Ch.4 : Matrices (3 séances)
Mouanis Hakima
Faculté des sciences Dhar Mahraz Fès hmouanis@yahoo.fr www.mouanis.wordpress.com
Définition 1.1
Soit K− un corps commutatif (K = R ou C) .
On appelle matrice à n lignes et à m colonnes (m, n) ∈ (N∗)2,un tableau rectangulaire à n lignes et à m colonnes contenant des éléments de K et noté : A= a11 a12 ... a1m a21 a22 ... a2m .. . ... ... ... an1 an2 ... anm ou A= a11 a12 ... a1m a21 a22 ... a2m .. . ... ... ... an1 an2 ... anm
En notation abrégée, A s’écrit : A = (aij)1≤i≤n 1≤j≤m
.
L’ensemble des matrices à n lignes et à m colonnes sera désigné par :Mn,m(K).
Si m = n, la matrice est dite carrée d’ordre
(n = nombre de lignes = nombre de colonnes ) ,et l’ensemble est noté
Définition 1.2
1 Une matrice de type (n, m) est dite uniligne ( resp. unicolonne )
lorsque n = 1 (resp m = 1). noté :Mn,m(K).
2 La matrice uniligne (a
i1. . . aij. . . aim)est la i-ième ligne de la
matrice A. 3 La matrice unicolonne C j= a1j .. . aij .. . anj
est appelée la j-ième
Exemple 1.1 In= 1 0 . . . 0 0 1 0 . . . 0 .. . . .. ... ... ... .. . . .. ... 0 0 . . . 0 1 | {z } Matrice identit«e Θ= 0 0 . . . 0 0 0 0 . . . 0 .. . . .. ... ... ... .. . . .. ... 0 0 . . . 0 0 | {z } Matrice nulle aIn= a 0 . . . 0 0 a 0 . . . 0 .. . . .. ... ... ... .. . . .. ... 0 0 . . . 0 a | {z } Matrice scalaire a1 0 . . . 0 0 a2 0 . . . 0 .. . . .. ... ... ... .. . . .. ... 0 0 . . . 0 an | {z } Matrice diagonale
Exemple 1.2 a11 a12 . . . a1n 0 a22 a23 . . . a2n .. . . .. ... ... ... .. . . .. ... a(n−1)n 0 . . . 0 ann | {z }
Matrice triangulaire sup„erieure
a11 0 . . . 0 a21 a22 0 . . . 0 .. . . .. ... . .. ... .. . . .. . .. 0 an1 . . . an(n−1) ann | {z }
Définition 1.3
Deux matrices A = (aij) ∈ Mn,m(K) et B = (bij) ∈ Mp,q(K) sont dites
égales si, et seulement si
1 elles sont de même type, c’est à dire n = p et m = q, 2 pour tout 1 ≤ i ≤ n et 1 ≤ j ≤ m, on a a
Opérations sur les matrices
Définition 1.4
Soient A = (aij) ∈ Mn,m(K) et B = (bij) ∈ Mn,m(K) deux matrices de
même type (n, m). On appelle matrice somme de A et B la matrice A+ B = (cij)de type (n, m) avec cij= aij+ bij.
On ne peut pas faire la somme de deux matrices de type différents.
Définition 1.5
Soit A = (aij) ∈ Mn,m(K) et α ∈ K.
Opérations sur les matrices
Proposition 1.1
L’ensemble Mn,m(K), muni de l’addition et de la multiplication par un
scalaire est unK-espace vectoriel de dimension nm.
La famille 1 0 . . . 0 0 0 . . . 0 .. . . .. ... ... 0 . . . 0 , 0 1 . . . 0 0 0 . . . 0 .. . . .. ... ... 0 . . . 0 0 , . . . 0 . . . 0 0 0 . . . 0 .. . . .. ... ... 0 . . . 0 1 .
Définition 1.6
Le produit d’une matrice uniligne (a11. . . a1j. . . a1m)de type (1, m)
par une matrice unicolonne
b11 .. . bi1 .. . bm1
de type (m, 1) est défini par :
(a11. . . a1j. . . a1m) · b11 .. . bi1 .. . bm1 = (a11b11+ · · · + a1ibi1+ · · · + a1mbm1).
Définition 1.7
Produit d’une matrice A = (aij)de type (n, m) par une matrice
B= (bkl)de type (m, p) est la matrice C(cts), de type (n, p), définie par
A· B = (cts)1≤t≤n 1≤s≤p , avec cts= m X k=1 atkbks.
Remarques 1.1
1 Le produit BA de deux matrices n’est défini que si le nombre de
colonnes de B est égal aux nombres de lignes de A.
2 Le produit n’est pas commutatif, car si BA est défini, AB ne l’est
pas en général.
3 Cas particulier : Si A et B sont des matrices carrées d’ordre n, le
produit AB est toujours défini, ainsi que BA, mais ces deux matrices ne sont pas égales en général comme le montre l’exemple suivant : A= 1 0 1 1 et B= 0 1 0 0 Alors : AB = 0 1 0 1 et BA= 1 1 0 0 .
Remarques 1.2
1 Si B et B0 sont des matrices de M
np(K) , A et A 0 des matrices de Mpm(K) , alors : B+ B0A= BA + B0Aet BA+ A0= BA + BA0 2 Si C ∈ M nm(K) , B ∈ Mmp(K) , et A ∈ Mpq(K) , alors : a. C(BA) = (CB) A.
Matrice d’une application linéaire
Notation
Soient E un K espace vectoriel non nul de dimension fini n et B= {e1, e2..., en} une base de E.
Soit a = a1e1+ a2e2+ ... + anenun vecteur de E (c’est à dire (a1, ..., an)
sont les composantes de a dans la base B). On note
I] (a)Ble vecteur (a1, a2, ..., an) ∈ Kn
II] [a]Bla matrice colonne
a1 a2 .. . an
Exemple :
Soit E = R2[X]et B = (1 + X, X + X2, 2 + X2)
1 Vérifier que B est une base de E. 2 Soit P = a
0+ a1X+ a2X2∈ E. Calculer (P)Bet [P]B.
Définition 2.1
Soient f une application linéaire d’un K-espace vectoriel E dans un K-espace vectoriel F,tous deux de dimensions finies;
B= {e1, . . . , en} une base de F et S = {ε1, . . . , εm} une base de E.
On appellematrice de f dans les bases B, Sla matrice de colonnes [f (ε1)]B, [f (ε2)]B, ..., [f (εm)]B. c’est à dire : M(f , B, S) = [f (ε1)]B . . . [f (εi)]B . . . [f (εm)]B a11 . . . a1i . . . a1m .. . ... ... ... ... an1 . . . ami . . . anm
avec f (εi) = a1ie1+ · · · + anien. Autrement dit [f (εi)]B = a1i a2i .. . ani
Proposition 2.1
Soient f une application linéaire d’un K-espace vectoriel E dans un K-espace vectoriel F,tous deux de dimensions finies;
B= {e1, . . . , en} une base de F et S = {ε1, . . . , εm} une base de E.
L’application :
ϕ : L (E, F) −→ Mnm(K)
f 7−→ ϕ (f ) = M(f , B, S) est bijective.
Preuve. ϕ est injective, en effet : Soit (f , g) ∈ (L (E, F))2 : ϕ (f ) = ϕ (g) ,alors M (f , B, S) = M (g, B, S) , d’où
(∀j ∈ {1, 2, ..., m}) f (ej) = g (ej), donc f = g.
ϕestsurjective, en effet : Soit A ∈ M(K) de terme général aij.Alors,
on considère l’application linéaire f de E dans F définie par : (∀j ∈ {1, 2, ..., m}) f (εj) =
n
X
i=1
Proposition 2.2
Soient E et F deux espaces vectoriels de dimensions finis ; S une base de E et B une base de F. Soient f et g deux applications de E dans F . Alors
1 M(f + g, B, S) = M(f , B, S) + M(g, B, S) 2 Pour tout λ ∈ K, M(λf , B, S) = λM(f , B, S)
Proposition 2.3
Soient E, F et G des espaces vectoriels de dimensions finis ; S une base de E, B une base de F et C une base de G. Soient f une application de E dans F et G une application de F dans G. Alors,
M(gof , C, S) = M(g, C, B)M(f , B, S) Preuve.Posons f (εi) = n X j=1 ajiejet g(ei) = s X k=1 bkjdkavec
S= {ε1, .., εm} une base de E, B = {e1, .., en} une base de F
et C = {d1, .., ds} une base de G. Alors,
gof(εi) = s X k=1 ( n X j=1 bkjaji)dk
Proposition 2.4
Soit u ∈ L (E, F) où E et F sont deux K−espaces vectoriels de dimension finie de bases respectives S et B. Si M = M(u, B, S),
[x]S= X = x1 x2 .. . xm
sont les composantes d’un x ∈ E dans la base S
et [u (x)]B= Y = y1 y2 .. . yn
sont les composantes de u(x) dans la base
B,alors
Preuve. Soient S = (ε1, ε2, ..., εm)une base de E et B = (e1, e2, ..., en)
une base de F. Soit M = (aij)1≤i≤n 1≤j≤m . Soit x = m X j=1 xjεjde E,, alors u(x) = m X j=1 xju(εj) = m X j=1 xj n X i=1 aijei ! = n X i=1 m X j=1 aijxj ei. On a [x]S= X = x1 x2 .. . xm et [u (x)]B= Y = y1 y2 .. . yn
Suite de la preuve
Donc Y = m X j=1 a1jxj m X j=1 a2jxj .. . m X j=1 anjxj D’où y1 y2 .. . yn = a11 a12 ... a1m a21 a22 ... a2m .. . ... ... ... an1 an2 ... anm . x1 x2 .. . xm .Proposition 2.5
Soient E et F deux K-espaces avec
1 dimension de E c’est m, S = {ε 1, .., εm} et S 0 = {ε01, .., ε0m} sont deux bases de E. 2 dimension de F c’est n, B = {e 1, .., en} et B 0 = {e01, .., e0n}sont deux bases de F.
3 M ∈ Mn,m(K) et u, u0 ∈ L(E, F) tels que
M = M(u, B, S) = M(u0, B0, S0) Alors
Preuve.On considère l’application linéaire h : F −→ F définie par :
(∀i ∈ {1, 2, ..., n}) h (ei) = e
0
i.
Alors, h est un isomorphisme de F ( car l’image de la base B par h est la base B0). D’autre part, on a ∀j ∈ {1, 2, ..., m}) , u (εj) = n X i=1 aijei=⇒ h (u (εj)) = n X i=1 aije 0 i = u 0 ε0j.
ce qui montre que hou(E) = u0(E). Posons, h0 = h |u(E), alors
h0 : u(E) −→ u0(E)est surjective par construction et injective car h l’est aussi, donc c’est un isomorphisme. Donc, puisque dim(u(E)) et dim(u0(E))sont finis, on trouve
dim(u(E)) = dim(u0(E)) ce qui montre que rg(u) = rg(u0).
Définition 2.2
Soit M ∈ Mnm(K). On appelle le rang de M, qu on note par rg(M), le
rang de l’application linéaire associée à M pour des bases quelconques de E et F, avec E et F deux K-espaces vectoriels quelconques de dimensions finis respectivement m et n
Propriété 2.1
Soit M ∈ Mnm(K).
Rang d’une matrice
Proposition 2.6
Soit M = (aij) ∈ Mn,m(K).
Pour tout i = 1, . . . , m, on pose Ci= (a1i. . . ani)les vecteurs colonnes
de M
Le rang de Mest égale à la dimension du sous espace de Km
engendré par les vecteurs colonnes C1, . . . , Cmde M
qu’est aussi le rang de la famille des vecteurs {C1, . . . , Cm}.
rg(M) = rg(C1, . . . , Cm)
.
Preuve.D’après la démonstration de la proposition 3.5, on a
Définition 3.1
Soit A une matrice à n lignes et à m colonnes, de terme général aij.
La matrice transposée de A, notéetA est la matrice à m lignes et à n
colonnes, de terme général bijdéfini par :
bij= aji autrement dit si : A= a11 a12 ... a1m a21 a22 ... a2m .. . ... ... ... an1 an2 ... anm alors tA= a11 a21 ... an1 a12 a22 ... an2 .. . ... ... ... a1m a2m ... anm
(les lignes deviennent des colonnes et les colonnes deviennent des lignes).
Exemple 3.1 Si A= a11 a12 a13 a21 a22 a23 alors tA= a11 a21 a12 a22 a13 a23 Proposition 3.1
Si A et B sont deux matrices, alors :
1 t(t(A)) = A.
2 t(A + B) = tA+ tB.
3 Pour tout λ ∈ Kt(λ.A) = λ.tA.
Définitions 3.1
Soit A ∈ Mn(K) .
1 Aest dite symétrique si, et seulement si,tA= Ac’est à dire
∀ (i, j) ∈ ({1, 2, ..., n})2aij= aji.
2 Aest dite antisymétrique si, et seulement si,tA= −Ac’est à dire
∀ (i, j) ∈ ({1, 2, ..., n})2aij= −aji.
Si A est antisymétrique, alors ∀i ∈ {1, 2, ..., n} aii= 0; qui est aussi vrai
pour tout corps de caractéristique différente de 2.
Définitions 3.2
On désigne par Snl’ensemble des matrices symétriques d’ordre n et
Proposition 3.2
Soit A une matrice. Alors
rg(A) = rg(tA)
Corollaire 3.1
Soit A ∈ Mnm, avec L1, .., Lnses lignes et C1, .., Cmses colonnes.
Alors
Définition 4.1
Soit A une matrice carrée d’ordre n, la matrice A est inversible si, et seulement si , il existe B une matrice carrée d’ordre n telle que :
A.B = B.A = In
où Inest la matrice carrée unité d’ordre n, dont tous les éléments sont
nuls sauf ceux de la diagonale principale qui sont égaux à 1.
In = 1 0 0 ... 0 0 1 0 ... 0 .. . ... ... ... ... 0 0 ... 0 1
.La matrice B est notée A−1et s’appelle
Exercice 4.1
Soit A une matrice carrée d’ordre n vérifiant l’équation A3+ 3A − 2I
n= 0n.
Proposition 4.1
Si A et B sont deux matrices inversibles de Mn(K) alors
(A.B)−1= B−1.A−1.
Proposition 4.2
L’ensemble des matrices inversibles de Mn(K) est un groupe non
Proposition 4.3
Soit A une matrice A de Mn(K) . Les assertions suivantes sont
équivalentes :
1 Aest inversible, 2 il existe A0∈ M
n(K) tel que AA0= In,
Preuve. 1) ⇒ 2) : évident.
2) ⇒ 3) : Soit A, A0 deux matrices carrées d’ordre n tel que AA0 = I n.
Si E est un espace vectoriel de dimension n de base B= (e1, e2, ...en, ).
Alors, la matrice A est associée à un endomorphisme u de E , et A0 est associée à un endomorphisme v de E, et on a : A.A0= In,
et puisque l’application associée à A.A0est uov et l’application associée à Inest idEalors u ◦ v == idE,
ce qui montre que u est injective donc un isomorphisme et par suite rg(u) = dim E = rg(A)
3) ⇒ 1) : Si rg(A) = n alors rg(u) = n = dim E, ce qui est équivalent à dire que u est un isomorphisme. Soit B la matrice associée à u−1
alors A.B est associée à uou−1, et B.A est associée à u−1oudonc
Définition 4.2
Une matrice A ∈ Mnm(K) est dite échelonnée si, et seulement si,
1 Toute ligne nulle n’est suivie que de lignes nulles.
2 L’indice de colonne du premier terme non nul de toute ligne non
nulle est supérieur à l’indice de colonne du premier terme non nul de la ligne qui la précède.
Exemples 4.1
Les deux matrices suivantes sont échelonnées :
1 A= 1 3 −1 0 0 0 2 1 4 1 0 0 0 4 −3 0 0 0 0 2 2 B= 1 1 −1 0 0 0 0 1 4 1 0 0 0 0 −3 0 0 0 0 0 0 0 0 0 0
Matrice échelonnée réduite canonique
Définition 4.3
Une matrice A ∈ Mn,m(IK)est dite à lignes échelonnées réduite et on
note m.l.e.r si
1 A est m.l.e.
2 Le premier élément non nul de toute ligne (Le pivot) est égal à 1.
Définition 4.4
Une matrice A ∈ Mn,m(IK)est dite à lignes échelonnées réduite
canonique et on note m.l.e.r.c si
1 A est m.l.e.r
Matrice échelonnée réduite canonique
Exemple A= 1 0 0 0 1 0 0 0 1 Matrice échelonnée réduite canonique B= 0 1 −3 0 0 2 0 0 1 0 0 0
Matrice échelonnée réduite canonique
Exemple C= 1 0 0 0 1 2 0 0 1 0 0 0 Matrice échelonnée réduite mais elle n’est pas échelonnée réduite canonique D= 1 0 6 0 1 3 0 0 0
Proposition 4.4
Le rang d’une matrice échelonnée égale au nombre de ses lignes non nuls
Preuve. Dans une matrice échelonnée les lignes formes un système
libre. Exemple Le rang de 1 3 −1 0 0 0 2 1 4 1 0 0 0 4 −3 0 0 0 0 2 0 0 0 0 0 égale à 4
1 Permutation Lijou Li↔ Lj
Soit A une matrice, en permutant la ligne Lide A avec la ligne Lj
de A on obtient une nouvelle matrice dite équivalente à A. Cette opération est notée Lijou Li↔ Lj
2 l’opération : Li→
n P t=1
αt· Lt, avec αi6= 0.
Cette opération consiste à remplacer la ligne Lide A par n
P
t=1
αt· Lt. La matrice qu’on trouve par cette opération est dite équivalente à A.
ces opérations sont appeléesopérations élémentaires sur A (ou bien transformations élémentaires de Gauss)
Proposition 5.1
1 Soit A0 une matrice obtenu à partir de A par des transformations
élémentaires. Alors, rang(A0) = rang(A)
2 Soient B et C deux formes échelonnées d’une matrice A. Alors
rang(B) = rang(C) = rang(A).
Preuve. 1) Posons L1, L2, ..Ln les lignes de A et A1une matrices
obtenue apartir de A en remplaçons la ligne Lipar
L0i= αLi+ n
P
t=1
αt· Lt, avec αi6= 0 alors
rang(A) = dim(vect(L1, .., Li, .., Ln)) = dim(vect(L1, .., L
0
i, .., Ln) = rang(A
0 ) Par le même raisonnement, le rang ne change pas si on applique des permutations ou d’autres opérations élémentaires.
Conséquence 5.1
Le rang d’une matrice A est égale au rang d’une forme échelonnée de A.
App : Matrice inversible
Méthode de calcule
1 Calcule du rang d’une Matrice:
Calculer le rang de la matrice A = 2 3 −1 0 0 0 2 1 4 1 1 0 0 4 −3 2 −1 1 2 2 .
2 Calcule de l’inverse d’une matrice:
Montrer que la matrice B = 2 3 −1 0 2 1 1 0 0 est inversible et calculer son inverse.
La forme matricielle
Définition 6.1 Soit Σ le système Σ : a11x1 + a12x2 + . . . a1pxp = b1 a21x1 + a22x2 + . . . a2pxp = b2 .. . ... ... ... an1x1 + an2x2 + . . . anpxp = bnoù x1, . . . , xpsont les inconnus et les nombres aijsont les coefficients
du système.
Σpeut aussi s’écrire sousla forme matricielle: AX = b avec
A= a11 . . . a1p a21 . . . a2p .. . ... ... an1 . . . anp , X = x1 x2 .. . xp et b = b1 b2 .. . bn
1 Aest appelé la matrice associer au système Σ. 2 la matrice élargie (A|b) ∈ M
Théorème 6.1
Soient Σ le système d’équations linéaires de matrice élargie (A|b) et Σ0 le système d’équations linéaires de matrice élargie (A0|b0).
Si (A|b) est équivalentes à (A0|b0)par les transformations de Gauss
alors Σ est équivalent à Σ0.
Corollaire 6.1
Soient Σ et Σ0deux systèmes d’équations linéaireshomogènees de
matrices A et A0. Alors
Théorème 6.2
Soit Σ un sysème de matrice élargie (A|b) = a11 . . . a1p b1 a21 . . . a2p b2 .. . ... ... an1 . . . anp bn .
1 Si rg A < rg (A|b) alors le système n’admet pas de solution. 2 Si rg A = rg (A|b) = le nombre des inconnus = p alors le
système admetune solution unique.
3 Si rg A = rg (A|b) < le nombre des inconnus = p alors le
Système de Cramer
Définition 6.2
Soit Σ un système à n équations linéaires et à n inconnues.
Si Σ admetune solution et une seuleon dit que c’estun système de Cramer.
Système de Cramer
Théorème 6.3
Soit Σ un système de n équations et n inconnues et de matrice
élargie (A|b) où b = b1 b2 .. . bn .
Σest un système de Cramer si et seulement si A est inversible et dans ce cas si (x1, ..., xn)est la solution de Σ alors
x1 x2 .. . xn = A−1 b1 b2 .. . bn
Exemples
Exemple 6.1
Résoudre les systèmes suivants Σ x+ 3y − z = 9 3x − y + z = −1 −2x + y − 3z = 6 L x+ 3y − z = 9 3x + 9y − 3z = −1 −2x + y − 3z = 6 L0 x+ 3y − z = 9 3x + 9y − 3z = 27 −2x + y − 5z = 10
Exemple 6.2
Résoudre le système suivant : mx + y + mz = 2m x + my + mz = 2 mx + y − mz = 0
Matrices équivalentes et matrices semblables
Définitions 7.1
1 Deux matrices A et B de M
nm(K) sont dites équivalentes s’il
existe deux matrices carrées inversibles P et Q telles que B= P.A.Q;
Pest une matrice carrée d’ordre n et Q étant une matrice carrée d’ordre m;
2 Deux matrices A et B M
n(K) sont dites semblables s’il existe
Proposition 7.1
Soient E un espace vectoriel de dimension n de base B= (e1, e2, ..., en) , uune application linéaire de E dans E et
M= M(u, B)la matrice associée à u relativement à la base B. Pour tout i ∈ {1, 2, ..., n} posons B0 = {e01, .., e0n} avec e0i = u (ei) .Alors, les
propriétés suivantes sont équivalentes :
1 La famille B0 = (e0
i)1≤i≤nforme une base de E,
2 rg(u) = n,
3 uest un isomorphisme, 4 rg(M) = n,
5 M est inversible, 6 u(E) = E.
Définition 7.1
En adoptant les notations de la proposition précédente. Si la famille B0 forme une base de E alors M(u, B) est appelée la matrice de passage de B à B0 et on la note PBB0 ou P(B, B
0 )
Propriété 7.1
Soient E un espace vectoriel de dimension n, B = (ei)1≤i≤net
B0 = (e0i)1≤i≤ndeux bases de E et PBB0 la matrice de passage de B à
B0. Alors 1 PBB0 = [e01]B [e 0 2]B . . . [e 0 n]B . . . . . . . . . . . . 2 P BB0 = M(idE, B, B 0 ) 3 P BB0 est inversible et (PBB0) −1= P B0B la matrice de passage de B 0 à B
Exercice
II]
1 Vérifier que S = {ε
1= (1, 0, 1), ε2= (1, 1, 0), ε3= (0, 0, 1)} est
une base de R3.
2 Donner PBSla matrice de passage de la base canonique de R3à
la base S.
3 Calculer P
SBla matrice de passage de la base S à la base
canonique B = {e1= (1, 0, 0), e2= (0, 1, 0), e3= (0, 0, 1)}. II]Soit B = {1, X} la base canonique de R1[X]et B
0
= {2X + 1, X + 1} une famille de polynôme de R1[X].
1 Montrer que B0 est une base de R1[X]. 2 Calculer P
Théorème 7.1
Soient E un K-espace vectoriel de dimension fini n , B et B0 deux
bases de E. Soient v ∈ E tel que [v]B=
x1 x2 .. . xn et [v]B0 = x01 x02 .. . x0n et
PBB0 = (aij)est la matrice de passage de B à B0. Alors, [v]B = PBB0[v]B0 c 0est dire x1 .. . xn | {z }
coordonn´ees de v dans B = a11 . . . ann .. . ... ... an1 . . . ann | {z } matrice de passage · x01 .. . x0n | {z }
Preuve. On a PBB0 = M(idE, B, B0). Soit v = n X i=1 xiei= n X i=1 x0ie0i, On a : [v]B = [idE(v)]Bd’où [v]B= PBB0.[v]B0,et alors
[v]B0 = (PBB0)−1.[v]B= P
B0B.[v]B
Théorème 7.2
Soient E et F deux K-espaces vectoriels de dimensions finies, B, B0 deux bases de F, S, S0 deux bases de E, f une application linéaire de Edans F,
M(f , B0, S0)la matrice de f dans les bases B0 et S0, M(f , B, S)la matrice de f dans les bases B et S, Q= PBB0 la matrice de passage de B à B 0 et P = PSS0 la matrice de passage de S à S0. On a alors M(f , B0, S0) = P−1 BB0 M(f , B, S) PSS0 = Q −1M(f , B, S) P (E, S) →f (F, B) P↓ ↓ Q (E, S0) →f (F, B0)
Preuve. Soient X = [x]S= x1 x2 .. . xn et X0 = [x]S0 = x01 x02 .. . x0n les
composantes dans S et S’ respectivement d’un vecteur x de E,
Y= [u (x)]B = M.X = y1 y2 .. . yn et Y0 = [u(x)]B0 = M 0 .X0 = y01 y02 .. . y0n les
composantes de son image dans B et B0 respectivement, avec M= M(u, B, S)et M0 = M(u, B0, S0)Alors :