Réduction des matrices & Algèbre bilinéaire

Trigonalisation-Réduite de Jordan
Réduction des matrices/endomorphismes
I Trigonalisation
I Motivation
I Réduite de Jordan
I Valeurs propres, vecteurs propres
I Exemples et applications
I Polynôme caractéristique
I Applications Formes bilinéaires–Formes hermitiennes
I Définitions
Polynômes annulateurs, polynôme minimal
I Espace préhilbertien-espace euclidien
I Polynôme d’endomorphismes, de matrices
I Rang et noyau d’une forme quadratique
I Polynômes annulateurs
I Existence d’une base orthogonale
I Théorème de Cayley Hamilton
I Signature d’une forme quadratique
I Polynôme minimal
I Réduction de Gauss des formes
I Caractérisation de diagonalisation
quadratiques
Réduction des endomorphismes : Diagonalisation
Motivation

Soit A ∈ Mn (K) une matrice carrée. On veut calculer Ap , p ∈ N. On a trois cas :

λp1
   
λ1
.. ..
1 Si A est diagonale : A =  0 . 0 , on a alors Ap = 
0 . 0 .
λn λpn
2 Si A est non diagonale, mais semblable à une matrice diagonale D (dans ce cas on dit que A est
diagonalisable) : A = PDP −1 , on a :

Ap = PDP −1 × PDP −1 × · · · × PDP −1 = PD p P −1 .

| {z }
p fois

3 Si A est non diagonalisable, mais trigonalisable : A = P(D + N)P −1 avec D diagonale, N nilpotente et
DN = ND. Alors
p
X

Ap = P(D + N)p P −1 = P Cpk D k N p−k P −1
k=1

4 Les autres cas ne seront pas étudiés ici.

M. El Ossmani, A. Taakili et M. Jabbar Motivation 1 / 30
Rappels et compléments
On note par K un corps commutatif, E un K−espace vectoriel de dimension finie n > 1.
En pratique, on prend K = R ou C.
L(E ) : L’ensemble des endomorphismes de E .
Définition
Soient (A, B) ∈ (Mn (K))2 . La matrice A est semblable à la matrice B si et seulement si
il existe P ∈ Mn (K) inversible telle que B = P −1 AP.

Théorème
La relation “ A est semblable à B ” est une relation d’équivalence sur Mn (K).

Démonstration : Exercice.
Théorème
Soient B et B 0 deux bases de E , u ∈ L(E ), A = MatB (u), B = MatB0 (u) et P la matrice
de passage de B à B 0 . Alors A = PBP −1 ou aussi B = P −1 AP.
M. El Ossmani, A. Taakili et M. Jabbar Rappels et compléments 2 / 30
 Théorème
Soient (A, B) ∈ (Mn (K))2 . On suppose que A et B sont semblables. Alors,
rang(A) = rang(B).
det(A) = det(B)
Tr (A) = Tr (B).
A est inversible ⇐⇒ B est inversible.
Démonstration : Exercice.
Théorème
Soient (A, B, P) ∈ (Mn (K))3 , tel que B = P −1 AP (P inversible). Alors,

∀p ∈ N, B p = P −1 Ap P.

Si de plus A est inversible, alors, ∀k ∈ Z, B k = P −1 Ak P.

M. El Ossmani, A. Taakili et M. Jabbar Rappels et compléments 3 / 30

Valeurs propres, vecteurs propres

Définition
Soit λ ∈ K, λ est dite valeur propre de l’endomorphisme u (resp. de A ∈ Mn (K)) s’il existe un vecteur non nul
x ∈ E (resp. X ∈ Kn ) tel que
u(x ) = λx , (resp. AX = λX ),
le vecteur x (resp. X ) est appelé vecteur propre de u (resp. de A) associé à la valeur propre λ(on dit aussi λ est
valeur propre de u (resp. de A) associée au vecteur propre x (resp. X )).

Proposition
Soit u ∈ L(E ). Les trois assertions suivantes sont équivalentes:
1 λ est valeur propre de u
2 ker(u − λidE ) 6= {0}
3 Si A = MatB (u) est la matrice représentante de u dans la base B. Alors det(A − λIn ) = 0.

Démonstration : Exercice.

M. El Ossmani, A. Taakili et M. Jabbar Valeurs propres, vecteurs propres 4 / 30

 Remarque
1 0 peut être valeur propre, les vecteurs propres associés vérifient :
u(x ) = 0 · x = 0 ⇒ x ∈ ker u (x appartient au noyau de u),
2 une valeur propre (par exemple 0) peut être associée à plusieurs vecteurs propres.
3 à un vecteur propre n’est associé qu’une seule valeur propre.
4 u injective ⇐⇒ ker u = {0}. D’où 0 n’est pas une valeur propre de u.

M. El Ossmani, A. Taakili et M. Jabbar Valeurs propres, vecteurs propres 5 / 30

Spectre

Définition
On appelle spectre de u et on note Sp(u) l’ensemble des valeurs spectrales de u,
c’est-à-dire l’ensemble des λ ∈ K tels que u − λid n’est pas bijective.

λ est une valeur propre de u ssi u − λid est non injective.

Proposition
Si E est de dimension finie, alors Sp(u) est l’ensemble des valeurs propres de u.

M. El Ossmani, A. Taakili et M. Jabbar Valeurs propres, vecteurs propres 6 / 30

 Exemple
    
7 −12 2 2
1 = = 1 · X . Alors 1 valeur propre de A et X un vecteur propre
4 −7 1 1
| {z } | {z }
A X
associé.
2 Tout vecteur colonne non nul de taille n est vecteur propre pour la matrice identité de taille
n pour la valeur propre 1: In X = 1.X .
3 Tout vecteur colonne non nul de taille n est vecteur propre pour la matrice nulle de taille n
pour la valeur propre 0.
4 Si D = Diag(λ1 , . . . , λn ) est une matrice diagonale alors tout vecteur colonne élémentaire
ei est un vecteur propre associé à la valeur propre λi .

M. El Ossmani, A. Taakili et M. Jabbar Valeurs propres, vecteurs propres 7 / 30

Sous-espace propre

Définition
Soit u ∈ L(E ) (resp. A ∈ Mn (K)). Si λ ∈ K est une valeur propre de u (resp. de A) alors on
appelle sous-espace propre associé à λ le K−espace vectoriel

Eλ = ker(u − λ idE ) (resp. Eλ = ker(A − λ In )).

Remarque
1 Eλ est stable par u (resp. par A) : u(Eλ ) ⊂ Eλ (resp. ∀ X ∈ Eλ , AX ∈ Eλ ).
2 λ1 6= λ2 =⇒ Eλ1 ∩ Eλ2 = {0}.
3 Eλ = ker(u − λ idE ) = {x ∈ E tels que u(x ) = λx }. Le sous-espace propre de u associé à λ
est donc l’ensemble constitué des vecteurs propres de u associés à la valeur propre λ et du
vecteur nul: Eλ = {x ∈ E / x vecteur propre de u associé à λ} ∪ {0}

M. El Ossmani, A. Taakili et M. Jabbar Sous-espace propre 8 / 30

 Lemme
Toute famille finie de vecteurs propres associés à des valeurs propres deux à deux distinctes est
libre.

Démonstration

Corollaire
Soient Eλ1 , · · · , Eλp des sous-espaces propres associés à des valeurs propres deux à deux
distinctes alors :

Eλ1 + · · · + Eλp = Eλ1 ⊕ · · · ⊕ Eλp ( la somme est directe)

M. El Ossmani, A. Taakili et M. Jabbar Sous-espace propre 9 / 30

En termes de rang

Proposition
Soit A ∈ Mn (K), λ ∈ K est une valeur propre de A ssi A − λIn n’est pas inversible ssi
rang(A − λIn ) < n

M. El Ossmani, A. Taakili et M. Jabbar Recherche des éléments propres 10 / 30

Valeurs propres et polynôme caractéristique
Pour trouver les éléments propres d’une matrice, on doit résoudre AX = λX , soit
(A − λIn )X = 0
et on doit avoir une solution autre que X = 0. Une condition nécessaire et suffisante
pour que le problème admet une solution X non nul est det(A − λIn ) = 0 (c’est-à-dire le
système n’est pas de Cramer). D’où le résultat :

λ valeur propre de A ⇐⇒ det(A − λIn ) = 0

Exemple
Déterminer les valeurs propres des matrices suivantes :
   
3 4 −4 1 1 −2
A1 = −2 −1 2  , A2 = −1 2 −1
   
−2 0 1 −1 1 0
M. El Ossmani, A. Taakili et M. Jabbar Recherche des éléments propres 11 / 30
Polynôme caractéristique d’une matrice
Définition
On appelle polynôme caractéristique de A, noté PA , le polynôme de degré n défini par :

PA (X ) = det(A − XIn ).

D’où le résultat :
Proposition
λ valeur propre de A ⇐⇒ λ racine de PA

Théorème
PA (X ) est un polynôme de degré n en X , à coefficients dans K.
le coefficient dominant (celui de X n ) de PA est (−1)n .
le coefficient constant est det(A).
le coefficient de degré (n-1) est (−1)n−1 Tr (A).
M. El Ossmani, A. Taakili et M. Jabbar Polynôme caractéristique 12 / 30
Polynôme caractéristique d’un endomorphisme

Corollaire
Soient A et B deux matrices associées à un endomorphisme u ∈ L(E ). Alors PA = PB .

En effet : A et B sont alors semblables et il existe une matrice P inversible telle que : B = P −1 AP. Calculons
PB (X )
PB (X ) = det(B − XIn ) = det(P −1 AP − XIn )
= det(P −1 AP − XP −1 P) = det(P −1 (A − XIn )P)
= det(P −1 ) det(A − XIn ) det(P)
= det(A − XIn )
= PA (X ).
Donc le polynôme caractéristique ne dépend pas du choix de la matrice représentative de u. D’où :

Définition
On appelle polynôme caractéristique de u noté Pu le polynôme caractéristique d’une matrice de u dans une base
donnée de E .

M. El Ossmani, A. Taakili et M. Jabbar Polynôme caractéristique 13 / 30

 Définition
(Multiplicité d’une valeur propre) L’ordre de multiplicité m(λ) d’une valeur propre λ est l’ordre de multiplicité de
la racine λ dans le polynôme caractéristique.

Exemple
Calculer le polynôme caractéristique de la matrice suivante, et donner la multiplicité de chacune de ses valeurs
propres.

−4 −1
2 4 2 0

0 1 2 −2 0 1 
0 0 −2 0 1 9 
A=
0 0 0 −2 6 1 
0 0 0 0 2 0
0 0 0 0 0 −2

PA (X ) = (X + 2)3 (X − 2)2 (X − 1). Alors

−2 est valeur propre de multiplicité 3 (m(−2) = 3).
2 est valeur propre de multiplicité 2 (m(2) = 2).
1 est valeur propre de multiplicité 1 (m(1) = 1).

M. El Ossmani, A. Taakili et M. Jabbar Polynôme caractéristique 14 / 30

 Théorème
Soient u un endomorphisme de E et Pu son polynôme caractéristique. Soient λ une
valeur propre de u, m(λ) sa multiplicité dans Pu et Eλ le sous-espace propre associé,
alors on a :
1 6 dim Eλ 6 m(λ)

Corollaire
Si λ est une valeur propre simple (c’est à dire d’ordre de multiplicité 1) d’un
endomorphisme (respectivement d’une matrice), alors la dimension du sous-espace
propre associée est égale à 1.

M. El Ossmani, A. Taakili et M. Jabbar Polynôme caractéristique 15 / 30

 Définition
Un polynôme P(X ) ∈ K[X ] est dit scindé sur K s’il peut s’écrire comme produit des polynômes du premier degré
dans K[X ], c’est-à-dire toutes les racines de P(X ) sont dans K.

Exemple
1 K=R
I PA (X ) = (X − 2)2 (X − 3) = (X − 2)(X − 2)(X − 3) est scindé.
I PB (X ) = (X 2 + 1)(X − 1) n’est pas scindé.
2 K = C :tout polynôme de C[X ] est scindé:PB (X ) = (X 2 + 1)(X − 1) = (X − i)(X + i)(X − 1).

Proposition
Soit A ∈ Mn (K). Si PA est scindé sur K et λ1 , λ2 , . . . , λn les éventuelles valeurs propres de A, répétées chacune
autant de fois que sa multiplicité alors :

n n
X Y
Tr(A) = λi et det(A) = λi .
i=1 i=1

M. El Ossmani, A. Taakili et M. Jabbar Polynôme caractéristique 16 / 30

Endomorphismes et matrices diagonalisables

Définition
Un endomorphisme u de E est diagonalisable si et seulement il existe une base de E
formée de vecteurs propres de u. Une matrice A est diagonalisable si elle est semblable
à une matrice diagonale : il existe une matrice P ∈ Mn (K) inversible telle que P −1 AP
soit diagonale.

Théorème Critère de diagonalisation

Une matrice A (resp. un endomorphisme u) est diagonalisable si et seulement si:
i) Pu (X ) a toutes ses racines dans le corps K.(Pu est scindé).
ii) Pour chaque valeur propre λ de multiplicité m(λ), on a dim Eλ = m(λ).

M. El Ossmani, A. Taakili et M. Jabbar Endomorphismes et matrices diagonalisables 17 / 30

 Corollaire
Si le polynôme caractéristique de u (resp. de A) admet n racines distinctes deux à deux
alors u (resp. A) est diagonalisable.

Démonstration
n
Y
Pu (X ) = (λi − X ), on sait que 1 6 dim Eλi 6 m(λi ), or on a m(λi ) = 1, ∀i = 1, . . . , n, ce qui
i=1
entraine que dim Eλi = 1, ∀i = 1, . . . , n. Donc dim(Eλi ) = m(λi ), ∀ i = 1, · · · , n, et d’après le théorème
précédent on a le résultat.

M. El Ossmani, A. Taakili et M. Jabbar Endomorphismes et matrices diagonalisables 18 / 30

 La pratique
Soit A ∈ Mn (K) une matrice que l’on cherche à diagonaliser. On procède en plusieurs
étapes:

• On calcule le polynôme caractéristique de A, PA (X ) = det(A − XIn ).

• On factorise ce polynôme afin de trouver les valeurs propres λ1 , . . . , λp .

• Pour chaque valeur propre λi , on trouve une base du sous-espace propre correspondant
Eλi en résolvant l’équation AX = λi X .

M. El Ossmani, A. Taakili et M. Jabbar Endomorphismes et matrices diagonalisables 19 / 30

 Exemple
!
4 −2
Diagonalisons la matrice A = . Pour cela on détermine ses valeurs propres :
1 1

4 − λ −2
det(A − λI) = = (4 − λ)(1 − λ) + 2 = λ2 − 5λ + 6 = (λ − 2)(λ − 3).
1 1−λ

Ainsi, la matrice A admet deux valeurs propres distinctes, qui sont λ1 = 2 et λ2 = 3.

Elle est diagonalisable. Déterminons une base de vecteurs propres :
! ! !
4 −2 x 2x
= ⇐⇒ x = y ,
1 1 y 2y

d’où le vecteur propre u1 = (1, 1) associé à la valeur propre λ1 = 2.

! ! !
4 −2 x 3x
= ⇐⇒ x = 2y ,
1 1 y 3y
M. El Ossmani, A. Taakili et M. Jabbar Endomorphismes et matrices diagonalisables 20 / 30
 Exemple (suite)
d’où le vecteur propre u2 = (2, 1) associé à la valeur propre λ2 = 3.
Dans la base (u1 , u2 ), la matrice s’écrit
!
0 2 0
A = .
0 3

On a A = PA0 P −1 où
! !
1 2 −1 2
P= et P −1 = .
1 1 1 −1

M. El Ossmani, A. Taakili et M. Jabbar Endomorphismes et matrices diagonalisables 21 / 30

 Exercice
Soit !
1 0 0
A= 0 1 0
1 −1 2

Démontrer que A est diagonalisable et trouver une matrice P telle que P −1 AP soit diagonale.

Solution Commençons par calculer le polynôme caractéristique de A :

1−X 0 0
PA (X ) = 0 1−X 0 = (1 − X )2 (2 − X )
1 −1 2−X

Les racines du polynôme caractéristique sont les réels 1 avec la multiplicité 2, et 2 avec la multiplicité 1.
Déterminons les sous-espaces propres associés : Soit E1 le sous-espace propre associé à la valeur propre double 1.
E1 = {V (x , y , z) ∈ R3 / A.V = V },
(
x =x
V ∈ E1 ⇐⇒ y =y ⇐⇒ x − y + z = 0
x −y +z =0

E1 est donc un plan vectoriel, dont les vecteurs e1 = (1, 1, 0) et e2 = (0, 1, 1) forment une base.
M. El Ossmani, A. Taakili et M. Jabbar Endomorphismes et matrices diagonalisables 22 / 30
 Solution(suite)
Soit E2 le sous-espace propre associé à la valeur propre simple 2.
E2 = {V (x , y , z) ∈ R3 / A.V = 2V },
(
x = 2x
V ∈ E2 ⇐⇒ y = 2y ⇐⇒ x = 0, y = 0
x − y + 2z = 2z

E2 est donc une droite vectorielle, dont le vecteur e3 = (0, 0, 1) est une base.
Les dimensions des sous-espaces propres sont égales aux multiplicités des valeurs propres correspondantes, la
matrice A est donc diagonalisable. Dans la base (e1 , e2 , e3 ) l’endomorphisme représenté par A (dans la base
canonique) a pour matrice !
1 0 0
D= 0 1 0
0 0 2

la matrice de passage !
1 0 0
P= 1 1 0
0 1 1

vérifie P −1 AP = D.

M. El Ossmani, A. Taakili et M. Jabbar Endomorphismes et matrices diagonalisables 23 / 30

Puissance d’une matrice  
−1 1 1
Soit A la matrice définie par : A =  1 −1 1  . Calculons An pour n ∈ N.
1 1 −1
On montre facilement que A est diagonalisable et que Sp(A) = {1, −2}. A s’écrit alors sous la
forme de A = PDP −1 avec
     
1 0 0 1 1 0 1 1 1
1
D =  0 −2 0  ; P= 1 0 1  ; P −1 =  2 −1 −1  .
3
0 0 −2 1 −1 −1 −1 2 −1
On a donc
 
1 0 0
An = PD n P −1 = P 0 (−2)n 0  P −1
0 0 (−2)n

1 − (−2)n+1 1 − (−2)n 1 − (−2)n

 
1
= 1 − (−2)n 1 − (−2)n+1 1 − (−2)n .
3
1 − (−2)n 1 − (−2)n 1 − (−2)n+1

M. El Ossmani, A. Taakili et M. Jabbar Puissance d’une matrice 24 / 30

Exponentiel d’une matrice
Définition
On appelle exponentielle de A ∈ Mn (K ) la somme de la série normalement convergente

∞
X An
exp(A) =
n!
n=0

Exemple
exp(Diag(λ1 , . . . , λn )) = Diag(e λ1 , . . . , e λn ), en particulier exp(O) = In
!
−1 1 1
Calculons exp(A) pour A = 1 −1 1 .
1 1 −1

On a A = PDP −1 donc exp(A) = P exp(D)P −1

or D = Diag(1, −2, −2) donc exp(D) = Diag(e, e −2 , e −2 )

M. El Ossmani, A. Taakili et M. Jabbar Exponentiel d’une matrice 25 / 30

 D’où on a:
 
e3 + 2 e3 − 1 e3 − 1
1  3
exp(A) = P exp(D)P −1 = 2  e − 1 e3 + 2 e3 − 1 

3e
e3 − 1 e3 − 1 e3 + 2

M. El Ossmani, A. Taakili et M. Jabbar Exponentiel d’une matrice 26 / 30

Suites récurrentes
On considère les suites (un )n∈N , (vn )n∈N et (wn )n∈N définies pour tout n ∈ N par :

 un+1 = −un + vn + wn

vn+1 = un − vn + wn

(I)

 wn+1 = un + vn − wn
 3
(u0 , v0 , w0 ) ∈ R
!
un
Nous devons trouver l’expression de un , vn et wn en fonction de n, u0 , v0 et w0 . Soit Xn = vn , on a alors
wn
!
−1 1 1
(I) ⇐⇒ Xn+1 = AXn avec A = 1 −1 1 .
1 1 −1
On vérifie facilement par récurrence que
Xn = An X0 , ∀ n ∈ N.
D’où :
1 − (−2)n+1 1 − (−2)n 1 − (−2)n
!   !
un u0
1
Xn = vn =  1− (−2)n 1− (−2)n+1 1− (−2)n  v0
wn 3 w0
1 − (−2)n 1 − (−2)n 1 − (−2)n+1

M. El Ossmani, A. Taakili et M. Jabbar  Suites n+1

récurrentes n  27 / 30
Systèmes linéaires différentiels du premier ordre
 0
 x (t) = −x (t) + y (t) + z(t)

On considère le système différentiel suivant : (II) y 0 (t) = x (t) − y (t) + z(t)

 0
z (t) = x (t) + y (t) − z(t)
où x , y et z 
sont troisfonctions dérivables
 0 définies sur R.
x (t) x (t)
Soit X (t) =  y (t) . Alors X 0 (t) =  y 0 (t)  et le système (II) s’écrit sous la forme :
z(t) z 0 (t)
 
−1 1 1
X 0 (t) = A · X (t) avec A =  1 −1 1 .
1 1 −1

Or A est diagonalisable : A = PDP −1 où les matrices P et D sont données précédemment.

X 0 (t) = AX (t) = PDP −1 X (t) ⇐⇒ P −1 X 0 (t) = DP −1 X (t).

M. El Ossmani, A. Taakili et M. Jabbar Systèmes linéaires différentiels du premier ordre 28 / 30

 Posons X̃ (t) = P −1 X (t) ( X (t) = P X̃ (t)), le système (II) est alors équivalent à

X̃ 0 (t) = D X̃ (t).

La résolution de ce dernier système est facile puisque la matrice D est diagonale :

( (
x̃ 0 (t) = x̃ (t) x̃ (t) = ae t
X̃ 0 (t) = D X̃ (t) =⇒ ỹ 0 (t) = −2ỹ (t) =⇒ ỹ (t) = be −2t
z̃ 0 (t) = −2z̃(t) z̃(t) = ce −2t

où a, b et c sont des constantes réelles.

Les fonctions x , y et z solutions de (II) sont données par :
! ! !
x (t) 1 1 0 ae t
X (t) = y (t) = P X̃ (t) = 1 0 1 be −2t
z(t) 1 −1 −1 ce −2t
!
ae t + be −2t
= ae t + ce −2t .
ae t − (b + c)e −2t

M. El Ossmani, A. Taakili et M. Jabbar Systèmes linéaires différentiels du premier ordre 29 / 30

Équations différentielles d’ordre supérieur
On considère l’équation différentielle linéaire d’ordre trois suivante :

(III) y 000 (t) − y 00 (t) − y 0 (t) + y (t) = 0. (1)

     
y (t) y 0 (t) y 0 (t)
On pose Y (t) =  y (t) . Alors Y 0 (t) =  y 00 (t)  = 
 0
y 00 (t)
    

y 00 (t) y 000 (t) −y (t) + y 0 (t) + y 00 (t)
et l’équation (III) s’écrit sous la forme :
 
0 1 0
Y 0 (t) = B · Y (t) avec B =  0 0 1  .
 
−1 1 1

Pour déterminer la solution Y , il suffit de diagonaliser B et suivre les mêmes démarches

que dans le cas précédent.

M. El Ossmani, A. Taakili et M. Jabbar Systèmes linéaires différentiels du premier ordre 30 / 30