Calcul Matriciel et Applications

L2 – Mathématique + Economie – Le Mans Université

Notes basées sur les cours de David Nikolovski et de Jean Della-Dora

Christophe Dutang

[Link]

Année scolaire 2016-2017

Table des matières

Tables des matières 1

1 Algèbre matricielle 3

1.1 Groupe, anneau, espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.2 Notations et opérations de base pour les matrices . . . . . . . . . . . . . . . . . . . . 4

1.3 Matrices spéciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

1.4 Calcul de déterminant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

1.5 Applications linéaires et matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

1.6 Utilisation des matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2 Polynômes d’endomorphisme 17

2.1 Endomorphismes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2.2 Valeur propre, vecteurs propres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

2.3 Polynôme caractéristique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

2.4 Endomorphisme diagonalisable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2.5 Diagonalisation de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

2.6 Trigonalisation de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

3 Application de la dia(tri)gonalisation 35

3.1 Calcul de puissance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

1
TABLE DES MATIÈRES 2

3.2 Calcul d’exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

3.3 Systèmes différentiels linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

3.4 Systèmes matriciels X 2 = A . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

3.5 Suites récurrentes linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

4 Décompositions classiques de matrices 47

4.1 Décompisition LU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

4.2 Décomposition QR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

4.3 Décomposition de Cholesky (LLT ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

Chapitre 1

Algèbre matricielle (2 séances)

1.1 Groupe, anneau, espace vectoriel

Définition 1.1.1 (Groupe). L’espace E muni de l’opération + noté (E, +) est un groupe lorsque
— ∀x, y, z ∈ E, (x + y) + z = x + (y + z) (associativité),
— ∃e ∈ E, x + e = e + x = x (existence élément neutre),
— ∀x ∈ E, ∃x0 ∈ E, x + x0 = x0 + x = e (existence d’un symétrique).
Le groupe est dit commutatif ou abélien si ∀x, y ∈ E, x + y = y + x.

Remarque 1.1.1. Un groupe est non-vide puisqu’il contient l’élément neutre.

Exemple 1.1.2. (Z, +) est un groupe commutatif avec l’élement neutre 0 et comme symétrique de
n l’élément −n mais (N, +) n’en est pas un.

Définition 1.1.3 (Anneau). L’espace E muni des opérations + et × noté (E, +, ×) est un anneau
lorsque
— (E, +) est un groupe commutatif (avec e+ l’élément neutre),
— × est associative,
— × est distributive par rapport +, i.e. ∀x, y, z ∈ E, (a + b) × c = a × c + b × c et c × (a + b) =
c × a + c × b,
— × possède un élément neutre e× , i.e. ∀x ∈ E, x × e× = e× × x = x.
L’anneau est dit commutatif ou abélien si ∀x, y ∈ E, x × y = y × x. Si de plus tous les éléments
non nuls possèdent un inverse pour ×, alors (E, +, ×) est un corps.

Exemple 1.1.4. (Z, +, ×) est un anneau mais pas un corps, tandis que (R, +, ×) est un corps.

Définition 1.1.5 (Espace vectoriel). Un espace E muni de l’opération + et de la multiplication

par un scalaire . de K est un K-espace vectoriel noté (E, +, .) lorsque
— (E, +) est un groupe commutatif (avec 0E l’élément neutre),
— ∀λ, µ ∈ K, ∀x, y ∈ E, les opérations suivantes sont vérifiées


 λ(x + y) = λx + λy
(λ + µ)x = λx + µx


 λ(µx) = (λµ)x
1x = x


3
CHAPITRE 1. ALGÈBRE MATRICIELLE 4

Exemple 1.1.6. (R, +, .) est un R-espace vectoriel.

Définition 1.1.7 (Algèbre). Un espace E muni des opérations +, × et de la multiplication par un

scalaire . de K est un K-algèbre noté (E, +, ×, .) lorsque
— (E, +, .) est un K-espace vectoriel,
— × est distributive par rapport à +,
— ∀λ, µ ∈ K, ∀x, y ∈ E, (λ.x) × (µ.y) = (λµ).(x × y).
L’algèbre est dit associative si + est associatif et dit commutative si × est commutatif.

1.2 Notations et opérations de base pour les matrices

Définition 1.2.1 (Matrice). Une matrice A est un tableau de nombres réels ou complexes avec n
lignes et m colonnes. La matrice se représente par
 
a11 . . . a1m
A =  ... ..  = a
,

a . ij ij ij
an1 . . . anm

où aij est appelé terme général de la matrice A. Lorsque n = m, on parle de matrices carrés. L’en-
semble des matrices réelles (resp. complexe) est noté Rn×m (resp. Cn×m ). Kn×m désigne l’ensemble
des matrices de K = R ou C.

Exemple 1.2.2.
   
  1 −2 3 7 8
1 −2 3
A= , B = 0 −2 0  , C = 0 √−2 .
0 7 1.3
0 0 −10 π 2

∈ KnA ×mA , B = bij ∈ KnB ×mB , A et B sont égales si

Remarque 1.2.1. Pour A = aij ij ij
nA = nB et mA = mB et aij = bij .

Définition 1.2.3 (Somme). Pour A = aij ij , B = bij ij ∈ Kn×m , la matrice A + B est la

matrice C = cij ij dont les coefficients sont cij = aij + bij pour tout i = 1, . . . , n, j = 1, . . . , m.

Exemple 1.2.4.      
1 −2 3 4 0 −3 5 −2 0
+ =
0 7 1.3 1 −7 π 1 0 1.3 + π

Proposition 1.2.2. L’ensemble des matrices (Kn×m , +) muni de l’opération somme est un groupe
commutatif dont l’élément neutre est la matrice nulle. C’est à dire

A + (B + C) = (A + B) + C, A + 0 = A, A + (−A) = 0, A + B = B + A.

Définition 1.2.5 (Produit par un scalaire). Pour A = aij ij ∈ Kn×m et λ ∈ K, la matrice λA

est la matrice C = cij ij dont les coefficients sont cij = λaij pour tout i = 1, . . . , n, j = 1, . . . , m.

Exemple 1.2.6. √ √ 
√
√
2 −2√ 2 3 √2
2A = .
0 7 2 1.3 2
CHAPITRE 1. ALGÈBRE MATRICIELLE 5

Proposition 1.2.3. L’ensemble des matrices (Kn×m , +, .) muni de l’opération somme et du produit
par un scalaire est un K-espace vectoriel. C’est à dire (Kn×m , +) est un groupe commutatif et
λ(A + B) = λA + λB, (λ + µ)A = λA + µA, λ(µA) = (λµ)A, 1(A) = A.
Définition 1.2.7 (Produit). Pour A = aij ij ∈ Kn×m , B = bij ij ∈ Km×p , la matrice AB est la

matrice C = cij ij dont les coefficients sont cij = m

P
k=1 aik bkj pour tout i = 1, . . . , n, j = 1, . . . , m.
Autrement dit,
 
b11 b1j b1p
..
   
a11 . . . a1k . . . a1m  .. .. .. 
  . . .   .
... ...
 
m
 
A×B =
   .
.. b .
.. b  = 

...
P
aik bkj . . . 

 ai1 . . . aik . . . aim  ×   .

b

k1 kj kp  k=1
... ...
  
   .. .. ..  ..

 . . .
an1 . . . ank . . . anm .

ij
bm1 bmj bmp
Exemple 1.2.8.
 
  1 −2 3  
1 −2 3 1 2 −27
AB = × 0 −2
 0  = .
0 7 1.3 0 −14 −13
0 0 −10
Proposition 1.2.4. L’élément neutre de la multiplication de matrice est la matrice identité
 
1 0 ...
In = 
 .. .

.
... 0 1
Définition 1.2.9 (Inverse d’une matrice). Une matrice A ∈ Kn×n est inversible lorsque ∃B ∈
Kn×n , A × B = I = B × A. L’inverse si il existe est noté A−1 .
Proposition 1.2.5. Pour A ∈ Kn×m et B ∈ Km×p , on a
— n 6= m 6= p, l’existence de A × B n’entraine pas l’existence de B × A. Néanmoins, la somme
est distributive par rapport à la multiplication
A × (B + C) = A × B + A × C,
et la multiplication par un scalaire vérifie
A × (λB) = (λA) × B = λ(A × B).
— n = m = p, l’ensemble des matrices (Kn×n , +, ×) muni des opérations produit et somme est
un K-anneau. Dans ce cadre là, n × A et An sont parfaitement définies par itération de la
somme et de la multiplication. De plus (Kn×n , +, ×, .) est une K-algèbre associative (mais
pas commutative).
Définition 1.2.10 (Transposée). La transposée d’une matrice A = aij ij ∈ Kn×m est l’unique

matrice notée AT de Km×n de terme général (aji )ij . Une matrice carrée A est dit symétrique si
A = AT , i.e. aij = aji .
Exemple 1.2.11.
   
1 0 1 0 0  
T T T 7 0 π
√ .
A =  −2 7  , B =  −2 −2 0 , C =
8 −2 2
3 1.3 3 0 −10
CHAPITRE 1. ALGÈBRE MATRICIELLE 6

∈ Kn×n est notée Tr(A) =

Définition 1.2.12 (Trace). La trace d’une matrice A = aij ij
Pn
i=1 aii .

Exemple 1.2.13.
Tr(B) = −11.

Proposition 1.2.6. Lorsque les produits sont compatibles,

XX
(A × B)T = B T × AT , Tr(A × B) = Tr(B × A), Tr(A × AT ) = Tr(AT × A) = = a2ij .
i j

1.3 Matrices spéciales

1.3.1 Matrices usuelles

— nulle  
0 ... 0
 .. .. 
0 = . 0 .
0 ... 0
— identité de Kn×n  
1 0 ... 0
 .. .. 
0
 . . 

 .. ..
I= .

 . 1 . 
 .. .. 
 . . 0
0 ... 0 1
C’est à dire de terme général iij = δij le delta de Kronecker.
— diagonale de Kn×n  
d1 0 ... 0
 .. .. 
0
 . . 

D=
 .. .. .

 . di . 
 .. .. 
 . . 0
0 ... 0 dn
C’est à dire de terme général dij = 0 si i 6= j.
— triangulaire supérieure de Kn×n
 
t11 t12 . . . t1n
 0 ... ...
 

 
T =
 .. .. .

 . tii . 
 .. .. 
 . . tn−1,n 
0 ... 0 tnn

C’est à dire de terme général tij = 0 si i > j.

CHAPITRE 1. ALGÈBRE MATRICIELLE 7

— triangulaire inférieure de Kn×n

 
t11 0 ... 0
 .. .. 
 t21
 . . 

T =
 .. .. .

 . tii . 
 .. .. 
 . . 0 
tn1 ... tn,n−1 tnn

C’est à dire de terme général tij = 0 si i < j.

— matrice par bloc
 
a11 ... a1mA b11 ... b1mB
 .. .. .. .. 
  . . . . 

 
A B an 1
A ... anA mA bnB 1 ... bnB mB 
= .
C D  c11
 ... c1mC d11 ... d1mD 
 . .. .. .. 
 .. . . . 
cnC 1 . . . cnC mC dnD 1 . . . dnD mD
  
A B A 0
Typiquement bloc triangulaire supérieure , bloc diagonale .
0 I 0 B
— creuse : matrices avec une majorité de zéros, e.g. matrice identité.
— matrice inversible : matrice A ∈ Kn×n telle que ∃B ∈ Kn×n , A × B = I = B × A.
— semblable : A et B sont semblables si ∃P inversible, A = P BP −1 .

1.3.2 Matrices de transformation géométrique

— homothétie du type λI. C’est à dire de terme général dij = 0 si i 6= j et λ si i = j.

— ortogonale : matrice A telle que AT A = I.
— matrice de rotation : matrice orthogonale de déterminant 1. Typiquement
   
cos(θ) − sin(θ) 0 −1
, ,...
sin(θ) cos(θ) 1 0

— matrice de projection : matrice symétrique A telle que A2 = A.

— matrice de symétrie : matrice A telle que A2 = I.
— nilpotente : matrice A telle que ∃n ∈ N, An = 0 et An−1 6= 0.
— matrice de permutation : matrice dont les colonnes sont une permutation des colonnes de
la matrice identité. Autrement dit, matrice de 0 et de 1 où il y a un seul 1 par ligne et par
colonne.
CHAPITRE 1. ALGÈBRE MATRICIELLE 8

1.3.3 Matrices particulières

— matrice de Toeplitz  
a0 a−1 a−2 . . . . . . a−n+1
. .. 
a0 a−1 . .

 a1 . 
 
 .. .. .. .. 
 a2
 a1 . . . . 
.
 .. .. .. .. 
 .
 . . . a−1 a−2  
 .. .. 
 . . a1 a0 a−1 
an−1 . . . . . . a 2 a1 a0
C’est à dire de terme général aij n’est fonction que de |i − j|.
— matrice de Vandermonde
1 a1 a1 2 . . . a1 n−1
 
1 a2 a2 2 . . . a2 n−1 
 
1 a3 a3 2 . . . a3 n−1 
 .
. . . .
. . . .

. . . . 
1 am am 2 . . . am n−1
C’est à dire de terme général aij = (ai )j−1

1.4 Calcul de déterminant

Définition 1.4.1 (Déterminant d’une matrice). On appelle déterminant des matrices carrées de
Kn×n l’unique application det (:) Kn×n 7→ K telle que
(i) det () est une forme n-linéaire des colonnes de A,
(ii) det () est une forme alternée des colonnes de A,
(iii) det (I) = 1, où I est la matrice identité.
Autrement dit, en notant A.,j la jème colonne, (i) A.,j 7→ det (A) est linéaire pour tout j, (ii) si
∃i, j tel que A.,j = A.,i alors det (A) = 0. Notons que si n = 1, alors det (A) = a11 .
Définition 1.4.2 (Calcul du déterminant d’une matrice). On en déduit que le déterminant d’une
matrice carrée A de Kn×n se calcule pour une colonne arbitraire j
n
X
det (A) = aij (−1)i+j det (A−i,−j ) ,
i=1

ou se calcule pour une ligne arbitraire i

n
X
det (A) = aij (−1)i+j det (A−i,−j ) ,
j=1

où A−i,−j est la matrice A privée de la ième ligne et jème colonne. det (A−i,−j ) est appelée le
mineur de A relatif à aij , (−1)i+j det (A−i,−j ) le cofacteur de aij .
Exemple 1.4.3 (Cas particulier : n = 2). Pour une matrice de K2×2 , le déterminant vaut
 
a b
det = ad − bc
c d
CHAPITRE 1. ALGÈBRE MATRICIELLE 9

Exemple 1.4.4 (Cas particulier : dernière colonne creuse). Pour une matrice
 
0
.
A−n,−n .. 

A= ,

 0
an1 . . . an,n−1 1

on a det (A) = det (A−n,−n ).

Exemple 1.4.5 (Cas particulier : jème colonne creuse). Pour une matrice
 
a11 ... a1,j−1 0 a1,j+1 . . . a1n
 .. .. .. 

 . . . 

ai−1,1 . . . ai−1,j−1 0 ai−1,j+1 . . . ai−1,n 
 
A=  ai1 ... ai,j−1 1 ai,j+1 . . . ai,n ,
ai+1,1 . . . ai+1,j−1 0 ai+1,j+1 . . . ai+1,n 
 
 .. .. .. 
 . . . 
an1 ... an,j−1 0 an,j+1 ... ann

on a det (A) = (−1)i+j det (A−i,−j ) où

 
a11 ... a1,j−1 a1,j+1 ... a1n
 .. .. 

 . . 

ai−1,1 ... ai−1,j−1 ai−1,j+1 . . . ai−1,n 
A−i,−j = ai+1,1
.
 ... ai+1,j−1 ai+1,j+1 . . . ai+1,n 

 .. .. 
 . . 
an1 ... an,j−1 an,j+1 ... ann

Exemple 1.4.6 (Cas particulier : triangulaire supérieure). Pour une matrice

 
t11 t12 ... t1n
 0 ... ..
 
 . 

T =
 .. .. ,

 . tii . 
 .. .. 
 . . tn−1,n 
0 ... 0 tnn
n
Q
on a det (T ) = tii .
i=1

Proposition 1.4.1. Le déterminant possède les propriétés suivantes :

— Si on permute deux lignes ou deux colonnes, le déterminant change de signe.
— Si deux lignes ou deux colonnes sont identiques, le déterminant est nul.
— Si on multiplie tous les termes d’une même ligne ou d’une même colonne par µ ∈ K, le
déterminant est multiplié par µ.
— On peut ajouter à une colonne (ou une ligne) un multiple d’une autre colonne (ou d’une
autre ligne) sans changer la valeur du déterminant. En conséquence, si une ligne ou une
colonne est nulle, le déterminant est nul.
— Pour deux matrices carrées A et B, on a det (A × B) = det (A) det (B).
CHAPITRE 1. ALGÈBRE MATRICIELLE 10

Proposition 1.4.2. Pour une matrice triangulaire par bloc, le déterminant vaut
 
A B
det = det (A) det (C)
0 C

Démonstration. Idées de preuve : on remarque

    
A B I 0 A B
= .
0 C 0 C 0 I

Ensuite on calcule des deux matrices séparément.

Proposition 1.4.3 (Méthode de Cramer). Considérons le système linéaire Ax = b pour A ∈ Kn×n .

Si A est inversible, i.e. det (A) 6= 0, alors x = A−1 b. Notons A.,i la ième colonne de A. Ainsi
 
det A ei
xi = , Ae i = (A.,1 , . . . , A.,i−1 , b, A.,i+1 , . . . , A.,n ).
det (A)

Proposition 1.4.4 (Inverse d’une matrice). Soit A ∈ Kn×n . Si A est inversible, alors l’inverse
peut se calculer de la manière suivante
1. calculer det (A).
e 1 des cofacteurs (−1)i+j det (A−i,−j ) de A.
2. déterminer la matrice A
3. calculer la comatrice A e T en prenant la transposée.
e2 = A
1

4. l’inverse se déduit par A−1 = A

det(A) .
e2

1.5 Applications linéaires et matrices

Définition 1.5.1 (Application linéaire). Soient E, F deux K-espaces vectoriels de dimension res-
pective n et m. Une application f : E 7→ F est linéaire lorsque
p p
!
X X
∀λ1 , . . . , λp , ∀x1 , . . . , xp ∈ E, f λi xi = λi f (xi ).
i=1 i=1

En dimension finie, une application linéaire est entièrement caractérisée par une matrice. Soit
(e1 , . . . , em ) une base n×m
Pn de E (resp. (f 1 , . . . , f n ) une base de F ). Il existe une matrice A de K
telle que f (ej ) = j=1 aij f i . C’est à dire pour

f (e1 ), ..., f (em )

z }| { 
a11 ... a1k ... a1m 
f


 ... ...   .1

 ai1
A= ... aik ... aim 
 .. ,
... ... 
 fn
 


an1 ... ank ... anm

on a f (x) = A × x. A est parfois notée mat(f )ej ,fi ou simplement fA .

 CHAPITRE 1. ALGÈBRE MATRICIELLE 11

Définition 1.5.2 (Image directe et réciproque). Pour I un sous espace vectoriel de E et f : E 7→ F

une application linéaire, l’image directe est f (I) = {f (x), x ∈ I}. Pour J un sous espace vectoriel
de F , l’image réciproque f −1 (J) = {x ∈ E, f (x) ∈ J}. Ce sont des sous-espaces vectoriels.

Définition 1.5.3 (Image et noyau). Pour f : E 7→ F une application linéaire, l’image est définie
par Im(f ) = f (E) et le noyau par Ker(f ) = f −1 (0F ).

Exemple 1.5.4. Pour les matrices

   
  1 −2 3 7 8
1 −2 3
A= , B = 0 −2 0  , C = 0 √−2 ,
0 7 1.3
0 0 −10 π 2

les applications linéaires associées (dans la base canonique de Kn ) sont

          
x   x x 1 −2 3 x   7 8  
1 −2 3   x x
fA y  = y , fB y  = 0 −2 0  y  , fC = 0 √−2 ,
0 7 1.3 y y
z z z 0 0 −10 z π 2

où fA : K3 7→ K2 , fB : K3 7→ K3 , fC : K2 7→ K3 . Les images et les noyaux sont

  
x − 2y + 3z 2
Im(fA ) = ∈ K , x, y, z ∈ K ,
7y + 1.3z
     
 x      x
x − 2y + 3z 0

Ker(fA ) = y  ∈ K3 , = = −0.055x , x ∈ K .
7y + 1.3z 0  
z 0.296x
 
          
 x − 2y + 3z   x x − 2y + 3z 0   0 
3 3 
Im(fB ) =  2y  ∈ K , x, y, z ∈ K , Ker(fB ) =  y ∈K ,
 2y  = 0 = 0 .

−10z z −10z 0 0
     
       
 zx − 8y   zx − 8y 0   
x 0

3 2 
Im(fC ) =  −2y√
 ∈ K , x, y, z ∈ K , Ker(fC ) = ∈K , −2y√
 = 0 =
 .
 y 0
πx + 2y πx + 2y 0
  

Définition 1.5.5 (Rang). Pour f : E 7→ F une application linéaire, le rang de f est la dimension
de Im(f ), i.e. rg(f ) = dim(Im(f )). Pour une matrice A ∈ Kn×m , le rang est rg(A) = rg(fA ) =
dim(Im(f )), i.e. dimension de l’espace engendrée par les colonnes de A noté vect(A.,1 , . . . , A.,m ).

Définition 1.5.6 (Surjective, injective et bijective). Pour f : E 7→ F une application, f est

injective lorsque ∀x ∈ E, ∀y ∈ E, x 6= y ⇒ f (x) 6= f (y). f est surjective lorsque ∀y ∈ F, ∃x ∈
E, y = f (x). f est bijective lorsque ∀y ∈ F, ∃!x ∈ E, y = f (x).

Proposition 1.5.1. Pour f : E 7→ F une application linéaire, on a

— f est injective ⇔ Ker(f ) = {0E }.
— f est surjective ⇔ Im(f ) = F .
— f est bijective ⇔ f est surjective et injective.

Théorème 1.5.2. Pour f : E →

7 F une application linéaire, où E et F sont deux espaces vectoriels
de dimension finie, on a
dim(E) = dim(Im(f )) + dim(Ker(f )).
CHAPITRE 1. ALGÈBRE MATRICIELLE 12

Proposition 1.5.3. Soit A ∈ Kn×m . On a rg(A) = rg(AT ). Ainsi par le théorème du rang,
0 ≤ rg(A) ≤ min(n, m).

Exemple 1.5.7. Pour l’exemple précédent, on a

rg(fA ) = dim(Im(fA )) = 2 = rg(A), dim(Ker(fA )) = 1.

rg(fB ) = dim(Im(fB )) = 3 = rg(B), dim(Ker(fB )) = 0.

rg(fC ) = dim(Im(fC )) = 2 = rg(C), dim(Ker(fC )) = 0.

Exemple 1.5.8. Soit la matrice D ∈ R3×5 définie par

 
1 −1 3 5 1
D = 2 0 −1 3 1 .
3 −1 2 8 2

Comme elle a trois lignes, rg(D) ≤ 3. De plus, D 1,. +D 2,. = D 3,. , rg(D) = rg(D T ) = dim(vect(D 1,. , D 2,. )) =
2. Donc dim(Ker(fD )) = 5 − 2 = 3.

1.6 Utilisation des matrices

1.6.1 Lien avec les systèmes linéaires

La résolution de systèmes linéaires, par ex :


  x − 2y + 3z = −4
x − 2y + 3z = 7
, −2y = 3/2
0 + 7y + 1.3z = 2
−10z = 9


peut s’écrire sous la forme matricielle

       
x   x −4   1 −2 3
7 1 −2 3
A y  = , B y  = 3/2 où A = , B = 0 −2 0 .
2 0 7 1.3
z z 9 0 0 −10

Définition 1.6.1 (Pivot de Gauss). Considérons le système linéaire Ax = b où A ∈ Km×n , x ∈ Kn

et b ∈ Km . La méthode de résolution dite du pivot de Gauss consiste à résoudre le système de la
manière suivante
1. Ordonner les équations de manière à se rapprocher d’une forme triangulaire supérieure.
2. Mettre le système sous forme triangulaire en annulant une à une les inconnues.
3. Discuter la forme du système obtenu : son rang (nombre de pivot non nul, i.e. nombre
d’équations indépendantes), sa compatibilité (entre équations) et son éventuel nombre de
paramètres (= nombre d’inconnues - rang).
4. Poursuivre la résolution du système, si possible.
CHAPITRE 1. ALGÈBRE MATRICIELLE 13

Exemple 1.6.2.
 

 x+y+t = a 
 x+y+t = a
2x + y + z + u = b  −y + z − t + u = b − 2a

 


x + 2y − z + t + 2u = c ⇔ y − z + 2u = c − a
−x − z − 3t + 5u = d y − z − 2t + 5u = d + a

 


 

−x + y − 2z + t + u = e 2y + 2z + 2t + u = e + a
 
 

 x+y+t = a 
 x+y+t = a
 −y + z − t + u = b − 2a  −y + z − t + u = b − 2a

 

⇔ −2t + 3u = b + c − 3a ⇔ −2t + 3u = b + c − 3a
−4t + 6u = b+d−a 0 = −b + d − 2c + 5a

 


 

−2t + 3u = e + 2b − 3a 0 = b−c+e
 

On a donc un système de rang 3. Le système n’est compatible que si et seulement si a, b, c, d, e

vérifie
0 = −b + d − 2c + 5a, 0 = b − c + e.
Dans le cas où le système est compatible, on a deux paramètres t et u.

Exemple 1.6.3.
 

 x − y − z + t − 2u = −1 
 x − y − z + t − 2u = −1
3x + 2y + z + t − u = 2  5y + 4z − 2t + 5u = 5

 


x + 2y + 2t + u = −3 ⇔ 3y + z + t + 3u = −2
−2x + y − 3z − t + 5u = 0 −y − 5z + t + u = −2

 


 

−x − 3y + 2z + 2u = 5 −4y + z + t = 4
 
 

 x − y − z + t − 2u = −1 
 x − y − z + t − 2u = −1
 −y − 5z + t + u = −2  −y − 5z + t + u = −2

 

⇔ 5y + 4z − 2t + 5u = 5 ⇔ −21z + 3t + 10u = −5
3y + z + t + 3u = −2 −14z + 4t + 6u = −8

 


 

−4y + z + t = 4 21z − 3t − 4u = 12
 


 x − y − z + t − 2u = −1
 −y − 5z + t + u = −2


⇔ −21z + 3t + 10u = −5
6t − 2u = −14




6u = 7


Le système est de rang 5 et n’a aucun de paramètre. L’unique solution se déduit en remontant le
système.

Exemple 1.6.4.
  
 2x − 5y = 3  −x + 4y = 1  −x + 4y = 1
−x + 4y = 1 ⇔ 3y = 5 ⇔ 3y = 5
3x − y = −2 11y = 1 0 = 52
  

Le système n’a aucune solution.

CHAPITRE 1. ALGÈBRE MATRICIELLE 14

1.6.2 Lien avec les chaines de Markov

Une chaine de Markov est un processus aléatoire (Xn )n à temps discret à valeurs dans un
ensemble d’états E tel que pour tout n ∈ N, on a

∀i0 , . . . , in−2 , i, j, ∈ E, P (Xn = j|Xn−1 = i, Xn−2 = in−2 , . . . , X0 = i0 ) = pij .

La probabilité pij représente la probabilité de transition du processus vers l’état j sachant qu’il est
dans l’état i. La loi de Xn est donnée par

∀k, P (Xn = k) = P n π

où π = (P (X0 = 1), . . . , P (X0 = Card(E))) et P = (pij )ij .

Ci-dessous l’exemple d’une matrice de transition

 
1/2 0 1/2
P =  0 1/3 2/3 .
1/4 3/4 0

1.6.3 Lien avec les matrices d’adjacence

En mathématiques, une matrice d’adjacence pour un graph fini à n sommets est une matrice
de dimension n × n dont l’élément non-diagonal aij est le nombre d’arêtes liant le sommet i au
sommet j. L’élément diagonal aii est le nombre de boucles au sommet i.

Les matrices d’adjacence du graphe 1.1a (non orienté) de gauche et du graphe 1.1b (orienté) de
droite sont respectivement
 
0 1 0 0 1 0 0 0
 
1 1 0 0 1 0 0 0 0 0 0
 0 1 0

1 0 1 0 1 0 0 0 0 0 0 0 0 0
   
0 1 0 1 0 0 0 0 1 0 0 0 1 0
A=   , B= .
0 0 1 0 1 1
 0 0 0 0 0 0 0 0
 
1 1 0 1 0 0 1 1 1 0 0 0 0 0
 
0 0 0 1 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 1 0

1.6.4 Lien avec les flashcode

Le code QR ou flashcode est un type de code-barres en deux dimensions (ou code matriciel
datamatrix) constitué de modules noirs disposés dans un carré à fond blanc. L’agencement de ces
points définit l’information que contient le code.

QR (abréviation de Quick Response) signifie que le contenu du code peut être décodé rapidement
après avoir été lu par un lecteur de code-barres, un téléphone mobile, un smartphone, ou encore
Matrice d'adjacence
CHAPITRE - Wikipédia
1. ALGÈBRE MATRICIELLE [Link]

Graphe non orienté

Graphe(a)
nongraph
orienténon-orienté Graphe orienté (b) graph orienté

Figure 1.1 – Matrices d’adjacence

Les matrices d'adjacence du graphe étiqueté (en) (non orienté) de gauche et de celui (orienté) de
unedroite sont respectivement
webcam. Son avantage est de pouvoir stocker plus d’informations qu’un code à barres 1, et
surtout des données directement reconnues par des applications, permettant ainsi de déclencher
facilement des actions.

Il en existe de différents types : voir figure 1.2. Les flashcode version 1 sont représentés par des
matrices du types suivants où la croix centrale contient les informations à coder
←7→ ←7→ ←7→
Graphez
orienté
 }| {
↑  1 ... 1 0 0 1 ... 1
. ..

.

7 
 
1 0 1 . . 1 0 1

Les matrices d'adjacence du graphe↓étiqueté

  (en) (non
1 . . . 1 0 orienté) de gauche et de celui
(orienté) de

 0 1 . . . 1
droite sont respectivement

↑ 
  
0 . . . 0 ↑ 
QR21 = 7 .
 
 ← info →
Remarque ↓



  0 ... 0 ↓


↑ 
  

 1 . . . 1 
  
7
Si est la matrice d'adjacence d'un


  graphe
1 0 fini 1 dont les sommets sont numérotés
 de à , le

↓
nombre de chemins de longueur exactement

1 . . . 1allant de à est le coefficient en position de la
matrice — ceci si chaque arête entre deux sommets a une longueur égale à 1.

2 sur 3 27/11/13 14:39

Remarque
Si est la matrice d'adjacence d'un graphe fini dont les sommets sont numérotés de à , le
nombre de chemins de longueur exactement allant de à est le coefficient en position de la
matrice — ceci si chaque arête entre deux sommets a une longueur égale à 1.

2 sur 3 27/11/13 14:39

 CHAPITRE 1. ALGÈBRE MATRICIELLE 16

Wikipédia [Link]

Version 1, 21×21, Version 2, 25×25, Version 3, 29×29,

10-25 caractères. 20-47 caractères. 35-77 caractères.

Version 4, 33×33, Version 10, 57×57, Version 40, 177×177,

67-114 caractères. 174-395 caractères. 1 852-4 296 caractères.
Figure 1.2 – Différents de flashcode

Correction d'erreur

es codes QR utilisent le système Reed-Solomon pour la correction d'erreur : le code contient jusq
0 % de redondance 2.

Capacité à corriger les erreurs :

Niveau L : environ 7 % de redondance

Niveau M : environ 15 %
Niveau Q : environ 25 %
Niveau H : environ 30 %
Chapitre 2

Polynômes d’endomorphisme (4
séances)

2.1 Endomorphismes

Soit E un K-espace vectoriel.

Définition 2.1.1 (endomorphisme). Un endomorphisme de E est une application linéaire f de E
dans E dont on note mat(f )E la matrice associée. On note L(E) l’ensemble des endomorphismes
de E.
Exemple 2.1.2. Considérons les endomorphismes de K3 décrits par les matrices suivantes
     
1 −2 0 1 −2 3 7 0 9
A= 1 7
 0 , B = 0 −2
  0  ,C = 0  −2 √1  .
0 0 1 0 0 −10 1 0 2
Par définition, uA (x) = Ax, etc. . .
Définition 2.1.3 (Sous-espace stable). Soient u ∈ L(E) et F un sous espace vectoriel de E. F est
stable par u si u(F ) ⊂ F . On définit alors l’endomorphisme induit par u sur F comme
u|F : F 7→ F
x 7→ u(x).
Proposition 2.1.1. Soit u ∈ L(E) où E est un espace vectoriel de dimension finie. Si F est un
sous-espace vectoriel, alors il existe une base B de E telle que u admet la réprésentation par bloc
 
A C
mat(u)B = .
D B
De plus, F est stable par u ⇔ D est la matrice nulle. Dans ce cas, A est la matrice de l’endomor-
phisme induit de u.
Exemple 2.1.4. Pour les endomorphismes de K3 décrits par les matrices précédentes, on peut
identifier des sous-espaces stables. Notons
     
 x   0 
E1 = y  , x, y ∈ K , E2 = 0 , z ∈ K .
0 z
   

17
CHAPITRE 2. POLYNÔMES D’ENDOMORPHISME 18

E1 et E2 sont stables par uA . Notons

        
 x   0   0 
F1 =  0  , x ∈ K , F2 = y  , y ∈ K , F3 = 0 , z ∈ K .
0 0 z
     

F1 , F2 et F3 sont stables par uB . F2 est stable par uC .

2.2 Valeur propre, vecteurs propres

Soit E un K-espace vectoriel de dimension n.

Définition 2.2.1 (Valeur propre). λ ∈ K est une valeur propre de l’endomorphisme u ∈ L(E)
signifie qu’il existe x ∈ E, tel que x 6= 0E et u(x) = λx. x est appelé vecteur propre associé à λ.

Définition 2.2.2 (Vecteur propre). x ∈ E est un vecteur propre de l’endomorphisme u ∈ L(E)

signifie que x 6= 0E et qu’il existe λ ∈ K, tel que u(x) = λx. λ est appelé valeur propre associé à x.

Proposition 2.2.1. Pour une valeur propre, il y a une infinité de vecteurs propres (de la forme
µx pour µ 6= 0). Pour un vecteur propre, il y a une unique valeur propre.

Démonstration. Soit λ est une valeur propre de u ∈ L(E). On note x un vecteur propre. Soit µ ∈ K
non nul. µx est aussi un vecteur propre de λ puisque λ(µx) = µ(λx) = µu(x) = u(µx).

Si x un vecteur propre possède deux valeurs propres distintces λ1 , λ2 . Par définition, u(x) =
λ1 x = λ2 x. C’est à dire (λ1 − λ2 )x = 0E ⇔ λ1 − λ2 = 0 ⇔ λ1 = λ2 ce qui est absurde.

Remarque 2.2.2. Un vecteur propre n’est jamais nul mais une valeur propre peut être nulle.

Proposition 2.2.3. Soit u ∈ L(E). λ est une valeur propre de u ⇔ Ker(u − λ Id) 6= {0E } ⇔
u − λ Id n’est pas injective.

Démonstration. ⇔1
S’il existe x ∈ E, tel que x 6= 0E et u(x) = λx, alors x appartient à Ker(u − λ Id). En effet,
Ker(u − λ Id) = {y ∈ E, (u − λ Id)(y) = 0} et (u − λ Id)(x) = 0. La réciproque est vraie.

⇔2
Comme u et λ Id sont linéaires, u−λ Id ∈ L(E). Donc Ker(u−λ Id) = {0E } ⇔ u−λ Id est injective.
Donc la contraposée est vraie dans les deux sens.

Définition 2.2.3 (Spectre). Le spectre d’un endomorphisme u dans K est l’ensemble des valeurs
propres de K de u. On le note SpK (u).

Définition 2.2.4 (Sous-espace propre). Le sous-espace propre d’un endomorphisme u pour la

valeur propre λ est l’ensemble Ker(u − λ Id) noté E(u, λ).
CHAPITRE 2. POLYNÔMES D’ENDOMORPHISME 19

Exemple 2.2.5. Considérons les endomorphismes de K3 décrits par les matrices suivantes
     
1 −2 0 1 −2 3 7 0 9
A = 1 7 0 , B = 0 −2 0  , C = 0 −2 √1  .
0 0 1 0 0 −10 1 0 2

Cherchons les valeurs propres de uA en résolvant

      
x x  x − 2y = λx  (1 − λ)x = 2y  (1 − λ)(λ − 7)y = 2y
A y  = λ y  ⇔ x + 7y = λy ⇔ x = (λ − 7)y ⇔ x = (λ − 7)y
z z z = λz 1 = λ ou z = 0 1 = λ ou z = 0
  

  2 
 (1 − λ)(λ − 7) = 2  λ − 8λ + 9 = 0  λ = 1, x = y = 0
⇔ x = (λ − 7)y ⇔ x = (λ − 7)y ⇔ ou √
1 = λ ou z = 0 1 = λ ou z = 0 λ = 4 ± 7, z = 0, x = (λ − 7)y
  

√ √
Le spectre est donc SpK (uA ) = {1, 4 − 7, 4 + 7}. Trois vecteurs propres associés sont donc
respectivement    √   √ 
0 −3 − 7 −3 + 7
0 ,  1 , 1 .
1 0 0
Cherchons les valeurs propres de uB en résolvant
      
x x  x − 2y + 3z = λx  (1 − λ)x − 2y + 3z = 0  λ = −2, z = 0, 3x − 2y = 0
B y =λ y ⇔
    −2y = λy ⇔ λ = −2 ou y = 0 ⇔ λ = −10, y = 0, 11x + 3z = 0
z z −10z = λz λ = −10 ou z = 0 λ = 1, y = z = 0 ou x = 0
  

Le spectre est donc SpK (uB ) = {1, −2, −10}. Trois vecteurs propres associés sont donc respective-
ment      
1 2 2
0 , 3 ,  0  .
0 0 −11
Cherchons les valeurs propres de uC en résolvant
       √
x x  7x + 9z = λx  (7 − λ)x = −9z  (7 − λ)(λ − 2)z = −9z
C y  = λ y  ⇔ −2y√+ z = λy ⇔ z = (λ + 2)y ⇔ y = z/(λ +
√ √ 2)
z z x + 2z = λz x = (λ − 2)z x = (λ − 2)z
  

 √ p √
 z = 0 ou λ = 7 + 2 ± 87 − 14 2

⇔ y = z/(λ + 2)
 x = (λ − √2)z


√ p √ √ p √
Le spectre est donc SpK (uC ) = {7 + 2 + 87 − 14 2, 7 + 2 − 87 − 14 2}. Deux vecteurs
propres associés sont donc respectivement
 p √   p √ 
7 + 87 − 14 2 7 − 87 − 14 2
1 1
 √ √ √ , √ √ √ .
   
9+ 2+ 87−14 2 9+ 2− 87−14 2
1 1
CHAPITRE 2. POLYNÔMES D’ENDOMORPHISME 20

Proposition 2.2.4. Si λ1 , . . . , λp sont des valeurs propres distinctes de u, alors les sous-espaces
propres correspondants sont en somme directe.
Remarque 2.2.5. La somme de deux espaces F1 et F2 est F1 + F2 = {u1 + u2 , u1 ∈ F1 , u2 ∈ F2 }.
Des sous espaces vectoriels F1 et F2 de E sont en somme directe F1 ⊕ F2 lorsque ∀u1 ∈ F1 , ∀u2 ∈
F2 , u1 + u2 = 0 ⇒ u1 = 0 = u2 , F1 ∩ F2 = {0E }, n’importe quelle base de F1 + F2 peut s’écrire sous
la forme d’une base de F1 combinée à une base de F2 .
Définition 2.2.6 (Valeur propre). λ ∈ K est une valeur propre de la matrice A ∈ Kn×n signifie
qu’il existe x ∈ Kn , tel que x 6= 0 et Ax = λx. x est appelé vecteur propre associé à λ.
Définition 2.2.7 (Vecteur propre). x ∈ Kn est un vecteur propre de la matrice A ∈ Kn×n signifie
que x 6= 0E et qu’il existe λ ∈ K, tel que Ax = λx. λ est appelé valeur propre associé à x.
Proposition 2.2.6. Soit A ∈ Kn×n λ est une valeur propre de A ⇔ Ker(uA − λ Id) 6= {0} ⇔
A − λI n’est pas inversible.

Démonstration. Voir démo de la proposition 2.3.3.

Remarque 2.2.7. Le spectre d’une matrice A est SpK (A) = SpK (uA ). De même, le sous-espace
propre est E(A, λ) = E(uA , λ) = Ker(uA − λ Id).

2.3 Polynôme caractéristique

Soit E un K-espace vectoriel de dimension n.

Définition 2.3.1 (polynôme caractéristique). Le polynôme caractéristique d’un endomorphisme
u ∈ L(E) est χu (x) = det (mat(u)E − xI) .
Le polynôme caractéristique d’une matrice A ∈ Kn×n est χA (x) = det (A − xI) .
Remarque 2.3.1. Cette définition ne dépend pas du choix de la base. Soient B1 et B2 de base de
E. On note P la matrice de passage, i.e. mat(u)B1 = P −1 mat(u)B2 P . On a

det (mat(u)B1 − xI) = det P −1 mat(u)B2 P − xP −1 P = det P −1 (mat(u)B2 − xI)P

= det P −1 det (mat(u)B2 − xI) det (P ) = det (mat(u)B2 − xI) det P −1 × P = det (mat(u)B2 − xI) .

Exemple 2.3.2. Considérons les endomorphismes de K3 décrits par les matrices suivantes
     
1 −2 0 1 −2 3 7 0 9
A= 1 7
 0 , B = 0 −2
  0  ,C = 0  −2 √1  .
0 0 1 0 0 −10 1 0 2
On a
 
1 − λ −2 0  
1 − λ −2
χuA (λ) = det  1 7−λ 0  = (1 − λ)det = (1 − λ)((1 − λ)(7 − λ) + 2).
1 7−λ
0 0 1−λ
 
1−λ −2 3
χuB (λ) = det  0 −2 − λ 0  = (1 − λ)(2 + λ)(10 + λ).
0 0 −10 − λ
CHAPITRE 2. POLYNÔMES D’ENDOMORPHISME 21

 
7−λ 0 9  
√
7−λ √ 9  
χuC (λ) = det  0 −2 − λ √ 1  = −(λ+2)det = −(λ+2) (7 − λ)( 2 − λ) − 9 .
1 2−λ
1 0 2−λ

Proposition 2.3.2. Soit u ∈ L(E) et E de dimension n. χu est un polynôme de degré n, donc u

possède au plus de n valeurs propres distinctes.

Proposition 2.3.3. Soit u ∈ L(E). Les racines de χu dans K forme le spectre SpK (u) de u.

Soit A ∈ Kn×n . Les racines de χA dans K forme le spectre SpK (A) de A.

Démonstration.

λ ∈ SpK (A) ⇔ ∃x ∈ Kn , x 6= 0, Ax = λx ⇔ (A − λI)x = 0

⇔ A − λI non inversible ⇔ det (A − λI) = 0 ⇔ λ racine de χA .

 
0 −1
Exemple 2.3.3. Soit D la matrice . On distingue le spectre dans R ou dans C. En effet,
1 0
χD (x) = x2 + 1, ainsi SpR (D) = ∅ et SpC (D) = {−i, i}.

Proposition 2.3.4 (Formule de Newton). Soit A ∈ Kn×n . Le polynôme caractéristique est de

degré n et s’écrit
χA (x) = a0 xn + a1 xn−1 + · · · + an−1 x + an
avec la récurrence

a0 = (−1)n , a1 = (−1)n−1 Tr(A), jaj = (−1)n−j Tr(Aj ) + sj−1 a1 + · · · + s1 aj−1 , sk = Tr(Ak )

pour j = 1, . . . n. En particulier,

Tr(A2 ) − Tr(A)2
a0 = (−1)n , a1 = (−1)n−1 Tr(A), a2 = (−1)n−2 , an = det (A) .
2
De même, pour u ∈ L(E) avec A = matE (u).

Démonstration. Nécessite la définition d’un déterminant à l’aide des permutations.

 
1 −2 0
Exemple 2.3.4. Pour A = 1 7 0, on a
0 0 1

det (A) = 9, Tr(A) = 9 ⇒ a0 = −1, a1 = 9, a3 = 9.

Calculons A2 .
 
−1 −16 0
A2 =  8 47 0 , Tr(A2 ) = 47 ⇒ 2a2 = Tr(A2 ) − Tr(A)a1 = Tr(A2 ) − Tr(A)2 ⇒ a2 = −17.
0 0 1
CHAPITRE 2. POLYNÔMES D’ENDOMORPHISME 22

Vérifions le polynôme caractéristique.

1 − x −2 0
1 − x −2
χA (x) = 1 7−x 0 = (1 − x) = (1 − x)((1 − x)(7 − x) + 2) = (1 − x)(x2 − 8x + 9
1 7−x
0 0 1−x
= x2 − 8x + 9 − (x3 − 8x2 + 9x) = |{z}
− x3 + |{z}
9 x2 |{z}
−17 x + |{z}
9 .
a0 a1 a2 a3

Proposition 2.3.5. — Deux matrices semblables ont le même polynôme caractéristique.

— Une matrice et sa transposée ont le même polynôme caractéristique.

Démonstration. —
det (A − xI) = det P −1 BP − xP −1 P = det P −1 det (B − xI) det (P ) = det (B − xI) .

—
det AT − xI = det AT − xI T = det (A − xI)T = det (A − xI) .

Proposition 2.3.6. Soient E un K-espace vectoriel et u ∈ L(E). Si E est décomposable en somme

p
L
directe E = Ei avec Ei stable pour u, alors
i=1
p
Y
χu (x) = χu|Ei (x),
i=1
où u|Ei est la restriction de u à Ei .
Théorème 2.3.7 (Cayley-Hamilton). Soient E un K-espace vectoriel. Si u ∈ L(E) alors χu est
un polynôme annulateur de u, i.e. χu (u) = 0.

Démonstration. Notons n = dim(E) et u ∈ L(E). (1)

Supposons qu’il existe x 6= 0E tel que x, u(x), . . . , un−1 (x) soient linéairement indépendants, ils
forment une base b de E. De plus un (x) ∈ E peut être écrit comme
un (x) = a0 x + a1 u(x) + · · · + an−1 un−1 (x).
Notons P le polynôme P (X) = a0 + a1 X + · · · + an−1 X n−1 − X n . On a P (u)(x) = 0. Comme
     
x u(x) u(x)
 u(x)   u2 (x)   u2 (x) 
u  =  ..  =  ,
     
.. ..
 .   .   . 
un−1 (x) un (x) a0 x + a1 u(x) + · · · + an−1 un−1 (x)
la matrice de u s’écrit  
0 0 ... a0
 .. 
1 0
 0 . 0 a1

 .. .. .. .. ..

mat(u) = 0
 . . . . .
.

 .. .. 
.
 . an−3 

0 0 . . . 1 0 an−2 
0 ... 1 an−1
CHAPITRE 2. POLYNÔMES D’ENDOMORPHISME 23

Donc le polynome caractéristique au point x vaut

−x 0 ... a0
..
1 −x 0 . 0 a1
.. .. .. .. ..
χmatb (u) (x) = det (mat(u) − xIn ) = 0 . . . . . .
.. ..
. . an−3
0 0 ... 1 −x an−2
0 ... 1 an−1 − x

Sans changer la valeur du déterminant, on ajoute à la première ligne la combinaison des autres
lignes suivante xL2 + x2 L3 + · · · + xn−1 Ln . Du coup, la première colonne devient 0, . . . , 0, P (u)(x).
Ainsi
0 0 ... P (u)(x)
..
1 −x 0 . 0 a1
.. .. .. .. ..
χmat(u) (x) = 0 . . . . . = (−1)n+1 P (u)(x) = 0.
.. ..
. . an−3
0 0 . . . 1 −x an−2
0 ... 1 an−1 − x
Comme pour tout i, P (u)(ui (x)) = ui (P (u)(x)) = ui (0) = 0 par linéarité de u, on a P (u)(u) est le
polynôme nul puisque
n
X
n−1 n
P (u)(a0 + a1 u(x) + · · · + an−1 u (x) − u (x)) = ai P (u)(ui (x)) = 0.
i=1

(2)
On a fait l’hypothèse que les vecteurs x, u(x), . . ., un−1 (x) engendrent E. Choisissons seulement
le plus grand entier k tel que x, u(x), . . ., uk−1 (x) soit un système libre. Cet entier est au moins
égale à 1 et existe car E est de dimension fini. Notons F = vect(x, u(x), . . . , uk−1 (x)). On a donc la
restriction u|F de u à F vérifie u|F : F 7→ F . Complétons x, u(x), . . ., uk−1 (x) par bk+1 , . . . , bn pour
obtenir une base b de E. Très logiquement u(up (x)) = up+1 (x) = 1 × up+1 (x) + 0bk+1 + · · · + 0bn
pour 0 ≤ p ≤ k − 2. De plus, uk (x) peut s’écrire comme une combinaison linéaire de x puisque u
est linéaire et les vecteurs u(x), . . ., uk−1 (x) sont libres. Donc la matrice de u est du type
   
A C A − xIk C
matb (u) = ⇒ χu (x) = det = χu|F (x)Q(x)
0 B 0 B − xIn−k

Etudions χu (u) = χu|F (u)Q(u). D’après la première partie, on a χu (u) = 0 application nulle. Donc
χu|F (u|F ) est encore l’application nulle et χu (u|F ) = 0. De plus, χu (u|E\F ) = 0.

Proposition 2.3.8. Si le polynôme caractérisable est scindé dans K, c’est à dire

p
Y
χu (x) = (x − λi )mi ,
i=1
CHAPITRE 2. POLYNÔMES D’ENDOMORPHISME 24

pour des valeurs propres distinctes λi de multiplicité mi ∈ N? , alors les sous-espaces propres
E(u, λi ) = Ker(u − λi Id) sont en somme directe
p
M
E(u, λi ) ⊆ E,
i=1

mais n’engendre pas forcément E (puisque 1 ≤ dim(E(u, λi )) ≤ mi ). Les sous-espaces propres

E(u, λi ) sont stables par u. De plus, le déterminant et la trace valent
p
Y p
X
det (mat(u)E ) = λm i
i , Tr(mat(u)E ) = mi λi .
i=1 i=1

Démonstration. Montrons par récurrence que les sous-espaces propre sont en somme directe pour
n = {1, . . . , p}. Lorsque n = 1, c’est évident. Supposons que cela soit vérifié pour n − 1. Soit
v1 ∈ E(u, λ1 ), . . ., vn ∈ E(u, λn ). Montrons que v1 + · · · + vn = 0 entraine vi = 0 pour i = 1, . . . , n.
On a
v1 + · · · + vn = 0 (2.1)

(2.1) ⇒ u(v1 + · · · + vn ) = u(0) ⇒ λ1 v1 + · · · + λn vn = 0
⇒ (λ1 −λn )v1 +· · ·+(λn−1 −λn )vn−1 = 0
(2.1) ⇒ λn v1 + · · · + λn vn = 0
Par l’hypothèse de récurrence, chaque terme est nul (λi − λn )vi = 0. Comme λi 6= λn (distinction
des valeurs propres), vi = 0 pour i ≤ n − 1. Donc vn = 0. Autrement dit la propriété est vérifiée
pour n.

Choisissons une valeur propre λj et Ej = E(u, λj ). Montrons que d = dim(Ej ) ≤ mj . Considérons

une base (v1 , . . . , vd ) de Ej que l’on complète pour obtenir une base b de E. Notons A = matb (u).
A est bloc triangulaire  
diag(λj ) B
A= ,
0 C
où diag(λj ) est de dimension d. Ainsi
det (A − xIn ) = det (diag(λj ) − xId ) det (C − xIn−d ) = (λj − x)d det (C − xIn−d ) .
Ainsi λj est bien une valeur propre. Comme det (C − xIn−d ) est un polynôme caractéristique d’un
endomorphisme sur un espace de dimension n−d donc de degré n−d, λj est au moins de multiplicité
d, i.e. mi ≥ d.

Proposition 2.3.9. Soit A ∈ Kn×n . Si det (A) 6= 0 (i.e. A est inversible), la matrice inverse
s’écrit
−cn n−1 −cn−1 n−2 −c1
A−1 = A + A + ··· +
c0 c0 det (A)
où le polynôme caractéristique s’écrit χA (x) = ni=0 ci xi et c0 , . . . , cn ses coefficients.
P

Démonstration. Par le théorème de Cayley-Hamilton, on peut calculer l’inverse d’une matrice A.

En effet, χA est un polynôme annulateur, i.e. χA (A) = 0. Comme c0 = det (A) 6= 0, on a
 
n n−1 −cn n−1 −cn−1 n−2 −c1
cn A + cn−1 A + · · · + c1 A + c0 I n = 0 ⇔ A A + A + ··· + In = In
c0 c0 c0
CHAPITRE 2. POLYNÔMES D’ENDOMORPHISME 25

Il suffit de lire le terme droite comme A−1 .

Exemple 2.3.5. Soit A la matrice

 
−1 1 1
A =  1 −1 0  .
−1 0 −1

On a χA (x) = −(1 + x)3 − (1 + x) + (1 + x) = −(1 + x)3 . Ainsi

(I + A)3 = 0 ⇔ I + 3A + 3A2 + A3 = 0 ⇔ A−1 = −3I − 3A − A2 .
En appliquant directement la formule on a
−1 −1 −1
det (A) = −1, χA (x) = −(x3 + 3x3 + 3x + 1), A−1 = (−1)A2 + (−3)A + (−3)I.
−1 −1 −1
On trouve donc
         
1 −2 −2 1 −2 −2 −1 1 1 1 0 0 −1 −1 −1
A2 = −2 2 1  , A−1 = − −2 2 1 −3  1 −1 0 −0 1 0 = −1 −2 −1 .
2 −1 0 2 −1 0 −1 0 −1 0 0 1 1 1 0
On peut vérifier par la méthode du déterminant ce résultat
 T  
1 +1 −1 −1 −1 −1
1
A−1 = +1 2 −1 = −1 −2 −1 .
det (A)
1 +1 0 1 1 0
Proposition 2.3.10. Soit A ∈ Kn×n . Pour p ∈ N, Ap s’écrit simplement par Ap = R(A) où R(x)
est le polynôme déterminé comme le reste de la division euclidienne de xp par χA .

Démonstration. Le polynôme xp peut s’écrire en fonction du polynôme caractéristique χA de la

forme xp = χA (x)Q(x) + R(x) où R est le reste de la division euclidienne (deg(R) < deg(χA )) et
Q le quotient de la division euclidienne. Ainsi, la puissance de A s’écrit simplement par
Ap = R(A)

Exemple 2.3.6. Soit A la matrice

 
2 0 4
A = 3 −4 12 .
1 −2 5
On a χA (x) = −x(x − 1)(x − 2). Le reste de la division euclidienne de xp par χA est de degré 2. On
cherche R(x) = ax2 + bx + c. Comme xp = χA (x)Q(x) + R(x) et pour ne pas calculer le polynôme
Q, on évalue le polynôme xp aux valeurs propres afin de d’annuler le premier terme. Ainsi, on a

 x = 0 ⇒ c = 0,
x = 1 ⇒ 1 = a + b + c,
x = 2 ⇒ 2p = 4a + 2b + c.


Donc R(x) = (2p−1 − 1)x2 + (2 − 2p−1 )x. Ainsi pour p ∈ N,

Ap = (2p−1 − 1)A2 + (2 − 2p−1 )A.
CHAPITRE 2. POLYNÔMES D’ENDOMORPHISME 26

2.4 Endomorphisme diagonalisable

Définition 2.4.1 (Endomorphisme diagonalisable). Un endomorphisme u ∈ L(E) est diagonali-

sable si E est une somme directe de sous-espaces propres de u.

Proposition 2.4.1. u est diagonalisable.

⇔ E admet une base de vecteurs propres de u.
⇔ E admet une base dans laquelle la matrice de u est diagonale.
⇔ χu est scindé dans K ∗ et que chaque sous-espace propre a pour dimension la multiplicité de
la valeur propre associée.
Pp
⇔ u admet des sous-espaces propres Ei en somme directe tels que dim(E) = dim(Ei ).
i=1

Démonstration. (1) ⇒ (2) On choisit dans chaque sous-espacesL propres E(u, λ) une base eλ . La
réunion de ces bases (eλ )λ∈Sp(u) est une base de E car E = λ∈Sp(u) E(u, λ). Par définition,
tous les vecteurs de la base eλ sont nécessairement des vecteurs propres de u dans E puisqu’ils
appartiennent à Ker(u − λ Id).
(2) ⇒ (3) Soit B = (e1 , . . . , en ) une base de vecteurs propres de u. Autrement dit pour tout
i = 1, . . . , n, u(ei ) = λi ei (même si λi peuvent être égaux suivant la multiplicité des valeurs
propres). Dans cette base, mat(u)B = diag(λ1 , . . . , λn ).
(3) ⇒ (4) Notons λ1 , . . . , λp les valeurs distinctes de u avec p ≤ n. Par hypothèse,
  
λ1 0 

 0 ... ...
  
 de taille m1 

 . .

 
 . λ1  
 
mat(u)B = 
 . .. 

  

 
 λ p 0 

  . . . .


 de taille mp 0 . .


 ..
 . λp

pour une base B de E. Donc

p
Y
χu (x) = det (mat(u)B − xI) = (λi − x)mi .
i=1

Ce polynôme est bien scindé sur K. On sait que dim(E(u, λi )) ≤ mi . Dans la base B, il
existe mi vecteurs ei,1 , . . . , ei,mi tels que u(ei,k ) = λi ei,k . Ils sont donc dans le sous espace
propre associé à λi et libres. Donc dim(E(u, λi )) ≥ mi , ainsi mi = dim(E(u, λi )).
(4) ⇒ (5) Les sous-espaces propres de chaque valeur propre sont en somme directe L puisque la
matrice de u est représentable par une matrice diagonale. Montrons que E = λ∈Sp(u) E(u, λ).
Par hypothèse, mi = dim(E(u, λi )) et χu = pi=1 (λi − x)mi . Ainsi
Q

p p p
!
M X X
dim E(u, λi ) = dim(E(u, λi )) = mi = deg(χu ) = n = dim(E).
i=1 i=1 i=1
∗. polynôme qui peut s’écrire comme produit de polynômes du premier degré dans K.
CHAPITRE 2. POLYNÔMES D’ENDOMORPHISME 27

(5) ⇒ (1) Les sous-espaces propres Ei sont en somme directe puisqu’ils correspondent à des
valeurs propres différentes. En effet, pour x ∈ Ei et y ∈ Ej pour i 6= j, on a u(x) = λi x et
u(y) = λj y.
x + y = 0 ⇒ u(x + y) = u(0) ⇔ λi x + λj y = 0
Si λi = 0, alors y = 0 donc x = 0. Sinon

x = λj (−y/λi )

Donc x ∈ Ej ∩ Ei . 
u(x) = λi x 
⇒ (λj − λi )x = 0
u(x) = λj x
Si x 6= 0, P
x est un vecteur propre et λj = λi . (impossible) Donc x = 0 = y. De plus,
dim(E) = pi=1 dim(Ei ).

Exemple 2.4.2. Pour les matrices A, B et C précédentes, on a

√ √
χuA (λ) = (1 − λ)((1 − λ)(7 − λ) + 2) = (1 − λ)(λ − 4 − 7)(λ − 4 + 7).

χuB (λ) = (1 − λ)(2 + λ)(10 + λ).

√ √ √
   q 
χuC (λ) = −(λ + 2) (7 − λ)( 2 − λ) − 9 = −(λ + 2) λ − 7 − 2 ± 87 − 14 2 .

Comme les valeurs propres sont distinctes, elles sont toutes de multiplicité 1 donc l’espace propre
associé est aussi de dimension 1. Donc les matrices A, B et C sont diagonalisables.
 
0 −1
Pour la matrice D = , χD (λ) = (λ − i)(λ + i). Ainsi D est diagonalisable dans C sous
1 0
la forme    
De = i 0 ,P = 1 1 ,
0 −i i −i
mais pas dans R.

Proposition 2.4.2. Tout endomorphisme dont le polynôme caractéristique est scindé et n’a que
des racines simples est diagonalisable et ses sous-espaces propres sont de dimension 1.

Démonstration. Immédiat.

Exemple 2.4.3 (Homothétie). Une matrice d’homothétie de ratio k s’écrit sous la forme
 
k 0
H = 0 . . . . . .  .
 

Son polynôme caractéristique est χH (λ) = (k − λ)n . C’est déjà une matrice diagonale et le sous-
espace associé est Kn !
CHAPITRE 2. POLYNÔMES D’ENDOMORPHISME 28

Exemple 2.4.4 (Projection). Soit E1 le sous-espace de projection, tel que 0 < n1 = dim(E1 ) <
dim(E) = n. Notons u la projection de E sur E1 . Par définition d’une projection u(E1 ) = E1 et
u(E1⊥ ) = 0. Autrement dit E1 est stable par u. Donc il existe une base telle que
 
I n1 0
mat(u)B = .
0 0

Ainsi χu (x) = det (mat(u)B − xI n ) = (1 − x)n1 xn−n1 . Donc Sp(u) = {0, 1}. On a E(u, 1) = E1 et
E(u, 0) = E1⊥ . Comme u(E1 ) = E1 , dim(E(u, 1)) = n1 . Comme les sous-espaces propres associés
à des valeurs propres différentes (en l’occurence 1 et 0) sont en somme directe, on a dim(E1⊥ ) =
dim(E) − dim(E1 ) = n − n1 . Donc u est diagonalisable.

Exemple 2.4.5 (Symétrie). Soit A la matrice d’une symétrie. Par définition A2 = I, donc
det A2 = 1 et A est inversible. Comme χA est un polynôme annulateur et (A − I)(A + I) = 0,

on a χA (x) est divisible par x − 1 et x + 1. Donc les deux valeurs propres sont 1 et -1 et n1 la
multiplicité de 1 : χA (x) = (x − 1)n1 (x + 1)n−n1 . On retrouve la stabilité sur les sous-espaces : pour
tout x ∈ E(A, 1), Ax = x et pour tout x ∈ E(A, −1), Ax = −x. On peut représenter la symétrie
par rapport à E(A, 1) parallèlement à E(A, −1) par
 
I n1 0
mat(u)B = .
0 −I n1

La matrice est diagonale donc une symétrie est bien diagonalisable.

Proposition 2.4.3. Une matrice réelle symétrique M est diagonalisable dans une base orthor-
normée telle que la matrice de passage P de la base canonique à cette base soit orthogonale, i.e.
M = P DP T .

Démonstration. On procède de la manière suivante :

1. une matrice réelle symétrique admet au moins une valeur propre réelle.
2. le polynôme caractéristique est scindé sur R.
3. un endomorphisme symétrique est représenté par une matrice symétrique dans une certaine
base pour un espace vectoriel euclédien.
4. un endomorphisme symétrique admet un vecteur propre.
5. les vecteurs propres associées à des valeurs propres d’un endomorphisme symétrique sont
orthogonaux.
6. l’orthogonal d’un sous espace vectoriel est stable par un endomorphisme symétrique.
7. pour tout espace vectoriel euclédien, il existe une base orthornormée de vecteurs propres
d’un endomorphisme symétrique.
8. tout endomorphisme symétrique est diagonalisable et la matrice de changement de base est
orthogonale.
1.
Une matrice réelle symétrique M ∈ Rn×n vérifie M T = M . Comme Rn×n ⊂ Cn×n , on peut
considérer M comme une matrice complexe. Comme tout polynome peut être scindé sur C, χM
est scindé sur C. Soit λ une de ses racines et v un de ses vecteurs propres. On a par conjugaison

M v = λv ⇒ M v = λv ⇔ M v = λv
CHAPITRE 2. POLYNÔMES D’ENDOMORPHISME 29

Comme M ∈ Rn×n , M = M , on a M v = λv, i.e. v est un vecteur propre associé à λ. De plus,

(v)T M v = (v)T λv = λ(v)T v



(v)T M v = (M v)T v = (λv)T v = λ(v)T v

Comme v 6= 0, (v)T v = ||v||2 6= 0 et λ = λ. Autrement dit λ est bien une valeur propre réelle.

2.
Le raisonnement précédent est valable pour toute valeur propre : M a toutes ses valeurs propres
réelles, donc χM est scindé sur R.

3.
On dit qu’un endomorphisme u sur un espace E est symétrique par rapport une application bi-
linéaire symétrique f : E × E 7→ R (i.e. un produit scalaire) lorsque ∀x, y ∈ E, f (u(x), y) =
f (y, u(x)). Pour un espace vectoriel E de dimension finie, f est représentable par une matrice P .
L’égalité précédent revient à P × mat(u) = mat(u)T × P . Pour un espace vectoriel euclédien, il
existe une base orthonormée P = I et donc mat(u) = mat(u)T est symétrique.

4.
Comme mat(u) est une matrice symétrique, il existe une valeur propre et donc un vecteur propre.

5.
Soient λ, µ deux valeurs propres distinctes et vλ , vµ des vecteurs propres associées. On a par bi-
linéarité du produit scalaire

< u(vλ ), uµ >=< λvλ , uµ >= λ < vλ , uµ > .

Comme u est symétrique par rapport à < ., . >, on a

< u(vλ ), uµ >=< vλ , u(uµ ) >=< vλ , µuµ >= µ < vλ , uµ > .

Autrement dit les vecteurs sont orthogonaux


λ < vλ , uµ >= µ < vλ , uµ >
⇒< vλ , uµ >= 0.
λ 6= µ

6.
Soient F ⊂ E un sous espace vectoriel et u un endomorphisme symétrique. Comme E est euclédien,
F ⊕ F ⊥ = E. Soit z ∈ u(F ⊥ ). Il existe donc x ∈ F ⊥ , tel que z = u(y). On a pour x ∈ F

< x, z >=< x, u(y) >=< u(x), y >

Or y ∈ F ⊥ et u(x) ∈ u(F ) ⊂ F par stabilité. Donc < u(x), y >= 0 =< x, z > et z = u(y) ∈ F ⊥ .

7.
Soit n = dim(E). Si n = 1 c’est évident. Pour n ≥ 1, supposons la propriété soit vraie pour n.
Soit E un espace de dimension n + 1. Il existe un vecteur propre x de valeur propre λ. L’ensemble
vect(x) = {rx, r ∈ R} est un sous espace vectoriel stable par u (en effet u(rx) = ru(x) = rλx ∈
vect(x)). Donc H = vect(x)⊥ est aussi stable par u et vect(x) ⊕ H = E. vect(x) est de dimension
1 donc H de dimension n. Par récurrence, il existe une base b = (e1 , . . . , en ) orthogonale sur H
CHAPITRE 2. POLYNÔMES D’ENDOMORPHISME 30

formée de vecteurs propres. La base b0 = (e1 , . . . , en , x/||x||) est une base de E orthonormée puisque
ei ∈ H = vect(x)⊥ donc x ⊥ ei pour tout i = 1, . . . , n.

8.
D’une part une condition nécessaire et suffisante pour que u soit symétrique est que matb (u)
soit symétrique et une base b orthornormée. D’autre part tout endomorphisme symétrique dans
un espace euclédien est diagonalisable dans une base orthornormée de vecteurs propres. Enfin la
matrice de passage de la base canonique à b est orthogonale. Donc on a matb (u) est diagonalisable
avec une matrice de passage canonique.

2.5 Diagonalisation de matrices

En application de la proposition 2.4.1, on procède de la manière suivante pour diagonaliser la

matrice A :
1. Calculer le polynôme caractéristique χA
2. Si χA est scindé dans K, alors
(a) Déterminer les sous-espaces propres E(A, λ) pour λ ∈ SpK (A).
(b) Si pour tout λ ∈ SpK (A), dim(E(A, λ)) = m(λ), alors A est diagonalisable. Ainsi
A = P DP −1 ⇔ D = P −1 AP ,
où D est une matrice diagonale formée des valeurs propres (répétée suivant leur multi-
plicité) et P est formée des vecteurs propres associées (dans le même ordre).
(c) Sinon, i.e. ∃λ0 ∈ SpK (A), dim(E(A, λ0 )) < m(λ0 ), alors A n’est pas diagonalisable.
3. Si χA n’est pas scindé dans K, alors A n’est pas diagonalisable.
Exemple 2.5.1. Considérons la matrice
 
3 0 0
A = 8 4 0  .
5 0 1
On en déduit facilement que χA (x) = (3 − x)(4 − x)(1 − x). C’est un polynôme scindé dans R et les
trois valeurs propres sont disctinctes, SpR (A) = {3, 4, 1}. Donc A est diagonalisable. Cherchons
des vecteurs propres. Pour la valeur propre 4, on a
 
 3x = 4x  x=0
8x + 4y = 4y ⇔ y=y
5x + z = 4z z=0
 
   
0 2
Donc un vecteur propre est v4 = 1. De même, on trouve des vecteurs propres v3 = −16 et
0 5
 
0
v1 = 0. Ainsi
1
   
3 0 0 2 0 0
D = 0 4 0 , P = −16 1 0 .
0 0 1 5 0 1
CHAPITRE 2. POLYNÔMES D’ENDOMORPHISME 31

On peut calculer P −1 à l’aide des déterminants

     
1 −(−16) −5 1 0 0 1/2 0 0
det (P ) = 2, P̃ 1 = 0 2 0  , P̃ 2 =  16 2 0 ⇒ P −1 =  8 1 0 .
0 0 2 −5 0 2 −5/2 0 1

Remarquons que l’on peut aussi choisir un ordre des valeurs propres et obtenir
   
1 0 0 0 2 0
D = 0 3 0 , P = 0 −16 1 .
0 0 4 1 5 0

Exemple 2.5.2. Considérons la matrice symétrique

 
1 1 1
M = 1 1 1 .
1 1 1

Calculons χM

1−x 1 1 1−x 1 1 1−x 1 1

χM (x) = 1 1−x 1 = x −x 0 = x2 1 −1 0 = x2 (3 − x).
1 1 1−x x 0 −x 1 0 −1

Donc SpR (M ) = {0, 3}. Cherchons les vecteurs propres de 0.

     
 x 1 1
x + y + z = 0 ⇔ y  ∈ vect −1 ,  0 
z 0 −1

Cherchons les vecteurs propres de 3.

     
 x + y + z = 3x  −2x + y + z = 0  x 1
z=x
x + y + z = 3y ⇔ x=y ⇔ ⇔ y ∈ vect
   1
x=y
x + y + z = 3z 0=0 z 1
 

On peut utiliser la matrice de passage suivante mais les vecteurs ne sont par orthonormés
 
1 1 1
P = −1 0 1 .
0 −1 1
√
On choisit v1 = (1, −1, 0)/ 2. On cherche un vecteur unitaire
√ orthogonal à v1 , i.e. vérifiant
√ x−y =
0 en plus de x + y + z = 0. On choisit v2 = (1, 1, −2)/ 6. Enfin on choisit v3 = (1, 1, 1)/ 3. On a
une décomposition suivante
   √ √ √   √ √ 
0 0 0 1/ √2 1/√6 1/√3 1/√2 −1/√ 2 0√
D = 0 0 0 , P = −1/ 2 1/ 6 1/ 3 , P −1 = P T = 1/ 6 1/ 6 −2/ 6 .
√ √ √ √ √
0 0 3 0 −2/ 6 1/ 3 1/ 3 1/ 3 1/ 3
CHAPITRE 2. POLYNÔMES D’ENDOMORPHISME 32

2.6 Trigonalisation de matrices

Définition 2.6.1 (Endomorphisme trigonalisable). Un endomorphisme u ∈ L(E) est trigonalisable

signifie qu’il existe une base de E dans laquelle la matrice de u est triangulaire.

Remarque 2.6.1. On choisit en général une matrice triangulaire supérieure pour la base b =
(b1 , . . . , bn ). Mais il suffit d’utiliser b0 = (bn , . . . , b1 ) pour obtenir une matrice triangulaire inférieure.

Théorème 2.6.2. Pour u ∈ L(E), u est trigonalisable si et seulement si χu est scindé dans K.

Remarque 2.6.3. Si K = C, alors tout endomorphisme est trigonalisable.

En application de la proposition 2.4.1 et du théorème 2.6.2, on procède de la manière suivante

pour diagonaliser la matrice A :
1. Calculer le polynôme caractéristique χA
2. Si χA est scindé dans K, alors
(a) Déterminer les valeurs propres λ ∈ SpK (A) et les sous-espaces propres E(A, λ).
(b) Si pour tout λ ∈ SpK (A), dim(E(A, λ)) = m(λ), alors A est diagonalisable. Ainsi

A = P DP −1 ⇔ D = P −1 AP ,

où D est une matrice diagonale formée des valeurs propres λi (répétée suivant leur
multiplicité) et P est formée des vecteurs propres Ci associées (dans le même ordre) à
λi .
(c) Sinon A n’est que trigonalisable.
— On répète la procédure suivante n − 1 fois.
i. On choisit une valeur propre λ1 ∈ SpR (A).
ii. Déterminer le vecteur propre C1 ∈ Ker(uA − λ Id).
iii. Compléter C1 pour obtenir une base b1 = (C1 , C12 , . . . , C1n ) dans laquelle
 
λ1 . . . . . . . . .
0 
matb1 (uA ) =  . .
 
 .. A 1
0

iv. Le polynôme caractéristique de A1 est χA1 (x) = χA (x)/(λ1 − x).

v. On réitère avec A1 .
— On obtient une base C1 , C2 , . . . , Cn−1 , C1n telle que mat(u) est triangulaire. La matrice
de passage P est obtenue par expression des Ci dans la base canonique.
3. Si χA n’est pas scindé dans K (seulement possible si K = R), alors A n’est ni diagonalisable
ni trigonalisable.

Exemple 2.6.2. Soit la matrice suivante A

 
−2 −1 2
A = −15 −6 11
−14 −6 11
CHAPITRE 2. POLYNÔMES D’ENDOMORPHISME 33

Le polynôme vaut

−2 − x −1 2 1−x −1 2 1 − x −1 2
χA (x) = −15 −6 − x 11 = 1 −6 − x 11 = −1 + x −x x
−14 −6 11 − x 2 − 2x −6 11 − x 2 − 2x −6 11 − x
1 − x −1 0
−x −x −1 + x −x
= −1 + x −x −x = (1 − x) +1
−6 −1 − x 2 − 2x −1 − x
2 − 2x −6 −1 − x
= (1 − x)(x + x2 − 6x) + (−1 + x)(−1 − x) + 2x(1 − x)
= (1 − x)(x2 − 5x + x + 1 + 2x) = (1 − x)(x2 − 2x + 1) = (1 − x)3 .
 
x
Comme χA (x) = (1 − x)3 , SpK (A) = {1}. Cherchons un vecteur propre y  associé à la valeur
z
propre 1 :
 
 −2x − y + 2z = x  −3x + 2z = y 
−3x + 2z = y
−15x − 6y + 11z = y ⇔ −15x − 7(−3x + 2z) + 11z = 0 ⇒
2x − z = 0
−14x − 6y + 11z = z −14x − 6(−3x + 2z) + 10z = 0
 

A n’est pas diagonalisable car le sous espace propre E(A, 1) est de dimension 1 (seulement). Donc

T
C1 = 1 1 2 (= e1 + e2 + 2e3 ) est un vecteur propre. Dans la base b1 = (C1 , e2 , e3 ) formée à
l’aide des vecteurs canoniques de R3 , A s’écrit
 
1 −1 2
matb1 (uA ) = 0 −5 9 ,
0 −4 7

car uA (C1 ) = AC1 = C1 , uA (e2 ) = Ae2 = −e1 − 6e2 − 6e3 = −C1 − 5e2 − 4e3 et uA (e3 ) = Ae3 =
2e1 + 11e2 + 11e3 = 2C1 + 9e2 + 7e3 . On pose A1 la partie basse. Son polynôme caractéristique est

χA1 (x) = (1 − x)3 /(1 − x) = (1 − x)2 .

 
x
Cherchons un vecteur propre pour la valeur propre 1.
y

−5x + 9y = x
⇔ 2x = 3y
−4x + 7y = y
 
0
Donc C2 = 3 (= 3e2 + 2e3 ) est le deuxième vecteur considéré. Ainsi b2 = (C1 , C2 , e3 ) est une

2
base dans laquelle  
1 1 2
matb2 (uA ) = 0 1 3 ,
0 0 1
car uA (C1 ) = C1 , uA (C3 ) = matb1 (uA )e3 = 2C1 + 9e2 + 7e3 = 2C1 + 3C2 + e3 ,
 
1
uA (C2 ) = matb1 (uA )C2 = 3 = C1 + 3e2 + 2e3 = C1 + C2 ,
2
CHAPITRE 2. POLYNÔMES D’ENDOMORPHISME 34

Ainsi A est semblable à la matrice

     
1 1 2 1 0 0 1 0 0
T = 0
 1 3 avec P = 1 3 0 , P −1 = −1/3 1/3 0 .
0 0 1 2 2 1 −4/3 −2/3 1

On peut vérifier que P T P −1 = A. En effet, on a

    
1 1 2 1 0 0 −2 −1 2
−1
PTP = 1  4 11 −1/3 1/3 0 = −15 −6 11 = A.
2 2 1 −4/3 −2/3 1 −14 −6 11
Chapitre 3

Applications de la diagonalisation et
de la trigonalisation (1 séance)

3.1 Calcul de puissance

Proposition 3.1.1. Soit A ∈ Kn×n . Si A est diagonalisable, i.e. ∃D ∈ Kn×n , A = P DP −1

alors Am = P D m P −1 pour m ∈ N. Si de plus A est inversible (0 n’est pas valeur propre), alors
Am = P D m P −1 pour m ∈ Z.

Démonstration. Si A est diagonalisable, alors il existe D diagonale et P inversible telle que

A = P DP −1 ⇔ D = P −1 AP .
Donc
A2 = P DP −1 P DP −1 = P D 2 P −1 , . . . , An = P D n P −1 ,
pour n ∈ N. Notons que D n se calcule facilement en prenant la puissance des termes de la diagonale.
Si de plus A est inversible (0 n’est pas valeur propre), alors An = P D n P −1 pour n ∈ Z.

Exemple 3.1.1. Considérons la matrice

 
3 0 0
A = 8 4 0  .
5 0 1
Dans le chapitre précédent, on a vu que A est diagonalisable avec
     
3 0 0 2 0 0 1/2 0 1
D = 0 4 0 , P = −16 1 0 , P −1 =  8 1 0 .
0 0 1 5 0 1 −5/2 0 0
Ainsi
 n
2 × 3n 3n
    
3 0 0 0 0 0 0
An = P ×  0 4n 0 × P −1 = −16 × 3n 4n 0 × P −1 =  8(4n − 3n ) 4n 0 ,
0 0 1 5 × 3n 0 1 5/2(3n − 1) 0 1
pour n ∈ Z.

35
CHAPITRE 3. APPLICATION DE LA DIA(TRI)GONALISATION 36

Proposition 3.1.2. Soit A ∈ Kn×n . Si A est trigonalisable, i.e. ∃T ∈ Kn×n , A = P T P −1 , alors

 
(n−1)∧m  
X m
Am = P D m + D m−k (T + )k  P −1 .
k
k=1

pour m ∈ N, (n − 1) ∧ m = min(n − 1, m) et T = D + T + .

Démonstration. T se décompose en T = D + T + où D est la matrice diagonale avec juste les

éléments diagonaux de T et T + = T − D est la matrice supérieure avec des zéros sur la diagonale.
T + est une matrice nilpotente puisque (T + )n = 0. Donc

m   (n−1)∧m  
m + m
X m m−k + k
X m
T = (D + T ) = D (T ) = D m−k (T + )k .
k k
k=0 k=0

Ainsi  
(n−1)∧m  
X m
Am = P  D m−k (T + )k  P −1 .
k
k=0

Exemple 3.1.2. Soit la matrice suivante A

 
−2 −1 2
A = −15 −6 11 .
−14 −6 11

On sait que A est semblable à la matrice

     
1 1 2 1 0 0 1 0 0
T = 0 1 3 avec P = 1 2 0 , P −1 = −1/3 1/3 0 .
0 0 1 2 3 1 −4/3 −2/3 1

De plus,    
1 0 0 0 1 2
T = 0 1 0  + 0 0 3 .
0 0 1 0 0 0
| {z } | {z }
D T+
 
0 0 3
On a (T + )3 = 0, D k = D = I et (T + )2 = 0 0 0 . Donc pour m ≥ 2
0 0 0

2
!  
X
−1 m(m − 1) + 2
Am
=P k
Cm D m−k (T + )k P +
= P I + mT + (T ) P −1
2
k=0

1 m 3m2 /2 + m/2
   
1 m 2m + 3m(m − 1)/2
Am = P 0 1 3m  P −1 = P 0 1 3m  P −1
0 0 1 0 0 1
CHAPITRE 3. APPLICATION DE LA DIA(TRI)GONALISATION 37

3.2 Calcul d’exponentielle

Définition 3.2.1 (Exponentielle de matrice). Pour une matrice A ∈ Kn×n , l’exponentielle de la

matrice A est définie par la série suivante
X An A2
eA = =I +A+ + ...
n! 2!
n≥0

Proposition 3.2.1. Comme pour les réels, l’exponentielle de matrice transforme les sommes en
produit
eA+B = eA × eB .

Démonstration.
X Tm X 1 Xm  
m X X 1 m!
eA+B = = Am−k B k = Bk Am−k
m! m! k m! k!(m − k)!
m≥0 m≥0 k=0 k≥0 m≥k
X B k X Am−k X B k X Aj
= = = = eA × eB .
k! (m − k)! k! j!
k≥0 m≥k k≥0 j≥0

Proposition 3.2.2. Soit A ∈ Kn×n . Si A est diagonalisable, on a

eA = P eD P −1 ,
où l’exponentielle eD se calcule en prenant l’exponentielle des termes de sa diagonale.

Démonstration.  
X P D n P −1 X Dn
eA = =P  P −1 = P eD P −1 .
n! n!
n≥0 n≥0

Exemple 3.2.2. Considérons la matrice

 
3 0 0
A = 8 4 0  .
5 0 1
Dans le chapitre précédent, on a vu que A est diagonalisable avec
     
3 0 0 2 0 0 1/2 0 1
D = 0 4 0 , P = −16 1 0 , P −1 =  8 1 0 .
0 0 1 5 0 1 −5/2 0 0
Ainsi
e3
 3   
e 0 0 0 0
eA = P ×  0 e4 0 × P −1 =  8(e4 − e3 ) e4 0 ,
0 0 1 5/2(e3 − e) 0 e
pour n ∈ Z.
CHAPITRE 3. APPLICATION DE LA DIA(TRI)GONALISATION 38

Proposition 3.2.3. Soit A ∈ Kn×n . Si A est trigonalisable, i.e. ∃T ∈ Kn×n , A = P T P −1 , alors

n−1
!
X (T + )k
eA = P eD × P −1 .
k!
k=0

pour m ∈ N.

Démonstration. T se décompose en T = D + T + où D est la matrice diagonale avec juste les

éléments diagonaux de T et T + = T − D est la matrice supérieure avec des zéros sur la diagonale.
X Am X P T m P −1 X Tm
eA = = =P P −1 = P eT P −1 .
m! m! m!
m≥0 m≥0 m≥0

+
Or eT = eT eD , donc
n−1
!
X
eA = P eD (T + )k P −1 .
k=0

Exemple 3.2.3. Soit la matrice suivante A

 
−2 −1 2
A = −15 −6 11 .
−14 −6 11

On sait que A est semblable à la matrice

   
1 1 2 1 0 0
T = 0 1 3 avec P = 1 2 0 .
0 0 1 2 3 1

De plus, on sait que

     
1 0 0 0 1 2 0 0 3
D = 0 1 0 , T + = 0 0 3 , (T + )2 = 0 0 0 .
0 0 1 0 0 0 0 0 0

Donc
2
!
X (T + )k
exp(A) = P eD × P −1
k!
k=0
       
exp(1) 0 0 1 0 0 0 1 2 0 0 3/2
= P 0 exp(1) 0  0 1 0 + 0 0 3 + 0 0 0  P −1
0 0 exp(1) 0 0 1 0 0 0 0 0 0
    
exp(1) 0 0 1 1 7/2 e e 7/2e
= P 0 exp(1) 0  0 1 3  P −1 = P 0 e 3e  P −1
0 0 exp(1) 0 0 1 0 0 e
CHAPITRE 3. APPLICATION DE LA DIA(TRI)GONALISATION 39

3.3 Systèmes différentiels linéaires

Définition 3.3.1 (Equation différentielle (ordre 1)). Une équation différentielle est une équation
pour une fonction y : R 7→ R vérifiant une équation de la forme F (x, y, y 0 ). Très souvent la fonction
F est linéaire, ainsi l’équation s’écrit sous la forme

a1 y 0 (x) + a0 y(x) = b(x).

L’équation sans second membre correspond à a1 y 0 (x) + a0 y(x) = 0.

Définition 3.3.2 (Système linéaire d’équations différentielles (ordre 1)). Un système linéaire
d’équations différentielles s’écrit
 0
y (x) = a11 y1 (x) + · · · + a1n yn (x) + b1 (x)
 10


y2 (x) = a21 y1 (x) + · · · + a2n yn (x) + b2 (x)

 ...
 0
yn (x) = an1 y1 (x) + · · · + ann yn (x) + bn (x)

où y1 , . . . , yn : R 7→ R sont des fonctions différentiables et b1 , . . . , bn : R 7→ R sont des fonctions

continues. Le système s’écrit de manière matricelle

Y 0 (x) = AY (x) + B(x) (3.1)

où les vecteurs et les matrices sont donnés par

     
y1 (x) a11 ... a1n b1 (x)
 ..   .. ..  , B(x) =  ..  .
Y (x) =  .  , A =  . aij .   . 
yn (x) an1 . . . ann bn (x)

L’équation sans second membre correspond à

Y 0 (x) = AY (x) (3.2)

On s’intéresse à la recherche des solutions yi : R 7→ R vérifiant le système précédent. Nous

serons amené à calculer les solutions dans le plan complexe, mais on verra que cela ne pose pas de
problème particulier. Y (x) = YR (x) + iYI (x) vérifie le système d’équations différentielles (3.2) si
YR0 (x) + iYI0 (x) = AYR (x) + iAYI (x) + B(x), i.e. YR0 (x) = AYR (x) + B(x) et YI0 (x) = AYI (x).
Théorème 3.3.1 (Existence et unicité). Si les seconds membres bi sont continues, alors le système
différentiel (3.1) admet une unique solution Y telle que Y (0) = Y0 .

Dans la suite du chapitre, on suppose qu’il n’y a pas de second membre, i.e. B(x) = 0.

3.3.1 Cas où A est diagonalisable sur R

Soit P une matrice de passage dans Rn . Par définition, on a A = P DP −1 . On pose Ye (x) =

P −1 Y (x). Le système (3.2) devient

Y 0 (x) = P DP −1 Y (x) ⇔ Ye 0 (x) = D Ye (x).

CHAPITRE 3. APPLICATION DE LA DIA(TRI)GONALISATION 40

Autrement dit,
..
 
 0
d11 0 .  ỹ1 (x) = d11 ỹ1 (x)
0
 
Y (x) =  0 dii 0  Y (x) ⇔
e   e ... (3.3)
..  0
ỹn (x) = dnn ỹn (x)
. 0 dnn
Proposition 3.3.2. Si A est une matrice diagonalisable dans R, dont on note λ1 , . . . , λn les valeurs
propres et V1 , . . . , Vn les vecteurs propres, alors l’ensemble des solutions de Y 0 = AY forme est un
espace vectoriel de dimension n et

Y (x) = α1 eλ1 x V1 + α2 eλ2 x V2 + · · · + αn eλn x Vn .

3.3.2 Cas où A est diagonalisable sur C mais pas dans R

Les valeurs propres, qui sont complexes, sont deux à deux conjuguées. Par exemple pour λ et
λ̄, i.e. λ = λR + iλI et λ̄ = λR − iλI , on associe V et V . On a

eλx V = e(λR +iλI )x (VR + iVI ) = e(λR )x (VR + iVI )(cos(λI x) + i sin(λI x))
= eλR x [VR cos(λI x) − VI sin(λI x) + i(VI cos(λI x) + VR sin(λI x))]

De même

eλ̄x V = e(λR )x [VR cos(λI x) − VI sin(λI x) − i(VI cos(λI x) + VR sin(λI x))] = <(eλx V ) − i=(eλx V ).

Donc vect(eλx V, eλ̄x V ) = vect(<(eλx V ), =(eλx V )). De plus, on a

eλx V + eλ̄x V eλx V − eλ̄x V

<(eλx V ) = , =(eλx V ) =
2 2i

Ainsi les termes αeλx V + βeλ̄x V se réexpriment sous la forme a<(eλx V ) + b=(eλx V ).

Proposition 3.3.3. Si A est une matrice diagonalisable dans C et pas dans R, dont on note
λ1 , . . . , λp les valeurs propres réelles, µ1 , . . . , µm les valeurs propres complexes et (Vi )i , (Wi )i les
vecteurs propres correspondants, alors l’ensemble des solutions de Y 0 = AY forme est un espace
vectoriel de dimension n et
p
X m
X
λk x
Y (x) = αk e Vk + (βj <(eµj x Wj ) + γj =(eµj x Wj )),
k=1 j=1

avec 2m + p = n.

3.3.3 Cas où A est trigonalisable mais pas diagonalisable

Soit P une matrice de passage dans Rn . Par définition, on a A = P T P −1 . On pose Ye (x) =

P −1 Y (x). Le système (3.2) devient

Y 0 (x) = P T P −1 Y (x) ⇔ Ye 0 (x) = T Ye (x).

CHAPITRE 3. APPLICATION DE LA DIA(TRI)GONALISATION 41

Autrement dit,
 
t11 . . . t1n  0
..  e  ỹ1 (x) = t11 ỹ1 (x) + · · · + t1n ỹn (x)
Ye 0 (x) = 
 
0 tii .  Y (x) ⇔ ... (3.4)
 0
.. ỹn (x) = tnn ỹn (x)
. 0 tnn

Proposition 3.3.4. Si A est seulement une matrice trigonalisable, alors l’ensemble des solutions
de Y 0 = AY forme est un espace vectoriel de dimension n dont les solutions se calculent en résolvant
récursivement Ye 0 (x) = T Ye (x) et en changeant de base Y (x) = P Ye (x).

3.3.4 Exemples

 
2 0
Exemple 3.3.3. Soit A la matrice A = et B = 0. Il est facile de voir χA (x) = (2−x)(1−x)
4 1
et    
1 0 0 1
D= ,P = .
0 2 1 4
Le système Y 0 = AY a pour solution

k2 e2x
       
k1 0 Dx 0 x 1 2x
Y =P e = k1 e + k2 e =
0 k2 1 4 k1 ex + 4k2 e2x

Exemple 3.3.4. Soit A la matrice

 
5 1 −1
A = 2 4 −2 .
1 −1 1

On a
√ √
χA (x) = (5 − x)((4 − x)(1 − x) − 2) + (−2 + 4) = (6 − x)(2 + 2 − x)(2 −
2 − x).
√ √
A est donc diagonalisable à cause des trois valeurs propres distinctes SpK (A) = {6, 2+ 2, 2− 2}.
Cherchons les vecteurs propres
  
 5x + y − z = 6x  −x + y − z = 0  −x + y − z = 0 
x=y
Av = 6v ⇔ 2x + 4y − 2z = 6y ⇔ 2x − 2y − 2z = 0 ⇔ −4z = 0 ⇔
z=0
x − y + z = 6z x − y − 5z = 0 −6z = 0
  

Un vecteur propre est (1, 1, 0).

 √  √
√  5x + y − z = (2 + 2)x
√  (3 − 2)x√ +y−z =0
Av = (2 + 2)v ⇔ 2x + 4y − 2z = (2√+ 2)y ⇔ 2x + (2 − 2)y√− 2z = 0
 
x − y + z = (2 + 2)z x − y + (−1 − 2)z = 0
 √ √
 x − y√+ (−1 −√ 2)z = 0
(
x = y +√ (1 + 2)z
⇔ (4 − √2)y + 2√2z = 0 ⇔ 4−√2
 z = −2 y
(4 − 2)y + 2 2z = 0 2
CHAPITRE 3. APPLICATION DE LA DIA(TRI)GONALISATION 42

√ √ √
Pour y = −2, on obtient le vecteur propre (1 + 2 2, −2, −1 − 2 2). Pour la√valeur 2 − 2, √ en
changeant tous les signes des racines carrés, on obtient le vecteur propre (1 − 2 2, −2, −1 + 2 2).
Les vecteurs propres associés forment la matrice de passage
 √ √ 
1 1+ 2 1− 2
P = 1 −2 √ −2 √  .
0 −1 − 2 2 −1 + 2 2

L’ensemble des solutions Y 0 (x) = AY (x) est de la forme


6x
√ (2+√2)x √ √
 k1 e + k2 (1 + √ 2)e
 k3 (1 − 2)e(2− 2)x
+√
Y (x) = k1 e6x − 2k2 e(2+ 2)x − 2k e(2− 2)x
 √ (2+√2)x 3 √ √
k2 (−1 − 2 2)e + k3 (−1 + 2 2)e(2− 2)x


Exemple 3.3.5. Soit la matrice suivante A

 
1 1 0
A = −1 2 1 .
1 0 1

Le polynôme caractéristique est

χA (x) = (1−x)2 (2−x)+1+1−x = (2−x)((1−x)2 +1) = (2−x)((1−x)2 −i2 ) = (2−x)(1+i−x)(1−i−x).

Donc SpC (A) = {2, 1 + i, 1 − i}. Après calcul, on trouve des vecteurs propres associés suivants
     
1 i −i
V1 = 1 , W1 = −1 , W 1 = −1 .
1 1 1

Sur C, l’ensemble des solutions s’écrit

 
α 0 0
Y (x) = P  0 β 0  eDx = αe2x V1 + βe(1+i)x W1 + γe(1−i)x W 1 .
0 0 γ

Sur R, il faut prendre les parties réelle et imaginaire du vecteur suivant

 ix       
ie − sin(x) + i cos(x) − sin(x) cos(x)
e(1+i)x W1 = ex −eix  = ex − cos(x) − i sin(x) = ex − cos(x) + iex − sin(x) .
eix cos(x) + i sin(x) cos(x) sin(x)

Donc sur R, on obtient l’ensemble des solutions suivant

   
− sin(x) cos(x)
Y (x) = αe2x + βex − cos(x) + γex − sin(x) .
cos(x) sin(x)

Exemple 3.3.6. Soit la matrice suivante A

 
−2 −1 2
A = −15 −6 11 .
−14 −6 11
CHAPITRE 3. APPLICATION DE LA DIA(TRI)GONALISATION 43

On sait que χA (x) = (1 − x)3 , SpK (A) = {1} et A est semblable à la matrice
   
1 1 2 1 0 0
T = 0 1 3 avec P = 1 2
   0 .
0 0 1 2 3 1

On résout
 0
 ỹ3 (x) = k3 e2x

 ỹ1 (x) = ỹ1 (x) + ỹ2 (x) + 2ỹ3 (x)
ỹ 0 (x) = ỹ2 (x) + 3ỹ3 (x) ⇔ ỹ (x) = k2 ex + 3k3 e2x
 20  2
ỹ3 (x) = 2ỹ3 (x) ỹ1 (x) = k1 ex + k2 ex + 5k3 e2x

Donc
 x
k1 e + k2 ex + 5k3 e2x (k1 + k2 )ex + 5k3 e2x
   
1 0 0
Y (x) = P Ye (x) = 1 2 0  k2 ex + 3k3 e2x  =  (k1 + 3k2 )ex + 11k3 e2x 
2 3 1 k3 e2x (2k1 + 5k2 )ex + 20k3 e2x

3.4 Systèmes matriciels X 2 = A

Soit A ∈ Rn×n une matrice carrée. Cherchons la matrice inconnue X telle que X 2 = A. On
note u et v l’endomorphisme associé à A et X respectivement. Si u◦v = v ◦u et u est diagonalisable
alors u et v se diagonalisent dans la même base. Comme X = P ∆P −1 et A = P DP −1 , le système
se simplifie à
X 2 = A ⇔ ∆2 = D.

Exemple 3.4.1. Considérons la matrice

 
3 0 0
A = 8 4 0  .
5 0 1

Dans le chapitre précédent, on a vu que A est diagonalisable avec

     
3 0 0 2 0 0 1/2 0 1
D = 0 4 0 , P = −16 1 0 , P −1 =  8 1 0 .
0 0 1 5 0 1 −5/2 0 0

Ainsi l’équation X 2 = A devient

 2     √
x 0 0 3 0 0  x = ±√ 3
 0 y 2 0  = 0 4 0 ⇔ y = ±√2
0 0 z2 0 0 1

z=± 1

Les solutions sont donc

 
x 0 0 √ √ √ √
X = P  0 y 0 P −1 , où x ∈ {− 3, 3}, y ∈ {− 2, 2}, z ∈ {−1, 1}.
0 0 z
CHAPITRE 3. APPLICATION DE LA DIA(TRI)GONALISATION 44

3.5 Suites récurrentes linéaires

3.5.1 Système multivarié récurrent d’ordre 1

On considère un système (linéaire) de suites dans K. Notons (ui,n )n∈N la ième suite considérée.
Les d suites vérifient la récurrence
..
 
   
u1,n+1  .  u1,n
Un+1 = AUn ⇔  . . .  =  . . . aij . . .  . . . .
 
ud,n+1 .
.. ud,n

3.5.2 Système univarié récurrent d’ordre d

On considère une suite d-récurrente dans K. Notons (un )n∈N la suite considérée. La suite vérifie
la récurrence
..
 
   
un+1  .  un
 . . .  = . . . aij . . .   . . .  . ⇔ Un+1 = AUn
 
un+d .. un+d−1
.

3.5.3 Résolution

On cherche à simplifier le calcul Un+1 = An U0 . Si A est diagonalisable dans K, i.e. A = P DP −1 ,

alors
Un+1 = P DP −1 Un ⇔ P −1 Un+1 = DP −1 Un .
On résout en deux étapes le système
Vn = DVn−1 = · · · = D n V0 , Un = P Vn .
Ainsi
Un = P D n P −1 U0 .
Si A est seulement trigonalisable dans K, i.e. A = P T P −1 , alors la première étape change
Vn = T Vn−1 = · · · = T n V0 , Un = P Vn .
Ainsi
Un = P T n P −1 U0 .

3.5.4 Exemples

Exemple 3.5.1. On considère deux suites (un )n et (vn )n telles que u0 = v0 = 1 et pour tout n > 0,
le système suivant est satisfait 
un+1 = 4un + 2vn
vn+1 = −6un − 4vn
CHAPITRE 3. APPLICATION DE LA DIA(TRI)GONALISATION 45

Le système se réécrit     
un+1 4 2 un
= .
vn+1 −6 −4 vn
| {z }
M

Etudions la matrice M

χM (x) = (4 − x)(−4 − x) + 12 = −16 − 4x + 4x + x2 + 12 = −4 + x2 = (x − 2)(x + 2).

Comme M ∈ R2×2 et χM a deux racines distinctes, M est diagonalisable. Cherchons les vecteurs
propres.     
x x 4x + 2y = 2x
M =2 ⇔ ⇔ x = −y
y y −6x − 4y = 2y
On choisit v1 = (1, −1).
    
x x 4x + 2y = −2x
M = −2 ⇔ ⇔ 3x = −y
y y −6x − 4y = −2y

On choisit v2 = (1, −3). Donc M = P DP −1 avec

   
2 0 1 1
D= ,P = .
0 −2 −1 −3

Ainsi      
un n u0 n −1 u0
=M = PD P .
vn v0 v0

Exemple 3.5.2. Considérons la suite (un )n vérifiant

    
un+2 −a −b un+1
un+2 + aun+1 + bun = 0 ⇔ =
un+1 1 0 un

Le polynôme caractéristique est

χA (x) = (−a − x)(−x) + b = x2 + ax + b.

Si ce polynôme du second degré a discriminant non nul, alors A est diagonalisable dans C. Notons
λ1 et λ2 les valeurs propres (conjuguées si complexe). Donc A = P diag(λ1 , λ2 )P −1 . Ainsi
   n   
un+2 λ1 0 −1 u1
=P P .
un+1 0 λn2 u0

Si le discriminant est nul (la valeur propre λ est double), alors A est seulement trigonalisable. On
obtient n   n
λ nλn−1
      
un+2 λ 1 −1 u1 −1 u1
=P P =P P .
un+1 0 λ u0 0 λn u0

Considérons par exemple a = −3, b = 2. Donc χA (x) = (x − 1)(x − 2). Cherchons les vecteurs
propres  
3x1 − 2x2 = x1  3x1 − 2x2 = 2x1 
⇔ x1 = x2 , ⇔ x1 = 2x2
x1 = x2 x1 = 2x2
CHAPITRE 3. APPLICATION DE LA DIA(TRI)GONALISATION 46

Des vecteurs propres sont (1, 1) et (2, 1). On en déduit

1 1 + 2n+1
    n+1
1 − 2n+1
          
un+2 1 2 1 1 −1 2 u1 −1 2 u1 2 u1
= = = .
un+1 1 1 0 2n 1 −1 u0 1 1 + 2n 1 −1 u0 2n 1 − 2n u0

Considérons par exemple a = 2, b = 1. Donc χA (x) = (x + 1)2 . Cherchons les vecteurs propres

−2x1 − x2 = −x1 
⇔ x1 = −x2
x1 = −x2
 
1 −1
Un vecteur propre est (1, −1). Donc P = . On en déduit
0 1

(−1)n n(−1)n−1 (−1)n n(−1)n−1

         
un+2 1 −1 1 1 u1 u1
= = .
un+1 0 1 0 (−1)n 0 1 u0 0 (−1)n u0
Chapitre 4

Décompositions classiques de matrices

(1 séance)

Dans ce chapitre, nous traitons des décompositions classiques de matrices LU , QR et LLT .

Par exemple lorsque A = LU , la décomposition est particulièrement utile lorsqu’on veut résoudre
les systèmes
Ax = b1 , Ax = b2 , . . . , Ax = bk ,
pour un grand nombre k de vecteurs. Dans ce cas, on résout une et une seule fois U x = y et k fois

Ly = b1 , Ly = b2 , . . . , Ly = bk .

Le calcul de ces systèmes est simplifié étant donné que L est une matrice triangulaire inférieure.

4.1 Décompisition LU

La décomposition LU consiste à décomposer une matrice A en un produit d’une matrice trian-

gulaire inférieure L et d’une matrice triangulaire supérieure U .
Théorème 4.1.1. Si une matrice A ∈ Kn×n a tous ses mineurs principaux non nuls † , i.e. ∀i =
1, . . . , n, det (A−i,−i ) 6= 0, alors A possède une unique décomposition LU où la diagonale de L ne
comporte que des 1.

Malheureusement, toutes les matrices inversibles n’ont pas forcément de décomposition LU .

Mais elles ont une décomposition P LU où P est une matrice de permutation. Néanmoins, nous
présentons seulement un algorithme LU et non P LU .

L’algorithme de Gauss fonctionne par itération pour obtenir p matrices particulières inversibles
M1 , . . . , Mp telles que
Mp . . . M1 A = U.
Si M = Mp . . . M1 est inversible, alors M −1 = M1−1 . . . Mp−1 est triangulaire inférieure.
†. Critère de Sylvester.

47
CHAPITRE 4. DÉCOMPOSITIONS CLASSIQUES DE MATRICES 48

Définition 4.1.1 (Algorithme de Gauss). Soit une matrice A ∈ Kn×n = (aij )ij . L’algorithme est
le suivant.
— Initialisation : On pose A1 = A = (a1ij )ij .
— Pour i = 1, . . . , n − 1,
1. Si ai11 de Ai est non nul, alors on construit
 
1 0 ...
 ai21
 − ai 1 0 ...

 11
Li =  .

 .. . .. 
 0 .. .

ai
− an1
i 0 1
11

2. On calcule
ai11 ai12 . . . ai1n
 
 0 
L i Ai =  . .
 
 .. Ai+1 
0

3. On recommence avec Ai+1 = (ai+1

ij )ij de taille diminuée.
— Terminaison : Ln = 1.
En sortie, on obtient
 
1 0 ...  
0 . . . 1 0 . . .
   

 . . . 0 1 1 0
L=  .. 0  (−L1 ).
.
 0 −L2
1 0  0 0 −L3
0 ... 0 −Ln

et la matrice U a été calculé successivement ligne par ligne.

On peut montrer que

 
1 0 ...
 .. .. 
 l21 . .  , où lij = aj /aj

L=
 .. ij jj
.. 
 . lij . 
ln1 . . . ln,n−1 1

et
a111 a112 . . . a11n
 
 0 a211 . . . a21,n−1 
U =
 
.. 
 . 
0 ... 0 an11
Par exemple sur une matrice de taille 3, on aura décomposé A par
 
1 0 0 1 0 0

 a121
− a1 1 0  0 1 0 

11  2
 A = U.
 1 a
a31
− a1 0 1 0 − 21
2
a11
0 1
11
CHAPITRE 4. DÉCOMPOSITIONS CLASSIQUES DE MATRICES 49

On peut montrer facilement que le produit se simplifie

   
1 0 0 1 0 0
 1 0 0
 a121 a1
− a1 1 0  0 1 0 − a21 1 0 = L̃
   
 11  = 1
 111
1 a221 a2

a
− a31
1 0 1 0 − a2 0 1 a
− a31
1 − a21
2 1
11
11 11 11

et il est facile de trouver son inverse

 
1 0 0
 a121
1 0 = I 3 .

L̃  1
 a11 
a131 a221
a111 a211
1

Exemple 4.1.2. Considérons

 
2 3 0 2
4 7 −3 2 
A=  = A1 .
6 8 −2 10
6 7 −14 16

On démarre l’algorithme avec cette matrice : A1 = (a1ij ).

-i=1 : Comme a111 = 2 6= 0, on a

 
1 0 0 0
−2 1 0 0
L1 = 
−3
.
0 1 0
−3 0 0 1

Donc     
1 0 0 0 2 3 0 2 2 4 6 6
−2 1 0 0 4 7 −3 2  −3 −2
 = 0 1

L 1 A1 = 
−3
 .
0 1 0 6 8 −2 10 0 −1 −2 4
−3 0 0 1 6 7 −14 16 0 −2 −14 10
Cette dernière matrice L1 A1 contient en partie basse a2ij .
-i=2 : On pose  
1 −3 −2
A2 = −1 −2 4 .
−2 −14 10
Comme a22 = 1 6= 0, on a  
1 0 0
L2 = 1 1 0
2 0 1
et     
1 0 0 1 −3 −2 1 −3 −2
L2 A2 = 1 1 0 −1 −2 4  = 0 −5 2 .
2 0 1 −2 −14 10 0 −20 6
Cette dernière matrice L2 A2 contient en partie basse a3ij .
CHAPITRE 4. DÉCOMPOSITIONS CLASSIQUES DE MATRICES 50

-i=3 : On pose  
−5 2
A3 = .
−20 6
Comme a33 = −5 6= 0, on a  
1 0
L3 =
−4 1
et     
1 0 −5 2 −5 2
L3 A 3 = =
−4 1 −20 6 0 −2
Cette dernière matrice L3 A3 contient en partie basse a4ij .
-i=4 : A4 = (−2) et L4 = (1).

La partie haute de la matrice U se retrouve en prenant la jème ligne de la matrice Lj Aj pour

j = 1, . . . , 4. Pour la partie basse de la matrice L, on prend l’opposé de la jème colonne de la
matrice Lj pour j = 1, . . . , 4. Donc A se décompose en
   
1 0 0 0 2 3 0 2
2 1 0 0 0 1 −3 −2
L=
3 −1 1 ,U =  .
0 0 0 −5 2 
3 −2 4 1 0 0 0 −2

Exemple 4.1.3. Considérons

 
2 −1 0
A = −1 2 −1 = A1 .
0 −1 2

On démarre l’algorithme avec cette matrice : A1 = (a1ij ).

-i=1 : Comme a111 = 2 6= 0, on a  
1 0 0
L1 = 1/2 1 0 .
0 0 1
Ainsi     
1 0 0 2 −1 0 2 −1 0
L1 A1 = 1/2 1 0 −1 2 −1 = 0 3/2 −1
0 0 1 0 −1 2 0 −1 2
-i=2 : On pose  
3/2 −1
A2 = .
−1 2
Comme a211 = 3/2 6= 0, on a  
1 0
L2 = .
2/3 1
Ainsi     
1 0 3/2 −1 3/2 −1
L2 A2 = = .
2/3 1 −1 2 0 4/3
-i=3 : On a A3 = (4/3) de premier coefficient non nul. L3 = (1).
CHAPITRE 4. DÉCOMPOSITIONS CLASSIQUES DE MATRICES 51

Ainsi on prend les lignes des matrices Li Ai pour obtenir

 
2 −1 0
U = 0 3/2 −1  .
0 0 4/3
On prend les colonnes des matrices Li pour obtenir
 
1 0 0
L = 1/2 1 0 .
0 −2/3 1

4.2 Décomposition QR

La décomposition QR consiste à décomposer une matrice A en un produit d’une matrice or-

thogonale Q ∈ Kn×r et d’une matrice triangulaire supérieure R ∈ Kr×m .
Théorème 4.2.1. Si une matrice A ∈ Kn×m possède un inverse à droite, i.e. ∃B ∈ Km×n , AB =
Im , alors elle possède une unique décomposition A = QR où Q ∈ Kn×r et R ∈ Kr×m , où r sera le
rang de A.
Définition 4.2.1 (Algorithme de Gram-Schmidt). Notons A.,1 , . . . , A.,n les colonnes de A. On
souhaite  
r1 . . .
0 0 r2 . . . 
A = (A.,1 , . . . , A.,n ) = (Q1 , . . . , Qr )  .
 ... 
0 0 0 rr
On note ||.|| la norme euclédienne.
— Initialisation : on pose r = 0.
— Itération : on procède comme suit pour i = 1, . . . , min(n, m)
1. si r = 0 alors calculer pi = A.,i .
Pr T
2. sinon (r > 0) calculer pi = A.,i − j=1 Qj A.,i × Qj . NB : (QTj A.,i = Rj,i ).
3. si pi 6= 0 alors r ← r + 1 et on calcule
Qr = pi /||pi || et Rr = QTr A.,1 . . . QTr A.,m

En sortie, on obtient Q en regroupant les vecteurs colonnes et R les vecteurs lignes. C’est à dire
 T
Q1 A.,1 QT1 A.,2

...
Q = (Q1 , . . . , Qr ) et R = QT A =  0 QT2 A.,2 ... .
T
0 0 Qr A.,r
Exemple 4.2.2. Considérons la matrice suivante
 
1 2 1 0
2 4 0 1
 
A= 0 0 2 1

2 4 1 2
0 0 1 1
On pose r = 0 : chacune des colonne est A.,1 , A.,2 , A.,3 et A.,4 .
CHAPITRE 4. DÉCOMPOSITIONS CLASSIQUES DE MATRICES 52

-i=1 :  
1
2
 
p1 = A.,1 0 .
= 
2
0
√
De plus ||p1 || = 1 + 4 + 0 + 4 + 0 = 3. Comme p1 6= 0, on a r = 1 et
 
1/3
2/3
 
 0 
Q1 =  
2/3
0

et
R1 = QT1 A.,1 . . . QT1 A.,4 = 3 6 1 2 .

-i=2 :      
2 1/3 0
4 2/3 0
p2 = A.,2 − QT1 A.,2 Q1 = 
     
0 − 6 ×  0  = 0 .
    
4 2/3 0
0 0 0
Donc r ne change pas.
-i=3 :      
1 1/3 2/3
0 2/3 −2/3
T
     
p3 = A.,3 − Q.,1 A.,3 Q.,1 = 2 − 1 × 
 
 0  =  2 .
  
1 2/3  1/3 
1 0 1
p √ √
De plus ||p3 || = 4/9 + 4/9 + 4 + 1/9 + 1 = 4 + 4 + 36 + 1 + 9/3 = 6. Comme p3 6= 0,
on a r = 2 et  
2/3
−2/3
1  
Q2 = √  2 
6  1/3 


1
et √ √ √

R2 = QT2 A.,1 . . . QT2 A.,4 = 0 0


6 3/ 2 .
-i=4 :
       
0 1/3 2/3 −1
1 2/3 −2/3  0 
  1
p4 = A.,4 − QT1 A4 Q1 − QT2 A4 Q2 = 
    
1 − 2 ×  0  − 2  2  =  0  .
      
2 2/3  1/3  1/2
1 0 1 1/2
CHAPITRE 4. DÉCOMPOSITIONS CLASSIQUES DE MATRICES 53

p p
De plus ||p4 || = 1 + 1/4 + 1/4 = 3/2. Comme p4 6= 0, on a
 
−1
√  0 
2 
Q3 = √  0 
3
1/2


1/2
et √ √

R3 = QT3 A.,1 . . . QT3 A.,4 = 0 0 0


3/ 2 .
On obtient donc
√ √ p 
1/3 2/(3 3) − 2/3
2/3 −√2/(3√3)  
 √ √ 0   3 6 √1 √ 2√
A= 0 2/√ 3 0√  0 0 6 √3/√2 .
 
 
2/3 1/(3√ 6) 1/√6  0 0 0 3/ 2
0 1/ 6 1/ 6
| {z }
R
| {z }
Q

Exemple 4.2.3. Considérons la matrice suivante

 
12 −51 4
A =  6 167 −68 .
−4 24 −41

On pose r = 0 : chacune des colonne est A.,1 , A.,2 et A.,3 .

-i=1 :  
12
p1 = A.,1 =  6 .
−4
√
De plus ||p1 || = 144 + 36 + 16 = 14. Comme p1 6= 0, on a r = 1 et
 
6/7
Q1 =  3/7 
−2/7
et

R1 = QT1 A1 QT1 A.,2 QT1 A.,3 = 98/7 147/7 −98/7 = 14 21 −14 .

-i=2 :  
−69
p2 = A.,2 − QT1 A.,2 Q1 = A.,2 − 21Q1 =  158  .
30
Comme p2 6= 0 et ||p2 || = 175, alors r augmente et
 
−69/175
Q2 =  158/175 
6/35
et
R2 = QT2 A.,1 . . . QT2 A.,3 = 0 175 −70 .



CHAPITRE 4. DÉCOMPOSITIONS CLASSIQUES DE MATRICES 54

-i=3 :  
−11.6
p3 = A.,3 − QT1 A.,3 Q1 − QT2 A.,3 Q2 = A.,3 + 14Q1 + 70Q2 =  1.2  .
−33
Comme p3 6= 0 alors on augmente r et
 
−58/175
Q3 =  6/175  .
−33/35
Enfin
R3 = QT3 A.,1 . . . QT3 A.,3 = 0 0 35 .

Donc    
6/7 69/175 −58/175 14 21 −14
Q =  3/7 158/175 6/175  , R =  0 175 −70  .
−2/7 −6/35 −33/35 0 0 35

4.3 Décomposition de Cholesky (LLT )

La décomposition LLT de Cholesky consiste à décomposer une matrice A en un produit d’une

matrice triangulaire inférieure L et de sa transposée.
Théorème 4.3.1. Si une matrice A ∈ Kn×n est une matrice symétrique semi-définie et positive,
i.e. A = AT et ∀x ∈ Kn , xT Ax ≥ 0 et xT Ax = 0 ⇒ x = 0, alors il existe une unique matrice
triangulaire inférieure dont les éléments diagonaux sont strictement positifs telle que A = LLT .
Dans ce cas, on a A−1 = L−T L−1 .
Définition 4.3.1 (Algorithme de Cholesky). Soit une matrice A ∈ Kn×n symétrique. On cherche
à résoudre récursivement
!
 T
   T
a11 A l11 0 l11 L 2,1
A = LLT ⇔ 2,1
= .
A2,1 A2,2 L2,1 L2,2 0 LT2,2
On en déduit l’algorithme suivant :
— Initialisation :
W = A.
— Itération : pour i = 1, . . . , n − 1,
1. On décompose la matrice de travail sous forme de blocs
w11 W T2,1
 
W =
W 2,1 W 2,2
2. on calcule
√ 1
lii = w11 , Li,1 = W 2,1 .
lii
3. on calcule la nouvelle matrice de travail
W = W 2,2 − Li,1 ⊗ LTi,1 ,

où Li,1 ⊗ LTi,1 est la matrice contenant tous les produits possibles des composantes du
vecteur Li,1 (i.e. le produit de Kronecker de ce vecteur).
CHAPITRE 4. DÉCOMPOSITIONS CLASSIQUES DE MATRICES 55

√
— Terminaison : on calcule lnn = w11 .
En sortie, on obtient L en concaténant les vecteurs colonnes
 
l11 0 ...
 l22 0 ...
L=
 
.. 
 . 
L1,1 L2,1 . . . lnn

Exemple 4.3.2. Soit A la matrice suivante.

 
25 15 −5
A =  15 18 0  .
−5 0 11

Pour la première itération, on trouve

   
1 15 3
l11 = 5, L2,1 = = .
5 −5 −1

Il reste à factoriser
     
18 0 3
9 3
A−1,−1 = − 3 −1 = .
0 11 −1 3 10

Pour la deuxième itération, on trouve

1


l22 = 3, L2,1 = 3 = 1 .
3
Il reste à calculer A−2,−2 = 10 − 12 = 9 entrainant l33 = 3. Donc
 
5 0 0
L =  3 3 0 .
−1 1 3