Diagonalisation des endomorphismes et des matrices

Peter Haïssinsky, Université de Paul Sabatier

–

Ce chapitre traite de la diagonalisabilité des endomorphismes et des matrices en proposant différentes

caractérisations et en donnant quelques applications. Un chapitre ultérieur devrait traiter de compléments
importants sur le sujet.

Introduction
On se donne un espace vectoriel E de dimension finie sur un corps K (que l’on peut penser comme étant
R ou C) et un endomorphisme u ∈ L(E). La question traitée dans ce chapitre la suivante: existe-t-il une
base B de E telle que l’expression de u dans cette base soit particulièrement simple? Plus précisément,
existe-t-il une base B telle que l’expression de u soit une matrice diagonale? On dira alors que u est
diagonalisable.

1 Motivations
Ce paragraphe présente quelques applications liées à la diagonalisabilité des matrices/endomorphismes.
On suppose que D = (di,j ) ∈ Mn (K) est diagonale, c’est-à-dire que l’on a di,j = 0 si i 6= j. Il est
alors pratique d’écrire D = diag (d1,1 , . . . , dn,n ).

1.1 Calculs d’invariants

On peut facilement calculer quelques invariants de similitude d’un endomorphisme. Par exemple, sup-
posons que D soit diagonale (di,j = 0 si i 6= j).
Il vient
Q
1. det D = λj ,
P
2. tr D = λj ,
3. Si aucun terme diagonal n’est nul, alors D−1 est la matrice diagonale de termes diagonaux 1/dj,j .
Par conséquent, si A est diagonalisable, prenant les valeurs λ1 , . . . , λn sur la diagonale, alors
Q
1. det A = λj ,
P
2. tr A = λj ,

1.2 Calcul de puissances

Soient D = (di,j ) et D0 = (d0i,j ) deux matrices diagonales. Notons (cij ) = DD0 . On a
n
X
cik = dij d0jk = dii d0ik .
j=1

Donc cii = dii d0ii et cij = 0 sinon. On en déduit que DD0 est diagonale et plus précisément

diag (d1,1 , . . . , dn,n ) × diag (d01,1 , . . . , d0n,n ) = diag (d1,1 d01,1 , . . . , dn,n d0n,n ) .

1
Université Paul Sabatier, 2014–2015, cours L2 spécial, Algèbre linéaire 2

Par conséquent, la matrice Dk est une matrice diagonale dont le ième coefficient de la diagonale est
dkii .
C’est vrai pour k = 1, et si vrai au rang k, alors, d’après le calcul précédent, comme Dk+1 = D · Dk ,
on en déduit que Dk+1 est diagonale et le ième coefficient de la diagonale est dii · dkii = dk+1
ii .
Maintenant, supposons que A est semblable à D de sorte que A = PDP−1 . Montrons que Ak =
PDk P−1 . C’est vrai pour k = 1, et si c’est vrai au rang k, alors

Ak+1 = Ak A = (PDk P−1 )(PDP−1 ) = PDk (P−1 P)DP−1 = PDk+1 P−1

donc c’est vrai au rang k + 1. Donc c’est vrai pour tout k ≥ 1 par récurrence.
Du coup, on trouve l’expression

Ak = Pdiag dk11 , . . . , dknn )P−1 .

1.3 Suites définies par des relations de récurrence linéaires

Dans un premier temps, on se donne des suites (u1k )k≥0 , . . . , (unk )k≥0 et on suppose qu’elles vérifient, pour
k ≥ 0,  1
 uk+1 = a1,1 u1k + . . . + a1,n unk
... = ...
 n
uk+1 = an,1 u1k + . . . + an,n unk
ce qui s’écrit sous forme matricielle Xk+1 = AXk où A = (ai,j ) et
 1
uk
 .. 
Xk =  .  .
unk

Du coup, on trouve Xk = Ak X0 pour tout k ≥ 0. Si A est diagonalisable, on a D = P−1 AP, donc

A = PDk P−1 et Xk = PDk P−1 X0 . Si on ne s’intéresse qu’à la forme des solutions, alors, en écrivant
k

D = diag (λ1 , . . . , λn ), on trouve

Xk = Pdiag (c1 λk1 , . . . , , cn λkn )
pour des coefficients cj à déterminer.
Supposons maintenant que l’on ait une suite (uk )k≥0 telle que, pour n ≥ 1 et des scalaires a1 , . . . , an ,
on ait
uk+n = a1 uk + . . . + an uk+n−1 .
Alors en posant  
uk
Xk = 
 .. 
. 
uk+n−1
et  
0 1 0 ... 0
0 0 1 0
 
A=
 .. .. 
 . . 0
0 ... 0 1
a1 a2 ... an−1 an
on se ramène à la situation précédente: Xk+1 = AXk .

Remarque 1.1. — L’ensemble de ces suites forme un espace vectoriel sur R de dimension n.
Université Paul Sabatier, 2014–2015, cours L2 spécial, Algèbre linéaire 3

1.4 Systèmes d’équations différentielles linéaires

On s’intéresse ici à un système d’équations différentielles linéaires de la forme
 0
 x1 = a1,1 x1 + . . . + a1,n xn
... = ...
 0
xn = an,1 x1 + . . . + an,n xn

où (x1 , . . . , xn ) sont des fonctions de classe C1 inconnues et les (ai,j ) sont des scalaires. On obtient sous
forme matricielle X0 = AX où A = (ai,j ) et
 
x1
 .. 
X= . .
xn

Si A est une matrice diagonale, alors chaque équation est indépendante des autres et toute solution
s’écrit sous la forme    a t
x1 (t) c1 e 1,1
 ..   ..
 . =

. 
xn (t) cn ean,n t
où les ci sont des constantes.

Supposons maintenant A diagonalisable avec D = P−1 AP = diag(λ1 , . . . , λn ). Si on pose Y = P−1 X,

les règles de dérivation des fonctions impliquent Y0 = P−1 X0 et donc

Y0 = P−1 X0 = P−1 AX = DY ,

ce qui implique que les solutions sont de la forme

   λ t
y1 (t) c1 e 1
 ..   .. 
 . = . 
yn (t) cn eλn t

et
c1 eλ1 t
 

X = PY = P  ... 
 

cn eλn t
Il suffit donc, dans cette situation, de calculer une base de vecteurs propres.

Comme pour les suites, on peut aussi étudier une équation de la forme

y (n) = a0 y + a1 y 0 + . . . + ak−1 y (n−1) .

On se ramène à la situation précédente en posant

 
y
..
X=
 
. 
y (n−1)

pour obtenir X0 = AX avec  

0 1 0 ... 0
0 0 1 0
 
A=
 ... 0
0 ... 0 1
a0 a1 ... an−1 an
Université Paul Sabatier, 2014–2015, cours L2 spécial, Algèbre linéaire 4

Exponentielle de matrices. Si D = diag(λ1 , . . . , λn ) est diagonale, on pose

 
X λk X λk X 1
1 1
exp D = diag(exp λ1 , . . . , exp λn ) = diag  ,..., = Dk .
k! k! k!
k≥0 k≥0 k≥0

On peut en fait donner un sens à l’expression

X 1
exp A = Ak
k!
k≥0

pour n’importe quelle matrice A ∈ Matn (K), et on l’appelle l’exponentielle de la matrice A. En général,
exp(A + B) 6= exp A exp B; cependant, on a égalité si AB = BA.
Ce que l’on a vu ci-dessus est un cas particulier de la situation suivante: on s’intéresse au système
d’équations différentielles linéaires X0 = AX. Alors ces solutions sont données par X(t) = exp(At)X0 où
X0 est un vecteur constant. Lorsque A est diagonalisable, alors on a une expression de exp A: exp A =
P−1 (exp D)P si A = P−1 DP.

2 Valeurs et vecteurs propres

Soit E un espace de dimension finie et soit u ∈ L(E). On dit que λ ∈ K est une valeur propre de u
s’il existe une vecteur non nul v ∈ E tel que u(v) = λv. On dit que v est un vecteur propre associé à
la valeur propre λ si v 6= 0 et u(v) = λv. Si λ est une valeur propre, son espace propre associé Eλ est
l’ensemble des vecteurs propres associés à λ auquel on rajoute le vecteur nul. Le spectre S(u) de u désigne
l’ensemble de toutes les valeurs propres de u.

Remarque 2.1. — Si u est non injective, alors 0 est valeur propre, puisqu’alors Ker u est non trivial et
il existe donc x 6= 0 tel que u(x) = 0 = 0 · x. Dans ce cas, E0 = Ker u.

Lemme 2.2. — Soit λ une valeur propre. Son espace propre Eλ est un sous-espace vectoriel.

Démonstration. — On remarque que v ∈ Eλ si et seulement si u(v) = λv. En particulier, 0 ∈ Eλ .

Soient v, v 0 ∈ Eλ et µ ∈ K. On calcule

u(v + µv 0 ) = u(v) + µu(v 0 ) = λu + µλv 0 = λ(v + µv 0 )

donc (v + µv 0 ) ∈ K.

Proposition 2.3. — Un endomorphisme est diagonalisable si et seulement si il existe une base de

vecteurs propres de u.

Démonstration. — Supposons u diagonalisable. Soit B une base de E qui rend u diagonale. Autrement
dit, MatB (u) = (ai,j ) est diagonale c’est-à-dire ai,j = 0 si i 6= j. Par définition, cela signifie que
u(ei ) = ai,i ei , donc B est une base de vecteurs propres.
Réciproquement, si B est une base de vecteurs propres de u, alors, pour chaque j, il existe un scalaire
λj tel que u(ej ) = λj ej , donc MatB (u) est diagonale.

Sommes directes de plusieurs sous-espaces. La notion de somme directe généralise aux sous-espaces
vectoriels celle de famille libre pour les vecteurs. Soient E un espace vectoriel et F1 , . . . , Fk des sous-
espaces de E. On peut munir le produit cartésien F1 × F2 × . . . × Fk d’une structure d’espace vectoriel
comme pour Kn en définissant
  0  
f1 + f10
 
f1 f1
 ..   ..   ..
 . + . =

. 
fk fk0 fk + fk0
Université Paul Sabatier, 2014–2015, cours L2 spécial, Algèbre linéaire 5

et    
f1 λf1
λ ×  ...  =  ...  .
   

fk λfk
Considérons maintenant
F1 × . .
Φ:  . × Fk → E
f1
 ..  Pk
 .  7→ j=1 fj
fk
On vérifie que Φ est une application linéaire dont l’image définit la somme F1 + . . . + Fk .
On dit que la somme est directe et l’on note F1 ⊕ . . . ⊕ Fk = ⊕kj=1 Fj si Φ estPinjective. Cela signifie
que tout vecteur v ∈ (F1 + . . . + Fk ) admet une unique écriture de la forme v = fj avec fj ∈ Fj .

Lemme 2.4. — Avec les notations ci-dessus, la somme des Fj est directe si et seulement si, pour tout
1 ≤ j ≤ k − 1,
(F1 + . . . + Fj ) ∩ Fj+1 = {0} .

Démonstration. — Supposons la somme directe et prenons P v ∈ (F1 + . . . + Fj ) ∩ Fj+1 . Cela signifie

que l’on peut trouver (f1 , . . . , fj ) ∈ (F1 × . . . × Fj ) tel que v = fi . Du coup,
 
f1
 .. 
 . 
 
 fj 
 
Φ  −v  = 0 .

 0 
 
 . 
 .. 
0

Par injectivité, cela signifie que tous les vecteurs sont nuls, et en particulier v = 0.
Réciproquement, prenons  
f1
 .. 
 .  ∈ Ker Φ .
fk
On a donc
k−1
X
fk = − fj
j=1

donc fk ∈ Fk ∩ (F1 + . . . + Fk−1 ) et fk = 0. Par récurrence descendante, on montre ainsi que tous les fj
sont nuls, montrant que la somme est directe.

On obtient ainsi deux méthodes pour montrer que des espaces sont somme directe:
1. on applique le lemme 2.4;
P
2. on montre que si xj ∈ Fj pour tous j ∈ {1, . . . , k} vérifient xj = 0, alors tous les xj sont nuls.

Propriété 2.5. — Soient E un espace vectoriel et F1 , . . . , Fk des sous-espaces de E. Les propriétés

suivantes sont équivalentes.
1. F1 + . . . + Fk = ⊕kj=1 Fj .
2. dim(F1 + . . . + Fk ) = dim F1 + . . . + dim Fk ,
3. La réunion de familles libres des Fj forme une famille libre.

On obtient ainsi la proposition suivante:

Université Paul Sabatier, 2014–2015, cours L2 spécial, Algèbre linéaire 6

Proposition 2.6. — Soient λ1 , . . . , λk des valeurs propres de u deux à deux distinctes.

1. Leurs sous-espaces propres sont en somme directe.

2. Si, pour tout j ∈ {1, . . . , k}, vj est un vecteur propre associé à λj , alors (v1 , . . . , vk ) est libre.

Démonstration. — La seconde propriété découle aisément de la première.

On procède par récurrence pour montrer que les sous-espaces sont en somme directe. Si k = 2,
prenons v ∈ Eλ1 ∩ Eλ2 , on a donc
λ1 v = u(v) = λ2 v
donc (λ1 − λ2 )v = 0 et comme λ1 6= λ2 , on obtient v = 0.
Supposons maintenant que pour tout 1 ≤ j ≤ k − 2,

(Eλ1 ⊕ . . . ⊕ Eλj ) ∩ Eλj+1 = {0} .

Pk−1
Traitons le cas j = k − 1 et prenons donc v ∈ (Eλ1 + . . . + Eλk−1 ) ∩ Eλk . On écrit v = j=1 vj avec
vj ∈ Eλj et on obtient comme ci-dessus

k−1
X k−1
X
λk v = λj vj donc (λj − λk )vj = 0
j=1 j=1

et comme les (k − 1) premiers espaces sont en somme directe, cela signifie que (λj − λk )vj = 0 pour tout
j donc vj = 0 et v = 0.

Corollaire 2.7. — Soit u un endomorphisme sur un espace de dimension finie. Les propriétés suivantes
sont équivalentes.

1. L’endomorphisme u est diagonalisable.

2. On a ⊕λ∈S(u) Eλ = E.
P
3. On a λ∈S(u) dim Eλ = dim E.

Démonstration. — Si u est diagonalisable, alors il existe une base de vecteurs propres. Cela signifie
P les espaces sont en somme directe et que leur somme vaut E. Si on a ⊕λ∈S(u) Eλ = E, alors il vient
que
λ∈S(u) dim Eλ = dim E.
P D’après la proposition précédente, les sous-espaces propres sont en somme directe, donc si on suppose
λ∈S(u) dim Eλ = dim E, alors on obtient E = ⊕λ∈S(u) Eλ . En prenant une base de chaque espace, on
obtient une base de E de vecteurs propres.

3 Polynôme caractéristique
On suppose maintenant E de dimension finie n et on se donne un endomorphisme u ∈ L(E). Si λ ∈ K est
valeur propre, il existe donc par définition un vecteur non nul x ∈ E tel que u(x) − λx = 0, c’est-à-dire
l’application uλ := u − λId est non injective. Réciproquement, si, pour un scalaire λ, l’application uλ
est non injective, alors cela signifie que λ est valeur propre. Par ailleurs, on obtient ainsi Eλ = Ker uλ
montrant que les espaces propres sont bien des sous-espaces vectoriels.
On peut exprimer la non-injectivité de uλ en disant que det uλ = 0.

Définition 3.1. — Le polynôme caractéristique de u est

χu (λ) = det(u − λId) .

Propriété 3.2. — Le polynôme caractéristique d’un endomorphisme est un polynôme à coefficients dans
K de degré n en λ dont les racines forment le spectre de l’endomorphisme. On a

χu (λ) = (−1)n λn + (−1)n−1 (tr u)λn−1 + . . . + det u .

Université Paul Sabatier, 2014–2015, cours L2 spécial, Algèbre linéaire 7

Démonstration. — Prenons une base B de E et calculons χu en considérant MatB (u) = (ai,j ).

D’après la formule du déterminant d’une matrice, on constate que χu est un polynôme de degré au plus
n. Les termes de plus haut degré s’obtiennent dans le produit des termes de la diagonale. En effet, si
σ 6= Id, alors nous aurons deux facteurs hors de la diagonale donc le produit sera de degré au plus n − 2.
On obtient ainsi
Yn Xn
(aj,j − λ) = (−λ)n + (−λ)n−1 aj,j + . . .
j=1
j=1

Cette formule peut s’établir par récurrence sur n.

Enfin, pour le terme constant, on peut par exemple calculer χu (0) = det u.

Proposition 3.3. — Soient E un espace de dimension n, u ∈ L(E), µ ∈ K et k ≥ 1. On suppose

que χu (λ) = (λ − µ)k P(λ) avec P(µ) 6= 0, c’est-à-dire µ est une racine de multiplicité k de χu . Alors
dim Eµ ≤ k.

La multiplicité d’une valeur propre λ en tant que racine d’un polynôme caractéristique (la valeur
mλ ) est appelée la multiplicité algébrique de λ. La dimension de son espace propre est la multiplicité
géométrique.

Démonstration. — Soit (e1 , . . . , em ) une base de Eµ que l’on complète en une base de E. La matrice
de u dans cette base est donc diagonale sur les m premières lignes et colonnes, donc, dans le calcul de
χu , on pourra mettre en facteur (µ − λ)m . Du coup, m ≤ k et dim Eµ ≤ k. En effet, on peut écrire Mat u
sous la forme  
µIm A
Mat u =
0 C
donc
 
(µ − λ)Im A
χu (λ) = det = (µ − λ)m × det(C − λIn−m ) = (µ − λ)k P(λ) .
0 C − λIn−m

Corollaire 3.4. — Soient E un espace de dimension n ≥ 1. Un endomorphisme u est diagonalisable si

et seulement si
1. χu est scindé sur K, c’est-à-dire il existe λ1 , . . . , λk ∈ K deux à deux distincts et m1 , . . . , mk tels que
Yk
χu (λ) = (λj − λ)mj
j=1

et
2. pour chaque j ∈ {1, . . . , k}, on a dim Eλj = mj .

Démonstration. — Si u est diagonalisable, on considère la matrice de u dans une base de vecteurs

propres et on calcule χu . Comme la matrice est diagonale, les conditions sont évidentes. Réciproquement,
les hypothèses impliquent
Xk Xk
dim E = deg χu = mj = dim Eλj
j=1 j=1

donc le corollaire 2.7 permet de conclure.

On en tire un cas particulier important:

Corollaire 3.5. — Soient E un espace de dimension n ≥ 1. Soit u un endomorphisme de E tel que

1. χu est scindé sur K et

2. toutes les racines sont simples

Université Paul Sabatier, 2014–2015, cours L2 spécial, Algèbre linéaire 8

alors u est diagonalisable.

Démonstration. — En effet on a pour chaque valeur propre λ, 1 ≤ dim Eλ ≤ 1, donc le corollaire

précédent s’applique.

Pour terminer ce paragraphe, rappelons le théorème fondamental suivant:

Théorème 3.6 (d’Alembert). — Tout polynôme non constant à coefficients dans C est scindé. Si
les coefficients sont réels, alors les racines complexes sont conjuguées. Tout polynôme non constant
à coefficients réels se factorise en produit de monômes et de polynômes quadratiques dont les racines
complexes sont conjuguées.

4 Trigonalisation
On dit qu’un endomorphisme est trigonalisable s’il existe une base dans laquelle la matrice de l’endomorphisme
est triangulaire supérieure. Si Mat(u, B) = (ai,j ) alors ai,j = 0 pour 1 ≤ j < i ≤ n.
Supposons qu’un endomorphisme u est trigonalisable et prenons une base B = (e1 , . . . , en ) de sorte
que Mat(u, B) est triangulaire supérieure. On peut remarquer que les valeurs propres sont les termes de
la diagonale et que le polynôme caractéristique est scindé. De plus, si on note Fj = Vect(e1 , . . . , ej ), alors
u(Fj ) ⊂ Fj .

Théorème 4.1. — Un endomorphisme u sur un espace vectoriel de dimension finie est trigonalisable si
et seulement si son polynôme caractéristique est scindé.

Démonstration. — On procède par récurrence sur la dimension. Si l’espace est de dimension 1,

alors pas de problème. Supposons maintenant le théorème vrai pour tout endomorphisme d’un espace de
dimension n et prenons u sur un espace E de dimension n + 1. Comme χu est scindé, il existe une valeur
propre λ1 et un vecteur propre e1 . On complète e1 en une base de E. Les derniers vecteurs engendrent
un espace F de dimension n. Notons p : E → F la projection de E sur F parallèlement à Ke1 Notons
v = p ◦ u|F : F → F. On a χu (λ) = (λ1 − λ)χv (λ). Donc χv est scindé et on peut trouver une autre base
B de F telle que v soit triangulaire. Dans la base {e1 } ∪ B, la matrice de u est aussi triangulaire.

Calculs d’invariants. On peut facilement calculer quelques invariants de similitude d’un endomor-
phisme trigonalisable. Par exemple, si T est triangulaire supérieure, alors les valeurs propres de T sont
justement les termes diagonaux.
On trouve ainsi
Q
1. det T = λj ,
P
2. tr T = λj ,
Q
3. χT (λ) = (λj − λ),
Par conséquent, si A est trigonalisable, comme c’est le cas sur C, de valeurs propres λ1 , . . . , λn alors
Q
1. det A = λj ,
P
2. tr A = λj ,
Q
3. χA (λ) = (λj − λ).

Remarque 4.2. — Si A ∈ Mn (R), et

SA = {λ1 , . . . , λk , µ1 , µ1 , . . . , µ` , µ` }

où λj désigne les valeurs propres réelles et µj , µj les complexes (conjuguées deux à deux) comptées avec
mulitplicité. On a alors
Y  Y  k `
k ` X X
2
det A = λj |µi | et tr A = λj + 2 Re µi .
j=1 i=1
j=1 i=1
Université Paul Sabatier, 2014–2015, cours L2 spécial, Algèbre linéaire 9

5 Méthode pour diagonaliser un endomorphisme ou une matrice

Voici les grandes étapes pour étudier la diagonalisation d’un endormorphisme u d’un espace E de dimen-
sion finie ou d’une matrice A de taille n.

1. Si on part d’un endomorphisme, on lui attribue une matrice A en l’exprimant dans une base.
2. On calcule χA et on détermine ses racines et leurs multiplicités (λj , mj ).
3. Si χA n’est pas scindé, alors A n’est pas diagonalisable.

4. Pour chaque valeur propre λ, on résout le système AX = λX et on calcule la dimension des solutions
Eλ . Si dim Eλ < mλ , alors A n’est pas diagonalisable.
5. Pour chaque λ, on calcule une base de Eλ .
6. Si A est diagonalisable, alors la réunion des bases de chaque espace propre fournit une base de Kn
et on écrit la matrice de passage P ainsi que la matrice (diagonale) de u dans cette base.

Une méthode pédestre que je déconseille, mais qui peut marcher, consiste à écrire un système à
paramètre AX = λX que l’on résout en fonction de λ. Les valeurs propres correspondent alors aux
paramètres λ pour lesquels on a une infinité de solutions. Pour ceux-là, on détermine une base comme
ci-dessus.

5.1 Matrices à coefficients réels

Soit A une matrice à coefficients réels que l’on suppose diagonalisable sur C. Il est possible que le
polynôme caractéristique soit scindé sur C mais pas sur R. Dans ce cas nous aurons l’existence d’une
valeur propre λ = a + ib non réelle et d’une base de vecteurs propres (v1 , . . . , vk ) de Eλ .
Comme A est réelle, on déduit de Avj = λvj l’identité

Avj = λvj

ce qui implique que λ est aussi valeur propre de A et (v1 , . . . , vk ) est une base de Eλ .
Si on décompose vj = rj + isj en partie réelle et imaginaire, alors, en remarquant que

rj = (1/2)(vj + vj )
sj = (−i/2)(vj − vj )

on constate que (r1 , s1 , . . . , rk , sk ) est aussi une base de Eλ ⊕ Eλ vu comme sous espace de Cn (c’est une
famille génératrice de cardinal minimal). Par conséquent, c’est aussi une famille libre de Rn dont l’espace
engendré est en somme directe avec les autres. En identifiant parties réelles et imaginaires, on obtient

Arj = arj − bsj
Asj = brj + asj

Si on écrit λ = |λ|eiθ , alors on a


Arj = |λ|(cos θrj − sin θsj )
Asj = |λ|(sin θrj + cos θsj )

donc A opère comme une homothétie de rapport |λ| suivie d’une rotation d’angle −θ. Du coup, la matrice
de uA |Eλ ⊕Eλ dans la base (r1 , s1 , . . . , rk , sk ) sera la matrice par blocs
 
|λ|R−θ 0 ... 0
 0
 |λ|R−θ 0 0  
 0 ... ... 0 
0 ... 0 |λ|R−θ
Université Paul Sabatier, 2014–2015, cours L2 spécial, Algèbre linéaire 10

5.2 Exemples
1. On considère la matrice  
1 2 −1
A= 0 2 0
−1 2 1
à diagonaliser.
On a      
1 2 −1 λ 0 0 1−λ 2 −1
A − λI3 =  0 2 0  − 0 λ 0 =  0 2−λ 0 
−1 2 1 0 0 λ −1 2 1−λ

Pour caluler le polynôme caractéristique, on développe selon la deuxième ligne:

 
1−λ −1
χA (λ) = (2 − λ) × det .
−1 1−λ

Or
 
1−λ −1
det = (1 − λ)2 − 1
−1 1−λ
= (1 − λ − 1)(1 − λ + 1)
= (−1)λ(2 − λ)

Par suite, on trouve

χA (λ) = (−1)λ(2 − λ)2
et le polynôme caractéristique est scindé, les valeurs propres étant λ1 = 0 de multiplicité algébrique
m0 = 1 et λ2 = 2 de multiplicité algébrique m2 = 2.
λ = 0. On cherche donc un vecteur du noyau: on constate que si on ajoute la première colonne de
A à la troisième, alors on obtient une colonne nulle: donc
 
1
v0 = e1 + e3 = 0
1

engendre E0 .
λ = 2. On cherche à résoudre
    
−1 2 −1 x1 0
0 0 0  x2  = 0 .
−1 2 −1 x3 0

On n’a qu’une seule équation:

−x1 + 2x2 − x3 = 0
soit
1
(x1 + x3 ) .
x2 =
2
Du coup, on a l’équation d’un plan (de dimension 2) et on en déduit que A est diagonalisable.
Si on prend x1 = 2 et x3 = 0, on trouve  
2
v2 = 1
0
et si on prend x1 = 1 et x3 = −1 alors on trouve
 
1
v3 =  0  .
−1
Université Paul Sabatier, 2014–2015, cours L2 spécial, Algèbre linéaire 11

v2 et v3 ne sont pas colinéaires, donc ils forment une base de E2 .

On a trouvé une base de vecteurs propres dont la matrice de passage est
 
1 2 1
P = 0 1 0  .
1 0 −1
Du coup, on a  
0 0 0
P−1 AP = 0 2 0 .
0 0 2
2. On considère la matrice  
1 1
B=
0 1
à diagonaliser.
On a      
1 1 λ 0 1−λ 1
B − λI2 = − =
0 1 0 λ 0 1−λ
donc, comme cette matrice est triangulaire, on obtient
χB (λ) = (1 − λ)2
et λ = 1 est valeur propre de multiplicité algébrique 2. On remarque que si B était diagonalisable,
alors il existerait une matrice inversible P telle que P−1 BP = I2 . Or, en multipliant cette équation
par P à gauche et P−1 à droite, on obtiendrait B = P × I2 × P−1 = I2 . Or B 6= I2 , donc B n’est pas
diagonalisable.
3. On considère la matrice  
1 2
C=
−1 −1
à diagonaliser que l’on considère comme l’endomorphisme u : X 7→ CX. On calcule
 
1−λ 2
C − λI2 =
−1 −1 − λ
puis
χu (λ) = (1 − λ)(−1 − λ) − 2(−1) = λ2 + 1 .
Donc le polynôme n’est pas scindé sur R, mais uniquement sur C. Les valeurs propres sont ±i.
Calculons un vecteur propre associé à i: on résout

x +2y = ix
−x −y = iy
On remplace L2 par 2L2 + (1 + i)L1

(1 − i)x +2y = 0
0x +0y = 0

Donc (1 + i, −1) est un vecteur propre sur C2 associé à i et (1 − i, 1) est un vecteur propre associé à
(−i). Dand cette base B, on a  
i 0
Mat(u, B) = .
0 −i
Les vecteurs (1, −1) et (1, 0) forment une base C de R2 et aussi de C2 . Dans cette base on obtient
 
0 −1
Mat(u, B) =
1 0
√
où l’on reconnaît la matrice 2Rπ/2 .