DERNIÈRE IMPRESSION LE 18 août 2017 à 13:56

Représentation matricielle des

applications linéaires

Table des matières

1 Matrice d’une application linéaire 2

1.1 Matrice dans les bases canoniquement associées à A . . . . . . . . . 2
1.2 Rang d’une application linéaire. Image d’un vecteur . . . . . . . . . 3
1.3 Matrice de la composée et de la réciproque . . . . . . . . . . . . . . 4
1.4 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2 Changements de bases, équivalence et similitude 5

2.1 Changement de bases . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Matrices équivalentes . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3 Matrices extraites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4 Matrices semblables et trace d’un endomorphisme . . . . . . . . . . 9

3 Diagonalisation des matrices carrées 10

3.1 Valeurs propres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.2 Diagonalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

PAUL MILAN 1 CPGE - L1 - ALGÈBRE

 1. MATRICE D’UNE APPLICATION LINÉAIRE

1 Matrice d’une application linéaire

Définition 1 : E et F deux K-espaces vectoriels de dimensions resp. p et n.

B = (e1 , . . . , e p ) une base de E f ( e1 ) f (e j ) f (e p )

↓ ↓ ↓
B′ = (e1′ , . . . , en′ ) une base de F.
← e1′
 
a11 . . . a1j . . . a1p
Soit f ∈ L ( E, F ) .  .. .. ..
 . . .


On appelle matrice de f dans B et B′ , la
 ai1 . . . aij . . . aip  ← ei′
 
matrice (n, p) de la famille :  . .. .. 

 .. . . 
f ( B) = u(e1 ), . . . , u(e p ) dans B′ .
an1 . . . anj . . . anp ← en′
Elle est notée : MatB,B′ ( f ) ↑
Si E = F et si B = B′ , la matrice est coordonnées de f (e j ) dans B′
notée MatB ( f )

Remarque : Si E est un K-espace vectoriel de dimension n alors : MatB (IdE ) = In

Exemples :  
1 0 2
• f l’endomorphisme de R2 [ X ] de matrice 3 1 4 dans la base canonique.
0 4 5
On a : f (1) = 3X + 1 , f ( X ) = 4X 2 + X , f ( X 2 ) = 5X 2 + 4X + 2

• Soit R2 de base canonique B = (~ı,~). r (~)

~

r : R2 −→ R2 la rotation d’angle θ. θ
r (~ı)

r (~ı) = cos θ~ı + sin θ~ θ

~ı
r (~) = − sin θ~ı + cos θ~ donc
 
cos θ − sin θ
MatB,B (r ) =
sin θ cos θ

1.1 Matrice dans les bases canoniquement associées à A

Théorème 1 : Soit A ∈ Mn,p (K ).

Si on note ϕ l’application canoniquement associée à A et B p et Bn , les bases cano-
niques respectives de K p et K n , alors : A = MatB p ,Bn ( ϕ)

Exemple :
 
1 0
Soit ϕ l’application linéaire canoniquement associée à la matrice  1 1.
−1 1

PAUL MILAN 2 CPGE L 1 - ALGÈBRE

 1. MATRICE D’UNE APPLICATION LINÉAIRE

Soit les bases B1 = ((0, 1), (1, 0)) et B2 = ((1, 1, 1), (1, 1, 0), (1, 0, 0)).
Déterminer MatB1 ,B2 ( ϕ)
• On détermine les images de (0, 1) et (1, 0) dans la base canonique de R3 :
       
1 0   0 1 0   1
0 1
ϕ ((0, 1)) =  1 1  =  1  et ϕ ((1, 0)) =  1 1  =  1
1 0
−1 1 1 −1 1 −1

• On exprime ces deux vecteurs dans la base B2 :

e e
z }|1 { z }|3 { B2
(0, 1, 1) = (1, 1, 1) − (1, 0, 0) donc (0, 1, 1) −→ (1, 0, −1)
e e
z }|1 { z }|2 { B
2
(1, 1, −1) = − (1, 1, 1) +2 (1, 1, 0) donc (1, 1, −1) −→ (−1, 2, 0)
 
1 −1
• On obtient alors : MatB1 ,B2 ( ϕ) =  0 2
−1 0

1.2 Rang d’une application linéaire. Image d’un vecteur

Théorème 2 : Soient E et F deux K-espaces vectoriels de dim. finies de bases

respectives B et B′ . Si f ∈ L ( E, F ) alors : rg( f ) = rg (MatB,B′ ( f ))

Démonstration :
rg (MatB,B′ ( f )) = rg [MatB′ ( f ( B))] = rg ( f ( B)) = dim Im f = rg( f )

Théorème 3 : Soient E et F deux K-espaces vectoriels de dim. finies de bases

respectives B et B′ , f ∈ L ( E, F ) et x ∈ E.
On a alors : MatB′ ( f ( x )) = MatB,B′ ( f ) × MatB ( x )

Démonstration : Application de la linéarité de f .

• Soit B = (e1 , . . . , e p ) une base E et B′ = (e1′ , . . . , en′ ) une base F.
• Soit X = MatB ( x ) les coordonnées de x dans B.
• Soit A = ( aij ) la matrice de f dans les bases B et B′ : A = MatB,B′ ( f )
! !
p p p n p n n p
linéarité
f (x) = f ∑ xj ej = ∑ x j f (e j ) = ∑ x j ∑ aij ei′ = ∑ ∑ x j aij ei′ = ∑ ∑ x j aij ei′
j =1 j =1 j =1 i =1 j =1 i =1 i =1 j =1
!
p p
Les coordonnées de f ( x ) dans B′ sont ∑ x j a1j , . . . , ∑ x j anj
j =1 j =1
C’est à dire MatB,B′ ( f ) × MatB ( x )

PAUL MILAN 3 CPGE L 1 - ALGÈBRE

 1. MATRICE D’UNE APPLICATION LINÉAIRE

Exemple : Déterminer le noyau et l’image en même temps par opérations sur

les colonnes. Soit l’endomorphisme f de matrice dans la base canonique :
 
3 3 6
A = 0 1 2
0 2 4
   
3 3 6 1 0 0
0 1 2 0 1 0
0 2 4 0 0 1
   
3 0 0 1 −1 −2
0 1 2 C2 ← C2 −C1 0 1 0
0 2 4 C3 ← C3 −2C1 0 0 1
   
3 0 0 1 −1 0
0 1 0 0 1 −2
0 2 0 C3 ← C3 −2C2 0 0 1

On a alors : Im f = Vect((3, 0, 0), (0, 1, 2)) et Ker f = Vect((0, −2, 1))

B Si E3 = R2 [ X ], on a Im f = Vect(3 , 2X 2 + X ) et Ker f = Vect( X 2 − 2X ))

1.3 Matrice de la composée et de la réciproque

Théorème 4 : Soit E, F et G trois K-espaces vectoriels de dimensions respec-

tives p, n et m et de bases respectives B, B′ et B′′ . Soit f ∈ L ( E, F ) et g ∈ L ( F, G )
• MatB,B′′ ( g ◦ f ) = MatB′ ,B′′ ( g) × MatB,B′ ( f )
• f isomorphisme de L ( E, F ) ⇔ MatB,B′ ( f −1 ) = [MatB,B′ ( f )]−1

Théorème 5 : Matrice de Vandermonde

 
1 x1 x12 . . . x1n−1
 
1 x2 x22 . . . x n−1 
2
La matrice A =  . .  est inversible si, et seulement si,
 
 .. .. .
.. .
.. 
 
1 xn xn2 . . . xnn−1
les scalaires x1 , . . ., xn sont distincts.

Démonstration : Par double implications :

• Si deux des scalaires x1 ,. . ., xn sont égaux alors la matrice de Vandermonde A
possède deux lignes identiques et donc n’est pas inversible.
• Réciproquement, supposons x1 , . . ., xn distincts et notons l’application linéaire :
(
K n−1 [ X ] −→ K n
ϕ :
P 7−→ ( P( x1 ), . . . , P( xn ))

PAUL MILAN 4 CPGE L 1 - ALGÈBRE

 2. CHANGEMENTS DE BASES, ÉQUIVALENCE ET SIMILITUDE

P( x1 ) = · · · = P( xn ) = 0 ⇒ P possède n racines distinctes et d◦ P 6 (n − 1)

⇒ P=0
ϕ est donc injective et comme dim K n−1 [ X ] = dim K n = n, ϕ est bijective donc
ϕ est un isomorphisme de K n−1 [ X ] sur K n .
La matrice de ϕ dans les bases canoniques respectives de K n−1 [ X ] et K n est
alors la matrice de Vandermonde qui est donc inversible.

1.4 Exemple
Soit E un K-espace vectoriel de dimension 3.
Soit f ∈ L ( E) telle que f 2 = 0L ( E) et f 6= 0L ( E)  
0 0 1
Montrer qu’il existe une base B de E telle que : MatB ( f ) = 0 0 0
0 0 0

• Analyse de la matrice :
D’après la matrice que l’on doit obtenir, si l’on appelle B = (e1 , e2 , e3 ) la base
de E considérée. On doit avoir f (e1 ) = f (e2 ) = 0 et f (e3 ) = e1 .
• Synthèse :
f 2 = 0L ( E) ⇒ f (Im f ) = {0} ⇒ Im f ⊂ Ker f ⇔ rg( f ) 6 dim Ker f
D’après le théorème du rang : dim E = rg( f ) + dim Ker f ⇒
dim E 3
dim E 6 2Ker f ⇒ 2Ker f > dim E ⇒ Ker f > ⇒ dim Ker f >
2 2
or f 6= 0L ( E) donc dim Ker f < 3, on en conclut que dim Ker f = 2
Soit e3 ∈ E/Ker f et posons f (e3 ) = e1 .
On a f [ f (e3 )] = 0 = f (e1 ) par hypothèse donc e1 ∈ Ker f .
Complétons par e2 tel que (e1 , e2 ) soit une base de Ker f .
On obtient alors la matrice voulue.

2 Changements de bases, équivalence et similitude

2.1 Changement de bases

Théorème 6 : Soient E 6= {0E } un K-espace vectoriel de dimension finie et B,

B′ et B′′ trois bases de E.
′
La matrice de passage de B à B′ est la matrice : PBB = MatB ( B′ ) = MatB,B′ (IdE ).
′
 ′  −1 ′ ′′ ′′
• PBB est inversible et PBB = PBB′ • PBB PBB′ = PBB
′
• Pour tout x ∈ E de coordonnées X dans B et X ′ dans B′ , on a : X = PBB X ′

PAUL MILAN 5 CPGE L 1 - ALGÈBRE

 2. CHANGEMENTS DE BASES, ÉQUIVALENCE ET SIMILITUDE

Exemple :
~
~v
Dans R2 considérons :
θ ~u
• la base canonique Bc = (~ı,~)
θ
• et la base Bθ = (~u, ~v) comme indi-
quée sur la figure. ~ı
 
B cos θ − sin θ
On a : ~u = cos θ~ı + sin θ~ et ~v = − sin θ~ı + cos θ~ donc PBcθ =
sin θ cos θ
     ′  ′ 
x cos θ − sin θ x x cos θ − y′ sin θ
Ainsi : = =
y sin θ cos θ y′ x ′ sin θ + y′ cos θ
 
cos θ sin θ Bθ −1
 
B 2
det( PBcθ )
= cos2 θ
+ sin θ = 1 ⇒ = PBBθc PBc =
− sin θ cos θ
 ′     
x cos θ sin θ x x cos θ + y sin θ
Ainsi : = =
y′ − sin θ cos θ y − x sin θ + y cos θ

Théorème 7 : Soit E et F deux K-espaces vectoriels de dimensions finies.

• B1 et B2 deux bases de E et B1′ et B2′ deux bases de F.
B′
• On pose P = PBB12 et Q = PB′2
1

• f ∈ L ( E, F ), on pose A = MatB1 ,B′ ( f ) et A′ = MatB2 ,B′ ( f )

1 2
′ −1
Alors : A =Q AP

Démonstration : IdE , P
E, B2 E, B1
A′ matrice qui va de ( E, B2 ) dans ( F, B2′ ),
on applique donc P puis A puis Q−1
f , A′ f, A
En effet
f ◦ IdE = IdF ◦ f ⇔ AP = QA′ ⇔ A′ = Q−1 AP F, B2′ F, B1′
IdF , Q

Remarque : Dans un endomorphisme de L ( E) et B1 et B2 deux base de E :

A = MatB1 ( f ), A′ = MatB2 ( f ), P = PBB12 alors A′ = P−1 AP

Théorème 8 : Matrice de rang r. Soit E et F deux K-espace vectoriel de di-

mensions respectives p et n et f ∈ L ( E, F ) de rang r.  
Ir 0
Il existe un couple de base B de E et B′ de F telles que MatB,B′ ( f ) =
0 0

Démonstration :
 
Ir 0
Peut-on trouver B = (ei )16i6 p et B′ = (ei′ )16i6n telles que MatB,B′ ( f ) = ?
0 0

PAUL MILAN 6 CPGE L 1 - ALGÈBRE

 2. CHANGEMENTS DE BASES, ÉQUIVALENCE ET SIMILITUDE

• Pour que les p − r colonnes de MatB,B′ ( f ) soient nulles, il faut que er+1 , . . ., e p
soient éléments de Ker f .
D’après le théorème du rang : rg(Ker f ) = p − r, on peut choisir er+1 , . . . , e p
famille libre de Ker f et compléter e1 , . . ., er pour former une base B de E.
• Pour que les colonnes de MatB,B′ ( f ) correspondent à Ir , il suffit de poser
f (e j ) = e′j pour j ∈ [[1, r ]] puis compléter er′ +1 , . . ., en en une base B′ de F.
La famille (e j )16 j6 p par construction engendre un supplémentaire I de Ker f
 
dans E donc f | I est un isomorphisme de I sur Im f et donc f (e j ) = e′j
16 j6r
est une famille libre.
On a bien trouver un couple de bases B de E et B′ de F.

2.2 Matrices équivalentes

Définition 2 : A, B ∈ Mn,p (K ).
• On dit que B est équivalente à A s’il existe deux matrices inversibles
P ∈ GL p (K ) et Q ∈ GLn (K ) telle que : B = Q−1 AP.
• Si, à partir d’opérations élémentaires sur A, on obtient une matrice B alors les
matrices A et B sont équivalentes.
• Deux matrices A et B sont équivalentes si et seulement si A et B représentent
la même application linéaire dans deux couples de bases.

Théorème 9 : Soit la relation R sur Mn,p (K ) définie par « être équivalente à ».

• La relation R est une relation d’équivalence.
• Deux matrices de Mn,p (K ) sont équivalentes si et seulement si elles ont le
même rang.

Démonstration : R relation d’équivalence. Soit A, B, C ∈ Mn,p (K )

• Réflexivité : A = ( In )−1 AI p donc A R A
• Symétrie : A R B ⇒ B = Q−1 AP ⇒ QBP−1 = A ⇒ B R A
• Transitivité :
( (
AR B B = Q−1 AP
⇒ ′−1 ′
⇒ C = Q′−1 ( Q−1 AP) P′ = ( QQ′ )−1 A( PP′ ) ⇒ A R C
BR C C = Q BP

Soit A ∈ Mn,p (K ) de rang r. Notons ϕ l’application canoniquement associée à A.

D’après le théorème précédant, n ′ p
  il existe un couple de bases B de K et B de K
I 0
tels que MatB,B′ ( A) = r = Jr donc A et Jr sont équivalentes.
0 0

Théorème 10 : ∀ A ∈ Mn,p (K ) : rg(tA) = rg( A)

PAUL MILAN 7 CPGE L 1 - ALGÈBRE

 2. CHANGEMENTS DE BASES, ÉQUIVALENCE ET SIMILITUDE

2.3 Matrices extraites

Théorème 11 : Soient A ∈ Mn,p (K ), m ∈ [[0, n − 1]] et q ∈ [[0, p − 1]].

• Une matrice extraite ou sous-matrice de A est une matrice B obtenue en sup-
primant m lignes et q colonnes de A. On a alors B ∈ Mn−m,p−q (K ).
• Pour toute matrice B extraite de A, on a : rg( B) 6 rg( A).
• Caractérisation du rang par les matrices carrées extraites.
Le rang de A est la taille maximale des matrices carrées inversibles qu’on peut
extraire de A.

Démonstration :

• Notons B′ la matrice intermédiaire obtenue par suppression de q colonne de A.

On passe ensuite de B′ à B par suppression m lignes.

Le rang d’une matrice est le rang de la famille de ses colonnes :

)
rg( A) > rg( B′ ) et rg( B′ ) = rg(t B′ )
⇒ rg( A) > rg( B)
rg(t B′ ) > rg(t B) et rg(t B) = rg( B)

• Caractérisation du rang de A : on peut reformuler ainsi

rg( A) > r ⇔ Il existe une matrice extraite de A inversible de taille r

Soit rg( A) > r. On peut alors extraire une famille libre de r colonnes de A
formant une matrice B ∈ Mn,r (K ).

De même, on peut extraire de t B une famille libre de r colonnes formant une

matrice C ∈ Mr (K ).

La matrice t C est une matrice carrée extraite de A inversible de taille r.

Réciproquement si on peut extraire une matrice B inversible de taille r alors

rg( A) > rg( B) = r
 
1 4 3 0
2 3 1 0
Exemple : Soit la matrice A = 
5

0 3 1
3 0 0 2
 
3 1 0
Par suppression de la 1re colonne et de la première ligne, on obtient B = 0 3 1
0 0 2
qui est inversible car triangulaire de coefficients diagonaux non nuls.

On a alors rg( A) > 3

PAUL MILAN 8 CPGE L 1 - ALGÈBRE

 2. CHANGEMENTS DE BASES, ÉQUIVALENCE ET SIMILITUDE

2.4 Matrices semblables et trace d’un endomorphisme

Définition 3 : Soient A, B ∈ Mn (K ) et E un K-espace vectoriel de dim. n.

On dit que B est semblable à A s’il existe une matrice P ∈ GLn (K ) inversible pour
laquelle : B = P−1 AP.
Si A et B représente le même endomorphisme f ∈ L ( E) dans un couple de base
de E alors A et B sont semblables.

B Si A et B semblables alors A et B équivalentes mais la réciproque est fausse.

En effet des matrices semblables sont carrées et représentent un endomorphisme.
   
0 1 1 0 4 2
Exemple : Soit A = 0 0 0 et B = 0 0 0
0 0 1 0 0 1
Montrons que A et B sont semblable. Il s’agit de déterminer 2 bases telles que A
et B représente le même endomorphisme f de R3 .
Dans R3 , soit b = (e1 , e2 , e3 ) la base canonique et b′ = (e1′ , e2′ , e3′ ) une autre base.
Supposons que f est canoniquement associé à A, on a alors :

f (e1 ) = (0, 0, 0), f ( e2 ) = e1 , f ( e3 ) = e1 + e3

On en déduit alors que : f (4e2 ) = 4e2 et f (2e3 ) = 2e1 + 2e3 .
On pose : e1′ = e1 , e2′ = 4e2 , e3′ = 2e3 , on alors :
f (e1′ ) = (0, 0, 0), f (e2′ ) = e2′ , f (e3′ ) = 2e1′ + e3′
B représente f dans la base b′ . Les matrices A et B sont semblables.

Théorème 12 : Soit la relation R sur Mn (K ) définie par « être semblable à »

• La relation R est une relation d’équivalence.
• Deux matrices semblables de Mn (K ) ont même trace.

Démonstration :
• Pour la relation d’équivalence même démonstration qu’avec les matrices équi-
valentes.
• On rappelle que la trace d’une matrice carrées est la somme des coefficients
diagonaux et que tr( AB) = tr( BA).
   
A et B semblables donc tr( B) = tr P−1 ( AP) = tr ( AP) P−1 = tr( A)

Définition 4 : Soit E un K-espace vectoriel de dim. n et f , g ∈ L ( E).

• La trace de la matrice MatB ( f ) ne dépend pas de la base B de E choisie.
On l’appelle trace de f notée tr( f ).
• ∀λ, µ ∈ K, tr(λ f + µg) = λtr( f ) + µtr( g) et tr( f ◦ g) = tr( g ◦ f )

PAUL MILAN 9 CPGE L 1 - ALGÈBRE

 3. DIAGONALISATION DES MATRICES CARRÉES

Exemple : Soit f un endomorphisme de E de rang r.

 
Ir 0
Il existe alors une base B de E telle que MatB ( f ) =
0 0
donc tr( f ) = r = rg( f )

Remarque : Un projecteur p de E étant un endomorphisme, on a tr( p) = rg( p).

3 Diagonalisation des matrices carrées

3.1 Valeurs propres

Définition 5 : Soit A ∈ Mn (K ).
On appelle valeur propre de A tout scalaire λ ∈ K tel que : Ker ( A − λIn ) 6= {0},
i.e. pour lequel il existe un vecteur non nul X ∈ K n tel que : AX = λX.
Ce vecteur X est appelé vecteur propre de A associé à la valeur propre λ.
L’union de l’ensemble Ker ( A − λIn ) de ces valeurs propres et du vecteur nul est
appelé le sous-espace propre de A associée à la valeurs propre λ.

Remarque : Ker ( A − λIn ) 6= {0} ⇔ det( A) = 0

 
−1 3 3
Exemple : Soit A =  3 −1 −3
−3 3 5
 
−(1 + λ) 3 3
On en déduit alors que A − λI3 =  3 −(1 + λ) −3 
−3 3 5−λ
det( A − λI3 ) = 0 ⇔ (1 + λ)2 (5 − λ) + 27 + 27 − 9(1 + λ) − 9(1 + λ) − 9(5 − λ) = 0

(1 + λ)2 (5 − λ) + 54 − 9 − 9λ − 9 − 9λ − 45 + 9λ = 0
(1 + λ )2 (5 − λ ) − 9(1 + λ ) = 0
(1 + λ)[(1 + λ)(5 − λ) − 9] = 0
(1 + λ)(5 − λ + 5λ − λ2 − 9) = 0
(1 + λ)(−λ2 + 4λ − 4) = 0
−(1 + λ)(λ − 2)2 = 0 ⇔ λ = −1 ou λ = 2
A admet donc deux valeurs propres : −1 et 2
    
−3 3 3 x 0
• λ = 2, on a ( A − 2I3 ) X = 0 ⇔  3 −3 −3   y = 0
 
−3 3 3 z 0
Ce système est équivalent à −3x + 3y + 3z = 0 ⇔ x = y + z
L’ensemble des vecteurs propres associé à la valeur propre 2 est le plan d’équa-
tion x = y + z de vecteurs directeurs (1, 1, 0) et (1, 0, 1)

PAUL MILAN 10 CPGE L 1 - ALGÈBRE

 3. DIAGONALISATION DES MATRICES CARRÉES

    
0 3 3 x 0
• λ = −1, on a ( A + I3 ) X = 0 ⇔  3 0 −3   y = 0 ⇔
 
−3 3 6 z 0
 
 3y + 3z = 0  3y + 3z = 0 (
  y = −z
3x − 3z = 0 ⇔ 3x − 3z = 0 ⇔
  x=z

−3x + 3y + 6z = 0 
3y + 3z = 0 L3 ← L3 + L2
L’ensemble des vecteurs propres associé à la valeur propre (−1) est la droite
de vecteur directeur (1 , −1, 1)

3.2 Diagonalisation

Théorème 13 : Soit A ∈ Mn (K ).
On dit que A est diagonalisable si K n possède une base constituée de vecteurs
propre de A.
Dans ce cas, si on note ( X1 , . . . , Xn ) une telle base et λ1 ,. . ., λn les valeurs propres
associés, et P la matrice de colonneX1 , . . . , Xn ,  alors :
λ1
A = P
 ...  −1
P
λn

 
−1 3 3
Exemple : Si on reprend A =  3 −1 −3.
−3 3 5
• λ = 2, on a X1 = (1, 1, 0) et X2 = (1, 0, 1) • λ = −1, on a X3 = (1 , −1, 1)
   
1 1 1 2 0 0
On obtient alors : P = 1 0 −1 et D = 0 2 0
0 1 1 0 0 −1
Pour déterminer P−1 , on peut utiliser la méthode Gauss-Jordan
P
z
 }| {  
1 1 1 1 0 0
1 0 −1 0 1 0
0 1 1 0 0 1
   
1 1 1 1 0 0
0 −1 −2 L2 ← L2 − L1  −1 1 0
0 1 1 0 0 1
   
1 0 0 L1 ← L1 − L3 1 0 −1
0 0 −1 L2 ← L2 + L3  −1 1 1
0 1 1 0 0 1
   
1 0 0 1 0 −1
0 1 1 L2 ← − L2 0 0 1
0 0 1 L2 ↔ L3 1 −1 −1

PAUL MILAN 11 CPGE L 1 - ALGÈBRE

 3. DIAGONALISATION DES MATRICES CARRÉES

   
1 0 0 1 0 −1
0 1 0 L2 ← L2 − L3  −1 1 2
0 0 1 1 −1 −1
| {z }
P −1

On a : A = PDP−1 , on peut par exemple calculer la puissance k de A :

Ak = ( PDP−1 )k = |PDP−1 × ·{z

· · × PDP−}1 = PD k P−1
k fois

En posant ak = 2k − (−1)k , on obtient alors :

  k  
1 1 1 2 0 0 1 0 −1
A k =  1 0 − 1   0 2k 0   −1 1 2
0 1 1 0 0 (−1) k 1 −1 −1
  
1 1 1 2k 0 − 2k
=  1 0 − 1   − 2k 2k 2 × 2k 
0 1 1 (−1)k −(−1)k −(−1)k
 
(−1)k ak ak
=  ak (−1)k − ak 
− ak ak 2k + a k

PAUL MILAN 12 CPGE L 1 - ALGÈBRE