© Gérard Lavau - [Link]

htm
Vous avez toute liberté pour télécharger, imprimer, photocopier ce cours et le diffuser gratuitement. Toute diffusion à
titre onéreux ou utilisation commerciale est interdite sans accord de l'auteur.

REDUCTION DES ENDOMORPHISMES

PLAN
I : Diagonalisation
1) Exemples de problèmes
2) Principe de la diagonalisation
3) Valeurs propres, vecteurs propres, Sous–espaces propres
4) Méthode pratique
II : Propriétés
1) Sous-espaces propres
2) Polynôme caractéristique
3) Conditions de diagonalisation
4) Trigonalisation

I : Diagonalisation

1– Exemples de problèmes
On peut être amené à résoudre les problèmes suivants :
i) Calculer Mn, où M est une matrice carrée, par exemple :
 8 0 9 
M =  –3 –1 –3 
 –6 0 –7 
ii) Trouver les suites vérifiant les relations suivantes :
x0, y0 et z0 sont donnés
 xk+1 = 8xk + 9zk
pour tout k :  yk+1 = –3xk – yk – 3zk
î zk+1 = – 6xk – 7zk

iii) Trouver les fonctions vérifiant le système différentiel suivant :

x(0), y(0) et z(0) sont donnés
 x'(t) = 8x(t) + 9z(t)
pour tout t réel :  y'(t) = –3x(t) – y(t) – 3z(t)
î z'(t) = –6x(t) – 7z(t)

Ces trois questions semblent a priori difficiles. On peut remarquer cependant que les problèmes i) et
ii) sont équivalents. En effet, dans ii), on peut poser :
 xk 
vk =  yk  élément de 3.
 zk 
On a alors la relation de récurrence suivante entre vk+1 et vk :
vk+1 = [Link], M étant la matrice du i),
d'où il est facile de tirer, par récurrence, que : vk = Mkv0.

-1-
Quant au problème iii), outre l'analogie existant entre ce problème de type continu et un problème
discontinu du type ii), lui aussi peut être résolu en utilisant des puissances de matrices. En effet, Si
l'on pose :
 x(t)   x'(t) 
 
V(t) =  y(t)  vecteur de 3

et V'(t) =  y'(t) , vecteur dérivé de V

 z(t)   z'(t) 
on a :
V'(t) = M.V(t) où M est la matrice du i).
Or, dans le chapitre [Link], une méthode pour résoudre ce système différentiel consiste à
∞
Mn
calculer etM = ∑ , les solutions s'écrivant alors V(t) = etM V(0).
n=0 n!

Comparons les maintenant aux trois problèmes suivants :

ibis) Calculer Dk, où D est une matrice diagonale, par exemple :

 –1 0 0 
D =  0 –1 0 
 0 0 2

iibis) Trouver les suites vérifiant les relations suivantes :

x0, y0 et z0 sont donnés ;
 xk+1 = –xk
pour tout k :  yk+1 = – yk
 zk+1 = 2zk

iiibis) Trouver les fonctions vérifiant le système différentiel suivant :

x(0), y(0) et z(0) sont donnés ;
 x'(t) = –x(t)
pour tout t réel :  y'(t) = – y(t)
 z'(t) = 2z(t)

La résolution est immédiate ; on a respectivement :

k
 (–1) 0 0 
Dk =  0 (–1) 0 
k

 0 0 2k 
k
 xk = (–1) x0
 yk = (–1) y0
k

 zk = 2kz0

–t
 x(t) = e .x(0)
 y(t) = e .y(0)
–t

 z(t) = e2t.z(0)

Le principe de la diagonalisation consiste à passer d'une matrice quelconque (et d'un problème
général) à une matrice diagonale (et à un problème plus simple).

-2-
2– Principe de la diagonalisation
M est une matrice carrée, à n lignes et n colonnes. Elle est associée à un endomorphisme u de n  

dans la base canonique. La diagonalisation de M ou de u consiste à trouver si possible une nouvelle

base, dans laquelle la nouvelle matrice D de u sera diagonale. M est alors une matrice dite semblable
à D. (Il n'est malheureusement pas toujours possible de trouver une telle base).

Si ε1, ε2,... , εn est cette nouvelle base, il existe λ1, λ2,... , λn, scalaires, tels que :
∀ i, u(εi) = λi. εi
Les λi sont les coefficients diagonaux de la nouvelle matrice diagonale.
 λ01 λ0 ... 0

D=
 2 ... 0
 ... ... 
 0 0 ... λn 
u a pour matrice M dans la base canonique, et Dk dans la nouvelle base. Si P est la matrice de
k k

passage de l'ancienne base à la nouvelle, on a M = PDP–1 et Mk = PDkP–1. Dk se calcule facilement :

 λ01 λ0k ... 
k
0
D =k  2 ... 0 

 ... ... k 
 0 0 ... λp 
Il est donc essentiel de rechercher les scalaires λ et les vecteurs V tels que : u(V) = λV. Ils sont
susceptibles de former la nouvelle base.

DEFINITION :
Un endomorphisme u d'un espace vectoriel E est dit diagonalisable s'il existe une base de E
constituée de vecteurs propres de u. Dans cette base, la matrice de u est diagonale.
Une matrice carrée M est dite diagonalisable si elle est semblable à une matrice diagonale D.

M est semblable à D s'il existe P inversible telle que M = PDP–1. M et D représentent le même
endomorphisme dans des bases différentes, la matrice de passage de l'une à l'autre étant P. En
pratique, M est donnée, et on cherche D, si c'est possible. Cette matrice D étant diagonale, cela
signifie que les vecteurs de la nouvelle base sont des vecteurs propres de u.

3- Valeurs propres, vecteurs propres, sous-espaces propres

DEFINITION
Soit u un endomorphisme d'un espace vectoriel E. On appelle vecteur propre V de u tout vecteur
non nul de E pour lequel il existe un scalaire λ tel que :
u(V) = λV
λ s'appelle valeur propre relative au vecteur propre V. λ est une valeur propre de u.
λ étant une valeur propre, on appelle sous-espace propre associé à λ le sous-espace
Eλ = { V ∈ E | u(V) = λV }

Si V est vecteur propre, λ est unique. En effet :

u(V) = λV et u(V) = λ'V ⇒ λV = λ'V ⇒ λ = λ' car V est non nul.

L'ensemble des valeurs propres d'un endomorphisme u s'appelle le spectre de u, noté Sp(u).
Eλ est bien un sous-espace. Il suffit de constater que Eλ = Ker(u – λId)

-3-
On remarque que l'ensemble des vecteurs propres associés à λ n'est autre que Eλ – {0}. λ est donc
une valeur propre associée à un vecteur propre non nul si et seulement si Ker(u – λId) ≠ {0}, ce qui
est vérifié si et seulement si u – λId est non inversible, et donc si et seulement si det(u – λId) = 0. On
peut facilement vérifier que cette dernière quantité est un polynôme en λ de degré n = dimE.

DEFINITION :
det(u – XId) = Πu(X) s'appelle polynôme caractéristique de l'endomorphisme u. Ses racines sont les
valeurs propres de u. L'ordre de multiplicité d'une valeur propre n'est autre que l'ordre de
multiplicité de cette valeur en tant que racine de P.

4– Méthode pratique
Pour diagonaliser une matrice ou un endomorphisme, on procède comme suit :

a) Recherche des valeurs propres

On calcule Πu(X) = det(u – XId) puis on cherche les racines de ce polynôme. Ce sont les valeurs
propres. Pour une matrice M, on calcule det(M – λI).

 8 0 9 
EXEMPLE : M =  –3 –1 –3 
 –6 0 –7 
 8–X 0 9 
det(M – XI) =  –3 –1–X –3  = – (X–2)(X+1)2
 –6 0 –7–X 
Les valeurs propres sont –1 valeur propre double, et 2 valeur propre simple.

b) Recherche des sous–espaces propres

Pour chaque valeur propre λ trouvée, on résout le système (u – λId)V = 0. L'ensemble des vecteurs
V solutions est le sous–espace propre Eλ associé à λ.

 8 0 9 
EXEMPLE : M =  –3 –1 –3 
 –6 0 –7 
• Sous–espace propre associé à la valeur propre –1. On résout le système :
 9x + 9z = 0
(M+I)V = 0 ⇔  –3x – 3z = 0 ⇔ x + z = 0
 –6x – 6z = 0
 1  0
Il s'agit du plan vectoriel engendré par  0  et  1 
 –1   0 
• Sous–espace propre associé à la valeur propre 2. On résout le système :
 6x + 9z = 0  x = 3t
(M–2I).V = 0 ⇔  –3x – 3y – 3z = 0 ⇔  y = –t
 –6x – 9z = 0  z = –2t
 3 
Il s'agit de la droite vectorielle engendrée par  –1 
 –2 

-4-
c) Recherche d'un base de vecteurs propres
Dans chaque Eλ, on choisit une base. Nous verrons dans le paragraphe suivant que la réunion des
vecteurs ainsi obtenus forme un système libre (les sous-espaces propres sont en somme directe).
Dans le cas précédent, les trois vecteurs trouvés forment notre base de vecteurs propres. Donc M est
 –1 0 0 
diagonalisable, semblable à la matrice diagonale D =  0 –1 0 .
 0 0 2
 1 0 3   –2 0 –3 
La matrice de passage est P =  0 1 –1 . On a M = PDP avec P =  1 1 1 .
  –1 –1

 –1 0 –2   1 0 1 

On peut maintenant résoudre les questions du I-1).

 8 0 9 
i) Calculer Mk avec M =  –3 –1 –3 
 –6 0 –7 
 –1 0 0   1 0 3   –2 0 –3 
Comme M = PDP , avec D =  0 –1 0 , P =  0 1 –1  et P =  1 1 1 , on a :
–1     –1

 0 0 2  –1 0 –2   1 0 1 
k k –1
M = PD P . D'où :
k k+1 k k+1 k
 1 0 3  (–1) 0 0  –2 0 –3   2(–1) + 3.2 0 3(–1) + 3.2 
k    k    
M =  0 1 –1  0 (–1) 0  1 1 1  =  (–1) – 2
k k
(–1)k
(–1) – 2 
k k

 –1 0 –2  0 0 2k  1 0 1   2(–1)k – 2k+1 0 3(–1)k – 2k+1 
On vérifie que, pour k = 0, on trouve bien Mk = I, et pour n = 1, on trouve Mk = M.

ii) Les solutions du problème I–1–ii) sont :

xk = [2(–1)k+1 + 3.2k].x0 + [3(–1)k+1 + 3.2k].z0
yk = [(–1)k – 2k].x0 + (–1)k.y0 + [(–1)k – 2k].z0
zk = [2.(–1)k – 2k+1].x0 + [3.(–1)k – 2n+1].z0

 x(t) 
iii) Résolvons le problème du I–1–iii). Soit V(t) =  y(t) .
 z(t) 
V'(t) = M.V(t)
⇔ V'(t) = PDP–1.V(t)
⇔ P–1.V'(t) = DP–1.V(t)
⇔ W'(t) = D.W(t) où l'on a posé W(t) = P–1V(t)
 –2 0 –3  x(0)   –2x(0) – 3z(0)   X0 
On a donc W(0) = P–1V(0) =  1 1 1  y(0)  =  x(0) + y(0) + z(0)  =  Y0 
 1 0 1  z(0)   x(0) + z(0)   Z0 

D'après le I–1–iibis), on a :
–t
 e .X0 

W(t) =  e .Y0 
–t

 e .Z0 
2t
–t –t 2t
 1 0 3  e .X0   e .X0 + 3e .Z0 
D'où V(t) = P.W(t) =  0 1 –1  e .Y0  =  e .Y0 – e .Z0 
–t –t 2t

 –1 0 –2  e .Z0   –e .X0 – 2e .Z0 

2t –t 2t

D'où :

-5-
 x(t) = [–2e–t + 3e2t].x(0) + [–3e–t + 3e2t].z(0)
y(t) = [e–t – e2t].x(0) + e–t.y(0) + [e–t – e2t].z(0)
z(t) = [2e–t – 2e2t].x(0) + [3e–t – 2e2t].z(0)

II : Propriétés

1- Sous-espaces propres
PROPOSITION :
Soient λ1, λ2,... , λm m valeurs propres distinctes. Alors la somme des sous–espaces vectoriels
Eλ1 + Eλ2 +... + Eλm est directe.

Démonstration 1 :
Elle se fait par récurrence sur m.
Montrons cette proposition pour m = 2. Il suffit de montrer que Eλ1 ∩ Eλ2= {0}. Soit V élément de
Eλ1 ∩ Eλ2. On a alors :
u(V) = λ1V et u(V) = λ2V ⇒ λ1V = λ2V
⇒ (λ1 – λ2)V =0
⇒ V = 0 car λ1 et λ2 sont distincts.

Supposons la propriété vraie pour m–1, montrons la pour m.

Il suffit de montrer que 0 se décompose de manière unique en somme d'éléments de Eλi, autrement
dit, que l'on a :
∀ i, Vi ∈ Eλi et 0 = V1 +... + Vm ⇒ pour tout i, Vi = 0

En effet, on applique u. On obtient :

0 = u(V1) +... + u(Vm)
⇒ 0 = λ1V1 +... + λmVm (*)

On a, par ailleurs, en multipliant par λm :

0 = V1 +... + Vm
⇒ 0 = λmV1 +... + λmVm (**)

En retranchant (*) et (**), on obtient :

0 = (λ1 – λm)V1 +... + (λm–1 – λm)Vm–1
⇒ ∀ i ∈ {1,...,m–1} (λ1 – λi)Vi = 0 car les m–1 sous–espaces Eλi sont en somme directe
(hypothèse de récurrence)
⇒ ∀ i ∈ {1,...,m–1} Vi = 0 car les valeurs propres sont distinctes.

En reportant dans (*), on en tire aussi que Vm = 0

Démonstration 2 :
Considérons une relation
0 = V1 +... + Vm
avec Vi vecteur propre associé à la valeur propre λi. Si on applique m–1 fois l'endomorphisme u, on
obtient :
0 = λ1V1 + ... + λmVm
-6-
 0 = λ12 V1 + ... + λm2 Vm
0 = λ13 V1 + ... + λm3 Vm
...
0 = λ1m–1 V1 + ... + λmm–1 Vm

Cherchons les valeurs possibles des Vi en raisonnant composante par composante sur une base
 λ11 ...
... λm
1

quelconque. Les coefficients du système sont  ... ...  dont le déterminant (de
 λ1m–1 ... λmm–1 
Vandermonde) est non nul. Les seules solutions au système sont donc les solutions nulles, et tous les
Vi sont nuls.

Le théorème n'affirme pas que la somme des sous-espaces propres donne E tout entier. C'est un
obstacle à la diagonalisation.

COROLLAIRE
Toute famille de m vecteurs associés à m valeurs propres deux à deux distinctes forme une famille
libre.

EXEMPLE : Pour tout n, la famille (1, cosx, cos(2x), ..., cos(nx)) forme une famille libre. En effet,
chaque fonction est vecteur propre de l'opérateur D2 (dérivée seconde) avec des valeurs propres
distinctes.

PROPOSITION
Tout sous-espace propre Eλ d'un endomorphisme u est stable par u. Si v commute avec u, alors Eλ
est stable également stable par v.

Démonstration :
Eλ est stable par u :
V ∈ Eλ ⇒ u(V) = λV et λV ∈ Eλ (stabilité de Eλ par le produit externe)
⇒ u(V) ∈ Eλ

Eλ est stable par v si v o u = u o v :

V ∈ Eλ ⇒ u(V) = λV
⇒ v(u(V)) = λv(V) = u(v(V))
⇒ v(V) ∈ Eλ

2- Polynôme caractéristique
On a appelé polynôme caractéristique d'un endomorphisme u le polynôme Πu(X) = det(u – XId). Le
polynôme caractéristique d'une matrice M est ΠM(X) = det(M – XI). Les racines de ces polynômes
sont les valeurs propres de u ou de M. Deux matrices semblables ont évidemment mêmes valeurs
propres, puisque le déterminant de deux matrices semblables est le même. Si M est semblable à N, on
a:
det(M – XI) = det(P(N – XI)P–1) = det(P) det(N – XI) det(P–1) = det(N – XI)

Le déterminant d'une matrice étant égal à celui de sa transposée, on déduit également de la méthode
utilisée la proposition suivante :
-7-
PROPOSITION :
La transposée d'une matrice possède les mêmes valeurs propres que la matrice elle–même.

Il y a un rapport entre l'ordre de multiplicité des valeurs propres en tant que racine du polynôme
caractéristique et la dimension du sous-espace propre correspondant :
PROPOSITION
L'ordre de multiplicité de la valeur propre λ est supérieur ou égale à la dimension q du sous–
espace propre.

En effet, si on choisit une base de E en prenant une base du sous–espace propre complétée en une
base de E, la matrice de u possèdera q λ sur la diagonale. On aura, par blocs :
 λIq B 
M= 
 O C
Le polynôme caractéristique est alors égal à (λ – X)q det(C – XI). Il se peut que λ soit également
racine de Q, de sorte que son ordre de multiplicité est au moins q. Cependant, il y a au plus n valeurs
propres distinctes dans un espace de dimension n. Cette propriété sera approfondie lorsque nous
chercherons les conditions de diagonalisation d'un endomorphisme.

Outre le fait d'être le polynôme dont les racines sont les valeurs propres de u, le polynôme
caractérisque jouit d'une autre propriété. C'est un polynôme annulateur de u.

THEOREME DE CAYLEY-HAMILTON :
Si Πu(X) = det(u – XId) désigne le polynôme caractéristique de u, alors Πu(u) = 0.

Démonstration : (donnée à titre indicatif. Elle n'est pas à retenir)

Soit A la matrice de u. Considérons la matrice B(X) = A – XI, à coefficients polynomiaux ou même,
si on le souhaite à coefficients dans le corps K(X) des fractions rationnelles. Considérons également
la transposée de la comatrice de A–XI, que nous appellerons C(X), de sorte que B(X)C(X) =
det(B(X))I, où det(B(X)) n'est autre que Pu(X). Rappelons que les coefficients de C(X) étant formé à
partir de sous–déterminants n–1 × n–1 de B(X), ces coefficients sont donc des polynômes en X.
Ainsi :
B(X)C(X) = Pu(X)I
Lorsque l'on calcule chaque terme de la matrice produit, on peut regrouper dans C(X) les termes
constants, puis les termes en X, etc..., ce qui revient à écrire C(X) sous forme de combinaison
linéaire de matrices :
C(X) = C0 + XC1 + ... + Xn–1Cn–1
On a alors :
Pu(X)I = (A–XI)(C0 + XC1 + ... + Xn–1Cn–1)
= AC0 + X(AC1–C0) + ... + Xn–1(ACn–1–Cn–2) – XnCn–1

Justifions maintenant le résultat suivant :

Si T0 + XT1 + ... + XnTn = U0 + XU1 + ... + XnUn, où les Ti et les Ui sont des matrices carrés, alors
l'égalité reste vraie lorsque l'on remplace X par une matrice carrée. En effet, l'égalité précédente
implique l'égalité formelle des polynômes constituant les termes (i,j) de chacun des deux membres.
Les coefficients de ces polynômes sont donc égaux, ce qui signifie que T0 = U0, ... Tn = Un. L'égalité
est donc en particulier vérifiée si on remplace X par n'importe une matrice.
C'est ce que nous faisons dans le cas qui nous préoccupe en remplaçant X par A. On obtient :
Pu(A) = 0
ce qui est le résultat cherché
-8-
  8 0 9 
EXEMPLE : Pour M =  –3 –1 –3 , le polynôme caractéristique vaut – (X–2)(X+1)2. On vérifiera
 –6 0 –7 
2
que (M – 2I)(M + I) = 0.

Voilà également une situation fréquente permettant de déterminer rapidement les valeurs propres
d'une matrice, connaissant un polynôme annulateur de u (pas forcément le polynôme caractéristique)
:
PROPOSITION :
Soit u un endomorphisme (ou M une matrice carrée) et P un polynôme tel que P(u) = 0 (ou
P(M) = 0). Alors les valeurs propres λ de u (ou de M) vérifient nécessairement P(λ) = 0.

Démonstration :
Soit λ une valeur propre de u, de vecteur propre V. On a donc :
u(V) = λV
Par récurrence, il est facile de montrer que uk(V) = λkV. On en déduit, en prenant des combinaisons
linéaires de puissances de u, que si P est un polynôme, alors : P(u)(V) = P(λ)V. Si P(u) = 0 alors
P(λ)V = 0 et V étant non nul, P(λ) = 0.

EXEMPLE : si u2 – 3u + 2Id = 0, alors les valeurs propres de u sont racines du polynôme

X2 – 3X + 1 = 0 et appartiennent à l'ensemble {1,2}. Il est possible cependant qu'une seule de ces
deux valeurs soit valeur propre de u (par exemple, si u = Id).

Ainsi, si un polynôme s'annule sur u, il s'annule aussi sur toutes les valeurs propres de u.

3– Conditions de diagonalisation
PROPOSITION :
Un endomorphisme u d'un espace vectoriel E est diagonalisable si et seulement si E est la somme
des sous–espaces vectoriels propres.

Démonstration :
Si E est somme des sous–espaces propres, il suffit de prendre dans chaque sous-espace propre une
base pour obtenir ainsi une base de E.
Réciproquement, si u est diagonalisable, il existe une base de vecteurs propres. Dans cette base, la
matrice associée à u est diagonale. La recherche des valeurs propres montre que les seules valeurs
propres de u sont les éléments de cette diagonale. La recherche des sous–espaces propres montre
que le sous–espace propre associé à la valeur propre λ est engendré par les vecteurs de base V dont
l'image par u est λV. La somme des sous–espaces propres est donc engendrée par l'ensemble des
vecteurs de base. Elle est donc égale à E.

Pour quelles raisons un endomorphisme n'est–il pas diagonalisable ?

❑ Sur , il se peut que u ou M ait des valeurs propres complexes et non réelles, autrement dit, le
 

polynôme caractéristique n'est pas scindé. Par exemple, si M2 + I = 0, alors les valeurs propres
vérifient nécessairement λ2 + 1 = 0, ce qui prouve qu'il n'y a pas de valeurs propres réelles. Si on se
place sur , alors il y a deux valeurs propres potentielles : i et –i. M peut être diagonalisable sur .
   

Ainsi, la possibilité de diagonalisation dépend du corps de base sur lequel on se place. Il est clair que
-9-
le spectre de M dans , ensemble des solutions dans
  du polynôme det(M – XI) = 0, est inclus
 

dans le spectre de M dans , ensemble des solutions dans du même polynôme.

 

 cosθ –sinθ 
EXEMPLE 1 : Diagonaliser M =  
 sinθ cosθ 
Le polynôme caractéristique vaut X2 – 2cosθ + 1. Il ne possède pas de racine sur . Il n'est donc
pas diagonalisable sur . Si on se place sur , les racines sont e±iθ. Le sous-espace propre associé à

la valeur propre eiθ est la droite de vecteur directeur  –i . Le sous-espace propre associé à la valeur
1
 
e 0 
iθ
 
1
propre e–iθ est la droite de vecteur directeur  i . M est diagonalisable sur , semblable à  –iθ 
0 e 
 1 1
et la matrice de passage est  –i i .

1 0 1
EXEMPLE 2 : Diagonaliser la matrice M =  1 1 0 
0 1 1
Le polynôme caractéristique vaut det(M – XI) = – X3 + 3X2 – 3X + 2 = – (X – 2)(X2 – X + 1)

Si le corps de base est , alors seule 2 est valeur propre, avec seulement une droite de vecteurs
 

propres. M n'est donc pas diagonalisable.

1 i 3 1 i 3
Si on se place sur , les valeurs propres sont 2, – ou + donnant chacune une droite
2 2 2 2
 

comme sous-espace propre. Disposant de trois vecteurs propres, l'endomorphisme est diagonalisable
sur .
 

❑ Supposons maintenant que le polynôme caractéristique soit scindé, et admette donc n valeurs
propres comptées avec leur ordre de multiplicité, où n = dim E. Cet ordre étant supérieur ou égal à
la dimension du sous-espace propre correspondant, la somme des sous-espaces propres ne pourra
être égale à E que si la dimension de chaque sous-espace propre est rigoureusement égale à l'ordre
de multiplicité de la valeur propre, de façon que la somme des dimension des sous-espaces propres
redonne bien n. Ainsi, si λ est valeur propre double, on s'attend à trouver un plan de vecteurs
propres. Si on ne trouve qu'une droite, il manquera au moins un vecteur pour former une base de
vecteurs propres.
 7 –11 –2 
EXEMPLE : Diagonaliser la matrice M =  –3 –1 –6 
 –1 1 6 
Le polynôme caractéristique vaut : det(M – XI) = –X3 + 12X2 – 256 = – (X + 4)(X – 8)2

• Sous–espace propre associé à la valeur propre 8. On résout le système :

 –x – 11y – 2z = 0  x + 11y + 2z = 0 y=0

(M–8I).V = 0 ⇔  –3x – 9y – 6z = 0 ⇔y=0 ⇔  x + 2z = 0
 –x + y – 2z = 0  x + 2z = 0

- 10 -
  2 
Il s'agit de la droite vectorielle engendrée par  0 . La valeur propre étant double, il manquera un
 –1 
vecteur.

• Sous–espace propre associé à la valeur propre –4. On résout le système :

 11x – 11y – 2z = 0 x=y
(M + 4I).V = 0 ⇔  –3x + 3y – 6z =0 ⇔z=0
 –x + y + 10z = 0
1
Il s'agit de la droite vectorielle engendrée par  1 
0

La somme des sous–espaces propres étant de dimension 2, la matrice n'est pas diagonalisable.

Voici une proposition d'utilisation courante :

PROPOSITION :
Soit u un endomorphisme d'un espace vectoriel E de dimension n. Si u admet n valeurs propres
distinctes, alors u est diagonalisable.

Démonstration :
Il existe n sous–espaces propres, tous de dimension supérieure ou égale à 1. La dimension de la
somme est donc supérieure ou égale à n. Comme elle ne peut excéder celle de E, la dimension de la
somme est exactement égale à n, chaque sous–espace étant de dimension 1. La somme est donc bien
égale à E et u est diagonalisable.

La formulation de la proposition précédente est évidemment équivalente à la suivante :

PROPOSITION :
Si le polynôme caractéristique de u est scindé et ne possède que des racines simples, alors u est
diagonalisable.

La condition précédente est seulement suffisante. Une condition nécessaire et suffisante est donnée
par :
PROPOSITION :
u est diagonalisable si et seulement si il annule un polynôme scindé dont toutes les racines sont
simples.

Démonstration :
Si u est diagonalisable, E est somme des sous–espaces propres Eλi, i variant de 1 à p, où p est le
nombre de valeurs propres. Considérons le polynôme (X – λ1)...(X – λp). u annule ce polynôme. Il
suffit en effet de le constater sur la restriction de u à chaque Eλi. Cette restriction étant égale à λiId,
le polynôme s'y annule.

Réciproquement, soit P = (X – λ1)...(X – λp) un polynôme annulant u. Il nous suffit de montrer que
E est la somme directe des Eλi = Ker(u – λiId). Or dans le chapitre d'algèbre linéaire, nous avons
montré que, si Q1, Q2, ..., Qp sont p polynômes premiers entre eux deux à deux, alors,
Ker Q1Q2...Qp(u) = Ker Q1(u) ⊕ Ker Q2(u) ⊕ ... ⊕ Ker Qp(u). Il suffit de prendre Qi = X – λi pour
obtenir E = Eλ1 ⊕ Eλ2 ⊕ ... ⊕ Eλp (théorème de décomposition des noyaux).
- 11 -
Voici une autre démonstration de la réciproque. On remarque que, u et v étant deux
endomorphismes, dim Ker (v o u) ≤ dim Ker u + dim Ker v. En effet, notons F = Ker(v o u). Le
théorème du rang donne :
dim F = dim Im(u|F) + dim Ker(u|F)
où u|F désigne la restriction de u à F. or Im(u|F) est inclus dans Ker(v), et Ker(u|F) est inclus dans
Ker(u), d'où le résultat. Par récurrence, on a :
dim Ker(f1 o f2 o ... o fp) ≤ dim Ker f1 + ... + dim Ker fp
Appliquons ce résultat à (u – λ1Id) o ... o (u – λpId) = 0. On a alors :
dim E ≤ dim Eλ1 + ... + dim Eλp
mais on sait par ailleurs que ces sous–espaces propres sont en somme directe, et donc la somme est
de dimension inférieure ou égale à dim E. Les deux membres sont donc égaux, et u est
diagonalisable.

Cette dernière proposition est très puissante. Soit u un endomorphisme tel que u3 – 7u + 6Id = 0. u
annule le polynôme X3 – 7X + 6 qui se factorise sous la forme (X–2)(X–1)(X+3). On sait donc que u
est diagonalisable, l'ensemble des valeurs propres étant une partie de {–3,1,2}.

 8 0 9 
EXEMPLE : M =  –3 –1 –3 . Nous savons que M est diagonalisable. On pourra vérifier que M
 –6 0 –7 
annule le polynôme (X–2)(X+1).

Voici une autre proposition :

PROPOSITION
Si u est diagonalisable et a un élément de GL(E), alors a o u o a–1 aussi.

L'application u ∈ L(E) → a o u o a–1 ∈ L(E) est bijective. Sa réciproque est l'application définie par
u → a–1 o u o a. En outre, on vérifiera que c'est un morphisme d'algèbre (elle est compatible avec les
trois opérations +, . et o). On parle d'automorphisme.

Démonstration 1 :
Soit E = Eλ1 ⊕ Eλ2 ⊕ ... ⊕ Eλp où Eλi est le vecteur propre de u associé à la valeur propre λi. Cette
valeur propre est aussi une valeur propre de a o u o a–1. En effet, les deux applications ont même
polynôme caractéristique (une vérification analogue a déjà été faite pour les matrices semblables).
Cherchons le sous-espace propre de a o u o a–1 associé à λi. On a :
a o u o a–1(V) = λiV
⇔ u o a–1(V) = a–1(λiV)
⇔ u(a–1(V)) = λia–1(V)
⇔ a–1(V) ∈ Eλi
⇔ V ∈ a(Eλi)

Ainsi, les sous-espaces propres de a o u o a–1 sont les a(Eλi). a étant bijective, il n'est pas difficile de
montrer que la somme des ces sous-espaces est égale à E.

Démonstration 2 :

- 12 -
u est diagonalisable, donc il existe un polynôme scindé P n'ayant que des racines simples et vérifiant
P(u) = 0. On vérifiera que P s'annule également sur a o u o a–1 et donc que a o u o a–1 est
m m
diagonalisable. En effet, si P = ∏(X – λk), alors P(u) = ∏ (u – λkId) d'où :
k=1 k=1

m
P(a o u o a ) = ∏ (a o u o a–1 – λk a o Id o a–1)
–1

k=1

m
= ∏ a o (u – λk Id) o a–1
k=1

m 
= a o ∏(u – λk Id) o a–1

 k=1 
 
car les a–1 o a intermédiaires se simplifient.

Démonstration 3 :
Soit M matrice de u et A matrice de a. u étant diagonalisable, il existe P matrice inversible et D
diagonale telle que M = PDP–1, d'où AMA–1 = APDP–1A–1 de la forme QDQ–1 avec Q = AP. Donc
AMA–1 est diagonalisable.

Et enfin :
PROPOSITION
Soit u diagonalisable et F un sous-espace vectoriel de E stable par u. Alors la restriction de u à F
est diagonalisable.

Démonstration :
u annule un polynôme scindé dont toutes les racines sont simples. Il en est a fortiori de même de u|F
qui annule le même polynôme.

4– Trigonalisation
p

∏(X – λi) i, où les λi sont les

k
Supposons que le polynôme caractéristique de u soit scindé, P(X) =
i=1

valeurs propres distinctes de u. Si la dimension d'un sous-espace propre associé à λi est strictement
inférieur à ki, nous avons vu que u n'est pas diagonalisable (il manquera au moins un vecteur propre).
Cependant, nous allons voir que u est trigonalisable, autrement dit, il existe une base dans laquelle la
matrice de u est triangulaire.
k
Posons Pi = (X – λi) i et Fi = Ker Pi(u). Les Pi étant premiers entre eux deux et le produit des Pi
s'annulant sur E, on en déduit que E est la somme directe des Fi.
k
Si on se restreint à l'un de ces sous–espaces Fi, v = u – λiId vérifie v i = 0, donc v est nilpotent. Nous
allons montrer qu'il existe une base de Fi où la matrice de u est triangulaire supérieure, la diagonale
possédant uniquement les valeurs λi. Il nous suffit de montrer qu'il existe une base de Fi dans laquelle
la matrice de v est triangulaire supérieure, avec des 0 sur la diagonale.
Soit p la plus petite puissance de v qui s'annule. On a :
{0} ⊂ Ker v ⊂ Ker v2 ⊂ ... ⊂ Ker vp = Fi
- 13 -
Les inclusions précédentes sont strictes. En effet, si jamais on a :
Ker vk = Ker vk+1 avec k < p
alors, x ∈ Ker vk+2 ⇒ vk+2(x) = 0 ⇒ vk+1(v(x)) = 0 ⇒ v(x) ∈ Ker vk+1 ⇒ v(x) ∈ Ker vk ⇒ vk+1(x) = 0
⇒ x ∈ Ker vk+1 donc Ker vk+2 = Ker vk+1 et par récurrence = Ker vp, ce qui contredit la définition de
p.
On prend une base de Ker v, complétée en une base de Ker v2, ... complétée en une base de Ker vp.
Cette base répond à la question. En effet, si x appartient à Ker vk, son image appartient à Ker vk–1. On
obtient donc une matrice par blocs ayant la forme suivante :
 OO AO ...B ... 
 ... ... 
 O ... O C 
 O O ... O 
Quand on regroupe les bases des divers Fi pour obtenir une base de E, on obtient une base dans
laquelle la matrice de u est triangulaire supérieure, la diagonale étant occupée par les valeurs propres
de u.

- 14 -