Diagonalisation 1

L2 Math, Double Licence Math-Eco,

Math-Info et L3PPPE
P8-9

Luc Menichi

1. 10 mars 2025
 Table des matières

Chapitre 1. Determinants 5
1. Equations linéaires 5
Chapitre 2. Diagonalisation 7
1. Rappels sur les sommes directes 7
2. Décomposition d’un espace vectoriel en sous-espaces stables 8
3. Sous-espaces propres 9
4. Polynômes caractéristiques 9
5. Diagonalisation 12
6. Polynômes d’endomorphismes 15
7. Théorème de Cayley-Hamilton 19
8. Applications aux suites récurrentes 19
9. Système d’équations différentielles linéaires du premier ordre 21
10. Equations différentielles linéaires à coefficients constants 23
11. Corrigé des exercices 25
Bibliographie 27
12. Livres à télécharger 27

3
4 Table des matières

Ce cours s’inspire du cours de mon professeur de math supérieure Jean Voedts et de mes
bibles [RDO82, AF87, Voe02].
Pour vous déplacer dans le fichier pdf, veuillez cliquer sur la table des matières ou sur les
numéros des théorèmes, propositions....
 Chapitre 1

Determinants

A taper
1. Equations linéaires
Soient E et F deux espaces vectoriels. Soit f : E → F une application linéaire. L’ensemble
des solutions x ∈ E de cet équation linéaire sans second membre (ou homogène) f (x) = 0
est un sous-espace vectoriel de E, le noyau de f , ker f .
Proposition 1.1. [RDO82, [Link]◦ théorème II] Soit y ∈ F . L’ensemble des solutions
x ∈ E de l’équation linéaire avec second membre f (x) = y est
-soit vide si y n’appartient pas à l’image de f .
-soit est de la forme x0 + ker f où x0 est une solution particulière l’équation linéaire avec
second membre f (x) = y si si y appartient à l’image de f .
En particulier, si l’équation à une unique solution alors ker f = {0}, c’est à dire f est
injectif.
Démonstration. Si l’ensemble des solutions x ∈ E de l’équation linéaire avec second
membre f (x) = y n’est pas vide, soit x0 une telle solution. Alors f (x0 ) = y. Soit x ∈ E.
Alors x est solution de f (x) = y si et seulement si
f (x) = f (x0 ) ⇔ f (x) − f (x0 ) = 0 ⇔ f (x − x0 ) = 0
si et seulement si x − x0 est solution de l’équation f (x) = 0 si et seulement si x = x0 + z où
z ∈ ker f . □
Exemple 1.2. Système linéaire de p à q inconnues.




a11 x1 + a12 x2 + . . . + a1q xq = b1 L1

 a21 x1 + a22 x2 + . . . + a2q xq = b2 L2
.
.. .. .. .. .. .. .. .. .. ..




. . . . . . . . .

ap1 x1 + ap2 x2 + . . . + apq xn = bq Lp
Exemple 1.3. Equations différentielles linéaires.
a(t)y ′ (t) + b(t)y(t) = f (t)
Exemple 1.4. Équation diophantienne : ax + by = c où a, b et c sont des entiers relatifs.
On cherche les couples d’entiers relatifs (x, y) solution.
En fait, la proposition précédente n’utilise que la structure de groupes des espaces vecto-
riels (Elle marche même pour des groupes non abeliens) Soit f : Z2 → Z, (x, y) 7→ ax + by.
Alors f est un morphisme de groupes abeliens
Exemple 1.5. Soit f : (C−{0} , 1) → (C−{0} , 1), z 7→ z n . Alors f est un morphisme de
groupes abéliens pour le produit des nombres complexes. Alors le noyau de f est le groupe
des racines n-ièmes de l’unité 1. On obtient les racines n-ièmes d’un nombre complexe en
multipliant l’une d’entre elles par les racines n-ièmes de l’unité.

5
 Chapitre 2

Diagonalisation

1. Rappels sur les sommes directes

Soit E un espace vectoriel. Soient F1 ,. . ., Fp , p sous-espaces vectoriels de E.
Definition 2.1. L’ensemble des vecteurs de la forme x1 +· · ·+xp où x1 ∈ F1 ,. . ., xp ∈ Fp ,
est un sous-espace vectoriel de E appelé somme de F1 , . . ., Fp , noté F1 + · · · + Fp .
Propriété 2.2. F1 + F2 + F3 = (F1 + F2 ) + F3 = F1 + (F2 + F3 ). (Associativité)
F1 + {0} = F1 (Élément neutre)
F1 + F2 = F2 + F1 . (Commutativité)
Definition 2.3. On dit que la somme F1 + · · · + Fp est directe si pour tout vecteur x1
de F1 ,. . ., tout vecteur xp de Fp , on a l’implication
x1 + · · · + xp = 0 ⇒ x1 = · · · = xp = 0.
Dans ce cas, on note la somme F1 + · · · + Fp par F1 ⊕ · · · ⊕ Fp .
Propriété 2.4. La somme F1 + · · · + Fp est directe si et seulement si l’écriture de tout
élément x1 + · · · + xp de la somme est unique.
La somme F1 + F2 est directe si et seulement si l’intersection F1 ∩ F2 = {0}.
Si la somme F1 + · · · + Fp est directe alors pour tout i ̸= j, Fi ∩ Fj = {0}. Réciproque
fausse pour p ≥ 3 : Trois droites vectoriels qui se coupent en {0} ne sont pas en somme
directe si elles sont coplanaires.
Démonstration. Facile à faire soi-même. □
Proposition 2.5. Soit β1 = (e1 , . . . , ep ) une base de F1 . Soit β2 = (ep+1 , . . . , ep+q ) une
base de F2 . Alors la réunion des bases β1 ∪ β2 = (e1 , . . . , ep+q ) est une base de la somme
F1 + F2 si et seulement si la somme F1 + F2 est directe. En particulier
dim(F1 ⊕ F2 ) = dim F1 + dim F2 .
Démonstration. Montrons déjà que (e1 , . . . , ep+q ) est une famille génératrice de la
somme F1 + F2 . Soit y ∈ F1 + F2 . Alors il existe x1 ∈ F1 et x2 ∈ F2 tels que y = x1 + x2 .
Comme (e1 , . . . , ep ) est une famille génératrice de F1 , il existe des scalaires α1 , . . . , αp tels que
p
X
x1 = αi ei .
i=1
Comme (ep+1 , . . . , ep+q ) est une famille génératrice de F2 , il existe des scalaires αp+1 , . . . , αp+q
tels que
p+q
X
x2 = αi e i .
i=p+1
Donc
p+q
X
y = x1 + x 2 = αi ei .
i=1
Par conséquent, (e1 , . . . , ep+q ) est une famille génératrice de la somme F1 + F2 1.
1. Nous avons démontré Vect(β1 ∪ β2 ) = Vect(β1 ) + Vect(β2 )
7
8 2. DIAGONALISATION

Supposons maintenant que la somme F1 + F2 est directe. Montrons que (e1 , . . . , ep+q ) est
une famille libre. Soient α1 , . . . , αp+q des scalaires tels que
p+q
X
αi ei = 0.
i=1

Posons
p
X p+q
X
x1 = αi ei et x2 = αi e i .
i=1 i=p+1

Alors x1 + x2 = 0. Comme x1 ∈ F1 et x2 ∈ F2 et la somme F1 + F2 est directe, x1 = 0 et

x2 = 0. Comme (e1 , . . . , ep ) est une famille libre,
p
X
x1 = αi e i = 0
i=1

implique α1 = · · · = αp = 0. Comme (ep+1 , . . . , ep+q ) est une famille libre,

p+q
X
x2 = αi e i = 0
i=p+1

implique αp+1 = · · · = αp+q = 0. On a donc démontré que α1 = · · · = αp+q = 0. Donc

(e1 , . . . , ep+q ) est une famille libre, et puisque (e1 , . . . , ep+q ) est une famille génératrice de
la somme F1 + F2 , (e1 , . . . , ep+q ) est donc une base de la somme F1 + F2 . En particulier
dim(F1 + F2 ) = dim F1 + dim F2 .
Réciproquement, supposons que (e1 , . . . , ep+q ) est une base de la somme F1 + F2 . Soit
x ∈ F1 ∩ F2 . On peut, par hypothèse, écrire x = pi=1 αi ei et x = p+q
P P
i=p+1 αi ei , où α1 , . . . , αp+q
Pp+q Pp
sont des scalaires. De ceci on déduit i=p+1 αi ei − i=1 αi ei = 0, et puisque (e1 , . . . , ep+q ) est
libre, on trouve α1 = · · · = αp+q = 0, donc x = 0. La somme F1 + F2 est donc directe. □

2. Décomposition d’un espace vectoriel en sous-espaces stables

Soit E un espace vectoriel de dimension finie. Soit u : E → E une application linéaire.

Definition 2.6. Soit F un sous-espace vectoriel de E, on dit que F est stable par u si
u(F ) ⊂ F .

Soit F un sous-espace vectoriel stable par u. Comme ∀x ∈ F , u(x) ∈ F , La restriction de

u à F , u|F : F → E induit une application linéaire de F dans F , que par abus de notation,
on notera u|F .
Supposons que E est la somme directe F1 ⊕ F2 ⊕ · · · ⊕ Fp de p sous-espaces vectoriels de
E stables par u. Soit βi une base de chacun des sous-espaces vectoriels Fi . Soit Ai la matrice
de u|Fi relativement à cette base. Comme E est la somme directe F1 ⊕ F2 ⊕ · · · ⊕ Fp , la famille
β obtenue par réunion des bases βi est une base de E. Soit A la la matrice de urelativement
A1 0 . . . 0
 0 A2 . . . 0 
à cette base β. Alors A est la matrice diagonale par blocs  .
 
. . . . . . . . . . . . 
0 . . . 0 Ap
L’étude de l’endomorphisme u se ramène donc à l’étude de ces restrictions u|Fi . Le but
de la réduction des endormorphismes est de trouver une décomposition de E en sous-espaces
stables sur lesquel les restrictions u|Fi sont des applications simples.
 4. POLYNÔMES CARACTÉRISTIQUES 9

3. Sous-espaces propres
Parmi les sous-espaces stables, nous nous intéresserons surtout aux sous-espaces propres
(sous-espaces stables pour lesquels l’application induite est une homothétie).
Soit E un espace vectoriel de dimension finie ou infinie. Soit u : E → E une application
linéaire.
Definition 2.7. Soit λ ∈ K. On dit que λ est une valeur propre de u si il existe un
vecteur x non nul de E tel que u(x) = λx.
Definition 2.8. Soit λ une valeur propre de u. On appelle vecteur propre de u (associé
à la valeur propre λ), tout vecteur x non nul de E tel que u(x) = λx.
Propriété 2.9. Soit λ ∈ K. Le scalaire λ est valeur propre de u si et seulement si
ker(u − λidE ) ̸= {0} si et seulement si l’application linéaire u − λidE n’est pas injective.
Démonstration. En effet, soit x ∈ E. u(x) = λx ⇔ u(x)−λidE (x) = 0 ⇔ (u − λidE ) (x) =
0. □
Definition 2.10. Supposons que λ est une valeur propre de u. On appelle sous-espace
propre associée à la valeur propre λ, le sous-espace vectoriel stable par u, ker(u − λidE ). Ce
sous-espace vectoriel non réduit à {0} est formé de tous les vecteurs propres associés à la
valeur propre λ et du vecteur nul.
Théorème 2.11. [RDO82, [Link]◦ théorème II][AF87, Théorème XV.3.1][Voe02,
Théorème 5-4.9] Soient λ1 ,. . ., λp p valeurs propres distinctes de u. Alors la somme des
sous-espaces propres associés ker(u − λ1 idE ) + · · · + ker(u − λp idE ) est directe.
Démonstration. Faisons une démonstration par récurrence sur p. Cas p = 1. Il n’y a
rien à démontrer. Cas p ≥ 2. Supposons que la somme ker(u − λ1 idE ) + · · · + ker(u − λp−1 idE )
est directe. Soient xi ∈ ker(u − λi idE ) tels que (L1) x1 + · · · + xp = 0. En appliquant u à
l’équation (L1). Nous obtenons (L2) λ1 x1 +· · ·+λp xp = 0. En soustrayant λp fois (L1) à (L2),
nous obtenons (L2 − λp L1) (λ1 − λp )x1 + · · · + (λp−1 − λp )xp−1 = 0. Comme la somme ker(u −
λ1 idE ) + · · · + ker(u − λp−1 idE ) est directe, on a donc (λ1 − λp )x1 = 0,. . .,(λp−1 − λp )xp−1 = 0.
Comme λp est distincte de λ1 , . . ., λp−1 , on a donc x1 = 0,. . .,xp−1 = 0. L’équation (L1) donne
alors xp = 0. Nous avons donc montré que la somme ker(u − λ1 idE ) + · · · + ker(u − λp idE )
est directe. □
4. Polynômes caractéristiques
Supposons que E est de dimension finie. Soit u : E → E une application linéaire.
Propriété 2.12. Soit λ ∈ K. Le scalaire λ est valeur propre de u si et seulement si
det(u − λidE ) = 0.
Definition 2.13. On appelé polynôme caractéristique de u, noté χu , la fonction χu (X) =
det(XidE − u) pour tout X ∈ K.
Dans la proposition suivante, nous verrons que cette fonction est bien une fonction poly-
nômiale.
Proposition 2.14. Le polynôme caractéristique de M , χM , est un polynôme unitaire de
degré n de la forme
χM (X) = X n − tr M X n−1 + · · · + (−1)n det M.
Démonstration. Soit M = (mij ). Soit Sn l’ensemble des bijections σ de l’ensemble
{1, . . . , n} dans lui-même. On rappelle que le déterminant de M est donné par
X
det M = ε(σ)m1σ(1) . . . mnσ(n) .
σ∈Sn
10 2. DIAGONALISATION

 l’ensemble {−1, +1} appélée signature. Soit δij les symboles

où ε est une application de Sn vers
1 si i = j
de Kronecker définis par δij = . Alors
0 sinon
X
det(XIn − M ) = ε(σ)(Xδ1σ(1) − m1σ(1) ) · · · (Xδnσ(n) − mnσ(n) ).
σ∈Sn

On voit donc que χM (X) est un polynôme de degré inférieur ou égal à n. En distinguant
l’identité id des autres éléments de Sn dans la somme, comme ε(id) = +1,
X
χM (X) = (X − m11 ) · · · (X − mnn ) + ε(σ)(Xδ1σ(1) − m1σ(1) ) · · · (Xδnσ(n) − mnσ(n) ).
σ∈Sn −{id}

Si σ ̸= id, alors il existe i tel que σ(i) ̸= i. Comme σ est injectif, on a aussi σ(σ(i)) ̸= σ(i).
En posant j = σ(i), nous avons trouvé deux éléments distincts i et j de {1, . . . , n} tels que
δiσ(i) et δjσ(j) soient nuls et donc le terme ε(σ)(Xδ1σ(1) − m1σ(1) ) · · · (Xδnσ(n) − mnσ(n) ) est de
degré inférieur ou égal à n − 2. Les termes de degré n et n − 1 de χM (X) sont donc ceux du
produit (X − m11 ) · · · (X − mnn ), à savoir X n − (m11 + · · · + mnn )X n−1 .
On obtient finalement le terme constant en évaluant en 0 :
χM (0) = det(0In − M ) = det(−M ) = (−1)n det(M ).
□
Corollaire 2.15. Les racines λ ∈ K du polynôme caractéristique χM (X) sont exacte-
ment les valeurs propres de M .
Démonstration. Soit λ ∈ K. D’après la propriété 2.12, λ est valeur propre de M si et
seulement si det(λIn − M ) = 0 ⇔ χM (λ) = 0. □

Exercice 1
Soit P (X) = X q +αq−1 X q−1 +· · ·+α1 X +α0 un polynôme unitaire de degré q. Considérons
la matrice carrée à q lignes appelée matrice compagnon

0 0 ... 0 −α0
 
 1
 0 . . . 0 −α 
1 
M =  0

1 ... 0 −α2 .
. . . . . . . . . . . . ... 
 

0 0 . . . 1 −αq−1
Montrer que χM , le polynôme caractéristique de M est égal à P .
Solution de l’exercice 1
Faisons une démonstration par récurrence sur q.
X 0 ... 0 α0
−1 X . . . 0 α1
χM (X) = 0 −1 . . . 0 α2 .
... ... ... ... ...
0 0 . . . −1 X + αq−1
En développant par rapport à la première ligne,
X 0 ... 0 α1 −1 X 0 0
−1 X . . . 0 α2 ...
0 −1 0
χM (X) = X 0 −1 . . . 0 α3 + (−1)q−1 α0 .. .. .. .
... ... ... ... ... . . . X
0 0 . . . −1 X + αq−1 0 . . . 0 −1
 4. POLYNÔMES CARACTÉRISTIQUES 11

Donc d’après l’hypothèse de récurrence,

χM (X) = X(X q−1 + αq−1 X q−2 + · · · + α1 ) + (−1)q−1 (−1)q−1 α0 .
□
Exercice 2
0 −a −b −c
 
−a 0 −b −c
Donner le polynôme caractéristique de M =  .
 
−a −b 0 −c
−a −b −c 0
Solution de l’exercice 2
x a b c
a x b c
Le polynôme caractéristique est D = .
a b x c
a b c x
Première méthode : Examen janvier 2023 Evidemment, on additionne à la première co-
lonne, toutes les autres colonnes. Donc
x+a+b+c a b c 1 a b c
a+x+b+c x b c 1 x b c
D= = (x + a + b + c)
a+b+x+c b x c 1 b x c
a+b+c+x b c x 1 b c x
On fait maintenant la méthode du pivot de Gauss : on soustrait la premiere ligne à chacune
des autres lignes.

1 a b c L1
0 x−a 0 0 L2 − L1
D = (x + a + b + c)
0 b−a x−b 0 L3 − L1
0 b − a c − b x − c L4 − L1
En développant par rapport à la première colonne, on obtient une matrice triangulaire
inférieure

x−a 0 0
D = (x + a + b + c) × 1 × b − a x − b 0 = (x + a + b + c)(x − a)(x − b)(x − c).
b−a c−b x−c
Seconde méthode : D est un polynôme unitaire de degré 4, qui admet a, b et c comme
racines.
Car quand x = a, la première ligne et la seconde ligne sont identiques. Quand x = b, la
deuxième ligne et la troisième ligne sont identiques. Quand x = c, la troisième ligne et la
quatrième ligne sont identiques.
Si a, b et c sont distincts deux à deux, D admet trois racines distinctes et donc admet
une quatrieme racine α. Donc D = (x − a)(x − b)(x − c)(x − α) = x4 − (a + b + c + α)x3 + · · ·
D’après la proposition 2.14, le coefficient devant x3 est − tr M = 0. Donc (a + b + c + α) = 0.
Donc α = −(a + b + c). Donc D = (x − a)(x − b)(x − c)(x + a + b + c).
Théorème 2.16. [RDO82, [Link]◦ Proposition II][AF87, Théorème XV.1.3][Voe02,
Théorème 5-4.26] Soit F un sous-espace vectoriel de E stable par u. Soit u|F : F → F la
restriction de u à F . Alors χu|F , le polynôme caractéristique de u|F divise χu , le polynôme
caractéristique de u.
12 2. DIAGONALISATION

Démonstration. Soit (e1 , e2 , . . . , eq ) une base de F . Soit A la matrice de u|F relati-

vement à cette base. Complétons cette famille libre (e1 , e2 , . . . , eq ) en! une base de E. La
A B
matrice de u relativement à cette base est la matrice par blocs . Donc le polynôme
0 C
caractéristique de u est égal au produit du polynôme caractéristique de u|F par le polynôme
caractéristique de C :
χu (X) = χu|F (X)χC (X).
□
Definition 2.17. Si λ est une valeur propre de u, on appelle multiplicité de la valeur
propre λ, sa multiplicité comme racine de χu (X), le polynôme caractéristique de u.
Théorème 2.18. [RDO82, [Link]◦ Proposition][AF87, Théorème XV.3.2][Voe02, Co-
rollaire 5-4.27] Si λ est une valeur propre de u de multiplicité k, alors
1 ≤ dim ker(u − λidE ) ≤ k.
En particulier, le sous-espace propre associé à une valeur propre simple est de dimension 1.
Démonstration. Soit F := ker(u − λidE ) le sous-espace propre associée à la valeur
propre λ. Soit d sa dimension. Comme F n’est pas réduit à {0}, d ≥ 1. D’après le théo-
rème 2.16, le polynôme caractéristique de uF , χu|F (X), divise le polynôme caractéristique de
u, χu (X). Comme u|F est égale à λidF , χu|F (X) = (X − λ)d . Puisque (X − λ)d divise χu (X),
λ est une racine de χu (X), de multiplicité supérieur ou égal à d. □

5. Diagonalisation
Soit E un espace vectoriel de dimension finie n. Soit u : E → E une application linéaire.
Definition 2.19. On dit que u est diagonalisable si E est la somme (nécéssairement
directe) de tous ses espaces propres.
Lemme 2.20. [RDW01, Chap. 8 Corollaire 46]. Soient λ1 ,. . ., λp toutes les valeurs
propres de u. Alors u est diagonalisable si et seulement si la somme des dimensions de tous
les sous-espaces propres est égale à la dimension de l’espace total :
p
X
dim ker(u − λi idE ) = n.
i=1

Démonstration. Comme la somme des sous-espaces propres est directe,

p
X
dim (ker(u − λ1 idE ) + · · · + ker(u − λp idE )) = dim ker(u − λi idE ).
i=1

Le sous-espace de E, ker(u − λ1 idE ) ⊕ · · · ⊕ ker(u − λp idE ), coincide avec E si et seulement

sa dimension est égale à celle de E. □
Corollaire 2.21. Si u admet n valeurs propres distinctes, λ1 ,. . ., λn alors u est diago-
nalisable.
Démonstration. Comme λi est une valeur propre, dim ker(u − λi idE ) ≥ 1, donc
n
X
n≥ dim ker(u − λi idE ) >= n.
i=1

Donc d’après le lemme 2.20, u est diagonalisable. □

 5. DIAGONALISATION 13

Théorème 2.22. [RDO82, [Link]◦ Théorème fondamental][AF87, Théorème XV.3.2][Voe02,

Théorème 5-5.5] Les propriétés suivantes sont équivalentes.
1) u est diagonalisable,
2) il existe une base de E formée de vecteurs propres de u,
3) il existe une base de E dans laquelle la matrice de u est diagonale,
4) le polynôme caractéristique de u est scindé dans K[X] et, pour toute valeur propre de
u, la multiplicité est égale à la dimension du sous-espace propre associé.
Démonstration. Vidéo
1) ⇒ 2) Soient λ1 ,. . ., λp toutes les valeurs propres de u. Soient βi une base de Ker (u −
λi idE ) pour i compris entre 1 et p. Supposons que u est diagonalisable. Alors
E = Ker (u − λ1 idE ) ⊕ · · · ⊕ ker(u − λp idE ).
Donc [RDO82, [Link]◦ Théorème réciproque] la réunion des bases βi est une base β de E.
2) ⇒ 1) Soit β = e1 , . . . , en une base de E formée de vecteurs propres de u. Soient λ1 ,. . .,
λp les valeurs propres de u. Comme e1 , . . . , en sont des vecteurs propres de u, l’espace vectoriel
engendré par les vecteurs e1 , . . . , en est inclus dans la somme Ker (u − λ1 idE ) + · · · + ker(u −
λp idE ). Mais comme β est une base, cet espace vectoriel engendré par les vecteurs e1 , . . . , en
est égale à E. Donc E est égale à la somme Ker (u − λ1 idE ) + · · · + ker(u − λp idE ). C’est à
dire u est diagonalisable.
2) ⇒ 3) Soit β = e1 , . . . , en une base de E formée de vecteurs propres de u. Comme ei
est un vecteur propre de u, il existe un αi ∈ K tel que u(ei ) = αi ei . Donc la matrice de u
dans cette base, est la matrice diagonale avec α1 ,. . .,αn comme éléments sur la diagonale.
3) ⇒ 2) Supposons qu’il existe une base β = e1 , . . . , en de E telle que la matrice de u soit
une matrice diagonale D. Donc ei est un vecteur propre de u.
1) ⇒ 4) utilisant 1) ⇒ 2) et 2) ⇒ 3) Soient λ1 ,. . ., λp toutes les valeurs propres de
u. Soit di la dimension du sous-espace propre associé à la valeur propre λi . Soit βi =
(ed1 +···+di−1 +1 , . . . , ed1 +···+di ) une base de Ker (u − λi idE ) pour i compris entre 1 et p. D’après
1) ⇒ 2) et 2) ⇒ 3), β = (e1 , . . . , en ) est une base de E dans 
laquelle la matrice de u est
λ1 Id1 0 ... 0
 0 λ2 Id2 . . . 0 
une matrice diagonale, plus précisément la matrice par blocs  . En

 ... ... ... ... 


0 ... 0 λp Idp
calculant le polynôme caractéristique de cette matrice diagonale, nous obtenons que
p
(X − λi )di .
Y
χu (X) =
i=1

Donc χu est scindé et a pour racines λ1 ,. . .,λp avec les multiplicités d1 ,. . .,dp .
4) ⇒ 1) Supposons que
p
(X − λi )di .
Y
χu (X) =
i=1
où ∀i, di est la dimension du sous-espace propre associé à la valeur propre λi . Comme χu (X)
est de degré n,
p
X
di = n.
i=1
Donc d’après le Lemme 2.20, u est diagonalisable. □

Exercice 3
Démontrer 3) ⇒ 4) directement.
14 2. DIAGONALISATION

Solution de l’exercice 3
3) ⇒ 4) Supposons qu’il existe une base β = e1 , . . . , en de E telle que la matrice de u soit
une matrice diagonale D. Donc ei est un vecteur propre de u.
Soient λ1 ,. . .,λp les éléments diagonaux distincts de D qui se retrouvent respectivement
m1 fois,. . ., mp fois. En échangéant

les éléments de labase, nous pouvons supposer que D est
λ1 Im1 0 ... 0
 0 λ2 Im2 . . . 0 
est la matrice par blocs   . C’est à dire nous pouvons supposer

 ... ... ... ... 


0 ... 0 λp Imp
que que e1 ,. . .,em1 sont m1 vecteurs propres associés à la valeur propre λ1 , em1 +1 , . . ., em1 +m2
sont m2 vecteurs propres associés à la valeur propre λ2 , . . ., em1 +···+mp−1 +1 , . . ., em1 +···+mp sont
mp vecteurs propres associés à la valeur propre λp . En calculant le polynôme caractéristique
de la matrice diagonale, nous obtenons que
p
(X − λi )mi .
Y
χu (X) =
i=1

Donc χu est scindé et a pour racines λ1 ,. . .,λp avec les multiplicités m1 ,. . .,mp . Comme χu
est de degré n, n = m1 + · · · + mp .
Soit di la dimension du sous-espace propre associé à la valeur propre λi . Comme em1 +···+mi−1 +1 ,
. . ., em1 +···+mi est une famille libre de mi éléments de ce sous-espace propre, on a mi ≤ di .
D’après le Théoreme 2.18, on a toujours l’inégalité inverse di ≤ mi . Donc di = mi . Donc
n = d1 + · · · + dp . D’après le Lemme 2.20, u est diagonalisable. □
Propriété 2.23. [Voe02, Théorème 5-4.25] Soit u un endomorphisme d’un espace
vectoriel E de dimension finie n dont le polynôme caractéristique est scindée. Soit λ1 ,. . .,λn
les n valeurs propres de u (chacune étant écrite autant de fois que sa multiplicité). On a
n
X n
Y
tr u = λi et det u = λi .
i=1 i=1

Démonstration dans le cas où u est diagonalisable. Supposons que u est dia-

gonalisable. Alors il existe une base de E dans laquelle la matrice de u est diagonale, i. e. de
la forme  
a11 0 . . . 0
 .. .. 
 0 a
22 . . 
A =  . .

.

 . .
.. .. 0 
 . 
0 . . . 0 ann
Par définition de la trace d’une matrice, tr u = tr A = ni=1 aii et comme A est une matrice
P

triangulaire, det u = det A = ni=1 aii et son polynôme caractéristique est scindé et admet
Q

pour racines, les éléments sur sa diagonale :

n
Y
χu (X) = (X − aii ).
i=1

□
Qn
Démonstration. Supposons que χu (X) = i=1 (X − λi ). Alors
n n
!
χu (X) = X n − λi X n−1 + · · · + (−1)n
X Y
λi .
i=1 i=1

D’après la proposition 2.14, χu (X) = X n − tr uX n−1 + · · · + (−1)n det u.. □

 6. POLYNÔMES D’ENDOMORPHISMES 15

6. Polynômes d’endomorphismes
Definition 2.24. Soit u ∈ L(E), une application linéaire de E dans E. Pour tout p ∈ N,
on note par up , la composée p fois de u, u◦· · ·◦u : c’est à dire u1 = u, u2 = u◦u, u3 = u◦u◦u,
. . .. Par convention, u0 = idE est l’application identité de E.
Pour tout polynôme à coefficients dans K,

P (X) = αq X q + αq−1 X q−1 + · · · + α1 X + α0 ,

on appelle valeur de P en u, l’endomorphisme de E,

P (u) := αq uq + αq−1 uq−1 + · · · + α1 u + α0 idE .

De même pour une matrice carrée A ∈ Mn (K), on note par Ap , la puissance p-ième de A
définie par récurrence par A0 = In et ∀p ∈ N, Ap+1 = Ap A. On appelle valeur de P en A, la
matrice carrée,
P (A) := αq Aq + αq−1 Aq−1 + · · · + α1 A + α0 In .
De manière plus générale, on peut remarquer que ces définitions ont un sens pour une
K-algèbre [Voe02, DÉFINITION 5-2.1].

Propriété 2.25. Supposons que E est de dimension finie n. Soit β une base de E.
Si A ∈ Mn (K) est la matrice de u relativement à la base β alors Ap est la matrice de up
relativement à la base β et P (A) est la matrice de P (u) relativement à la base β.

Démonstration. L’application M de L(E) dans Mn (K) qui à un endomorphisme u,

associe sa matrice A := M (u) relativement à la base β est un isomorphisme d’algèbres : pour
tout u, v ∈ L(E) et tout α, β ∈ K

M (αu + βv) = αM (u) + βM (v) et M (u ◦ v) = M (u)M (v).

Par récurrence sur p ≥ 0, Ap = M (u)p = M (up ). Par linéarité,

P (A) = P (M (u)) = αq M (u)q + αq−1 M (u)q−1 + · · · + α1 M (u) + α0 In =

αq M (uq )+αq−1 M (uq−1 )+· · ·+α1 M (u)+α0 M (idE ) = M (αq uq +αq−1 uq−1 +· · ·+α1 u+α0 idE ) = M (P (u)).
□

Exercice 4
 
x
y 
On considère l’application linéaire f : R4 7−→ R4 définie par tout vecteur  
de R4 par
z 
 

t
   
x 3x + y + z + t
y  x + 3y + z+ t
f  
= 
.

 z  x + y + 3z+ t
  

t x + y + z + 3t
1) Est ce que f est diagonalisable ? Si oui, donner une base de vecteurs propres de f .
2) En déduire le calcul de f n , le composée n fois de f . (Voir la définition 2.24).
Solution de l’exercice 4
16 2. DIAGONALISATION
 
3 1 1 1
1 3 1 1
1) La matrice de f dans la base canonique β de R4 est A =  . Donc
 
1 1 3 1
1 1 1 3

C1 C2 C3 C4 C1 + C2 + C3 + C4 C2 C3 C4
X −3 −1 −1 −1 X −6 −1 −1 −1
χf (X) = −1 X −3 −1 −1 = X −6 X −3 −1 −1
−1 −1 X −3 −1 X −6 −1 X −3 −1
−1 −1 −1 X −3 X −6 −1 −1 X −3

1 −1 −1 −1 L1 1 −1 −1 −1 L1
1 X −3 −1 −1 L2 0 X −2 0 0 L2 − L1
= (X − 6) = (X − 6)
1 −1 X −3 −1 L3 0 0 X −2 0 L3 − L1
1 −1 −1 X −3 L4 0 0 0 X − 2 L4 − L1

= (X − 6)(X − 2)3 .

 
1
1
Les valeurs propres de f sont 6 et 2. Soit v1 =  . f (v1 ) = C1 + C2 + C3 + C4 = 6v1 .
 
1
1
Donc v1 est un vecteur propre. D’après le théorème 2.18, Ker (f − 6idR4 ) est de dimension
1 et admet donc pour base, v1 .      
x x+y+z+t x
y  x + y + z + t y 
Cherchons ker(f − 2idR4 ). (f − 2idR4 )   =  . Donc   ∈ ker(f −
     
 z  x + y + z + t z 
t x+y+z+t t
2idR4 ) ⇔ x + y + z + t = 0.
D’après
 
le théorème
 
2.18, Ker 
(f− 2idR4 ) est de dimension inférieur ou égal à 3. Soient
1 1 1
−1  0   0 
v2 =   , v3 =   , v4 =  . La famille v2 , v3 , v4 est une famille libre de ker(f −
     
 0  −1  0 
0 0 −1
2idR4 ). Donc Ker (f − 2idR4 ) est de dimension 3. D’après le théorème 2.11 et [RDO82,
[Link]◦ Théorème réciproque], (v⃗1 , v⃗2 , v⃗3 , v⃗4 ) est une famille libre donc une base de R4 formé
de vecteurs propres de f . Donc f et A sont diagonalisables. La matrice A est une matrice
symétrique. Plus généralement, nous verrons dans le chapitre sur les formes bilinéaires que
toute matrice réelle symétrique est diagonalisable.
2) Soit β ′ = (v⃗1 , v⃗2 , v⃗3 , v⃗4 ) la base de vecteurs propres de R4 . Dans cette base, le calcul de
f n est facile.

a6n + (b + c + d)2n
 
 a6n − b2n 
f n (av⃗1 + bv⃗2 + cv⃗3 + dv⃗4 ) = a6n v⃗1 + b2n v⃗2 + c2n v⃗3 + d2n v⃗4 =  .
 
n n
 a6 − c2 
n n
a6 − d2
 6. POLYNÔMES D’ENDOMORPHISMES 17
   
x x
y  y 
Soit   un vecteur quelconque de R4 . Les coordonnées de   dans la base (v⃗1 , v⃗2 , v⃗3 , v⃗4 )
   
z  z 
t t
sont par définition les nombres réels a, b, c et d tels que
  
x 
 a + b + c + d = x (L1)
y   a − b

= y (L2)
  = av⃗1 + bv⃗2 + cv⃗3 + dv⃗4 ⇔
 
z  


a − c + = z (L3)
t 
a + d = t (L4)
 x+y+z+t

 a= 4
(L1 + L2 + L3 + L4)/4
b= a−y = x−3y+z+t


⇔ 4

 c= a−z = x+y−3z+t
4
= x+y+z−3t

d= a−t

4

Donc

x+y+z+t n 3x−y−z−t n 
a6n + (b + c + d)2n 6 + 2
    
x 4 4
n n x+y+z+t x−3y+z+t n 
y   a6 − b2   6n − 2 
f n   =  4
 =  x+y+z+t 4
x+y−3z+t n  .
    
n n
 z   a6 − c2  
4
6n − 4
2 
t a6n − d2n x+y+z+t n
4
6 − x+y+z−3t n
4
2
Donc d’après la propriété 2.25, pour tout n ∈ N,
 n
6 + 3 × 2n 6n − 2n 6n − 2n 6n − 2n


1  6n − 2n n
6 +3×2 n n
6 −2 n
6n − 2n 
An = .
 
 6n − 2n 6n − 2n 6n + 3 × 2n 6n − 2n 

4
6n − 2n 6n − 2n 6n − 2n 6n + 3 × 2n
 
1 1 1 1
1 −1 0 0
2 ème méthode : Soit P la matrice de passage de β à β ′ . Alors P =  
.

1 0 −1 0 
1 0 0 −1
 
1 1 1 1
1 −3 1 1
La résolution du système ci-dessus donne P −1 = 41  .

1 1 −3 1 


1 1 1 −3
On a f (v⃗1 ) = 6v⃗1 , f (v⃗2 ) = 2v⃗1 , f (v⃗3 ) = 2v⃗1 et f (v⃗4 ) = 2v⃗1 . Donc la matrice de f dans la
base β ′ est
 
6 0 0 0
0 2 0 0
D = P −1 AP =  .

0 0 2 0


0 0 0 2
Donc comme, d’après la propriété 2.25, An est la matrice de f n dans la base canonique β et Dn
la matrice de f n dans la base canonique β ′ ou parce que P −1 An P = (P −1 An−1 P )(P −1 AP ) =
· · · = (P −1 AP )n ,
 n 
6 0 0 0
0 2n 0 0 
Dn = P −1 An P = .
 
0 0 2n 0 


0 0 0 2n
18 2. DIAGONALISATION
 n
6n 6n 6n

6
2n−3 × 2n 2n 2n 
Donc An = P (Dn P −1 ) = 14 P  . Donc pour tout n ∈
 
 n n n n
2 2 −3 × 2 2 
n n n n
2 2 2 −3 × 2
 n n n n n n
6 +3×2 6 −2 6 −2 6 − 2n
n

 6n − 2n 6n + 3 × 2n 6n − 2n 6n − 2n 
N, An = 41  n  . On vérifie pour n = 0
 
 6 − 2n 6n − 2n 6n + 3 × 2n 6n − 2n 
6n − 2n 6n − 2n 6n − 2n 6n + 3 × 2n
et n = 1 que notre formule donne bien In et A. □
Théorème 2.26. [RDO82, [Link]◦ Binôme de Newton] [AF87, Théorème III.5.1]
Soient D ∈ Mn (R) et N ∈ Mn (R) deux matrices qui commuttent entre elles, i.e. DN = N D,
alors la formule du binôme de Newton s’applique
r
!
r r
Dk N r−k .
X
(D + N ) =
k=0 k
Plus généralement, soit A un anneau. Soient D et N deux éléments de A qui commuttent
entre eux, i.e. DN = N D alors la formule du binôme de Newton s’applique. En particulier,
la formule du binôme de Newton s’applique sur tout anneau commutatif A, par exemple si
A = R ou A = C.
Démonstration. Par récurrence, en développant
(D + N )r = D1ε N 1−ε1 D2ε N 1−ε2 . . . Drε N 1−εr .
X

0≤ε1 ,...,εr ≤1

Un r-uplet correspond à un chemin de longueur r dans un arbre binaire. (Si εi = 1 alors la

i-ème épreuve a réussi.) Si DN = N D alors
(D + N )r = Dε1 +ε2 +···+εr N r−ε1 +ε2 +···+εr
X

0≤ε1 ,...,εr ≤1
 
r r
(D + N )r = Dk N r−k = Dk N r−k 
X X X X
1
k=0 ε1 +···+εr =k k=0 ε1 +···+εr =k
Le nombre d’épreuves qui a réussi dans un chemin est égal à ε1 + · · · + εr . Et le nombre de
chemins avec k épreuves réussis dans un chemin de longueur r est
  !
X r
 1 = .
ε1 +···+εr =k k
D’où
r
!
r
(D + N )r = Dk N r−k
X

k=0 k
□
Application : Calcul de la puissance de matrices : https ://[Link]/watch ?v=cImdttQLQlc
ou http ://[Link]/Vecteursmatrices/[Link]

Exercice 5
Soit
a b ... b b
 
b a . . . b b
 
M = . . . . . . . . . . . . . . . ∈ Mn (R).
 
b b . . . a b
 

b b ... b a
 8. APPLICATIONS AUX SUITES RÉCURRENTES 19

1) Soit J ∈ Mn (R) la matrice dont tous les coefficients sont égaux à 1. Calculer J k pour tout
k ∈ N.
2) En déduire M r pour tout r ∈ N sans diagonaliser M .
3) Retrouver le résultat de l’exercice précédent quand a = 3, b = 1 et n = 4.
Solution de l’exercice 5
[LFA77a, p. 342]
1) On vérifie facilement que J 2 = nJ. On en déduit par récurrence que pour tout entier
k ≥ 1, J k = nk−1 J.
2) Clairement M = bJ +(a−b)In . Comme JIn = J et In J = J, bJ et (a−b)In commuttent.
D’après le binôme de Newton,
r r
! !
r r k r−k r r
(a − b)r−k bk nk−1 J.
X X
M = (bJ) [(a − b)In ] = (a − b) In +
k=0 k k=1 k

Or
r r
! " ! #
r 1 X r 1
(a−b)r−k bk nk−1 = (a − b)r−k (bn)k − (a − b)r = [(bn + a − b)r − (a − b)r ]
X

k=1 k n k=0 k n
Donc M r = (a − b)r In + n1 [(bn + a − b)r − (a − b)r ] J.
3) Quand a = 3, b = 1 et n = 4, M r = 2r I4 + 14 [6r − 2r ] J. □

7. Théorème de Cayley-Hamilton
Théorème 2.27. (Cayley-Hamilton) Soit E un espace vectoriel de dimension finie. Soit
u : E → E une application linéaire. Soit χu le polynôme caractéristique de u. Alors χu (u) = 0.
Démonstration. Admis. □

8. Applications aux suites récurrentes

Exercice 6
Soit E := KN le K-espace vectoriel des suites à valeurs dans K. Soit D : KN → KN qui à
toute suite u = (un )n∈N fait correspondre la suite D(u) = (D(u)n∈N ) telle que D(u)n = un+1
pour tout n ≥ 0.
1) Montrer que D est linéaire.
2) Donner ses valeurs propres.
3) Donner ses vecteurs propres.
4) Soient λ1 ,. . ., λp , p réels distincts non nuls. Montrer que la famille des suites géomé-
triques (λni )1≤i≤p est libre.
Solution de l’exercice 6
1) Soient u = (un )n∈N et v = (vn )n∈N deux suites à valeurs dans K. Soient α et β deux
réels. Alors pour tout n ∈ N,
D(αu + βv)n = (αu + βv)n+1 = αun+1 + βvn+1 = αD(u)n + βD(v)n = (αD(u) + βD(v))n .
Donc les suites D(αu + βv) et αD(u) + βD(v) sont égales.
2) 3)
4) Soient α1 ,. . ., αp ∈ K tels que pour tout n ∈ N, α1 λn1 + · · · + αp λnp = 0. D’après le
théorème 2.11 la somme ker D − λ1 idE + · · · + ker D − λp idE est directe. Pour tout i compris
entre 1 et p, chaque suite αi λni appartient a un sous-espace propre ker D − λi idE différent.
Donc pour tout n ∈ N, αi λni = 0. Donc comme λi n’est pas nul, αi = 0. Donc la famille
(λni )1≤i≤p est libre.
20 2. DIAGONALISATION

2 ème démonstration en utilisant le theoréme adapté : D’après le théorème 2.11, la somme

ker D − λ1 idE + · · · + ker D − λp idE est directe. Pour tout i compris entre 1 et p, la suite
λni est une famille libre de ker D − λi idE . D’après le théorème [RDO82, [Link]◦ Théorème
réciproque], La famille (λni )1≤i≤p , reunion de ces familles libres est une famille libre. □
Soit a0 , a1 ,. . ., ak−1 , k constantes pas toutes nulles appartenant à K. Considérons l’en-
semble E des suites à valeurs dans K telles que pour tout n ≥ 0,
un+k = ak−1 un+k−1 + · · · + a0 un .
Quitte à remplacer n par n + 1, on suppose que a0 est non nul.
Théorème 2.28. [AF87, XV.3.5]
L’ensemble E est un K-espace vectoriel de dimension k.
Démonstration. Soit u = (un ) et v = (vn ) deux suites vérifiant la relation de récurrence
précédente, alors pour tout α, β ∈ K, la suite αu + βv = (αun + βvn ) vérifie la relation de
récurrence. Donc E est un sous-espace de l’espace vectoriel KN des suites à valeurs dans K.
L’application evk : E → Kk , qui à toute suite (un ) associe le k-uplet (u0 , u1 , . . . , uk−1 ) est
linéaire et bijective. □
Théorème 2.29. Supposons que le polynôme
X k − ak−1 X k−1 − · · · − a0
admet k racines simples λ1 , . . ., λk . Toute suite (un ) de l’ensemble E s’écrit de manière
unique comme combinaison linéaire c1 λn1 + · · · + ck λnk des suites géométriques λn1 , . . ., λnk où
c1 ,. . ., ck ∈ K.
Exemple 2.30. On considère la suite de Fibonacci (Fn ) définie par F0 = 0, F1 = 1 et
Fn+2 =√Fn+1 +Fn . On cherche
 √  les suites
 géométriques
√ n
λn solutions. Alors λ2 √
−λ−1 =
 0.√Donc
n  
1± 5 1+ 5 1− 5 1+ 5 1− 5
λ = 2 . Donc Fn = c1 2
+c 2 . F 0 = c 1 +c 2 = 0. F 1 = c 1 +c 2 =
 √ 2 √  √ 2 2
1+ 5−1+ 5
1 Donc c2 = −c1 et donc F1 = c1 2
= c1 5 = 1. Finalement
√ " √ !n √ !n #
5 1+ 5 1− 5
Fn = − .
5 2 2
Démonstration. [AF87, XV.3 Exemple 4] Cherchons les suites géométriques non
nulles un = λn vérifiant la relation de récurrence.
(un ) ∈ E si et seulement si pour tout n ≥ 0, λn+k = ak−1 λn+k−1 +· · ·+a0 λn si et seulement
si λk = ak−1 λk−1 + · · · + a0 .
Car comme λ est non nulle, on peut diviser par λn . Supposons que le polynôme
X k − ak−1 X k−1 − · · · − a0
admettent k racines simples λ1 , . . ., λk . Alors les k suites géométriques λn1 , . . ., λnk forment
une famille de E. Comme a0 est non nulle, les racines λ1 , . . ., λk , sont non nulles. D’après
l’exercice précédent, cette famille est libre. Et donc d’après le théorème précédent, E est de
dimension k. Donc les k suites géométriques λn1 , . . ., λnk forment une base de E. □
 
un
Deuxième preuve qui se géneralise. Soit Xn = 
 .. 
 . . La relation de récur-
un+k−1
rence sur la suite un se traduit par Xn+1 = AXn où A est la matrice transposée de la matrice
 9. SYSTÈME D’ÉQUATIONS DIFFÉRENTIELLES LINÉAIRES DU PREMIER ORDRE 21

compagnon du polynôme X k − ak−1 X k−1 − · · · − a0

0 0 ... 0 a0
 
 1 0 ... 0 a1 
 
 0 1 ... 0 a2 .

. . . ... ... ... ... 
 

0 0 ... 1 ak−1
Par récurrence immédiate
Xn = An X0 .
Soit u l’endomorphisme associée à A dans la base canonique de Kk . En exercice, on a vu que le
polynôme caractéristique de la matrice compagnon d’un polynôme est ce polynôme. Comme
une matrice et sa transposée ont le même déterminant et le même polynôme caractéristique,
χA (X) = X k − ak−1 X k−1 − · · · − a0 .
Supposons que ce polynôme admet k racines simples λ1 , . . ., λk . Alors u admet k valeurs
propres distinctes et est donc diagonalisable. Soit vi un vecteur propre associè à la valeur
propre λi . Alors u admet  pour matrice dans la base de vecteurs propres (v1 , . . . , vk ), la matrice
λ1 0 . . . 0
.. .
. .. 

0 λ
2
D=. .
. .

 . . .
 . . . 0 
0 . . . 0 λk
Soit P la matrice de passage de la base canonique à la base de vecteurs propres (v1 , . . . , vk ).
Alors D = P −1 AP .Donc A = P DP −1 n
. Donc A = P D P .
n −1
n
λ1 0 . . . 0  

 0 λn . .
. . .. 
 u 0
Donc Xn = P  . . 2 .
 −1  .. 
P  . Donc la suite un est une combinaison

 . . . . 
. . 0

 .

uk−1
0 . . . 0 λnk
linéaire des suites géométriques λn1 , . . ., λnk . □

9. Système d’équations différentielles linéaires du premier ordre

Considérons le système d’équations différentielles :

 x′ = 2x + y
(S)
y ′ = x + 2y
!
2 x(t)
Soit X : R → R l’application vectorielle définie par X(t) = pour tout t ∈ R. Soit
y(t)
!
2 1
A= ∈ M2 (R).
1 2

Proposition 2.31. Les deux applications x(t) et y(t) sont solutions du système différen-
tiel (S) si et seulement si pour tout t ∈ R, X ′ (t) = AX(t).
Démonstration.! On rappelle que X est dérivable
! si et seulement si x et y le sont. Dans
′
x (t) 2x(t) + y(t)
ce cas, X ′ (t) = ′ . AX(t) = . Donc ∀t ∈ R, X ′ (t) = AX(t) est équivalent
y (t) x(t) + 2y(t)

x′ (t) = 2x(t) + y(t)
à : Pour tout t ∈ R, ′
□
y (t) = x(t) + 2y(t)
22 2. DIAGONALISATION

L’idée pour résoudre le système différentielle est de trouver une bonne base où le système
différentiel est plus simple (triangulaire ou diagonale). Nous allons donc diagonaliser A.
Soit f l’endomorphisme associé à A relativement à la base canonique (e1 , e2 ) de R2 .
X −2 −1
χf (X) = = (X − 2)2 − 12 = (X − 3)(X − 1).
−1 X −2
! !
1 1
Soit v1 = . Alors f (v1 ) = 3v1 . Soit v2 = . Alors f (v2 ) = v2 . Alors (v1 , v2 )
1 −1
est une base!de vecteurs propres de f . Soit B la matrice de f relativement à cette base.
3 0
B= .
0 1
!
1 1
Soit P = la matrice de passage de la base canonique à la base (v1 , v2 ). Soit Y
1 −1
l’application vectorielle définie par Y (t) = P −1 X(t) pour tout t ∈ R. Comme X(t) = P Y (t),
Y (t) est le vecteur colonne des coordonnées du vecteur X(t) dans la base (v1 , v2 ).
Proposition 2.32. X est dérivable et X ′ (t) = AX(t) si et seulement Y est dérivable et
Y ′ (t) = BY (t).
Démonstration. Comme P −1 est une matrice à coefficients constants, Y s’exprime
comme combinaisons linéaires à coefficients constants de x(t) et y(t). Donc il est clair que Y
est dérivable si et seulement si X est dérivable et que Y ′ (t) = P −1 X ′ (t).
Comme A = P BP −1 , X ′ = AX ⇔ X ′ = P BP −1 X ⇔ P −1 X ′ = BP −1 X ⇔ Y ′ =
BY . □
!
a(t)
Soient a(t) et b(t) les coordonnées de Y (t). Alors Y (t) = pour tout t ∈ R.
b(t)
D’après l’analogue de la proposition 2.31, pour tout t ∈ R, Y ′ (t) = BY (t) si et seulement
si les deux applications a(t) et b(t) sont solutions du système d’équations différentielles :

a′ = 3a
′
b =b
Les solutions de b′ = b sont de la forme b(t) = b0 exp t. Les solutions de a′ = 3a sont de la
forme a(t) = a0 exp 3t.
Conclusion : les solutions du système sont de la forme a(t) = a0 exp 3t et b(t) = b0 exp t
où a0 , b0 sont des constantes réelles. Il est facile de voir que a(0) = a0 , b(0) = b0 . Ce qui
explique la notation de ces constantes. !
a 0 exp 3t
Donc Y ′ = BY est équivalent à Y = où a0 et b0 sont trois constantes réelles.
b0 exp t
Ceci est équivalent à !
a0 exp 3t + b0 exp t
X = PY = .
a0 exp 3t − b0 exp t
Bilan : Les solutions de (S) sont x(t) = a0 exp 3t + b0 exp t, et y(t) = a0 exp 3t − b0 exp t où
a0 et b0 sont deux constantes réelles.
Nous n’avons pas eu besoin de calculer l’inverse de la matrice P . Par contre, si nous
voulons exprimer les solutions ! en fonction des conditions initiales !x(0) = ! x0 et y(0) = y0 ,
a 1 1 x0
cela est necessaire. Comme 0 = Y (0) = P −1 X(0) = 21 ,
b0 1 −1 y0
a0 = 12 (x0 + y0 ) et b0 = 21 (x0 − y0 ).
Donc l’unique solution de (S) vérifiant x(0) = x0 et y(0) = y0 est x(t) = x20 (exp 3t +
exp t) + y20 (exp 3t − exp t) et y(t) = x20 (exp 3t − exp t) + y20 (exp 3t + exp t).
Remarque : Ici, au lieu de diagonaliser, on peut remarquer que (S) est équivalent à
 10. EQUATIONS DIFFÉRENTIELLES LINÉAIRES À COEFFICIENTS CONSTANTS 23


 x′ + y′ = 3(x + y)
 x′ − y ′ =x−y
Puis poser α(t) = x(t) + y(t) et β(t) = x(t) − y(t). Donc α(t) = α0 exp 3t et β(t) = β0 exp t.
Donc x(t) = 12 (α(t) + β(t)) = 12 (α0 exp 3t + β0 exp t). et y(t) = 12 (α(t) + β(t)) = 12 (α0 exp 3t +
β0 exp t).
Plus généralement
Théorème 2.33. [LFA77c, Théorème II.2.1] Soit A une matrice diagonalisable. Soit f
l’endomorphisme associé à A relativement  à la base canonique de Rk . Soit (v1 , . . . , vk ) une
λ1 0 . . . 0

0 λ . . . .. 
2 .
base de vecteurs propres de f . Soit B =   la matrice de f dans cette base
 
 .. . . ..
 . . . 0 
0 . . . 0 λk
Alors 1) les solutions du système différentiel X ′ = AX sont toutes les fonctions de la forme
k
X
X(t) = Ci exp(λi t)vi
i=1

où C1 , C2 ,. . ., Ck désignent des constantes réelles arbitraires.

2) Il existe une unique solution du système différentiel X ′ = AX vérifiant la condition
initiale X(0) = X0 (Théorème de Cauchy-Lipschitz). Elle est donnée par
k
X
X(t) = Ci exp(λi t)vi
i=1
 
C1
 .  −1
où  .. 
 k
 = P X0 et P est la matrice de passage de la base canonique de R à la base
Ck
(v1 , . . . , vk ).
3) l’ensemble des solutions du système différentiel X ′ = AX est un espace vectoriel de
dimension k.
 
C1 exp λ1 t
Démonstration. 1) La preuve est la même que dans l’exemple précédent. Y = 
 .. 
 . 

Ck exp λk t
Y est le vecteur colonnes des coordonnées de X(t) dans la base (v1 , . . . , vn ). Donc
k
X
X= Ci exp(λi t)vi .
i=1

2) X0 = X(0) = P Y (0) Donc Y (0) = P −1 X0 .

3) Si ki=1 Ci exp(λi t)vi = 0 Alors comme les vi sont libres, Ci exp(λi t) = 0 Donc Ci = 0.
P

Donc la famille de fonctions vectorielles exp(λi t)vi est une base. □

10. Equations différentielles linéaires à coefficients constants

Considérons l’équation différentielle linéaire à coefficients constants d’ordre k
y (k) = ak−1 y (k−1) + · · · + a1 y ′ + a0 y. (E)
Cherchons les solutions de la forme y(t) = exp(λt). Alors y vérifie (E) si et seulement si
λk exp(λt) = ak−1 λk−1 exp(λt) + · · · + a1 λ exp(λt) + a0 exp(λt).
24 2. DIAGONALISATION

En divisant par exp(λt), on obtient que y vérifie (E) si et seulement si λ est solution du
polynôme
X k − ak−1 X k−1 − · · · − a0 .
Théorème 2.34. [LFA77c, Cas particulier du Théorème II.6.5] Supposons que le poly-
nôme
X k − ak−1 X k−1 − · · · − a0
admet k racines simples λ1 , . . ., λk . Alors 1) les solutions de (E) sont toutes les fonctions
de la forme
k
X
y(t) = ci exp(λi t)
i=1
où c1 , c2 ,. . ., ck désignent des constantes réelles arbitraires.
2)(Théorème de Cauchy-Lipschitz) Il existe une unique solution y de (E) vérifiant la
condition initiale y(0) = y0 , y ′ (0) = y1 , . . ., y (k−1) (0) = yk−1 .
3) L’ensemble des solutions de (E) est un espace vectoriel de dimension k de base, la
famille des exp(λi t).
Démonstration. 1) Il est clair par linéarité que les fonctions de la forme
k
X
y(t) = ci exp(λi t)
i=1

sont solutions de (E).  

y(t)

 y ′ (t) 

Réciproquement soit X(t) =  .. . Alors la fonction y(t) est solution de (E) si et
.
 
 
y (k−1) (t)
seulement si X vérifie le système différentielle X ′ (t) = AX(t) où A est la matrice transposée
de la matrice compagnon du polynôme X k − ak−1 X k−1 − · · · − a0
0 0 ... 0 a0
 
 1 0 ... 0 a1 
 
 0 1 ... 0 a2 .

. . . ... ... ... ... 
 

0 0 ... 1 ak−1
Soit u l’endomorphisme associée à A dans la base canonique de Kk . En exercice, on a vu que le
polynôme caractéristique de la matrice compagnon d’un polynôme est ce polynôme. Comme
une matrice et sa transposée ont le même déterminant et le même polynôme caractéristique,
χA (X) = X k − ak−1 X k−1 − · · · − a0 .
Supposons que ce polynôme admet k racines simples λ1 , . . ., λk . Alors u admet k valeurs
propres distinctes et est donc diagonalisable. Soit vi un vecteur propre associé à la valeur
propre λi . D’après le Théorème précédent,
k
X
X(t) = Ci exp(λi t)vi .
i=1

En regardant la première coordonnée,

k
X
y(t) = ci exp(λi t)
i=1

où ci est le produit de Ci par la première coordonnée de vi .

 11. CORRIGÉ DES EXERCICES 25

2) En dérivant (k − 1) fois, la formule,

k
X
y(t) = ci exp(λi t)
i=1
puisPen faisant t = 0. On obtient le système de k équations linéaires à k inconnues c1 ,. . ., ck :
k Pk Pk k−1
i=1 ci = y0 , i=1 λi ci = y1 , . . ., i=1 λi ci = y k .
Son déterminant est le déterminant de Vandermonde suivant
1 1 ... 1
λ1 λ2 . . . λk
λ21 λ22 . . . λ2k =
Y
(λj − λi ) ̸= 0.
.. .. .. 1≤i<j≤k
. . .
k−1 k−1 k−1
λ1 λ2 . . . λk
Donc le système est de Cramer et admet une unique solution c1 ,. . ., ck . Donc la fonction y(t)
est unique.
3) Montrons que la famille des exp(λi t) est une famille libre (Voir aussi Exo 3) Soit c1 ,
c2 ,. . ., ck , k réels tels que pour tout t, 0 = ki=1 ci exp(λi t). D’après la démonstration du 2)
P

dans le cas où y(t) est la solution nulle, c1 ,. . ., ck sont tous nuls.

D’après le 1), la famille des exp(λi t) est aussi une famille génératrice donc c’est une base
de l’ensemble des solutions (E) qui est donc de dimension k. □
Exemple 2.35 (Equations différentielles linéaires du second ordre). Déterminons les so-
lutions y de l’équation différentielle : y” = a1 y ′ + a0 y. On cherche les solutions de la forme
y = exp(λt). On obtient le polynôme λ2 − a1 λ − a0 . Soit ∆ = a21 + 4a0 .
Supposons que ∆ > 0. Alors ce polynôme admet deux racines réelles distinctes. D’après le
Théorème précédent, y s’écrit de manière unique comme une somme c1 exp(λ1 t) + c2 exp(λ2 t)
où c1 et c2 sont deux constantes réelles.
Supposons que ∆ < 0. Alors ce polynôme admet deux racines complexes conjugues λ1 =
α + iβ et λ2 = α − iβ. D’après le Théorème précédent qui s’applique aussi aux fonctions
y : R → C de variable réelle à valeurs complexes, y s’écrit de manière unique comme une
somme c1 exp(λ1 t) + c2 exp(λ2 t) = c1 exp(αt) exp(iβt) + c2 exp(αt) exp(−iβt) où c1 et c2 sont
deux constantes complexes.
Cherchons maintenant les solutions à valeurs réelles, ∀t ∈ R, y(t) ∈ R si et seulement si
∀t ∈ R, y(t) = y(t) ssi ∀t ∈ R, c1 exp(αt) exp(iβt)+c2 exp(αt) exp(−iβt) = c1 exp(αt) exp(−iβt)+
c2 exp(αt) exp(iβt) ssi c2 est le conjugué de c1 (car la famille des exp(λi t) est libre). Donc
y(t) = exp(αt)(c1 exp(iβt) + c1 exp(−iβt)). En posant c1 = a2 − i 2b , on obtient que y(t) =
exp(αt) (a cos(βt) + b sin(βt)) où a et b sont deux constantes réelles.
11. Corrigé des exercices
 Bibliographie

[AF87] Jean-Marie Arnaudiès and Henri Fraysse, Cours de mathématiques. 1, Dunod, Paris, 1987, Algèbre.
[Algebra].
[LFA77a] Jacqueline Lelong-Ferrand and Jean-Marie Arnaudiès, Cours de mathématiques. Tome 1, Dunod,
Paris, 1977, Algèbre, Troisième édition, 1er Cycle Universitaire. Classes Préparatoires. Mathéma-
tiques.
[LFA77b] , Cours de mathématiques. Tome 2, Dunod, Paris, 1977, Analyse, Quatrième édition, 1er
Cycle Universitaire. Classes Préparatoires. Mathématiques.
[LFA77c] , Cours de mathématiques. Tome 4, Dunod, Paris, 1977, Équations différentielles, intégrales
multiples, fonctions holomorphes, Deuxième édition, corrigée, 1er Cycle Universitaire. Classes Pré-
paratoires. Mathématiques. MR 0476228
[RDO82] E. Ramis, C. Deschamps, and J. Odoux, Cours de mathématiques spéciales. 1, second ed., Masson,
Paris, 1982, Algèbre.
[RDW01] J.F. Ruaud, C. Deschamps, and A. Warusfel, Mathématiques 2e année : cours et exercices corrigés,
J’intègre. Mathématiques. Cours. Série E. Ramis, Dunod, 2001.
[Voe02] Jean Voedts, Cours de mathématiques MP-MP*, Ellipses, Paris, 2002.

12. Livres à télécharger

Pour vous aider, j’ai mis les livres de la bibliographie (à l’exception notable de [LFA77a,
LFA77b] que je n’ai pas trouvé sur Internet) et d’autres livres à télécharger rapidement sur
la page cachée suivante de ma page web
[Link]
Veuillez ne pas faire de lien sur cette page web. Car cette page illégale ne doit pas être
indexée par google. Merci.
La plupart des livres sont sous le format .djvu. Il faut donc un logiciel de lecture qui lit
le format deja vu. Cliquer pour accéder à la page wikipedia qui explique :
-Si vous êtes sous linux, Evince est sûrement déjà installé.
-Vous pouvez installer par exemple, le logiciel libre DjVuLibre. Si vous êtes sous Windows,
cliquer ici pour télécharger la version pour Windows.
-Sur votre smartphone, à vous de voir.
Vous pouvez télécharger d’autres livres sur le site pirate library genesis.

27