CHAPITRE VI R ÉDUCTION DES ENDOMORPHISMES ET DES MATRICES

C HAPITRE VI: R ÉDUCTION DES ENDOMORPHISMES ET DES MATRICES

Dans ce chapitre, K = R ou C. A est une matrice carrée d’ordre n. E est un espace vectoriel de dimension finie n.
f est un endomorphisme de E de matrice M dans une base quelconque de E.

I) Ordre de multiplicité d’une valeur propre

On rappelle que :
λ est valeur propre de f ⇔
⇔

On rappelle, par ailleurs, que dans le cours de PTSI : si P est un polynôme de K[X], a ∈ K et k ∈ N∗
a est une racine de P ⇔
a est une racine de multiplicité k ⇔
⇔
P est un polynôme scindé dans K[X] si

Définition : Ordre de multiplicité d’une valeur propre

Si λ est une valeur propre de f (resp. de A),
l’ordre de multiplicité m(λ) de λ est sa multiplicité en tant que racine de χA (resp χ f = χM )
Théorème : multiplicité et dimension de l’espace propre
Si λ est une valeur propre de f (resp. de A), alors
1 É dim Eλ ( f ) = dim Ker ( f − λi d E ) É m(λ)
(resp. 1 É dim Eλ (A) = dim Ker (A − λIn ) É m(λ))
Corollaire : valeur propre simple
Si λ est une valeur propre simple de f (resp. de A), alors dim Eλ ( f ) = 1 = m(λ) (resp. dim Eλ (A) = 1 = m(λ))
1 −1 α



E XEMPLE N O 1 Déterminer, suivant les valeurs α ∈ R,les valeurs propres et la multiplicité pour M =  0 2 −α 
1 1 2−α
Proposition : Trace, déterminant et valeurs propres
Si χ f (resp χA ) est un polynôme scindé dans K[X] alors
• det( f ) est le produit des valeurs propres (comptées avec leur multiplicité)
• Tr( f ) est la somme des valeurs propres (comptées avec leur multiplicité)

En vertu du théorème fondamental de l’algèbre, χ f (resp. χA ) est nécessairement scindé sur C[X] :
n n
Si SpC ( f ) = {λ1 , . . . , λn } (valeur propre comptée avec multiplicité) alors det( f ) = λk et Tr( f ) = λk
Y X
k=1 k=1
 
E XEMPLE N O 2 0 n ... n
 .. .. 
 n 0 . . 
Déterminer, sans calculer de déterminant, le polynôme caractéristique de A =   ∈ Mn (R) où n Ê 2
 
.. .. ..
. . . n 
 
On pourra commencer par étudier le rang de A + nI n

n ... n 0

1/9 LEROY - PT Paul Constans

CHAPITRE VI R ÉDUCTION DES ENDOMORPHISMES ET DES MATRICES

II) Endomorphismes et matrices diagonalisables

II-1) Définition et premiers exemples

Définition : Endomorphismes et matrices diagonalisables

• Un endomorphisme f d’un espace E est diagonalisable de dimension finie est diagonalisable s’il existe une base
de E dans laquelle sa matrice est diagonale.
• Une matrice carrée A est diagonalisable dans Mn (K) si elle est semblable à une matrice diagonale.
Autrement dit si l’endomorphisme canoniquement associé à A est diagonalisable sur Kn .

λ1 0 . . . 0
 
. 
 0 λ2 . . . .. 

Dans une telle base B = (e 1 , . . . e n ) où la matrice est de la forme D =  . .

.
 dans Mn (K) alors
 .. . . . 
. 0 
0 . . . 0 λn
•
•

• le polynôme caractéristique est nécessairement scindé dans Mn (K) :

Conséquence : Diagonaliser f (ou A), c’est trouver une base de vecteurs propres.
Attention ! Une matrice (ou un endomorphisme) n’est pas toujours diagonalisable !

Proposition : Exemples d’endomorphismes diagonalisables

Les projecteurs et les symétries d’un espace de dimension finie sont diagonalisables.
Si p ∈ L (E) est un projecteur où dim E = n, alors
Sp(p) = et χp (x) =
Si s ∈ L (E) est une symétrie où dim E = n alors
Sp(s) = et χs (x) =
µ ¶ µ ¶
0 1 0 1
Considérons les matrices A = et B = alors
0 0 −1 0

χA = et χB (X) =
Ainsi, Sp(A) = de sorte que A n’est pas diagonalisable :

Une matrice réelle peut être diagonalisable dans Mn (C) mais ne pas l’être dans Mn (R)
En effet : B n’est pas diagonalisable dans Mn (R) car
mais : SpC (B) = aussi :

2/9 LEROY - PT Paul Constans

CHAPITRE VI R ÉDUCTION DES ENDOMORPHISMES ET DES MATRICES

II-2) Condition nécessaire et suffisante de diagonalisation

Théorème : caractérisation de la diagonalisation par la somme directe des sev propres

f (resp. A) est diagonalisable
⇔ il existe une base de E constituée de vecteurs propres de f (resp. A)
⇔ la somme (qui est directe) des sous-espaces propres de f (resp. A) vaut E (resp. Kn )

Théorème fondamental : caractérisation de la diagonalisation par dimension des sev propres

f (resp. A) est diagonalisable dans Mn (K)
le polynôme caractéristique est scindé dans K[X]
½
⇔
la multiplicité de chaque valeur propre est égal à la dimension du sous-espace propre associé
autrement :
χ f (resp. χA ) est scindé dans K[X]
½
f (resp. A) est diagonalisable ⇔
∀λ ∈ Sp( f ) (resp. Sp(A)), m(λ) = dim Eλ ( f ) (resp. dim Eλ (A))

Corollaire : Une condition suffisante de diagonalisabilité

Si f (resp A) possède n valeurs propres distinctes alors f (resp A) est diagonalisable.
Remarque : Dans ce cas, χ f est un polynôme scindé à racines simples.

Remarque (pour les 5/2) : On disposera plus tard d’une autre condition suffisante de diagonalisabilité :

α
 
1 −1
S UITE EXEMPLE N O 1 Pour quelles valeurs du réel α, la matrice M =  0 2 −α  est diagonalisable ?
1 1 2−α
 
0 n ... n
. 
 n 0 . . . .. 

S UITE EXEMPLE N O 2 La matrice A =   ∈ Mn (R) où n Ê 2 est-elle diagonalisable ?
 .. . . . . 
 . . . n 
n ... n 0

3/9 LEROY - PT Paul Constans

CHAPITRE VI R ÉDUCTION DES ENDOMORPHISMES ET DES MATRICES

Méthode : Plan de diagonalisation

On considère l’endomorphisme f associé à la matrice A.
Sauf indication du sujet et cas particulier, pour répondre à la question :
• f est-il diagonalisable (resp. A est-elle diagonalisable ?) On détermine le polynôme caractéristique.

− S’il n’est pas scindé, f (resp. A) n’est pas diagonalisable.

− S’il est scindé (c’est le cas si K = C), on compare m(λ) avec dim E(λ), dimension du sev propre associé.
uniquement pour les valeurs propres λ uniquement avec m(λ) > 1.
Il n’est pas forcément nécessaire de déterminer une base de l’espace propre car :
dim E(λ) = n − rg( f − λi d ) = n − rg(A − λIn ) (théorème du rang)

soit il y a une valeur propre avec m(λ) 6= dim E(λ) et f (resp. A) n’est pas diagonalisable.
soit ∀λ ∈ Sp( f ) = Sp(A), m(λ) = dim E(λ) et f (resp. A) est diagonalisable.

• diagonaliser f (resp. A) (autrement dit on sait déjà que f (resp A) est diagonalisable)

− on recherche le polynôme caractéristique (qu’on peut parfois obtenir sans calcul de déterminant)
− on recherche une base de chacun des espaces propres.
Pour λ valeur propre, on examine la matrice A − λIn . Puisqu’on connaît dim E(λ) = m(λ), il suffit :

soit de chercher une famille libre de m(λ) vecteurs de E(λ) (à l’aide des colonnes de A − λIn )
soit de chercher une famille génératrice de Eλ avec m(λ) vecteurs ( en résolvant le système (A − λIn )X = 0n1 )

− on obtient une base B de vecteurs propres en réunissant les bases des différents espaces propres
− on peut écrire :
- la matrice diagonale D associée (attention à l’ordre des valeurs propres par rapport à l’ordre des vecteurs de B)
- la matrice de passage P entre la base initiale et la base B :
les colonnes de P sont les coordonnées des vecteurs de B dans la base initiale
- la relation matricielle de changement de base : D = P −1 AP

III) Endomorphisme et matrice trigonalisable

Définition : endomorphisme et matrice trigonalisable

• Un endomorphisme f d’un espace E de dimension finie est trigonalisable s’il existe une base de E dans laquelle
la matrice de f est triangulaire supérieure.
• Une matrice est dite trigonalisable si elle est semblable à une matrice triangulaire supérieure.
Remarques : Vu les définitions, il est trivial que :
• f est trigonalisable si sa matrice M dans une base quelconque de E est trigonalisable.
• A est une matrice trigonalisable si l’endomorphisme canoniquement associé à A est trigonalisable.

Théorème : (admis)
Un endomorphisme f (resp. Une matrice A) est trigonalisable si son polynôme caractéristique est scindé.

Corollaire :
• Tout endomorphisme d’un C espace vectoriel E de dimension finie est trigonalisable.
• Toute matrice de Mn (C) est trigonalisable dans Mn (C)

4/9 LEROY - PT Paul Constans

CHAPITRE VI R ÉDUCTION DES ENDOMORPHISMES ET DES MATRICES

Il n’y a pas au programme de technique de trigonalisation à connaître.

Les exercices devront donc comporter des indications sauf peut être dans le cas n = 2.

Étude du cas n = 2
On considère une matrice A ∈ M2 (K) trigonalisable sans être diagonalisable.
On note f ∈ L (K2 ) canoniquement associé à A
Nécessairement : Sp(A) = {λ}
aussi : χA (x) =
et : dim E A (λ) =
Une base de trigonalisation est une base B = (u, v) de K2 avec : MatB ( f ) =
Pour u, on doit donc choisir
Quitte à utiliser u 1 = αu plutôt que u comme premier vecteur de base, on aura : Mat(u1 ,v) ( f ) =

µ ¶
1 −1
E XEMPLE N 3 Réduire la matrice A =
O
1 3

Exemple de trigonalisation guidée si n = 3

λ 0 0
   
−1 0 0
E XEMPLE N O 4 Montrer que A =  −1 5 3  est semblable à T =  0 µ 1  où λ et µ sont des réels.
2 −6 −4 0 0 µ

5/9 LEROY - PT Paul Constans

CHAPITRE VI R ÉDUCTION DES ENDOMORPHISMES ET DES MATRICES

IV) Applications

IV-0) Savoir si deux matrices sont semblables

On considère deux matrices A et B de Mn (K) et on souhaite répondre à : Les matrices A et B sont-elles semblables ?
Autrement dit, si on note f ∈ L (Kn ) l’endomorphisme canoniquement associé à A, il s’agit de savoir s’il y a une
base de Kn dans laquelle la matrice de f est B.
Nous avons déjà examiné des conditions nécessaires liées à la similitude des matrices A et B : même trace, même
déterminant, même polynôme caractéristique, même dimension des espaces propres (mais pas égalité des es-
paces propres).
Si la réduction des matrices A et B conduit à une même réduite R (R=matrice diagonale D ou triangulaire T), alors
il s’agit d’une condition
½ suffisante pour conclure à la similitude de A et B. En effet :
−1
∃P ∈ GLn (R), P AP = R
⇒ P −1 AP = Q−1 BQ ⇒ (PQ−1 )−1 A(PQ−1 ) = B
∃Q ∈ GLn (R), Q−1 BQ = R
Remarques : En réduisant effectivement (i.e. en explicitant P et Q), on peut donc déterminer une relation de simi-
litude entre A et B.
Méthode : savoir si deux matrices sont semblables
On considère deux matrices A et B de Mn (K) et on note f ∈ L (Kn ) canoniquement associé à A.
• on compare la trace des matrices A et B (et éventuellement sur indication, le déterminant, le rang ou le rang de
A + λIn et de B + λIn pour un λ donnée)
Si les valeurs sont différentes, on peut conclure que A et B ne sont pas semblables.
• on compare les polynômes caractéristiques χA et χB
S’ils sont distincts, on peut conclure que A et B ne sont pas semblables.
• on réduit les matrices A et B :

− si A et B sont diagonalisables en une matrice D (identique puisque χA = χB ) alors, par transitivité de la relation
d’équivalence, A et B sont semblables entre elles.
− si l’une des matrices est diagonalisable et pas l’autre, il y a une valeur propre λ avec dim Eλ (A) 6= dim Eλ (B) ce
qui est contradictoire avec une relation de similitude entre A et B
(A et B semblable ⇒ ∀λ ∈ Sp(A) = Sp(B), dim Eλ (A) = dim Eλ ( f ) = dim Eλ (B))
− si A et B sont trigonalisables en une matrice T (avec éventuelles indications du sujet) alors, par transitivité de
la relation d’équivalence, A et B sont semblables entre elles.

E XEMPLE N O 5
µ ¶ µ ¶
2 0 1 0
Les matrices A = et B = sont-elles semblables ? Si oui, expliciter la relation de similitude.
−1 1 1 2
µ ¶ µ ¶
2 1 1 0
Même question avec A = et B = .
−1 0 −1 1

6/9 LEROY - PT Paul Constans

CHAPITRE VI R ÉDUCTION DES ENDOMORPHISMES ET DES MATRICES

IV-1) Calcul des puissances itérées d’une matrice diagonalisable

En PTSI, vous avez rencontré diverses méthodes pour calculer Ak lorsque A est une matrice :
• Utilisation d’une récurrence si on conjecture Ak sur le calcul des premières puissances
• Utilisation d’une décomposition A = λIn + N où N est une matrice nilpotente puis formule du binôme
• Utilisation d’un polynôme annulateur (donné et de petit degré) ie P tel que P(A) = Onn en calculant le reste de la
division de X k par P : ∃(Qk , Tk ) ∈ R[X]2 , X k = Q × P + R ⇒ Ak = Qk (A) × Onn + Rk (A) = Rk (A)
Dans le cas d’une matrice diagonalisable, le calcul des puissances de A devient simple :
Méthode : Calcul des puissances itérées d’une matrice diagonalisable
Si A est diagonalisable alors A et D = diag(λ1 , λ2 , . . . , λn ) sont semblables autrement dit :
∃P ∈ GLn (K), D = P −1 AP ⇔ A = PDP −1
Pour k ∈ N, comme D est diagonale, Dk = diag(λk1 , λk2 , . . . , λkn ) et, par une récurrence triviale : Ak = PDk P −1

Application : Les suites (X n )n∈N de (Kp )N vérifiant : ∀n ∈ N, X n+1 = AX n avec A ∈ Mp (K) et X 0 ∈ Kp donnés
ont pour expression : ∀n ∈ N, X n = An X 0 ce qu’on obtient en calculant les puissances itérées de A
E XEMPLE N O 6 Déterminer l’expression du terme général des suites vérifiant:
   

 u n+1 = −(v n + w n ) u0 0 Ã ! Ã !
u0 1
½
u n+1 = u n − v n
1) ∀n ∈ N, v n+1 = −2v n − 3w n avec  v 0  = 1 2) ∀n ∈ N, avec =
   
v n+1 = u n + 3v n v0 1
w n+1 = −2v n − w n

w0 0

Une application en Python : calcul numérique de la valeur propre de plus grand module
λ1 ? . . . ?
 

 0 ...
 

Considérons une matrice A trigonalisable en une matrice T =   .. . . . .
 avec : |λ1 | > |λ2 | Ê · · · Ê |λn |.

 . . . ? 
0 . . . 0 λn
Rappels : Si A et B sont des matrices triangulaires d’ordre n alors AB est aussi triangulaire
et : [AB]i i = [A]i i [B]i i pour i ∈ ‚1, nƒ où [M]i j est le coefficient ligne i colonne j de la matrice M.
On peut donc en déduire que T k est une matrice triangulaire avec λk1 , λk2 , . . . , λkn sur la diagonale.
n
Pour tout k ∈ N : Ak et T k sont aussi semblable et elles ont donc la même trace soit : Tr(Ak ) = Tr(T k ) = λki
X
i =1
´k
λn k
´k
λ2 λ2 λn k
³ ³ ´ ³ ³ ´
Tr(Ak ) λk1 + · · · + λkn λk1 1+ +...
λ1
1+
λ1
+... λ1 λ1
Alors : = = k−1 × ³ ´k−1 = λ1 ×
Tr(Ak−1 ) λk−1 + · · · + λk−1
³ ´k−1 ³ ´k−1 ³ ´k−1
1 n λ1 1 + λλ21 + . . . λλn1 1 + λλ21 + . . . λλn1
¯ λi ¯ Tr(Ak )
¯ ¯
Comme ¯¯ ¯¯ < 1 pour i ∈ ‚2, nƒ, on obtient : lim = λ1
λ1 k→+∞ Tr(Ak−1 )

7/9 LEROY - PT Paul Constans

CHAPITRE VI R ÉDUCTION DES ENDOMORPHISMES ET DES MATRICES

IV-2) Suites récurrentes linéaires à coefficients constants

On généralise la définition des suites récurrente linéaire d’ordre 2 étudiées en PTSI :

Théorème et méthode : suite récurrente linéaire d’ordre 2 à coefficients dans R
(u 0 , u 1 ) ∈ R2 fixé
½
N
Soit (u n )n∈N ∈ R vérifiant : avec (a, b, c) ∈ R∗ × R × R
∀n ∈ N, au n+2 + bu n+1 + cu n = 0

• On résout l’équation caractéristique associée ax 2 + bx + c = 0 de discriminant ∆

• Il y a alors 3 possibilités :

− si ∆ > 0 alors il y a 2 racines réelles distinctes r 1 et r 2 et alors : ∃(α, β) ∈ R2 , ∀n ∈ N, u n = αr 1n + βr 2n

− si ∆ = 0 alors il y a une racine double r et : ∃(α, β) ∈ R2 , ∀n ∈ N, u n = (αn + β)r n
− si ∆ < 0 alors il y a 2 racines complexes ρe ±i θ et : ∃(α, β) ∈ R2 , ∀n ∈ N, u n = ρn (α cos(nθ) + β sin(nθ))

• On calcule α et β en résolvant un système avec les termes initiaux u 0 et u 1

Remarque : Si (a, b, c) ∈ C∗ × C × C alors il n’y a que 2 cas :

∆ 6= 0 analogue au cas ∆ > 0 avec (α, β) ∈ C2 et ∆ = 0 analogue au cas ∆ = 0 avec (α, β) ∈ C2

Définition et proposition : Suite récurrente linéaire d’ordre p à coefficients constants

Si p ∈ N∗ , on appelle suite récurrente linéaire d’ordre p à coefficients dans K une suite (u n )n∈N ∈ KN définie par :
∀n ∈ N, u n+p = a 0 u n + a 1 u n+1 + · · · + a p−1 u n+p−1 (∗) où (a 0 , . . . , a p−1 ) ∈ Kp est fixé

L’ensemble de ces suites est un espace vectoriel de dimension p

On cherche à obtenir un résultat analogue au cas d’ordre 2 pour l’ordre p ∈ N avec p Ê 2, du moins dans certains
cas. Le théorème de PTSI précise une base de E2 dans les trois situations :
- si ∆ > 0 alors les deux suites géométriques (r 1n )n∈N et (r 2n )n∈N forment une base de E2
- si ∆ = 0 alors les deux suites ¡(r n )n∈N et (nr n
¢ )n∈N¡ forment une
¢ base de E2
- si ∆ < 0 alors les deux suites ρ cos(nθ) n∈N et ρn sin(nθ) n∈N forment une base de E2
n

On cherche donc à préciser une base de E p et on va exploiter pour cela une approche matricielle.
Si (u n ) ∈ E p , on pose :
 
u n+p−1
 u n+p−2 
Xn =   ∈ Mp,1 (K) (on démarre de un et on prend p termes consécutifs) et on cherche A ∈ Mp (R) telle que :
 
..
 .     
u n+p u n+p−1
un
 u n+p−1   u n+p−2 
X n+1 = AX n ⇔  =
   
..   .. 
 .   . 
u n+1 un
On a ainsi : X n = An X 0 (récurrence immédiate) qui permet d’obtenir l’expression de u n avec la dernière coordonnée.
On a donc ramener le problème au calcul de An : le programme n’envisage que deux situations
le cas p = 2 (vu en PTSI) ou le cas où A possède p valeurs propres distinctes λ1 , . . . , λp .
Si A possède p valeurs propres distinctes alors A est diagonalisable aussi : ∃P ∈ GL p (K), É A = Pdiag(λ1 , . . . , λp )P −1
 n
λ1 0 . . . 0
    
u n+p−1 u p−1
. 
 u n+p−2   0 λn . . . ..  −1   u p−2 
 
Par suite : 
 
= P 2 P  ..  et, une fois les produits matriciels réalisés,
..   .. . . . .
 
. . . 0   . 

   .
un 0 . . . 0 λnp u0
on remarque que u n s’exprime comme une combinaison linéaire de λn1 , λn2 , . . . , λnp autrement dit :
³ ´
E p ⊂ Vect (λn1 ), (λn2 ), . . . , (λnp )

8/9 LEROY - PT Paul Constans

CHAPITRE VI R ÉDUCTION DES ENDOMORPHISMES ET DES MATRICES

³ ´
Or, la famille (λn1 ), (λn2 ), . . . , (λnp ) est une famille libre de Kp lorsque les scalaires λ1 , . . . , λp sont 2 à 2 distincts.
 ³ ´
 dim Vect (λn ), (λn ), . . . , (λn ) = p = dim E p
p
³ ´
1 2 n n n
Donc : ³ ´ ⇒ E p = Vect (λ1 ), (λ2 ), . . . , (λp ) et
 E p ⊂ Vect (λn ), (λn ), . . . , (λn )
1 2 p
³ ´
(λn1 ), (λn2 ), . . . , (λnp ) est une base de E p

De ce fait : u = (u n )n∈N ∈ E p ⇔ ∃(α1 , . . . , αp ) ∈ Kp , ∀n ∈ N, u n = α1 λn1 + · · · + αp λnp et on détermine α1 , . . . , αp à

l’aide du système formé par les p première équations données par la connaissance des termes u 0 , u 1 , . . . , u p−1 .
Pour conclure, il s’agit de trouver les valeurs propres de A qui sont les racines de son polynôme caractéristique :

Théorème et méthode : suite récurrente linéaire scalaire d’ordre p avec p racines distinctes pour l’équation caractéristique
On considère une suite (u n )n∈N ∈ KN qui vérifie la relation :
∀n ∈ N, u n+p = a 0 u n + a 1 u n+1 + · · · + a p−1 u n+p−1 (∗) où (a 0 , . . . , a p−1 ) ∈ Kp est fixé
L’équation caractéristique associée est : x p − a p−1 x p−1 − a p−2 x p−2 − · · · − a 1 x − a 0 = 0.
Si cette équation possède p racines distinctes λ1 , λ2 , . . . , λp alors :

∃(α1 , . . . , αp ) ∈ Kp , ∀n ∈ N, u n = α1 λn1 + α2 λn2 + · · · + αp λnp

et on précise les constantes α1 , . . . , αp en résolvant un système de p équations obtenues avec les p premiers termes
u 0 , u 1 , . . . , u p−1 de la suite qui sont connus.
½
u 0 = 0, u 1 = 3, u 2 = 0
E XEMPLE N 7 Donner l’expression générale de la suite (u n ) vérifiant
O
∀n ∈ N, u n+3 = −u n+2 + 4u n+1 + 4u n

Il y a énormément d’autres applications de la réduction des endomorphismes. Nous verrons, par exemple, en
exercice : la recherche des solutions d’équation matricielle et, plus tard, dans le cours, la réduction des coniques,
la résolution des systèmes différentiels linéaires.

9/9 LEROY - PT Paul Constans