AUTOUR DES MATRICES DE FROBENIUS

OU COMPAGNON

Hervé Carrieu, Maurice Fadel, Etienne Fieux, Patrice Lassère & Frédéric Rodriguez

12 février 2007

« When a polynomial in one variable interests you, ask about

the matrices of which it is the caracteristic polynomial. »
Olga Taussky,1

Table des matières

1 INTRODUCTION 3

2 RÉSULTATS FONDAMENTAUX 4
2.1 Endomorphismes et matrices cycliques . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Théorème de décomposition de Frobenius . . . . . . . . . . . . . . . . . . . . . 6
2.3 Quelques propriétés topologiques . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4 Propriétés spectrales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

3 APPLICATIONS À L’ALGÈBRE LINÉAIRE 11

3.1 Le Théorème de Cayley-Hamilton . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.2 Décomposition de Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.3 Matrices semblables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.4 Matrice transposée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.5 Commutant et bicommutant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.5.1 Le commutant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.5.2 Approche topologique de la dimension du commutant . . . . . . . . . . 19
3.5.3 Le bicommutant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.5.4 Quelques précisions sur la dimension du commutant . . . . . . . . . . . 21

4 AUTRES APPLICATIONS MATHÉMATIQUES 24

4.1 Polynômes de Sylvester . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.2 Les formules de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.3 Localisation des racines d’un polynôme . . . . . . . . . . . . . . . . . . . . . . 27
4.4 Quelques dernières applications . . . . . . . . . . . . . . . . . . . . . . . . . . 28

5 UNE APPLICATION « CONCRÈTE » 29

6 CONCLUSION 32
1
« How I Became a Torchbearer for Matrix Theory », American Mathematical Monthly
(1988), Vol. 95-9.

1
1 INTRODUCTION
Dans tout ce travail et sauf mention contraire le symbole K désignera le
corps2 R ou C. À tout polynôme unitaire
P (X) = X n + an−1 X n−1 + · · · + a1 X + a0 ∈ K[X]
on associera sa matrice de Frobenius ou compagnon3
 
0 0 ... 0 −a0
1 0 . . . 0 −a1 
 
0 1 . . . 0 −a2 
CP =   ∈ Mn (K).
 .. . . .. . .. 
. . . .. . 
0 ... 0 1 −an−1
Un calcul élémentaire (en développant par exemple par rapport à la dernière
ligne) montre que son polynôme caractéristique4
PCP (X) := det(XIn − CP ) = P (X),
Ce lien entre matrice et polynôme (illustré par l’appellation « compagnon » )
permet souvent de « traduire » certains énoncés « matriciels » en des énoncés
« polynomiaux » et réciproquement : c’est la source d’élégantes démonstrations
souvent plus élémentaires que par les approches classiques. Nous proposons ici
une étude assez détaillée de ces matrices et de leurs applications.
Notations : B La matrice compagnon CP d’un polynôme P (X) = X n +
an−1 X n−1 + · · · + a1 X + a0 sera aussi parfois appelée matrice compagnon Ca
du vecteur a = (a0 , a1 , · · · , an−1 ).
B Pour un endomorphisme ϕ (resp. une matrice M ), Pϕ et πϕ (resp. PM et
πM ) désignent le polynôme caractéristique et le polynôme minimal as-
sociés.
B Une matrice est cyclique (cf. §2.1) si, et seulement si, elle est semblable à
une matrice compagnon et l’ensemble des matrices cycliques sera noté Cn .
B Il faut enfin signaler que nous userons et abuserons tout au long de cet
article de l’isomorphisme canonique « matrice ' endomorphisme ».

2 RÉSULTATS FONDAMENTAUX
2.1 Endomorphismes et matrices cycliques
Un endomorphisme ϕ d’un K-espace vectoriel E (de dimension n) est
cyclique s’il existe un vecteur x tel que B := {ϕk (x), k = 0, . . . , n − 1} soit une
2
Un grand nombre des résultats restent vrais dans le contexte d’un corps plus général,
toutefois afin de faciliter la lecture il est plus raisonnable de se cantonner au cas R ou C.
3
Ou matrice compagne pour les automaticiens.
4
Bien noter que le polynôme caractéristique est ici (et contrairement à la tradition) uni-
taire, nous suivons le point de vue de Fresnel [5].

2
base de E. Il est alors immédiat que la matrice de ϕ dans la base B sera une
matrice compagnon et la réciproque est claire : si la matrice de ϕ est semblable
à une matrice compagnon alors ϕ est cyclique. On dira qu’une matrice est
cyclique si elle est la matrice d’un endomorphisme cyclique (autrement dit, s’il
existe x ∈ E tel que {x, M x, . . . , M n−1 x} soit une base de E) ; on a donc :

Proposition 1 Une matrice est cyclique si, et seulement si, elle est semblable
à une matrice compagnon.

Dans l’anneau des polynômes à une indéterminée K[X], tout idéal est en-
gendré par un polynôme unitaire de degré minimal. Ainsi pour tout x ∈ E,
l’idéal © ª
Iϕ,x := P ∈ K[X] : P (ϕ)(x) = 0
est engendré par un polynôme πϕ,x . C’est le polynôme minimal de x rela-
tivement à ϕ. Le résultat qui suit est essentiel, nous l’utiliserons à plusieurs
reprises dans ce travail.
Lemme fondamental Il existe x ∈ E tel que πϕ,x = πϕ .

Démonstration : Il est déjà évident (πϕ ∈ Iϕ,x ) que πϕ,x divise πϕ pour tout
x ∈ E. Il n’existe donc, lorsque x décrit E qu’un nombre fini de tels polynômes
πϕ,x1 , . . . , πϕ,xl , soit [
E= Ker(πϕ,xi )
16i6l

et par un argument classique, E = Ker(πϕ,xi ) pour un entier i ∈ {1, . . . l}. Mais

alors πϕ,xi (ϕ)(y) = 0 pour tout y dans E : πϕ,xi est donc annulé par ϕ et c’est
donc un multiple du polynôme minimal πϕ . Vu ce qui précède, πϕ = πϕ,xi et la
propriété est démontrée. ¥

Nous laissons en exercice les résultats suivants, conséquences immédiates (ou

presque) de ce qui précède (nous les utiliserons à maintes reprises) :

Exercice 1 1) Tout polynôme unitaire est à la fois polynôme minimal et

caractéristique de sa matrice compagnon.
2) Une matrice est cyclique si et seulement si ses polynômes minimal et ca-
ractéristique coïncident.
3) Une matrice est cyclique si, et seulement si, tous ses sous-espaces propres
sont de dimension 1.
4) Tout bloc de Jordan est semblable à une matrice de Frobenius.
5) L’ensemble des vecteurs cycliques (d’un endomorphisme ϕ) constitue un
ouvert dense.

3
2.2 Théorème de décomposition de Frobenius
Pour A ∈ Mn (C) la mise sous forme triangulaire et la réduite de Jordan5 sont
quelques unes des multiples réductions sous forme canonique d’une matrice6 , un
autre type de réduction est celle en blocs de matrices compagnon (réduction ou
décomposition de Frobenius) :

Théorème 1 (décomposition de Frobenius) Toute matrice est semblable

à un bloc diagonal de matrices compagnon. Plus précisément donnons-nous un
endomorphisme ϕ ∈ L(E) (E K-espace vectoriel sur un corps commutatif K
de dimension finie n > 1) ou de manière équivalente une matrice A ∈ Mn (K).
Alors il existe une suite E1 , E2 , . . . , Er de sous-espaces vectoriels de E, tous
stables par ϕ telle que :
M r
B E = Ei .
i=1
B Pour tout 1 6 i 6 r, ϕi := ϕ/Ei est un endomorphisme cyclique.
B Notons Pi le polynôme minimal de ϕi , alors pour tout 1 6 i 6 r − 1 : Pi+1
divise Pi .
B La suite de polynômes (Pi )ri=1 ne dépend que de l’endomorphisme ϕ et non
de la décomposition. c’est la suite des invariants de similitude de ϕ (ou de
A).

(F) En particulier, il existe une base B de E pour laquelle la matrice de ϕ est

de la forme
 
CP1
 

 CP2 0 

M (ϕ, B) =  .. 
 . 
 
0 CPr

avec P1 = πϕ et P1 P2 . . . Pr = Pϕ .

Démonstration : I Existence de la décomposition : On procède par

récurrence sur la dimension de E. Si d est le degré du polynôme minimal de
ϕ, il existe un vecteur y ∈ E tel que πϕ = πϕ,y et il est clair que le plus petit
sous-espace stable par ϕ et contenant y est de dimension d et admet pour base
e1 = y, e2 = ϕy, . . . , ed = ϕd−1 y, i.e. :

Ey := { P (ϕ)y, P ∈ K[X]} = Vect{e1 , . . . , ed }

5
La réduction de Jordan dans Mn (K) est possible si le corps K est algébriquement clos, la
suite des invariants de similitude à la base de la décomposition de Frobenius, elle, est valable
dans tout corps K ([5] p.139).
6
On pourra consulter [9].

4
Soit à présent F = {x ∈ E, ∀k ∈ N, e∗d (ϕk (x)) = 0} et montrons que E = Ey ⊕F .
Par définition, F est l’ensemble des vecteurs x de E dont la d-ième coordon-
née de ϕi y dans la base {e1 , . . . , ed } est nulle pour tout i et ceci a pour consé-
quence immédiate que F est stable par ϕ (puisque e∗d (ϕk (ϕ(x)) = e∗d (ϕk+1 (x)) =
0 si x ∈ F ). De plus, si z = a1 e1 + . . . + ad ed , e∗d (z) = ad et aussi si z =
a1 e1 + . . . + ak ek avec k < d, e∗d (ϕd−k (z)) = ak et ceci montre que z =
a1 e1 +. . .+ad ed ∈ F ⇔ a1 = a2 = . . . = ad = 0, autrement dit que Ey ∩F = {0}.
Il reste à montrer que F est de dimension n − d.
Pour cela considérons l’opérateur T défini sur K[ϕ] ⊂ E ∗ = L(E, K) :

T : g 7→ T (g) = e?d ◦ g

T est injectif car si e?d ◦ g = 0 avec g non nul, on peut l’écrire sous la forme
g = a1 IdE + a2 ϕ + · · · + ap ϕp−1 avec p 6 d et ap non nul. Or

0 = e?d ◦ g(ϕd−p ) = e?d (a1 ed−p+1 + · · · + ap e?d ) = ap

ce qui est absurde. Par conséquent, dim ImT = d et comme, par définition,
F est l’orthogonal de ImT (au sens du dual), on trouve bien que dim F =
n − dim ImT = n − d.
MNous avons donc trouvé un sous-espace F stable par ϕ et tel que E =
Ey F . Soit P1 le polynôme minimal de ϕ|Ey : P1 = πϕ|Ey car ϕ|Ey est
par construction un endomorphisme cyclique (cf. Exercice 1), soit encore P1 =
πϕ,y = πϕ . Soit maintenant P2 le polynôme minimal de ϕ|F , F est stable par ϕ
donc P2 divise P1 . On n’a plus qu’à reprendre la procédure avec ϕ|F et au bout
d’un nombre fini d’étapes on obtiendra la décomposition annoncée.
I Unicité : Supposons l’existence de deux suites de sous-espaces F1 , F2 , . . . , Fr
et G1 , G2 , . . . , Gs tous stables par ϕ vérifiant les trois premières propriétés. No-
tons Pi = πϕ|Fi et Qi = πϕ|Gi .
Il est déjà clair que P1 = πϕ = Q1 (et dim F1 = dim G1 ). Supposons les deux
suites distinctes et notons j > 2 le premier indice tel que Pj 6= Qj (un tel indice
Xr Xs
existe toujours car deg(Pi ) = deg(Qj ) = dim E). On a alors (puisque
i=1 j=1
Pj (Fj+k ) = 0 si k > 0) :

(1) Pj (ϕ)(E) = Pj (ϕ)(F1 ) ⊕ · · · ⊕ Pj (ϕ)(Fj−1 )

et aussi :

(2) Pj (ϕ)(E) = Pj (ϕ)(G1 ) ⊕ · · · ⊕ Pj (ϕ)(Gj−1 ) ⊕ Pj (ϕ)(Gj ) · · · ⊕ Pj (ϕ)(Gs )

Mais pour 1 6 i 6 j − 1, puisque Pi = Qi , ϕ|Ei est semblable à ϕ|Gi car ces

endomorphismes sont respectivement semblables à CPi et CQi . On en déduit
dim Pj (ϕ)(Fi ) = dim Pj (ϕ)(Gi ) soit, vu (2) et (1) :

0 = dim Pj (ϕ)(Gj ) = · · · = dim Pj (ϕ)(Gs )

5
qui implique que Qj divise Pj et par symétrie Pj divise aussi Qj soit Pj = Qj
ce qui est absurde. Finalement Pi = Qi pour tout i (et r = s).
La forme matricielle dans l’énoncé du théorème est évidemment obtenue en
considérant les bases associées à la décomposition E = E1 ⊕ . . . ⊕ Er dont on
vient de démontrer l’existence. ¥

Notations : Les matrices obtenues par la décomposition de Frobenius seront

appelées « réduites de Frobenius » .

Remarques : Attention ! Alors qu’une matrice diagonale par blocs et dont

chaque bloc est un bloc de Jordan est une réduite de Jordan, une matrice diago-
nale par blocs et dont les blocs sont des matrices de Frobenius
à n’est en général
! pas
0 0 1 0 0
1 0 0 0 0
une réduite de Frobenius. Par exemple, la matrice M = 0
0
1
0
0
0
0
0
0
0
n’est
0 0
µ
0 1 0
¶
pas une réduite de Frobenius. En effet, elle s’écrit encore M =
C 3
X −1
0
0 C 2
X

et X 2 ne divise pas X 3 − 1. En fait, son polynôme caractéristique X 5 − X 2 est

aussi son polynôme minimal (tous ses sous-espaces propres sont de dimension
1) : M est cyclique et sa réduite de Frobenius est
à 0 0 0 0 0 !
1 0 0 0 0
CX 5 −X 2 = 0
0
1
0
0
1
0
0
1
0
0 0 0 1 0

On peut d’ailleurs énoncer de manière plus précise :

Proposition 2 Une matrice diagonale par blocs de Frobenius est cyclique si,
et seulement si, deux blocs distincts sont sans valeur propre commune.

Démonstration : Chaque fois qu’une valeur propre apparaît dans un bloc de

Frobenius, la dimension du sous-espace propre correspondant est augmentée de
1. On utilise alors l’exercice 1.3 ¥
³ ´
C(X−1)(X−2) 0
Par exemple, la matrice blocs 4 × 4 : 0 C(X−3)(X−4) est semblable à
la matrice compagnon C(X−1)(X−2)(X−3)(X−4)

2.3 Quelques propriétés topologiques

On s’intéresse dans ce paragraphe à la structure topologique de l’ensemble
Cn des matrices cycliques (i.e. semblables à une matrice compagnon), Mn (C)
étant bien entendu muni de sa topologie d’espace vectoriel normé.

Proposition 3 Cn est un ouvert connexe dense de Mn (C).

6
 ¡ ¢n−1
Démonstration : I En effet, si A ∈ Cn , il existe x0 ∈ Cn tel que Ak x0 0
soit une base de Cn . Alors, l’application continue sur Mn (C)

ϕx0 : Mn (C) 3 M 7→ ϕx0 (M ) := det(x0 , M x0 , . . . , M n−1 x0 )

vérifie donc ϕx0 (A) 6= 0. Par continuité de ϕx0 en A il existe δ > 0 tel que
ϕx0 (M ) 6= 0 pour tout M ∈ B(A, δ) i.e. B(A, δ) ⊂ Cn et Cn est bien ouvert.
I Pour la connexité, on aura toujours

A ∈ Cn ⇐⇒ ∃P ∈ GLn (C), ∃ a = (a0 , . . . , an−1 ) ∈ Cn : A = P −1 Ca P,

où Ca est la matrice compagnon associée au vecteur a ∈ Cn (cf. notations §1).

Autrement dit, Cn = ψ(GLn (C) × Cn ) avec

ψ : GLn (C) × Cn 3 (P, a) 7→ ψ(P, a) := P −1 Ca P.

ψ est une application clairement continue de l’ouvert GLn (C) × Cn connexe

(comme produit des deux ouverts connexes GLn (C) et Cn ) : image continue
d’un connexe, Cn est donc bien connexe.
I Il nous reste à établir la densité : mais il est bien connu (par exemple [8]
page 51) que toute matrice de Mn (C) est limite d’une suite de matrices à valeurs
propres deux à deux distinctes donc semblables à des matrices de Frobenius.¥
Terminons par un petit corollaire7 amusant :

Corollaire 1 Si n > 2, l’application ϕ : A ∈ Mn (C) 7→ ϕ(A) := πA

n’est pas continue.

Démonstration : Supposons ϕ continue, il en sera alors de même pour

ψ : Mn (C) 3 A 7→ ψ(A) := pA − πA ∈ C[X]

mais alors
Cn = {A ∈ Mn (C) : pA = πA } = ψ −1 ({0C[X] })
est fermé dans Mn (C) comme image réciproque d’un fermé par une application
continue. Nous avons vu plus haut que Cn est ouvert : c’est donc une partie
à la fois ouverte, fermée, non vide du connexe Mn (C), la seule alternative est
Cn = Mn (C) : égalité absurde si n > 2 et triviale si n = 1. ¥

2.4 Propriétés spectrales

Étudions en détail les éléments propres d’une matrice compagnon CP . Les
valeurs propres de CP sont bien entendu les zéros de P et la première observation
que l’on peut faire est que :
7
Consulter l’ouvrage de Rombaldi ([8] page 52) pour une preuve plus classique de ce résul-
tat.

7
I Les sous-espaces propres sont toujours de dimension 1 : tout cela
est immédiat dès que l’on a observé que pour tout λ ∈ C, le rang de la matrice
 
−λ 0 ... 0 −a0
 1 −λ ... 0 −a1 
 0 1 ... 0 −a2

CP − λIn = 



 .. .. .. .. .. 
. . . . .
0 ... 0 1 −λ − an−1
est visiblement supérieur ou égal à n − 1.
Remarque : Tout ceci peut se déduire aussi du fait que pour une matrice
compagnon, polynômes minimal et caractéristique coïncident exercice 1.2) mais
ceci est plus savant.
I Si les racines de P sont toutes simples, CP est donc diagonalisable et
on connait une base de vecteurs propres de sa transposée, car pour λ racine de
P , si on pose
t
eλ = (1, λ, λ2 , . . . , λn−1 )
on vérifie sans peine (en utilisant la relation P (λ) = 0 pour la dernière ligne)
que
t
CP eλ = λeλ ,
© ª
Ainsi λ1 , . . . , λn désignant les n racines distinctes de P , la famille B = eλ1 , . . . , eλn
est une base de vecteurs propres de tCP . En particulier, la matrice de passage
G à la forme diagonale
 0 1 0 ... 0 
. .. .
 .
. 0 1 . .
. 
t  
CP :=  .
.
.
. .. ..  = G diag(λ1 , . . . , λn ) G−1
 . . . . 0 
0 0 ... 0 1
−a0 −a1 ... −an−2 −an−1

est la transposée d’une matrice de Vandermonde :

1 λ λ 2 ...
n−1
λ1

1 1
2 n−1
t 1 λ2 λ2 ... λ2 
G = V (λ1 , . . . , λn ) =  .. .
.
.
.
. 
.
. . . ... .
2 n−1
1 λn λn ... λn

I Dans le cas où les racines de P ne sont pas toutes simples, on peut

écrire
Yd
P (X) = (X − λi )αi (les racines λ1 , . . . , λd étant deux à deux distinctes)
i=1 ¡ ¢
avec disons α1 > 2. Vu ce qui précède, dim(Eλ1 ) = dim(vect eλ1 ) = 1 < α1 :
CP n’est donc pas diagonalisable, mais on peut toutefois en étudiant plus en dé-
tail la famille des vecteurs propres eλ1 , . . . , eλd déterminer la matrice de passage
pour la forme de Jordan de tCP : en effet, si
e(λ) := t(1, λ, λ2 , . . . , λn−1 ),

8
il n’est pas difficile (en utilisant cette fois-ci les relations P (k) (λi ) = 0, 0 6 k 6
αi − 1) de vérifier8 que la matrice de passage de tCP à sa forme de Jordan est
µ ¶
e00 (λ1 ) e(α1 −1) (λ1 ) e(αd −1) (λd )
G= e(λ1 ), e0 (λ1 ), ..., , . . . , e(λd ), . . . ,
2! (α1 − 1)! (αd − 1)!

En résumé nous avons

1) Les sous-espaces propres d’une matrice compagnon sont toujours de dimen-

sion 1, elle est donc diagonalisable si et seulement si ses valeurs propres sont
deux à deux distinctes.
2) Dans ce cas, la matrice de passage à la forme diagonale de sa transposée est
la matrice de Vandermonde associée à ces valeurs propres.
3) Dans le cas contraire on a tout de même la forme explicite de la matrice de
passage de sa transposée à sa réduite de Jordan.

3 APPLICATIONS À L’ALGÈBRE LINÉAIRE

Le théorème de décomposition de Frobenius est essentiel. Il est en fait une
conséquence de la théorie des invariants de similitude dans tout anneau principal
factoriel. Ici, l’anneau est K[X] et, en particulier, ceci signifie que la réduction
de Frobenius est valable pour tout corps K commutatif.

3.1 Le Théorème de Cayley-Hamilton

La conclusion du théorème de décomposition nous dit que Pϕ = P1 P2 ...Pr
avec P1 = πϕ ; par conséquent :

Théorème 2 (Cayley-Hamilton) Pour tout ϕ ∈ End(E), on a Pϕ (ϕ) = 0.

On notera également la démonstration classique et plus élémentaire (sans

recourir au théorème de décomposition) du théorème de Cayley-Hamilton repo-
sant également sur l’usage des matrices compagnons :
Démonstration : On cherche à montrer que PA (A)x = 0 pour tout x. Soit
donc x un vecteur non nul de Cn (si x = 0 il n’y a rien a démontrer) notons Ex
le plus petit (au sens de l’inclusion) sous-espace stable par A de Cn contenant
x. Ex est de dimension d ∈ {1, . . . , n}, et admet pour base {x, Ax, . . . , Ad−1 x} :
il existe (a0 , a1 , . . . , an−1 ) ∈ Cn tel que

(F) Ad x = ad−1 Ad−1 x + · · · + a1 Ax + a0 x.

8
L. Brand « The Companion matrix and its properties », [Link] (1964), 629-
634. et « Applications of the companion matrix » ibid. (1968), 146-152.

9
Complétons alors la famille libre {x, Ax, . . . , Ad−1 x} pour obtenir une base de
Cn de la forme
{x, Ax, . . . , Ad−1 x, ed+1 , . . . , en }
µ ¶
CP Z
Dans cette base la matrice A est de la forme où B ∈ Mn−d (C), Z ∈
0 B
Md,n−d (C) et CP est la matrice compagnon du polynôme P (X) = X d −
ad−1 X d−1 − · · · − a1 X − a0 i.e. :
 
0 0 ... 0 a0
1 0 ... 0 a1 
0 1 ... 0 a2

CP = 
.
.

 .. .. .. .. .. 
. . . .
0 ... 0 1 an−1
on a donc PA (X) = PCP (X)PB (X), mais alors

PA (A)x = PCP (A)PB (A)x

= PB (A)PCP (A)x
= PB (A)(Ad x − ad−1 Ad−1 x − · · · − a1 Ax − a0 x) = 0 vu (F)

dans la seconde inégalité les deux endomorphismes PCP (A) et PB (A) commutent
comme polynômes en A. Ainsi PA (A)x = 0, ∀x ∈ Cn i.e. PA ≡ 0. ¥

Remarque : En suivant la même idée, on montre tout aussi élémentairement

que pour une matrice cyclique, polynômes minimal et caractéristiques coïncident,
le théorème de Cayley-Hamilton est déja établi pour une matrice cyclique, on
achève la preuve soit en utilisant le théorème 1, soit par un argument de densité
(proposition 3).

3.2 Décomposition de Jordan

La décomposition de Jordan est bien connue ; mais on peut la voir aussi
comme une conséquence de la décomposition de Frobenius :

Théorème 3 Soit ϕ ∈ End(E) avec Pϕ scindé sur K. Il existe une base B de

E dans laquelle la matrice de u est diagonale par blocs de Jordan :
 
J(λ1 ) 0
 
 J(λ2 ) 
 
M (ϕ, B) =  .. 
 . 
 
0 J(λk )

où λ1 , . . . , λm sont les valeurs propres (éventuellement avec répétitions) de ϕ.

10
Démonstration : Le théorème de décomposition donne directement la dé-
composition de Jordan dans le cas d’un endomorphisme nilpotent (modulo une
permutation des vecteurs de base de la forme (e1 , . . . , ek ) 7→ (ek , ek−1 , . . . , e2 , e1 )
dans chacun des sous-espaces stables apparaissant dans la décomposition de l’en-
domorphisme nilpotent ϕ).
Dans le cas général, supposons que ϕ admet m valeurs propres distinctes
λ1 , . . . , λm et que Pϕ (X) = (X − λ1 )l1 . . . (X − λm )lm . D’après le lemme des
Mm
noyaux, E = Fi avec Fi = Ker (ϕ − λi IdE )li et on peut alors appliquer le
i=1
cas précédent aux restrictions de u − λi IdE à Fi , pour i allant de 1 à m. On
obtient ainsi la décomposition de Jordan. ¥

Remarque : La décomposition de Jordan repose sur la décomposition de l’es-

pace total en somme de sous-espaces caractéristiques (autrement dit, elle rai-
sonne valeur propre par valeur propre) tandis que la décomposition de Frobe-
nius, qui repose sur les polynômes invariants, « mélange » les valeurs propres.
Il s’agit d’une distinction essentielle.
En particulier, pour une matrice M (à polynôme caractéristique scindable),
le nombre de blocs Jordan (de sa réduite de Jordan) est supérieur ou égal au
nombre de blocs Frobenius (de sa réduite de Frobenius). Plus précisément, ces
deux nombres ne sont égaux que dans le cas où M n’admet qu’une seule valeur
propre (et ils sont alors, « respectivement », de même taille).
 Par exemple,
 la
à a 1 0 0 ! 0 0 0 −a
4
3
0 a 1 0
décomposition de Frobenius de 0 est  1 0 0 4a 2  ou
0 a 1 0 1 0 −6a
0 0 0 a 0 0 1 4a
encore (en notant Frob(M ) la réduite de Frobenius de M ) :
 a 1 0 0 0 0 0 0 0 
0 a 1 0 0 0 0 0 0
 0 0 a 0 0 0 0 0 0 
 
 0 0 0 a 1 0 0 0 0 
M =
 0 0 0 0 a 1 0 0 0 

 0 0 0 0 0 a 0 0 0 
 0 0 0 0 0 0 a 1 0 
0 0 0 0 0 0 0 a 0
0 0 0 0 0 0 0 0 a

et  3 
0 0 a 0 0 0 0 0 0
2
 1 0 −3 a 0 0 0 0 0 0 
 0 1 3a 0 0 0 0 0 0 
 0 0 0 0 0 a
3
0 0 0 
 
Frob(M ) =  0 0 0 1 0 −3 a
2
0 0 0 
 0 0 0 0 1 3a 0 0 0 
 2 
 0 0 0 0 0 0 0 −a 0 
0 0 0 0 0 0 1 2a 0
0 0 0 0 0 0 0 0 a

En particulier, M = aIn (où In est la matrice identité d’ordre n) est le cas très
particulier de matrices qui sont à la fois des réduites de Jordan et de Frobe-
nius (autrement dit, si M a ses réduites de Frobenius et de Jordan identiques
alors M est un multiple (non nul) de l’identité). Par contre, dès que M pos-
sède au moins deux valeurs propres distinctes, le nombre de blocs de Jordan

11
(de la réduite de Jordan) est strictement supérieur au nombre de blocs Fro-
benius (de la réduite de Frobenius). De ce point de vue, le cas extrême est
le cas où M admet n valeurs propres (M étant une matrice carrée d’ordre
n) deux à deux distinctes. Dans ce cas là, la matrice diagonale (formée par
les valeurs propres) est la décomposition de Jordan de M (qui est donc for-
mée de n blocs d’ordre 1) alors que la réduite de Frobenius
à de M ne
! compte
a 0 0 0
0 b 0 0
qu’un seul bloc. Par exemple, pour n = 4 et M = 0 0 c 0 , on ob-
0 0 0 d
à 0 0 0 −abcd
!
1 0 1 abc + abd + acd + bcd
tient frob(M ) = 0 1 0 −(ab + ac + ad + bc + bd + cd) lorsque a, b, c et d sont
0 0 1 a+b+c+d
deux à deux distincts (on voit naturellement apparaître dans les coefficients de
(X − a)(X − b)(X − c)(X − d) les polynômes symétriques sur lesquels nous
reviendrons plus loin).
De manière générale, on peut facilement voir que l’on peut connaître la ré-
duite de Jordan d’une matrice dont on connaît la réduite de Frobenius à condi-
tion de tenir compte de la multiplicité de chacune des racines des invariants
de similitude (i.e., des valeurs propres de la matrice). Réciproquement, on peut
trouver les invariants de similitude (et donc la réduite de Frobenius) d’une ma-
trice à partir de sa réduite de Jordan et des suites de Segré attachées à chaque
valeur propre.

3.3 Matrices semblables

Théorème 4 Deux endomorphismes sont semblables si, et seulement si, ils

ont les mêmes invariants de similitude.

Démonstration : Deux matrices A, B dans Mn (K) sont semblables s’il existe

une matrice P ∈ GLn (K) telle que A = P −1 BP . Notons u et v les endomor-
phismes de Kn de matrices respectives A et B dans la base canonique ; on a
donc u = f −1 ◦ v ◦ f où f est un automorphisme de Kn . Dans cette situa-
r
M
tion, si P1 , . . . , Pr est la suite des invariants de similitude de u (Kn = Ei ,
i=1
r
M
n
u|Ei est cyclique et de polynôme minimal Pi ), on a également K = f (Ei ).
i=1
De plus, la relation de similitude implique que pour tout Q de K[X], on a
f (Q(u)(x)) = Q(v)(f (x)) et on en déduit que les f (Ei ) sont v-stables, que Pi
est aussi le polynôme minimal de v|f (Ei ) et que v|f (Ei ) est cyclique. Ainsi A et
B ont mêmes invariants de similitude. Réciproquement, si A et B sont deux
matrices ayant mêmes invariants de similitude, le théorème de décomposition
de Frobenius montre qu’elles sont semblables. ¥

12
En « petite dimension », cela se traduit par :

Corollaire 2 Pour n 6 3, deux endomorphismes sont semblables si, et seule-

ment si, ils ont mêmes polynômes minimal et caractéristique.
Pour n > 4 l’implication non triviale est fausse.

Démonstration : Soient P1 , . . . , Pk les polynômes associés à la décomposition

de Frobenius de notre endomorphisme. Il est alors facile de constater que pour
n 6 3 la donnée de P1 et le produit P1 . . . Pk (avec Pi+1 divise Pi ) détermine
complétement la suite (Pi )k1 . Par contre, si n > 4, il est possible de construire
deux suites distinctes (Pi )k1 et (Qi )l1 avec P1 = Q1 et P1 . . . Pk = Q1 . . . Ql . Par
exemple, les deux matrices 4 × 4 ci-dessous ont même polynômes caractéristique
et minimal mais ne sont pas semblables au vu de l’unicité dans le théorème de dé-
composition (elles correspondent
µ aux ¶ suites de polynômes X 2 , X 2 et X 2 , X, X) :
³ ´ CX 2 0 0
CX 2 0
0 C 2 et 0 CX 0 ∈ M4 (R). ¥
X 0 0 CX

Exercice 2 1) Soit L une extension du corps K. Si M et N sont des matrices

de Mn (K) semblables dans Mn (L), alors elles sont semblables dans Mn (K).
2) Soit M ∈ Mn (K) et L une extension du corps K. On a alors πK,M = πL,M .

3.4 Matrice transposée

Il est bien connu que

Théorème 5 Toute matrice est semblable à sa transposée.

La preuve est immédiate à partir du théorème de décomposition (les inva-

riants de similitude étant les mêmes). On notera que la démonstration « clas-
sique » de ce résultat repose sur la réduction de Jordan (il en en effet facile de
montrer que toute matrice de Jordan est semblable à sa transposée), de manière
duale il est tout aussi facile de prouver qu’une matrice compagnon est semblable
à sa transposée (et cela fournit une autre preuve de ce corollaire à partir de la
réduction de Frobenius) : si

0 0 ... 0 −a0
  a1 a2 ... an−1

1
1 0 ... 0 −a1 a2 a3 ... 1 0
0 1 ... 0 −a2   
A = 
 .. .. .. . .
,
 S = 

.
.
.
.
.
. ...
.
.
.
.
.
.
∈ GLn (C),
. . . .
. . . an−1 1 ... 0 0
0 ... 0 1 −an−1 1 0 ... 0 0

13
alors −a 
0 0 0 ... 0 0
0 a2 a3 ... an−1 1
 
 .. 
 0 a3 a4 . 1 0
AS =  
 .
.
.
.
.
.
.
.
.
.
 . . . ... . .
0 an−1 1 ... 0 0
0 1 0 ... 0 0
¡
t
¢ ¡ ¢
est une matrice symétrique et par conséquent AS = AS = S tA i.e. A =
¡ ¢
S tA S −1 .

Il est intéressant de remarquer dans la formule ci-dessus que la matrice de

passage de A à sa transposée est symétrique. Le théorème suivant clarifie ce fait

Théorème 6
1) Pour toute matrice carrée réelle, il existe une matrice de passage à sa trans-
posée qui soit symétrique.
2) Les matrices de passage d’une matrice A ∈ Mn (K) à sa transposée sont
toutes symétriques si, et seulement si, la matrice A est cyclique.

Démonstration : 1) Comme toute matrice compagnon admet une matrice

symétrique de passage à sa transposée, il en résulte que toute matrice de Fro-
benius (i.e. une matrice constituée de blocs diagonaux cycliques) F admet aussi
une matrice de passage à sa transposée S symétrique réelle (F = SAS −1 ).
Vérifions maintenant que cette propriété se généralise à toutes les matrices.
Maintenant avec le théorème de décomposition de Frobenius, toute matrice
A ∈ Mn (R) est semblable à une matrice de Frobenius : il existe donc P ∈
GLn (R), S ∈ Sn (R) ∩ GLn (R) et F matrice de Frobenius, telles que
A = P F P −1 , F = S tF S −1 .
Ainsi
A = P (S tF S −1 )P −1 = (P S)( tP tP −1 ) tF ( tP tP −1 )(S −1 P −1 )
= (P S tP )( tP −1 tF tP )( tP −1 S −1 P −1 )
= (P S tP ) tA( tP −1 S −1 P −1 )
= (P S tP ) tA(P S tP )−1 = S1 tAS1−1

où S1 = P S tP . La matrice de passage S1 est clairement symétrique, nous avons

donc démontré que pour toute matrice A ∈ Mn (R), il existe une matrice de
passage symétrique S telle que A = S tAS −1 .
2) Pour la seconde propriété, voir9 O. Taussky & H. Zassenhaus « On the
similarity tranformation between a matrix and its transpose » Pacific J. Math.
(9) 1959. ¥
9
Nous remercions notre collègue J.B. Hiriart-Urruty (Université Paul Sabatier, Toulouse)
pour nous avoir communiqué cette référence.

14
Terminons par un corollaire intéressant10

Corollaire 3 Toute matrice carrée réelle est le produit de deux matrices sy-
métriques réelles.

Démonstration : Vu ce qui précède, on peut écrire

A = SS 0 , où S 0 = tAS −1

et comme
t
(S 0 ) = t( tAS −1 ) = tS −1 A = S −1 S tAS −1 = tAS −1 = S 0

S 0 est symétrique et le tour est joué puisque A = SS 0 ¥

3.5 Commutant et bicommutant

Soit u ∈ End(E) où E est un K-espace vectoriel de dimension n. On rappelle
que :
Com(u) = {v ∈ End(E) : u ◦ v = v ◦ u}
Bicom(u) = {v ∈ End(E) : v ◦ w = w ◦ v , ∀ w ∈ Com(u)} ⊂ Com(u)
sont, respectivement, le commutant et le bicommutant de u. Si M est la matrice
de u (peu importe le choix de la base de E), on a bien sûr les définitions similaires
de Com(M ) et Bicom(M ).

3.5.1 Le commutant

Théorème 7 Soit u ∈ End(E) où E est un K-espace vectoriel de dimension

n. On a alors :
1) dim Com(u) > n.
2) dim Com(u) = n si, et seulement si, u est cyclique.

 
CP 1 0
 
 CP2 
Démonstration : 1) Soit 
 ..
 la décomposition

 . 
0 CPk

de Frobenius de u, P1 P2 . . . Pk est le polynôme caractéristique de u, deg(P1 ) +

10
Voir aussi la « question-réponse 544 » RMS 116-2.

15
deg(P2 ) + . . . + deg(Pk ) = n et il est clair que l’ensemble des matrices diagonales
par blocs :
 
0
 ..  ½
 . 0  i = 1, . . . , k
  avec
 0  ij = 1, . . . , deg(Pi ) − 1
 
 i 
 CPj 
 i
 et CPl = CP × . . . × CP
 0  | {z }
 
 ..  l fois CP
 0 . 
0

est une famille libre H formée de n vecteurs appartenant à Com(u) et ceci prouve
que dim Com(u) > n.
2) Supposons u cyclique et soit x un vecteur cyclique pour u (i.e. {x, u(x), . . . ,
un−1 (x)} est une base de E). Alors tout v de Com(T ) est entièrement déterminé
par v(x) (puisque v(ui (x)) = ui (v(x)), pour tout 1 6 i 6 k) et l’application
linéaire de Com(u) dans E donnée par

u 7−→ u(x)

est injective. Ceci prouve que dim Com(u) 6 n et en tenant compte de (1), on
conclut que dim Com(u) = n lorsque u est cyclique.
Supposons à présent que u ne soit pas cyclique ; en reprenant les notations
de la partie (1), il faut montrer que Com(M ) contient au moins un élément qui
n’est pas dans Vect(H). Sans perte de généralité, on peut supposer k = 2 (u
n’est pas cyclique) ; il existe alors une base B de E telle que
µ ¶
CP Q 0
MB (u) =
0 CP

où P Q et P 2 Q sont respectivement les polynômes minimal et caractérsitique de

u. Il est connu que E est muni naturellement d’une structure de K[u]-module
(et si v ∈ EndK (E), dire que v commute avec u signifie que v est K[u]-linéaire).
Cela se traduit par l’existence de x, y ∈ E tels que
Φ
E = K[u](x) ⊕ K[u](y) ' K[X]/P Q × K[X]/P

En notant π la surjection canonique K[X]/P Q → K[X]/P , l’application

L: K[X]/P Q × K[X]/P → K[X]/P Q × K[X]/P

(S, R) 7→ (0, π(S))

induit, via l’isomorphisme Φ, une application K[X]-linéaire L̃ ∈ EndK (E). Par

conséquent, L̃ ∈ Com(u) et sa matrice dans la base B est de la forme
µ ¶
0 0
MB (L̃) = .
C 0

16
Visiblement MB (L̃) 6∈ Vect(H), ce qui achève la preuve du théorème. ¥
Remarques : 1. Il est clair que K[u] ⊂ Com(u) pour tout endomorphisme u
et on a donc Com(u) = K(u) si, et seulement si, u est cyclique.
2. On notera le principe de la preuve lorsque u n’est pas cyclique : dire que M
n’est pas une matrice compagnon revient à dire que la décomposition de Frobe-
nius de M comprend au moins deux blocs compagnon. Par exemple, ³ si cette
´
A 0
décomposition comprend exactement deux blocs, i.e. si elle s’écrit : 0 B ,
³ ´
0 0
l’idée est de chercher une matrice de la forme C 0 telle que :
³ ´ ³ ´ ³ ´ ³ ´
A 0 0 0 0 0 A 0
(∗) 0 B C 0 = C 0 0 B

et ceci est équivalent à avoir BC = CA. En particulier,

³ la´ fin de la preuve
0 0
du théorème montre l’existence d’une telle matrice C 0 que l’on notera
LC avec de plus la propriété que C est de rang maximum (c’est la matrice
d’une application surjective). Cette propriété supplémentaire interviendra de fa-
çon cruciale dans la preuve du théorème 8.

3.5.2 Approche topologique de la dimension du commutant

De la structure topologique de l’ensemble des matrices cycliques et de la
semi-continuité inférieure de l’application rang, il n’est pas difficile de donner
une preuve plus élémentaire de la première assertion du théorème précédent.

Pour toute matrice A ∈ Mn (C) son commutant Com(A) est un sous-espace

vectoriel de Mn (C) de dimension au moins n.

Démonstration : Soit A ∈ Mn (C), on a l’inclusion évidente C[A] ⊂ Com(A) ;

mais, si A est cyclique C[A] = vect{ In , A, . . . , An−1 } est (lemme fondamental)
de dimension n. Par ailleurs, l’ensemble des matrices cycliques Cn est (para-
graphe 2.3) ouvert dense dans Mn (C). Par transitivité de la densité, il sera
donc suffisant de montrer que l’ensemble

F := { A ∈ Mn (C) : dim Com(A) > n} ⊃ Cn

est fermé dans Mn (C). Pour établir ce dernier point, considérons, si A ∈ Mn (C),
l’endomorphisme ϕA ∈ L(Mn (C)) défini par ϕA (B) = AB − BA. Puisque
Ker(ϕA ) = Com(A),

F = { A ∈ Mn (C) : rang(ϕA ) 6 n2 − n}.

Sous cette forme, il est n’est pas difficile de vérifier que F est fermé dans Mn (C) :
soit A ∈ F , il existe dans F une suite (Ak )k de limite A, ce qui implique
aussitot : lim ϕAk = ϕA . Montrer que A ∈ F est maintenant une conséquence
k

17
immédiate de la semi-continuité inférieure de l’application rang en dimension
finie, précisément :
Pour tout espace vectoriel E de dimension finie d et tout entier 1 6 k 6
d, les ensembles de niveau Rk = {T ∈ L(E) : rang(T ) 6 k} sont fermés
dans L(E).
En effet, pour T ∈ Rk , (Tl )l ⊂ Rk de limite T : si r = rang(T), la matrice T
admet un mineur ∆r (T ) non nul et par continuité : lim ∆r (Tl ) = ∆r (T ) 6= 0. Il
l
existe donc l0 tel que l > l0 implique ∆r (Tl ) 6= 0 ; autrement dit :

∀l > l0 : k > rang(Tl ) > r

i.e. k > r =⇒ T ∈ F . Le résultat suit avec T = ϕA , Tl = ϕAl . ¥

3.5.3 Le bicommutant

Théorème 8 Soit u ∈ EndK (E) où E est un K-espace vectoriel de dimension

n. On a alors11 :
Bicom(u) = K[u]
En particulier, dim Bicom(u) = n si, et seulement si, u est cyclique.

Démonstration : L’inclusion K[u] ⊂ Bicom(u) est toujours vraie. Montrons

l’inclusion inverse.
B Pour u cyclique, elle est immédiate puisque Bicom(u) ⊂ Com(u) = K[u]
(cf. remarque après le théorème 7).
B Considérons à présent le cas où u n’est pas cyclique. Comme dans la preuve
du théorème précédent, on peut supposer que E = K[u](x) ⊕ K[u](y) avec
dim K[u](x) = n1 (c’est le degré du polynôme minimal de u) et dim K[u](y) = n2
(avec 1 6 n2 6 n1 et n1 + n2 = n). En fait, on va démontrer le résultat (équi-
valent) Bicom(M ) ⊂ K(M ) où
µ ¶
A 0
M := MB (u) = avec A ∈ Mn1 (K), B ∈ Mn2 (K)
0 B

est la décomposition de Frobenius de u dans la base

B = {x, u(x), . . . , un1 −1 (x), y, u(y), . . . , un2 −1 (y)}.

Le résultat s’ensuit alors de calculs très élémentaires. Pour tout v ∈ EndK (E), ??
on écrira µ ¶
X Y
MB (v) =
Z W
avec X ∈ Mn1 (K), W ∈ Mn2 (K), Y ∈ Mn1 ,n2 (K) et Z ∈ Mn2 ,n1 (K).

18
 µ ¶ µ ¶
X Y Idn1 0
Soit N = ∈ Bicom(u). La matrice est dans
Z W 0 0
Com(u) et
µ ¶µ ¶ µ ¶µ ¶
X Y Idn1 0 Idn1 0 X Y
=
Z W 0 0 0 0 Z W

i.e. µ ¶ µ ¶
X 0 X Y
=
Z 0 0 0
¶ µ
X 0
montre que nécessairement Z = 0 et Y = 0. Par conséquent, N =
0 W
est diagonale par blocs. De plus, N commute avec M et ceci signifie que X ∈
Com(A) et W ∈ ¶
µ Com(B) d’après le théorème précédent, on obtient N =
Π1 (A) 0
où Π1 et Π2 sont des polynômes. A présent le calcul de
0 Π2 (B)
N LC et LC N (où LC est la matrice de la remarque qui suit le théorème 5) :
µ ¶µ ¶ µ ¶
Π1 (A) 0 0 0 0 0
=
0 Π2 (B) C 0 Π2 (B)C 0

et µ ¶µ ¶ µ ¶
0 0 Π1 (A) 0 0 0
=
C 0 0 Π2 (B) CΠ1 (A) 0
montre que CΠ1 (A) = Π2 (B)C puisque N ∈ Bicom(M ). Par ailleurs, comme
LC ∈ Com(M ), on a BC = AC et on en déduit que Π1 (B)C = Π2 (B)C et
finalement Π1 (B) = Π2 (B) car C est de rang maximum. On a ainsi montré que
µ ¶
Π1 (A) 0
N= = Π(M ) avec Π ∈ K[X]
0 Π2 (B)

i.e., que Bicom(M ) ⊂ K[M ]. Ceci achève la preuve de Bicom(M ) = K[M ] ou,
de façon équivalente, Bicom(u) = K[u]. ¥

3.5.4 Quelques précisions sur la dimension du commutant

Au vu du Théorème 7, on a pour toute matrice A ∈ Mn (C) l’encadrement :

n 6 dim Com(A) 6 n2

et la dimension vaut n si, et seulement si A est cyclique et n2 si et seulement si

A est un multiple la matrice identité. La question se pose alors de savoir si la
dimension du commutant peut prendre toutes les valeurs comprises entre n et
n2 .
Par exemple, pour n = 2, un raisonnement sur le nombre k ∈ {1, 2} de blocs
Frobenius dans la réduite de Frobenius d’une matrice A permet de conclure
immédiatement que dim Com(A) ∈ {2, 4} et que dim Com(A) = 3 est impossible

19
; en effet, si k = 1, A est cyclique et dim Com(A) = 2 (théorème 5) et si k = 2,
A = λId et dim Com(A) = 4.
Ce raisonement sur le nombre de blocs Frobenius de la réduite de Frobenius
d’une matrice se généralise au cas d’une dimension quelconque et le résultat
suivant montre que la dimension du commutant ne dépend que du nombre et
de la taille12 des blocs Frobenius.
Avant d’énoncer ce résultat, fixons les notations. On prend toujours u ∈
EndK (E) où E est un K-espace vectoriel de dimension n. Soit k le nombre de
blocs Frobenius de la réduite de Frobenius de u et p1 , p2 , . . ., pk les tailles
respectives de ces blocs avec p1 > p2 > . . . > pk . On a bien entendu :

p1 + p2 + . . . + pk = n

i.e., la suite d’entiers P = (p1 , p2 , . . . , pk ) est une partition de n que l’on appel-
lera partition associée à u. À une partition P = (p1 , p2 , . . . , pk ) d’un entier n est
associé son diagramme de Young : c’est simplement le dessin de k lignes, la ième
ligne comprenant pi « cases » ou « points ». Par exemple voici les diagrammes
• • • •
• • • •
de Young : • • et • • • qui correspondent respectivement aux
•
partitions (4, 2, 1) et (4, 3) de 7. On définit alors la partition conjuguée (ou
duale) de P de la manière suivante : si l’on voit le diagramme de Young de P
comme une matrice (à k lignes et p1 colonnes), la transposée de cette matrice
définit une autre partition de n qui est, par définition, la partition duale P ∗
• • •
• •
de P. Par exemple, dans les deux exemples précédents, on obtient • et
•
• •
• •
• • , ce qui signifie que (4, 2, 1)∗ = (3, 2, 1, 1) et (4, 3)∗ = (2, 2, 2, 1). On peut
•
noter encore (1, 1, . . . , 1)∗ = (n), la partition (1, 1, . . . , 1) correspondant à une
matrice multiple de l’identité et la partition (n) correspondant à une matrice
cyclique : ce sont les deux « situations extrêmes ».
On peut à présent énoncer le résultat annoncé13 .

Théorème 9 Soit u ∈ EndK (E) où E est un K-espace vectoriel de dimension

n et P = (p1 , p2 , . . . , pk ) sa partition associée. Alors, dim(Com(u)) = q12 + q22 +
. . . + ql2 où (q1 , q2 , . . . , ql ) est la partition conjuguée de P.

On notera simplement ici (voir [3] pour une peuve détaillée) que ce résultat
met en avant l’intérêt de la décomposition de Frobenius. En particulier, il existe
un énoncé « équivalent » (cf. [1]) que l’on obtient à partir de la décomposition
12
Une matrice carrée à k lignes est dite de taille k.
13
Cf. Question-Réponse 338 (RMS 9/10, 1998/99) pour un énoncé partiel de ce résultat.

20
de Jordan mais dont l’énoncé (à partir des suites de Segré) est beaucoup plus
fastidieux.
Une conséquence immédiate de ce résultat concerne la codimension du commu-
tant14 :

Corollaire 4 La codimension du commutant d’un endomorphisme est paire.

Démonstration : Avec les notations du théorème précédent, X codimCom(A) =

2 2 2 2
n − dim Com(A) = (q1 + · · · + ql ) − q1 − · · · − ql = 2 qi qj . ¥
16i<j6l

On terminera ce paragraphe sur la dimension du commutant en évoquant un

joli petit exercice déniché dans un vieux numéro de la RMS ; la question était
de déterminer la structure de l’ensemble E des endomorphismes ϕ ∈ L (Mn (R))
vérifiant
ϕ(tB) = tϕ(B), ∀ B ∈ Mn (R).
Si on désigne par T l’endomorphisme M 7→ tM de Mn (R), E n’est rien d’autre
que le commutant de T et c’est donc une sous-algèbre de L (Mn (R)). Soit Sn
(resp. An ) l’espace vectoriel des matrices symétriques (resp. antisymétrique).
Puisque Mn (R) = Sn ⊕ An , un endomorphisme ϕ vérifiant ϕ ◦ T = T ◦ ϕ doit
laisser stable les deux sous-espaces propres de T que sont Sn et An . Mais inver-
sement, un endomorphisme laissant stable Sn et An satisfait (avec les notations
évidentes) à
t
¡ ¢
ϕ(B) = tϕ(S+A) = tϕ(S)+tϕ(A) = ϕ(S)−ϕ(A) = ϕ(S−A) = ϕ t(S + A) = ϕ(tB)

ce qui montre que ϕ ∈ E. L’algèbre E est donc constituée des endomorphismes

de Mn (R) qui laissent stables les sous-espaces Sn et An . Il existe donc un iso-
morphisme évident
E −→ L(Sn ) × L(An )
¡ ¢
qui à ϕ associe le couple ϕ|Sn , ϕ|An . Il en résulte que
µ ¶2 µ ¶2
n(n + 1) n(n − 1) n2 (n2 + 1)
dim E = + = .
2 2 2

Cette dernière formule illustre le théorème 9 et le théorème 7, en retour, nous

n2 (n2 + 1)
informe que l’opérateur de transposition n’est pas cyclique car > n2
2
dès que n > 1.
14
Pour une autre approche, consulter l’exercice 15, RMS 9/10, 2000/2001.

21
4 AUTRES APPLICATIONS MATHÉMATIQUES

4.1 Polynômes de Sylvester

Par polynôme de Sylvester on entend tout polynôme P ∈ Z[X] unitaire

à racines de module inférieur où égal à 1. Nous allons voir comment les matrices
compagnon permettent de prouver simplement que les racines non nulles de
tout polynôme de Sylvester de degré n sont des racines n-ièmes de l’unité ; ce
théorème est dû à Kronecker15 . On pourra aussi consulter les ouvrages de J.M.
Arnaudies & J. Bertin16 ou E. Leichnam17 pour d’autres approches.
Pour n ∈ N? , l’ensemble des polynômes d3 & 19 ? ?e Sylvester de degré n sera
noté Sn et sn := #Sn désignera le nombre de polynômes de Sylvester de degré
n.

Théorème 10 (Kronecker) Les zéros non nuls d’un polynôme de Sylvester

sont des racines de l’unité.

Démonstration : Soit n ∈ N? . Notons Zn l’ensemble de tous les zéros (comptés

avec leurs multiplicités) des polynômes de Sylvester de degré inférieur ou égal à
n.

I Pour n ∈ N? : sn est fini.

n
Y
Si p(z) = z n + an−1 z n−1 + · · · + a0 = (z − ζi ) ∈ Sn , par les formules de
i=1
Newton si on a pour 0 6 k 6 n − 1
¯ X ¯ X
¯ ¯
|ak | = ¯ (−1)k ζi1 . . . ζik ¯ 6 |ζi1 . . . ζik | 6 Cnk 6 n!,
16i1 <···<ik 6n 16i1 <···<ik 6n

mais les coefficients ak sont dans Z et par conséquent sn est fini.

¡ k ¢
I ( ζ ∈ Zn ) =⇒ ζ ∈ Zn , ∀ k ∈ N

Soit p(z) = z n + an−1 z n−1 + · · · + a0 ∈ Z[X], sa matrice compagnon

0 0 . . . 0 −a 
0

10 0
1
...
...
0
0
−a1
−a2 
Cp = 
 .. .. .. . .

 ∈ Mn (Z)
. . . .
. . .
0 ... 0 1 −an−1

15
Zwei Sätze über Gleichungen mit ganzzahligen Coeffienten, Crelle, Oeuvres 1 (1857) 105-
108.
16
[1], T.1, pages 127-128.
17
E. Leichnam « Exercices corrigés de Mathématiques, Polytechnique, ENS » (Algèbre et
Géométrie), exercice 1-30, Ellipse, (1999)

22
est triangularisable dans Mn (C), il existe G ∈ GLn (C) vérifiant 
 ζ1 ∗ . . . ∗  N
ζ1 ∗ ... ∗
 .. .. .
.   .. .. . 
. 
. . −1  . .
Cp = G−1 

. 
 G. Mais alors Cp
N
= G 
.
G ∈
..  .. 
0 . ∗ 0 . ∗
N
ζn ζn
Mn (Z), autrement dit CpN est une matrice à coefficients dans Z qui admet
ζ1N , . . . ζnN comme valeurs propres : son polynôme caractéristique répond à la
question.

I Conclusion : Supposons qu’il existe un polynôme p ∈ Sn admettant au

moins une racine, disons ζ1 , qui ne soit ni racine de l’unité, ni de module stric-
tement compris entre 0 et 1, l’ensemble {ζ1N }N ∈N? est alors de cardinal infini.
D’autre part, par la seconde étape pCpN (ζ1N ) = 0, ∀N ∈ N? , si bien que l’en-
semble infini {ζ1N }N ∈N? est inclu dans Zn de cardinal fini (étape 1) soit la
contradiction désirée, le théorème est démontré. ¥

Remarques : 1) On peut tout aussi bien montrer qu’un polynôme de Syl-

vester est sans zéros de module strictement compris entre 0 et 1 de la ma-
n
Y
nière suivante : soit p(z) = z k (z − ζi ) ∈ Kn , toujours avec Newton :
i=k+1
1 6 |ak | = |ζk+1 . . . ζn | 6 1, soit |ζk+1 | = · · · = |ζn | = 1.
2) Un entier algébrique est une racine d’un polynôme unitaire P (X) =
X d + ad−1 X d−1 + · · · + a1 X + a0 ∈ Z[X]. Avec les mêmes méthodes que dans la
démonstration du théorème de Kronecker, on peut démontrer le résultat suivant :
Un entier algébrique est soit entier, soit irrationnel.

4.2 Les formules de Newton

Ces célèbres formules relient les coefficients d’un polynôme aux fonctions
symétriques de ses racines. Il existe de nombreuses démonstrations, celle que
nous proposons ici est peu connue18 , elle repose à travers les matrices compagnon
sur le calcul matriciel et le théorème de Cayley-Hamilton.
Soit P (x) = xn + an−1 xn−1 + · · · + a1 x + a0 = (x − r1 ) . . . (x − rn ) ∈ C[x], et
Xn
posons pour k ∈ N? : sk := rjk . Les formules de Newton sont
j=1

sk + sk−1 an−1 + · · · + sk−n a0 = 0 k > n,

(F)
sk + sk−1 an−1 + · · · + s1 an−k+1 = −kan−k 1 6 k 6 n.

18
[Link]/[Link]/cas/mathstat/ People/kalman/pdffiles/[Link]

23
Pour établir ces formules, considérons la matrice compagnon C ∈ Mn (C) de P .
Il est bien connu
∀ k > 1 tr(C k ) = sk ,
ainsi, pour k > n les formules de Newton s’écrivent aussi sous la forme

tr(C k ) + an−1 tr(C k−1 ) + · · · + a0 tr(C k−n ) = 0,

mais, par linéarité de la trace

¡ ¢ ¡ ¢
tr C k + an−1 C k−1 · · · + a0 C k−n = tr C k−n (C n + an−1 C n−1 + · · · + a0 In )
¡ ¢
= tr C k−n P (C)
= 0

puisque (Cayley-Hamilton) P (C) = 0.

Passons maintenant au cas où 1 6 k 6 n, il s’agit cette fois de montrer

tr(C k ) + an−1 tr(C k−1 ) + · · · + an−k+1 tr(C) = −kan−k ,

soit encore
¡ ¢
tr C k + an−1 C k−1 + · · · + an−k+1 In = (n − k)an−k ,

mais on considère la famille de polynômes Qn−k (X) = X k + an−1 X k−1 + · · · +

an−k+1 , (1 6 k 6 n), la formule précédente devient

tr(Qn−k (C)) = (n − k)an−k ,

et on a la relation de récurrence

Qn−k (C) = CQn−k+1 (C) + an−k In

qui ( Q0 (C) = P (C) = 0) si k = 0, s’écrit 0 = CQ1 (C) + a0 In . Un petit calcul

(vu la formule de récurrence) nous montre que les Qn−k (C) sont précisement les
coefficients qui apparaissent lorsque l’on divise dans Mn (C) P (X) par X − C
en particulier
¡ ¢¡ ¢
P (xIn ) = xIn − C xn−1 In + xn−2 Qn−1 (C) + · · · + xQ2 (C) + Q1 (C) .

Désirant prendre la trace dans la formule précédente, commençons par éliminer

le facteur (xIn − C) (la trace passe mal au produit). Pour cela, si x n’est pas
valeur propre de C, la matrice xIn − C est inversible, et

xn−1 In + xn−2 Qn−1 (C) + · · · + xQ2 (C) + Q1 (C) = (xIn − C)−1 P (xIn ),

soit
¡ ¢ ¡ ¢
nxn−1 + tr xn−2 Qn−1 (C) + · · · + xQ2 (C) + Q1 (C) = tr (xIn − C)−1 P (xIn )

24
et il ne reste plus qu’à remarquer que puisque P (xIn ) = P (x)In
¡ ¢ ¡ ¢
tr (xIn − C)−1 P (xIn ) = P (x)tr (xIn − C)−1
Xn
1
= P (x)
j=1
x − rj
= P 0 (x) ∀ x ∈ C \ spect(C)

i.e.
¡ ¢
nxn−1 +tr xn−2 Qn−1 (C)+· · ·+xQ2 (C)+Q1 (C) = P 0 (x), ∀ z ∈ C\spect(C)

C \ spect(C) étant un ouvert connexe dense du plan complexe, cette dernière

égalité s’étend à C tout entier. Il ne reste plus alors qu’à identifier les coefficients
des deux polynômes pour terminer la démonstration. ¥

4.3 Localisation des racines d’un polynôme

À toute norme ||.|| sur Cn on associe de manière naturelle une norme sur
Mn (C) par |||A||| := sup||x||=1 ||Ax||. Pour une telle norme c’est un exercice élé-
mentaire de montrer que le rayon spectral ρ(A) := max{|λ|, λ valeur propre de A}
de A vérifie
ρ(A) 6 |||A|||.
Ainsi différents choix de normes fourniront différentes estimations du rayon
spectral d’une matrice, et via les matrices compagnon on pourra donc obte-
nir en fonction de ses coefficients une majoration du module des racines d’un
polynôme. En voici quelque unes, certaines sont élémentaires pour les autres
nous renvoyons à [6] §5.6 et sa bibliographie. En outre si a0 6= 0 les racines de
1 n −1
q(z) = z p(z ) étant les inverses de celles de p, on peut donc les minorer
a0
et localiser ainsi les racines du polynôme dans une couronne centrée à l’origine.
Voici quelques exemples
Soit donc p(X) = X n + an−1 X n−1 + · · · + a1 X + a0 ∈ C[X] et z ? un zéro de p
avec la norme k.k1 on obtient l’estimation de Cauchy

|a0 |
6 |z ? | 6 1 + max{|a0 |, |a1 |, . . . , |an−1 |}
|a0 | + max{1, |a1 |, . . . , |an−1 |}

avec la norme k.k∞ on obtient l’estimation de Montel

|a0 | (1 + |a0 | + |a1 | + . . . , |an−1 |) 6 |z ? | 6 max{1, |a0 | + |a1 | + · · · + |an−1 |}

Enfin avec la norme k.k2 on a l’estimation de Carmichael-Manson

25
 |a0 |
6 |z ? | 6 (1+|a0 |2 +|a1 |2 +· · ·+|an−1 |2 )1/2
{1 + |a0 |2 + |a1 |2 + . . . , |an−1 |2 }1/2

4.4 Quelques dernières applications

Les applications des matrices compagnon sont nombreuses et nous pourrions

continuer encore longtemps, citons en vrac quelques derniers exemples :

I Il est bien connu19 que les matrices compagnon permettent de détermi-

ner facilement la structure de l’ensemble des solutions d’une équation différen-
tielle linéaire : nous n’insisterons donc pas plus sur ce sujet (même remarque
pour les suites récurrentes).

I Récemment20 Harm Derksen montre en utilisant uniquement des ou-

tils d’Algèbre linéaire que tout endomorphisme d’un C-espace vectoriel de di-
mension paire admet au moins une valeur propre, il en résulte aussitot, via les
matrices compagnon, que tout polynôme de degré pair admet au moins une ra-
cine. Le cas du degré impair étant conséquence élémentaire21 du théorème des
valeurs intermédiaires : le théorème de d’Alembert-Gauss est donc démontré.

I Les matrices compagnon jouent encore un rôle essentiel autour du résul-

tant et des matrices de Barnett, une raison de plus pour consulter le remarquable
ouvrage de Prasolov [7] qui sera bientot traduit en francais...

I Un changement de base préserve la trace, et les éléments diagonaux

d’une matrice ne sont donc pas complétement arbitraires. Le théorème de Gibson
([7] page 81) assure que toute matrice A distincte de λIn est semblable à une
matrice dont les éléments diagonaux sont (0, . . . , tr(A)). La matrice compagnon
déjà de la forme requise permet donc de réduire la démonstration aux matrices à
polynômes minimal et caractéristique distincts ce qui se fait sans trop de peine.

I Dans22 on trouve l’étude de l’ensemble E := { A ∈ Mn (C) telles que

deg(πA ) = n − 1} (on pourrait dire que ce sont des matrices presques cycliques)
où les matrices compagnon jouent un rôle essentiel. Dans le même ouvrage l’exer-
cice 19 page 54 présente une trés élégante approche de la continuité « coefficients-
racines » via les matrices compagnon attribuée à B. Randé.
19
C. Deschamps & A. Warusfel, « Mathématiques 2e année », ch.23, Dunod (2001) ou J.P.
Demailly, « Analyse numérique et équations différentielles », ch.7, Grenoble Sciences, (1991).
20
H. Derksen « The Fundamental Theorem of Algebra and Linear Algebra »,
[Link] 110 (2003), 620-623.
21
Quitte à considérer z 7→ P (z)P (z̄) on peut supposer que P ∈ R[X].
22
R. Mneimné & F. Testard « Introduction à la théorie des groupes de Lie classiques »,
Hermann (1986), p.40

26
 I La lecture du remarquable ouvrage de J. Fresnel [5], est des plus conseillée,
on y trouvera de nombreuses précisions et beaucoup d’exercices. La même re-
marque vaut pour la RMS : depuis quelques années les matrices compagnon
ont fait un retour remarqué dans les épreuves écrites de certains concours et
sont aussi la source (de manière plus ou moins explicite) de nombreux exercices
d’oral.

5 UNE APPLICATION « CONCRÈTE »

L’approche matricielle pour l’automatisation des systèmes physiques date

d’une cinquantaine d’années. Elle a été fortement induite par l’émergence de
systèmes de grande dimension et à ce titre l’aéronautique et le spatial consti-
tuent des terrains d’applications par excellence. Qu’il s’agisse des premières
commandes de vol électriques inaugurées sur le Concorde ou bien du pilotage
des avions gros porteurs de nouvelles générations tel le A380, la définition des
lois de commande requiert l’usage de représentation matricielles pour la maîtrise
de l’évolution dynamique des grandeurs pilotées. C’est un formalisme particuliè-
rement adapté au contrôle des systèmes multidimensionnels, c’est-à-dire possé-
dant plusieurs entrées et plusieurs sorties, eut égard à la nécessité de réaliser des
opérations en temps réel avec des temps de calcul compatibles avec les organes
de calcul. Bon nombre de systèmes physiques, peuvent aisément se représenter
sous la forme différentielle suivante23 :
½ 0
x (t) = A x(t) + B u(t),
(F)
y(t) = C x(t).
Où A, C ∈ Mn (R), B ∈ Rn , x, y ∈ C 1 (R, Rn ), u ∈ C(R, R). Cette forme fait
apparaitre la notion d’état par l’intermédiaire de x(t), nommé vecteur d’état
qui représente l’information minimale relative au passé afin de calculer l’évo-
lution future. Outre la stabilité, liée à l’existence de valeurs propres pour A
strictement négatives, nous pouvons caractériser ce système par deux propriétés
fondamentales que sont la commandabilité et l’observabilité. Elles doivent
être nécessairement vérifiées pour piloter toutes les composantes du système
avec un nombre minimum de capteurs. Elles sont définies comme suit :

B Un état xi est commandable en t0 s’il est possible de déterminer u(t)

sur [t0 , tf ], (t0 6 tf < ∞) amenant tout état initial xi (t0 ) vers un état xf défini
à l’avance en temps borné. Si cette propriété est vraie pour tout t0 et pour tout
xi alors le système est dit commandable ou gouvernable.

B Un état xi est observable en t0 s’il est possible de déterminer xi (t0 ) en

connaissant y sur [t0 , tf ] avec t0 6 tf < ∞. Si cette propriété est vraie pour
tout t0 et pour tout xi alors le système est dit observable.
23
Nous nous placons ici bien entendu dans un cas simple, c’est-à-dire linéaire ou linéarisé

27
 R.E. Kalman a démontré que la propriété de commandabilité ne dépend que
de la paire (A, B) et que la propriété d’observabilité ne dépend que de la paire
(A, C) et il a formulé les critères éponymes suivants :

Critères de KALMAN : Une condition nécessaire et suffisante pour que le

système (F) soit commandable (resp. observable) est que le rang de la matrice
Qc = (B AB A2 B . . . An−1 B) ( resp. Qo = (C CA CA2 . . . CAn−1 ) ) soit
maximal c’est-à-dire égal à n ; en d’autres termes A est une matrice cyclique
admettant B (resp. C) comme vecteur cyclique.

Donnons juste ([4]) une idée de la démarche dans le cas d’un système dis-
cret24 : (
X(k + 1) = A X(k) + B u(k)
Y (k) = C X(k)
et l’évolution du vecteur d’état sur un horizon N est donnée par
N
X −1
X(N ) = AN (X(0)) + AN −1−k Bu(k)
k=0

soit
à u(N − 1)
!
.
X(N ) = AN (X(0))+(B AB A2 B . . . An−1 B An B . . . AN −1 B) .
.
.
u(0)

Sans perte de généralité on peut imaginer le recalage à l’origine soit X(N ) = 0

à u(N − 1) !
.
(B AB A2 B . . . An−1 B An B . . . AN −1 B) .
.
= −AN (X(0))
u(0)

La dimension de l’état étant n, si N < n, il n’existe pas de solution pour U , l’ho-

rizon de commmande étant trop faible, par contre si N > n, il est possible d’ex-
primer les colonnes An B, . . . , AN −1 B en fonction des précédentes en vertu du
théorème de Cayley Hamilton. Ainsi le rang maximal de (B AB A2 B . . . An−1 B
An B . . . AN −1 B) ne peut excéder celui de Qc et le système sera commandable
si le rang de Qc est maximal c’est-à-dire égal à n. ¥

En matière de synthèse de lois de commande et d’observateurs, l’usage des

formes compagnes (i.e., des matrices compagnon) s’avère d’un intérêt majeur
24
La théorie du contrôle était le thème des Journées X-UPS en 1999, le
lecteur intéressé trouvera l’intégralité des actes de ces journées sur le lien :
http ://[Link]/xups/[Link]

28
par la simplicité du calcul qui en découle. Dans un cas, il s’agit de déterminer
le vecteur K ∈ Rn pour imposer les valeurs propres de A − B tK et dans l’autre
cas, le vecteur L ∈ Rn pour imposer les valeurs propres de A−LC. Le placement
des valeurs propres est quelquefois utilisé pour stabiliser un système lorsque les
valeurs propres naturelles sont à parties réelles positives, mais plus souvent il est
mis en place pour accélérer la dynamique d’évolution afin de réduire le temps
de réponse du dispositif et plus rarement il constitue un moyen pour ralentir
l’évolution des variables quand des critères de qualité l’exigent.
Dans la base canonique compagne de commande (resp. la base canonique com-
pagne d’observation) nous obtenons les formes suivantes :
 0 1 0 ... 0
  
0 0 1 ... 0 0
   
ec = 
A .
.
.
. .. .. .
.  ec = 
, B .
. 
 . . . . .   . 
0 0 ... 0 1 0
−a0 −a1 ... −an−2 −an−1 1

et −a 
n−1 1 0 ... 0
−an−2 0 1 ... 0

eo =  ..
A .
. .. .. .
. eo = (
, C 1 0 ... 0 0 )
 . . . . .
−a1 0 ... 0 1
−a0 0 ... 0 0

Les matrices de changement de base Mc (resp. Mo ) sont établies en explicitant

les n relations déduites de Mc−1 AMc = A ec ( resp. Mo−1 AMo = A eo ). La matrice
e e tf e e e 25
Ac − Bc K( resp. Ao − LCc ) reste sous une forme compagne. Ainsi si l’on
souhaite imposer le polynôme caractéristique : D(λ) = λn + γn−1 λn−1 + . . . +
γ1 λ + γ0 , il vient les solutions simples suivantes : e
ki = γi − ai pour 0 6 i 6 n − 1
(resp. e
li = γi − ai , 0 6 i 6 n − 1 ). La solution dans la base physique est alors
obtenue par tK = tf KMc−1 ( resp. L = Mo−1 L e ).

Il est à noter que la propriété de commandabilité assure l’existence de Mc−1 ,

et que la propriété d’observabilité assure l’existence de Mo−1 . Le problème du
placement de valeurs propres se ramène ainsi au calcul du polynôme caractéris-
tique, d’une matrice de changement de base et de son inverse. Cette procédure
simple est liée à l’utilisation des formes compagnes. Sur le plan algorithmique,
cette méthode en simplifiant le calcul des matrices de bouclage L et K, constitue
une solution hautement performante dans le domaine des systèmes électroniques
embarqués où il est nécessaire d’allier rapidité et faible encombrement de la mé-
moire. A titre comparatif la procédure de calcul basée sur les formes compagnes
amène un gain en temps et de stabilité de calcul par rapport à la formulation
classique d’Ackermann dans un rapport n.
25 ec seule la dernière ligne de la matrice A
car vu la forme du vecteur B ec tf
ec − B K est modifiée.

29
6 CONCLUSION
Ce travail prenant des proportion déraisonnables, il est plus que temps de
conclure. Nous n’avons pas traité l’approche algorithmique qui est un volet
essentiel de la théorie mais nous renvoyons le lecteur à l’article de Bernard
Randé « Un algorithme pour la décomposition en espaces cycliques » RMS, (4)
2005.

Références
[1] J.M. Arnaudiés & J. Bertin « Groupes, Algèbre et Géométrie », Ellipse,
(1993) t.1 & 3.
[2] S. Barnett « Matrices in Control Theory », Van Nostrand Reinhold, London
1971.
[3] H. Carrieu, E. Fieux & P. Lassère, « Notes sur les décompositions de Frobe-
nius et de Jordan », travail en cours, 2004.
[4] G.F. Franklin & J.D. Powell « Digital Control of Dynamics Systems » ,
Addison-Wesley publishing Company (1980).
[5] J. Fresnel « Algèbre des Matrices » Hermann University Press (1999).
[6] R.A. Horn & C.R. Johnson « Matrix Analysis » Cambridge (1997).
[7] V.V. Prasolov « Problems and Theorems in Linear Algebra » Translations of
mathematical monographs vol 134. American Mathematical Society (1994).
[8] J.E. Rombaldi « Analyse Matricielle, Cours et Exercices Résolus », EDP
sciences (1999).
[9] J.H. Wilkinson « The Algebraic Eigenvalue Problem », Clarendon Press.
Oxford (1965).

Hervé Carrieu : Lycée Camille GUÉRIN, 86000 POITIERS FRANCE.

[Link]@[Link]
Maurice Fadel : LEEI/ENSEEIHT 2 rue Charles Camichel 31071 BP 7119
Toulouse Cedex 7 FRANCE. [Link]@[Link]
Etienne Fieux & Lassère Patrice : Laboratoire de Mathématiques, [Link]
UMR CNRS 5580, Université Paul Sabatier, 119 route de Narbonne, 31062
TOULOUSE FRANCE. fieux@[Link] & lassere@[Link]
Frédéric Rodriguez : Laboratoire du CERS, UMR CNRS 5177, Université
Toulouse II, 5, allées Antonio Machado, 31058 TOULOUSE Cedex 9.
[Link]@[Link]

30