Matrices et Applications linéaires

1 Généralités
1.1 Matrices d’une application linéaire
Dans toute cette section, E et F sont deux K−ev de dimension finie. Soit BE = (e~1 , ...., e~p ) une base de E,
et BF = (~
1 , ...., ~n ) une base de F ..

Définition
Soit f ∈ L (E, F ). On appelle matrice de f dans les bases BE et BF la matrice de Mn,p (K) notée M atBF ,BE (f )
f (e1 ) f (e2 ) · · · f (ep )
 a
11 a12 ··· a1p  1
 a21 a22 ··· a2p  2 Pn
définie par M atBF ,BE (f ) = . .. .. ..  ..
 où l’on a posé pour tout j ∈ [[1, p]], f (e~j ) = aij i .
 .. . . . . i=1
an1 an2 ··· anp n

Cas particulier des endormphismes : E = F

Soit f ∈ L (E). On appelle matrice de f dans la base BE la matrice carrée notée M atBE (f ) ∈ Mn (K) définie
f (e1 ) f (e2 ) · · · f (en )
 a
11 a12 ··· a1n  e1
 a21 a22 ··· a2n  e2 Pn
par M atBE (f ) = . .. .. ..  ..
 où l’on a posé pour tout j ∈ [[1, n]], f (e~j ) = aij ei .
 .. . . . . i=1
an1 an2 ··· ann en

Exemples :
1. Soit f : R3 → R2 définie par ∀(x, y, z) ∈ R3 , f ((x, y, z)) = (2x + z, x − y).
Déterminer la matrice de f dans les bases canoniques de R3 et R2 .
2. Soit f : Rn [X] → Rn [X] Déterminer la matrice de f dans la bases canonique de Rn [X]
P 7→ P 0
3. soit E un espace vectoriel de dimension n, et B = (e~1 , ..., e~n ) une base de E.
Déterminer la matrice de l’application idE dans la base B.

Comme deux applications linéaires sont égales ssi elles ont même image d’une base, on obtient :
Proposition
Deux applications linéaires de E dans F sont égales ssi elles ont même matrice dans les bases BE et BF .

Cas particulier des formes linéaires :

dans ce cas F = K, donc la dimension de F est 1 et la matrice de f est une matrice ligne.
En général, on choisira (1) pour base de F .
Exemples :
1. donner la matrice de la forme linéaire T r :M2 (R)
 → R dans les bases canoniques respectives.
a b
7→ a + d
c d
2. Donner la matrice de la forme linéaire f : Kn → K dans les bases canoniques respectives.
n
P
(x1 , ..., xn ) 7→ xk
k=1

Réciproquement,
si on fixe deux espaces vectoriels E et F , de dimension finie p et n et munis d’une base, toute matrice de Mn,p (K)
peut être vue comme la matrice d’une application linéaire de E dans F dans ces bases.

1
  
1 0 0
Exemple : Soit la matrice A = 1 1 1, et soit f : R2 [X] → R3 l’application linéaire, dont la matrice dans
0 1 0
les bases canoniques est A. Déterminer pour tout P ∈ R2 [X], f (P ).

Définition
Soit A ∈ Mn,p (K) : on appelle application linéaire canoniquement associée à A l’application : Kp → Kn définie
par A dans les bases canoniques.  
1 0
Exemple :L’application linéaire canoniquement associée à A = 2 1  est l’application f ∈ L (R2 , R3 ) définie
0 −1
par f ((1, 0)) = (1, 2, 0) et f ((0, 1)) = (0, 1, −1) càd telle que ∀(x, y) ∈ R2 , f (x, y) = (x, 2x + y, −y).

On en déduit :
Théorème
Les espaces L (E, F ) et Mn,p sont isomorphes.
En particulier la dimension de L (E, F ) est n × p = dim(E) × dim(F ).

1.2 Matrices et vecteurs

Soit E un espace vectoriel de dimension finie p et BE = (e~1 , ...., e~p ) une base de E.
Alors tout vecteur ~x ∈ Epeuts’écrire ~x = x1 e~1 + ... + xp e~p .
x1
La matrice M atBE (~x) = · · · est appelée matrice des coordonnées du vecteur ~x dans la base BE .
xp
Réciproquement, toute matrice colonne définit un vecteur ~x ∈ E à l’aide de la relation précédente (donc écrit
dans cette base).

2
Exemple : Soit
 R 2 [X] muni de sa  canonique. Alors le polynôme P (X) = X − 3 a pour matrice de
 base
−3 0
coordonnées  0  et la matrice  1  définit le polynôme Q(X) = X − X 2 .
1 −1

Interprétation matricielle de l’image d’un vecteur par une application linéaire :

Soit f ∈ L (E, F ), E et F munis de leur base respective BE et BF .
On introduit M = M atBF ,BE (f ), ~x ∈ E, X = M atBE (~x), ~y ∈ F et Y = M atBF (~y )
Alors ~y = f (~x) ⇔ M atBF (~y ) = M atBF ,BE (f )M atBE (~x) ⇔ Y = MX

Démonstration
Vient de la définition du produit matriciel (en fait à l’origine, les matrices ont été introduites à partir des ap-
plications linéaires ! donc c’est ”fait pour çà”)
Ecrire ~x = x1 e~1 + ... + xn e~n . Alors f (~x) = x1 f (e~1 ) +
... +xn f (e~n ).
x1
Chaque f (~ei ) représente une colonne de M , et X = ... . 
xn
 
1 2 1
Exemple : Soit A = 0 0 1 et f l’endomorphisme de R3 canoniquement associé à A.
1 2 1
   
x x + 2y + z
Alors pour tout (x, y, z) ∈ R3 , A y  =  z 
z x + 2y + z
3
donc pour tout (x, y, z) ∈ R , f ((x, y, z)) = (x + 2y + z, z, x + 2y + z).

2
Remarque
L’écriture matricielle permet de gagner en concision dans la rédaction. Par exemple, pour la détermination du
noyau, il suffit de résoudre le système M X = 0...

exercice : Soit f : R2 [X] → R2 [X]

P 7→ XP 0 (X) − 2P (X)
Après avoir vérifié que f est un endomorphisme de R2 [X], donner la matrice de f dans la base canonique de
R2 [X]. Déterminer le noyau (de 2 façons différentes), et l’image de f .

1.3 Produit matriciel et composition

Théorème
Soit E, F , G trois K−ev de dimension finie , munis resp. des bases BE , BF et BG .
Soit f ∈ L (E, F ) et g ∈ L (F, G).
Alors M atBG ,BE (g ◦ f ) = M atBG ,BF (g) × M atBF ,BE (f ).

Démonstration
introduire x, y = f (x), z = g(y) = g ◦ f (x), A, B, X et Y .
D’après la section précédente on sait que y = f (x) ⇔ Y = AX, z = g(y) = g ◦ f (x) ⇔ Z = BY = BAX
Vrai pour tout ~x donc pour tout X.

Remarque : le produit matriciel a justement été défini pour que cette relation soit vraie ...
 
2 0  
0 0 1
Exemple : Soit A =  1 1 et B =
 , f : R2 → R3 et g : R3 → R2 les applications linéaires
2 1 −1
−1 2
canoniquement associées à ces matrices. Donner la matrice de f ◦g et g◦f ainsi que leurs expressions analytiques.

1.4 Isomorphismes et matrices inversibles

Proposition
soit f ∈ L (E, F ), avec E et F de même dimension.
Alors f est un isomorphisme de E sur F ssi sa matrice M = M atBF ,BE (f ) est inversible.
Le cas échéant, la matrice de l’isomorphisme

−1 réciproque f −1 : F → E est M −1 :
−1
M atBE ,BF (f ) = M atBF ,BE (f )

Remarque
1. Dans le chapitre ”Ev de dimension finie”, on a vu qu’une application linéaire ne pouvait être un isomor-
phisme que si E et F étaient de même dimension.
2. Dans le chapitre ”Matrices”, on a défini le caractère inversible que pour des matrices carrées : or il faut
dim(F ) = dim(E) pour que la matrice d’une application linéaire de E dans F soit carrée ...
Tout se tient !

Démonstration
Posons n = dim(E) = dim(F ), alors M = M atBF ,BE (f ) ∈ Mn (K) (matrice carrée de taille n).
Si f est un isomorphisme, alors f −1 : F → E existe et f −1 ◦ f = idE et f ◦ f −1 = idF .
Posons N = M atBE ,BF (f −1 ) ; d’après les résultats de la section précédente, on sait que la matrice associée à
f −1 ◦ f est N M , celle associée à f ◦ f −1 est M N , et que de plus celle associée à l’identité de E ou de F est In .
On a donc trouvé une matrice N ∈ Mn (K) telle que N M = In = M N . Donc M est inversible d’inverse
M −1 = N et f −1 a pour matrice associée M −1 .
Réciproquement, si M est inversible, alors il existe une matrice M −1 telle que M M −1 = In = M −1 M . En
posant g l’application linéaire F → E associée à M −1 , on peut vérifier que g ◦ f = idE et f ◦ g = idF . Autrement
dit f est un isomorphisme, et la matrice associée à g = f −1 est M −1 .

3
 L’énoncé devient un peu plus simple dans le cas des endomorphismes :
Proposition
Soit E un K − ev de dimension finie, f ∈ L (E), et M sa matrice associée dans une base de E. Alors
f est un automorphisme de E (f ∈ GL(E)) ssi M est inversible (M ∈ GLn (K)).
Le cas échéant, la matrice, dans la base BE de l’automorphisme réciproque f −1 est M −1 , l’inverse de M .

Remarque Comme E est de dimension finie : f bijectif ssi f injectif ssi Kerf = {0}.
On retrouve le résultat du chapitre Matrices (−→ point méthode) :
M est inversible ssi l’équation M X = 0 a pour unique solution X = 0.

1.5 Rang d’une matrice

Rappel : on a déjà défini le rang d’une famille de vecteurs, ainsi que le rang d’une application linéaire.
Définition
Soit M ∈ Mn,p (K). On introduit ~c1 , ..., c~p les vecteurs de Kn définies par les colonnes de M dans la base cano-
nique. On appelle alors rang de M , le rang de (~c1 , ..., c~p ) : rg(M ) = rg(~c1 , ..., c~p )
 
1 1 1
exemple :déterminer le rang de M = 1 0 −1.
2 0 1
En pratique : penser aux opérations sur les lignes des matrices, pour simplifier les vecteurs colonnes, et
deviner la dimension du vect associé .....
(ou passer par les opérations sur le vect, mais rédaction parfois plus longue).
Théorème
Soit f ∈ L (E, F ), et A sa matrice dans des bases fixées de E et F . Alors rg(f ) = rg(A).

Démonstration
Introduire une base de E : (~e1 , ..., e~p ).
Alors on sait que rg(f ) = dim(Imf ) = dim(V ect(f (e~1 ), ...., f (e~p )) = dim(V ect(~c1 , ..., c~p )) = rg(A).
Car justement, A étant la matrice associée de f , ses vecteurs colonnes sont les images des vecteurs de la base
choisie de E.

Remarque : On en déduit
1. Si A ∈ Mn,p (K) alors rg(A) ≤min(n, p) (cf cours rg(f ))
2. Une matrice M ∈ Mn (K) est inversible ssi son rang est rg(M ) = n.
(En effet si f est l’endomorphisme canoniquement associé à M , alors M est inversible ssi f est bijectif ssi
f est surjectif (dimension finie) ssi rg(f ) = n ssi rg(M ) = n).

Théorème admis
Soit A ∈ Mn,p (K). Alors A et t A ont même rang.

2 Compléments sur les endomorphismes

2.1 Formule du binôme
Définition
Soit f, g ∈ L (E). On dit que f et g commutent si f ◦ g = g ◦ f .

Rappel : Soit M, N ∈ Mn (K). On dit que les matrices M et N commutent si M N = N M .

Proposition
Soit E de dimension finie, BE une base de E, et f, g ∈ L (E).
Alors f et g commutent ssi M atBE (f ) et M atBE (g) commutent.

4
Démonstration
Il suffit d’utiliser que la matrice dans BE de f ◦ g est M atBE (f ) × M atBE (g) et celle de g ◦ f est
M atBE (g) × M atBE (f ).
Rappel :
Soit f ∈ L (E). On appelle itérée nie de f l’application notée f n et définie par f n = f ◦ ... ◦ f n fois.
Alors f n ∈ L (E).
Proposition
Soit f ∈ L (E) de matrice associée M . Alors l’endomorphisme f n a pour matrice associée M n .

Proposition Formule du Bin^ ome

Soit E un ev de dimension finie, et f, g ∈ L (E) qui commutent.
n
n
Alors pour tout n ∈ N, (f + g)n est un endomorphisme de E, et (f + g)n = f k ◦ g n−k .
P

k
k=0
En notant M et N leurs matrices respectives dans une base BE fixée de E, ce résultat s’écrit :
n
n
(M + N )n =
P
k n−k
k M N .
k=0

2.2 Compléments matrices inversibles

On peut maintenant justifier le résultat utilisé dans le chapitre sur les matrices :
Proposition
Soit A ∈ Mn (K). Alors il y a équivalence entre :
1. A est inversible à gauche (autrement dit, il existe B ∈ Mn (K) telle que BA = In ).
2. A est inversible à droite (autrement dit, il existe B ∈ Mn (K) telle que AB = In ).
3. A est inversible (autrement dit, il existe B ∈ Mn (K) telle que AB = BA = In ).
Démonstration
Soit f l’endomorphisme de Kn canoniquement associé à A. Si A est inversible à gauche, alors en notant g l’en-
domorphisme de Kn canoniquement associé à B, on obtient g ◦ f = id.
Donc f est injectif : en effet, soit a, b tels que f (a) = f (b). Alors g(f (a)) = g(f (b)) càd b = a.
Comme on est en dimension finie, on en déduit que f est bijectif. D’où A inversible.
De même pour l’inversibilité à droite.

2.3 Polynômes de matrices et polynômes d’endomorphismes

Définition
n
ak X k ∈ K[X], M ∈ Mn (K) et f ∈ L (E).
P
Soit P =
k=0
n
ak M k .
P
On définit la matrice P (M ) ∈ Mn (K) par P (M ) =
k=0
n
On définit l’endomorphisme P (f ) ∈ L (E) par P (f ) = ak f k .
P
k=0

Définition
On dit que P est un polynôme annulateur de M si P (M ) = 0Mn (K) .
On dit que P est un polynôme annulateur de f si P (f ) = 0L (E) .

Remarque
On a déjà manipulé des polynômes annulateurs de matrices ... sans le dire ! Cf chapitre matrices et feuille d’exer-
cices 11. Ici, on rajoute le vocabulaire, ainsi que les polynômes d’endomorphismes.

5
Retour chapitre matrices : utilisation des polynômes annulateurs pour étudier l’inversibilité des matrices
Proposition
Soit A et B deux matrices non nulles de Mn (K) telles que A × B = 0
Alors ni A ni B n’est inversible.
Démonstration
raisonner par l’absurde : si A est inversible, alors AB = 0 ⇒ A−1 AB = 0 ⇒ B = 0 Contradiction.

Par ailleurs :
Soit A ∈ Mn (K), et P un polynôme annulateur de A. Si le terme constant de P n’est pas nul, alors A est
inversible, et on peut obtenir à la main directement (et sans calcul) l’expression de l’inverse de A, en fonction
de l’identité et des puissances de A.

Sur deux exemples :

Soit A une matrice telle que A3 − 2A2 + A − 12 I = 0. Montrer que A est inversible et déterminer son inverse.
 
1 0 −1
Soit A =  0 1 0 . Vérifier que A3 − 3A2 + 2A = 0. En déduire que A n’est pas inversible.
−1 1 1
Les polynômes annulateurs peuvent également être utilisés dans le calcul des puissances de matrice, cf feuille
d’exercices 11, exercice 7- 10.