© Laurent Garcin MP Dumont d’Urville

Réduction géométrique
Dans tout ce chapitre, 𝕂 désigne un sous-corps de ℂ, qui en pratique sera généralement ℝ ou ℂ.

1 Rappels et compléments
1.1 Matrices semblables

Définition 1.1 Matrices semblables

Soient A et B deux matrices de ℳ𝑛 (𝕂). On dit que B est semblable à A si et seulement si il existe P ∈ GL𝑛 (𝕂) telle que
B = P−1 AP.

Remarque. Pour λ ∈ 𝕂, la seule matrice semblable à λI𝑛 est λI𝑛 .

Proposition 1.1

La relation de similitude («être semblable à») est une relation d’équivalence.

Remarque. Si deux matrices sont semblables, l’une est inversible si et seulement si l’autre l’est.

Remarque. Si A et B sont semblables, alors A𝑛 et B𝑛 sont semblables pour tout 𝑛 ∈ ℕ (pour tout 𝑛 ∈ ℤ si A est
inversible).
Plus précisément, s’il existe une matrice inversible P telle que B = P−1 AP, alors B𝑛 = P−1 A𝑛 P pour tout 𝑛 ∈ ℕ (pour
tout 𝑛 ∈ ℤ si A est inversible).

1.2 Sommes de sous-espaces vectoriels

Définition 1.2 Somme d’un nombre fini de sous-espaces vectoriels

Soient F1 , … , F𝑝 des sous-espaces vectoriels d’un 𝕂-espace vectoriel E. On appelle somme de F1 , … , F𝑝 le sous-espace
vectoriel 𝑝 𝑝
F1 + ⋯ + F𝑝 = ∑ F𝑘 = {𝑥1 + ⋯ + 𝑥𝑝 , (𝑥1 , … , 𝑥𝑝 ) ∈ ∏ F𝑘 }
𝑘=1 𝑘=1

𝑛 𝑛 𝑛
Remarque. On a ∑ F𝑘 = vect ( F𝑘 ). ∑ F𝑘 est donc le plus petit sous-espace vectoriel contenant F1 , … , F𝑛 .
⋃
𝑘=1 𝑘=1 𝑘=1

Remarque. La somme d’espaces vectoriels est associative : si F, G, H sont trois sous-espacs vectoriels,

F + G + H = (F + G) + H = F + (G + H)

[Link] 1
 © Laurent Garcin MP Dumont d’Urville

Définition 1.3 Somme directe d’un nombre fini de sous-espaces vectoriels

Soient F1 , … , F𝑝 des sous-espaces vectoriels d’un 𝕂-espace vectoriel E. On dit que F1 , … , F𝑝 sont en somme directe si pour
𝑝 𝑝
tout 𝑥 ∈ ∑ F𝑘 il existe un unique 𝑝-uplet (𝑥1 , … , 𝑥𝑝 ) ∈ ∏ F𝑘 tel que 𝑥 = 𝑥1 + ⋯ + 𝑥𝑝 .
𝑘=1 𝑘=1
𝑝
La somme de F1 , … , F𝑝 est alors notée F1 ⊕ ⋯ ⊕ F𝑝 = F𝑘 .
⨁
𝑘=1

Proposition 1.2 Caractérisation d’une somme directe d’un nombre fini de sous-espaces vectoriels

Soient F1 , … , F𝑝 des sous-espaces vectoriels d’un 𝕂-espace vectoriel E. F1 , … , F𝑝 sont en somme directe si et seulement si
𝑝
∀(𝑥1 , … , 𝑥𝑝 ) ∈ ∏ F𝑘 , 𝑥1 + ⋯ + 𝑥𝑝 = 0E ⟹ 𝑥1 = ⋯ = 𝑥𝑝 = 0E
𝑘=1

Remarque. Si des sous-espaces vectoriels sont en somme directe, ils sont deux à deux en somme directe.

 Attention ! La réciproque est fausse. Des espaces vectoriels peuvent être deux à deux en somme directe sans que leur
somme soit directe. Par exemple, trois droites distinctes coplanaires ont leurs intersections deux à deux nulles sans pour
autant qu’elles soient en somme directe.

Remarque. Si (F𝑖 )𝑖∈I est une famille finie de sous-espaces vectoriels en somme directe d’un espace vectoriel E, alors,
pour toute partie J de I, (F𝑖 )𝑖∈J est également une famille de sous-espaces vectoriels en somme directe.
De plus, si J1 , … , J𝑟 sont des parties deux à deux disjointes de I, alors, en posant G𝑘 = F , les sous-espaces vectoriels
⨁ 𝑖
𝑖∈J𝑘
G1 , … , G𝑟 sont encore en somme directe. De plus,
𝑟
G𝑖 = F𝑖
⨁ ⨁
𝑟
𝑖=1 𝑖∈⨆𝑖=1 J𝑖

Exemple 1.1

Si F, G et H sont trois sous-espaces vectoriels en somme directe d’un espace vectoriel E, alors

F ⊕ G ⊕ H = (F ⊕ G) ⊕ H = F ⊕ (G ⊕ H)

Définition 1.4 Projecteurs associés à une décomposition en somme directe

𝑟
Soient F1 , … , F𝑟 des sous-espaces vectoriels d’un 𝕂-espace vectoriel E tels que E = F𝑖 . On note 𝑝𝑖 le projecteur sur
⨁
𝑖=1
F𝑖 parallélement à F𝑗 . La famille (𝑝1 , … , 𝑝𝑟 ) est appelée famille de projecteurs associée à la décomposition en
⨁
𝑗∈⟦1,𝑟⟧∖{𝑖}
𝑟 𝑟
somme directe E = F𝑖 . On a alors ∑ 𝑝𝑖 = IdE .
⨁
𝑖=1 𝑖=1

[Link] 2
© Laurent Garcin MP Dumont d’Urville

Remarque. On constate également que 𝑝𝑖 ∘ 𝑝𝑗 = 0 pour 𝑖 ≠ 𝑗.

Proposition 1.3 Base d’une somme directe d’un nombre fini de sous-espaces vectoriels

Soient F1 , … , F𝑝 des sous-espaces vectoriels d’un 𝕂-espace vectoriel E. On suppose qu’il existe des bases ℱ1 , … , ℱ𝑝 de
𝑝
F1 , … , F𝑝 . Alors la famille ℬ obtenue par concaténation des bases ℱ1 , … , ℱ𝑝 est une base de ∑ F𝑖 si et seulement si F1 , … , F𝑝
𝑖=1
sont en somme directe. 𝑝
Dans ce cas, ℬ est dite base adaptée à la somme directe F𝑖 .
⨁
𝑖=1

Proposition 1.4 Dimension d’une somme d’un nombre fini de sous-espaces vectoriels

Soient F1 , … , F𝑝 des sous-espaces vectoriels de dimension finie d’un espace vectoriel E. Alors
𝑝 𝑝
dim ( ∑ F𝑘 ) ≤ ∑ dim F𝑘
𝑘=1 𝑘=1

De plus, l’inégalité précédente est une égalité si et seulement si F1 , … , F𝑝 sont en somme directe.

Remarque. Soient F1 , … , F𝑝 des sous-espaces vectoriels d’un espace vectoriel E de dimension finie. Pour montrer que
𝑝 𝑝
E= F𝑘 , il suffit de montrer que F1 , … , F𝑝 sont en somme directe et que ∑ dim F𝑘 = dim E.
⨁
𝑘=1 𝑘=1

Proposition 1.5
𝑝
Soient E et F des 𝕂-espaces vectoriels et E1 , … , E𝑝 des sous-espaces vectoriels de E tels que E = E𝑘 .
⨁
𝑘=1
𝑝
Soient (𝑢1 , … , 𝑢𝑝 ) ∈ ∏ ℒ(E𝑘 , F). Il existe une unique application linéaire 𝑢 ∈ ℒ(E, F) telle que 𝑢|E𝑘 = 𝑢𝑘 pour tout
𝑘=1
𝑘 ∈ ⟦1, 𝑝⟧.

Exemple 1.2

Soit H un hyperplan de E et 𝑎 ∈ E ∖ H. Il existe une unique forme linéaire sur E tel que Ker φ = H et φ(𝑎) = 1.

1.3 Matrices définies par blocs

Matrices définies par blocs
Soit A ∈ ℳ𝑛,𝑞 (𝕂), B ∈ ℳ𝑝,𝑞 (𝕂), C ∈ ℳ𝑛,𝑟 (𝕂) et D ∈ ℳ𝑝,𝑟 (𝕂). On peut définir une matrice M ∈ ℳ𝑛+𝑝,𝑞+𝑟 (𝕂) à
l’aide de ces quatre matrices de la façon suivante :

A C
M=( )
B D

[Link] 3
 © Laurent Garcin MP Dumont d’Urville

Produit de matrices définies par blocs

Le produit de deux matrices définies par blocs s’effectue de la manière suivante :

A C E G AE + CF AG + CH
( )( )=( )
B D F H BE + DF BG + DH

 Attention ! Il faut bien évidemment que les différentes matrices soient de taille compatible :
• le nombre de colonnes de A et B doit être le nombre de lignes de E et G ;
• le nombre de colonnes de C et D doit être le nombre de lignes de F et H.

A C A⊤ B⊤
Remarque. La transposée de la matrice ( ) est la matrice ( ).
B D C⊤ D⊤

Définition 1.5 Matrices triangulaires par blocs

On dit qu’une matrice carrée A est triangulaire supérieure par blocs s’il existe une famille de matrices (A𝑖,𝑗 )1≤𝑖≤𝑗≤𝑟 de
tailles «adéquates» telle que
⎛ A1,1 A1,2 ⋯ A1,𝑟 ⎞
⎜ 0 A2,2 ⋮ ⎟
A=⎜ ⎟
⋮ ⋱ ⋱ A𝑟−1,𝑟
⎜ ⎟
⎝ 0 ⋯ 0 A𝑟,𝑟 ⎠
On dit qu’une matrice carrée A est triangulaire inférieure par blocs s’il existe une famille de matrices (A𝑖,𝑗 )1≤𝑗≤𝑖≤𝑟 de
tailles «adéquates» telle que
⎛ A1,1 0 ⋯ 0 ⎞
⎜ A2,1 A2,2 ⋱ ⋮ ⎟
A=⎜ ⎟
⋮ ⋱ ⋱ 0
⎜ ⎟
⎝ A𝑟,1 ⋯ A𝑟,𝑟−1 A𝑟,𝑟 ⎠

Définition 1.6 Matrices diagonales par blocs

On dit qu’une matrice carrée A est diagonale par blocs s’il existe des matrices carrées A1 , … , A𝑟 telles que

⎛ A1 0 ⋯ 0 ⎞
⎜ 0 A2 ⋱ ⋮ ⎟
A=⎜
⋮ ⋱ ⋱ 0 ⎟
⎜ ⎟
⎝ 0 ⋯ 0 A𝑟 ⎠

Proposition 1.6 Déterminants par blocs

Le déterminant d’une matrice triangulaire par blocs (et a fortiori diagonale par blocs) est le produit des déterminants
des blocs diagonaux.

[Link] 4
 © Laurent Garcin MP Dumont d’Urville

|A B ||
 Attention ! En général || | ≠ det(A) det(D) − det(B) det(C).
|C D|

Transvections par blocs

On appelle transvection par blocs une opération transformant une matrice ( A B ) en une matrice ( A B + λA ) (si A
A A
et B ont le même nombre de colonnes) ou une matrice ( ) en une matrice ( ) (si A et B ont le même nombre
B B + λA
de lignes).

I𝑝 λI𝑝
Remarque. La première opération correspond à la multiplication à droite par une matrice du type ( ) et la
0 I𝑝
I𝑝 0
seconde à la multiplication à gauche par une matrice du type ( ).
λI𝑝 I𝑝

Proposition 1.7

Le déterminant d’une matrice carrée est invariant par transvection par blocs.

1.4 Sous-espaces stables

Définition 1.7 Sous-espace stable

Soient 𝑢 un endomorphisme d’un 𝕂-espace vectoriel E et F un sous-espace vectoriel de E. On dit que F est stable par 𝑢
si 𝑢(F) ⊂ F.

Exemple 1.3

Soit 𝑢 un endomorphisme d’un 𝕂-espace vectoriel E. Alors Ker 𝑢 et Im 𝑢 sont stables par 𝑢.

Remarque. Si F est un sous-espace stable par 𝑢 ∈ ℒ(E), alors 𝑢 induit un endomorphisme 𝑢F de F.

Exercice 1.1

Soient 𝑢 et 𝑣 deux endomorphismes d’un 𝕂-espace vectoriel E qui commutent i.e. 𝑢 ∘ 𝑣 = 𝑣 ∘ 𝑢. Montrer que si F est un
sous-espace vectoriel de E stable par 𝑢, alors 𝑣(F) est également stable par 𝑢.

Définition 1.8 Base adaptée à un sous-espace vectoriel

Soient E un espace vectoriel de dimension finie et F un sous-espace vectoriel de E. On dit qu’une base de E est adaptée
à F si ses premiers éléments forment une base de F.

[Link] 5
© Laurent Garcin MP Dumont d’Urville

Proposition 1.8 Matrice et stabilité

Soient 𝑢 un endomorphisme d’un 𝕂-espace vectoriel de dimension finie et F un sous-espace vectoriel de E. Une base
ℬ de E est adaptée à F si et seulement si la matrice de 𝑢 dans ℬ est triangulaire par blocs. Plus précisément, en notant
A B
𝑛 = dim E et 𝑝 = dim F, il existe A ∈ ℳ𝑝 (𝕂), B ∈ ℳ𝑝,𝑛−𝑝 (𝕂) et C ∈ ℳ𝑛−𝑝 (𝕂) telles que mat ℬ (𝑢) = ( ). On
0 C
peut remarquer que A est la matrice de l’endomorphisme de F induit par 𝑢 dans la base formée des 𝑝 premiers vecteurs
de ℬ.

1.5 Endomorphismes nilpotents et matrices nilpotentes

Définition 1.9 Endomorphisme nilpotent

Soit 𝑢 un endomorphisme d’un espace vectoriel. On dit que 𝑢 est nilpotent s’il existe 𝑝 ∈ ℕ∗ tel que 𝑢𝑝 = 0.
Le plus petit entier 𝑝 ∈ ℕ∗ tel que 𝑢𝑝 = 0 est appelé l’indice de nilpotence de 𝑢.

Définition 1.10 Matrice nilpotente

Soit A ∈ ℳ𝑛 (𝕂). On dit que A est nilpotente s’il existe 𝑝 ∈ ℕ∗ tel que A𝑝 = 0.
Le plus petit entier 𝑝 ∈ ℕ∗ tel que A𝑝 = 0 est appelé l’indice de nilpotence de A.

Exemple 1.4

Toute matrice triangulaire stricte est nilpotente d’indice de nilpotence inférieure ou égale à sa taille.

Exemple 1.5

⎛0 1 0 … 0⎞
⎜⋮ ⋱ ⋱ ⋱ ⋮⎟
⎜ ⎟
Soit J = ⎜ ⋮ ⋱ ⋱ 0 ⎟ ∈ ℳ𝑛 (𝕂). Alors J est nilpotente d’indice 𝑛.
⎜⋮ ⋱ 1⎟
⎜ ⎟
⎝0 ⋯ ⋯ ⋯ 0⎠

Proposition 1.9 Majoration de l’indice de nilpotence

(i) L’indice de nilpotence d’un endomorphisme nilpotent d’un espace vectoriel E de dimension finie est inférieur ou
égal à dim E.
(ii) L’indice de nilpotence d’une matrice nilpotente de ℳ𝑛 (𝕂) est inférieur ou égal à 𝑛.

[Link] 6
 © Laurent Garcin MP Dumont d’Urville

2 Éléments propres d’un endomorphisme ou d’une matrice carrée

2.1 Valeur propre, vecteur propre, sous-espace propre d’un endomorphisme

Proposition 2.1 Droite stable

Soient 𝑢 un endomorphisme d’un 𝕂-espace vectoriel E et 𝑥 ∈ E. La droite vect(𝑥) est stable par 𝑢 si et seulement si il
existe λ ∈ 𝕂 tel que 𝑢(𝑥) = λ𝑥.

Définition 2.1 Valeur propre et vecteur propre d’un endomorphisme

Soit 𝑢 un endomorphisme d’un 𝕂-espace vectoriel E.

• On dit qu’un vecteur non nul 𝑥 ∈ E est un vecteur propre de 𝑢 s’il existe λ ∈ 𝕂 tel que 𝑢(𝑥) = λ𝑥.
• On dit qu’un scalaire λ ∈ 𝕂 est une valeur propre de 𝑢 s’il existe 𝑥 ∈ E non nul tel que 𝑢(𝑥) = λ𝑥.

Dans chacun de ces deux cas, on dit que 𝑥 est un vecteur propre associé à la valeur propre λ.

 Attention ! Un vecteur propre est forcément non nul.

Exemple 2.1

Soit D l’endomorphisme de 𝒞 ∞ (ℝ) qui à une application associe sa dérivée. Pour tout λ ∈ ℝ, l’application 𝑥 ↦ 𝑒λ𝑥 est
un vecteur propre de D associé à la valeur propre λ.

Exemple 2.2

Si 𝑥 est un vecteur propre de 𝑢 associé à la valeur propre λ, alors c’est également un vecteur propre de 𝑢𝑛 associé à la
valeur propre λ𝑛 pour tout 𝑛 ∈ ℕ (et pour tout 𝑛 ∈ ℤ si 𝑢 est un automorphisme).

Exemple 2.3

L’unique valeur propre d’un endomorphisme nilpotent est 0.

Définition 2.2 Spectre d’un endomorphisme

Soit 𝑢 un endomorphisme d’un espace vectoriel de dimension finie. On appelle spectre de 𝑢, noté Sp(𝑢), l’ensemble des
valeurs propres de 𝑢.

Remarque. Les propositions suivantes sont équivalentes :

• λ ∈ Sp(𝑢) ;
• Ker(𝑢 − λ IdE ) ≠ {0E } ;

• det(𝑢 − λ IdE ) = 0 (si E est de dimension finie).

[Link] 7
© Laurent Garcin MP Dumont d’Urville

Exemple 2.4

0 est une valeur propre d’un endomorphisme 𝑢 si et seulement si celui-ci est non injectif.

Définition 2.3 Sous-espace propre d’un endomorphisme

Soient 𝑢 un endomorphisme d’un 𝕂-espace vectoriel E et λ une valeur propre de 𝑢. Le sous-espace vectoriel Eλ (𝑢) =
Ker(𝑢 − λ IdE ) est appelé sous-espace propre de 𝑢 associé à la valeur propre λ.

Remarque. Le sous-espace propre associé à la valeur propre 0 est le noyau.

Remarque. Si λ n’est pas une valeur propre de 𝑢, on peut convenir que Eλ (𝑢) = {0E }.

Exemple 2.5

Considérons l’endomorphisme T de ℂℕ qui à la suite (𝑢𝑛 ) associe la suite (𝑢𝑛+2 ).

Pour λ ∈ ℂ∗ , Eλ (T) = vect ((α𝑛 ) , ((−α)𝑛 )) où α est une racine carrée de λ.

Méthode Déterminer les éléments propres d’un endomorphisme

Pour déterminer les éléments propres d’un endomorphisme 𝑢 d’un 𝕂-espace vectoriel E, on recherche les scalaires λ ∈ 𝕂
tels que l’équation 𝑢(𝑥) = λ𝑥 possède des solutions non nulles. Lesdites solutions sont alors les vecteurs propres associés
à la valeur propre λ.

Exercice 2.1 ★★

Soit φ l’endomorphisme de 𝕂[X] défini par φ(P) = XP′ pour tout P ∈ 𝕂[X]. Déterminer les éléments propres de φ.

2.2 Valeur propre, vecteur propre, sous-espace propre d’une matrice carrée

Définition 2.4 Valeur propre et vecteur propre d’une matrice carrée

Soit A ∈ ℳ𝑛 (𝕂).
• On dit qu’une matrice colonne non nulle 𝑥 ∈ ℳ𝑛,1 (𝕂) est un vecteur propre de A s’il existe λ ∈ 𝕂 tel que
AX = λX.
• On dit qu’un scalaire λ ∈ 𝕂 est une valeur propre de A s’il existe X ∈ ℳ𝑛,1 (𝕂) non nulle tel que AX = λX.
Dans chacun de ces deux cas, on dit que X est un vecteur propre associé à la valeur propre λ.

Remarque. Un vecteur propre est forcément non nul.

Exemple 2.6

0 est une valeur propre d’une matrice carrée si et seulement si elle est non inversible.

[Link] 8
© Laurent Garcin MP Dumont d’Urville

Exemple 2.7

Soit D une matrice diagonale de coefficients diagonaux λ1 , … , λ𝑛 . En notant (E1 , … , E𝑛 ) la base canonique de ℳ𝑛,1 (𝕂),
pour tout 𝑘 ∈ ⟦1, 𝑛⟧, E𝑘 est un vecteur propre de D associé à la valeur propre λ𝑘 .

Exemple 2.8

Si X est un vecteur propre de A associé à la valeur propre λ, alors c’est également un vecteur propre de A𝑛 associé à la
valeur propre λ𝑛 pour tout 𝑛 ∈ ℕ (et pour tout 𝑛 ∈ ℤ si A est inversible).

Exemple 2.9

L’unique valeur propre d’une matrice carrée nilpotente est 0.

Définition 2.5 Spectre d’une matrice carrée

Soit A une matrice carrée. On appelle spectre de A, noté Sp(A), l’ensemble des valeurs propres de A.

Remarque. Les propositions suivantes sont équivalentes :

• λ ∈ Sp(A) ;
• Ker(A − λI𝑛 ) ≠ {0} ;

• det(A − λI𝑛 ) = 0.

Définition 2.6 Sous-espace propre d’une matrice carrée

Soient A ∈ ℳ𝑛 (𝕂) et λ une valeur propre de A. Le sous-espace vectoriel Eλ (A) = Ker(A − λI𝑛 ) est appelé sous-espace
propre de A associé à la valeur propre λ.

Remarque. Le sous-espace propre associé à la valeur propre 0 est le noyau.

Remarque. Si λ n’est pas une valeur propre de A, on peut convenir que Eλ (A) = {0}.

Proposition 2.2 Lien entre les éléments propres d’un endomorphisme et d’une matrice

Soient 𝑢 un endomorphisme d’un 𝕂-espace vectoriel E de dimension finie et A sa matrice dans une base ℬ de E. Alors

(i) Sp(𝑢) = Sp(A) ;

(ii) 𝑥 ∈ E est un vecteur propre de 𝑢 si et seulement si mat ℬ (𝑥) est un vecteur propre de A ;
E ⟶ ℳ𝑛,1 (𝕂)
(iii) Pour tout λ ∈ Sp(𝑢) = Sp(A), l’isomorphisme { induit un isomorphisme de Eλ (𝑢) sur Eλ (A).
𝑥 ⟼ mat ℬ (𝑥)

Proposition 2.3

Deux matrices semblables ont même spectre.

[Link] 9
 © Laurent Garcin MP Dumont d’Urville

0 0 0 1
 Attention ! La réciproque est fausse. Par exemple, le spectre de ( ) et ( ) est {0} mais ces deux matrices ne
0 0 0 0
sont évidemment pas semblables.

Remarque. Deux matrices semblables n’ont pas les mêmes sous-espaces propres. Néanmoins ces sous-espaces propres
sont isomorphes. Plus précisément, s’il existe (A, B, P) ∈ ℳ𝑛 (𝕂)2 ×GL𝑛 (𝕂) tel que B = P−1 AP et si λ ∈ Sp(A) = Sp(B),
l’automorphisme X ∈ ℳ𝑛,1 (𝕂) ↦ P−1 X induit un isomorphisme de Eλ (A) sur Eλ (B).

Proposition 2.4 Spectre et sous-corps

Si 𝕂 est un sous-corps d’un corps 𝕃 et si A ∈ ℳ𝑛 (𝕂), alors Sp𝕂 (A) ⊂ Sp𝕃 (A).

0 1
 Attention ! L’inclusion peut être stricte. Par exemple, la matrice A = ( ) peut être considérée comme une matrice
−1 0
de ℳ2 (ℝ) ou ℳ2 (ℂ). On peut vérifier que Spℝ (A) = ∅ et que Spℂ (A) = {−𝑖, +𝑖}.

2.3 Propriétés des sous-espaces propres

Proposition 2.5

La somme d’une famille finie de sous-espaces propres d’un endomorphisme ou d’une matrice carré est directe.

Corollaire 2.1

Une famille de vecteurs propres d’un endomorphisme associés à des valeurs propres distinctes est libre.

Corollaire 2.2 Cardinal d’un spectre

Le spectre d’un endomorphisme d’un espace vectoriel de dimension finie 𝑛 ou d’une matrice carrée de taille 𝑛 est un
ensemble fini de cardinal inférieur ou égal à 𝑛.

Remarque. Comme les sous-espaces propres d’un endomorphisme sont en somme directes, on peut alors affirmer que
pour un endomorphisme 𝑢 d’un espace vectoriel E de dimension finie,

∑ dim Eλ (𝑢) ≤ dim E

λ∈Sp(ᵆ)

Proposition 2.6

Soient deux endomorphismes d’un même espace vectoriel qui commutent. Alors tout sous-espace propre de l’un est stable
par l’autre.

[Link] 10
 © Laurent Garcin MP Dumont d’Urville

2.4 Polynôme caractéristique

Définition 2.7 Polynôme caractéristique d’une matrice

Soit A ∈ ℳ𝑛 (𝕂). Le polynôme χA = det(XI𝑛 − A) de 𝕂[X] est appelé polynôme caractéristique de A.

Remarque. Si A ∈ ℳ𝑛 (𝕂), alors χA = χA⊤ .

Exemple 2.10

1 2
Le polynôme caractéristique de ( ) est (X − 1)(X − 4) − 2 × 3 = X2 − 5X − 2.
3 4

Exemple 2.11 Matrice compagnon

⎛0 ⋯ ⋯ 0 −𝑎0 ⎞
⎜1 ⋱ ⋮ −𝑎1 ⎟
⎜ ⎟
Soient (𝑎0 , … , 𝑎𝑛−1 ) ∈ 𝕂 et A = ⎜ 0
𝑛
⋱ ⋱ ⋮ ⋮ ⎟. Alors en développant par rapport à la dernière colonne,
⎜⋮ ⋱ ⋱ 0 −𝑎𝑛−2 ⎟
⎜ ⎟
⎝0 ⋯ 0 1 −𝑎𝑛−1 ⎠
𝑛−1
χA = X𝑛 + ∑ 𝑎𝑘 X𝑘 .
𝑘=0

Proposition 2.7 Polynôme caractéristique d’une matrice triangulaire

𝑛
Soit A ∈ ℳ𝑛 (𝕂) une matrice triangulaire de coefficients diagonaux λ1 , … , λ𝑛 . Alors χA = ∏(X − λ𝑘 ).
𝑘=1

Remarque. C’est a fortiori vrai pour les matrices diagonales.

Remarque. On peut montrer que le polynôme caractéristique d’une matrice triangulaire par blocs est le produit des
polynômes caractéristiques des blocs triangulaires.

Proposition 2.8 Similitude et polynôme caractéristique

Deux matrices semblables ont même polynôme caractéristique.

0 0 0 1
 Attention ! La réciproque est fausse. Par exemple, les matrices ( ) et ( ) ont même polynôme caractéristique
0 0 0 0
mais ne sont évidemment pas semblables.

Définition 2.8 Polynôme caractéristique d’un endomorphisme

Soit 𝑢 un endomorphisme d’un espace vectoriel de E de dimension finie. Le polynôme χᵆ = det(X IdE −𝑢) de 𝕂[X] est
appelé polynôme caractéristique de 𝑢.

[Link] 11
© Laurent Garcin MP Dumont d’Urville

Remarque. Si 𝑢 ∈ ℒ(E) admet pour matrice M dans une base de E, alors χᵆ = χM .

Méthode Déterminer le polynôme caractéristique d’un endomorphisme

Pour déterminer le polynôme caractéristique d’un endomorphisme d’un espace vectoriel de dimension finie, il suffit de
déterminer la matrice de cet endomorphisme dans une base de E et de calculer le polynôme caractéristique de cette
matrice.

Exemple 2.12

cos θ − sin θ
Soit 𝑟 la rotation d’angle θ du plan euclidien orienté. La matrice de 𝑟 dans une base orthonormée directe est ( ).
sin θ cos θ
On en déduit que χ𝑟 = (X − cos θ)2 + sin2 θ = X2 − 2 cos θ + 1.

Proposition 2.9 Degré et coefficients du polynôme caractéristique

(i) Soit A ∈ ℳ𝑛 (𝕂). Alors χA est un polynôme unitaire de degré 𝑛. De plus, le coefficient constant de χA est
(−1)𝑛 det(A) et le coefficient du monôme de degré 𝑛 − 1 est − tr(A).

(ii) Soit 𝑢 un endomorphisme d’un espace vectoriel de E de dimension finie 𝑛. Alors χᵆ est un polynôme unitaire de
degré 𝑛. De plus, le coefficient constant de χᵆ est (−1)𝑛 det(𝑢) et le coefficient du monôme de degré 𝑛 − 1 est
− tr(𝑢).

Exemple 2.13

Soit 𝑢 un endomorphisme d’un espace vectoriel de dimension finie. Alors 𝑢 est un automorphisme si et seulement
si χᵆ (0) ≠ 0 i.e. si et seulement si le coefficient constant de χᵆ est non nul.

Exemple 2.14

Soit A ∈ ℳ𝑛 (𝕂). Alors A est inversible si et seulement si χA (0) ≠ 0 i.e. si et seulement si le coefficient constant de χA
est non nul.

Exemple 2.15

Si A ∈ ℳ2 (𝕂), alors χA = X2 − tr(A)X + det(A).

Proposition 2.10 Spectre et polynôme caractéristique

(i) Soit A ∈ ℳ𝑛 (𝕂). Alors Sp(A) est l’ensemble des racines de χA .

(ii) Soit 𝑢 un endomorphisme d’un espace vectoriel de E de dimension finie. Alors Sp(𝑢) est l’ensemble des racines
de χᵆ .

[Link] 12
 © Laurent Garcin MP Dumont d’Urville

0 1
 Attention ! Le corps de base peut avoir son importance. Par exemple, si A = ( ), alors χA = X2 + 1. Ainsi
−1 0
Spℝ (A) = ∅ tandis que Spℂ (A) = {−𝑖, +𝑖}.

Remarque. On retrouve ainsi le fait que le spectre d’un endomorphisme d’un espace vectoriel de dimension 𝑛 ou d’une
matrice carrée de taille 𝑛 est de cardinal inférieur ou égal à 𝑛.

Remarque. Si 𝑢 ∈ ℒ(E) admet pour matrice M dans une base de E, alors χᵆ = χM de sorte que Sp(𝑢) = Sp(M).

Remarque. Comme deux matrices semblables ont le même polynôme caractéristique, on retrouve le fait que deux
matrices semblables ont le même spectre.

Exemple 2.16

Le spectre d’une matrice triangulaire est donc l’ensemble des coefficients diagonaux de cette matrice.

Exemple 2.17

Toute matrice carrée réelle de taille impaire possède une valeur propre réelle.
De même, tout endomorphisme d’un ℝ-espace vectoriel de dimension impaire possède une valeur propre réelle.

Remarque. Si A est une matrice carrée réelle, alors χA ∈ ℝ[X] de sorte que les valeurs propres complexes non réelles
de A sont conjuguées deux à deux.

Remarque. Si A ∈ ℳ𝑛 (𝕂), alors Sp(A⊤ ) = Sp(A). En effet, χA = χA⊤ .

Méthode Déterminer les éléments propres d’une matrice

Pour déterminer les éléments propres d’une matrice M, il suffit de

1. calculer χM ;

2. déterminer les racines de χM , ce qui fournit Sp(M) ;

3. pour tout λ ∈ Sp(M), déterminer Ker(M − λI𝑛 ), ce qui fournit Eλ (M).

Méthode Déterminer les éléments propres d’un endomorphisme

Pour déterminer les éléments propres d’un endomorphisme 𝑢 d’un espace vectoriel E de dimension finie, il suffit de
1. déterminer la matrice M de 𝑢 dans une base ℬ = (𝑒1 , … , 𝑒𝑛 ) de E ;

2. déterminer les éléments propres de M.

⎛ 𝑥1 ⎞ 𝑛
On sait alors que Sp(𝑢) = Sp(M) et l’isomorphisme ⎜ ⋮ ⎟ ∈ ℳ𝑛,1 (𝕂) ↦ ∑ 𝑥𝑘 𝑒𝑘 ∈ E permet de récupérer le sous-
⎜ ⎟ 𝑘=1
⎝ 𝑥𝑛 ⎠
espace propre Eλ (𝑢) à partir du sous-espace propre Eλ (M).

[Link] 13
© Laurent Garcin MP Dumont d’Urville

Exercice 2.2

Déterminer les éléments propres de l’endomorphisme φ de ℝ3 [X] défini par φ(P) = (X + 1)P′ − P pour tout P ∈ ℝ3 [X].

Proposition 2.11 Polynôme caractéristique d’un endomorphisme induit

Soient 𝑢 un endomorphisme d’un espace vectoriel de dimension finie et F un sous-espace vectoriel de E stable par 𝑢. Si
on note 𝑢|F l’endomorphisme de F induit par 𝑢, alors χᵆ|F divise χᵆ .

Définition 2.9 Multiplicité d’une valeur propre

(i) Soient 𝑢 un endomorphisme d’un espace vectoriel de dimension finie et λ une valeur propre de 𝑢. On appelle
mutiplicité de la valeur propre λ, notée 𝑚λ (𝑢), la multiplicité de λ en tant que racine du polynôme caractéristique
χᵆ .
(ii) Soient A ∈ ℳ𝑛 (𝕂) et λ ∈ 𝕂 une valeur propre de A. On appelle mutiplicité de la valeur propre λ, notée 𝑚λ (A),
la multiplicité de λ en tant que racine du polynôme caractéristique χA .

Remarque. On peut convenir qu’une valeur propre de multiplicité nulle n’est tout simplement pas une valeur propre.

Remarque. Si A est une matrice carrée réelle, alors les racines complexes conjuguées de A sont de même multiplicité.

Remarque. Si A ∈ ℳ𝑛 (𝕂), alors ∑ 𝑚λ (A) ≤ 𝑛 avec égalité si et seulement si χA est scindé sur 𝕂.
λ∈Sp(A)
De même, si 𝑢 est un endomorphisme d’un 𝕂-espace vectoriel E de dimension finie, alors ∑ 𝑚λ (𝑢) ≤ dim E avec
λ∈Sp(ᵆ)
égalité si et seulement si χᵆ est scindé sur 𝕂.
Mais d’après le théorème de d’Alembert-Gauss, tout polynôme de ℂ[X] est scindé sur ℂ donc si 𝕂 = ℂ, alors ∑ 𝑚λ (A) =
λ∈Sp(A)
𝑛 et ∑ 𝑚λ (𝑢) = dim E.
λ∈Sp(ᵆ)

Proposition 2.12

(i) Soit 𝑢 un endomorphisme d’un espace vectoriel de E de dimension finie. Pour tout λ ∈ Sp(𝑢), 1 ≤ dim Eλ (𝑢) ≤
𝑚λ (𝑢).
(ii) Soit A ∈ ℳ𝑛 (𝕂). Pour tout λ ∈ Sp(A), 1 ≤ dim Eλ (A) ≤ 𝑚λ (A).

3 Diagonalisabilité
3.1 Endomorphisme diagonalisable

Définition 3.1 Endomorphisme diagonalisable

Un endomorphisme 𝑢 d’un espace vectoriel E de dimension finie est dit diagonalisable s’il existe une base de E dans
laquelle la matrice de 𝑢 est diagonale.

[Link] 14
 © Laurent Garcin MP Dumont d’Urville

Remarque. La base est formée de vecteurs propres de 𝑢 et les coefficients diagonaux de cette matrice sont les valeurs
propres de 𝑢, chaque valeur propre apparaissant autant de fois que sa multiplicité dans χᵆ .

Exemple 3.1

Une homothétie, un projecteur ou une symétrie d’un espace vectoriel de dimension finie sont diagonalisables.

ℂ ⟶ ℂ
 Attention ! La diagonalisabilité peut dépendre du corps de base. L’endomorphisme { est diagonalisable
𝑧 ⟼ 𝑖𝑧
en tant qu’endomorphisme du ℂ-espace vectoriel ℂ mais ne l’est pas en tant qu’endomorphisme du ℝ-espace vectoriel
ℂ.

Exemple 3.2

Si 𝑢 est un endomorphisme diagonalisable d’un espace vectoriel E de dimension finie possèdant une unique valeur propre
λ, alors 𝑢 = λ IdE .

Proposition 3.1 Diagonalisabilité et sous-espaces propres

Soit 𝑢 un endomorphisme d’un 𝕂-espace vectoriel E de dimension finie. Alors les propositions suivantes sont équiva-
lentes :
(i) 𝑢 est diagonalisable ;
(ii) il existe une base de E formée de vecteurs propres de 𝑢 ;

(iii) E = Eλ (𝑢) ;
⨁
λ∈Sp(ᵆ)

(iv) ∑ dim Eλ (𝑢) = dim E ;

λ∈Sp(ᵆ)

(v) χᵆ est scindé sur 𝕂 et pour tout λ ∈ Sp(𝑢), dim Eλ (𝑢) = 𝑚λ (𝑢).

Exercice 3.1

Soient 𝑢 et 𝑣 deux endomorphismes d’un espace vectoriel de dimension finie. On suppose 𝑢 diagonalisable.
Montrer que 𝑢 et 𝑣 commutent si et seulement si tout sous-espace propre de 𝑢 est stable par 𝑣.

Exercice 3.2 Diagonalisabilité d’un endomorphisme de rang 1

Soit 𝑢 un endomorphisme d’un espace vectoriel E de dimension 𝑛 ∈ ℕ∗ . On suppose que rg 𝑢 = 1.

1. Montrer que χᵆ = X𝑛−1 (X − tr 𝑢).

2. En déduire que 𝑢 est diagonalisable si et seulement si tr 𝑢 ≠ 0.

[Link] 15
 © Laurent Garcin MP Dumont d’Urville

Proposition 3.2

Soit 𝑢 un endomorphisme d’un 𝕂-espace vectoriel E. Si une des deux conditions équivalentes suivantes est réalisée :
(i) card Sp(𝑢) = dim E ;
(ii) χᵆ est scindé sur 𝕂 à racines simples ;

alors 𝑢 est diagonalisable.

 Attention ! Il s’agit d’une condition suffisante mais pas nécessaire. Par exemple, si E est un 𝕂-espace vectoriel de
dimension finie supérieure ou égale à 2, alors pour tout λ ∈ 𝕂, λ IdE est diagonalisable mais possède λ comme unique
valeur propre et son polynôme caractéristique (X − λ)𝑛 admet λ comme racine de multiplicité 𝑛.

Exemple 3.3

La matrice de l’endomorphisme 𝑢 de 𝕂𝑛 [X] défini par 𝑢(P) = XP′ − P″ est triangulaire supérieure et ses coefficients
𝑛
diagonaux sont 0, 1, … , 𝑛. Son polynôme caractéristique est ∏(X − 𝑘) qui est scindé à racines simples. Ainsi 𝑢 est
𝑘=0
diagonalisable.

Décomposition spectrale
Soit 𝑢 un endomorphisme diagonalisable d’un espace vectoriel E de dimension finie. Notons (𝑝λ )λ∈Sp(ᵆ) la famille de
projecteurs associée à la décomposition en somme directe E = E (𝑢). Alors 𝑢 = ∑ λ𝑝λ . Cette écriture
⨁ λ
λ∈Sp(ᵆ) λ∈Sp(ᵆ)
s’appelle la décomposition spectrale de 𝑢.

3.2 Matrice diagonalisable

Définition 3.2 Matrice diagonalisable

On dit qu’une matrice A ∈ ℳ𝑛 (𝕂) est diagonalisable si elle est semblable à une matrice diagonale.

Remarque. Les coefficients diagonaux de cette matrice diagonale sont les valeurs propres de A, chaque valeur propre
apparaissant autant de fois que sa multiplicité dans χA .

Exemple 3.4

Si A ∈ ℳ𝑛 (𝕂) est une matrice diagonalisable possèdant une unique valeur propre λ, alors A = λI𝑛 .

Proposition 3.3

• Une matrice A ∈ ℳ𝑛 (𝕂) est diagonalisable si et seulement si l’endomorphisme de 𝕂𝑛 qui lui est canoniquement
associé est diagonalisable.

• Un endomorphisme d’un espace vectoriel E de dimension finie est diagonalisable si et seulement si sa matrice dans
une base de E est diagonalisable.

[Link] 16
 © Laurent Garcin MP Dumont d’Urville

0 −1
 Attention ! La diagonalisabilité peut dépendre du corps de base. Par exemple, ( ) est diagonalisable en tant que
1 0
matrice de ℳ2 (ℂ) mais ne l’est pas en tant que matrice de ℳ2 (ℝ).

Proposition 3.4

Une matrice A ∈ ℳ𝑛 (𝕂) est diagonalisable si et seulement si il existe une base de ℳ𝑛,1 (𝕂) formée de vecteurs propres
de A.
Si on note (X1 , … , X𝑛 ) cette base de vecteurs propres, alors A = PDP−1 avec P la matrice dont les colonnes sont X1 , … , X𝑛
et D = diag(λ1 , … , λ𝑛 ) où λ𝑖 est la valeur propre associée à X𝑖 .

Proposition 3.5 Diagonalisabilité et sous-espaces propres

Soit A ∈ ℳ𝑛 (𝕂). Alors les propositions suivantes sont équivalentes :

(i) A est diagonalisable ;

(ii) ℳ𝑛,1 (𝕂) = Eλ (A) ;

⨁
λ∈Sp(A)

(iii) ∑ dim Eλ (A) = 𝑛 ;

λ∈Sp(A)

(iv) χA est scindé sur 𝕂 et pour tout λ ∈ Sp(A), dim Eλ (A) = 𝑚λ (A).

Proposition 3.6

Soit A ∈ ℳ𝑛 (𝕂). Si une des deux conditions équivalentes suivantes est réalisée :

(i) card Sp(A) = 𝑛 ;

(ii) χA est scindé sur 𝕂 à racines simples ;
alors A est diagonalisable.

 Attention ! Il s’agit d’une condition suffisante mais pas nécessaire. Par exemple, si 𝑛 ≥ 2, alors pour tout λ ∈ 𝕂, λI𝑛
est diagonalisable mais possède λ comme unique valeur propre et son polynôme caractéristique (X − λ)𝑛 admet λ comme
racine de multiplicité 𝑛.

Méthode Diagonalisation d’une matrice

Diagonaliser une matrice diagonalisable A consiste à trouver une matrice diagonale D et une matrice inversible P telles
que A = PDP−1 . La marche à suivre est la suivante.
1. Déterminer les valeurs propres de A et des bases des sous-espaces propres associés.

2. Former la matrice P dont les colonnes sont les vecteurs des bases des différents sous-espaces propres.
3. Former la matrice diagonale D constituée des valeurs propres de A, chaque colonne de D contenant la valeur propre
associée à la colonne correspondante de P.

[Link] 17
© Laurent Garcin MP Dumont d’Urville

Exemple 3.5

⎛ 0 3 2⎞
Considérons la matrice A = ⎜ −2 5 2 ⎟. On calcule χA = (X − 1)(X − 2)2 . On en déduit que Sp(A) = {1, 2}. On trouve
⎜ ⎟
⎝ 2 −3 0 ⎠

⎛⎛ 1 ⎞⎞ ⎛⎛ 1 ⎞ ⎛ 3 ⎞⎞
E1 (A) = vect ⎜⎜ 1 ⎟⎟ E2 (A) = vect ⎜⎜ 0 ⎟ , ⎜ 2 ⎟⎟
⎜⎜ ⎟⎟ ⎜⎜ ⎟ ⎜ ⎟⎟
⎝⎝ −1 ⎠⎠ ⎝⎝ 1 ⎠ ⎝ 0 ⎠⎠

On en déduit que A = PDP−1 avec

⎛1 0 0⎞ ⎛ 1 1 3⎞
D=⎜0 2 0⎟ P=⎜ 1 0 2⎟
⎜ ⎟ ⎜ ⎟
⎝0 0 2⎠ ⎝ −1 1 0 ⎠

Calcul de puissance
Si A est une matrice carrée diagonalisable, alors il existe une matrice D diagonale et une matrice P inversible telles que
A = PDP−1 . On a alors A𝑛 = PD𝑛 P−1 pour tout 𝑛 ∈ ℕ (et même pour tout 𝑛 ∈ ℤ si A est inversible). Puisque D est
diagonale, le calcul de ses puissances est aisé.

Exercice 3.3 Commutant

⎛1 0 0⎞ ⎛ 0 3 2⎞
Déterminer le commutant de la matrice D = ⎜ 0 2 0 ⎟. En déduire le commutant de la matrice M = ⎜ −2 5 2 ⎟.
⎜ ⎟ ⎜ ⎟
⎝0 0 2⎠ ⎝ 2 −3 0 ⎠

Exercice 3.4 Commutant

Soit M ∈ ℳ𝑛 (𝕂) une matrice diagonalisable possédant 𝑛 valeurs propres distinctes. Déterminer le commutant de M,
c’est-à-dire l’ensemble des matrices commutant avec M.

4 Trigonalisabilité
4.1 Endomorphisme trigonalisable

Définition 4.1 Endomorphisme trigonalisable

Un endomorphisme 𝑢 d’un espace vectoriel E de dimension finie est dit trigonalisable s’il existe une base de E dans
laquelle la matrice de 𝑢 est triangulaire supérieure.

Remarque. Les coefficients diagonaux de cette matrice sont les valeurs propres de 𝑢, chaque valeur propre apparaissant
autant de fois que sa multiplicité dans χᵆ .

[Link] 18
 © Laurent Garcin MP Dumont d’Urville

Remarque. On a une définition équivalente en remplaçant «triangulaire supérieure» par «triangulaire inférieure» (il
suffit d’inverser l’ordre des vecteurs de la base).

Remarque. Un endomorphisme diagonalisable est a fortiori trigonalisable.

Proposition 4.1 Trigonalisabilité, déterminant et trace

Soit 𝑢 un endomorphisme trigonalisable d’un espace vectoriel de dimension finie. Alors

tr(𝑢) = ∑ 𝑚λ (𝑢)λ det(𝑢) = ∏ λ𝑚λ(ᵆ)

λ∈Sp(ᵆ) λ∈Sp(ᵆ)

Autrement dit, la trace et le déterminant sont respectivement la somme et le produit des valeurs propres comptées avec
multiplicité.

Remarque. C’est a fortiori vrai pour les endomorphismes diagonalisables.

Proposition 4.2 Trigonalisabilité et polynôme caractéristique

Soit 𝑢 un endomorphisme d’un 𝕂-espace vectoriel de dimension finie. Alors 𝑢 est trigonalisable si et seulement si χᵆ est
scindé sur 𝕂.

 Attention ! La trigonalisabilité peut donc dépendre du corps de base.

Remarque. Soit 𝑢 un endomorphisme trigonalisable d’un 𝕂-espace vectoriel de dimension finie. Alors tout endomor-
phisme induit par 𝑢 est également trigonalisable. En effet, χᵆ est scindé et si 𝑣 est un endomorphisme induit par 𝑢, alors
χ𝑣 divise χᵆ de sorte que χ𝑣 est également scindé.

Corollaire 4.1

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

4.2 Matrice trigonalisable

Définition 4.2 Matrice trigonalisable

On dit qu’une matrice A ∈ ℳ𝑛 (𝕂) est trigonalisable si elle est semblable à une matrice triangulaire supérieure.

Remarque. Les coefficients diagonaux de cette matrice triangulaire supérieure sont les valeurs propres de A, chaque
valeur propre apparaissant autant de fois que sa multiplicité dans χA .

Remarque. Une matrice diagonalisable est a fortiori trigonalisable.

[Link] 19
 © Laurent Garcin MP Dumont d’Urville

Proposition 4.3

Une matrice A ∈ ℳ𝑛 (𝕂) est trigonalisable si et seulement si l’endomorphisme de 𝕂𝑛 qui lui est canoniquement associé
est trigonalisable.
Un endomorphisme d’un espace vectoriel E de dimension finie est trigonalisable si et seulement si sa matrice dans une
base de E est trigonalisable.

Proposition 4.4 Trigonalisabilité, déterminant et trace

Soit A une matrice carrée trigonalisable. Alors

tr(A) = ∑ 𝑚λ (A)λ det(A) = ∏ λμλ(A)

λ∈Sp(A) λ∈Sp(A)

Autrement dit, la trace et le déterminant sont respectivement la somme et le produit des valeurs propres comptées avec
multiplicité.

Remarque. C’est a fortiori vrai pour les matrices diagonalisables.

Proposition 4.5 Trigonalisabilité et polynôme caractéristique

Soit A ∈ ℳ𝑛 (𝕂). Alors A est trigonalisable si et seulement si χA est scindé sur 𝕂.

 Attention ! La trigonalisabilité peut donc dépendre du corps de base.

Exemple 4.1

Soit A ∈ ℳ𝑛 (𝕂) une matrice trigonalisable et Sp(A) = {λ1 , … , λ𝑟 }. Alors pour tout 𝑝 ∈ ℕ, A𝑝 est trigonalisable et
𝑝 𝑝
Sp(A𝑝 ) = {λ1 , … , λ𝑟 }.

Corollaire 4.2

Toute matrice de ℳ𝑛 (ℂ) est trigonalisable.

Méthode Trigonalisation d’une matrice

Il s’agit essentiellement de remarquer que si A ∈ ℳ𝑛 (𝕂) admet pour polynôme caractéristique χA = ∏ (X − λ)𝑚λ(A)
λ∈Sp(A)
alors
• ℳ𝑛,1 (𝕂) = Ker(A − λI𝑛 )𝑚λ(A) d’après le lemme des noyaux (cf. plus loin) ;
⨁
λ∈Sp(A)

• la suite (Ker(A − λI𝑛 )𝑘 ) est croissante pour l’inclusion.

L’algorithme suivant fournit alors une matrice P ∈ GL𝑛 (𝕂) et une matrice T ∈ 𝒯𝑛+ (𝕂) telles que A = PTP−1 .
On remarque que T peut alors s’écrire T = D + T′ avec D diagonale et T′ triangulaire stricte et que D et T′ commutent.

[Link] 20
© Laurent Garcin MP Dumont d’Urville

Algorithme 1 Trigonalisation d’une matrice

Données : Une matrice A ∈ ℳ𝑛 (𝕂) trigonalisable
Résultat : Une matrice P ∈ GL𝑛 (𝕂) et une matrice T ∈ 𝒯𝑛+ (𝕂) telles que A = PTP−1 .
Déterminer Sp(A)
Pour λ ∈ Sp(A) Faire
Déterminer une base ℬλ de Eλ (A) = Ker(A − λI𝑛 )
𝑘←1
Tant que dim Ker(A − λI𝑛 )𝑘 < 𝑚λ (A) Faire
Ajouter des vecteurs à ℬλ la transformer en une base de Ker(A − λI𝑛 )𝑘
𝑘←𝑘+1
Fin Tant que
Fin Pour
Poser ℬ = ℬλ
⋃
λ∈Sp(A)
Former la matrice P dont les colonnes sont les vecteurs de ℬ
Former la matrice T dont les colonnes sont constituées des coordonnées dans la base ℬ des produits de A par les vecteurs
de ℬ

Exemple 4.2

⎛ −1 −3 −1 ⎞
Soit A = ⎜ −1 1 1 ⎟. On trouve χA = (X + 2)(X − 1)2 . On calcule ensuite
⎜ ⎟
⎝ −2 −3 0 ⎠

Ker(A + 2I3 ) = vect(C1 ) Ker(A − I3 ) = vect(C2 ) Ker(A − I3 )2 = vect(C2 , C3 )

avec

⎛1⎞ ⎛ 1 ⎞ ⎛0⎞
C1 = ⎜ 0 ⎟ C2 = ⎜ −1 ⎟ C3 = ⎜ 0 ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝1⎠ ⎝ 1 ⎠ ⎝1⎠

On a alors

⎛ 1 ⎞ ⎛ −1 ⎞
AC1 = −2C1 AC2 = ⎜ −1 ⎟ = C2 AC3 = ⎜ 1 ⎟ = −C2 + C3
⎜ ⎟ ⎜ ⎟
⎝ 1 ⎠ ⎝ 0 ⎠

⎛ −2 0 0 ⎞ ⎛1 1 0⎞
On en déduit qu’en posant T = ⎜ 0 1 −1 ⎟ et P = ⎜ 0 −1 0 ⎟, on a A = PTP−1 .
⎜ ⎟ ⎜ ⎟
⎝ 0 0 1 ⎠ ⎝1 1 1⎠

[Link] 21
© Laurent Garcin MP Dumont d’Urville

Exemple 4.3

⎛ −1 0 −1 ⎞
Soit A = ⎜ 2 −3 −5 ⎟. On trouve χA = (X + 1)3 de sorte que Sp(A) = {−1}. On calcule ensuite
⎜ ⎟
⎝ −1 1 1 ⎠

Ker(A + I3 ) = vect(C1 ) Ker(A + I3 )2 = vect(C1 , C2 ) Ker(A + I3 )3 = vect(C1 , C2 , C3 )

avec

⎛1⎞ ⎛ 0 ⎞ ⎛0⎞
C1 = ⎜ 1 ⎟ C2 = ⎜ 2 ⎟ C3 = ⎜ 0 ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝0⎠ ⎝ −1 ⎠ ⎝1⎠

On a alors

⎛ 1 ⎞ ⎛ −1 ⎞
AC1 = −C1 AC2 = ⎜ −1 ⎟ = C1 − C2 AC3 = ⎜ −5 ⎟ = −C1 − 2C2 − C3
⎜ ⎟ ⎜ ⎟
⎝ 1 ⎠ ⎝ 1 ⎠

⎛ −1 1 −1 ⎞ ⎛1 0 0⎞
On en déduit qu’en posant T = ⎜ 0 −1 −2 ⎟ et P = ⎜ 1 2 0 ⎟, on a A = PTP−1 .
⎜ ⎟ ⎜ ⎟
⎝ 0 0 −1 ⎠ ⎝ 0 −1 1 ⎠

Proposition 4.6 Trigonalisabilité et nilpotence

(i) Un endomorphisme d’un espace vectoriel de dimension finie est nilpotent si et seulement si il est trigonalisable et
admet 0 comme unique valeur propre.
(ii) Une matrice carrée est nilpotente si et seulement si elle est trigonalisable et admet 0 comme unique valeur propre.

Remarque. Un endomorphisme nilpotent est nilpotent si et seulement si il existe une base dans laquelle sa matrice est
est triangulaire stricte.
Une matrice est nilpotente si et seulement si elle est semblable à une matrice triangulaire stricte.

Exemple 4.4

Une matrice nilpotente et diagonalisable est nulle.

Corollaire 4.3 Polynôme caractéristique et nilpotence

(i) Soit 𝑢 un endomorphisme d’un 𝕂-espace vectoriel de dimension 𝑛 ∈ ℕ∗ . Alors 𝑢 est nilpotent si et seulement
si χᵆ = X𝑛 .

(ii) Soit A ∈ ℳ𝑛 (𝕂). Alors A est nilpotente si et seulement si χA = X𝑛 .

[Link] 22