Chapitre 4

Diagonalisation des matrices carrées

Sommaire
4.1 Eléments propres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.1.1 Valeurs propres et vecteurs propres . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.1.2 Sous espace propre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.1.3 Concaténation de sous-espaces propres . . . . . . . . . . . . . . . . . . . . . . . 58
4.1.4 Polynômes annulateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.1.5 Méthodes pour trouver les valeurs propres d’une matrice . . . . . . . . . . . . . 59
4.1.6 Déterminer une base des sous-espaces propres d’une matrice . . . . . . . . . . 60
4.2 Théorèmes de réduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.2.1 Matrice diagonalisable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.2.2 Matrices symétriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.3 Exemples de diagonalisation et applications . . . . . . . . . . . . . . . . . . . . . . . 62
4.3.1 Cas des matrices carrées d’ordre 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.3.2 Puissances de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.3.3 Etude du commutant d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . . 62
4.3.4 Sujets ECRICOME 2003 / EHDEC 2014 . . . . . . . . . . . . . . . . . . . . . . . . 63
4.3.5 Valeurs propres et vecteurs propres avec Python . . . . . . . . . . . . . . . . . . 65

Les espaces vectoriels considérés sont de dimension finie.

Ce chapitre a de nombreuses applications que ce soit en analyse pour la résolution des problèmes
d’extrema ou en probabilités pour l’étude des chaines de Markov.
Un endomorphisme d’un espace vectoriel étant donné, l’idée est de choisir une base dans laquelle
sa matrice est diagonale ou, à défaut, aussi simple que possible.
Avertissement, dans le programme ne figure que la diagonalisation des matrices carrées et pas des
endomorphismes. Il y a donc des éléments donnés dans ce chapitre qui sont à la marge du pro-
gramme.
William Rowan Hamilton (4 août 1805 [Dublin] - 2 septembre 1865 [Dublin]).
Sir William Rowan Hamilton est un mathématicien, physicien et astronome irlandais. Il est né le 4
août 1805 à Dublin. Son père est un avocat d’affaires qui parcourt tout le pays. Ne pouvant s’occu-
per de l’éducation de son fils, il le confie à 3 ans à l’oncle de William, James Hamilton, qui est un
prêtre anglican très lettré. A l’instar d’un Gauss, Hamilton est un enfant prodige. On prétend qu’à 3
ans, il sait lire et compter, qu’à 5 ans, il connait le latin, le grec, et récite Homère, et qu’à 13 ans, il
parle autant de langues qu’il a d’années.

55
4.1 Eléments propres ECG 2ème année

L’intérêt pour les mathématiques commence avec l’étude des Principia de Newton à 15 ans, et celle
de la Mécanique céleste de Laplace à 17 ans. En 1823, Hamilton entre au prestigieux Trinity College
de Dublin. Il s’y révèle un étudiant particulièrement brillant, obtenant pratiquement à chaque exa-
men la note maximale. Une année, cependant, ses résultats sont moins bons. Hamilton est en effet
tombé amoureux de la fille d’amis de son oncle. Comme il doit encore étudier 3 ans, il ne peut lui
proposer de l’épouser, et finalement elle se marie avec un autre homme, de 15 ans son ainé. Cela
engendre une grande déprime chez Hamilton (jusqu’à des pensées suicidaires). Il commence alors
également à écrire quelques poèmes, une passion qui perdurera sa vie durant.

Durant les années 1832 à 1835, Hamilton se consacre à obtenir une présentation algébrique des
nombres complexes. Cela l’obsède, et il subit une nouvelle crise de dépression, devenant alors al-
coolique. Il énoncera par la suite un théorème fondamental concernant la réduction des endomor-
phismes en dimension 4.
Cayley l’énonce dans le cas général en 1857, mais ne fournit une preuve qu’en dimension 2. C’est à
Frobenius en 1878 que l’on doit la première preuve dans le cas général.
Hamilton décède le 2 septembre 1865 d’une crise de goutte.

E est un ev de dimension finie n.

4.1 Eléments propres

4.1.1 Valeurs propres et vecteurs propres
Définitions 4.1 (!valeurs propres et vecteurs propres).
Soit f ∈ L(E ).
1. Soit A ∈ Mn (R). On dit qu’un réel λ est une valeur propre de la matrice A ssi il existe X ∈
Mn,1 (R) tel que X "= 0 et AX = λX . Un vecteur colonne X vérifiant cette égalité est appelé
un vecteur propre de A associé à la valeur propre λ.
2. HP : On dit qu’un réel λ est une valeur propre de l’endomorphisme f ssi il existe un vecteur
x ∈ E tel que x "= 0E et f (x) = λx. Un vecteur x vérifiant cette égalité est appelé un vecteur
propre de f associé à la valeur propre λ.
3. L’ensemble des valeurs propres d’une matrice est appelé spectre et est parfois noté Sp(A)
(HP : l’ensemble des valeurs propres d’un endomorphisme est noté Sp( f )).

Remarque.
On notera que AX = λX est équivalent à (A − λI )X = 0.
E XERCICE 4.1 (HP).

Soit f ∈ L(R2 [X ]) définie par f (P ) = (X −1)P $ +P. On pose R(X ) = (X −1)2 . Calculer f (R) et en déduire
une valeur propre de f .
E XERCICE 4.2.
   
7 3 −9 3
Soient A = −2 −1 2 et X = −1 . Montrer que X est un vecteur propre de A et déterminer sa
  
2 −2 −5 1
valeur propre associée.

56 https://letpa.fr/
ECG 2ème année 4.1 Eléments propres

Propriétés 4.1 (HP).

Soient f ∈ L(E ), B une base de E et A = MB ( f ). Alors :
1. λ est une valeur propre de f ssi λ est une valeur propre de A.
2. x ∈ E est un vecteur propre de f associé à λ ssi le vecteur colonne associé à x dans la base B
est un vecteur propre de A associé à la valeur propre λ.

Remarque.
Ainsi chercher les valeurs propres d’un endomorphisme ou de sa matrice dans une base donnée
revient au même !

Théorème 4.2 (! A − λI non inversible).

Le réel λ est valeur propre de A ssi la matrice A − λI n’est pas inversible.
HP : Le réel λ est valeur propre de f ssi f − λI d E n’est pas injectif ⇔ f − λI d E n’est pas bijectif .

Remarque.
Ce théorème nous permettra de mettre en place la méthode permettant de trouver les valeurs
propres.

Corollaire 4.3 (! cas de la valeur propre 0).

1. Soit A ∈ Mn (R). 0 est une valeur propre de A ssi A n’est pas inversible.
2. HP : Soit f ∈ L(E ). 0 est une valeur propre de f ssi f n’est pas bijective.

Propriété 4.4 (!Valeurs propres d’une matrice triangulaire).

Les valeurs propres d’une matrice triangulaire sont les éléments de sa diagonale.

4.1.2 Sous espace propre

Théorème 4.5 (!Sous-espace propre).

1. Soit A ∈ Mn (R) et λ une valeur propre de A. On pose : E λ = {X ∈ Mn,1 (R)/AX = λX }.

E λ est un sous-espace vectoriel de Mn,1 (R) que l’on appelle sous-espace propre de A associé à
λ.
2. HP : Soit f ∈ L(E ) et λ une valeur propre de f . On pose : E λ = {x ∈ E / f (x) = λx}.
E λ est un sous-espace vectoriel de E que l’on appelle sous-espace propre de f associé à λ.

Remarques.
-S’il y a des risques de confusion on pourra noter E λ (A).
-Le sous-espace propre E λ (A) est formé de tous les vecteurs propres de A associés à la valeur propre
λ auquel on adjoint le vecteur nul.
On notera bien qu’un sous-espace propre contient toujours au moins le vecteur nul et qu’il n’est
jamais réduit à {0} par définition.
De plus, E λ est un sous-espace vectoriel de Mn,1 (R) donc la dimension de chaque sous-espace
propre vérifie : d i m(E λ ) ≥ 1 et ne peut dépasser n.
- Un grande partie de votre travail consistera à trouver une base de ces sous-espaces propres (voir
plus loin).

Véronique APTEL 57
4.1 Eléments propres ECG 2ème année

Propriété 4.6 (HP).

Soit f ∈ L(E ) et λ ∈ R. Alors E λ = ker ( f − λi d ).
De plus si E λ = {0E } alors λ n’est pas une valeur propre de f et sinon λ est une valeur propre de f .

Remarque.
Cette propriété exprime tout simplement la définition des sous-espaces propres d’un endomor-
phisme sous une autre forme.

4.1.3 Concaténation de sous-espaces propres

On rappelle que E est un ev de dimension finie n.
A désigne une matrice carrée d’ordre n.

Théorème 4.7 (!Concaténation ).

Si λ1 , . . . , λp sont des valeurs propres 2 à 2 distinctes de A et si F1 , F2 , ..., Fp sont des familles libres
(ou même des bases) des sous-espaces propres de A associés à ces valeurs propres : λ1 , ..., λp alors :
la famille obtenue en concaténant (ie en juxtaposant) les familles F1 , F2 , ..., Fp est encore une fa-
mille libre.
Remarque. Ce théorème nous dit que la famille obtenue (F1 , F2 , ..., Fp ) est libre, le travail consistera
ensuite à voir si cette famille forme une base de Mn,1 (R).
Il suffira donc de comparer le cardinal de cette famille avec la dimension de Mn,1 (R) qui vaut n.

Propriété 4.8 (!Nombre de valeurs propres possibles).

Soient A ∈ Mn (R), λ1 , . . . , λp des valeurs propres distinctes de A et X 1, . . . , X p des vecteurs propres co-
lonne associés. Alors (X 1 , ..., X p ) est une famille libre de Mn,1 (R) et donc A admet au plus n valeurs
propres.

4.1.4 Polynômes annulateurs

Définition 4.2 (!Polynôme de matrice).
Soit f un endomorphisme d’un espace vectoriel E de dimension n et sa matrice A ∈ Mn (R) rela-
tivement à une base de E .
p
% p
%
Soit P ∈ R[X ], P (X ) = ak X k . On note P (A) la matrice P (A) = ak A k .
k=0 k=0

Exemple 4.1.
Si P = 3X 2 − X − 2, alors P (A) = 3A 2 − A − 2I .

Propriétés 4.9 (!Opérations sur les polynômes de matrice).

Soient P et Q deux polynômes de R[X ], α, β deux nombres réels, on a :
(αP + βQ)( f ) = αP ( f ) + βQ( f ) et (PQ)( f ) = P ( f ) ◦ Q( f ).
(αP + βQ)(A) = αP (A) + βQ(A) et (PQ)(A) = P (A)Q(A).

Définition 4.3 (!Polynôme annulateur).

Soient A ∈ Mn (R) et P ∈ R[X ] . Si P (A) = 0, on dit que P est un polynôme annulateur de A.

E XERCICE 4.3.
 
1 0 1
Soit A = 0 1 −2 et P (x) = x 3 − 3x 2 + 2x.Montrer que P est un polynôme annulateur de A.
0 0 2

58 https://letpa.fr/
ECG 2ème année 4.1 Eléments propres

E XERCICE 4.4.
 
2 −2 1
Soit A =  2 −3 2 et P (x) = x 2 + 2x − 3.Montrer que P est un polynôme annulateur de A.
−1 2 0
En déduire que A est inversible et exprimer A −1 en fonction de A et de I .

Théorème 4.10 (!Spectre de A et racines de P (A)).

Si A ∈ Mn (R) et si P est un polynôme non nul annulateur de A alors toute valeur propre de A est
une racine de P.
Ce qui signifie que les valeurs propres de A sont à chercher parmi les racines de P .

Remarque.
Attention toutes les racines d’un polynôme annulateur ne sont pas forcément des valeurs propres ! ! !
Ce théorème dit que Sp(A) ⊂ { racines de P }.
Un fois que l’on a trouvé des valeurs propres possible λ, il faut voir si (A − λI ) est non inversible.
E XERCICE 4.5.

Déterminer les valeurs propres de la matrice A de l’exo 4.3 et 4.4.

4.1.5 Méthodes pour trouver les valeurs propres d’une matrice

• Point méthode pour trouver les valeurs propres d’une matrice si on ne connaît pas de
polynôme annulateur de A
Soit A une matrice carrée. Les valeurs propres de A sont les réels λ tels que A − λI soit
non inversible.
" 1. Si la matrice A est triangulaire, les valeurs propres de A sont les coefficients dia-
gonaux de A.
2. Dans le cas général, on détermine une réduite de Gauss de A − λI . Les valeurs
propres de A sont les valeurs de λ qui annulent les coefficients diagonaux de cette
réduite.

• Point méthode pour trouver les valeurs propres d’une matrice si on connaît un poly-
nôme annulateur de A
Soit A une matrice carrée et P un polynôme annulateur de A.
1. On détermine les racines de P : on sait que les valeurs propres de A sont parmi
" ces racines. Il faut tester si ces racines sont effectivement des valeurs propres de
A.
2. Pour le savoir : on peut vérifier que la matrice A − λI est bien non inversible ou
bien vérifier que le système (A − λI )X = 0 a une infinité de solutions, ce qui per-
mettra d’obtenir les bases des sous-espaces propres.

E XERCICE 4.6 (!Spectre de A).

 
5 1 −1
Déterminer les valeurs propres de la matrice A = 2 4 −2.
1 −1 3

Véronique APTEL 59
4.2 Théorèmes de réduction ECG 2ème année

4.1.6 Déterminer une base des sous-espaces propres d’une matrice

Un fois que l’on a trouvé les valeurs propres, on ne peut pas donner tous les vecteurs propres car
il en existe une infinité. La suite du travail consiste à donner une base des sous-espaces propres
associés aux valeurs propres que l’on a trouvé.

E XERCICE 4.7 (!Sous-espace propre).

Reprenons la matrice A de l’exemple précédent puis déterminons une base du sous-espace propre
associé à la valeur propre 4.

• Point méthode pour trouver les sous-espaces propres d’une matrice A

Soit A une matrice carrée. λ une valeur propre de A.
1. Le sous-espace propre de A : E λ (A) associé à la valeur propre λ est constitué des
"
vecteurs colonnes X solutions du sytème (A − λI )X = 0.
2. On écrira E λ (A) sous la forme d’un « vect »en précisant à chaque fois une base de
ce « vect ».

4.2 Théorèmes de réduction

4.2.1 Matrice diagonalisable

Définition 4.4 ([!Matrice diagonalisable).

Soit A ∈ Mn (R). On dit que A est une matrice diagonalisable ssi il existe une matrice P inversible
dont les n colonnes forment une base de Mn,1 (R) constituée de vecteurs propres de A, et une
matrice D diagonale dont les n éléments diagonaux sont les valeurs propres de A (distinctes ou
pas) telles que A = P DP −1 . (Autrement dit A et D sont semblables.)

Remarque. Il n’y a pas unicité pour P et D.

Théorème 4.11 ([! Caractérisation).

A est une matrice diagonalisable si, et seulement si, il existe une base de Mn,1 (R) constituée de
vecteurs propres de A.

Remarque.
La base mentionnée dans ce théorème 4.11 s’obtient en concaténant les bases de chaque sous-
espace propre. Comme on sait que la famille obtenue ainsi est libre, il ne restera plus grand chose à
faire pour montrer que l’on a vraiment une base de Mn,1 (R) : comparer cardinal de la famille à n !

60 https://letpa.fr/
ECG 2ème année 4.2 Théorèmes de réduction

• Point méthode pour obtenir les matrices P et D quand on sait que A est diagonalisable
Soit A une matrice de Mn (R) dont on a prouvé qu’elle était diagonalisable. Il faut de
plus avoir trouvé toutes les valeurs propres et une base de chacun des sous-espaces
propres. Il faut savoir que la construction de P ou de D influence la construction de
l’autre.
" 1. On place sur la diagonale de D les valeurs propres de A sachant qu’une valeur
propre apparaît un nombre de fois égal à la dimension du sous-espace propre
associé.
2. Les colonnes de P sont les vecteurs de base des sous-espaces propres de A, ces
vecteurs étant placés dans le même ordre que les valeurs propres auxquelles ils
sont associés dans D.

Théorème 4.12 ([!). Cas des n valeurs propres] Soit A ∈ Mn (R). Si A admet n valeurs propres
distinctes alors A est diagonalisable.

4.2.2 Matrices symétriques

Définition 4.5.
Une matrice carrée A = (ai j ) ∈ M n (R) est dite symétrique si t A = A .
On notera Sn (R) l’ensemble des matrices symétriques d’ordre n.

Propriétés 4.13.

• I n ∈ Sn (R).
• Si A, B ∈ Sn (R)(respAS n (R)), A + B ∈ Sn (R)(respAS n (R)).
• Soient A et B symétriques et commutent alors : AB ∈ Sn (R).
• Si A est symétrique, alors ∀n ∈ N∗ , A n est symétrique.
• si A et B symétriques et commutent alors AB est symétrique.

Théorème 4.14 (!Matrice symétrique diagonalisable).

Toute matrice symétrique est diagonalisable.

Remarque.
Ce théorème doit être admis d’après le programme officiel et il faut bien penser à l’utiliser quand
vous le pouvez. C’est le théorème qui permet de savoir le plus rapidement si une matrice est diago-
nalisable.

• Point méthode pour savoir si une matrice est diagonalisable ou pas

Soit A une matrice de Mn (R).
1. Si la matrice est symétrique : A est diagonalisable.
2. Sinon il faut trouver les valeurs propres de A.
" 3. Si A n’a pas de valeurs propres alors A n’est pas diagonalisable.
4. Si A possède p valeurs propres alors on détermine une base de chacun des sous-
espaces propres associés à ces valeurs propres.
5. A est diagonalisable ssi la concaténation de ces bases forment une base de
Mn,1 (R).

Véronique APTEL 61
4.3 Exemples de diagonalisation et applications ECG 2ème année

4.3 Exemples de diagonalisation et applications

4.3.1 Cas des matrices carrées d’ordre 2
' &
a b
Soit une matrice carrée d’ordre 2, A = ∈ M2 (R).
c d

Propriétés 4.15 (!Cas des matrices carrées d’ordre 2).

& '
−1 1 d −b
1. A est inversible ssi ad − bc "= 0 et dans ce cas A = .
ad − bc −c a
2. λ est valeur propre de A si et seulement si A − λI 2 non inversible. Donc λ est valeur propre de
A si et seulement si (a − λ)(d − λ) − bc = 0.

Preuve.
Si A a des valeurs propres, alors elles sont racines de l’équation :
λ2 − (a + d )λ + ad − bc = 0.
En effet, dire que A − λI 2 non inversible revient à dire que (a − λ)(d − λ) − bc = 0 et on trouve en
développant l’équation du second degré : λ2 − (a + d )λ + ad − bc = 0.
Cette preuve sera à écrire à chaque fois pour trouver les valeurs propres de A matrice carrée d’ordre
2. ♦

E XERCICE 4.8. & ' & ' & '

2 4 1 −1 2 −1
Les matrices suivantes sont-elles diagonalisables ? A = ,B = ,C = .
1 −1 1 1 1 4

4.3.2 Puissances de matrices

Objectif : On se donne une matrice carrée A ∈ Mn (R).
On cherche à expliciter la matrice A n quelque soit n ∈ N.
• Point méthode pour calculer A n quelque soit n ∈ N

1. A l’aide de la méthode de réduction on détermine une matrice B ∈ Mn (R) sem-

blable à la matrice A telles que
" B = P −1 AP ⇔ A = P BP −1 .
2. La matrice B étant généralement diagonale ou (au pire) triangulaire, les puis-
sances de la matrice B sont relativement simples à déterminer.
3. On utilise alors le résultat général (démontré par récurrence) suivant :
si A = P BP −1 alors pour tout n ∈ N, A n = P B n P −1 .

E XERCICE 4.9 ([! Puissance de matrice).  

1 0 2
Déterminer les puissances de la matrice T = 0 1 1 en utilisant un polynôme annulateur de T
0 0 2
2
(calculer : T − 3T + 2I ), puis en diagonalisant T .

4.3.3 Etude du commutant d’une matrice carrée

Objectif : On se donne une matrice carrée A ∈ Mn (R).
On cherche à étudier (base et dimension) l’espace vectoriel C A = {M ∈ Mn (R)/AM = M A}.

62 https://letpa.fr/
ECG 2ème année 4.3 Exemples de diagonalisation et applications

• Point méthode pour étudier (base et dimension) l’espace vectoriel C A = {M ∈

Mn (R)/AM = M A}.

1. A l’aide de la méthode de réduction on détermine une matrice B ∈ Mn (R) sem-

blable à la matrice A telles que B = P −1 AP ⇔ A = P BP −1 .
2. La matrice B étant généralement diagonale ou (au pire) triangulaire, il est géné-
ralement (plus) simple d’étudier le commutant de la matrice B :
" C B = {M ∈ Mn (R)/B M = MB}.
3. Pour cela, il faut poser le problème matriciel et résoudre le système associé à
l’équation B M = MB.
4. On utilise alors le résultat général suivant :
M ∈ C A ⇔ N = P −1 MP ∈ C B .
5. Après avoir caractérisé C B en explicitant une base, notée (N1 , N2 , ..., N p ) l’équiva-
lence ci-dessus permet de caractériser C A , puisqu’alors :
C A = V ect (P N1 P −1 , P N2 P −1 , . . . , P N p P −1 ).

4.3.4 Sujets ECRICOME 2003 / EHDEC 2014

E XERCICE 4.10 ([! ECRICOME 2003).
On considère l’espace
(→ vectoriel E = R3 et f l’endomorphisme de E dont la matrice dans la base
− → − → − )
canonique B = e 1 , e 2 , e 3 est la matrice A :
 
3 −2 3
A= 1 0 2 
0 0 2
1. Calcul des puissances de A
1. Déterminer les valeurs propres λ1 et λ2 de A, avec λ1 < λ2
2. La matrice A est-elle inversible ? (On ne demande pas la matrice A −1 ).
3. Déterminer une base et la dimension de chacun des sous-espaces propres de A.
4. Justifier que A n’est pas diagonalisable.
5. Déterminer le vecteur − → de E vérifiant :
u 1
−
→
• le vecteur colonne associé à u 1 est un vecteur propre de A associé à la valeur propre λ1
−
→
• la première composante de u est l.
1

6. Déterminer le vecteur − → de E vérifiant :

u 2
−
→
• le vecteur colonne associé à u 2 est un vecteur propre de A associe à la valeur propre λ2
−
→
• la deuxième composante de u 2 est l.
7. Soit −
→ = (1, 1, 1). Montrer que C = (−
u 3
→, −
u →− →)
1 u 2 , u 3 est une base de E .

8. Déterminer la matrice de passage P de la la base B dans la base C puis la matrice de passage

de la base C à la base B.
9. Montrer que : f −
( →) − → + 2−
→
u =u
3 2 u 3

10. En déduire que la matrice de f dans la base C est la matrice :

 
1 0 0
T = 0 2 1 
0 0 2

Véronique APTEL 63
4.3 Exemples de diagonalisation et applications ECG 2ème année

11. Rappeler la relation matricielle entre A et T .

12. Prouver que pour tout élément n de N∗ il existe un réel αn tel que :
 
1 0 0
T n =  0 2n αn 
0 0 2n

On donnera le réel α1 ainsi qu’une relation entre αn+1 et αn

13. Montrer que :
∀n ∈ N∗ , αn = n2n−1
En déduire l’écriture matricielle de A n en fonction de n.
2. Matrices commutant avec A.
M3 (R) désignant l’ensemble des matrices carrées d’ordre 3, on considère le sous-ensemble C (A)
de M3 (R) des matrices M telles que :
AM = M A
1. Montrer que C (A) est un sous-espace vectoriel de M3 (R)
2. Pour M appartenant à M3 (R) on pose M $ = P −1 MP.
Montrer que :
AM = M A ⇐⇒ T M $ = M $ T
(T est définie dans la question 1.10)
3. Montrer qu’une matrice M $ de M3 (R)) vérifie T M $ = M $ T si et seulement si M $ est de la forme
 
a 0 0
 0 b c  où a, b, c sont trois réels.
0 0 b
4. En déduire que M appartient à C (A) si et seulement si il existe des réels a, b, c tels que :
 
−a + 2b 2a − 2b −a + b + 2c
M =  −a + b 2a − b −a + b + c 
0 0 b

5. Déterminer alors une base de C (A) ainsi que la dimension de C (A).

E XERCICE 4.11 ([! EDHEC  2014).  
1 0 0 7 5 1
On note I la matrice I = 0 1 0 et on considère la matrice A = 6 −1 2
0 0 1 6 1 3
1. (a) Montrer, grâce à la méthode du pivot de Gauss, que les valeurs propres λ de A sont les
solutions de l’équation : λ3 − 9λ2 − 27λ + 53 = 0.
(b) Etudier la fonction f qui, à tout réel x associe f (x) = x 3 − 9x 2 − 27x + 53, puis dresser
son tableau de variation (on précisera les limites de f en +∞ et en −∞, on notera m
le minimum local de f sur R, M le maximum local de f sur R et on ne cherchera ni à
calculer m, ni à calculer M).
(c) Calculer f (0) et f (3) puis déterminer les signes de m et M.
(d) Montrer que A admet trois valeurs propres, que l’on ne cherchera pas à calculer et que
l’on notera λ1 , λ2 et λ3 avec λ1 < λ2 < λ3 .
 
λ1 0 0
(e) En déduire qu’il existe une matrice P inversible telle que A = P DP −1 , avec D =  0 λ2 0 .
0 0 λ3

64 https://letpa.fr/
ECG 2ème année 4.3 Exemples de diagonalisation et applications

2. L’objectif de cette question est de déterminer l’ensemble E des matrices M de M3 (R) qui
commutent avec A, c’est à dire qui vérifient : AM = M A.
(a) Montrer que les matrices qui commutent avec D sont des matrices diagonales.
(b) Montrer l’équivalence entre les deux propositions suivantes :
i. M est une matrice de E
ii. P −1 MP commute avec D
(c) Etablir que toute matrice M de E est combinaison linéaire des trois matrices suivantes :
     
1 0 0 0 0 0 0 0 0
P 0 0 0 P −1 , P 0 1 0 P −1 , P 0 0 0 P −1
0 0 0 0 0 0 0 0 1

(d) En déduire que E est un sous-espace vectoriel de M3 (R) et donner sa dimension.

(e) Montrer, en raisonnant sur les valeurs propres de A, qu’il n’existe aucun polynôme an-
nulateur non nul de A qui soit de degré inférieur ou égal à 2. En déduire que (I , A, A 2 ) est
une base de E .

4.3.5 Valeurs propres et vecteurs propres avec Python

Rappels commandes Python et matrices :
• Commandes Python et matrices
import numpy as np
import numpy.linalg as al

& '
a b c
np.array ( [ [ a , b , c ] , [ d , e , f] ]) : matrice
d e f
( )
np . array ( [ [ a , b , c ] ] ) : matrice ligne a b c
& '
a
np . array ( [ [ a ] , [ b ] ]) : matrice colonne
b
np . zeros ( (n , n ) ) : matrice carrée nulle d’ordre n
np . ones ( (n , n ) ) : matrice carrée composée que de 1
" np . eye (n , n ) : matrice carrée identité
np . dot ( A , B ) : produit matriciel A × B
np . transpose ( A ) : transposée de A
a, b =np . shape ( A ) : affecte à a le nombre de lignes de A et à b le nombre de colonnes
de A
A [ i , j ] : renvoie le coefficient ai ,j de A
A [ i , : ] : extrait la ligne d’indice i sous forme de vecteur
A [ : , j ] : extrait la colonne d’indice j sous forme de vecteur
al . inv (A) : donne l’inverse de A
al . matrix_ rank ( A ) : renvoie le rang de A
al . matrix_ power ( A , n ) : renvoie A n
al . solve ( A , b ) renvoie la solution du système Ax = b

Véronique APTEL 65
4.3 Exemples de diagonalisation et applications ECG 2ème année

• Commandes Python pour valeurs propres et vecteurs propres

import numpy as np
import numpy.linalg as al
A est une matrice carrée d’ordre n

al . eig ( A ) : renvoie deux valeurs, un vecteur dont les éléments sont les valeurs propres
de A et une matrice dont la i -ème colonne est un vecteur propre de A associé à la i -ème
valeur propre.
"
Par exemple :
import numpy as np
import numpy.linalg as al
A= np.array ([[3,1],[1,3]])
Sp,vp=al.eig (A)
print(Sp, vp)
[4.2.][[0.70710678 − 0.70710678]
[0.707106780.70710678]]

66 https://letpa.fr/