2.

Réduction des endomorphismes, des matrices carrées

Dans ce chapitre K désigne R ou C.

I - Sous-espaces stables par un endomorphisme

1) Généralités
Définition : soient E un K-espace vectoriel, u ∈ L (E) et F un sous-espace de E.
F est dit stable par u (ou u-stable) si et seulement si u (F ) ⊂ F (i.e. ∀x ∈ F u (x) ∈ F ).
Lorsque F est stable par u, l’application v : F → F (linéaire comme u) est
x → u (x)
l’endomorphisme induit par u sur F .

Propriété : si u, v, éléments de L (E), commutent, alors Im v et Ker v sont stables par u.

Caractérisation matricielle en dimension finie : soient E, K-espace vectoriel de dimension finie n, F

sous-espace de E de dimension p, B = (e1 , . . . , en ) base de E adaptée à F et u ∈ L (E). F est stable
A C
par u si et seulement si la matrice de u dans B est triangulaire par blocs, de la forme ,
0 D
A ∈ Mp (K) étant alors la matrice dans (e1 , . . . , ep ) de l’endomorphisme induit par u sur F .

Dém. Il suffit de remarquer que F = Vect (e1 , . . . , ep ) est stable par u si et seulement si
∀j ∈ {1, . . . , p} u (ej ) ∈ F.
A C
Rappel : det = det (A) . det (D).
0 D

2) Sommes directes de sous-espaces stables. Matrices diagonales par blocs

Théorème : soient E1 , . . . , Ek , sous-espaces de E, K-espace vectoriel de dimension finie, tels que
k
E= Ej , B base de E adaptée à cette décomposition et u ∈ L (E).
j=1
Posons, pour tout j de Nk , pj = dim Ej .
Les Ej , 1 ≤ j ≤ k, sont stables par u si et seulement si la matrice de u dans B est diagonale
par blocs, de la forme :
 
A1 0 · · · 0
.. .

 0 A2 . .. 

M = . . 
 .. .. ... 0 
0 · · · 0 Ak
où ∀j ∈ Nk Aj ∈ Mpj (K).
k
Rappel : det (M) = det (Aj ).
j=1
Cas particulier : soient B = (e1 , . . . , en ) base de E et u ∈ L (E). La matrice de u dans B est diagonale
si et seulement si les droites K.ej , 1 ≤ j ≤ n sont stables par u, c’est-à-dire si et seulement si
∀j ∈ Nn ∃λj ∈ K u (ej ) = λj .ej ;
dans ce cas, la matrice de u dans B est
 
λ1 (0)

diag (λ1 , . . . , λn ) =  .. 
.
.
(0) λn
2. Réduction des endomorphismes, des matrices carrées Page 2

3) Matrices triangulaires supérieures

Théorème : soient E un K-espace vectoriel de dimension finie n, B = (e1 , . . . , en ) une base de E et
u ∈ L (E). La matrice de u dans B est triangulaire supérieure si et seulement si les
Ej = Vect (e1 , . . . , ej ), 1 ≤ j ≤ n, sont stables par u.

Exemple : dans E = Kn [X], muni de la base canonique B = (1, X, . . . , X n ), les Ej sont les Kj−1 [X],
1 ≤ j ≤ n + 1. Soit u ∈ L (E) ; la matrice de u dans B est triangulaire supérieure si et
seulement si : ∀P ∈ E deg u (P ) ≤ deg P .

II - Polynômes d’un endomorphisme, d’une matrice carrée

1) Généralités
Théorème : soient E un K-espace vectoriel et u ∈ L (E) ; l’application
φu : K [X] → L (E)
∞ ∞
P = ak X k → P (u) = ak uk
k=0 k=0
est linéaire et multiplicative de (K [X] , +, ., ×) dans (L (E) , +, ., ◦). Notamment,
∀ (P, Q) ∈ K [X]2 P (u) ◦ Q (u) = (P × Q) (u) = Q (u) ◦ P (u) (P (u) et Q (u) commutent)
De même, M étant fixée dans Mn (K), l’application
φM : K [X] → Mn (K)
∞ ∞
P = ak X k → P (M) = ak M k
k=0 k=0
est linéaire et multiplicative de (K [X] , +, ., ×) dans (Mn (K) , +, ., ×).

Attention ! u0 = IdE et M 0 = In ; ainsi, pour P = a0 + a1 X + a2 X 2 + · · · , on a

P (u) = a0 IdE + a1 u + a2 u2 + · · · et P (M) = a0 In + a1 M + a2 M 2 + · · ·

Propriété : soit u ∈ L (E) ; pour tout P de K [X], Im P (u) et Ker P (u) sont stables par u.

Définition : soient u ∈ L (E) et P ∈ K [X] ; P est un polynôme annulateur de u si et seulement si

P (u) = 0 ;
soient M ∈ Mn (K) et P ∈ K [X] ; P est un polynôme annulateur de M si et seulement
si P (M) = 0.

Attention ! On dit que P annule u (resp. M), mais aussi que u annule P (resp. M annule P ). . .

   
A1 (0) P (A1 ) (0)

Exemple : si M =  ..  
 est diagonale par blocs, alors P (M) =  .. 
.
. .
(0) Ak (0) P (Ak )

2) Applications
a) Calcul de puissances
Si P est un polynôme annulateur de M ∈ Mn (K), la division euclidienne de X k par P permet de
calculer M k : si X k = P × Qk + Rk et P (M) = 0, alors M k = Rk (M).
Cette méthode est intéressante si l’on dispose d’un polynôme annulateur de bas degré, les “quelques”
coefficients de Rk pouvant alors être déterminés par la résolution d’un système linéaire obtenu à l’aide
des racines de P (penser à utiliser la dérivation en cas de racine multiple).
2. Réduction des endomorphismes, des matrices carrées Page 3
 
0 1/a 1/a2
Exemple : soient a ∈ R∗ et A =  a 0 1/a  ; on vérifie aisément que A2 = A + 2I3 , A admet
a2 a 0
ainsi le polynôme annulateur
P = X 2 − X − 2 = (X + 1) (X − 2) .
Pour k ∈ N, la division euclidienne de X k par P s’écrit
X k = P × Qk + λk X + µk
−λk + µk = (−1)k
où (λk , µk ) vérifie le système . Tous calculs faits,
2λk + µk = 2k
 1 k

 λk = 2 − (−1)k
k 3
A = λk A + µk I3 où .
 µ = 1 2k + 2 (−1)k

k
3
b) Calcul d’inverse
p
Si P = ak X k est un polynôme annulateur de M ∈ Mn (K), tel que a0 = 0, alors
k=0
p 1 p
M× ak M k−1 = −a0 In d’où M −1 = − ak M k−1 .
k=1 a0 k=1

1
Exemple : pour la matrice A précédente, A (A − I) = 2I3 donc A−1 = (A − I3 ).
2

III - Éléments propres d’un endomorphisme, d’une matrice carrée

1) Définitions. Notations
Définition : soient E un K-espace vectoriel, u ∈ L (E), λ ∈ K.
λ est une valeur propre de u si et seulement s’il existe un vecteur non nul x de E tel que
u (x) = λ.x ; un tel vecteur est un vecteur propre de u associé à la valeur propre λ.
L’ensemble des valeurs propres de u est le spectre de u, noté Sp (u).
Si λ ∈ Sp (u), Eλ (u) = Ker (u − λ.IdE ) est le sous-espace propre de u associé à la valeur
propre λ.

NB : 1) Les droites stables par u sont les droites dirigées par un vecteur propre de u.
2) Un vecteur propre est associé à une unique valeur propre (en effet, un vecteur propre est non
nul par définition et, lorsque x est non nul, λ.x = µ.x ⇒ λ = µ).
3) λ ∈ Sp (u) ⇔ Ker (u − λ.IdE ) = {0} ; si λ ∈ Sp (u), le sous-espace propre associé Eλ (u)
contient le vecteur nul et les vecteurs propres de u associés à λ.
4) En dimension finie, λ ∈ Sp (u) ⇔ det (u − λ.IdE ) = 0 ; si u est représenté par sa matrice M
dans une base de E et si λ ∈ Sp (u), le sous-espace propre associé s’obtient par résolution du
système linéaire M X = λX, soit (M − λIn ) X = 0, qui n’est pas de Cramer ! Penser à utiliser
la fonction rref de la calculatrice.
5) Cas de la valeur propre 0 : 0 est valeur propre de u si et seulement si u n’est pas injectif,
autrement dit u est injectif si et seulement si 0 ∈
/ Sp (u).

Propriété : si u, v commutent dans L (E), les sous-espaces propres de u sont stables par v.
Propriété : si F est un sous-espace de E stable par u ∈ L (E) et si v désigne l’endomorphisme de F
induit par u, alors
∀λ ∈ K Ker (v − λ.IdF ) = F ∩ Ker (u − λ.IdE )
donc Sp (v) ⊂ Sp (u) et : ∀λ ∈ Sp (v) Eλ (v) = F ∩ Eλ (u).
2. Réduction des endomorphismes, des matrices carrées Page 4

Exemples : 1) Projecteurs, symétries (Ker (u − IdE ) est l’ensemble des vecteurs invariants par u).
2) Le spectre de u peut être vide : choisir par exemple un quart de tour dans R2 .
3) Le spectre de u peut être infini : par exemple, pour u : f → f ′ dans C ∞ (R, R),
Sp (u) = R avec
∀λ ∈ R Eλ (u) = t → Aeλt , A ∈ R .

Définition : soit M ∈ Mn (K) ; les éléments propres de M (valeurs propres, vecteurs propres, spectre
et sous-espaces propres) sont ceux de l’endomorphisme u = Can M de Kn de matrice M
dans la base canonique.

NB : 1) On identifie parfois M à l’endomorphisme X → MX de Mn,1 (K).

2) Lorsque M ∈ Mn (R), il est bon de distinguer SpR (M) et SpC (M), SpK (M) étant l’ensemble
des solutions dans K de l’équation (polynomiale) d’inconnue λ : det (M − λIn ) = 0.
0 −1
Exemple : soit M = ; det (M − λI2 ) = λ2 + 1 donc SpR (M) = ∅ tandis que
1 0
SpC (M) = {−i, i}.

Définition : deux matrices A, B de Mn (K) sont semblables si et seulement s’il existe P dans GLn (K)
telle que B = P −1 AP (c’est-à-dire que A et B représentent un même endomorphisme
dans deux bases B, C telles que P soit la matrice de passage de B à C).

Propriétés : 1) Deux matrices semblables ont même spectre (réciproque fausse !).
2) Soit P fixée dans GLn (K) ; l’application M → P MP −1 est un automorphisme mul-
tiplicatif de Mn (K) ; en particulier,
si A = P BP −1 , alors ∀k ∈ N Ak = P B k P −1 .
Application : pour calculer les puissances de A, on peut chercher une matrice B semblable à A et dont
les puissances sont faciles à calculer (c’est le cas notamment des matrices diagonales. . . ).
 
11 −5 5
Exemple : soit A =  −5 3 −3 , il vient χA (t) = t (t − 1) (t − 16) et (cf. la fonction rref des
5 −3 3
calculatrices)
Ker A = Vect (0, 1, 1) ; Ker (A − I) = Vect (1, 1, −1) ; Ker (A − 16I) = Vect (2, −1, 1)
   
0 0 0 0 1 2
d’où P −1 AP =  0 1 0  avec P =  1 1 −1 .
0 0 16 1 −1 1
On en déduit
   
0 0 0 2 + 4 × 16k 2 − 2 × 16k −2 + 2 × 16k
1
∀k ∈ N∗ Ak = P  0 1 0  P −1 = ·  2 − 2 × 16k 2 + 16k −2 − 16k  .
6
0 0 16k −2 + 2 × 16k −2 − 16k 2 + 16k

2) Premières propriétés
Soit E un K-espace vectoriel, distinct de {0}.
1) Soient u ∈ L (E) et λ ∈ Sp (u) ; pour tout polynôme P de K [X], P (λ) est valeur propre de P (u)
(et – plus précisément – si u (x) = λ.x, alors P (u) (x) = P (λ) .x).
Attention ! L’inclusion Ker (u − λ.IdE ) ⊂ Ker P (u) − P (λ) .IdE peut être stricte (ex. : symétrie)

2) Soient u ∈ L (E) et P ∈ K [X] ; si P (u) = 0, alors toute valeur propre de u est racine de P .
Attention ! Réciproque fausse : X 2 − X est un polynôme annulateur de IdE . . .

3) Toute somme d’une famille finie de sous-espaces propres associés à des valeurs propres distinctes
deux à deux est directe.

4) Toute famille de vecteurs propres associés à des valeurs propres distinctes deux à deux est libre.
2. Réduction des endomorphismes, des matrices carrées Page 5

Dém. Soit u ∈ L (E).

1) Soit λ ∈ Sp (u) et x un vecteur propre de u associé ; u (x) = λ.x et une récurrence immédiate montre
que : ∀k ∈ N uk (x) = λk .x ; par combinaison linéaire j’obtiens alors, pour tout polynôme P de
K [X] : P (u) (x) = P (λ) .x ; x (non nul par hypothèse) est donc également vecteur propre de P (u)
associé à la valeur propre P (λ).

2) Soient maintenant P un polynôme annulateur de u et λ une valeur propre de u ; d’après la propriété

précédente, P (λ) est valeur propre de P (u), qui n’est autre que l’endomorphisme nul, dont l’unique
valeur propre est 0 ; ainsi P (λ) = 0.

3) J’utilise la caractérisation (à connaître. . . ) des sommes directes : soient λ1 , . . . , λp des valeurs pro-
pres de u, distinctes deux à deux, et x1 , . . . , xp des vecteurs respectivement de Eλ1 (u) , . . . , Eλp (u)
p
tels que xj = 0. Il s’agit de montrer que tous les xj sont nuls. Je fixe i ∈ [[1, p]] et je considère le
j=1
X − λk
polynôme de Lagrange Li = (qui vérifie Li (λj ) = δ i,j pour tout j). Pour tout j de [[1, p]],
λi − λk
k=i
comme xj est dans Eλj (u), le calcul du 1) (fait pour un vecteur propre, mais banal si xj = 0 !)
montre que :
Li (u) (xj ) = Li (λj ) .xj .
Ainsi, Li (u) étant linéaire, j’ai d’une part
p p p
Li (u) xj = Li (u) (xj ) = Li (λj ) .xj = xi car Li (λj ) = δi,j
j=1 j=1 j=1

et d’autre part
p p
Li (u) xj = 0 car xj = 0 par hypothèse.
j=1 j=1
Donc xi = 0, cela pour tout i de [[1, p]], ce qu’il fallait démontrer : les Eλj (u) sont en somme directe.

4) La question se ramène à une famille finie : soient λ1 , . . . , λp des valeurs propres de u, distinctes
deux à deux, et x1 , . . . , xp des vecteurs propres respectivement associés. Supposons une combinaison
p
linéaire nulle αj .xj = 0 ; pour tout j, le vecteur αj .xj appartient au sous-espace propre Eλj (u).
j=1
Or les Eλj (u) sont en somme directe, d’après la propriété précédente. J’en déduis, d’après la
caractérisation des sommes directes, que
∀j ∈ [[1, p]] αj .xj = 0 d’où αj = 0 car xj = 0 (vecteur propre !).
Ainsi, la famille (x1 , . . . , xp ) est libre.

Exemples
• homothéties : si u = λ.IdE , alors Sp (u) = {λ}, Eλ (u) = E ;
• projecteurs : si p projecteur, p = 0, p = IdE , alors Sp (p) = {0, 1}, E = Ker (p − IdE ) ⊕ Ker p ;
• symétries : si s symétrie, s = ±IdE , alors Sp (s) = {1, −1} et E = Ker (s − IdE ) ⊕ Ker (s + IdE ).

3) Polynôme caractéristique — Théorème de Cayley-Hamilton

Soient E un K-espace vectoriel de dimension finie n, u ∈ L (E) et M ∈ Mn (K).
1) Le polynôme caractéristique de u est le polynôme χu associé à la fonction
t → det (t.IdE − u) = (−1)n det (u − t.IdE ) .

2) Le polynôme caractéristique de M est le polynôme χM associé à la fonction

t → det (t.In − M ) = (−1)n det (M − t.In )
2. Réduction des endomorphismes, des matrices carrées Page 6

Théorème et définition : les valeurs propres de u (resp. M) sont les racines dans K de son polynôme
caractéristique.
L’ordre de multiplicité d’une valeur propre de u (resp. M) est son ordre
de multiplicité en tant que racine de χu (resp. χM ).

Propriétés :

1) χu (resp. χM ) est de degré n, avec plus précisément :

χu (X) = X n − Tr (u) · X n−1 + · · · + (−1)n det (u)
χM (X) = X n − Tr (M) · X n−1 + · · · + (−1)n det (M)
n
2) Si χu (resp. χM ) est scindé sur K, s’écrivant (X − λk ), alors
k=1
n n n n
Tr (u) = λk et det (u) = λk resp. Tr (M) = λk et det (M) = λk .
k=1 k=1 k=1 k=1

NB : lorsque K = R, si n impair, χu (resp. χM ) admet toujours au moins une racine réelle (penser
au théorème des valeurs intermédiaires. . . ) ; par contraposée, s’il existe u (resp. M) n’admettant
aucune valeur propre, nécessairement n est pair !

Théorème : a) Si F est un sous-espace de E stable par u ∈ L (E) et v l’endomorphisme induit, alors

χv divise χu .
b) Si λ est valeur propre de u ∈ L (E), alors la dimension de Eλ (u) est au plus égale à
l’ordre de multiplicité de λ.

Corollaire : pour une valeur propre simple, le sous-espace propre associé est une droite.

Théorème de Cayley-Hamilton (dém. non exigible)

Le polynôme caractéristique est un polynôme annulateur, i.e.
∀u ∈ L (E) χu (u) = 0L(E) (resp. ∀M ∈ Mn (K) χM (M) = 0Mn (K) ).

4) Polynôme minimal (hors programme mais classique)

Soient E un K-espace vectoriel et u ∈ L (E). On suppose que u admet au moins un polynôme annulateur
non nul (c’est toujours le cas en dimension finie !).
Alors l’ensemble des polynômes annulateurs de u est l’ensemble des multiples d’un unique polynôme
unitaire πu , appelé polynôme minimal de u.
Dém. Soit Pu l’ensemble des polynômes annulateurs de u ; par hypothèse Pu contient au moins un
polynôme non nul, donc l’ensemble E des degrés des éléments non nuls de Pu est une partie non vide
de N, je dispose donc de d = min E et d’un élément non nul B de Pu de degré d. Quitte à diviser B
par son coefficient dominant, je peux supposer B unitaire et je note MB l’ensemble des multiples de
B, dans K [X].
Je sais que, pour tout Q ∈ K [X], (BQ) (u) = B (u) ◦ Q (u) = 0 car B (u) = 0 par construction. Donc
BQ ∈ Pu ; il en résulte que MB ⊂ Pu .
Réciproquement, je considère A ∈ Pu et j’effectue la division euclidienne de A par B : A = BQ + R, où
deg R < deg B. J’ai d’une part A (u) = 0 par hypothèse, d’autre part A (u) = (BQ) (u) + R (u) = R (u),
d’où R ∈ Pu . J’en déduis que R = 0 (sinon deg R serait un élément de E strictement inférieur à d !).
Ainsi A = BQ ∈ MB .
Finalement Pu est l’ensemble des multiples du polynôme unitaire B. Et si B1 est un autre polynôme
unitaire vérifiant cette propriété, j’ai B multiple de B1 , B1 multiple de B et B, B1 tous deux unitaires,
d’où B1 = B.
Ainsi, l’ensemble K [u] de tous les polynômes en u (l’image de l’application P → P (u)) n’est autre que
Kd−1 [u] admettant pour base IdE , u, . . . ud−1 , de dimension d, degré du polynôme minimal πu .
En effet, l’inclusion Kd−1 [u] ⊂ K [u] est banale, l’inclusion réciproque s’obtient par division euclidienne
par πu (si A = πu Q + R, alors A (u) = R (u). . . ) et la famille IdE , u, . . . ud−1 est libre par définition
de d (si elle était liée il existerait un polynôme annulateur non nul de u, de degré strictement inférieur
à d, d’où une contradiction !).
2. Réduction des endomorphismes, des matrices carrées Page 7

IV - Endomorphismes et matrices carrées diagonalisables

1) Endomorphismes diagonalisables — Caractérisations

Soient E un K-espace vectoriel de dimension n ≥ 1 et u ∈ L (E).
Définition : u est diagonalisable si et seulement si E est somme directe des sous-espaces propres de u,
i.e.
E= Eλ (u) .
λ∈Sp(u)

Premières caractérisations : les assertions suivantes sont équivalentes.

1) u est diagonalisable.

2) Il existe une base de E formée de vecteurs propres de u.

3) Il existe une base de E où la matrice de u est diagonale.

4) La somme des dimensions des sous-espaces propres de u vaut n = dim E.

5) Le polynôme caractéristique de u est scindé et la dimension de chaque sous-espace propre est égale
à l’ordre de multiplicité de la valeur propre correspondante.

Cas particulier : si u admet n valeurs propres distinctes, u est diagonalisable et ses sous-espaces
propres sont des droites.

Projecteurs associés : soient u diagonalisable et (pλ )λ∈Sp(u) la famille de projecteurs associée à la

décomposition E = Eλ (u). On a, pour tout x de E,
λ∈Sp(u)

x= pλ (x) d’où u (x) = λ.pλ (x) (puisque pλ (x) ∈ Eλ (u) ).

λ∈Sp(u) λ∈Sp(u)
Autrement dit,
u= λ.pλ et par récurrence ∀k ∈ N uk = λk .pλ
λ∈Sp(u) λ∈Sp(u)

d’où par combinaison linéaire : ∀P ∈ K [X] P (u) = P (λ) .pλ .

λ∈Sp(u)
Il en résulte en particulier (cf. les polynômes de Lagrange) :
X −µ
∀λ ∈ Sp (u) pλ = Lλ (u) où Lλ (X) = .
λ−µ
µ∈Sp(u)
µ=λ
Théorème : u est diagonalisable si et seulement si u annule un polynôme scindé sur K dont toutes les
racines sont simples (en abrégé scindé à racines simples ou encore simplement scindé).

Attention ! Les racines du polynôme annulateur utilisé ne sont pas forcément toutes des valeurs propres
de u.

Corollaire : u est diagonalisable si et seulement si u annule le polynôme (X − λ).

λ∈Sp(u)

Exemple : projections, symétries.

Corollaire : si u est diagonalisable, pour tout sous-espace F stable par u, l’endomorphisme de F induit
par u est aussi diagonalisable.

Dém. Soient u diagonalisable, P un polynôme annulateur scindé à racines simples de u (il en existe
d’après le théorème précédent), F un sous-espace stable par u et v l’endomorphisme de F induit par
u ; il est clair que : ∀x ∈ F P (v) (x) = P (u) (x) = 0 ; ainsi P est également un polynôme annulateur
de v, or P est scindé à racines simples ! Donc v est diagonalisable.
2. Réduction des endomorphismes, des matrices carrées Page 8

2) Matrices carrées diagonalisables

Définition : une matrice M de Mn (K) est diagonalisable si et seulement si l’endomorphisme de Kn
canoniquement associé l’est.

Conséquence : les résultats du § 1 s’appliquent. . .

Propriétés : soit M ∈ Mn (K) ;

1) M est diagonalisable si et seulement si M est semblable à une matrice diagonale.

2) Lorsque M est diagonalisable, M s’écrit P DP −1 où D est diagonale et P la matrice de passage de

la base canonique de Kn à une base de vecteurs propres de M.

3) Si M = P DP −1 , alors pour tout polynôme Q, Q (M) = P.Q (D) .P −1 est diagonalisable

avec la même matrice de passage.

Exemples :
1) Si A ∈ Mn (K) admet une unique valeur propre λ, alors A est diagonalisable si et seulement si
A = λ.In (en effet il n’y a pas d’autre matrice semblable à λ.In ).
 
1+a (1)

2) Diagonaliser A =  .. 
 : j’écris A = a.I + U et je diagonalise U . . .
.
(1) 1+a
 
1 a b
3) A =  0 2 c  est-elle diagonalisable ?
0 0 2

V - Endomorphismes et matrices carrées trigonalisables

1) Définitions
• Soient E un K-espace vectoriel de dimension finie et u ∈ L (E) ; u est trigonalisable si et seulement
s’il existe une base de E où la matrice de u est triangulaire supérieure.
• M ∈ Mn (K) est trigonalisable si et seulement si l’endomorphisme de Kn canoniquement associé
l’est, autrement dit si et seulement si M est semblable à une matrice triangulaire supérieure.

2) Caractérisations
Les assertions suivantes sont équivalentes :
• u est trigonalisable ;
• le polynôme caractéristique de u est scindé sur K ;
• u annule un polynôme scindé sur K.

Corollaire : lorsque K = C, tout endomorphisme en dimension finie est trigonalisable.

Toute matrice de Mn (C) est trigonalisable.
2. Réduction des endomorphismes, des matrices carrées Page 9

3) Exemples
 
5 1 −2
1) Soit A =  −10 −2 7  ; j’ai χA (X) = (X − 2) (X − 3)2 donc Sp (A) = {2, 3} et
−4 −2 5
E2 (A) = Vect (1, 1, 2) ; E3 (A) = Vect (1, −2, 0) .
Par conséquent A n’est pas diagonalisable (1 + 1 < 3) ; il est facile ici de trigonaliser A : en complétant
la famille libre formée des deux vecteurs propres ci-dessus, j’obtiendrai dans une telle base une matrice
de la forme :  
2 0 ∗
P −1 AP =  0 3 ∗ 
0 0 3
Attention ! Une telle matrice peut ne pas être commode, notamment pour calculer
 les puissances
 de
2 0 0 0 0 ∗
A à l’aide de la formule du binôme : les matrices  0 3 0  et  0 0 ∗  risquent
0 0 3 0 0 0
de ne pas commuter.
On fait souvent l’effort d’obtenir une forme triangulaire et diagonale par blocs, en remarquant que :
R3 = Ker (A − 2.I) ⊕ Ker (A − 3.I)2 .
Ker (A − 2.I) est la droite Vect (1, 1, 2) et Ker (A − 3.I)2 est le plan P d’équation 2x + y − z = 0 ; en
effet,  
2 1 −1
(A − 3.I)2 =  2 1 −1  .
4 2 −2
Il suffit alors de choisir un vecteur e3 de Ker (A − 3.I)2 \ Ker (A − 3.I) et de poser e2 = (A − 3.I) e3
pour que (e2 , e3 ) soit une base de P (résultat classique, car A − 3.I induit sur P un endomorphisme
nilpotent, d’indice 2, mais en l’occurrence la vérification est immédiate !).
De plus, j’ai par construction (A − 3.I) e2 = (A − 3.I)2 (e3 ) = 0 ; ainsi, en posant f = Can A :
f (e2 ) = 3.e2 et f (e3 ) = e2 + 3.e3
 
2 0 0
Par conséquent, en posant e1 = (1, 1, 2), j’ai M(e1 ,e2 ,e3 ) f =  0 3 1  (forme de Jordan).
0 0 3
Prenons par
 exemple e
3  = (0, 1, 1) (qui est bien dans Ker (A − 3.I)2 mais pas dans Ker (A − 3.I)) :
0 −1
(A − 3.I)  1  =  2 , d’où e2 = (−1, 2, 0) (qui est bien dans Ker (A − 3.I) comme prévu).
1 0
Alors,    
1 −1 0 2 0 0
avec P =  1 2 1  , j’ai P −1 AP =  0 3 1  .
2 0 1 0 0 3
(P est sûrement inversible puisque j’ai accolé des bases de deux sous-espaces supplémentaires. . . ).
 
0 1 −1 −3
 −10 −12 0 10 
2) Soit A =   ; j’ai χA (X) = (X − 3) (X + 2)3 donc Sp (A) = {−2, 3} et
 6 6 −1 −5 
−13 −14 −1 10
E−2 (A) = Vect (1, 0, −1, 1) ; E3 (A) = Vect (1, −2, 1, −2) .
3
On vérifie que Ker (A + 2.I) est l’hyperplan H d’équation x + y − t = 0, dont on choisit, dans le même
esprit que ci-dessus, une base de la forme (e2 , e3 , e4 ) avec e3 = (A + 2.I) e4 , e2 = (A + 2.I) e3 . Avec,
par exemple, e4 = (1, −1, 0, 0), choisi dans Ker (A + 2.I)3 \ Ker (A + 2.I)2 , j’obtiens
   
1 −1 1 1 3 0 0 0
 −2 0 0 −1   0 
P =  qui vérifie P −1 AP =  0 −2 1 .
 1 1 0 0   0 0 −2 1 
−2 −1 1 0 0 0 0 −2
2. Réduction des endomorphismes, des matrices carrées Page 10
 
−1 0 0
3) Soit A =  1 0 −1  ; j’ai χA (X) = (X + 1)3 donc Sp (A) = {−1}.
1 1 −2
E−1 (A) est le plan P = Ker (A + I) d’équation x + y − z = 0.
On pourrait se contenter de compléter arbitrairement une base de P pour montrer que A est semblable
à une matrice de la forme  
−1 0 ∗
 0 −1 ∗  .
0 0 −1
On peut gagner un 0 supplémentaire en “jordanisant” : (A + I)2 = 0, donc, si je choisis e3 dans
Ker (A + I)2 \ Ker (A + I) et si je pose e2 = (A + I) e3 , j’ai (A + I) e2 = 0 et il reste à choisir e1 !
Or e2 est un vecteur non nul du plan Ker (A + I), il suffit donc de choisir e1 tel que (e1 , e2 ) soit une
base dudit plan. Avec par exemple e3 = (0, 0, 1), j’obtiens e2 = (0, −1, −1) et je choisis (par exemple à
nouveau !) e1 = (1, 0, 1). J’ai alors
   
−1 0 0 1 0 0
P −1 AP =  0 −1 1  avec P =  0 −1 0  .
0 0 −1 1 −1 1

VI - Exemples d’applications

1) Calcul des puissances d’une matrice carrée

a) Utilisation d’un polynôme annulateur
Déterminer le reste de la division euclidienne de X k par P , où P est un polynôme annulateur (de
préférence le polynôme minimal. . . ) :
si X k = P Qk + Rk et P (A) = 0, alors Ak = Rk (A)

b) Diagonalisation ou trigonalisation
Si A = P BP −1 alors Ak = P B k P −1 . . .

2) Approximation de la valeur propre de module maximal

Soit A ∈ Mn (C) et (λ1 , . . . , λn ) un système de valeurs propres de A (son polynôme caractéristique
étant scindé en vertu du théorème de d’Alembert !). Nous savons aussi que A est trigonalisable (cf.
§V.2) ; il en résulte par une récurrence immédiate que
n
∀p ∈ N Tr (Ap ) = λpk .
k=1
Supposons en outre que A admet une unique valeur propre λ de module maximal (cf. le titre de la
section. . . ), c’est-à-dire que, en notant I = {k ∈ [[1, n]] / λk = λ}
|λ| = max |λk | et ∀k ∈ I |λk | < |λ| .
1≤k≤n
Notant m la multiplicité de ladite valeur propre λ, j’ai
Tr (Ap ) = m.λp + λpk ∼ m.λp .
k∈I p→∞

Alors, si λ = 0, Tr (Ap ) est nulle à partir d’un certain rang (A est nilpotente) ; sinon,
Tr Ap+1
−→ λ.
Tr (Ap ) p→∞

3) Relations de récurrence linéaires à coefficients constants

On cherche l’ensemble des suites (un ) de KN vérifiant une relation de la forme
∀n ∈ N un+ℓ = aℓ−1 .un+ℓ−1 + · · · + a0 .un (R)
où ℓ est donné dans N∗ et a0 , . . . , aℓ−1 donnés dans K, a0 = 0.
2. Réduction des endomorphismes, des matrices carrées Page 11

a) Traduction matricielle  
un
 
un+1
 
À toute suite (un ) on associe la suite (Un ) de vecteurs de Mℓ,1 (K) définie par Un =  ...
 
  .
0 1 (0) un+ℓ−1
 . . . . 
En notant M = 
 . . 
 ∈ Mℓ (K), on constate que (un ) vérifie la relation (R) si et
(0) 0 1 
a0 a1 · · · aℓ−1
seulement si : ∀n ∈ N Un+1 = MUn , soit si et seulement si : ∀n ∈ N Un = M n U0 .
On est donc ramené au calcul des puissances de M.

b) Cas de l’ordre 2
0 1
Ici (R) s’écrit un+2 = aun+1 + bun et M = a pour polynôme caractéristique χM = X 2 − aX − b
b a
et c’est un polynôme annulateur (théorème de Cayley-Hamilton !). La division euclidienne de X n par
χM s’écrit X n = χM Q + αX + β, d’où M n = αM + βI.
1 er cas : M admet deux valeurs propres distinctes λ et µ dans K
αλ + β = λn
Alors (α, β) est la solution du système et on en déduit l’existence de deux scalaires A,
αµ + β = µn
B indépendants de n tels que
∀n ∈ N un = Aλn + Bµn .
Plutôt que d’expliciter M , on peut (sachant qu’ils existent !) déterminer les valeurs de A et B en
n

résolvant le système fourni par les valeurs de u0 et u1 .

2 e cas : M admet une valeur propre double λ dans K
αλ + β = λn
Alors λ est également racine du polynôme dérivé χ′M , donc (α, β) est la solution du système
α = nλn−1
et on en déduit l’existence de deux scalaires A, B indépendants de n tels que
∀n ∈ N un = (A + nB) λn .
A et B se déterminent comme dans le 1er cas.
3 e cas : K = R et M admet deux valeurs propres complexes conjuguées (non réelles !) re±iθ
D’après le 1er cas, un s’écrit sous la forme
rn A1 einθ + B1 e−inθ , (A1 , B1 ) ∈ C2 ,
qui s’écrit sous la forme
rn (A cos nθ + B sin nθ) , (A, B) ∈ R2
(car A1 et B1 sont nécessairement conjugués).
Bilan : on obtient donc la forme générale des solutions, selon la nature des solutions de l’équation
x2 − ax − b = 0, dite équation caractéristique de la relation (R).
Exemple : suite de Fibonacci, définie par u0 = u1 = 1 et ∀n ∈ N un+2 = un+1 + un .
Il faut se rappeler que la programmation récursive du calcul de un en collant à cette définition est à
proscrire. . .

c) Structure de l’ensemble des solutions

Indépendamment de tout calcul matriciel, on peut montrer que l’ensemble S des suites vérifiant (R)
est un K-espace vectoriel de dimension ℓ.
En effet, il est clair que l’application φ : S → Kℓ est un isomorphisme.
(un ) → (u0 , . . . , uℓ−1 )
2. Réduction des endomorphismes, des matrices carrées Page 12

4) Recherche de sous-espaces stables en dimension finie

Soient u ∈ L (E), F un sous-espace de E stable par u et v l’endomorphisme de F induit par u.
• Tout polynôme annulateur de u annule aussi v.
• Le polynôme caractéristique de v divise celui de u.
Ces remarques, accompagnées du théorème de Cayley-Hamilton, peuvent être utiles dans la recherche
des sous-espaces stables par u.
Si, en outre, u est diagonalisable, alors
E= Eλ (u) et F = F ∩ Eλ (u)
λ∈Sp(u) λ∈Sp(u)

(étant entendu que, parmi les F ∩ Eλ (u), certains peuvent être réduits à {0}).
En effet, v est diagonalisable, or
∀λ ∈ Sp (u) Ker (v − λ.IdF ) = F ∩ Ker (u − λ.IdE ) = F ∩ Eλ (u)
et Sp (v) ⊂ Sp (u), donc les sous-espaces propres de v sont les F ∩ Eλ (u) qui ne sont pas réduits à {0}.
On en déduit le résultat suivant (la réciproque étant évidente).
Propriété : si u est diagonalisable, les sous-espaces de E stables par u sont les sous-espaces de la forme
Fλ où, pour tout λ, Fλ est un sous-espace de Eλ (u), éventuellement {0}.
λ∈Sp(u)

5) Diagonalisation simultanée
Si u, v dans L (E) commutent et sont diagonalisables, alors il existe une base de E formée de vecteurs
propres communs à u et v (i.e. où les matrices de u et v sont toutes deux diagonales).
Dém. E = Eλ (u) et les Eλ (u) sont stables par v (puisque u et v commutent).
λ∈Sp(u)

Or v est diagonalisable, donc pour tout λ l’endomorphisme de Eλ (u) induit par v est diagonalisable. Je
dispose donc d’une base de Eλ (u) formée de vecteurs propres de v, qui sont aussi des vecteurs propres
de u !
En accolant les bases ainsi obtenues pour les différentes valeurs de λ, j’obtiens le résultat souhaité.
NB : lorsque u admet n valeurs propres distinctes en dimension n, rappelons que u est diagonalisable
et que ses sous-espaces propres sont n droites. Alors, si v commute avec u, ces droites sont stables
par v et donc toute base de vecteurs propres de u est aussi une base de vecteurs propres de v !
En particulier, v est diagonalisable !!

6) Sous-espaces caractéristiques (complément hors programme)

Soit E un K-espace vectoriel de dimension finie, u ∈ L (E), λ une valeur propre de u de multiplicité m.
Classiquement, la suite Ker (u − λIdE )j est croissante et – comme E est de dimension finie –
j∈N
je dispose de k ∈ N∗ tel que Ker (u − λIdE )k = Ker (u − λIdE )k+1 . Je démontre alors que
E = Ker (u − λIdE )k ⊕ Im (u − λIdE )k avec dim Ker (u − λIdE )k = m.
Ker (u − λIdE )k est le sous-espace caractéristique de u associé à λ.
L’endomorphisme induit par u sur Ker (u − λIdE )k a λ pour unique valeur propre, tandis que l’endomor-
phisme induit par u sur Im (u − λIdE )k n’admet pas λ pour valeur propre.
Lorsque le polynôme caractéristique de u est scindé, j’en déduis par récurrence que E est la somme
directe des sous-espaces caractéristiques de u.
C’est la première étape de la réduction de Jordan.
2. Réduction des endomorphismes, des matrices carrées Page 13

Dém. Pour f, g dans L (E), je démontre classiquement, en appliquant le théorème du rang à la restriction
de f à Im g, que
rg g = rg f ◦ g + dim (Ker f ∩ Im g) .
Toujours classiquement, comme
Ker (u − λIdE )k = Ker (u − λIdE )k+1 ,
j’ai
Ker (u − λIdE )k = Ker (u − λIdE )2k ,
d’où grâce au théorème du rang
rg (u − λIdE )k = rg (u − λIdE )2k

et donc, grâce au résultat précédent (avec f = g = (u − λIdE )k )

Ker (u − λIdE )k ∩ Im (u − λIdE )k = {0} .

Ces deux sous-espaces sont donc en somme directe, mais la somme de leurs dimensions est dim E,
toujours d’après le théorème du rang ; ils sont donc supplémentaires. Ils sont également stables par u
(noyau et image d’un endomorphisme qui commute avec u en tant que polynôme en u).
Soit v (resp. w) l’endomorphisme induit par u sur F = Ker (u − λIdE )k (resp. sur G = Im (u − λIdE )k ).
Par construction (v − λIdF )k = 0 (car : ∀x ∈ F (v − λIdF )k (x) = (u − λIdE )k (x) = 0).
Donc (X − λ)k est un polynôme annulateur de v, par conséquent λ est la seule valeur propre possible
de v. Or λ est bien valeur propre de v puisque F contient Ker (u − λIdE ) = Eλ (u) et que tout vecteur
propre de u appartenant à F est vecteur propre de v !
Donc Sp (v) = {λ} ; on en déduit classiquement que χv = (X − λ)d où d = dim F (car v − λIdF est
nilpotent. . . ).
Enfin λ n’est pas valeur propre de w : si x ∈ G vérifie w (x) = λx, alors u (x) = λx par définition de w,
mézalor x ∈ Eλ (u), donc x ∈ F ∩ G, c’est-à-dire que x = 0.
Comme χu (t) = χv (t) × χw (t) (déterminant d’une matrice diagonale par blocs puisque F et G sont
stables par u), j’en déduis
χu (t) = (t − λ)d × χw (t)
où χw n’admet pas λ pour racine.
Il en résulte que d est exactement l’ordre de multiplicité de la racine λ de χu , ce qu’il fallait démontrer.