Math-III-algèbre

Réduction des endomorphismes

Alexis Tchoudjem
Université Lyon I

3 juin 2010
2

Dans ce cours K est un corps qui peut être Q, R ou C.

Chapitre 1

Rappels sur les matrices

K
Définition 1 Une matrice m × n à coefficients dans est un « tableau » de
K
nombres ∈ à m lignes et n colonnes. Notation : Mm,n ( ). K
Notation : On note ai,j le coefficient de la ligne i et de la colonne j.
Exemple : Triangles de Pascal. Voici 3 exemples de matrices de taille
n+1×n+1 :
 
 1 0 ... 0 
. ..
1 1 ..
 

 . 

 
 

 1 2 1 
 !!
  i
T− := 1 3 3 1 =
 
 



 j 0≤i,j≤n

 1 4 6 4 1 

.. ..
 
. 0
 

 . 

 
1 n ... 1
 
 1 1 1 1 1 ... 1 
 
 0 1 2 3 4 n 


 . .. 
 
 .. 1 3 6 . 
  !!
  j
T+ := 
 1 4

 =



 i 0≤i,j≤n

 1 

...
 
 
 
 
 
0 ... 1

3
4 CHAPITRE 1. RAPPELS SUR LES MATRICES

 
 1 1 1 1 1 ... 1
 
 1 2 3 4 n+1 


 
 

 1 3 6 
 !!

..
 i+j
P := 1 4 . =
 
 



 i 0≤i,j≤n

 1 

..
 
 

 . 

   
2n
1 n+1 n

1.0.1 Opérations
— On peut additionner deux matrices de même taille (addition terme à
terme) ;
— On peut multiplier une matrice par un scalaire λ (tous les coefficients
sont multipliés par λ) ;
— On peut multiplier une matrice A de taille m × n par une matrice B
de taille n × p pour obtenir une matrice C = AB de taille m × p :
n
X
ci,j := ai,k bk,j
k=1

« le coefficient (i, j) de la matrice AB est le produit scalaire de la ligne i

de A par la colonne j de B. ».
Exercice 1 — matrices de rotations :
   
cos a − sin a   cos b − sin b 
.

 
sin a cos a sin b cos b

 
cos(a + b) − sin(a + b) 
=
 
sin(a + b) cos(a + b)

— nombres complexes
   
0 0
 Rez −Im z   Rez −Im z 
 .
  
Im z Rez Im z 0 Rez 0
1.1. MATRICES CARRÉES 5
 
0 0
Re(zz ) −Im (zz ) 
=


Im (zz 0 ) Re(zz 0 )
— matrices de Pascal

T− T + = P

indication : Pi,j est le coefficient de degré j du polynôme (1 + X)i+j . Or,

(1+X)i+j = (1+X)i (1+X)j ; exprimer le polynôme (1+X)i (respectivement
(1 + X)j ) en fonction des coefficients de T− (respectivement T + ).

Proposition 1.0.1 (Associativité) Soient A une matrice de taille m × n,

B une matrice de taille n × p et C une matrice de taille p × q. Alors on a
l’égalité de matrices m × q :

(AB)C = A(BC)

Démonstration : Notons ui,j les coefficients du membre de gauche et

vi,j ceux du membre de droite. Alors :
X
ui,j = ai,k bk,l cl,j = vi,j .
1≤k≤n
1≤l≤p

Q.e.d.

1.1 Matrices carrées

 
...
 ...
(i < j) 

.. .. 
. (i = j) .
 
 
 
 .. 
(i > j) ... .

— Propriétés de K−algèbre :
distributivité

A(B + C) = AB + AC , (A + B)C = AB + BC ,
∀
t∈ K, t(A)B = A(tB) = t(AB)
— Propriétés « négatives » :
6 CHAPITRE 1. RAPPELS SUR LES MATRICES

non commutativité :
       
 0 1  1 0   1 0  0 1   0 1 
   = 0 6=    = 
0 0 0 0 0 0 0 0 0 0
existence d’éléments nilpotents non nuls :
 2
 0 1 
  =0
0 0
— Effet de la multiplication à gauche ou à droite par une matrice diago-
nale :
    
 d1  a1,1 ... a1,n   d1 a1,1 ... d1 a1,n 

..

.. ..  
.. .. 
(1.1) . . . = . .
    
    
    
    
dn an,1 an,n dn an,1 dn an,n

    
 a1,1 ... a1,n  d1   d1 a1,1 ... dn a1,n 

.. .. 
..
 
.. .. 
(1.2) . . . = . .
    
    
    
    
an,1 an,n dn d1 an,1 dn an,n
Définition 2 La matrice identité, notée In :
 
 1 
...
 
In :=
 
 
 
 
1
« Des 1 sur la diagonale, des 0 en dehors ».
D’après 1.1 et 1.2,
∀
K
A ∈ Mn ( ), AIn = In A = A .
Définition 3 Matrices inversibles. Une matrice A ∈ Mn ( ) est inversible K
s’il existe une matrice, notée A−1 , telle que :
AA−1 = A−1 A = In .
K
Notation : GLn ( ) est l’ensemble des matrices n × n inversibles à coeffi-
cients dans . K
1.2. APPLICATIONS 7

K
Remarque : GLn ( ) est un groupe pour la multiplication : c’est le
groupe général linéaire.
Remarque : AB = In ⇒ BA = In (non trivial !)

[Link] La transposée
Définition 4 t (A)i,j := Aj,i « Les lignes de t A sont les colonnes de A (et
vice versa) ».

Propriétés :
t
(tA) = tt A, t (A + B) = t A + t B , t (AB) = t B t A

1.2 Applications
1.2.1 La suite de Fibonacci
C’est la suite :
0, 1, 1, 2, 3, 5, 8, 13, ...
f0 := 0, f1 := 1, ∀ n ≥ 2, fn = fn−1 + fn−2
Problème : exprimer fn en fonction de n.
Solution : On remarque que :
   
∀  fn−1   fn−2 
n ≥ 2,   = A 
fn fn−1

où A est la matrice  
 0 1 
 
1 1
et donc :    
∀
fn−1  n−1 
0 
n ≥ 1, 
 =A   .
fn 1
On verra plus tard comment calculer An−1 . Ici on trouve :
√  √  !
1 1+ 5 n 1− 5 n
 
∀ n−1
n ≥ 0, fn = A2,2 = √ − .
5 2 2
√ √
Remarque : Les nombres ( 1+2 5 ) et ( 1−2 5 ) sont les valeurs propres de
A (définition à venir ...).
8 CHAPITRE 1. RAPPELS SUR LES MATRICES

1.2.2 Graphes
Un pilote voyage entre trois villes suivant le graphe suivant :

Pk / B /+ M/

1 2 3

Les flèches représentent les trajets possibles à chaque étape.

Question : En n étapes, combien y a-t-il de façons d’aller de i à j ?
Réponse : Notons bi,j,n le nombre cherché. On pose A la matrice d’in-
cidence du graphe i.e.


 1 s’il y a une flèche de i vers j
ai,j :=
0 sinon.



Ici :  
 0 1 1 
 
A= 
 0 0 1 

 
 
1 0 0

On a bi,j,n = Ani,j . Démonstration : Par récurrence sur n ≥ 1 :

n−1
X X
bi,j,n = bi,k,n−1 bk,j,1 = Ai,k Ak,j
k k

= Ani,j .

En particulier, si on sait calculer An (cf. suite du cours), on peut vérifier

qu’un pilote qui part de P atterrira, au bout d’une infinité d’étapes, ρ2 fois
plus souvent à M qu’à B avec :

An1,3
ρ2 := lim ≈ 1, 75...
n∞ An1,2

où ρ est l’unique racine réelle de X 3 − X − 1.

Ici encore, ρ est une valeur propre de A.
1.3. SYSTÈMES LINÉAIRES 9

1.2.3 Équation différentielle

Problème : Résoudre l’équation différentielle :

(E) y 00 + y 0 + y = 0 .
 
y 
Solution : On pose Y :=  . On a :

y0

(E) ⇔ Y 0 = AY
où A est la matrice :  
 0 1 
 
−1 −1
or, nous verrons plus loin que :

Y 0 = AY ⇔ Y (t) = etA Y (0)

où etA est une matrice. Dans ce cas, si on suppose de plus que y(0) = 0, on
trouve :
2y 0 (0) t √
y(t) = √ e− 2 sin( 3t) .
3
√
−1 3
Ici, les valeurs propres de A sont 2
±i 2
. Q.e.d.

1.3 Systèmes linéaires

Les matrices permettent d’écrire de façon condensée les systèmes d’équa-
tions linéaires :

a1,1 x1 + ... + a1,n xn = b1






... ⇔ AX = B





 am,1 x1 + ... + am,n xn = bn
où    
 b1   x1 

..  
.. 
A = (ai,j ) 1≤i≤m , B = . , X= . .
   
  
1≤j≤n    
   
bn xn
10 CHAPITRE 1. RAPPELS SUR LES MATRICES

1.3.1 Matrices échelonnées

Définition 5 Une matrice échelonnée est une matrice de la forme :
 
 0 ... a1,j1 ... 
 
0 ... a2,j2 ...
 
 
 
 .. 

 . 

 
 

 ar,jr ... 

 
0 ... 0

où 0 ≤ r ≤ n, pour tout 1 ≤ k ≤ r, ak,jk est le premier terme non nul de la

ligne k et j1 < ... < jr .

On appellera opération élémentaire sur les lignes une des opérations sui-
vantes :
— ajouter à une ligne (i) une autre ligne (j) multipliée par un coefficient
t∈ ; K
— échanger deux lignes : i et j ;
— multiplier la ligne i par un coefficient non nul α ∈ ∗ . K
Remarque : Chaque opération élémentaire revient à multiplier à gauche
par une matrice « simple » : respectivement :
— Ti,j (t) « la matrice In à laquelle on a ajouté un t en position i, j »
 
 1 ... t 
 .. 

 . 

 
 .. 

 . 

 
1

— Σi,j « la matrice obtenue à partir de In en permutant les colonnes i et

j»:  
 0 ... 1 
 .. .. 
. 1 .
 
 
 
exemple : Σ1,n =
 .. 

 . 

 
 

 1 

 
1 0
1.3. SYSTÈMES LINÉAIRES 11

— Di (α) « la matrice obtenue à partir de In en remplaçant le ième coef-

ficient diagonal par α :
 
 1 

.. 

 . 

 
 

 α 
 .
...
 
 
 
 
 
1

Théorème 1.3.1 Chaque matrice peut être transformée en une matrice éche-
lonnée par une suite finie d’opérations élémentaires.

Démonstration : Par récurrence sur le nombre de lignes. Soit A une

matrice m × n. Soit j1 la première colonne non nulle. Quitte à permuter
la première ligne avec une autre, on peut supposer que a1,j1 6= 0. On note
L1 , ..., Lm les lignes de A. On remplace alors, pour tout k > 1, la ligne Lk
a 1
par Lk − ak,j1,j
L1 . On obtient alors une matrice de la forme :
1

 
 0 ... a1,j1 ... 
 .. 

 . 0 ...  
..
 
 

 . 

 
0 0

et on termine par récurrence. Q.e.d.

Définition 6 Le nombre r est le rang des lignes de la matrice.

On peut aussi définir le rang des colonnes de la matrice en utilisant des

opérations élémentaires sur les colonnes.

Proposition 1.3.2 Le rang r est indépendant des transformations effec-

tuées : r = dimhL1 , ..., Lm i où L1 , ..., Lm sont les lignes de la matrice.

Démonstration : En effet, une opération élémentaire ne change pas

l’espace vectoriel hL1 , ..., Lm i et les lignes non nulles d’une matrice échelon-
née sont clairement indépendantes. Q.e.d.
12 CHAPITRE 1. RAPPELS SUR LES MATRICES

Proposition 1.3.3 Si A est une matrice carrée de taille n, si A est de rang

n, alors A est inversible.

Démonstration : On applique des transformations élémentaires à A

jusqu’à obtenir la matrice In . Si r = n, c’est possible. Si on applique les
mêmes transformations à In on obtient A−1 . En effet, soit E1 , ..., EN des
matrices « élémentaires » telles que :

E1 ...EN A = In

alors :
E1 ...EN = A−1 .
Q.e.d.
 
0 1 
Exemple : Soit A := 
 .
1 1
On effectue les opérations suivantes :
   
L1 ←L2
0 1 1 0  L2 ←L1 1 1 0 1 
; 
 
  
1 1 0 1 0 1 1 0
 
L1 ←L1 −L2 1 0 −1 1 
; 
 
0 1 1 0
 
−1 1 
conclusion : A−1 =  .

1 0

1.4 Lien avec les applications linéaires

Soit A une matrice de taille m × n à coefficients dans . K
O notera A, ou simplement A, l’application linéaire associée :

A: K n → Km
   
 x1   y1 

..  
.. 
X= . 7→ AX = .
   
   
   
   
xn ym
1.4. LIEN AVEC LES APPLICATIONS LINÉAIRES 13

où n
∀
X
1 ≤ i ≤ m, yi = ai,j xj .
j=1

K
Remarque : Soient A, B ∈ Mm,n ( ). Alors :

A = B ⇔ ∀ X ∈ Kn , AX = BX .

K
Exercice 2 Soient A ∈ Mm,n ( ), B ∈ Mn,p ( ). Soient A : n → K K Km , B :
Kp
K
→ n les applications linéaires associées. Alors AB = A ◦ B.

Définition 7 (image et noyau) Soit A une matrice m × n. Son noyau est

le sous-espace (exo) :
 
x1
Kn
   

.. 
ker A = X = 
 .

 ∈ : AX = 0
 
 
xn

   
y1 x1
K Kn, Y = AX
     

.. 
m ∃

.. 
Im A = Y = . ∈ : X= . ∈
   
   
   
   
ym xn

Remarque : La j−ième colonne de A est le vecteur Aej où : ej est le

vecteur colonne
..
 
 . 
 
1 
 

 
 .. 
.
avec un « 1 » en j−ième position et des « 0 » ailleurs.
K
En particulier, Im A est le sous-espace de m engendrée par les vecteurs
colonnes de A.

1.4.1 Rappels sur les espaces vectoriels

K
Soit E un −espace vectoriel c-à-d :
E est un ensemble muni d’une addition + et d’une multiplication par les
éléments de K
(appelés scalaires) telles que :
14 CHAPITRE 1. RAPPELS SUR LES MATRICES

1. (E, +) est un groupe abélien i.e. :

– ∀ x, y, z ∈ E, x + (y + z) = (x + y) + z ;
– ∀ x, y ∈ E, x + y = y + x ;
– ∃ 0 ∈ E, ∀ x ∈ E, x + 0 = 0 + x = x ;
– ∀ x ∈ E, ∃ (−x) ∈ E, x + (−x) = (−x) + x = 0 ;
2. ∀ λ ∈ K, ∀x, y ∈ E, λ(x + y) = λx + λy ;
3. ∀ λ, µ ∈ K, ∀ x ∈ E, (λ + µ)x = λx + µx ;
4. ∀ λ, µ ∈ K, ∀ x ∈ E, (λµ)x = λ(µx) ;
5. ∀ x ∈ E, 1x = x.
Les éléments de E sont appelés des vecteurs.
K
Exemple : [de base] E = n muni de l’addition :
     
 x1   y1   x1 + y 1 

..  
..  
.. 
. + . := .
     
   
     
     
xn yn xn + y n

et de la multiplication par les scalaires :

   
 x1   λx1 

..  
.. 
λ
 .

 := 
 .


   
   
xn λxn

pour tous λ, x1 , ..., y1 , ... ∈ . K

Soient v1 , ..., vm des vecteurs de E.
Une combinaison linéaire des vecteurs v1 , ..., vm est un vecteur de la
forme :
t1 v1 + ... + tm vm
où t1 , ..., tm ∈ . K
On dit que v1 , ..., vm sont K−linéairement indépendants (ou libres) si :
∀
t1 , ..., tm ∈ K, t1v1 + ... + tmvm = 0 ⇒ t1 = ... = tm = 0
sinon, on dit qu’ils sont liés.
On dit que v1 , ..., vm sont générateurs (de E) ou qu’ils engendrent E si
tout vecteur de E est une combinaison linéaire de v1 , ..., vm .
Si les vecteurs v1 , ..., vm sont à la fois libres et générateurs on dit qu’ils
forment une base de E.
1.4. LIEN AVEC LES APPLICATIONS LINÉAIRES 15

Exemple : La base canonique de Kn est la base formée des vecteurs :

   
 1   0 
   .. 

 0  
 . 

 , ..., 
.. 
 
  

 . 

 0 

   
0 1

Proposition 1.4.1 Soit v1 , ..., vn une base de E.

i) Si w1 , ..., wm engendrent E, alors m ≥ n ;
ii) Si w1 , ..., wm sont libres, alors m ≤ n ;

Conséquence :

Définition 8 Deux bases de E ont le même cardinal. Ce cardinal commun

est la dimension de E, notée dim E.

K
Remarque : dim n = n. D’après la proposition n + 1 vecteurs de n K
sont toujours liés.
Démonstration : i : supposons, quitte à diminuer m, que pour tout k,

wk+1 6∈ hw1 , ..., wk i .

Il existe t1 , ..., tn ∈ K tels que

w1 = t1 v1 + ... + tn vn .

Soit 1 ≤ i1 ≤ n tel que ti1 6= 0. Alors :

v1 , ..., 
v
i1 , ..., vn , w1

(« dans la liste v1 , ..., vn , on remplace vi1 par w1 ») est encore une base de
E (exo). On peut montrer plus généralement, par récurrence sur k que pour
tout 1 ≤ k ≤ min{m, n}, il existe 1 ≤ i1 , ..., ik ≤ n deux à deux distincts tels
que :
v1 , ..., 
v
i1 , ..., , 
v
ik , ..., vn , w1 , ..., wk

est encore une base de E (où on a remplacé dans la liste v1 , ..., vn les vecteurs
vi1 , ..., vik par les vecteurs w1 , ..., wk ).
En particulier, si, par l’absurde, m < n, on obtient une base de E de la
forme :
vi , w1 , ..., wm , i ∈ {1, ..., n} \ {i1 , ..., im }
16 CHAPITRE 1. RAPPELS SUR LES MATRICES

ce qui est absurde car hw1 , ..., wm i engendre E.

Donc m ≥ n.
ii : On raisonne de la même façon. Il existe t1 , ..., tn tels que w1 = t1 v1 +
... + tn vn . Il existe i1 tel que ti1 6= 0. Alors, w1 , v1 , ..., 
v
i1 , ...vn forment une
base de E. De même, par récurrence sur 1 ≤ k ≤ min{m,n} , on peut montrer
qu’il existe 1 ≤ i1 , ..., ik ≤ n deux à deux distincts tels que les vecteurs :

w1 , ..., wk , v1 , ..., 
v v
i1 , ..., ik , ...vn

forment une base de E. Si (par l’absurde), m > n, on peut prendre k = n :

w1 , ..., wn

forment une base de E. Mais cela est absurde car alors wm (m > n) est une
combinaison linéaire de w1 , ..., wn ce qui contredit l’indépendance linéaire des
wj . Q.e.d.

Définition 9 Une application f : E → F entre deux K−espaces vectoriels

est linéaire si :

i) ∀ u, ∀ v ∈ E, f (u + v) = f (u) + f (v)

ii) ∀ u ∈ E, ∀ t ∈ K, f (tu) = tf (u)

Définition 10 Soit E un K−espace vectoriel. Une partie F ⊆ E est un
sous-espace de E si :

0 ∈ F, ∀ u, v ∈ F, ∀ t ∈ K, tu ∈ F et u + v ∈ F
Exemple : Soit f : E → F une application linéaire. Son noyau ker f :=
f −1 ({0}) est un sous-espace de E et son image Im f := {y ∈ F : ∃ x ∈ E, y =
f (x)} est un sous-espace de F .

Proposition 1.4.2 Une application linéaire f : E → F est injective equi

ker f = {0}

Démonstration : Si ker f = 0, si f (u) = f (v), alors f (u − v) = 0 i.e.

u − v ∈ ker f = 0 donc u − v = 0 i.e. u = v. Q.e.d.

Définition 11 Le rang d’une famille de vecteurs v1 , ..., vn dans un espace

vectoriel E est la dimension de hv1 , ..., vn i, l’espace vectoriel engendré par
ces vecteurs.
1.4. LIEN AVEC LES APPLICATIONS LINÉAIRES 17

1.4.2 Matrice associée à une application linéaire

Soit E un K−espace vectoriel.
Définition 12 Un endomorphisme de E est une application linéaire f : E →
E. On note EndK (E) ou L(E) l’ensemble des endomorphismes de E.

Soit f ∈ EndK (E). Soit e1 , ..., en une base de E. Pour tout 1 ≤ j ≤ n, il

K
existe a1,j , ..., an,j ∈ tels que

f (ej ) = a1,j e1 + ... + an,j en

en fait, f est entièrement déterminé par ces coefficients : ai,j , 1 ≤ i, j ≤ n :

n X
n
∀
X
v = x1 e1 + ... + xn en ∈ E, f (v) = xj ai,j ei .
i=1 j=1

 
 x1 

.. 
autrement dit, si X := . est le vecteur « coordonnées de v dans la
 
 
 
 
xn
 
 y1 

.. 
base (e) » si Y := . est le vecteur « coordonnées de f (v) dans la base
 
 
 
 
yn
(e) » alors :
Y = AX
où A est la matrice (ai,j ).
On dit que la matrice A := (ai,j )1≤i,j≤n est la matrice de f dans la base
(e) := e1 , ..., en .
Notation :
A := Mat(f )(e) .

Exercice 3 Soient f, f 0 : E → E deux applications linéaires. Soit (e) une

base de E, alors :

Mat(f ◦ f 0 )(e) = Mat(f )(e) Mat(f 0 )(e) .

Exemple :
18 CHAPITRE 1. RAPPELS SUR LES MATRICES

— matrices de rotations : soit Rθ : R2 → R2 la rotation de centre 0 et

d’angle θ dans le plan. C’est une application linéaire. Dans la base usuelle
e1 , e2 de R2 , la matrice de Rθ est donnée par :
 
 cos θ − sin θ 
  .
sin θ cos θ

— matrices de la dérivation sur l’espace des polynômes de degré ≤ n :

   
 0 1 0 ... 0   0 1 0 ... 0 
 .. . . ..   .. . . .. 

 . . 2 . 
 
 . . 1 . 

   
   



 et 



   
   

 n 


 1 

   
0 ... 0 0 ... 0
n
respectivement dans la base 1, X, ..., X n et dans la base 1, X, ..., Xn! .

1.4.3 Théorème du rang

K
Théorème 1.4.3 Soient E, F deux −espaces vectoriels. On suppose que
f : E → F est linéaire. Alors si E est de dimension finie :

dim E = dim ker f + rg f

où rg f est la dimension de l’image de f .

Démonstration : Soit e1 , ..., er une base de ker f . On la complète en

une base e1 , ..., er , er+1 , ..., en de E. Alors f (er+1 ), ..., f (en ) est une base de
Im f (exo). Q.e.d.

Définition 13 Un isomorphisme entre deux espaces vectoriels E et F est

une application linéaire bijective f : E → F , notation : E ' F .

Corollaire [Link] (Miracle de la dimension finie) Si E est de dimen-

sion finie, si f : E → E est linéaire, alors f injectif ⇔ φ surjectif ⇔ f
isomorphisme.
1.4. LIEN AVEC LES APPLICATIONS LINÉAIRES 19

Remarque : ATTENTION : il faut le même espace au départ et à l’arri-

vée (ou au moins deux espaces de même dimension au départ et à l’arrivée).
Démonstration :

f injectif ⇒ ker f = 0

⇒ dim f (E) = dim E

⇒ f (E) = E
c-à-d f surjectif. Réciproque :

f surjectif ⇒ f (E) = E

⇒ dim ker f = 0
⇒ ker f = 0
i.e. f injecftif. On utilise que si V est un sous-espace de U , alors V est de
dimension finie ≤ dim U avec égalité si et seulement si V = U . Q.e.d.

Corollaire [Link] AB = In ⇒ BA = In .

Démonstration : AB = In ⇒ A surjective ⇒ A injective.

Or :
∀
X∈ Kn, A(BAX) = (AB)(AX) = A(X) ⇒ BAX = X .

Q.e.d.

Corollaire [Link] Le rang des lignes d’une matrice A = le rang de ses

colonnes = le rang de l’application linéaire associée.

On appellera rang « tout court » ce nombre entier ; notation : rg A.

Démonstration : Soit A une matrice m×n. On considère le sous-espace
des solutions su système associé :
  
x1 a1,1 x1 + ... + a1,n xn = 0 




K
  


.. 
n

..
S =  . ∈ :  .
 

  
  

xn  an,1 x1 + ... + an,n xn = 0

20 CHAPITRE 1. RAPPELS SUR LES MATRICES

Par des transformations élémentaires sur les lignes, on ne change pas

l’espace des solutions et on peut donc supposer la matrice échelonnée i.e. A
est de la forme :
 
 0 ... a1,j1 ... 
 
0 ... a2,j2 ...
 
 
 
 .. 

 . 

 
 

 ar,jr ... 

 
0 ... 0

avec j1 < ... < jr et r est le rang des lignes de A. L’application linéaire

S→ Kn−r
 
 x1 

.. 

 .

 7→ (xj ) 1≤j≤n
  j6=j1 ,...,jr
 
xn
est alors un isomorphisme (exo). Donc

n − r = dim S

= dim ker A
= n − dim Im A
= n − rang des colonnes de A.
Q.e.d.

En particulier, les colonnes d’une matrice carrée inversible de taille n

forment une base de n .K
1.4.4 Changements de base
— Interprétation de l’ensemble des bases au moyen des matrices
inversibles.
K K
Soit e1 , ..., en une base de n . Soit P ∈ GLn ( ) une matrice inversible.
Les vecteurs :
e01 = P e1 , ..., e0n = P en
forment encore une base de Kn. On obtient ainsi toutes les bases de Kn.
1.4. LIEN AVEC LES APPLICATIONS LINÉAIRES 21

En effet, soient (e0 ), (e) deux bases de Kn (ou de n’importe quel K−espace
vectoriel de dimension n). Pour tout j,

e0j = p1,j e1 + ... + pn,j en

pour certains pi,j ∈ K.    

x1 x01
K . Si on note
   
n

..  
.. 
Soit v ∈ 
 .

 ses coordonnées dans la base (e), 
 .


   
   
xn x0n
ses coordonnées dans la base (e0 ), alors :

X = P X0

où P := (pi,j )1≤i,j≤n .
Démonstration :

v = x1 e1 + ... + xn en = x01 e01 + ... + x0n e0n

n n
x0j
X X
= pi,j ei
j=1 i=1
 
n n
pi,j x0j  ei
X X
= 
i=1 j=1

n
⇔ ∀ 1 ≤ i ≤ n, xi = pi,j x0j
X

j=1

⇔ X = P X0 .
Q.e.d.

Exercice 4 P est inversible d’inverse la matrice de passage de (e0 ) à (e).

Définition 14 (Matrice de passage) La matrice P est la la matrice de

passage de (e) à (e0 ) ; notation :

(e0 )
P(e) .
22 CHAPITRE 1. RAPPELS SUR LES MATRICES

— Formule de changement de base :

K K
Soit f un endomorphisme de n (ou de n’importe quel −espace vectoriel
de dimension n). Soit A la matrice de f dans la base (e), soit A0 la matrice
de f dans la base (e0 ). Ces deux matrices sont reliées par :

A = P A0 P −1

K
Démonstration : Soit v ∈ n . Soient X, X 0 , Y, Y 0 respectivement les
vecteurs (colonnes) coordonnées de v dans les bases (e) et (e0 ), de f (v) dans
les bases (e) et (e0 ).
Alors : Y = AX et Y 0 = AX 0 (exo). De plus :

X = P X 0, Y = P Y 0

⇒ P Y 0 = AP X 0
⇒ Y 0 = P −1 AP X 0 = A0 X 0
(pour tout X 0 ∈ Kn). Donc P −1AP = A0.
Q.e.d.

Exercice 5
   −1  
it
1 1   cos t − sin t   1 1  e 0 
=
 
    
−i i sin t cos t −i i 0 e−it
Chapitre 2

Le déterminant

2.1 Dimension 2 et 3
Définition 15

a1,1 a1,2
:= a1,1 a2,2 − a1,2 a2,1
a2,1 a2,2

a1,1 a1,2 a1,3

a2,1 a2,2 a2,3 := a1,1 a2,2 a3,3 + a2,1 a3,2 a1,3 + a3,1 a1,2 a2,3
a3,1 a3,2 a3,3
−a2,1 a2,1 a3,3 − a1,1 a3,2 a2,3 − a3,1 a2,2 a1,3

Moyen mnémotechnique :
• AA G• A n7 • •X0PPP > •0 •
AA  nnAAnAnn  00 PP}}P 00 }}
} P }
AA nnn AA  00 }} PPP00}P}}
nnAA A }
~}}00PPP
nnn   A }}00
• `AA • AA nn • • hPPP000 • 000 ( •
n PP}0} }0}
AA nnAnA }} 0P0 PPPP }}} 00
 AnAnAnnn AAA }} 0 ~}}}PPP 0
 wnnn A  A ~}} P
• • • • • •

+ −
Interprétation géométrique (sur R) : dét (A) est une aire ou un
volume « orienté ».

Exercice 6 — dét A 6= 0 ⇔ A inversible ; — dét (AB) = dét Adét B

23
24 CHAPITRE 2. LE DÉTERMINANT

2.2 Déterminant en dimension quelconque

2.2.1 Permutations
Définition 16 (Permutations, transposition, groupe symétrique Sn )
Une permutation de {1, ..., n} est une bijection
σ : {1, ..., n} → {1, ..., n}
L’ensemble des permutaitions de {1, ..., n} est un groupe pour la composition :
c’est le groupe symétrique d’ordre n, noté Sn .
Une transposition est une permutation de la forme :
τ : {1, ..., n} → {1, ..., n}
i 7→ j, j 7→ i, k 7→ k
si k 6= i, j, 1 ≤ i 6= j ≤ n étant fixés.
Proposition 2.2.1 Toute permutation est un produit de transpositions.
Démonstration : Par récurrence descendante sur le nombre de points
fixes de σ ∈ Sn (un point fixe k de σ est un entier 1 ≤ k ≤ n tel que
σ(k) = k). Si σ a n points fixes, σ est l’identité qui est produit de « zéro »
transposition. Supposons maintenant que σ a k points fixes, k < n. Il existe
i 6= j tels que σ(i) = j. Soit τ la transposition qui échange i et j (et laisse
fixe tous les autres entiers). Alors :
τ σ(i) = i et τ σ(k) = k
pour tout point fixe k de σ. Donc τ σ a au moins un point fixe de plus que σ.
Par hypothèse de récurrence, il existe des transpositions τ1 , ..., τN telles que :
τ σ = τ1 ...τN
Or, τ −1 = τ donc σ = τ τ1 ...τN est un produit de transpositions. Q.e.d.

Définition 17 (Nombres d’inversion, signature) Soit σ ∈ Sn . Une in-

version de σ est une paire {i, j}† telle que 1 ≤ i 6= j ≤ n et si i < j
σ(i) > σ(j) (et si i > j, σ(i) < σ(j)) (« σ inverse l’ordre de la paire {i, j} »
).
On note I(σ) l’ensemble des inversions de σ.
La signature de σ est (σ) := 1 si I(σ) a un nombre pair d’éléments et
(σ) = −1 si I(σ) a un nombre impair d’éléments.
†
Rappelons que {i, j} = {j, i}.
2.2. DÉTERMINANT EN DIMENSION QUELCONQUE 25

Exemple : [s]
— Id a 0 inversion, 0 est pair, donc (Id) = 1.
— Si τ est la transposition :

i 7→ j






 j 7→ i


k 7→ k si k 6= i, j




avec i < j, alors

I(τ ) = {(i, j), (k, j), (i, l) : i < k < j, i < l < j}
ce qui fait 2(j − i − 1) + 1 éléments (impair) donc (τ ) = −1.
Exemple : Voici les inversions et les signatures des 6 permutations
σ ∈ S3 :
I(σ)
σ #I(σ)
(σ)
  /
 1 1


/

∅
Id :  2 2 0
1
 

/3
3
1I :1

 5uIuIuIu$


{{1,2}}
s1 : 2 2 1
−1
 

/3

 
3
 1 / 1


{{2,3}}
s2 : 2 IIIu: 2 −1
u 1
 5uu I$


3 3
I

1 II C 1
I$


s1 s2 : 2 III 2

{{2,3},{1,3}}
1
 H I$
 2

3 3
:

1 1
 v56u6u6uu


s2 s1 :  2 66u6: 2 {{1,2},{1,3}}
1
u 2
 5uu 


3 3
1 1
 l A

  /

s1 s2 s1 {{1,2},{2,3},{1,3}}
:
(=s2 s1 s2 )  2 C 2 3
−1
 
 &
3 3
Le nombre d’inversions d’une permutation est aussi le nombre de « croi-
sements » dans le diagramme qui la représente.
26 CHAPITRE 2. LE DÉTERMINANT

Définition 18 Soit A = (ai,j )1≤i,j≤n une matrice. On note :

X
dét A := |A| := (σ)aσ(1),1 ....aσ(n),n
σ∈Sn

le déterminant de A.

Exercice 7 Pour n = 2, 3 on retrouve la définition usuelle.

Proposition 2.2.2 (déterminant d’une matrice triangulaire) Soit T =

(ti,j )1≤i,j≤n une matrice triangulaire supérieure i.e. ti,j = 0 si i > j. Alors :

t1,1 t1,n
0 = t1,1 ...tn,n

0 0 tn,n

le produit des coefficients diagonaux. En particulier,

|In | = 1

Démonstration : Par définition :

X
|T | = (σ)tσ(1),1 ...tσ(n),n
σ∈Sn

or, le produit tσ(1),1 ...tσ(n),n est nul sauf si, éventuellement, σ(1) ≤ 1, ..., σ(n) ≤
n. Cela n’arrive que si σ(1) = 1, ..., σ(n) = n c-à-d si σ = Id. Donc :

|T | = (Id)t1,1 ...tn,n = t1,1 ...tn,n .

Q.e.d.

Proposition 2.2.3 (déterminant de la transposée)

∀
K
A ∈ Mn ( ), |t A| = |A| .

Démonstration : Soit A = (ai,j )1≤i,j≤n .

|t A| =
X
(σ)a1,σ(1) ...an,σ(n)
σ∈Sn
2.2. DÉTERMINANT EN DIMENSION QUELCONQUE 27

puisque le produit dans K est commutatif :

a1,σ(1) ...an,σ(n) = aσ−1 (1),1 ...aσ−1 (n),n .

Or, on a une bijection :

1:1
Sn → Sn
σ 7→ σ −1
donc :
|t A| = (σ −1 )aσ(1),1 ...aσ(n),n
X

σ∈Sn

Or,
(σ −1 ) = (σ)
(en fait, σ −1 et σ ont le même nombre d’inversions car l’application :

I(σ −1 ) → I(σ)

{i, j} 7→ {σ −1 (i), σ −1 (j)}

est bijective (exo).)
donc : |t A| = |A|.
Q.e.d.

Proposition 2.2.4 Le déterminant est n−linéaire alterné en les colonnes

(et en les lignes).

traduction :
— « n−linéaire en les colonnes » signifie que si les colonnes
       
 a1,1   a1,j−1   a1,j+1   a1,n 

..  
..  
..  
.. 
.  , ...,  . , .  , ...,  .
       
 
       
       
an,1 an,j−1 an,j+1 an,n

sont fixées, alors l’application :

  j
|
 x1  a1,1 ... x1 ... a1,n

.. 
.. .. ..
. 7→
 



 . . .

xn

an,1 ... xn ... an,n
28 CHAPITRE 2. LE DÉTERMINANT

est linéaire.
— « alternée en les colonnes » signifie que si la matrice A a deux colonnes
identiques, alors |A| = 0.
Démonstration :
Pour le caractère n−linéaire :
il suffit de remarquer que (pour tout 1 ≤ j ≤ n) :

a1,1 ... x1 ... a1,n

.. .. .. X
. . . = ((σ)aσ(1),1 ...aσ(j−1),j−1 aσ(j+1),j+1 ...aσ(n),n )xσ(j)
σ∈Sn
an,1 ... xn ... an,n

est une expression linéaire en les xk , 1 ≤ k ≤ n.

Pour le caractère alterné :

Supposons que les colonnes i et j d’une matrice A sont égales, 1 ≤ i <
j ≤ n (i.e. ∀ 1 ≤ k ≤ n, ak,i = ak,j ) . Soit τ la transposition qui envoie i sur
j (et j sur i et qui laisse fixe les 1 ≤ k 6= i, j ≤ n).
X X
|A| = aσ(1),1 ...aσ(n),n − aσ(1),1 ...aσ(n),n
σ : (σ)=1 σ : (σ)=−1

Or on a :
Lemme 2.2.5

(στ ) = −(σ)

si τ est une transposition et σ une permutation

Admettons ...
On a donc une bijection :
1:1
{σ ∈ Sn : (σ) = 1} → {σ ∈ Sn : (σ) = −1}

σ 7→ στ
d’où : X
|A| = aσ(1),1 ...aσ(n),n − aστ (1),1 ...aστ (n),n
σ∈Sn
(σ)=1

or :
aστ (1),1 ...aστ (n),n = aσ(1),τ (1) ...aσ(n),τ (n)
2.2. DÉTERMINANT EN DIMENSION QUELCONQUE 29

(en réordonnant les termes)

= aσ(1),1 ...aσ(n),n

car les colonnes i et j sont égales.

Donc |A| = 0.
Démonstration du lemme :
Soient I(σ) l’ensemble des inversions de σ. On a une bijection :
1:1
(I(στ ) \ I(σ)) ∪ (I(σ) \ I(στ )) ←→ I(στ σ −1 )

{i, j} 7→ {σ(i), σ(j)}

(exo).
Or, στ σ −1 est une transposition : c’est la transposition qui échange σ(i)
et σ(j). Donc |I(στ σ −1 )| est impair. Or :

|I(σ)| = |I(σ) ∩ I(στ )| + |I(σ) \ I(στ )|

|I(στ )| = |I(σ) ∩ I(στ )| + |I(στ ) \ I(σ)|

⇒ |I(σ)| + |I(στ )| = 2|I(σ) ∩ I(στ )| + |I(σ) \ I(στ )| + |I(στ ) \ I(σ)|
⇒ |I(σ)| + |I(στ )| = 2|I(σ) ∩ I(στ )| + |I(στ σ −1 )|
et |I(σ)| + |I(στ )| est impair. Donc (σ) = −(στ ). Q.e.d.

Corollaire [Link] (du lemme) Si σ ∈ Sn est un produit de N transposi-

tions :
σ = τ1 ...τN ,
alors (σ) = (−1)N . En conséquence, on a :
∀
σ, σ 0 ∈ Sn , (σσ 0 ) = (σ)(σ 0 ) .

Q.e.d.

Remarque importante : Comme

∀
K
A ∈ Mn ( ), |t A| = |A|

le déterminant est aussi n−linéaire alterné en les lignes.

Caractérisation du déterminant : le théorème qui suit dit que le dé-
terminant est l’unique fonction telle que ...
30 CHAPITRE 2. LE DÉTERMINANT

Théorème 2.2.6 Soit F : Mn ( ) → K K une application n−linéaire alternée

en les colonnes. Alors :
∀
K
A ∈ Mn ( ), F (A) = dét AF (In ) .

Remarque : Même énoncé si on remplace les colonnes par des lignes.

K
Démonstration : Soit A = (ai,j )1≤i,j≤n ∈ Mn ( ). Notons Ei le vecteur
colonne :  
 0 
 . 
 . 
 . 
 
 

 1 

..
 
 

 . 

 
0
(1 en position i, 0 ailleurs).
On utilise la n−linéarité et on développe :
 
Pn Pn
A= i=1 ai,1 Ei ... i=1 ai,n Ei

donc : X
F (A) = ai1 ,1 ...ain ,n F (Ei1 |...|Ein ) .
1≤i1 ,...,in ≤n

Grâce au caractère alterné, tus les termes :

F (Ei1 |...|Ein )

sont nuls sauf éventuellement si les indices i1 , ..., in sont 2 à 2 distincts i.e. si

(i1 , ..., in ) = (σ(1), ..., σ(n))

pour une certaine permutation σ ∈ Sn .

Donc : X
F (A) = aσ(1),1 ...aσ(n),n F (Eσ(1) |...|Eσ(n) ) .
σ∈Sn

Or,
F (Eσ(1) |...|Eσ(n) ) = (σ)F (E1 |...|En ) = F (In )
en effet, supposons d’abord que σ est la transposition qui échange i et j,
1 ≤ i < j ≤ n fixés. Alors, dans ce cas :

F (Eσ(1) |...|Eσ(n) ) = F (E1 |...|Ej |...|Ei |...|En )

2.2. DÉTERMINANT EN DIMENSION QUELCONQUE 31

Or, F est alternée donc :

F (E1 |...|Ei + Ej |...|Ei + Ej |...|En ) = 0

or, F est n−linéaire donc :

0 = F (E1 |...|Ei + Ej |...|Ei + Ej |...|En )

= F (E1 |...|Ei |...|Ei |...|En ) +F (E1 |...|Ei |...|Ej |...|En )

| {z }
=0

+F (E1 |...|Ej |...|Ei |...|En ) + F (E1 |...|Ej |...|Ej |...|En )

| {z }
=0

= F (E1 |...|Ei |...|Ej |...|En ) + F (E1 |...|Ej |...|Ei |...|En )

d’où :
F (E1 |...|Ei |...|Ej |...|En ) = −F (E1 |...|Ej |...|Ei |...|En ) .
Si maintenant, σ est quelconque, σ est un produit transpositions :

σ = τ1 ...τN

alors :
F (Eσ(1) |...|Eσ(n) ) = F (Eτ1 ...τN (1) |...|Eτ1 ...τN (n) )
= −F (Eτ2 ...τN (1) |...|Eτ2 ...τN (n) )
...
N
= (−1) F (E1 |...|En )
= (σ)F (E1 |...|En ) .
Q.e.d.

Conséquences :

Théorème 2.2.7 (déterminant du produit) Soient B ∈ Mn ( ) : K

dét (AB) = dét Adét B .

Démonstration : En effet, si A est fixée, l’application :

F : B 7→ dét (AB)

est n−linéaire alternée en les colonnes de B. Donc :

∀
K
B ∈ Mn ( ), F (B) = dét AF (In )
32 CHAPITRE 2. LE DÉTERMINANT

= dét Adét B .
Q.e.d.

Exemple : Pour les matrices de Pascal de la page 5, on trouve :

dét P = dét T− T + = 1 .

Proposition 2.2.8 (déterminant des matrices triangulaires par blocs)

K K K
Si A ∈ Mm ( ), B ∈ Mm,n ( ), D ∈ Mn ( ), alors :

A B
= dét Adét D .
0 D
Démonstration : Fixons A. L’application :

A B
D 7→
0 D
est n−linéaire alternée en les colonnes de D donc :

A B A B
= dét D
0 D 0 In
Ensuite B étant fixé, l’application :

A B
A 7→
0 In
est n−linéaire alternée en les colonnes de A donc :

A B Im B
= dét A
0 In 0 In
enfin, on sait calculer le déterminant d’une matrice triangulaire supérieure
(on fait le produit des termes diagonaux) :

Im B
=1
0 In
Q.e.d.
2.3. RÈGLE DE CRAMER 33

2.3 Règle de Cramer

Notation : Soit A une matrice n × n. On note Ai,j la matrice obtenue en
biffant† la ligne i et la colonne j de A.
On peut calculer un déterminant n × n si on sait calculer un déterminant
(n − 1) × (n − 1) :

Proposition 2.3.1 (Développement par rapport à une ligne ou une colonne)

Soit A une matrice n × n. Alors :
n
∀
(−1)i+j ai,j |Ai,j |
X
1 ≤ j ≤ n, dét A =
i=1

n
∀
(−1)i+j ai,j |Ai,j | .
X
1 ≤ i ≤ n, dét A =
j=1

Démonstration : Par n−linéarité du déterminant selon les colonnes,

comme on a :
j
 | 
a ... 0 ... a1,n
 1,1
 .. .. .. 
 . . . 

n
X  
A= ai,j 
 ai,1 1 ai,n 
 ,
i=1  . .. ..
 .

 . . . 

an,1 ... 0 ... an,n

on a :
j
|
a1,1 ... 0 ... a1,n
.. .. ..
n
X . . .
dét A = ai,j ai,1 1 ai,n .
i=1 .. .. ..
. . .
an,1 ... 0 ... an,n
Or en échangeant la colonne j avec la colonne j − 1 puis la colonne j − 1
†
Biffer, verbe transitif :
Barrer, annuler d’un trait de plume ce qui est écrit. Ses manuscrits étaient biffés, rebiffés,
raturés, grattés, chargés (CHAMPFLEURY, Les Souffrances du professeur Delteil, 1855,
p. 176)
34 CHAPITRE 2. LE DÉTERMINANT

avec la colonne j − 2, etc, on trouve :

a1,1 ... 0 ... a1,n 0 a1,1 ... a1,n

.. .. .. .. .. ..
. . . . . .
ai,1 1 ai,n = (−1)j−1 1 ai,1 ... ai,n
.. .. .. .. .. ..
. . . . . .
an,1 0 an,n 0 an,1 ... an,n

ensuite, en échangeant la ligne i avec la ligne i − 1 puis la ligne i − 1 avec

la ligne i − 2, etc, on obtient :

a1,1 ... 0 ... a1,n

.. .. .. 1 ai,1 ... ai,n
. . .
0 a1,1 ... a1,n
ai,1 1 ai,n = (−1)j−1 (−1)i−1 .. .. ..
.. .. .. . . .
. . .
0 an,1 ... an,n
an,1 0 an,n

= (−1)i+j |Ai,j | .
Et on démontre de même la formule de développement par rapport à la
ligne i. Q.e.d.

Exemple :

1 2 3
5 6 2 3 2 3
4 5 6 = −4 +7 =0 .
8 9 8 9 5 6
7 8 9

Proposition 2.3.2 (formule de Cramer pour les solutions des systèmes linéaires)
Si :

a1,1 x1 + ... + an,1 xn = y1






 ...




 an,1 x1 + ... + an,n xn = yn
2.3. RÈGLE DE CRAMER 35

alors, dét Axk = dét Ak où Ak est la matrice

 obtenue en remplaçant la
 y1 

.. 
k−ième colonne de A par la colonne 
 . .

 
 
yn

Démonstration : On développe par rapport à la k−ième colonne :

n
yi (−1)i+k |Ai,k |
X
dét Ak =
i=1

(on remplace les yi par leur expression en fonction des xj ) :

n X
n
ai,j xj (−1)i+k |Ai,k |
X
dét Ak =
i=1 j=1

n n
!
i+k i,k
X X
= ai,j (−1) |A | xj .
j=1 i=1

Or : n
ai,j (−1)i+k |Ai,k |
X

i=1

est le déterminant de la matrice obtenue en remplaçant la colonne k de la

matrice A par la colonne j (exo). Donc :

n 
 0 si k 6= j
ai,j (−1)i+k |Ai,k | =
X

dét A sinon .

i=1 

Q.e.d.

Remarque : Si dét A 6= 0, alors A inversible. En effet, dans ce cas, les

formules de Cramer montrent que l’on peut inverser le système défini par A.
Plus précisément, on peut décrire la matrice inverse de A si dét A 6= 0.

Définition 19 (Comatrice) Soit A une matrice n × n, sa comatrice, notée

com(A) est la matrice n × n dont le (i, j)−ième coefficient est :

com(A)i,j = (−1)i+j |Ai,j | .

Corollaire [Link] Pour toute matrice A de taille n × n :

t
com(A)A = At com(A) = dét AIn
36 CHAPITRE 2. LE DÉTERMINANT

Démonstration : En effet, le (i, j)−ème coefficient de t com(A)A est

donnée par la formule :
n
(−1)i+k ak,j |Ak,i |
X

k=1

qui est le déterminant de la matrice obtenue en remplaçant, dans la matrice

A, la colonne i par la colonne j. Donc :
n
(t com(A)A)i,j = (−1)i+k ak,j |Ak,i |
X

k=1



 0 si i 6= j
=
 dét A si i = j .

Q.e.d.

Remarque : Cette formule reste vraie si K est remplacé par un anneau

K
commutatif (p. ex : Z, [T ]).
Exemple :
— Si ad − bc 6= 0,
 −1  
 a b  1  d −b 
=
ad − bc −c
   
c d a

— Si A est une matrice 3 × 3 et si |A| =

6 0, alors :
 
1,1 2,1 3,1
 |A | −|A | |A | 
−1 1  
A =  −|A1,2 | |A2,2 | −|A3,2 | .
 
|A| 


 
|A1,3 | −|A2,3 | |A3,3 |

Théorème 2.3.3 A est inversible ⇔ dét A 6= 0 et l’inverse est donné par :

1 t 1  
A−1 = com(A) = ±|Aj,i |
dét A dét A

Terminons ce chapitre par quelques déterminants remarquables :

2.3. RÈGLE DE CRAMER 37

Exercice 8 Déterminant de Vandermonde. C’est le déterminant (n + 1) ×

(n + 1) suivant :

1 1
x0 xn
V (x0 , ..., xn ) = .
xn0 xnn

On a : V (x1 , ..., xn ) = 0≤i<j≤n (xj − xi ).

Q

Indication : on peut raisonner par récurrence et remarquer que : V (x0 , ..., xn )

est un polynôme de degré ≤ n en xn , de coefficient dominant V (x0 , ..., xn−1 )
qui s’annule lorsque xn = x0 , ..., xn−1 ; donc : V (x0 , ..., xn ) = V (x0 , ..., xn−1 )(xn −
x0 )...(xn − xn−1 ).
Conséquence : Si x1 , ..., xn ∈ C, alors :

x1 + ... + xn = 0






..
. ⇒ x1 = ... = xn = 0



xn1 + ... + xnn = 0




(ce système n’est pas linéaire).

Exercice 9 Montrer que le déterminant n × n suivant :

1 AA−1@ 0 0
AA @@
@
1 @@ AAAA @@@
@@ AA @@
0 @@@ AAA @@@@ 0
@@ AA
@@ AA
@@ AA −1
@ A
0 0 1 1

est le n + 1−ième nombre de Fibonacci fn+1 (cf. p. 7).

Enfin voici une autre façon de calculer un déterminant 3 × 3 :

Exercice 10 Soit A une matrice 3 × 3. Alors si a2,2 6= 0 :

38 CHAPITRE 2. LE DÉTERMINANT

a1,1 a1,2 a1,2 a1,3

a2,1 a2,2 a2,2 a2,3

a2,1 a2,2 a2,2 a2,3

a3,1 a3,2 a3,2 a3,3

|A| =
a2,2

2.4 Déterminant d’un endomorphisme

K
Soit E un −espace vectoriel de dimension finie. Soit u un endomor-
phisme de E. Le déterminant :
 
dét Mat(u)(e)
est indépendant de la base (e) de E choisie.
En effet, les matrices de u dans 2 bases différentes sont semblables et par
multiplicativité du déterminant :
∀
K K
A ∈ Mn ( ), ∀ P ∈ GLn ( ), dét (P AP −1 ) = dét P dét Adét (P −1 )
= dét Adét P dét P −1
= dét A
(leurs déterminants sont égaux).
On peut donc définir le déterminant de u :
Définition 20 (déterminant d’un endomorphisme)
dét u := dét A
où A est la matrice de u dans une base quelconque de E.
Remarque : [(s) importantes]
— dét IdE = 1 et pour tous u, v endomorphismes de E,
dét (u ◦ v) = dét udét v
— u est un isomorphisme ⇔ dét u 6= 0 ⇔ Mat(u)(e) inversible (pour toute
base (e) de E.
En effet, u est un isomorphisme ⇔ Mat(u)(e) est inversible (quelle que
soit la base (e) de E choisie (exo).
Chapitre 3

Valeurs propres, vecteurs propres

Dans ce chapitre E est un K−espace vectoriel.

3.1 Sous-espaces invariants
Définition 21 (sous-espace invariant) Soit u un endomorphisme de E.
On dit qu’un sous-K−espace vectoriel F de E est invariant, ou stable, par u
si :
∀
x ∈ F, u(x) ∈ F .
On note alors u|F : F → F , x ∈ F 7→ u(x) ∈ F la restriction de u à F .
L’application u|F est un endomorphisme de F .
Effet sur les matrices :
Supposons que E est de dimension n, que u est un endomorphisme de E,
que F est un sous-espace de E invariant par u. Alors si :
e1 , ..., ek
est une base de F , on peut la compléter en une base de E :
(e) = e1 , ..., ek , ek+1 , ..., en .
La matrice de u dans la base (e) est triangulaire par blocs :
a1,1 a1,k
 
b1,1 b1,n−k
 
 
 
 ak,1 ak,k bk,1 bk,n−k 
 
 
Mat(u)(e) =  
 0 0 d1,1 d1,n−k 
 
 
 
 
 
0 0 dn−k,1 dn−k,n−k

39
40 CHAPITRE 3. VALEURS PROPRES, VECTEURS PROPRES

K
où A := (ai,j )1≤i,j≤k ∈ Mk ( ) est la matrice de u|F dans la base e1 , ..., ek de
K
F , B := (bi,j ) 1≤i≤n−k ∈ Mk,n−k ( ), D := (di,j )1≤i,j≤n−k ∈ Mn−k ( ).
1≤j≤n−k
K
Remarque : si le sous-epace :
G := hek+1 , ..., en i
est aussi stable par u, le bloc rectangulaire B est nul et :
a1,1 a1,k
 
0 0
 
 
 
 ak,1 ak,k
 0 0 

Mat(u)(e) =
 
d1,1 d1,n−k 
 
 0 0
 
 
 
 
0 0 dn−k,1 dn−k,n−k
qui est une matrice diagonale par blocs.
Exemple : Soit e1 , e2 , e3 la base canonique de R3 . Soit rθ la rotation
d’axe e3 et d’angle θ. L’endomorphisme rθ de R3 laisse invariants les sous-
espaces :
he1 , e2 i et he3 i
et sa matrice dans la base e1 , e2 , e3 est la matrice :
 
 cos θ − sin θ 0 
 

 sin θ cos θ 0 

.
 
 
0 0 1

Les droites invariantes sont appelées droites propres, ce sont les droites
engendrées par les vecteurs propres.

3.2 Vecteurs propres

Définition 22 (vecteurs,valeurs propres, spectre) Soit u un endomor-
phisme de E. Un vecteur propre de u est un vecteur non nul x ∈ E \ {0}
tel que :
u(x) = λx
K
pour un certain scalaire λ ∈ . On dit que λ est la valeur propre de u associée
au vecteur propre x. On dit aussi que x est un vecteur propre associé à la
valeur propre λ.
Le spectre de u est l’ensemble des valeurs propres de u. Notation : SpK (u)
(ou Sp(u)).
3.2. VECTEURS PROPRES 41

Version matricielle :
K
Soit A ∈ Mn ( ). Un vecteur propre de A est un vecteur non nul X ∈
K n
\ {0} tel que :
AX = λX
K
pour un certain scalaire λ ∈ . On dit que λ est la valeur propre de A associée
au vecteur propre X. On dit aussi que X est un vecteur propre associé à la
valeur propre λ.
Le spectre de A est l’ensemble des valeurs propres de A. Notation : SpK (A)
(ou Sp(A) si le corps où l’on se place est évident).

Exemple : [s]
— soient E = R3 , u = rθ la rotation d’axe e3 et d’angle θ. Alors rθ (e3 ) =
e3 . Donc e3 est un vecteur propre de rθ ; la valeur propre associée est 1.
— Soit E = C[X]≤n l’espace des polynômes complexes de degré ≤ n. Soit
u = ∂ : E → E, P (X) 7→ P 0 (X). Pour des raisons de degré,

P 0 = λP ⇒ λ = 0 et P constant

de plus, tout polynôme constant non nul est un vecteur propre de ∂ de valeur
propre associée 0 ; donc Sp(∂) = {0}.
— (Cet exemple est en dimension infinie) Soit E = C ∞ (R) l’espace des
fonctions infiniment dérivables de R dans R. Soit u = ∂ : E → E, f 7→ f 0 .
Pour tout λ ∈ R, posons

eλ : R → R, x 7→ eλx .

On a : e0λ = λeλ donc chaque fonction eλ est un vecteur propre de ∂ de valeur

propre associée λ.
 
0 1  √
1+ 5
— Soit A := 
 . Le réel α := 2
est une valeur propre de A. En
1 1
effet :    
1   1 
A. 
  = α 
α α
(exo)  
0 1  1
√
3 2π
— Soit A :=  . Le complexe j := − 2 + i 2 = ei 3 est une
−1 −1
valeur propre de A. En effet :
42 CHAPITRE 3. VALEURS PROPRES, VECTEURS PROPRES

   
 1   1 
A  =j 
j j

(exo)
« Comment trouver les valeurs propres d’un endomorphisme ou d’une
matrice parmi tous les éléments de ? » K

3.3 Polynôme caractéristique

Proposition 3.3.1 Soient A ∈ Mn ( ) et λ ∈ K K. Alors :
λ est une valeur propre de A ⇔ dét (A − λIn ) = 0 .

Démonstration : λ n’est pas une valeur propre de A

⇔ ∀X ∈ Kn \ {0}, AX 6= λXi.e. (A − λIn)X 6= 0

⇔ ker(A − λIn ) = {0}
⇔ A − λIn injective
⇔ A − λIn inversible
⇔ dét (A − λIn ) 6= 0 .
Q.e.d.

Définition 23 (polynôme caractéristique) Soit A ∈ Mn ( ). Le poly- K

nôme caractéristique de A est : χA (X) := dét (XIn − A) .

Remarque : [s] — La matrice XIn − A est à coefficients dans K[X] donc

son déterminant χA (X) ∈ [X].K
K
— Pour tout λ ∈ , dét (A − λIn ) = (−1)n χA (λ).
Exemple : [s]
— Si n = 2 :
 
∀
a b 
A= , χA (X) = X 2 − (a + d)X + (ad − bc)

c d

= X 2 − (trA)X + dét A
3.3. POLYNÔME CARACTÉRISTIQUE 43

où trA := a + d.
— Si n = 3,
 
 a1,1 a1,2 a1,3 
 
∀
 a2,1 a2,2 a2,3  , χA (X) = X 3 − (trA)X + s2 X + dét A
A= 
 
 
a3,1 a3,2 a3,3

où trA := a1,1 + a2,2 + a3,3 et :

a1,1 a1,2 a2,2 a2,3 a1,1 a1,3

s2 := + +
a2,1 a2,2 a3,2 a3,3 a3,1 a3,3

(c’est la trace de la comatrice de A).

— n quelconque :
∀
K
A ∈ Mn ( ), χA (X) = X n − s1 X n−1 + ... + (−1)n sn

où pour tout 1 ≤ d ≤ n, le coefficient devant (−1)d X n−d est :

X
sd := |AI |
I⊆{1,...,n}
|I|=d

avec pour tout I = {k1 , ..., kd }, tel que k1 < ... < kd ,
 
ak1 ,k1 ak1 ,kd

AI := 



 ∈ Md ( )K
akd ,k1 akd ,kd

(c’est la matrice obtenue en ne gardant de A que les lignes et les colonnes

k1 , , , kd ).
À retenir : le polynôme χA (X) est unitaire† de degré n et :
Pn
s1 = i=1 ai,i =: trA
X ai,i ai,j
s2 =
1≤i<j≤n aj,i aj,j
sn = dét A .

†
c-à-d son coefficient de plus haut degré est 1.
44 CHAPITRE 3. VALEURS PROPRES, VECTEURS PROPRES

Définition 24 (deux définitions équivalentes de la trace) Soit A ∈ Mn ( ). K

On définit la trace de A par :

trA := − le coefficient devant X n−1 dans χA (X)

ou par :
trA := la somme des coefficients diagonaux de A.

Théorème 3.3.2 (polynôme caractéristique d’un produit) Soient m, n

K
des entiers ≥ 1. Si A ∈ Mm,n ( ) et B ∈ Mn,m ( ), alors :K
K
AB ∈ Mm ( ) et BA ∈ Mn ( ) K
et :
X n χAB (X) = X m χBA (X)
K
dans [X].
En particulier, si m = n alors :

χAB (X) = χBA (X) .

Démonstration : On pose :
   
 XIm −A 
M :=   et N := 
 Im A 
 K
∈ Mm+n ( ) .
0 In B XIn

On a alors :  
XIm − AB 0
MN = 
 

XB XIn
donc :
dét (M N ) = dét (XIm − AB)dét (XIn )
= X n χAB (X) .
D’un autre côté,  
XIm 0
NM = 
 

XB XIn − BA
donc
dét (N M ) = dét (XIm )dét (XIn − BA)
= X m χBA (X) .
3.3. POLYNÔME CARACTÉRISTIQUE 45

Or, dét (M N ) = dét (N M ) = dét M dét N . Q.e.d.

K
Remarque : — Si A, A0 ∈ Mn ( ) sont des matrices semblables i.e. si
∃
P ∈ GLn (K), A = P A0 P −1

alors :
χA (X) = χP (A0 P −1 ) (X)
= χ(A0 P −1 )P (X)
= χA0 (X)
autrement dit deux matrices semblables ont le même polynôme caractéris-
tique.
En conséquence, on peut définir le polynôme caractéristique d’un endo-
morphisme :

Définition 25 Supposons que E est de dimension finie. Si u est un endo-

morphisme de E, alors toutes les matrices de u dans une base de E sont
semblables donc ont le même polynôme caractéistique. Ce polynôme caracté-
ristique commun est le polynôme caractéristique de u, noté χu (X).

Concrétement, si (e) = e1 , ..., en est une base de E, si u est un endomor-

phisme de E, alors :
χu (X) = χA (X)
où A := Mat(u)(e) .

Spectre et racines du polynôme caractéristique

On peut réécrire la proposition 3.3.1 :

K
Théorème 3.3.3 Soit A ∈ Mn ( ). Alors :

Sp(A) = { valeurs propres de A } = { racines de χA (X) }

Démonstration : On a λ valeur propre de A ⇔ dét (A − λIn ) = 0

⇔ χA (λ) = 0. Q.e.d.

En particulier :

K
Corollaire [Link] Si A ∈ Mn ( ), A possède au plus n valeurs propres.
46 CHAPITRE 3. VALEURS PROPRES, VECTEURS PROPRES

(En effet, nous savons qu’un polynôme de degré n a au plus n racines).

Exemple  : [s] 
0 1 
— Si A =  , alors

1 1
√ √
2 1− 5 1+ 5
χA (X) = X − X − 1 = (X − )(X − )
2 2
√ √
donc SpR (A) = { 1−2 5 , 1+2 5 } mais SpQ (A) = ∅.
 
0 1 
— Si A = 
 , alors :
−1 −1
χA (X) = X 2 + X + 1 = (X − j)(X − j 2 )
√
où j := − 21 + i 2
3
. Donc dans ce cas :
n o
SpC (A) = j, j 2
mais SpR (A) =

∅. 
cos θ − sin θ 
— Si A =  , alors :

sin θ cos θ
χA (X) = X 2 − 2 cos θX + 1 = (X − eiθ )(X − e−iθ )
et SpC (A) = {e−iθ , eiθ }. (Si θ 6= 0 mod π, alors SpR (A) = ∅).
Cas des matrices triangulaires :
Soit  
t1,1 t1,n
 
 
T :=
 0 @@ 
@@
 
@@
 
 
 
0 0 tn,n
une matrice triangulaire supérieure. Alors :
X − t1,1 −t1,n
0 III
χT (X) = II
II
II
0 0 X − tn,n
n
Y
= (X − ti,i )
i=1
donc SpK (T ) = {ti,i : 1 ≤ i ≤ n}.
3.3. POLYNÔME CARACTÉRISTIQUE 47

Matrices compagnons :
Soit P (X) := X n + cn−1 X n−1 + ... + c0 ∈ K[X]. On pose :
−c0
 
08 0
 88
 1 88

 8 88

 88 8
K

8 8
 0 6 88 888

CP :=  
∈ Mn ( )
 66 88

66 88

66 88 0
 
 
 
0 0 1 −cn−1

c’est la matrice compagnon du polynôme P .

Proposition 3.3.4

χCP (X) = P (X) .

Démonstration : Par récurrence sur n ≥ 1. Si n = 1 c’est évident car

P (X) = X + c0 et CP = (−c0 ) (matrice 1 × 1).
Si P (X) = X n + cn−1 X n−1 + ... + c0 , on a :

X @ 0 ?? 0 c0
@@ ?
@@ ??
−1@ @@ ??
@@ @@ ?
@ @
χCP (X) = 0 >> @@@ @@@ 0
>> @ @
>> @@ X
>> @@
0 0 −1 X + cn−1

(en développant par rapport à la première ligne)

X @ 0 ?? 0 c1 −1A X ? 0 ?? 0
@@ ? AA ?? ?
@@ ?? AA ?? ??
−1@ @@ ?? 0 AA AA ?? ???
@
@ @@ ? AA AA ??
=X 0 >> @@@@ @@@@ 0 +(−1)n+1 c0 AA AA ?? 0
AA AA ??
>> @@ AA AA
>> @@ X AA AAA X
>> @@ AA A
0 0 −1 X + cn−1 0 0 −1
| {z } | {z }
=X n−1 +cn−1 X n−2 +...+c1 =(−1)n−1
par hypothĕse de récurrence

= X n + cn−1 X n−1 + ... + c0

= P (X)
(ce qui achève la récurrence).
48 CHAPITRE 3. VALEURS PROPRES, VECTEURS PROPRES

Q.e.d.

Exemple : Soit J la matrice :

 
0< 0 1
<<
 1 <<
 
 == << 0
<
 0 === << K

 
∈ Mn ( )
 == == <<

= <
== = < 

= = < 


0 0 1 0
alors χJ (X) = X n − 1 car J = CX n −1 .

Exercice 11 (Polynômes de Tchébychev) On rappelle le résultat suivant :

Pour tout k entier ≥ 1, il existe un polynôme en t, à coefficients ration-
nels, noté Tk (t), tel que :
∀
θ ∈ R, sin(kθ) = sin θ Tk (cos θ)

(en effet :
sin(kθ) = Im (eikθ )
 
= Im (cos θ + i sin θ)k
et on développe ...)
Par exemple, sin(2θ) = sin θ(2 cos θ) et sin(3θ) = sin θ(4 cos2 θ − 1) donc
T2 (t) = 2t et T3 (t) = 4t2 − 1. Plus généralement, Tk (t) = 2k−1 tk−1 + ...
Pour tout n soit :
 
0 1 0 0
 <<< <<< <<<
< < <

 1 < << << <<< 
 
< < < < <
<
Vn :=  0 < <<<< <<<< <<<< 0  ∈ Mn (R)
 
 
<< < <
<< << <<
 
<< << << 1 
 

 
0 0 1 0
alors, pour tout n ≥ 1 :
X
χVn (X) = Tn+1 ( )
2
en particulier,
( )
kπ
 
SpR (Vn ) = 2 cos : 1≤k≤n .
n+1
3.4. ESPACES PROPRES 49

Indications : vérifier que χVn (X) = Tn+1 ( X2 ) pour n = 1, 2 et trouver une

relation de récurrence d’ordre 2 pour χVn (X) (en développant par rapport à
une ligne ou une colonne) et une autre pour Tn (X).
Rappelons le
Théorème 3.3.5 (fondamental de l’algèbre (ou théorème de d’Alembert))
Tout polynôme complexe non constant admet une racine dans C.
admettons ...
Corollaire [Link] Toute matrice A ∈ Mn (C), n ≥ 1, tout endomorphisme
u d’un espace vectoriel complexe de dimension finie admet au moins une
valeur propre.
Démonstration : Le polynôme caractéristique de A (ou de u) est un
polynôme complexe non constant donc admet (au moins) une racine λ ∈ C.
Alors, λ est une valeur propre de A (ou de u). Q.e.d.

Corollaire [Link] Soit A une matrice réelle. Alors, A possède un sous-

espace invariant de dimension 1 ou 2.
Démonstration : Soit n ≥ 1. Comme A ∈ Mn (R) ⊆ Mn (C), A possède
une valeur propre λ = a + ib ∈ C, a, b réels, et un vecteur propre associé
Z = X + iY ∈ Cn \ {0} où X, Y ∈ Rn .
Alors :
AZ = λZ ⇔ AX + iAY = (aX − bY ) + i(bX + aY )
⇔ AX = aX − bY et AY = bX + aY
et en particulier le sous-espace (réel) hX, Y i est stable par A. Or X ou Y 6= 0
donc hX, Y i est de dimension 1 ou 2. Q.e.d.

3.4 Espaces propres

K
Définition 26 Soit A ∈ Mn ( ) (ou soit u un endomorphisme de E). Soit
λ∈ K une valeur propre de A (ou de u). L’espace propre de A associé à la
valeur propre λ est le sous-espace vectoriel :
Eλ (A) := ker(A − λIn ) = {X ∈ Kn : AX = λX}
(version pour l’endomorphisme u :
Eλ (u) := ker(u − λIn ) = {x ∈ E : u(x) = λx} )
50 CHAPITRE 3. VALEURS PROPRES, VECTEURS PROPRES

Remarque : [s] — Si λ est une valeur propre de A, l’espace propre associé

Eλ (A) est de dimension ≥ 1 ;
— L’espace propre Eλ (A) est invariant par A. En effet :

X ∈ ker(A − λIn ) ⇒ A(AX) = A(λX) = λ(AX)

⇒ AX ∈ ker(A − λIn ) .

Théorème 3.4.1 Soit u un endomorphisme de E. Soient λ1 , ..., λr r valeurs

propres distinctes de u. Alors les espaces propres associés Eλ1 , ..., Eλr sont
en somme directe i.e. :

Eλ1 + .... + Eλr = Eλ1 ⊕ .... ⊕ Eλr .

Remarque : On en déduit que le nombre de valeurs propres est ≤ dim E

car :

dim E ≥ dim Eλ1 ⊕ .... ⊕ Eλr = dim Eλ1 + ... + dim Eλr ≥ r .

Rappels sur les sommes directes

Définition 27 On dit que E1 , ..., Er des sous-espaces de E sont en somme
directe si :
∀
v1 ∈ E1 , ..., ∀ vr ∈ Er , v1 + ... + vr = 0 ⇒ v1 = ... = vr = 0

notation :
E1 + ... + Er = E1 ⊕ ... ⊕ Er .

Remarque : Si r = 2, E1 et E2 sont en somme directe si et seulement

si E1 ∩ E2 = {0}.

Exercice 12 E1 , ..., Er sont en somme directe ⇔ :

r
∀
X
1 ≤ i ≤ r, Ei ∩ ( Ej ) = {0} .
j=1
j6=i

Exemple : Si e1 , ..., en est une famille libre de E (par exemple une base),
K K
alors les droites e1 , ..., en sont en somme directe.
Il est facile de calculer la dimension d’une somme directe :
3.4. ESPACES PROPRES 51

Proposition 3.4.2 Si E1 , ..., Er sont des sous-espaces de E en somme di-

recte, alors :

dim(E1 + ... + Er ) = dim E1 + ... + dim Er .

Démonstration : Soient B1 , ..., Br des bases respectives de E1 , ..., Er .

Alors les Bi sont deux à deux disjointes et B1 ∪ ... ∪ Br est une base de
E1 + ... + Er donc :

dim E1 ⊕ ... ⊕ Er = B1 ∪ ... ∪ Br

= B1 +...+ Br

dim E1 + ... + dim Er .

Q.e.d.

Démonstration du théorème : Par récurrence sur r ≥ 1. Si r = 1, il n’y

a rien à démontrer.
Soient v1 ∈ Eλ1 , ..., vr ∈ Eλr tels que

(3.1) v1 + ... + vr = 0

alors si on applique u, on trouve :

(3.2) u(v1 ) + ... + u(vr ) = 0

(3.3) ⇔ λ1 v1 + ... + λr vr = 0
mais alors (3.1) - λ1 3.3) donne :

(λ2 − λ1 )v2 + ... + (λr − λ1 )vr = 0

⇒(hypothèse de récurrence de rang r − 1)⇒ :

(λ2 − λ1 )v2 = ... = (λr − λ1 )vr = 0

⇒ v2 = ... = vr = 0
car λ2 − λ1 , ..., λr − λ1 6= 0.
On a donc aussi : v1 = −v2 − ... − vr = 0. Q.e.d.
52 CHAPITRE 3. VALEURS PROPRES, VECTEURS PROPRES

K
Corollaire [Link] Soit A ∈ Mn ( ). Si le polynôme caractéristique de A
K K
possède n racines distinctes dans , alors il existe une base de n formée de
vecteurs propres de A.

Démonstration : Soient λ1 , ..., λn ∈ K

les n−racines distinctes de
χA (X). Ce sont aussi n valeurs propres de A. Notons Eλ1 ,...,Eλn les espaces
propres associés. Alors : Eλ1 + ... + Eλn ⊆ E et :

dim(Eλ1 + ... + Eλn ) = dim(Eλ1 ⊕ ... ⊕ Eλn )

= dim Eλ1 + ... + dim Eλn ≥ n = dim Kn

donc :
∀
1 ≤ i ≤ n, dim Eλi = 1 et Eλ1 ⊕ ... ⊕ Eλn = Kn .
Pour tout i, soit ei un vecteur non nul tel que :

Eλi = Ke i
alors les vecteurs ei sont des vecteurs propres de A (de valeurs propres λi ) et

Ke1 + ... + Ken = Ke1 ⊕ ... ⊕ Ken = Kn

signifie que les ei forment une base de Kn . Q.e.d.

Remarque : Bien entendu la réciproque est fausse car par exemple si

n ≥ 2, il existe toujours une base formée de vecteurs propres de In mais son
polynôme caractéristique, χIn (X) = (X − 1)n n’a qu’une seule racine : 1.

Définition 28 (diagonalisable) On dit qu’une matrice A (resp. un endo-

K
morphisme u de E) est diagonalisable s’il existe une base de n (respective-
ment de E) formée de vecteurs propres de A (respectivement de u).

Remarque : Si u est diagonalisable et si on note λ1 , ..., λr ses valeurs propres

distinctes, alors :

ker(u − λ1 IdE ) ⊕ .... ⊕ ker(u − λr IdE ) = E

(car tout vecteur de E est combinaison linéaire de vecteurs propres de u donc

est une somme de vecteurs appartenant aux espaces propres ker(u − λi )) et
réciproquement, si :

ker(u − λ1 IdE ) ⊕ .... ⊕ ker(u − λr IdE ) = E

3.4. ESPACES PROPRES 53

alors, il existe une base de E formée de vecteurs propres de u (il suffit de

mettre « bout à bout » des bases des espaces propres ker(u − λi IdE )).
En bref :

u est diagonalisable ⇔ ker(u − λ1 IdE ) ⊕ .... ⊕ ker(u − λr IdE ) = E .

Si A est une matrice diagonalisable et si P est une matrice de passage de la

K
base canonique de n dans une base de vecteurs propres, v1 , ..., vn alors

A = P DP −1

où D est une matrice diagonale : si λ1 , ..., λn sont les valeurs propres corres-
pondant respectivement aux vecteurs v1 , ..., vn , alors :
 
λ1
 
D=


 .
λn

K
Diagonaliser une matrice A ∈ Mn ( ) signifie trouver, si elles existent,
K K
P ∈ GLn ( ), D ∈ Mn ( ) diagonale telles que :

A = P DP −1 .

Exemple : — Toute matrice réelle 2 × 2 symétrique :

 
 a b 
 
b d

est diagonalisable (exo)

— projections : On suppose que E = F ⊕ G. On définit la projection
sur F suivant G par :

p : E → E , |{z}
x ⊕ y 7→ x .
|{z}
∈F ∈G

Il est facile de voir que :

F = ker(p − IdE ) = E1 (p) et G = ker p = E0 (p)

donc p est diagonalisable. Remarquer aussi que p2 = p. En fait, récipro-

quement, si p est un endomorphisme de E tel que p2 = p alors p est une
projection sur un certain sous-espace suivant un autre certain sous-espace.
54 CHAPITRE 3. VALEURS PROPRES, VECTEURS PROPRES

— réflexions : On suppose encore que E = F ⊕G. On définit la réflexion

par rapport à F suivant G par :

r : E → E , |{z}
x ⊕ y 7→ x − y
|{z}
∈F ∈G

c’est un endomorphisme de E tel que : r2 = IdE . Il est facile de voir :

F = ker(r − IdE ) = E1 (r) et G = ker(r + IdE ) = E−1 (r) .

Vérifier que si r est un endomorphisme de E vérifiant r2 = IdE ( = Q, R K

ou C), alors r est une réflexion par rapport à un certain sous-espace et suivant
un certain autre sous-espace.
— La matrice de permutation circulaire
 
0< 0 1
<<
 1 <<
 
 == << 0
<
 0 === << K

J= ∈ Mn ( )
 
 == == <<

= = <

== == << 
 

0 0 1 0
est diagonalisable sur C de valeurs propres
2π 2(n−1)π
1, ei n , ..., ei n

les racines n−ièmes de l’unité. (exo) : Trouver une base de vecteurs propres.

3.5 Un premier critère de diagonalisabilité

Rappels sur les polynômes
Définition 29 Un polynôme à coefficients dans K est une suite
a0 , a1 , a2 , ...

dont tous les termes sont nuls à partir d’un certain rang et qui est notée :

a0 + a1 X + a2 X 2 + ...

Le degré du polynôme
P (X) = a0 + a1 X + ...
est le plus grand entier n, noté deg P , tel que an 6= 0. On prend pour conven-
tion deg 0 = −∞.
3.5. UN PREMIER CRITÈRE DE DIAGONALISABILITÉ 55

Si P (X) = a0 + a1 X + ... et Q(X) = b0 + b1 X + ... sont des polynômes,

on définit leur produit :

P (X)Q(X) := a0 b0 + (a0 b1 + a1 b0 )X + ... + (a0 bk + a1 bk−1 + ... + ak b0 )X k + ...

On note K[X] la K−algèbre des polynômes à coefficients dans K.

Remarque : [importante] On peut attribuer une valeur à X : si P (X) =
K
a0 + ... + ad X d , si λ ∈ , on définit :

P (λ) := a0 + ... + ad λd ∈ K.
Remarque : Pour tous polynômes P (X), Q(X) à coefficients dans K,
deg(P Q) = deg P + deg Q.

Proposition 3.5.1 (intégrité) Soient P (X), Q(X) ∈ K[X]. Si P (X)Q(X) =

0, alors P (X) = 0 ou Q(X) = 0.

Démonstration : Si P (X) 6= 0 et Q(X) 6= 0, alors, deg(P Q) =

deg P + deg Q ≥ 0 donc P (X)Q(X) 6= 0. Q.e.d.

Divisibilité, racines, multiplicité

K
Définition 30 Si P (X), Q(X) ∈ [X], on dit que Q divise P (dans K[X])
si
P (X) = B(X)Q(X)
pour un certain polynôme B(X) ∈ K[X]. Notation :
Q|P

remarque :
Q|P ⇒ deg Q ≤ deg P .

Formule de Taylor :
Pour tout P (X) ∈ K[X], pour tout λ ∈ K, il existe (une unique) suite
a0 , ..., ad telle que :

P (X) = a0 + a1 (X − λ) + ... + ad (X − λ)d

Bien entendu, a0 = P (λ). On dit que λ est une racine de P si P (λ) = 0

i.e. si (X − λ)|P (X).
56 CHAPITRE 3. VALEURS PROPRES, VECTEURS PROPRES

Si P (X) 6= 0, on appelle multiplicité de λ dans P le plus petit entier i tel

que ai 6= 0.
Autrement dit la multiplicité de λ dans P est le plus grand entier i tel
que (X − λ)i |P (X).
Notation : multλ P := la multiplicité de λ dans P . Remarque : Soient
K K
P ∈ [X], λ ∈ . On a l’équivalence :

λ racine de P ⇔ multλ P ≥ 1 .

Exercice 13 Multiplicité du produit :

∀
P, Q ∈ K[X], ∀λ ∈ K, multλ(P Q) = multλP + multλQ
Remarque : [multiplicité] Si λ1 , ..., λr sont deux à deux distincts et si :

P (X) := (X − λ1 )m1 ...(X − λr )mr

alors mi est la multiplicité de λi dans P (X), pour tout i. En effet, par exemple
pour i = 1, d’après l’exercice précédent,

multλ1 P = m1 multλ1 (X − λ1 ) +... + mr multλ1 (X − λr )

| {z } | {z }
=1 =0

=1 .

Exercice 14 Si K = C montrer que :

X
multλ P = deg P
λ∈C

pour tout polynôme non nul P .

Définition 31 (scindé) Un polynôme P (X) est scindé sur K si :

P (X) = ad (X − λ1 )...(X − λd )

pour certains λi ∈ K et un ad ∈ K. Souvent, on regroupe les racines égales

et on écrit :
P (X) = ad (X − λ1 )m1 ...(X − λr )mr
avec les λi deux à deux distinctes et des entiers mi ≥ 1.

Exemple : D’après le théorème de d’Alembert, tous les polynômes sont

scindés sur C.
3.5. UN PREMIER CRITÈRE DE DIAGONALISABILITÉ 57

*
Pour énoncer un premier critère de diagonalisation des endomorphismes
on aura besoin du lemme suivant :

Lemme 3.5.2 Soit u un endomorphisme de E. On suppose E de dimension

finie et on suppose aussi qu’il existe un sous-espace F de E invariant par u.
Notons χu|F le polynôme caractéristique de la restriction à F . Alors :
χu|F (X)|χu (X)
dans K[X].
Démonstration : Soit e1 , ..., ek une base de F que l’on complète en une
base de E :
e1 , ..., en
alors la matrice de u dans la base e1 , ..., en est de la forme :
 
Oo / o n−k /
k
 
 k
A B 

 
O
 
 
 
 n−k
0 D 

 

(où A est la matrice de u|F dans la base e1 , .., ek ). Mais alors :

XIk − A −B
χu (X) = = dét (XIk − A)dét (XIn−k − D)
0 XIn−k − D

= χu|F dét (XIn−k − D) .

Q.e.d.

Définition 32 (multiplicités algébrique et géométrique) Soit A ∈ Mn ( ). K

K
Soit λ ∈ . On notera ma (λ) la multiplicité de λ dans le polynôme caracté-
ristique de A, χA (X) :
ma (λ) := le plus grand entier m tel que (X − λ)m |χA (X)
c’est la multiplicité algébrique de λ. On notera :
mg (λ) := dimK ker(A − λIn )
c’est la multiplicité géométrique de λ.
58 CHAPITRE 3. VALEURS PROPRES, VECTEURS PROPRES

K
Corollaire [Link] Soit A ∈ Mn ( ) ou soit u un endomorphisme de E, si
E est de dimension finie. Pour tout λ ∈ , K
mg (λ) ≤ ma (λ) .

Exemple : Si
 
0 < 1 = 0 == 0
=
<< = =
 << == == 
<< ==
K
 
<< == 0 
 
A= << =  ∈ Mn ( )


 << 

 << 1 

0 0

alors χA (X) = (X − 1)n et mg (1) = 1 < ma (1) = n.

Si A = In , alors : χA (X) = (X − 1)n et mg (1) = ma (1) = n.
Démonstration : Soit λ une valeur propre de u. Posons F := ker(u−λ)
l’espace propre associé.
Alors F est stable par u :
en effet, si x ∈ F , alors :

u(u(x)) = u(λx) = λu(x)

donc u(x) ∈ F .
Donc d’après le lemme 3.5.2,

χu|F (X) χu (X)

or :
∀
x ∈ F , u(x) = λx
donc u|F = λIdF et
χu|F (X) = (X − λ)dim F
= (X − λ)mg (λ)
et finalement,

(X − λ)mg (λ) χu (X) ⇒ mg (λ) ≤ ma (λ) .

Q.e.d.

Voici un premier critère de diagonalisabilité :

3.5. UN PREMIER CRITÈRE DE DIAGONALISABILITÉ 59

Théorème 3.5.3 Soit A ∈ Mn (K) (respectivement u un endomorphisme de

E avec E de dimension finie). Alors :

K;

i) χA (X) est scindé sur




K



A (respectivement u) est diagonalisable sur ⇔ et



ii)∀ λ, valeur propre de A, ma (λ) = mg (λ) .




Démonstration : ⇒ : Supposons u diagonalisable. Soient λ1 , ..., λr les

valeurs propres distinctes de u. Comme :

ker(u − λ1 IdE ) ⊕ ... ⊕ ker(u − λr IdE ) = E ,

si on choisit des bases B1 de ker(u − λ1 IdE ), ..., Br de ker(u − λr IdE ), on

obtient une base B1 ∪ ... ∪ Br de E dans laquelle la matrice de u est :
 
 λ1 In1 
..
 
Mat(u) = 
 .


 
 
λr Inr

où ni = mg (λi ) = dim ker(u − λi IdE ) pour tout i. Donc :

χu (X) = (X − λ1 )n1 ...(X − λr )nr .

Par conséquent le polynôme χu (X) est scindé sur K et :

∀
i, ma (λi ) = ni = mg (λi ) .

⇐ : Supposons que :

χu (X) = (X − λ1 )n1 ...(X − λr )nr

pour certains λi ∈ K, deux à deux distincts et certains entiers ni ≥ 1.

Comme :

ker(u−λ1 IdE )+...+ker(u−λr IdE ) = ker(u−λ1 IdE )⊕...⊕ker(u−λr IdE ) ⊆ E ,

on a :

mg (λ1 ) + ... + mg (λr ) = dim (ker(u − λ1 IdE ) + ... + ker(u − λr IdE ))

≤ dim E .
60 CHAPITRE 3. VALEURS PROPRES, VECTEURS PROPRES

Or, pour tout i, mg (λi ) = ma (λi ) = ni et

n1 + ... + nr = deg χu = dim E

en conséquence :

dim (ker(u − λ1 IdE ) + ... + ker(u − λr IdE )) = dim E

et forcément,

ker(u − λ1 IdE ) + ... + ker(u − λr IdE ) = E .

Q.e.d.

Exemple : Si n ≥ 2, la matrice :
 
0 < 1 = 0 == 0
<< == =
 << == == 
<< ==
 
<< == 0 
 
<< = 


 << 

 << 1 

0 0

n’est jamais diagonalisable car mg (1) = 1 < ma (1) = n.

Méthode pour diagonaliser

Soit A une matrice carrée complexe n × n. Pour la diagonaliser :
— on calcule d’abord son polynôme caractéristique χA (X) ;
— on cherche les racines de χA (X) : ce sont les valeurs propres de A ;
— pour toute valeur propre λ de A, on cherche une base de ker A − λIn
i.e. on cherche une base de l’espace des solutions du système :

AX = λX

— si pour toute valeur propre λ de A, dim ker(A − λIn ) = ma (λ), A est

diagonalisable et une réunion des bases des espaces propres forme une base
de vecteurs propres.

3.6 Trigonalisation
Définition 33 On dit qu’une matrice A ∈ Mn (K) (respectivement un en-
domorphisme u de E, si E est de dimension finie) est trigonalisable sur K
3.6. TRIGONALISATION 61

(on devrait dire triangularisable mais ce terme signifie déjà autre chose) si
A est semblable à une matrice triangulaire supérieure c-à-d :
∃
K K
P ∈ GLn ( ), T ∈ Mn ( ), ∀ n ≥ i > j ≥ 1, Ti,j = 0 et A = P T P −1

(respectivement il existe une base de E où la matrice de u est triangulaire

supérieure).

Exercice 15 Toute matrice triangulaire inférieure est trigonalisable (si T

est triangulaire inférieure, w0 T w0−1 est triangulaire supérieure où :
 
0 0 1
  
  

 0
    


w0 :=  .
 0  
 
 

   
1 0 0

K
Théorème 3.6.1 Soit A ∈ Mn ( ). Alors A est trigonalisable ⇔ χA (X) est
scindé sur . K
Démonstration : ⇒ : Deux matrices semblables ont le même polynôme
caractéristique donc il suffit de montrer que χT (X) est scindé pour toute
matrice triangulaire supérieure T ; ce qui est facile.
⇐ : On raisonne aves u un endomorphisme de E (et on suppose E de
dimension finie). Par récurrence sur dim E. Si dim E = 1, il n’y a rien à
démontrer. Si dim E > 1, alors comme χu (X) est scindé,

χu (X) = (X − λ1 )...(X − λn )

où n = dim E et où les λi ∈ K ne sont pas forcément distincts. Soit e1 un

vecteur propre associé à la valeur propre λ1 . On complète e1 en une base :
e1 , ..., en . Dans cette base, la matrice de u est de la forme :
 
 λ1 ... 
 
0 B

K
où B ∈ Mn−1 ( ). En particulier,

χu (X) = (X − λ1 )χB (X)

⇒ χB (X) = (X − λ2 )...(X − λn )
62 CHAPITRE 3. VALEURS PROPRES, VECTEURS PROPRES

K
est scindé sur . Par hypothèse de récurrence, il existe S ∈ Mn−1 ( ) uneK
K
matrice triangulaire supérieure et Q ∈ GLn−1 ( ) une matrice inversible telles
que :
B = QSQ−1
alors, on peut vérifier que :
 
λ1 ...
Mat(u) = 



−1
0 QSQ
 
λ1 ...  −1
=P
 P
0 S
pour la matrice inversible :
 
1 0 
P :=   .

0 Q

Donc la matrice de u dans la base e1 , ..., en est semblable à une matrice

triangulaire supérieure :  
 λ1 ... 
 
0 S
donc u est trigonalisable. Q.e.d.

Corollaire [Link] Sur C toutes les matrices sont trigonalisables.

Relations entre les valeurs propres et les invariants

Soit A ∈ Mn (C). Alors A est semblable à une matrice triangulaire supé-
rieure de la forme :  
λ1
 
0 ??
 
(3.4) ??
 
??
 
 
 
0 0 λn
donc :
χA (X) = (X − λ1 )...(X − λn )
ainsi les coefficients diagonaux de (3.4) ne dépendent que de A :
ce sont les valeurs propres de A comptées avec leur multiplicité algébrique.
3.6. TRIGONALISATION 63

Exercice 16 Vérifier que

dét A = λ1 ...λn
∀
k ≥ 1, trAk = λk1 + ... + λkn .

On peut en déduire la belle formule suivante :

∃
 > 0, ∀ |t| <  ,
∞
X tr(Ak ) k
la série t converge, la matrice In − tA est inversible et :
k=1 k
P 
∞ trAk k
k=1 k
t 1
e = .
dét (In − tA)
64 CHAPITRE 3. VALEURS PROPRES, VECTEURS PROPRES
Chapitre 4

Polynômes d’endomorphismes

Soit u un endomorphisme d’un espace vectoriel E sur K. Soit A ∈ Mn(K).

4.1 Définition
On remplace X k par uk (ou Ak ) et 1 par IdE (ou In ).
K
Soit P (X) = a0 + a1 X + a2 X 2 + ... ∈ [X] un polynôme. On pose :

P (u) := a0 IdE + a1 u + a2 u2 + ... et P (A) := a0 In + a1 A + a2 A2 + ...

Proposition 4.1.1 L’application :

K[X] → Mn(K) , P (X) 7→ P (A)

est un morphisme d’algèbres i.e. : c’est linéaire et :
∀
P, Q ∈ K[X] , (P Q)(A) = P (A)Q(A)
de même l’application :

K[X] → EndK(E) , P (X) 7→ P (u)

est aussi un morphisme d’algèbres.

Démonstration : Si P (X) = a0 + a1 X + ... et Q(X) = b0 + b1 X + ...,

alors P Q(X) = a0 b0 + (a0 b1 + a1 b0 )X + .... Donc :

(P Q)(A) = a0 b0 In + (a0 b1 + a1 b0 )A + ...

= (a0 In + a1 A + ...)(b0 In + b1 A + ...)

65
66 CHAPITRE 4. POLYNÔMES D’ENDOMORPHISMES

= P (A)Q(A) .

Q.e.d.

Remarque : [importante] En particulier, pour tous P, Q ∈ K[X], les

matrices P (A) et Q(A) commutent :

P (A)Q(A) = Q(A)P (A)

de même les endomorphismes P (u) et Q(u) commutent.

Exemple : — Polynôme d’une diagonale :
 
λ1
 
D := 



λn

on a :  
P (λ1 )
 
P (D) = 
 

 
P (λn )

K
pour tout polynôme P (X) ∈ [X].
— polynôme et conjugaison : Si Q est inversible, si A = QA0 Q−1 ,
K
alors pour tout polynôme P (X) ∈ [X], P (A) = QP (A0 )Q−1 .

Exercice 17 Montrer que plus généralement, pour une matrice triangulaire :

 
λ1
 
T := 



λn

on a :  
P (λ1 )
 
P (T ) = 
 

 
P (λn )

K
pour tout polynôme P (X) ∈ [X] (les coefficients hors de la diagonale
peuvent avoir une expression compliquée mais les coefficients diagonaux sont
obtenus simplement en leur appliquant le polynôme P ).
4.2. THÉORÈME DE CAYLEY-HAMILTON 67

4.2 Théorème de Cayley-Hamilton

Définition 34 On dit qu’un polynôme P (X) est un polynôme annulateur de
la matrice A ou de l’endomorphisme u si P (A) = 0, ou si P (u) = 0.

Exemple : — Si p : E → E est une projection, X 2 − X est un polynôme

annulateur de p car p2 = p.
— Si r : E → E est une réflexion, X 2 − 1 est un polynôme annulateur de
r car r2 = IdE .
Où chercher les valeurs propres, connaissant un polynôme annulateur mais
ne connaissant pas le polynôme caractéristique ?

Proposition 4.2.1 Si P est un polynôme annulateur de u, respectivement

de A, alors :
Sp(u) ⊆ { racines de P }
respectivement
Sp(A) ⊆ { racines de P } .

Démonstration : Si x est un vecteur propre de u associé à une valeur

propre λ, alors :

u(x) = λx ⇒ ∀ k ≥ 0 , uk (x) = λk x

et plus généralement :
Q(u)(x) = Q(λ)x
pour tout polynôme Q(X). En particulier : P (u)(x) = 0 ⇒ P (λ)x = 0
⇒ P (λ) = 0 car x 6= 0. Q.e.d.

Théorème 4.2.2 (de Cayley-Hamilton) Si E est de dimension finie,

χu (u) = 0

de même χA (A) = 0.

Exemple : — Si :
   
0 < 1 = 0 == 0 0< 0 1
<< == = <<
 << == ==   1 <<
 
<< ==  == << 0
K
 
<< == 0  <
 0 === <<
  
N := 
<< =  et J :=  
∈ Mn ( ) ,
 == == <<
 
 << 
= = <


 << 1 


 == == << 


0 0 0 0 1 0
68 CHAPITRE 4. POLYNÔMES D’ENDOMORPHISMES

alors : χN (X) = X n et χJ (X) = X n − 1 et on a bien N n = 0 et J n = In .

Démonstration (s) du théorème :
1ère démonstration (algébrique) :
K
Notons B(X) ∈ Mn ( [X]) la transposée de la comatrice de XIn − A.
Tous les coefficients de la matrice B(X) sont des polynômes à coefficients
dans K
de degré ≤ n − 1. Il existe donc des matrices :

K
B0 , ..., Bn−1 ∈ Mn ( )

telles que :
B(X) = B0 + XB1 + ... + X n−1 Bn−1 .
On a alors :
B(X)(XIn − A) = dét (XIn − A)In
⇔ (B0 + XB1 + ... + X n−1 Bn−1 )(XIn − A) = χA (X)In
(on développe la partie gauche)

⇔ −B0 A+X(B0 −B1 A)+X 2 (B1 −B2 A)+...+X n−1 (Bn−2 −Bn−1 A)+X n Bn−1

(4.1) = χA (X)In

Notons c0 , ..., cn ∈ K les coefficients du polynôme caractéristique :

χA (X) = c0 + ... + cn X n

(c0 = ±dét A, cn = 1) On a donc d’après (4.1) :

−B0 A = c0 In

B0 − B1 A = c1 In
...
Bn−1 = cn In
et donc :
χA (A) = c0 In + c1 A + ... + cn An
= −B0 A+(B0 −B1 A)A+(B1 −B2 A)A2 +...+(Bn−2 An−1 −Bn−1 )An−1 +Bn−1 An
=0
car « tout se simplifie » .
4.2. THÉORÈME DE CAYLEY-HAMILTON 69

2ème démonstration (avec les matrices compagnons) : On suppose

E de dimension finie n. Soit u un endomorphisme de E. Soit v un vecteur
non nul de E. Soit 1 ≤ k ≤ n le plus grand entier tel que la famille :

v, u(v), ..., uk−1 (v)

soit libre. Alors forcément, la famille

v, u(v), ..., uk−1 (v), uk (v)

est liée et
uk (v) + ck−1 uk−1 (v) + ... + c0 v = 0
K
pour certains coefficients c0 , ..., ck−1 ∈ .
Posons : F := hv, u(v), ..., uk−1 (v)i. C’est un sous-espace vectoriel de E
(de dimension k) stable par u. De plus la matrice de la restriction u|F dans
la base
v, u(v), ..., uk−1 (v)
est la matrice :
−c0
 
08 0
 88
 1 88

 8 88

 88 8

8 8
 0 6 88 888

A :=
 
 66 88

66 88

66 88 0
 
 
 
0 0 1 −cn−1
C’est une matrice compagon donc :

χA (X) = X k + ck−1 X k−1 + ... + c0 .

D’après le lemme 3.5.2, χA (X) divise χu (X) c-à-d :

χu (X) = Q(X)χA (X)

pour un certain polynôme Q(X) ∈ K[X]. On a alors :

χu (u)(v) = Q(u)χA (u)(v)

= Q(u)(uk (v) + ck−1 uk−1 (v) + ... + c0 v)

= Q(u)(0) = 0
finalement χu (u)(v) = 0 pour tout vecteur v de E et χu (u) = 0.
3ème démonstration (par les matrices triangulaires) :
70 CHAPITRE 4. POLYNÔMES D’ENDOMORPHISMES

Supposons que T est une matrice triangulaire :

 
t1
 
T =


 .
tn
Soient    
 1   0 
 . 
 . 
 
 0   . 
 
e1 =  .  , ..., en = 
  
 .. 
 
 0 
   
   
0 1
les vecteurs de la base canonique de Kn. On pose aussi :
Vk := he1 , ..., ek i
si 1 ≤ k ≤ n et V0 := 0. On a alors :
∀
1 ≤ k ≤ n, (T − tk In )(Vk ) ⊆ Vk−1
donc :
(T − t1 In )...(T − tn In )( Kn) = (T − t1In)... (T
|
− tn In )(Vn )
{z }
⊆Vn−1

⊆ (T − t1 In )... (T − tn−1 In )(Vn−1 )

| {z }
⊆Vn−2

⊆ (T − t1 In )... (T − tn−2 In )(Vn−2 )

| {z }
⊆Vn−3

... ⊆ (T − t1 In )(V1 ) ⊆ V0 = 0
donc : (T − t1 In )...(T − tn In ) = 0.
Or, χT (X) = (X − t1 )...(X − tn ). Donc :
χT (T ) = (T − t1 In )...(T − tn In ) = 0 .
Soit A ∈ Mn (C). On sait que A est trigonalisable c-à-d :
∃
K
P ∈ GLn ( ), ∃ T triangulaire supérieure, A = P T P −1 .
Mais alors χT (X) = χA (X) et :
χA (A) = P χA (T )P −1 = P χT (T )P −1 = 0 .
Q.e.d.
4.3. POLYNÔMES ANNULATEURS 71

4.3 Polynômes annulateurs

Un polynôme annulateur d’un endomorphisme u de E est un polynôme
K
P ∈ [X] tel que P (u) = 0. Par exemple, en dimension finie : χu (X). Un
polynôme minimal de u est un polynôme annulateur de u, non nul, de degré
minimal.
Exemple : Des polynômes minimaux des matrices :
 
0 < 1 = 0 == 0
<< == =
 << == == 
<< ==
K
 
<< == 0 
 
O, In , N := << =  ∈ Mn ( ),


 << 

 << 1 

0 0

sont respectivement : X, X − 1, X n .
Rappels sur la division euclidienne :
K
Soient P, Q deux polynômes dans [X]. Si Q 6= 0, alors il existe un
unique couple (B, R) tels que :

B, R ∈ K[X], P = BQ + R et deg R < deg Q

(R peut éventuellement être nul).
Démonstration : Unicité : si B0 Q + R0 = B1 Q + R1 = P et
deg R0,1 < deg Q , alors R0 − R1 = (B0 − B1 )Q et deg(R0 − R1 ) < deg Q ;
donc forcément, R0 − R1 = 0 et R0 = R1 ⇒ B0 = B1 .
Existence : On raisonne par récurrence sur le degré de P . Si deg P <
deg Q, il suffit de choisir B = 0 et R = P . Sinon :

P = a0 + ... + ap X p , Q = b0 + ... + bq X q

K
avec ai , bj ∈ , ap , bq 6= 0, p ≥ [Link] suffit alors d’appliquer l’hypothèse de
récurrence au polynôme
ap
P − X p−q
bq
dont le degré est < deg P . Q.e.d.

Proposition 4.3.1 Soit mu (X) un polynôme minimal de u. Alors, mu di-

vise tous les polynômes annulateurs de u.
72 CHAPITRE 4. POLYNÔMES D’ENDOMORPHISMES

Démonstration : Si P (u) = 0, on fait la division euclidienne de P par

mu :
P = Bmu + R
où deg R < deg mu . On a :

0 = P (u) = B(u)mu (u) +R(u) ⇒ R(u) = 0

| {z }
=0

et R(X) est un polynôme annulateur de u de degré deg mu . Forcément, R = 0

et mu (X)diviseP (X). Q.e.d.

Il existe donc au plus un unique polynôme minimal unitaire (i.e. son

coefficient de plus haut degré vaut 1) de u (exo)c’est LE polynôme minimal
de u.
Remarque : Si E est de dimension finie, χu (X) est un polynôme annu-
lateur de u (non nul) donc dans ce cas, le polynôme minimal existe toujours
de plus :
mu (X) divise χu (X)
K
dans [X].
On définit de même les polynômes annulateurs et le polynôme minimal
d’une matrice A ∈ Mn ( ).K
Exercice 18 Si E est de dimension finie, le polynôme minimal de u coïncide
avec le polynôme minimal de sa matrice dans n’importe quelle base de E.

Proposition 4.3.2 Soit P un polynôme annulateur de u un endomorphisme

de E. Alors, pour tout λ ∈ Sp(u), P (λ) = 0. En particulier si le polynôme
minimal mu existe, mu (λ) = 0 pour toute valeur propre λ de u.

Démonstration : Si u(x) = λx, 0 6= x ∈ E. Alors, 0 = P (u)(x) =

P (λ)x ⇒ P (λ) = 0. Q.e.d.

Proposition 4.3.3 Les racines de mu (X) sont exactement les valeurs propres
de u c-à-d (si mu (X) existe) :
∀
λ∈ K, mu (λ) = 0 ⇔ λ ∈ Sp(u) .

Démonstration : Il suffit de démontrer que si mu (λ) = 0, alors λ est

une valeur propre de u. Or dans ce cas, mu (X) = (X − λ)Q(X) pour un
certain polynôme Q(X) de degré < deg mu (X). Donc :

0 = mu (u) = (u − λIdE )Q(u) .

4.3. POLYNÔMES ANNULATEURS 73

Forcément Q(u) 6= 0 par minimalité de mu . Donc u − λIdE n’est pas injective

et donc λ est une valeur propre de u. Q.e.d.

Comment trouver le polynôme minimal d’une matrice ?

K
Théorème 4.3.4 Soit A ∈ Mn ( ). On suppose que le polynôme caractéris-
tique est scindé :

χA (X) = (X − λ1 )m1 ...(X − λr )mr

où m1 , ..., mr ≥ 1, λ1 , ..., λr ∈ K, sont deux à deux distincts. Alors :

mA (X) = (X − λ1 )k1 ...(X − λr )kr

pour certains entiers : 1 ≤ ki ≤ mi , i = 1, ..., r.

Démonstration : On note k1 , ..., kr les multiplicités de mA (X) en les

valeurs propres λ1 , ..., λr . On a déjà vu que 1 ≤ ki car mA (λi ) = 0. On a
aussi ki ≤ mi , la multiplicité de λi dans χA (X). Il reste donc à démontrer le
lemme suivant :
Lemme 4.3.5 On suppose que le polynôme P (X) divise le produit

(X − λ1 )m1 ...(X − λr )mr

K
dans [X] pour certains λi ∈ K
deux à deux distincts et certains entiers
mi ≥ 1. Alors si on note k1 , ..., kr les multiplicités respectives des λ1 , ..., λr
dans P (X), on a :

P (X) = ad (X − λ1 )k1 ...(X − λr )kr

où ad est le coefficient dominant de P .

Démonstration du lemme : On peut supposer P unitaire i.e. ad = 1. On
raisonne par récurrence sur r ≥ 0. Si r = 0, il n’y a rien à montrer. Notons
K
Q(X) ∈ [X] le quotient par P (X) :

(X − λ1 )m1 ...(X − λr )mr = P (X)Q(X) .

La multiplicité de λ1 dans Q(X) est : m1 − k1 . Donc :

P (X) = (X − λ1 )k1 Pe (X) et Q(X) = (X − λ1 )m1 −k1 Q(X)

e

d’où :
(X − λ1 )m1 ...(X − λr )mr = (X − λ1 )m1 Pe (X)Q(X)
e
74 CHAPITRE 4. POLYNÔMES D’ENDOMORPHISMES

⇔ (X − λ1 )m2 ...(X − λr )mr = Pe (X)Q(X)

e

et on applique l’hypothèse de récurrence.

Q.e.d.
Remarque : Un cas particulier important à retenir : les diviseurs unitaires
de (X − λ)n sont les (X − λ)d avec 0 ≤ d ≤ n (pour tous n ≥ 0, λ ∈ ). K
Q.e.d.

Exercice 19
     
 0 1 0 0   0 1 0 0   0 1 0 0 
     
 0 0 0 0   0 0 1 0   0 0 1 0 
     
A 

 
 
 
 


 0 0 0 1   0 0 0 0   0 0 0 1 
     
     
0 0 0 0 0 0 0 0 0 0 0 0
χA (X) X4 X4 X4
mA (X) X2 X3 X4

Exercice 20 (Polynôme minimal d’une diagonale) Soit

 
λ1
 
D := 



λn

alors mD (X) = λ∈Sp(D) (X − λ) où Sp(D) = {λ1 , ..., λn } et les valeurs

Q

propres sont comptées sans multiplicité.

Nouveau critère de diagonalisabilité

K
On dit qu’un polynôme P (X) ∈ [X] est scindé à racines simples dans
K s’il se factorise en :

P (X) = ad (X − λ1 )...(X − λr )

où 0 6= ad ∈K et λ1, ..., λr ∈ K sont deux à deux distincts.

Théorème 4.3.6 Une matrice A ∈ Mn (K) est diagonalisable sur K si et
seulemnt si son polynôme minimal est scindé à racines simples sur K.

Démonstration : ⇒ : Si A est diagonalisable, A est semblable à une

diagonale. Or deux matrices semblables ont le même polynôme minimal (exo).
4.3. POLYNÔMES ANNULATEURS 75

Donc il suffit de calculer le polynôme minimal d’une matrice diagonale ce qui

est l’objet d’un exercice précédent.
⇐ : On utilise le lemme des noyaux ! Si mA (X) = (X − λ1 )...(X − λr )
K
avec λ1 , ..., λr ∈ deux à deux distincts, on a :

mA (A) = 0 ⇔ Kn = ker mA (A) = ker(A − λ1 In ) ⊕ .... ⊕ ker(A − λr In )

car les polynômes X − λi sont deux à deux premiers entre eux. En effet
K
si D(X) divise X − λi et X − λj , i 6= j dans [X], alors D(X) divise
K
X − λi − (X − λj ) = λj − λi ∈ \ {0} donc D(X) est constant. Donc A est
diagonalisable. Q.e.d.

Lemme 4.3.7 (des noyaux) Soit u un endomorphisme de E.

Soient P (X), Q(X) des polynômes premiers entre eux. ALors :

ker((P Q)(u)) = ker(P (u)) ⊕ ker(Q(u)) .

Généralisation : soient P1 , ..., Pr des polynômes deux à deux premiers

entre eux. Alors :

ker(P1 ...Pr )(u) = ker(P1 (u)) ⊕ ... ⊕ ker(Pr (u))

(énoncés similaires avec des matrices)

Démonstration :
Rappels : On dit que P (X) et Q(X) sont premiers entre eux si :

D(X) ∈ K[X] divise P (X) et Q(X) dans K[X] ⇒ D(X)constant !

En particulier, sur C, deux polynômes sont premiers entre eux si et
seulement s’ils n’ont pas de racine commune.

Proposition 4.3.8 Soient P, Q ∈ K[X] alors :

P, Q sont premiers entre eux ⇔ ∃ A, B ∈ K[X], AP + BQ = 1 .

Démonstration : ⇐ : (exo)⇒ : Soient D ∈ K[X] un polynôme non nul

de degré minimal parmi les polynômes de la forme

AP + BQ , A, B ∈ K[X] .
76 CHAPITRE 4. POLYNÔMES D’ENDOMORPHISMES

Il suffit de montrer que D est constant. On a donc D = AP + BQ. On

fait la division euclidienne de P par D :

P = CD + R

pour un certain C ∈ K[X] et un certain R ∈ K[X] de degré < deg D. Mais

alors :
R = (1 − CA)P + (−CB)Q
donc par minimalité du degré de D, R = 0 et D divise P . De même D
divise Q donc D est constant = d ∈ K \ {0}. D’où :

A B
1= P+ Q .
d d
Q.e.d.

On écrit 1 = AP + BQ pour certains polynômes A, B ∈ K[X]. On a

donc :
IdE = P (u)A(u) + Q(u)B(u) .
Soit x ∈ ker((P Q)(u)), alors :

x = P (u)A(u)(x) + Q(u)B(u)(x) .

Or,
P (u)Q(u)B(u)(x) = B(u)P (u)Q(u)(x) = 0 .
Donc Q(u)B(u)(x) ∈ ker(P (u)). De même, P (u)A(u)(x) ∈ ker(Q(u)).
Donc :
x ∈ ker(P (u)) + ker(Q(u)) .
Réciproquement, il est clair que

ker(P (u)) ⊆ ker((P Q)(u)) et ker(Q(u)) ⊆ ker((P Q)(u)) .

Donc :
ker(P Q)(u) = ker P (u) + ker Q(u)
montrons que cette somme est directe : soit x ∈ ker P (u) ∩ ker Q(u). Alors :

x = A(u)P (u)(x) + B(u)Q(u)(x) = 0 .

Pour le cas général : on raisonne par récurrence sur r :

Montrons d’abord que :

ker(P1 (u)) + ... + ker(Pr (u)) = ker((P1 ...Pr )(u)) .

4.3. POLYNÔMES ANNULATEURS 77

Soit x ∈ ker((P1 ...Pr )(u)). Alors comme P1 et P2 sont premiers entre eux,
on a :
1 = AP1 + BP2
pour certains polynômes A, B ∈ K[X]. Donc en appliquant cette égalié à u :
x = A(u)P1 (u)(x) + B(u)P2 (u)(x)

or : A(u)P1 (u)(x) ∈ ker((P2 ...Pr )(u) car :

(P2 ...Pr )(u)A(u)P1 (u)(x) = A(u)(P1 ....Pr )(u)(x) = 0 .

Donc par hypothèse de récurrence :

A(u)P1 (u)(x) ∈ ker(P2 (u)) + ... + ker(Pr (u))

et de même :

B(u)P2 (u)(x) ∈ ker(P1 (u)) + ker(P3 (u)) + ... + ker(Pr (u))

et donc :

x = A(u)P1 (u)(x) + B(u)P2 (u)(x) ∈ ker(P1 (u)) + ... + ker(Pr (u)) .

Il reste à montrer que cette somme est directe :

Supposons que
x1 + ... + xr = 0
pour certains x1 ∈ ker(P1 (u)), ..., xr ∈ ker((Pr (u)). si on applique P1 (u), on
trouve :
P1 (u)(x2 ) + ... + Pr (u)(xr ) = 0
Or, P1 (u)(x2 ) ∈ ker(P2 (u)), ..., P1 (u)(xr ) ∈ ker((Pr (u)) donc par hypo-
thèse de réurrence :

P1 (u)(x2 ) = ... = P1 (u)(xr ) = 0

Or : ker P1 (u) ∩ ker Pi (u) = 0 si i > 1 car P1 et Pi sont premiers entre eux !.
Donc :
x2 = ... = xr = 0
et forcément, x1 = 0. Q.e.d.

K
Corollaire [Link] Une matrice A ∈ Mn ( ) est diagonalisable sur si etK
seulement si elle admet un polynôme annulateur scindé à racines simples sur
K .
78 CHAPITRE 4. POLYNÔMES D’ENDOMORPHISMES

Corollaire [Link] Soit u un endomorphisme de E diagonalisable sur . Si K

F est un sous-espace de E stable par u, alors la restriction u|F est encore
diagonalisable.

Démonstration : En effet,

mu (u) = 0 ⇒ mu (u|F ) = 0 ⇒ mu|F divise mu

mais si mu est scindé à racines simples sur K, tous ses diviseurs le sont aussi
(cf. le lemme 4.3.5). Q.e.d.
Chapitre 5

Décomposition spectrale

K
Soient E = −espace vectoriel de dimension finie et u ∈ L (E).
Objectif : (si E est de dimension finie) construire base B telle que :
 
 T1 
 

 T2 

Mat(u)B = 
 ..



 . 

 
Tp

où les Ti sont des blocs triangulaires supérieures avec diagonale constante.

5.1 Sous-espaces caractéristiques

K
Définition 35 Soit λ ∈ . Un vecteur propre généralisé de u de poids λ est
un vecteur v ∈ E tel que :

(u − λIdE )m v = 0

pour un certain entier m ≥ 0. Le plus petit entier m de la sorte est appelé la

hauteur de v.

En particulier, les vecteurs propres sont des vecteurs propres généralisés

de hauteur 1. Il est bien pratique de considérer le vecteur nul comme un
vecteur propre généralisé de hauteur 0 pour tout λ ∈ . K
Exemple : Soit E := C ∞ (R) le R−espace vectoriel des fonctions réelles
infiniment dérivables. Considérons l’endomorphisme de dérivation u := D :
E → E, f 7→ f 0 . Les vecteurs propres associés à λ ∈ R sont les fonctions
(non nulles) proportionnelles à eλx et les vecteurs propres généralisés sont

79
80 CHAPITRE 5. DÉCOMPOSITION SPECTRALE

les fonctions de la forme p(x)eλx pour un certain polynôme p(x) (en effet, si
f = eλx g, alors :

(D − λIdE )m = eλx g (m) = 0 ⇔ g (m) = 0

⇔ g est un polynôme de degré ≤ m − 1 .

La hauteur d’une telle fonction eλx p(x) est deg p + 1. En particulier, les
polynômes sont les vecteurs propres généralisés associés à 0.
Remarque :
K
Si v est un vecteur propre généralisé de hauteur m associé à λ ∈ , alors

(u − λIdE )m−1 v

est un vecteur propre de poids (c-à-d de valeur propre) λ. Donc λ est une
racine du polynôme caractéristique (si E est de dimension finie).

Exercice 21 (important) L’ensemble des vecteurs propres généralisés de

poids λ et de hauteur ≤ m est un sous-espace de E, stable par u : c’est
exactement ker(u − λIdE )m .

On a une chaîne croissante de sous-espaces stables :

ker(u − λIdE ) ⊆ ker(u − λIdE )2 ⊆ ...

K
Définition 36 Soit λ ∈ . Le sous-espace caractéristique de u de poids λ
est la réunion :
E λ (u) := ∪∞
n=1 ker(u − λIdE )
n

c-à-d :
E λ (u) = {v ∈ E : ∃ m ≥ 0, (u − λIdE )m (v) = 0}
c’est un sous-espace de E stable par u.

Remarque :
La suite des dimensions est croissante :

dim ker(u − λIdE ) ≤ dim ker(u − λIdE )2 ≤ ...

En dimension finie, cette suite est stationnaire donc il existe un entier m

tel que : E λ (u) = ker(u − λIdE )m .
Nous allons maintenant voir pourquoi cette notion de sous-espace carac-
téristique est importante.
Rappelons que pour tout λ, le sous-espace E λ (u) est stable par u et donc
par tout polynôme en u.
5.1. SOUS-ESPACES CARACTÉRISTIQUES 81

Lemme 5.1.1 i) Si dim E λ (u) < ∞, alors il existe une base de E λ (u) où
la matrice de la restriction u E λ (u) est triangulaire supérieure avec λ sur la
diagonale :  
λ ==
== 
=  .


λ
ii) Pour tous µ 6= λ, (u − µIdE )m est injectif sur E λ (u).

Démonstration : i) Soit k := dim(E λ ).

Notons Vi := ker(u − λIdE )i pour tout i ≥ 0. (Donc V0 = {0}).
Soit m ≥ 0 le plus petit entier tel que Vm = Vm+1 ; Alors :
0 = V0 ⊂ V1 ⊂ ... ⊂ Vm = Vm+1
6= 6= 6=

de plus :

v ∈ Vm+2 ⇔ (u − λIdE )m+2 v = 0

(u − λIdE )v ∈ Vm+1
⇔ (u − λIdE )v ∈ Vm
⇔ v ∈ Vm+1
donc Vm = Vm+1 = Vm+2 = Vm+3 = ... = E λ .
Soit e1 , ..., ek1 une base de V1 = ker(u − λIdE ) que l’on complète en une
base e1 , ..., ek2 de V2 = ker(u − λIdE )2 , que l’on complète en ......etc, que l’on
complète en e1 , ..., ekm une base de E λ .
On a alors : k1 < k2 < ... < km = k et pour tout 0 ≤ i ≤ m :
Vi = he1 , ..., eki i .
Or pour tout i ≥ 1 :
(u − λIdE )(Vi ) ⊆ Vi−1
en particulier,
∀
ki−1 < j ≤ ki , u(ej ) = λej mod he1 , ..., eki−1
et la matrice de la restriction
u|E λ
dans la base e1 , ...ekm est triangulaire de la forme :
 
λ ==
==
B=
 =

 .
λ
82 CHAPITRE 5. DÉCOMPOSITION SPECTRALE

ii) Il suffit de montrer que (u − µIdE ) est injectif sur E λ (u) c-à-d :

ker(u − µIdE ) ∩ E λ (u) = 0

or, si (u − µIdE )(x) = 0 et x ∈ E λ (u), alors :

(u − λIdE )(x) = (u − µIdE )(x) + (µ − λ)x

= (µ − λ)x
∀
l ≥ 0, (u − λIdE )l (x) = (µ − λ)l x
⇒ (µ − λ)l x = 0
pour l assez grand car x ∈ E λ (u). Donc x = 0, car µ 6= λ. Q.e.d.

Proposition 5.1.2 Si E est de dimension finie, alors le sous-espace caracté-

ristique de u de poids λ est de dimension la multiplicité de λ dans le polynôme
caractéristique χu (X) :

dim E λ (u) = ma (λ) .

Démonstration : Soit e1 , ..., ek une base de E λ (u) =: E λ où la matrice de

la restriction u E λ (u) est de la forme :
 
λ ==
==
B=
 =

 .
λ

Donc χu| λ (X) = (X − λ)k .

E
On complète la base e1 , ..., ek en :

e1 , ..., ek , ek+1 , ..., en

une base de E λ .
Remarquons que E λ est stable par u en effet :

(u − λIdE )m (v) = 0 ⇒ (u − λIdE )m .u(v) = u.(u − λIdE )m (v) = 0 .

Dans cette base, la matrice de u est de la forme :

 
 B ? 
 
0 D
5.1. SOUS-ESPACES CARACTÉRISTIQUES 83

où D ∈ Mn−k ( ). K
Donc :
χu (X) = (X − λ)k χD (X)
il reste donc à montrer que χD (λ) 6= 0. Sinon, il existerait 0 6= w ∈ hek+1 , ..., en i
tel que : Dw = λw.
Mais alors :
u(w) = λw + y
avec y ∈ E λ . Donc :
(u − λIdE )w ∈ E λ = ker(u − λIdE )m
⇒ (u − λIdE )m+1 w = 0
⇒ w ∈ E λ ∩ hek+1 , ..., en i
⇒w=0
contradiction ! Q.e.d.

Proposition 5.1.3 Les sous-espaces caractéristiques de poids distincts λ1 , ..., λr

sont en somme directe
Démonstration : Soient v1 , ..., vr tels que :
v1 + ... + vr = 0
et vi ∈ E λi pour tout i.
Pour tout i, il existe un entier ki tel que :
vi ∈= ker(u − λi IdE )ki
il suffit donc de vérifier que les polynômes (X−λi )ki sont deux à deux premiers
entre eux car alors : les sous-espaces ker(u − λi IdE )ki sont en somme directe
d’après le lemme des noyaux et v1 = ... = vr = 0. Nous allons montrer que
P (X) = (X − λ)m , Q(X) = (X − λ)n , m, n entiers ≥ 1, λ 6= µ ∈
1
K
sont
premiers entre eux. Soit c := µ−λ . On a :
1 = c((X − λ) − (X − µ))
en élevant à la puissance m + n − 1 :
1 = cm+n−1 (r(X)(X − λ)m + s(X)(X − µ)n )
K
pour certains polynômes r(X), s(X) ∈ [X] de degrés respectifs ≤ n − 1
et ≤ m − 1 (exo)(utiliser la formule du binôme). Donc, P (X) et Q(X) sont
premiers entre eux. Q.e.d.
84 CHAPITRE 5. DÉCOMPOSITION SPECTRALE

Théorème 5.1.4 Supposons E de dimension finie. Si le polynôme caracté-

K
ristique de u est scindé sur , alors :

E = ⊕ri=1 E λi

où λ1 , ..., λr sont les racines distinctes de χu (X).

Démonstration : On a déjà vu que la somme est directe. Si χu (X) =

(X − λ1 )m1 ...(X − λr )mr , alors d’après le théorème de Cayley-Hamilton,
χu (u) = 0 donc :

E = ⊕i ker(u − λi IdE )mi ⊆ ⊕i E λi .

Q.e.d.

Interprétation géométrique des multiplicités du polynôme

minimal
Supposons que E est de dimension finie et que le polynôme caractéristique
K
de u est scindé sur . Alors, comme le polynôme minimal mu (X) de u divise
K
χu (X), mu (X) est aussi scindé sur . Factorisons-le :

mu (X) = (X − λ1 )k1 ...(X − λr )kr

pour certains λ1 , ..., λr ∈ K deux à deux distincts et certains entiers ki ≥ 1.

Théorème 5.1.5 Pour tout 1 ≤ i ≤ r, ki est aussi le plus petit entier m tel
que
ker(u − λi IdE )m = ker(u − λIdE )m+1 (= E λ )

Démonstration : Notons mi le plus petit entier m tel que

ker(u − λi IdE )m = ker(u − λIdE )m+1

, pour tout i. Alors :

E = ⊕i E λi = ⊕i (ker(u − λi IdE )mi )

donc :
(u − λ1 IdE )m1 ...(u − λr IdE )mr = 0
et le polynôme (X − λ1 )m1 ...(X − λr )mr annule u donc :

mu (X) divise (X − λ1 )m1 ...(X − λr )mr

5.2. PROJECTEURS SPECTRAUX 85

et ki ≤ mi pour tout i.
D’un autre côté, mu (u) = 0 ⇒
r
ker(u − λi IdE )ki = E .
M

i=1

Soit x ∈ E λi . Il existe x1 ∈ ker(u − λ1 )k1 , ..., xr ∈ ker(u − λr )kr tels que :

x = x1 + ... + xr
 
⇒ x − xi ∈ E λi ∩ ⊕rj=1 ker(u − λj IdE )kj
j6=i
 
λi r λj
⊆E ∩ ⊕ j=1 E = {0}
j6=i

Donc x = xi ∈ ker(u − λi IdE )ki . D’où :

E λi = ker(u − λIdE )mi ⊆ ker(u − λi )ki

et donc ki ≥ m. Q.e.d.

5.2 Projecteurs spectraux

Supposons E de dimension finie n et le polynôme χu (X) scindé sur K:
χu = (X − λ1 )m1 ...(X − λr )mr

avec λi ∈ K deux à deux distincts, 1 ≤ mi et m1 + ...mr = n. Rappelons que

E = ⊕ri=1 E λi .

Définition 37 Pour toute valeur propre λi , on note πλi ou πi la projection

sur le sous-espace E λi parallèlement au sous-espace :

⊕rj=1 E λj
j6=i

autrement dit si x = x1 + ... + xr où chaque xi ∈ E λi , πi (x) = xi , autrement

dit (encore) :

πi (x) = x si x ∈ E λi et 0 si x ∈ E λj , i 6= j.

Les πi sont les projecteurs spectraux de u.

86 CHAPITRE 5. DÉCOMPOSITION SPECTRALE

Propriétés :
— les πi sont linéaires ;
— π1 + ... + πr = IdE ;
— ∀ i 6= j, πi πj = 0 ;
— ∀ i, πi2 = πi ;
— Im πi = Ei ;
L
— ker πi = 1≤j≤r Ej .
j6=i

Remarque : Si mu (X) = (X − λ1 )k1 ...(X − λr )kr , alors

E λi = ker(u − λi IdE )ki

pour tout i.

Proposition 5.2.1 Les projecteurs spectraux sont des polynômes en u.

Démonstration : En effet, soit 1 ≤ i ≤ r. Posons :

K[X] .
r
mu (X)
(X − λj )kj ∈
Y
Qi (X) := =
(X − λi )ki j=1
j6=i

Comme Qi (λi ) 6= 0,

Qi (X) = a0 + a1 (X − λi ) + a2 (X − λi )2 + ...

pour certains coefficients a0 , a1 , a2 , ... ∈ K tels que a0 6= 0. On peut alors

trouver

Ui (X) = b0 + b1 (X − λi ) + ... + bki −1 (X − λi )ki −1 ∈ K[X]

un polynôme de degré < ki tel que :

1 = (a0 +a1 (X−λi )+a2 (X−λi )2 +...)(b0 +b1 (X−λi )+...+bki −1 (X−λi )ki −1 ) mod (X−λi )ki

c-à-d : 1 = Qi (X)Ui (X) mod (X − λi )ki .

Il suffit alors de remarquer que :

πi = (Ui Qi )(u)

en effet :

si x ∈ E λi = ker(u − λi IdE )ki , alors (Ui Qi )(u)(x) = IdE (x) = x

si x ∈ E λj = ker(u − λj IdE )kj , j 6= i, alors (Ui Qi )(u)(x) = 0 .

5.3. DÉCOMPOSITION DE DUNFORD-JORDAN 87

Remarque : Le polynôme 1 − U1 (X)Q1 (X) − ... − Ur (X)Qr (X) est de

degré < k1 + ... + kr . Or la multiplicité de

1 − U1 (X)Q1 (X) − ... − Ur (X)Qr (X)

en chaque λi est ≥ ki (car si j 6= i, (X − λi )ki divise Qj (X)), donc :

0 = 1 − U1 (X)Q1 (X) − ... − Ur (X)Qr (X)

⇔ 1 = U1 (X)Q1 (X) + ... + Ur (X)Qr (X)

1 U1 (X) Ur (X)
⇔ = k
+ ... + .
mu (X) (X − λ1 ) 1 (X − λ1 )kr
Q.e.d.

5.3 Décomposition de Dunford-Jordan

Un endomorphisme N de E est nilpotent si N k = 0 pour un certain k ≥ 0.
Théorème 5.3.1 Soit u ∈ L (E) tel que χu est scindé sur K. Alors il existe
un unique couple (d, n) tels que :
0) d, n ∈ L (E ) ;
i) d diagonalisable, n nilpotent ;
ii) dn = nd ;
iii) u = d + n.
De plus, d, n sont des polynômes en u.
Cette décomposition
u=d+n
est appelée décomposition de Dunford-Jordan.
Remarque : Même énoncé avec une matrice A à la place de u.
Démonstration :
soient πi les projecteurs spectraux de u.
— existence : d := λ1 π1 + ... + λr πr , n := u − d.
Pour tout x ∈ E λi , d(x) = λi x. Donc

E λi ⊆ ker(d − λi IdE )

et :
E = ⊕i ker(d − λi IdE )
et d est diagonalisable avec les mêmes valeurs propres que u.
88 CHAPITRE 5. DÉCOMPOSITION SPECTRALE

Pour tout x ∈ E λi ,
n(x) = u(x) − d(x)
= (u − λi IdE )(x)
et par récurrence :
nk (x) = (u − λi )k (x) .
Donc si k ≥ max1≤i≤r {ki }, nk (x) = 0.
On a construit d et n comme des polynômes en u ce qui est important
pour la suite.

Lemme 5.3.2 Soit (dα )α∈A une famille d’endomorphismes de E diagonali-

sables qui commutent deux à deux. Si E est de dimension finie alors il existe
une base commune de diagonalisation.

Démonstration : Si tous les dα sont des homothéties, c’est évident.

Sinon on raisonne par récurrence sur dim E et on choisit un dα0 qui n’est pas
une homothétie. Soient λ1 , ..., λr ses valeurs propres distinctes. Alors pour
tout i, Vi := ker(dα0 − λi ) est un sous-espace de E de dimension < dim E
(car dα0 n’est pas une homothétie) et chaque Vi est stable par dα pour tout
α (car dα dα0 = dα0 dα ). Par hypothèse de récurrence il existe une base Bi de
Vi formée de vecteurs propres communs à tous les dα . La réunion :

B1 ∪ ... ∪ Br

est alors une base de V1 ⊕ ... ⊕ Vr = E de diagonalisation pour tous les dα .

Q.e.d.

— unicité : supposons que u = d0 +n0 avec d0 diagonalisable, n0 nilpotent

et d0 n0 = n0 d0 . Alors : d0 − d = n − n0 . Or n0 commute avec d0 et n0 donc avec
u = d0 + n0 et avec n qui est un polynôme en u. On en déduit que n0 − n est
nilpotent (exo).
De même, d0 commute avec u donc d0 laisse stable chaque E λi = ker(u −
λi IdE )ki . Mais alors
d0 |E λi
est diagonalisable et :

(d0 − d)|E λi = (d0 − λi IdE )|E λi

est diagonalisable et nilpotent donc nul (nilpotent ⇒ la seule valeur propre

est O et diagonalisable avec pour seule valeur propre 0 ⇒ nul). Donc d0 = d
sur chaque E λi , comme E = ⊕i E λi , par linéarité, d0 = d. On a aussi :
n0 = u − d0 = u − d = n.
5.4. CALCUL PRATIQUE DES PROJECTEURS SPECTRAUX 89

Q.e.d.
À retenir :
— d = λ1 π1 + ...λr πr et les valeurs propres de u sont les valeurs propres
de d.
— diagonalisable et nilpotent ⇒ nul.

Exercice 22 χu (X) = χd (X).

Proposition 5.3.3 u diagonalisable ⇔ u = d ssi n = 0 ;

u nilpotent ⇔ u = n ssi d = 0.

Démonstration : C’est une conséquence directe de la décomposition

de Dunford-Jordan. Q.e.d.

Exemple :   
λ == 0 ==
== ==
— si A =  = , D = λIn et N =  = ;
   

λ  
0
1 3 
— ATTENTION ! si u = 
 , d = u, n = 0.
0 2

5.4 Calcul pratique des projecteurs spectraux

5.4.1 Méthode
Soit u ∈ L (E). Supposons que Q 6= 0 est un polynôme annulateur de u
K
scindé sur (en particulier χu est scindé !) (Plus le degré de Q est bas moins
compliqués sont les calculs).
1ère étape : Factoriser Q :

Q = (X − λ1 )l1 ...(X − λr )lr

λi deux à deux 6= et li ≥ 1.
1
2ème étape : Décomposer Q
en éléments simples :

1 R1 (X)
(∗) = + ...
Q (X − λ1 )l1

où Ri (X) : polynômes de degré < li (une telle décomposition est unique).

Q(X) lj
1≤j≤r (X −λj ) .
Q
3ème étape : πλi = Ri (u)Qi (u) où Qi (X) := (X−λ i )li =
j6=i
90 CHAPITRE 5. DÉCOMPOSITION SPECTRALE

justification : la décomposition (∗) multipliée par Q donne une relation

de Bézout :
1 = Ri (X)Qi (X) + (X − λi )li S(X)
pour un certain polynôme S(X).

5.4.2 Exemples
a) cas où u diagonalisable avec seulement 2 valeurs propres :
si  
 1 1 1 
 
A= 1 1 1 
 

 
 
1 1 1

alors on sait que A est diagonalisable et que ses valeurs propres sont 0, 3. Les
projecteurs spectraux associés π0 , π1 vérifient :

π0 + π3 = I3 et 3π3 = D = A

donc :
1 1
π3 = A et π0 = I3 − A
3 3
b)
 
 1 0 −3 
 
A := 1 −1 −6 
 

 
 
−1 2 5

χA (X) = mA (X) = (X − 1)(X − 2)2

1 1 3−X
= +
mA (X) X − 1 (X − 2)2

mA (X) mA (X)(3 − X)
⇔1= +
X −1 (X − 2)2
donc :
! !
mA (X) mA (X)(3 − X)
π1 = (A) = (A−2I3 )2 et π2 = 2
(A) = −A2 +4A−3I3 .
X −1 (X − 2)
5.5. RÉDUCTION DE JORDAN 91

5.5 Réduction de Jordan

Nous allons montrer que toute matrice dont le polynôme caractéristique
est scindé est semblable à une matrice diagonale par blocs avec des blocs
« presque » diagonaux.

5.5.1 Blocs de Jordan

Définition 38 Un bloc de Jordan est une matrice de la forme :
 
λ 1 0 0
 <<< <<< << 
< <
 0 < << <<< 0 
K
 
Jλ,n :=  <
<< < ∈ Mn ( )
<< <<

<< << 1
 
 
 
0 0 λ
où λ ∈ K, n ≥ 0.
On a :
k
 | 
0 ··· 0 1 0 ··· 0
 .. . . . .. 
.
. . .. .
. .. .. .. 
. . . .

. .
k . .

(Jλ,n − λIn ) =  .
 . 1  si 0 ≤ k ≤ n − 1
 .. 
.
. 0
. .. 
. .


0 ··· ··· ··· ··· ··· 0

et (Jλ,n − λIn )k = 0 si n < k.
On a aussi Jλ,n − µIn inversible si µ 6= λ.
Exercice 23 Le polynôme caractéristique et le polynôme minimal d’un bloc
de Jordan sont égaux à (X − λ)n .
Définition 39 Une matrice de Jordan est une matrice diagonale par blocs
de la forme :  
 1J 
.
 

 .. 

 
 
Jr
où les Ji sont des blocs de Jordan.
Exercice 24 Une matrice de Jordan est diagonalisable si et seulement si ses
blocs sont tous de taille 1.
92 CHAPITRE 5. DÉCOMPOSITION SPECTRALE

5.5.2 Matrices nilpotentes

Supposons que E est un K−espace vectoriel de dimension n. Soit u un
endomorphisme de E.

Définition 40 Soit e ∈ E. On appelle hauteur de e, notée h(e), le plus petit

entier m ≥ 0 tel que um (e) = 0.

Lemme 5.5.1 Si e ∈ E un vecteur de hauteur m. Alors

e, u(e), ..., um−1 (e)

sont linéairement indépendants.

Démonstration : Supposons que

λ0 e + ... + λm−1 um−1 (e) = 0

et que λk est le premier coefficient 6= 0, 0 ≤ k ≤ m − 1. Alors si on allique

um−k−1 , on trouve :
λk um−1 (e) = 0
⇒ λk = 0
car um−1 (e) 6= 0 absurdo. Q.e.d.

Corollaire [Link] On a forcément, udim E = 0 pour tout endomorphisme

nilpotent de E.

Définition 41 On dit que le sous-espace he, u(e), ..., um−1 (e)i est le sous-
espace cyclique de u engendré par e.

Un sous-espace cyclique est invariant par u (exo)et la restriction de de u

au sous-espace cyclique :

he, u(e), ..., um−1 (e)i

a pour matrice  
0 1 0 0
 <<< <<< << 
< <
 0 < << <<< 0 
K
 
J0,n =  <
<< < ∈ Mn ( )
<< <<

<< << 
1
 

 
0 0 0
5.5. RÉDUCTION DE JORDAN 93

dans la base
um−1 (e), ..., u(e), e .
Remarque : [importante] Soit e un vecteur de hauteur m. Un vecteur x
du sous-espace cyclique
he, u(e), ..., um−1 (e)i
qui n’est pas dans l’image de u est de hauteur m.
En effet, si
x = λ0 e + ... + λm−1 um−1 (e)
avec λ0 6= 0, um (x) = 0 et um−1 (x) = λ0 um−1(e) 6= 0.

Théorème 5.5.2 L’espace E est une somme directe de sous-espaces cy-

cliques de l’opérateur u :

E = E1 ⊕ ... ⊕ Er

. En particulier, il existe une base de E où la matrice de u est une matrice

de Jordan de la forme :
 
 J0,n1 
...
 
.
 
 
 
 
J0,nr

Et le nombre r de composantes est r = dim ker u

Démonstration : Supposons que E est une somme directe de sous-espaces

cycliques
Ei = hei , ..., uni −1 (ei )i
alors, la matrice de u dans la base :

un1 −1 (e1 ), ..., e1 , un2 −1 (e2 ), ..., e2 , ..., unr −1 (er ), ..., er

est de la forme  
 J0,n1 
...
 
 
 
 
 
J0,nr
donc :
rangu = rangJ0,n1 + ... + rangJ0,nr
94 CHAPITRE 5. DÉCOMPOSITION SPECTRALE

(n1 − 1) + ... + (nr − 1) = dim E − r

⇔ r = dim E − rangu = dim ker u .
Démontrons par récurrence sur n = dim E ≥ 0 que E est une somme
directe de sous-espaces cycliques. Si n = 0, il n’y a rien à montrer. Supposons
que n > 0.
Comme u n’est pas surjective (exo), il existe un sous-espace de E, disons
H, de dimension n − 1 tel que :

Im u ⊆ H .

Ce H est stable par u. Par hypothèse de récurrence,

H = H1 ⊕ ... ⊕ Hr

où les Hi sont des sous-espaces cycliques de u|H (donc de u). On choisit un

vecteur e ∈ E \ H.
On a :
u(e) = u1 + ... + ur , ∀ i, ui ∈ Hi .
Si pour un certain i, ui = u(vi ), avec vi ∈ Hi , alors on remplace e par
e − vi ∈ E \ H. On peut donc supposer que pour tout i = 1 à r, ui = 0 ou
ui ∈ Hi \ u(Hi ). C’est-à-dire : ui = 0 ou Hi est cyclique engendré par ui .
Si u(e) = 0, alors :

E= Ke ⊕ H1 ⊕ ... ⊕ Hr
est une décomposition de E en sous-espaces cycliques.
Si u(e) 6= 0, alors :

0 < h(u(e)) = max h(ui )(exo) .

i

Quitte à renuméroter, on peut supposer que

h(e) = h(u1 ) =: m .

Mais alors : h(e) = m + 1. Vérifions que

E = he, u(e), ..., um(e) i ⊕ H2 ⊕ ... ⊕ Hr .

Comme h(u1 ) = dim H1 = m, on a :

dim E = dim H + 1 = (m + 1) + dim H2 + ... + dim Hr

5.5. RÉDUCTION DE JORDAN 95

et oil suffit de démontrer que

he, ..., um (e)i ∩ (H2 ⊕ ... ⊕ Hr ) = 0 .

Si λ0 e + ... + λm um (e) ∈ H2 ⊕ ... ⊕ Hr , alors, comme e 6∈ Im u, λ0 = 0.

Or, u(e) = u1 + ... + ur donc :

λ1 u(e) + ... + λm um (e) = λ1 u1 + ... + λm um−1 (u1 ) mod H2 ⊕ ... ⊕ Hr

⇒ λ1 u1 + ... + λm um−1 (u1 ) ∈ H1 ∩ (H2 ⊕ ... ⊕ Hr ) = 0

⇒ λ1 = ... = λm = 0
car h(u1 ) = m. Q.e.d.

5.5.3 Réduction de Jordan

Théorème 5.5.3 Soit u un endomorphisme de E dont le polynôme caracté-
ristique, χu (X) est scindé sur . K
Existence : il existe une base de E où la matrice de u est de Jordan i.e. :
 
 J1 
...
 
Mat(u) =
 
 
 
 
Jr

où les Ji sont des blocs de Jordan.

K
Version matricielle : si A ∈ Mn ( ) a son polynôme caractéristique scindé
K K
sur , alors, A est semblable (sur ) à une matrice de Jordan.
Unicité : le nombre de blocs de Jordan de la forme Jλ,m noté :
∀
λ∈ K, ∀m ≥ 0, Nλ,m := {1 ≤ i ≤ r : Ji = Jλ,m }

ne dépend que de u (ou de A) :

les λ qui apparaissent sont les valeurs propres de u (ou de A) et plus
précisément, on a :

Nλ,m = rg (u − λIdE )m+1 − 2rg (u − λIdE )m + rg (u − λIdE )m−1

pour tout λ ∈ K et tout m ≥ 0.

96 CHAPITRE 5. DÉCOMPOSITION SPECTRALE

Remarque : En particulier, ce théorème s’applique à TOUTES les

matrices complexes.
Démonstration : Existence : notons E λ1 , ..., E λr les sous-espaces propres
généralisés de u. Alors chaque E λi est stable par u et E se décompose en :

E = E λ1 ⊕ ... ⊕ E λr .

De plus , pour tout i,

u|E λi − λi IdE λi
est nilpotent. On peut donc appliquer le théorème 5.5.2 à u|E λi − λi IdE λi
pour tout i. Et on remarque que :
   
 J0,n1   Jλ,n1 
.. ..
   
.  + λIn1 +...+nr = . .
   
  
   
   
J0,nr Jλ,nr

Unicité : remarquons que :


n si µ 6= λ






rg (Jλ,n − µIn )k = n−k si µ = λ et 0 ≤ k ≤ n − 1



si µ = λ et n ≤ k


 0

donc si la matrice de u dans une certaine base est une matrice de Jordan :
 
 Jλ1 ,n1 
..
 
.
 
 
 
 
Jλr ,nr

alors :
r
k
rg (Jλq ,nq − λInq )k
X
rg (u − λIdE ) =
q=1

r
X r
X
= (nq − k) + nq
q=1 q=1
λq =λ,nq >k λq 6=λ

d’où :
r
rg (u − λIdE )k−1 − rg (u − λIdE )k =
X
((nq − (k − 1)) − (nq − k))
q=1
λq =λ,nq >k−1
5.5. RÉDUCTION DE JORDAN 97

r
X
= 1
q=1
λq =λ,nq ≥k

et finalement :
r
(rg (u−λIdE )k−1 −rg (u−λIdE )k )−(rg (u−λIdE )k −rg (u−λIdE )k+1 ) =
X
1
q=1
λq =λ,nq =k

⇔ rg (u − λIdE )k+1 − 2rg (u − λIdE )k + rg (u − λIdE )k−1 = Nλ,k .

Q.e.d.

Applications
— Si A ∈ Mn (C), alors A est semblable à t A. En effet, il suffit de le
vérifier lorsque A est un bloc de Jordan (exo).
K
— Si N ∈ M4 ( ) est nilpotente, alors N est semblable à une et une seule
des 5 matrices suivantes :
       
 0 1 0 0   0 1 0 0   0 1 0 0   0 1 0 0 
       
 0 0 0 0   0 0 0 0   0 0 1 0   0 0 1 0 
       
0, 

, 
 
, 
 
, 
   .

 0 0 0 0   0 0 0 1   0 0 0 0   0 0 0 1 
       
       
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Il y a une infinité de matrices nilpotentes 4 × 4 mais il n’y en a que 5 à

similitude près.
K
— Si A ∈ M3 ( ) a pour polynôme caractéristique : χA (X) = (X −
1)(X − 2)2 alors A est semblable
   
 1 0 0   1 0 0 
   
à 
 0 2 0

 ou à 
 0 2 1 

.
   
   
0 0 2 0 0 2
98 CHAPITRE 5. DÉCOMPOSITION SPECTRALE
Chapitre 6

Puissances

6.1 Motivation
— Problème : résoudre


 un = aun−1 + bvn−1
vn = cvn−1 + dvn−1



où a, b, c, d sont fixés ou bien :

un = aun−1 + bun−2

où a, b sont fixés.
Ces deux problèmes se réduisent au calcul de Ak où :
   
 a b   0 1 
A=  ou   .
c d b a

6.2 Cas diagonalisable

— cas diagonal : soient λ1 , ..., λn ∈ K, alors :
 k  
 λ1   λk1 
... ...
   
∀
k ≥ 0, = .
   
   
   
   
λn λkn

99
100 CHAPITRE 6. PUISSANCES

— cas diagonalisable : si A = P DP −1 avec A, P, D ∈ Mn ( ), D diago- K

nale, P inversible, alors :
Ak = P Dk P −1 .
C’est encore plus simple avec les projecteurs spectraux :
si A = λ1 π1 + ... + λr πr
où les λi sont les valeurs propres de A et les πi les projecteurs spectraux
associés, alors :
∀
k ≥ 0, Ak = λk1 π1 + ... + λkr πr
c’est vrai aussi pour k entier négatif lorsque tous les λi sont non nuls.
Exemple : Si  
1 == 1
== 
A :=  =  ∈ Mn (Q)


1 1
alors les valeurs propres de A sont 0 et n, et :
A = nπn ⇒ ∀ k, Ak = nk πn = nk−1 A .

 
cos t − sin t 
Exercice 25 — Si A = 
 , alors :
sin t cos t

A = e−it π− + eit π+
où :    
1 1 −i  1 1 i 
π− =   et π+ =   .
2 i 1 2 −i 1


Vérifier alors que :

 
cos kt − sin kt 
Ak = e−ikt π− + eikt π+ =  .


sin kt cos kt
 
0 1 
— Si A =  alors :


1 1
 
k−1 0 k−1 k 0k
∀ 1  α −α α −α
k ∈ Z, Ak = √ 


5 αk − α0 k αk+1 − α0 k+1
√ √
où α := 1+ 5
2
et α0 := 1− 5
2
.
6.2. CAS DIAGONALISABLE 101
 
 0 1 1 
 
Exercice 26 Soit A := 0 0 1  . Soit ρ l’unique valeur propre réelle de
 

 
 
1 0 0
A et πρ le projecteur spectral associé.
 
2 3
 ρ ρ ρ 
 
1 −1
a) Vérifier que πρ = 1 ρ ρ .
 
3ρ2 −1

 
 
ρ 1 ρ2
b) Vérifier que les deux valeurs propres complexes conjuguées de A sont
de module < 1 et en déduire que :

An1,3
ρ2 = lim
n∞ An1,2

(cf. page 8)

 
 1 0 −3 
 
Exercice 27 Si A := 1 −1 −6 , alors :
 

 
 
−1 2 5

χA (X) = mA (X) = (X − 1)(X − 2)2 .

Vérifier que :
   
 4 −6 −6   −3 6 6 
   
π1 = 
 2 −3 −3

 et π2 = 
 −2 4 3 

   
   
0 0 0 0 0 1

et en déduire que pour tout n ≥ 0 :

   
 3n − 6 −6n + 12 −9n + 12   4 −6 −6 
   
An = 2n−1 
 3n − 4 −6n + 8 −9n + 6 +
 
2 −3 −3 

.
   
   
−n 2n 3n + 2 0 0 0
102 CHAPITRE 6. PUISSANCES

6.3 Cas général

Définition 42 Pour tous entiers n, k, on définit le coefficient binomial par :
!
n n(n − 1)...(n − k + 1)
:= Cnk :=
k k!
 
n
si k ≥ n et [ k
:= Cnk := 0 si k > n.
 
n
Les k
sont des entiers.

K
Proposition 6.3.1 Soient A, B ∈ Mn ( ) deux matrices qui commutent.
Alors :
k
!
∀ k
X k j k−j
k ≥ 0, (A + B) = AB .
j=0 j

En particulier, si A = D + N avec D diagonalisable et N nilpotente qui

commutent :
k
!
k k
Dk−j N j .
X
A =
j=0 j

K
Proposition 6.3.2 Soit A ∈ Mn ( ). On suppose que le polynôme minimal
de A est scindé :
mA (X) = (X − λ1 )k1 ...(X − λr )kr
les λi étant deux à deux distincts. Notons π1 , ..., πr les projecteurs spectraux
associés aux valeurs propres λ1 , ..., λr . Alors :
 
r min{k,ki −1} !
∀ k k−j
k ≥ 0, Ak = λ (A − λi In )j  πi .
X X

i=1 j=0 j i

Démonstration : Il suffit de vérifier cette formule sur chaque sous-

espace caractéristique E λi . Or si x ∈ E λi , Ax = λi x + (A − λi In )x et
(A − λi )ki x = 0. Q.e.d.

6.4 Suites récurrentes

Théorème 6.4.1 Soient a1 , ..., ap ∈ C. On suppose ap 6= 0.
On note P (X) := X p − a1 X p−1 − ... − ap , λ1 , ..., λr ses racines (s.e.
distinctes) et k1 , ..., kr leurs multiplicités respectives.
6.4. SUITES RÉCURRENTES 103

Alors les suites vérifiant :

∀
n ≥ p, un = a1 un−1 + ... + ap un−p

sont les suites de la forme :

un = P1 (n)λn1 + ... + Pr (n)λnr

où Pi sont des polynômes de degré < ki .

— rem : Pi peuvent être déterminés par u0 , ..., up−1 .

Exemple : Si p = 1,
∀
n ≥ 1, un = a1 un−1 ⇔ ∀ n ≥ 1, un = u0 an1 .

Si p = 2,
∀
n ≥ 2, un = a1 un−1 + a2 un−2 ⇔ ∀ n ≥ 2, un = α1 λn1 + α2 λn2

pour certains α1 , α2 si X 2 − a1 X − a2 = (X − λ1 )(X − λ2 ) avec λ1 6= λ2 et :

∀
n ≥ 2, un = a1 un−1 + a2 un−2 ⇔ ∀ n ≥ 2, un = (αn + β)λn

pour certains α, β si X 2 − a1 X − a2 = (X − λ)2 .

Exercice 28 Soit (un ) la suite définie par :

u0 = 0, u1 = 1, ∀ n ≥ 2, un = un−1 + un−2

alors : √ !n √ !n !
∀ 1 1+ 5 1− 5
n ≥ 0, un = √ − .
5 2 2

Démonstration : Si un = nk λni , avec 0 ≤ k < ki , alors pour tout n ≥ p :

un − a1 un−1 − ... − ap un−p = nk λni − a1 (n − 1)k λin−1 − ... − ap (n − p)k λin−p

 
= λn−p
i (n − p)k P (λi ) + (n − p)k−1 λi P 0 (λi ) + ... + λki P (k) (λi )
=0 .
Réciproquement, si :
∀
n ≥ p, un = a1 un−1 + ... + ap un−p
104 CHAPITRE 6. PUISSANCES

alors on pose :  
un−p+1
Kp .
 

.. 
Xn := 
 .

 ∈
 
 
un
On a alors :
∀
n ≥ p, Xn = AXn−1
K
où A ∈ Mp ( ) est la transposée de la matrice compagnon du polynôme
P (X) :  
0 BB 1 BB0 EE 0
BB BB EEE
BB BB EE
 
BB BB
 
BB BB 0
 
BB BB
 
A= 



0 0 1
 
 
 
ap a1
donc :
χA (X) = (X − λ1 )k1 ...(X − λr )kr .
Notons π1 , ...πr les projecteurs spectraux correspondants. D’après la propo-
sition 6.3.2,
 
r min{n,ki −1} !
∀ n n−j
n ≥ p, An = λ (A − λi In )j  πi
X X

i=1 j=0 j i
 
n
 
r i −1
kX
n j
(A − λi In )j  πi .
X
= λi j
i=1 j=0 λi

Or,
∀
n ≥ p, Xn = An−p+1 Xp−1
= A n X0
si on pose X0 := A1−p Xp−1 .
Donc, un est la dernière composante du vecteur :
r i −1
kX
n (A − λi In )j πi (X0 )
!
λni
X

i=1 j=0 j λji

et il sufiit de remarquer que si 0 ≤ j ≤ ki − 1,
!
n n(n − 1)...(n − j + 1)
=
j j!
est un polynôme en n de degré < ki . Q.e.d.
Chapitre 7

Exponentielle

Dans ce chapitre, les matrices sont complexes !

Motivation : système différentiel linéaire + formule de Taylor

7.1 Exponentielle complexe

Rappelons que :
— toute série numérique ∞
P
k=0 ak à termes réels positifs (ou nuls)
PN
converge
(dans R) si et seulement si la suite de ses sommes partielles k=0 ak est
bornée.
— toute série de nombres complexes ∞
P
k=0 zk absolument convergente
converge
∞
X ∞
X
c-à-d : |zk | < ∞ ⇒ zk converge dans C.
k=0 k=0

— Pour tout nombre complexe :

∞
zk
exp z := ez :=
X

k=0 k!

et :
0 0
e0 = 1, ez+z = ez ez (∀ z, z 0 ∈ C) .

7.2 Suites de matrices

Définition 43 On dit qu’une suite (Ak )k∈N de matrices complexes converge
vers une matrice A si pour tous i, j la suite des coefficients Ak,i,j converge
vers le coefficient Ai,j dans C.

105
106 CHAPITRE 7. EXPONENTIELLE

On pose : X
|||A||| := max |ai,j |
i
j

pour toute matrice A.

— propriétés : c’est une norme multiplicative ! c-à-d : pour toutes ma-
trices A, B ∈ Mn (C), pour tout λ ∈ C, on a :
i) |||A||| = 0 ⇔ A = 0 ;
ii) |||A + B||| ≤ |||A||| + |||B||| ;
iii) |||λA||| = |λ||||A||| ;
iv) |||AB||| ≤ |||A||||||B|||.
Remarque : Si A = (ai,j )1≤i,j≤n , alors pour tous i, j, |ai,j | ≤ |||A|||. On
en déduit qu’une suite de matrices (Ak )k∈N converge vers une matrice A si :
lim |||Ak − A||| = 0 .
k→∞

Exercice 29 En déduire que si (Ak ) et (Bk ) sont des suites de matrices qui
convergent vers A et B, alors :
lim Ak Bk = AB .
k→∞
 
x1
Kn : ||X|| := maxni=1 |xi|.
 

.. 
Exercice 30 On pose pour tout X = . ∈
 
 
 
 
xn
Alors :
||AX||
|||A||| = X∈
maxKn ||X||
X6=0

pour toute matrice A ∈ Mn (C).

7.3 Définition de exp(A)

Théorème 7.3.1 Pour toute matrice A ∈ Mn (C), la série :
∞
X Ak
k=0 k!

converge dans Mn (C). On note :

∞
Ak
exp A := eA :=
X

k=0 k!

sa limite. C’est la matrice exponentielle de A.

7.3. DÉFINITION DE EXP(A) 107

Démonstration : Il suffit de démontrer que les séries de coefficients

convergent. Or pour tous i, j, on a :
∞ ∞
X Aki,j X |||Ak |||
≤
k=0 k! k=0 k!

∞
X |||A|||k
≤
k=0 k!

= e|||A||| < ∞ .
P∞ Aki,j
Donc pour tous i, j, la série k=0 k! converge dans C. Q.e.d.

 
λ1
 
Exercice 31 Pour une matrice diagonale D := 

,
 on a
λn
 
eλ1
 
exp D = 


 .
λn
e

Théorème 7.3.2 (propriétés de l’exponentielle) On a :

exp 0 = In et exp(A + B) = exp A exp B

pour toutes matrices A et B qui commutent. En particulier, pour tout A ∈

Mn (C), la matrice exp A est inversible d’inverse exp(−A). On a aussi :

exp(kA) = (exp A)k

pour tout k ∈ Z.

Remarque : Attention ! si A, B ne commutent pas, en général exp(A +

B) 6= exp A exp B.
Remarque : En fait l’application : exp : Mn (C) → GLn (C) est surjec-
tive.
Démonstration : Montrons que exp(A + B) = exp A exp B :

m m
! m

∀ Ai X
X Bj  X (A + B)k
m≥0 : −
i=0 i! j=0 j! k=0 k!
108 CHAPITRE 7. EXPONENTIELLE

m X
X Ai B j X Ai B j
= −
0≤i,j≤m i! j! k=0 i,j≥0 i! j!
i+j=k

X Ai B j X Ai B j
= −
0≤i,j≤m i! j! 0≤i,j≤m i! j!
i+j≤m

X Ai B j
=
0≤i,j≤m i! j!
i+j>m

donc :
m m
!m

∀ Ai X
X Bj  X (A + B)k
m ≥ 0, ||| − |||
i=0 i! j=0 j! k=0 k!

X Ai B j
≤ ||| |||
0≤i,j≤m i! j!
i+j>m

X Ai B j
≤ ||| |||
0≤i,j≤m i! j!
i+j>m

X |||A|||i |||B|||j
≤
0≤i,j≤m i! j!
i+j>m

m m
! m

X |||A|||i X |||B|||j  X (|||A||| + |||B|||)k
≤ −
i=0 i! j=0 j! k=0 k!

et si « on fait tendre m vers +∞ » on trouve :

||| exp A exp B − exp(A + B)||| ≤ e|||A||| e|||B||| − e|||A|||+|||B||| = 0

donc : exp A exp B = exp(A + B). Q.e.d.

Exercice 32 Vérifier que :

   
 0 −1   cos t − sin t 
 
exp t.   = 
1 0 sin t cos t

pour tout t réel.

7.4. MÉTHODE DE CALCUL 109

7.4 Méthode de calcul

Exercice 33 Si P ∈ GLn (C), D ∈ Mn (C) (par exemple D diagonale),
alors :
exp(P DP −1 ) = P exp DP −1 .
En déduire que pour toute matrice A ∈ Mn (C),

dét exp A = etrA .

Proposition 7.4.1 Soit A ∈ Mn (C). Soit

mA (X) = (X − λ1 )k1 ...(X − λr )kr

le polynôme minimal de A, les λi étant les valeurs propres deux à deux dis-
tinctes de A. Notons π1 , ...πr les projecteurs spectraux associés aux λi .
Alors :  
r kXi −1 j
(A − λ I )
i n 
etλi  tj
X
exp(tA) = πi .
i=1 j=0 j!
En particulier, exp A est un polynôme en A.

Remarque : Si A est diagonalisable, alors, pour tout t ∈ C, exp(tA) =

etλ1 π1 + ... + etλr πr .
Démonstration : On décompose A en :

A=D+N

avec D diagonalisable et N nilpotente qui commutent. Alors :

exp A = exp D exp N .

Or,
r r
X
∀Dk X λki
D= λi πi ⇒ k ≥ 0, = πi
i=1 k! i=1 k!

et on en déduit que :
∞ r ∞
Dk X λki
!
X X
exp D = = πi
k=0 k! i=1 k=0 k!

r
e λ i πi .
X
=
i=1
110 CHAPITRE 7. EXPONENTIELLE

D’un autre côté, on a :

r
X
N= N πi
i=1
r
X
= (A − λi In )πi
i=1
r
⇒ ∀k ≥ 0 N k = (A − λi In )k πi
X

i=1
∀ k
or : k ≥ ki , (A − λi In ) πi = 0 (exo).
Donc :
∞
X Nk
exp N =
k=0 k!
i −1
r kX
X (A − λi In )k
= πi .
i=1 k=0 k!
Q.e.d.

Exemple : Si  
 1 0 −3 
 
A := 1 −1 −6 
 

 
 
−1 2 5
alors
exp(tA) = e2t (I3 + t(A − 2I3 ))π2 + et π1
   
 3t − 3 −6t + 6 −9t + 6   4 −6 −6 
   
2t  t
= e  3t − 2 −6t + 4 −9t + 3 +e  2 −3 −3 .
 

   
   
−t 2t 3t + 1 0 0 0

7.5 Équations différentielles

7.5.1 Dérivation des matrices
On dit qu’une fonction f définie sur un intervalle ouvert I de R et à
valeurs dans C est dérivable en t0 ∈ I si la limite :
f (t) − f (t0 )
lim
t→t 0
t6=t0
t − t0
7.5. ÉQUATIONS DIFFÉRENTIELLES 111

existe dans C. On dit que f est dérivable sur I si elle l’est en tout t0 ∈ I.

Définition 44 Soient ai,j : I → C, i, j, des fonctions dérivables sur un in-

tervalle I de R. On dit que la matrice A(t) := (ai,j (t))1≤i≤p,1≤j≤q est dérivable
et on note A0 (t) := (a0i,j (t))1≤i≤p,1≤j≤q .

Exercice 34 Vérifier que si pour tout t ∈ I, A(t) ∈ Mp,q (C) et B(t) ∈

Mq,r (C) et si les matrices A et B sont dérivables sur I, alors le produit aussi
et on a :
∀
t ∈ I, (AB)0 (t) = A0 (t)B(t) + A(t)B 0 (t) .

Proposition 7.5.1 Soit A ∈ Mn (C). La matrice :

t 7→ exp(tA)

est dérivable sur R et on a :

∀
t ∈ R, (exp(tA))0 = A exp(tA) = exp(tA)A .

Démonstration : Soient π1 , ..., πr les projecteurs spectraux de A. Alors

d’après la proposition 7.4.1, on a :
∞
r X
tk
etλi (A − λi )k πi
X
exp(tA) =
i=1 k=0 k!

(la somme sur k est en fait finie car (A − λi In )k πi = 0 pour k assez grand).
Donc :
t 7→ exp(tA)
et dérivable de dérivée :
∞
r X
tk tk−1
(exp(tA))0 = etλi (λi )(A − λi In )k πi
X
+k
i=1 k=0 k! k!
∞
r X r X ∞
tk tk
etλi λi (A − λi In )k πi + etλi (A − λi In )k+1 πi
X X
=
i=1 k=0 k! i=1 k=0 k!
∞
r X
tk
etλi (λi In + (A − λi In ))(A − λi In )k πi
X
=
i=1 k=0 k!
= A exp(tA) .
Q.e.d.
112 CHAPITRE 7. EXPONENTIELLE

7.5.2 Équations différentielles linéaires à coefficients constants

Ce sont les équations de la forme :

Y 0 (t) = AY (t)
 
 y1 (t) 

.. 
où A ∈ Mn (C) est une matrice constante et Y (t) = 
 .

 est un
 
 
yn (t)
vecteur inconnu dont les coordonnées sont des fonctions dérivables.
— cas homogène :

Théorème 7.5.2

Y 0 = AY ⇔ Y (t) = exp(tA)Y (0)

en particulier les solutions sont définies sur R tout entier.

Démonstration : D’un côté, le membre de doite est bien solution de

l’équation Y 0 = AY (exo). Réciproquement, si on pose Z(t) := exp(−tA)Y (t),
alors :
Z 0 (t) = exp(−tA)(Y 0 − AY ) = 0

Donc sur R, Z est constante et Z(t) = Z(0) = Y (0) pour tout t. Q.e.d.

Exemple : Le système :

x01 (t) = x1 (t) − 3x3 (t)






 x02 (t) = x1 (t) − x2 (t) − 6x3 (t)


x03 (t) = −x1 (t) + 2x2 (t) + 5x3 (t)




avec pour « conditions initiales » x1 (0) = 1, x2 (0) = 1, x3 (0) = 0 a pour

solution :    
 x1 (t)   1 
   
x2 (t)  = exp(tA) 
 1 
   
 
 
   
x3 (t) 0
7.5. ÉQUATIONS DIFFÉRENTIELLES 113
 
 1 0 −3 
 
où A est la matrice 1−1 −6 . On trouve alors :
 

 
 
−1 2 5

x1 (t) = (−3t + 3)e2t − 2et ,

x2 (t) = (−3t + 2)e2t − et ,
x3 (t) = te2t .

— solutions de l’équation différentielle linéaire d’ordre p à coefficients

constants.

Corollaire [Link] Soient a1 , ..., ap ∈ C tels que ap 6= 0. On suppose que :

χ(X) := X p + a1 X p−1 + ... + ap = (X − λ1 )m1 ...(X − λr )mr

pour certains λi ∈ C deux à deux distincts et certains entiers mi ≥ 1.

Alors :
r
(E) y (p) + a1 y (p−1) + ... + ap y = 0 ⇔ ∀ t ∈ R, y(t) = eλi t Pi (t)
X

i=1

pour certains polynômes Pi de degré < mi (pour tout i).

Remarque : On peut déterminer les Pi en fonction des valeurs y(0), ..., y (p−1) (0).
 
 y(t) 
 
0

y (t) 
∈ Cp pour tout
 
Démonstration : ⇒ : On pose Y (t) := 
 ..



 . 

 
y (p−1) (t)
t. Alors :
(E) ⇔ Y 0 (t) = AY (t)
où A est la matrice  
0 DD 1 DD0 HHH 0
DD D
DD DDD HHHH
 
DD D H
DD DDD
 
 
DD DD 0
 

 D D

 .

 0 0 1 

 
−ap −a1
114 CHAPITRE 7. EXPONENTIELLE

Remarquons que χ(X) = χA (X) = mA (X).

On a donc
Y (t) = exp(tA)Y (0)
avec :
r i −1 k
mX
!
tλi t
(A − λi Ip )k πi
X
exp(tA) := e
i=1 k=0 k!
où les πi sont les projecteurs spectraux associés aux λi .
Or y(t) est le premier coefficient de Y (t) donc :
r i −1 k
mX
t  
eλi t (A − λi In )k πi (Y (0))
X
y(t) = .
i=1 k=0 k! 1
| {z }
=:Pi (t)

⇐: Il suffit de vérifier que y : t 7→ eλi t Pi (t) est solution de (E) pour

tout polynôme de degré < mi . Or pour une telle fonction y, on a (en posant
a0 := 1) :
p k
!
∀ (p) (p−1)
X X k k−j λi t (j)
t ∈ R, y (t) + a1 y (t) + ... + ap y(t) = ak λ e Pi (t)
k=0 j=0 j i
p p
(j) k!
eλi t Pi (t) λk−j
X X
= ak
j=0 k=j (k − j)! i
j<mi | {z }
=χ(j) (λi )=0

=0 .
Q.e.d.
Chapitre 8

Groupe orthogonal

8.1 Matrices orthogonales

Définition 45 Une matrice A est orthogonale si tAA = In .

Exemple :
 
 2 −2 1
 
1  1 −1 

1 
√   et  1 2

2


2 1 1 3 



2 1 −2

sont orthogonales.
Remarque : A orthogonale ⇔ A inversible et A−1 = t A ⇔ AtA = In .
Remarque : Si A est orthogonale, alors (dét A)2 = dét (tAA) = 1 donc
dét A = ±1.

Définition 46 On note On (R) l’ensemble des matrices n × n réelles ortho-

gonales et SOn (R) l’ensemble des matrices n × n réelles orthogonales de
déterminant 1. Les éléments de SOn (R) sont les rotations de Rn .

Remarque : In ∈ On (R), ∀ A ∈ On (R), A−1 ∈ On (R) ∀ A, B ∈ On (R), AB ∈

On (R) donc On (R) est un sous-groupe de GLn (R). De même SOn (R) est un
sous-groupe de GLn (R).

8.2 Produit scalaire

Définition 47 Le produit scalaire standard sur Rn est l’application :

Rn × Rn → R (X, Y ) 7→ tXY

115
116 CHAPITRE 8. GROUPE ORTHOGONAL
   
 x1   y1 

..  
.. 
(si X = . et Y = . , alors hX, Y i = x1 y1 + ... + xn yn ).
   
  
   
   
xn yn

Propriétés :
∀
x, y, z ∈ Rn , hx, y + zi = hx, yi + hx, zi
∀
x, y, z ∈ Rn , hx + y, zi = hx, zi + hy, zi
∀
x, y ∈ Rn , ∀ t ∈ R, hx, tyi = htx, yi = thx, yi
∀
x, y ∈ Rn , hx, yi = hy, xi
∀
x ∈ Rn , hx, xi ≥ 0 et hx, xi = 0 ⇔ x = 0 .
q
Définition 48 On pose pour tout x ∈ Rn , ||x|| = hx, xi.

Nouvelle caractérisation de la transposée

Proposition 8.2.1 Pour tous X, Y ∈ Rn , pour toute matrice réelle A ∈

Mn (R), on :
hAX, Y i = hX, tAY i .

Démonstration : Évident ! Q.e.d.

Proposition 8.2.2 Soit A ∈ Mn (R). Alors sont équivalentes :

i) A est orthogonale ;
ii) ∀ X ∈ Rn , ||AX|| = ||X|| ;
iii) ∀ X, Y ∈ Rn , hAX, AY i = hX, Y i.

Démonstration : i) ⇒ ii) : Si A est orthogonale et si X ∈ Rn , alors :

||AX||2 = hAX, AXi = hX, tAAXi = hX, Xi .

ii) ⇒ iii) : si ∀ X ∈ Rn , ||AX|| = ||X||, alors pour tout X, Y ∈ Rn :

||A(X + Y )||2 = ||X + Y ||2

⇔ hAX + AY, AX + AY i = hX + Y, X + Y i
⇔ hAX, AXi + 2hAX, AY i + hAY, AY i = hX, Xi + 2hX, Y i + hY, Y i
8.3. RÉFLEXIONS ORTHOGONALES 117

⇔ hAX, AY i = hX, Y i .
iii) ⇒ i) :
On a :
∀
X, Y ∈ Rn , hAX, AY i = hX, Y i
⇔ ∀ X, Y ∈ Rn , htAAX, Y i = hX, Y i
⇔ ∀ X, Y ∈ Rn , htAAX − X, Y i = 0
en particulier si Y = tAAX − X, on trouve :

||tAAX − X||2

donc tAAX = X pour tout X ∈ Rn d’où tAA = In .

Q.e.d.

8.3 Réflexions orthogonales

Définition 49 Une réflexion orthogonale est une matrice R ∈ Mn (R) telle
que :
i)R = tR , ii)R2 = In , , iii) dim ker(R − In ) = n − 1 .

En particulier, les 
réflexions orthogonales sont des matrices orthogonales.
1 0 
Exemple : R = 
 .
0 −1
 
 v1 

.. 
Définition 50 Soit v = 
 .

 ∈ Rn tel que ||v|| = 1. On définit :
 
 
vn
 
G(v1 , ..., vn ) := vi vj ∈ Mn (R)
1≤i,j≤n

et :
Rv := In − 2G(v1 , ..., vn ) .

Proposition 8.3.1 La matrice Rv est une réflexion orthogonale et :

∀
X ∈ Rn , Rv (X) = X − 2hv, Xiv .
118 CHAPITRE 8. GROUPE ORTHOGONAL

Démonstration : Si G = [G(v1 , ..., vn ) avec v1 , ..., vn ∈ R tels que

v1+ ... + vn2
= 1, alors : G2 = G et tG = G. Donc Rv est orthogonale car
t
Rv = Rv ,Rv2 = In − 4G + 4G2 = In et Rv − In = −2G qui est une matrice
de rang 1 donc de noyau
  dimension n − 
de 1. 
 x1   y1 

..  
.. 
De plus, si X = . et si Rv (X) = . , alors :
   
  
   
   
xn yn

n
X
y i = xi − 2 vi vj xj = xi − 2hv, Xivi
j=1

pour tout 1 ≤ i ≤ n d’où : Rv − X) = X − 2hv, Xiv.

Q.e.d.

Lemme 8.3.2 Soient x, x0 ∈ Rn tels que ||x|| = ||x0 || = 1. Alors il existe

R ∈ On (R) tel que Rx = x0 .
x−x0
Démonstration : Si x 6= x0 , il suffit de prendre R = Rv où v := ||x−x0 ||
.
Q.e.d.

8.4 Réduction des matrices orthogonales

8.4.1 O2 (R)
 
 cos θ 
Soit θ ∈ R. On notera ∆θ := R   la droite du plan R2 passant
sin θ
par 0 et qui fait un angle θ avec « l’axe des abscisses » .

Exercice 35 Vérifier que les matrices

   
cos t − sin t  cos t sin t 
ρt :=  et Rt := 
 
 
sin t cos t sin t − cos t

sont orthogonales. Ce sont respectivement la matrice de la rotation (de centre

0) et d’angle t et la matrice de la réflexion orthogonale par rapport à l’axe
∆ 2t . Remarquer que dét ρt = −dét Rt = 1.
8.4. RÉDUCTION DES MATRICES ORTHOGONALES 119

Nous allons voir que ce sont les seules matrices orthogonales 2 × 2.

Proposition 8.4.1
     

 cos t − sin t  
 
 cos t sin t  

O2 (R) =  : t∈ R ∪   : t∈R

 
sin t cos t sin t − cos t

 
 
 


  

 cos t − sin t  

SO2 (R) = : t∈R .

 
sin t cos t

 


Démonstration :

a2 + c 2 = 1
  



a b  

∈ O2 (R) ⇔ ab + cd = 0

 
c d



 b2 + d2 = 1



a b
donc il existe θ ∈ R tel que a = cos θ, c = sin θ. De plus = ad − bc :
c d
 = ±1.
On a donc : 

 cos θd − sin θb = 
sin θd + cos θb = 0





 d =  cos θ
⇔ .
b = − sin θ



Q.e.d.

Exercice 36
∀
t, t0 ∈ R, ρt ρt0 = ρt+t0 , Rt0 Rt = ρ2(t0 −t)

Exercice 37 En déduire que O2 (R) est engendré par les réflexions orthogo-
nales.
120 CHAPITRE 8. GROUPE ORTHOGONAL

Exercice 38 On a un isomorphisme de groupes :

S 1 → SO2 (R)

eit 7→ ρt
en particulier, SO2 (R) est commutatif !

Remarque : Pour une rotation r ∈ SO2 (R), r = ρt ⇒ trr = 2 cos t.

 
 1 0 
Exercice 39 Pour tout t, Rt = ρ 2t   ρ− t .
2
0 −1

8.4.2 O3 (R)
Théorème 8.4.2 Soit A ∈ O3 (R). Il existe  = ±1, t ∈ R et P ∈ O3 (R)
tels que :  
  0 0 
 
A=P  P −1
 0 cos t −sint 
 
 
0 sin t cos t
trA−1
(remarque : alors  = dét A et cos θ = 2
).

Démonstration : Supposons que dét A = 1. Comme le polynôme ca-

ractéristique de A est réell de degré 3, il admet 3racines réelles λ1 , λ2 , λ3 ou
une racine réelle λ et deux racines complexes conjuguées µ, µ. Dans le prmier
cas λ1 λ2 λ3 = 1 et dans le second : λ|µ|2 = 1. Dans les deux cas, A admet au
moins une valeur propre réelle λ > 0. Il existe alors v ∈ R3 de norme 1 tel
que : Av = λ[Link] ||Av|| = ||v||, on a :

||λv|| = λ = 1

donc 1 est valeur propre de A.  

 1 
 
Il existe P ∈ O3 (R) tel que P 
 0 

= v. Mais alors :
 
 
0

Av = v
8.4. RÉDUCTION DES MATRICES ORTHOGONALES 121

   
 1   1 
   
⇔ AP  =P 0 
 0 
   
 
   
0 0

   
 1   1 
   
P −1 AP 
 0 = 0  .
  
   
   
0 0

Posons B := P −1 AP . La matrice B est orthogonale car P et A le sont et

comme    
 1   1 
   
 0 = 0  ,
B   
   
   
0 0
B est de la forme :  
 1 α β 
 

 0 a b 

.
 
 
0 c d
 
 a b 
Donc : tBB = I3 ⇒ α = β = 0 et   ∈ SO2 (R) (car dét B = 1).
c d
Or, on a déjà vu que :
  

 cos t − sin t  

SO2 (R) = : t∈R .

 
sin t cos t

 


Si dét A = −1, on est ramené au cas précédent avec −A à la place de A.

Q.e.d.

Définition 51 Soit I3 6= A ∈ SO3 (R). On appelle axe de la rotation A la

droite : ker(A − I3 ) (c’est bien une droite (exo)).
122 CHAPITRE 8. GROUPE ORTHOGONAL

Exercice 40 Soient t, t0 ∈ R. S’il existe P ∈ O3 (R) tel que :

   
 1 0 0   1 0 0 
   
 −1
0 cos t −sint =P 0 cos t0 −sint0  P
  
  
   
   
0 sin t cos t 0 sin t0 cos t0

alors t = ±t0 mod 2π (indication : calculer la trace ).

« Réciproquement » :
   
 1 0 0   1 0 0 
   
 −1

 0 cos t −sint

 =P 
 0 cos(−t) −sin(−t) P
   
   
0 sin t cos t 0 sin(−t) cos(−t)
 
 1 0 0 
 
avec P = 0 1 0 .
 

 
 
0 0 −1

8.4.3 Cas général

Théorème 8.4.3 Soit A ∈ On (R). Alors il existe une matrice orthogonale
P telle que :
A = P RP −1
où R est de la forme :
 
1
 
 
 

 1 

 

 −1 

 
R= 



−1
 
 
 

 ρθ1 

 
 
 
ρθr
 
 cos θi − sin θi 
où ρθi =  .
sin θi cos θi
8.4. RÉDUCTION DES MATRICES ORTHOGONALES 123

Remarque : Si le nombre de −1 dans la matrice réduite est impair,

dét A = −1, dét A = 1 sinon.  
1 0 
Cas où n = 2, 3 : Si n = 2, A = ρθ ou A = P   P −1 pour une

0 −1
certaine matrice orthogonale P .
Si n = 3, alors :
 
  0 0 
 
 −1
A=P 
 0 cos θ − sin θ P
 
 
0 sin θ cos θ

pour une certaine matrice orthogonale P et  = ±1.

Démonstration : On raisonne par récurrence sur n. Notons e1 , ..., en la
base canonique de Rn . Soit A ∈ On (R). Soit λ ∈ C une valeur propre de A.
Si λ ∈ R, alors λ = ±1. Soit v un vecteur propre de norme 1 associé. Soit
P ∈ On (R) tel que P e1 = v. Alors :

P −1 AP e1 = e1

donc P −1 AP est orthogonale de la forme :

 
 1 0 ... 0 
 
 0 b1,1 ...
 

 .
 
 .. ...


 
 
0 ... bn−1,n−1

où la matrice (bi,j )1≤i,j≤n−1 ∈ On−1 (R). Il suffit d’appliquer l’hypothèse de

récurrence à cette matrice.
Supposons maintenant que A n’a pas de valeur propre réelle. Soit λ :=
a + ib ∈ C une valeur propre complexe (non réelle). Soit Z ∈ Cn un vecteur
propre de A associé. Il existe X, Y ∈ Rn tels que Z = X + iY . Alors :

AX = aX − bY et AY = bX + aY

Comme A est orthogonale, on a aussi :

hAX, AXi = hX, Xi ⇒ (a2 − 1)||X||2 + b2 ||Y ||2 − 2abhX, Y i = 0

hAY, AY i = hY, Y i ⇒ (a2 − 1)||Y ||2 + b2 ||X||2 + 2abhX, Y i = 0

124 CHAPITRE 8. GROUPE ORTHOGONAL

hAX, AY i = hX, Y i ⇒ (a2 − b2 − 1)hX, Y i + ab||X||2 − ab||Y ||2 = 0 .

On en déduit : a2 + b2 = 1 et :
b a
hX, Y i = (||Y ||2 − ||X||2 ) = − (||Y ||2 − ||X||2 )
2a 2b
D’où : si ||Y ||2 6= ||X||2 : 2b2 = −2a2 et a = b = 0 absurde donc ||Y ||2 = ||X||2
et hX, Y i = 0.
On peut supposer que ||X|| = ||Y || = 1. Soit R1 ∈ On (R) tel que R1 X =
e1 . On pose :


 In si R1 Y = e2
R2 :=

 R e2 −R1 Y si R1 Y 6= e2 .
||e2 −R1 Y ||

Comme hR1 Y, e1 i = hR1 Y, R1 Xi = hY, Xi = 0, on a R2 R1 X = e1 . On a

aussi, R2 R1 Y = e2 .
Donc (R2 R1 )−1 AR2 R1 est une matrice orthogonale de la forme :
 
 U V 
 
0 Z

où U ∈ M2 (R), Z ∈ Mn−2 (R), V ∈ M2,n−2 (R).

Comme (R2 R1 )−1 AR2 R1 est orthogonale, on a :

U ∈ O2 (R) , Z ∈ On−2 (R) , tV U = 0 ⇒ V = 0 .

Il reste à appliquer l’hypothèse de récurrence à Z.

Q.e.d.

8.5 Les quaternions

Rappelons que :
    

 a −b  
 a −b 
C'  ∈ M2 (R) a + ib 7→   .

 
b a b a

 


Sur le même modèle, on peut construire l’algèbre des quaternions à partir

de C.
8.5. LES QUATERNIONS 125

8.5.1 Définitions
Définition 52 Soit
  

H := a b 

 

∈ M2 (C) .

 
−b a

 


Exemple : Par exemple :

     

1 := I2 , I := 
 i 0 
 , J := 
 0 1 
 , K := 
 0 i 
 ∈ H.
0 −i −1 0 i 0

Proposition 8.5.1 Hest une sous-R−algèbre de M2 (C) i.e. : I2 ∈ et H H

est stable par addition, par multiplication par un scalaire réel et par multipli-
cation.

Démonstration : Pour la stabilité par multiplication, on vérifie que :

    
0 0 0 0
a b  a b  aa − bb0 ab + a0 b
= .
  
   
−b a −b0 a0 −ab0 + a0 b aa0 − bb0

Q.e.d.

Exercice 41 Vérifier que

H = R1 ⊕ RI ⊕ RJ ⊕ RK .

Table de mulitplications :
I 2 = J 2 = K 2 = −1
IJ = −JI = K , JK = −KJ = I , KI = −IK = J
IJK = −1
(exo)  
 v1 
 
Remarque : Si s ∈ R, ~v = 
 v2 

∈ R3 , alors on pose :
 
 
v3

[s, ~v ] := s + v1 I + v2 J + v3 K ∈ H.
126 CHAPITRE 8. GROUPE ORTHOGONAL

~ ∈ R3 :
On a alors pour s, t ∈ R, ~v , w
~ = [st − ~v .w,
[s, ~v ][t, w] ~ + ~v ∧ w]
~ t~v + sw ~ .

Définition 53 On appelle quaternions purs les quaternions de la forme :

xI + yJ + zK , x, y, z ∈ R
H0 les sous-espace des quaternions purs.
et on note
On identifiera R avec RI2 ⊆ H.
Exercice 42 Pour tout q ∈ H :
q ∈ R ⇔ q 2 ∈ R+
q∈ H0 ⇔ q2 ∈ R−
 

Remarque : Pour tout q =  

a b 
∈ H, dét q = |a|2 + |b|2. Donc,
−b a
q 6= 0 ⇒ q inversible dans M2 (C).
Proposition 8.5.2 L’algèbre H
est une algèbre à division i.e. tout q ∈ H
H H
non nul est inversible dans . De plus, le centre de , c-à-d l’ensemble des
H
x ∈ tels que xq = qx pour tout q ∈ , est R. H
 

Démonstration : Soit 0 6= q = 
 a b 
 ∈ H. Alors,
−b a
 

q −1 = 2
1
|a| + |b|2
 a −b 
 ∈ H.
b a
H
Soit x = a + bI + cJ + dK ∈ , alors si x est dans le centre de H, on a
en particulier :
xI = Ix et xJ = Jx
⇒b=c=d=0 .
La réciproque est clair : si x ∈ R, alors ∀ q ∈ H, xq = qx. Q.e.d.

Remarque : Dans H, l’équation X 2 +1 a une infinité de solutions, parmi

lesquelles : I, J, K.
Exercice 43 Vérifier que Q8 := {±I1 , ±I, ±J, ±K} est un sous-groupe de
H \ {0}.
8.5. LES QUATERNIONS 127

8.5.2 Norme
Pour tout q ∈ H, on pose :
q ∗ := tq .

Propriétés :
∀
q1 , q2 ∈ H, (q1q2)∗ = q2∗q1∗
∀
q∈ H, qq∗ = q∗q = dét (q)I2 ∈ R+I2
∀
a, b, c, d ∈ R, (a + bI + cJ + dK)∗ = a − bI − cJ − dK .
√
Définition 54 On pose pour tout q ∈ , ||q|| := qq ∗ . H
Proposition 8.5.3 L’application :

H × H → R+ (q, q0) 7→ hq, q0i := 12 (qq0∗ + q0q∗)

est un produit scalaire.

Démonstration : Si q = a + bI + cJ + dK, q 0 = a0 + b0 I + c0 J + d0 K
avec a, a0 , b, b0 , c, c0 , d, d0 , alors : hq, q 0 i = aa0 + bb0 + cc0 + dd0 ; c’est la formule
du produit scalaire standard sur R4 . Q.e.d.

On remarque :
∀
q, q 0 ∈ H, ||qq0|| = ||q||||q0||
donc :
G := S 3 := SU2 := {q ∈ H : ||q|| = 1}
est un sous-groupe de H
\ {0}.
Ce groupe joue vis-à-vis des rotations de SO3 (R) le même rôle que le
groupe S 1 vis-à-vis de SO2 (R).

8.5.3 Lien avec les rotations

Pour tout 0 6= q ∈ H, on pose :
sq : H0 → H0 y 7→ sq (y) := qyq −1

(vérifier que si y ∈ H0 , sq (y) ∈ H0 ).

Pour tout 0 6= q ∈ H, on notera Sq la matrice de sq dans la base I, J, K
de H0 .
Remarque : La base I, J, K de H0 est orthonormale.
128 CHAPITRE 8. GROUPE ORTHOGONAL

Lemme 8.5.4 Si s = s1 I + s2 J + s3 K ∈ H0, avec s1, s2, s3 ∈ R et s21 + s22 +

s23 = 1, alors il existe g ∈ S 3 tel que :

sg (I) = s .

Démonstration : Il existe α, β ∈ R tels que :

s1 = cos α, s2 = sin α cos β, s3 = sin α sin β .

On pose alors :

g = cos ξI + sin ξ cos ηJ + sin ξ sin ηK

où ξ := − α2 , η = β. On a bien : sg (I) = s. Q.e.d.

Théorème 8.5.5 Pour tout q ∈ S 3 , Sq ∈ SO3 (R). De plus l’application :

S 3 → SO3 (R) q 7→ Sq

est un morphisme surjectif de groupes de noyau : ±1 i.e. :

∀
q, q 0 ∈ S 3 , Sqq0 = Sq Sq0

Sq = Sq0 ⇔ q 0 = ±q
et toute rotation R ∈ SO3 (R) est de la forme R = Sq pour un certain q ∈ S 3 .
Démonstration : On a bien un morphisme de groupes :
Soient q, q 0 ∈ S 3 . Alors :
∀
y∈ H0, sq sq (y) = qq0yq0−1q−1 = (qq0)y(qq0)−1 = sqq (y) .
0 0

Donc sq sq0 = sqq0 d’où : Sq Sq0 = Sqq0 .

On arrive bien dans O3 (R) ...
De plus :
∀
y∈ H0, ||sq (y)|| = ||qyq−1|| = ||q||||y||||q−1|| = ||y||
donc Sq ∈ O3 (R) pour tout q ∈ S 3 .
... plus précisément dans SO3 (R) :
Nous allons voir que les Sq sont en fait des rotations.
On commence par un cas particulier :
Si q = a + bI ∈ S 3 , avec b ≥ 0, alors on peut trouver θ ∈ R tel que :
θ θ
a = cos et b = sin .
2 2
8.5. LES QUATERNIONS 129

On vérifie alors que :

 
 1 0 0 
 
Sq = 
 0 cos θ − sin θ

 ∈ SO3 (R) .
 
 
0 sin θ cos θ

Si q est quelconque ...

Alors : q = a + p où p ∈ H0. On a alors : 1 = a2 + ||p||2. Si p = 0, alors
p
Sq = I3 ∈ SO3 . Sinon, ||p|| ∈ H0 et d’après le lemme, il existe g ∈ S 3 tel que :
p
sg (I) = gIg −1 = .
||p||
On a alors :
sg (a + ||p||I) = q
(exo).
Soit r := a + ||p||I. On a donc : grg −1 = q d’où :

Sq = Sg Sr Sg−1

or Sr ∈ SO3 (R) d’après la première partie de la démonstration donc Sq ∈

SO3 (R) (car de déterminant 1).
Il reste à montrer la surjectivité :  
 v1 
 
Soit R ∈ SO3 (R). Il existe un vecteur propre v := v2  ∈ R3 de poids
 

 
 
v3
3
1 de R.D’après le lemme, il existe g ∈ S tel que : sg (I) = v1 I + v2 J + v3 K.
Mais alors :    


1   1 
   
Sg−1 RSg 0  = 0  .
   

   
   
0 0
Donc, comme Sg−1 RSg ∈ SO3 (R), on a :
 
 1 0 0 
 
Sg−1 RSg = 0 cos θ − sin θ
 
 
 
 
0 sin θ cos θ
130 CHAPITRE 8. GROUPE ORTHOGONAL

pour un certain θ ∈ R. Donc si on pose :

θ θ
r := cos + sin I
2 2
on a :
Sg−1 RSg = Sr ⇔ R = Sg Sr Sg−1
⇔ R = Sgrg−1
d’où la surjectivité.
Pour finir le noyau est {±1} :
Si Sq = I3 alors :
∀
y∈ H0, sq (y) = y
⇔ ∀y ∈H0, qyq−1 = y ⇔ qy = yq
⇔ ∀ y ∈ H, qy = yq
⇔q∈R .
Si q ∈ S 3 , alors ||q|| = |q| = 1 ⇒ q = ±1.
Q.e.d.

Exercice 44 Soit q ∈ S 3 . Si q = ±1, alors Sq = I3 . Sinon, q = a + p avec

H
a ∈ R, 0 6= p ∈ 0 et a2 + ||p||2 = 1. Mais alors il existe θ ∈ R tel que :

θ θ
a = cos et ||p|| = sin .
2 2
 
 p1 
 
Posons aussi p~ :=  p2  si p = p1 I + p2 J + p3 K. Avec ces notations, Sq
 
 
 
p3
est la rotation d’axe R~p et d’angle θ.
Chapitre 9

Invariants de similitude

9.1 Matrices à coefficients polynomiaux

K
Lemme 9.1.1 Soit A ∈ Mn ( [X]). La matrice A est inversible dans Mn ( [X]) K
si et seulement si dét A est une constante non nulle. Autrement dit :

K K
GLn ( [X]) = {A ∈ Mn ( [X]) : dét A ∈ K∗ } .

Démonstration : Si AB = In pour une matrice B ∈ Mn ( [X]), alors : K

dét Adét B = 1

donc dét A est un polynôme inversible. Donc dét A ∈ K \ {0}. Réciproque-

ment, si dét A ∈K \ {0}, alors :

A−1 =
1 t
dét A
K
com(A) ∈ Mn ( [X]) .

Q.e.d.

Définition 55 On notera pour toute matrice non nulle A ∈ Mn ( [X]) K

d1 (A) := le pgcd unitaire des coefficients de A

c’est le polynôme unitaire de degré maximal qui divise tous les coefficients
de A.

K
Proposition 9.1.2 Si P, Q ∈ Mn ( [X]) sont des matrices inversibles (c-à-d dont
le déterminant est une constante non nulle), alors d1 (P AQ) = d1 (A).

131
132 CHAPITRE 9. INVARIANTS DE SIMILITUDE

Démonstration : Notons ci,j les coefficients de P AQ. Alors :

n
∀
X
i, j , ci,j = Pi,k Ak,l Ql,j
k,l=1

donc d1 (A) divise ci,j pour tous i, j. Donc d1 (A) divise d1 (P AQ). De même
d1 (P AQ) divise d1 (A) = d1 (P −1 (P AQ)Q−1 ). Ainsi, d1 (A) = d1 (P AQ).
Q.e.d.

9.1.1 Matrices élémentaires

Ce sont les matrices de l’une des formes suivantes :
Ti,j (λ) « la matrice In à laquelle on a ajouté un polynôme λ ∈ K[X] en
position i, j »

 
 1 ... λ(X) 
 .. 

 . 

 
 .. 

 . 

 
1

— Σi « la matrice obtenue à partir de In en permutant les colonnes i et

i+1» :
 
1 ==
 ==i−1 fois 

 = 


 1 

 

 0 1 

Σi :=  
1 0
 
 
 
1
 
 == 
==
i−1 fois
 
=
 
 
1

— Di (α) « la matrice obtenue à partir de In en remplaçant le ième coef-

K
ficient diagonal par α ∈ ∗ :
9.2. RÉDUCTION DES MATRICES À COEFFICIENTS POLYNOMIAUX133

 
 1 

.. 

 . 

 
 

 α 
 .
..
 
.
 
 
 
 
1

Remarque : Ces matrices sont toutes inversibles dans Mn ( [X]). K

9.2 Réduction des matrices à coefficients poly-

nomiaux
K
Définition 56 Soient A, B ∈ Mn ( [X]). On dira que A est équivalente à
K
B, notation : A ∼ B s’il existe P, Q ∈ GLn ( [X]) telles que : A = P BQ.

Exercice 45 C’est une relation d’équivalence i.e. :

∀
K
A, B, C ∈ Mn ( [X]), A ∼ A ;

A∼B⇒B∼A;
A∼B∼C⇒A∼C .

K
Lemme 9.2.1 Soit A ∈ Mn ( [X]) une matrice non nulle. Alors, A est
équivalente à une matrice de la forme :
 
d (A) 0 0
 1
 

 0 

 
 
 
 
 
A0
 
 
 
 
 
 
 
 
0

pour une certaine matrice A0 ∈ Mn−1 ( [X]). K

134 CHAPITRE 9. INVARIANTS DE SIMILITUDE

Démonstration : On utilise la multiplication à gauche et à droite par

des matrices élémentaires. Dans le tableau suivant, on rappelle l’effet de la
multiplication d’une matrice A par les matrices élémentaires :

Matrices élémentaires effet de la multiplication à gauche effet de la multiplication à droite

E EA AE
Ti,j (λ) « ajoute λ× la ligne i à la ligne j » « ajoute λ× la colonne i à la colonne j »
Di (α) « multiplie la ligne i par α » « multiplie la colonne i par α »
Σi « échange les lignes i et i + 1 » « échange les colonnes i et i + 1 »

Soit d le degré minimal d’un coefficient non nul bi,j d’une matrice B
équivalente à A. Quitte à permuter des lignes ou des colonnes de B, on peut
supposer que b1,1 est de degré d. Soit 2 ≤ j ≤ n, ladivision euclidienne de b1,j
par b1,1 donne :
b1,j = qb1,1 + r1,j
où deg r1,j < deg b1,1 . Donc en retranchant q× la colonne 1 à la colonne j de
B on obtient une matrice équivalente à B donc à A dont la première ligne
est de la forme :
b1,1 ...r1,j ...
Si r1,j 6= 0, on a contredit la minimalité de d. Donc r1,j = 0 et b1,1 divise
b1,j . En raisonnant comme cela avec tous les colonnes 2 ≤ j ≤ n et de même
avec toutes les lignes 2 ≤ i ≤ n, on s’aperçoit que l’on peut supposer que
les coefficients b1,j et bi,1 sont nuls si 2 ≤ i, j ≤ n. Soit bi,j un coefficient de
B avec i, j ≥ 2. En ajoutant la ligne i à la ligne 1, on trouve une matrice
équivalente à A dont la première ligne comprend les termes :

b1,1 ...bi,j ...

On a alors vu que b1,1 divise bi,j .

On a donc montré que A est équivalente à une matrice B de la forme :
 
b1,1 0 0

 

 0 

 
 
 
 
 
A0
 
 
 
 
 
 
 
 
0

où b1,1 divise tous les coefficients de la matrice A0 et où l’on peut supposer que
b1,1 est unitaire (quitte à multiplier la ligne 1 par un coefficient constant non
9.2. RÉDUCTION DES MATRICES À COEFFICIENTS POLYNOMIAUX135

nul) . Mais alors d1 (B) = b1,1 . Et comme A est équivalente à B, d1 (A) = b1,1 .
Q.e.d.

Exemple :
     
X −1  C1 ↔C2  −1 X  −C1  1 X 
 ∼   ∼ 

 
0 X X 0 −X 0
   
L2 ←L2 +XL1  1 X  C2 ←C2 −XC1  1 0 
∼   ∼   .
0 X2 0 X2

K
Théorème 9.2.2 Soit A ∈ Mn ( [X]). Alors, il existe r ≥ 0 et une suite
P1 , ..., Pr de polynômes unitaires dans [X] tels que : K
i) P1 |P2 |...|Pr
 
P
 1 
 .. 

 . 

 
 
 Pr 
ii) A ∼
 
 
0
 
 
 
 .. 

 . 

 
0
(« | » signifie divise). De plus, si s ≥ 0 et une suite Q1 , ..., Qs de polynômes
unitaires vérifient aussi i)etii), alors : s = r et Qi = Pi pour tout 1 ≤ i ≤ r.
Démonstration : Pour l’existence es P1 , ..., Pr , il suffit de raisonner par
récurrence sur n, la taille de la matrice A, et d’utiliser le lemme 9.2.1.
Pour l’unicité, on peut aussi raisonner par récurrence sur n.
Si on a :
   
P
 1 
Q
 1 
 ..   .. 

 . 


 . 

   
   
 Pr   Qs 



 ∼A∼ 



0 0
   
   
   
 ..   .. 

 . 


 . 

   
0 0
136 CHAPITRE 9. INVARIANTS DE SIMILITUDE

et P1 |...|Pr , Q1 |...|Qs alors on peut supposer A 6= 0 et on a forcément P1 =

Q1 = d1 (A). Mais alors :
   

P1  
P1 
 ..   .. 

 . 


 . 

   
   
 Pr   Qs 



 ∼ 



0 0
   
   
   

 ... 


 ... 

   
   
0 0

entraîne
   
P
 2 
Q
 2 
 ..   .. 

 . 


 . 

   
   
 Pr   Qs 
∼
   
   
0 0
   
   
   
 ..   .. 

 . 


 . 

   
0 0

(exo) Q.e.d.

Remarque : Si dét A 6= 0, alors r = n et dét A = P1 ...Pn .

Définition 57 Les Pi différents de 1 sont appelés les diviseurs élémentaires

K
de A. Si A ∈ Mn ( ), les diviseurs élémentaires de XIn − A sont appelés les
invariants de similitude de A.

K
Exercice 46 Si A, B ∈ Mn ( ) sont semblables, alors A et B ont les mêmes
invariants de similitude. Pour la réciproque, cf. la section suivante.

9.3 Invariants de similitude

Quels sont les invariants de similitude d’une matrice compagnon ?
9.3. INVARIANTS DE SIMILITUDE 137

Lemme 9.3.1 Soient P (X) := X n + a1 X n−1 + ... + an ∈ K[X] et

0 −cn
 
08
 88
8

 1 8 888
 
 88 8
K

8
 0 7 888 888

CP := ∈ Mn ( )
 
 77 88

77 88

77 88 0
 
 
 
0 0 1 −c1
la matrice compagnon associée. Alors la matrice CP a un seul invariant de
similitude : le polynôme P (X).

Démonstration :
an
 
X @ 0 ?? 0
@@ ?
 −1 @@@ ??
 ? 
@ @ ?


@@ @@ ? 
0 >> @@@@ @@@@ 0
 
XIn − CP := 
 
>> @@

>> @@ X
 
> @@
 
>
 
 
0 0 −1 X + a1
 
0 0 ?? 0 P (X)
??
 −1 X ???
 
 
BB A ?
BB AAA ?

 
L1 ←L1 +XL2 +...+X n−1 Ln  B AA

∼  0 BB BBB AA 0
 
BB BB

BB BB
 
BB BB X
 
B
 
 
0 0 −1 X + a1

−1> X an−1
 
0: 0
>> ::
::
0 == >>>>
 
::
 
== >>
 
== >>
 

L1 ↔Ln 
 == >> 0 

∼  == >>

== >> X a2 
== >
 
 
 == 
 == −1 X + a1 
=
 
 
0 0 P (X)
 
1 ==
==
=
 
 
∼
 

 1 

 
P (X)
138 CHAPITRE 9. INVARIANTS DE SIMILITUDE

Q.e.d.

Lemme 9.3.2 Soient A, B ∈ Mn ( ). alors : K

XIn − A ∼ XIn − B ⇔ A est semblable à B.

Démonstration : Démontrons le sens difficile : ⇒ : on suppose qu’il

K
existe P, Q ∈ GLn ( [X]) telles que :

XIn − A = P (XIn − B)Q .

K
Il existe deux matrices P0 , P1 ∈ Mn ( ) telles que P = (XIn − A)P1 + P0 .
En effet, comme XIn − A et A commutent, on a pour tout k ≥ 1 :

X k In = ((XIn − A) + A)k = (XIn − A)Rk + Ak

K
pour une certaine matrice Rk ∈ Mn ( [X])† . Or, P = X m Cm + ... + C0
pour certaines matrices C0 , ..., Cm ∈ Mn ( ) (on a simplement décomposéK
les coefficients en somme de monômes et regroupé les monômes par degrés).
Donc :

P = (XIn − A) (Rm + ... + R1 ) + (Am Cm + ... + C0 ) .

| {z } | {z }
=:P1 =:P0

K
De même, il existe Q0 , Q1 ∈ Mn ( [X]) telles que Q = Q1 (XIn − A) + Q0 .
Mais alors :

XIn − A = ((XIn − A)P1 + P0 )(XIn − B)(Q1 (XIn − A) + Q0 )

= P0 (XIn − B)Q0 + (XIn − A)P1 (XIn − B)Q1 (XIn − A)

+P0 (XIn − B)Q1 (XIn − A) + (XIn − A)P1 (XIn − B)Q0 .
Or :

P0 (XIn − B)Q1 (XIn − A) = (P − (XIn − A)P1 )(XIn − B)Q1 (XIn − A)

 
−1
= (XIn − A) Q Q1 − P1 (XIn − B)Q1 (XIn − A)

car P (XIn − B) = (XIn − A)Q−1 .

De même :
 
(XIn −A)P1 (XIn −B)Q0 = (XIn −A) P1 P −1 −P1 (XIn −B)Q1 (XIn −A).

†
Pk−1 k


il suffit de prendre Rk = j=0 j (XIn − A)k−j−1 Aj .
9.3. INVARIANTS DE SIMILITUDE 139

On a donc montré que :

XIn − A = P0 (XIn − B)Q0 + (XIn − A)S(XIn − A)
où :
S := Q−1 Q1 − P1 (XIn − B)Q1 + P1 P −1 ∈ Mn ( [X]) . K
Finalement, on a obtenu :
XIn − A − P0 (XIn − B)Q0 = (XIn − A)S(XIn − A) .
Si S 6= 0, le terme de droite est de degré au moins 2 alors que le terme de
gauche est toujours de degré ≤ 1 : contradiction !
Donc S = 0 et :
XIn − A = P0 (XIn − B)Q0
K
avec P0 , Q0 ∈ Mn ( ). Enfin, on conclut :
XIn − A = P0 (XIn − B)Q0 ⇔ XIn − A = XP0 Q0 − P0 BQ0
⇔ P0 Q0 = In et A = P0 BQ0
⇒ P0 inversible et A = P0 BP0−1 .
Q.e.d.
Voici le théorème principal du chapitre (et même du cours) :
K
Théorème 9.3.3 Soit A ∈ Mn ( ). Il existe 1 ≤ r ≤ n et P1 , ..., Pr ∈ K[X]
des polynômes unitaires tels que :
i) P1 |...|Pr ;
 

1 

 ... 

 
 
 
 1 
ii) XIn − A ∼ .
 
 
P1
 
 
 
 .. 

 . 

 
Pr
De plus, A est semblable à la matrice diagonale par blocs :
 
 CP1 
..
 
.
 
 
 
 
CPr
140 CHAPITRE 9. INVARIANTS DE SIMILITUDE

où les CPi sont les matrices compagnons associées aux polynômes Pi . En

particulier :

χA (X) = P1 ...Pr et Pr est le polynôme minimal de A.

K
Corollaire [Link] Si A, B ∈ Mn ( ) ont les mêmes invariants de simili-
tude alors A et B sont semblables.

Démonstration : A et B sont semblables à la même matrice diagonale

par blocs « compagnons » d’après le théorème. Q.e.d.

Démonstration du théorème principal : Soient P1 , ..., Pr les inva-

riants de similitude de A. Alors i) et ii) sont vérifié[Link] particulier :
 

1 
 .. 

 . 

 
 
 1 
XIn − A = P 
 Q

P1
 
 
 

 ... 

 
 
Pr

K
pour certaines matrices P, Q ∈ GLn ( [X]). En prenant le déterminant, on
trouve :
χA (X) = dét P (P1 ...Pr )dét Q
⇒ χA (X) = cP1 ...Pr
K
où c := dét P dét Q ∈ ∗ . Comme χA (X) et P1 ...Pr sont unitaires, c = 1.
En particulier, deg χA (X) = n = deg P1 + ... + deg Pr . Donc dans la
 

1 
 .. 

 . 

 
 
 1 
matrice , le nombre de « 1 » sur la diagonal est :
 

P1
 
 
 
 .. 

 . 

 
Pr

n − r = (deg P1 − 1) + ... + (deg Pr − 1) .

9.3. INVARIANTS DE SIMILITUDE 141

On en déduit que :
 
CP1
K
 
...
 
∈ Mn ( )
 
 
 
 
CPr

et que :
   
1 ==
==
=
   
   
   
 



 1 
 

   
 CP1 

 P1 

.. ..
   
. ∼ .
   
   
     
1 ==
   
CPr 
 ==


=
   
   
 
1
   
   
   
Pr

 

1 
 .. 

 . 

 
 
 1 
∼ ∼ XIn − A .
 
 
P1
 
 
 
 .. 

 . 

 
Pr
 
 CP1 
...
 
On applique alors le lemme 9.3.2 aux matrices A et .
 

 
 
CPr
Il reste à montrer que Pr est le polynôme minimal
 de A. Ilsuffit de
 CP1 
..
 
vérifier que Pr est le polynôme minimal de C := . . Or, un
 

 
 
CPr
142 CHAPITRE 9. INVARIANTS DE SIMILITUDE

polynôme p(X) annule C si et seulement si p(CP1 ) = ... = p(CPr ) = 0 i.e.

Pi |p(X) pour tout i (car CPi a pour polynôme minimal Pi ). Donc :

p(C ) = 0 ⇔ Pr |p(X) .

Ainsi, C , et donc A, ont pour polynôme minimal Pr . Q.e.d.

Index

I(σ), ensemble des inversions d’une Pascal, 3

permutation σ, 24 poids, 79
K
GLn ( ), groupe des matrices inver- polynôme annulateur, 67
sibles, 7 polynôme caractéristique, 42
(σ), signature d’une permutation σ, polynôme annulateur, 71
24 premiers entre eux, 75
multλ P , multiplicité, 56 projection, 53
ma (λ), 57
mg (λ), 57 quaternions, 124
quaternions purs, 126
diagonaliser, 53
polynôme minimal, 71 rang, 19
réflexion, 54
axe d’une rotation, 121
scindé, 56
bloc de Jordan, 91 signature, 24
somme directe, 50
Cayley-Hamilton, 67   sous-espace caractéristique, 80
coefficient binomial, nk , Cnk , 102 spectre, 40
cyclique, 92
trace, 44
diagonalisable, 52 trigonalisable, 60

espace propre, 49 valeur propre, 40

exponentielle d’une matrice, 106 vecteur propre, 40
vecteur propre généralisé, 79
groupe général linéaire, 7

hauteur, 79

inversion (d’une permutation), 24

matrice compagnon, 47
matrice de Jordan, 91
multiplicité algébrique, 57
multiplicité géométrique, 57

143