Lycée Lavoisier Année 2024-2025

PC

Chapitre v: Réduction

Dans tout ce chapitre K = R ou C.

I Eléments propres
I.1 Généralités
On fixe dans toute la suite un K-espace vectoriel E.

Définition.

Soit f ∈ L (E).
(i) Soit x ∈ E. On dit que x est un vecteur propre de f si et seulement x 6= 0E et qu’il
existe λ ∈ K tel que f (x) = λx.
(ii) Soit λ ∈ K. On dit que λ est une valeur propre de f lorsqu’il existe x ∈ E\{0E } tel
que f (x) = λx.
On dit alors que x est un vecteur propre de f associé à la valeur propre λ.

Remarque I.1. 1. Les vecteurs propres et valeurs propres de f sont appelés les éléments propres de
f.
2. L’équation f (x) = λx s’appelle équation aux éléments propres.

Exemple I.1. Soit E un K-espace vectoriel.

1. L’homothétie uλ de E de rapport λ ∈ K∗ admet λ comme unique valeur propre et tous les
vecteurs de E sont valeurs propres puisque, pour tout x ∈ E, uλ (x) = λx.
2. Soit p ∈ L (E) un projecteur non trivial (i.e. p 6= 0 et p 6= idE ). Alors p admet exactement deux
valeurs propres : 0 et 1. Les vecteurs propres associés à la valeur propre 0 sont les éléments de
Ker p et les vecteurs propres associés à la valeur propre 1 sont les éléments de Im p.
3. Soit s ∈ L (E) une symétrie rapport à F et de direction G (où, donc, E = F ⊕ G). Si s 6= idE
et s 6= −idE , s a exactement deux valeurs propres : 1 et -1. Les vecteurs propres associés à la
valeur propre 1 sont les éléments de F et les vecteurs propres associés à la valeur propre −1 sont
les éléments de G.
Exemple I.2. 1. Soit D : C ∞ (R, R) → C ∞ (R, R), f 7→ f 0 . Déterminer les éléments propres
de D. (Tous les réels λ sont valeurs propres avec comme vecteurs propres associés les fonctions
t 7→ Aeλt où A ∈ R.)
2. Soit D1 : R[X] → R[X], P 7→ P 0 . Déterminer les éléments propres de D1 .
3. Soit ϕ : R[X] → R[X], P 7→ XP 0 . Déterminer les éléments propres de ϕ. (Tous les entiers
naturels sont valeurs propres.)
4. Soit ψ : RN → RN , (un )n>0 7→ (vn )n>0 = (un+1 )n>0 . Déterminer les éléments propres de ψ.

Proposition 1.

Soient f ∈ L (E) et x ∈ E\{0E }.

Alors x est un vecteur propre de f si et seulement si Vect(x) est stable par f .

1
Démonstration. On suppose que x est un vecteur propre de f . Alors f (x) = λx. Ainsi, pour
y ∈ Vect(x), en écrivant y = αx on obtient f (y) = αf (x) = αλx ∈ Vect(x). Donc Vect(x) est stable
par f .
Réciproquement si Vect(x) est stable par f , alors f (x) ∈ Vect(x) donc il existe λ tel que
f (x) = λx.

Proposition 2.

Soit f ∈ L (E) et λ ∈ K. Les conditions suivantes sont équivalentes :

(i) λ est valeur propre de f ;
(ii) Ker(f − λidE ) 6= {0E } ;
(iii) f − λidE est non injective.

Démonstration. Dire que λ est valeur propre de f signifie exactement qu’il existe un vecteur x non
nul tel que (f − λidE )(x) = 0E .

Définition.

Soit f ∈ L (E). Soit λ ∈ K.

On appelle sous-espace propre de f associé à λ l’ensemble Eλ (f ) = {x ∈ E|f (x) = λx} =
Ker(f − λidE ).

Remarque I.2. L’espace propre associé à λ est non réduit à 0 si et seulement si λ est valeur propre
de f . Ainsi cet espace est intéressant à étudier quand λ est valeur propre. Il s’avère néanmoins
pratique de pouvoir utiliser la notation Eλ (f ) y compris quand λ n’est pas valeur propre de f .
Quand λ est valeur propre de f , les vecteurs propres associés sont exactement les éléments non
nuls du sous-espace propre associé.

Exemple I.3. Reprendre les exemples I.1 et I.2 et préciser les différents sous-espaces propres.

Définition.

On suppose que E est un K-espace vectoriel de dimension finie.

Soit f ∈ L (E). On appelle spectre de f l’ensemble des valeurs propres de f . On le note
Sp(f ).

Proposition 3.

Soient E un K-espace vectoriel de dimension finie et f ∈ L (E). Alors :

(i) Si g = af + bidE avec a, b ∈ K et a 6= 0, alors :

λ ∈ Sp(f ) ⇐⇒ aλ + b ∈ Sp(g) et Eλ (f ) = Eaλ+b (g)

(ii) Si g = P (f ) avec P ∈ K[X], alors :

λ ∈ Sp(f ) =⇒ P (λ) ∈ Sp(g) et Eλ (f ) ⊂ EP (λ) (g)

En particulier, pour tout k ∈ N :

λ ∈ Sp(f ) =⇒ λk ∈ Sp(f k ) et Eλ (f ) ⊂ Eλk (f k )

2
Démonstration. (i) On raisonne directement par équivalence :

λ ∈ Sp(f ) ⇐⇒ ∃x ∈ E\{0E } f (x) = λx

⇐⇒ ∃x ∈ E\{0E } (af + bidE )(x) = (aλ + b)x car a 6= 0
⇐⇒ ∃x ∈ E\{0E } g(x) = (aλ + b)x
⇐⇒ aλ + b ∈ Sp(g)

Au cours de ce calcul, on a également prouvé que, pour tout x ∈ E, f (x) = λx si et seulement

si g(x) = (aλ + b)x. Cela signifie exactement que Eλ (f ) = Eaλ+b (g).
(ii) Soit λ ∈ Sp(f ) et x ∈ E\{0E } un vecteur propre associé. Alors, pour tout k ∈ N, f k (x) = λk x
par une récurrence immédiate.
Pn
Si maintenant P = k=0 ak X k ∈ K[X], par linéarité :
n n n
!
X X X
k k k
P (f )(x) = ak f (x) = ak λ x = ak λ x = P (λ)x
k=0 k=0 k=0

Cela prouve que P (λ) ∈ Sp(P (f )), car x 6= 0E , et que x ∈ EP (λ) (P (f )). On a donc bien
Eλ (f ) ⊂ EP (λ) (P (f )) (le vecteur nul est bien contenu dans ces deux sous-espaces vectoriels.

Remarque I.3. De manière plus explicite le point (ii) dans la proposition ci-dessus signifie que
si x est un vecteur propre de f associé à la valeur propre λ et P un polynôme de K[X], alors
P (f )(x) = P (λ)x, c’est-à-dire que x est un vecteur propre de P (f ) associé à la valeur propre P (λ).

Proposition 4.

Soit f ∈ L (E).
Alors f est injectif si et seulement si 0 n’est pas valeur propre de f .
Si E est de dimension finie, f est bijectif si et seulement si 0 n’est pas valeur propre de f .

Démonstration. Il suffit de remarquer que E0 (f ) = Ker f .

Proposition 5.

Soient E un K-espace vectoriel de dimension finie et f ∈ L (E).

On suppose que f est bijective. Alors :
1
λ ∈ Sp(f ) ⇐⇒ ∈ Sp(f −1 ) et Eλ (f ) = E λ1 (f −1 )
λ

Démonstration. D’après la proposition 4 précédente, par bijectivité de f , si λ ∈ Sp(f ), nécessaire-

ment λ 6= 0 et la proposition a donc bien du sens.
Comme f et f −1 jouent des rôles symétriques, il suffit de prouver que si λ ∈ Sp(f ), alors
−1
1
λ ∈ Sp(f ) et que Eλ (f ) ⊂ E λ1 (f −1 ).
Soit λ ∈ Sp(f ) et x un vecteur propre associé. Alors f (x) = λx d’où x = f −1 (λx) = λf −1 (x)
par linéarité, puis f −1 (x) = λ1 x car λ 6= 0. Cela prouve également que tout vecteur non nul de
Eλ (f ) est également dans E λ1 (f −1 ). Comme ces deus sous-espaces vectoriels contiennent le vecteur
nul, on en déduit que Eλ (f ) ⊂ E λ1 (f −1 ).

Proposition 6.

Si P est un polynôme annulateur de f , toute valeur propre de f est racine de P .

3
Démonstration. Soit λ ∈ Sp(f ) et x un vecteur propre associé. Par la proposition 3 et la remarque
I.3 qui la suit : P (f )(x) = P (λ)x. Or P (f ) = 0 d’où en particulier : P (λ)x = P (f )(x) = 0E . Comme
x 6= 0E – c’est un vecteur propre – nécessairement P (λ) = 0.

Remarque I.4. Ce n’est qu’une inclusion et il n’y a pas de réciproque. Par exemple, le polynôme
P = X 2 − 3X + 2 = (X − 1)(X − 2) vérifie P (idE ) = 0 mais idE n’a qu’une seule valeur propre, à
savoir 1, et 2 n’est pas valeur propre.
Le polynôme annulateur considéré peut en fait avoir « trop » de racines. Ainsi, si P est un
polynôme annulateur de f et α un scalaire qui n’est pas valeur propre de f , alors Q = (X − α)P
est encore un polynôme annulateur de f .
En conclusion, si P est un polynôme annulateur de f , on sait que les valeurs propres de f sont
à chercher parmi les racines de P et rien de plus. Pour cette raison, il est intéressant de chercher à
avoir un polynôme annulateur du degré le plus petit possible.
Exemple I.4. 1. Pour un projecteur p ∈ L (E), p2 − p = 0 et l’on retrouve Sp(p) ⊂ {1, 0}. Il faut
encore justifier qu’il y a égalité.
2. Pour une symétrie s ∈ L (E), s2 − idE = 0 d’où Sp(s) ⊂ {−1, 1}. Là encore, il faut justifier
l’égalité pour finir de déterminer le spectre
3. Soit u ∈ L (E) nilpotent. Alors, il existe p ∈ N tel que up = 0, d’où Sp(u) ⊂ {0} puis Sp(u) = {0}
car u n’est pas inversible.
 
1 0 0
Exemple I.5. Soit u ∈ L (R3 ) canoniquement associé à 0 0 −1.
0 1 0
Calculer u2 . Que peut-on dire sur les spectres réel et complexe de u ? Déterminer entièrement
les sous-espaces propres.

Proposition 7.

Soit f ∈ L (E).
Soit λ ∈ K une valeur propre de f .
Alors Eλ (f ) est stable par f .
De plus, l’endomorphisme induit par f sur Eλ (f ) est l’homothétie de rapport λ.

Démonstration. Soit x ∈ Eλ (f ). Alors f (x) = λx ∈ Eλ (f ) car Eλ (f ) est un sous-espace vectoriel

de E. Cela prouve que Eλ (f ) est stable par f .
Alors, pour tout x ∈ Eλ (f ), f (x) = λx, ce qui signifie exactement que f|Eλ (f ) = λidEλ (f ) :
l’endomorphisme induit sur Eλ (f ) est bien l’homothétie de rapport λ.

Proposition 8.

Soient u, v ∈ L (E) tels que u ◦ v = v ◦ u et λ ∈ K.

Alors Eλ (u) est stable par v.

Démonstration. Soit x ∈ Eλ (u). Alors u(v(x)) = v(u(x)) = v(λx) = λv(x) donc v(x) ∈ Eλ (u).

Proposition 9.

Une famille finie de sous-espaces propres associés à des valeurs propres distinctes est
toujours en somme directe.

Démonstration. Soit f ∈ L (E) où E est un K-espace vectoriel fixé.

On procède par récurrence sur le nombre de sous-espaces propres de f .
Le résultat est trivial pour m = 1.

4
 Soit donc m > 1 fixé. On suppose que le résultat est vrai au rang m. Soient alors E1 , . . . , Em+1
m + 1 sous-espaces propres associés à des valeurs propres distinctes λ1 , . . . , λm+1 pour un .
Soit, pour tout i ∈ J1, m + 1K, xi ∈ Ei . On suppose que :

x1 + . . . + xm + xm+1 = 0E (L1 )

On veut montrer que x1 = . . . = xm = xm+1 = 0E . Or, en appliquant f , par linéarité et comme

xi ∈ Ei pour tout i, on obtient :

λ1 x1 + . . . + λm xm + λm+1 xm+1 = 0E (L2 )

En calculant alors L2 −λm+1 L1 , on obtient :

(λ1 − λm+1 )x1 + . . . + (λm − λm+1 )xm = 0E (L3 )

Par hypothèse de récurrence, E1 , . . . , Em sont en somme directe et donc :

(λ1 − λm+1 )x1 = . . . = (λm − λm+1 )xm = 0E

Comme pour tout i ∈ J1, mK λi 6= λm+1 on obtient finalment :

x1 = · · · = xm = 0E

En réinjectant dans (L1 ) on obtient xm+1 = 0 et le résultat est donc prouvé au rang m + 1.

Corollaire 10.

1. Une famille de vecteurs propres associés à des valeurs propres deux à deux distinctes
est libre.
2. Si E est un espace de dimension finie égale à n, un endomorphisme de E a au plus n
valeurs propres distinctes.

Démonstration. 1. Soient x1 , . . . , xm des vecteurs propres associés respectivement aux valeurs

propres deux à deux distinctes λ1 , . . . , λm et a1 , . . . , am des scalaires tels que :

a1 x1 + . . . am xm = 0E

Comme les sous-espaces propres associés sont en somme direct, et que pour tout i ai xi ∈ Ei , on
peut affirmer que ;
a1 x1 = · · · = am xm = 0E
Or, pour tout i, xi 6= 0E car ce sont des vecteurs propres. Donc nécessairement a1 = . . . = am = 0
et la famille (x1 , . . . , xm ) est libre.
2. Soient λ1 , . . . , λm les valeurs propres distinctes de E et E1 , . . . , Em les sous-espaces propres
associés. Alors E1 , . . . , Em sont en somme directe et :
m m
!
X M
dim Ei = dim Ei 6 n = dim E
i=1 i=1

Par ailleurs, pour tout i, dim Ei > 1 car Ei 6= {0E } par définition. Ainsi :
m
X m
X
m= 16 dim(Ei ) 6 n
i=1 i=1

5
I.2 Cas des matrices carrées
Les définitions et résultats précédents ont des analogues matricielles, présentés rapidement ici.

Définition.

Soient n ∈ N∗ et A ∈ Mn (K).
(i) Soit X ∈ Mn,1 (K). On dit que X est un vecteur propre de A si et seulement X 6= 0
et qu’il existe λ ∈ K tel que AX = λX.
(ii) Soit λ ∈ K. On dit que λ est une valeur propre de A lorsqu’il existe X ∈
Mn,1 (K)\{0} tel que AX = λX.
On dit alors que X est un vecteur propre de A associé à la valeur propre λ.

Définition.

Soient n ∈ N∗ et A ∈ Mn (K).
Soit λ ∈ K.
On appelle sous-espace propre de A associé à λ l’ensemble Eλ (A) = {X ∈ Mn,1 (K)|AX =
λX} = Ker(A − λIn ).

Définition.

Soient n ∈ N∗ et A ∈ Mn (K).
On appelle spectre de A l’ensemble des valeurs propres de A. On le note Sp(A).

Le résultat suivant permet de traduire les résultats du paragraphe précédent en termes matriciels.

Proposition 11.

Soient E un K-espace vectoriel de dimension finie égale à n ∈ N∗ et f ∈ L (E).

Soit B = (e1 , . . . , en ) une base de E et A = MatB (f ) ∈ Mn (K). Alors :
(i) Sp(f ) = Sp(A) ;
(ii) Pour λ ∈ K et x ∈ E : x ∈ Eλ (f ) ⇐⇒ X = MatB (x) ∈ Eλ (A).

Démonstration. C’est immédiat à partir de l’écriture matricielle des applications linéaires en

dimension finie.
On laisse au lecteur le soin de traduire les résultats du paragraphe précédent en termes matriciels.

I.3 Cas de la dimension finie – polynôme caractéristique

On suppose dans toute la suite de ce paragraphe que E est un K-espace vectoriel de dimension
finie égale à n ∈ N∗ .

Définition.

1. Soit A ∈ Mn (K). On appelle polynôme caractéristique de A la fonction polynomiale

χA : x 7→ det(xIn − A).
2. Soit f ∈ L (E). On appelle polynôme caractéristique de f la fonction polynomiale
χf : x 7→ det(xidE − f ).

6
Remarque I.5. Par définition du déterminant d’un endomorphisme d’un espace vectoriel de dimension
finie, le polynôme caractéristique de f est le polynôme caractéristique de la matrice de f dans
n’importe quelle base de E.
Exemple I.6. 1. Si f ∈ L (E) est une homothétie de rapport λ ∈ K, alors χf = (X − λ)n .
2. Si p ∈ L (E) est un projecteur, alors χp = X a (X − 1)b où a = dim Ker p et b = dim Im p.
3. Si s ∈ L (E) est une symétrie, alors χs = (X + 1)a (X − 1)b où a = dim Ker(s + idE ) et
b = dim Ker(s − idE ).
Exemple I.7. 1. Soit f : R3 → R3 , (x, y, z) 7→ (x + 2y + 5z, −3y, 3x − y + 3z). Alors χf =
(X + 3)(X + 2)(X − 6).
2. Soit g : R3 → R3 , (x, y, z) 7→ (y, z, x). Alors χg = X 3 − 1.
Remarque I.6. Calculer un polynôme caractéristique revient à calculer un déterminant. La méthode
la plus efficace reste donc ici de procéder par opérations élémentaires sur les lignes ou colonnes,
d’autant plus qu’afin de trouver facilement les valeurs propres, on cherche à obtenir des formes
factorisées.
Proposition 12.

Soit A ∈ Mn (K) où n ∈ N∗ .
(i) La fonction χA est une fonction polynomiale à coefficients dans K, unitaire et de
degré n.
De manière plus précise :

χA = X n − Tr(A)X n−1 + . . . + (−1)n det(A)

(ii) Pour λ ∈ K :
λ ∈ Sp(A) ⇐⇒ χA (λ) = 0
Autrement dit : les valeurs propres de A sont exactement les racines de χA . En
particulier, A a au plus n valeurs propres distinctes.

Soit A = (aij )16i,j6n ∈ Mn (K). On écrit la matrice A par colonnes

Démonstration.
: A =
C1 . . . Cn . De même, on écrit la matrice In par colonnes : In = D1 . . . Dn . Alors, pour
x∈K:
χA (x) = xD1 − C1 . . . xDn − Cn
En utilisant la linéarité du déterminant par rapport aux colonnes, on peut maintenant exprimer ce
déterminant comme la somme de 2n déterminants – il y a deux choix pour chaque colonne et pour
la k ème colonne on peut choisir de garder xDk ou bien −Ck .
Lorsqu’on garde exactement p colonnes de la matrice xIn (et donc n − p colonnes de la matrice
A), on peut mettre xp en facteur dans le déterminant ainsi obtenu et le déterminant restant ne
dépend pas de x : le terme ainsi obtenu est de la forme xp det(M ) où M est une matrice formée de
p colonnes de In et de n − p colonnes de A, en particulier det M ∈ K. Cela prouve déjà que χA (x)
est une combinaison linéaire de tels termes et c’est donc en particulier une fonction polynomiale
en x à coefficients dans K. De plus, comme nécessairement p 6 n, on peut également affirmer que
deg χA 6 n.
Le terme de degré n, en xn , s’obtient en gardant toutes les colonnes de la matrice In , et ce
terme est donc :
xD1 . . . xD2 = xn det(In ) = xn
Cela prouve que χA est un polynôme unitaire de degré exactement n.
Pour pouvoir mettre xn−1 en facteur dans un des 2n termes obtenus, il faut garder exactement
n − 1 colonnes de In et donc le terme monomial de degré n − 1, noté Pn−1 de χA est exactement :

Pn−1 (x) = −C1 xD2 ... xDn + xD1 −C2 ... xDn + . . . + xD1 xD2 ... −Cn
n−1


= x −C1 D2 ... Dn + D1 −C2 ... D n + . . . + D1 D2 ... −Cn
n−1 ème ème
= x (−a11 − a22 − . . . − ann ) en développant le i terme suivant la i ligne
n−1 ème ème
= −Tr(A)x en dévoppant le i terme suivant la i ligne

7
 Enfin le terme constant s’obtient en gardant les n colonnes de A et il est donc égal à :

−C1 −C2 ... −Cn = (−1)n det(A)

On a donc bien montré que :

χA = X n − Tr(A)X n−1 + . . . + (−1)n det(A)

Le second point se démontre aisément en raisonnant directement par équivalence. Pour λ ∈ K :

λ ∈ Sp(A) ⇐⇒ Ker(λIn − A) 6= {0}

⇐⇒ λIn − A 6∈ GLn (K)
⇐⇒ det(λIn − A) = 0
⇐⇒ χA (λ) = 0

Enfin, comme deg χA = n, A a donc au plus n valeurs propres distinctes.

Corollaire 13.

Soit f ∈ L (E). Alors χf est un polynôme unitaire de degré n à coefficients dans K et

ses racines sont exactement les valeurs propres de f .
De plus :
χf = X n − Tr(f )X n−1 + . . . + (−1)n det(f )

Remarque I.7. 1. Une matrice carrée de taille n ∈ N∗ admet toujours au moins une valeur propre
complexe.
2. Si A ∈ M2n+1 (R), où n ∈ N, alors A admet au moins une valeur propre réelle.
3. Si A ∈ M2 (K), alors χA = X 2 − Tr(A)X + det(A).
Exemple I.8. Déterminer les sous-espaces propres des endomorphismes de l’exemple I.7.

Exemple I.9. Soit A une matrice triangulaire. Alors le spectre de A est l’ensemble de ses coefficients
diagonaux.
C’est vrai en particulier pour une matrice diagonale.

Proposition 14.

Deux matrices semblables ont le même polynôme caractéristique.

Démonstration. Soient A et B dans Mn (K) telles que B = P −1 AP où P ∈ GLn (K). Alors,

pour x ∈ K, xIn − B = P −1 (xIn − A)P d’où χB = χA car deux matrices semblables ont même
déterminant.
Remarque I.8. La réciproque est fausse : deux 
matrices
 peuvent avoir le même polynôme caractéris-
1 1
tique sans être semblables. Par exemple I2 et ont le même polynôme caractéristique mais
0 1
ne sont pas semblables, puisque la seule matrice semblable à I2 est elle-même.

Proposition 15.

Soit A ∈ Mn (K) où n ∈ N∗ .
Alors A et AT ont le même polynôme caractéristique.

Démonstration. Cela découle de l’invariance du déterminant par transposition.

8
 Proposition 16.
 
A B
Soit M ∈ Mn (K) qui s’écrit par blocs : M = avec A ∈ Mr (K), B ∈ Mr,n−r (K)
0 D
et D ∈ Mn−r (K), où 0 < r < n.
Alors :
χM = χA · χD

Démonstration. C’est une conséquence des formules de calcul de déterminant par blocs.
Remarque I.9. Le résultat ci-dessus permet en particulier de prouver que, si u ∈ L (E) admet
un sous-espace stable non trivial F , alors, en notant uF l’endomorphisme induit par u sur F , le
polynôme caractéristique χuF divise χu . Il suffit pour le prouver d’écrire la matrice de u dans une
base de E adaptée à F et de calculer alors le polynôme caractéristique de cette matrice en utilisant
la proposition ci-dessus.

Définition.

1. Soit f ∈ L (E).
L’ordre de multiplicité d’une valeur propre de f est son ordre de multiplicité en tant
que racine de χf .
2. Soit A ∈ Mn (K).
L’ordre de multiplicité d’une valeur propre de A est son ordre de multiplicité en tant
que racine de χA .

Exemple I.10. Soit A une matrice triangulaire. On a déjà remarqué que le spectre de A est
l’ensemble de ses coefficients diagonaux. Plus précisément, l’ordre de multiplicité d’une valeur
propre est exactement le nombre de fois où elle apparaît sur la diagonale.
Remarque I.10. 1. Une matrice A ∈ Mn (C) a toujours exactement n valeurs propres comptées
avec multiplicité car C est algébriquement clos.
2. Si A ∈ Mn (R), χA est un polynôme à coefficients réels et, vu comme polynôme à coefficients
complexes, A possède et des valeurs propres réelles et des valeurs propres complexes. Du fait de
la décomposition des polynômes de R[X] dans C[X], les valeurs propres complexes de A sont
deux à deux conjuguées et deux valeurs propres non réelles conjuguées ont le même ordre de
multiplicité.

Proposition 17.

Soient f ∈ L (E) et λ ∈ Sp(f ). On note mλ l’ordre de multiplicité de λ et Eλ =

Ker(f − λidE ) le sous-espace propre associé. Alors :

1 6 dim(Eλ ) 6 mλ

Remarque I.11. On laisse au lecteur le soin d’écrire l’énoncé analogue pour une matrice.
Démonstration. Soit d = dim Eλ . On considère une base Bλ de E adaptée à Eλ . Alors, dans cette
base, comme Eλ est un sous-espace stable par f , la matrice de f est triangulaire par blocs, de la
forme :  
λId B
MatBλ (f ) =
0 C
On en déduit que χf = χλId χC = (X − λ)d χC . Ainsi (X − λ)d divise χf et donc l’ordre de
multiplicité de λ comme racine de χf est au moins égal à d, autrement dit d 6 mλ .

9
 Corollaire 18.

Si mλ = 1, nécessairement dim Eλ = 1.

Remarque I.12. Si mλ > 1, on peut très bien avoir dim Eλ < mλ .

Exemple I.11. Soit f : R3 → R3 , (x, y, z) 7→ (−x + y − z, −4x + 3y − 2z, 4x − y + 4z). Déterminer
χf et les dimensions des différents sous-espaces propres de f .

Proposition 19.

p
1. Soit f ∈ L (E). On suppose que χf est scindé et l’on écrit χf = (X − λi )mi où
Q
k=1
λ1 , . . . , λp sont les valeurs propres de f d’ordre de multiplicité respectif m1 , . . . , mp .
Alors :
p
Y X p
mk
det(f ) = λk et Tr(f ) = mk λk
k=1 k=1

2. Soit A ∈ Mn (K) avec K = R ou C. Alors le déterminant de A est égal au produit de

ses valeurs propres complexes comptées avec multiplicité, et la trace de A est égale à
la somme de ses valeurs propres complexes comptées avec multiplicité.

Démonstration. Cela découle des relations coefficients-racines pour un polynôme scindé, de la

proposition 12 et du corollaire 13.

Théorème 20 (Cayley-Hamilton).

1. Soit A ∈ Mn (K). Alors χA est un polynôme annulateur de A : χA (A) = 0.

2. Soit E un K-espace vectoriel de dimension finie et f ∈ L (E). Alors χf est un polynôme
annulateur de f : χf (f ) = 0.

Démonstration. (Démonstration non exigible.) On montre l’énoncé en termes d’endomorphisme.

On va montrer que, pour tout x ∈ E, χf (f )(x) = 0E . Cela suffit à prouver que χf (f ) = 0. On note
n = dim E > 1.
Si x = 0E , le résultat est trivial. On peut donc supposer que x 6= 0E .
L’ensemble A = {r ∈ N| la famille (x, f (x), . . . , f r−1 (x)) est libre} est alors non vide car 1 ∈ A
puisque x 6= 0E . De plus, comme dim E = n, (x, f (x), . . . , f n (x)) est liée et donc, nécessairement,
si r ∈ A, r 6 n. Ainsi A est une partie de N non vide et majorée, elle admet donc un plus grand
élément. Soit donc p = max A = max{r ∈ N| la famille (x, f (x), . . . , f r−1 (x)) est libre}.
La famille (x, f (x), . . . , f p−1 (x)) est libre. On peut la compléter en une base B de E. De plus,
par définition de p, la famille (x, f (x), . . . , f p (x)) est liée et donc f p (x) ∈ Vect(x, f (x), . . . , f p−1 (x)).
Il existe donc des scalaires a0 , . . . , ap−1 tels que :

f p (x) = ap−1 f p−1 (x) + . . . + a1 f (x) + a0 x (Ex )

Si on note χx = X p − ap−1 X p−1 − . . . − a1 X − a0 ∈ K[X], on a donc χx (f )(x) = 0E .

Par ailleurs, l’équation (Ex ) prouve également que Vect(x, f (x), . . . , f p−1 (x)) est stable par f .
Alors MatB (f ) s’écrit par bloc sous la forme :
 
0 0 ... 0 a0
.
1 0 . . . ..
 
  a1 
A B
 
MatB (f ) = avec A = 0 1 . . . ... .. 

0 C  . 
. . . .. 
 .. .. .. 0 . 
0 . . . 0 1 ap−1

10
On en déduit, par la proposition 16, que χf = χA χC . Or, on peut calculer par récurrence sur p en
développant suivant la première ligne que χA = X p − ap−1 X p−1 − . . . − a1 X − a0 = χx .
Alors : χf (f )(x) = χC (f ) ◦ χx (f )(x) = 0E car χx (f )(x) = 0E comme déjà remarqué. On a ainsi
bien montré que χf (f )(x) = 0E .
Cela étant vrai pour tout x ∈ E, on en déduit que χf (f ) = 0.

II Endomorphismes et matrices diagonalisables

II.1 Généralités
Définition.

Soient E un K-espace vectoriel de dimension finie et f ∈ L (E).

On dit que f est diagonalisable s’il existe une base de E dans laquelle la matrice de f est
diagonale.

Exemple II.1. Les homothéties, les projections et les symétries dans un espace vectoriel de
dimension finie sont des endomorphismes diagonalisables.

Proposition 21.

Soient E un K-espace vectoriel de dimension finie et f ∈ L (E).

Alors f est diagonalisable si et seulement si il existe une base de E formée uniquement de
vecteurs propres de f .

Démonstration. Soit B = (e1 , . . . , en ) une base de E telle que MatB (f ) = Diag(λ1 , . . . , λn ). Alors,
pour tout i ∈ J1, nK, f (ei ) = λi ei et donc la base B est formée de vecteurs propres pour f (ei = 6 0E
pour tout i car B est une base).
Réciproquement si B = (e1 , . . . , en ) est une base de E formée de vecteurs propres pour f , alors, en
notant, pour tout i, λi la valeur propre associée à ei , on obtient que MatB (f ) = Diag(λ1 , . . . , λn ).

Définition.

Soit A ∈ Mn (K).
On dit que A est diagonalisable si A est semblable à une matrice diagonale, c’est-à-dire
s’il existe P ∈ GLn (K) et D ∈ Mn (K) une matrice diagonale telles que A = P −1 DP .

Remarque II.1. 1. Diagonaliser une matrice A, c’est déterminer des matrices P et D vérifiant les
propriétés de la définition ci-dessus. Ces matrices P et D ne sont pas uniques.
2. Si A est diagonalisable, les coefficients diagonaux de la matrice D dans la définition ci-dessus sont
nécessairement les valeurs propres de A comptées avec multiplicité. Par invariance du polynôme
caractéristique par similitude (proposition 14), on a en effet χA = χD .
3. La matrice A est diagonalisable si et seulement si l’endomorphisme canoniquement associé à A
est diagonalisable.
De même, si f ∈ L (E), avec E un K-espace vectoriel de dimension finie, f est diagonalisable si
et seulement si la matrice de f dans n’importe quelle base de E est diagonalisable.
Exemple II.2. 1. Une matrice diagonale est diagonalisable.
2. Soit A une matrice qui n’admet qu’une seule valeur propre λ.
Alors A est diagonalisable si et seulement si A = λIn .
En effet, si A est diagonalisable, comme λ est son unique valeur propre, nécessairement A est
semblable à λIn . Or la seule matrice semblable à λIn est λIn car, pour P ∈ GLn (K), alors
P −1 λIn P = λP −1 P = λIn . Ainsi A = λIn . La réciproque est immédiate : si A = λIn , A est
diagonalisable car diagonale.

11
 Par contraposée, on en déduit que si A 6= λIn , alors A n’est pas diagonalisable.
 
1 1 1
Par exemple, la matrice M = 0 1 1 n’est pas diagonalisable.
0 0 1

II.2 Critères de diagonalisation

Théorème 22 (Caractérisation de la diagonalisabilité par les espaces propres).

Soient E un K-espace vectoriel de dimension finie et f ∈ L (E).

Alors f est diagonalisable si et seulement
L si la somme de ses sous-espaces propres est
égale à E, i.e. si et seulement si E = Eλ (f ).
λ∈Sp(f )

Démonstration. Montrons l’implication réciproque. Soit B une base adaptée à la décomposition en

somme directe. Alors MatB (f ) est diagonale d’où le résultat.
Passons maintenant à l’implication dans le sens direct. Soit B = (e1 , . . . , enL) une base telle
que MatB (f ) est diagonale. Alors, pour tout i, ei est vecteur propre donc ei ∈ Eλ (f ), donc
λ∈Sp(f )
L L
{e1 , . . . , en } ⊂ Eλ (f ) puis Vect(e1 , . . . , en ) = E ⊂ Eλ (f ). L’inclusion réciproque est
λ∈Sp(f ) λ∈Sp(f )
évidente d’où l’égalité.

Corollaire 23 (Caractérisation par les dimensions des espaces propres).

PL (E).
Soient E un K-espace vectoriel de dimension finie et f ∈
Alors f est diagonalisable si et seulement si dim E = dim(Eλ )
λ∈Sp(f )

L
Démonstration. Les sous-espaces propres sont en somme directe donc E = Eλ (f ) si et
λ∈Sp(f )
P
seulement si dim E = dim Eλ (f ).
λ∈Sp(f )

Théorème 24 (Caractérisation de la diagonalisabilité par le polynôme caractéristique).

Soient E un K-espace vectoriel de dimension finie et f ∈ L (E).

Alors f est diagonalisable si et seulement si son polynôme caractéristique est scindé sur K
et si l’ordre de multiplicité de chaque valeur propre est égal à la dimension du sous-espace
propre associé.

Démonstration. On prouve l’implication dans le sens direct. On note λ1 , . . . , λp les valeurs propres
p
L
distinctes de f et, pour tout i, ri = dim Eλi (f ). Comme f est diagonalisable, E = Eλi (f ). En
i=1
choisissant une base B de E adaptée à cette décomposition, on obtient :
 
λ1 Ir1 0 ... 0
 .. .. 
 0 λ2 Ir2 . . 
MatB (f ) = 
 .

 .. .. .. 
. . 0 
0 ... 0 λp Irp
p
(X − λi )ri . Ainsi, χf est scindé et, pour tout i, la
Q
On en déduit que χf = det(xIn − f ) =
i=1
multiplicité de λi comme racine de χf est bien égale à ri = dim Eλi (f ).

12
 p
(x − λi )ri avec,
Q
Montrons l’implication réciproque. Par hypothèse, on peut écrire χf (x) =
i=1P
pour tout i ∈ J1, pK, ri = dim Eλi (f ). Par ailleurs, comme deg χf = n, on obtient ri = n. Ainsi,
Pp
dim Eλi (f ) = n = dim E. D’après le corollaire 23, f est diagonalisable.
i=1

Remarque II.2. Il suffit de vérifier dim Eλ = mλ pour les valeurs propres de multiplicité supérieure
ou égale à 2.
Exemple II.3. Soit m un réel strictement positif et f ∈ L (R3 ) dont la matrice M dans la base
canonique de R3 est :

0 1/m 1/m2
 

M =m 0 1/m 
m2 m 0
Montrer que f est diagonalisable et déterminer une base de diagonalisation.

Théorème 25 (Condition suffisante de diagonalisabilité).

Soient E un K-espace vectoriel de dimension finie et f ∈ L (E).

Si f admet n valeurs propres distinctes, alors f est diagonalisable.

Démonstration. On note λ1 , . . . , λn les valeurs propres de f . Alors χf est scindé à racines simples.
Ainsi, par le corollaire 18, nécessairement, pour tout i, dim Eλi (f ) = 1. Ainsi la dimension de
chaque sous-espace propre est égale à la multiplicité de la valeur propre correspondante. On en
déduit d’après le théorème 24 que f est diagonalisable.
Remarque II.3. Il ne s’agit que d’une conditions suffisante, il n’y a pas de réciproque comme le
prouve l’exemple des homothéties.

Corollaire 26.

Soient E un K-espace vectoriel de dimension finie et f ∈ L (E).

Si χf est scindé à racines simples, alors f est diagonalisable.

Démonstration. Si χf est scindé à racines simples, il admet n racines distinctes et donc il y a n

valeurs propres.
Remarque II.4. Tous les théorèmes énoncés dans cette partie s’appliquent également à la diagonali-
sation des matrices.
Exemple II.4. Soit l’application linéaire ϕ : Rn [X] → Rn [X], P 7→ (X 2 − 1)P 00 + (2X + 1)P 0 .
Calculer la matrice de ϕ dans la base canonique de Rn [X] et en déduire que ϕ est diagonalisable.
 
0 1 −2
Exemple II.5. Soit A = 1 0 −2
1 −1 0
Montrer que A est diagonalisable puis diagonaliser A.
On trouve Sp(A) = {−1, 0, 1}, avec comme vecteurs propres respectifs (1, 3, 2), (2, 2, 1) et
(1, 1, 0).
Remarque II.5. Quand on considère le cas d’une matrice A ∈ Mn (R), on peut chercher à la
diagonaliser dans Mn (C) si elle n’est pas diagonalisable dans Mn (R).
 
0 −1
Exemple II.6. Soit A = . Alors A est diagonalisable dans Mn (C) mais n’est pas
1 0
diagonalisable dans Mn (R) car χA = X 2 + 1.
Exercice II.1. (Exercice classique à retenir.) Soit A ∈ Mn (K) une matrice de rang 1. Alors A est
diagonalisable si et seulement si Tr(A) 6= 0.

13
Exercice II.2. Soient A ∈ Mn (K) une matrice avec n valeurs propres distinctes et B ∈ Mn (K)
telle que AB = BA.
Montrer qu’il existe Q ∈ K[X] tel que B = Q(A).
En déduire qu’il existe une matrice P ∈ GLn (K) telle que P −1 AP et P −1 BP soient toutes les
deux diagonales (on dit que A et B sont co-diagonalisables).

III Diagonalisation et polynôme annulateur

Proposition 27.

1. Soit E un K-espace vectoriel de dimension finie. Un endomorphisme f ∈ L (E) est

diagonalisable si et seulement si il admet un polynôme annulateur scindé à racines
simples.
2. Soit A ∈ Mn (K). La matrice A est diagonalisable si et seulement si elle admet un
polynôme annulateur scindé à racines simples

Remarque III.1. Un tel polynôme annulateur n’est pas nécessairement le polynôme caractéristique
– qui n’est pas toujours scindé à racines simples. Il n’est pas non plus unique. Il peut s’agir d’un
polynôme de degré bien plus petit que n, il suffit de penser par exemple au cas d’une homothétie.
Démonstration. (Démonstration non exigible). On commence par prouver le sens direct. Si f est
diagonalisable, en notant λ1 , . . . , λp ses valeurs propres distinctes, il existe une base B de E telle
que :  
λ1 Ir1 0 ... 0
 .. .. 
 0 λ 2 I r2 . . 
A = MatB (f ) =  .  
 .. .. .. 
. . 0 
0 ... 0 λp Irp
p
Q
avec ri = dim Eλi (f ) pour tout i ∈ J1, pK. Alors, en posant P = (X − λi ), on a de manière
i=1
immédiate que P (A) = 0, donc P (f ) = 0 et ainsi f est bien annulé par P qui est un polynôme
scindé à racines simples.
Qp
Montrons la réciproque. Soit donc P = (X − λi ) un polynôme scindé à racines simples tel
i=1
p
L
que P (f ) = 0. Montrons qu’alors E = Ker(f − λi idE ), ce qui assurera que f est diagonalisable
i=1
en vertu du théorème 22. On sait déjà, par la proposition 9, que les espaces Ker(f − λi idE ) pour
1 6 i 6 p sont en somme directe puisque λ1 , . . . , λp sont deux à deux distincts. Il reste donc à voir
que tout x ∈ E peut s’écrire x = x1 + . . . + xp avec xi ∈ Ker(f − λi idE ) pour tout i.
Notons L1 , . . . , Lp les polynômes de Lagrange associés à λ1 , . . . , λp . Alors :
p
X
1= Li
i=1

d’où, pour tout x ∈ E :

p
X
x = idE (x) = Li (f )(x)
i=1

On note alors xi = Li (f )(x) pour tout i ∈ J1, pK. Montrons que xi ∈ Ker(f − λi idE ) pour tout i.
Or, pour tout i, on peut écrire :
p
Y Y
P = (X − λi ) = αi (X − λi )Li avec αi = (λi − λj ) ∈ K∗
i=1 j6=i

Ainsi 0 = P (f ) = αi (f − λi idE ) ◦ Li (f ). On a donc Im Li (f ) ⊂ Ker(αi (f − λi idE )) = Ker(f − λi idE )

car αi =6 0. Or xi = Li (f )(x) ∈ Im Li (f ) donc xi ∈ Ker(f − λi idE ). On a donc bien écrit

14
 p
L
x = x1 + . . . + xp avec xi ∈ Ker(f − λi idE ) pour tout i. Cela prouve que E = Ker(f − λi idE ) et
i=1
donc f est diagonalisable.
Exemple III.1. Soit E un K-espace vectoriel de dimension finie. Une projection p de E est annulée
par le polynôme X 2 − X, une symétrie s par le polynôme X 2 − 1 et une homothétie de rapport
λ ∈ K∗ par X − λ.
Exemple III.2. Soit A ∈ Mn (R) telle que A2 = −In . Montrer que n est pair et calculer det(A)
et Tr(A).
La matrice A est annulée par X 2 + 1 = (X − i)(X + i). Elle est donc diagonalisable dans C,
avec Sp(A) ⊂ {−i, i}. Il y a au moins une valeur propre. Comme A est réelle, il y a nécessairement
la valeur propre conjuguée avec la même multiplicité m ∈ N∗ . En écrivant la matrice diagonale
Diag(iIm , −iIm ) semblable à A, on trouve n = 2m, det A = 1 et Tr(A) = 0.
Exemple III.3. Soit A ∈ Mn (R) telle que A3 = I3et A =
6 I3 . Montrer 2
 que SpC (A) = {1, j, j },
1 0 0√
2iπ 1 3
avec j = e 3 et que A est semblable (sur R) à B = 0 − − 2 .

√2
3
0 2 − 12

Proposition 28.

L’endomorphisme induit par un endomorphisme diagonalisable sur un sous-espace vectoriel

stable est diagonalisable.

Démonstration. Soit f ∈ L (E), où E est un K-espace vectoriel de dimension finie. On suppose f

diagonalisable. Alors f admet un polynôme annulateur P scindé à racines simples. Alors P annule
également f|F et donc f|F est diagonalisable.
Exemple III.4. Soient E un K-espace vectoriel de dimension finie et u et v dans L (E). On
suppose que u et v sont tous deux diagonalisables.
Montrons que si u et v commutent, alors il existe une base de E formée de vecteurs propres
communs à u et v (on dit que u et v sont
Lco-diagonalisables).
Puisque u est diagonalisable, E = Eλ (u). Pour λ ∈ Sp(u), Eλ (u) est stable par v car u
λ∈Sp(u)
et v commutent. Or v est diagonalisable donc v|Eλ (u) l’est aussi. Ainsi, il existe une base Bλ de
Eλ (u) formée de vecteurs propres de v. Cette base est a fortiori formée de vecteurs propres de u. En
concaténant les bases Bλ , on forme une base de E formée de vecteurs propres communs à u et v.
Matriciellement, on a obtenu que, si A et B dans Mn (K) sont diagonalisables et commutent,
alors il existe P ∈ GLn (K) telles que P −1 AP et P −1 BP soient diagonales.

Proposition 29.

Soient E un K-espace vectoriel de dimension finie et f ∈ LQ(E).

Alors f est diagonalisable si et seulement si il admet (X − λ) pour polynôme
λ∈Sp(f )
annulateur.

Q
Démonstration. Commençons par le sens réciproque. Si f est annulé par (X − λ), alors en
λ∈Sp(f )
particulier il est annulé par un polynôme scindé à racines simples et donc f est diagonalisable.
Q
Montrons maintenant le sens direct. On suppose donc f diagonalisable. Alors, si P = (X −
λ∈Sp(f )
Q
λ), P (f ) = (f − λidE ). Or, pour tout λ ∈ Sp(f ), f − λidE s’annule sur Eλ (f ), donc P (f )
λ∈Sp(f )
L
s’annule sur Eλ (f ) pour tout λ. De plus E = Eλ (f ) car f est diagonalisable et donc P (f )
λ∈Sp(f )
s’annule sur E, c’est-à-dire que P annule f .
Exercice III.1. Soient E un C-espace vectoriel de dimension finie et u ∈ GL(E). On suppose que
u2 est diagonalisable. Montrer que u est diagonalisable.

15
IV Trigonalisation
IV.1 Définitions
Définition.

Soient E un K-espace vectoriel de dimension finie et f ∈ L (E).

On dit que f est trigonalisable s’il existe une base de E dans laquelle la matrice de f est
triangulaire.

Remarque IV.1. Si B = (e1 , . . . , en ) est une base de E telle que MatB (f ) soit triangulaire supérieure
(respectivement inférieure), alors, en notant B 0 = (en , en−1 , . . . , e1 ), MatB0 (f ) est une matrice
triangulaire inférieure (respectivement supérieure).
Ainsi, f est trigonalisable si et seulement il existe une base de E dans laquelle sa matrice
est triangulaire supérieure, si et seulement il existe une base de E dans laquelle sa matrice est
triangulaire inférieure.
Exemple IV.1. 1. Un endomorphisme diagonalisable est trigonalisable.
2. L’endomorphisme de dérivation sur Rn [X] est trigonalisable, mais il n’est pas diagonalisable.

Définition.

Soit A ∈ Mn (K). On dit que A est trigonalisable lorsque A est semblable à une matrice
triangulaire, i.e. si et seulement si il existe P ∈ GLn (K) et T ∈ Mn (K) une matrice
triangulaire telles que A = P −1 T P .

Remarque IV.2. 1. La matrice A ∈ Mn (K) est trigonalisable lorsque l’endomorphisme canonique-

ment associé à A est trigonalisable
2. Si A ∈ Mn (K) trigonalisable s’écrit A = P −1 T P avec P ∈ GLn (K) et T ∈ Mn (K) triangulaire,
les coefficients diagonaux de T sont nécessairement les valeurs propres de A comptées avec
multiplicité. Cela découle du fait que χA = χT .
3. Comme dans les cas des endomorphismes, A ∈ Mn (K) est trigonalisable si et seulement si elle
est semblable à une matrice triangulaire supérieure, si et seulement si elle est semblable à une
matrice triangulaire inférieure.

IV.2 Critère de trigonalisation

Théorème 30 (Caractérisation par le polynôme caractéristique).

1. Soient E un K-espace vectoriel de dimension finie et f ∈ L (E).

Alors f est trigonalisable si et seulement si son polynôme caractéristique est scindé.
2. Soit A ∈ Mn (K). Alors A est trigonalisable si et seulement si son polynôme caractéris-
tique est scindé.

Démonstration. (Démonstration non exigible.) On montre le résultat sous forme matricielle.

Commençons par le sens direct. Si A est trigonalisable, alors A est semblable à une matrice B
de la forme :  
λ1 ? ? ... ?
 0 λ2 ? . . . ? 
 .. . . . . .. 
 
..
B= .  . . . . 

. .. .
 .. . .. ? 


0 . . . . . . 0 λn
Qn
Alors χA = χB = k=1 (X˘λk ) et donc χA est scindé dans K.

16
 Considérons maintenant la réciproque. On procède par récurrence sur la taille n ∈ N∗ de la
matrice A.
Pour n = 1 le résultat est trivial car toute matrice de M1 (K) est triangulaire.
Soit donc n > 1 fixé. On suppose que le résultat est vrai au rang n. Soit A ∈ Mn+1 (K) tel que
χA est scindé sur K.
En particulier, χA admet une racine λ1 ∈ K qui est donc une valeur propre de A. Soit
X1 ∈ Mn+1,1 (K) un vecteur propre associé. En particulier X1 6= 0 et l’on peut donc compléter la
famille (X1 ) en une base (X1 , X2 , . . . , Xn+1 ) de Mn+1,1 (K). Alors si P = (X1 . . . Xn+1 ) ∈ Mn+1 (K),
P est inversible et par changement de base :
 
λ1 L1
B = P −1 AP = avec B1 ∈ Mn (K) et L1 ∈ M1,n (K)
0 B1
En calculant par blocs : χA = χB = (X − λ1 )χB1 . On en déduit que χB1 est scindé car c’est le cas
de χA .
Ainsi, par hypothèse de récurrence, B1 est trigonalisable : il existe P1 ∈ GLn (K) tel que
T1 = P1−1 B1 P est triangulaire supérieure. En notant :
 
1 0
Q=
0 P1
alors
 Q ∈ GLn+1 (K) car, par exemple, det Q = det P1 6= 0 en calculant par blocs, et Q−1 =
1 0
. Alors, en notant R = P Q ∈ GLn+1 (K) et toujours en calculant par blocs :
0 P1−1
 
1 L2
R−1 AR = Q−1 B1 Q = avec L2 ∈ M1,n (K)
0 T1
Comme T1 est triangulaire supérieure, il en est de même de R−1 AR, ce qui prouve que A est
trigonalisable et achève la récurrence.
 
0 1
Exemple IV.2. Soit A = où r est un scalaire. Montrer que A est trigonalisable mais
−r2 2r
pas diagonalisable, puis trigonaliser A.
Méthode :
(i) On commencera par chercher un vecteur propre de A, puis on complétera la famille formée de
ce vecteur en une base de R2 .  
r 1
(ii) On montrera que χA = (X − r)2 et que A est semblable à
0 r

Corollaire 31.

Tout endomorphisme d’un C-espace vectoriel de dimension finie est trigonalisable.

Toute matrice de Mn (C) est trigonalisable.

Démonstration. D’après le théorème de D’Alembert-Gauss, tout polynôme à coefficients dans C

est scindé.
Remarque IV.3. En pratique, trigonaliser une matrice dans M2 (K) est assez simple. Il en est de
même dans M3 (K) dans le cas où l’on a une valeur propre simple et une valeur propre double. Le
seul cas difficile dans M3 (K) est celui où il y a une valeur propre triple, auquel cas une indication
sera donnée (cf. exemple ci-dessous).
 
5 −6 2
Exemple IV.3. 1. Soit B = 3 −4 2.
2 −5 4
Montrer que B est trigonalisable et la trigonaliser.
On trouve χB = (X − 2)2 (X − 1).
 
−2 −1 2
2. Soit C = −15 −6 11.
−14 −6 11
Montrer que C est trigonalisable et la trigonaliser.
On trouve χC = (X − 1)3 .

17
V Application de la réduction
V.1 Calcul des puissances d’une matrice
Proposition 32.

Soit A ∈ Mn (K) diagonalisable, i.e. telle qu’il existe P ∈ GLn (K) et D ∈ Mn (K)
vérifiant A = P DP −1 .
Alors : ∀n ∈ N An = P Dn P −1
De plus, si A est inversible, alors D est inversible et : ∀k ∈ Z Ak = P Dk P −1 .

Démonstration. Cela se prouve par une récurrence immédiate.

 
1 1 −3
Exemple V.1. Soit A = ∈ M2 (R). Montrer que A est inversible puis calculer Ap
2 −3 1
pour p ∈ Z.    
1 −1 −1 0
On trouve que A = P DP −1 avec P = et D =
1 1 0 2

V.2 Suites récurrentes linéaires

Exemple V.2. Soit (un ) et (vn ) deux suites de RN définies par u0 = v0 = 1 et, pour tout n > 1 :

un+1 = un + 2vn
vn+1 = −un + 4vn

Déterminer l’expression 
de (un ) et (vn
) en fonction
 de n.
un 1 2
On introduira Un = et A =
vn −1 4

Définition.

Soit (un ) ∈ KN .
La suite (un ) est dire récurrente linéaire d’ordre p si et seulement si :

∃(a0 , . . . , ap−1 ) ∈ Kp ∀n ∈ N un+p = ap−1 un+p−1 + . . . a1 un+1 + a0 un

Exemple V.3. Pour p = 2, on retrouve la définition classique des suites récurrentes linéaires
d’ordre 2 : (un ) ∈ KN est une suite récurrente linéaire d’ordre 2 si et seulement si il existe (a, b) ∈ K2
tel que un+2 = aun+1 + bun pour tout n > 0.

Proposition 33.

Soient (un ) ∈ KN une suite récurrente linéaire d’ordre p et (a0 , . . . , ap−1 ) ∈ Kp tel que
un+p = ap−1 un+p−1 + . . . a1 un+1 + a0 un pour tout n ∈ N.
On pose :
 
  0 1 0 ··· 0
un
 un+1 
0
 0 1 ··· 0 

 .. . . . ..
Un =  .  ∈ Mp,1 (K) et A =  . ..  ∈ Mp (K)
  
 ..   . ··· .
 0 ··· ··· 0 1 
un+p−1
a0 a1 · · · · · · ap−1

Alors : ∀n ∈ N Un+1 = AUn .

On en déduit : ∀n ∈ N Un = An U0

18
Démonstration. La relation Un+1 = AUn pour n ∈ N se vérifie de manière immédiate. La seconde
relation s’en déduit aussitôt par récurrence.
Remarque V.1. Une matrice A de la forme ci-dessus est appelée une matrice compagnon. On calcule
assez facilement que χA = X p − ap−1 X p−1 − . . . − a1 X − a0 (procéder par récurrence sur p en
développant suivant la première colonne par exemple). On retrouve ainsi l’équation caractéristique
associée à la suite récurrente linéaire (penser au cas p = 2).
Exemple V.4. Soit la suite (un ) ∈ RN définie par u0 = 6, u1 = 0, u2 = −6 et :

∀n ∈ N un+3 = 2un+2 + un+1 − 2un

Déterminer l’expression
 de un enfonction de n.
0 1 0
On trouve A =  0 0 1, Sp(A) = {−1, 1, 2} puis un = (−1)n − 4 × 2n + 9 pour tout
−2 1 2
n ∈ N.

19