ALGEBRE - 2ème Année

A. MARHFOUR
Chapitre 1

Réduction des matrices carrées

E est un espace vectoriel de dimension finie n sur K, avec

K = IR ou C.
I

Objectif :

Soit f un endomorphisme de E. Notre objectif est de

trouver une base de E relativement à laquelle la matrice
de f est la plus ”simple” possible.

1.1 Vecteurs propres et valeurs propres d’un

endomorphisme

Définition 1 Soit f un endomorphisme de E. Un

vecteur non nul x est appelé vecteur propre de f
s’il existe un scalaire λ ∈ K tel que :

f (x) = λx
1
2 CHAPITRE 1. RÉDUCTION DES MATRICES CARRÉES

Remarques :
1. 0E n’est pas un vecteur propre (bien que f (0E ) =
λ0E = 0E , ∀λ ∈ K).
2. Si x est un vecteur propre, la valeur λ associée est
unique. En effet, si x est un vecteur propre associé à
λ1 et λ2, on a :
f (x) = λ1x = λ2x =⇒ (λ1 − λ2)x = 0E
Comme x 6= 0E , on a donc λ1 − λ2 = 0
Définition 2 λ ∈ K est une valeur propre de
l’endomorphisme f s’il existe un vecteur x non nul
tel que :
f (x) = λx
Remarques :
1. Soit λ ∈ K une valeur propre. L’ensemble Eλ =
{x ∈ E : f (x) = λx} contient le vecteur nul 0E et
tous les vecteurs propres associés à λ. Eλ est un sous
espace vectoriel distinct de {0E }. En effet,
(a) Eλ 6= ∅, car 0E ∈ Eλ (f (0E ) = λ0E = 0E ).
D’autre part, il existe x 6= 0E :f (x) = λx, on a
donc Eλ 6= {0E }.
(b) Soient x et x0 deux vecteurs de Eλ, on a :
f (x+x0) = f (x)+f (x0) = λx+λx0 = λ(x+x0),
par conséquent, x + x0 ∈ Eλ
1.1. VECTEURS PROPRES ET VALEURS PROPRES 3

(c) Soient x ∈ Eλ et α ∈ K. On a :
f (αx) = αf (x) = α(λx) = λ(αx)),
par conséquent, αx ∈ Eλ. Eλ est bien un sous
espace vectoriel.
2. Eλ est stable par f : f (Eλ) ⊂ Eλ (si x ∈ Eλ, alors
f (x) = λx ∈ Eλ).
3. Eλ = Ker(f − λIdE ). En effet,
x ∈ Eλ ⇐⇒ f (x) = λx
⇐⇒ f (x) − λx = 0E
⇐⇒ f (x) − λIdE (x) = 0E
⇐⇒ (f − λIdE )(x) = 0E
⇐⇒ x ∈ Ker(f − λIdE )
4. λ ∈ K est une valeur propre si et seulement si
l’endomorphisme f − λIdE est non inversible. En
particulier 0 est une valeur propre si et seulement si
f est non inversible. En effet,
λ est une valeur propre ⇐⇒ ∃x 6= 0E : f (x) = λx
⇐⇒ ∃x 6= 0E : x ∈ Eλ
⇐⇒ ∃x 6= 0E : x ∈ Ker(f −λIdE )
⇐⇒ Ker(f −λIdE ) 6= {0E }
⇐⇒ f est non inversible
4 CHAPITRE 1. RÉDUCTION DES MATRICES CARRÉES

5. Si λ1 et λ2 sont deux valeurs propres distinctes, alors

Eλ1 ∩ Eλ2 = {0E }
En effet, si x ∈ Eλ1 ∩ Eλ2 , on a :
f (x) = λ1x = λ2x ⇒ (λ1 − λ2)x = 0E .
Comme λ1 − λ2 6= 0, on a donc x = 0E .
Définition 3 Eλ est appelé le sous espace propre
associé à la valeur propre λ.
Théorème 1 Soit λ1, λ2, ..., λm, m valeurs propres
deux à deux distinctes. Pour chaque λi, choisissons
vi ∈ Eλi \ {0E }, alors la famille (v1, v2, ..., vm) est libre
(donc m ≤ n).
Démonstration (par récurrence sur m):
Pour m = 1, il n’y a rien démontrer.
Supposons le résultat vrai pour m − 1 et démontrons le
pour m.
Soient α1, α2, · · · , αm tels que
α1v1 + α2v2 + · · · + αmvm = 0E (I)
En multipliant cette égalité par λm, on obtient :
α1λmv1 + α2λmv2 + · · · + αmλmvm = 0E (II)
D’autre part, on a
f (α1v1 + α2v2 + · · · + αmvm) = 0E
1.2. POLYNÔME CARACTÉRISTIQUE 5

Ce qui donne
α1λ1v1 + α2λ2v2 + · · · + αmλmvm = 0E (III)
En faisant la différence entre (III) et (II), on obtient :
α1(λ1−λm)v1+α2(λ2−λm)v2+· · ·+αm−1(λm−1−λm)vm−1 = 0E
Les λi étant deux à deux distinctes, on a donc par l’hypothèse
de récurrence
α1 = α2 = · · · = αm−1 = 0,
et par (I), on a αm = 0. Par suite, (v1, v2, ..., vm) est une
famille libre.
Corollaire 1 - Tout endomorphisme a au plus n valeurs
propres distinctes.
- Le sous espace vectoriel Eλ1 + Eλ2 + ... + Eλm est
une somme directe des sous espaces Eλ1 , Eλ2 , ..., Eλm .

1.2 Polynôme caractéristique d’un endomor-

phisme

Soit (ei)1≤i≤n une base de E. Pour chaque x ∈ E, il

existe x1, x2, · · · , xn ∈ K tels que :
n
x= xi e i .
X

i=1
Cette écriture est unique. On note
 
 x1 
 x2 
 
 
X=  ... 
 

 
 
xn
6 CHAPITRE 1. RÉDUCTION DES MATRICES CARRÉES

On note aussi

 x1 
 x2 
 
 
x  et on lit x de coordonnées x , x , · · · , x .
 ... 
1 2 n


 
 
xn
La matrice de f relativement à (ei)1≤i≤n est notée A =
(aij )1≤i,j≤n.
Définition 4 Les valeurs propres et les vecteurs pro-
pres de f sont également appelés les valeurs propres
et les vecteurs propres de A.
Il est à noter que
f (x) = λx ⇔ AX = λX
et que
AX = λX ⇔ (A − λIn)X = 0n,
où
     
1 0 ··· 0
 x1 
 0

0 1 ··· 0 x2  0
     
  
In = .. .. . . ..  , ,
X = ..  .
0n = .. 
     
  


. . . .
 . 


 


.
     
0 0 ··· 1 xn 0
1.2. POLYNÔME CARACTÉRISTIQUE 7

Théorème 2 Les assertions suivantes sont

équivalentes :
1. λ est une valeur propre de A.
2. La matrice A − λIn est non inversible.
3. det(A − λIn) = 0.

det(A − λIn) peut s’écrire

 
a11 − λ a12


 ··· a1n 
a21 a22 − λ ··· a2n 
 

det(A − λIn) =



 ... ... ... ... 

 
 
an1

 an2 · · · ann − λ 

= (−1)nλn + (−1)n−1tr(A)λn−1 + · · · + detA

L’application λ 7→ det(A−λIn) est un plynôme de degré
n en λ. On note Pf (λ) = PA(λ) = det(A − λIn). Ce
polynôme ne dépend pas de la base choisie (voir la re-
marque ci-dessous)

Définition 5 Pf (ou PA) est appelé le polynôme

caratéristique de f (ou de A).
Remarque :
Deux matrices carrées semblables A et B ont le même
polynôme caractéristique.

Démonstration
A et B sont semblables s’il existe une matrice inversible
8 CHAPITRE 1. RÉDUCTION DES MATRICES CARRÉES

P telle que
B = P −1AP.
On a donc

PB (λ) = det(B − λIn) = det(P −1AP − λP −1InP )

= det(P −1[A − λIn]P )

= det(P −1) × det(A − λIn) × det(P )
= det(A − λIn) = PA(λ)
Théorème 3 Les valeurs propres de f (ou de A) sont
les racines de son polynôme caractéristique.

Définition 6 On appelle spectre de f (ou de A)

l’ensemble des valeurs propres de f (ou de A), que
l’on note Sp(f ) (ou Sp(A)).

1.3 Diagonalisation

Définition 7 Un endomorphisme f de E est

diagonalisable s’il existe une base de E relativement
à laquelle la matrice de f est diagonale.
Une matrice carrée A d’ordre n est diagonalisable
s’il existe une matrice inversible P d’ordre n telle que
la matrice
D = P −1AP
soit diagonale.
1.3. DIAGONALISATION 9

Théorème 4 L’endomorphisme f est diagonalisable

si, et seulement si, on peut trouver une base de vecteurs
propres.

Théorème 5 (Condition suffisante de diagonalisation)

Si un endomorphisme f (resp. une matrice carrée
d’ordre n) admet n valeurs propres distinctes deux à
deux, alors f (resp. A) est diagonalisable.

Démonstration
Par les théorèmes 4 et 12, le résultat est immédiat.

Exemples

(a) Soient E = IR2 muni de sa base canonique (e1, e2) et

f l’endomorphisme de E dont la matrice est :
1 −1 
 

A=
3 −3
valeurs propres :
λ est une valeur propre de f si PA(λ) = det(A−λI2) = 0.
On a
 

1 − λ −1 
= λ2 + 2λ
 
PA(λ) =  
3 −3 − λ
 
 
 

D’où
Sp(A) = {0, −2}.
Par le théorème de la condition suffisante (CS), f est
diagonalisable.
10 CHAPITRE 1. RÉDUCTION DES MATRICES CARRÉES

Sous espaces propres

x x
   
1 1
E0 : x   ∈ E0 ⇔ AX = 02, avec X =  
x2 x2
1 −1   x1   0 
    

⇔ =
3 −3 x2 0
⇔ x1 − x2 = 0
1
 

Donc v1  engendre E0.

1
x
 
1
E−2 : x   ∈ E−2 ⇔ (A + 2I2)X = 02,
x2
3 −1   x1   0 
    

⇔ =
3 −1 x2 0
⇔ 3x1 − x2 = 0
1
 

Donc v2   engendre E−2.

3
(v1, v2) est une base de vecteurs propres.
La matrice de f relativement à (v1, v2) est
0 0 
 

D=
0 −2
La matrice de passage de (e1, e2) à (v1, v2) et
1 1
 

P =
1 3
et on a
D = P −1AP
1.3. DIAGONALISATION 11

(b) Soient E = IR3 muni de sa base canonique (e1, e2, e3)

et f l’endomorphisme de E dont la matrice est :
−1 1
 

1 
 1
B= −1 1
 


 
1 1 −1
Remarque : Toute matrice symétrique à coefficients
dans IR est diagonalisable dans IR.

valeurs propres :
λ est une valeur propre de f si PB (λ) = det(B−λI2) = 0.
On a
 
−1 − λ 1 1
 
 
 
 
PB (λ) = 

 1 −1 − λ 1 


1 1 −1 − λ
 
 
 
 
1−λ 1 1
 
 
 
 
= 1 − λ −1 − λ


 1 (C1 ← C1 +C2 +C3)



1−λ 1 −1 − λ
 
 
 
 
1 1 1
 
 
 
 
= (1 − λ) 1 −1 − λ


 1 


1 1 −1 − λ
 
 
 
 
1 1 1
 
 

 (L2 ← L2 − L1)


= (1 − λ) 0 −2 − λ

0 
(L3 ← L3 − L1)
 
 
0 0 −2 − λ
 
 
 

= (1 − λ)(−2 − λ)2
12 CHAPITRE 1. RÉDUCTION DES MATRICES CARRÉES

D’où
Sp(B) = {1, −2}.
On dit que λ = −2 est d’ordre de multiplicité égal à 2 ou
que λ = −2 est d’ordre 2.
Sous espaces
 
propres  
x
 1
x
 1
E1 : x  x  ∈ E1 ⇔ (A − I3 )X = 03 , avec X =  x2 
   
2
   
   
x3 x3
−2 1
    

1   x1   0 
⇔
 1 −2 1 x  = 0
    
 2  
    
1 1 −2 x3 0
⇔ x1 = x2 = x3
 
1
 
Donc v1   1  engendre E1 .
 

 


1 
x
 1
E−2 : x   x2  ∈ E−2 ⇔ (A + 2I2 )X = 02 ,
 

 
x3
    

1 1 1 
x 1 
0
 
⇔ 1 1 1   x2  =  0 
    
   
    
1 1 1 x3 0
⇔ x1 + x2 + x3 = 0
   

1  
1 
Donc v2  −1  et v3  0  engendrent E−2 .
   
   
   
0 −1
(v1, v2, v3) est une base de vecteurs propres.
1.3. DIAGONALISATION 13

La matrice de f relativement à (v1, v2, v3) est

 

1 0 0 
0
D= −2 0
 


 
0 0 −2
La matrice de passage de (e1, e2, e3) à (v1, v2, v3) et
 

1 1 1 
1
P = −1 0
 


 
1 0 −1
et on a
D = P −1AP

(c) On considère la matrice

1 −2 
 

C=
1 −1
valeurs propres :
λ est une valeur propre de C si PC (λ) = det(C − λI2) =
0. On a
 
1 − λ −2 

 = λ2 + 1

PC (λ) = 
1 −1 − λ 




C n’admet pas de valeurs propres dans IR :

Sp(C) = {−i, +i}.

Par le théorème CS, C est diagonalisable dans C.

I
14 CHAPITRE 1. RÉDUCTION DES MATRICES CARRÉES

Sous espaces propres

x x
  
1 1
Ei : x   ∈ Ei ⇔ (A − iI2)X = 02, avec X =  
x2 x2
1−i −2   x1   0 
    

⇔ =
1 −1 − i x2 0
⇔ (1 − i)x1 − 2x2 = 0
2
 

Donc v1   engendre E .
i
1−i
x
 
1
E−i : x   ∈ E−i ⇔ (A + iI2)X = 02,
x2
1 + i −2 x 0
    
1
⇔   =  
1 −1 + i x2 0
⇔ (1 + i)x1 − 2x2 = 0
2
 

Donc v2   engendre E .
−i
1+i
(v1, v2) est une base de vecteurs propres.
La matrice de f relativement à (v1, v2) est
i 0 
 

D=
0 −i
La matrice de passage de (e1, e2) à (v1, v2) et
2 2 
 

P =
1−i 1+i
et on a
D = P −1AP
A suivre ...