U.S.T.H.

B Chapitre 1 (Partie I) Coordination SM-ST du module

Faculté des Mathématiques Matrices et MATH II
1ère année Applications linéaires Année 2024-2025
Licence SM et ST

I. Matrices

I.1 Introduction aux matrices

Dénition 1.
Une matrice est un tableau rectangulaire de nombres (réels ou complexes) disposés en lignes et colonnes.
Pour n, m ∈ N∗ , on a :
 
a11 a12 . . . a1m
 a21 a22 . . . a2m 
A =  .. .. .. .
 
 . . . 
an1 an2 . . . anm

▶ A est une matrice de type n × m contenant n lignes et m colonnes.

▶ On note par A = (aij ) 1≤i≤n ou tout simplement A = (aij )n×m .

1≤j≤m

▶ aij sont les coecients de la matrice A, ce sont des nombres réels ou complexes.

▶ Pour tout coecient aij , i est l'indice des lignes et j l'indice des colonnes.

▶ On note Mn,m (K), l'ensemble des matrices de type n × m à coecients dans le corps K
(K = R ou K = C).
Exemple 1.
   
  0 3 1 0 1 4 5
1 −1
A= B =  10 0 7  C =  −1 3 2 1  .
2 0
2 −1 9 −1 1 4 −2

A est de type 2 × 2, B est de type 3 × 3 et C est de type 3 × 4.

Par exemple les coecients a21 = 2, b23 = 7, c14 = 5.

I.2 Quelques matrices particulières

▶ Une matrice A de type n × m est dite matrice nulle si pour tout i, j , aij = 0. On note par A = 0n×m
ou tout simplement A = 0.
▶ Si n = 1 et m quelconque, on parle de matrice ligne : A = a11 a12 . . . a1m .

 
a11
 a21 
▶ Si m = 1 et n quelconque, on parle de matrice colonne : A =  ..  .
 
 . 
an1

▶ Si n = m, la matrice est dite carrée d'ordre n.

Dans l'ensemble des matrices carrées d'ordre n, on distingue quelques formes :

1
 • Une matrice M est dite diagonale si et seulement si pour tout i, j dans {1, · · · , n} avec i ̸= j ,
aij = 0    
a11 0 . . . 0 1 0 ... 0
 0 a22 . . . 0   0 1 ... 0 
M =  .. .. ..  , I =  .. .. ..  .
   
 . . . . . . 
 n

0 0 . . . ann 0 0 ... 1
| {z } | {z }
Matrice diagonale Matrice identité d'ordre n
• Une matrice N est dite triangulaire inférieure , si et seulement si aij = 0, pour tout i < j .
Une matrice K est dite triangulaire supérieure si et seulement si aij = 0 pour tout i > j .
   
a11 0 ... 0 a11 a12 . . . a1n
 a21 a22 . . . 0   0 a22 . . . a2n 
N=  .. .. ..  , K=  .. .
. .
.
   
 . . .   . . . 

an1 an2 . . . ann 0 0 . . . ann
| {z } | {z }
Matrice triangulaire inférieure Matrice triangulaire supérieure

I.3 Opérations sur les matrices

I.3.1 Égalité des matrices

Deux matrices A = (aij )n×m et B = (bij )n×m sont égales si et seulement si elles ont les mêmes coecients,
autrement dit :
A = B ⇐⇒ ∀i ∈ {1, . . . , n}, ∀j ∈ {1, . . . , m}, aij = bij

I.3.2 Transposée d'une matrice

Dénition 2.
Soit A = (aij )n×m une matrice de type n × m. La transposée de A notée t A est la matrice à m lignes et n
colonnes dénie par :
t
A = (aji )m×n
Autrement dit les colonnes de t A sont les lignes de A et les lignes de t A sont les colonnes de A.
Exemple 2.
     
3 4 6 3 2 1 1 2  
1 0 3
A =  2 1 0  =⇒ t A =  4 1 11  , N=  0 5  t
=⇒ N = .
2 5 9
1 11 5 6 0 5 3 9
Remarque 1.
Soit A une matrice carrée. A est dite symétrique si et seulement si t A = A.

I.4 Multipication par un scalaire

Soit A = (aij ) une matrice de type n × m et soit λ un scalaire (dans R ou de C). On désigne par λA la
matrice de type n × m dont les coecients sont obtenus par le produit des coecients de A par λ.
 
λa11 λa12 . . . λa1m
 λa21 λa22 . . . λa2m 
λA =  .. .. .. .
 
 . . . 
λan1 λan2 . . . λanm
Exemple 3.     
3 2 1 3.3 3.2 3.1 9 6 3
Soient M =  2 1 6  et λ = 3. Alors, 3M =  3.2 3.1 3.6  =  6 3 18  .
1 5 4 3.1 3.5 3.4 3 15 12

2
I.4.1 Somme
Soient A = (aij ), B = (bij ) deux matrices de même type n × m. La somme des matrices A et B , notée
A + B , est la matrice C de type n × m dont les coecients sont égaux à la somme des coecients de A et
B . Autrement dit C = A + B = (cij ) où,

cij = aij + bij , ∀i ∈ {1, 2, . . . , n}, ∀j ∈ {1, 2, . . . , m} .

 a a12 . . . a1p
  b b12 . . . b1m
  a +b a12 + b1,2 . . . a1p + b1m

11 11 11 11
 a21 a22 . . . m2p   b21 b22 . . . b2m   a21 + b21 a22 + b12 . . . a2m + b2m 
 .. .
.
.
.
 +  .. .
.
.
.
= .
.
.
.
.
.
.
. . . . . . . . .
an1 an2 ... anm bn1 bn2 ... bnm an1 + bn1 an2 + bn2 ... anm + bnm
   
2 5 7 3 1 1
Exemple 4. Soient A=  3 6 5 , B =  1 2 1 
1 3 3 3 2 1
       
2 5 7 3 1 1 2+3 5+1 7+1 5 6 8
A+B =  3 6 5  +  1 2 1 =  3+1 6+2 5+1 =  4 8 6 .
1 3 3 3 2 1 1+3 3+2 3+1 4 5 4

Proposition 1. (Propriétés)
Soient A, B et C trois matrices de même type n × m. Alors,
t
A + B = B + A, A + (B + C) = (A + B) + C, (A + B) =t A +t B.

I.4.2 Produit de deux matrices

Cas simple: Produit d'une matrice ligne par une matrice colonne
Soit A une matrice ligne de type 1 × m et B une matrice colonne de type m × 1, alors le produit A × B = C
est une matrice de type 1 × 1 constituée par un seul coecient c11 et donnée par :

b11

 b21 

C=A×B = a11 a12 . . . a1m ×  ..  = (a11 b11 + a12 b21 + · · · + a1m bm1 ) = (c11 ) .
 . 
bm1

Cas général Soit A = (aij )n×m une matrice à n lignes et m colonnes et soit B = (bij )m×p une matrice à
m lignes et p colonnes. Le produit A × B est la matrice à n lignes et p colonnes dont le coecient cij est
donné par :
m
X
cij = aik · bkj .
k=1

C'est-à-dire, le coecient cij s'obtient par le produit de la i-ème ligne de la matrice A et la j -ème colonne
de la matrice B .  
b1j

 b2j 
cij = ai1 ai2 . . . aim × ..  .
 
 . 
bmj

Exemple 5.  
  1 2
2 1 2
Soient M = 2 3 4
, N =  3 1 . M est de type 2 × 3 et N est de type 3 × 2, le produit M × N
2 1

3
est déni et la matrice M × N est de type 2 × 2. On a :
 
  1 2  
2 1 2 (2 × 1 + 1 × 3 + 2 × 2) (2 × 2 + 1 × 1 + 2 × 1)
M ×N = ×  3 1  =
2 3 4 (2 × 1 + 3 × 3 + 4 × 2) (2 × 2 + 3 × 1 + 4 × 1)
2 1
 
9 7
= .
19 11

Remarque 2. Quelques propriétés

▶ Le produit de deux matrices A et B est déni

si le nombre de colonnes de A est égal au nombre de lignes de B .
▶ Le produit matriciel n'est pas commutatif.
   
5 1 2 0
Soient A = 3 −2 , B = 4 3 .
   
14 3 10 2
A×B = , B×A= =⇒ A × B ̸= B × A.
−2 −6 29 −2

▶ Soient A, B et C trois matrices, Si AB = AC , on ne peut pas simplier par A pour en déduire que
B = C.

▶ A × B = 0 n'implique pas nécessairement A = 0 ou bien B = 0.

▶ On a : t (A × B) =t B ×t A.

Remarque 3.
On note en général, le produit de deux matrices par : A × B = AB .

II. Opérations élémentaires et matrices échelonnées

II.1 Opérations élémentaires

Dénition 3.
Soit A = (aij )n×m une matrice du type n × m. On appelle opérations élémentaires sur les lignes de la
matrice A, les opérations suivantes :
1. Permuter deux lignes, on note Li ←→ Lj
2. Multiplier une ligne par un scalaire λ non nul, Li ← λLi
3. Ajouter à une ligne un multiple d'une autre ligne, Li ← Li + λLj
Remarque 4.
Ces mêmes opérations élémentaires s'appliquent aussi aux colonnes mais pas les deux simultanément.

II.2 Matrices équivalentes

Dénition 4.
Deux matrices A et B sont dites équivalentes suivant les lignes, si l'une peut être obtenue de l'autre au
moyen d'opérations élémentaires sur les lignes. On note A ∼ B .

4
II.3 Matrices échelonnées

Dénition 5. (Matrices échelonnées)

Soit A = (aij )n×m une matrice du type n×m. A est dite matrice échelonnée si elle vérie les propriétés
suivantes :
1. Toutes les lignes situées au-dessous d'une ligne nulle sont nulles ( C.à.d : Pour tout i ∈ {1, 2, ..., n},
si Li ≡ 0 alors Lk ≡ 0 pour tout k > i).
2. Si une ligne n'est pas nulle et aij son premier coecient non nul appelé pivot. On a alors soit la
ligne suivante est nulle ou bien elle est non nulle et son premier coecient non nul est situé à droite
de aij .
3. Tous les coecients de la colonne sous le premier coecient non nul d'une ligne sont nuls.
Exemple 6.
 
2 1 1 3
 0 4 −1 4 
1. La matrice 
 0
 est échelonnée car les trois conditions sont satisfaites, en eet
0 0 0 
0 0 0 0
▷ Toutes les lignes situées au-dessous de la première ligne nulle (la ligne 3) sont aussi nulles.
▷ Le premier élément non nul de la ligne 2 est situé strictement à droite du premier élément non
nul de la ligne 1.
▷ Pour les quatre colonnes, on a tous les coecients situés sous le premier coecient non nul des
quatre lignes sont nuls. Par exemple la colonne 2, le premier coecient non nul de la ligne 2
est 4 et les coecients de cette colonne en-dessous de 4 sont nuls.
Les éléments 2 et 4 sont les pivots de la première et la deuxième ligne respectivement.
 
2 1 3
2. La matrice 0
 4 4  n'est pas échelonée car le premier élément non nul 1 de la troisième ligne
0 1 2
n'est pas strictement à droite du premier élément non nul 4 de la deuxième ligne.
Proposition 2.
Toute matrice quelconque A peut être transformée en une matrice échelonnée A′ en eectuant des opérations
élémentaires sur les lignes de A.
Exemple 7.
Échelonnement de la matrice suivante :
 
1 3
1. Soit A la matrice carrée d'ordre 2, A = 4 7
. On a :
   
1 3 ′ 1 3
A= ∼ A = .
4 7 L2 ← L2 − 4L1 0 −5

Ainsi, A′ est la matrice échelonée de A.

 
1 2 3
2. Soit la matrice B =  1 3 5 . Déterminons la matrice échelonnée de B . On a :
1 3 4
     
1 2 3 L1 1 2 3 1 2 3
B =  1 3 5  L2 ←− L2 − L1 ∼  0 1 2  L3 ←− L3 − L2 ∼  0 1 2  = B′.
1 3 4 L3 ←− L3 − L1 0 1 1 0 0 −1
Ainsi, B ′ est la matrice échelonnée de B .

5
II.4 Rang d'une matrice

Dénition 6.
On appelle rang d'une matrice A de type n × m noté rg(A), le nombre de lignes non nulles de sa matrice
échelonnée.
Exemple 8.  
1 2 3
Soit la matrice A = 4 5 6 . On détermine la matrice échelonnée de A, en faisant des opérations

7 8 9
élémentaires en lignes sur la matrice A.
     
1 2 3 1 2 3 1 2 3
A =  4 5 6  L2 ← L2 − 4L1 ∼  0 −3 −6  ∼  0 −3 −6  = A′
L3 ← L3 − 2L2
7 8 9 L3 ← L3 − 7L1 0 −6 −12 0 0 0
Ainsi A′ est la matrice échelonnée de A, le nombre de lignes non nulles de A′ est égal à 2. Donc
rg(A) = 2.

III. Matrices et applications linéaires

III.1 Applications linéaires

III.1.1 Dénitions et exemples

Dénition 7.
Une application f : Rm −→ Rn est dite linéaire si et seulement si elle est stable par l'addition et la
multiplication par un scalaire. Autrement dit : pour tout u, v dans Rm et tout α dans R, on a :
f (u + v) = f (u) + f (v) et f (α · u) = α · f (u)

Dénition 8. (Caractérisation)
Une application f de Rm vers Rn est linéaire si et seulement si
∀u, v ∈ Rm , ∀α, β ∈ R, f (α · u + β · v) = α · f (u) + β · f (v).

Exemple 9.

1. Soit l'application f dénie par :

f : R3 −→ R2
(x, y, z) 7−→ f (x, y, z) = (2x + y − z, x − z)
Montrons que f est linéaire.
Soient u = (x, y, z), u′ = (x′ , y′ , z ′ ) dans R3 et α, β ∈ R. On a :
f (α · u + β · u′ ) = f (αx + βx′ , αy + βy ′ , αz + βz ′ )
= (2(αx + βx′ ) + (αy + βy ′ ) − (αz + βz ′ ), (αx + βx′ ) − (αz + βz ′ ))
= α (2x + y − z, x − z) + β (2x′ + y ′ − z ′ , x′ − z ′ )
= α.f (u) + β.f (u′ ).
Donc f est linéaire.
2. Soit l'application g dénie par :
g : R2 −→ R2
(x, y) 7−→ g(x, y) = (2x, y + 1)
L'application g n'est pas linéaire, car : g(2x, 2y) = (4x, 2y + 1) ̸= 2g(x, y).

6
 3. La projection P ( dans le plan) sur l'axe des x est une application linéaire dénie par :
f : R2 −→ R2
(x, y) 7−→ P (x, y) = (x, 0)

4. L'homothétie H de rapport par exemple 3 est l'application linéaire dénie par :

f : R2 −→ R2
(x, y) 7−→ H(x, y) = (3x, 3y)

III.2 Application linéaire et matrice

Dénition 9.
Soit A une matrice de n lignes et m colonnes .
Alors il existe une unique application linéaire f dénie de Rm dans Rn qui est représentée par
la matrice A dans les bases canoniques de Rn et de Rm .
Autrement dit : m n
f: R −→ R
(x1 , x2 , · · · , xm ) 7−→ f (x1 , x2 , · · · , xm )
où   t
x1
  x2  
f (x1 , x2 , · · · , xm ) = A  .. 
  
  . 
xn

Exemple 10.  
−1 2
Soit la matrice A ∈ M3,2 (R)) , A =  3 4  . Alors l'unique application linéaire associée à la matrice
−1 5
  t
−1 2  
x 
A est dénie de R2 dans R3 par : f (x, y) =  3 4  = (−x + 2y, 3x + 4y, −x + 5y)
y
−1 5

III.2.1 Matrice associée à une application linéaire

Dénition 10.
Soit f : Rm −→ Rn , une application linéaire. La matrice associée à l'application linéaire f rela-
tivement aux bases canoniques E et E ′ de Rm et Rn , est la matrice dont les colonnes représentent les
vecteurs f (e1 ), f (e2 ), . . . , f (em ) exprimés dans la base E ′ .

f (e1 ) f (e2 ) · · · f (em )

 .. .. ..  e′
. . .
1
··· ′
 .. .. .. e
 2
ME,E ′ (f ) =  . . ··· .  ..
.. .. .. .
. . ··· . e′n

La matrice ME,E ′ (f ) est de type n × m.

Exemple 11.

1. Soit f une application linéaire dénie de R3 dans R2 par

f: R3 → R2
(x, y, z) 7→ (2x + y, x − z)

7
 Soient E = {e1 , e2 , e3 } et E ′ = {e′1 , e′2 } les bases canoniques de R3 et R2 respectivement.
La matrice de l'application linéaire f relativement aux bases E et E ′ est
f (e1 ) f (e2 ) f (e3 )
  ′
2 1 0 e1
ME,E ′ (f ) =
1 0 −1 e′2

2. Soit g une application linéaire dénie de R3 dans R3 par :

g: R3 −→ R3
(x, y, z) 7−→ (−x + y + 2z, 3x − y − 3z, 2x + y + 3z)

Soit E = {e1 , e2 , e3 } la base canonique de R3 .

La matrice de l'application linéaire g relativement à la base E est
g(e1 ) g(e2 ) g(e3 )
 
−1 1 2 e1
ME (g) =  3 −1 −3  e2
2 1 3 e3

III.3 Noyau, image et rang d'une application linéaire

Dénition 11.
Soit f : Rm −→ Rn une application linéaire.
• On appelle noyau de f le sous-espace vectoriel de Rm noté Ker(f ) et déni par :

Ker(f ) = {u ∈ Rm / f (u) = 0 }.

• On appelle image de f , le sous-espace vectoriel de Rn noté Im(f ) déni par :

Im(f ) = {f (u) ∈ Rn , u ∈ Rm } = f (Rm ).

• Le rang de l'application f noté rg(f ) est la dimension de Imf

rg(f ) = dim Im(f ).

Résultat :
Si A est la matrice associée à une application linéaire f : Rm −→ Rn par rapport aux bases canoniques de
Rm et Rn , alors :
rg(A) = rg(f ), dim(Rm ) = rg(f ) + dim(Ker(f ))

Exemple 12.

1. Soit l'application linéaire f dénie par :

f : R2 −→ R2
(x, y) 7−→ (2x + y, x − y)

• Déterminons le noyau de f . On a : Ker(f ) = {u = (x, y) ∈ R2 / f (x, y) = 0R2 }

f (x, y) = 0R2 ⇐⇒ (2x + y, x − y) = (0, 0)

 
2x + y = 0 (1) x=0 (1) + (2)
⇐⇒ ⇐⇒ ⇐⇒ x = y = 0
x−y =0 (2) y=x=0

Ainsi, Ker(f ) = {0} .

8
 • Déterminons Im(f ). On a :
Im(f ) = {f (x, y), (x, y) ∈ R2 } .
Pour tout (x, y) ∈ R2 , on écrit : f (x, y) = (2x + y, x − y) = x(2, 1) + y(1, −1).
Donc Im(f ) = ⟨V1 = (2, 1), V2 = (1, −1)⟩.
On vérie que la famille de vecteurs {v1 = (2, 1), v2 = (1, −1)} est libre, donc {v1 , v2 } est une base
de Im(f ).
Ainsi dim(Im(f )) = rg(f ) = 2.
2. Soit l'application linéaire f dénie par
f : R3 −→ R3
(x, y, z) 7−→ (2x + y − z, x − y, 3x − 2y + z)

• Déterminons le noyau de f . On a : Ker(f ) = {u = (x, y, z) ∈ R3 / f (x, y, z) = 0R3 }

f (x, y, z) = 0R3 ⇐⇒ (2x + y − z, 3x − 2y + z) = (0, 0, 0)

 
 2x + y − z = 0 (1)  3x − z = 0 (1)′
⇐⇒ x−y =0 (2) ⇐⇒ y=x (2) ⇐⇒ x = y = z = 0
3x − 2y + z = 0 (3) x+z =0 (3)′
 

Ainsi, Ker(f ) = {0} . Donc dim(Ker(f )) = 0.

On en déduit que dim(Im(f )) = 3.

Autre méthode : Utilisation de la matrice associée à f :

Soit E = {e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1)} la base canonique E de R3 .
La matrice associée à l'application linéaire f relativement à la base E est donnée par :
f (e1 ) f (e2 ) f (e3 )
 
2 1 −1 e1
A = ME (f ) =  1 −1 0  e2
3 −2 1 e3

Déterminons le rang de la matrice A. On cherche sa matrice échelonnée. On a :

     
2 1 −1 1 −1 0 1 −1 0
A =  1 −1 0  ∼  2 1 −1  L2 ← L2 − 2L1 ∼  0 3 −1 
L1 ←→ L2
3 −2 1 3 −2 1 L3 ← L3 − 3L1 0 1 1
 
1 −1 0
∼  0 3 −1  = A′ .
L3 ← L3 − 31 L2 4
0 0 3

Ainsi A′ est la matrice échelonnée de A, dont toutes les lignes ne sont pas nulles. Donc rg(A) = 3
et dim(Ker(f )) = 0. Le noyau est donc réduit à {0}.

III.4 Applications linéaires injective, surjective, bijective

Proposition 3.
Soit f : Rm −→ Rn une application linéaire.
• L'application f est injective si et seulement si Ker(f ) = {0Rm }.
• L'application f est surjective si et seulement si Im(f ) = Rn .
• L'application f est bijective si et seulement si elle est injective et surjective.
• Si f : Rn −→ Rn une application linéaire, alors :

f injective ⇐⇒ f surjective ⇐⇒ f bijective

9
Exemple 13.
L'application linéaire f dénie par :
f : R2 −→ R2
(x, y) 7−→ (2x + y, x − y)

est injective,car Ker(f ) = {0}. Donc elle est bijective .

Exercice 1.
Calculer dans les cas suivants A2 , A3 , A4 puis déduire An , n ∈ N.
   
1 −1 1 1
A= , A=
−1 1 0 2

On dénit pour tout k ∈ N∗ , et toute matrice A carrée d'ordre n, la matrice puissance par :
Ak = A
| ×A×
{z· · · × A}
k fois

On a A0 = In , la matrice identité d'ordre n.

Exercice 2.
Soit f : R3 −→ R3 l'application linéaire dénie par :
f (x, y, z) = (x + y + z, x + y + z, x + y + z),

1. Déterminer une base de Ker(f ). En déduire le rang de l'application f . f est-elle injective?

2. Écrire la matrice M associée à l'application linéaire f dans la base canonique de R3 .
3. Déterminer la forme échelonnée de la matrice M . Déduire le rang de la matrice M . Comparer
le résultat de la question 1.

10