Année : 2021 N˚attribué par la bibliothèque

i
Algèbre 3

ur
Cours et exercices corrigés

bo
Polycopie destiné aux étudiants de 2ème année licence en mathématiques
jeb
Université de Saïda - Dr Moulay Tahar
Département : MATHEMATIQUES
Laboratoire : Géométrie, Analyse, Contrôle et Applications
D
b.

Tayeb Djebbouri 1
ye
Ta

1. E-mail : tdjebbouri20@[Link] et/ou : [Link]@[Link]

 i
ur
Table des matières

bo
Introduction 4

1 Réduction des endomorphismes 6

1.1

1.1.2
jeb
Éléments propres d’un endomorphisme . . . . . . . . . . . . . . . . .
1.1.1 Valeurs propres et vecteurs propres . . . . . . . . . . . . . . .
Caractérisation des valeurs propres . . . . . . . . . . . . . . .
6
6
8
1.2 Sous-espaces propres . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.1 Somme de sous-espaces propres . . . . . . . . . . . . . . . . . 11
1.3 Cas d’un espace de dimension finie . . . . . . . . . . . . . . . . . . . 13
D
1.3.1 Écriture sous forme matricielle . . . . . . . . . . . . . . . . . . 13
1.3.2 Calcul des valeurs propres . . . . . . . . . . . . . . . . . . . . 14
b.

1.3.3 Calcul des vecteurs propres . . . . . . . . . . . . . . . . . . . 20

1.3.4 Illustration avec un exemple . . . . . . . . . . . . . . . . . . . 23
1.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
ye

2 Diagonalisation d’un endomorphisme 34

2.1 Diagonalisation d’un endomorphisme . . . . . . . . . . . . . . . . . . 34
2.2 Caractérisation de la diagonalisation en dimension finie . . . . . . . . 37
2.2.1 Endomorphisme nilpotent . . . . . . . . . . . . . . . . . . . . 41
Ta

2.2.2 Théorème de Cayley -Hamilton . . . . . . . . . . . . . . . . . 42

2.2.3 Décomposition de Dunford . . . . . . . . . . . . . . . . . . . . 45
2.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
 TABLE DES MATIÈRES 3

3 Trigonalisation d’un endomorphisme 67

3.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

i
3.2 Illustration avec un exemple . . . . . . . . . . . . . . . . . . . . . . . 71
3.3 Réduction de Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

ur
3.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

4 Annales 92

bo
Bibliographie 95
D jeb
b.
ye
Ta
 i
ur
Introduction

bo
Étant donné un endomorphsime f d’un espace vectoriel E sur un corps commutatif
k. On rappelle que, pour tout n ∈ N, la puissance nième de f , que l’on note f n , est
définie par
jeb
f 0 = IdE et f n+1 = f n ◦ f.

Une question naturelle se pose : étant donnée l’expression explicite de f (x), pour
tout x ∈ E, peut-on retrouver l’expression explicite de f n (x) ?
Le réponse à cette ne semble pas évidente même lorsque E est de dimension finie, car
il s’agit de calculer la puissance nième d’une matrice carrée A d’ordre n à coefficients
D
dans k. Comme on sait que la puissance nième d’une matrice diagonale D est la
matrice diagonale dont les éléments composant la diagonale sont les puissances nième
de éléments diagonaux de D. Si la matrice A n’est pas diagonale, on peut espérer
b.

l’écrire sous la forme

A = P DP −1 ,

où P est une matrice inversibles et D une matrice diagonale. Auquel cas, on aurait
ye

An = P Dn P −1 ,

ce qui permet de calculer facilement An . Dans ce cas de figure, la matrice A, ou

l’endomorphisme qu’elle représente, sera dite diagonalisable.
Ta

À défaut de pouvoir diagonaliser une matrice carrée, on peut espérer soit, écrire A
sous la forme triangulaire ou sous une forme diagonale par blocs appelée la forme de
Jordan.
Dans tous les cas de figure cités ci-dessus, il s’agit de réduire l’endomorphisme f , ou sa
matrice associée relativement à une base de E. La réduction des endomorphismes en
 TABLE DES MATIÈRES 5

dimension finie a beaucoup d’applications, notamment dans la résolution des systèmes

linéaires et des systèmes linéaires d’équations différentielles d’ordre 1 à coefficients

i
constants, elle fera l’objet de ce manuscrit qui est organisé comme suit :
Le premier chapitre est consacré à l’introduction des valeurs propres d’un endomor-

ur
phisme et leurs espace propres associés, avec une attention particulière accordée au
cas d’un espace vectoriel de dimension finie où l’on traite des exemples concrêts de
calcul explicites des valeurs propres et leurs espace propres.

bo
Le deuxième chapitre s’articule autour de la diagonalisation d’un endomorphisme.
Après la définition, on se restreint au cas de dimension finie où l’on parle du théorème
de Cayley-Hamilton et de la décomposition de Dunford entre autres.
Le troisième et dernier chapitre étudie le cas où l’endomorphisme n’est pas diagona-
jeb
lisable. Dans ce cas, deux possibilités de réduction s’offrent à nous : la trigonalisation
et la réduction de Jordan, ces deux notions seront introduites et illustrées avec des
exemples.
À la fin de chapitre il y a des exercices d’entraînement avec solutions. Quant aux
anciennes épreuves d’évaluation, elle sont regroupées à la fin de ce manuscrit qui
D
s’achève avec une bibliographie.
b.
ye
Ta
 i
ur
Chapitre 1

bo
Réduction des endomorphismes
jeb
Dans tout le maniscrit, K désigne R ou C

1.1 Éléments propres d’un endomorphisme

1.1.1 Valeurs propres et vecteurs propres

D
Définition 1.1.1. Soit f un endomorphisme d’un K-espace vectoriel E. On appelle
valeur propre de f tout scalaire λ ∈ K pour lequel l’ensemble {u ∈ E : f (u) = λu}
est différent de {OE } .i.e.
b.

(λ valeur propre de f )⇔ (∃u ∈ E \ {OE } : f (u) = λu)

– Le vecteur u non nul de E se nomme vecteur propre de f associé à la valeur propre

ye

λ.
– Le couple (λ, u) de K × (E \ {OE }) se nomme élément propre de f .
– L’ensemble des valeurs propres de f , noté Sp(f ), se nomme le spectre de f
Remarques :
Ta

1. Dans la définition 1.1.1, la condition {u ∈ E : f (u) = λu} =

6 {OE } est im-
pérative, car si on autorisait le vecteur nul, n’importe quel scalaire λ de K
conviendrait et la définition d’une valeur propre serait alors dépourvue d’inté-
rêt.
 1.1 Éléments propres d’un endomorphisme 7

2. Bien évidemment, les notions de valeur propre et de vecteur propre n’ont de

sens que pour des endomorphismes puisqu’un vecteur propre et son image ap-

i
partiennent nécessairement au même espace vectoriel.

ur
Exemple 1.1.1. Soit E un R -espace vectoriel et soit p ∈ L(E) tel que p ◦ p = p.
On déterminer les valeurs propres de p.

(λ ∈ K valeur prope de p) =⇒ ∃u ∈ E \ {OE } : p(u) = λu

bo
=⇒ p(p(u)) = p(λu) car p est une application
=⇒ p ◦ p(u) = λp(u) car p est linéaire
=⇒ p(u) = λp(u) car p ◦ p = p
=⇒ λu = λ2 u carλ valeur propre de p
jeb 2
=⇒ (λ − λ)u = OE
Utilisons le fait que u 6= OE cela nous donne λ2 − λ = 0 ⇒ λ = 0, ou λ = 1.
d’où Sp(p) ⊆ {0, 1}. Inversement, si p 6= 0L(E) ; ∃u ∈ E \ {OE } : p(u) 6= OE ⇒ ∃v =
p(u) 6= OE : p(v) = v
Si p ∈ L(E) − {0L(E) , IdE } : Sp(p) = {0, 1}
D
Exemple 1.1.2. Considérons à présent le R-espace vectoriel C ∞ (R) des applications
définies sur R à valeurs dans R et indéfiniment dérivables sur R. Cet espace est de
dimension infinie. Considérons l’application linéaire D qui à un élément ϕ de C ∞ (R)
b.

lui associe son application dérivée :

D : C ∞ (R) → C ∞ (R)
ye

f 7→ D(f ) = f 0 .

L’application D est un endomorphisme de C ∞ (R). Soit λ une valeur propre de D i.e.

∃f 6= 0C ∞ R /D(f ) = λf ⇒ f 0 = λf
Ta

. On déduit que Sp(D) = R car ∀λ ∈ R il existe une fonction

f : x → eλx tq D(f ) = λf i.e. D(eλx ) = λeλx .

Remarquons que cet ensemble est infini.

 1.1 Éléments propres d’un endomorphisme 8

Exemple 1.1.3. Soit E un R-espace vectoriel de dimension 3 muni d’une base B =

(e1 , e2 , e3 ). On considère l’endomorphisme f de E défini par :

i
f (e1 ) = e1 − e2 − e3 , f (e2 ) = −e1 + e2 − e3 , f (e3 ) = −e1 − e2 + e3

ur
Le vecteur u1 = e1 + e2 + e3 est un vecteur propre de f associé à la valeur propre
λ1 = −1 car

f (u1 ) = f (e1 + e2 + e3 )

bo
= f (e1 ) + f (e2 ) + f (e3 ) (f est linéaire)
= −(e1 + e2 + e3 )
= −u1 .

1.1.2
jeb
Caractérisation des valeurs propres
On note IdE l’application identité de E, i.e.

IdE : E → E
x 7→ IdE (x) = x
D
Soient λ ∈ K une valeur propre de l’endomorphisme f de E et u un vecteur propre
associé à λ. On a les équivalences suivantes :

f (u) = λu ⇔ (f − λIdE )(u) = 0E

b.

⇔ u ∈ ker(f − λIdE )

L’existence d’un vecteur propre u, qui est nécessairement non nul, signifie que le
noyau de l’endomorphisme f −λIdE n ’est pas réduit au vecteur nul, ou, d’une manière
ye

équivalente, que l’endomorphisme f − λIdE n’est pas injectif. Vient de démontrer la

proposition suivante.
Proposition 1.1.1. Soient E un K-espace vectoriel et f un endomorphisme de E.
Ta

Une condition nécessaire et suffisante pour que λ ∈ K soit valeur propre de f est que
l’endomorphisme f − λIdE ne soit pas injectif.
Une valeur propre peut-elle être nulle ?
Bien évidemment, la réponse est «oui». 1 En effet, 0 est valeur propre d’un endomor-
1. En revanche, un vecteur propre n’est, par définition , jamais égal au vecteur nul
 1.1 Éléments propres d’un endomorphisme 9

phisme f de E signifie qu’il existe un vecteur non nul u de E tel que f (u) = Ou = OE .
Autrement dit, 0 est valeur propre de f signifie que

i
ker f 6= {OE }

ur
c’est-à-dire que f n’est pas injectif. Ainsi, une condition nécessaire et suffisante pour
que 0 soit valeur propre de f est que f ne soit pas injectif.

Proposition 1.1.2. Soient E un K-espace vectoriel, f un endomorphisme de E et

bo
(λ, u) ∈ K × (E \ {OE }) un élément propre de f . Alors, pour tout n ∈ N∗ ,(λn , u)
est un élément propre de f n où

fn = f ◦ f ◦ · · · ◦ f
jeb | {z }
n f ois

De plus, si f est bijectif alors λ 6= 0 et (λ−1 , u) est un élément propre de f −1 .

Preuve :
Soit (λ, u) ∈ K × (E \ {OE }) un élément propre de f . Montrons que (λn , u) est un
D
élément propre de K pour tout n ∈ N∗ .
Effectuons une récurrence sur l’entier n. La propriété est immédiate pour n = 1.
Supposons que (λn , u) soit un élément propre de f n avec n ≥ 2 (c’est notre hypothèse
b.

de récurrence) et déduisons-en que (λn+1 , u) est un élément propre de f n+1 . Par

hypothèse, f n (u) = λn u. En appliquant f à cette égalité et en utilisant la propriété
de linéarité de f , on obtient
ye

f n (u) = λn u =⇒ f (f n (u)) = f (λn u)

=⇒ f n+1 (u) = λn f (u)
=⇒ f n+1 (u) = λn (λu)
Ta

=⇒ f n+1 (u) = λn+1 u

Où il a été tenu compte que (λ, u) était un élément propre de f . On a ainsi obtenu
l’égalité : f n+1 (u) = λn+1 u, ce qui montre que (λn , u) est élément propre de f n .
Supposons à présent f bijectif. Ainsi, f est injectif et λ 6= 0 (nous utilisons ici la
caractérisation suivante : 0 est valeur propre d ’un endomorphisme f si et seulement
 1.2 Sous-espaces propres 10

si, f n’est pas injectif). Par hypothèse on a :

i
f (u) = λu =⇒ f −1 (f (u)) = f −1 (λu) car f est bijective
=⇒ u = λf −1 (u) car f −1 est linéaire

ur
=⇒ f −1 (u) = λ−1 u car λ 6= 0

Ce qui montre que (λ−1 , u) est un élément propre de f −1 .

bo
1.2 Sous-espaces propres
Lemme 1.2.1. Soit f un endomorphisme d’un K-espace vectoriel E. Considérons
deux vecteurs propres u et v associés à la même valeur propre λ de f . On vérifie que
jeb
tout vecteur non nul de la forme αu + βv avec (α, β) ∈ K2 est aussi vecteur propre
associé à λ. En effet,

f (αu + βv) = αf (u) + βf (v)

= α(λu) + β(λv)
D
= λ(αu + βv).

Rappelons qu’un vecteur propre est (par définition) non nul. Aussi, pour que l’en-
b.

semble formé de tous les vecteurs propres associés à la valeur propre λ définisse un
sous-espace vectoriel, il faut lui adjoindre le vecteur nul.

Lemme 1.2.2. Soit f un endomorphisme de E et soit λ ∈ K valeur propre de f . Si u

ye

vecteur propre de f associé à la valeur propre λ alors tout vecteur non nul colinéaire
à u est aussi vecteur propre de f associé à λ.

Preuve :
Ta

Soit v = αu tel que α 6= 0 car v 6= OE (vecteur propre).

Calculons
f (v) = f (αu) = αf (u)
= αλu = λαu
= λv.
 1.2 Sous-espaces propres 11

Définition 1.2.1. Soient f un endormorphisme d’un K- espace vectoriel E et λ ∈ K

une valeur propre de f . On appelle sous-espace propre associé à λ, et on note Eλ , le

i
sous-espace vectoriel de E constitué des vecteurs propres associés à λ et du vecteur
nul. Autrement dit,

ur
Eλ = {x ∈ E | f (x) = λx}
= ker(f − λIdE ).

Remarques :

bo
– Tous les vecteurs de l’espace propre E ;. sont des vecteurs propres de f (associés à
la valeur propre λ) , à l’exception du vecteur nul.
– Si u ∈ E est un vecteur propre associé à λ ∈ K alors K.u ⊂ Eλ .
– Si 0 est valeur propre de f alors E0 = ker f . En d’autres termes, si 0 est valeur
jeb
propre de f alors le sous-espace propre de f associé à 0 est le noyau de f .

1.2.1 Somme de sous-espaces propres

Soient Eλ1 et Eλ2 deux sous-espaces propres de f associés aux valeurs propres
D
distinctes λ1 et λ2 . Nous allons montrer que les deux sous-espaces Eλ1 et Eλ2 sont
en somme directe dans E. Pour le cas présent, on doit vérifier que

Eλ1 ∩ Eλ2 = {0E }

b.

C’est immédiat. En effet, si u ∈ Eλ1 ∩ Eλ2 , alors f (u) = λ1 u et f (u) = λ2 u. On

obtient :
(λ1 − λ2 )u = 0E
ye

et on en déduit u = OE puisque λ1 6= λ2 . La somme des deux sous-espaces propres

Eλ1 et Eλ2 se note alors Eλ1 ⊕ Eλ2 (somme directe)
Nous allons généraliser les définitions de somme, somme directe et sous-espaces sup-
Ta

plémentaires au cas de plus de deux sous-espaces.

Proposition 1.2.1. Soient E un K-espace et f une application linéaire de E dans

E. Si λ1 , . . . , λm sont des valeurs propres de f distinctes deux à deux alors la somme
des sous-espaces propres correspondants Eλ1 , . . . , Eλm est directe. On la note dans ce
cas Eλ1 ⊕ . . . ⊕ Eλm .
 1.2 Sous-espaces propres 12

Démonstration :
Soit x un vecteur appartenant au sous-espace vectoriel Eλ1 + . . . + Eλm . Par définition

i
de la somme de sous-espaces vectoriels. il existe x1 , . . . , xm ∈ Eλ1 × . . . × Eλm tel que

ur
x = x 1 + . . . + xm (1.1)

Montrons que cette décomposition est unique. Appliquons successivement

f, f 2 , . . . , f m−l à l’égalité (1.1) . On obtient le système suivant :

bo



 x = x1 + x2 +...+ xm





 f (x) = λ 1 x1 + λ2 x2 +...+ λ m xm

(S)

f 2 (x) = λ21 x1 + λ22 x2 +...+ λ2m xm



 jeb



f m−1 (x) = λm−1 x1 + λm−1 x2 + . . . + λm−1

m xm

1 2

où il a été tenu compte, pour tout k ∈ 1, . . . , m , que

f (xk ) = λk xk , f 2 (xk ) = λ2k xk , . . . , f m−1 (xk ) = λm−1

k xk

Le système linéaire (S) est un système à m-équations, d’inconnue le m-uplet

D
x1 , . . . , xm de Eλ1 × . . . × Eλm . Son déterminant est connu. C ’est le déterminant
de Vandermonde d’ordre m associé aux coefficients λ1 , . . . , λm . Il est donné par
b.

1 1 1
λ1 λ2 λm Y
.. .. .. = (λj − λi ).
. . . 1≤i<j≤m
ye

λm−1
1 λm−1
2 λm−1
m

Il est non nul puisque les valeurs propres λ1 , . . . , λm sont supposées distinctes deux
à deux. Le système linéaire (S) est donc de Cramer : il existe un unique m-uplet
Ta

x1 , . . . , xm de Eλ1 × . . . × Eλm , solution du système (S) ; ceci montre l’unicité de la

décomposition (1.1).

Corollaire 1.2.1. Soient λ1 , . . . , λn des n valeurs propres distinctes de f . Si

u1 , . . . , un n vecteurs propres associés à λ1 , . . . , λn respectivement. alors la famille
{u1 , . . . , un } est libre.
 1.3 Cas d’un espace de dimension finie 13

1.3 Cas d’un espace de dimension finie

On se restreint maintenant au cas où E est un K-espace vectoriel de dimension finie

i
et on note dimK (E) = n.

ur
1.3.1 Écriture sous forme matricielle
On munit l’espace E d’une base B = (e1 , . . . , en ). Soient f un endomorphisme

bo
de E, λ une valeur propre de f (λ ∈ K) et x un vecteur propre de f associé à λ
(x ∈ E\{0E }). En notant A = (aij )1≤i,j,≤n la matrice (carrée d’ordre n) associée à
f relativement à B et X la matrice-colonne formée des coordonnées x1 , . . . , xn du
vecteur propre x dans la même base B, l’égalité vectorielle
jeb f (x) = λx

s’écrit dans la base B sous la forme matricielle

AX = λX,
D
c’est-à-dire,
    
 a11 a12 · · · a1n   x1   x1 
a21 a22 · · ·
    
a2n  x2  x2 
b.

  
= λ .
    
 .. .. ... ..   ..   .. 

 . . . 


. 
 
 . 

    
an1 an2 · · · ann xn xn
ye

On étend aux matrices carrées 2 les notions définies sur les endomorphismes

Définition 1.3.1. Soit A une matrice carrée d ’ordre n à coefficients dans K.

– On appelle valeur propre de A tout scalaire λ ∈ K pour lequel il existe une matrice-
Ta

colonne X ∈ Mn,1 (K) non nulle telle que

AX = λX.
2. Les notions de valeur propre et de vecteur propre sont dépourvues de sens pour des matrices
rectangulaires et non carrées !
 1.3 Cas d’un espace de dimension finie 14

La matrice-colonne X ∈ Mn,1 (K) est appelée vecteur propre de A associé à λ et le

couple (λ, X) se nomme élément propre de A.

i
– On appelle espace propre de A associé à λ, et on note Eλ , l e sous-espace de Mn,1 (K)
défini par

ur
Eλ =déf {X ∈ Mn,1 (K) | AX = λX}.
– On appelle spectre de A le sous-ensemble de K constitué de toutes les valeurs propres
de A. On le note Sp(A).

bo
1.3.2 Calcul des valeurs propres
Commençons par donner une caractérisation des valeurs propres, plus pratique que
celle de la proposition (1.1.1). On note In la matrice unité d’ordre n. On rappelle que
jeb
In est inversible et que c’est la matrice associée à l’application identité relativement à
n’importe quelle base de E. Puisque A = M atB (f ), la matrice associée à l’endomor-
phisme f − λIdE relativement à B est A − λIn .
D’après la proposition (1.1.1),
D
λ valeur propre de f ⇐⇒ (f − λ IdE ) non injectif. (1.2)

Puisque l’espace E est de dimension finie, on a équivalence entre les propriétés d’in-
jectivité et de bijectivité de l’endomorphisme f − λIdE . Autrement dit,
b.

(f − λ IdE ) non injectif ⇐⇒ (f − λ IdE ) non bijectif. (1.3)

Rappelons qu’une condition nécessaire et suffisante pour qu’un endomorphisme soit

bijectif est que sa matrice représentative dans n’importe quelle base soit inversible.
ye

On a ainsi l’équivalence :

(f − λ IdE ) non bijectif ⇐⇒ (A − λIn ) non inversible. (1.4)

Ta

Enfin, la matrice A − λIn est non inversible si et seulement si, son déterminant est
nul. En regroupant ce dernier résultat avec les trois équivalences (1.2) , (1.3) et (1.4),
on obtient finalement l’équivalence suivante :

λ valeur propre de f ⇐⇒ det(A − λIn ) = 0. (1.5)

On a ainsi établi la proposition suivante.

 1.3 Cas d’un espace de dimension finie 15

Proposition 1.3.1. Soient E un K- espace vectoriel de dimension n muni d’une

base B, f un endomorphisme de E et A sa matrice associée relativement à B. Une

i
condition nécessaire et suffisante pour que λ ∈ K soit valeur propre de f est que

ur
det(A − λIn ) = 0

On en déduit que, pour que 0 soit valeur propre de A, il faut et il suffit que det(A) = 0,
c’est-à-dire que A ne soit pas inversible. On a ainsi montré la caractérisation suivante.

bo
Corollaire 1.3.1. Une condition nécessaire et suffisante pour qu’une matrice carrée
A soit inversible est que 0 ne soit pas valeur propre de A. En d’autres termes, pour
toute matrice A carrée d’ordre n sur K, on a l ’équivalence :

.
jeb
A ∈ GLn (K) ⇐⇒ 0 ∈
/ Sp(A)

Étant donnée la matrice A ∈ Mn (K), l’application λ ∈ K 7−→ det(A − λIn ) ∈ K est

une application polynomiale de degré n. Cela conduit naturellement à la définition
suivante.
D
Définition 1.3.2. Soit A une matrice carrée d ’ordre n sur K.
– On appelle polynôme caractéristique de A le polynôme à coefficients dans K, de
b.

degré n , noté PA , défini par

∀λ ∈ K PA (λ) = det(A − λIn ) .
– L’équation algébrique PA (λ) = 0, d’inconnue le scalaire λ de K, s’appelle équation
ye

caractéristique associée à la matrice A .

La détermination des valeurs propres de f dans K est équivaut au calcul des zéros du
polynôme caractéristique PA de degré n. En effet, λ ∈ K est valeur propre de f est
équivaut à PA (λ) = 0, c’est-à-dire à
Ta

a11 − λ a12 ··· a1n

a21 a22 − λ · · · a2n
.. .. .. .. =0
. . . .
an1 an2 ··· ann − λ
 1.3 Cas d’un espace de dimension finie 16

Exemple : Soit E un R-espace vectoriel de dimension 3 muni d’une base B =

(e1 , e2 , e3 ). Reprenons l’exemple de l’endomorphisme f qui, au vecteur x, de coor-

i
données x1 , x2 , x3 dans B, associe le vecteur y, de coordonnées y1 , y2 , y3 dans B telles
que

ur
y1 = x1 − x2 − x3 , y2 = −x1 + x2 − x3 , y3 = −x1 − x2 + x3

Relativement à la base B, la matrice associée à f est

bo
 
1 −1 −1
 
A=
 −1 1 −1 

 
−1 −1 1

Le polynôme caractéristique de A est donné par

jeb
PA (λ) = −(λ + 1)(λ − 2)2 , ∀λ ∈ K.

Détaillons les calculs. Soit λ ∈ K. Commençons par retrancher la troisième colonne à

la première (C1 ← C1 − C3 ) :
D
1−λ −1 −1 2−λ −1 −1
−1 1−λ −1 = 0 1−λ −1
−1 −1 1−λ λ−2 −1 1−λ
b.

Puis développons par rapport à la première colonne :

ye

2−λ −1 −1
1−λ −1 −1 −1
0 1−λ −1 = (2 − λ) +(λ − 2)
−1 1−λ 1 − λ −1
λ−2 −1 1−λ | {z } | {z }
=λ(λ−2) =2−λ
Ta

On obtient ainsi :

2−λ −1 −1
0 1−λ −1 = −(λ + 1)(λ − 2)2
λ−2 −1 1−λ
 1.3 Cas d’un espace de dimension finie 17

Les valeurs propres de A, et donc de f , sont les deux réels −1 et 2.

On écrit : Sp(A) = {−1, 2}.

i
Remarques :
– Soit A = (aij )1≤i,j≤2 une matrice carrée d’ordre 2. Pour tout λ ∈ K,

ur
a11 − λ a12
= (a11 − λ)(a22 − λ) − a12 a21
a21 a22 − λ
= λ2 − (a11 + a22 ) λ + |a11 a22 −

bo
a a
{z 12 21}
| {z }
=T r(A) =det(A)

et, comme indiqué sous les accolades, on remarque que les scalaires a11 + a22 et
a11 a22 −a12 a21 sont respectivement la trace et le déterminant de A. Par conséquent,
jeb
∀λ ∈ KPA (λ) = λ2 − T r(A)λ + det(A).

Plus généralement, si A = (aij )1≤i,j≤n est une matrice carrée d’ordre n alors

∀λ ∈ KPA (λ) = (−1)n λn + (−1)n−1 T r(A)λn−1 + . . . + det(A).

D
– Si une matrice A = (aij )1≤i,j≤n de Mn (K) est triangulaire supérieure ou inférieure,
alors ses valeurs propres sont les éléments de sa diagonale puisque
n
b.

Y
PA (λ) = (aii − λ), pourvtout λ ∈ K
i=1

C ’est en particulier aussi le cas lorsque A est diagonale.

Remarquons que le calcul des valeurs propres de l’endomorphisme f de E s’effectue
ye

en résolvant l ’équation caractéristique PA (λ) = 0, où le polynôme caractéristique PA

est défini à partir de la matrice A, elle-même définie à partir d’une base B de E. La
question suivante est alors légitime.
Ta

Le calcul des valeurs propres dépend-il de la base choisie ?

La réponse à cette question est « non ». Pour le vérifier, considérons une deuxième
base C de l’espace E et désignons par B la matrice représentative de f dans C . Le
polynôme caractéristique de B est défini par :

PB (λ) = det(B − λIn ), ∀λ ∈ K

 1.3 Cas d’un espace de dimension finie 18

Les deux matrices A et B sont semblables car elles représentent le même endomor-
phisme dans des bases différentes. Elles vérifient ainsi :

i
B = P −1 AP

ur
où P désigne la matrice de passage de B à C. Vérifions que PB (λ) = PA (λ) pour tout
λ ∈ K.
Soit λ ∈ K En utilisant det(P −1 ) = 1
det(P )
, on vérifie :

bo
PB (λ) = det(P −1 AP − λP −1 P )
= det(P −1 (AP − λP ))
= det(P −1 (A − λIn )P )
jeb
= det(P −1 ) × det(A − λIn ) × det(P )
= det(A − λIn )
= PA (λ)

Le polynôme caractéristique PA est par conséquent invariant lorsqu ’on remplace A

par une matrice semblable ou, de manière équivalente, lorsqu’on représente f dans des
D
bases différentes. On le note ainsi Pf et on dit que Pf est le polynôme caractéristique
de l’endomorphisme f . On a :
b.

∀λ ∈ K Pf (λ) = det(M atB (f ) − λIn ) = det(M atB (f − λidE ))

pour toute base B de E. Le calcul des valeurs propres étant invariant par changement
de base, nous pouvons ainsi nous placer dans n’importe quelle base de E pour calculer
ye

les valeurs propres d’un endomorphisme f de E.

Définition 1.3.3. Soient E un K- espace vectoriel de dimension finie et f un endo-

morphisme de E.
Ta

– Si λ ∈ K est une racine de multiplicité h du polynôme caractéristique de f alors

on dit que λ est une valeur propre de multiplicité h (ou d’ordre h) de f .
– En particulier, si h = 1 alors la valeur propre est dite simple . Si h > 1 alors la
valeur propre est dite multiple. Elle est dite double lorsque h = 2 et triple lorsque
h = 3.
 1.3 Cas d’un espace de dimension finie 19

Existe-t-il toujours des valeurs propres ?

La réponse est « oui » à la condition que le corps K considéré soit algébriquement

i
clos. C’est le cas du corps C. Rappelons que tout polynôme non nul de C[X] de
degré n admet n racines (comptées avec leurs multiplicités) dans C . Le polynôme

ur
caractéristique d’un endomorphisme f d’un C-espace E se factorise ainsi dans C
comme suit :

bo
m
n
(λ − λi )hi
Y
∀λ ∈ K, Pf (λ) = (−1)
i=1

où λ1 , . . . , λm désignent les valeurs propres distinctes de f , de multiplicités respectives

h1 , . . . , hm et où m ≤ n et h1 + h2 + · · · + hm = n. Ainsi, un endomorphisme d’un
jeb
C-espace vectoriel E de dimension n, admet toujours (au moins) une valeur propre
(sous-entendu dans C) et le nombre de valeurs propres distinctes est inférieur ou égal
à n, ce que l’on résume par

∀A ∈ Mn (C), (Sp(A) 6= ∅ et card(Sp(A)) ≤ n).

La situation est différente lorsque l’on travaille sur le corps des nombres réels car,
D
contrairement à C, R n’est pas algébriquement clos. Un endomorphisme d’un R-
espace vectoriel peut ne pas avoir de valeur propre. C’est par exemple le cas de la
matrice réelle suivante :
b.

 
cos θ − sin θ
Aθ =   ∈ M2 (R)
sin θ cos θ
ye

où θ ∈ [0, 2π[. En effet,

PAθ (λ) = λ2 − T r(Aθ )λ + det(Aθ ) = λ2 − 2λ cos θ + 1

Les valeurs propres sur C sont λ1 = eiθ et λ2 = e−iθ car

Ta

PAθ (eiθ ) = PAθ (e−iθ ) = 0

Si θ 6= 0 et θ 6= π alors Aθ ne possède aucune valeur propre dans R ; son spectre est

vide. En revanche, si θ = 0 ou si θ = π alors le spectre est non vide puisque

Sp(A0 ) = Sp(I2 ) = {1} et Sp(Aπ ) = Sp(−I2 ) = {−1}

 1.3 Cas d’un espace de dimension finie 20

1.3.3 Calcul des vecteurs propres

Intéressons-nous maintenant au calcul des vecteurs propres correspondant à chacune

i
des valeurs propres . Soit x = x1 e1 + · · · + xn en un vecteur propre de f associé à la

ur
valeur propre λ. Calculer x, c’est résoudre l’équation vectorielle suivante :

(f − λidE )(x) = 0E

bo
.
Les solutions sont les vecteurs du sous-espace propre Eλ = ker(f − λidE ). Puisque
f − λidE n’est pas injective, il existe des solutions autres que le vecteur nul. Se pose
alors la question de la dimension du sous-espace propre Eλ . On sait déjà que Eλ est
de dimension finie et que sa dimension ne peut excéder n puisque Eλ est inclus dans
jeb
E et dimK (E) = n. Remarquons que si u 6= 0E désigne un vecteur propre de f associé
à la valeur propre,λ ∈ K alors, nécessairement, Ku ⊂ Eλ d’où

dimK (Eλ ) ≥ 1
D
car dimK (Ku) = 1. Le sous-espace propre Eλ est donc de dimension supérieure ou
égale à 1. La proposition suivante complète ce résultat.

Proposition 1.3.2. Soit f un endomorphisme d’un K-espace vectoriel E de dimen-

b.

sion finie. Si λ est une valeur propre de multiplicité h de f alors

1 ≤ dimK (Eλ ) ≤ h.
ye

En particulier, si λ est une valeur propre simple de f alors dimK (Eλ ) = 1.

Démonstration Soit dimK (E) = n. Pour qu’il n’y ait pas d’ambiguïté, nous notons
provisoirement λ
e une valeur propre de multiplicité h de f et λ la variable du polynôme
Ta

caractéristique Pf . Puisque λ
e est valeur propre de multiplicité h, il existe un polynôme

Q ∈ K[X] de degré n − h tel que

e h Q(λ)
Pf (λ) = (λ − λ)
 1.3 Cas d’un espace de dimension finie 21

e 6= O. Désignons par p ≥ 1 la dimension du sous-espace propre E , associé

avec Q(λ) λ
e
e P divise le polynôme caractéristique
e Montrons que (λ − λ)
à la valeur propre λ.

i
Pf . Pour cela, nous munissons le sous-espace propre Eeλ , d’une base (u1 , . . . , up ).

ur
D’après le théorème de la base incomplète, on peut compléter cette famille (libre)
par n − p vecteurs v1 , . . . , Vn−p de E, pour obtenir une base de E. Notons C cette
nouvelle base : C = (u1 , . . . , up , v1 , . . . , vn−p ). Pour chaque entier j compris entre 1
et p, le vecteur uj est un vecteur propre correspondant à la valeur propre λ
e On a

bo
donc f (uj ) = λuj pour tout j ∈ 1, . . . , p. Écrivons alors la matrice M atC(f ) associée
e

à f dans la nouvelle base C. Concentrons-nous sur ses p premières colonnes. Pour

j variant de 1 à p, son j-ième vecteur-colonne est, par définition, constitué des
coordonnées du vecteur f (uj ) dans la base C. On a alors :
jeb
D
f (u1 )f (u2 ) · · · f (up )f (v1 ) · · · f (vn−p )
b.

 
λ
e 0 ··· 0 u1
.. ..
 
 
 0
 λ
e . . 
 u2
 .
 . .. ..  ..
 . . . 0 R 
 .
ye

 
M atC (f ) = 0 ··· 0 λ up
 e 
 
 
v1
 

 0 ··· ··· 0 

 .. .. .. ..  ..

 . . . . S 
 .
 
Ta

0 ··· ··· 0 vn−p

où R est une matrice rectangulaire de type (p, n − p) et S une matrice carrée d’ordre
n − p. L’expression du polynôme caractéristique associé à f étant indépendante de la
base choisie, on a :
Pf (λ) = det(M atC (f ) − λIn ).
 1.3 Cas d’un espace de dimension finie 22

En développant par rapport aux p premières colonnes, on obtient :

i
e − λ)p det(S − λI
Pf (λ) = (λ n−p )

= (−1)p (λ − λ)
e p det(S − λI

ur
n−p ).

e p divise le polynôme P , ce qui termine la démonstration puisque (λ− λ)

Ainsi, (λ− λ) e p
f

e h , d’où p ≤ h. En
ne divisant pas Q, cela signifie qu’il divise nécessairement (λ − λ)

bo
particulier, si la multiplicité de λ
e est égale à 1, on en déduit immédiatement que

p = 1.
Comment déterminer la dimension d’un sous-espace propre ?
Dans le cas d’une valeur propre simple, c’est immédiat car le sous-espace propre
jeb
associé est de dimension égale à 1. En revanche, dans le cas d’une valeur propre de
multiplicité h ≥ 2, cela l’est moins car la dimension du sous-espace propre associé
n’est a priori pas égale à h. Pour déterminer dimK (Eλ ), il suffit cependant d’appliquer
le théorème du rang à l’endomorphisme f − λidE . On obtient alors la relation :

dimK (E) = rg(f − λidE ) + dimK (ker(f − λidE )),

D
d’où, puisque Eλ = ker(f − λidE ),

dimK (Eλ ) = dimK (E) − rg(f − λidE ).

b.

Le calcul du rang de (f − λidE ) nous permet donc de trouver dimK (Eλ ).

ye

Détermination d’une base d’un sous-espace propre

Après avoir calculé la dimension du sous-espace propre Eλ , on en cherche une base.
Si p = dimK (Eλ ) alors cela revient à chercher p vecteurs linéairement indépendants
vérifiant l’équation vectorielle suivante :
Ta

(f − λidE )(x) = 0E

ou, de manière équivalente (en se plaçant dans la base B), vérifiant l’équation matri-
 1.3 Cas d’un espace de dimension finie 23

cielle suivante :
    
 a11 − λ a12 ··· a1n   x1  0 

i

a11 − λ · · ·
    
 a21 a2n   x2   0 

ur
 .  = 
    
 .
.. .. .. ..  .  .. 

 . . .  . 

 . 

    
an1 an2 ··· ann − λ xn 0

où x1 , . . . , xn désignent les coordonnées du vecteur x dans la base B. Ainsi, la déter-

bo
mination d’une base du sous-espace propre Eλ . se ramène à la résolution du système
linéaire n × n homogène :





 (a11 − λ)x1 + a12 x2 + · · · + a1n xn = 0
jeb

a21 x1 + (a11 − λ)x2 + · · · + a2n xn = 0



(S)  ..


 .


an1 x1 + an2 x2 + · · · + (ann − λ)xn = 0



où les inconnues sont les scalaires x1 , . . . , xn et où les données sont les coefficients
aij , 1 ≤ i, j ≤ n, de la matrice A ainsi que la valeur propre λ que l’on a calculée
D
au préalable. Bien évidemment, un tel système n’est pas de Cramer puisque son
déterminant est nul (son rang est ainsi strictement inférieur au nombre d’équations).
Il est en revanche compatible (car homogène), ce qui signifie qu’il possède des solutions
b.

autres que la solution nulle.

1.3.4 Illustration avec un exemple

ye

Reprenons l’exemple de l’endomorphisme f de E, avec E un R-espace vectoriel de

dimension 3 muni d’une base B = (e1 , e2 , e3 ), dont la matrice associée relativement à
B est
Ta

 
1 −1 −1
 
A=
 −1 1 −1  . 
 
−1 −1 1

Nous avons déjà vérifié que Sp(A) = {−1, 2} et que −1 est valeur propre simple et 2
valeur propre double
 1.3 Cas d’un espace de dimension finie 24

Détermination du sous-espace propre associé à λ1 = −1

Puisque la valeur propre λ1 = −1 est simple, son sous-espace propre Eλ1 , est néces-

i
sairement de dimension égale à 1. Soient x = x1 e1 + x2 e2 + x3 e3 un vecteur de Eλ1 ,
rapporté à la base B, et X la matrice-colonne formée des coordonnées x1 , x2 , x3 . On

ur
doit résoudre (A − (−l)I3 )X = 0, c’est-à-dire :
    
2 −1 −1 x1 0
    

bo

 −1 2 −1

 x2 

=
 0 

    
−1 −1 2 x3 0

Les scalaires x1 , x2 et x3 vérifient le système linéaire 3 × 3 homogène suivant :

(S)
jeb









2x1 − x2 − x3 = 0
−x1 + 2x2 − x3 = 0
−x1 − x2 + 2x3 = 0

En utilisant la méthode du pivot de Gauss, ce système est équivalent au système

D
échelonné suivant :



 2x1 − x2 − x3 = 0

0
(S )  3x2 − 3x3 = 0
b.


0 = 0



Son rang est égal à 2. Ainsi, rg(A − (−1)I3 ) = 2, d’où dimR (Eλ1 ) = 3 − 2 = 1.
On retrouve bien que le sous-espace propre Eλ1 , est de dimension égale à 1.
ye

En éliminant dans le système (S 0 ) l a dernière équation et en faisant passer aux

seconds membres les termes comportant l’unique inconnue non principale x3 , on se
ramène au système suivant (contrairement au système (S), le système (S”) est de
Cramer) :
Ta


 2x1 − x2 = x3
(S 0 ) 
3x2 = 3x3

On obtient x1 = x3 et x2 = x3 . Ainsi, un vecteur propre X ∈ M3,1 (R) de A associé à

λ1 s’écrit :
 1.3 Cas d’un espace de dimension finie 25

   
x1 x3
   
X =  x2  =  x3  avec x3 ∈ R.
   
   

i
x3 x3

ur
Finalement, un vecteur propre x de f associé à λ1 s’écrit sous la forme

x = x3 e1 + x3 e2 + x3 e3 avec x3 ∈ R.

On obtient le vecteur propre u1 = e1 + e2 + e3 en choisissant x3 = 1. Le sousespace

bo
propre associé est une droite vectorielle. Il est donné par Eλ1 = Ru1 .

Détermination du sous-espace propre associé à λ2 = 2

La valeur propre λ2 = 2 est une valeur propre multiple d’ordre 2. On sait donc que
jeb
dimR (Eλ2 ) = 1 ou 2. Un vecteur propre de A vérifie (A − 2I3 )X = 0, c’est-à-dire :
    
−1 −1 −1 x1 0
    
−1 −1 −1   x  =  0 .
    
 2 

  
−1 −1 −1 x3 0
D
De manière évidente, rg(A−2I3 ) = 1 , d’où dimR (Eλ2 ) = 3−1 = 2. Les trois équations
du système sont identiques. On se ramène à une seule équation à trois inconnues, qui
se résout en fixant deux des trois variables et en résolvant par rapport à la variable
b.

restante. En fixant x2 et x3 on voit que la solution de l’équation

−x1 − x2 − x3 = 0
ye

est x1 = −(x2 + x3 ). Ainsi, un vecteur propre X de A associé à λ2 s’écrit :

   
x1 −(x2 + x3 )
   
X =  x2  =  x2 avec x2 , x3 ∈ R.
   
Ta


   
x3 x3

Un vecteur propre x de f associé à λ2 s’écrit donc sous la forme suivante :

x = −(x2 + x3 )e1 + x2 e2 + x3 e3
= x2 (−e1 + e2 ) + x3 (−e1 + e3 ) avec x2 , x3 ∈ R
 1.4 Exercices 26

ce qui montre que les deux vecteurs −e1 + e2 (correspondant à x2 = 1 et x3 = 0)

et −e1 + e3 (correspondant à x2 = 0 et x3 = 1 ) engendrent Eλ2 . Ces deux vecteurs

i
forment une base de Eλ2 car le sous-espace Eλ2 est de dimension 2. En choisissant
x2 = 0 et x3 = −1 d’une part, et x2 = 1 et x3 = −1 d’autre part , on obtient les deux

ur
vecteurs propres u2 = e1 − e3 et u3 = e2 − e3 . Ces deux vecteurs forment aussi une
base de Eλ2 . Le sous-espace propre associé à la valeur propre λ2 = 2 est donc un plan
vectoriel. Il est donné par

bo
Eλ2 = vect(u2 , u3 )

. Pour faire la transition avec le paragraphe suivant, on remarque que

dimR (Eλ1 ) + dimR (Eλ2 ) = dimR (E)

| {z }
jeb | {z } | {z }
=1 =2 =3

Puisque Eλ1 ∩ Eλ2 = {0R3 }, on en déduit que les deux sous-espaces sont supplémen-
taires dans E, ce qu’on écrit E = Eλ1 ⊕ Eλ2 .

1.4 Exercices
D
Exercice 1.1. Soit E un R -espace vectoriel et soit s ∈ L(E) tel que s ◦ s = IdE .
∼ Déterminer les valeurs propres de s.
b.

Solution d’exercice 1.1.

(λ ∈ K valeur prope de s) =⇒ ∃u ∈ E \ {OE } : s(u) = λu

ye

=⇒ s(s(u)) = s(λu) car s est une application

=⇒ s ◦ s(u) = λs(u) car s est linéaire
=⇒ u = λ2 u car s ◦ s = IdE
Ta

2
=⇒ (λ − 1)u = OE

Utilisons le fait que u 6= OE cela nous donne λ2 − 1 = 0 ⇒ λ = −1, ou λ = 1.

d’où Sp(s) = {−1, 1}
 1.4 Exercices 27

Exercice 1.2. Soit E = C ∞ (R, R) l’espace vectoriel des fonctions de R dans R de

classe C ∞ . Soient D et I deux endomorphismes de E définis, pour f ∈ E, par :

i
Z x
D(f ) = f 0 et I(f )(x) = f (t)dt.

ur
0

1. Déterminer les valeurs propres et les sous-espaces propres de D et I.

2. Déterminer les valeurs propres de D ◦ I et I ◦ D.

bo
Solution d’exercice 1.2.
Valeurs propres de D

(λ ∈ R valeur propre de D ) =⇒ ∃f ∈ E \ {OE }|D(f ) = λf.

jeb =⇒ ∃f ∈ E \ {OE }|f 0 = λf.

On remarque que tout applaication de la forme x 7→ αeλx , est un vecteur propre de f

associé à la valeur propre λ ∈ R pour tout x ∈ R car (αeλx ) = λ(αeλx )
Alors Sp(D) = R.
Sous-espace propre de D
D
Eλ = {f ∈ E|D(f ) = λf } = {αeλx |α ∈ R}
Valeurs propres de I
b.

(λ ∈ R valeur propre de I ) =⇒ ∃f ∈ E \ {OE }| I(f ) = λf.

=⇒ ∃f ∈ E \ {OE }| f = λf 0 ( par dérivation).
=⇒ ∃f ∈ E \ {OE }| F = λF 0 .
ye

−Si λ = 0 alors f = 0E (Contraduction)

−Si λ 6= 0 v p de I =⇒ ∃f ∈ E \ {OE }| F = λF 0
Ta

1
=⇒ F 0 (x) = λ1 F (x) ⇒ ∃C ∈ R tq F (x) = Ce λ x
1
=⇒ F (0) = CCe λ 0 ⇒ C = 0
=⇒ F (x) = 0 ∀x ∈ R ⇒ f (x) = F 0 (x) = 0 ∀x ∈ R (Contraduction)

Donc Sp(I) = ∅
 1.4 Exercices 28

Valeurs propres de D ◦ I
(D ◦ I) = D(I(f (x)))

i
Rx
= D(x 7→ 0 f (t)dt)

ur
= D(F (x) − F (0)) D(F (0)) = 0
= f (x)
D◦I = Id

bo
(λ v p de D ◦ I) =⇒ ∃f ∈ E \ {OE }|(D ◦ I)(f ) = Id(f ) = λf
=⇒ ∃f ∈ E \ {OE }|f = λf
=⇒ λ = 1

Donc Sp(D ◦ I) = {1} et E1 = E

Valeurs propres de I ◦ D
(I ◦ D)(f ) = I(D(f ))
jeb
= I(f 0 )
Rx 0
= f (t)dt
0
D
= f (x) − f (0)
(I ◦ D)(f ) = f − f (0)
b.

λ v p de D ◦ I =⇒ ∃f ∈ E \ {OE }|(I ◦ D)(f ) = λf

=⇒ ∃f ∈ E \ {OE }|f (x) − f (0) = λf (x)∀x ∈ R
=⇒ (1 − λ)f (x) = f (0) pour trouver constante λonremplacex = 0
=⇒ λf (0) = 0
ye

=⇒ λ = 0 ou f (0) = 0

Si λ = 0 alors f = f (0)
Ta

donc λ = 0 v.p. et E0 = {f = c|c ∈ R}

Si λ 6= 0 donc f (0) = 0 ⇒ f = λf ⇒ λ = 1
Donc λ = 1 v.p. et E1 = {f |f (0) = 0}

Exercice 1.3. Soit E un K -espace vectoriel de dimension finie et f un endomor-

phisme de E.
 1.4 Exercices 29

∼ Montrer que : 0 ∈
/ Sp (f ) ⇐⇒ f surjective.

Solution d’exercice 1.3. Pour montrer l’équivalence suivante

i
0∈
/ Sp (f ) ⇐⇒ f surjective.

ur
Il suffit de démontrer l’équivalence

0 ∈ Sp (f ) ⇐⇒ f n0 est pas surjective.

bo
On a 0 ∈ Sp (f ) ⇐⇒ ∃u 6= 0E tq f (u) = 0u = 0E
⇐⇒ ker f 6= {0E }
⇐⇒ f n0 est pas injective
⇐⇒ f n0 est pas surjective car f ∈ L(E) de dimension f inie
jeb
Exercice 1.4. Soit f l’endomorphisme de C(X) défini par f (P ) = (X − 1)P .
∼ Montrer que f n’a pas des valeurs propres.

Solution d’exercice 1.4. Supposons qu’il existe des valeurs propres de f i.e.
∃P 6= 0C(X) |f (P ) = λP =⇒ (X − 1)P = λP
D
=⇒ deg(λP ) = deg(P ) + 1 (Contraduction car )

 −∞ si λ = 0
deg(λP ) = d’une part
b.

 deg(P ) si λ 6= 0
 
 −∞ = deg(P ) + 1  P = 0C(X)
d’autre part =⇒ Contraduction
 deg(P ) = deg(P ) + 1  1=0
ye

Donc f n’a pas des valeurs propres.

Exercice 1.5. Soit E un K -espace vectoriel non réduit à zéro, f un endomorphisme

nilpotent de E (c-à-d ∃n ∈ N/f n = 0L(E) ).
Ta

∼ Déterminer les valeurs propres de f et leurs sous espace propres associés.

Solution d’exercice 1.5.

Valeurs prpres de f

λ v.p. de f ⇐⇒ ∃u 6= 0E tq f (u) = λu
 1.4 Exercices 30

On a f (u) = λu =⇒ f 2 (u) = f (λu)

=⇒ f 2 (u) = λf (u)

i
=⇒ f 2 (u) = λ2 u
..

ur
.
=⇒ f n (u) = λn u
=⇒ 0L(E) = λn u puisque u 6= 0E
=⇒ λn = 0K

bo
=⇒ λ = 0K
Donc Sp(f ) = {0}
Sous espace propre de f
E0 = ker f jeb
Exercice 1.6. Soit E l’espace vectoriel des polynômes de degré inferieur ou égal à 2
et f l’endomorphisme de E défini par f (P ) = (2X + 1)P 0 − (X 2 − 1)P ”.
∼ Trouver les valeurs propres et les vecteurs propres de f .

Solution d’exercice 1.6.

D
Soit E = {P ∈ R[X]/deg(P ) ≤ 2} et f ∈ L(E)/f (P ) = (2X + 1)P 0 − (X 2 − 1)P ”
et soit B = {1, X, X 2 } une base de E et A la matrice associé à f relativement à B.
i.e. On calculons f (1), f (X), f (X 2 ) en fonction de {1, X, X 2 } on trouve
b.

 
0 1 2
 
A= 0 2 2 
 
 
ye

0 0 2

Les valeurs propres de A

−λ 1 2
Ta

det(A − λI3 ) = 0 2−λ 2

0 0 2−λ
= −λ(2 − λ)2
Alors Sp(f ) = {0, 2} telle que 0 valeur propre simple et 2 valeur propre douvle.
Sous espace propre associé à λ = 0
 1.4 Exercices 31

n o
E0 (f ) = P = a0 + a1 X + a2 X 2 /f (P ) = 0R2 [X]

f (a0 + a1 X + a2 X 2 ) = 0R2 [X] =⇒ (2X + 1)(a1 + 2a2 X) − 2a2 (X 2 − 1) = 0R2 [X]

i
=⇒ 2a2 X 2 + (2a1 + 2a2 )X + a1 + 2a2 = 0R2 [X]

ur



 2a2 = 0

=⇒  2a1 + 2a2 = 0

 a + 2a = 0

1 2

a1 = 0


bo
=⇒ 
a2 = 0
Donc
E0 (f ) = {a0 × 1, a0 ∈ R}
= R0 [X] jeb
Sous espace propre associé à λ = 2
E2 (f ) = {P = a0 + a1 X + a2 X 2 /f (P ) = 2P }
f (a0 + a1 X + a2 X 2 ) = 2P =⇒ 2a2 X 2 + (2a1 + 2a2 )X + a1 + 2a2 = 2a0 + 2a1 X + 2a2 X 2
=⇒ 2a2 X + a1 + 2a2 − 2a0 = 0R2 [X]

2a2 = 0
D

=⇒ 
a1 + 2a2 − 2a0 = 0

 a1 = 2a0
=⇒
a2 = 0
b.

Donc
E2 (f ) = {a0 + 2a0 X/a0 ∈ R}
= {a0 (1 + 2X)/a0 ∈ R}
ye

Exercice 1.7. Soit E un C -espace vectoriel et f ∈ LC (E) vérifiant f ◦ f ◦ f = IdE .

√
1 3
Soit j = +i .
Ta

2 2

∼ Montrer que E = ker(f − IdE ) ⊕ ker(f − jIdE ) ⊕ ker(f − j 2 IdE ).

Solution d’exercice 1.7. La méthode utilisée consiste à montrer que tout vecteur
x de E peut s’écrire de manière unique sous la forme : x = x1 + x2 + x3 avec x1 ∈
Ker(f −idE ), x2 ∈ Ker(f −jidE ) et x3 ∈ Ker(f −j 2 idE ). Supposons dans un premier
 1.4 Exercices 32

temps que ces trois vecteurs x1 , x2 , x3 existent. On a alors :

f (x1 ) = x1 , f (x2 ) = jx2 , f (x3 ) = j 2 x3 .

i
ur
Les vecteurs x1 , x2 , x3 vérifient nécessairement :



 x1 + x2 + x3 = x

x1 + jx2 + j 2 x3 = f (x)

bo


x1 + j 2 x2 + jx3 = f 2 (x)



où la deuxième (respectivement la troisième) égalité a été obtenue en composant la

première égalité par f (respectivement par f 2 ) et en tenant compte que j 3 = 1. En
additionnant les trois égalités et en tenant compte du fait que 1 + j + j 2 = 0, on
obtient :
jeb
1
x1 = (x + f (x) + f 2 (x)).
3
En multipliant la première égalité par j 2 , la deuxième par j, en laissant inchangée la
troisième, en additionnant le tout, et en tenant compte du fait que 1 + j + j 2 = 0 et
D
j 3 = 1, on obtient : 3j 2 x2 = j 2 x + jf (x) + f 2 (x), d’où , en multipliant par j/3 :

1
x2 = (x + j 2 f (x) + jf 2 (x)).
b.

De même, en multipliant la première égalité par j 2 , la troisième par j, en laissant

inchangée la deuxième, en additionnant le tout, et en tenant compte du fait que 1 +
ye

j + j 2 = 0 et j 3 = 1, on obtient : 3j 2 x3 = j 2 x + f (x) + jf 2 (x), d’où, en multipliant

par j/3 :
1
x3 = (x + jf (x) + j 2 f 2 (x)).
3
Ta

Les trois vecteurs x1 , x2 , x3 ainsi calculés sont les seules solutions (si elles existent !)
possibles (l’unicité de l’écriture implique l’unicité de ces solutions).
Pour que notre raisonnement soit complet, il reste à vérifier que x1 appartient à
Ker(f − idE ), que x2 appartient à Ker(f − jidE ), que x3 appartient à Ker(f − j 2 idE )
 1.4 Exercices 33

et que x = x1 + x2 + x3 . Cette dernière égalité est bien évidemment vérifiée puisque

c’est une des trois équations du système. De plus, on vérifie que

i
1
f (x1 ) = (f (x) + f 2 (x) + f 3 (x))

ur
3
1
= 3
(f (x) + f 2 (x) + x)
= x1

où on a utilisé f 3 (x) = x puisque f 3 = idE , ce qui montre que le vecteur x1 appartient

bo
à Ker(f − idE ). On vérifie de même que le vecteur x2 appartient à Ker(f − jidE )
puisque
1
f (x2 ) = 3
(f (x) + j 2 f 2 (x) + jf 3 (x))
1
= (f (x) + j 2 f 2 (x) + jx)
jeb
= jx2
3

et enfin que le vecteur x3 appartient à Ker(f − j 2 idE ) puisque

1
f (x3 ) = 3
(f (x) + jf 2 (x) + j 2 f 3 (x))
D
1
= 3
(f (x) + jf 2 (x) + j 2 x)
= j 2 x3
b.

Exercice 1.8. Soit A ∈ Mn (K) ; une matrice carrée d’ordre n, différent de λIn qui
admet une seul valeur propre de multiplicité n.
ye

∼ Montrer que A n’est pas diagonalisable

Solution d’exercice 1.8. Supposons que A 6= λIn est diagonalisable i.e. ∃P ∈

GLn (R) et D = λIn tq A = P DP −1
Ta

On a A = P DP −1 =⇒ A = P λIn P −1
=⇒ A = λP In P −1
=⇒ A = λP P −1
=⇒ A = λIn (Contraduction)
 i
ur
Chapitre 2

bo
Diagonalisation d’un
endomorphisme jeb
2.1 Diagonalisation d’un endomorphisme
Comme nous l’avons, tous les endomorphismes d’un K-espace vectoriel E n’ad-
D
mettent pas nécessairement de valeurs propres (et donc de vecteurs propres). Cepen-
dant, s’ils existent, les vecteurs propres d’un endomorphisme f associés à des valeurs
propres distinctes forment une famille libre dans l’espace E. Cela fait d’une famille
b.

de vecteurs propres un « bon candidat » pour constituer une base de E puisque, pour
être une base, il ne lui reste plus qu ’à être génératrice de l’espace E tout entier. Et
si c’est le cas, on dira que f est diagonalisable.
ye

Définition 2.1.1. Soit E un K-espace de dimension finie ou infinie. Un endomor-

phisme f de E est dit diagonalisable sur K s ’il existe une base de E formée de
vecteurs propres de f . Diagonaliser f , c ’est trouver une telle base.
Ta

Quel intérêt avons-nous à diagonaliser un endomorphisme ?

Plaçons-nous maintenant dans le cas d ’un espace vectoriel E de dimension n et consi-
dérons un endomorphisme f de E. Supposons f diagonalisable. D’après la définition
(2.1.1), cela signifie qu’il existe une base notée C = (u1 , . . . , un ) constituée de vec-
teurs propres de f . Écrivons la matrice associée à f relativement à la base C. Par
 2.1 Diagonalisation d’un endomorphisme 35

définition, son j ième vecteur-colonne est constitué des coordonnées de f (uj ) dans C.
Or, u1 , u2 , . . . , un sont des vecteurs propres de f . Il existe donc n valeurs propres,

i
comptées avec leurs multiplicités et notées λ1 , λ2 , . . . , λn (elles appartiennent toutes
à K) telles que

ur
f (u1 ) = λ1 u1 , f (u2 ) = λ2 u2 , · · · , f (un ) = λn un ,

On en déduit alors :

bo
f (u1 )f (u2 ) · · · f (up )
 
λ
 1
0 ··· 0  u1
 .. .. 
 0
jeb λ2 .  u2
. 
M atC (f ) = 

 .
 .. .. ..
 . . . 0  ..

 
0 ··· 0 λn un

C’est une matrice diagonale dont les éléments diagonaux sont les valeurs propres
(distinctes ou confondues) λ1 , λ2 , . . . , λn de f . On la note aussi :
D
diag(λ1 , λ2 , . . . , λn ) = P −1 M atB (f )P.

Pour toute base B de E, la matrice associée à f dans B est ainsi semblable à une
b.

matrice diagonale.
En résumé, si un endomorphisme f d’un K-espace vectoriel E est diagonalisable sur
K alors sa matrice associée dans la base formée de ses vecteurs propres est diagonale
et toute matrice associée à f relativement à une base (quelconque) de E est semblable
ye

à une matrice diagonale.

On a la définition suivante.

Définition 2.1.2. Soit A une matrice de Mn (K). On dit que A est diagonalisable
Ta

si elle est semblable à une matrice diagonale, c ’est-à- dire s’il existe une matrice
inversible P d’ordre n sur K, et s ’il existe une matrice diagonale D d’ordre n sur K,
telles que
D = P −1 AP
Diagonaliser A, c’est trouver D .
 2.1 Diagonalisation d’un endomorphisme 36

Dire qu’une matrice rectangulaire est diagonalisable n’a pas de sens ! Il faut qu’elle
soit carrée. Comme le montre l’exemple qui suit, la manière de diagonaliser une ma-

i
trice (qui est diagonalisable) n’est pas unique.
Exemple Soient la matrice carrée A appartenant à M3 (R) et les trois vecteurs co-

ur
lonnes U1 , U2 et U3 appartenant à M3,1 (R) suivants :
       
1 −1 −1 1 1 0
       

bo
A =  −1 1 −1  , U1 =  1  , U2 =  0  et U3 =  1 
       
       
−1 −1 1 1 −1 −1

On a déjà vérifié que U1 est un vecteur propre de A associé à λ1 = −1 et que U2 , U3

sont deux vecteurs propres de A associés à λ2 = 2. Considérons les trois matrices P, Q
jeb
et R d e GL3 (R) suivantes :
   
| | | 1 1 0
   
P =
 U1 U2 U3  =  1 0 1  ,
  
   
| | | 1 −1 −1
D
   
| | | 1 1 0
   
Q =  U2 U1 U3  =  0 1 1  ,
   
   
b.

| | | −1 1 −1

   
| | | 1 0 1
   
ye

R=
 U2 U3 U1  =  0
 
1 1 

,
   
| | | −1 −1 1

On vérifie alors les trois égalités matricielles suivantes :

Ta

     
−1 0 0 1 1 1 1 −1 −1 1 1 0
  1   

 0 2 0 

= 
 2 −1 −1

 −1 1 −1 

 1 0 1 

,
  3   
0 0 2 −1 2 −1 −1 −1 1 1 −1 −1
| {z } | {z }| {z }| {z }
=diag(−1,2,2) =P −1 =A =P
 2.2 Caractérisation de la diagonalisation en dimension finie 37

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

i
0 0 2 −1 2 −1 −1 −1 1 −1 1 −1
| {z } | {z }| {z }| {z }

ur
=diag(2,−1,2) =Q−1 =A =Q

     
2 0 0 2 −1 −1 1 −1 −1 1 0 1
  1   
0 2 0  =  −1 2 −1   −1 1 −1   0 1 1  ,
     

3

bo
    
0 0 −1 1 1 1 −1 −1 1 −1 −1 1
| {z } | {z }| {z }| {z }
=diag(2,2,−1) =R−1 =A =R

Remarque Soit A une matrice d’ordre n sur K. Supposons A diagonalisable. Si

λ1 , . . . , λm désignent les valeurs propres de A, distinctes deux à deux et de multiplicités
jeb
respectives h1, . . . , hm , alors, pour tout i ∈ {1, . . . , m}, la valeur propre λi est présente
hi fois sur la diagonale principale de la matrice D. Le rang de A est alors égal au
nombre de valeurs propres non nulles (comptées avec leurs multiplicités). De plus,
puisque A et D sont semblables, det(D) = det(A). Par conséquent,
D
m
hi
Y
det(A) = λi = (λ1 × . . . × λ1 ) × . . . × (λm × . . . × λm ) .
i=1
| {z } | {z }
h1 f ois hm f ois
b.

Puisque A et D sont semblables, T r(D) = T r(A) . Ainsi,

m
X
T r(A) = hi λi = (λ1 + . . . + λ1 ) + . . . + (λm + . . . + λm ) .
ye

i=1
| {z } | {z }
h1 f ois hm f ois

2.2 Caractérisation de la diagonalisation en di-

Ta

mension finie
Proposition 2.2.1. Soient E un K- espace de dimension finie et f un endomor-
phisme de E. Soient λ1 , . . . , λm les valeurs propres distinctes de f et Eλ1 , . . . , Eλm les
sous-espaces propres correspondants. Une condition nécessaire et suffisante pour que
 2.2 Caractérisation de la diagonalisation en dimension finie 38

f soit diagonalisable est que

dimK Eλ1 + . . . + dimK Eλm = dimK (E)

i
Démonstration :

ur
X Soient ni = dimK (Eλi ) pour tout i ∈ {1, . . . , m} et n = dimK (E). Supposons f
diagonalisable et montrons que n1 + n2 + · · · + nm = n.
Puisque f est diagonalisable, il existe une base C de vecteurs propres de f . La matrice

bo
associée à f dans cette base est diagonale. On s’en sert pour calculer le polynôme
caractéristique Pf . En notant λ1 , . . . , λm les valeurs propres distinctes, de multiplicités
respectives h1 , . . . , hm , on a :

jeb m
(λi − λ)hi ,
Y
∀λ ∈ K Pf (λ) = det(M atC (f ) − λIn ) =
i=1

d ’où h1 +h2 +· · ·+hm = n puisque Pf est un polynôme de degré n. Il est alors suffisant
de montrer que ni = hi pour tout i ∈ {1, . . . , m} car de l’égalité h1 +h2 +· · ·+hm = n,
on pourra en déduire l’égalité recherchée :
D
n1 + n2 + · · · + nm = n
− Pour tout i ∈ {1, . . . , m}, les vecteurs propres de C correspondant à la valeur propre
b.

λi (il y en a hi ) forment une famille libre. On a donc nécessairement :

∀i ∈ {1, . . . , m} ni ≥ hi (2.1)

− D’après la proposition 1.3.2, la dimension d’un sous-espace propre est inférieure ou

ye

égale à la multiplicité de la valeur propre à laquelle il est associé. On a donc aussi :

∀i ∈ {1, . . . , m} ni ≤ hi (2.2)
Ta

De (2.1) et (2.2) on déduit que ni = hi pour tout i ∈ {1, . . . , m}.

X Montrons à présent la réciproque. Supposons que n1 + n2 + · · · + nm = n et
montrons que f est diagonalisable. On extrait une base de chacun des sousespaces
propres Eλ1 , Eλ2 , . . . , Eλm . Soient

(1) (2) (m)

C1 = (ui )1≤i≤n1 , C2 = (ui )1≤i≤n2 , . . . , Cm = (ui )1≤i≤nm
 2.2 Caractérisation de la diagonalisation en dimension finie 39

des bases respectives des sous-espaces Eλ1 , Eλ2 , . . . , Eλm . Tous les vecteurs apparte-
nant à ces bases sont des vecteurs propres. On considère la famille C que l’on obtient

i
en réunissant l’ensemble des m bases C1 , C2 , . . . , Cm :

ur
(1) (1) (2) (2) (m) (m)
C = (u1 , u2 , . . . , u(1) (2) (m)
n1 , u1 , u2 , . . . , un2 , . . . , u1 , u2 , . . . , unm )
| {z } | {z } | {z }
∈Eλ1 ∈Eλ2 ∈Eλm

C’est une famille libre dans E. Nous avons déjà vérifié ce point au paragraphe 1.2.1

bo
(c’est une conséquence de la proposition 1.2.1). Or, card(C) = card(C1 ) + card(C2 ) +
. . . + card(Cm ) = n1 + n2 + . . . + nm . En tenant compte de notre hypothèse (n1 +
n2 + . . . + nm = n), on obtient card(C) = n. Puisque toute famille libre de n vecteurs
dans un espace de dimension n est une base, la famille (de vecteurs propres) C ainsi
jeb
construite est effectivement une base de E ; cela termine la démonstration
Remarque Une condition nécessaire et suffisante pour qu’un endomorphisme f d’un
K-espace vectoriel E soit diagonalisable est que l’espace E soit somme directe des
sous-espaces propres Eλ1 , Eλ2 , . . . , Eλm :

E = Eλ1 ⊕ Eλ2 ⊕ . . . ⊕ Eλm .

D
On déduit immédiatement de la proposition 2.2.1 une condition suffisante (mais non
nécessaire) pour qu’un endomorphisme soit diagonalisable.
b.

Corollaire 2.2.1. Soit E un K- espace vectoriel de dimension n. Si un endomor-

phisme f de E possède exactement n valeurs propres distinctes deux à deux, alors f
est diagonalisable
ye

Démonstration Soit f un endomorphisme d’un K-espace vectoriel E de dimension

n. Supposons les valeurs propres λ1 , λ2 , . . . , λm distinctes deux à deux. Ce sont donc
nécessairement des valeurs propres simples de f et, d’après la proposition 1.3.2, la
Ta

dimension de chaque sous-espace propre est égale à 1. On a ainsi :

dimK (Eλ1 ) + dimK (Eλ2 ) + . . . + dimK (Eλn ) = dimK (E),

| {z } | {z } | {z } | {z }
=1 =1 =1 =n

et, d’après la proposition 2.2.1, cela nous permet de conclure que f est diagonalisable.
 2.2 Caractérisation de la diagonalisation en dimension finie 40

Comme l’illustre le deuxième exemple ci-après, la condition donnée dans le corollaire

2.2.1 est suffisante mais non nécessaire.

i
Exemples

ur
 
2 1 0
 
 0 1 −1  ∈ M3 (R). Soit λ ∈ R. On a :
1. Soit A =  
 
0 2 4

bo
2−λ 1 0
0 1−λ −1 = (2 − λ)(λ2 − 5λ + 6) = −(λ − 2)2 (λ − 3).
0 2 4−λ
jeb
La matrice A possède ainsi une valeur propre simple (λ1 = 3 ; on a donc
dimR (Eλ1 ) = 1) et une valeur propre double (λ2 = 2). On vérifie facilement
que Eλ1 = V ect((l, 1, −2)) et Eλ2 = V ect((l, 0, 0)) où nous nous sommes placés
dans l’espace R3 . On a donc dimR (Eλ2 ) = 1. La matrice A n’est pas diagonali-
sable car
D
dimR (Eλ1 ) + dimR (Eλ2 ) = 2 6= dimR (R3 )

2. Reprenons l’exemple de la matrice A de M3 (R) définie par

b.

 
1 −1 −1
 
A =  −1 1 −1  .
 
 
−1 −1 1
ye

Les valeurs propres de A sont λ1 = −1 (valeur propre simple) et λ2 = 2 (valeur

propre double) et Eλ1 = V ect((l, 1, 1)) et Eλ2 = V ect((l, 0, −1), (0, 1, −1)). Nous
nous sommes encore placés dans l’espace R3 . Cette matrice est diagonalisable
Ta

(nous l’avons d’ailleurs diagonalisée suivant trois manières différentes dans un

exemple précédent) car

dimR (Eλ1 ) + dimR (Eλ2 ) = 1 + 2 = dimR (R3 )

.
 2.2 Caractérisation de la diagonalisation en dimension finie 41

On utilise aussi souvent la caractérisation suivante.

Corollaire 2.2.2. Soient E un K-espace de dimension n et f un endomorphisme de

i
E . Soient λ1 , λ2 , . . . , λm les valeurs propres distinctes de f de multiplicités respec-

ur
tives h1 , h2 , . . . , hm et Eλ1 , Eλ2 , . . . , Eλm les sous-espaces propres correspondants. Une
condition nécessaire et suffisante pour que f soit diagonalisable est que

 h1 + h2 + . . . + hm = n

bo
 ∀i ∈ {1, . . . , m} dimK (Eλi ) = hi

Tout endomorphisme est-il diagonalisable ?

On se convainc facilement que la réponse à cette question est « non ». En effet,
d’après le corollaire 2.2.2, pour qu’un endomorphisme d’un K-espace vectoriel E soit
jeb
diagonalisable, il faut et il suffit que les deux conditions suivantes soient satisfaites :
1. le nombre de ses valeurs propres (comptées avec leurs multiplicités) est égal à
la dimension de E ;
2. la dimension de chacun des sous-espaces propres est égale à l’ordre de multipli-
D
cité de la valeur propre correspondante.
Il existe des endomorphismes pour lesquels l’une ou l’autre de ces deux conditions
(ou les deux à la fois) n’est pas vérifiée (voir l’exemple précédent ). Néanmoins, nous
b.

pouvons remarquer que si K = C alors la première condition (celle portant sur le

nombre de valeurs propres) est automatiquement vérifiée puisque tout polynôme de
C[X] est scindé sur C. L’obstruction à la diagonalisation d’un endomorphisme d’un
C-espace vectoriel ne pourra apparaître que si la deuxième condition (celle portant
ye

sur la dimension des sous-espaces propres) n’est pas vérifiée.

Il est intéressant de noter que certaines catégories d’endomorphismes ne sont jamais
diagonalisables. C’est le cas des endomorphismes nilpotents, à l’exception de l’appli-
Ta

cation nulle. Ce point est développé ci-après.

2.2.1 Endomorphisme nilpotent

Proposition 2.2.2. Soit f un endomorphisme d’un K-espace vectoriel E de dimen-
sion finie. Supposons f non identiquement nul. Si f est nilpotent alors f n’est pas
 2.2 Caractérisation de la diagonalisation en dimension finie 42

diagonalisable.

Démonstration Utilisons un raisonnement par contraposée. Supposons f à la fois

i
nilpotent et diagonalisable et déduisons-en que f est identiquement nul. Soient n =

ur
dimK (E) et B une base de E. Notons N ∈ Mn (K) la matrice associée à f dans B.
D’après notre hypothèse, N est à la fois nilpotente et diagonalisable. Puisqu’elle est
diagonalisable, il existe une matrice inversible P d’ordre n sur K telle que

D = P −1 N P

bo
avec D = diag(λ1 , λ2 , . . . , λn ) · Les scalaires λ1 , λ2 , . . . , λn sont les valeurs propres
(distinctes ou confondues) de N . En multipliant à gauche par P et à droite par P −1 ,
on obtient : jeb N = P DP −1
et on montre (par récurrence sur l’entier k) que N k = P Dk P −l ou encore Dk =
P −l N k P pour tout k ∈ N. Puisque N est nilpotente, N p = 0 pour un certain entier
p non nul. Il vient alors que Dp = 0, autrement dit que
D
   
λp
 1
0 ··· 0  0 0 ··· 0
..  . . ..
 
...
λp2
  
 0 .  0 0 . . 
= .
   
 .
 . .. ..  . .. .. 
 . . . 0   .

. . 0 
b.


   
0 ··· 0 λpn 0 ··· 0 0

Il en résulte que λ1 = λ2 = . . . = λn = 0. La matrice diagonale D est donc nulle. On

en déduit que la matrice N est nulle, ou, de manière équivalente, que l’endomorphisme
ye

f est identiquement nul.

2.2.2 Théorème de Cayley -Hamilton

Ta

Ce théorème a une grande importance dans le calcul matriciel, il autorise des sim-
plifications puissantes dans les calculs de matrices comme la puissance d’une matrice,
il permet d’établir des résultats théoriques, par exemple pour calculer le polynôme
caractéristique d’un endomorphisme nilpotent, comme il permet de calculer l’inverse
d’une matrice.
 2.2 Caractérisation de la diagonalisation en dimension finie 43

Théorème 2.2.1. Soit E un espace vectoriel de dimension finie sur un corps K. Soit
f : E → E un endomorphisme de E. Soit

i
Pf (λ) = det(f − λIdE )

ur
le polynôme caractéristique de f . Alors l’endomorphisme Pf (f ) est nul.

Démonstration :
Notons n la dimension de E. Supposons dans un premier temps qu’il existe un vecteur

bo
non nul x ∈ E tel que les n vecteurs :

x, f (x), f 2 (x), . . . , f n−1 (x)

soient linéairement indépendants. Ils forment alors une base de E, et le vecteur f n (x)
peut être écrit : jeb
f n (x) = a0 x + a1 f (x) + a2 f 2 (x) + · · · + an−1 f n−1 (x)

On pose P (X) = a0 + a1 X + a2 X 2 + · · · + an−1 X n−1 − X n , et on a P (f )(x) = 0.

La matrice de f dans la base (x, f (x), ..., f n−1 (x) s’écrit alors :
 
 0 0 ··· 0 0 a0 
D
···
 
 1 0 0 0 a1 
 
 .. 

 0 1 . 0 0 a0 

.. .. .. .. .. ..
 
b.

. . .
 

 . . . 

 .. 

 0 0 . 1 0 an−2 

 
0 0 ··· 0 1 an−1
ye

puisque x 7→ f (x), f (x) 7→ f 2 (x), etc . . . f n−1 (x) 7→ f n (x) = a0 x + a1 f (x) + a2 f 2 (x) +
· · · + an−1 f n−1 (x). On a donc :

−λ 0 ··· 0 0 a0
Ta

1 −λ · · · 0 0 a1
...
0 1 0 0 a0
Pf (λ) = .. ... ... ... .. ..
. . .
...
0 0 1 −λ an−2
0 0 ··· 0 1 an−1 − λ
 2.2 Caractérisation de la diagonalisation en dimension finie 44

Les lignes de cette dernière matrice étant nomées L0 , L1 , . . . , Ln−1 , ajoutons à la

première ligne la combinaison linéaire suivante des autres lignes :λL1 + λ2 L2 + . . . +
λn−1 Ln−1 . Ceci ne change pas le déterminant, et la première ligne de la matrice

i
devient :

ur
0 0 · · · 0 0 P (λ)

En développant le déterminant par rapport à la première ligne on obtient :

bo
Pf (λ) = ±P (λ)

Or, on sait que P (f )(x) = 0. Par ailleurs, comme les endomorphismes P (f ) et f i

commutent, on a :
jeb
P (f )(f i (x)) = f i (P (f )(x)) = f i (0) = 0

ce qui donne P (f ) = 0, donc Pf (f ) = 0.

On a fait au début l’hypothèse que les vecteurs x, f (x), f 2 (x), . . . engendrent E.
Passons-nous maintenant de cette hypothèse. Si E = 0 le théorème est trivial. Si-
non, il existe un vecteur non nul x dans E. Soit k le plus grand entier tel que
D
(x, f (x), f 2 (x), . . . , f k−1 (x)) soit un système libre. Cet entier existe car E est de di-
mension finie, et il est au moins égal à 1. De plus f k (x) est combinaison linéaire de
x, f (x), . . . , f k−1 (x).
b.

Notons F le sous-espace de E engendre par les vecteurs x, f (x), . . . , f k.1 (x). Ce sous-
espace est stable par f . Notons f1 : F → F la restriction de f à F . Si on complete
le systeme libre (x, f (x), f 2 (x), . . . , f k.1 (x)) en une base de E, la matrice de f dans
ye

cette base prend la forme suivante :

 
A C
 
Ta

0 B

où A est un bloc carré k × k et B un bloc carré (n − k) × (n − k). Soustrayons λ.Id

à cette matrice et prenons le déterminant. On obtient (calcul du déterminant par
blocs) :
Pf (λ) = Pf1 (λ)Q(λ)
 2.2 Caractérisation de la diagonalisation en dimension finie 45

pour un certain polynôme Q.

D’après la première partie de la démonstration, on a Pf1 (f1 )(x) = 0. Mais comme f1

i
est la restriction de f , on a aussi Pf1 (f )(x) = 0, donc Pf (f )(x) = Q(f )(Pf1 (f )(x)) = 0.
Comme ceci est valable pour tout vecteur non nul x, on a Pf (f ) = 0.

ur
2.2.3 Décomposition de Dunford
L’importance de l’étude des endomorphismes nilpotents apparaît clairement dans la

bo
proposition suivante que nous admettons.

Proposition 2.2.3. (Décomposition de Dunford)

Soit f un endomorphisme d’un K-espace vectoriel E de dimension finie, dont le po-
jeb
lynôme caractéristique est scindé sur K (ce qui est toujours le cas lorsque K = C).
Alors il existe un unique couple (g, h) d’endomorphismes de E tel que

f = g + h et g ◦ h = h ◦ g

avec g diagonalisable et h nilpotent. Cette décomposition est connue sous le nom de

D
décomposition de Dunford.

Les deux endomorphismes g et h sont définis à partir de f . L’endomorphisme g

(respectivement h) est appelé partie diagonalisable (resp. partie nilpotente) de f .
b.

Il est à noter que lorsque le corps de référence est C, une condition nécessaire et
suffisante pour qu’un endomorphisme soit diagonalisable est que sa partie nilpotente
soit l’endomorphisme nul.
ye

Exemple Soit f l’endomorphisme de R3 dont la matrice dans la base canonique est

la matrice A définie par
 
7 3 −4
 
A=
 −6 −2 5 
Ta


 
4 2 −1

La partie diagonalisable g et la partie nilpotente h de f sont les endomorphismes dont

les matrices respectives dans la base canonique sont G et H avec
 2.3 Exercices 46

   
3 1 −1 4 2 −3
   
G =  2 2 −1  et H =  −8 −4 6 
   
   

i
4 2 −1 0 0 0

ur
Nous verrons ultérieurement suivant quelle méthode nous avons obtenu les expressions
des deux matrices G et H. Nous pouvons néanmoins vérifier les points suivants.
1. La matrice A se décompose comme la somme des deux matrices G et H, c’est-

bo
à-dire : A = G + H.
2. Déterminons le polynôme caractéristique de G. Soit λ ∈ R En développant par
rapport à la première ligne,

3−λ 1 −1
jeb
2 2−λ −1 =
4 2 −1 − λ
2−λ −1 2 −1 2 2−λ
(3 − λ) − −
2 −1 − λ 4 −1 − λ 4 2
| {z } | {z } | {z }
=λ(λ−1) =−2(λ−1) =4(λ−1)
D
Ainsi, le polynôme caractéristique de G s’écrit , pour tout λ ∈ R,

PG (λ) = −(λ − 1)(λ2 − 3λ + 2) = −(λ − 1)2 (λ − 2).

b.

L a matrice G possède une valeur propre double (λ1 = 1) e t une valeur propre simple
(λ2 = 2) . Elle est diagonalisable puisque dimR (Eλ1 ) = 2 et dimR (Eλ2 ) = 1.
1. La matrice H est nilpotente puisque H 2 = 0 .
ye

2. Le produit des deux matrices G et H est commutif : G × H = H × G.

2.3 Exercices
Ta

Exercice 2.1. Soient α un réel et Tα l’endomorphisme de R2 [X] défini par

∀P ∈ R2 [X], Tα (P ) = X(X − 1)P ” + (1 + αX)P 0 .

1. Ecrire la matrice associée à Tα relativement à la base canonique de R2 [X].

 2.3 Exercices 47

2. Déterminer les valeurs propres de Tα . Pour quelle(s) valeur(s) de α a-t-on des

valeurs propres multiples ?

i
3. Pour quelle(s) valeur(s) de α l’endomorphisme Tα est -il diagonalisable ?

ur
Solution d’exercice 2.1. 1. Notons Bc = {1, X, X 2 } la base canonique de R2 [X]. la
matrice associée à l’endomorphisme Tα relativement à Bc , que nous décidons de noter
Mα s’écrit :

bo
 
0 1 0
 
Mα =  0 α 0
 

 
0 0 2(1 + α)

Car Tα (1) = 0, Tα (X) = 1 + αX et Tα (X 2 ) = 2(1 + α)X 2 .

jeb
2. La matrice Mα est tringulaire supérieure. Les valeurs propres d’une matrices tringu-
laire (supérieure ou inférieure) se trouvant sur la diagonale de la matrice, les valeures
propres de Mα , et donc de Tα , sont les réels

λ1 = 0, λ2 = α et λ3 = 2(1 + α)
D
Bien évidemment, ces trois valeurs propres ne sont pas nécessairement distinctes les
une des autres et l’étude de leurs multiplicité nécessiare une discussion sur la valeur
de α. Tout d’abord, remarquons que le cas où les trois valeurs propres sont égales
b.

est impossible. Ainsi, Tα ne peut pas posséder de valeur propre triple. Examinons à
présent pour quelle(s) valeur(s) de α l’endomorphisme Tα possède une valeur propre
double. Cela ne peut arriver que lorsque, parmi les trois valeurs propres, deus sont
ye

identique, ce qui conduit à considérer les trois ca suivants.

– Cas λ1 = λ2 : α = 0 d’où λ3 = 2. Les valeurs propres de Tα=0 sont 0 (valeur propre
double) et 2 (valeur propre simple).
– Cas λ1 = λ3 : α = −1 d’où λ2 = −1. Les valeurs propres de Tα=−1 sont 0 (valeur
Ta

propre double) et −1 (valeur propre simple).

– Cas λ2 = λ3 : α = −2. Les valeurs propres de Tα=−2 sont 0 (valeur propre simple)
et −2 (valeur propre double).
En résumé, Tα possède une valeur propre double et une valeur propre simple lorsque
α ∈ {0, −1, −2}.
 2.3 Exercices 48

Il possède en revanche trois valeurs propres simples lorsque α ∈ R\{0, −1, −2}.
3. Si α ∈ R\{0, −1, −2} alors Tα est diagonalisable car ses trois valeurs propres

i
0, α, 2(1 + α) sont simple. En revanche, si α ∈ {0, −1, −2} alors Tα n’est pas
nécessairement diagonalisable car il possède une valeur propre double (la dimension

ur
du sous-espace propre associé pouvent être égale à 1 ou 2). L’endomorphisme Tα est
diagonalisable si et seulement si, la dimension du sous-espace associé à la valeur
propre double est égale 2. Rappelons la relation suivante :

bo
dimR (Eλ ) = dimR (R2 [X]) −rg(Mα − λI3 )
| {z }
=3

Où I3 est la matrice identité d’ordre 3 et où Eλ désigne le sous-espace propre associé

à une valeur propre λ de Tα . considérons les trois cas suivants.
jeb
– Supposons α = 0. La valeur propre double est 0. On a :
 
0 1 0
 
Mα=0 − 0I3 = Mα=0 =  0 0 0 
 
 
0 0 2
D
et rg(Mα=0 ) = 2, d’où : dimR (Eλ=0 ) = 3 − 2 = 1. Donc Tα=0 n’est pas diagonali-
sable.
b.

– Supposons α = −1. La valeur propre double est encore 0. On a :

 
0 1 0
 
Mα=−1 − 0I3 = Mα=−1 =  0 −1 0 
ye

 
 
0 0 0

et rg(Mα=−1 ) = 1 (c’est immédiat), d’où : dimR (Eλ=0 ) = 3 − 1 = 2. Donc Tα=−1

Ta

est diagonalisable.
– Supposons α = −2. La valeur propre double est cette fois-ci −2. On a :
 
2 1 0
 
Mα=−2 + 2I3 =  0 0 0 
 
 
0 0 0
 2.3 Exercices 49

On obtient que rg(Mα=−2 + 2I3 ) = 1, d’où : dimR (Eλ=−2 ) = 3 − 1 = 2. Donc Tα=−1

est diagonalisable.

i
En résumé, la seule valeur de α pour laquelle l’endomorphisme Tα n’est pas diagona-
lisable est 0.

ur
Exercice 2.2. On considère l’application f définie dans C2 [X] par :

∀P ∈ C2 [X], f (P ) = (X 2 + 1)P 0 − (2X − 1)P.

bo
1. Montrer que f est un endomorphisme de C2 [X].
2. Déterminer les valeurs propres et les sous-espaces propres de f , de deux façons
différentes, en utilisant :
jeb
∼ la définition des éléments propres de f .
∼ la matrice de f dans la base (1, X, X 2 ) de C2 [X].
3. L’endomorphisme f est-il diagonalisable ?

Solution d’exercice 2.2. 1. a) On a, pour tout P = aX 2 + bX + c ∈ C2 [X] :

D
f (P ) = (X 2 + 1)(2aX + b) − (2X − 1)(aX 2 + bX + c)
= (a − b)X 2 + (2a + b − 2c)X + (b + c)
b.

∈ C2 [X]

b) On a, pour tout α, β ∈ C et tous P, Q ∈ C2 [X] :

ye

f (αP + βQ) = (X 2 + 1)(αP + βQ)0 − (2X − 1)(αP + βQ)

= (X 2 + 1)(αP 0 + βQ0 ) − (2X − 1)(αP + βQ)
= α(X 2 + 1)P 0 − α(2X − 1)P + β(X 2 + 1)Q0 − β(2X − 1)Q
= αf (p) + βf (Q)
Ta

donc f est linéaire.

On conclut que f est un endomorphisme du C-ev C2 [X].
[Link] valeurs propres et les sous-espaces propres de f
- Par la définition des éléments propres de f .
 2.3 Exercices 50

λ ∈ C valeur propre de f ⇐⇒ ∃P = aX 2 + bX + c ∈ C2 [X]|0C2 [X] tq f (P ) = λP

i
On a, en réutilisant le calcul de f (P ) effectué en a) :

ur
f (P ) = λP ⇐⇒ (a.b)X 2 + (2a + b − 2c)X + (b + c) = λ(aX 2 + bX + c)
 


 a − b = λa 

 b = (1 − λ)a
 
⇐⇒ 2a + b − 2c = λb ⇔  2a + (1 − λ)b − 2c = 0

bo

 
 b + c = λc
  b = (λ − 1)c

  
 λ=1
 
 c = −a
 
 
⇐⇒  b=0 ou b = (1 − λ)a
 

 
 
 2a − 2c = 0
 jeb  2a + (1 − λ)2 a + 2a = 0

  

 λ = 1 
 (1 − λ)2 + 4 = 0
 
 
⇐⇒  b = 0 ou c = −a
 

 
 
 a=c b = (1 − λ)a,
 


car, dans le second système, si a = 0, alors c = 0, b = 0, donc P = 0, exclu. Et :

D
(1 − λ)2 + 4 = 0 ⇐⇒ (1 − λ)2 = −4
⇐⇒ (λ − 1 = 2i ou λ − 1 = −2i)
b.

⇐⇒ (λ = 1 + 2i ou λ = 1 − 2i)

Donc :
ye

   

 λ=1 
 λ = 1 + 2i 
 λ = 1 + 2i
 
 
 
f (P ) = λP ⇐⇒ b=0 ou  c = −a ou  c = −a
 
 
   

 a=c  b = −2ia
  b = −2ia

Ta

Ainsi, les valeurs propres de f sont 1, 1 + 2i, 1 − 2i , et les sous-espaces propres de f

sont : E1 = V ect{1 + X 2 }, E1+2i = V ect{1 + 2iX − X 2 } E1−2i = V ect{1 − 2iX − X 2 }
-Par la matrice associée à f dans la base (1, X, X 2 ) de C2 [X] On calcule les images
 2.3 Exercices 51

par f des vecteurs de la base canonique de C2 [X] :


f (1) = −(2X − 1) = 1 − 2X

i




f (X) = (X 2 + 1) − (2X − 1)X = 1 + X − X 2

ur


f (X 2 ) = (X 2 + 1)2X − (2X − 1)X 2 = 2X + X 2 ,



d’où la matrice A de f dans B = (1, X, X 2 ) :

bo
 
1 1 0
 
A=
 −2 1 2 

 
0 −1 1
jeb
Déterminons les valeurs propres de A. Soit λ ∈ R. On a :


1−λ 1 0


A − λI3 =  −2 1 − λ 2 
 
 
0 −1 1 − λ
D
On Calculons det(A − λI3 )

det(A − λI3 ) = (1 − λ)((1 − λ)2 + 2) − 1(−2(1 − λ))

b.

= (1 − λ)((1 − λ)2 + 4)
= (1 − λ)(λ2 − 2λ + 5)
ye

det(A − λI3 ) = 0 ⇐⇒ 1 − λ = 0 ou λ2 − 2λ + 5 = 0
⇐⇒ λ = 1 ou λ = 1 + 2i ou λ = 1 − 2i

Ainsi, les valeurs propres de A sont : 1, 1 + 2i, 1 − 2i.

Ta

Déterminons les sous-espaces propres de A.

Sous-espace propres de A associé à λ = 1
 
x
 
E1 = {X =  y  /AX = X}
 
 
z
 2.3 Exercices 52

    
1−λ 1 0 x x
    

i
AX = X ⇐⇒  −2 1−λ 2 y  = y 
    

    

ur
0 −1 1−λ z z



 x+y =x

⇐⇒ −2x + y + 2z = y


−y + z = z



bo

 y=0
⇐⇒
 x=z
 


 1 

 
Donc E1 = V ect  0
  jeb

 
1

 


Sous-espace propre de A associé à λ = 1 + 2i

   


 x 


   
E1+2i = X=
 y  /AX = (1 + 2i)X

D

   

z

 


    
1−λ 1 0 x x
b.

    
AX = (1 + 2i)X ⇐⇒  −2 1−λ 2 y  = (1 + 2i)  y 
    

    
0 −1 1−λ z z


 x + y = (1 + 2i)x
ye



⇐⇒  −2x + y + 2z = (1 + 2i)y

 −y + z = (1 + 2i)z




 −2ix + y = 0

⇐⇒  −2x − 2iy + 2z = 0
Ta


 −y − 2iz = 0


y = 2ix

⇐⇒ 
z = −x,
 2.3 Exercices 53

 


 1 

 
Donc E1+2i = V ect  2i
 


 

i
−1

 


ur
Sous-espace propre de A associé à λ = 1 − 2i

   


 x 


   
E1−2i = X =  y  /AX = (1 − 2i)X 
 

bo
   
z

 


    
1−λ 1 0 x x
    
AX = (1 − 2i)X ⇐⇒  −2 1−λ 2 y  = (1 − 2i)  y 
    

 jeb    
0 −1 1−λ z z



 x + y = (1 − 2i)x

⇐⇒ −2x + y + 2z = (1 − 2i)y


−y + z = (1 − 2i)z





 2ix + y = 0

⇐⇒ −2x + 2iy + 2z = 0
D


−y + 2iz = 0



 y = −2ix
⇐⇒
z = −x,
b.

 


 1 

 

Donc E1−2i = V ect  −2i
 

ye

  

−1

 


L’endomorphisme f a les mêmes valeurs propres que A, donc les valeurs propres
de f sont 1, 1 + 2i, 1 − 2i. Les vecteurs propres de A nous donnent les coordonnées
des vecteurs propres de f dans la base (1, X, X 2 ) de C2 [X] : E1 = V ect{1 + X 2 },
Ta

E1+2i = V ect{1 + 2iX − X 2 } E1−2i = V ect{1 − 2iX − X 2 } 3. L’endomorphisme

f admet trois valeurs propres deux à deux distinctes et dimC2 [X] = 3, donc, f est
diagonalisable.

Exercice 2.3. Sans effectuer aucun calcul écrit, dire si les matrices suivantes sont
 2.3 Exercices 54

   
2 4 −2 2 −4 −2
   
diagonalisables : M = −1 −2 1 , N =  3 −6 −3
   
   

i
3 6 −3 −4 8 4

ur
Solution d’exercice 2.3. On a
 
2 4 −2
 
M =
−1 −2 1


bo

 
3 6 −3

est de rang 1, puisuqe toutes les colonnes sont propotionnelles à la première, alors
det(M ) = 0, donc 0 est une valeur propre de M . La dimension du sous-espace propre
jeb
E0 (M ) est donnée par la formule suivante

dim(E) = dim(E0 ) + rg(M ) =⇒ dim(E0 ) = dim(E) − rg(M ) = 3 − 1 = 2

Donc 0 est une valeur propre d’ordre 2 ou 3

Si on note λ1 , λ2 , λ3 les valeurs propres de A alors λ1 + λ2 + λ3 = tr(A) = −3
D
donc λ3 = −3 et λ1 = λ2 = 0
Au bilan final. 0 est une valeur propre double son sous espace propre de dimension 2,
−3 est une valeur propre simple, son sous espace propre est de dimension 1
b.

La somme des dimensions des sous espaces propres est égale à 3.

Donc A est diagonalisable.
 
3 0 −1
ye

 
Exercice 2.4. Soit A la matrice suivante : A = 
 2 4 2

 
−1 0 3

1. Déterminer et factoriser le polynôme caractéristique de A.

Ta

2. Démontrer que A est diagonalisable et déterminer une matrice D diagonale et

une matrice P inversible telles A = P DP −1 .
3. Donner en le justifiant, mais sans calcul, le polynôme minimal de A.
4. Calculer An pour n ∈ N .
 2.3 Exercices 55

 
3 0 −1
 
Solution d’exercice 2.4. On a A =  2 4 2
 
 

i
−1 0 3

ur
Le polynôme caractéristique de A s’obtient en calculant le déterminant de A − λI3

PA (λ) = det(A − λI3 )

3−λ 0 −1

bo
= 2 4−λ 2
−1 0 3−λ
= (3 − λ)((4 − λ)(3 − λ)) − (4 − λ)
= (2 − λ)(4 − λ)2
jeb
Le polynôme PA admet deux racines. Donc la matrice A admet deux valeurs propres
λ1 = 2 ([Link]) λ2 = 4 (v.p. double)
Le sous-espaces propre associés à λ1 = 2 noté E2 (A)
   


 x 


   
E2 (A) = X =  y  ∈ R3 |AX = 2X
 
D

   

z

 



 3x − z = 2x 
z=x

 
b.

On résoudre alors le système suivant : 2x + 4y + 2z = 2y =⇒


  y = −2x
 −x + 3z = 2z


  


 x 


ye

  
E2 (A) =  −2x  /x ∈ R
 

   

x

 

   


 1 


   
Donc = x  −2  /x ∈ R
 
Ta


   

1

 

  


 1 

  
= vect  −2  /
 
dimE2 (A) =1

   
1

 


Le sous-espaces propre associés à λ4 = 2 noté E4 (A)

 2.3 Exercices 56

   


 x 


   
E4 (A) = X =  y  ∈ R3 |AX = 4X
 

   


i
z

 


ur



 3x − z = 4x
 n
On résoudre alors le système suivant :

2x + 4y + 2z = 4y =⇒ z = −x

 −x + 3z = 4z


  

bo


 x 


  
E4 (A) =  y  /x, y ∈ R
 

   

 −x
 

     


 1 0 


     
Donc =  0  + y  1  /x, y
x ∈ R
  jeb

     
−1 0

 

    


 1 0 

    

= vect  0  ,  1  /
   

   
 
 −1

0


   
D
1 0
   
puisque  0  ,  1  sont linéairement indépendants alors dimE4 (A) = 2
   
   
−1 0
b.

puisque le Polynôme caractéristique est scindé et les dimensions des sous espaces
propres sont égale au multiplicité des valeurs propres correspondantes i.e.
dimE2 (A) = 1 = mult(λ = 2) et dimE4 (A) = 2 = mult(λ = 4)
ye

Donc la matrice A est diagonalisable.

Notons la matrice P la matrice de passage telle que les colonnes de cette matrice sont
 
1 0 1
 
les vecteurs propres P = 
 −2 1 0 

Ta

 
1 0 −1
D la matrice diagonale telle que les éléments diagonaux sont les valeurs propres
 2.3 Exercices 57

 
2 0 0
 
D =  0 4 0  telle que A = P DP −1
 
 

i
0 0 4

ur
3. La matrice A est diagonale, donc son polynôme minimal n’a que des racines simple,
par ailleurs les racine du polynôme minimal sont exactement les valeurs propres de
A et le polynôme minimal est un polynôme unitaire qui divise le polynôme caractéris-
tique, on a donc mA (λ) = (λ − 2)(λ − 4)

bo
4. Calculons An
On a A = P DP −1 =⇒ An = P Dn P −1
   
2 0 0 −1 0 −1
   
1 t
 0 4 0  et P −1 =
où Dn =  com(P ) = −1/2 
 −2 −2 −2 
 
  detP
jeb  
0 0 4 −1 0 1
 
2n + 4n 0 2n − 4n
 
Donc An = 1/2  2(4n − 2n ) 2.4n 2(4n − 2n ) 
 
 
2n − 4n 0 2n + 4n
D
Exercice 2.5. Soient deux suites (xn ) et (yn ) vérifiant :
 
 xn = 5xn−1 + 3yn−1  x0 = 1
et
 yn = −6xn−1 − 4yn−1  y0 = −1
b.

 
xn
On pose Un =   ∀n ∈ N.
yn
ye

1. Montrer que Un = AUn−1 , où A est une matrice carrée de rang 2, qu’on déter-
minera.
2. Montrer que Un = An U0 .
Ta

3. En diagonalisant la matrices A, donner les expressions des termes général des

suites (xn ) et (yn ).

Solution d’exercice 2.5. 1. On montre que Un = AUn−1 .

   
xn−1 xn
On a Un−1 =   car Un =  
yn−1 yn
 2.3 Exercices 58

 
5 3
alors le système devient Un = AUn−1 telle que A =   i.e.
−6 −4

i
    

ur
xn 5 3 xn−1
  =  
yn −6 −4 yn−1

2. On montre Un = An U0 .

bo
Un = AUn−1 et Un−1 = AUn−2
= A2 Un−2
= A3 Un−3
.
= .. par réccurence on trouve
jeb
= An U0

 
5 3
3. En diagonalisant la matrice A =  
−6 −4
Le polynôme caractéristique de A est :
D
5−λ 3
PA (λ) = det(A − λI2 ) =
−6 −4 − λ
b.

= (5 − λ)(−4 − λ) + 18
= (λ + 1)(λ − 2)
ye

Donc Sp(A) = {−1, 2} simples

Puisque PA (λ) est scindé et A admet deux valeurs propres simples donc A est diago-
nalisable.
Sous espace propre associé à λ = −1
Ta

   
 x 
E−1 (A) = u1 =   tq Au1 = −u1 
y
     
 x x −x 
=   ∈ R2 tq A   = 
 y y −y 

en résoudre le système suivant

 2.3 Exercices 59

 
 5x + 3y = −x  6x + 3y ==
=⇒
 −6x − 4y = −y  −6x − 3y = 0

i
=⇒ y = −2x

ur
  
 x 
E−1 (A) =   ∈ R2 tq y = −2x
 y 
  
 x 
=   ∈ R2
 −2x 

bo
   
 1 
= x   tq x ∈ R
 −2 
 
 1 
= V ect  
 −2  jeb
Sous espace propre associé à λ = 2
   
 x 
E2 (A) = u =  tq Au2 = 2u2
 2 y 
     
 x x 2x 
=   ∈ R2 tq A   = 
 y y 2y 
D
en résoudre le système suivant
 
 5x + 3y = 2x 3x + 3y ==

=⇒ 
b.

 −6x − 4y = 2y −6x − 6y = 0
=⇒ y = −x
  
 x 
E2 (A) =   ∈ R2 tq y = −x
ye

 y 
  
 x 
=   ∈ R2
 −x 
   
 1 
Ta

= x  tq x ∈ R
 −1 
 
 1 
= V ect  
 −1 
 2.3 Exercices 60

 
1 1 1 t com
Alors la matrice de passage P =   est inversible et P −1 = det P
P
−2 −1

i
 
−1 −1
Alors P −1 = 

ur

2 1
On a A = P DP −1 =⇒ An = P Dn P −1
   
1 1 (−1)n 0 −1 −1
An =    
−2 −1 2n

bo
0 2 1
 
(−1)n+1 + 2n+1 (−1)n+1 + 2n
=  
2(−1)n − 2n+1 2(−1)n − 2n
    
xn (−1)n+1 + 2n+1 (−1)n+1 + 2n 1
Un = An U0 =⇒   =
jeb  
yn 2(−1)n − 2n+1 2(−1)n − 2n −1
On a 
 xn = 2n
=⇒
 yn = −2n
 
1 0 0
 
Exercice 2.6. soit A = 0 1 1
 
D
 
0 0 2

1. Déterminer le polynôme minimal de A.

b.

2. A est elle inversible ? Si oui, déduire A−1 .

3. Calculer A6 − 4A5 + 3A4 + 6A3 − 10A2 + 6A.
 
1 0 0
ye

 
Solution d’exercice 2.6. Ssoit A = 
0 1 1

 
0 0 2
Le polynôme caractéristique de A est :
Ta

1−λ 0 0
PA (λ) = det(A − λI3 ) = 0 1−λ 1
0 0 2−λ
2
= −(λ − 1) (λ − 2)
Alors le polynôme minimal noté mA (λ) soit
 2.3 Exercices 61




 mA (λ) = (λ − 1)(λ − 2)


ou


i
mA (λ) = (λ − 1)2 (λ − 2)



ur
  
0 0 0 −1 0 0
  
mA (A) = (A − I3 )(A − 2I3 ) = 
 0 0 1  0

−1 1 

  
0 0 1 0 0 0
 
0 0 0

bo
 
= 
 0 0 0 

 
0 0 0
Coclusion mA (λ) = (λ − 1)(λ − 2)
2. A est elle inversible jeb
PA (λ) = −(λ − 1)2 (λ − 2) = det(A − λI3 )
=⇒ det(A) = PA (0) = 2 6= 0
=⇒ A est inversible
=⇒ A existe
D
mA (A) = 0 =⇒ (A − I3 )(A − 2I3 ) = 0
=⇒ A2 − 3A + 2I3 = 0
=⇒ A(A − 3I3 ) = −2I3
b.

−1
=⇒ 2
A(A − 3I3 ) = I3
=⇒ A = −1
−1
(A − 3I3 )
2 
2 0 0
 
−1 1
=⇒ A = 0 2 −1 
 
ye

2

 
0 0 1
3. Considérons le polynôme P (X) = X 6 − 4X 5 + 3X 4 + 6X 3 − 10X 2 + 6X et faisons
la divisions eucludienne de P (X) par PA (X) = X 3 − 4X 2 + 5X − 2 on trouve que
Ta

P (X) = PA (X)(X 3 − 2X) + 2X alors P (A) = PA (A)(A3 − 2A) + 2A

| {z }
=0
6 5 4 3 2
Donc A − 4A + 3A + 6A − 10A + 6A = 2A
 2.3 Exercices 62

 
3 0 8
 
Exercice 2.7. Soit A =  3 −1 6 ∈ M3 (C)
 
 

i
−2 0 −5

ur
1. Calculer le polynôme caractéristique de A.
2. Déterminer la décomposition de Dunford de A.
3. Calculer An pour tout n ∈ N.

bo
 
3 0 8
 
Solution d’exercice 2.7. Soit A = 
 3 −1 6


 
−2 0 −5
Le polynôme caractéristique de A est :
jeb
3−λ 0 8
PA (λ) = det(A − λI3 ) = 3 −1 − λ 6
−2 0 −5 − λ
3
= −(1 + λ)
La décomposition de dunford de A
D
On a PA (λ) = −(1 + λ)3 l’unique valeur propore de A est −1 d’ordre 3.
Notons A = D + N la décomposition de dunford de A, comme D est diagonalisable
et PD (λ) = PA (λ) = −(1 + λ)3 ; alors D est semblable à −I3 .
b.

D = −I3 et N = A + I3 . Ce qui donne :

 
4 0 8
ye

 
N = 3 0 6 
 
 
−2 0 −5

et N 2 = 0M3 (C)
Ta

Calculons An , n ∈ N
On a N = 0M3 (C) et DN = N D alors
 2.3 Exercices 63

An = (D + N )n

i
Pn n k n−k
= k=0 Ck N D
C0n N 0 Dn + C1n N 1 Dn−1 + C2n N 2 Dn−2

ur
=
| {z }
=0
= I3 Dn + nN Dn−1 /D = −I3
n n−1
= (−1) I3 + nN (−1) I3
= (−1)n (I3 − nN )

bo
 
1 − 4n 0 −8n
 
Donc An = (−1)n  −3n 1 −6n 
 
 
2n 0 1 + 4njeb
 
0 0 −2
 
Exercice 2.8. Soit A = 1 0 3 ∈ M3 (R)
 
 
0 1 0

1. Calculer le polynôme caractéristique de A et son polynôme minimal.

D
2. Calculer les sous espace propres et les sous espaces caractéristique de A.
3. Déterminer la décomposition de Dunford de A.
b.

 
0 0 −2
 
Solution d’exercice 2.8. Soit A = 
1 0 3

∈ M3 (R)
 
0 1 0
ye

Le polynôme caractéristique de A est :

−λ 0 −2
PA (λ) = det(A − λI3 ) = 1 −λ 3
Ta

0 1 −λ
2
= −(λ − 1) (λ + 2)



 mA (λ) = (λ − 1)(λ + 2)

Le polynôme minimal noté mA soit où


mA (λ) = (λ − 1)2 (λ + 2)


 2.3 Exercices 64

Calculons mA (A) = (A − I3 )(A + 2I3 ) 6= 0

Donc le polynôme minimal est mA (λ) = (λ − 1)2 (λ + 2)

i
Sous espace propre associé à λ = −2 noté E−2 (A)

ur
     


 x x x 

     

E−2 (A) = y  ∈ R3 /A  y  = −2  y
     
 

     

z z z

 


On résoudre le système suivant

bo


 −2z = −2x 
x=z

 
x + 3z = −2y =⇒ 

 y = −2z
y = −2z


  
z
E−2 (A) =










 
z

 −2z  , z ∈ R
 












jeb


  1 


  
= z  −2  , z ∈ R
 

   

1
 
D
 
 
 1 

 
 

= vect  −2  dimE−2 (A) =1
 
 
1
 
b.

 

Sous espace propre associé à λ = 1 noté E1 (A)

     


 x x x 

     

E1 (A) = ∈ R3 /A  y  =  y
ye

y 
     
 

     

z z z

 


On résoudre le système suivant


−2z = x
Ta


 
x = −2z

 
x + 3z = y =⇒ 

 y=z
y=z


 2.3 Exercices 65

  


 −2z 


  
E1 (A) =  z , z ∈ R
 

  


i
z

 

   

ur


 −2 


   
= z  1 , z ∈ R
 
 
  

1

 

 
 −2 

 


bo
 
= vect  1  dimE1 (A) =1
 
 
1

 


Sous espace caractéristique associé à λ = −2 noté N−2 (A)

N−2 (A) = ker(A + 2I3 ) jeb
= E−2 (A)
 


 1 


 
= vect  −2
 


  
1

 


Sous espace caractéristique associé à λ = 1 noté N1 (A)

D
N1 (A) = ker(A − I3 )2
     


 x x 0 

     

= 
y  ∈ R3 /(A − I3 )2  y  =  0
    
b.

 

      

z z 0

 


On résoudre le système suivant :


x − 2y + 4z = 0
ye






−2x + 4y − 8z = 0 =⇒ x = 2y − 4z

x − 2y + 4z = 0


  
 2y − 4z 
Ta


 

  
N1 (A) = y y, z ∈ R
 
 

   

z

 

   


 2 −4 

   

= vect  1  , 0
   

   

0 1

 

 2.3 Exercices 66

   
2 −4
   
puisque  1  ,  0  sont linéairement indépendants alors dimN1 (A) = 2
   
   

i
0 1

ur
La décomposition de dunford de A :
Soit u ∈ L(R3 ) l’endomorphisme associe à la matrice A dans la base cannonique
     
1 −4 2
     
 −2  , f2 =  0  , f3 =  1 
On pose f1 =      

bo
     
1 1 0
sont les vecteurs des sous espaces caractéristiques
La matrice associé à u dans la base B 0 = {f1 , f2 , f3 } est
jeb
M = P −1 AP =  0




−2

0 −1 2
0
0
0
1 





 
1 −4 2
 
D
telle que P =  −2 0 1 
 
 
1 1 0
La décomposition de dunford de M est :
b.

   
−2 0 0 0 0 0
   
M = D0 + N 0 telle que D0 =  0 1 0  , N 0 =  0 −1 1  et N 02 = 0M3 (C)
   
   
0 0 1 0 −1 1
ye

d’ou en déduire la décomposition de dunford de A est :

A = P D0 P −1 + P N 0 P −1
 
2 2 −1
 
où D = P D0 P −1 = 1/3 
 2 −1 8 

est diagonalisable.
Ta

 
−1 2 −1
 
2 −2 −2
 
N = P N 0 P −1 = 1/3  1 1 1  est nilpotent.
 
 
1 1 1
 i
ur
Chapitre 3

bo
Trigonalisation d’un
endomorphisme jeb
3.1 Définitions
Définition 3.1.1. Soit E un K- espace de dimension finie. Un endomorphismt f
D
de E est dit trigonalisable (on dit aussi triangularisable) s’il existe une base de E
relativement à laquelle la matrice de f est triangulaire. Trigonaliser f , c’est trouver
une telle base.
b.

Remarquons que cette définition ne précise pas si la matrice triangulaire doit être
supérieure ou inférieure. A ce propos, rappelons que si B désigne une base de E et si
M atB (f ) est triangulaire supérieure alors, en désignant par C la base obtenue à partir
ye

de B en inversant l’ordre des vecteurs, M atC (f ) est triangulaire inférieure. On peut

donc toujours supposer, sans restriction aucune, que la matrice triangulaire dont il
est question dans la définition 3.1.1, est supérieure.

Définition 3.1.2. Une matrice A de Mn (K) est dite trigonalisable si elle est semblable
Ta

à une matrice triangulaire, c ’est-à-dire s ’il existe une matrice P ∈ GLn (K) et s ’il
existe une matrice triangulaire T ∈ Mn (K) telle que

T = P −1 AP.

Trigonaliser A, c’est trouver T .

 3.1 Définitions 68

Donnons à présent une caractérisation d’un endomorphisme trigonalisable en dimen-

sion finie.

i
Proposition 3.1.1. Soit E un K-espace de dimension finie. Une condition néces-

ur
saire et suffisante pour qu’un endomorphisme f de E soit trigonalisable est que son
polynôme caractéristique soit scindé sur K

Démonstration Désignons par n la dimension de l’espace E. Montrons dans un pre-

bo
mier temps que la condition est nécessaire. Supposons f trigonalisable et déduisons-en
que son polynôme caractéristique est scindé sur K. Puisque, par hypothèse, l’endo-
morhisme f est trigonalisable, il existe une base C de E telle que

jeb  
 t11 t12 · · · t1n 
t22 · · ·
 
 0 t2n 
M atC (f ) =
 
 . .. .. .. 
 . . .
 . . 

 
0 ··· 0 tnn

Utilisons M atC (f ) pour calculer le polynôme caractéristique de f . On a :

D
n
Y
∀λ ∈ K Pf (λ) = det(M atC (f ) − λIn ) = (tii − λ)
i=1
b.

puisque M atC (f ) est triangulaire, ce qui montre que Pf est scindé sur K.
Montrons à présent que la condition est suffisante. Supposons le polynôme caracté-
ristique de f scindé sur K et montrons qu’il existe alors une base de E relativement à
ye

laquelle la matrice associée à f est triangulaire. Utilisons pour cela un raisonnement

par récurrence sur la dimension n de l’espace E. Le résultat est immédiat pour n = 1
. Supposons-le vérifié pour les espaces de dimension n − 1 avec n ≥ 2. Soient E un
Ta

espace de dimension n et f un endomorphisme de E. Le fait que Pf soit scindé sur K

nous assure que f possède au moins une valeur propre λ1 ∈ K. Désignons par u1 un
vecteur propre de f associé à λ1 . D’après le théorème de la base incomplète, il existe
n − 1 vecteurs w2 , w3 , . . . , Wn de E tels que la famille BE = (u1 , w2 , w3 , . . . , wn ) est
une base de E. Écrivons la matrice associée à f relativement à cette base. Pour tout
 3.1 Définitions 69

j ∈ {2, 3, . . . , n} , notons αj , m2j , m3j , . . . , mnj les coordonnées du vecteur f (wj ) dans
BE :

i


ur


 f (w2 ) = α2 u1 + m22 w2 + m32 w3 + . . . + mn2 wn


f (w3 ) = α3 u1 + m23 w2 + m33 w3 + . . . + mn3 wn









f (wn ) = αn u1 + m2n w2 + m3n w3 + . . . + mnn wn

bo
On a aussi f (u1 ) = λ1 u1 . On en déduit :

 
λ
 1
α2 α3 · · · αn 
 0 m22 m23 · · ·
 
jeb
 m2n 

 
 0
M atBE (f ) =  m32 m33 · · · m3n 

 . .. .. .. ..
 .

 . . . . . 

 
0 mn2 mn3 · · · mnn

Soit F le sous-espace de E engendré par les n−1 vecteurs w2 , w3 , . . . , wn . Ces derniers

D
étant linéairement indépendants, la dimension de F est égale à n − 1 et une base de
F est la famille BF = (w2 , w3 , . . . , wn ). À l’évidence, les deux sous-espaces Ku1 et F
sont supplémentaires dans E. Intéressons-nous à l’endomorphisme de F , noté g, dont
b.

la matrice représentative dans la base BF est donnée par

 
 m22 m23 · · · m2n 
 m32 m33 · · ·
 
m3n 
ye

M atBE (f ) =  .
 
 . .. .. .. 
 . . . . 

 
mn2 mn3 · · · mnn
Ta

C’est une matrice carrée d’ordre n − 1. On se convainc facilement que g peut s’écrire
comme suit : g = p ◦ f |F où f |F : F → E est la restriction de f au sous-espace F , et
où p : E → F est l’application (linéaire) qui à un vecteur de E associe son composant
dans F . Le polynôme caractéristique de g est scindé puisque celui de f l’est. Utilisons
notre hypothèse de récurrence : il existe une base de F , notée CF = (u2 , u3 , . . . , un )
 3.1 Définitions 70

telle que
 
 t22 t23 · · · t2n 

i
t33 · · ·
 
 0 t3n 
M atCF (g) = 
 
. ... ... .. 

ur
 .
 . . 

 
0 ··· 0 tnn

C’est une matrice d’ordre n − 1 triangulaire supérieure. Revenons à présent à l’espace

bo
E. Considérons la nouvelle base CE que nous obtenons en complétant le vecteur u1 des
n − 1 vecteurs u2 , u3 , . . . , un , c’est-à-dire considérons la base : CE = (u2 , u3 , . . . , un )).
Écrivons enfin la matrice associée à f relativement à cette nouvelle base. Puisque Ku1
et F sont supplémentaires dans E, pour tout j ∈ {2, 3, . . . , n}, il existe un unique
βj ∈ K tel que
jeb
f (uj ) = βj u1 + p(f (uj )) .
| {z }
∈Ku1
| {z
∈F
}

Or p(f (uj )) = g(uj ) pour j ∈ {2, 3, . . . , n} Ainsi, en tenant compte de l’expression de

M atCF (g), on obtient :
D



 f (u2 ) = β2 u1 + t22 u2


f (u2 ) = β3 u1 + t23 u2 + t33 u3


b.








f (u2 ) = βn u1 + t2n u2 + t3n u3 + . . . + tnn un

On en déduit finalement l’expression de la matrice M atCE (f ) :

ye

 
λ β2 β3 · · ·
 1
βn 
 0 t22 t23 · · ·
 
 t2n 

 
 0
M atCE (f ) =  0 t33 · · · t3n
Ta



 . .. ... ... ..
 .

 . . . 

 
0 0 ··· 0 tnn

C’est une matrice triangulaire (supérieure), ce qui termine la récurrence.

Remarque Si un endomorphisme f d’un K-espace vectoriel est trigonalisable, alors
 3.2 Illustration avec un exemple 71

les éléments se trouvant sur la diagonale principale de T sont nécessairement les

valeurs propres de f , et, en notant λ1 , λ2 , . . . , λm ses valeurs propres distinctes deux

i
à deux, de multiplicités respectives h1 , h2 , . . . , hm , chaque valeur propre λi avec i ∈
{1, 2, . . . , m}, y figure hi fois.

ur
Tout endomorphisme est-il trigonalisable ?
La réponse à cette question est « non » si K = R et « oui » si K = C. En effet,
d’après la proposition 3.1.1, pour qu’un endomorphisme d’un K-espace vectoriel E

bo
soit trigonalisable, il faut et il suffit que son polynôme caractéristique soit scindé
sur K, autrement dit, que le nombre de ses valeurs propres ( comptées avec leurs
multiplicités) soit égal à la dimension de E. Il est clair que cette condition n’est pas
toujours vérifiée si le corps de référence est R . En revanche, elle est automatiquement
jeb
vérifiée lorsque l’on travaille dans C puisque tout polynôme de C[X] est scindé sur C.
Ainsi, tout endomorphisme d’un C-espace vectoriel (ou toute matrice à coefficients
dans C) est trigonalisable.
En pratique, pour trigonaliser un endomorphisme ou une matrice, on procèdera en
suivant pas à pas les étapes de la démonstration de la proposition 3.1.1. L’exemple
traité au paragraphe suivant illustre cette remarque.
D
3.2 Illustration avec un exemple
b.

Considérons l’endomorphisme f de R3 qui à (x1 , x2 , x3 ) associe

(−2x1 − x2 + 2x3 , −15x1 − 6x2 + 11x3 , −14x1 − 6x2 + 11x3 ).

ye

Cet endomorphisme est-il trigonalisable ? Pour répondre à cette question, nous choisis-
sons de munir l’espace R3 de sa base canonique Bc = (e1 , e2 , e3 ) où e1 = (1, 0, 0), e2 =
(0, 1, 0), e3 = (0, 0, 1), et d’effectuer la recherche des valeurs propres dans cette base.
Ta

Il est à noter que le fait d’avoir choisi la base canonique est tout à fait arbitraire,
toute autre base de l’espace R3 conviendrait. Notons A la matrice représentative de
f dans Bc . Elle s’écrit :
 3.2 Illustration avec un exemple 72

f (e1 ) f (e2 ) f (e3 )

i
 
−2 −1 2 e1

ur
 
A= −15 −6 11 e2
 
 
 
−14 −6 11 e3

Soit λ ∈ R En développant par rapport à l a première ligne,

bo
−2 − λ −1 2
−15 −6 − λ 11 =
−14 −6 11 − λ
−6 − λ 11 jeb −15 11 −15 −6 − λ
(−2 − λ) + +2
−6 11 − λ −14 11 − λ −14 −6
| {z } | {z } | {z }
=λ(λ−5) =(15λ−11) =(6−14λ)

Ainsi, pour tout λ ∈ R,

Pf (λ) = det(A − λI3 ) = −λ3 + 3λ2 − 3λ + 1 = −(λ − 1)3 .

D
L’endomorphisme f est trigonalisable (puisque son polynôme caractéristique est
scindé) et Sp(A) = {1}. Remarquons que la matrice A n’est certainement pas dia-
b.

gonalisable, car si elle l’était, elle serait semblable à la matrice identité d’ordre 3, et
donc nécessairement égale à I3 , ce qui, de toute évidence, n’est pas le cas. Cherchons
à présent les vecteurs propres de f associés à la valeur propre triple λ = 1. Effec-
tuons les calculs dans la base canonique Bc . Soit x1 e1 + x2 e2 + x3 e3 un vecteur propre
ye

rapporté à Bc . On doit résoudre :

    
−3 −1 2 x1 0
    
−15 −7 11   x = 0 
    
Ta

 2 

  
−14 −6 10 x3 0

Il vient x1 = x3 /2 et x2 = x3 /2 avec x3 ∈ R En choisissant x3 = 2, on obtient le

vecteur propre u1 = (1, 1, 2), c’est-à-dire :

u1 = e1 + e2 + 2e3 . (3.1)
 3.2 Illustration avec un exemple 73

Il s’agit à présent de compléter le vecteur u1 par deux vecteurs de telle sorte que
l’on obtienne une base de R3 . Il y a une infinité de manières d’y arriver. Par souci

i
de simplicité, nous choisissons de compléter u1 par les deux vecteurs e2 = (0, 1, 0) et
e3 = (0, 0, 1) de la base canonique de R3 .

ur
Nous obtenons la nouvelle base BR3 = (u1 , e2 , e3 ) de R3 . Écrivons la matrice repré-
sentative f tive de dans cette nouvelle base. En utilisant l’égalité e1 = u1 − e2 − 2e3
(qui se déduit de (3.1) ), on obtient d’une part :

bo
f (e2 ) = −e1 − 6e2 − 6e3 = −u1 − 5e2 − 4e3

et d’autre part :
jeb
f (e3 ) = 2e1 + 11e2 + 11e3 = 2u1 + 9e2 + 7e3 .

D’où, puisque f (u1 ) = u1 ,

f (u1 ) f (e2 ) f (e3 )

D
 
1 −1 2 u1
 
M atBR3 (f ) = 0 −5 9 e2
 
 
 
0 −4 7 e3
b.

Soit F le sous-espace de R3 engendré par les deux vecteurs linéairement indépendants

e2 et e3 . La famille BF = (e2 , e3 ) constitue une base de F . On s’intéresse maintenant
à l’endomorphisme g de F tel que
ye

g(e2 ) g(e3 )

 
Ta

−5 9 e2
M atBF (g) =  
−4 7 e3

Le but est maintenant de trigonaliser g. Pour tout λ ∈ R,

Pg (λ) = det(M atBF (g) − λI2 ) = λ2 − 2λ + 1 = (λ − 1)2

 3.2 Illustration avec un exemple 74

Cherchons les vecteurs propres de g associés à la valeur propre double λ = 1. Nous

effectuons les calculs dans la base BF . Soit x2 e2 + x3 e3 un vecteur propre associé à la

i
valeur propre λ = 1, rapporté à la base BF . Trouver x2 et x3 revient à résoudre :

ur
    
−6 9 x2 0
   = 
−4 6 x3 0

Il vient facilement x2 = 3x3 /2 avec x3 ∈ R. Ainsi, en choisissant x3 = 2, on obtient

bo
le vecteur propre
u2 = 3e2 + 2e3 , (3.2)

c’est-à-dire u2 = (0, 3, 2) puisque e2 = (0, 1, 0) et e3 (0, 0, 1). Écrivons à présent la

jeb
matrice représentative de g dans la nouvelle base CF = (u2 , e3 ) du sous-espace F .
D’une part, g(u2 ) = u2 puisque u2 est un vecteur propre de g associé à la valeur
propre λ = 1. D ’autre part, on déduit de M atBF (g) que

g(e3 ) = 9e2 + 7e3 ,

D
Or, e2 = 31 u2 − 32 e3 (cela se déduit de (3.2) ). Ainsi,

1 2
g(e3 ) = 9( u2 − e3 ) + 7e3 = 3u2 + e3 .
3 3
b.

On obtient ainsi :

g(u2 ) g(e3 )
ye

 
1 3 u2
M atCF (g) =  
0 1 e3
Ta

Revenons maintenant à l’endomorphisme f de R3 et écrivons sa matrice représentative

 3.3 Réduction de Jordan 75

dans la nouvelle base CR3 = (u1 , u2 , e3 ). On vérifie que l’on a :

f (u2 ) = f (3e2 + 2e3 )

i
= 3f (e2 ) + 2f (e3 )

ur
= 3(−u1 − 5e2 − 4e3 ) + 2(2u1 + 9e2 + 7e3 )
= u1 + 3e + 2e
| 2 {z 3}
=u2
= u1 + u2

bo
f (e3 ) = 2u1 + 9e2 + 7e3
| {z }
=3u2 +e3

jeb = 2u1 + 3u2 + e3

D ’où, puisque f (u1 ) = u1 ,

f (u1 ) f (u2 ) f (e3 )

 
1 1 2 u1
D
 
M atCR3 (f ) = 0 1 3 u2
 
 
 
0 0 1 e3

C’est une matrice triangulaire supérieure. Notons-la T . On a alors la relation ma-

b.

tricielle : T = P −1 AP où P désigne la matrice de passage de la base canonique

Bc = (e1 , e2 , e3 ) à la base CR3 = (u1 , u2 , e3 ) :
ye

     
1 1 2 1 0 0 −2 −1 2 1 0 0
     

 0 1 3  =  −1/3 1/3 0   −15 −6 11   1 3 0 
    
     
0 0 1 −4/3 −2/3 1 −14 −6 11 2 2 1
| {z } | {z }| {z }| {z }
Ta

=T =P −1 =A =P

3.3 Réduction de Jordan

Soit f un endomorphisme d’un K-espace vectoriel E de dimension n. Notons
λ1 , λ2 , . . . , λm ses valeurs propres distinctes deux à deux, de multiplicités respectives
 3.3 Réduction de Jordan 76

h1 , h2 , . . . , hm . On peut affiner le résultat de la proposition 3.1.1 et montrer que sous

la même condition, à savoir si le polynôme caractéristique de f est scindé, autrement

i
dit si h1 + h2 + . . . + hm = n, alors il existe une base C de E relativement à laquelle
la matrice associée à f s’écrit sous la forme suivante :

ur
 
J1 0 ··· 0
.. 
 
 ..
 0 J2 . . 
J= 
..


bo

... ... 
. 0
 
 
 
0 ··· 0 Jm

où, pour tout i ∈ {1, 2, . . . , m} , la sous-matrice Ji est carrée, d’ordre hi , à coefficients

dans K et est définie par
jeb Ji = λi Ihi + Ni

où Ihi désigne la matrice identité d’ordre hi et où la matrice Ni est définie par

 
(i)
0 1 0··· 0
.. ..
 
D
(i)
.
 
 0 0 2 .
 
Ni =  .. ...
 . .. .. 
 . . 0  
 
(i)
0 ··· ··· 0 hi −1 
 

b.

 
0 ··· ··· 0 0

(i) (i) (i)

où les scalaires 1 , 2 , . . . , hi −1 valent 0 ou 1. pour tout i ∈ {1, 2, . . . , m}, la matrice
Ni est nilpotente puisqu’elle est triangulaire supérieure stricte. La matrice J est une
ye

matrice carrée, d’ordre n, triangulaire supérieure. Elle a une forme remarquable, dite
diagonale par blocs. Les blocs diagonaux sont les sousmatrices J1 , . . . , Jm d’ordres
respectifs h1 , . . . , hm (non nécessairement égaux) et les blocs hors-diagonaux sont des
Ta

sous-matrices (non nécessairement carrées) à coefficients nuls. On convient de noter

J comme suit :
J = diag(J1 , . . . , Jm ).

La matrice J est appelée forme réduite de Jordan associée à f , du nom du mathé-

maticien français Camille JORDAN (1838 − 1922) . La démonstration de ce résultat
 3.3 Réduction de Jordan 77

est admise. Il est à noter que la réduction de Jordan fournit une version matricielle
(représentation dans la base C) de la décomposition de Dunford (voir la proposition

i
2.2.3). En effet, on remarque que l’on peut décomposer la matrice J comme la somme
d’une matrice diagonale D et d’une matrice triangulaire supérieure stricte N :

ur
J =D+N

où les deux matrices carrées D et N sont diagonales par blocs :

bo
D = diag(λ1 Ih1 , λ2 Ih2 , . . . , λm Ihm ) et N = diag(N1 , N2 , . . . , Nm )

Pour chaque entier i compris entre 1 et m, les blocs λi Ihi , et Ni étant de même taille,
leur produit matriciel est bien défini. On vérifie :
 jeb 
∀i ∈ {1, 2, . . . , m} (λi Ihi ) × Ni = Ni × (λi Ihi ) et Nihi = 0hi .

On en déduit que le produit des deux matrices D et N est commutatif, D×N = N ×D,
et que la matrice N est nilpotente, N p = 0 avec p = max{h1 , h2 , . . . , hm }. Ainsi, la
matrice D (respectivement la matrice N ) est la représentation matricielle dans C de
la partie diagonalisable g (resp. de la partie nilpotente h) de l’endomorphisme f .
D
Exemple Nous reprenons ici l’exemple de l’endomorphisme f de R3 dont la matrice
dans la base canonique Bc = (e1 , e2 , e3 ) est
b.

 
7 3 −4
 
A=
 −6 −2 5 

.
 
4 2 −1
ye

Considérons la nouvelle base C = (u1 , u2 , u3 ) où u1 = (1, 1, 2), u2 = (−1, 2, 0) et

u3 = (0, 1, 1) . On vérifie :

f (u1 ) = 2u1 , f (u2 ) = u2 et f (u3 ) = u2 + u3 .

Ta

La matrice représentative de f relativement à la base C s’écrit ainsi :

 
2 0 0   
  1 1
J= 0 1 1 = diag (2),   .
 
 
  0 1
0 0 1
 3.3 Réduction de Jordan 78

C’est la forme réduite de Jordan associée à f . Elle se décompose comme suit :

     
2 0 0 2 0 0 0 0 0

i
     

0 1 1  =  0 1 0 + 0 0 1 
    

ur

     
0 0 1 0 0 1 0 0 0
| {z } | {z } | {z }
=J =D =N

Soit P la matrice de passage de Bc à C. On a J = P −1 AP , d’où

bo
A = P JP −1 = P (D + N )P −1 = P DP −1 + P N P −1 .

Posons G = P DP −1 et H = P N P −1 . On vérifie :





3 1 −1
2 2 −1 
4 2 −1

= 1

2






1 −1 0
jeb 2 1 
0 1



 0 1 0  1


0 0 1

2 0 0
1 −1 
−1 −2 3




2 1 −1




| {z } | {z }| {z }| {z }
=G =P =D =P −1
D
     
4 2 −3 1 −1 0 0 0 0 2 1 −1
     
−8 −4 6 = 1 2 1 0 0 1 1 1 −1
     
    
     
0 0 0 2 0 1 0 0 0 −1 −2 3
b.

| {z } | {z }| {z }| {z }
=H =P =N =P −1

On retrouve les expressions de G et H. La matrice A se décompose de la façon

suivante :
ye

     
7 3 −4 3 1 −1 4 2 −3
     

 −6 −2 5

 =
 2 2 −1  +  −8 −4
 
6


     
4 2 1 4 2 −1 0 0 0
Ta

| {z } | {z } | {z }
=A =G =H

La matrice G (respectivement la matrice H) est la représentation matricielle dans la

base Bc de la partie diagonalisable g (resp. de la partie nilpotente h) de l’endomor-
phisme f.
 3.4 Exercices 79

3.4 Exercices
Exercice 3.1. Trigonaliser les matrices suivantes dans M3 (R)

i
     
1 2 −4 −2 2 −1 11 −6 5

ur
     
A = 0 −1 6 , B = −1 1 −1, C =  18 −10 7 .
     
     
0 −1 4 −1 2 −2 −6 3 −4
 
−4

bo
1 2
 
Solution d’exercice 3.1. Soit A = 0 −1 6
 

 
0 −1 4
Le polynôme caractéristique de A est :

PA (λ) = det(A − λI3 ) =

jeb
1−λ
0
0
2
−1 − λ
−1 4−λ
−4
6

= (1 − λ)[(−1 − λ)(4 − λ) + 6]
= −(λ − 1)2 (λ − 2)
D
puisque PA (λ) est scindé alors A est trigonalisable.
Les valeurs propres de A sont : λ1 = 2 valeur propre simple et λ2 = 1 valeur propre
double.
b.

Sous espace propre associé à λ1 = 2 :

   


 x 


   
E2 (A) = u=
 y  tq Au = 2u


   

ye

z

 

    
1 2 −4 x 2x
    
Au = 2u =⇒ A = 
0 −1 6  y  =  2y 
   
    
0 −1 4 z 2z
Ta




 x + 2y − 4z = 2x

=⇒ −y + 6z = 2y


−y + 4z = 2z



 x=0
=⇒
 y = 2z
 3.4 Exercices 80

   


 0 


   
E2 (A) = u =  2z  tq z ∈ R
 

   


i
z

 


ur
 


 0 

 

E2 (A) = V ect  2

 et dim E2 = 1

 

1

 


Sous espace propre associé à λ2 = 1 :

bo
   


 x 


   
E2 (A) = v =  y  tq Av = v
 

   

z

 


Av = v =⇒ A = 
0 −1



1

0 −1
2
jeb
−4
6
4


x


 y = y 


z




z




x






 x + 2y − 4z = x

=⇒ −y + 6z = y


D
−y + 4z = z





 x=x

=⇒ z=0


b.

y = 3z


   


 x 


   
E1 (A) =  0  tq x ∈ R
v= 
   
ye

 
0

 

 


 1 


 
E1 (A) = V ect  0

 et dim E1 = 1

 

Ta

0

 


La matrice A n’est pas diagonalisable car dim E1 6= mult(λ2 = 1)

Pour trigonaliser la matrice A il suffit de compléter la famille libre {u, v} en une base
 3.4 Exercices 81

 
0
 
de R3 . Soit w =  0 
 
 

i
1

ur
(Le choix est loin d’étre unique) la famille {u, v, w} est bien une base de R3 car
(detP = 2 6= 0)Telle que P est la matrice de passage
 
0 1 0

bo
 
P = 2 0 0 
 
 
1 0 1

La matrice semblable T = P −1 M P . S’écrit

jeb f (u)f (v)f (w)

 
2 0 a u
 
T = 
 0 1 b

 v
 
0 0 1 w
D
Les valeurs propres sont sur le diagonale. On peut calculer les paramètres a, b. Soit
en calculant P −1 M P . Soit plus simplement en écrivant que
b.

f (w) = au + bv + w =⇒ Aw = au + bv + w
        
1 2 −4 0 2 1 0
ye

        
=⇒ 0 −1 6  0  = a 2  + b 0  +  0 
        
        
0 −1 4 1 1 0 1



 b = −4

=⇒  2a = 6
Ta


a+1=4



 a=3
=⇒ 
b = −4
 3.4 Exercices 82

Donc la matrice A est semblable à la matrice tringulaire

 
2 0 3

i
 
T =
 0 1 −4 


ur
 
0 0 1

 
−2 2 −1
 

bo
Soit B = −1 1 −1
 
 
−1 2 −2
Le polynôme caractéristique de B est :
−2 − λ
jeb 2 −1
PB (λ) = det(B − λI3 ) = −1 1−λ −1
−1 2 −2 − λ
= (−2 − λ)[(1 − λ)(−2 − λ) + 2] − 2[(2 + λ) − 1] − 1[−2 + 1 − λ]
= −(λ + 1)3
puisque PB (λ) est scindé alors B est trigonalisable.
D
Les valeurs propres de B sont : λ1 = −1 valeur propre triple
Sous espace propre associé à λ1 = −1 :
   

 x 

b.


   

E−1 (B) = u =  y  tq Bu = −u
 
   

z

 

    
−2 2 −1 x −x
ye

    
Bu = −u =⇒ B = 
−1 1 −1  y  =  −y 
   
    
−1 2 −2 z −z



 −2x + 2y − z = −x

Ta

=⇒ −x + y − z = −y


−x + 2y − 2z = −z



 z = −x + 2y
=⇒
 −x + 2y + x − 2y = 0
 3.4 Exercices 83

  
 x





  
E−1 (B) =  y  tq z = −x + 2y
 

  


i
 z
 

  

ur


 x 


  
= y  tq x, y, z ∈ R
 


  

 −x + 2y
 

     
  1  0

 



bo
   
= x  0  + y  1  tq x, y ∈
   

R
     
−1 2

 

    


 1 0 

    

E−1 (B) = V ect u1 =  0  , u2 =  1
   
jeb 

    

−1 2

 


puisque u1 , u2 sont linéairement indépendants donc la base de E−1 est

    


 1 0 

    

BE−1 = u1 =  0  , u2 =  1 et dim E−1 (B) = 2
   


    

−1 2

 

D
alors la matrice B n’est pas diagonalisable, car dim E−1 (B) = 2 6= mult(λ = 1) = 3
Pour trigonaliser la matrice B il suffit de compléter la famille libre {u1 , u2 } en une
 
b.

0
 
base de R3 . Soit u3 = 
 0 

 
1
(Le choix est loin d’étre unique) la famille {u1 , u2 , u3 } est bien une base de R3 car
ye

(detP = 2 6= 0)Telle que P est la matrice de passage

 
1 0 0
Ta

 
P = 0 1 0 
 
 
−1 2 1

La matrice semblable T = P −1 BP . S’écrit

 3.4 Exercices 84

f (u1 )f (u2 )f (u3 )

i
 
−1 0 a u1

ur
 
T = 0 −1 b u2
 
 
 
0 0 −1 u3

Les valeurs propres sont sur le diagonale. On peut calculer les paramètres a, b. Soit

bo
en calculant P −1 BP . Soit plus simplement en écrivant que

f (u3 ) = au1 + bu2 + u3 =⇒ Bu3 = au1 + bu2 + u3

        
−2 2 −1
jeb 0 1 0 0
        
−1 1 −1  0  = a  0  + b  1  +  0 
=⇒         
        
−1 2 −2 1 1 2 1



 a = −1

=⇒ b = −1


a + 2b + 1 = −2


D

 a = −1
=⇒
 b = −1
b.

Donc la matrice B est semblable à la matrice tringulaire

 
−1 0 −1
 
T =
 0 −1 −1

ye


 
0 0 −1

 
11 −6 5
 
Ta

Soit C =  18 −10 7
 

 
−6 3 −4
Le polynôme caractéristique de C est :
 3.4 Exercices 85

PC (λ) = det(C − λI3 )

11 − λ 0 5

i
= 18 −10 − λ 7

ur
−6 3 −4 − λ
= (11 − λ)[(−10 − λ)(−4 − λ) − 21] + 6[18(−4 − λ) + 42] + 5[54 + 6(−10 − λ)]
= −(λ + 1)3
puisque PC (λ) est scindé alors C est trigonalisable.

bo
Les valeurs propres de C sont : λ1 = −1 valeur propre triple
Sous espace propre associé à λ1 = −1 :
   


 x 


   
E−1 (C) = u =  y  tq Cu = −u
 





z




11 −6




jeb
5


x




−x


Cu = −u =⇒ 
 18 −10 7  y  =  −y 
   
    
−6 3 −4 z −z

11x − 6y + 5z = −x
D




=⇒ 18x − 10y + 7z = −y


−6x + 3y − 4z = −z



 z=0
b.

=⇒
 y = 2x
ye
Ta
 3.4 Exercices 86

  
 x





  
E−1 (C) =  y  tq z = 0, y = 2x
 

  


i
 z
 

  

ur


 x 


  
=  2x  tq x ∈ R
 

  

0

 

   


  1 



bo
  
= x  2  tq x ∈ R
 

   

0

 

  


 1  

  
= V ect u1 =  2 
 
   jeb
0 

 

dimE−1 (C) = 1
on a PC (λ) est scindé et on a dimE−1 (C) = 1 6= mult(λ = −1) = 3 donc la matrice
n’est pas diagonalisable alors C est trigonalisable telle que

f (u1 )f (u2 )f (u3 )

D
 
−1 a b u1
 
T = 0 −1 c u2
b.

 
 
 
0 0 −1 u3

Pour triogonaliser la matrice, nous n’avons de méthode efficace, on commence à cher-

ye

 
x
 
cher un vecteur u2 =  y  tq f (u2 ) = au1 − u2 =⇒ Au2 + u2 = au1
 
 
z
Ta

Ce système linéaire indéterminer on prend a = 1 (a est nécessairement non nul)

On aalors le système :


 11x − 6y + 5z + x = 1 
y = 2x − 1

 
18x − 10y + 7z + y = 2 =⇒ 


 −6x + 3y − 4z + z = 0
 z = −1
 3.4 Exercices 87

   
x 0
   
u2 qui admet comme solution  2x − 1  on prendra x = 1, on trouve u2 =  −1 
   
   

i
−1 −1

ur
 
0
 
On complétons la famille {u1 , u2 } en une base de R3 u3 = 
 0  la fammile

 
1
{u1 , u2 , u3 } est une base de R3 car (detP = −1 6= 0)Telle que P est la matrice

bo
de passage
 
1 0 0
 
P =  2 −1 0 
 
 
0 −1 1
jeb
La matrice semblable T = P −1 CP . S’écrit

f (u1 )f (u2 )f (u3 )

D
 
−1 1 b u1
 
T = 0 −1 c u2
 
 
 
b.

0 0 −1 u3

On peut calculer les paramètres b, c, soit en calculons P −1 CP , soit plus simplement

ye

      
11 −6 5 0 b 0
      
Cu3 = bu1 + cu2 − u3 =⇒  18 −10 7 0 =  2b − c  −  0 
      
 
      
−6 3 −4 1 −c −1

b=5
Ta





=⇒ 2b − c = 7


−c − 1 = −4



 b=5
=⇒
 c=3
 3.4 Exercices 88

alors C est semblable à la matrice

 
−1 1 5

i
 
T = 0 −1 3
 


ur
 
0 0 −1

Exercice 3.2. Soit A la matrice de M4 (R) suivante :

bo
 
−2 −1 1 2
 
1 −4 1 2
 

A=  
0 0 −5 4
 

 
jeb 0 0 −1 −1

1. Déterminer le polynôme caractéristique de A.

2. Montrer que A n’est pas diagonalisable.
3. Déterminer une forme réduite de jordan da A.
4. Préciser la base de jordan et la matrice de passage.
D
5. Calculer le polynôme minimal de A.
6. En déduire l’expression de A−1 .
b.

Solution d’exercice 3.2. Le polynôme caractéristique de A est :

−2 −1 1 2
1 −4 1 2
PA (λ) = det(A − λI4 ) =
ye

0 0 −5 4
0 0 −1 −1
= (λ + 3)4
Sp(A) = {−3}
Ta

Sous espace propre associé à λ = −3

     


 x x x 


      

y  y  y

     
 4
  
E−3 (A) =   ∈ R /A   = −3  
z z z
      

      

      

 

t t t 
 3.4 Exercices 89

On résoudre le système suivant




 −2x − y + z + 2t = −3x

i

 
x − 4y + z + 2t = −3y x = y − 4t

 
=⇒

ur



 −5z + 4t = −3z  z = 2t

−z − t = −3t


  


 y − 4t 



   

y
  

bo
   
E−3 (A) =   , /y, t ∈R
2t
   

  


   

 

t 
     


 1 −4 



     

1  0 
 
   jeb  

 
= y  
 + t
 
 /y, t ∈R
0 2 
  

    


     

 

0 1 
   


 1 −4 


    


1   0

   
 
= V ect  , 
0   2
    
  
D

    


 


0 1 

   
1 −4
   
1   0 
   
b.


Puisque  ,  sont linéairement indépendants.
0   2 
   

   
0 1
donc dimE−3 (A) = 2 6= 3 = mult(λ = −3) = 4
ye

Alors A n’est pas diagonalisable.

Déterminon une réduite de Jordan de A
On pose M = A + 3I4
Ta

 
1 −1 1 2
 
1 −1 1 2 
 

M=  
0 0 −2 4 
 

 
0 0 −1 2

On a rg(M ) = 2 car C2 = −C1 et C4 = −2C3 + 4C1 , donc d’après le théorème du

 3.4 Exercices 90

rang on a dim ker(M ) = 2

 

i
0 0 −4 8
 

ur
0 0 −4 8 
 
M2 =

 
0 0 0 0 
 

 
0 0 0 0

On a rg(M ) = 1 donc dim ker M 2 = 3

bo
M 3 = 0M4 (R) Donc en déduire que la réduite de jordan de A comporte deux(2) blocs
associée à valeur propre (λ = −3) (car dim ker(M ) = 2) et on sait que le plus grand
des blocs est de taille 3 (car M 3 = 0M4 (R) ).
On sait donc que dans une base de jordan la matrice réduite de jordan sera de la
jeb
forme
 
−3 0 0 0
 
0 −3 1 0 
 

J=  
0 0 −3 1 
 

 
0 0 0 −3
D
Précisons la base de Jordan et la matrice de passage
On choisit donc un vecteur u4 ∈ ker(M 3 )/ ker(M 2 )
b.

   
0 1
   
0  1 
   
 
u4 =   puis u3 = M u4 =  
1  −2 
   
 
ye

   
0 1
 
−4
 
−4 
 

EN fin u2 = M u3 =  
Ta

0 
 

 
0
Il nous manque un vecteur u1 qui soit dans ker(M )|V ect{u2 }
 3.4 Exercices 91

 
−4
 

i
0 
 

u1 =  

ur
2 
 

 
1

Alors B 0 = {u1 , u2 , u3 , u4 } est une base de Jordan et la matrice de passage correspon-

dant est

bo
 
−4 −4 1 0
 
0 −4 1 0 
 

P =  
2 0 −2 1 
 

 
jeb 1 0 1 0

Le polynôme minimal de A est donc directement par la réduite de jordan, en effet on

sait que PA (X) = (−1)n (X − λ1 )m1 · · · (X − λk )mk alors polynôme minimal de A est
donne par mA (X) = (X − λ1 )n1 · · · (X − λk )nk ou ni désigne la taille de plus grand
blocs de jordan associe à la valeur propre λi .
D
Ici il ya qu’une valeur propre λ = −3 de plus son plus grand blocs de taille 3 donc le
polynôme minimal est mA (X) = (X + 3)3 .
En déduire l’éxpression de A−1
(X + 3)3
b.

on a mA (X) = d’après le théorème de Cayley -Hamilton

mA (A) = 0 =⇒ (A + 3I4 )3 = 0
=⇒ A3 + 9A2 + 27A + 27I4 = 0
=⇒ A(A2 + 9A + 27I4 ) = −27I4
ye

−1
=⇒ A−1 = 27
(A2 + 9A + 27I4 )
Ta
 i
ur
Chapitre 4

bo
Annales
jeb  
1 0 2
 
Exercice 4.1. (C.C) On considère la matrice réelle A = 0 1 4
 
 
0 0 3

1. Déterminer le polynôme caractéristique de A.

2. Calculer les valeurs propres de A.
D
3. Déterminer une base (ainsi que la dimension) des sous-espaces propres associes
aux valeurs propres de A.
4. Justifier pourquoi A est diagonalisable.
b.

5. Expliciter une base B de R3 dans laquelle la matrice A est représentée par une
matrice diagonale D, ainsi qu’une matrice inversible P vérifiant A = P DP −1 .
ye

Exercice 4.2. (C.C) Soient E un K espace vectoriel de dimension finie n, f un

endomorphisme sur E, A une matrice associée à f dans une base quelconque et λ ∈ K.
∼ Montrer que : λ est une valeur propre de f ⇐⇒ det(A − λIn ) = 0.
Ta

Exercice 4.3. (C.C) Soit E un K espace vectoriel, f un endomorphisme de E telle

que f 3 = f .
∼ Montrer que : E = kerf ⊕ E1 ⊕ E−1 . Où

E1 = {x ∈ E/f (x) = x} et E−1 = {x ∈ E/f (x) = −x}

 93

Exercice 4.4. (C.C) Soit m un nombre réel et f l’endomorphisme de R3 dont la

 
1 0 1

i
 
matrice dans la base canonique est : A = 
 −1 2 1

 

ur
2−m m−2 m

1. Quelles sont les valeurs propres de f ?

2. Pour quelles valeurs de m l’endomorphisme f est-il diagonalisable ?

bo
3. On suppose m = 2. Calculer An pour tout n ∈ N.

Exercice 4.5. (C.C) Déterminer la solution du système linéaire




 xn+1 = 2xn + yn
jeb


yn+1 = yn − zn

zn+1 = 2yn + 4zn



Pour des conditions initiales x0 = y0 = z0 = 1.

 
cos(t) −sin(t)
D
Exercice 4.6. (Exam) Soit t ∈ R. On pose R(t) =  .
sin(t) cos(t)

1. Déterminer le polynômes caractéristique de R(t).

b.

2. Calculer l’inverse de R(t).

3. Montrer que R(t) est diagonalisable sur C et déterminer une matrice P inver-
sible indépendante de t et une matrice diagonale D telle que :
ye

R(t) = P DP −1

4. Pour quels t ∈ R , la matrice R(t) est-elle trigonalisable sur R.

Ta

Exercice 4.7. (Exam) Pour α ∈ R, on considère l’endomorphisme fα de R3 dont la

 
−1 0 α+1
 
matrice associée dans la base canonique de R3 est : Mα =  1 −2 0 
 
 
−1 1 α
 94

1. Calculer le polynôme caractéristique de Mα . Donner l’ensemble des valeurs

propres de fα .

i
2. Pour quelles valeurs de α l’endomorphisme fα est-il diagonalisable ?

ur
3. On suppose dans cette question que α = −1.
∼ Diagonaliser la matrice M−1 en précisant la matrice de passage.
∼ Donner le polynôme minimal de f−1 .

bo
4. On suppose dans cette question que α = 1
∼ Trigonaliser M1 en précisant la matrice de passage.
 
3 −1 1 0
 
3 0 0 1
jeb  
Exercice 4.8. (Exam) Soit la matrice A =  
1 0 0 1
 
 
0 1 −2 2

1. Montrer que λ = 1 est une valeur propre triple et λ = 2 est une valeur propre
simple de A.
D
2. Déterminer une forme réduite de Jordan de A et une base de Jordan associée.
3. Quel est le polynôme minimal de A ?
4. Déterminer la décomposition de Dunford de A.
b.

Exercice 4.9. (Rattr) Soit pour m un réel, la matrice

 
m 1 1
 
ye

Am =  1 1 m 
 
 
1 m 1

1. Calculer le polynôme caractéristique de Am .

Ta

2. Quelles sont les valeurs propres deAm ? Pour quelles valeurs de m, la matrice
Am nadmet que des valeurs propres simples.
3. En deduire que si m 6∈ { −1
2
, 1}, la matrice Am est diagonalisable.
4. Calculer rg(A1 ) et le polynôme minimal de A1 . la matrice A1 est-elle diagona-
lisable ?
 95

5. Déterminer la base de Jordan associée à A1 .

6. Déterminer les valeurs propres de A−1/2 . la matrice A−1/2 est-elle diagonali-

i
sable ?

ur
bo
D jeb
b.
ye
Ta
 i
ur
Bibliographie

bo
[1] Stéphane BALAC, Frédéric STURM, Algèbre et analyse Cours de mathématiques
de première année avec exercices corrigés .2˚ édition revue et augmentée. Presses
polytechniques et universitaires romandes, 2009
jeb
[2] Stéphane. B, Frédéric. S, Exercices d’analyse et d’algèbre 154 exercices corrigés
de première année 2˚ édition revue et augmentée. Presses polytechniques et uni-
versitaires romandes, 2009
[3] Roger Manuy, Rached Mneimné Algèbre Linéaire réduction des endomorphismes.
Cours et exercices corrigés. 2012
D
[4] Claude Deschamps, André Warusfel Mathématiques Tout-en-un.2e année MP
cours et exercices corrigés, Dunod, Paris, 2004.
b.
ye
Ta