ig

Cours d’Algèbre

z
Classes préparatoires
MI
Re
Rezig Zouhour
zouhourezig@[Link]

FST 2020/2021
Z.
 Z.

2
Re
zig
Chapitre 1

ig
Réduction des endomorphismes et des
matrices carrées

z
Dans tout ce chapitre, K désigne R ou C, E un K-ev et f ∈ L(E).
Re
1.1 Sous-espaces stables
Définition 1.1.1 Soit F un sev de E. On dit que F est stable par f si f (F ) ⊂ F .
Dans ce cas, l’application
feF : F → F
x 7→ f (x)
est un endomorphisme de F appelé l’endomorphisme induit par f sur F .

Proposition 1.1.2 On a ker feF = kerf ∩ F et ImfeF ⊂ Imf ∩ F .

Z.

Exemples 1.1.3 1. Soit f = λidE l’homothétie vectorielle de rapport λ alors tout sev de E est
stable par f .
2. Soit
f : K[X] → K[X]
P 7→ P 0
et n ∈ N∗ , on a F = Kn [X] esr un sev stable par f , ker feF = K0 [X] = ker f et ImfeF =
Kn−1 [X] ⊂ Imf ∩ F = Kn [X].
3. Soit
f : K[X] → K[X]
P 7→ XP
et n ∈ N∗ alors F = Kn [X] esr un sev de E qui n’est pas stable par f , puisque X n ∈ F et
f (X n ) = X n+1 ∈
/ F.

3
Proposition 1.1.4 On a les propriétés suivantes :
1. ker f et Im f sont stables par f .
2. Si F1 , · · · , Fp sont des sev de E stables par f alors leur somme F1 + · · · + Fp et leur
intersection F1 ∩ · · · ∩ Fp sont des sev stables par f .

Définition 1.1.5 Base adaptée Soient F et G des sev de E tels que E = F ⊕ G. Si B1 est une
base de F et B2 une base de G alors la base B = B1 ∪ B2 de E est dite base adaptée à F ou base
adaptée à la décomposition E = F ⊕ G.

ig
On peut généraliser cette définition à un nombre fini de supplémentaires dans E comme suit : soit
(Fi )1≤i≤p des sev de E tels que E = ⊕pi=1 Fi , Si ∀i, Bi est une base de Fi alors B = ∪pi=1 Bi est
une base de E adaptée à la décomposition E = ⊕pi=1 Fi .

z
Théorème 1.1.6 Soit F un sev de E stable par f , alors il existe B = B1 ∪ B2 une base se E
adaptée à F dans laquelle la matrice de f est triangulaire par blocs :

A B

Re
M atB (f ) =
0n−p,p C

avec p = dim F et A = M atB1 (feF ) ∈ Mp (K).

Si de plus, G est stable alors B = 0n−p et donc
 
A 0p,n−p
M atB (f ) =
0n−p,p C

Preuve 1.1.7 Soit G un supplémentaire de F dans E et B = B1 ∪ B2 une base adaptée à la

décomposition E = F ⊕ G. On pose B1 = {e1 , · · · , ep } et B2 = {ep+1 , · · · , en }. Pour tout
Z.

i ∈ {1, · · · , p}, ei ∈ F , comme F est stable par f alors f (ei ) ∈ F et donc les coordonnées de
f (ei ) dans B2 sont toutes nulles, d’où la forme triangulaire par blocs de la matrice M atB (f ).
Si de plus G est stable par f , alors pour les mêmes raisons, les coordonnées de f (ep+1 ), · · · , f (en )}
sont nulles sur B1 , d’où le bloc B de la matrice est nul.

Remarque 1.1.8 Si  
A B
M atB (f ) =
0n−p,p C
alors det f = det A det C = det(M atB1 (feF )) det C. Donc si f est inversible alors feF ) est inver-
sible.

Corollaire 1.1.9 soit (Fi )1≤i≤p des sev de E tels que E = ⊕pi=1 Fi et soit B = ∪pi=1 Bi une base
adaptée à la décomposition E = ⊕pi=1 Fi . Si tous les Fi sont stables par f alors la matrice de f

4
dans B est diagonale par blocs :
 
A1 0
M atB (f ) = 
 .. 
. 
0 Ap

avec Ai = M atBi (feFi ) ∈ Mpi (K), pi = dim Fi .

ig
1.2 Valeurs propres-Vecteurs propres
Definitions 1.2.1 — λ ∈ K est une valeur propre de f s’il existe un vecteur x 6= 0E tel que
f (x) = λx.
Dans ce cas , x est appelé vecteur propre de f associé à la valeur propre λ.

z
— L’ensemble de toutes les valeurs propres de f est appelé le spectre de f , il est noté SpK (f ).
— Soit λ ∈ SpK (f ), le sev ker(f − λidE ) = {x ∈ E, f (x) = λx} est appelé le sous-espace
propre de f associé à la valeur propre λ, il est noté
Re
Eλ (f ) = ker(f − λidE ) = {x ∈ E, f (x) = λx}.

Exemples 1.2.2 1. Homothéties

Soit f = αidE , on a SpK (f ) = {α} et Eα (f ) = E.
2. Projections
Soit F et G des sev, non-réduits à {0E }, supplémentaires dans E. Alors, tout x de E se
décompose de manière unique en x = xF + xG où xF ∈ F et xG ∈ G. La projection sur F
selon G est l’endomorphisme de E noté et défini par
pF : E = F ⊕ G → E
Z.

x 7→ xF .
Notons que ker pF = G et Im pF = F ; Im pF est aussi l’ensemble des vecteurs invariants
par pF . On a
Sp(pF ) = {0, 1}, E0 = G et E1 = F.
En effet, puisque F 6= {oE } alors ∃x 6= 0E appartenant à F , donc il vérifie pF (x) = x. Par
suite, 1 est une valeur propre de pF . De même, G 6= {oE } alors ∃x 6= 0E dans G ; il vérifie
pF (x) = 0E . Donc 0 aussi est une valeur propre de pF . D’où {0, 1} ⊂ Sp(pF ).
Réciproquement, on a
λ ∈ Sp(pF ) ⇐⇒ ∃x 6= 0E tel que pF (x) = λx
⇐⇒ xF = λ(xF + xG ) T
=⇒ (1 − λ)xF = λxG ∈ F G = {0E }
=⇒ (1 − λ)xF = 0E et λxG = 0E
or x 6= 0E implique xF 6= 0E ou xG 6= 0E . Donc λ = 0 ou λ = 1 et Sp(pF ) ⊂ {0, 1}.

5
 3. Symétries
On garde les mêmes notations que la projection. On définit la symétrie par rapport à F selon
G comme suit :
sF : E = F ⊕ G → E
x 7→ xF − xG .
Alors
Sp(sF ) = {−1, 1}, E−1 (sF ) = G et E1 (sF ) = F.
En effet, on a F = {x ∈ E, sF (x) = x} et G = {x ∈ E, sF (x) = −x}. Donc 1 et −1 sont

ig
des valeurs propres de sF et {−1, 1} ⊂ Sp(sF ) (1). Cherchons y a-t-il d’autres valeurs
propres.
On a
λ ∈ Sp(sF ) ⇐⇒ ∃x 6= 0E tel que sF (x) = λx
⇐⇒ xF − xG = λ(xF + xG ) T
=⇒ (1 − λ)xF = (1 + λ)xG ∈ F G = {0E }

z =⇒ (1 − λ)xF = 0E et (1 + λ)xG = 0E
or x 6= 0E donc xF 6= 0E ou xG 6= 0E . Si xF 6= 0E alors λ = 1 et Si xG 6= 0E alors λ = −1.
Donc
Re
Sp(sF ) ⊂ {−1, 1} (2).
D’après (1) et (2), on conclut que Sp(sF ) = {−1, 1}.

Proposition 1.2.3 On suppose que dim E finie.

1. Pour toute valeur propre λ de f , le sous-espace propre Eλ (f ) est stable par f .
2. λ est une valeur propre de f ⇔ det(f − λidE ) = 0.

Preuve 1.2.4 1. Les endomorphismes f et f − λidE commutent donc le noyau de f − λidE est
stable par f .
Z.

2. On a
λ ∈ Sp(f ) ⇐⇒ ∃x 6= 0E tel que f (x) = λx
⇐⇒ ∃x 6= 0E tel que (λidE − f )(x) = 0E
⇐⇒ ker(λidE − f ) 6= {0E }
⇐⇒ λidE − f n’est pas injectif
et en dimension finie, ceci est équivalent à λidE − f n’est pas bijectif donc de déterminant
nul.

Proposition 1.2.5 Toute famille de vecteurs propres associés à des valeurs propres deux à deux
distinctes est libre.

Preuve 1.2.6 On raisonne par récurrence sur le cardinal de la famille.

Soit F = {x1 } une famille qui contient un seul vecteur propre de f . Comme un vecteur propre est

6
non nul alors la famille F est libre.
Supposons que toute famille de cardinal p formée par des vecteurs propres associés à des valeurs
propres deux à deux distinctes est libre et soit F = {x1 , · · · , xp+1 } une famille de vecteurs propres
associés à des valeurs propres deux à deux distinctes, montrons qu’elle est libre. Soit λi la valeur
propre de xi ,et soient α1 , · · · , αp+1 ∈ K tels que

α1 x1 + · · · + αp+1 xp+1 = 0E . (1)

On applique f , on trouve

ig
α1 λ1 x1 + · · · + αp+1 λp+1 xp+1 = 0E . (2)

On multiplie (1) par λp+1 puis on retranche (2), on obtient

α1 (λp+1 − λ1 )x1 + · · · + αp+1 (λp+1 − λp )xp = 0E .

z
La famille {x1 , · · · , xp } est une famille de p vecteurs propres associés à des valeurs propres deux à
deux distinctes, d’après l’hypothèse de récurrence , elle est libre. Donc αi (λp+1 −λi ) = 0 pour tout
i ∈ {1, · · · , p}. Comme les λi sont distincts alors αi = 0 pour tout i ∈ {1, · · · , p}. On remplace
Re
dans (1), on obtient αp+1 xp+1 = 0E et comme xp+1 6= 0E , puisque c’est un vecteur propre, alors
αp+1 = 0. Donc F est libre.

Corollaire 1.2.7 La somme de sous- espaces propres associés à des valeurs propres distinctes est
directe :
Eλ1 + · · · + Eλp = Eλ1 ⊕ · · · ⊕ Eλp .

Preuve 1.2.8 Montrons que la somme Eλ1 + · · · + Eλp est directe. Soient (x1 , · · · , xp ) ∈ Eλ1 ×
· · · × Eλp tel que x1 + · · · + xp = 0E , on va établir que xi = 0E , ∀i.
Z.

Supposons, par l’absurde, qu’il existe i tel que xi 6= 0E , on élimine tous les xi nuls de la somme
x1 + · · · + xp = 0E . On obtient une somme xj1 + · · · + xjm = 0E où xjk ∈ Eλk , xjk 6= 0E . Les xjk
sont donc des vecteurs propres associés à des valeurs propres distinctes vérifiant xj1 + · · · + xjm =
0E ce qui implique que la famille est liée, et qui contredit la proposition précédente. On conclut
alors que tous les xi sont nuls.

Proposition 1.2.9 Soit F un sev de E stable par f et feF l’endomorphisme induit par f sur F ,
alors on a :
1. Sp(feF ) ⊂ Sp(f )
2. ∀λ ∈ Sp(feF ), Eλ (feF ) ⊂ Eλ (f ).

Preuve 1.2.10 1. Soit λ ∈ Sp(feF ), alors il existe x ∈ F, x 6= 0E tel que feF (x) = λx. Puisque
F ⊂ E et feF (x) = f (x), on en déduit que λ est une valeur propre de f .

7
 2. Soit λ ∈ Sp(feF ) alors

x ∈ Eλ (feF ) ⇐⇒ ∃x ∈ F, tel que feF (x) = λx

=⇒ ∃x ∈ E, tel que f (x) = λx
=⇒ x ∈ Eλ (f ).

Cas des matrices carrées

ig
Definitions 1.2.11 Soit A ∈ Mn (K), n ∈ N∗ .
— λ ∈ K est une valeur propre de A s’il existe une matrice colonne X 6= 0n,1 E tel que
AX = λX. Dans ce cas , X est appelé vecteur propre de A associé à la valeur propre λ.
— L’ensemble de toutes les valeurs propres de A est appelé le spectre de A, il est noté SpK (A).
— Soit λ ∈ SpK (A), le sev ker(A − λIn ) = {X ∈ Mn (K), AX = λX} est appelé le sous-
espace propre de A associé à la valeur propre λ, il est noté Eλ (A).

z
Proposition 1.2.12 Soit A ∈ Mn (K), n ∈ N∗ et B la base canonique de Kn alors il existe f ∈
L(Kn ) tel que M atB (f ) = A (appelé l’endomorphisme canoniquement associé à A). Alors,
Re
SpK (A) = SpK (f )

et ∀λ ∈ SpK (f ), on a
x ∈ Eλ (f ) ⇐⇒ X = M atB (x) ∈ Eλ (A);
X = M atB (x) est la colonne des coordonnées de x dans B.

1.3 Polynôme caractéristique

Z.

Définition 1.3.1 Pour A ∈ Mn (K), on considère

φA : K → K
x 7→ det(xIn − A).

φA est une fonction polynomiale en x. Le polynôme associé à φA est appelé le polynôme ca-
rac‘éristique de A, on le note PA .

 
1 3i x − 1 −3i
Exemples 1.3.2 1. Soit A = , on a det(xIn − A) = , donc
−2 5 2 x−5
det(xIn − A) = x2 − 6x + 6 + 6i. Par suite, PA (X) = X 2 − 6X + 6 + 6i.

8
 2. Pour  
a b
A= ,
c d
x − a −b
on a det(xIn − A) = , donc
−c x − d
det(xIn − A) = x2 − (a + d)x + ad − bc = x2 − tr(A)x + det A. Par suite,

PA (X) = X 2 − (a + d)x + ad − bc = X 2 − tr(A)X + det A.

ig
3. Pour
T = (tij )
n
Y
on a det(xIn − T ) = (x − tii ) donc
i=1

z PT (X) =
n
Y
(X − tii ).
i=1
Re
Proposition 1.3.3 On a les propriétés suivantes :
1. ∀A ∈ Mn (K), on a
PA = PtA .
2. ∀A ∈ Mn (K), ∀Q ∈ GLn (K), on a

PQ−1 AQ = PA .

(Deux matrices semblables ont même polynôme caractéristique).

Z.

Preuve 1.3.4 1. Puisqu’une matrice et sa transposée ont même déterminant, on a det(xIn −

A) = det t
. L’application qui à une matrice associe sa transposée M 7−→ tM étant
(xIn −A)
linéaire, on obtient det(xIn − A) = det(xIn − tA ). Donc det(xIn − A) = det(xIn − tA ) et
par suite PA (X) = PtA (X).
2. On a det(xIn −Q−1 AQ) = det Q−1 (xIn −A)Q = det (xIn −A)QQ−1 = det(xIn −A),

donc det(xIn − Q−1 AQ) = det(xIn − A), d’òu PQ−1 AQ (X) = PA (X).

Remarque 1.3.5 Soit A, A0 ∈ Mn (K) deux matrices représentant un même endomorphisme f

dans deux bases différentes, alors elles sont semblables et donc elles ont le même polynôme ca-
ractéristique.

Définition 1.3.6 Supposons que E est de dimension finie. Le polynôme caractéristique d’un endo-
morphisme f de E est celui de sa matrice dans une base donnée de E, on le note Pf .

9
Théorème 1.3.7 Soit A ∈ Mn (K) alors le polynôme caractéristique de A est unitaire de degré n,
de la forme
PA (X) = X n − tr(A)X n−1 + · · · + (−1)n det A.

Proposition 1.3.8 Pour A ∈ Mn (K) on a

SpK (A) = Zéros (PA ).

Pour f ∈ L(E),

ig
SpK (f ) = Zéros (Pf ).

Preuve 1.3.9 D’après la proposition 1.2.3, λ ∈ Sp(f ) ⇐⇒ det(λidE − f ) = 0 ⇐⇒ Pf (λ) = 0.

Corollaire 1.3.10 Soit A ∈ Mn (K) (resp. f ∈ L(E)), alors A (resp. f ∈ L(E)) admet au maxi-
mum n valeurs propres.

z
Définition 1.3.11 On dit qu’une valeur propre λ de A ( resp. f ) est de multiplicité p (p ∈ N∗ ) si
Re
elle est de multiplicité p en tant que racine du polynôme caractéristique de A (resp f ). On la note
mul(λ).

Exemple 1.3.12 Soit  

2 0 1
A =  1 1 1  ∈ M3 (R).
−2 0 −1
Déterminer les valeurs propres de A avec leur multiplicité et les sous-espaces propres associés.
Commençons par calculer le polynôme caractéristique de A. On a
Z.

λ−2 0 −1
det(λI3 − A) = −1 λ − 1 −1 ,
2 0 λ+1

on développe suivant la deuxième colonne, on obtient

λ − 2 −1
det(λI3 − A) = (λ − 1) = (λ − 1)(λ2 − λ) = λ(λ − 1)2 .
2 λ+1

Donc PA (X) = X(X − 1)2 et Sp(A) = {0, 1} avec mul(0) = 1 et mul(1) = 2.

Déterminons E0 (A) = ker A. On a
    
x  2x + z = 0  1
z = −2x
X = y ∈ E0 (A) ⇐⇒ AX = 0 ⇐⇒
  x + y + z = 0 ⇐⇒ ⇐⇒ X = x 1  .

y = x.
z −2x − z = 0. −2


10
Donc E0 (A) = V ect{t(1,1,−2) } Déterminons E1 (A),
      
x  2x + z = x 1 0
X = y  ∈ E1 (A) ⇐⇒ AX = X ⇐⇒ x + y + z = y ⇐⇒ z = −x ⇐⇒ X = x  0 +y 1 .
z −2x − z = z. −1 0


Donc E1 (A) = V ect{t(1,0,−1) , t(0,1,0) }.

Exemple 1.3.13 On considère

ig
 
0 1
A= ∈ M2 (R)
−1 0
λ −1
alors det(λI3 − A) = = λ2 + 1. Donc PA (X) = X 2 + 1 et SpR (A) = ∅. Mais si on
1 λ
considère A ∈ M2 (C) alors SpC (A) = {i, −i}.

z
Proposition 1.3.14 Soit F un sev stable par f alors PfeF divise Pf .
Re
Preuve 1.3.15 Soit G un sev supplémentaire de F dans E et B = B1 ∪ B2 une base adaptée à F .
D’après Théorème 1.1.6,  
A B
M atB (f ) =
0 C

oû A = M atB1 feF . Soit p = dimF , alors

λIp − A −B
Pf (λ) = = det(λIp − A) det(λIn−p − C) = PfeF det(λIn−p − C).
0 λIn−p − C
Z.

D’où PfeF divise Pf .

1.4 Diagonalisation en dimension finie

Dans la suite du cours, E est un K-ev de dimension n ∈ N∗ , f ∈ L(E) et A ∈ Mn (K).

Définition 1.4.1 On dit que l’endomorphisme f est diagonalisable s’il existe une base B de E
dans laquelle la matrice de f est diagonale.
Autrement dit, On dit que l’endomorphisme f est diagonalisable s’il existe une base B de E formée
par des vecteurs propres de f .
On dit que A est une matrice diagonalisable s’il existe une matrice inversible P ∈ GLn (R) telle
que P −1 AP = D avec D matrice diagonale.

11
Remarque 1.4.2 1. f est diagonalisable si et seulement si sa matrice dans une base donnée
de E est diagonalisable.
Donc les critère de diagonalisabilité qu’on va citer pour les endomorphismes seront valables
pour les matrices carrées.
2. A est diagonalisable si et seulement si elle est semblable à une matrice diagonale.

Exercise 1 Les projections sont diagonalisables.

Pour le prouver, on va considérer F et G sev supplémentaires dans E et pla projection sur 
F

ig
Ik 0k,n−k
selon G. On choisit B = B1 ∪ B2 une base adaptée à F alors M atB (p) = ,
0n−k,k 0n−k,n−k
où k = dim F .

Proposition 1.4.3 Supposons que SpK (f ) = {λ1 , · · · , λp } où p ≤ n et les λi sont deux à deux
distincts. Alors :

z
f est diagonalisable ⇐⇒ E = Eλ1 ⊕ · · · ⊕ Eλp .

Preuve 1.4.4 CN : f est diagonalisable si et seulement s’il existe une base B de E formée par des
Re
vecteurs propres de f . Or tout x de E est combinaison linéaire de vecteurs de B, donc tout vecteur
x de E est combinaison linéaire de vecteurs propres de f , ce qui implique que x ∈ Eλ1 +· · ·+Eλp .
D’où E ⊂ Eλ1 + · · · + Eλp . L’inclusion Eλ1 + · · · + Eλp ⊂ E étant triviale, on obtient E =
Eλ1 + · · · + Eλp . D’autre part, les λi sont deux à deux distincts alors, d’après corollaire 1.2.7, la
somme est directe.
CS : On a E = Eλ1 (f ) ⊕ · · · ⊕ Eλp (f ). Soit B une base adaptée à cette décomposition. Comme
B est formée par des vecteurs propres de f , on conclut que f est diagonalisable.

Corollaire 1.4.5 Supposons que SpK (f ) = {λ1 , · · · , λp } où p ≤ n et les λi sont deux à deux
distincts. Alors :
Z.

p
X
f est diagonalisable ⇐⇒ dim Eλi (f ) = n.
i=1

Preuve 1.4.6 La condition nécessaire est évidente. Pour la réciproque, ⊕pi=1 dim Eλi (f ) ⊂ E et
dim ⊕pi=1 dim Eλi (f ) = n = dim E impliquent que ⊕pi=1 dim Eλi (f ) = E et par suite f est
diagonalisable.

Proposition 1.4.7 Pour tout λ ∈ SpK (f ), on a

1 ≤ dim Eλ (f ) ≤ mul(λ).

Preuve 1.4.8 Si λ est une valeur propre de f alors Eλ (f ) 6= {0E }, donc dim
S Eλ (f ) ≥ 1.
Soit α = mul(λ) et p = dim Eλ (f ), montrons que p ≤ α. Soit B = B1 B2 une base adaptée

12
à Eλ (f ). Comme Eλ (f ) est stable par f et feEλ (f ) = λidEλ (f ) alors la matrice de f dans B est
triangulaire par blocs de la forme
 
λidp B
M = M atB (f ) = .
0 C

(x − λ)Ip −B
On a Pf (x) = det(xIn −M ) = . Donc Pf (x) = (x−λ)p det(xIn−p −C).
0 xIn−p − C
Puisque mul(λ) = α alors p ≤ α.

ig
Définition 1.4.9 P ∈ K[X] est dit scindé s’il existe c ∈ K∗ , λ1 , · · · , λp ∈ K, α1 , · · · , αp ∈ N∗
Yn
tels que P (X) = c (X − λi )αi .
i=1


Pf est scindé dans K[X]

z
Proposition 1.4.10 On a f est diagonalisable ⇐⇒
∀λ ∈ Sp(f ), dim Eλ (f ) = mul(λ).
Autrement dit, soient λ1 , · · · , λp les valeurs propres deux à deux distinctes de f et ki = dim Eλi (f )
alors : p
Re
Y
f est diagonalisable ⇐⇒ Pf (X) = (X − λi )ki .
i=1

Preuve 1.4.11 CN : On a f diagonalisable ⇐⇒ E = Eλ1 (f )⊕· · ·⊕Eλp (f ). Soit B = B1 ∪· · ·∪Bp

une base adaptée à cette décomposition, alors on a
 
λ1 Ik1 0
M = M atB (f ) = 
 .. .

.
0 λp Ikp
p
Z.

Y
Donc Pf (x) = det(x idE − f ) = (x − λi )ki . D’où Pf est scindé et dim Eλi (f ) = mul(λi ).
i=1
p p
Y X
ki
CS : Par hypothèse, on a Pf (x) = (x − λi ) , comme deg Pf = dim E, on obtient que ki =
i=1 i=1
p
X
n. Donc dim E = dim Eλi (f ). Puisque les valeurs propres λi sont deux à deux distinctes alors
i=1
d’après le corollaire 1.4.5, E = Eλ1 (f ) ⊕ · · · ⊕ Eλp (f ).

Corollaire 1.4.12 Si f admet n valeurs propres distinctes alors f est diagonalisable.

Preuve 1.4.13 Si f admet n valeurs propres distinctes et n = dim E alors toutes les valeurs
propres sont simples ( de multiplicité 1). On a donc n sous-espace propres de dimension 1 chacun,
d’après la proposition 1.4.10, f est diagonalisable.

13
Application 1.4.14 Calcul de puissance
Si A est diagonalisable alors il existe P ∈ GLn (K) tel que P −1 AP = D = diag(λ1 , · · · , λn )
matrice diagonale. Donc ∀k ∈ N, Ak = P Dk P −1 où Dk = diag(λk1 , · · · , λkn ).
Si de plus A est inversible alors ∀k ∈ Z− , Ak = (A−1 )−k = P D−k P −1 où D−k = diag(λ−k −k
1 , · · · , λn ).

1.5 Trigonalisation

ig
Définition 1.5.1 On dit qu’un endomorphisme f est trigonalisable s’il existe une base de E dans
laquelle la matrice de f est triangulaire (supérieure ou inférieure).

Remarque 1.5.2 Soit B = {e1 , · · · , en } une base de E dans laquelle la matrice de f est triangu-
t11 · · · t1n
laire supérieure T =  .. . Posons B 0 = {en , · · · , e1 } base de E, alors M atB 0 (f ) =

tnn · · ·
...
0


0

z .
tnn

Re
 = tT . Donc s’il existe une base dans laquelle la matrice de f est triangulaire
 

t1n · · · t11
supérieure alors il existera une base dans laquelle elle est triangulaire inférieure.

Dans la suite du cours, on va considérer des matrices triangulaires supérieures.

Proposition 1.5.3 f est trigonalisable ⇐⇒ Pf est scindé dans K[X].

 1.5.4 CN :Sif est trigonalisable alors il existe une base B de E telle que M atB (f ) =
Preuve
Z.

t11 · · · t1n n n
...
Y Y
T = . Donc P (x) = det(xI − T ) = (x − t ). D’où P (X) = (X − tii )
 
 f n ii f
0 tnn i=1 i=1

est scindé.
CS : Montrons la condition suffisante par récurrence sur n.
Supposons que n = 1 et Pf est scindé alors Pf (X) = (X − λ) et Sp(f ) = {λ}. Soit e1 un vecteur
propre de f associé à la valeur propre λ, alors M at{e1 } (f ) = (λ) qui est une matrice triangulaire
(matrice scalaire).
On considère l’hypothèse de récurrence suivante : ”si un endomorphisme g d’un K-ev de dimen-
sion n est tel que Pg est scindé alors g est trigonalisable”.
Soit f un endomorphisme de E avec dim E = n + 1 et Pf est scindé. Montrons que f est trigona-
lisable. p p
Y X
On a Pf (X) = (X − λi )αi et αi = n + 1. Il existe e1 6= 0 tel que f (e1 ) = λ1 e1 . On complète
i=1 i=1

14
{e1 } en une base B = {e1 , · · · , en+1 } de E. Soit
 
λ1 m12 · · · m1n
 ..
M = M atB (f ) ==  .

A 
0

où A ∈ Mn (K). Soit g l’endomorphisme de l’ev V ect{e2 , · · · , en+1 } tel que A = M at{e2 ,··· ,en+1 } (g)
(en fait, g est la composée de f avec la projection sur V ect{e2 , · · · , en+1 } selon V ect{e1 }).On a
donc Pf (X) = (X − λ1 )PA (X). Comme Pf est scindé alors PA = Pg l’est aussi. D’après l’hy-

ig
−1
pothèse de récurrence,
 g esttrigonalisable, donc il existe Q ∈GLn (K) tel que  Q AQ = T1 .
1 0 ··· 0 1 0 ··· 0
0  0 
−1
Posons P =  .. alors P est inversible et P = . On a
   
  .. −1
. Q   . Q 
0 0

z 0

λ1 × · · ·

P −1 M P =  ..

×


=T

Re
. T1 
0

triangulaire. D’où f est trigonalisable.

Corollaire 1.5.5 On suppose que f est trigonalisable ( ou encore que P f est scindé) et Sp(f ) =
{λ1 , · · · , λn } où les valeurs propres sont comptées autant de fois que leur multiplicité. Alors
n
X
tr(f ) = λi
1
Z.

et n
Y
det f = λi .
1

Preuve 1.5.6 D’après la proposition précédente, on a T et M sont semblables, donc elles ont
p
Y
même polynôme caractéristique PT = PM = Pf . Or Pf = (X − λi )αi donc les termes dia-
i=1
gonaux de T sont les valeurs propres de f comptées autant de fois que leur multiplicité. Pour la
même raison de similitude, M et T ont même trace et déterminant, d’où le résultat.

15
Faculté des Sciences de Tunis Septembre 2020
Département de Mathématiques MI B
Cycle préparatoire

Série 1
Réduction des endomorphismes et des matrices carrées

ig
Exercise 2 Soit E un K-espace vectoriel de dimension finie et u ∈ L(E) un projecteur de E.
Montrer que p ◦ u = u ◦ p si et seulement si ker p et Im p sont stables par u.

Exercise 3 Soit E un R-espace vectoriel de dimension finie et u ∈ L(E) vérifiant u3 + u = 0.

z
1. Montrer que Im u est stable par u.
2. Montrer que pour tout x ∈ Im u, u2 (x) = −x.
Re
3. Soit u
e l’endomorphisme induit par u sur Im u.
(a) Montrer que ue est un automorphisme de Imu.
(b) En déduire que rg u est pair.

Exercise 4 Soit n ∈ N, n ≥ 2 et Wn = (wij )1≤i,j≤n ∈ Mn (R) la matrice définie par


 1 si 1 ≤ i < n et j = i + 1
wij = 1 si i = n et j ∈ {1, 2}
0 sinon.


Montrer que χWn = X n − X − 1.

Z.

Exercise 5 Soit n ∈ N∗ et u l’endomorphisme de Rn [X] défini par

u(P ) = XP ” + (X − 4)P 0 − 3P.

1. Calculer u(X k ) pour tout k ∈ {0, · · · , n}.

2. On désigne par B la base canonique de Rn [X]. Déterminer la matrice A = M (u, B).
3. Déterminer le polynôme caractéristique χu et en déduire le spectre de u.

Exercise 6 Montrer que la matrice A est diagonalisable et effectuer sa diagonalisation dans les
cas suivants: 
0 2 −1
1. A =  3 −2 0 ,
−2 2 1

16
  
−1 1 1
2. A =  1 −1 1 ,
1 1 −1
 
0 0 0 1
0 0 −1 0
3. A = 
0
.
1 0 0
−1 0 0 0

ig
 
0 −2 0
Exercise 7 Soit A = 1 0 −1.
0 2 0
1. Montrer que A n’est pas diagonalisable dans R.
2. a) Montrer que A est diagonalisable dans C.
b) Diagonaliser A dans C.

z 1
Exercise 8 Soit m un paramètre réel, et Am =  −1

0
2
1


1 .
Re
2−m m−2 m
1. Dt́erminer les valeurs propres de Am .
2. Pour quelles valeurs de m la matrice Am est-elle diagonalisable ?
3. Calculer Ak2 pour k ∈ N.

Exercise 9 Soit
f : Mn (C) → Mn (C)
M 7→ tr(M )In − M.
Z.

Déterminer le spectre de u. L’application u est -elle diagonalisable ?

Exercise 10 Soit
f : Mn (R) → Mn (R)
M 7→ tM .
1. Montrer que Sp(f ) = {±1}.
n(n−1) n(n+1)
2. Montrer que dim E−1 = 2
et dim E1 = 2
3. En déduire que f est diagonalisable.
 
0 1 0 0
0 0 1 0
Exercise 11 Matrices circulantes Soit A = 
0
.
0 0 1
1 0 0 0

17
1. Calculer A2 et A3 .
2. Montrer que A est diagonalisable dans M4 (C) et diagonaliser A.
 
a b c d
d a b c 
3. Soient a, b, c, d ∈ C et M = 
 c d a b .


b c d a
montrer que M est diagonalisable puis diagonaliser M .

z ig
Re
Z.

18