Université Abdelmalek Essaâdi

Faculté Polydisciplinaire Larache

Département de Mathématiques

Cours Algèbre 5

Filière MIP (Maths)-S4

Pr. Mohamed BOUABDALLAH

10 mars 2025
Table des matières

1 Réduction des endomorphismes 1

1.1 Diagonalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Valeurs propres, vecteurs propres . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.3 Sous-espaces propres . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.4 Rappels sur les sommes directes . . . . . . . . . . . . . . . . . . . . 6
1.3 Polynôme caractéristique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.1 Polynôme caractéristique . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.2 Caractérisation des valeurs propres . . . . . . . . . . . . . . . . . . 8
1.3.3 Coefficients du polynôme caractéristique . . . . . . . . . . . . . . . 10
1.3.4 Exemples et applications . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4 Diagonalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.1 Endomorphisme diagonalisable . . . . . . . . . . . . . . . . . . . . 12
1.4.2 Rappels sur les polynômes . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.3 Diagonalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.4 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4.5 Diagonaliser . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.4.6 Preuves . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.5 Trigonalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.5.1 Trigonalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.5.2 Preuve . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.5.3 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

i
Chapitre 1

Réduction des endomorphismes

1.1 Diagonalisation
La diagonalisation est une opération fondamentale des matrices. Nous allons énoncer
des conditions qui déterminent exactement quand une matrice est diagonalisable. Nous
reprenons pas à pas les notions du chapitre « Valeurs propres, vecteurs propres », mais
du point de vue plus théorique des applications linéaires.

Notations.

Dans ce chapitre, E est un K-espace vectoriel. K est un corps. Dans les exemples de ce
chapitre, K sera R ou C. Sauf mention contraire, E sera de dimension finie.

1.2 Valeurs propres, vecteurs propres

Commençons par définir les valeurs et les vecteurs propres d’une application linéaire. Il
est important d’avoir d’abord compris le chapitre « Valeurs propres, vecteurs propres »
des matrices.

1.2.1 Définitions
Rappel. f : E → E est appelé un endomorphisme si f est une application linéaire
de E dans lui-même. Autrement dit, pour tout v ∈ E, f (v) ∈ E et, en plus, pour tous
u, v ∈ E et tout α ∈ K :

f (u + v) = f (u) + f (v) et f (αv) = αf (v).

Définition 1.1. Soit f : E → E un endomorphisme.

— λ ∈ K est dite valeur propre de l’endomorphisme f s’il existe un vecteur non nul
v ∈ E tel que f (v) = λv.

1
 — Le vecteur v est alors appelé vecteur propre de f , associé à la valeur propre λ.
— Le spectre de f est l’ensemble des valeurs propres de f . Notation : Sp(f ) (ou SpK (f )
si on veut préciser le corps de base).

Si v est un vecteur propre alors, pour tout α ∈ K∗ , αv est aussi un vecteur propre.

Ces définitions sont bien sûr compatibles avec celles pour les matrices. Soit A ∈ Mn (K).
Soit f : Kn → Kn l’application linéaire définie par f (v) = Av (où v est considéré comme
un vecteur colonne). Alors les valeurs propres (et les vecteurs propres) de f sont celles de
A.

1.2.2 Exemples
La principale source d’exemples provient des matrices et nous renvoyons encore une fois
au chapitre « Valeurs propres, vecteurs propres ».

Exemple 1.1. Soit f : R3 → R3 définie par

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

1. Ecriture en terme de matrice. L’application f s’écrit aussi f (X) = AX avec :

   
 x −2 −2 2
   
X= y 
  et A= −3
 −1 3

   
z −1 1 1

2. Le vecteur v1 = (1, 1, 0) est vecteur propre.

En effet, f (1, 1, 0) = (−4, −4, 0), autrement dit f (v1 ) = −4v1 . Ainsi v1 est un
vecteur propre associé à la valeur propre λ1 = −4.

Si on préfère faire les calculs avec les matrices, on considère v1 comme un vecteur
colonne et on calcule Av1 = −4v1 .
3. λ2 = 2 est valeur propre.

Pour le prouver, il s’agit de trouver un vecteur non nul dans Ker(f − λ2 idR3 ) pour
λ2 = 2. Pour cela, on calcule A − λ2 I3 :
 
−4 −2 2
 
A − 2I3 = 
−3 −3 3

 
−1 1 −1

On trouve que v2 = (0, 1, 1) est dans le noyau de A − 2I3 , c’est-à-dire (A − 2I3 )v2 est
le vecteur nul. En d’autres termes, v2 ∈ Ker(f −λ2 idR3 ), c’est-à-dire f (v2 )−2v2 = 0,
 donc f (v2 ) = 2v2 . Bilan : v2 est un vecteur propre associé à la valeur propre λ2 = 2.
4. λ3 = 0 est valeur propre.

On peut faire juste comme au-dessus et trouver que v3 = (1, 0, 1) vérifie f (v3 ) =
(0, 0, 0). Ainsi f (v3 ) = 0 · v3 . Bilan : v3 est vecteur propre associé à la valeur propre
λ3 = 0.
5. On a trouvé 3 valeurs propres, et il ne peut y en avoir plus car la matrice A est de
taille 3 × 3. Conclusion : Sp(f ) = {−4, 2, 0}.

Exemple 1.2. Soit f : Rn → Rn l’application linéaire définie par (x1 , . . . , xn−1 , xn ) 7→

(x1 , . . . , xn−1 , 0). Géométriquement, f est une projection sur Rn−1 ×{0} ⊂ Rn . Notons e1 =
(1, 0, 0, . . .), e2 = (0, 1, 0, . . .), . . ., en = (0, . . . , 0, 1) les n vecteurs de la base canonique de
Rn .

Alors
f (e1 ) = e1 f (e2 ) = e2 ... f (en−1 ) = en−1 et f (en ) = 0.

Ainsi e1 , . . . , en−1 sont des vecteurs propres associés à la valeur propre 1. Et en est un
vecteur propre associé à la valeur propre 0. Conclusion : Sp(f ) = {0, 1}.

Voici d’autres exemples plus théoriques.

Exemple 1.3. 1. Soit E = Rn [X] l’espace des polynômes de degré ≤ n. Soit h : E →

E, P (X) 7→ P ′ (X) l’application de dérivation. Pour des raisons de degré,

P ′ = λP =⇒ λ = 0 et P constant

De plus, tout polynôme constant non nul est un vecteur propre de h, de valeur
propre associée 0 ; donc Sp(h) = {0}.
2. (Cet exemple est en dimension infinie.) Soit E = C ∞ (R) l’espace des fonctions infi-
niment dérivables de R dans R. Soit h : E → E, ϕ 7→ ϕ′ l’application de dérivation.

Pour tout λ ∈ R, définissons la fonction

eλ : R → R, x 7→ exp(λx).

On a e′λ = λeλ , donc chaque fonction eλ est un vecteur propre de h de valeur propre
associée λ. Ici, Sp(h) = R.
1.2.3 Sous-espaces propres
Cherchons une autre écriture de la relation de colinéarité définissant les vecteurs propres :

f (v) = λv ⇐⇒ f (v) − λv = 0
⇐⇒ (f − λ idE )(v) = 0
⇐⇒ v ∈ Ker(f − λ idE )

D’où la définition :

Définition 1.2. Soit f un endomorphisme de E. Soit λ ∈ K. Le sous-espace propre

associé à λ est le sous-espace vectoriel Eλ défini par :

Eλ = Ker(f − λ idE ).

On notera aussi ce sous-espace Eλ (f ) si on souhaite signaler sa dépendance vis-à-vis de

l’endomorphisme f .

Autrement dit :
n o
Eλ = v ∈ E | f (v) = λv

C’est le sous-espace vectoriel de E constitué des vecteurs propres de f associés à la valeur

propre λ, auquel on ajoute le vecteur nul.

Être valeur propre, c’est donc exactement avoir un sous-espace propre non trivial :

λ valeur propre ⇐⇒ Eλ ̸= {0}

Remarque. Plaçons-nous dans le cas où E est de dimension finie.

— Si λ est une valeur propre de f , alors le sous-espace propre associé Eλ est de dimen-
sion ≥ 1.
— Le sous-espace propre Eλ est stable par f , c’est-à-dire f (Eλ ) ⊂ Eλ . En effet :

v ∈ Ker(f − λ idE ) =⇒ f (f (v)) = f (λv) = λf (v) =⇒ f (v) ∈ Ker(f − λ idE ).

Théorème 1.1. Soit f un endomorphisme de E. Soient λ1 , . . . , λr des valeurs propres

distinctes de f . Alors les sous-espaces propres associés Eλ1 , . . . , Eλr sont en somme directe.

On retrouve un résultat déjà prouvé dans le cas des matrices :

Corollaire 1.1. Soient λ1 , . . . , λr des valeurs propres distinctes de f et, pour 1 ≤ i ≤ r,

soit vi un vecteur propre associé à λi . Alors les vi sont linéairement indépendants.

Cela implique que le nombre de valeurs propres est ≤ dim E.

Avant de lire les exemples et la preuve de ce théorème, lire si besoin la section suivante
sur les sommes directes.

Exemple 1.4. Reprenons l’exemple 1.1 avec f : R3 → R3 définie par

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

Nous avions trouvé les valeurs propres et les vecteurs propres associés suivants :

λ1 = −4 v1 = (1, 1, 0) λ2 = 2 v2 = (0, 1, 1) λ3 = 0 v3 = (1, 0, 1)

Par le corollaire 1.1, (v1 , v2 , v3 ) forme une famille libre de R3 (ce que l’on vérifie par un
calcul direct). Mais trois vecteurs indépendants de R3 forment automatiquement une base.
Conclusion : (v1 , v2 , v3 ) est une base de vecteurs propres de R3 .

Ce que l’on peut aussi écrire :

R3 = Rv1 ⊕ Rv2 ⊕ Rv3

ou encore
R3 = E−4 ⊕ E2 ⊕ E0 .

Exemple 1.5. Reprenons l’exemple 1.2, avec f : Rn → Rn définie par (x1 , . . . , xn−1 , xn ) 7→
(x1 , . . . , xn−1 , 0).

Nous avions trouvé deux valeurs propres 0 et 1.

Pour la valeur propre 0, nous avions un seul vecteur propre en = (0, . . . , 0, 1), ainsi
E0 = Ren . Pour la valeur propre 1, nous avions trouvé n − 1 vecteurs propres linéai-
rement indépendants e1 = (1, 0, 0, . . .), e2 = (0, 1, 0, . . .),. . ., en−1 = (0, . . . , 0, 1, 0). Plus
précisément,

E1 = Ker(f − idRn ) = Vect(e1 , . . . , en−1 )

n o
= (x1 , x2 , . . . , xn−1 , 0) ∈ Rn | x1 , . . . , xn−1 ∈ R
= Rn−1 × {0}.

Nous avons bien

   
Rn = E0 ⊕ E1 = Ren ⊕ Rn−1 × {0} .

Preuve du théorème 1.1. Pour chaque 1 ≤ i ≤ r, soit vi ∈ Eλi . On suppose v1 + · · · + vr =

0, et nous allons montrer par récurrence qu’alors v1 = 0, v2 = 0,. . ., vr = 0.

Si r = 1, c’est vérifié. Fixons r ≥ 2 et supposons notre assertion vraie pour les familles de
r − 1 vecteurs. Soit une famille qui vérifie

v1 + v2 + · · · + vr−1 + vr = 0. (1.1)

Par composition par l’application linéaire f ,

f (v1 ) + f (v2 ) + · · · + f (vr−1 ) + f (vr ) = 0.

Mais comme vi ∈ Eλi alors f (vi ) = λi vi et donc :

λ1 v1 + λ2 v2 + · · · + λr−1 vr−1 + λr vr = 0. (1.2)

À partir des équations (1.1) et (1.2), on calcule l’expression (1.2) − λr × (1.1) :

(λ1 − λr )v1 + (λ2 − λr )v2 + · · · + (λr−1 − λr )vr−1 = 0

(le vecteur vr n’apparaît plus dans cette expression). On applique l’hypothèse de récur-
rence à la famille de n − 1 vecteurs (λ1 − λr )v1 , . . .,(λr−1 − λr )vr−1 , ce qui implique que
tous ces vecteurs sont nuls :

(λ1 − λr )v1 = 0 ... (λr−1 − λr )vr−1 = 0

Comme les valeurs propres sont distinctes, alors λi − λr ̸= 0 (pour i = 1, . . . , r − 1). Ainsi

v1 = 0 ... vr−1 = 0.

L’équation (1.1) implique en plus

vr = 0.

Cela termine la récurrence. ■

1.2.4 Rappels sur les sommes directes

Il faut bien comprendre le vocabulaire suivant. On commence par le cas de deux sous-
espaces.

Définition 1.3. Soient E1 , E2 deux sous-espaces vectoriels d’un espace vectoriel E.

— La somme de E1 et de E2 est
n o
E1 + E2 = v1 + v2 | v1 ∈ E1 et v2 ∈ E2 .

— On dit que E1 et E2 sont en somme directe si E1 ∩ E2 = {0}.

 — On dit que E1 et E2 sont en somme directe dans E si E1 + E2 = E et E1 ∩ E2 =
{0}. On note alors E = E1 ⊕ E2 .

Cela se généralise à plusieurs sous-espaces.

Définition 1.4. Soient E1 , E2 , . . . , Er des sous-espaces vectoriels d’un espace vectoriel E.

— La somme de E1 , E2 , . . . , Er est
n o
E1 + E2 + · · · + Er = v1 + v2 + · · · + vr | v1 ∈ E1 , v2 ∈ E2 , . . . , vr ∈ Er .

— On dit que E1 , E2 , . . . , Er sont en somme directe si

∀v1 ∈ E1 , . . . , ∀vr ∈ Er v1 + · · · + vr = 0 =⇒ v1 = 0, . . . , vr = 0.

— On dit que E1 , E2 , . . . , Er sont en somme directe dans E s’ils sont en somme

directe et que E1 + E2 + · · · + Er = E. On note alors E = E1 ⊕ E2 ⊕ · · · ⊕ Er .

Exemple 1.6. — Si (v1 , . . . , vn ) est une famille libre de E, alors les droites Kv1 , . . . , Kvn
sont en somme directe.
— Si (v1 , . . . , vn ) est une base de E, alors les droites Kv1 , . . . , Kvn sont en somme
directe dans E : E = Kv1 ⊕ · · · ⊕ Kvn .

La notion de somme directe généralise celle de base :

Proposition 1.1. Les sous-espaces vectoriels E1 , . . . , Er sont en somme directe si et

seulement si, pour chaque v ∈ E1 + · · · + Er , il existe vi ∈ Ei unique (1 ≤ i ≤ r) tel que

v = v1 + v2 + · · · + vr .

En particulier, E = E1 ⊕ · · · ⊕ Er si et seulement si, pour tout v ∈ E, il existe un unique

vi ∈ Ei tel que
v = v1 + v2 + · · · + vr .

Voici une autre application : si E = E1 ⊕ · · · ⊕ Er et si Bi est une base de Ei (pour

1 ≤ i ≤ r) alors B = B1 ∪ . . . ∪ Br est une base de E.

Il est facile de calculer la dimension d’une somme directe :

Proposition 1.2. Les sous-espaces vectoriels E1 , . . . , Er sont en somme directe si et

seulement si
dim(E1 + · · · + Er ) = dim E1 + · · · + dim Er .
En particulier, si E = E1 + · · · + Er , alors les sous-espaces vectoriels E1 , . . . , Er sont en
somme directe dans E si et seulement si

dim E = dim E1 + · · · + dim Er .

1.3 Polynôme caractéristique

Le polynôme caractéristique permet de trouver facilement les valeurs propres. Encore une
fois, le chapitre « Valeurs propres, vecteurs propres » sur les matrices fournit de nombreux
exemples.

1.3.1 Polynôme caractéristique

Définition 1.5. Soit f : E → E un endomorphisme d’un K-espace vectoriel E de dimen-
sion finie n. Soit A ∈ Mn (K) la matrice de f dans une base B.

Le polynôme caractéristique de f est égal au polynôme caractéristique de la matrice

A:
χf (X) = χA (X) = det(A − XIn ).

Le polynôme caractéristique est indépendant de la matrice A (et du choix de la base B).

En effet, si B est la matrice du même endomorphisme f mais dans une autre base B ′ ,
alors on sait qu’il existe P ∈ Mn (K) inversible telle que B = P −1 AP . On écrit :

B − XIn = P −1 (A − XIn )P.

Alors,

1
χB (X) = det(B − XIn ) = · det(A − XIn ) · det(P ) = det(A − XIn ) = χA (X).
det(P )

1.3.2 Caractérisation des valeurs propres

Proposition 1.3.

λ valeur propre de f ⇐⇒ χf (λ) = 0.

Voyons une autre formulation. Soit f : E → E. Soit A ∈ Mn (K) sa matrice dans une base
B. Soit λ ∈ K. Alors :

λ valeur propre de f ⇐⇒ det(A − λIn ) = 0

Démonstration.

λ est une valeur propre de f ⇐⇒ ∃v ∈ E \ {0}, f (v) = λv

⇐⇒ Ker(f − λ idE ) ̸= {0}
⇐⇒ f − λ idE n’est pas injective
⇐⇒ f − λ idE n’est pas bijective
⇐⇒ A − λIn n’est pas inversible
⇐⇒ det(A − λIn ) = 0
⇐⇒ χf (λ) = 0.

Noter que l’équivalence entre « f − λ idE non injective » et « f − λ idE non bijective »
repose sur le fait que : (a) f − λ idE est un endomorphisme (il va de E dans lui-même) et
(b) E est de dimension finie. ■

Exemple 1.7. Si D est la matrice diagonale

 
λ1 0 ··· 0
.. 
 
.
λ2 . .

0 .
D=  
 .
 . .. .. 
 . . . 0


 
0 ··· 0 λn

alors χD (X) = (λ1 − X) · · · (λn − X) et donc les λi sont les racines de χD (X) et aussi les
valeurs propres de D.

Exemple 1.8. Soit E un C-espace vectoriel de dimension finie. Soit f : E → E une

symétrie, c’est-à-dire un endomorphisme qui vérifie f 2 = −f . Montrons que le polynôme
caractéristique est de la forme χf (X) = ±X a (X + 1)b avec a, b ≥ 0.

Pour cela, cherchons quelle peut être une valeur propre de f . Soit λ ∈ K une valeur propre,
et soit v ∈ E \ {0} un vecteur propre associé. Alors :
 
f (v) = λv =⇒ f f (v) = f (λv)
=⇒ −f (v) = λf (v) car f 2 = −f
=⇒ −λv = λ2 v car v vecteur propre
=⇒ −λ = λ2 car v non nul
=⇒ λ(λ + 1) = 0
=⇒ λ = 0 ou λ = −1

Conséquence : les seules valeurs propres possibles sont 0 ou −1. Par la proposition 1.3,
les seules racines possibles de χf (X) sont 0 et −1. Donc χf (X) = αX a (X + 1)b où
α ∈ C∗ , a, b ≥ 0. Nous verrons juste après que le coefficient dominant est ±1. Ainsi
χf (X) = ±X a (X + 1)b .

1.3.3 Coefficients du polynôme caractéristique

Proposition 1.4. Soit E un K-espace vectoriel de dimension n. Soit f : E → E un
endomorphisme. Soit A la matrice de f dans une base B. Le polynôme caractéristique de
f est de degré n et vérifie :

χf (X) = (−1)n X n + (−1)n−1 (tr A)X n−1 + · · · + det A.

Si f admet n valeurs propres, qui sont donc toutes les racines de χf (X), alors de l’éga-
lité n
χf (X) = (−1)n (X − λi )
Y

i=1

on en déduit :

La somme des valeurs propres vaut tr A.

Le produit des valeurs propres vaut det A.

Preuve de la proposition 1.4. Si A = (aij )1≤i,j≤n est la matrice de f , on a

a11 − X a12 ··· a1n

a21 a22 − X · · · a2n
χf (X) = det(A − XIn ) = .. .. .. .. .
. . . .
an1 an2 · · · ann − X

Par la définition du déterminant :

X
χf (X) = ϵ(σ)bσ(1)1 · · · bσ(n)n où bij = aij si i ̸= j et bii = aii − X
σ∈Sn

On met à part la permutation identité :

X
χf (X) = (a11 − X) · · · (ann − X) + ϵ(σ)bσ(1)1 · · · bσ(n)n .
σ∈Sn ,σ̸=id

Or, si σ ̸= id, il y a au plus n − 2 entiers k tels que σ(k) = k, et donc le polynôme

X
ϵ(σ)bσ(1)1 · · · bσ(n)n
σ∈Sn , σ̸=id
est de degré au plus n − 2.

Conclusion :
— Le polynôme χf (X) est de degré n.
— Les termes de degré n et n − 1 proviennent du produit

(a11 − X) · · · (ann − X) = (−1)n X n + (−1)n−1 (tr A)X n−1 + · · ·

— Le terme constant, quant à lui, est donné par χf (0) = det A.

■

1.3.4 Exemples et applications

Voyons quelques applications du polynôme caractéristique :

— Si E est un K-espace vectoriel de dimension n, alors tout endomorphisme f : E → E

admet au plus n valeurs propres. En effet, le polynôme caractéristique de f est un
polynôme de degré n, donc admet au plus n racines dans K.
— Si E est un C-espace vectoriel, alors tout endomorphisme f : E → E admet au
moins une valeur propre. En effet, le polynôme caractéristique de f est un polynôme
complexe non constant donc admet (au moins) une racine λ ∈ C. Alors λ est une
valeur propre de f .

Exemple 1.9. Soit A ∈ Mn (R) une matrice. Alors A possède un sous-espace invariant
de dimension 1 ou 2.

Démonstration. Considérons la matrice A ∈ Mn (R) comme une matrice de Mn (C). Alors

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 =⇒ A(X + iY ) = (a + ib)(X + iY )
=⇒ AX + iAY = (aX − bY ) + i(bX + aY )

 AX = aX − bY
=⇒ .
 AY = bX + aY

En particulier, AX et AY appartiennent à Vect(X, Y ), donc le sous-espace (réel) Vect(X, Y )

est stable par A. Or X ou Y n’est pas nul, donc Vect(X, Y ) est de dimension 1 ou 2. ■

Exemple 1.10. Soit f un endomorphisme de E. Si E est de dimension n et si le polynôme

caractéristique χf (X) ∈ K[X] admet n racines distinctes dans K, alors il existe une base
de E formée de vecteurs propres de f .
Démonstration. Soient λ1 , . . . , λn ∈ K les n racines distinctes de χf (X). Ce sont aussi n
valeurs propres de f . Soient v1 , . . . , vn des vecteurs propres associés. Par le corollaire 1.1,
la famille (v1 , . . . , vn ) est une famille libre de E. C’est donc une famille libre à n éléments
dans un espace vectoriel de dimension n : cela implique que (v1 , . . . , vn ) est une base de
E. ■

1.4 Diagonalisation
1.4.1 Endomorphisme diagonalisable
Définition 1.6. On dit qu’un endomorphisme f : E → E est diagonalisable s’il existe
une base de E formée de vecteurs propres de f .

Rappelons que :

Définition 1.7. Soit A une matrice de Mn (K). On dit que A est diagonalisable sur K
s’il existe une matrice P ∈ Mn (K) inversible telle que P −1 AP soit diagonale.

Bien sûr, les deux définitions sont cohérentes :

Proposition 1.5. Si A est la matrice de f dans une base B quelconque alors :

f diagonalisable ⇐⇒ A diagonalisable.

Démonstration.
— =⇒. Soit f un endomorphisme diagonalisable.
— Si D est la matrice de f dans la base (v1 , . . . , vn ) formée de vecteurs propres,
alors D est une matrice diagonale. En effet, comme f (vi ) = λi vi , la matrice D
est diagonale et le i-ème coefficient de la diagonale est λi .
— Si A est la matrice de f dans une base B quelconque, alors A est semblable à
la matrice D ci-dessus. Il existe donc P inversible telle que D = P −1 AP soit
diagonale.
— ⇐=. Soit A une matrice diagonalisable.

L’endomorphisme f , considéré comme une application f : Kn → Kn , s’écrit f (X) =

AX où les coordonnées de X s’expriment dans la base canonique (Y1 , . . . , Yn ) :
1 0
0 1
Y1 = 0 Y2 =  0  ···
.. ..
. .

Soit P une matrice telle que D = P −1 AP soit une matrice diagonale. Notons
λ1 , . . . , λn les coefficients de la diagonale. Notons (X1 , . . . , Xn ) les vecteurs colonnes
 de P . Ils s’obtiennent aussi comme Xi = P Yi . Montrons que Xi est un vecteur
propre de f , associé à la valeur propre λi :

f (Xi ) = AXi = (P DP −1 )(P Yi ) = P DYi = P (λi Yi ) = λi (P Yi ) = λi Xi .

Comme P est inversible, alors (X1 , . . . , Xn ) est une base de vecteurs propres.
■

Exemple 1.11 (Projection). On suppose que E = F ⊕ G avec F et G deux sous-espaces

vectoriels de E. N’importe quel v ∈ E se décompose de façon unique en v = x + y avec
x ∈ F , y ∈ G. La projection sur F suivant G est l’endomorphisme de E défini par :

p: E −→ E
.
v = x + y 7−→ x

— Pour v = x ∈ F , on a p(x) = x ; ces x sont les vecteurs propres pour la valeur propre
1:
F = Ker(p − idE ) = E1 (p).

— Pour v = y ∈ G, on a p(y) = 0 ; ces y sont les vecteurs propres pour la valeur propre
0:
G = Ker p = E0 (p).

— Comme E = F ⊕ G, alors l’union d’une base de vecteurs propres de E1 (p) et d’une

base de vecteurs propres de E0 (p) forme une base de vecteurs propres de E.
— Conclusion : p est diagonalisable.

Exemple 1.12 (Réflexion). On suppose encore que E = F ⊕ G. On définit la réflexion

par rapport à F suivant G par :

r: E −→ E
.
v = x + y 7−→ x − y

De façon semblable à l’exemple précédent, on montre que r est diagonalisable avec

F = Ker(r − idE ) = E1 (r) et G = Ker(r + idE ) = E−1 (r).

Proposition 1.6. Si f est un endomorphisme de E et si on note λ1 , . . . , λr ses valeurs

propres distinctes alors :

f est diagonalisable ⇐⇒ E = Ker(f − λ1 idE ) ⊕ · · · ⊕ Ker(f − λr idE ).

Autrement dit, f est diagonalisable si et seulement si E est somme directe des sous-espaces
propres de f .

Notons que, dans les deux exemples précédents (la projection et la symétrie), l’espace
vectoriel E est bien la somme directe des deux seuls sous-espaces propres.

Démonstration.
— =⇒. Par le théorème 1.1, les sous-espaces propres de f sont en somme directe.
Notons F = Eλ1 ⊕ · · · ⊕ Eλr . Comme f est supposé diagonalisable, alors il existe
une base de E formée de vecteurs propres de f . Mais ces vecteurs propres sont aussi
des éléments de F . Ainsi F contient une base de E. On en conclut que E = F =
Eλ1 ⊕ · · · ⊕ Eλr .
— ⇐=. Par hypothèse, les sous-espaces propres sont en somme directe dans E. On
choisit une base pour chacun des sous-espaces propres Eλ = Ker(f − λ idE ). Les
vecteurs de chacune de ces bases sont des vecteurs propres de f . L’union de ces
bases est une base de E formée de vecteurs propres de f , donc f est diagonalisable.
■

1.4.2 Rappels sur les polynômes

Rappelons quelques définitions. Soit P (X) ∈ K[X] un polynôme.
— λ ∈ K est racine de P si P (λ) = 0.
— λ ∈ K est racine de P si et seulement si P (X) = (X − λ)Q(X) pour un polynôme
Q ∈ K[X].
— La multiplicité de λ ∈ K dans P est le plus grand entier m tel que P (X) =
(X − λ)m Q(X) pour un polynôme Q ∈ K[X].
Notation. On note m(λ) la multiplicité de λ comme racine de P .

— Une racine de multiplicité 1 est une racine simple.

— Une racine de multiplicité 2 est une racine double. . .
— Si λ n’est pas racine de P , on posera m(λ) = 0.

Exemple 1.13. — P (X) = (X − 2)3 (X 2 + X + 1) ∈ R[X] admet 2 comme racine, et

sa multiplicité est 3.
— Le même polynôme considéré cette fois dans C[X] s’écrit
√ ! √ !
3 1 3 1 3
P (X) = (X − 2) X + +i X + −i .
2 2 2 2
√
Les racines complexes − 12 ± i 2
3
sont chacune de multiplicité 1.
Exemple 1.14. 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 (1 ≤ i ≤ r).

Définition 1.8. Un polynôme P (X) ∈ K[X] est scindé sur K s’il s’écrit

P (X) = an (X − λ1 ) · · · (X − λn )

pour certains λi ∈ K et un an ∈ K∗ .

Souvent, on regroupe les racines égales et on écrit :

P (X) = an (X − λ1 )m(λ1 ) · · · (X − λr )m(λr )

avec les λi deux à deux distinctes et leurs multiplicités m(λi ) ≥ 1.

Exemple 1.15. — Le polynôme P (X) = (X − 2)3 (X 2 + X + 1) ∈ R[X] n’est pas

scindé sur R, car X 2 + X + 1 n’a pas de racine réelle. Par contre, il est scindé sur
C (voir le commentaire ci-dessous).
— Le polynôme P (X) = X 2 + 4X − 3 est scindé sur R car ses racines sont les réels
√ √
λ1 = −2 − 7, λ2 = −2 + 7. Il s’écrit donc aussi P (X) = (X − λ1 )(X − λ2 ).

Quelques commentaires importants :

— Pour un polynôme P ∈ K[X] non nul, on a :
X
P scindé sur K ⇐⇒ m(λ) = deg P
λ racine de P

— D’après le théorème de d’Alembert-Gauss :

Tous les polynômes sont scindés lorsque le corps de base est C.

— Et donc, si K = C, on a toujours :
X
deg P = m(λ).
λ racine de P

1.4.3 Diagonalisation
Proposition 1.7. Soient f un endomorphisme de E et χf son polynôme caractéristique.
Soit λ une valeur propre de f , de multiplicité m(λ) comme racine de χf , et soit Eλ le
sous-espace propre associé. Alors on a

1 ≤ dim Eλ ≤ m(λ).

Énonçons maintenant le théorème principal de ce chapitre. C’est un critère pour savoir

si un endomorphisme (ou une matrice) est diagonalisable. Contrairement aux critères
précédents, il s’agit ici d’une équivalence.

Théorème 1.2. Soit f : E → E un endomorphisme. Alors :





 i) χf (X) est scindé sur K


et


f est diagonalisable sur K ⇐⇒



 ii) pour toute valeur propre λ de f ,


m(λ) = dim Ker(f − λ idE ).



Bien évidemment, il faut savoir transcrire ce théorème en termes de matrices :

Soit A ∈ Mn (K). Alors :





 i) χA (X) est scindé sur K


et


A est diagonalisable sur K ⇐⇒



 ii) pour toute valeur propre λ de A,


m(λ) = dim Ker(A − λIn ).



Corollaire 1.2. Si le polynôme χf (X) (resp. χA (X)) est scindé et si les racines sont
simples, alors f (resp. A) est diagonalisable.

En effet, dans ce cas, la multiplicité m(λ) vaut 1 pour chaque valeur. Par la proposition
1.7, on a 1 ≤ dim Eλ ≤ m(λ), donc la dimension de chaque sous-espace propre est aussi
1. Par le théorème 1.2, l’endomorphisme (ou la matrice) est diagonalisable.

1.4.4 Exemples
 
a b
Exemple 1.16. Toute matrice réelle 2 × 2 symétrique A =   est diagonalisable
b d
sur R.

La trace vaut tr A = a + d, le déterminant vaut det A = ad − b2 . On utilise la formule de

la proposition 1.4 pour en déduire, sans calculs, que le polynôme caractéristique est :

χA (X) = X 2 − tr(A)X + det(A) = X 2 − (a + d)X + ad − b2 .

Sans les calculer, montrons que χA (X) admet deux racines réelles. On calcule le discrimi-
nant de l’équation du second degré donnée par χA (X) = 0 :

∆ = (a + d)2 − 4(ad − b2 ) = a2 + d2 − 2ad + 4b2 = (a − d)2 + 4b2 . (1.3)

Cela prouve que ∆ ≥ 0. Ainsi les deux racines λ1 et λ2 du polynôme caractéristique sont
réelles.

Conclusion :
— Si ∆ > 0 alors ces deux racines sont réelles et distinctes. Ainsi χA (X) = (X −
λ1 )(X − λ2 ) est scindé à racines simples, donc la matrice A est diagonalisable.
— Si ∆ = 0 alors, par l’équation (1.3), on a (a − d)2 = 0 et b2 = 0. Donc a = d et
b = 0. La matrice A est une matrice diagonale (donc diagonalisable !).

Exemple 1.17. La matrice de permutation circulaire

 
0 ··· ··· 0 1
 
1
 0 ··· ··· 0 

.. .. 
A= 0 1 . . ∈ Mn (C)
 
 
. .. .. .. .. 
 .. . . . .
 
 
0 ··· 0 1 0

est diagonalisable sur C.

En effet :
— son polynôme caractéristique est χA (X) = (−1)n (X n − 1) (voir le chapitre « Valeurs
propres, vecteurs propres », section « Matrice compagnon »),
— les valeurs propres sont les racines n-ièmes de l’unité :

2π 2(n−1)π
1, ei n , . . . , ei n

— les racines sont simples,

— le polynôme caractéristique est bien sûr scindé sur C,
— par le corollaire 1.2, la matrice A est donc diagonalisable.

Exemple 1.18. Soit n ≥ 2. Soit la matrice

 
0 1 0 ··· 0
. . .. 
 ..

.. ... ..
. .

. .. ..

 ..
A= . . 0 ∈ Mn (K)

 
. ..
 ..

 . 1

 
0 ··· ··· ··· 0
définie par des 1 au-dessus de la diagonale. Cette matrice n’est jamais diagonalisable ! En
effet :
— Le polynôme caractéristique de A est χA (X) = (−1)n X n (la matrice est triangulaire,
de diagonale nulle). Donc λ = 0 est la seule valeur propre et m(0) = n.
— Par contre, E0 = Ker(A − λIn ) = Ker A est de dimension dim Ker A < n car A n’est
pas la matrice nulle.
— Comme dim E0 < m(0) alors, par le théorème 1.2, A n’est pas diagonalisable.

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

A = P DP −1 .

Soit A ∈ Mn (K) une matrice carrée n × n. Pour la diagonaliser :

1. On calcule d’abord son polynôme caractéristique χA (X).
2. On cherche les racines de χA (X) : ce sont les valeurs propres de A. Si χA (X) n’est
pas scindé sur K, alors A n’est pas diagonalisable.
3. Pour chaque valeur propre λ de A, on cherche une base de Ker(A − λIn ), c’est-à-dire
on cherche une base de l’espace des solutions du système

AX = λX.

4. Si, pour toute valeur propre λ de A, dim Ker(A − λIn ) = m(λ), alors A est diago-
nalisable. Sinon elle n’est pas diagonalisable.
5. Dans le cas diagonalisable, la réunion des bases des sous-espaces propres forme une
base de vecteurs propres. Ainsi, si P est la matrice dont les vecteurs colonnes sont
ces vecteurs propres, alors D = P −1 AP est une matrice diagonale dont les éléments
diagonaux sont les valeurs propres λ de A, chacune apparaissant m(λ) fois.

Exemple 1.19. Soit  

1 0 0
 
A=
0 1 .
0
 
1 −1 2

Démontrons que A est diagonalisable sur R et trouvons une matrice P telle que P −1 AP
soit diagonale.
1. Commençons par calculer le polynôme caractéristique de A :

1−X 0 0
χA (X) = det(A − XI3 ) = 0 1−X 0 = (1 − X)2 (2 − X)
1 −1 2−X

2. Les racines du polynôme caractéristique sont les réels 1 avec la multiplicité m(1) = 2,
et 2 avec la multiplicité m(2) = 1. On remarque de plus que le polynôme est scindé
sur R.
3. Déterminons les sous-espaces propres associés.
— Soit E1 le sous-espace propre associé à la valeur propre double 1 : E1 = Ker(A−
x
I3 ) = {X ∈ R3 | A · X = X}. Si on note X = yz alors :




 x = x

X ∈ E1 ⇐⇒ AX = X ⇐⇒ y = y ⇐⇒ x − y + z = 0




 x − y + 2z = z
n x  o
E1 = y
−x+y
| x ∈ R, y ∈ R est donc un plan vectoriel dont, par exemple,
 1  0
les vecteurs X1 = 0
−1
et X2 = 1 forment une base.
1
— Soit E2 le sous-espace propre associé à la valeur propre simple 2 : E2 = Ker(A−
2I3 ) = {X ∈ R3 | A · X = 2X}. Alors :




 x = 2x

X ∈ E2 ⇐⇒ AX = 2X ⇐⇒ y = 2y ⇐⇒ x = 0 et y = 0




 x − y + 2z = 2z
n 0  o 0
E2 = 0 | z ∈ R est donc une droite vectorielle, dont le vecteur X3 = 0
z 1
est une base.
4. Les dimensions des sous-espaces propres sont égales aux multiplicités des valeurs
propres correspondantes : dim E1 = 2 = m(1), dim E2 = 1 = m(2). La matrice A
est donc diagonalisable.
5. Dans la base (X1 , X2 , X3 ), l’endomorphisme représenté par A (dans la base cano-
nique) a pour matrice  
1 0 0
 
D= 0
 .
1 0
 
0 0 2
Autrement dit, si on note P la matrice de passage dont les vecteurs colonnes sont
 X1 , X2 et X3 , c’est-à-dire  
 1 0 0
 
P =
 0 ,
1 0
 
−1 1 1

alors P −1 AP = D.

1.4.6 Preuves
Il nous reste à prouver la proposition 1.7 et le théorème 1.2 de la section 1.4.3. Rappelons
l’énoncé de la proposition 1.7.

Proposition (Proposition 1.7). Soient f un endomorphisme de E et χf son polynôme

caractéristique. Soient λ une valeur propre de f , de multiplicité m(λ) comme racine de
χf , et Eλ le sous-espace propre associé. Alors on a

1 ≤ dim Eλ ≤ m(λ).

Démonstration. Tout d’abord, par définition d’une valeur propre et d’un sous-espace
propre, on a dim Eλ ≥ 1. Notons p = dim Eλ et (e1 , . . . , ep ) une base de Eλ . On complète
cette base en une base (e1 , . . . , ep , ep+1 , . . . , en ) de E. Dans cette base, la matrice de f est
de la forme  
 λIp C 
A= .
0 B

En effet, pour chaque 1 ≤ i ≤ p, on a f (ei ) = λei . Maintenant, en calculant le déterminant

d’une matrice triangulaire par blocs :

det(A − XIn ) = det((λ − X)Ip ) · det(B − XIn−p ) = (λ − X)p det(B − XIn−p ).

Cela prouve que (λ − X)p divise χf (X) et donc, par définition de la multiplicité d’une
racine, on a m(λ) ≥ p. ■

Passons à la preuve du théorème 1.2.

Théorème (Théorème 1.2). Soit f : E → E un endomorphisme. Alors :





 i) χf (X) est scindé sur K


et


f est diagonalisable sur K ⇐⇒ 


 ii) pour toute valeur propre λ de f,


m(λ) = dim Ker(f − λ idE ).



Démonstration.
 — =⇒. Supposons f diagonalisable et notons λ1 , . . . , λr ses valeurs propres et m(λ1 ), . . . , m(λr )
leurs multiplicités respectives dans χf (X). Comme f est diagonalisable, alors il
existe une base B dans laquelle la matrice de f est une matrice diagonale D. Notons
ni le nombre de fois où λi apparaît dans la diagonale de D. On a alors
r
(λi − X)ni .
Y
χf (X) = χD (X) =
i=1

Cela prouve que χf (X) est scindé sur K et que m(λi ) = ni pour tout 1 ≤ i ≤ r.

Comme D est diagonale, pour tout 1 ≤ i ≤ r, il existe ni vecteurs v de la base B

de E tels que f (v) = λi v. Il existe donc ni vecteurs linéairement indépendants dans
Eλi , d’où dim Eλi ≥ ni . Mais on sait que ni = m(λi ), donc dim Eλi ≥ m(λi ). Enfin,
on a démontré dans la proposition 1.7 que dim Eλi ≤ m(λi ), d’où l’égalité.
— ⇐=. On suppose que χf (X) est scindé sur K et que, pour toute racine λi (avec
1 ≤ i ≤ r), on a dim Eλi = m(λi ). En particulier, on a
r
(λi − X)m(λi ) .
Y
χf (X) =
i=1

Notons F = Eλ1 + · · · + Eλr . On sait que les sous-espaces propres sont en somme
directe d’après le théorème 1.1, donc F = Eλ1 ⊕ · · · ⊕ Eλr . Ainsi, par la proposition
1.2, dim F = ri=1 dim Eλi = ri=1 m(λi ) = deg χf = dim E. On en conclut que
P P

F ⊂ E et dim F = dim E, d’où F = E.

Pour chaque 1 ≤ i ≤ r, on note Bi une base de Eλi . Soit B = ri=1 Bi . Alors B est
S

une base de E (puisque c’est une base de F ). Les vecteurs de Eλi sont des vecteurs
propres. Ainsi, il existe une base de E formée de vecteurs propres de f , ce qui prouve
que f est diagonalisable.
■

1.5 Trigonalisation
Nous allons montrer que toute matrice, dont le polynôme caractéristique est scindé, est
semblable à une matrice triangulaire.
1.5.1 Trigonalisation
On rappelle qu’une matrice A = (ai,j )1≤i,j≤n est triangulaire supérieure si ai,j = 0 dès
que i > j :  
a1,1 a1,2 · · · a1,n
.. 
 
 ..
 0 a2,2 . . 
A= .
 
 .. .. ..
 . . . an−1,n 

 
0 ··· 0 an,n
Les coefficients sous la diagonale sont tous nuls. Ceux sur la diagonale ou au-dessus
peuvent être nuls ou pas.

Définition 1.9. — Une matrice A ∈ Mn (K) est trigonalisable sur K s’il existe une
matrice inversible P ∈ Mn (K) inversible telle que P −1 AP soit triangulaire supé-
rieure.
— Un endomorphisme f de E est trigonalisable s’il existe une base de E dans laquelle
la matrice de f soit triangulaire supérieure.

Bien sûr, une matrice diagonalisable est en particulier trigonalisable.

Théorème 1.3. Une matrice A ∈ Mn (K) (resp. un endomorphisme f ) est trigonalisable

sur K si et seulement si son polynôme caractéristique χA (resp. χf ) est scindé sur K.

On rappelle qu’un polynôme est scindé sur K s’il se décompose en produit de facteurs
linéaires dans K[X].

Remarquons que si K = C, par le théorème de d’Alembert-Gauss, on a :

Corollaire 1.3. Toute matrice A ∈ Mn (C) est trigonalisable sur C.

Ce n’est pas le cas si K = R.

 
0 −1
Exemple 1.20. Soit A =   ∈ M2 (R). Alors χA (X) = X 2 + 1. Ce polynôme n’est
1 0
pas scindé sur R, donc A n’est pas trigonalisable sur R. Si on considère cette même matrice
A comme élément de M2 (C), alors elle est trigonalisable (et ici même diagonalisable) sur
C : il existe P ∈ M2 (C) inversible telle que P −1 AP soit triangulaire supérieure.

1.5.2 Preuve
Démonstration.
— =⇒. Si f est trigonalisable, il existe une base de E dans laquelle la matrice de f
 s’écrit  
a a1,2 · · · a1,n
 1,1
.. 


 0 ...
a2,2 . 
A=
 .
.. .. .

 .
 . . . an−1,n 

 
0 ··· 0 an,n
On a alors n
Y
χf (X) = χA (X) = (ai,i − X),
i=1

ce qui prouve que χf se décompose en produit de facteurs linéaires dans K[X].

— ⇐=. La démonstration se fait par récurrence sur la dimension n de l’espace vectoriel
E. Si n = 1, il n’y a rien à démontrer. Supposons le résultat vrai pour n − 1,
n ≥ 2 étant arbitrairement fixé. Le polynôme χf ayant au moins une racine dans
K, notons λ l’une d’entre elles et v1 un vecteur propre associé. Soit F l’hyperplan
supplémentaire de la droite Kv1 : on a donc E = Kv1 ⊕ F . On considère alors une
base (v1 , v2 , . . . , vn ) de E avec, pour 2 ≤ i ≤ n, vi ∈ F . La matrice de f dans cette
base s’écrit  

λ · · · 
 

 0 

 .. 

 . B 

 
0

où B est une matrice carrée de taille (n − 1) × (n − 1). On a

χf (X) = (λ − X) det(B − XIn−1 ) = (λ − X)χB (X).

Notons g la restriction de f à F : la matrice de g dans la base (v2 , . . . , vn ) est

égale à B. Par hypothèse de récurrence, g (et donc B) est trigonalisable : en effet,
χf (X) = (λ − X)χg (X), et comme χf est supposé scindé sur K, χg l’est également.
Par conséquent, il existe une base (w2 , . . . , wn ) de F dans laquelle la matrice de g
est triangulaire supérieure. Ainsi, dans la base (v1 , w2 , . . . , wn ), la matrice de f est
triangulaire supérieure.
■

1.5.3 Exemple
Exemple 1.21. Soit  
 1 4 −2
 
A=
 0  ∈ M3 (R).
6 −3
 
−1 4 0

Démontrons que A est trigonalisable sur R et trouvons une matrice P telle que P −1 AP
soit triangulaire supérieure.
1. Commençons par calculer le polynôme caractéristique de A :

1−X 4 −2
χA (X) = 0 6−X −3 = · · · = (3 − X)(2 − X)2 .
−1 4 −X

Comme χA est scindé sur R, la matrice est trigonalisable sur R. (Nous verrons plus
tard si elle est diagonalisable ou pas.)
2. Les racines du polynôme caractéristique sont les réels 3 (avec la multiplicité 1), et
2 (avec la multiplicité 2).

Déterminons les sous-espaces propres associés.

— Soit E3 le sous-espace propre associé à la valeur propre simple 3 : E3 = {v =
(x, y, z) ∈ R3 | Av = 3v}.





 x + 4y − 2z = 3x

v ∈ E3 ⇐⇒ Av = 3v ⇐⇒  6y − 3z = 3y ⇐⇒ x = y = z.
 

 −x + 4y = 3z

E3 est donc la droite vectorielle engendrée par le vecteur v1 = (1, 1, 1).

— Soit E2 le sous-espace propre associé à la valeur propre double 2 : E2 = {v =
(x, y, z) ∈ R3 | Av = 2v}.



 x + 4y − 2z = 2x 
x = z

 
v ∈ E2 ⇐⇒ Av = 2v ⇐⇒ 6y − 3z = 2y ⇐⇒ .



 4y = 3z

 −x + 4y = 2z

E2 est donc la droite vectorielle engendrée par v2 = (4, 3, 4).

La dimension de E2 est égale à 1 alors que la multiplicité de la valeur propre 2

correspondante est égale à 2. Par conséquent, on sait que la matrice A ne sera
pas diagonalisable.
— Soit v3 = (0, 0, 1). Les vecteurs (v1 , v2 , v3 ) forment une base de R3 . La matrice
de passage (constituée des vi écrits en colonne) est
   
1 4 0 −3 4 0
P −1 = 
   
P =
1 3 0
 et  1 −1 0 .

   
1 4 1 −1 0 1
 On a Av1 = 3v1 et Av2 = 2v2 . Il reste à exprimer Av3 dans la base (v1 , v2 , v3 ) :

Av3 = A(0, 0, 1) = (−2, −3, 0) = −2(−3v1 +v2 −v3 )−3(4v1 −v2 ) = −6v1 +v2 +2v3 .

3. Ainsi, l’endomorphisme qui a pour matrice A dans la base canonique de R3 a pour

matrice T dans la base (v1 , v2 , v3 ), où
 
3 0 −6
 
T =
0 2 .
1
 
0 0 2

On aurait aussi pu calculer T par la formule T = P −1 AP .

4. Note. D’autres choix pour v3 sont possibles. Ici, n’importe quel vecteur v3′ complétant
(v1 , v2 ) en une base de R3 conviendrait. Par contre, un autre choix conduirait à une
matrice triangulaire T ′ différente (pour la dernière colonne).