2019 PCSI 13 Matrices Tout

Chapitre
XIII
Matrices
A
vant de rentrer dans le vif du sujet en algèbre linéaire (les fameux espaces vec-
toriels, que nous aborderons au deuxième semestre), un chapitre plus orienté
« calcul » sur un outil qui sera fondamental dans la suite du cours : les ma-
trices. Il s’agit ici simplement d’apprendre à calculer avec les matrices, mais
aussi de voir le lien entre ces nouveaux objets et une autre notion que vous maîtrisez
déjà : les systèmes d’équations linéaires, pour lesquelles nous verrons une méthode de
résolution systématique : l’algorithme ou pivot de Gauss.
Sommaire
I L’ensemble des matrices . . . . . . . . . . . . . . . . . . . . 3
I.1 Généralités et vocabulaire . . . . . . . . . . . . . . . . . . . 3
Zoologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
I.2 Opérations sur les matrices . . . . . . . . . . . . . . . . . . 6
Addition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Loi externe . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
I.3 Produit de deux matrices . . . . . . . . . . . . . . . . . . . 8
I.4 Transposition d’une matrice . . . . . . . . . . . . . . . . . . 13
I.5 Matrices diagonales et triangulaires . . . . . . . . . . . . . . 15
I.6 Produit et opération élémentaire . . . . . . . . . . . . . . . 16
I.7 Matrices définies par blocs . . . . . . . . . . . . . . . . . . . 19
II Puissance et binôme de Newton . . . . . . . . . . . . . . . 19
II.1 Puissance n-ième d’une matrice carrée . . . . . . . . . . . . 19
II.2 Binôme de Newton . . . . . . . . . . . . . . . . . . . . . . . 20
II.3 Notion de polynôme de matrices . . . . . . . . . . . . . . . 22
II.4 Trace d’une matrice . . . . . . . . . . . . . . . . . . . . . . 24
II.5 Calculs de puissances nème . . . . . . . . . . . . . . . . . . 25
III Systèmes linéaires et matrices . . . . . . . . . . . . . . . . . 27
III.1 Écriture matricielle d’un système linéaire . . . . . . . . . . . 27
III.2 Un exemple en dimension 3 : . . . . . . . . . . . . . . . . . 33
III.3 Algorithme de Gauss . . . . . . . . . . . . . . . . . . . . . . 35
IV Matrice inversible . . . . . . . . . . . . . . . . . . . . . . . . 38
IV.1 Système de Cramer . . . . . . . . . . . . . . . . . . . . . . . 40
IV.2 Condition pour qu’une matrice d’ordre 2 soit inversible . . 45
IV.3 Opérations élémentaires et matrices inversibles . . . . . . . 48
IV.4 Matrices triangulaires inversibles . . . . . . . . . . . . . . . . 51
1
XIII. Matrices
V Pivot de Gauss et Rang d’une matrice . . . . . . . . . . . . 53

Test no 1 Contrôle de connaissances . . . . . . . . . . . . . . . . . 55
Test no 2 Contrôle de connaissances . . . . . . . . . . . . . . . . 56
Khôlle du 11/02/2019 : Matrices & Systèmes linéaires . . . . . 61
Khôlle du 11/02/2019 : Exercices . . . . . . . . . . . . . . . . . . 62
Devoir en temps libre no 1 Suites et Matrice . . . . . . . . . . . 64
Correction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
Dans tout ce chapitre, K est l’un des ensembles R ou C et les lettres n, p, q, . . . désignent
des entiers naturels non nuls.
2 F.PUCCI
XIII. Matrices I. L’ENSEMBLE DES MATRICES
I L’ensemble des matrices

I.1 Généralités et vocabulaire
Définition 1
Soient n et p deux entiers non nuls.
On appelle matrice de taille n × p à coefficients dans K toute famille A de np
éléments de K présentée sous la forme d’un tableau :
 
a11 a12 . . . a1j . . . a1p
 
 a21 a22 . . . a2j . . . a2p 
 
 
 .. .. .. .. 

 . . . . 

A= 
a
 où aij ∈ K, ∀ (i; j) ∈ J1 ; n K × J1 ; p K.
 i1 ai2 . . . aij . . . aip 

 
 .. .. .. .. 
 
 . . . . 
 
an1 an2 . . . anj . . . anp
— Les nombres aij sont les éléments ou coefficients de la matrice A.

— aij est situé à l’intersection de la ième ligne et de la j ème colonne.

On notera souvent, en abrégé, A = aij et Mn,p (K) leur ensemble.
 
a11 a12 . . . a1j . . . a1n . . . a1p
 
 a21 a22 . . . a2j . . . a2n . . . a2p 
 
 
 .. .. . . .. .. .. .. 

 . . . . . . . 

A= 
a
 , n<p
 i1 ai2 . . . aii . . . ain . . . aip 

 
 .. .. .. .. .. 
 
..
 .
 . . . . . 

an1 an2 . . . anj . . . ann . . . anp
ième ligne j ème colonne Diagonale de la matrice
Les coefficients de la forme aii sont les coefficients de la diagonales de la matrice.

Expression qui ne prend vraiment son sens que pour les matrices carrées que nous
allons voir.

En mathématiques, on note donc Mnp K l’ensemble des matrices où n et p sont, réci-
proquement, le nombre de lignes et de colonnes et K est le corps auquel appartiennent
les coefficients (R ou C pour nous).
http://fabienpucci.fr/ 3
I. L’ENSEMBLE DES MATRICES XIII. Matrices
Remarques :
— Une matrice A de taille n × p à coefficients dans K n’est jamais qu’un élément
de KJ1;n K×J1;p K c.-à-d. une famille (aij )(i; j)∈J1;n K×J1;p K d’éléments de K indexée par
J1 ; n K × J1 ; p K, c.-à-d. encore une application (i; j) 7−→ aij de J1 ; n K × J1 ; p K
dans K.
En résumé :

Mm,n (K) ≃ KJ1;n K×J1;m K ≃ Km×n .
— De la même manière, afin de faire ressortir l’aspect vectoriel, toute matrice de

Mm,1 (K) étant uniquement déterminée par la donnée de m éléments de K, on
l’assimilera à un vecteur de Km c.-à-d. on fera l’identification :
Mm,1 (K) ≃ Km .
 
x1
 
Pour différencier les vecteurs X = ... 


 que sont les matrices colonnes (ou lignes) des




xm
coefficients xi ∈ K qui les déterminent, on appelle scalaire, tout élément de K.
Exemples 1 :
 
1 2 0
— A= est une matrice 2 × 3 réelle.
4 3 −1
Par exemple, a21 = 4 et a13 = 0.
 
i 0 
— A= est une matrice 2 × 2 complexe.
4 1−i
Une matrice A de Mn,p(K) est donc entièrement déterminée par la donnée de n × p

scalaires qui la déterminent ce qui implique notamment que :
Proposition 1
A=0 ⇐⇒ ∀ (i; j) ∈ J1 ; n K × J1 ; p K, aij = 0K. (XIII.1)

Mn,p K
Une matrice est nulle si, et seulement si ses coefficients sont tous nuls.
4 F.PUCCI
Zoologie
— Si m = 1, la matrice M est appelée matrice ou vecteur ligne.

M = 1 5 8 ∈ M1,3 (R).
— Si n = 1, la matrice M est appelée matrice ou vecteur colonne.

 

1
M = 3 

 ∈ M3,1 (R).
 
−4
— Si m = n, la matrice M est appelée matrice carrée d’ordre n. Leur ensemble est

simplement noté Mn (K).
 
4 5
M = ∈ M2 (R).
3 −2
— Une matrice carrée est symétrique si, et seulement si aij = aji, ∀ i 6= j.

 
4 −1
M = 
−1 4
— On appelle matrice unité In d’ordre n la matrice carrée d’ordre n qui ne possède

que des « 1 » sur sa diagonale et des « 0 » ailleurs : aii = 1 et aij = 0, ∀ i 6= j.
 
1 0 0
 
I3 = 0 1 0


0 0 1
— On appelle matrice diagonale d’ordre n la matrice carrée d’ordre n qui ne possède

des éléments non nuls que sur sa diagonale : aij = 0, ∀ i 6= j.
 

2 0 0
D = 0 1 0 
 
 
0 0 −3
En particulier, les matrices λIn , λ ∈ K, sont appelées matrices scalaires

— On appelle matrice triangulaire (resp. strictement triangulaire) d’ordre n une
matrice carrée d’ordre n qui possède un triangle composé uniquement de « 0 »
sous la diagonale (resp. strictement sous) :
aij = 0, ∀i 6 j (resp. i < j) est une matrice triangulaire inférieure (resp. stricte-
ment inférieure).
     
1 0 0 
1 4 5 
0 0 0
 
T1 = 4 5 0 T2 = 0 −5 −1 T =  3 0 0
   
     
2 5 7 0 0 1 7 −1 0
Matrice triangulaire Matrice triangulaire Matrice strictement

inférieure supérieure triangulaire
— Les matrices diagonales sont exactement les matrices à la fois triangulaires supé-
rieures ET triangulaires inférieures.
En outre, elles sont des propriétés très sympathiques pour le produit et la somme
comme on le verra au paragraphe (I.3).
I.2 Opérations sur les matrices

Comme précédemment, un nouvelle ensemble créé, il est nécessaire, afin d’en faire
quelque chose, de définir les lois qui le régissent. On dit que l’on dote l’ensemble Mn,p (K)
d’une structure de groupe, d’anneau ou de K-algèbre suivant les cas.
Addition
Définition 2
Soient A = (aij ) et B = (bij ) deux matrices de même dimension.
La matrice C = A + B est la matrice dont les coefficients sont les sommes des
coefficients de A et B. On note :
C = A + B ⇐⇒ (aij ) + (bij ) = (aij + bij ).
Difficile de faire plus simple !
ATTENTION Les matrices doivent avoir les mêmes dimensions sinon leur addition
n’est pas définie.
— La matrice dont
tous les coefficients sont nuls est appelés naturellement la matrice
nulle, notée 0 ou 0Mn,p (K) si on veut être précis. C’est l’élément neutre de
l’addition définie ci-dessus :

∀A ∈ Mn,p (K), A + 0 = 0 + A = A.
— On définit de même la matrice opposée d’une matrice A = (aij ), notée −A = (−aij )

comme étant la matrice formée des opposés des coefficients de A :

∀A ∈ Mn,p (K), A + − A = − A + A = 0 .
En particulier, d’après (XIII.1), on en déduit :
6 F.PUCCI
Proposition 2

aij i∈J1;n K = bij i∈J1;n K ⇐⇒ ∀ (i; j) ∈ J1 ; n K × J1 ; p K, aij = bij .
j∈J1;p K j∈J1;p K
Deux matrices sont égales si, et seulement si leurs coefficient sont égaux deux à
deux.
De même que l’addition dans K, l’addition des matrices vérifient les mêmes lois : asso-
ciativité, commutativité, élément neutre et opposé.

On dit que l’ensemble Mn,p (K); + est un groupe commutatif .
Exemples 2 :
         

1 2 0 0 0 0 1 2 1 2
       
— 4 3  +  0 0 =  0 0 +  4 3 = 4 3 .
        
     
−5 −1 0 0 0 0 −5 −1 −5 −1
     
1 2 0  −5 2 3 6 0 −3
—  − = .
4 3 −1 1 2 4 3 1 −5
         

1 2 −4 1 0 0  0 2 −4 0 2 −4 1 0 0 
— 4 3 −1 = 4 2 0  + 0 1 −1 = 0 1 −1 + 4 2 0  .
         
         
5 0 2 5 0 −3 0 0 5 0 0 5 5 0 −3
Remarque : On peut donc décomposer une matrice carrée en deux matrices

triangulaires.
Loi externe
Définition 3 (Multiplication par un scalaire)

Le produit de la matrice A = (aij ) par un scalaire λ, est égal à la matrice dont
chaque coefficient est obtenu en multipliant chaque coefficient de la matrice A par
λ. On note :
λ.(aij ) = (λ × aij ).
   
1 2 0  2 4 0 
Exemple 3 : 2.  =
4 3 −1 8 6 −2
Cette opération ne pose donc aucun problème. Les deux opérations précédentes sont
identiques à celles utilisées dans l’ensemble des vecteurs.
L’ensemble Mn,p (K) est donc stable par combinaison linéaire c.-à-d.
∀ λ ∈ K, A, B ∈ Mn,p (K), λA + B ∈ Mn,p (K).

On dit que l’ensemble Mn,p(K); +; . est un K-espace vectoriel.
I.3 Produit de deux matrices

C’est là que les choses deviennent intéressantes. Comme je vous l’ai déjà dit, il est rare,
voire exceptionnel qu’un objet se comporte bien avec nos deux opérations principales.
Comme l’addition de deux matrices est simple . . .
On commence doucement :
Définition 4 (Produit d’un vecteur ligne par un vecteur colonne)

Le produit d’un vecteur ligne par un vecteur colonne de même dimension est égal
au produit scalaire des deux vecteurs considérés comme deux vecteurs colonnes.
 
b
 1
 
 b2  n
  X
a1 a2 . . . an ×
.
 = a1 b1 + a2 b2 + . . . an bn = ak bk .
.
. k=1
 
bn
ATTENTION On ne parle pas (encore) du produit d’un vecteur colonne par un

vecteur ligne.
On généralise cette opération à deux matrices quelconques A et B pourvu que le nombre

de colonnes de la matrice A correspondent au nombre de lignes de la matrice B.
Définition 5
Le produit de la matrice A ∈ Mn,p par la matrice B ∈ Mp,m est égal à la matrice
C = (cij ) ∈ Mn,m dont chaque coefficient cij est égal au produit scalaire de la
ième ligne de la matrice A par la j ème colonne de la matrice B.
p
X
∀ (i; j) ∈ J1 ; n K × J1 ; m K, cij = ai1 b1j + ai2 b2j + . . . + aip bpj = aik bkj .
k=1
8 F.PUCCI
×
   
a11 a12 . . . a1p c11 c12 . . . c1j . . . c1m
  × 
 
 a21 a22 . . . a2p  b11 b12 . . . b1j . . . b1m  c21 c22 . . . c2j . . . c2m 
   
     
 .. .. .. ..   . .. .. .. .. ..
    
  ..
 b21 b22 . . . b2j . . . b2m 
. .

 . . .   . . . . 
 × = 
 . .. .. .. . . .. 
a ai2 ... aip     ci1 ci2 ... cij ... cim 
 
  ..
 i1
 . . . . .  


 .. .. .. ..   .. .. .. .. .. 
     
..
 .
 . . .  bp1 bp2 . . . bpj . . . bpm  .
 . . . . . 

an1 an2 . . . anp cn1 cn2 . . . cnj . . . cnm
×
Remarques :
— La matrice de gauche détermine le nombre de lignes tandis que celle de droite,
celui des colonnes.

— la complexité de la multiplication matricielle dans Mn (K) est en O n3 c.-à-d. multiplier
deux matrices de taille n nécessite n2 (n − 1) additions et n3 multiplications de
réels.
En particulier, l’ensemble Mn (K) est stable par produit.
ATTENTION le nombre de colonne de la matrice de gauche doit être égal au nombre

de lignes de la matrice de droite sinon le produit n’est pas défini.
Exemple 4 (Lignes et colonnes d’une matrice) : Soient

A = (aij ∈ Mn,p (K), i ∈ J1 ; n K et j ∈ J1 ; m K.
 
0
   
 .. 
 
.
a1j
   
— 1
A× 
=

.. 
 est la j ème colonne de A.
. 

  
 
 .. 
 
. anj
 
0
à la position j

— 0 . . . 1 . . . 0 × A = ai1 . . . aip est la ième ligne de A.
à la position i
Il suffit de calculer ⌊1⌋ .
Plus généralement, on a :
⌊1⌋. Entrainez-vous !
Proposition 3 (Produit d’une matrice par un vecteur colonne)

Soit A ∈ Mn,p (K)
 
dont les colonnes sont notées A1 , . . . , Ap .
x1
 
Pour tout X =
 .. 
 ∈ Kp on a :
.


 
xp
p
X
AX = xk Ak .
k=1
Preuve: Tout d'abord, remarquons que le produit AX d'une matri e à n lignes

par un ve teur de K est un ve teur olonne à n lignes don un élément de K . !
p n
Pour tout i ∈ J1 ; n K, (AX) = X(A ) x = X x (A ) = X x A = X x A .

p p p p
i k i k k k i k k k k
i
k=1 k=1 k=1 k=1 i
Le produit de matrices n’est pas commutatif en général.

En effet, il se peut que AB soit défini mais pas BA, ou que AB et BA soient
tous deux définis mais pas de la même taille.
ATTENTION
Mais, même dans le cas où AB et BA sont définis et de la même taille, on
a, en général, AB 6= BA. Les exemples suivants sont à retenir afin d’éviter
d’écrire des bourdes.
Exemple 5 (AB 6= BA) :

         
5 1  2 0  14 3  2 0 5 1  10 2 
 = mais  = .
3 −2 4 3 −2 −6 4 3 3 −2 29 −2
Exemple 6 (AB = 0 n’implique pas A = 0 ou B = 0) : Il peut arriver que

le produit de deux matrices non nulles soit nul. En d’autres termes, on peut avoir
A 6= 0 et B 6= 0 mais AB = 0. Les matrices A et B sont alors appelées des diviseurs
de zéro.
     
0 −1 2 −3 0 0
A= B= et AB =  .
0 5 0 0 0 0
Autrement dit Mn,p (K) est un anneau non intègre.
10 F.PUCCI
Exemple 7 (AB = AC n’implique pas B = C) : On peut avoir AB = AC et

B 6= C.
       
0 −1 4 −1 2 5 −5 −4
A= B= C= et AB = AC =  .
0 3 5 4 5 4 15 12
Exercice 1 : Effectuer le produit des matrices suivantes :

       
2 1 1 −1 a b c  
1 a c
1.  ×
3 2 1 2 3.  c b a × 1 b b 
  

     
  −1 −1 0 1 1 1 1 c a
1 2 0  
2.  × 1 4

−1
3 1 4  
2 1 2
Exercice 2 : On considère les trois matrices suivantes :

 
  7 2
2 −3 1 0   
−5 2 −1 2 6
  
A= 5

4 1 3

B=   et C=  .
3 1 3 5 7
  

6 −2 −1 7  
6 0
1. Calculer AB puis (AB)C. 2. Calculer BC puid A(BC).
3. Que remarque-t-on ?
Exercice 3 : On considère les deux matrices suivantes :

   

2 3 −4 1 
3 −1 −3 7
 5 2 1 0 4 0 2 1
   
A=
  et B=  .
3 1 −6 7 2 3 0
  
  
−5

2 4 0 1 1 6 6 1
1. Calculer AB. 2. Calculer BA. 3. Que remarque-t-on ?
Vous verrez par la suite que nombre de ces difficultés n’existeraient pas si l’inverse
d’une matrice non nulle pouvait toujours être défini.
Alors que reste-t-il au final ? Ce qui est indiqué dans la proposition est seulement cela :
Proposition 4 (Propriété algébrique de la multiplication)

Le produit de deux matrices est :
Associatif : A × (B × C) = (A × B) × C = ABC.
Bilinéaire : A × (λB + C) = λA × B + A × C et (λB + C) × A = λB × A + C × A.
Non commutatif : A × B 6= B × A en général.
Élément neutre : Si A ∈ Mn,p (K) alors A × Ip = In × A = A.

Ip est élément neutre pour la multiplication à droite et In pour la multipli-
cation à gauche.
En particulier, dans Mn (K), In est l’élément neutre pour la multiplication (à
gauche et à droite).
L’ensemble Mn (K), +, × est un anneau unitaire d’unité la matrice In .
 
a b
Exercice 4 : Trouver les matrices qui commutent avec A =  .
0 a
Théorème 5 (Linéarité)
Soit A ∈ Mn,p (K). L’application Ψ : X 7−→ AX de Kp dans Kn est linéaire
c.-à-d. pour tous λ ∈ K, X, Y ∈ Kp on a :
Ψ(λX + Y ) = λΨ(X) + Ψ(Y ) ⇐⇒ A(λX + Y ) = λAX + AY.
Preuve:Il sut de faire le al ul. Soient don A = (aij )16i6n ∈ Mn,p(K) X = (xi )16i6p, ,
∈ K et λ ∈ K.
16j6p
p
Y = (y )i 16i6p
Pour tout (i; j) ∈ J1 ; n K × J1 ; p K, on a :

p
X p
X p
X
A(λX + Y ) = aik (λxk + yk ) = λ aik xk + aik yk = λ AX + AY .
ij ij ij
k=1 k=1 k=1
Exercice 5 (Matrice de Vandermonde ⌊2⌋ des racines nème de l’unité) :
Soit ω = e2iπ/n , (n > 2). Soit A = (ω (j−1)(k−1) )16j,k6n.

Calculer AA.
⌊2⌋. Alexandre-Théophile Vandermonde (parfois appelé Alexis-Théophile), né à Paris le 28

février 1735 et mort à Paris le 1er janvier 1796, est un mathématicien français.
12 F.PUCCI
Correction : Soient k et l deux entiers tels que 1 6 k 6 n et 1 6 l 6 n. Le oe ient ligne

k , olonne de
l AA vaut :
n
X n
X
ω (k−1)(j−1) ω −(j−1)(l−1) = (ω k−l )j−1 .
j=1 j=1
1er as. Si k = l, ω = 1, et le oe ient vaut X 1 = n.

n
k−l
j=1
2ème as. Si k 6= l. On a −(n − 1) 6 k − l 6 n − 1 ave k − l 6= 0 et don , k − l n'est pas multiple
de n. Par suite, ω 6= 1 et
k−l
n
X 1 − (ω k−l )n 1 − 1k−l
(ω k−l )j−1 = = = 0.
j=1
1−ω 1−ω
En résumé, AA = nI . Don A est inversible à gau he et don inversible et A

n
−1
=
1
n
.
A
I.4 Transposition d’une matrice
Définition 6
La transposée d’une matrice M ∈ Mn,p est la matrice, notée t M, obtenue en
échangeant les lignes et les colonnes de la matrice M.
t
M = (aji) ∈ Mp,n .
 
 1 4 
1 2 0 t

Exemple 8 : Si M =  alors M = 2 3 

.
4 3 −1  
0 −1
Il fut aussi économiste, musicien et chimiste, travaillant notamment avec Étienne Bézout et
Antoine Lavoisier. Son nom est maintenant surtout associé à une matrice et son déterminant utilisés
en interpolation polynomiale.
Un cas particulier de matrice de Vandermonde apparaît dans la formule de la transformée de
Fourier discrète, où les coefficients (αi ) sont les racines complexes de l’unité.
De façon matricielle, elle se présente ainsi :
 
1 α1 α1 2 . . . α1 n−1
 
 
1 α2 α2 2 . . . α2 n−1 
 
 
1 α 2 n−1 
V = 3 α3 . . . α3 
 
. .. .. .. 
. 
. . . . 
 
2
1 αm αm . . . αm n−1
Autrement dit, pour tous i et j, Vi,j = αi j−1 .
Remarque : La transposée d’un vecteur colonne est un vecteur ligne et réciproque-

ment :  

1
t  
1 2 0 =  2 .

Proposition 6
Soit A ∈ Mn (K).
— A est symétrique si, et seulement si t A = A.
— A est anti-symétrique si, et seulement si t A = −A.
Dans le cas d’une matrice anti-symétrique, les coefficients diagonaux, égaux à leur
opposé sont nécessairement nuls.
Proposition 7
Linéarité : Pour tous A, B ∈ Mn,p(K) et λ ∈ K, t (λA + B) = λt A + t B.

Involutivité : Pour tous A ∈ Mn,p (K), t (t A) = A.
Contravariance : Pour tous A ∈ Mp,q (K) et B ∈ Mq,r (K), t (AB) = t B t A.
Preuve: Seule la dernière assertion mérite une preuve :

∀ (i; j) ∈ J1 ; r K × J1 ; p K,
q
X q
X q
X
t
(AB) = (AB)ji = ajk bki = bki ajk = (t B)ik (t A)kj = t
BtA .
ij ij
k=1 k=1 k=1
Remarques :

— Soient X~ = x1 x2 . . . xn et Y~ = y1 y2 . . . yn deux vecteurs de Rn .
~ Y~ peut-être vu comme un produit matriciel :
Alors leur produit scalaire X.
 
y1
 
y 
 2
~ Y~ = X t Y = x1 x2 . . . xn 
X.

 .. 
 
 . 
 
yn
= x1 y1 + x2 y2 + . . . + xn yn .
14 F.PUCCI
 
A1
 
 
 A2 
— De la même manière, soient A =  
  ∈ Mn,p(K) et B = B1 B2 . . . Bm ∈ Mp,m(K)
. . .
 
An
où ∀ (i; j) ∈ J1 ; n K × J1 ; p K, Ai ∈ Kp est la ième ligne de A et Bj ∈ Kp est la
j ème colonne de B. Alors (AB)ij = A ~ i .t B
~ j où Ai et Bj sont vues comme des
p
vecteurs de R .
I.5 Matrices diagonales et triangulaires
Proposition 8 (Produit et combinaisons linéaires de matrices diagonales)

Soient λ, µ ∈ K et α1 , . . . , αn , β1 , . . . , βn ∈ K, alors :
Combinaisons linéaires :
     

α1
  β1  λα1 + β1 
  
.. .. ..
  
λ + 
=
 
.


.  
 
. 


 . 
  
αn βn λαn + βn
    
α1 β1 α1 β1
   
   
.. .. ..

Produit :  =
  

 .  .   . .
 







αn βn αn βn
Autrement dit, l’ensemble Dn (K) des matrices diagonales est stable par combinaisons
linéaires et produit. En particulier, (Dn (K); ×) est un groupe commutatif.
Preuve: Easy ...
 
α1
 
..
 
Remarque : Pour économiser de la place on trouve souvent l’écriture D = 
 .


 
αn
abrégée en D = diag(α1 , . . . , αn ). Tout le monde comprendra.
Ces résultats se généralisent en fait aux matrices triangulaires supérieures (ou infé-
rieures) comme l’énonce la propriété suivante :
Proposition 9 (Produit et combinaisons linéaires de matrices triangulaires)
— Toute combinaison linéaire de matrices triangulaires supérieures (resp. infé-

rieures) est une matrice triangulaire supérieure (resp. inférieure).
— Toute produit de de matrices triangulaires supérieures (resp. inférieures) est
une matrice triangulaire supérieure (resp. inférieure).
En particulier, les termes diagonaux sont alors les produits des termes diagonaux
c.-à-d. ∀ i ∈ J1 ; n K, (AB)ii = aii bii .
Preuve: Soient A et B deux matri es triangulaires supérieures . ⌊3⌋
Pour tout i, j ∈ J1 ; n K, i > j =⇒ a = b = 0. D'où : ij ij
∀ λ ∈ K, (λA + B) = λa + b = 0 ij ij ij
(AB) = X a b = X |{z} a b = 0.
n X i−1 n
ij a b +
ik kj ik kj ik kj
k=1
|{z} k=1 =0 k=i
=0
Enn, (AB)
n
X i−1
X n
X
ii = aik bki = aik bkj + aii bii + aik bkj = aii bii
|{z} |{z}
k=1 k=1 =0 k=i+1
=0
I.6 Produit et opération élémentaire

Soient n ∈ N, i, j ∈ J1 ; n K et λ ∈ K. On note :
 

1 
..
 
.
 
 
 
1
 
 
 
0 1
 




←i
1
 
 
 
..
 
— Li,j,n = 
 .


 
1
 
 
 
1 0 ←j
 
 
 
1
 
 
 
..
 
.
 
 
 
1
↑ ↑
i j
⌊3⌋. Le cas inférieur s’en déduit par transposition.
16 F.PUCCI
 

1 
..
 
.
 
 
 
1
 
 
 
— Hi,n (λ) =
 

 λ 

←i
1
 
 
 
..
 
.
 
 
 
1
↑
 i 
1
 

.. 

 . 

 
1
 
 
 
..
 
— Ti,j,n(λ) = 
 .


 
1
 

 λ 
 ←i
 
 .. 

 . 

1
↑
j
Proposition 10 (Opérations élémentaires)

Soit A ∈ Mn,p (K).
— Multiplier A par Li,j,n à gauche revient à permuter les ième et j ème lignes de
A. On note Li ↔ Lj cette opération.
— Multiplier A par Hi,n (λ) à gauche revient à multiplier la ième ligne de A par
λ. On note Li ← λLi cette opération.
— Multiplier A par Ti,j,n (λ) à gauche revient à additionner la j ème ligne de
A multipliée par λ à la ième (avec i 6= j). On note Li ← Li + λLj cette
opération.
Preuve: Soient A ∈ M n,p (K) , r ∈ J1 ; n K et s ∈ J1 ; p K.

n
X
Li,j,n A = Li,j,n A
rs rk ks
k=1
si r 6= i ou r 6= j,



 Li,j,n A = A
rr rs
si r = j, rs



= L A = Ai,j,n
rj js js
si r = i,




 L

A = A i,j,n
Le al ul est identique pour les deux autres matri es.

ri is is
Vocabulaire :
— Les matrices Li,j,n s’appellent des matrices de permutation.
— Les matrices Hi,n s’appellent des matrices de dilatation.
— Les matrices Ti,j,n s’appellent des matrices de transvection.
De même à droite avec les colonnes :
Proposition 11 (Opérations élémentaires)

Soit A ∈ Mn,p (K).
— Multiplier A par Li,j,p à droite revient à permuter les ième et j ème colonnes
de A. On note Ci ↔ Cj cette opération.
— Multiplier A par Hi,p (λ) à droite revient à multiplier la ième colonne de A
par λ. On note Ci ← λCi cette opération.
— Multiplier A par Ti,j,p (λ) à droite revient à additionner la j ème colonne de
A multipliée par λ à la ième (avec i 6= j). On note Ci ← Ci + λCj cette
opération.
Théorème 12
Soit λ ∈ R∗ .
Les opérations élémentaires sur les lignes ou les colonnes d’une matrices sont bi-
jectives.
Il sut de remarquer que :

Preuve:
L ↔ L = L ↔ L . En parti ulier, les permutations sont involutives.

i j
−1
i j
L ← λL = L ← λ1 L .
i i
−1
i i
L + λL = L − λL .
i j
−1
i j
De même pour les olonnes.

En particulier, nous verrons que les matrices associées sont inversibles dans un sens à
définir.
18 F.PUCCI
XIII. Matrices II. PUISSANCE ET BINÔME DE NEWTON
I.7 Matrices définies par blocs
Définition 7 (Matrice par blocs)

Soient A ∈ Mn,p (K), B ∈ Mm,p (K), C ∈ Mn,q (K) et D ∈ Mm,q (K).
On définit la matrice par blocs M ∈ Mn+m,p+q (K) par :
p q
 
A C n
M =
B D m
Théorème 13
Soient deux matrices définies par blocs avec la compatibilité ci-dessous.
Alors : p q r s
r s
     
 AA + BB AC + CD  n
′ ′ ′ ′ ′ ′
n A C  A C  q
 × =  .
m B D B ′ D′ p BA′ + DB ′ BC ′ + DD ′ m
En résumé, tout se passe par blocs comme si chacun d’entre eux était un scalaire.
II Puissance et binôme de Newton

II.1 Puissance n-ième d’une matrice carrée
Définition 8
Soit n ∈ N.
On appelle puissance k-ième d’une matrice carrée A d’ordre n, la matrice, notée
Ak telle que :
Ak = A|
×A× {z
. . . × A} .
k f ois
Par convention, on pose A0 = In .
 
1 2
Exemple 9 : Soit A =  .
3 0
     
2 1 2 1 2 7 2
A =A×A= × = .
3 0 3 0 3 6
     
3 1 2 7 2 13 14
A = A × (A × A) =  × = .
3 0 3 6 21 6
II. PUISSANCE ET BINÔME DE NEWTON XIII. Matrices
Remarque : Vos calculatrices savent très bien faire tous ces calculs. Une fois la théorie
comprise, il est bon de les laisser se charger des calculs. La matrice rentrée dans la
calculatrice est vue par celle-ci comme un nombre quelconque et vous pourrez utiliser
les touches « puissances » et « inverse » comme avec eux.
 

1 . . . 1

Exercice 6 : On pose J =  . . . .. 
 ∈ Mn (K).
 .. . .
 
1 ... 1
Montrer que pour tout k ∈ N ∗ , J k = nk−1 J.
   

1 1 1 1 0 0
 
Exercice 7 : On donne les matrices M = 1 −1 1 et I = 0 1 0.
  
 
4 2 1 0 0 1
1. Déterminer la matrice M 2 .
 
20 10 11
3   3 2
2. On donne M = 
12 2 9. Vérifier que M = M + 8M + 6I.
42 20 21
II.2 Binôme de Newton
Théorème 14 (Binôme de Newton)

Soient A et B deux matrices carrées d’ordre p qui commutent. Pour tout entier
n ∈ N, on a :
n
! n−1
n X n k X
A+B = A × B n−k et n n
A − B = (A − B) Ak B n−k−1 .
k=0 k k=0
ATTENTION Si A et B ne commutent pas c.-à-d. AB 6= BA alors

2
A+B = A+B A+B
= A2 + AB + BA + B 2 6= A2 + 2AB + B 2 ! . . .
Et,
(A + B)(A − B) = A2 − AB + BA − B 2 6= A2 − B 2 ! . . .
Montrons e résultat par ré urren e sur n ∈ N.

Preuve:
Pour n = 1, il n'y a rien à montrer.
20 F.PUCCI
Supposons le résultat vérié pour un ertains m ∈ N .-à-d.

m m
!
X m k
A+B = A × B m−k .
k=0 k
Alors :
m+1 m m
! !
X m k
A+B = A+B A+B = A × B m−k A+B
k=0 k
m
! m
!
X m k m k X
= A × B m−k A + A × B m−k+1
k=0 k k=0 k
Comme A et B ommutent, A k
× B m−k A = Ak+1 × B m−k
m
! m
!
X m k+1 X m k
= A × B m−k + A × B m−k+1
k=0 k k=0 k
m−1
! m
!
X m k+1 X m k
= Am+1 + A × B m−k + A × B m−k+1 + B m+1
k=0 k k=1 k
m
! m
!
m+1
X m k m−k+1
X m k
=A + A ×B + A × B m−k+1 + B m+1
k=1 k−1 k=1 k
m
! !
m+1
X m m k
=A + Ak × B m−k+1 + A × B m−k+1 + B m+1
k=1 k−1 k
m
" ! !#
m+1
X m m
=A + + Ak × B m−k+1 + B m+1
k=1 k−1 k
| {z }
( m+1
k )
!
m+1
X m+1 k
= A × B (m+1)−k .
k=0 k
Le résultat est don vrai à l'ordre m + 1 .-à-d. la propriété est héréditaire.

La propriété est don vraie à l'ordre 1 et héréditaire. Elle est don vraie pour
tout n ∈ N.
Ce théorème est particulièrement intéressant dans le cas des matrices N nilpotentes à

partir d’un certain rang c.-à-d. telles qu’il existe un entier n0 vérifiant N n0 = 0Mmn .
Exercice 8 (Calcul de An par la formule du binôme) :

 
1 0 0
 
Soit A = 0 1 1

.
1 0 1
 
0 0 0
  n
0 0 1. Calculer J , n ∈ Z.
1. On pose J =  
1 0 0
2. En écrivant A = I3 + J, calculer An , n ∈ Z.
Correction : Comme J 3
=0 , on a :
n
!
n n
X n n(n − 1) 2
A = (J + I3 ) = J k = I3 + nJ + J .
k=0
k 2
 
1 1 2
 
Exercice 9 : On pose A = 0 1 0

.
0 0 1
 
1 n 2n
n
 
Pour tout n ∈ N, montrer que A = 0 1 0 

.
0 0 1
 
0 1 2
Correction : On a A = I 3 +J où J = 0 0 0


et J 2
.
=0
0 0 0
 
1 n 2n
Don An = (J + I3 )n = I3 + nJ = 
0 1

0


.
0 0 1
II.3 Notion de polynôme de matrices

p
X
Soit M ∈ Mn (K) et P = ai X i un polynôme de K[X].
i=0
D’après le paragraphe (I.2), on sait qu’une combinaison linéaire et un produit de

matrices de Mn (K) est encore une matrice de Mn (K), on note alors P (M) la matrice
de Mn (K)définie par :
p
X
P (M) = ai M i = ap M p + . . . + a1 M + a0 In .
i=0
Proposition 15
— Un polynôme en M commute avec la matrice M : P (M) × M = M × P (M).

— Lorsque P (M) = 0n , on dit que P est un polynôme annulateur de M.
— Soient P , Q ∈ K[X], M ∈ Mn (K) et λ ∈ K. On a :
(P Q)(M) = P (M) × Q(M) et (λP + Q)(M) = λP (M) + Q(M).
22 F.PUCCI
Exercice 10 (Exponentielle de matrices) : Soit A ∈ Mn (R) nilpotente, on dé-

finit :
X Ai
exp A = , (XIII.2)
i>0 i!
la somme étant finie et s’arrêtant, par exemple, au premier indice i tel que Ai = 0.
1. Montrer que si A et B sont nilpotentes et commutent, alors
exp(A + B) = exp(A) exp(B).
2. En déduire que exp(A) est toujours inversible et calculer son inverse.

3. On supposera que la définition (XIII.2) se généralise à une matrice quelconque.
Calculer exp(M) pour les quatre matrices suivantes :
   
a 0 0 0 a b ! !
0 1 1 0
 0 b 0 , 0 0 c ,
   
, .
−1 0 0 0
0 0 c 0 0 0
4. Chercher un exemple simple où exp(A + B) 6= exp(A) × exp(B).
Exercice 11 (Exponentielle d’une matrice nilpotente) : Pour A ∈ Mn (K) ma-

+∞
X Ak
trice nilpotente donnée, on pose expA = .
k=0 k!
1. Montrer que si A et B commutent et sont nilpotentes alors A + B est nilpotente.

En déduire que exp(A + B) existe.
2. Montrer que exp(A + B) = exp(A) × exp(B).
3. Montrer que exp(A) est inversible et donner son inverse.
 
0 1 0 ... 0
 . . .. 
 .. .. ... ... . 
 

4. Calculer exp(A) où A =  .. 
.
 . 0 
 .
 . .. 
 . . 1


0 ... ... 0
Correction :
1. Soient p l'indi e de nilpoten e de A et q l'indi e de nilpoten e de B. Puisque A et B
ommutent, la formule du binme de Newton fournit
p+q−1 !
p+q−1
X p + q − 1 k p+q−1−k
(A + B) = A B
k=0
k
Dans ette somme,

si k > p, A = 0 et don A B
k k p+q−1−k
=0
si k 6 p − 1 alors p + q − 1 − k > q et en ore une fois B p+q−1−k
=0 .
!
Finalement, (A + B) et A + B est nilpo-
p+q−1
p+q−1
X p + q − 1 k p+q−1−k
= A B =0
k
tente d'indi e inférieur ou égal à .
k=0
p+q−1
Les sommes dénissant exp , exp et exp
(A) (B) (A + B) sont nies ar A, B et A + B
sont nilpotentes et
exp
+∞ +∞
X 1 k
X X 1
(A + B) = (A + B) = Ai B j
k=0
k! k=0 i+j=k
i!j!
! +∞ 
toutes les sommes sont nies)

+∞
X 1 i  X 1 j
A B (
i=0
i! j=0
j!
= expA × expB.
2. Si A est nilpotente, −A l'est aussi et ommute ave A.
Don exp(A) × exp(−A) = exp(A − A) = exp(0) = I .
exp(A) est inversible à gau he et don inversible et (exp(A)) = exp(−A).
n
−1
3. Les puissan es de A sont bien onnues et on trouve immédiatement

 1 1 1 
1 ...
1!
... ...
2!
... ..
(n − 1)! 

 
 
 0
.. . . .

exp .
 
 1 
A= 
2!
..
 
... ...
 

 1 

 
 1! 
0 ... ... 0 1
II.4 Trace d’une matrice

La notion de trace vous paraîtra un peu anecdotique pour le moment mais elle est en
fait importante, alors autant l’introduire tout de suite.
Définition 9 (Trace d’une matrice carrée)

Soit A ∈ Mn (K).
On appelle trace de A et on note tr (A) la somme des éléments diagonaux de A :
n
X
tr aij = aii .
i j∈J1;n K
i=1
Proposition 16 (Propriété de la trace)
Linéarité : Pour tous A, B ∈ Mn (K) et λ ∈ K, tr (λA + B) = λtr (A) + tr (B).

Produit : Pour tous A ∈ Mn,p(K) et B ∈ Mp,n (K), tr (AB) = tr (BA).
24 F.PUCCI
Preuve: Seule la propriété sur le produit mérite d'être démontrée.

La matri e arrée AB est de taille n tandis que elle BA est de taille p. Elles ont
pourtant la même tra e :
tr (AB) = tr (BA) .
n n p ! p n
! p
X X X X X X
(AB)ii = aik bki = bki aik = (BA)kk =
i=1 i=1 k=1 k=1 i=1 k=1
Remarque : Lorsque qu’une matrice A est semblable à une matrice B c.-à-d. il existe
une matrice P inversible, dite de passage, telle que A = P −1 BP , on a alors :

tr (A) = tr P −1BP = tr (P −1 P )B = tr (B) .
On dit, pour cela, que la trace est un invariant de similitude.
Exemple 10 : L’équation matricielle AB − BA = In d’inconnue (A; B) ∈ Mn (K)2

n’a pas de solution car pour toutes matrices A, BMn (K) :
tr (AB − BA) = tr (AB) − tr (BA) = 0 6= n = tr (In ) .
II.5 Calculs de puissances nème

Voici quelques recettes pour le calcul de puissance d’une matrice à découvrir en exer-
cice :
Matrice diagonale : Si D est diagonale avec D = diag(α1 , . . . , αn ) alors
D k = diag(α1k , . . . , αnk ).
En particulier, si A est semblable à une matrice diagonale c.-à-d. A = P DP −1

où P est une matrice inversible, alors, par une récurrence aisée :
Ak = P D k P −1 .
Dans les cas où A peut de décomposer comme la somme de deux matrices qui com-
mutent, on pourra utiliser la formule du binôme de Newton.
En particulier, si A = λIn + N où N est une matrice nilpotente.
Exercice 12 :
 
1 1 0
1. Soit A =  0 1 1  et soit B = A − I3 .
 
0 0 1
(a) Calculer B 2 , B 3 en déduire une formule de récurrence que l’on démon-
trera pour B n , pour tout entier n.
(b) Développer (B + I3 )n par la formule du binôme et simplifier.

(c) En déduire An Pour tout entier n.
 
1 1 1 1
 0 1 1 1 
2. Soit A = 
 
.
 0 0 1 1 
0 0 0 1
Pour tout entier n, calculer An en utilisant A − I4 .
Polynôme annulateur : Si P est un polynôme annulateur de la matrice A c.-à-d. si

P (A) = 0, on écrit la division euclidienne de X n par P :
∃ Q, R ∈ K[X], X n = QP + R.
La relation matricielle An = P (A) ×Q(A) + R(A) donne R(A). Il suffit donc de

| {z }
=0
connaître R.
Récurrence : On pourra aussi et chercher des relations de récurrence comme, par
exemple :
 
1 1 1
  k k−1
1 1 1 donne A = 3
A=  A.
1 1 1
 
cos θ − sin θ
Exercice 13 : Soit A(θ) =  pour θ ∈ R.
sin θ cos θ
′ n
Calculer A(θ) × A(θ ) et A(θ) pour n ≥ 1.
Correction :
   
cos θ − sin θ cos θ ′ − sin θ ′
A(θ) × A(θ ′ ) =  × 
sin θ cos θ sin θ ′
cos θ ′
 
cos θ cos θ ′ − sin θ sin θ ′ − cos θ sin θ ′ − sin θ cos θ ′
= 
sin θ cos θ ′ + cos θ sin θ ′ − sin θ sin θ ′ + cos θ cos θ ′
 
′ ′
cos(θ + θ ) − sin(θ + θ )
= 
sin(θ + θ ′ ) cos(θ + θ ′ )
= A(θ + θ ′ )
Bilan : A(θ) × A(θ ) = A(θ + θ ).

′ ′
Nous allons montrer par ré urren e sur n ≥ 1 que A(θ) n

= A(nθ) .
C'est bien sûr vrai pour n = 1.
26 F.PUCCI
XIII. Matrices III. SYSTÈMES LINÉAIRES ET MATRICES
Fixons n ≥ 1 et supposons que A(θ)

n
= A(nθ) alors
n+1
A(θ) = A(θ)n × A(θ) = A(nθ) × A(θ) = A(nθ + θ) = A((n + 1)θ)
C'est don vrai pour tout n ≥ 1.

Remarques :
On aurait aussi la formule A(θ ) × A(θ) = A(θ + θ ) = A(θ) × A(θ ). Les matri es
′ ′ ′
A(θ) et A(θ ) ommutent.

′
En fait il n'est pas plus di ile de montrer que A(θ) = A(−θ). On sait−1
aussi que par dénition A(θ) = I . Et on en déduit que pour n ∈ Z on a

0
A(θ) = A(nθ).
n
En terme géométrique A(θ) est la matri e de la rotation d'angle θ ( entrée à

l'origine). On vient de montrer que si l'on ompose un rotation d'angle θ ave
un rotation d'angle θ alors on obtient une rotation d'angle θ + θ .
′ ′
III Systèmes linéaires et matrices

III.1 Écriture matricielle d’un système linéaire
Définition 10 (Système linéaire)

On appelle système linéaire à m équations et n inconnues x1 , x2 , . . . xn tout système
(S) de la forme :


 a11 x1 + a12 x2 + ... + a1n xn = b1

 a21 x1 + a22 x2 + ... + a2n xn = b2
(S)


 ... + ... + ... + ... = ...
+ am2 x2 + + a2m xn =

am1 x1 ... bm
 

a11 a12 . . . a1n
 x1
 

 a21 a22
  x2 
. . . a2n   
En posant A =   ∈ Mm,n (K), X = 
 .  ∈ Mn,1 (K) et
  
... ... ... ... .
 . 
   
am1 am2 . . . a2m xn
 
b
 1
 
 b2 
 
B=  
 .  ∈ Mm,1 (K), le système (S) s’écrit alors sous la forme matricielle :
 . 
 . 
 
bm
(S) : AX = B.
III. SYSTÈMES LINÉAIRES ET MATRICES XIII. Matrices
(
2x − 3y = 5
Exemples 11 : Le système 2 × 2, s’écrit sous la forme matri-
5x − 4y = 1
cielle :   !  
2 −3 x 5
  =  .
5 −4 y 1
De même, le système 2 × 3 :
   
(  x 1 
x + 2y + 3z = 1 1 2 3    
 y = 4 .
⇐⇒    
4x + 5y = 1 4 5 0
   
z 0
Et le système 3 × 2 :
   

 x − 2y = 5 1 −2 ! 5
   x  
3x − 4y = 1 3 y =  1 .
 

⇐⇒  −4  
 

−5x + 6y = 1 −5 6 1
Définition 11
On conserve les notations de la définition (10) .
— On dit que le système (S) est homogène si B = 0Km .
— Résoudre le système (S) c’est trouver l’ensemble des vecteurs X ∈ Km véri-
fiant AX = B. Le système est alors dit compatible dans ce cas, incompatible
sinon.
Deux systèmes sont dits équivalents lorsqu’ils ont le même ensemble de solutions
Un système linéaire n’est donc qu’une grosse équation de la forme ax = b que nous
connaissons bien. Dans R ⌊4⌋ , il suffit de multiplier les deux membres par l’inverse de a
1
noté a−1 = et le tour est joué : x = a−1 b.
a
Pourquoi ne pas faire pareil dans Mn,p et considérer quelque chose que l’on nommerait
A−1 ? Et bien tout simplement pour deux raisons :
1. La première c’est que le produit n’est pas commutatif comme on l’a déjà vu. Alors
devrait-on considérer A−1 B ou BA−1 ? Deux produits, qui plus est, que l’on sait
depuis l’ exemple (5) ne pas forcément être égaux .
2. L’inverse d’une matrice, comme on va le voir, n’existe pas forcément et cela à
cause de l’existence des diviseurs de zéros mis en évidence dans l’ exemple (6) .
Si la résolution d’un système linéaire sera intimement lié à l’existence d’une matrice
inversible, nous allons présenter une manière algorithmique de résolution : le pivot de
Gauss et montrer le lien avec la recherche de l’inverse de la matrice du système.
Mais, tout d’abord, intéressons nous à la structure de l’ensemble des solutions :
⌊4⌋. qui est un corps c.-à-d. tout élément non nul est inversible.
28 F.PUCCI
Théorème 17 (Structure de l’ensemble des solutions)

Soient A ∈ Mn,p(K et B ∈ Kn . On considère le système linéaire (S) sous sa forme
matricielle AX = B où X ∈ Kp .
Si (S) est compatible, la solution générale du système est la somme d’une solution
particulière et de la solution générale du système homogène :
Solution Solution Solution de l’équation
= +
générale de (S) particulière homogène
Autrement dit, l’ensemble des solutions du système (S) est un espace affine dirigée par
l’espace vectoriel des solutions de l’équation homogène.
Preuve: Ce résultat est induit par le théorème (5) :

AX = B ⇐⇒ AX = AXP art ⇐⇒ A(X − XP art ) = 0
théorème (5)
⇐⇒ X − XP art est solution du système homogène.

⇐⇒ X est la somme de la solution parti ulière
et d'une solution du système homogène.


 x + 2y − z = −3
Exemple 12 : Soit le système (S3 ) 2x + 5y + z = 4 d’inconnue


x + y + z = 2
(x; y; z) ∈ R3 .
 

 x + 2y − z = −3 
 x + 2y − z = −3
2x + 5y + z = 4 ⇐⇒ y + 3z = 10 L2 ← L2 − 2L1
 

x + y + z = 2 
y − 2z = −5 L3 ← L1 − L3

x + 2y − z = −3


⇐⇒ y + 3z = 10


5z = 15 L3 ← L2 − L3

x = −2


⇐⇒ y = 1


z = 3
 

−2
L’unique solution de (S3 ) est donc le triplet 
 1  + (0)R3 .

 
3
Solution Solution
particulière homogène
Exemple 13 : Enlevons une équation au système précédent. La résolution est iden-

tique :
( (
x + 2y − z = −3 x + 2y − z = −3
(S2 ) ⇐⇒
2x + 5y + z = 4 y + 3z = 10 L2 ← L2 − 2L1


 x = −23 + 7z
⇐⇒ y = 10 − 3z


z = z

x = −23 + 7λ


⇐⇒ y = 10 − 3λ , λ ∈ R.


z = λ
     
−23 + 7λ −23 7
    
Les solutions de (S2 ) sont donc tous les triplets 10 − 3λ = 10  + λ. −3
     
  
     
λ 0 1
| {z }
où λ ∈ R.
Solution Solution
Vocabulaire :
— Les inconnues x et y du système précédent suffisent à définir les solutions du
système. On les appelle les inconnues principales
— L’inconnue z est alors appelées inconnue secondaire.
Définition 12 (Rang d’un système linéaire)

On appelle rang d’un système linéaire, le nombre de ses inconnues principales.
— Le système (S3 ) est donc de rang 3.

— Le système (S2 ) est de rang 2.
Exemple 14 : Supprimons encore une équation :


n x = −3 − 2y + z


(S1 ) x + 2y − z = −3 ⇐⇒  y = y

z = z


 x = −3 − 2λ + µ
⇐⇒ y = λ , (λ; µ) ∈ R2 .


z = µ
30 F.PUCCI
Les solutions de (S1 ) sont donc tous les triplets

       

−3 − 2λ + µ 
−3 
−2 1
 
= 0  + λ.  1  + µ. 
0 où λ, µ ∈ R.
      

 λ 


   
µ 0 0 1
| {z }
Solution Solution
x est la seule inconnue principale donc le système (S1 ) est de rang 1.
Remarque : On aurait tout aussi bien pu choisir y ou z comme inconnue principale.
Définition 13 (Espace vectoriel engendré par une partie)

Soient X1 , . . . , Xr ∈ K n .
L’ensemble des combinaisons linéaires de X1 , . . . , Xr est noté Vect (X1 , . . . , Xr ) :
n o
Vect(X1 , . . . , Xr ) = λ1 X1 + . . . + λr Xr .
λ1 , λr ∈K
Vous verrez plus tard que Vect(X1 , . . . , Xr ) est le plus petit espace vectoriel engendré
par la famille de vecteurs (X1 , . . . , Xr ).
En reprenant les deux derniers exemples :
   

−23
7 
— Les solutions de (S2 ) s’écrivent  10  + Vect −3.
   
   
0 1
     

−3 
−2 1 
  
— Les solutions de (S1 ) s’écrivent  10  + Vect  1  , 0 .
   
    

0 0 1
Définition 14 (Notion de dimension d’un SEV)

On appelle dimension de l’ensemble E = Vect (X1 , . . . , Xr ), notée dim (E), le
nombre de vecteurs indépendants de E.
Exemples 15 :
— Dans R2 :
3
— A = Vect ((2; 3)) = (2x; 3x) . C’est la droite d’équation y = x.
x∈R 2
dim (A) = 1.

— B = Vect ((1; 0) , (0; 1)) = x (1; 0) + y (0; 1) x, y∈R
= (x; y) x, y∈R
.
C’est le plan (xOy) et dim (B) = 2.

— C = (2 + 2x; 1 + y − x) x, y,∈R
= {(2; 1) + x (2; 1) + y (1; 1)}x, y∈R
= (2; 1) + Vect ((2; 1) , (1; 1)) .
 
2
C’est le plan passant par le point (2; 1) et dirigé par les deux vecteurs ~u  
1
 
1
et ~v   c.-à-d. le plan (xOy) dans R2 c.-à-d. dim (C) = 2.
1
— Dans R3 :

— D = Vect ((1; 2; 0) , (1; 0; 1)) = x (1; 2; 0) + y (1; 0; 1) x, y∈R

= (x + y; 2x; y) x, y∈R
.
 
1
 
2 et
C’est le plan passant par l’origine du repère et dirigé par les vecteurs ~u  
0
 
1
 
0 ou encore celui d’équation 2x − y − 2z = 0 : dim (D) = 2.
~v  
1
      

 1
   1 −1 
   
— E = (x + y − z; 2x − y; 3y + z) x, y, z∈R
= x 2 + y −1 + z  0 
     

 


1 3

1
x, y, z∈R
= Vect ((1; 2; 1) , (1; −1; 3) , (−1; 0; 1)) .
Les trois vecteurs étant indépendants, c’est l’espace R3 lui-même : dim (E) = 3.

— F = (3 + x; 3x + 7; 1 + 2x) x∈R
= {(3; 7; 1) + x (1; 3; 2)}x∈R
= (3; 7; 1) + Vect ((1; 3; 2)) .
 
1
 
3 :
C’est la droite passant par le point (3; 7; 1) et dirigé par le vecteur ~u  
2
dim (F ) = 1.
La notation Vect () permet une expression agréable de l’ensemble des solutions d’un
système linéaire. Désormais, c’est ainsi et ainsi seulement que je veux vous voir conclure
vos résolutions de systèmes linéaires : par la donnée d’un Vect (). Ayez confiance, les
applications sont nombreuses. En voici une :
Proposition 18 (Rang d’un système)

Le rang d’un système linéaire est égal au nombre d’inconnues retranché de la
dimension de l’ensemble des solutions du système homogène associé.
32 F.PUCCI
Exemples 16 : Notons H0 , l’espace vectoriel des solutions du système homogène

associé à (S).
— À l’ exemple (12) , dim (H0 ) = 0 d’où rg (S3 ) = 3 − 0 = 3.
III.2 Un exemple en dimension 3 :

Considérons le système 3 × 3 :

a x + b1 y
 1

 + c1 z + d1 = 0 (L1 )
(S) : a2 x + b2 y + c2 z + d2 = 0 (L2 )



a3 x + b3 y + c3 z + d3 = 0 (L3 )
et son système homogène associé :


a x + b1 y
 1

 + c1 z = 0 (L′1 )
(S0 ) : a2 x + b2 y + c2 z = 0 (L′2 )



a3 x + b3 y + c3 z = 0 (L′3 )
Rappels 1
Dans l’espace R3 , tout plan (P) est caractérisé par une équation de la forme
ax + by + cz + d = 0
où −
→
n = (a; b; c) 6= (0; 0; 0) est un vecteur normal au plan (P).
M (x; y; z) ∈ (P) si, et seulement si (x; y; z) est solution de ax + by + cz + d = 0.
— Résoudre (S) c’est s’interroger sur les points d’intersection des trois plans (P),
(Q) et (R) dans l’espace.
— Résoudre le système homogène (S 0 ) c’est s’interroger
  sur la direction de leur
a1 a1
   
vecteur normal −
→
n (a ; b ; c ), −
→
n  b  et − →
n  b  donc, de manière duale, sur
   
1 1 1 1 2 1 3 1
   
c1 c1
celle des plans eux-mêmes.
Plusieurs cas sont à considérer :

L’intersection est vide : (P) ∩ (Q) ∩ (R) = ∅
(R)
(R)
(Q)
(D ′ )
(P) (D ′′ )
(P)
(P)
(R)
(Q)
(D)
(Q) (D)
(D ′ )
Les vecteurs normaux

Si (P) // (Q) alors (D), (D ′ ) et (D ′′ ) sont parallèles ou non
de (P), (Q) et (R)
(D) // (D ′ ). concourantes.
sont colinéaires.
(L′1 ), (L′2 ) et (L′3 ) sont (L′1 ) et (L′2 ) sont
(L′1 ) ∈ Vect ((L′2 ), (L′3 )).
proportionnelles. proportionnelles.
L’intersection est non vide :
(P) ∩ (Q) ∩ (R) = (P) (P) ∩ (Q) ∩ (R) = (D) (P) ∩ (Q) ∩ (R) = A
(D)
(D)
A
(P) = (Q) = (R)
(R)
(D ′ )
(Q)
(P) (P)
(R) (Q) (D ′′ )
(L1 ), (L2 ) et (L3 ) sont

(L1 ) ∈ Vect ((L2 ), (L3 )). A (x0 ; y0 ; z0 ) est l’unique solution.
proportionnelles.
(L′1 ), (L′2 ) et (L′3 ) sont (D), (D ) et (D ) sont
′ ′′
(D), (D ′ ) et (D ′′ ) sont concourantes.
proportionnelles. confondues.
34 F.PUCCI
III.3 Algorithme de Gauss

L’idée : Si la matrice du système est diagonale c.-à-d. si le système linéaire associé
s’écrit : 
 α1 x1
 = b1


 α2 x2 = b2
.. ..


 . = .

αn xn = bn

c.-à-d. si le système est dit échelonné, il est facile de le résoudre.

En effet, ici, on aura très facilement et à l’unique condition que ∀ i ∈ J1 ; n K, αi 6= 0,
 
  b1
x1  α1 
   

 .. 
 =  ..  .
 

 .
 . 
 
xn b 
n
αn
L’objectif de l’algorithme de Gauss est donc de transformer tout système linéaire en

un système échelonné équivalent par des opérations élémentaires décrites au para-
graphe (I.6).
Exemple 17 : L’ensemble des solutions du système linéaire



 x − y + z + t = 2
2x − y + 3z + t = 3


x − 2y + 3z − t = 0
d’inconnue (x y, z, t) ∈ R4 est (3, 0, −1, 0) + Vect ((−2, 0, 1, 1)), c.-à-d. l’ensemble

des quadruplets  

3 − 2λ 
0 
 

 , où λ ∈ R.
−1 + λ
 
 
λ
Le système est donc de rang 4 − 1 = 3.
Preuve:
 
 x − y + z + t = 2  x − y + z + t = 2
2x − y + 3z + t = 3 ⇐⇒ y + z − t = −1 L2 ← L2 − 2L1
2y + 3z = 0 + 2z 2t =
 
x − − t − y − −1 L3 ← L3 − L1

 x − y + z + t = 2
⇐⇒ y + z − t = −1
= −1 L3 ← 13 L3 + 31 L1

z − t
On a rendu la matri e du système triangulaire. Maintenant on la rend diagonale :


 x − y + 2t = 3 L1 ← L1 − L3
⇐⇒ y − t = −1 L2 ← L2 − L3
= −1

z − t

 x = 3 − 2t
⇐⇒ y = 0
z = −1 + t

Exemple 18 : L’ensemble des solutions du système linéaire



 x + 2y + z + 3t = 1

 x + z + t = 3


 y + t = −1
x + y + z + 2t = 2

d’inconnue (x y, z, t) ∈ R4 est
(3, −1, 0, 0) + Vect ((−1, 0, 1, 0), (−1, −1, 0, 1)) ,
c.-à-d. l’ensemble des quadruplets

 
3−λ−µ
 
 
 −1 − µ 



, où λ, µ ∈ R.

 λ 

µ
Le système est donc de rang 4 − 2 = 2.
Preuve:
 

 x + 2y + z + 3t = 1 
 x + 2y + z + 3t = 1
+ z + t = 3 + = −1 L2 ← 12 L1 − 12 L2
 
x y t
⇐⇒

 y + t = −1 
 y + t = −1
x + + z + 2t = 2 + =
 
y y t −1 L4 ← L1 − L4

x + 2y + z + 3t = 1
⇐⇒
y + t = −1

x + z + t = 3 L1 ← L1 − 2L2
⇐⇒
y + t = −1


 x = 3 − z − t
=

y −1 − t
⇐⇒

 z = z
=

t t
Remarque : Le hoix des in onnues, dites prin ipales, n'est pas xé. On aurait très bien pu prendre
36 F.PUCCI
y et z par exemple pour obtenir :

y = −1 − t
z = 3 − x − t
On trouve alors un système des solutions équivalents au pré édent et déni par :
(0, −1, 0, 3) + Ve t ((1, 0, −1, 0), (0, −1, −1, 1)) ,
Exercice 14 : Discuter et résoudre suivant les valeurs des réels λ, a, b, c, d le sys-

tème :


(1 + λ)x + y + z + t = a

 x + (1 + λ)y + z + t = b
(S)


 x + y + (1 + λ)z + t = c
+ + + (1 + λ)t =

x y z d
Correction :
1. On ommen e par simplier le système en ee tuant les opérations suivantes sur les
lignes : L ← L − L , L ← L − L , L ← L − L :
1 1 4 2 2 4 3 3 4


 λx − λt = a−d

 λy − λt = b−d
(S) ⇐⇒



λz − λt = c−d

x + y + z + (1 + λ)t = d
2. Traitons le as parti ulier λ = 0. Si λ = 0 alors le système n'a des solutions que si

a = b = c = d. Les solutions sont alors les (x, y, z, t) qui vérie x + y + z + t = d.
(C'est un espa e de dimension 3 dans R .) 4
3. Si λ 6= 0 alors on peut faire l'opération suivante sur la dernière ligne : L ← L − λ1 L − λ1 L − λ1 L

4 4 1 2 3
pour obtenir :


 λx − λt = a−d


 λy − λt = b−d
(S) ⇐⇒ λz − λt = c−d


 1
(λ + 4)t = d − (a + b + c − 3d)


λ
4. Cas parti ulier λ = −4. La dernière ligne devient 0 = a+b+c+d. Don si a+b+c+d 6= 0
alors il n'y a pas de solutions.
Si λ = −4 et a + b + c + d = 0 alors existe une innité de solutions :
 
a−d
− 
 4   
 
 
1
 b − d  
Ve t
1
a−d b−d c−d −
 
,t | t ∈ R =  4 +
  
t− ,t − ,t −   .
4 4 4 



1
 c − d
 
−  1

 4 
0
La droite passant par et dirigée par le ve teur ~u = .

a−d b−d c−d
− ,− ,− ,0 1, 1, 1, 1
4 4 4
IV. MATRICE INVERSIBLE XIII. Matrices
5. Cas général : λ 6= 0 et λ 6= −4. On al ule d'abord

1 1
t= d − (a + b + c − 3d)
λ+4 λ
et en remplaçant par la valeur de t obtenue on en déduit les valeurs pour 1
x = t+ (a−d)
λ
,
y = t + (b − d), z = t + (c − d). Il existe don une solution unique :
1 1
λ λ

(λ + 3)a − b − c − d (λ + 3)b − a − c − d (λ + 3)c − a − b − d (λ + 3)d − a − b − c
, , , .
λ(λ + 4) λ(λ + 4) λ(λ + 4) λ(λ + 4)
IV Matrice inversible
Définition 15 (Inverse d’une matrice)
Une matrice carrée A de Mn (K) est dite inversible (ou régulière) si, et seulement
si il existe une matrice carrée B de Mn (K) telle que :
A × B = B × A = In .
Si A n’est pas inversible, on dit que la matrice A est non inversible ou singulière.
L’ensemble des matrices inversibles de Mn (K) est noté GLn (K) et appelé le groupe
linéaire d’ordre n sur K.
Remarque : S’il existe des matrices qui possède un inverse seulement « à gauche »
ou seulement à « à droite », une matrice ne peut être inversible, dans le sens de la
définition précédente, s’entend à gauche et à droite, que si c’est une matrice carré.
 

1 1 3
Exemple 19 : La matrice = 1 −1 0 est inversible d’inverse
 
A
 
1 0 1
 
−1 −1 3
 
B= 3 .
 
−1 −2
 
1 1 −2
S’il existe une formule générale de calcul de l’inverse, on ne peut pas dire qu’elle saute
aux yeux. . .
Proposition 19
Soit A ∈ Mn (K).
Si A est inversible alors sa matrice inverse est unique. On la note alors A−1 .
38 F.PUCCI
XIII. Matrices IV. MATRICE INVERSIBLE
Preuve: Soit A une matri e arré inversible et soient B et B deux inverses de A. ′
B = BIn = B(AB ′ ) = (BA)B ′ = In B ′ = B ′ .
Simple!
On retrouve donc bien la définition de l’inverse d’un réel x non nul c.-à-d. le nombre,
1 1
noté = x−1 tel que x × = 1. La matrice unité In joue ici le rôle du 1 dans R.
x x
 
−1 1 1
 
Exercice 15 : Soit A =  1 1 .
 
−1
 
1 1 −1
1. Calculer A2 et montrer que A2 = 2I − A.
2. En déduire que A est inversible et calculer A−1 .
Remarque : Le polynôme P (X) = X 2 + X − 2 est appelé « polynôme annulateur »

de la matrice A. Une matrice donnée, l’existence d’un polynôme annulateur dont le
dernier coefficient est non nul assure qu’elle soit inversible :
S’il existe P = an X n +an−1 X n−1 +. . .+a1 X +a0 tel que P (A) = 0 alors A est inversible
et
1
A−1 = − an An−1 + an−1 An−2 + . . . + a1 I .
a0
Exercice 16 : On reprend les notations de l’ exercice (7) .
1 2
3. En déduire que M est inversible et que M −1 = M − M − 8I .
6
 
4 3
Exercice 17 : Soit la matrice A carrée d’ordre 2, définie par :  .
2 1
 
−0, 5 1, 5
1. Montrer que la matrice B définie par   est la matrice inverse de la
1 −2
matrice A. (
4x + 3y = 2
2. Résoudre le système linéaire (S) : .
2x + y = 3
Correction :
1. Il sut de al uler AB et BA et montrer que es deux produits donnent I . 2
   
−2 + 3 6 − 6 1 0
A×B = = ,
−1 + 1 3 − 2 0 1
et    
−2 + 3 −1, 5 + 1, 5 1 0
B×A= = .
4−4 3−2 0 1
Don B = A−1 .
2. Le système (S) s'é rit sous la forme matri ielle :

  !    

4 3 x
2 1 y
=
2
 
3
⇐⇒ AX = B ave 2
B =  .
3
Multipliant les deux membres à gau he par A −1

=B , on obtient :
A−1 (AX) = A−1 B ⇐⇒

(A−1 A)X = A−1 B
   
(asso iativité de la multipli ation)
   (dénition de A )
!
1 0 x −0, 5 1, 5 2 −1
⇐⇒  =
0 1 y 1 −2 3
 
(produit des matri es).

!
x 3, 5
⇐⇒ = 
y −4
IV.1 Système de Cramer
Définition 16 (Système de Cramer ⌊5⌋ )

Un système linéaire est dit de Cramer si sa matrice est inversible.
Théorème 20
Pour tous A ∈ GLn (K) et B ∈ Kn , le système de Cramer AX = B d’inconnue
X ∈ Kn possède une unique solution :
X = A−1 B.
Preuve: Pour tout X ∈ K , AX = B

n
⇐⇒ X = A−1 B
L’analogie des équations ax = b et AX = B est confortée, mais deux questions se

posent naturellement :
— qui sont concrètement les matrices inversibles ? quelle est la structure de GLn (K) ?
— comment calculer l’inverse d’une matrice inversible ?
⌊5⌋. Gabriel Cramer, né le 31 juillet 1704 à Genève et mort le 4 janvier 1752 à Bagnols-sur-
Cèze, est un mathématicien genevois, professeur de mathématiques et de philosophie à l’académie
de Genève. Lui et son collègue Jean-Louis Calandrini sont souvent considérés comme les artisans du
renouveau scientifique à Genève au début du XVIIIème siècle, par l’introduction de la philosophie
naturelle newtonienne.
Les contributions de Cramer aux mathématiques portent essentiellement sur l’algèbre et la géomé-
trie, au travers de son unique ouvrage publié, un traité sur les courbes intitulé Introduction à l’analyse
des lignes courbes algébriques, paru à Genève en 1750. Dans ce traité on trouve notamment la mé-
thode connue aujourd’hui sous le nom de règle de Cramer pour la résolution des systèmes linéaires
d’équations, utilisant ce qui sera ultérieurement appelé déterminants.
40 F.PUCCI
ATTENTION On rappelle

que dans Mn (K), à la différence de R ou C, il existe des

1 0
matrices non nulles comme  qui ne sont pas inversibles.
0 0
Exercice 18 : Montrer que toute matrice carrée qui possède une ligne ou une co-
lonne nulle N’est PAS inversible.
Correction : Soit AM (K) et supposons, par exemple, que A possède une olonne nulle,
disons la .
n
ième
Alors pour tout B ∈ K , le produit BA possède lui aussi une jème olonne nulle, don ne
n
peut jamais être égal à I n
Que dire de l’inversibilité d’une matrice diagonale ?
Proposition 21
 
α1
 
..
 
Soient α1 , . . . , αn , β1 ∈ K, alors : 
 .

 est inversible si, et seulement si
 
αn
∀ i ∈ J1 ; n K, αi 6= 0 et alors :
 
 −1 −1
α1 α1 
   
.. ..
   

 .

 = 
 .
.

   
αn  −1
αn

Preuve: Pas trop dur ave la proposition (8) .
Théorème 22 (Matrices inversibles et systèmes linéaires)

Soit A ∈ Mn (K).
A est inversible si, et seulement si ∀Y ∈ Kn , le système linéaire Y = AX d’inconnue
X ∈ Kn est un système de Cramer.
Preuve:
Si A est inversible, le système Y = AX est un système de Cramer pour tout
Y ∈ K d'après le théorème (20) .
n
Ré iproquement, supposons que le système linéaire Y = AX d'in onnue X ∈ K n
possède une et une seule solution pour tout Y ∈ K . n
Notons Y , ..., Y les olonnes de la matri e I .-à-d. des ve teurs olonnes

ave seulement un oe ient non nul égal à 1 en position i.
1 n n
Par hypothèse, pour tout i ∈ J1 ; n K, le système Y = AX d'in onnue X ∈ K n
possède une solution B .

i
Si nous notons B la matri e arrée de olonnes B , ..., B , il est alors

i
immédiat que AB = I .
1 n
A-t-on pour autant BA = I ?

n
En tout as A(BA − I ) = (AB)A − A = I A − A = 0, don en lisant ette

n
égalité olonne par olonne, on voit que les olonnes de BA − I sont toutes
n n
solutions du système homogène AX = 0 d'in onnue X ∈ K .

n
n
Or, 0 en est évidemment une autre et omme e système ne possède

qu'une solution par hypothèse, les olonnes de BA − I sont nalement
Mn (K)
toutes nulles .-à-d. BA − I = 0 ⇐⇒ BA = I .

n
En on lusion, A est inversible.

n n
Ce Le théorème va donc nous permettre à la fois de savoir si oui ou non une matrice
est inversible et, le cas échéant, de calculer son inverse. Le mot d’ordre est simple :
résoudre un système linéaire !
 
2 3 1
 
Exercice 19 : Montrer que la matrice A = 
1 1 2 est inversible et donner son

1 1 1
inverse.
Correction : Soient (x; y; z) et (a; b; c) ∈ R . On applique la méthode en onsidérant le

3
système :
     
2 3 1 x a  2x +
 3y + z = a
    
1 1
 2 y  =  b  ⇐⇒
   x + y + 2z = b

 x +
1 1 1 z c y + z = c

 x
 + y + 2z = b
⇐⇒ 2x + 3y + z = a L2 ↔ L1

 x + y + z = c

 x + y
 + 2z = b
⇐⇒ y − 3z = a − 2b L2 ← L2 − 2L1

 z = b − c L2 ← L 1 − L 3

 x + y
 = −b + 2c L1 ← L1 − 2L3
⇐⇒ y = a + b − 3c L2 ← L2 + 3L3

 z = b − c

 x
 = −a −2b + 5c L1 ← L1 − L2
⇐⇒ y = a + b − 3c

 z = b − c
  
−1 −2 5
 
x   a
⇐⇒   =  1 1 −3 
y   
b
  
z 0 1 −1 c
42 F.PUCCI
On a réussi à résoudre le système pour TOUT se ond membre (a; b; c) ∈ R don 3

A est
inversible d'inverse  
−1 −2 5
 
−1
= 1 1
 
A −3 .
 
0 1 −1
 

1 0 −1
Exercice 20 : Montrer que la matrice A =  1 2 1 

 n’est pas inversible.
 
−1 4 5
Correction : Soient (x; y; z) et (a; b; c) ∈ R . On applique en ore la méthode en onsidé-

3
rant le système :
     
1 0 −1 x a  x
 − z = a
    
 1
 2 1    =  b  ⇐⇒
 y   x + 2y + z = b

 −x +
−1 4 5 z c 4y + 5z = c

 x
 − z = a
⇐⇒ 2y + 2z = −a + b L2 ← L2 − L1

 4y + 4z = a + c L3 ↔ L 1 + L 3

 x
 − z = a
⇐⇒ 2y + 2z = −a + b

 0 = 3a − 2b + c L3 ↔ L3 − 2L2
Pour a = 1 et b = c = 0, le système n'a pas de solution à ause de sa troisième ligne.

La matri e A n'est don pas inversible.
Remarque : Un autre manière de le voir est de onstater que les membres de gau hes des
deux avant-dernières équations sont proportionnels sans que ne le soit leur membre de droite.
Exercice 21 : Les matrices suivantes sont-elles inversibles ? Si oui, calculer leurs

inverses.      
1 2 3 1 0 −1 2 1 −1
 2 3 1 ,  2 0 1 ,  0 3 0
     
.
3 1 2 1 1 3 0 2 1
Exercice 22 : Inverser les matrices suivantes :
1 a a2 a3
     
1 1 1 1 1 2 3 4
2  

 1 1 −1 −1   0 1 a a   0 1
  2 3 

,  ,  .
1 −1 1 −1   0 0 1 a   0 0 1 2

 
1 −1 −1 −1 0 0 0 1 0 0 0 1
Exercice 23 (M antisymétrique ⇒ I + M est inversible) :

Soit M ∈ Mn (R) antisymétrique.
1. Montrer que I + M est inversible (si (I + M)X = 0, calculer t(MX)(MX)).
2. Soit A = (I − M)(I + M)−1 . Montrer que tA = A−1 .
Correction
 : Avant de ommen er la résolution nous allons faire une remarque importante :
x1
 
 x2 
pourX=
 
 
 ..  un ve teur ( onsidéré omme une matri e à une seule olonne) alors nous


x n
allons al uler XX : t
 
x1
 
 x2 
 .. 
  2
t
XX = (x1 , x2 , · · · , xn ) 

=x
 1 + x22 + · · · + x2n .
 
xn
On note kXk = XX : kXk est la norme ou la longueur du ve teur X . De e al ul on

2 t
déduit d'une part que XX ≥ 0. Et aussi que XX ≥ 0 si et seulement si X est le ve teur

t t
nul.
1. Nous allons montrer que I + M est inversible en montrant que si un ve teur X vérie
(I + M )X = 0 alors X = 0.
Nous allons estimer (M X)(M X) de deux façons. D'une part 'est un produit de la
t
forme Y Y = kY k et don (M X)(M X) ≥ 0.

t 2 t
D'autre part :
t
(M X)(M X) = (M X)(−X) ar (I + M )X = 0 don M X = −X
t
= X M (−X) ar (AB) = B A
t t t t t
= X(−M )(−X) ar M = −M
t t
= tXM X
= tX(−X)
= −tXX
= −kXk2
Qui est don négatif.

Seule possibilité kXk 2
=0 don X=0 (= le ve teur nul) et don I +M inversible.
2. (a) Cal ulons A . −1
−1 −1
A−1 = (I−M )×(I+M )−1 = (I+M )−1 ×(I−M )−1 = (I+M )×(I−M )−1
(n'oubliez pas que (AB) −1

= B −1 A−1 ).
44 F.PUCCI
(b) Cal ulons A.

t
t
A = t (I − M ) × (I + M )−1

= t (I + M )−1 × t(I − M ) ar (AB) = B A
t t t
= t(I + M )
−1
× t(I − M ) ar (A ) = A
t −1 t −1
= I + tM )
−1
× (I − tM ) ar (A + B) = A + B
t t t
= (I − M )−1 × (I + M ) ar i i M = −M
t
( ) Montrons que I + M et (I − M ) ommutent. −1
Tout d'abord I+M et I−M ommutent ar (I+M )(I−M ) = I−M 2

.
= (I−M )(I+M )
Maintenant nous avons le petit résultat suivant :
Lemme. Si AB = BA alors AB = B A. −1 −1
Pour la preuve on é rit :

AB = BA ⇒ B −1 (AB)B −1 = B −1 (BA)B −1 ⇒ B −1 A = AB −1 .
En appliquant e i à I+M et I−M on trouve (I+M )×(I−M ) −1

= (I−M )−1 ×(I+M )
et don A = A.
−1 t
IV.2 Condition pour qu’une matrice d’ordre 2 soit inversible

Pour les matrices carrées de taille 2, il est facile de trouver une condition nécessaire
et suffisante simple d’inversibilité ainsi qu’une formule pour le calcul de l’inverse le
cas échéant. Nous verrons plus tard dans l’année qu’une généralisation de ces résultats
est possible pour les matrices carrées de taille quelconque, mais au prix d’un travail
important. To be continued toujours. . .
Définition 17 (Déterminant d’une matrice)

Soit A ∈ M2 (K) une matrice carrée d’ordre 2, on appelle déterminant de la matrice
A, noté det (A), le scalaire tel que :
 
a b a b
Si A =  alors det (A) = = ad − bc.
c d c d
 
4 3 4 3
Exemple 20 : Si A =  alors det (A) = = 4 × 1 − 2 × 3 = −2.
2 1 2 1
Théorème 23 (Inverse d’une matrice d’ordre 2)

Une matrice carrée d’ordre deux est inversible si, et seulement si son déterminant
est différent de 0.
A−1 existe ⇐⇒ det (A) 6= 0.

On a alors :
   
a b 1 d −b
Si A =  alors A−1 =  . (XIII.3)
c d det (A) −c a
Preuve:Comme la dimension
 de la matri e est petite, on peut le faire à la main
et her her une matri e B = z t  telle que :
x y
A × B = B × A = I2 .
On sait que si l'on on peut résoudre e problème à 4 in onnues et si des onditions
né essaires et susantes apparaissent.
     
a b  x y  1 0
A × B = I2 ⇐⇒  × =
c d z t 0 1
   
ax + bz ay + bt
1 0
⇐⇒  =
cx + dz cy + dt 0 1
 
et
ax + bz =1 ay + bt = 0
⇐⇒
cx + dz =0 cy + dt = 1
Ces deux systèmes n'ont des solutions que si les ve teurs dire teurs des droites qu'ils
représentent ne sont pas olinéaires .-à-d.
6= 0 ⇐⇒ det (A) 6= 0.
a b
ad − bc 6= 0 ⇐⇒
c d
Cette ondition vériée, des ombinaisons linéaires élémentaires donnent les solutions :
d −c −b a
x= , z= , y= et t= .
ad − bc ad − bc ad − bc ad − bc
 
On obtient alors la matri e B suivante : B = det 1 

d −b
(A) −c a
.
Ré iproquement, il ne reste plus qu'à vérier que B × A = I . C'est le as.!
2
46 F.PUCCI
 
4 3
Exemple 21 : Déterminer la matrice inverse de la matrice A = 
2 1
1. On calcule : det (() A) = 4 × 1 − 2 × 3 = −2 6= 0 donc la matrice A est inversible.

2. La condition d’inversibilité remplie, on applique la formule (XIII.3) :
 
  1 3
1  1 −3  − 
A−1 = = 2 2.
−2 −2 4 
1 −2
Théorème 24 (Formule de Cramer)

a b
Soient a, b, c, a′ , b′ et c′ des éléments de K tels que 6= 0.
a′ b′
(
ax + by = c
Alors, le système linéaire d’inconnue (x; y) ∈ K2 admet une
a′ x + b′ y = c′
unique solution donnée par les relations :
c b a c
c′ b′ a′ c′
x= et y= (Cr)
a b a b
a′ b′ a′ b′
Les formules (Cr), pratiques essentiellement en petites dimensions, sont connues sous
le nom de « formule de Cramer ⌊6⌋ ».
a b
Au dénominateur, qu’il s’agisse de x ou de y, c’est toujours le déterminant au
a′ b′
dénominateur.
Au numérateur de la PREMIERE inconnue x, on trouve aussi ce déterminant, mais
dans lequel on a remplacé la PREMIERE colonne par le second membre et pour la
DEUXIEME inconnue y, même principe sauf qu’on remplace la DEUXIEME colonne.
⌊6⌋. Gabriel Cramer, mathématicien suisse (1704-1752)
 
Preuve: D'après le théorème (23) , si a b 6= 0, la matri e a b est a

′
b
′

a
′
b
′
inversible don le système a une unique solution d'après le théorème (22) donnée
par
 −1       
! ′ ′ ′
x a b c 1  b −b c 1  cb − bc 
=  ′ ′  =     = ′  .
y a b c′ ab′ − a′ b −a′ a c′ ab − a′ b ac′ − ca′
IV.3 Opérations élémentaires et matrices inversibles
Théorème 25 (Opérations sur les matrices inversibles)

Soient A, B ∈ GLn (K) ⌊7⌋ .
−1
Involutivité : A−1 est inversible et A−1 = A.
Produit : AB est inversible et (AB)−1 = B −1 A−1 .
−1 k
Puissance : Pour tout k ∈ Z, Ak est inversible et Ak = A−1 .
−1
Transposition : t A est inversible et t
A = t A−1 .
ATTENTION (AB)−1 = B −1 A−1 6= A−1 B −1 .

Rappelez vous que la multiplication dans Mn,p (K) n’est pas commutative : A−1 B −1 (AB)
ne donne rien alors que :

B −1 A−1 (AB) = B −1 A−1 A B = B −1 In B = BB −1 = In .
Preuve: Seule la dernière assertion reste à montrer :

t
(A−1 )t A = t (AA−1 ) = t In = In et t
At (A−1 ) = t (A−1 A) = t In = In .
Don t
A est inversible et A t −1
= t A−1

.
⌊7⌋. Inversibles donc !
48 F.PUCCI
Rappels 2
Les opérations élémentaires :
Permutation : Li ↔ Lj ou Ci ↔ Cj ,
Dilatation : Li ← λLi ou Ci ← λCi ,
Transvection : Li ← Li + λLj ou Ci ← Ci + λCj ,
sur les matrices ou les systèmes linéaires sont des opérations bijectives qui cor-
respondent à une multiplication par les matrices ⌊8⌋ du même nom à gauche ou à
droite respectivement pour les lignes ou les colonnes.
En pratique, les résultats accumulés dans ce paragraphe nous permettent d’envisager

une alternative à la résolution d’un système linéaire pour savoir si une matrice est
inversible ou non et calculer alors son inverse.
Fondamentalement, on va faire la même chose, mais présentée autrement : fixons
A ∈ Mn (K) une matrice dont nous voulons savoir si elle est inversible ou non et,
le cas échéant, calculer son inverse.
— Effectuer des opérations élémentaires sur A, on l’a vu, revient à la multiplier
par des matrices inversibles, et si A est elle-même inversible, le résultat de ces
multiplications sera toujours une matrice inversible. Si donc à un moment on
obtient une matrice NON inversible en cours de calcul, c’est le signe certain que
A N’était PAS inversible.
— À présent, faisons l’hypothèse que nous avons réussi à transformer A en In par
des opérations élémentaires P1 , . . . , Pr sur les LIGNES, dans cet ordre.
Matriciellement, cela revient à dire que : Pr . . . P1 A = In ! !multiplications à
GAUCHE ! ! ou encore que A est inversible de matrice inverse
A−1 = Pr . . . P1 .
Conclusion inattendue : Pr . . . P1 A = In et A−1 = Pr . . . P1 ⇐⇒ Pr . . . P1 In = A−1 ,

les mêmes opérations qui ont transformé A en In permettent de transformer In
en A−1 .
Je rappelle encore ici que le produit matriciel N’est PAS commutatif donc
on ne peut s’amuser à travailler sur les lignes qui correspond à un produit à
gauche puis ou et sur les colonnes ce qui correspond à un produit à droite.
ATTENTION Moralité : lorsque que vous commencerez avec des opérations sur les lignes,
vous ne manipulerez plus que les lignes jusqu’à l’obtention de l’inverse et idem
pour les colonnes au risque de trouver une matrice qui n’aura rien à voir avec
l’inverse recherchée.
 
1 3 1
 
Exercice 24 : Montrer que la matrice A = 1 2 2

 est inversible et donner son
1 2 1
inverse.
⌊8⌋. inversibles donc !
Correction : Soient (x; y; z) et (a; b; c) ∈ R . 3
Dans et exemple, on va tâ her de montrer en quoi notre nouvelle méthode d'inversibilité

n'est qu'une reformulation de la pré édente en termes de systèmes linéaires que l'on imagine
lors de notre opérations sur les lignes OU les olonnes.
A I
z }| { z }|3 {
    
1 3 1  x
 + 3y + z = a 1 0 0
   
1
 2 2
 x + 2y + z = b 0 1
 0


 −x + 4y + 5z =
1 2 1 c 0 0 1
    
1 3 1  x +
 3y + z = a 1 0 0
   
0 1 −1 ⇐⇒ y − z = a − b L2 ← L1 − L2 1 −1 0
    
0 1 0
 y = a − c L3 ← L 1 − L 3 1 0 −1
    
1 3 1  x +
 3y + z = a 1 0 0
   
0 1 −1 ⇐⇒ y − z = a − b 1 −1 0
    
0 1
 z = b − c L3 ← L 3 − L 2 0 1 −1
   
1 −1 1

1 3 0  x +
 3y = a − b + c L1 ← L 1 − L 3  
 
0 1 0 = a − c L2 ← L2 + L 3 1 0
 
  ⇐⇒ y −1
  
0 1
 z = b − c 0 1 −1
   
4

1 0 0  x
 = −2a − b + 4c L1 ← L1 − 3L2 
−2 −1

 
0 1 0 =  1 0
 
  ⇐⇒ y a − c −1
  
0 1
 z = b − c 0 1 −1
| {z } | {z }
I3 A−1
Transformation de A en I par des Transformation de I en A par re-

−1
port des opérations élémentaires qui

3
opérations élémentaires sur les lignes

3
ont hangé A en I .
3
 
−2 −1 4
Don A est inversible d'inverse A .
 
−1
= 1 0
 
−1
 
0 1 −1
 

1 0 2
Exercice 25 : Par des opérations élémentaires, montrer que la matrice A = −1 −3

1

 
0 1 −1
n’est pas inversible.
Correction : On ee tue des opérations sur les lignes .-à-d. on multiplie à gau he par des
matri es inversibles :
50 F.PUCCI
    
1 0 2 1 0 2 1 0 2
    
A=
−1 −3 1
 0 −3
 3
 L2 ← L1 + L2 
0 −3 3
 L3 ← L2 + 3L2
0 1 −1 0 1 −1 0 0 0
| {z }
Non inversible
IV.4 Matrices triangulaires inversibles

L’inversibilité des matrices diagonales était facile à étudier. Qu’en est-il plus générale-
ment des matrices triangulaires ?
Théorème 26 (Inversibilité et inverse d’une matrice triangulaire)

Une matrice triangulaire A est inversible si, et seulement si ses coefficients diago-
naux sont tous non nuls.
Dans ce cas, A−1 est aussi triangulaire de même type et ses coefficients diagonaux
sont exactement les inverses des coefficients diagonaux de A.
Preuve: On se ontente de onsidérer des matri es triangulaires supérieures , le

as inférieur s'en déduit par transposition.
La preuve se fait par ré urren e sur la taille n des matri es on ernées.
Toute matri e triangulaire supérieure de taille 1 est de la forme (a) pour un
ertain a ∈ K, don est inversible si, et seulement si a 6= 0, et dans e as omme
voulu :
(a)−1 = (a−1 ).
Soit n ∈ N . Supposons l'équivalen e vrai pour les matri es triangulaires supé-

∗
rieures de taille n.
Soit A ∈ M (K) triangulaire supérieure .-à-d. A s'é rit, par blo s :
n+1
 

A ∈ Mn (K) C ∈ Mn,1 (K)
 .
(0) ∈ M1,n (K) d
Si A est inversible alors il existe une matri e

 
A′ ∈ Mn (K) C ′ ∈ Mn,1 (K)
B=

,
B ′ ∈ M1,n (K) d′
telle que :
    
A C A ′
C   In 0n,1 
′
AB = In+1 ⇐⇒   = 
01,n d B′ d′ 01,n 1
   
AA + CB ′ ′ ′
AC + Cd  ′ In 0n,1
=

⇐⇒  
dB ′ dd′ 01,n 1
Don A est inversible si

et, en parti ulier d = d1 .


dd′ = 1 =⇒ d 6= 0 ′






ar d 6= 0.



′ ′
dB = 0 =⇒ B = 01,n 1,n
| {z } = I ⇐⇒ AA = I =⇒ A est inversible.


 ′ ′ ′
AA + CB



 n n


 B ′ =01,n
D'après l'hypothèse de ré urren e, les oe ients diagonaux de A sont don

tous non nuls don , ave d 6= 0, eux de A aussi et la première impli ation
est héréditaire.
Ré iproquement, si A a ses oe ients diagonaux non nuls alors d 6= 0 et A
est inversible d'après l'hypothèse de ré urren e. On a don :
   
A
−1
− 1d A−1 C  AA−1 − d1 AA−1 C + d1 C 
A =
 
 1 
01,n 1
01,n d
 
In 0n,1 
=
  = In+1 .
01,n 1
 
−1
− 1d A−1 C 
On vérie, de même, que  .-à-d. A est inversible
A
A = I n+1
 1
0 1,n
et l'impli ation est prouvée.

d
En on lusion, on a prouvé que la propriété était héréditaire. Initialisée, elle est

vraie pour tout n ∈ N . ∗
Un système linéaire est dit triangulaire si sa matrice l’est. Le théorème qui suit découle
directement du précédent.
Théorème 27 (Système triangulaire à coefficients diagonaux non nuls)

Tout système triangulaire à coefficients diagonaux non nuls possède une et une
seule solution.
52 F.PUCCI
XIII. Matrices V. PIVOT DE GAUSS ET RANG D’UNE MATRICE
V Pivot de Gauss et Rang d’une matrice

Méthode 1 (Pivot de Gauss)
Soit A ∈ Mn,p (K) une matrice non nulle.
1. Quitte à prendre la transposée de A, il existe au moins un coefficient non nul
dans la première colonne de A. On peut supposer que c’est a11 en multipliant à
gauche A par une matrice de permutation si ce n’était pas le cas et en effectuant
l’opération
L1 ↔ Li .
1
En multipliant par une matrice de dilatation c.-à-d. L1 ← L1 , on peut même
a11
supposer a11 = 1. C’est le premier pivot.
2. En multipliant à gauche par des matrices de transvection, on annule tous les
coefficients de la première colonne à partir de la deuxième ligne par des opérations
élémentaires de la forme :
ai1
Li ← Li − L1 .
a11
La matrice A est alors semblable à une matrice de la forme :
 
1 • ... •
 
0
 a′22 . . . a′2p 

 
 .
. .. .. 
 .. . . 
 
 
0 a′n2 . . . a′np
 
′ ′
 a22 . . . a2p 
 
. ..  n’est pas nulle, on poursuite l’algorithme.
 
3. Si la matrice 
 .. . 
 
 ′ 
an2 . . . a′np
4. L’algorithme s’arrête lorsque l’on a atteint la dernière ligne ou lorsque toutes les
lignes qui restent sont nulles c.-à-d. la matrice A est semblable à une matrice
échelonnée de la forme :
r n−r
 
1 • • • •
 
0
 

r
 

 • 

 
0 0 1 • • .
 
 
0 0 0 0
n−r
 
 
 
0 0 0 0
Remarque : Les opérations sont les mêmes sur les colonnes en multipliant, cette fois,
à droite par les matrices d’opérations élémentaires.
V. PIVOT DE GAUSS ET RANG D’UNE MATRICE XIII. Matrices
Définition 18 (Rang d’une matrice)

Soit A une matrice de Mn,p (K).
On appelle rang d’une matrice, le nombre de lignes (resp. colonnes) non nulles
dans sa forme échelonnées en lignes (resp. en colonnes).
Remarques :
— Le rang n’étant pas changé par le produit de matrices d’opérations élémentaires,
lorsqu’il ne s’agit que de trouver le rang d’une matrice et non son inverse, on
peut effectuer des opérations sur les lignes et sur les colonnes en même temps.
— En poursuivant l’algorithme en « remontant », on montre ainsi que toute matrice
de Mn,p (K) est semblable à une matrice de la forme :
r n−r
 
1 
 
 
 
r
 
 
 
 1 .
 
 
 
n−r
 
 
 
54 F.PUCCI
Thème: Contrôle de connaissances PCSI - Test no 1
Contrôle de connaissances
   
1 2 3 4 1 1 1 1
   
0 1 2 3 1 1 1 1
 
Soient A =   et B =  .
 
0 0 1 2
 1 1 1 1
  
0 0 0 1 1 1 1 1
Calculer AB et BA.
   
10 10 10 10 1 3 6 10
   
et .
6 6 6 6 1 3 6 10
Correction : AB =  BA = 
   
 
3 3 3 3 1 3 6 10
   
1 1 1 1 1 3 6 10
PCSI - Test no 2 Thème: Contrôle de connaissances
     
1 2 3 4 1 0 0 0 
1 0 −1 0
   
5 6 7 8 0 0 0 1 0

1 0 0

1. Soient J =  , P =   et T = 
    
 9 10 11 12  0 0 1 0 0

0 1 0

    
13 14 15 16 0 1 0 0 0 0 0 1
Calculer rapidement P J et JT .
2. Soient Eij ∈ Mn (R) la matrice élémentaire (des zéros partout sauf le coefficient
1 à la i-ème ligne et la j-ème colonne) et A = (aij ) ∈ Mn (R).
Calculer AEij .
Correction :
1. Multiplier par P à gau he revient à permuter la 2ème ligne ave la 4ème don :
 
1 2 3 4
 
13 14 15 16
PJ = 
 

9 10 11 12
 
5 6 7 8
Multiplier à droite par T revient à retran her la 1ère olonne à la 3ème don :
 
1 2 2 4
 
5 6 2 8
JT = 
 

9 10 2 12
 
13 14 2 16
2.  
0 0 · · · 0 a1i 0 ···
 
0 0 · · · 0 a2i 0 · · ·
 
.. ..
 
 
 
 ··· · · ·
=
 
A × Eij 
0 0 · · · 0 aji 0 · · ·
.. ..
 
 
 
 
 ··· · · ·
 
0 0 · · · 0 ani 0 · · ·
La seule olonne non nulle est la j-ème olonne.
56 F.PUCCI
Résoudre le système suivant et donner les solutions sous la forme d’une somme d’une
solution particulière et d’un Vect () des solutions du système homogène associé :
(
x + y + z − 3t = 1
(S)
2x + y − z + t = −1
Donner deux solutions de (S)
Correction :

( 
 x + y + z − 3t = 1

x + y + z − 3t = 1  − y − 3z + 7t = −3
⇐⇒
2x + y − z + t = −1 
 z = z


t = t


 x 2z + 4t = −2

 − y − 3z + 7t = −3
⇐⇒

 z = z


t = t


 x = −2 − 4t + 2z

 y = 3 + 7t − 3z
⇐⇒



z = z

t = t
Les solutions de (S) sont don de la forme :

       
x −2 −4 2
     
Ve t
y   3   7  −3
 
 = +
    
  ,   .
z  
   0
 
  0   1 
   
t 0 1 0
| {z } | {z }
SolP art SolHom
       
−2 −2 2 0
       
Par exemple, et sont deux solutions de (S).
 3   3  −3 0
 + = 
       
 
 0   0   1  1
       
0 0 0 0
Montrer que la matrice A est inversible et donner son inverse A−1 :

 

1 −1 2 0
1 0 1 1
 
A=
 
2 1 2 2

 
3 −1 4 3
Correction : À l'aide de produits à droite par des matri es d'opérations élémentaires, on

ee tue, en parallèle, les mêmes opérations sur les olonnes de A et de I :
   
1 −1 2 0 1 0 0 0
   
1 0 1 1 0 1 0 0
A= =I
   
   
2 1 2 2 0 0 1 0
   
3 −1 4 3 0 0 0 1
   
1 4 2 2 1 0 0 0
  C1 ← C1 − C4  
0 1 1 0  0 −2 0 0
C2 ← C3 − 2C2
   
   
0 0 2 0  0 1 1 1
   
C4 ← C3 − C4
0 6 4 1 −1 0 0 −1
   
1 −8 1 2 1 0 0 0
  C2 ← C2 − 6C4 
 0

0
 1 0 0
  −2 1 0

  1 
 0

0 0 1 0 C3 ← C3 − C2 − 4C4 −5 1 1
 
2  
0 0 0 1 −1 6 −1 −1
   
1 0 0 0 1 8 −1 −2
  C2 ← C2 + 8C1  
 0 1 0
0  
1 0 0 −2
I= = A−1
 
  C3 ← C3 − C1  
0 0 1 0  0

−5 1 1

 
C4 ← C4 − 2C1  
0 0 0 1 −1 −2 0 1
 
1 8 −1 −2
 
Don A est inversible et A  0 1 0

.
 
−1
−2
= 
 0 1 1
 
−5
 
−1 −2 0 1
58 F.PUCCI
Montrer qu’une matrice triangulaire supérieure est inversible si, et seulement si ses
éléments diagonaux sont non nuls.
Correction : On se ontente de onsidérer des matri es triangulaires supérieures , le as

inférieur s'en déduit par transposition.
La preuve se fait par ré urren e sur la taille n des matri es on ernées.
Toute matri e triangulaire supérieure de taille 1 est de la forme (a) pour un ertain
a ∈ K, don est inversible si, et seulement si a 6= 0, et dans e as omme voulu :
(a)−1 = (a−1 ).
Soit n ∈ N . Supposons l'équivalen e vrai pour les matri es triangulaires supérieures

∗
de taille n.
Soit A ∈ M (K) triangulaire supérieure .-à-d. A s'é rit, par blo s :
n+1
 

A ∈ Mn (K) C ∈ Mn,1 (K)
 .
(0) ∈ M1,n (K) d
Si A est inversible alors il existe une matri e

 
′ ′
A ∈ Mn (K) C ∈ Mn,1 (K)
B=

,
B ′ ∈ M1,n (K) d′
telle que :
    
A C A′ C ′   In 0n,1 
AB = In+1 ⇐⇒   = 
01,n d B ′ d′ 01,n 1
   
AA + CB ′ ′ ′
AC + Cd In 0n,1 
′
⇐⇒  =
 
dB ′ dd′ 01,n 1
Don A est inversible si









dd′ = 1 =⇒ d 6= 0 et, en parti ulier d = d1 . ′
ar d 6= 0.



′ ′
dB = 0 1,n =⇒ B = 0 1,n
| {z } = I ⇐⇒ AA = I =⇒ A est inversible.


 ′ ′ ′



 AA + CB n n


 B ′ =01,n
D'après l'hypothèse de ré urren e, les oe ients diagonaux de A sont don

tous non nuls don , ave d 6= 0, eux de A aussi et la première impli ation est
héréditaire.
Ré iproquement, si A a ses oe ients diagonaux non nuls alors d 6= 0 et A est

inversible d'après l'hypothèse de ré urren e. On a don :
   
A
−1
− 1d A−1 C  −1
− d1 AA−1 C + 1d C 
= AA
A 
 1 
01,n 1
01,n d
 
 In 0n,1 
=  = In+1 .
01,n 1
 
−1
− d1 A−1 C 
On vérie, de même, que  .-à-d. A est inversible et
A
A = I n+1
 1
0 1,n
l'impli ation est prouvée.

d
En on lusion, on a prouvé que la propriété était héréditaire. Initialisée, elle est vraie
pour tout n ∈ N .
∗
60 F.PUCCI
Matrices & Systèmes linéaires Khôlle du 11/02/2019 Programme
I Restitution organisée de connaissances

I.1 Calcul matriciel
1. Structure de l’ensemble des matrices.
2. Opérations et propriétés sur les matrices dont le produit et la transposition. Pro-
duit par blocs.
3. Trace d’une matrice.
4. Matrice diagonale et triangulaire.
5. Matrice inversible. Recherche de l’inverse d’une matrice par opérations élémen-
taires.
6. Effet du produit à droite et à gauche par une matrice de dilatation, permutation
ou transvection.
7. Puissance d’un matrice. Matrice nilpotente.
8. Calcul de la puissance d’une matrice par un polynôme annulateur, similitude,
binôme de Newton.
9. CNS d’inversibilité pour les matrices 2 × 2 et pour les matrices triangulaires.
I.2 Systèmes linéaires

1. Écriture matricielle d’un système linéaires.
2. Inconnues principales et secondaires.
3. Structure de l’ensemble des solutions. Notion de Vect ().
4. Pivot de Gauss et caractérisation des opérations élémentaires par des produits
de matrices à gauche ou à droite.
5. Notion de rang d’une matrice. Méthode de recherche.
6. Système de Cramer.
II Compétences
1. Mise en œuvre du pivot de Gauss.
2. Résolution d’un système linéaire et description de l’ensemble des solutions.
3. Recherche de l’inversibilité d’une matrice et, le cas échéant, de son inverse.
4. Calcul de la puissance d’une matrice.
F.PUCCI
Exercices Khôlle du 11/02/2019 Matrices & Systèmes linéaires
I Restitution organisée de connaissances

1. Théorème 5 : Soit A ∈ Mn,p (K).
Montrer que l’application Ψ : X 7−→ AX de Kp dans Kn est linéaire.
2. Proposition 7 : Pour tous A ∈ Mp,q (K) et B ∈ Mq,r (K), montrer que t (AB) = t B t A.
3. Théorème 14 : Soient A et B deux matrices carrées d’ordre !
p qui commutent.
n
n X n k
Montrer que, pour tout entier n ∈ N, on a A + B = A × B n−k .
k=0 k
4. Proposition 16 : Pour tous A ∈ Mn,p (K) et B ∈ Mp,n (K), montrer que
tr (AB) = tr (BA).
5. Théorème 22 : Soit A ∈ Mn (K).
Montrer que A est inversible si, et seulement si ∀ Y ∈ Kn , le système linéaire
Y = AX d’inconnue X ∈ Kn est un système de Cramer.
6. Théorème 23 : Montrer qu’une matrice 2 × 2 est inversible si, et seulement si
son déterminant est non nul.
7. Théorème 26 : Montrer qu’une matrice triangulaire est inversible si, et seule-
ment si ses coefficients diagonaux sont tous non nuls.
II Exercices
Exercice 1 : Discuter suivant la valeur du paramètre m ∈ R le système :


 3x + y − z = 1
x − 2y + 2z = m


x+y−z = 1
Exercice 2 : Résoudre le système suivant :

(
x + my = −3
mx + 4y = 6
Quelle interprétation géométrique du résultat faites-vous ?
!
a b
Exercice 3 : Soient a et b des réels non nuls, et A = . Trouver toutes les matrices
0 a
B ∈ M2 (R) qui commutent avec A, c’est-à -dire telles que AB = BA.
Exercice 4 : Soit    
1 1 0 1 0 0
A =  0 1 1 , I =  0 1 0  et B = A − I.
   
0 0 1 0 0 1
Calculer B n pour tout n ∈ N. En déduire An .
Exercice 5 : (a) Pour n > 2, déterminer le reste de la division euclidienne de X n par

X 2 − 3X + 2.
F.PUCCI
Matrices & Systèmes linéaires Khôlle du 11/02/2019 Exercices
 
0 1 −1
 
(b) Soit A = −1 2 −1. Déduire de la question précédente la valeur de
 
 
1 −1 2
n
A , pour n > 2.
 
−1 1 1
Exercice 6 : (a) Soit A =  1 −1 1 . Montrer que A2 = 2I3 − A, en déduire que A
 
1 1 −1
est inversible

et calculer

A−1 .

1 0 2
(b) Soit A = 0 −1 1 . Calculer A3 − A. En déduire que A est inversible
 
 
1 −2 0
puis déterminer A−1 .
 
0 1 −1
 
(c) Soit A = −1 2 −1. Calculer A2 − 3A + 2I3 . En déduire que A est
 
 
1 −1 2
inversible, et calculer A−1 .
Exercice 7 : Dire si les matrices suivantes sont inversibles et, le cas échéant, calculer leur
inverse :
       
1 1 2 0 1 2 1 4 7 i −1 2i
A =  1 2 1 , B =  1 1 2 , C =  2 5 8 , I =  2 0 2 .
       
2 1 1 0 2 3 3 6 9 −1 0 1
Exercice 8 : Soit A ∈ Mn (R) une matrice nilpotente, c’est-à -dire qu’il existe p > 1 tel que
Ap = 0.
(a) Calculer (In − A)(In + A + . . . + Ap−1 ).
(b) En déduire que la matrice In − A est inversible, et donner son inverse.
Exercice 9 : Calculer le rang des matrices suivantes :

   
1 2 3 1 1 1
1. A =  2 3 4  2. B =  1 2 4 
  

3 4 5 1 3 9
 
  1 2 1 2 .
1 2 3 2  −2 −3 0 −5 
3. C =  2 3 4 2  4. D = 
   
4 9 6 7 


3 4 5 2
1 −1 −5 5
F.PUCCI
PCSI - Devoir en temps libre no 1 Thème: Suites et Matrice
Suites et Matrice
     
−1 2
1 0 1 1
Exercice 1 : On considère les matrices A =  , D =  et P =  .
−4 5 0 3 1 2
1. Montrer que P est inversible et déterminer P −1
2. Vérifier que A = P DP −1.
3. Montrer que An = P D n P −1 pour tout n ∈ N.
4. On considère les suites (un )n∈N et (vn )n∈N définies par u0 , v0 ∈ R et :
(
un+1 = −un + 2vn
∀ n ∈ N,
vn+1 = −4un + 5vn
 
un
On pose pour tout n ∈ N, Xn =  .
vn
(a) Montrer que pour tout n ∈ N, Xn+1 = AXn .
(b) En déduire, pour tout n ∈ N, un et vn en fonction de u0 et v0 et de n.
(c) Étudier le comportement de ces deux suites.
5. On considère deux fonction x et y définies sur R, à valeurs réelles et dérivables
sur R.
On suppose que x et y vérifient le système différentiel suivant :
(
x′ = −x + 2y
y ′ = −4x + 5y
     
′
x (t)
! ′
x ′ x  x(t) ′
On pose X = et X =  ′  c.-à-d. ∀t ∈ R, X(t) =   et X (t) =  .
y y y(t) y ′ (t)
 
x1
7 → R par X1 =   et X1 = P −1 X et
On définit deux fonctions x1 , y1 : R −
y1
 
′
′ x1 
on pose X1 =  .
y1′
(a) Montrer que X1′ = DX1 .
(b) En déduire deux équations différentielles vérifiées par x1 et y1 .
(c) Déterminer les fonctions x1 et y1 , et en déduire les solutions x et y du
système de départ.
64 F.PUCCI
Thème: Suites et Matrice PCSI - Devoir en temps libre no 1
Exercice 2 : Soit n > 3, on pose gn : x 7−→ xn + x2 + 2x − 1.

1. On considère l’équation (En ) : gn (x) = 0 d’inconnue x ∈ R, où n désigne un
entier naturel supérieur ou égal à 3.
Montrer que pour tout n > 3, (En ) admet une unique solution dans R+ , que
l’on note xn .
1
2. Montrer que (xn )n>3 est majorée par .
2
3. Déterminer la monotonie de la suite (xn )n>3 .
On pourra, pour ce faire, étudier le signe de gn (xn+1 ).
4. Étudier la convergence de (xn )n>3. Si (xn )n>3 converge, on précisera la valeur
de sa limite.
a  
1 −
Exercice 3 : Soit a un réel donné. On pose An =  a
 n 
.
1
n
L’objectif de cet exercice est de calculer lim Ann . ⌊9⌋
n→+∞
∗
1. Soit n ∈ N .
(a) Montrer qu’il existe un unique réel θn ∈ [−π ; π [ tel que :
a
1
cos θn = s et sin θn = s n .
a2 a2
1+ 2 1+ 2
n n
(b) En déduire que :

!n !
∗ a2 2 cos(nθn ) − sin(nθn )
∀n∈N , Ann = 1+ 2 .
n sin(nθn ) cos(nθn )
!n
a2 2
2. (a) Calculer lim 1 + 2 .
n→+∞ n
(b) Montrer que nθn ∼ n sin θn et en déduire lim nθn .
n→+∞ n→+∞
3. Calculer lim An .
n→+∞ n
⌊9⌋. Qui n’est pas I !
F.PUCCI 65
PCSI - Correction Thème: Suites et Matrice
Suites et Matrice
Exercice 1 :
1. La matrice P est une matrice 2 × 2 de déterminant det (P ) = 1 6= 0. Elle est
donc inversible et on a :  
2 −1
P −1 =  .
−1 1
2. Il suffit de faire le produit. . .

3. Par récurrence sur n ∈ N :
— La relation est vraie à l’ordre 1 car A0 = I2 et P D 0P −1 = P P −1 = I.
— An+1 = An × A = An × P DP −1.
Si l’hypothèse de récurrence est vraie à l’ordre n alors
An+1 = P D n (P −1P )DP −1 = P D n+1 P −1.
La relation est héréditaire.

Étant initialisée et héréditaire, la relation An = P D n P −1 est vraie pour tout
n ∈ N.
4. (a) Il suffit d’écrire. . .
(b) Une récurrence aisée montre que ∀ n ∈ N, Xn = An X0 .
   
n 1 0 −1 2 − 3n −1 + 3n
Or, A = P  P = .
0 3n 2 − 2 × 3n −1 + 2 × 3n
(
un = (2 − 3n )u0 + (−1 + 3n )v0
Donc ∀ n ∈ N, ou encore :
vn = (2 − 2 × 3n )u0 + (−1 + 2 × 3n )v0
un = 2u0 − v0 + 3n (v0 − u0 ) et vn = 2u0 − v0 + 2 × 3n (v0 − u0 ).
(c) On a trois cas possibles :

— si u0 = v0 , les suites (un )n∈N et (vn )n∈N sont constantes à 2u0 − v0 .
— si u0 < v0 , les suites (un )n∈N et (vn )n∈N divergent vers +∞.
— si u0 > v0 , les suites (un )n∈N et (vn )n∈N divergent vers −∞.
(
x = x1 + y1
5. (a) D’après l’énoncé on a X = P X1 ⇐⇒
y = x1 + 2y1
En dérivant les deux équations, on obtient alors
(
x′ = x′1 + y1′
⇐⇒ X ′ = P X1′ ⇐⇒ X1′ = P −1 X ′ .
y ′ = x′1 + 2y1′
Or, X ′ = AX = AP X1 .
D’où X1′ = P −1 (AP X1 ) = (P −1 AP ) X1 = DX1 .
| {z }
=D
66 F.PUCCI
Thème: Suites et Matrice PCSI - Correction
(b) Il suffit de traduire le produit matriciel précédent :

(
x′1 = x1
y1′ = 3y1
(c) Il suffit de résoudre les deux équations différentielles linéaires à coefficients

constants précédentes :
∀ t ∈ R, x1 (t) = λet et y1 (t) = µe3t , λ, µ ∈ R.
On revient maintenant au système initial grâce à la matrice de passage P

et la relation :
( (
x(t) = x1 (t) + y1 (t) x(t) = λet + µe3t
X = P X1 ⇐⇒ ⇐⇒
y(t) = x1 (t) + 2y1 (t) y(t) = λet + 2µe3t
Remarque : C’est un procédé standard de tenter de diagonaliser la matrice

définissant le système différentiel linéaire.
Exercice 2 :
1. La fonction gn est dérivable sur R et on a :
∀ x ∈ R, gn′ (x) = nxn−1 + 2x + 2 > 0 sur R+ .
La fonction gn est donc continue et strictement croissante donc réalise une bi-
jection de R+ sur son image [−1 ; +∞ [ qui contient 0.
L’équation (En ) admet donc une unique solution xn ∈ R+ .
1 1 1

2. ∀ n ∈ N, g = n + > 0 = gn (xn ).
2 2 4
1
Par stricte croissance de gn sur R+ on a xn 6 .
2
3. Comme le suggère l’énoncé,
gn (xn+1 ) = xnn+1 + x2n+1 − 2xn+1 − 1

2 2
Or, gn+1 (xn+1 ) = 0 ⇐⇒ xn+1 n+1
n+1 +xn+1 −2xn+1 −1 = 0 ⇐⇒ xn+1 = − xn+1 −2xn+1 −1

= xnn+1 − xn+1 n
n+1 = xn+1 1 − xn+1 > 0,
1
car xn+1 6 < 1.
2
Par croissance de gn , on obtient xn+1 > xn . La suite (xn )n>3 est croissante.
4. La suite (xn )n>3 est donc croissante et majorée. Elle converge vers une limite
1
06ℓ6 .
2
Par définition de (xn )n>3 et par passage à la limite avec lim ℓn = 0, ℓ est
n→+∞
solution de l’équation :
√
ℓ2 + ℓ − 1 = 0 ⇐⇒ ℓ = −1 ± 2.
√
Comme ℓ est positive, on en déduit que (xn )n>3 converge vers −1 + 2.
F.PUCCI 67
PCSI - Correction Thème: Suites et Matrice
Exercice 3 :
 2  2
a a
1 1
1. (a) Puisque  q 2
 + q
2
= 1, le nombre complexe q
n 
2
+i q n
a2
1 + na2 1 + na 2 1 + na2 1+ n2
1
est élément du cercle unité S .
La fonction t 7−→ eit étant une bijection de [−π ; π [ sur S1 , il existe un
a
1
unique θn ∈ [−π ; π [ tel que eiθn = q 2
+ i q n
2
c.-à-d. il existe un
1 + na2 1 + na2
a
1
unique réel θn ∈ [−π, π[ tel que : cos θn = q 2
et sin θn = q n
2
.
1 + na 2 1 + na 2
s !
a2 cos θn − sin θn
(b) La matrice An s’écrit alors An = 1+ 2 et donc :
n sin θn cos θn
!n/2 !
n a2 cos(nθn ) − sin(nθn )
(An ) = 1 + 2 .
n sin(θn ) cos(nθn )
!n !!
a a2 2 n a2
2. (a) Comme = o (1), on a : 1 + 2 = exp ln 1 + 2
n n→+∞ n 2 n
1

n
= exp ×o .
n→+∞ 2 n
!n
a2 2
Donc lim 1+ 2 = 1.
n→+∞ n
 
1
(b) En notant alors ε le signe de a, θn = ε arccos  q  → 0 c.-à-d. θn = o (1),
a2 n→+∞ n→+∞
1+ n2
ce qui permet d’écrire :
a
n sin(θn ) ∼ nθn =⇒ nθn ∼ nq n
.
n→+∞ n→+∞ a2
1+ n2
D’après les théorèmes

s sur les sommes et composées de limites, on a facile-
2
a
ment lim 1 + 2 = 1.
n→+∞ n
Donc, d’après les théorème sur les produits de limites, on obtient :
a
a
lim nθn = lim n q n = lim n × = a.
n→+∞ n→+∞
1+ a2 n→+∞ n
n2
3. Tout a déjà été fait dans les question précédentes :

!n
a2 2
— lim 1 + 2 = 1.
n→+∞ n
— lim nθn = a.
n→+∞
!
n cos(a) − sin(a)
On en déduit que lim (An ) = . ⌊10⌋
n→+∞ sin(a) cos(a)
⌊10⌋. Pour être vraiment rigoureux, il faudrait expliciter sous quelle norme on entend la convergence
de la matrice Ann . Nous
remettons cela à plus tard en admettant que la norme choisie entraine qu’une
matrice An = an ij converge vers une matrice A = (aij ) si, et seulement si ∀ i, j, lim an ij = aij .
n→+∞
68 F.PUCCI
Index
Algorithme de dilatation, 18
de Gauss, 35 de passage, 25
Anneau, 12 de permutation, 18
intègre, 10 de transvection, 18
Associativité, 7 de Vandermonde, 12
diagonale, 5, 15, 25, 35
Combinaison linéaire, 46 inversible, 41
Commutativité, 7 Exponentielle de, 23
Cramer, 47 inversible, 38
ligne, 5
Déterminant, 45
nilpotente, 21
Dimension
nulle, 4, 6
d’un espace vectoriel, 31
opérations algébriques, 6
Diviseurs
opposée, 6
de zéro, 10
par blocs, 19
Élément produit, 8
neutre, 6 puissance n-ième, 19
Espace scalaire, 5
vectoriel, 8, 31 semblable, 25
Exponentielle symétrique, 5, 14
de matrice, 23 transposée, 13
triangulaire, 5, 6, 16
Gauss, 1, 35 inversible, 51
Pivot de, 28 unité, 5
Groupe Méthode
commutatif, 7, 15 Pivot de Gauss, 53
linéaire, 38
Newton
Inconnue Binôme de, 20
principale, 30, 36
Opération
secondaire, 30
élémentaire, 17, 18
Invariant
de similitude, 25 Pivot
Inverse de Gauss, 53
d’une matrice, 39 Polynôme
Involution, 18 annulateur, 22
Produit
Matrice, 1, 3 matriciel, 8
égalité de, 4, 7 scalaire, 8
anti-symétrique, 14 Puissance
carrée, 5 d’une matrice, 19
colonne, 5
Déterminant d’une, 45 Récurrence
69
INDEX XIII. INDEX
démonstration par, 20
Rang
d’un système linéaire, 30, 32
d’une matrice, 53, 54
Scalaire, 4
Système
échelonné, 35
équivalent, 28
de Cramer, 40
homogène, 28
incompatible, 28
linéaire, 27
Trace
d’une matrice, 24
Vandermonde, 12
Vect, 31
70 F.PUCCI
XIII. INDEX INDEX

2019 PCSI 13 Matrices Tout

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

2019 PCSI 13 Matrices Tout

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre

V Pivot de Gauss et Rang d’une matrice . . . . . . . . . . . . 53

I L’ensemble des matrices

— Les nombres aij sont les éléments ou coefficients de la matrice A.

ième ligne j ème colonne Diagonale de la matrice

Les coefficients de la forme aii sont les coefficients de la diagonales de la matrice.

— De la même manière, afin de faire ressortir l’aspect vectoriel, toute matrice de

Une matrice A de Mn,p(K) est donc entièrement déterminée par la donnée de n × p

A=0   ⇐⇒ ∀ (i; j) ∈ J1 ; n K × J1 ; p K, aij = 0K. (XIII.1)

— Si n = 1, la matrice M est appelée matrice ou vecteur colonne.

— Si m = n, la matrice M est appelée matrice carrée d’ordre n. Leur ensemble est

— Une matrice carrée est symétrique si, et seulement si aij = aji, ∀ i 6= j.

— On appelle matrice unité In d’ordre n la matrice carrée d’ordre n qui ne possède

— On appelle matrice diagonale d’ordre n la matrice carrée d’ordre n qui ne possède

En particulier, les matrices λIn , λ ∈ K, sont appelées matrices scalaires

Matrice triangulaire Matrice triangulaire Matrice strictement

I.2 Opérations sur les matrices

C = A + B ⇐⇒ (aij ) + (bij ) = (aij + bij ).

Difficile de faire plus simple !

— On définit de même la matrice opposée d’une matrice A = (aij ), notée −A = (−aij )

En particulier, d’après (XIII.1), on en déduit :

Remarque : On peut donc décomposer une matrice carrée en deux matrices

Définition 3 (Multiplication par un scalaire)

∀ λ ∈ K, A, B ∈ Mn,p (K), λA + B ∈ Mn,p (K).

I.3 Produit de deux matrices

Définition 4 (Produit d’un vecteur ligne par un vecteur colonne)

ATTENTION On ne parle pas (encore) du produit d’un vecteur colonne par un

On généralise cette opération à deux matrices quelconques A et B pourvu que le nombre

ATTENTION le nombre de colonne de la matrice de gauche doit être égal au nombre

Exemple 4 (Lignes et colonnes d’une matrice) : Soient

Il suffit de calculer ⌊1⌋ .

Proposition 3 (Produit d’une matrice par un vecteur colonne)

Preuve: Tout d'abord, remarquons que le produit AX d'une matri e à n lignes

Pour tout i ∈ J1 ; n K, (AX) = X(A ) x = X x (A ) = X x A  = X x A .

Le produit de matrices n’est pas commutatif en général.

Exemple 5 (AB 6= BA) :

Exemple 6 (AB = 0 n’implique pas A = 0 ou B = 0) : Il peut arriver que

Autrement dit Mn,p (K) est un anneau non intègre.

Exemple 7 (AB = AC n’implique pas B = C) : On peut avoir AB = AC et

Exercice 1 : Effectuer le produit des matrices suivantes :

Exercice 2 : On considère les trois matrices suivantes :

1. Calculer AB puis (AB)C. 2. Calculer BC puid A(BC).

Exercice 3 : On considère les deux matrices suivantes :

1. Calculer AB. 2. Calculer BA. 3. Que remarque-t-on ?

Proposition 4 (Propriété algébrique de la multiplication)

Élément neutre : Si A ∈ Mn,p (K) alors A × Ip = In × A = A.

Ψ(λX + Y ) = λΨ(X) + Ψ(Y ) ⇐⇒ A(λX + Y ) = λAX + AY.

Pour tout (i; j) ∈ J1 ; n K × J1 ; p K, on a :

Exercice 5 (Matrice de Vandermonde ⌊2⌋ des racines nème de l’unité) :

Soit ω = e2iπ/n , (n > 2). Soit A = (ω (j−1)(k−1) )16j,k6n.

⌊2⌋. Alexandre-Théophile Vandermonde (parfois appelé Alexis-Théophile), né à Paris le 28

Correction : Soient k et l deux entiers tels que 1 6 k 6 n et 1 6 l 6 n. Le oe ient ligne

1er as. Si k = l, ω = 1, et le oe ient vaut X 1 = n.

En résumé, AA = nI . Don A est inversible à gau he et don inversible et A

I.4 Transposition d’une matrice

Autrement dit, pour tous i et j, Vi,j = αi j−1 .

Remarque : La transposée d’un vecteur colonne est un vecteur ligne et réciproque-

Linéarité : Pour tous A, B ∈ Mn,p(K) et λ ∈ K, t (λA + B) = λt A + t B.

Preuve: Seule la dernière assertion mérite une preuve :

I.5 Matrices diagonales et triangulaires

Proposition 8 (Produit et combinaisons linéaires de matrices diagonales)

Preuve: Easy ...

Proposition 9 (Produit et combinaisons linéaires de matrices triangulaires)

— Toute combinaison linéaire de matrices triangulaires supérieures (resp. infé-

A=0 ⇐⇒ ∀ (i; j) ∈ J1 ; n K × J1 ; p K, aij = 0K. (XIII.1)

Pour tout i ∈ J1 ; n K, (AX) = X(A ) x = X x (A ) = X x A = X x A .

Correction : Soient k et l deux entiers tels que 1 6 k 6 n et 1 6 l 6 n. Le oe ient ligne

1er as. Si k = l, ω = 1, et le oe ient vaut X 1 = n.

Le al ul est identique pour les deux autres matri es.

Il sut de remarquer que :

L ↔ L = L ↔ L . En parti ulier, les permutations sont involutives.

Supposons le résultat vérié pour un ertains m ∈ N .-à-d.

toutes les sommes sont nies)

Fixons n ≥ 1 et supposons que A(θ)

C'est don vrai pour tout n ≥ 1.

aussi que par dénition A(θ) = I . Et on en déduit que pour n ∈ Z on a

En terme géométrique A(θ) est la matri e de la rotation d'angle θ ( entrée à