République Algérienne Démocratique et Populaire

Ministère de l'Enseignement Supérieur et de la Recherche Scientique

UNIVERSITÉ MUSTAPHA STAMBOULI DE MASCARA
FACULTÉ DES SCIENCES EXACTES

Polycopié de Cours

ALGÈBRE 3

Présenté par :
KADI FATIMA ZOHRA

Ce cours est destiné aux étudiants de 2 année spécialité mathématique

Algérie 2023
 TABLE DES MATIÈRES

Avant-propos 4
1 Applications linéaires et matrices 5
1.1 Application linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Image et noyau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Matrices associées aux applications linéaires . . . . . . . . . . . . . . . 9
1.4 Changement de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.1 Matrice de passage . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5 Changement de base pour un vecteur . . . . . . . . . . . . . . . . . . . 13
1.6 Changement de base pour une application linéaire . . . . . . . . . . . . 14
Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2 Réduction des endomorphismes 19
2.1 Les éléments propres . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2 Polynôme caractéristique . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3 Diagonalisabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4 Application de la diagonalisation . . . . . . . . . . . . . . . . . . . . . 31
2.4.1 Calcul des puissances d'une matrice carrée . . . . . . . . . . . . 31
2.4.2 Suites récurrentes linéaires simultanées du 1er ordre à coecients
constants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.4.3 Suites recurrentes linéaires à coecients constants . . . . . . . . 35
Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.5 Trigonalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.6 Polynômes annulateurs, Théorème de Cayley-Hamilton . . . . . . . . . 45

2
TABLE DES MATIÈRES 3

2.6.1 Lemme fondamental . . . . . . . . . . . . . . . . . . . . . . . . 49

2.7 Recherche de polynôme minimal . . . . . . . . . . . . . . . . . . . . . . 51
2.8 Réduction en blocs triangulaires . . . . . . . . . . . . . . . . . . . . . . 57
2.9 La réduction de Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
2.9.1 Endomorphisme nilpotent . . . . . . . . . . . . . . . . . . . . . 64
2.9.2 Puissance d'une matrice trigonalisable . . . . . . . . . . . . . . 69
Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3 Exponentielle d'une matrice 82
3.1 Exponentielle d'une matrice . . . . . . . . . . . . . . . . . . . . . . . . 82
3.1.1 Cas d'une matrice diagonalisable . . . . . . . . . . . . . . . . . 83
3.1.2 Cas d'une matrice nilpotente . . . . . . . . . . . . . . . . . . . . 84
3.1.3 Cas d'une matrice triangulaire avec une seule valeur propre . . . 85
3.1.4 Cas d'une matrice triangulaire . . . . . . . . . . . . . . . . . . . 86
3.2 Dérivée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.3 Résolution d'un système diérentiel homogène . . . . . . . . . . . . . . 88
3.3.1 Cas d'une matrice diagonalisable . . . . . . . . . . . . . . . . . 89
3.3.2 Cas d'une matrice diagonalisable sur C mais pas sur R . . . . . 91
3.3.3 Cas d'une matrice trigonalisable non diagonalisable . . . . . . . 93
Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
Table des notations 98
Références 99
 AVANT-PROPOS

En algèbre linéaire, en dimension nie, tout endomorphisme est représentable par

une matrice, cette réprésentation n'est pas unique puisqu'elle dépend du choix de la
base, les matrices qui représentent le même endomorphisme dans des bases diérentes,
sont dites semblables. La réduction d'une matrice carrée ou un endomorphisme en di-
mension nie consiste à chercher une matrice semblable la plus simple possible c'est à
dire une matrice qui contient le plus grand nombre possible d'éléments nuls, dans le
meilleur des cas, une matrice diagonale (dont tous les éléments non diagonaux sont nuls
il s'agit alors d'une diagonalisation), sinon une matrice triangulaire supérieure (dont
tous les éléments sous diagonaux sont nuls il s'agit alors de trigonalisation). La réduc-
tion d'une matrice (diagonalisation ou trigonalisation) facilite le calcul des puissances
de cette matrice ainsi que son exponentielle.
Ce cours d'Algèbre 3 est destiné aux étudiants de la deuxième année LMD Mathéma-
tiques qui ont déjà étudié l'algèbre linéaire en première année. Il contient trois cha-
pitres : dans le premier chapitre on donne un petit rappel sur les applications linéaires et
on s'intéresse à la matrice de passage (changement de bases pour les endomorphismes).
Le second chapitre est consacré à la réduction, plus précisement la diagonalisation et
la trigonalisation en particulier Jordanisation des matrices, de plus on donne quelque
applications de la réduction dans les calculs de la puissances d'une matrice.
Dans le troisième chapitre, on donne la denition de l'exponentielle d'une matrice et
on le calcul en utilisant la réduction.

4
CHAPITRE 1

APPLICATIONS LINÉAIRES ET MATRICES

Les applications linéaires sont des applications entre des espaces vectoriels qui
conservent la structure d'espace vectoriel.

1.1 Application linéaire

Dans tout ce qui suit, K désigne un corps commutatif. En pratique : K = R ou C.
Dénition 1.1.1.
1. Soient E, F deux K-espaces vectoriels et f une application de E dans F . On dit
que f est linéaire si :
(a) f (u + v) = f (u) + f (v) ∀u, v ∈ E,
(b) f (λu) = λf (u) ∀λ ∈ K, ∀u ∈ E.
L'ensemble des applications linéaires de E dans F est noté LK (E, F ) ou plus
simplement L(E, F ).
2. Une application linéaire de E dans E est dite endomorphisme de E. L'ensemble
des applications linéaires de E dans E est noté End(E), LK (E) ou L(E).
Remarque 1.1.1. Pour toute f ∈ L(E, F ); f (0E ) = 0F . En eet, on a

f (0E ) = f (0E + 0E ) = f (0E ) + f (0E ).

Une autre méthode pour trouver le resultat : on remplace λ par 0K dans f (λu) = λf (u).

5
1.1 Application linéaire 6

Dénition 1.1.2. Soient E, F deux K-espaces vectoriels et f une application linéaire

de E dans F.
1. On dit que f est un isomorphisme si f est bijective.
2. Un isomorphisme de E dans E est dit automorphisme de E .
Exemple 1.1.1.
1. Soient E, F deux K-espaces vectoriels, l'application

f: E → F
est une application linéaire dite application nulle .
v → 0

2. Soit E un K-espace vectoriel, l'application

idE : E → E
v → v

est un endomorphisme de E dit identité sur E ou application identique de E.

Plus précisément, idE est un automorphisme de E.
3. L'application
f: R2 → R3
(x, y) → (x + y, 2x, 2y)
est une application linéaire de R2 dans R3 .
On a, en eet, si v = (x, y), w = (x0 , y0 ) ∈ R2 et λ ∈ R,

f (v + w) = f ((x, y) + (x0 , y 0 )) = f (x + x0 , y + y 0 )
= ((x + x0 ) + (y + y 0 ), 2(x + x0 ), 2(y + y 0 ))
= ((x + y) + (x0 + y 0 ), 2x + 2x0 , 2y + 2y 0 )
= (x + y, 2x, 2y) + (x0 + y 0 , 2x0 , 2y 0 ) = f (v) + f (w),
f (λv) = f (λ(x, y)) = f (λx, λy) = (λx + λy, 2λx, 2λy)
= λ(x + y, 2x, 2y) = λf (v).

4. Soient C([0, 1], R) et C 1 ([0, 1], R) les espaces vectoriels des applications
f : [0, 1] → R respectivement continues et à dérivée continue. L'application

D : C 1 ([0, 1], R) → C([0, 1], R)

f → f0
1.2 Image et noyau 7

est une application linéaire, puisque, pour tout λ ∈ R, f, g ∈ C 1 ([0, 1], R) on a :

D(f + g) = (f + g)0 = f 0 + g 0 = D(f ) + D(g),

D(λf ) = (λf )0 = λf 0 = λD(f ).

Dénition 1.1.3. Soit E un K-espace vectoriel. On appelle forme linéaire sur E

toute application linéaire f de E dans K. L'ensemble des formes linéaires sur E est
noté E ∗ . E ∗ est appelé le dual de E.
Exemple 1.1.1. L'application
f: R3 → R
(x, y, z) → 2x + z

est une forme linéaire sur R3 .

Proposition 1.1.1. Soient E, F deux K-espaces vectoriels, f : E → F une application.
f est linéaire si et seulement si :

∀λ ∈ K, ∀(v, w) ∈ E 2 ; f (λv + w) = λf (v) + f (w). (1.1)

1.2 Image et noyau

Proposition 1.2.1. Soient E, F deux K-espaces vectoriels et f une application linéaire
de E dans F.
1. Pour tout sous espace vectoriel F 0 de F , l'image réciproque

f −1 (F 0 ) = {v ∈ E/f (v) ∈ F 0 } ⊂ E

est un sous espace vectoriel de E .

2. Pour tout sous espace vectoriel E 0 de E , l'image directe

f (E 0 ) = {x ∈ F/∃v ∈ E 0 , x = f (v)} ⊂ F

est un sous espace vectoriel de F .

Dénition 1.2.1. Soient E, F deux K-espaces vectoriels et f une application linéaire
de E dans F . On appelle noyau de f, et on note Kerf le sous espace vectoriel de E
dénie par :
Kerf = f −1 ({0}) = {v ∈ E/f (v) = 0F }.
1.2 Image et noyau 8

On appelle image de f , et on note Imf , le sous espace vectoriel de F dénie par

Imf = f (E) = {x ∈ F/∃v ∈ E, x = f (v)}.

Exemple 1.2.1. Soit E un K-espace vectoriel.

1. Le noyau de l'application nulle est E.
2. Le noyau de l'application identité idE sur E est {0}.
Proposition 1.2.2. Soient E, F deux K-espaces vectoriels et f une application linéaire
de E dans F . f est injective si et seulement si Kerf = {0}.
Dénition 1.2.2. Soient E, F deux K-espaces vectoriels de dimension nie et f une
application linéaire de E dans F . On appelle rang de f, et on note rgf , l'entier naturel
déni par :
rgf = dim(Imf ).

Proposition 1.2.3. Soient E, F deux K-espaces vectoriels de dimension nie et f une

application linéaire de E dans F . On a :

dim(E) = rgf + dim(Kerf ). (1.2)

Remarque 1.2.1. Si dimE = dimF = n alors f est bijective si et seulement si elle
est injective ou surjective.
En eet, il est clair que si f est bijective alors elle est injective et surjective.
Reciproquement :
1. supposons que f soit injective, d'après la Proposition 1.2.2, Kerf = {0} ce qui
implique que dimKerf = 0. En utilisant la formule (1.2) on trouve

n = dimE = rgf

alors Imf = F d'où f est surjective donc bijective.

2. supposons que f soit surjective alors Imf = F , d'après (1.2)
rgf = n = dimE

ce qui implique que dimKerf = 0 on conclut que Kerf = {0} alors f est injective
donc bijective.
1.3 Matrices associées aux applications linéaires 9

1.3 Matrices associées aux applications linéaires

Soient E, F deux K-espaces vectoriels de dimension n et p respectivement et f une
application linéaire de E dans F . Choisissons une base BE = {u1, . . . , un} de E et
BF = {v1 , . . . , vp } de F . Les images par f des vecteurs u1 , . . . , un se décomposent sur
la base {v1, . . . , vp} :
f (u1 ) = a11 v1 + a21 v2 + . . . + ap1 vp
f (u2 ) = a12 v1 + a22 v2 + . . . + ap2 vp
...
f (un ) = a1n v1 + a2n v2 + . . . + apn vp

Dénition 1.3.1. On appelle matrice de f dans les bases BE , BF la matrice notée

MBE ,BF (f ) appartenant à Mp,n (K) dont les colonnes sont les composantes des vecteurs
f (u1 ), f (u2 ), . . . , f (un ) dans la base BF :

f (u1 ) f (u2 ) ... f (un )

 ↓ ↓ ↓ 
a11 a12 ... a1n v1
MBE ,BF (f ) = 
 a21 a22 ... a2n 

v2
 . ..
 .

 . .


ap1 ap2 ... apn vp

Remarque 1.3.1. Il clair que la matrice associée à f dépend du choix des bases de E
et F .
Dans le cas où f est un endomorphisme, on peut choisir la même base dans E consi-
déré comme espace de départ et d'arrivée. Dans ce cas, on notera MBE (f ) au lieu de
MBE ,BE (f ).

Exemple 1.3.1. Soit E un K- espace vectoriel de dimension n et B une base dans E.

1. La matrice associée à l'application nulle est la matrice nulle :
 
0 0

 ... .


0 0
1.3 Matrices associées aux applications linéaires 10

2. La matrice associée à l'application identité idE sur E, est la matrice unité :

 
1 0
MBE (idE ) = 
 ...  = In .


0 1

Exercice 1.3.1. Dans l'espace vectoriel R3 [X] des polynômes de degré inférieur ou
égal à 3, on considère l'application linéaire "décalage" suivante :

dec : R3 [X] → R3 [X]

P (X) → P (X + 1)

1. Écrire la matrice A = MB,B (dec) avec B = {1, X, X 2 , X 3 } est la base canonique

de R3 [X].
2. Déterminer Ker (dec).
Solution. On a
dec(1) = 1
dec(X) = X + 1
dec(X 2 ) = (X + 1)2 = X 2 + 2X + 1
dec(X 3 ) = (X + 1)3 = X 3 + 3X 2 + 3X + 1

d'où la matrice de dec est :

dec(1) dec(X) dec(X 2 ) dec(X 3 )
 
1 1 1 1 1
A=  0
 1 2 3 
 X .
X2
 
 0 0 1 3 
0 0 0 1 X3

Détèrminons Ker(dec) :
Soit Q(X) = a0 + a1X + a2X 2 + a3X 3 un vecteur de R3[X].
Détèrminons l'image de Q(X) par l'application dec :
    
1 1 1 1 a0 a0 + a1 + a2 + a3
 0 1 2 3  a1   a1 + 2a2 + 3a3 
= ,
    
 
 0 0 1 3  a2   a2 + 3a3 
0 0 0 1 a3 a3
1.4 Changement de base 11

alors
dec(Q(X)) = (a0 + a1 + a2 + a3 ) + (a1 + 2a2 + 3a3 )X + (a2 + 3a3 )X 2 + a3 X 3

Ker(dec) = {a0 + a1 X + a2 X 2 + a3 X 3 ∈ R3 [X]/dec(a0 + a1 X + a2 X 2 + a3 X 3 ) = 0}



 a0 + a1 + a2 + a3 = 0

 a1 + 2a2 + 3a3 = 0
= a0 + a1 X + a2 X 2 + a3 X 3 ∈ R3 [X]/

= {0}.

 a2 + 3a3 = 0

a3 = 0


On conclut que l'application dec est injective donc elle est bijective.

1.4 Changement de base

1.4.1 Matrice de passage
Soient E un K-espace vectoriel de dimension n, B = {e1, . . . , en} et B 0 = {e01, . . . , e0n}
deux bases de E . Les vecteurs e0i s'écrivent comme combinaisons linéaires des vecteurs
ei :

e01 = p11 e1 + p21 e2 + . . . + pn1 en

e02 = p12 e1 + p22 e2 + . . . + pn2 en
...
e0n = p1n e1 + p2n e2 + . . . + pnn en

Dénition 1.4.1. On appelle matrice de passage de la base B = {e1 , · · · , en } à la

base B =0
la matrice noté P ass(B, B ) de Mn (K) dont les colonnes sont
{e01 , · · · , e0n } 0

formées des composantes des vecteurs de B 0 exprimés sur la base B .

 
p11 p12 . . . p1n
 p21 p22 . . . p2n
 
 ..
P ass(B, B 0 ) = 


 .


pn1 pn2 . . . pnn

Exemple 1.4.1. Soient B = {e1 = (1, 0), e2 = (0, 1)} la base canonique de R2 et
B 0 = {e01 = (1, 2), e02 = (3, 4)} une autre base de R2 . Les vecteures e01 et e02 sont des
1.4 Changement de base 12

combinaisons linéaires de e1 et e2 :

e01 = e1 + 2e2
e02 = 3e1 + 4e1

alors la matrice de passage de B à B 0 est

!
1 3
P ass(B, B 0 ) =
2 4

Remarquons que :
idR2 (e01 ) = e01 = e1 + 2e2
idR2 (e02 ) = e02 = 3e1 + 4e1

alors
idR2 (e01 ) idR2 (e02!
)
P ass(B, B 0 ) = MB 0 ,B (idR2 ) = 1 3 e1
2 4 e2

Proposition 1.4.1. Pour toutes bases B, B 0 de E : P ass(B, B 0 ) = MB ,B (idE ). 0

Proposition 1.4.2. Soient E un K-espace vectoriel de dimension n et B, B 0 , B 00 des

bases de E. On a :
1. P ass(B, B 00 ) = P ass(B, B 0 ).P ass(B 0 , B 00 ).
2. P ass(B, B) = In .
3. P ass(B, B 0 ) est inversible et (P ass(B, B 0 ))−1 = P ass(B 0 , B).
Démonstration.
1. Soient B, B 0, B 00 des bases de E. On a
idE idE
E → E → E
P ass(B, B 0 ) = MB 00 ,B (idE ) = MB 0 ,B (idE )MB 00 ,B 0 (idE )
↓ ↓ ↓
= P ass(B, B 0 ).P ass(B 0 , B 00 ) B 00 B0 B

2. Tout vecteur ej de B, j ∈ {1, · · · , n}, est une combinaison linéaire de e1, e2, · · · , en,
ej = 0e1 + 0e2 + · · · + 0ej−1 + 1ej + 0ej+1 + · · · + 0en
1.5 Changement de base pour un vecteur 13

alors la matrice
 e1 e2 . . . e n 
1 0 ... 0 e1
 0 1 ... 0  e2
 
 . ...
 .
 .



0 0 ... 1 en
est la matrice de passage de B à B . Il clair que P ass(B, B) = In.
3. P ass(B, B 0).P ass(B 0, B) = P ass(B, B) = In. On conclut que P ass(B, B 0) est
inversible et (P ass(B, B 0))−1 = P ass(B 0, B).

Remarque 1.4.1.
1. Toute matrice de passage est inversible.
2. Toute matrice inversible peut être considérée comme matrice de passage.

1.5 Changement de base pour un vecteur

Soient B = {e1, · · · , en}, B 0 = {e01, · · · , e0n} deux bases de E et x ∈ E , de compo-
santes (x1, · · · , xn) dans B et (x01, · · · , x0n) dans B 0. On détermine les relations entre xi
et x0i à l'aide de la matrice de passage Pass(B,B 0).
x01
 
x1
Notons X := 
 ...  = MB (x), X 0 := 
  ...  = MB 0 (x)

et P = P ass(B, B 0).
xn x0n
Alors
P X 0 = MB 0 ,B (idE )MB 0 (x) = MB (idE (x)) = X.

Proposition 1.5.1. Soient E un K-espace vectoriel, B, B 0 deux bases de E et x ∈ E,

avec P = P ass(B, B 0 ), X = MB (x) et X 0 = MB0 (x). Alors

X = P X 0 ⇔ X 0 = P −1 X.

Exemple 1.5.1. Soient E = R2 [X], B = {1, X, X 2 } et B 0 = {1, 1 + X, 1 − X 2 } deux

bases de E alors  
1 1 1
P = P ass(B, B 0 ) =  0 1 0  .
 
0 0 −1
1.6 Changement de base pour une application linéaire 14

Soit Q un vecteur de  , en notant a0 , a1 , a2 les composantes de Q dans la base B

 R2 [X]
0

a0
c'est à dire : X :=  a1 

 = MB 0 (Q), alors les composantes de Q dans B est
a2
    
1 1 1 a0 a0 + a1 + a2
MB (Q) =  0 1 0   a1  =  a1
    

0 0 −1 a2 −a2

1.6 Changement de base pour une application linéaire

Soient E et F deux K-espaces vectoriels de dimension n et m respectivement
Proposition 1.6.1. Soient f ∈ L(E, F ), B, B 0 deux bases de E et C, C 0 deux bases de
F . Notons

A = MB,C (f ), A0 = MB 0 ,C 0 , P = P ass(B, B 0 ), Q = P ass(C, C 0 ).

On a alors
A0 = Q−1 .A.P.

Démonstration. On a
A0 = MB 0 ,C 0 (f ) = MB 0 ,C 0 (idF ◦ f ◦ idE ) idE f idF
E → E → F → F
= MCC 0 (idF )MBC (f )MB 0 B (idE ) P ass(B,B 0 ) A P ass(C 0 ,C)
↓ ↓ ↓ ↓
= P ass(C 0 C).A.P ass(B, B 0 )
B0 B C C0
= Q−1 AP

A0 = MB 0 ,C 0 (f ) = MB 0 ,C 0 (idF ◦ f ◦ idE ) idE f idF

E → E → F → F
= MCC 0 (idF )MBC (f )MB 0 B (idE ) P ass(B,B 0 ) A P ass(C 0 ,C)
↓ ↓ ↓ ↓
= P ass(C 0 C).A.P ass(B, B 0 )
B0 B C C0
= Q−1 AP

Le cas des endomorphismes est particulierement important, en particulier l'orsqu'on

prend la même base dans l'espace de depart et d'arrivée. Dans ce cas
1.6 Changement de base pour une application linéaire 15

Corollaire 1.6.1. Soit f ∈ End(E) et B, B 0 deux bases de E. Notons :

A = MB (f ), A0 = MB 0 (f ) et P = P ass(B, B 0 ).

Alors :
A0 = P −1 AP.
Dénition 1.6.1. Deux matrices A, A0 ∈ Mn (K) sont dites semblables, et on note
A ∼ A0 , s'il existe P ∈ GLn (K) telle que :

A0 = P −1 AP.

Remarque 1.6.1. Deux matrices semblables représentent le même endomorphisme en

des bases diérentes.
Exemple 1.6.1. Soit f l'endomorphisme de R3 qui est dans la base canonique
B c = {e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1)} de R3 est représenté par la matrice
 
3 −1 0
A =  0 1 2 .
 
1 0 1

Déterminons la matrice A0 qui repésente f dans la base B 0 = {e1 = (1, 1, 0), e2 =

(1, 0, 1), e3 = (0, 1, 1)}. On a
 
1 1 0
A0 = P −1 AP avec P =  1 0 1  .
 
0 1 1

P −1 = P ass(B 0 , B c ) =?
On a
   
0 1 0 0 0
 e1 = e1 + e2
  e1 = 2 (e1 + e2 − e3 )

1
1 1 −1
e02 = e1 + e3 ⇒ e2 = 21 (e01 + e03 − e02 ) , alors P −1 =  1 −1 1  ,

 e0 = e + e
  e = 1 (e0 + e0 − e0 )
 2
3 2 3 3 2 2 3 1 −1 1 1

donc la matrice de f dans B 0 est

     
1 1 −1 3 −1 0 1 1 0 2 3 1
1  1
A0 =  1 −1 1   0 1 2   1 0 1  =  2 3 −3  .
  
2 2
−1 1 1 1 0 1 0 1 1 0 1 5
1.6 Changement de base pour une application linéaire 16

Les matrices    
3 −1 0 2 3 1
1
 0 1 2 
 
et  2 3 −3 

2
1 0 1 0 1 5
sont semblables.
1.6 Changement de base pour une application linéaire 17

Exercices
Exercice 1.6.1.
1. Soient E un K -espace vectoriel et f un endomorphisme de E. Montrer que pour
tout p ∈ N∗ , on a

Kerf ⊂ Kerf 2 ⊂ Kerf 3 ⊂ · · · Kerf p .

Imf ⊃ Imf 2 ⊃ Imf 3 ⊃ · · · Imf p .

2. On suppose E de dimension nie. Montrer que les propriétés suivantes sont équi-
valentes :
(a) Kerf = Kerf 2
(b) Imf = Imf 2
(c) E = Imf ⊕ Kerf.
Exercice 1.6.2. Montrer que les applications suivantes sont linéaires :
f: R3 → R g: R3 → R2
;
(x, y, z) → x + y − 3z (x, y, z) → (x + y, y + z)

der : R3 [X] → R3 [X] dec : R3 [X] → R3 [X]

;
P (X) → P 0 (X) P (X) → P (X + 1)
X Détèrminer l'image et le noyau de ces applications.
X Sont elles bijectives ?
X Détèrminer les matrices associées à ces applications dans les bases canoniques.

Exercice 1.6.3. Détérminer les applications linéaires présentées, dans les bases cano-
niques, par les matrices suivantes :
 
  13 26 13 26
2 3 0  9 5 4 6 
A1 =  1 5 −1  ; A2 = 
   

 0 21 7 14 
3 −3 2
2 24 8 10

Exercice 1.6.4. Soit V1 = ( 41 , 1, 12 ), V2 = (1, 32 , 1), V3 = ( 12 , 1, 12 ) :

1. Montrer que B1 = {V1 , V2 , V3 } est une base de R3 . Trouver la matrice de passage
P de la base canonique à B1 .
1.6 Changement de base pour une application linéaire 18

2. Calculer P −1 .
3. Soit W un vecteur de R3 telle que les coordonnées de W dans la base canonique
sont : 2, 21 , 3. Ecrire W dans B1 .
Exercice 1.6.5. Soit E un K-espace vectoriel de dimension nie n. Deux matrices
carrées A,B d'ordre n sont dites semblables et on note A ∼ B s'il existe une matrice P
de GLn (K) telle que : B = P −1 AP.
Montrer que ∼ est une relation d'équivalence dans Mn (K).
Exercice 1.6.6. On considère l'application suivante :
f: R3 → R3
(x, y, z) → (2x + y, x + z, y − z)

1. Montrer que f est une application linéaire.

2. Déterminer le noyau de f et Imf. f est elle bijective
3. Déterminer la matrice de f dans la base canonique de R3 .
4. Déterminer la matrice de f dans la base B = {u1 = (−1, 1, 1), u2 = (1, −1, 1), u3 =
(1, 1, −1)} de R3 .
CHAPITRE 2

RÉDUCTION DES ENDOMORPHISMES

2.1 Les éléments propres

Dénition 2.1.1. Soient E un K-espace vectoriel de dimension nie n (n ≥ 1) et f
un endomorphisme de E (f ∈ End(E)).
1. Un scalaire λ de K est dit valeur propre de f si il existe un vecteur v de E non
nul tel que
f (v) = λv.

v est dit vecteur propre associé à la valeur propre λ

2. Un vecteur v de E − {0} est dit vecteur propre de f si il existe λ ∈ K tel que

f (v) = λv.

On appelle spectre de f , et on note SpK (f ), l'ensemble des valeurs propres de f .

3. Les valeurs propres et les vecteurs propres sont globalement appellés éléments
propres.

Remarque 2.1.1.
1. Les vecteurs propres sont non nuls par Denition 2.1.1, la valeur propre peut être
nulle, les vecteurs (non nuls) de Kerf sont les vecteurs propres associés à λ = 0.
2. Si v est un vecteur propre associé à λ, alors pour tout α ∈ K − {0}, αv est un
vecteur propre associé à la valeur propre λ.

19
2.1 Les éléments propres 20

En eet :
f (αv) = αf (v) = αλv = λ(αv).

D'après la remarque 2 la droite vectorielle D engendré par un vecteur propre est

invariant par f , c'est à dire : f (D) ⊂ D.
Exemple 2.1.1.
1. Soit E un K espace vectoriel.
(a) L'endomorphisme nul n'a qu'une valeur propre λ = 0.
(b) L'application identité idE sur E n'a qu'une valeur propre λ = 1.
2. On dénit, sur E = K3 , l'endomorphisme f par

f (x, y, z) = (x + 2y, z + 2x, y + 2z).

Le vecteur (1, 1, 1) est un vecteur propre de f . En eet :

f (1, 1, 1) = (3, 3, 3) = 3(1, 1, 1)

alors (1, 1, 1) est un vecteur propre associé à la valeur propre 3.

Proposition 2.1.1. Soient E un K-espace vectoriel et λ ∈ K. On a
λ ∈ SpK (f ) ⇔ Ker(f − λIdE ) 6= {0} ⇔ (f − λIdE ) non injective.

Démonstration. Soit λ ∈ K,
• 1 =⇒ 2
Si λ est un vecteur propre de f alors il existe un vecteur x non nul de E tel que
f (x) = λx d'où (f − λidE )(x) = 0, c'est à dire que x ∈ Ker(f − λidE ) donc
Ker(f − λidE ) 6= {0}.
• 2 =⇒ 1
Si Ker(f − λidE ) 6= {0} alors il existe un vecteur x non nul de E tel que x ∈
Ker(f − λidE ), d'où (f − λidE )(x) = 0 donc f (x) = λx c'est à dire que x est un
vecteur propre associé à la valeur propre λ.
• D'après la Proposition 1.2.2 on a l'quivalence entre 2 et 3.
2.1 Les éléments propres 21

Méthode 2 :
λ ∈ SpK (f ) ⇔ ∃v ∈ E − {0}; f (v) = λv
⇔ ∃v ∈ E − {0}; f (v) − λv = 0
⇔ ∃v ∈ E − {0}; (f − λIdE )(v) = 0
⇔ ∃v ∈ E − {0}; v ∈ Ker(f − λIdE )
⇔ Ker(f − λIdE ) 6= {0}
⇔ (f − λIdE ) non injective.

Dénition 2.1.2. (Proposition)

Soient E un K-espace vectoriel de dimension nie n (n ≥ 1). Pour toute valeur propre
λ de f , le sous espace vectoriel Ker(f − λIdE ) est formé de vecteurs propres associé à
la valeur propre λ et du vecteur nul.
Le sous espace vectoriel Ker(f − λIdE ) est appelé le sous espace propre de f associé à
λ et noté Eλ .

Proposition 2.1.2. Soient λ1 , . . . , λp des scalaires deux à deux distincts. Les espaces
propres Eλ1 , . . . , Eλp sont en somme directe.
Démonstration. Par récurrence sur p.
Pour p = 1 il y a rien à demontrer.
Supposons que Eλ , . . . , Eλ sont en somme directe et montrons que Eλ , . . . , Eλ sont
1 p 1 p+1

aussi en somme directe. Il sagit de demontrer que si x ∈ (Eλ + . . . + Eλ ) ∩ Eλ alors

1 p p+1

x = 0. Soit

x = x1 + . . . + xp avec xk ∈ Eλ k
(2.1)
f (x) = λ1 x1 + . . . + λp xp .

D'autre part
f (x) = λp+1 x = λp+1 x1 + . . . + λp+1 xp . (2.2)
En faisant la diérence (2.2)-(2.1) on obtient :
0 = (λ1 − λp+1 )x1 + . . . + (λp − λp+1 )xp .

Or Eλ , . . . , Eλ sont en somme directe, donc :(λk − λp+1)xk = 0 pour k = 1, . . . , p,

1 p

comme les λi sont deux à deux distincts alors pour tout k ∈ {1, . . . , p}, xk = 0 donc
x = 0.
2.2 Polynôme caractéristique 22

2.2 Polynôme caractéristique

Dans tout ce qui suit E designe un K-espace vectoriel de dimension nie n (n ≥ 1)
Proposition 2.2.1. Soit f ∈ End(f ). L'application
K → K
λ → det(f − λIdE )

est un polynôme, appelé polynôme caractéristique de f , et noté χf .

Démonstration. Soient B une base de E et MB (f ) = (aij )1≤i,j≤n. Il clair, par dévelop-
pement du déterminant que l'application
a11 − λ a12 ... a1n
a21 a22 − λ . . . a2n
λ → det(f − λdE ) = ... ... ...
an1 an2 . . . ann − λ

est un polynôme de degré n.

Exemple 2.2.1. Soit f l'endomorphisme sur K3 deni par :
f (x, y, z) = (2x + y, z, 2y − x) pour tout (x, y, z) ∈ K3 .

La matrice de f dans la base canonique B = {e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1)}
est  
2 1 0
MB (f ) =  0 0 1 
 
−1 2 0
Le polynôme caractéristique de f est donné par

2−λ 1 0
∀λ ∈ K; χf (λ) = 0 −λ 1 = (2 − λ)(λ2 − 2).
−1 2 −λ

Proposition 2.2.2. Deux matrices semblables ont même polynôme caractéristique c'est
à dire
A, B ∈ Mn (K), A ∼ B ⇒ χA = χB .
2.2 Polynôme caractéristique 23

Autrement dit : le polynôme caractéristique d'un endomorphisme f ne dépend que de

f et non du choix de la base.

Démonstration. Soient (A, B) ∈ Mn(K)2 telle que A ∼ B alors il existe P ∈ GLn(K)

tel que B = P −1AP .
On a, pour tout λ ∈ K :
χB (λ) = det(B − λIn ) = det(P −1 AP − λIn )
= det[P −1 (A − λIn )P ] = det(P −1 )det(A − λIn )det(P )
= χA (λ).

Remarque 2.2.1.
! La réciproque
! de la Proposition 2.2.2 est fausse (si n ≥ 2), pour
0 0 0 1
A= et B = on a A 6∼ B et χA = χB = X 2 .
0 0 0 0

Proposition 2.2.3. Pour tout f ∈ End(E), on a

SpK (f ) = χ−1
f ({0}).

Autrement dit : les valeurs propres d'un endomorphisme sont les zéros du polynôme
caractéristique de cet endomorphisme.
Démonstration. Pour tout λ ∈ K.
λ ∈ SpK (f ) ⇔ Ker(f − λIdE ) 6= {0}
⇔ (f − λIdE ) non injective
⇔ det(f − λIdE ) = 0
⇔ χf (λ) = 0.

Corollaire 2.2.1. Le spectre d'un endomorphisme de E (dimE = n) est une partie

nie de K, ayant au plus n éléments.
Exemple 2.2.2. Soit f un endomorphisme de K3 représenté dans une base de K3 par
la matrice  
2 4 2
 −1 2 −3 
 
0 −4 0
2.2 Polynôme caractéristique 24

- Calculons les valeurs propres de f :

Pour tout λ ∈ K, on a

2−λ 4 2
χf (λ) = −1 2 − λ −3 = (2 − λ)(2 + λ)(λ − 4)
0 −4 −λ

alors SpK (f ) = {−2, 2, 4}.

- Calculons les vecteurs propres de f :

- Pour λ = −2 :
Soit u = (x, y, z) ∈ E−2 ⇔ Ker(f + 2IdE )(x, y, z) = (0, 0, 0)

 4x + 4y + 2z = 0
 (
z = 2y
⇔ −x + 4y − 3z = 0 ⇔ ,

 −4y + 2z = 0 x = −2y

on peut choisir y = 1, on obtient u = (−2, 1, 2).

- Pour λ = 2 :
Soit v = (x, y, z) ∈ E2 ⇔ Ker(f − 2IdE )(x, y, z) = (0, 0, 0)

 4y + 2z = 0
(
y = − 12 z

⇔ −x − 3z = 0 ⇔ ,

 −4y − 2z = 0 x = −3z

on peut choisir z = −1 on obtient (3, 12 , −1).

- Pour λ = 4 :
Soit w = (x, y, z) ∈ E4 ⇔ Ker(f − 4IdE )(x, y, z) = (0, 0, 0)

 −2x + 4y + 2z = 0
 (
y = −z
⇔ −x − 2y − 3z = 0 ⇔
 x = −z
 −4y − 4z = 0

on peut choisir z = −1 on obtient w = (1, 1, −1).

Les sous espaces propres sont
• E−2 = {y(−2, 1, 2)/y ∈ K}.
• E2 = {α(3, 21 , −1)/α ∈ K}.
2.2 Polynôme caractéristique 25

• E4 = {α(1, 1, −1)/α ∈ K}.

Dénition 2.2.1. Soient f ∈ End(E), λ0 une valeur propre de f . On appelle ordre

de multiplicité de λ0 l'ordre de multiplicité de λ0 en tant que zero du polynôme carac-
téristique.
Exemple 2.2.3. Soit f ∈ End(K6 ) avec χf (X) = X(X − 1)2 (X + 2)3 .
Les valeurs propres de f sont : 0,1,-2.
- L'ordre de multiplicité de 0 est 1 (racine simple).
- L'ordre de multiplicité de 1 est 2 (racine double).
- L'ordre de multiplicité de -2 est 3.
Remarque 2.2.2.
1. Soit f ∈ End(E). Si 0 est une valeur propre de f alors Kerf 6= {0} donc f non
injective.
2. Soient A ∈ Mn (K), SpK (A) = {λ1 , . . . , λk } et pour tout i ∈ {1, . . . , k}, αi est
k
l'ordre de multiplicité de λi . Alors det(A) = χA (0) = λαi i .
Q
i=1

Proposition 2.2.4. Soient f ∈ End(E), λ0 ∈ SpK (f ) et α0 l'ordre de multiplicité de

λ0 . On a alors
1 ≤ dimEλ0 ≤ α0 .

Démonstration.
- Puisque par denition Eλ = Ker(f − λ0IdE ) 6= {0} alors dimEλ ≥ 1.
0 0

- Supposons par l'absurd que α0 < β = dimEλ ≤ n et soient e1, . . . , eβ une base
0

de Eλ , d'après le Théorème de la base incomplète, il existe eβ+1, . . . , en ∈ E tel

0

que B = {e1, . . . , en} soit une base de E. On a

 
λ0

 ... A 

 
 λ0 
B ∈ Mn−β (K),
 
MB (f ) =   ;
 
0 B

β
2.3 Diagonalisabilité 26

le polynôme caractéristique de f est

λ0 − X
... A
χf (X) = λ0 − X = (λ0 − X)β det(B − XIn−β ),

0 B − XIn−β

alors λ0 serait donc valeur propre d'ordre de multiplicité au moins égal à β qui
exclu.

Exemple 2.2.4. Soit f un endomorphisme de K3 représenté dans une base de K3 par

la matrice  
0 1 0
 −3 3 1  .
 
−1 1 1
Le polynôme caractéristique de f est

−λ 1 0
χf (λ) = −3 3 − λ 1 = (1 − λ)2 (2 − λ)
−1 1 1−λ

et le sous espace propre associé à la valeur propre 1 est E1 = {x(1, 1, 1)/x ∈ K} alors
dimE1 = 1.

Corollaire 2.2.2. Soit f ∈ End(E). Pour toute valeur propre simple λ0 de f , la

dimension de Eλ0 vaut 1.

2.3 Diagonalisabilité
Dans tout ce qui suit E designe un K-espace vectoriel de dimension nie n (n ≥ 1).
Dénition 2.3.1. Soit f ∈ End(E). On dit que f est diagonalisable si et seulement
si il existe une base B de E telle que la matrice de f dans B soit diagonale.
Autrement dit A = MB (f ) est diagonalisable si et seulement si :
∃P ∈ GLn (K), ∃D ∈ Dn (K); A = P DP −1 .
2.3 Diagonalisabilité 27

Remarque 2.3.1.
1. Si f est diagonalisable, il existe une base B 0 de E telle que la matrice MB0 (f ) = D
soit diagonale et, en notant P = P ass(B, B 0 ) on a alors A = P DP −1 .
2. Toute matrice diagonale est diagonalisable.
Théorème 2.3.1. Soit f ∈ End(f ). f est diagonalisable si et seulement si il existe
une base de E formée de vecteurs propres de f .
Démonstration. Si B = {v1, v2, . . . , vn} est une base de E formée de vecteurs propres
correspondants aux valeurs propres λ1, . . . , λn, alors on a :
f (v1 ) = λ1 v1 , f (v2 ) = λ1 v2 , · · · · · · , f (vn ) = λn vn .

Ainsi
f (v1 )f (v2 ) . . . f (vn )
 ↓ ↓ ↓ 
λ1 0 . . . 0 v1
MB (f ) = 

λ2 . . . 0 

v2 ,
 . ...
 .
.


 
0 0 . . . λn vn
et donc la matrice de f dans B est diagonale.
Reciproquement, si il existe une base B = {e1, . . . , en} telle que la matrice MB (f ) est
diagonale, c'est à dire :
f (e1 ) . . . f (vn )
↓ ↓
 
a11 . . . 0 e1 ,
MB (f ) = 

... ... 

...
0 . . . ann en

alors on aura
f (e1 ) = a11 e1 , f (e2 ) = a22 e2 , · · · · · · , f (en ) = ann en

se qui signie que les vecteurs e1, . . . , en sont des vecteurs propres associés aux valeurs
propres a11, a22, · · · , ann.
Corollaire 2.3.1. f est diagonalisable si et seulement si E est somme directe d'espaces
propres.
2.3 Diagonalisabilité 28

Démonstration. Supposons que E = Eλ ⊕ . . . ⊕ Eλ ce qui veut dire que si B1, . . . , Bp

1 p

sont des bases de Eλ , . . . , Eλ respectivement alors B = B1 ∪ . . . ∪ Bp est une base de

1 p

E . Puisque B formée de vecteurs propres alors f est diagonalisable.

Reciproquement, supposons qu'il existe une base B de E formée de vecteurs propres.
. . , vn1 , . . . , v1p , . . . , vnp } on a dimEλ + . . . + dimEλ = dimE donc
Soit B = {v|11, . {z 1 p
}1
| {z }p
∈Eλ1 ∈Eλp
E = Eλ1 ⊕ . . . ⊕ Eλp .

Dénition 2.3.2. (Polynôme Scindé)

Soit P ∈ Kn [X]. On dit que P est scindé dans K, si P admet n racines dans K en
comptant chaque racine avec multiplicité.
Théorème 2.3.2. Soit f ∈ End(E). f est diagonalisable si et seulement si :
1. χf est scindé dans K, c'est à dire

χf (X) = (−1)n (X − λ1 )α1 . . . (X − λp )αp

avec λ1 , . . . , λp ∈ K et α1 + . . . + αp = n.
2. Pour chaque valeur propre λi de multiplicité αi , on a

dimEλi = αi .

Démonstration. Si les conditions 1 et 2 sont satisfaites, on aura dimEλ +. . .+dimEλ =1 p

α1 + . . . + αp = n et donc d'après le Corollaire 2.3.1, f est diagonalisable.

Réciproquement, supposons que f est diagonalisable. Si χf n'est pas scindé alors il
existe Q ∈ K tel que :
χf (X) = Q(X)(X − λ1 )α1 . . . (X − λp )αp , avec α1 + . . . + αp < n,
donc
dimEλ1 + . . . + dimEλp ≤ α1 + . . . + αp < n

ce qui est exclu d'après le Corollaire 2.3.1. χf donc est scindé

χf (X) = (−1)n (X − λ1 )α1 . . . (X − λp )αp avec α1 + . . . + αp = n.
S'il existait un λ0 tel que dimEλ 0 < α0 on aurat :
dimEλ1 + . . . + dimEλp < α1 + . . . + αp = n
2.3 Diagonalisabilité 29

ce qui exclu. Donc la condition 2 est vériée.

Exemple 2.3.1. Soit f ∈ End(K3 ) représentée dans la base canonique B = {e1 =
(1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1)} par la matrice
 
1 1 1
A= 1 1 1 
 
1 1 1

• Montrons que f est diagonalisable :

1−λ 1 1
χf (λ) = 1 1−λ 1 = λ2 (3 − λ),
1 1 1−λ

les valeurs propres de f sont λ1 = 0 racine double et λ2 = 3 racine simple. Alors f est
diagonalisable si et seulement si dimE0 = 2.

E0 = Kerf = {(x, y, z) ∈ K3 /f (x, y, z) = 0} = {(x, y, z) ∈ K3 /x + y + z = 0}

= {(x, y, z) ∈ K3 /x = −y − z} = {y(−1, 1, 0) + z(−1, 0, 1)/(y, z) ∈ K2 }

puisque dimE0 = 2 alors f est diagonalisable.

• Diagonalisation de f :

 −2x + y + z = 0,

3 3
E3 = {(x, y, z) ∈ K /f (x, y, z) − 3(x, y, z) = 0} = {(x, y, z) ∈ K / x − 2y + z = 0, }

 x + y − 2z = 0.

= {(x, y, z) ∈ K3 /x = y = z} = {x(1, 1, 1)/x ∈ K}

B 0 = {e01 = (−1, 1, 0), e02 = (−1, 0, 1), e03 = (1, 1, 1)} est la base formée de vecteurs
propres. Soit  
−1 −1 1
P = P ass(B, B 0 ) =  1 0 1 ,
 
0 1 1
alors  
−1 2 −1
1
P −1 =  −1 −1 2  ,

3
1 1 1
2.3 Diagonalisabilité 30

la matrice de f dans B 0 est donnée par

     
−1 2 −1 1 1 1 −1 −1 1 0 0 0
1
MB 0 (f ) =  −1 −1 2   1 1 1   1 0 1  =  0 0 0 .
    
3
1 1 1 1 1 1 0 1 1 0 0 3

Corollaire 2.3.2. Si f admet n valeurs propres deux à deux distinctes alors f est
diagonalisable.
Exemple 2.3.2. Soit f ∈ End(K3 ) représentée dans la base canonique B = {e1 =
(1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1)} par la matrice
 
1 1 1
A =  2 1 0 .
 
0 1 2

• Montrons que f est diagonalisable :

1−λ 1 1
χf (λ) = 2 1−λ 0 = −λ(1 − λ)(3 − λ)
0 1 2−λ

Puisque f admet trois valeurs propres simples alors f est diagonalisable.

Remarque 2.3.2. Deux matrices diagonalisables ont mêmes valeurs propres sont sem-
blables.
En eet, soient D une matrice diagonale et A, B ∈ Mn (K) tels que A ∼ D et B ∼ D.
Puisque ∼ est une relation d'équivalence alors elle est symétrique et transitive donc
A ∼ B.
Exemple 2.3.3. Les matrices
   
4 −1 −1 3 −2 2
A= 1 0

1 

et B = 
 1 0 2 

1 −1 2 1 −1 3

sont semblables.
On a
     
1 0 0 1 1 2 0 1 −1
A∼D= 0 2 0 
 
avec P1 = 
 2 1 1 ,

P1−1 =  −1 −1 3  ,
 
0 0 3 1 1 1 1 0 −1
2.4 Application de la diagonalisation 31

     
1 0 0 1 0 1 0 1 −1
B∼D= 0 2 0 
 
avec P2 = 
 1 1 1 ,

P2−1 =  −1 1

0 .

0 0 3 0 1 1 1 −1 1
Alors  
1 0 1
A∼B avec P = P1 P2−1 =  0 2 −1  .
 
0 1 0

2.4 Application de la diagonalisation

2.4.1 Calcul des puissances d'une matrice carrée
Soit A ∈ Mn(K) une matrice diagonalisable, alors :
∃P ∈ GLn (K), ∃D ∈ Dn (K) telles que : D = P −1AP ⇔ A = P DP −1.
Donc
Ak = (P DP −1 )(P DP −1 ) . . . (P DP −1 ) = P Dk P −1 .
| {z }
k f ois
   
λ1 0 λk1 0
Or, si D = 
 ... 
 alors Dk = 
 ... ,


0 λn 0 λkn
et donc Ak se calcule facilement par la formule
 
λk1 0
Ak = P Dk P −1 = P 
 ...  −1
P .
0 λkn
 
0 −8 6
Exercice 2.4.1. Soit A =   −1 −8 7  ∈ M3 (R). Montrer que A est inversible

1 −14 11
et calculer, pour tout k ∈ Z, A .
k

Solution. Soit λ ∈ R, on a
−λ −8 6
χA (λ) = −1 −8 − λ 7 = −(λ − 2)(λ + 2)(λ − 3).
1 −14 11 − λ
2.4 Application de la diagonalisation 32

Alors SpR(A) = {−2, 2, 3}, puisque les valeurs propres de A sont simples alors A est
diagonalisable.
• Les sous espaces propres : 
 2x − 8y + 6z = 0

- Pour λ = −2 : Soit v1 = (x, y, z) ∈ E−2 ⇔

−x − 6y + 7z = 0 ⇔ x = y = z,
 x − 14y + 13z = 0
alors E−2 = {x(1, 1, 1)/x ∈ R} 
 −2x − 8y + 6z = 0
 (
- Pour λ = 2 : Soit v2 = (x, y, z) ∈ E2 ⇔  −x − 10y + 7z = 0 ⇔
y = 2x
 x − 14y + 9z = 0 z = 3x,
alors E2 = {β(1, 2, 3)/β ∈ R}. 
 −3x − 8y + 6z = 0
(
z = 35 y

- Pour λ = 3 : Soit v3 = (x, y, z) ∈ E3 ⇔  −x − 11y + 7z = 0 ⇔
 x − 14y + 8z = 0 x = 23 y
alors E3 = {γ(2, 3, 5)/γ ∈ R}.
Soit B 0 = {v1(1, 1, 1), v2 = (1, 2, 3), v3 = (2, 3, 5)} une base de R3 formée de vecteurs
propres, et P la matrice de passage de la base canonique de R3 à B 0.
Alors    
1 1 2 1 1 −1
P = 1 2 3 
 
et P −1 =  −2 3 −1  ,
 
1 3 5 1 −2 1
d'où  
−2 0 0
D = P −1 AP =  0 2 0  ,
 
0 0 3
or  
(−2)k 0 0
Dk =  0 2k 0  .
 
0 0 3k
Donc
   
1 1 2 (−2)k 0 0 1 1 −1
Ak = P Dk P −1 =  1 2 3  0 2k 0   −2 3 −1 
   
1 3 5 0 0 3k 1 −2 1
 
(−2)k − 2k+1 + 2.3k (−2)k + 3.2k − 4.3k −(−2)k − 2k + 2.3k
=  (−2)k − 2k+2 + 3k+1 (−2)k + 6.2k − 6.3k −(−2)k − 2k+1 + 3k+1  .
 
(−2)k − 3.2k+1 + 5.3k (−2)k + 9.2k − 10.3k −(−2)k − 3.2k + 5.3k
2.4 Application de la diagonalisation 33

Puisque les valeurs propres de A sont non nulles alors A est inversible (detA = −2 ×
2 × 3 = −12 6= 0), ainsi A−1 et Ak (k ∈ Z∗ ) existent.
On a ∀k ∈ Z∗−
Ak = (A−1 )(−k) = [(P DP −1 )−1 ](−k) = (P D−1 P −1 )(−k) = P Dk P −1 .

Autrement dit, la formule Ak = P Dk P −1 est valable pour tout k ∈ Z.

2.4.2 Suites récurrentes linéaires simultanées du 1 ordre à co- er

ecients constants
Soient n ∈ N∗, A = (aij )ij ∈ Mn(K), (α1, . . . , αn) ∈ Kn. On considère la suite
récurrente linéaire simultanées du 1er ordre à coecients constants (x1k )k∈K, . . . , (xnk)k∈K
dénie par : 
 ∀j ∈ {1, . . . , n}, xj0 = αj
(S) n
xjk+1 = aji xik
P
 ∀j ∈ {1, . . . , n}, ∀k ∈ N,
k=1

Il sagit de calculer les xjk .   

α1
...
  
x1k

...


En notant le système (S) se ramène à : X0 = 
  
Xk =  ,
  
αn
xnk


 ∀k ∈ N, X

k+1 = AXk .
On a donc :∀k ∈ N, Xk = Ak X0, et la détermination de Xk se ramène au calcul de Ak .

Exemple 2.4.1. Soient (un )n∈N , (vn )n∈N , (wn )n∈N les suites réelles dénies par :


 u0
= 1, v0 = 0, w0 = 1

 un+1 = 3vn − 2wn
 

 ∀n ∈ N vn+1 = 2un − 2vn + 2wn
 
 w
n+1 = −un + wn


Le système (S) est équivalent à

  
0 3 −2 un
Xn+1 = AXn avec A =  2 −2 2  et Xn =  vn  pour tout n ∈ N
   
−1 0 1 wn
2.4 Application de la diagonalisation 34

d'où, par récurrence  

1
Xn = An X0 avec X0 =  0 
 
1
Calculons An
−λ 3 −2
χA (λ) = 2 −2 − λ 2 = −(1 − λ)(4 + λ)(2 − λ).
−1 0 1−λ

• Les sous espaces propres :

X E−4 = {α(5, −6, 1)/α ∈ R},
X E1 = {β(0, 1, 32 )/β ∈ R},
X E2 = {γ(1, 0, −1)/γ ∈ R}.
Puisque χA est scindé simple alors A est diagonalisable c'est à dire
     
−4 0 0 5 0 1 2 −3 2
1 
A ∼ D =  0 1 0  avec P =  −6 1 0  et P −1 =  12 12 12 
    
30
0 0 2 1 32 −1 20 15 20

alors
   
5 0 1 (−4)n 0 0 2 −3 2
1 
An = P Dn P −1 =  −6 1 0   0 1 0   12 12 12 
  
30
1 32 −1 0 0 2n 20 15 20
 
2n+1 + 10(−4)n + 18 3.2n − 3 2.(−4)n − 2n+1
1 
=  12.2n + 60(−4)n − 72 18.2n + 12 12(−4)n − 12.2n 

30
100(−4)n − 10.2n − 90 15 − 15.2n 10.2n + 20(−4)n

les termes généraux des suites (un )n∈N , (vn )n∈N , (wn )n∈N sont donnés en fonction de n
par
    
un 2n+1 + 10(−4)n + 18 3.2n − 3 2.(−4)n − 2n+1 1
1  n n n n n 
 vn  =  12.2 + 60(−4) − 72 18.2 + 12 12(−4) − 12.2   0 
  
30
wn 100(−4)n − 10.2n − 90 15 − 15.2n 10.2n + 20(−4)n 1
 
2
5
(−4)n + 35
=  12 (−4)n − 12
 
5 5 
(−4)n+1 − 3
2.4 Application de la diagonalisation 35

autrement dit
divergente

2 n 3
 un = 5 (−4) + 5

vn = 12
5
(−4)n − 12
5
divergente
 w = (−4)n+1 − 3 divergente

n

2.4.3 Suites recurrentes linéaires à coecients constants

Soient p ∈ N∗, (a0, . . . , ap−1) ∈ Kp. On considère la suite recurrente linéaire à
coecients constants (un)n∈N dénie par

 (u0 , . . . , up−1 ) ∈ Kp
p
P
 ∀n ∈ N, un+p = = ai un+i = a0 un + . . . + ap−1 un+p−1
i=0

Il s'agit de calculer un en fonction de n pour tout n ∈ N.

Notons
 
0 1 0 ... 0  
un
 0 0 1 ... 0
 
...  un+1 
  
...  pour tout n ∈ N.
 
A=  ∈ Mp (K), Xn = 

  
 0 0 0 1
   

un+p−1
a0 a1 a2 . . . ap−1

On a pour tout n ∈ N,
 
  0 1 0 ... 0  
un+1 un
  0 0 1 ... 0
 
 un+2 ...   un+1
  
 .. ...
  
Xn+1 = =
 .
 
   
 0 0 0 1
   

un+p un+p−1
a0 a1 a2 . . . ap−1

Ainsi le calcul de un se ramène à celui des puissance de A.

Exemple 2.4.2. Soit (un )n∈N la suite récurrente linéaire à coecients constants dénie
par : (
u0 = 1, u1 = −2, u2 = 1
(S) :
un+3 = −6un + 5un+1 + 2uu+2
2.4 Application de la diagonalisation 36

Le sysrème (S) est équivalent à

    
un+1 0 1 0 un
 un+2  =  0 0 1   un+1  .
    
un+3 −6 5 2 un+2

Notons
     
0 1 0 un un+1
A =  0 0 1 , Xn =  un+1  et Xn+1 =  un+2  pour tout n ∈ N
     
−6 5 2 un+2 un+3

d'où, par récurrence

     
un u0 1
n n
 un+1  = A  u1  = A  −2 
   
un+2 u2 1

• Calculons An : On a
−λ 1 0
χA (λ) = 0 −λ 1 = −(2 + λ)(1 − λ)(3 − λ).
−6 5 2 − λ

Puisque χA est scindé simple alors A est diagonalisable.

Les sous espaces propres :
• E−2 = {α(1, −2, 4)/α ∈ R},
• E1 = {β(1, 1, 1)/β ∈ R},
• E3 = {γ( 13 , 1, 3)/γ ∈ R},
2.4 Application de la diagonalisation 37

     
−2 0 0 1 1 31 6 −8 2
alors A ∼ D = 
 0 1 0  avec P =  −2 1 1  et P −1 =
   1 
30  30 5 −5 

0 0 3 4 1 3 −18 9 9
   
1 1 13 (−2)n 0 0 6 −8 2
1
d'où An =   −2 1 1   0

1 0   30

5 −5 

30
4 1 3 0 0 3n −18 9 9
 
−3(−2)n+1 − 2.3n+1 + 30 3n+1 + (−2)n+3 + 5 −(−2)n+1 + 3n+1 − 5
1 
=  30 − 2.3n+2 − 3(−2)n+2 (−2)n+4 + 3n+2 + 5 3n+2 − (−2)n+2 − 5 

30
−3(−2)n+3 − 2.3n+3 + 30 3n+3 + (−2)n+5 + 5 −(−2)n+3 + 3n+3 − 5

le terme général de (un )n∈N :

    
un −3(−2)n+1 − 2.3n+1 + 30 3n+1 + (−2)n+3 + 5 −(−2)n+1 + 3n+1 − 5 1
 un+1  =  30 − 2.3n+2 − 3(−2)n+2 (−2)n+4 + 3n+2 + 5 3n+2 − (−2)n+2 − 5   −2 
    
un+2 −3(−2)n+3 − 2.3n+3 + 30 3n+3 + (−2)n+5 + 5 −(−2)n+3 + 3n+3 − 5 1
 
−3(−2)n+3 − 3n+2 + 15
1 
=  −3(−2)n+4 − 3n+3 + 15  .

30
−3(−2)n+5 − 3n+4 + 15

Autrement dit : un = 101 (5 − (−2)n+3 − 3n+1 ).

2.4 Application de la diagonalisation 38

Exercices
Exercice 2.4.2. Soient un K-ev, f, g ∈ L(E) tels que g ◦ f = f ◦ g. Montrer que tout
sous espace propre pour f est stable par g, et que Ker(f) et Imf sont stables par g.
Exercice 2.4.3. Montrer que : ∀A ∈ Mn (K), χ A = χA .
t

En particulier ∀A ∈ Mn (K), SpK ( A) = SpK (A).

t

Exercice 2.4.4.
1. Trouver tous les (x, y, z) ∈ C3 tels que la matrice
 
x 1 1
 1 y 1  de M3 (C)
 
1 1 z

admette 1,2,3 comme valeurs propres.

2. Trouver tous les (α, β, γ, a, b, c) ∈ R6 , tels que la matrice
 
1 α a
 1 β b  de M3 (R)
 
1 γ c
     
1 1 1
 1  ,  0  ,  −1  comme vecteurs propres.
admette      
1 −1 0

Exercice 2.4.5. Soient n ∈ N∗ , E = Rn [X]. On considère l'application f dénie par :

f: E → E
P → X(1 − X)P 0 + nXP

1. Montrer que f ∈ L(E).

2. Déterminer les valeurs propres et les vecteurs propres de f .
Exercice 2.4.6. Soit a ∈ R. On considère la matrice suivante :
 
−2 2 0
A= 2 a 2  ∈ M3 (R)
 
a+2 0 6
2.4 Application de la diagonalisation 39

Déterminer a ∈ R pour que A admette (1) pour valeur propre, dans ce cas, la
diagonalisée.
1. Calculer les valeurs propres de A.
2. A est elle diagonalisable ?
Exercice 2.4.7. Montrer que les matrices
   
0 1 1 −2 −2 −2
1
A =  1 0 1 , B =  −2 1 4 
  
3
1 1 0 −2 4 1

sont semblables.

Exercice 2.4.8. Soient n ∈ N et f : Mn (R) → Mn (R).

t
A → A
1. Montrer que f est linéaire.
2. Détèrminer les éléments propres de f , f est elle diagonalisable ?
Exercice 2.4.9. Calculer An dans les cas suivants :
     
49 7 9
−2 4 −4 12 6 4
− 11 1 4

23 7  3 3
1) A =  0 6 −8  , 2) A =  − 12 − 15 , 3) A =  −5 1 4 
    
6 4
7 1 15
0 4 −6 12 6 4
− 10
3
2 23

Exercice 2.4.10.  
0 a a2
1. Pour (a, n) ∈ R∗+ × N∗ et A = 
 1
a
0 a  . Calculer An .

1 1
a2 a
0
 
0 1 1
 1 0 1 .
2. Trouver au moins une matrice X ∈ M3 (C) telle que X 2 =  
1 1 0
3. Trouver toutes les matrices B de M3 (R) telles que B 2 = A et tr(B) = 0, où
 
2 3 1
A =  −1 −2 −1  .
 
1 3 2

Exercice 2.4.11.
2.4 Application de la diagonalisation 40

X Montrer que les deux matrices suivantes sont semblables

   
0 1 2 1 0 0
A1 =  −2 3 2  ; A2 =  1 3 −1  .
   
−1 1 3 −1 0 2

X Déterminer une matrice inversible P telle que A2 = P A1 P −1 .

X Calculer An1 .

Exercice 2.4.12. On considère la matrice suivante :

 
3 1 −3
A =  1 3 −3  ∈ M3 (R).
 
2 2 −4

1. Montrer que : A2 = 4I3 , en déduire les valeurs propres de A.

2. Déterminer les vecteurs propres de A. En déduire le polynôme caractéristique de
A.
3. Montrer que A est inversible.
4. Déterminer le polynôme minimal et les valeurs propres de A−1 .
5. Déterminer les vecteurs propres de A−1 .
6. Montrer par récurrence que :
(
4k I3 pour n = 2k
∀n ∈ Z; An =
4k A pour n = 2k + 1

Exercice 2.4.13.
1. Soient (un )n∈N , (vn )n∈N , (wn )n∈N les suites réelles dénies par :


 u0 = 1 v0 = 1  w0 = −1

 
 un+1 = un + vn

 ∀n ∈ N, vn+1 = un + vn
 
 w
n+1 = un + vn + wn


Calculer un , vn , wn et étudier la convergence de ces trois suites.

2.4 Application de la diagonalisation 41

2. Soient (un )n∈N , (vn )n∈N , (wn )n∈N les suites réelles dénies par :


 u0 = α v0 = −α  w0 = γ

 un+1 = un + 2vn + wn
 

 ∀n ∈ N vn+1 = 2un + vn − wn
 
 w
n+1 = un + vn + 2wn


Calculer un , vn , wn et étudier la convergence de ces trois suites.

Exercice 2.4.14. On considère la suite (un )n dénie par
(
u0 = 1, u1 = 1, u2 = 1
∀n ∈ N, un+3 = 45un − 39un+1 + 11un+2

Calculer un en fonction de n.
Exercice 2.4.15. Soient u0 ≥ 0, u1 ≥ 0 et (un )n∈N dénie par :
2
∀n ∈ N, un+2 = 1 1 .
un+1
+ un+1

Calculer un puis lim un .

n→∞
2.5 Trigonalisation 42

2.5 Trigonalisation
Une matrice A ∈ Mn(K) est dite triangulaire supérieure (resp. triangulaire infé-
rieure) si elle est de la forme
   
a11 a12 a1n a11 0 0

resp.
 0 a a2n   a
22  21 a22 0 
A= , A= .
  
   
0 0 ann an1 an2 ann

Remarque 2.5.1.
- Si A est triangulaire alors les éléments de la diagonale aii sont les valeurs propres
n
de A, autrement dit : χA (λ) = (aii − λ).
Q
i=1
- Toute matrice triangulaire supérieure est semblable à une matrice triangulaire
inférieure.
En eet, soit A une matrice triangulaire supérieure et f l'endomorphisme de Kn
qui dans la base cononique {e1 , e2 , . . . , en } est représenté par A :

f (e1 ) = a11 e1
f (e2 ) = a12 e1 + a22 e2
..
.
f (en ) = a1n e1 + a2n e2 + . . . + ann en

Considérons la base B 0 = {u1 = en , u2 = en−1 , . . . un = e1 }. On aura

f (u1 ) = a1n un + a2n un−1 + . . . + ann u1

f (u2 ) = a1n−1 un + a2n−1 un−1 + . . . + an−1n−1 u2
..
.
f (un−1 ) = a12 un + a22 un−1
f (un ) = a11 un
2.5 Trigonalisation 43

alors la matrice de f dans la base B 0 est

 
ann 0 0
 a
 n−1n an−1n−1 0 
A0 = MB 0 (f ) = 


 
a1n a1n−1 a11

A et A0 sont semblables car elles représentent le même endomorphisme dans des

bases diérentes.
Dénition 2.5.1. Soit f ∈ End(K). On dit que f est trigonalisable si et seulemnet si
il existe une base B de E telle que la matrice de f dans B soit triangulaire.
Remarque 2.5.2. Toute matrice triangulaire est trigonalisable.
Le problème qui se pose est de savoir quand une matrice carrée A ∈ Mn(K)
est trigonalisable (ou quand un endomorphisme est représentable dans une
certaine base par une matrice triangulaire).
Théorème 2.5.1. Un endomorphisme est trigonalisable dans K si et seulement si son
polynôme caractéristique est scindé dans K.
Démonstration. Supposons que l'endomorphisme f soit trigonalisable et soit B =
{e1 , . . . , en } une base de E telle que
 
a11 ∗
MB (f ) = 
 ... 

0 ann

on a
a11 − λ ∗
χf (λ) = ... = (a11 − λ)(a22 − λ) . . . (ann − λ)
0 ann − λ
donc χf est scindé.
Réciproquement, supposons χf scindé et montrons par récurrence que f est trigonali-
sable.
- Pour n = 1 il y a rien à montrer.
- Supposons le resultat vrai à l'ordre n − 1. Puisque χf est scindé, il admet au
moins une racine λ ∈ K et donc il existe au moins un vecteur propre e1 ∈ E .
2.5 Trigonalisation 44

Complétons {e1} en une base B = {e1, e2, . . . , en} de E . On a

!
λ b2 · · ·
A = MB (f ) =
bn
ou C ∈ Mn−1(K).
0 C

Soit F le sous espace vectoriel engendré par B 0 = {e2, . . . , en} et g l'endomor-

phisme de F tel que MB (g) = C . On a :
0

χf (X) = det(A − XIn ) = (λ − X)det(C − XIn−1 ) = (λ − X)χg (X).

Puisque χf est scindé alors χg est scindé et donc d'après l'hypothèse de récurrence,
C est trigonalisable, c'est à dire il existe une base B 00 = {u2 , . . . , un } de F telle
que MB (g) est triangulaire. Ainsi, dans la base {e1, u2, . . . , un} la matrice de f
00

est triangulaire.

Corollaire 2.5.1. Soit E un C-espace vectoriel de dimension nie n ≤ 1. Tout endo-

morphisme de E est trigonalisable.
En eet, d'après le Théorème d'Alembert tout polynôme de C[X] est scindé et puisque
pour tout endomorphisme f de E , χf ∈ C[X] alors χf est scindé donc f est trigonali-
sable.
Exemple 2.5.1. Soit f un endomorphime de K3 représenté dans la base canonique de
K3 par la matrice  
5
4
− 43 5
4
5 1 1
A= .
 
4 4 4
1
2
− 21 3
2

On a
5
4
−λ − 34 5
4
χf (λ) = 5
4
1
4
−λ 1
4
= (1 − λ)3 ,
1
2
− 12 3
2
−λ
f admet une seule valeur propre λ = 1. Puisque le polynôme caractéristique χf est
scindé dans K alors f est trigonalisable dans K, c'est à dire il existe une base B =
{v1 , v2 , v3 } de K3 telle que MB (f ) soit de la forme
 
1 a b
 0 1 c  , avec a, b, c ∈ K,
 
0 0 1
2.6 Polynômes annulateurs, Théorème de Cayley-Hamilton 45

autrement dit 
 f (v1 ) = v1

f (v2 ) = av1 + v2

 f (v ) = bv + cv + v
3 1 2 3

• Cherchons les vecteurs v1 , v2 , v3

1. Calculons v1 : v1 est un 
vecteur propre de f associé à la valeur propre 1.
 x − 3y + 5z = 0
 (
x=z
Soit v1 = (x, y, z) ∈ E1 ⇔ 5x − 3y + z = 0 ⇒

 x−y+z =0 y = 2x
alors v = (x, 2x, x). Pour x = 1 : v1 = (1, 2, 1)
2. Calculons v2 : On résout l'équation (f − IdK3 )(v2 ) = av1
Soit v2 = (x, y, z) ∈ K3 tel que
 x − 3y + 5z = 4a
 (
x=z+a
(f − IdK3 )(v2 ) = v1 ⇔ 5x − 3y + z = 8a ⇒

 x − y + z = 2a y = 2z − a
alors v2 = (z + a, 2z − a, z). Pour z = 1 et a = 2 : v2 = (2, −2, 0) (a ne doit
être pas nul).
3. Calculons v3 : On résout l'équation (f − IdK3 )(v3 ) = bv1 + cv2
Soit v2 = (x, y, z) ∈ K3 tel que
 x − 3y + 5z = 4b + 8c
 (
x = z + b − 4c
(f − IdK3 )(v2 ) = v1 ⇔ 5x − 3y + z = 8b − 8c ⇒
 y = 2z − b − 4c
 x − y + z = 2b
alors v2 = (z + b − 4c, 2z − b − 4c, z). Pour z = 0,b = 2 et c = 1 :
v2 = (−2, −6, 0).
Alors    
1 2 2 1 2 −2
A ∼  0 1 1  avec P =  2 −2 −6 
   
0 0 1 1 0 0

2.6 Polynômes annulateurs, Théorème de Cayley-Hamilton

Soit E un K-espace vectoriel et Q ∈ K[X]
Q(X) = am X m + am−1 X m−1 + . . . + a1 X + a0 .

Si f ∈ End(E), on note Q(f ) l'endomorphisme de E déni par :

Q(f ) = am f m + am−1 f m−1 + . . . + a1 f + a0 idE .
2.6 Polynômes annulateurs, Théorème de Cayley-Hamilton 46

où f k = |f ◦ .{z. . ◦ f}.
k fois

Remarque 2.6.1. Pour tout P, Q ∈ K[X], on a

P (f ) ◦ Q(f ) = Q(f ) ◦ P (f ).
n n
En eet, si P (f ) = ai f i et Q(f ) = bj f j . On a
P P
i=1 j=1

n
X n
X n
X n
X
i j
P (f ) ◦ Q(f ) = ( ai f ) ◦ ( bj f ) = ai b j f i ◦ f j
i=1 j=1 i=1 j=1
n
X n
X
= bj ai f j ◦ f i = Q(f ) ◦ P (f ).
j=1 i=1

Dénition 2.6.1. Soit f ∈ End(E). Un polynôme Q ∈ K[X] est dit annulateur de f

si Q(f ) = 0.
Exemple 2.6.1. On considère l'endomorphisme f de R3 déni par :
f (x, y, z) = (−4x − 2z, y, 5x + y + 3z), (x, y, z) ∈ R3 .

Le polynôme Q(X) = X 2 − 3X + 2 est annulateur de f .

En eet, pour tout (x, y, z) ∈ R3 , on a

f (x, y, z) = (−4x − 2z, y, 5x + y + 3z)

f 2 (x, y, z) = (6x + 2z − 2y, y, −5x + 4y − z)
f 3 (x, y, z) = (−14x − 6z, y, 15x + 3y + 7z) = 3f (x, y, z) − 2(x, y, z).

Exemple 2.6.2. On considère la matrice suivante :

 
2 0 0
A =  −1 3 1  ∈ M3 (R).
 
−1 1 3

Q(X) = (X − 2)(X − 4) est un polynôme annulateur de A. On a, en eet,

   
0 0 0 −2 0 0 0 0 0
(A − 2I3 )(A − 4I3 ) =  −1 1 1   −1 −1 1  =  0 0 0  .
    
−1 1 1 −1 1 −1 0 0 0
2.6 Polynômes annulateurs, Théorème de Cayley-Hamilton 47

Remarque 2.6.2. Soit P ∈ K[X]. Si P est un polynôme annulateur de f alors pour

tout Q ∈ K[X], P.Q est un polynôme annulateur de f .
En eet, si P est un polynôme annulateur de f (P (f ) = 0). Pour tout Q ∈ K[X] on a

(P.Q)(f ) = (Q.P )(f ) = Q(f ) ◦ P (f ) = 0.

Proposition 2.6.1. Soit Q ∈ K[X] un polynôme annulateur de f . Alors les valeurs

propres de f appartient à l'ensemble des racines de Q.
Démonstration. Si λ est une valeur propre de f alors il existe un vecteur v non nul de
E tel que f (v) = λv . On a

f 2 (v) = f (f (v)) = f (λv) = λf (v) = λ2 v

f 3 (v) = λ3 v
...
f k (v) = λk v

Soit Q(x) = amX m + am−1X m−1 + . . . + a1X + a0 un polynôme annulateur de f c'est

à dire :
Q(f ) = am f m + am−1 f m−1 + . . . + a1 f + a0 idE = 0.

En appliquant cette relation au vecteur v on obtient

am f m (v) + am−1 f m−1 (v) + . . . + a1 f + a0 v = 0
d'où (am λm + am−1 λm−1 + . . . + a1 λ + a0 )v = 0

Or v 6= 0, donc amλm + am−1λm−1 + . . . + a1λ + a0 = 0 c'est à dire Q(λ) = 0.

La question qui se pose : pour tout endomorphisme f de E existe-il un polynôme
annulateur autre que le polynôme nul ? la réponse est armative.
Si dimE = n alors dimEnd(E) = n2. Donc toute famille de n2 + 1 endomorphismes
est liée. En particulier les endomorphismes idE , f, f 2, . . . f n sont liés, il existe donc
2

a0 , a1 , . . . , an ∈ Kn tels que
2
2

2
a0 idE + a1 f + . . . + an2 f n = 0

ce qui veut dire que le polynôme

2
Q(X) = a0 + a1 X + . . . + an2 X n
2.6 Polynômes annulateurs, Théorème de Cayley-Hamilton 48

est un polynôme annulateur de f .

Théorème 2.6.1. (Théorème de Cayley-Hamilton)
Soit f ∈ End(E) et χf le polynôme caractéristique de f. On a

χf (f ) = 0.

Démonstration. Soit x ∈ E − {0}. La famille (f k (x))0≤k≤n ayant n + 1 éléments, est

liée il existe donc un plus grand entier kx dans N∗ tel que (x, f (x), . . . , f k −1(x)) soit x

libre. Puisque x, f (x), . . . , f k (x) est liée alors il existe a0, . . . , ak −1 ∈ K tel que
x
x

x −1
kX
f kx (x) = ai f (x).
i=1

Notons Ef (x) le sous espace vectoriel engendré par (x, f (x), . . . , f k −1). Puisque f k (x)
x x

se décompose linéairement sur x, f (x), . . . , f k −1, il est clair que Ef (x) est stable par f .
x

Notons gx l'endomorphisme induit par f sur Ef (x). La matrice B de gx dans la base

(x, f (x), . . . , f k −1 ) de Ef (x) est
x

 
0 0 0 a0
1 0 0 a1
 
 
 
B= 0 1 0 a2
...

 
 
 
0 1 akx −1

on a pour tout λ de K
−λ 0 0 a0
1 −λ 0 a1
χgx (λ) = 0 1 −λ a2 = (−1)kx (λkx − akx −1 λkx −1 − . . . − a1 λ − a0 ).
...
0 1 akx −1 − λ

D'ou (χg (f ))(x) = (−1)k (f k (x) − ak −1f k −1(x) − . . . − a1f (x) − a0x) = 0. Puisque
x
x x
x
x

χg \χf alors il existe donc Qx ∈ K[X] tel que χf = Qx χg , on a

x x

χf (f ) = Qx (f ) ◦ χgx (f )
2.6 Polynômes annulateurs, Théorème de Cayley-Hamilton 49

Ceci prouve que pour tout x de E :

χf (f )(x) = Qx (f )(x) ◦ χgx (f )(x) = 0 c'est à dire χf (f ) = 0.

2.6.1 Lemme fondamental

Lemme 2.6.1. Soient f ∈ End(E) et Q(X) = Q1 (X) . . . Qp (X) un polynôme decom-
posé en produit de polynômes premiers entre eux.
Si Q(f ) = 0 alors E = KerQ1 (f ) ⊕ . . . ⊕ KerQp (f ).
Démonstration.
- Pour p = 1, le lemme est évident Q(X) = Q1(X) et par hypothèse Q1(f ) = 0,
ce qui veut dire que pour tout x de E ; Q1(f )(x) = 0 c'est à dire E ⊂ KerQ1(f )
donc E = KerQ1(f ).
- Pour p = 2.
Soit Q = Q1Q2, puisque Q1 et Q2 sont premiers entre eux alors d'après le lemme
de Bezout, il existe deux polynômes U1 et U2 tels que
U1 Q1 + U2 Q2 = 1,

d'où
U1 (f ) ◦ Q1 (f ) + U2 (f ) ◦ Q2 (f ) = idE ,

ainsi
∀x ∈ E; x = U1 (f ) ◦ Q1 (f )(x) + U2 (f ) ◦ Q2 (f )(x), (2.3)
c'est à dire E ⊂ ImU1(f ) ◦ Q1(f ) + ImU2(f ) ◦ Q2(f ) et donc
E = ImU1 (f ) ◦ Q1 (f ) + ImU2 (f ) ◦ Q2 (f )

or Q2(f ) ◦ U1(f ) ◦ Q1(f ) = 0 car Q2(f ) ◦ Q1(f ) = (Q2.Q1)(f ) = 0, donc

ImU1 (f ) ◦ Q1 (f ) ⊂ Q2 (f ).

De même
ImU2 (f ) ◦ Q2 (f ) ⊂ Q1 (f ),

et par conséquent
E = KerQ1 (f ) + KerQ2 (f ).
2.6 Polynômes annulateurs, Théorème de Cayley-Hamilton 50

D'autre part, si x ∈ KerQ1(f ) ∩ KerQ2(f ) d'après (2.3) on a x = 0 et donc

E = KerQ1 (f ) ⊕ KerQ2 (f ).

- Supposons maintenant le Théorème vrai jusqu'a l'ordre p − 1 et écrivons

Q = Q1 .Q2 . . . Qp−1 .Qp
| {z }
Q

D'après le cas p = 2
E = KerQ(f ) ⊕ KerQp (f ).

Il reste à montrer que

KerQ(f ) = KerQ1 (f ) ⊕ . . . ⊕ KerQp−1 (f ).

Soit F = KerQ(f ). D'après l'hypothèse de récurrence :

g 1 (f ) ⊕ . . . ⊕ KerQ
F = KerQ g p−1 (f )

où KerQ
g i (f ) = {x ∈ F/Qi (f )(x) = 0} ⊂ KerQi (f ). Or KerQ
g i (f ) = KerQi (f ).
En eet, si x ∈ KerQi(f ) on a Q(f )(x) = 0 donc x ∈ F et donc x ∈ KerQi(f )
c'est dire x ∈ KerQ
g i (f ). Ainsi donc

F = KerQ1 (f ) ⊕ . . . ⊕ KerQp−1 .

Exemple 2.6.3. Considérons un projecteur sur E c'est à dire un endomorphisme f

tel que f = f . Le polynôme Q(X) = X(X − 1) annule f .
2

Puisque X et X − 1 sont premiers entre eux, on a E = Kerf ⊕ Ker(f − idE ). Donc

E est somme directe d'espaces propres de f , et donc f est diagonalisable.
Plus généralement si

Q(X) = (X − λ1 ) . . . (X − λp ) avec λi 6= λj pour tous i 6= j

est un polynôme annulateur de f , on a

E = Ker(f − λ1 idE ) ⊕ . . . ⊕ Ker(f − λp idE ) = Eλ1 ⊕ . . . ⊕ Eλp ,

2.7 Recherche de polynôme minimal 51

et donc f est diagonalisable.

Théorème 2.6.2. Un endomorphisme f est diagonalisable si et seulement il existe un
polynôme scindé n'ayant que des racines simples et qui annule f .
Corollaire 2.6.1. Si χf (X) = (−1)n (X − λ1 )α 1
. . . (X − λp )αp avec λi 6= λj , on a alors

E = Ker(f − λ1 idE )α1 ⊕ . . . ⊕ Ker(f − λp idE )αp .

2.7 Recherche de polynôme minimal

Dénition 2.7.1. On appelle polynôme minimal de f , noté πf , le polynôme normalisé 1
annulateur de f de degré le plus petit.
Proposition 2.7.1. Soit P ∈ K[X]. P est un polynôme annulateur de f si et seulement
si il est un multiple de πf .
Démonstration. De la Denition 2.7.1, on a πf (f ) = 0. Si P ∈ K[X] est un multiple
de πf alors il existe A ∈ K[X] tel que : P = A.πf , d'où
P (f ) = A(f ) ◦ πf (f ) = A(f ) ◦ 0 = 0.

Réciproquement, supposons que P (f ) = 0. En eectuant la division euclidienne de P

par πf , on a :
P = A.πf + R avec A, R ∈ K[X] et dR < dπf .

On a P (f ) = A(f ) ◦ πf (f ) + R(f ) = 0 ce qui implique que R(f ) = 0. Donc R est un

annulateur de f et puisque πf est l'annulateur de degré le plus petit on aura R = 0.
Corollaire 2.7.1. Soit f ∈ End(E). πf divise χf .

Unicité du polynôme minimal

Soient πf1 et πf2 deux polynômes minimaux. Puisqu'ils sont annulateurs de f alors
πf divise πf ,
( (
1 2
∃k1 ∈ K, πf2 = k1 πf1 ,
πf2 divise πf1 ,
c'est-dire : ∃k2 ∈ K, πf1 = k2 πf2 ,
Or πf1 et πf2 sont normalisés alors k1 = k2 = 1 donc πf1 = πf2 .
1. un pôlynome normalisé veut dire que le coecient du terme de plus grand degré égal à 1
2.7 Recherche de polynôme minimal 52

Recherche du polynôme minimal

Proposition 2.7.2. Soit f ∈ End(E). χf et πf ont les mêmes racines avec une mul-
tiplicité en général diérente. En d'autre termes, si

χf (X) = (X − λ1 )α1 . . . (X − λp )αp avec α1 + . . . + αp = n et λi 6= λj pour i 6= j

alors
πf (X) = (X − λ1 )β1 . . . (X − λp )βp avec 1 ≤ βi ≤ αi

Démonstration. Puisque πf divise χf alors il existe A ∈ K[X] tel que χf = A.πf , il est
clair que si λ est une racine de πf alors elle est racine de χf .
Réciproquement, soit λ racine de χf c'est-à-dire ; λ est une valeur propre de f alors il
existe v 6= 0 tel que f (v) = λv. Soit πf (X) = X r + ar−1X r−1 + . . . + a1X + a0. Puisque
πf (f ) = 0, on a

πf (f ) = f r + ar−1 f r−1 + . . . + a1 f + a0 idE = 0

d'où
f r (v) + ar−1 f r−1 (v) + . . . + a1 f (v) + a0 idE (v) = 0

comme f p(v) = λpv alors

(λr + ar−1 λr−1 + . . . + a1 λ + a0 )v = 0

ce qui implique que :

λr + ar−1 λr−1 + . . . + a1 λ + a0 = 0 car v 6= 0,
c'est à dire πf (λ) = 0.
Exemple 
2.7.1. 
−2 −1 −5
1. A = 
 4 3 5 . On a

−4 1 −1

χA (X) = −(X − 4)(X + 6)(X − 2)

alors le polynôme minimal de A est

πA (X) = (X − 4)(X + 6)(X − 2).

2.7 Recherche de polynôme minimal 53

 
2 −1 −1
2. A = 
 0 3 1 . On a

2 1 5

χA (X) = −(X − 2)(X − 4)2

alors le polynôme minimal de A est

πA (X) = (X − 2)(X − 4)

ou
πA (X) = (X − 2)(X − 4)2 .

Calculons (A − 2I3 )(X − 4I3 ), si on trouve 0 alors le polynôme minimal sera le

premier, sinon ce sera le second.
  
0 −1 −1 −2 −1 −1
(A − 2I3 )(X − 4I3 ) =  0 1 1   0 −1 1 
  
2 1 3 2 1 1
   
−2 0 −2 0 0 0
=  2 0 2  6=  0 0 0  ,
   
2 0 2 0 0 0

donc
πA (X) = (X − 2)(X − 4)2 .
Théorème 2.7.1. Un endomorphisme f de E est diagonalisable si et seulement si son
polynôme minimal est scindé simple.
Démonstration. La condition est susante d'après le Théorème 2.6.2.
Réciproquement, soit f diagonalisable alors χf est scindé et comme πf divise χf alors
πf est scindé. Il existe par ailleurs une base de vecteurs propres B = {v1 , . . . , vn }
correspondant à des valeurs propres λ1, . . . , λn. Supposons que λ1, . . . , λp (p ≤ n)
soient deux à deux distinctes.
Si v ∈ B , on a
(f − λ1 idE )(f − λ2 idE ) . . . (f − λp idE )v = 0

donc
(f − λ1 idE )(f − λ2 idE ) . . . (f − λp idE ) = 0,

c'est à dire le polynôme Q(X) = (X − λ1) . . . (X − λp) est un polynôme annulateur de

2.7 Recherche de polynôme minimal 54

f . Par conséquent πf divise Q, puisque Q est scindé simple alors πf n'a que des racines
simples.
Exemple 2.7.2.

Cherchons lepolynôpme minimal dans les cas suivants :
2 1 1
1. Soit A =  −1 1 0 

, on a χA (X) = −(X − 1)3 alors le polynôme minimal
0 −1 0
de A est :
πA (X) = (X − 1) impossible car A − I3 6= 0 donc A n'est pas diagonalisable.
πA (X) = (X − 1)2 ou
πA (X) = (X − 1)3

Calculons (A − I3 )2 :
      
1 1 1 1 1 1 0 0 0 0 0 0
(A−I3 )2 =  −1 0 0   −1 0 6  0 0 0 
0  =  −1 −1 −1  =
      
0 −1 −1 0 −1 −1 1 1 1 0 0 0

alors le polynôme minimal de A est πA (X) = (X − 1)3 .

 
1 5
0 2 2
 −2 − 32 − 32  alors le polynôme caractéristique de A est
2. A =  
2 − 12 − 12

χA (X) = −(X + 2)2 (X − 2)

donc le polynôme minimal de A est :

πA (X) = (X − 2)(X + 2)

ou
πA = (X − 2)(X + 2)2 .

Calculons (A − 2I3 )(A + 2I3 ) :

      
−2 21 5
2
2 1
2
5
2
0 −2 −2 0 0 0
 −2 − 72 − 32   −2 12 − 32  =  0 −2 −2  =
6  0 0 0 
      
2 − 12 − 52 2 − 21 23 0 2 2 0 0 0

d'où le polynôme minimal de A est πA (X) = (X − 2)(X + 2)2 donc A n'est pas
2.7 Recherche de polynôme minimal 55

diagonalisable.
Exercice 2.7.1. On considère la matrice suivante :
 
−1 −2 −2
A =  −2 −1 2  ∈ M3 (R)
 
−2 2 −1

1. Montrer que :
A2 − 9I3 = 0.

En déduire les valeurs propres de A.

2. Déterminer les vecteurs propres de A. En déduire le polynôme caractéristique de
A.
3. Montrer que A est inversible.
4. Montrer que :
1
A−1 = A.
9
En déduire le polynôme minimal et les valeurs propres de A−1 .
5. Déterminer les vecteurs propres de A−1 .
Solution. On considère la matrice suivante :
 
−1 −2 −2
A =  −2 −1 2  ∈ M3 (R)
 
−2 2 −1

1. Montrons que A2 − 9I3 = 0 : On a

  
−1 −2 −2 −1 −2 −2
A2 =  −2 −1 2   −2 −1 2 
  
−2 2 −1 −2 2 −1
 
9 0 0
=  0 9 0  = 9I3 ⇔ A2 − 9I3 = 0
 
0 0 9

En déduire que le polynôme minimal de A est πA(X) = X 2 − 9 = (X − 3)(X + 3),

donc les valeurs propre de A sont λ1 = −3 et λ2 = 3.
Remarque : On conclut que A est diagonalisable car πA est scindé simple.
2.7 Recherche de polynôme minimal 56

2. Déterminons les vecteurs propres de A

Pour λ = −3  
 −x − 2y − 2z = −3x
  2x − 2y − 2z = 0

Soit X = (x, y, z) ∈ E−3 ⇔  −2x − y + 2z = −3y ⇔  −2x + 2y + 2z = 0 ⇔
 −2x + 2y − z = −3z  −2x + 2y + 2z = 0
x = y + z, alors X = (x + y, y, z) = x(1, 1, 0) + y(1, 0, 1), d'où
| {z } | {z }
V1 V2

E−3 = {x(1, 1, 0) + y(1, 0, 1)/x, y ∈ R}, dimE−3 = 2.

Pour λ = 3  

 −x − 2y − 2z = 3x  −4x − 2y − 2z = 0

Soit X = (x, y, z) ∈ E3 ⇔ −2x − y + 2z = 3y ⇔ −2x − 4y + 2z = 0 ⇔

 −2x + 2y − z = 3z 
 −2x + 2y − 42z = 0
(
x = −y
, alors X = (−y, y, y) = y(−1, 1, 1), d'où
z=y | {z }
V3

E3 = {y(−1, 1, 1)/y ∈ R}, dimE3 = 1.

Le polynôme caractéristique de A est χA(X) = −(3 + X)α(X − 3)β et puisque

A est diagonalisable en déduire que α = dimE−3 = 2 et β = dimE3 = 1 alors
χA (X) = −(3 + X)2 (X − 3)
3
3. Montrons que A est inversible : detA = λi = (−3)23 = 27 6= 0, alors A
Q
i=1
est inversible donc A−1 existe.
4. Montrons que : A−1 = 91 A : On a
A2 − 9I3 = 0 ⇔ A−1 A2 − 9I3 = A − 9A−1 = 0
1
⇔ A−1 = A.
9

Le polynôme minimal de A−1 : On a

1
A − 9A−1 = 0 ⇔ A−1 (A − 9A−1 ) = I3 − 9A−2 = 0 ⇔ A−2 − I3 = 0
9

on conclut que le polynôme minimal de A−1 est πA = X 2 − 19 = (X + 13 )(X − 13 )

−1

remarquons que A−1 est diagonalisable.

Les valeurs propres de A−1 sont λ1 = − 13 et λ2 = 13 .
2.8 Réduction en blocs triangulaires 57

5. Déterminons les vecteurs propres de A−1 :

Comme A−1 = 19 A alors
   
x x
1 
E− 1 = {(x, y, z) ∈ R3 /A−1  y  = −  y }
 
3 3
z z
   
x x
3
= {(x, y, z) ∈ R /A  y  = −3  y } = E−3
   
z z

de même on a E3 = E c'est à dire que A−1 et A ont mêmes vecteurs propres.

1
3

2.8 Réduction en blocs triangulaires

D'après le Théorème 2.5.1, si χf est scindé alors il existe une base B = {v1, . . . , vn}
telle que :  
λ1 ∗
MB (f ) = 
 ... .


0 λ
Dénition 2.8.1. Soit χf (X) = (−1)n (X − λ1 )α1 . . . (X − λp )αp avec λi 6= λj et
n
αi = n. On appelle sous espace caractéristique associé à la valeur propre λi le sous
P
i=1
espace vectoriel
Nλi = Ker(f − λi IdE )αi .
D'après le Corollaire 2.6.1, si χf est scindé E est toujours somme d'espaces carac-
téristiques 2
E = Nλ1 ⊕ . . . ⊕ Nλp .
Remarque 2.8.1. Soit λ une valeur propre de f et α l'ordre de multiplicité de λ.
1. Eλ ⊂ Nλ .
En eet, si x ∈ Eλ alors (f − λIdE )(x) = 0 donc (f − λIdE )α (x) = 0
2. Les sous espaces caractéristiques sont stables par f ; c'est à dire f (Nλ ) ⊂ Nλ .
En eet, si x ∈ Nλ alors (f − λIdE )α (x) = 0 d'où

f (f − λIdE )α (x) = (f − λIdE )α f (x) = 0

2. Dans le cas où f est diagonalisable ou non.
2.8 Réduction en blocs triangulaires 58

c'est à dire f (x) ∈ Nλ .

Lemme 2.8.1. Soit E = E1 ⊕ · · · ⊕ Ep où les sous espaces Ei sont stables par f
(f (Ei ) ⊂ Ei ). Alors si B1 , . . . , Bp sont des bases de E1 , . . . , Ep respectivement alors la
p
matrice de f dans la base B = Bi de E est
S
i=1

 
M1 0
M2
 
où Mi = MBi (f|Ei ).
 
MB (f ) = 
 ... 

 
0 Mp

Démonstration. Soient B1 = {e11, e12, . . . , e1n }, . . . , Bp = {ep1 , ep2 , . . . , epn }. Puisque

1 p

f (Ei ) ⊂ Ei , on a
 



1 1 1 1 1 1 1
f (e1 ) = a11 e1 + a21 e2 + · · · + an1 1 en1 

 f (ep1 ) = ap11 ep1 + ap21 ep2 + · · · + apnp 1 epnp
 f (e1 ) = a1 e1 + a1 e1 + · · · + a1 e1
  f (ep ) = ap ep + ap ep + · · · + ap ep

. .
2 12 1 22 2 n1 2 n1 2 12 1 22 2 np 2 np



.. ...



..
 f (e1 ) = a1 e1 + a1 e1 + · · · + a1 e1
  f (ep ) = a e + a ep + · · · + ap ep
 p p p
n1 1n1 1 2n1 2 n1 n1 n1 np 1np 1 2np 2 np np np

Donc  
M1 0
M2
 
... où Mk = (akij )ij .
 
MB (f ) = 



 
0 Mp

Théorème 2.8.1. (Réduction selon les sous espaces caractéristiques)

n
Soit χf (X) = (−1)n (X − λ1 )α1 . . . (X − λp )αp avec λi 6= λj et αi = n. Il existe alors
P
i=1
p
une base B = Bi de E avec pour tout i ∈ {1, . . . , p}, Bi est une base de Nλi telle
S
i=1
2.8 Réduction en blocs triangulaires 59

que  
λ1 ∗
 .. 
 . 
 

 0 λ1 

 

 λ2 ∗ 

 .. 
 . 
 

MB (f ) =  0 λ2 

..
 
.
 
 
∗
 

 λp 

 .. 
 . 
0 λp
...
α1 α2 αp
 
λp ∗
et 
 ...  = MBi (f|Nλ ).

i
0 λp

Démonstration. Puisque les Nλ sont stables par f , il existe une base B de E telle que
i

 
M1 0
M2
 
... où Mj = MB (fj ) avec fj = f|
 
MB (f ) = 


 j Nj
.
 
0 Mp

Il reste à montrer que chaque matrice Mj est trigonalisable et son spectre est {λ| j , .{z. . , λ}j } 3.
αj fois
Or Nλ = Ker(f − λj idE )α donc pour tout x de Nλ , (f − λj idE )α (x) = 0 c'est à
j
j
j
j

dire (fj − λj id)α = 0. Ainsi le polynôme (X − λj )α annule fj et par conséquent le

j j

polynôme minimal et le polynôme caractéristique de fj sont du type

πfj (X) = (X − λj )γj avec 1 ≤ γj ≤ αj ,
χfj (X) = (−1) δj
(X − λj )δ j
avec γj ≤ δj ≤ αj ,
donc χf est scindé ainsi Mj est trigonalisable est sont spectre est {λ| j , .{z. . , λ}j }.
j

αj fois

3. Mj est semblable à une matrice triangulaire d'ordre αj qui ne contient que λj dans le diagonale.
2.8 Réduction en blocs triangulaires 60

Montrons que δj = αj . On a
χf (X) = det(M1 − λ1 Iα1 ) . . . det(Mp − λp Iαp )
= χf1 (X) . . . χfp (X) = (−1)n (X − λ1 )δ1 . . . (X − λp )δp ,

alors δ1 + . . . + δp = n et comme
χf (X) = (−1)n (X − λ1 )α1 . . . (X − λp )αp , avec α1 + . . . + αp = n,
on conclut que δi = αi pour tout i ∈ {1, . . . , p}.
Exemple 
2.8.1. 
1 −1 2 −2
 0 0 1 −1 
Soit A =   la matrice associé à l'endomorphisme f dans la base

 1 −1 1 0 


1 −1 1 0
canonique de K4 . On a
χf (X) = X 2 (X − 1)2

alors f admet deux valeurs propres doubles 0 et 1 de plus f est trigonalisable d'où il
existe une base {v1 , v2 , v3 , v4 } de K4 telle que :
 
1 a 0 0
 0 1 0 0 
MB (f ) =  ,
 
 0 0 0 b 
0 0 0 0

c'est à dire
vecteur propre associé à 1


 f (v1 ) = v1

 f (v ) = av + v
2 1 2



f (v3 ) = 0 vecteur propre associé à 0
f (v4 ) = bv4

2.8 Réduction en blocs triangulaires 61

 
x
y
- Calculons v1 : On résout le système Av1 = v1 avec v1 = 
 
 c'est à dire :


 z 
t
  

 −y + 2z − 2t = 0 ( 0

 −y + z − t = 0 x=y=0  0 
⇒ , v1 = 
 
x−y =0


 z=t  1 

x−y+z−t=0 1


d'où E1 = {α(0, 0, 1, 1)/α ∈ K}, remarquons que dimE1 = 1 6= 2 donc f n'est pas
diagonalisable.
- Calculons v2 : On résout le système (A − I4 )v2 = av1 :
  
 −y + 2z − 2t = 0  a
 x=a

 
 −y + z − t = 0  0 
⇒ y=0 , v2 =  a 6= 0.
 
x−y =a

   0 

  z=t
x−y+z−t=a 0


- Calculons v3 : On résout le système Av3 = 0 :

  

 x − y + 2z − 2t = 0 ( 1

 z−t=0 x=y  1 
⇒ , v3 =  .
 

 x−y+z =0 z=t=0  0 

x−y+z =0 0


- Calculons v4 : On résout le système Av4 = bv3 :

  
x − y + 2z − 2t = 0  0
 x=y−b


 
 z−t=0  b 
⇒ z=b , v4 =  b 6= 0.
 
x−y+z =b


 
 t=0  b 

x−y+z =b 0


Ainsi  
1 a 0 0
 0 1 0 0 
MB (f ) = 
 
 avec a 6= 0 et b 6= 0,
 0 0 0 b 
0 0 0 0
2.9 La réduction de Jordan 62

la matrice de passage est  

0 a 1 0
 0 0 1 b 
P = .
 
 1 0 0 b 
1 0 0 0

2.9 La réduction de Jordan

Dénition 2.9.1. On appelle bloc de Jordan une matrice carrée du type
 
λ 1 0

 ... ... 

J(λ) =  ... 1
.
 
 
0 λ

Pour les matrices de type (1,1) : J(λ) = (λ).

Propriété 2.9.1. Soit J(λ) une bloc de Jordan d'ordre n, on a
χJ (X) = (−1)n (X − λ)n
πJ (X) = (X − λ)n
dimE = 1

Théorème 2.9.1. (Théorème de Jordan) Soit f ∈ End(E) tel que χf soit scindé.
1. Supposons que f n'ait qu'une seule valeur propre et que l'on ait :

χf (X) = (−1)n (X − λ)n , πf (X) = (X − λ)β , dimE = γ.

Il existe alors une base B de E telle que :

 
J1 (λ) 0
J2 (λ)
 
 
MB (f ) = 
 ...  = J(λ),
 notation
e
 
0 Jβ (λ)

où
- les Jk (λ) sont les blocs de Jordan ;
- l'ordre du plus grand bloc est β,
2.9 La réduction de Jordan 63

- le nombre des blocs est γ,

- la somme des ordres est n.
2. Si f admet les valeurs propres λ1 , . . . , λp de multiplicité α1 , . . . , αp c'est à dire :
p
avec λi 6= λj et αi = n
X
n α1 αp
χf (X) = (−1) (X − λ1 ) . . . (X − λp ) ,
i=1

alors il existe une base B de E telle que (avec les notation de 1)

 
J(λ
e 1) 0
J(λ
e 2)
 
 

 ... 

MB (f ) =  
0 J(λ
e p)

α1 α2 αp

Exemple 2.9.1. Soient E un K-espace vectoriel de dimension 5 et f ∈ End(E).

Supposons que :

1)χf (X) = −(X + 2)5 , 2)πf (X) = (X + 2)3 3)dimE−2 = 2.

• Détèrminons les réduites de Jordan de f :

Puisque dimE−2 = 2 alors il y a deux blocs de Jordan J1 (−2) et J2 (−2), l'ordre du
plus grand bloc est 3 et la somme des ordres des blocs de Jordan est 5 c'est à dire
ordJ1 (−2) + ordJ2 (−2) = 5 d'où
 
−2 1 0 !
−2 1
J1 (−2) =  0 −2 1 
 
et J2 (−2) =
0 −2
0 0 −2

donc il existe une base de E telle que la matrice de f dans cette base soit de la forme
suivante :  
−2 1 0 0 0
 0 −2 1 0 0 
 
 0 0 −2 0 0 .
 
 
 0 0 0 −2 1 
0 0 0 0 −2

Théorème 2.9.2. Soient A, B ∈ Mn (K) telles que χA ou χB sont sindé sur K. Pour
2.9 La réduction de Jordan 64

que A et B soient semblables, il faut et il sut qu'elles aient la même réduite de Jordan
[ à l'ordre près des blocs de Jordan].

2.9.1 Endomorphisme nilpotent

Dénition 2.9.2. Soit f ∈ End(E). f est dit nilpotent s'il existe un entier p (p ∈ N)
tel que f p = 0. Le plus petit p vériant cette propriété est appelé indice de nilpotence
de f .
Remarque 2.9.1. Soit f ∈ End(E).
1. Si f est nilpotent d'indice de nilpotence p alors

χf (X) = (−1)n X n et πf (X) = X p ,

c'est à dire un endomorphisme nilpotent n'a qu'une valeur propre λ = 0.

2. f est diagonalisable si et seulement si p = 1 c'est à dire f = 0.
Exemple 2.9.2.  
3 −2 3 −2
 2 −3 7 −3 
1. La matrice A =   de M4 (K) est nilpotente d'indice 2.

−2 −2

 3 3 
7 −3 2 −3
En eet,
    
3 −2 3 −2 3 −2 3 −2 0 0 0 0
 2 −3 7 −3  2 −3 7 −3   0 0 0 0 
A2 =  = .
    
−2 −2 −2 −2

 3 3  3 3   0 0 0 0 
7 −3 2 −3 7 −3 2 −3 0 0 0 0

Alors on conclut que

- le polynôme minimal de A est πA (X) = X 2 ,
- le polynôme caractéristique de A est χA (X) = X 4 ,
de plus on a : E0 = {α(1, 3, 1, 0) + β(1, 0, 1, 3)/(α, β) ∈ K2 } alors dimE0 = 2.
• La réduite de Jordan de A :
Puisque dimE0 = 2 alors il y a deux blocs de Jordan J1 (0) et J2 (0) tel que
ordJ1 (0) = 2 et ordJ1 (0) + ordJ2 (0) = 4 donc ordJ2 (0) = 2 c'est dire :
!
0 1
J1 (0) = J2 (0) =
0 0
2.9 La réduction de Jordan 65

d'où  
0 1 0 0
 0 0 0 0 
A∼ .
 
 0 0 0 1 
0 0 0 0
 
2 −3 2 2
 1 −4 6 1 
2. La matrice A =   de M4 (K) est nilpotente d'indice 4.

−4

 1 1 6 
6 −4 1 1
En eet
    
2 −3 2 2 2 −3 2 2 15 −10 −10 15
 1 −4 6 1  1 −4 6 1   10 −15 −15 35 
A2 =  =
    
−4 −4 −15 −15
 
 1 1 6  1 1 6   35 10 
6 −4 1 1 6 −4 1 1 15 −10 −10 15

et
    
2 −3 2 2 15 −10 −10 15 100 −25 −25 −25
 1 −4 6 1  10 −15 −15 35   200 −50 −50 −50 
A3 =  =
    
−4 −15 −15 −25 −25 −25
 
 1 1 6  35 10   100 
6 −4 1 1 15 −10 −10 15 100 −25 −25 −25

nalement
    
2 −3 2 2 100 −25 −25 −25 0 0 0 0
 1 −4 6 1  200 −50 −50 −50   0 0 0 0 
A4 =  = .
    
−4 −25 −25 −25

 1 1 6  100   0 0 0 0 
6 −4 1 1 100 −25 −25 −25 0 0 0 0

On conclut que χA (X) = πA (X) = X 4 de plus on a E0 = {α(1, 2, 1, 1)/α ∈ K}

c'est à dire que dimE0 = 1.
• La réduite de Jordan de A :
Puisque dimE0 = 1 alors il y a un seul bloc de Jordan J1 (0) tel que ordJ1 (0) = 4
2.9 La réduction de Jordan 66

donc  
0 1 0 0
 0 0 1 0 
A∼ .
 
 0 0 0 1 
0 0 0 0

Lemme 2.9.1. Soit f un endomorphisme nilpotent d'indice de nilpotence β . Alors les

propriétés suivantes sont équivalentes :
1. β = n, c'est à dire χf (X) = (−1)n X n , πf (X) = X n .
2. Il existe un vecteur x ∈ E, x 6= 0, tel que {x, f (x), . . . , f n−1 (x)} soit une base de
E ( on dit que f est cyclique).
3. Il existe une base B de E telle que f est représentable par un bloc de Jordan,
c'est à dire :  
0 1 0

 ... ... 

MB (f ) =  
1 
 

0 0

Démonstration. (1⇒
?
2)
Puisque f n−1 6= 0 alors il existe un vecteur non nul x deE tel que f n−1(x) 6= 0. Montrons
que {x, f (x), . . . , f n−1(x)} est une famille libre :
n
?
X
∀λ1 , . . . , λn ∈ K; λi fi (x) = 0 ⇒ λ1 = λ2 = · · · = λn = 0.
i=1

On a
n
X
0= λi f n−i (x)
i=1

en prenant l'image par f n−1,f n−2, . . . , f , on trouve

0 = λi f n−1 (x) pour i ∈ {1, 2, . . . , n}
et puisque f n−1(x) 6= 0 alors λi = 0 pour tout i ∈ {1, 2, . . . , n}.
(2⇒
?
3)
Supposons qu' il existe un vecteur x ∈ E, x 6= 0, tel que {x, f (x), . . . , f n−1(x)} soit
une base de E .
2.9 La réduction de Jordan 67

On pose : v1 = f n−1(x), v2 = f n−2(x), . . . , vk = f n−k (x), . . . , vn = x, alors la matrice

de f dans la base B = {v1, . . . , vn} est
 
0 1 0

 ... ... 

MB (f ) =  .
1 
 

0 0

(3⇒
?
1)
Si il existe une base B de E telle que
 
0 1 0

 ... ... 

MB (f ) =  
1 
 

0 0

alors par un simple calcul on trouve χf (X) = (−1)nX n et πf (X) = X n.

Exercice 2.9.1. On considère la matrice suivante :
 
−1 −1 3
A =  −2 −2 6  ∈ M3 (R)
 
−1 −1 3

1. Montrer que A est nilpotente. En déduire les valeurs propres, le polynôme minimal
et le polynôme caractéristique de A
2. Déterminer la réduite de Jordan de A.
3. Montrer que A est semblable à
 
0 0 0
B= 0 0 0 
 
0 1 0

Solution. On considère la matrice suivante :

 
−1 −1 3
A =  −2 −2 6  ∈ M3 (R)
 
−1 −1 3
2.9 La réduction de Jordan 68

1. Montrons que A est nilpotente :

    
−1 −1 3 −1 −1 3 0 0 0
A2 =  −2 −2 6   −2 −2 6  =  0 0 0 
    
−1 −1 3 −1 −1 3 0 0 0

A est nilpotente alors

(a) les valeurs propres de A sont λ = 0
(b) le polynôme minimal de A est πA(λ) = λ2
(c) le polynôme caractéristique de A est χA(λ) = −λ3
2. Déterminons la réduite de Jordan de A :
cherchons la dimension du sous espace propre ;
   
x 0
3
E0 = {(x, y, z) ∈ R /A  y  =  0 }
   
z 0

 −x − y + 3z = 0

3
= {(x, y, z) ∈ R / −2x − 2y + 6z = 0 }

 −x − y + 3z = 0

= {(x, y, z) ∈ R3 /x = −y + 3z} = {y(−1, 1, 0) + z(3, 0, 1)/y, z ∈ R}

dimE0 = 2 il y a deux blocs de Jordan J1 (0) et J2 (0) tels que ordJ1 (0) =
2 et ordJ1 (0) + ordJ2 (0) = 3 → ordJ2 (0) = 1
Alors la réduite de Jordan de A est :
 
0 1 0
J = 0 0 0 
 
0 0 0

3. Montrons que A est semblable à

 
0 0 0
B= 0 0 0 
 
0 1 0
2.9 La réduction de Jordan 69

On a     
0 0 0 0 0 0 0 0 0
B.B =  0 0 0   0 0 0  =  0 0 0  .
    
0 1 0 0 1 0 0 0 0
Alors B est nilpotente et elle admet le même polynôme minimal et le même polynome
caractéristique que A. Pour montrer que A et B sont semblables il sut de montrer
qu'elles ont la même dimension du sous espace propre.
  
x 0
3
E0 = {(x, y, z) ∈ R /B  y  =  0 }
   
z 0
= {(x, y, z) ∈ R3 /y = 0}
= {x(1, 0, 0) + z(0, 0, 1)/x, z ∈ R}

dimE0 = 2 alors A et B sont semblables.

Méthode 2 :
Supposons que B est la matrice associée à un endomorphisme f dans une base
B c = {e1 , e2 , e3 }, si on pose C = {v1 = e1 , v2 = e3 , v3 = e2 } on obtient
 
0 0 0
MC (f ) =  0 0 1 
 
0 0 0

alors la matrice B est semblable à A.

2.9.2 Puissance d'une matrice trigonalisable

Soit A ∈ Mn(K). Si A est triganlisable alors
∃P ∈ GLn (K), ∃J ∈ Tn,s (K); A = P JP −1 .

J est décomposable sous la forme suivante :

J =D+N avec DN = N D
où D est une matrice diagonale et N une matrice nilpotente. Comme D et N com-
mutent, alors on applique la formule du binôme de Newton pour calculer J k , k ∈ N,
2.9 La réduction de Jordan 70

alors k
k!
avec Ckl = l!(k − l)!
X
k k
J = (D + N ) = Ckl Dk−l N l
l=0

Puisque N est nilpotente, il existe p ∈ N(p ≤ n) tel que : N p = 0.

Alors la somme devient :
p−1
X
J k = (D + N )k = Ckl Dk−l N l .
l=0

Exemple 2.9.3. Soit f ∈ End(R3 ) représentée dans la base canonique de R3 par la

matrice  
3 1
3
2 2 
 

 5 1 
A= 1 −  ∈ M3 (R)

2 2 


 1 5 
−1 −
2 2
Soit k ∈ K, calculons Ak :

3 1
3−λ
2 2
5 1
χA (λ) = 1 −λ − = (2 − λ)2 (4 − λ).
2 2
1 5
−1 − −λ
2 2
• Les vecteurs propres :
- Pour λ =2 : Soit v1 = (x, y, z) ∈ R3 ,
 2x + 3y + z = 0
 (
z = −y
v1 ∈ E2 ⇔ 2x + y − z = 0 ⇔ . Pour y = −1, v1 = (1, −1, 1)

 −2x − y + z = 0 x = −y

- Pour λ =4 : Soit v2 = (x, y, z) ∈ R3 ,

 −2x + 3y + z = 0
 (
z = −y
v2 ∈ E4 ⇔ 2x − 3y − z = 0 ⇔ . Pour y = 1, v2 = (1, 1, −1)

 −2x − y − 3z = 0 x=y
Les sous espaces propres :
• E2 = {α(1, −1, 1)/α ∈ R} on conclut que A n'est pas diagonalisable puisque
dimE2 6= 2.
• E4 = {β(1, 1, −1)/β ∈ R}.
2.9 La réduction de Jordan 71

• La réduite de Jordan de A : On a
1. le polynôme caractéristique de A est : χA (X) = −(X − 2)2 (X − 4),
2. le polynôme minimal de A est : πA (X) = (X − 2)2 (X − 4), car A n'est pas
diagonalisable,
3. dimE2 = 1 il y !a un seul bloc de Jordan J(2) tel que ordJ(2) = 2, c'est à dire :
2 1
J(2) = ,
0 2
4. dimE2 = 1 il y a un seul bloc de Jordan J(4) tel que ordJ(4) = 1, c'est à dire :
J(4) = (4).
d'où  
4 0 0
A ∼ J =  0 2 1 ,
 
0 0 2
alors il existe une base B = {u1 , u2 , u3 } de R3 telle que MB (f ) = J c'est à dire :

vecteur propre associé à la valeur propre 4


 f (u1 ) = 4u1

f (u2 ) = 2u2 vecteur propre associé à la valeur propre 2

 f (u ) = u + 2u
3 2 3

• Cherchons u3 : Soit u3 = (x, y, z) ∈ R3 tel que


 2x + 3y + z = 1
 (
z = −y + 2
(f − 2I3 )(u3 ) = u2 ⇔ 2x + y − z = −1 ⇔

 −2x − y + z = 1 x = −y

on prend u3 = (0, 0, 2) alors la matrice de passage est

   
1 1 0 1 1 0
1
P =  1 −1 0 
 
et P −1 =  1 −1 0  .

2
−1 1 2 0 1 1
2.9 La réduction de Jordan 72

D'autre part, on a
     
4 0 0 4 0 0 0 0 0
J = 0 2 1 = 0 2 0 + 0 0 1 
     
0 0 2 0 0 2 0 0 0
| {z } | {z }
D N

=D+N

N est une matrice nilpotente d'indice 2, en eet, on a

    
0 0 0 0 0 0 0 0 0
2
N = 0 0 1  0 0 1  =  0 0 0 
    
0 0 0 0 0 0 0 0 0

de plus on a
    
4 0 0 0 0 0 0 0 0
DN =  0 2 0   0 0 1  =  0 0 2  = N D
    
0 0 2 0 0 0 0 0 0

alors pour tout k ∈ N

k
X
k k k k−1
J = (D + N ) = D + kD N+ Ckl Dk−l N l
|l=2 {z }
=0
    
4k 0 0 4k−1 0 0 0 0 0
=  0 2k 0  + k  0 2k−1 0  0 0 1 
    
0 0 2k 0 0 2k−1 0 0 0
 
4k 0 0
=  0 2 k2k−1 
k
 
0 0 2k
2.9 La réduction de Jordan 73

• Finalement ;
 
2k + 4k 4k
(k − 2)2k−2 + k2k−2
2 2
 
 
4k − 2k 4k
Ak = P J k P −1
 
= (2 − k)2k−2 + −k2k−2

2 2
 
 
 2k − 4k 4k 
(k + 2)2k−2 − (k + 4)2k−1
2 2
Exercice 2.9.2. On considère la matrice suivante :
 
3 −3 1
1
A =  2 −4 2  ∈ M3 (R)

2
1 −3 3

1. Montrer que 1 est une valeur propre de A.

2. Montrer que (1, 2, 1) est un vecteur propre de A.
3. Déterminer les valeurs propres et les sous espaces propres de A. En déduire le
polynôme minimal de A.
4. A est elle inversible ?
5. Montrer par récurrence que :
 
5 − (−1)n 3(−1)n − 3 1 − (−1)n
1
∀n ∈ N; An =  2 − 2(−1)n 6(−1)n − 2 2 − 2(−1)n 

4
1 − (−1)n 3(−1)n − 3 5 − (−1)n

Solution. On considère la matrice suivante :

 
3 −3 1
1
A =  2 −4 2  ∈ M3 (R)

2
1 −3 3

1. Montrons que 1 est une valeur propre de A :

On a
3−2 −3 1 1 −3 1
1 1
χA (1) = 2 −4 − 2 2 = 2 −6 2 =0
8 8
1 −3 3−2 1 −3 1

Alors 1 est une valeur propre de A.

2.9 La réduction de Jordan 74

2. Montrons que (1, 2, 1) est un vecteur propre de A :

On a
    
3 −3 1 1 1
1
 2 −4 2   2  = −  2 
   
2
1 −3 3 1 1

Alors (1,2,1) est un vecteur propre associé a la valeur propre -1.

3. Déterminons les valeurs propres :
3 − 2λ −3 1 2 − 2λ 0 2λ − 2
1 1
χA (λ) = 2 −4 − 2λ 2 = 2 −4 − 2λ 2
8 8
1 −3 3 − 2λ 1 −3 3 − 2λ
1 0 −1 1 0 0
1 1
= (2 − 2λ) 2 −4 − 2λ 2 = (2 − 2λ) 2 −4 − 2λ 4
8 8
1 −3 3 − 2λ 1 −3 4 − 2λ
1
= (2 − 2λ)(4λ2 − 4) = −(1 − λ)2 (λ + 1).
8
Alors les valeurs propres de A sont λ1 = 1 (racine double) et λ2 = −1 (racine
simple).
4. Déterminons les sous espaces propres de A :
-Pour λ = −1
On a (-1) est une valeur propre simple associée au vecteur (1,2,1) alors le sous
espace propre E−1 est de dimension 1. On conclut que
E−1 = {α(1, 2, 1)/α ∈ R}

- Pour λ = 1
   
x x
3
E1 = {(x, y, z) ∈ R /A  y  =  y }
   
z z
 

 3x − 3y + z = 2x  x − 3y + z = 0

3 3
= {(x, y, z) ∈ R / 2x − 4y + 2z = 2y } = {(x, y, z) ∈ R / 2x − 6y + 2z = 0 }

 x − 3y + 3z = 2z 
 x − 3y + z = 0
n
= {(x, y, z) ∈ R3 / x = 3y − z } = {y(3, 1, 0) + z(−1, 0, 1)/y, z ∈ R}
2.9 La réduction de Jordan 75

On remarque que dimE1 = 2 alors A est diagonalisable. On conclut que le poly-

nome minimal de A est πA(λ) = (λ + 1)(λ − 1).
3
5. A est inversible car detA = λi = (1)2(−1) = −1 6= 0
Q
i=1
6. Montrons par récurrence que :
 
5 − (−1)n 3(−1)n − 3 1 − (−1)n
1
∀n ∈ N; An =  2 − 2(−1)n 6(−1)n − 2 2 − 2(−1)n 

4
1 − (−1)n 3(−1)n − 3 5 − (−1)n

Pour n=0, on a
 
5−1 3−3 1−1
1
A0 =  2 − 2 6 − 2 2 − 2  = I3 (vraie)

4
1−1 3−3 5−1
.
Pour n=1, on a
   
5 − (−1) 3(−1) − 3 1 − (−1) 6 −6 2
1  1
A =  2 − 2(−1) 6(−1) − 2 2 − 2(−1)  =  4 −8 4  = A (vraie).

4 4
1 − (−1) 3(−1) − 3 5 − (−1) 2 −6 6

supposons l'hypothèse est vraie jusqu'a l'ordre n, et on montre qu'elle est vraie
pour n+1 :
On a
  
3 −3 1 5 − (−1)n 3(−1)n − 3 1 − (−1)n
1
An+1 = [Link] =  2 −4 2   2 − 2(−1)n 6(−1)n − 2 2 − 2(−1)n 
 
8
1 −3 3 1 − (−1)n 3(−1)n − 3 5 − (−1)n
 
10 + 4(−1)n −6(−1)n − 6 2 + 2(−1)n
=  4 + 4(−1)n −12(−1)n − 4 4 + 4(−1)n 
 
2 + 2(−1)n −6(−1)n − 6 10 + 2(−1)n
 
5 − (−1)n+1 3(−1)n+1 − 3 1 − (−1)n+1
=  2 − 2(−1)n+1 6(−1)n+1 − 2 2 − 2(−1)n+1 
 
1 − (−1)n+1 3(−1)n+1 − 3 5 − (−1)n+1
2.9 La réduction de Jordan 76

Exercices
Exercice 2.9.3. Soient {e1 , . . . , en } la base canonique de Cn et f l'endomorphisme de
Cn déni par :

f (ei ) = ei+1 pour i = 1, . . . , n − 1

..
.
f (en ) = e1

1. Calculer f k (ei ) pour k = 2, . . . , n et i = 1, . . . , n. En déduire que f est diagonali-

sable.
2. Montrer que id, f, f 2 , . . . , f n−1 sont linéairement indépendants. En déduire le po-
lynôme minimal.
3. Détèrminer les valeurs propres, le polynôme caractéristique et le déterminant de
f.
Exercice 2.9.4. Soient a ∈ {1, 2, 3} et A, B ∈ Mn (C). Montrer :
(
χA = χB
A∼B⇔
π A = πB

Exercice 2.9.5. Soit f ∈ EndC (Cn ) tel que f 2 soit diagonalisable.

1. On suppose detf 6= 0 et on note λ1 , · · · , λp les valeurs propres deux à deux dis-
tinctes de f 2 . Montrer que le polynôme Q(X) = (X 2 − λ1 ) · · · (X 2 − λp ) est
annulateur de f et en déduire que f est diagonalisable.
2. On suppose que detf = 0 et Kerf = Kerf 2 . En notant {0, λ1 , · · · , λp } les valeurs
propres deux à deux distinctes de f 2 , montrer que :

f ◦ (f 2 − λ1 id) ◦ · · · ◦ (f 2 − λp id) = 0

et en déduire que f est diagonalisable.

3. En tenant compte du résultat ci-dessus, montrer que si f ∈ EndC (Cn ) alors
f est diagonalisable ⇔ f 2 est diagonalisable et Kerf = Kerf 2 .
4. Application : Donner les conditions necessaires et susantes sur les ai pour
2.9 La réduction de Jordan 77

que la matrice  
0 a1
 a2 
A=
 

 
an 0
soit diagonalisable.
Exercice 2.9.6. Soit λ ∈ K. Montrer que la matrice
 
λ a b
A =  0 λ c  ∈ M3 (K)
 
avec (a, b, c) 6= (0, 0, 0)
0 0 λ

n'est pas diagonalisable.

Exercice 2.9.7. Déterminer toutes les matrices A ∈ M2 (R) telles que :
A3 − 8A2 + 21A − 18I = 0.

Exercice 2.9.8. Soit la matrice

 
5 1 −1
1
A =  0 4 0  ∈ M3 (R)

2
1 1 3

1. Montrer que X 2 − 4X + 4 est un polynôme minimal de A. En deduire les valeurs

propres de A.
2. Déterminer les sous espaces propres de A.
3. Déterminer la réduite de Jordan de A.
4. Montrer que A est inversible.
5. Montrer que A−1 = I3 − 41 A.
Exercice 2.9.9. On considère les deux matrices suivantes
   
−3 1 −1 −1 1 0
1
A =  −6 2 6  ∈ M3 (R) ; B =  0 −1 0  ∈ M3 (R).
  
4
−5 7 1 0 0 2

1. Montrer que (-1) est une valeur propre de A.

2.9 La réduction de Jordan 78

2. A est elle diagonalisable ?

3. Déterminer le polynôme minimal de A.
4. Montrer que les matrices A et B sont semblables et déterminer la matrice de
passage P telle que B = P −1 AP.
Exercice 2.9.10. Soient α, β ∈ K tel que α 6= β , A ∈ M6 (K) telle que χA (X) =
(X − α) (X − β) et πA (X) = (X − α)2 (X − β)2 . Quelle sont les réduites de Jordan
4 2

possibles pour A ?
Exercice 2.9.11. Soit la matrice
 
1 0 1 0
 −2 3 1 0 
A=  ∈ M4 (R).
 
 −2 1 3 0 
−2 2 0 2

1. Montrer que χA est scindé sur R, déterminer la réduite de Jordan J de A et une

matrice inversible P telle que A = P JP −1 .
2. Montrer que A est inversible.
Exercice 2.9.12. Montrer que les matrices
   
2 2 1 1 −9 8 7 15
 1 2 1 2  1 −15 14 7 15 
A=
 
et B=
 
6 −6 −10 4
  
 2 1 1 2  24 
1 2 1 2 −33 26 13 33

sont semblables dans M4 (R).

Exercice 2.9.13. Soit A ∈ M3 (C) non diagonalisable. On suppose que A admet une
valeur propre simple λ1 et une valeur propre double λ2 . Montrer que A est semblable à
 
λ1 0 0
J =  0 λ2 1  .
 
0 0 λ2

Exercice 2.9.14. Soit A ∈ M3 (R) telle que : A3 + A = 0 et A 6= 0. Montrer que :

 
0 0 0
A ∼  0 0 1 .
 
0 −1 0
2.9 La réduction de Jordan 79

Exercice 2.9.15. Soit la matrice :

 
1 α 0 0

 0 1 0 0 

 
 1 2 3 1 
−2 −(4 + α) −4 −1

En discutant selon les valeurs de α, donner une réduite de Jordan ainsi qu'une matrice
de passage.
Exercice 2.9.16.
? Montrer que les deux matrices suivantes sont semblables :
   
2 −1 −1 − 23 − 21 −1
A1 =  0 3 1 , A2 =  − 12 32 −1 
   
3 3
0 1 3 2 2
5

? Détèrminer une matrice inversible P telle que A1 = P A2 P −1 .

Exercice 2.9.17.
! ! !
Soient N = 0 0 ∈ M2(K), A = 0 N , =
0 1 N 0 N 0
0 0
∈ M4 (K).

Montrer que χA = χB , πA = πB et A 6∼ B.
Exercice 2.9.18. On considère la matrice
 
0 0 0
N =  1 0 0  ∈ M3 (C
 
0 1 0

Calculer N 2 et montrer qu'il n'éxiste aucune matrice X de M3 (C) telle que

 
0 0 0
X2 =  1 0 0  .
 
0 1 0

Exercice 2.9.19. On considère les matrices suivantes

   
2 −2 2 −1 2 0
A =  1 −3 5  ; B =  21 1 −1 
   
5 −3 1 −1 2 0
2.9 La réduction de Jordan 80

1. Montrer que A et B sont nilpotentes.

2. Détèrminer la réduite de Jordan de A et B. En déduire que A et B sont semblables.
Exercice 2.9.20. Soit A ∈ M3 (R) tel que :
 
1 −4 6
A =  −4 1 6 
 
−2 −2 8

1. Montrer que A2 = 5A. En deduire les valeurs propres de A.

2. Détèrminer les sous espaces propres de A. A est elle diagonalisable ?
3. Détèrminer la réduite de Jordan de A.
4. Montrer que ∀n ∈ N∗ ; An = 5n−1 A.
Exercice 2.9.21. Soit la matrice
 
0 1 0 1
 1 0 −1 0 
A=  ∈ M4 (R).
 
 0 1 0 1 
−1 0 1 0

1. Montrer que A est nilpotente, en déduire les valeurs propres de A.

2. Détèrminer les sous espaces propres de A.
3. Détèrminer la réduite de Jordan J de A et une matrice inversible P telle que
J = P −1 AP .
4. Calculer An .
Exercice 2.9.22. On considere les matrices suivantes

   
0 0 7 4 −1 −1
A1 =  8 4 2  ; A2 =  12 −3 −3  ;
   
−2 −1 −4 4 −1 −1
   
0 1 0 1 0 0 0 0
 1 0 −1 0   −1 2 1 3 
A3 =   ; A4 =  .
   
 0 1 0 1   −1 2 1 3 
−1 0 1 0 1 −2 −1 −3
2.9 La réduction de Jordan 81

1. Sont elles nilpotantes ?

2. Déterminer le polynôme minimal de chaque matrice.
3. Donner la réduite de Jordan de ces matrices.
4. Calculer Ani pour i = 1, 2, 3, 4.
CHAPITRE 3

EXPONENTIELLE D'UNE MATRICE

3.1 Exponentielle d'une matrice

On munit l'espace Mn(K) (K = R ou C) d'une norme par exemple :
si A = (aij )ij ∈ Mn(K), on pose
v
u n
uX
||A|| = t |aij |2 .
i,j=1

Ak
Dénition 3.1.1. Soit A ∈ Mn (K). La série k≥0 est normalement convergente
P
k!
sur tout compact. On l'appelle exponentielle de la matrice A, et on la note exp(A) = eA .
Propriété 3.1.1. Soient A, B ∈ Mn (K) et P ∈ GLn (K), on a
1. Si A.B = B.A alors eA+B = eA eB .
2. Si A est inversible alors eA−1 = e−A .
t
3. e A
=t (eA ).
4. eP AP
−1
= P eA P −1 .
Remarque 3.1.1.
1. e0 = In (0 étant ici la matrice nulle de Mn (K)).
λ2 I λk I
2. e = λI + λI +
I
+ ··· + + · · · = eλ I .
2! k!
En particulier
eI = eI.

82
3.1 Exponentielle d'une matrice 83

3. Si A.B 6= B.A
! alors e
A+B
.eB , par exemple si :
6= eA!
0 0 0 1
A= et B = . On a
1 0 0 0
! ! ! ! ! !
0 0 0 1 0 0 0 1 0 0 1 0
= 6= = ,
1 0 0 0 0 1 0 0 1 0 0 0

d'autre part on a
! !
1 0 1 1
eA = , eB = ,
1 1 0 1
! !
1 1 1 e−1 + e e − e−1
eA eB = 6 = = eA+B
1 2 2 e − e−1 e−1 + e

3.1.1 Cas d'une matrice diagonalisable

   
λ1 0 e λ1 0
Si D = 
 ...  ∈ Mn (K),

alors eD = 
 ... .


0 λn 0 eλn
Soit A ∈ Mn(K). Supposons que A est diagonalisable alors il existe une matrice dia-
gonale D est une matrice inversible P telles que : A = P DP −1. D'où
eA = P eD P −1 .

Exemple 3.1.1. On considère la matrice suivante :

 
0 −8 6
A =  −1 −8 7  .
 
1 −14 11

A est diagonalisable (voir Exemple 2.4.1), c'est à dire :

 
−2 0 0
A∼D= 0 2 0 
 
0 0 3
3.1 Exponentielle d'une matrice 84

avec    
1 1 2 1 1 −1
P = 1 2 3 
 
et P −1 =  −2 3 −1  .
 
1 3 5 1 −2 1
• Calculons eA : On a  
e−2 0 0
eD =  0 e2 0  .
 
0 0 e3
Alors
   
1 1 2 e−2 0 0 1 1 −1
eA = P eD P −1 =  1 2 3   0 e2 0   −2 3 −1 
   
1 3 5 0 0 e3 1 −2 1
 
e−2 − 2e2 + 2e3 e−2 + 3e2 − 4e3 2e3 − e2 − e−2
=  e−2 − 4e2 + 3e3 e−2 + 6e2 − 6e3 3e3 − 2e2 − e−2  .
 
e−2 − 6e2 + 5e3 e−2 + 9e2 − 10e3 5e3 − 3e2 − e−2

3.1.2 Cas d'une matrice nilpotente

Soit A ∈ Mn(K). Supposons que A est nilpotente alors il existe p ∈ N tel que :
A k
= 0. D'où
2 p−1
A A
eA = I + A + + ··· + .
2! (p − 1)!
Exemple 3.1.2. Soit  
9 13 11
A =  −3 −7 −5  .
 
−3 −1 −2
A est nilpotente :
    
9 13 11 9 13 11 9 15 12
2
A =  −3 −7 −5   −3 −7 −5  =  9 15 12 
    
−3 −1 −2 −3 −1 −2 −18 −30 −24
    
9 13 11 9 15 12 0 0 0
3
A =  −3 −7 −5  9 15 12  =  0 0 0 
    
−3 −1 −2 −18 −30 −24 0 0 0

alors A est nilpotente d'indice 3.

3.1 Exponentielle d'une matrice 85

• Calculons eA :
     
1 0 0 9 13 11 9 15 12
1  1
eA = I3 + A + A2 =  0 1 0  +  −3 −7 −5  +  9 15 12 
   
2 2
0 0 1 −3 −1 −2 −18 −30 −24
 
29 41
2 2
17
 3 3
= 2 1 

2
−12 −16 −13

3.1.3 Cas d'une matrice triangulaire avec une seule valeur propre
Si A ∈ Mn(K) est une matrice triangulaire avec une seule valeur propre sur sa
diagonale alors il existe λ ∈ K et une matrice nilpotente N tels que : A = λIn + N. On
suppose que l'indice de nilpotence de N est p (p ≤ n) alors
N2 N p−1
eA = eλI eN = eλ (I + N + + ··· + ).
2! (p − 1)!
 
3 1 1
Exemple 3.1.3.  0 3 1  ∈ M3 (R). On a
Soit A =  
0 0 3
   
3 0 0 0 1 1
 0 3 0  +  0 0 1 
   

A= 0 0 3 0 0 0
| {z } | {z }
D + N

avec     
0 1 1 0 1 1 0 0 1
N2 =  0 0 1   0 0 1  =  0 0 0 
    
0 0 0 0 0 0 0 0 0
et     
0 1 1 0 0 1 0 0 0
N3 =  0 0 1   0 0 0  =  0 0 0 
    
0 0 0 0 0 0 0 0 0
3.1 Exponentielle d'une matrice 86

alors   
1 1 32 e3 e3 3 3
2
e
1
eA = e3 (I + N + N 2 ) = e3  0 1 1  =  0 e3 3
e .
   
2
0 0 1 0 0 e3

3.1.4 Cas d'une matrice


triangulaire 
A1 0
A2
 
Lemme 3.1.1. Soit A =   où pour tout i ∈ {1, · · · , r}, Ai
 
 ... 
 
0 Ar
est une matrice carrée. Alors
 
eA1 0
eA2
 
A
 
e =
 ... .

 
0 eAr

Le lemme se démontre facilement en utilisant le fait que

 
Ak1 0
Ak2
 
...
 
Ak = 

.

 
0 Akr

Exemple 3.1.4. On considère la matrice suivante :

 
3 1
3 2 2
5 1 
A= 1 − ∈ M3 (R)

2 2 
1 5
−1 − 2 2

A est trigonalisable (Exemple 2.9.3), c'est à dire :


4 0 0
A∼J = 0 2 1 
 
0 0 2
3.2 Dérivée 87

avec    
1 1 0 1 1 0
1
P =  1 −1 0 
 
et P −1 =  1 −1 0  .

2
−1 1 2 0 1 1
On a
   
e4 !0 e4 0
 
4
e 0 " !#   ! 
eJ =  = 1 0 0 1 = e2 e2
 
2 1
0 e2 + 0
 
0 2
0 e 0 1 0 0 0 e2

alors
 
e2 + e4 e4 e2
1
eA = P eJ P −1 =  e4 − e2 e4 −e2 .

2
e2 − e4 2e2 − e4 3e2

3.2 Dérivée
Si A est une matrice dont les coécients aij ( sont des fonctions dérivables de la
variable t, alors la dérivée de A est la matrice A0 dont les coecients sont les dérivées
a0ij . La dérivée d'une matrice vérie les propriétés usuelles des dérivées. En particulier,
si les matrices A et B sont dérivables, alors le produit aussi et on a
(AB)0 = A0 B + AB 0 (attention le produit n'est pas commutatif).
Remarque 3.2.1. Si les coécients de A sont constantes alors A0 est la matrice nulle.
Proposition 3.2.1. Soit A ∈ Mn (R). L'application de R dans Mn (R) dénie par
t→e tA
est dérivable et on a :
d tA
e = AetA .
dt
Démonstration. On a ∞
At
X A k tk
e =
k=0
k!
3.3 Résolution d'un système diérentiel homogène 88

alors
∞ ∞
d tA dX Ak tk d X Ak tk
e = = (I + )
dt dt k=0 k! dt k=1
k!
∞ ∞ ∞
X Ak tk−1 X Ak−1 tk−1 X Aj tj
= =A =A
k=1
(k − 1)! k=1
(k − 1)! j=0
j!

= AetA

3.3 Résolution d'un système diérentiel homogène

Un système diérentiel linéaire homogène est un système d'équations diérentielles
de la forme : 
 dx1
= a11 x1 + a12 x2 + · · · + a1n xn


dt




 dx2


= a21 x1 + a22 x2 + · · · + a2n xn
(S)



...
dt


dxn



= an1 x1 + an2 x2 + · · · + ann xn


dt
où les xi sont des fonctions dirivables sur un intervalle I de R et les aij ∈ R (ou C)
pour tout (1 ≤ i, j ≤ n).
Écriture matricielle :
On pose :
 
  dx1  
x1 a11 · · · a1n
...  ..  ... ...
 
d dt
X =  . ,
 
X= , A= .
   
dt  
xn  dxn  an1 · · · ann
dt
Avec cette notation, le système diérentiel (S) est équivalent à
d
X = AX
dt
3.3 Résolution d'un système diérentiel homogène 89

Résoudre le système (S), c'est trouver tous les vecteurs X qui le vérient.
Théorème 3.3.1. Soit A ∈ Mn (K) avec K = R ou C. Les solutions du système
d
diérentiel homogène X = AX sont les fonctions dérivables X : K → Kn dénies
dt
par
X = etA X0

où X0 est un vecteur quelconque de Kn .

Corollaire 3.3.1. (Théorème de Cauchy-Lipschitz). Pour X0 ∈ Kn xé, il existe une
d
et une seule solution X vériant le système diérentiel X = AX avec X(0) = X0
dt
est la condition initiale.
d
Corollaire 3.3.2. L'ensemble des solutions du système diérentiel X = AX (avec
dt
A ∈ Mn (K)) est un K-espace vectoriel de dimension n.

3.3.1 Cas d'une matrice diagonalisable

Théorème 3.3.2. Soient A une matrice carrée d'ordre n diagonalisable à coecients
dans K (R ou C), (λ1 , λ2 , · · · , λn ) les valeurs propres de A et B = (v1 , v2 , · · · , vn ) une
d
base de vecteurs propres associés. Alors, l'ensemble des solutions de X = AX sur un
dt
intervalle quelconque I , est un K-espace vectoriel de dimension n, et

X = k1 eλ1 t v1 + k2 eλ2 t v2 + · · · + kn eλn t vn ki ∈ K pour 1 ≤ i ≤ n

Si, de plus, on xe la condition initiale X(0) = X0 alors la solution existe et unique.
Démonstration. Soit P = P (B c, B) avec B c est la base canonique de Kn.
On a  
λ1 0
P −1 AP = D = 
 ... .


0 λ1

On pose : Y = P −1 X ⇒ X = P Y et puisque la matrice P est constante alors

d d
Y = P −1 X = P −1 AX = P −1 AP Y
dt dt
= DY
3.3 Résolution d'un système diérentiel homogène 90

d
d'où le système (S) est équivalent au dt
Y = DY.
 
y1
 y2 
 
Si  .. 
Y = alors le système devient :
.

 
yn

 dy1
= λ1

 
dt y1 = k1 eλ1 t



 

 dy2
 
  y2 = k2 eλ2 t

= λ2
qui se résout par ... avec k1, k2, . . . , kn ∈ K.



dt
... 



  y = k eλn t

n n
dyn



= λn


dt
Enn, puisque X = P Y alors :
X = k1 eλ1 t v1 + k2 eλ2 t v2 + · · · + kn eλn t vn .

On remarquera que le calcul de P −1 est inutile.

Exemple 3.3.1. On considère le système suivant

 dx

 = −3y − z
dt



dy

(S) = −2x + y + z


 dt

 dz
= 2x + 3y + 3z


dt
Le système(S)est équivalent à :
     
x 0 −3 1 x
d 
 y  =  −2 1 1   y 
   
dt
z 2 3 3 z
| {z } | {z } | {z }
dX
= A X
dt
3.3 Résolution d'un système diérentiel homogène 91

   
−2 0 0 1 1 −1
A∼D= 0 2 0 
 
avec P =  1 −1 1 
 
0 0 4 −1 1 1
alors la solution de (S) est de la forme :
     
1 1 −1
X = k1 e−2t  1  + k2 e2t  −1  + k3 e4t  1 
     
−1 1 1
 
k e−2t + k2 e2t − k3 e4t
1  1 −2t
=  k1 e − k2 e2t + k3 e4t  ,

avec k1 , k2 , k3 ∈ R.
2 −2t 2t 4t
−k1 e + k2 e + k3 e

3.3.2 Cas d'une matrice diagonalisable sur C mais pas sur R

Soit A ∈ Mn(C). Si A admet des valeurs propres complexes non réells alors ces
valeurs sont deux à deux conjuguées et on peut prendre des vecteurs propres deux à
deux conjugués c'est à dire : si v = (z1, z2, · · · , zn) est un vecteur propre associé à une
valeur propre λ alors v = (z1, z2, · · · , zn) est un vecteur propre associé à λ. Pour un tel
couple :
V ect(eλt v, eλt v) = V ect(Re(eλt v), Im(eλt v))

avec V ect(eλtv, eλtv) et V ect(Re(eλtv), Im(eλtv)) sont les sous espaces vectoriels en-
gendrés respectivement par {eλtv, eλtv} et {Re(eλtv), Im(eλtv))}.
En eet, sachant que
eλt v = Re(eλt v) + i Im(eλt v)
eλt v = (eλt v) = Re(eλt v) − i Im(eλt v)

alors
eλt v + eλt
Re(eλt v) =
2
λt
λt
e v − eλt
Im(e v) =
2i

Or, Re(eλtv) et Im(eλtv) est une famille libre des solutions du système diérentiel sur
R. Ce qui donne le théorème suivant :

Théorème 3.3.3. Si A est diagonalisable sur C mais pas sur R alors pour les valeurs
3.3 Résolution d'un système diérentiel homogène 92

propres non réelles, il sut de remplacer dans la famille génératrice des solutions

αeλt v + βeλt v; α, β ∈ C

par
k1 F Re(eλt v) + k2 Im(eλt v); k1 , k2 ∈ R.

Exemple 3.3.2. On considére le système diérentiel suivant :


 dx

 = −x + 2y − z
 dt



dy
(S) = −4x + 2z


 dt
 dz = −2x + 2y + 2z



dt
L'écriture matricielle de (S) est :
     
x −1 2 1 x
d 
 y  =  −4 0 2   y 
   
dt
z −2 2 2 z
| {z } | {z } | {z }
dX
= A X
dt
Les valeurs propres de A sont 1, 2i, −2i et les vecteurs propres associés sont
1
v1 = ( , 0, 1), v2 = (1, i, 1) et v3 = (1, −i, 1) respectivement.
2
3.3 Résolution d'un système diérentiel homogène 93

Les solutions sont donc :

 
  1    
x   1 1
  t
 y  = αe  2  + βe2it  i  + γe−2it  −i  ;
    
α, β, γ ∈ C
 0 
z 1 1
1
 
1    
  1 1
= αet  2  + βe2t (cost + isint)  i  + γe2t (cost − isint)  −i 
     
 0 
1 1
1
 
1    
  cost sint
= αet  2  + (β + γ)e2t  −sint  + i(β − γ)e2t  cost 
     
 0 
cost sint
1

alors les solutions sur R sont de la forme

 
  1    
x   cost sint
 y  = k1 e  02  + k2 e  −sint  + k3 e  cost  ;
t 2t  2t 
k1 , k2 , k3 ∈ R.
    
 
z cost sint
1

3.3.3 Cas d'une matrice trigonalisable non diagonalisable

Supposons que A est triangularisable, non diagonalisable c'est à dire (A ∼ J) avec
J la réduite de Jordan associée à A et soit P la matrice de passage telle que

J = P −1 AP

d d
On pose : X = P Y , on obtient : dtX = P dtY , car P est constant.
d
Le système diérentiel (S) est équivalent à : dt
Y = JY qui se résout par Y = eJt Y0
avec Y0 un vecteur quelconque. D'où
P Y = P eJt P −1 P Y0 ⇒ X = P eJt X0
3.3 Résolution d'un système diérentiel homogène 94

Exemple 3.3.3. On considère le système suivant


dx
= − 23 y + 12 z



dt



dy

(S) = −2x − 21 y − 21 z


 dt
 dz = 2x + 5 y + 5 z



2 2
dt
Le système S est équivalent à
     
x 0 − 32 12 x
d  1 1  
 y  =  −2 − 2 − 2   y 
 
dt
z 2 5 5
z .
2 2
d
X = A X
dt
La matrice A est semblable à
   
−2 0 0 1 1 −1
J = 0 2 1 
 
avec P =  1 −1 1  .
 
0 0 2 −1 1 1

D'ou le système (S) se résout par

   
1 1 −1 e−2t 0 0 x0
X = P eJt X0 =  1 −1 1   0 e2t e2t   y0 
    
−1 1 1 0 0 e2t z0
     (3.1)
e−2t e2t 0 x0 e−2t x0 + e2t y0
 −2t
= e −e 2t
0   y0  =  e−2t x0 − e2t y0
   

−e−2t e2t 2e2t z0 −2t 2t
−e x0 + e y0 + e z0 2t

Cas d'une matrice nilpotente

Exercice 3.3.1. On considère la matrice suivante :
 
2 −1 −1
B =  0 −1 1  ∈ M3 (R)
 
2 −1 −1

- Montrer que B est nilpotente.

3.3 Résolution d'un système diérentiel homogène 95

- Calculer eB .
- Résoudre le système diérentiel suivant :

 dx

 = 2x − y − z
 dt



dy
= −y + z


 dt
 dz = 2x − y − z



dt

Solution. On considère la matrice suivante :

 
2 −1 −1
B =  0 −1 1  ∈ M3 (R)
 
2 −1 −1

- Montrons que B est nilpotente :

    
2 −1 −1 2 −1 −1 2 0 −2
B 2 =  0 −1 1   0 −1 1  =  2 0 −2  .
    
2 −1 −1 2 −1 −1 2 0 −2
    
2 −1 −1 2 0 −2 0 0 0
B 3 =  0 −1 1   2 0 −2  =  0 0 0 
    
2 −1 −1 2 0 −2 0 0 0
Alors B est nilpotente d'indice 3.
- Calculons eB .
∞
X Bk B2
eB = = I3 + B +
k=0
k! 2!
       
1 0 0 2 −1 −1 1 0 −1 4 −1 −2
=  0 1 0  +  0 −1 1  +  1 0 −1  =  1 0 0 
       
0 0 1 2 −1 −1 1 0 −1 3 −1 −1
3.3 Résolution d'un système diérentiel homogène 96

- Résolvons le système diérentiel suivant :


 dx

 = 2x − y − z
 dt



dy
(S) : = −y + z


 dt
 dz = 2x − y − z



dt

La forme matricielle du système (S)

    
x 2 −1 −1 x
d  
 y  =  0 −1 1   y  .
 
dt
z 2 −1 −1 z
 
x
On pose X =  y ,
 
le système (S) est équivalent à
z
 
k1
d
dt
X = BX ⇒ X = eBt  k2  ,
 
avec (k1, k2, k3) ∈ R3.
k3

Calculons eBt
∞
B
X tB k t2 2
e = = I3 + tB + B
k=0
k! 2!
       
1 0 0 2t −t −t t2 0 −t2 1 + 2t + t2 −t −(t + t2 )
=  0 1 0  +  0 −t t  +  t2 0 −t2  =  t2 1−t t − t2 
       
0 0 1 2t −t −t t2 0 −t2 2t + t2 −t 1 − t − t2

Alors la solution du système (S) est de la forme

    
1 + 2t + t2 −t −(t + t2 ) k1 k1 + (2k1 − k2 − k3 )t + (k1 − k3 )t2
X= t2 1−t t − t2   k2  =  k2 + (k3 − k2 )t + (k1 − k3 )t2
    

2 2 2
2t + t −t 1 − t − t k3 k3 + (2k1 − k2 − k3 )t + (k1 − k3 )t
3.3 Résolution d'un système diérentiel homogène 97

Exercices
Exercice 3.3.2. Soit
 
−1 −3 0 3
 −3 −1 0 3 
A=  ∈ M4 (C).
 
 0 0 2 0 
−3 −3 0 5

1. Montrer que A est diagonalisable est inversible. En déduire le polynôme minimal.

2. Calculer A−1 .
3. Calculer eA et e−A .
!
1 a
Exercice 3.3.3. Soient a ∈]−1, 1[, A = . Trouver une matrice B de M2 (R)
a 1
telle que eB = A.
Exercice 3.3.4. Calculer eA ; 1 ≤ i ≤ 3
i

 
    −3 −4 −1 6
0 −1 1 −1 −1 2  −3 −1 0 3 
A1 =  0 −1 1  , A2 =  1 −1 0  , A3 =  .
     
 −1 −1 1 2 
0 −1 1 −1 −1 2
−5 −4 −1 8

Exercice 3.3.5.
1. Résoudre l'équation eX = In , d'inconnue X ∈ Mn (C).
2. Soit A ∈ Mn (C). Montrer que A est diagonalisable si et seulemet si eA l'est.
Exercice 3.3.6. Soit la matrice
 
1 −a −a 1
 1 − b a a − 1 −b 
A=  ∈ M4 (R), où a, b ∈ R.
 
 b −a 1 − a 1 + b 
0 a a 0

1. Donner la condition nécessaire et susante pour que A soit diagonalisable.

2. A l'aide du spectre de A, montrer que A + I est inversible. Calculer (A + I)−1
lorsque A est diagonalisable.
3. Soit a = 1 et b = 0 :
3.3 Résolution d'un système diérentiel homogène 98

(a) Calculer An .
dX
(b) Résoudre le système = AX.
dt
Exercice 3.3.7. Résoudre les systèmes diérentiels suivants :
 dx

dx dt
= 7x + 4y 
dx
= −x + y = 3x − y + z


dy
 dt
  dt

dy

dt
= −12x − 7y 
dy
dt
= −y + z , dz , dt
= 2x + z
 dz
 dt
= 20x + 11y − 6z − 12w  dz

dt
= x−y 
 dw

dt
= x − y + 2z
= −12x − 6y + 6z + 11w

dt

  
 dx  dx  dx

 = −7x + 7y − 4z 
 = 9x − 3y 
 = x − y + 2z
 dt  dt  dt

 
 

  
dy dy dy
= −3x + 15y − 12z , = 7x − 13y + 16z , = x + 3y − 2z .


 dt 

 dt 

 dt
 dz = −2x + 14y − 14z  dz = 13x − 7y + 4z  dz = −3x − y + 6z

 
 

  
dt dt dt
 TABLE DES NOTATIONS

Cette table réprensente quelques symboles utilisées dans ce manuscrit.

• N : L'ensemble des entiers naturels.
• Z : L'anneau des entiers relatifs.
• K : Un corps commutatif peut être R ou C.
• Kn : K-espace vectoriel de dimension n
• LK (E, F ) : L'ensemble des applications linéaires de E dans F.
• End(E), LK (E) : L'ensemble des endomorphismes de E.
• Mm,n (K) : L'ensemble des matrices de type (m, n).
• Mn (K) : L'ensemble des matrices carrées d'ordre n.
• GLn (K) : L'ensemble des matrices inversibles d'ordre n.
• Dn (K) : L'ensemble des matrices diagonales d'ordre n.
• Tn,s (K) : L'ensemble des matrices triangulaires supérieures d'ordre n.
• K[X] : L'ensemble des polynômes à coecients dans K.
• Kn [X] : L'ensemble des polynômes de degré inférieur ou égal à n.
• χA : Le polynôme caractéristique de A.
• πA : Le polynôme minimal de A.
• Eλ : Le sous-espace propre associé à λ.
• t A : La transposée de A.
• V ect(u1 , u2 , · · · , un ) : Le sous espace vectoriel engendré par les vecteurs {u1 , u2 , · · · , un }.
• dim(E) : Dimension d'un espace vectoriel E. item Im(f ) : L'image d'une appli-
cation linéaire f.
• Ker(f ) : Le noyau d'une application linéaire f.

99
 BIBLIOGRAPHIE

[1] J. Grifone, Algèbre linéaire, Cépaduès-Éditions,1995.

[2] J. M. Monier, Algèbre 2, Cours et 500 exercices corrigés, 2eédition, DUNOD, Paris,
1998.
[3] J. M. Monier, Algèbre 1, Cours et 600 exercices corrigés, 2eédition, DUNOD, Paris,
2000.

100