎜
⎜ ⎟
et
⎜
⎜
0 0 1 3⎟⎟
⎜ ⎟
⎜
⎝
0 0 5 0⎟⎠
⎛1 −1 0⎞
⎜ ⎟
B = ⎜⎜ 5 1 0 ⎟ . Calculer AB.
⎜
0 0 −3 ⎟⎟
⎜0 0 4 ⎟⎠
⎝

15
 ⎛ 13 −1 0 ⎞
⎜ ⎟
AB = ⎜⎜ 19 5 0 ⎟
⎟
⎜
0 0 9 ⎟
⎜ 0
⎝
0 −15 ⎟
⎠

( )
Une matrice A = aij est dite une matrice
échelonnée si le nombre de zéros précédant le
premier élément non nul d'une ligne augmente
de ligne en ligne jusqu’à ce qu’il n’y ait plus
de ligne ; c'est-à-dire, s'il existe des élément
non nuls a1 j1 , a2 j2 ,…, ar jr où j1 < j2 < ⋅⋅⋅ < jr avec
la propriété que aij = 0 pour i ≤ r, j < ji , et pour
i > r . Nous appelons a1 j ,…, ar jr les éléments
1

distingués ou remarquables de la matrice

échelonnée.

( )
Une matrice échelonnée A = aij est dite
réduite si tous les éléments distingués sont
égaux à 1 et chaque élément de chacune de
colonnes contenant élément distingué est égal
à zéro.

16
Exemple 6 : Les matrices suivantes sont des
matrices échelonnées où les éléments distin-
gués ont été encerclés :
⎛ 2 3 2 0 4 5 −6 ⎞ ⎛1 2 3⎞
⎜ ⎟ ⎜ ⎟
⎜ 0 0 7 1 −3 2 0 ⎟, ⎜0 0 4⎟
⎜ ⎟ ⎜ ⎟
,
⎜ 0 0 0 0 0 6 2⎟ ⎜0 0 0⎟
⎜ ⎟ ⎜ ⎟
⎝ 0 0 0 0 0 0 0⎠ ⎝0 0 0⎠
⎛0 1 3 0 0 4 0⎞
⎜ ⎟
⎜0 0 0 1 0 −3 0⎟
⎜ ⎟
⎜0 0 0 0 1 2 0⎟
⎜ 1 ⎟⎠
⎝0 0 0 0 0 0

Une matrice A est dite équivalente ligne à

une matrice B , si B peut être obtenue à partir
de A par un nombre fini d'opérations appelées
opérations élémentaires sur les lignes qui sont
données plus bas.
[ E1 ] : On peut interchanger ou permuter la ième
ligne et la jème ligne : Li ↔ L j .
[ E2 ] : On peut multiplier la ième ligne par un
scalaire non nul k : Li ← kLi , k ≠ 0 .
[ E3 ] : On peut remplacer la ième ligne par k
fois la jème ligne plus la ième ligne :
Li ← kL j + Li
17
 Une matrice A est dite équivalente ligne à
une matrice B , s’il existe des matrices élémen-
taire E1, E2 ,..., Eα telles que B = E1E2 ...Eα A .

Exemple 7: La matrice suivante A est réduite

ligne à une forme échelonnée en appliquant les
combinaisons linéaires L2 ← −2L1 + L2 et
L3 ← −3L1 + L3 et enfin L3 ← −5L2 + 4L3 :
⎛ 1 2 −3 0 ⎞ ⎛ 1 2 −3 0 ⎞
⎜ ⎟ ⎜ ⎟
A = ⎜ 2 4 −2 2 ⎟ d’où ⎜ 0 0 4 2 ⎟ d’où
⎜⎜ 3 6 −4 3 ⎟⎟ ⎜⎜ 0 0 5 3 ⎟⎟
⎝ ⎠ ⎝ ⎠
⎛1
⎜
2 −3 0 ⎞⎟
⎜0 0 4 2⎟
⎜⎜ 0 0 0 2 ⎟⎟⎠
⎝

Théorème 4 Soit A ≠ 0 une m × n matrice. Alors

elle est équivalente ligne à une matrice échelo-
nnée réduite.

Une matrice carrée A d’ordre n est dite

inversible s'il existe une matrice B telle que
AB = BA = I n . B est dite inverse de A notée par
B = A−1 .
18
Exemple 8:
⎛ 2 5 ⎞⎛ 3 −5 ⎞ ⎛ 6 − 5 − 10 + 10 ⎞ ⎛ 1 0⎞
⎜⎜ ⎟⎜
⎟⎜ ⎟⎟ = ⎜⎜ ⎟⎟ = ⎜⎜ ⎟
⎝ 1 3 ⎠⎝ −1 2 ⎠ ⎝ 3 − 3 − 5 + 6 ⎠ ⎝ 0 1 ⎟⎠
⎛ 3 −5 ⎞⎛ 2 5 ⎞ ⎛ 6 − 5 15 − 15 ⎞ ⎛ 1 0⎞
⎜⎜ ⎟⎜
⎟⎜ ⎟⎟ = ⎜⎜ ⎟⎟ = ⎜⎜ ⎟
⎝ −1 2 ⎠⎝ 1 3 ⎠ ⎝ −2 + 2 −5 + 6 ⎠ ⎝ 0 1 ⎟⎠
⎛ 2 5⎞ ⎛ 3 −5 ⎞
Ainsi ⎜⎜ ⎟⎟ et ⎜⎜ ⎟⎟ sont inversibles et sont
⎝ 1 3⎠ ⎝ −1 2 ⎠
les inverses l’une de l’autre.

Théorème 5 Si une matrice carrée A est inver-

sible alors son inverse est unique.

Théorème 6 Soit A et B deux matrices carrées

inversibles de même ordre. Alors
( ) = B−1 A−1
−1
(i) AB
(ii) ( At ) = ( A−1 )
−1 t

Théorème 7 Une matrice carrée A est inver-

sible si et seulement si elle est équivalente
ligne à la matrice unité.

Théorème 8 Soit A et B deux matrices. Alors

AB = I n si et seulement si BA = I n .

19
Exemple13 Calculer l’inverse de la matrice
⎛ 0 −2 3 ⎞
⎜ ⎟
A = ⎜ 1 2 0⎟ .
⎜2 1 5 ⎟
⎝ ⎠

Soit A une matrice carrée.

(i) A est dite symétrique si At = A .
(ii) A est dite antisymétrique si At = − A.
(iii) A est dite orthogonale si At A = I n .

Si A est une matrice carrée quelconque d'ordre

n, nous pouvons former les diverses puissan-
ces de A : A2 = AA, A3 = A2 A, ... et A0 = I .
Nous pouvons aussi former des polynômes de
la matrice A ; à chaque polynôme
p ( x ) = a0 + a1x + a2 x2 +⋅⋅⋅+ ak xk
où les ai sont des scalaires, nous pouvons
associer p ( A) qui est la matrice
p ( A) = a0 I + a1 A + a2 A2 +⋅⋅⋅+ ak Ak
Dans le cas où p ( A) est la matrice nulle, alors
A est appelée zéro ou racine du polynôme
p ( A) .

20
 ⎛1 2 ⎞ . Alors
Exemple 9 Soit A = ⎜⎜ ⎟
⎝3 −4 ⎠⎟
2
⎛1
A = ⎜⎜
2 2⎞ = ⎜⎜−6 ⎞ .
⎛ 7
⎟ ⎟
⎝3 −4 ⎟⎠ ⎝ −9
22 ⎟⎠
Si p ( x ) = 2 x2 − 3x + 5 , alors
⎛ 7 −6 ⎞ ⎛1 ⎞ ⎛1 0⎞
p ( A) = 2 ⎜⎜ ⎟ − 3⎜
2
⎟ + 5⎜ ⎟
⎝ −9 22 ⎟
⎠
⎜ 3 −4 ⎟
⎝ ⎠
⎜0 1⎟
⎝ ⎠
⎛ 16 −18 ⎞
= ⎜⎜ ⎟.
⎝ −27 61 ⎟⎠

Si g ( x ) = x2 + 3x −10 , alors
⎛ 7 −6 ⎞ ⎛1 2⎞ ⎛1 0⎞ ⎛0 0⎞
g ( A) = ⎜⎜ ⎟⎟ + 3 ⎜⎜ ⎟⎟ − 10 ⎜⎜ ⎟⎟ = ⎜⎜ ⎟⎟
⎝ −9 22 ⎠ ⎝ 3 −4 ⎠ ⎝ 0 1 ⎠ ⎝ 0 0 ⎠
D'où A est un zéro du polynôme g ( x) .

Soit A = ⎛⎜ aij ⎞⎟ une matrice carrée. On appelle

⎝ ⎠
n
tr ( A) = ∑ aii trace de A.
i =1

Théorème 9 Soit A = aij ( ) m×n

( )
et B = bij
n×m
deux matrices. Alors tr ( AB ) = tr ( BA)

21