Vous êtes sur la page 1sur 245

U NIVERSIT C LAUDE B ERNARD LYON 1

Licence Sciences, Technologies, Sant

Enseignement de mathmatiques
des parcours Informatique

A NALYSE MATRICIELLE
ET ALGBRE LINAIRE
APPLIQUE

- Notes de cours et de travaux dirigs -

P HILIPPE M ALBOS
malbos@math.univ-lyon1.fr
Table des matires

0. Prliminaires algbriques 1
1. Ensembles et applications . . . . . . . . . . . . . . . . . . . . . . . . . 1
2. Les corps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3. Les anneaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
4. Les polynmes une indtermine . . . . . . . . . . . . . . . . . . . . 9
5. Arithmtique des polynmes . . . . . . . . . . . . . . . . . . . . . . . 12
6. Les fractions rationnelles . . . . . . . . . . . . . . . . . . . . . . . . . 19

I. Les matrices et abrg d'algbre linaire 23

1. Les espaces vectoriels 1


1. La structure despace vectoriel . . . . . . . . . . . . . . . . . . . . . . 1
2. Bases et dimension dun espace vectoriel . . . . . . . . . . . . . . . . 5
3. Somme de sous-espaces vectoriels . . . . . . . . . . . . . . . . . . . . 7
4. Les applications linaires . . . . . . . . . . . . . . . . . . . . . . . . . 9
5. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

2. Les matrices 1
1. Dfinitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2. Produit de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3. Matrice dune application linaire . . . . . . . . . . . . . . . . . . . . 10
4. Trace dune matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5. Noyau et image dune matrice . . . . . . . . . . . . . . . . . . . . . . 15
6. Le rang dune matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
7. Oprations matricielles par blocs . . . . . . . . . . . . . . . . . . . . . 18
8. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

3. Les dterminants 1
1. Dfinition rcursive du dterminant . . . . . . . . . . . . . . . . . . . 1
2. Premires proprits du dterminant . . . . . . . . . . . . . . . . . . . 3
3. Les formules de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4. Formulation explicite du dterminant . . . . . . . . . . . . . . . . . . . 10

1
2 Table des matires

5. Calcul des dterminants . . . . . . . . . . . . . . . . . . . . . . . . . . 12


6. Calcul de linverse dune matrice . . . . . . . . . . . . . . . . . . . . . 15
7. Dterminant dun endomorphisme . . . . . . . . . . . . . . . . . . . . 17
8. Annexe : rappels sur les groupes de symtries . . . . . . . . . . . . . . 18
9. Annexe : dterminants et formes multilinaires alternes . . . . . . . . 20

II. La rduction des matrices 23

4. Pour se mettre en apptit 1


1. quations dvolution linaire couples . . . . . . . . . . . . . . . . . 1
2. Le dcouplage de systme dquations . . . . . . . . . . . . . . . . . . 5
3. La diagonalisation des matrices et des endomorphismes . . . . . . . . . 8
4. Marches sur un graphe et diagonalisation . . . . . . . . . . . . . . . . 11
5. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

5. Valeurs propres et vecteurs propres 1


1. Prliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2. Valeurs propres et espaces propres . . . . . . . . . . . . . . . . . . . . 5
3. Calcul des valeurs propres . . . . . . . . . . . . . . . . . . . . . . . . 9
4. Le cas des endomorphismes . . . . . . . . . . . . . . . . . . . . . . . 11
5. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

6. Trigonalisation et diagonalisation 1
1. Trigonalisation des matrices . . . . . . . . . . . . . . . . . . . . . . . 1
2. Diagonalisation des matrices . . . . . . . . . . . . . . . . . . . . . . . 9
3. Une obstruction au caractre diagonalisable . . . . . . . . . . . . . . . 12
4. Caractrisation des matrices diagonalisables . . . . . . . . . . . . . . . 15
5. Matrices diagonalisables : premires applications . . . . . . . . . . . . 17
6. Trigonalisation et diagonalisation des endomorphismes . . . . . . . . . 20
7. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

7. Le polynme minimal 1
1. Prliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2. Polynmes de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3. Le lemme de dcomposition en noyaux . . . . . . . . . . . . . . . . . 6
4. Le polynme minimal . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
5. Le thorme de Cayley-Hamilton . . . . . . . . . . . . . . . . . . . . . 14
6. Le cas des endomorphismes . . . . . . . . . . . . . . . . . . . . . . . 21
7. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

8. Dcomposition spectrale des matrices 1


1. Prliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2. Matrices nilpotentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3. Les espaces spectraux . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
4. Dcomposition spectrale gomtrique . . . . . . . . . . . . . . . . . . 7
Table des matires 1

5. Dcomposition spectrale algbrique . . . . . . . . . . . . . . . . . . . 10


6. Calcul de la dcomposition spectrale algbrique . . . . . . . . . . . . . 15
7. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

III. Applications de la rduction des matrices 23

9. Fonctions de matrices 1
1. Calcul des puissances dune matrice . . . . . . . . . . . . . . . . . . . 1
2. La fonction exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . 4
3. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

10. Systmes dynamiques discrets 1


1. Les suites rcurrentes . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2. La suite de Fibonacci (1202) . . . . . . . . . . . . . . . . . . . . . . . 3
3. Dynamique de populations . . . . . . . . . . . . . . . . . . . . . . . . 4
4. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

11. Systmes dynamiques continus 1


1. Systmes diffrentiels linaires coefficients constants . . . . . . . . . 2
2. Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

Bibliographie 1
CHAPITRE
0

Prliminaires algbriques

Sommaire
1. Ensembles et applications . . . . . . . . . . . . . . . . . . . . . . . 1
2. Les corps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3. Les anneaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
4. Les polynmes une indtermine . . . . . . . . . . . . . . . . . . 9
5. Arithmtique des polynmes . . . . . . . . . . . . . . . . . . . . . 12
6. Les fractions rationnelles . . . . . . . . . . . . . . . . . . . . . . . 19

Ce chapitre contient peu de dmonstrations, son rle est de fixer les notations et de
rappeler les structures algbriques fondamentales, ainsi que les principaux rsultats al-
gbriques que nous utiliserons dans ce cours. Nous renvoyons le lecteur au cours de
premire anne pour tout approfondissement.

1 Ensembles et applications
0.1.1. Applications. Soient A et B deux ensembles. Une application f de A dans B
est un procd qui tout lement x de A associe un lment unique de B, not f (x). On
f
note f : A B, ou A B, ou encore

f : A B
x f (x).

On note f (A) limage de lensemble A, dfinie par

f (A) = {y | y B, x A, tel que y = f (x)}.

1
2 CHAPITRE 0. PRLIMINAIRES ALGBRIQUES

Limage inverse dun sous-ensemble Y B est dfinie par

f 1 (Y ) = {x | x A, f (x) Y }.

Une application f : A B est dite injective si, f (x) = f (y) implique x = y. Elle est
dite surjective si f (A) = B, i.e., pour tout y B, il existe un x A tel que y = f (x). Une
application est dite bijective si elle est la fois injective et surjective.
Si f : A B et g : B C sont deux applications, on note g f , ou encore g f ,
lapplication, dite compose, dfinie par

g f : A C
x g( f (x)).

La compose des applications est une opration associative, i.e., tant donnes trois
f g h
applications A B C D, on a

h (g f ) = (h g) f .

0.1.2. Quelques ensembles fondamentaux de nombres. Dans tout ce cours, nous


supposons connus les ensembles de nombres suivants et les oprations daddition, de
soustraction, de multiplication et de division sur ces ensembles :
- lensemble des entiers naturels, 0, 1, 2, . . ., not N,
- lensemble des entiers relatifs, not Z, form des entiers naturels et de leurs opposs,
p
- lensemble des rationnels, not Q, form des quotients , o p et q sont des entiers
q
relatifs, avec q non nul,
- lensemble des rels, not R, qui contient les nombres rationnels et les irrationnels,
- lensemble des complexes, not C, form des nombres a + ib, o a et b sont des rels
et i un complexe vrifiant i2 = 1.
Si p et q sont deux entiers relatifs, on notera

J p, qK = {a Z | p 6 a 6 q}.

2 Les corps
Un corps est un objet algbrique constitu dun ensemble et de deux oprations sur
cet ensemble, une addition et une multiplication, qui satisfont certaines relations. Intu-
itivement, cette structure est proche de notre intuition de nombres et des oprations que
lon peut leur appliquer. Avant dnoncer les relations des deux oprations de la structure
de corps, rappelons la structure de groupe.

0.2.1. Les groupes. Un groupe est un ensemble G muni dune opration ?, associant
deux lments a et b de G un troisime lment de G, not a?b, satisfaisant les assertions
suivantes
CHAPITRE 0. PRLIMINAIRES ALGBRIQUES 3

i) lopration est associative, i.e., pour tous lments a, b et c de G,

a ? (b ? c) = (a ? b) ? c,

ii) il existe un lment e dans G, appel neutre, tel que, pour tout lment a de G,

a ? e = e ? a = a,

iii) pour tout lment a de G, il existe un lment inverse, que nous noterons a1 , tel
que
a ? a1 = e = a1 ? a.

Exercice 1. On dfinit sur lensemble des nombres rels lopration ? en posant

a ? b = 2a + 2b.

1. Cette opration est-elle associative ?


2. Lopration
a ? b = 2a + b
est-elle associative ?

Exercice 2.
1. Montrer quun groupe possde un unique lment neutre.
2. Montrer que dans un groupe, linverse dun lment est unique.

0.2.2. Exemples.
1) Le groupe trivial est le groupe un seul lment, llment neutre.
2) Lensemble des entiers Z forme un groupe pour laddition usuelle. Il ne forme pas
un groupe pour la multiplication.
3) Lensemble des nombres rationnels Q forme un groupe pour laddition. Lensem-
ble Q {0} des nombres rationnels non nul est un groupe pour la multiplication.
4) Lensemble des complexes non nuls C {0}, muni de la multiplication usuelle des
complexes.
5) Lensemble Rn des n-uplets ordonnes

(x1 , . . . , xn )

de nombres rels, muni de lopration

(x1 , . . . , xn ) + (y1 , . . . , yn ) = (x1 + y1 , . . . , xn + yn ),

forme un groupe.

Exercice 3. Justifier toutes les proprits prcdentes. Dans le cas de Rn , dterminer


llment neutre du groupe et linverse dun n-uplet (x1 , . . . , xn ).
4 CHAPITRE 0. PRLIMINAIRES ALGBRIQUES

0.2.3. Les groupes abliens. Un groupe est dit ablien, ou commutatif , si tous l-
ments a et b vrifient
a ? b = b ? a.
Les groupes des exemples 0.2.2 sont abliens.

Exercice 4. Les oprations de lexercice 1 sont-elles commutatives ?

Exercice 5. Soit X un ensemble.


1. Montrer que lensemble des permutations de X, i.e. des bijections de X dans lui-
mme, forment un groupe.
2. Montrer que ce groupe nest pas commutatif lorsque X possde au moins trois l-
ments.

0.2.4. Les corps. Un corps (commutatif) est un ensemble K sur lequel une opration
daddition (a, b) a + b et une opration de multiplication (a, b) ab sont dfinies et
satisfont aux assertions suivantes :
i) K est un groupe ablien pour laddition,
ii) K {0} est un groupe ablien pour la multiplication,
iii) la multiplication est distributive par rapport laddition, i.e., pour tous lments a,
b et c, on a
a(b + c) = ab + ac.
Llment neutre pour laddition, appel zero, est not 0, linverse de a est appel loppos
de a et not a, llement neutre pour la multiplication est appel unit et not 1,
linverse de a pour la multiplication est not a1 .

0.2.5. Exemples.
1) Lensemble des nombres rationnels Q, lensemble des nombres rels R et lensem-
ble des nombres complexes C, munis des oprations daddition et de multiplication
usuelles sont des corps.
2) Lensemble Z des entiers relatifs nest pas un corps.
3) Un exemple de corps fini, i.e., avec un nombre fini dlments, est donn par
lensemble, not Z/pZ , des entiers modulo un entier premier p, muni des opra-
tions daddition et de multiplication induites de celles de Z.

Exercice 6. Montrer que Z/4Z nest pas un corps.

Exercice 7. Montrer que dans un corps, llment neutre de laddition joue le rle
dannulateur, i.e., pour tout lment a, on a :

a0 = 0.

Par dfinition, un groupe ne peut tre vide, il contient au moins un lment. Un corps
contient donc au moins deux lments 0 et 1 qui sont ncessairement distincts.
CHAPITRE 0. PRLIMINAIRES ALGBRIQUES 5

Exercice 8. Montrer quun corps ne contient pas de diviseur de zero, cest--dire que
si a et b sont deux lments non nul dun corps K, alors leur produit ab est non nul.

Il nexiste quun seul corps deux lments.


Exercice 9. tablir les tables daddition et de multiplication du corps deux l-
ments.

0.2.6. Extension de corps. Un sous-ensemble L dun corps K est un sous-corps de


K si les oprations du corps K munissent L dune structure de corps. On dit alors que
K est une extension du corps L. Par exemple, le corps des rels R est une extension du
corps des rationnels Q et le corps des complexes C est une extension du corps R.

3 Les anneaux
La structure danneau gnralise celle de corps. Un ensemble muni dune opration
daddition et dune opration de multiplication qui satisfont tous les axiomes de corps,
except lexistence dun lment inverse a1 , pour tout lment a non nul, est appel un
anneau commutatif. Pour que notre dfinition soit complte, on convient, quil existe un
anneau qui possde un seul lment.
Par exemple, lensemble des entiers relatifs Z, muni de laddition et de la multipli-
cation, nest pas un corps - les lments non nuls ne sont pas tous inversibles - mais il
forme un anneau commutatif. Nous verrons que lensemble A[x] des polynmes une in-
dtermine coefficients dans un anneau ou un corps A forme un anneau ; les principales
constructions sur les anneaux de polynmes sont rappeles dans la section suivante.

0.3.1. Les anneaux. Un anneau est un ensemble A muni dune opration daddition
(a, b) a + b et dune opration de multiplication (a, b) ab qui satisfont aux asser-
tions suivantes
i) A est un groupe ablien pour laddition,
ii) la multiplication est associative, i.e., pour tous lments a, b et c de A,

(ab)c = a(bc).

iii) la multiplication possde un lment neutre dans A, appel unit et not 1, vrifiant
pour tout lment a de A,
1a = a1 = a.
iv) la multiplication est distributive par rapport laddition, i.e., pour tous lments
a, b, c de A, on a :

a(b + c) = ab + ac, (b + c)a = ba + ca.

Un anneau est dit commutatif si sa multiplication est commutative.


Exercice 10. Montrer que dans un anneau A, on a, pour tous lments a et b,
6 CHAPITRE 0. PRLIMINAIRES ALGBRIQUES

1. 0a = a0 = 0,
2. (1)a = a,
3. (ab) = (a)b = a(b),
4. (a)(b) = ab.

0.3.2. Exemples.
1) Lensemble des entiers relatifs Z, muni de laddition et de la multiplication usuelles,
forme un anneau commutatif.
2) Un corps (commutatif) est un anneau K non rduit {0}, tel que la multiplication
muni K {0} dune structure de groupe ablien.
3) Si 1 = 0 dans un anneau A, alors A est rduit {0}, car pour tout lment a de A,
a = 1a = 0a = 0.

0.3.3. Endomorphismes dun groupe ablien. Rappelons quun endomorphisme dun


groupe (G, ?) est un morphisme de groupes de G dans lui-mme, cest--dire, une appli-
cation f : G G vrifiant, pour tous a, b G,

f (a ? b) = f (a) ? f (b).

Lensemble des endomorphismes dun groupe ablien (G, +), muni de laddition induite
de celle sur G et de la composition, est un anneau non commutatif en gnral.

0.3.4. Formule du binme. Dans un anneau, si deux lments a et b commutent, i.e.,


ab = ba, alors on a la formule dite du binme de Newton, pour tout entier naturel n,
n  
n n p np
(a + b) = a b .
p=0 p

Exercice 11. Dmontrer la formule du binme de Newton.

0.3.5. Caractristique dun anneau commutatif. Soit A un anneau commutatif. La


caractristique de A est le plus petit entier naturel non nul q, tel que laddition de q fois
lunit soit gale zero :
q.1 = 1| + 1 +{z. . . + 1} = 0.
q fois

Si un tel entier nexiste pas, on dit que lanneau est de caractristique nulle.
Exercice 12.
1. Montrer quun anneau commutatif fini est de caractristique non nulle.
2. Montrer que la caractristique dun corps fini est un nombre premier.
Exercice 13. Construire un corps de caractristique 3.
Exercice 14. Montrer que dans un anneau commutatif de caractristique un nombre
premier p, alors, pour tous lments a et b de A, on a

(a + b) p = a p + b p .
CHAPITRE 0. PRLIMINAIRES ALGBRIQUES 7

0.3.6. Division euclidienne dans lanneau Z. La division euclidienne est un rsul-


tat fondamental de larithmtique lmentaire sur les entiers ou les polynmes. Avant
didentifier les anneaux dans lesquels, un tel algorithme est disponible, rappelons la di-
vision euclidienne sur les entiers.

0.1 Thorme (division euclidienne). Soient a, b Z, avec b > 0. Il existe un


couple unique (q, r) dentiers dans Z tel que :

a = bq + r, avec 0 6 r < b.

Lentier q est appel le quotient de la division euclidenne de a par b et lentier r est


appel le reste de la division euclidenne de a par b.

Preuve. Montrons dans un premier temps lunicit du couple. Supposons que (q, r) et
(q0 , r0 ) soient deux couples vrifiant la condition, alors

a = bq + r = bq0 + r0 .

Do r0 r = b(q q0 ), par suite b divise r0 r. Comme, par hypothse, 0 6 r < b et


0 6 r0 < b, on a
b|q q0 | = |r0 r| < b.
Par suite, |q q0 | = 0, do q = q0 et r = r0 .

Montrons lexistence du couple. Considrons lensemble A = {k Z | bk 6 a}. Cest


une partie non vide et majore de Z. En effet, si a > 0, alors 0 A, do A est non vide,
et comme 1 6 b, lentier a majore A. Si a < 0, alors a A, do A est non vide et 0
majore A. Par suite, lensemble A admet un plus grand lment q. On a

bq 6 a < b(q + 1).

En posant r = a bq, on a 0 6 r < b. 

De lunicit du quotient et du reste de la division eulcidienne, on dduit quun entier


b divise un entier a si, et seulement si, le reste de division euclidienne de a par b est nul.

Exercice 15. Soit n un entier naturel. Calculer la division euclidienne de

1. lentier n3 + n2 + 2n + 1 par n + 1,
2. lentier n4 + 4n3 + 6n2 par n2 + 2.
8 CHAPITRE 0. PRLIMINAIRES ALGBRIQUES

F IGURE 0.1.: Euclide de Samos (325 - 265 av. J.-C.)

Euclide est un mathmaticien de la Grce antique n vers 325 av. J.C. et mort
vers 265 av. J.C.. Nous navons que trs peu dinformation sur la vie dEu-
clide. Larticle de Fabio Acerbi du site Image des mathmatiques 1 prsente
ce que nous savons ce jour sur le personnage dEuclide. Euclide est lau-
teur des lments qui est un texte fondateur de la gomtrie.

F IGURE 0.2.: Un fragment des lments dEuclide, papyrus dat dentre 75 et 125 de
notre re.

0.3.7. Les anneaux euclidiens. Soit A un anneau commutatif. On appelle algorithme


euclidien sur A toute application

: A {0} N,

1. Fabio Acerbi, Euclide - Images des Mathmatiques, CNRS, 2010. En ligne, URL : http:
//images.math.cnrs.fr/Euclide.html
CHAPITRE 0. PRLIMINAIRES ALGBRIQUES 9

telle que, pour tout a A et tout b A {0}, il existe q A et r A, tels que

a = bq + r, avec (r) < (b) ou r = 0.

Un anneau commutatif A est dit euclidien, sil vrifie les deux proprits suivantes
i) A est intgre, i.e., pour tous lments a et b de A,

ab = 0 ( a = 0 ou b = 0 ).

ii) il existe sur A un algorithme euclidien.

0.3.8. Exemple. Lanneau Z est euclidien. Il est en effet intgre et lapplication valeur
absolue | | : Z {0} N est un algorithme euclidien, car, pour tout a Z et tout
b Z {0}, il existe q, r Z tels que

a = bq + r, avec |r| < |b| ou r = 0.

Attention, le couple (q, r) nest pas ici unique, par exemple, on a

5 = (3)(2) + (1) avec | 1| < | 3|,

et
5 = (3)(1) + 2 avec |2| < | 3|.
Dans la suite, nous montrerons que si K est un corps, lanneau K[x] est euclidien.

Exercice 16. Montrer que lanneau D des nombres dcimaux, i.e., le sous-anneau de
Q, engendr par 1/10, est euclidien.

4 Les polynmes une indtermine


0.4.1. Polynmes sur un corps. Avant daborder la notion de polynme, rappelons
quil est important de distinguer les polynmes des fonctions polynomiales. En effet,
considrons le polynme f = x2 x coefficients dans le corps Z/2Z. La fonction
polynomiale associe fe : Z/2Z Z/2Z, dfinie par

fe(a) = a2 a, pour tout a Z/2Z,

est nulle, car fe(0) = 0 et fe(1) = 0, alors que le polynme f nest pas nul.

Exercice 17. Montrer quil nexiste que quatre fonctions polynomiales coefficients
dans le corps Z/2Z et une infinit de polynmes coefficients dans ce corps.

La situation est diffrente pour les polynmes coefficients dans les corps infinis,
dans ce cas, il existe une correspondance biunivoque entre les polynmes et les fonctions
polynomiales, cf. section 0.4.5.
10 CHAPITRE 0. PRLIMINAIRES ALGBRIQUES

0.4.2. Les polynmes. Soit K un corps. On appelle polynme coefficients dans K,


toute suite f = (an )nN dlments de K, nulle partir dun certain rang. On note K(N)
lensemble de ces suites.
On dfinit sur lensemble K(N) une addition et un produit externe par un scalaire en
posant, pour tous f = (an )nN , g = (bn )nN et K,

f + g = (an + bn )nN , f = ( an )nN .

En outre, on dfinit une multiplication en posant, pour tous f = (an )nN , g = (bn )nN ,
n
f g = (cn )nN , avec cn = ai bni .
i=0

0.4.3. Lalgbre des polynmes. Ces trois oprations munissent lensemble K(N)
dune structure de K-algbre associative, commutative et unitaire, cest--dire,
i) K(N) muni de laddition et du produit par un scalaire est un K-espace vectoriel,
ii) K(N) muni de laddition et de la multiplication est un anneau commutatif,
iii) pour tous f , g K(N) et tous scalaires , K, on a

( f )(g) = ( )( f g).

0.4.4. Notion dindtermine. Lcriture des polynmes sous forme de suite est peu
manipulable, aussi, on prfre la notation base sur la notion dindtermine. Notons x
le polynme de K(N) dont tous les termes sont nuls, sauf celui de degr 1 :

x = (0, 1, 0, . . .).

Par convention, on pose x0 = 1. On dfinit les puissances de x par rcurrence, pour tout
entier k, xk+1 = x xk . Ainsi, si f = (an )nN , on montre que
+
f = ai x i .
i=0

Les scalaires ai sont appels les coefficients du polynme f . On montre que deux polynmes
sont gaux si, et seulement si, ils ont les mmes coefficients :
+ +
k
ak x = bk xk si, et seulement si, ak = bk , pour tout k N.
k=0 k=0

On notera alors K[x] lensemble des polynmes une indtermine coefficients dans
le corps K. Avec ces notations, laddition des polynmes est dfinie de la faon suivante,
m n
i
pour f = ai x et g = b j x j , alors
i=0 j=0

max{m,n}
f +g = (ak + bk )xk ,
k=0
CHAPITRE 0. PRLIMINAIRES ALGBRIQUES 11

avec ak = 0, pour k > m et bk = 0 pour k > n. Par ailleurs, pour la multiplication, on a



m+n
fg = (aib j ) xk

k=0 i, j>0
i+ j=k

n
0.4.5. Fonction polynomiale. tant donn un polynme f = ai xi de K[x], on dfinit
i=0
la fonction polynomiale associe comme lapplication

fe : K K,

qui, tout a K, associe le scalaire f (a) K, obtenu en remplaant dans lexpression


de f lindtermine x par a.
Nous avons vu en 0.4.1 que sur un corps fini, les notions de polynmes et de fonction
polynomiale ne concident pas. Nous allons voir que cest le cas lorsque le corps est
infini, par exemple lorsque K est R ou C.

Exercice 18. Supposons que K est le corps R ou C.


1. Montrer que lapplication
: K[x] KK
dfinie par ( f ) = fe est injective.
2. Montrer que deux polynmes coefficients dans K sont gaux si, et seulement si
leurs fonctions polynomiales associes sont gales.

0.4.6. Degr dun polynme. Soit f un polynme de K[x]. Si f = 0, on pose


m
deg f = , si f = aixi est non nul, on note deg f le plus grand entier naturel
i=0
n tel que an soit non nul. Lentier deg f est appel le degr du polynme f .
Un polynme non nul f de degr n > 0 scrit de faon unique sous la forme

f = a0 + a1 x + . . . + an xn ,

o an est non nul. Le degr de f est le plus grand exposant de x apparaissant dans f .

0.4.7. Les monmes. On appelera monme un polynme de la forme xk , o k est un


entier naturel. La famille de monmes (xn )nN forme une base du K-espace vectoriel
K[x]. On lappelle base canonique de K[x].

0.4.8. Terme de plus haut degr. Le coefficient de plus haut degr (leading coeffi-
cient) dun polynme f de K[x], not lc( f ), est le coefficient du monme de plus grand
exposant. Le terme de plus haut degr dun polynme f (leading term), not lt ( f ), est le
terme de plus haut degr de f . Par exemple, pour le polynme f = a0 + a1 x + . . . + an xn ,
on a
deg f = n, lt ( f ) = an xn , lc( f ) = an .
12 CHAPITRE 0. PRLIMINAIRES ALGBRIQUES

Un polynme est dit unitaire, si le coefficient de son terme de plus haut degr est gal
1.
Exercice 19. Montrer que pour tous polynmes f et g de K[x], on a
1. lc( f g) = lc( f )lc(g),
2. lt ( f g) = lt ( f ) lt (g).

5 Arithmtique des polynmes


0.5.1. Divisibilit. Soient f et g deux polynmes de K[x]. On dit que g divise f , ou
que f est divisible par g, ou encore que f est un multiple de g, sil existe un polynme q
de K[x] tel que f = gq. On note alors g| f .
Exercice 20. Montrer que le polynme x + 3 divise le polynme x3 + 27.

Exercice 21. Montrer que pour deux polynmes f et g non nuls de K[x],
deg f 6 deg g si, et seulement si, lt ( f ) | lt (g).

Exercice 22. Soient f et g deux polynmes de K[x]. Montrer que f |g et g| f si, et


seulement si, il existe un scalaire non nul de K te que f = g.

0.5.2. La division euclidienne dans K[x]. Il existe sur lanneau K[x] une division
euclidienne comme celle que nous avons vue sur lanneau Z. Par exemple, considrons
deux polynomes

f = x3 3x2 + 4x + 7, g = 2x2 + 4x + 6,

de Q[x]. La division de f par g a pour quotient 21 x 52 et pour reste 11x + 22. On les
obtient en procdant de la mme faon que la division des entiers :

x3 3x2 +4x +7 2x2 +4x +6


1 5
x3 +2x2 +3x 2x 2
5x2 +x +7
5x2 10x 15
11x +22
La premire tape consiste multiplier le polynme g par 21 x, puis soustraire le rsultat
f , soit
x3 1
f 2 g = f xg = 5x2 + x + 7.
2x 2
x 3
Lide consiste multiplier g par un terme, ici 2x 2 , de telle faon que le terme de plus
haut degr de g multipli par ce terme annule le terme de plus haut degr de f . On obtient
ainsi un nouveau polynme h = 5x2 + x + 7, on dit que h est une reduction de f par g,
on note
g
f h.
CHAPITRE 0. PRLIMINAIRES ALGBRIQUES 13

On rpte alors ce processus, jusqu obtenir le reste


5
r = h ( )g = 11x + 22.
2
La division se compose ainsi dune suite de rductions par g :
g g
f h r.

0.5.3. Le cas gnral. Plus gnralement, considrons deux polynmes

f = an xn + . . . + a1 x + a0 , g = bm xm + . . . + b1 x + b0 ,

avec deg f = n > deg g = m. La premire tape dans la division de f par g consiste
soustraire f le produit
an nm
x g,
bm
qui, avec les notations dfinies en 0.4.8, scrit

lt ( f )
g.
lt (g)

On obtient ainsi comme premier reste le polynme

lt ( f )
h= f g.
lt (g)

On dit que f se rduit en h par g, on note


g
f h.

On rpte alors lopration de rduction par g, pour obtenir un nouveau reste :

lt (h)
h0 = h g.
lt (g)
g
Dans la rduction f h, on notera que le reste h a un degr strictement infrieur au
degr de f . On peut alors poursuivre le processus de rduction, jusqu obtenir un reste,
dont le degr est strictement infrieur au degr du polynme g. On obtient ainsi une suite
de rductions par g qui termine sur un reste r, tel que deg r < deg g :
g g g g
f h h0 . . . r.

On montre ainsi lexistence du quotient et du reste dans le thorme de la division eucli-


dienne :
14 CHAPITRE 0. PRLIMINAIRES ALGBRIQUES

0.2 Thorme (de la division euclidienne). Soient f et g deux polynmes de


K[x], avec g 6= 0. Il existe un couple unique (q, r) de polynmes de K[x] tel que :

f = gq + r,

avec deg r < deg g.

Le polynme q est appel le quotient de la division euclidenne de f par g et le


polynme r est appel le reste de la division euclidenne de f par g. Si le reste de la
division euclidienne de f par g est nul, alors le polynme g divise f .
Exercice 23. Montrer lunicit des polynmes q et r.
Exercice 24. tant donns deux lements distincts a et b dun corps K. Calculer le
reste de la division euclidienne dun polynme f de K[x] par le polynme (x a)(x b)
en fonction de f (a) et f (b).
Exercice 25. Calculer le reste de la division de f par g avec
1. f = x3 + x2 + x + 1, g = x + 1,
2. f = x3 + x2 + x + 1, g = x 1,
3. f = x3 + 3x2 7x + 5, g = x2 3,
4. f = x4 + 2x3 4x2 + 5, g = x3 + 5.

0.3 Thorme. Si K est un corps, lanneau K[x] est euclidien.

Preuve. Daprs le thorme 0.2, lapplication deg : K[x] {0} N est un algorithme
euclidien sur K[x]. 

E NTRE : f , g K[x] avec g 6= 0,



S ORTIE : q, r K[x] tels que f = gq + r avec r = 0 ou deg r < deg g .
I NITIALISATION : q := 0 ; r := f
TANT QUE : r 6= 0 E T deg g 6 deg r FAIRE
lt (r)
q := q +
lt (g)
lt (r)
r := r g.
lt (g)

Algorithme de la division des polynmes dune indtermine.


CHAPITRE 0. PRLIMINAIRES ALGBRIQUES 15

Nous reviendrons sur cet algorithme de la division dans un prochain chapitre, en par-
ticulier pour ses nombreuses applications.

0.5.4. Polynmes premiers entre eux. Deux polynmes sont dits premiers entre eux,
si leurs seuls diviseurs communs sont les polynmes de degr nul. Plus gnralement,
des polynmes f1 , . . . , fs de K[x] sont dits

- premiers entre eux dans leur ensemble, si les seuls polynmes qui divisent simultan-
ment les polynmes f1 , . . . , fs sont de degr nul,

- premiers entre eux deux deux, si, pour tout i diffrent de j, les polynmes fi et f j
sont premiers entre eux.

Si fi et f j sont premiers entre eux, alors les polynmes f1 , . . ., fi , . . ., f j , . . ., fs


sont premier entre eux dans leur ensemble. Attention, les polynmes f1 = x 1, f2 =
(x 1)(x 2) et f3 = x 3 sont premiers entre eux dans leur ensemble, alors que les
polynmes f1 et f2 ne sont pas premiers entre eux.

0.4 Thorme (Identit de Bzout). Les polynmes f1 , . . . , fs K[x] sont pre-


miers entre eux dans leur ensemble si, et seulement si, il existe des polynmes
u1 , . . . , us de K[x], tels que
f1 h1 + + fs hs = 1.

Lgalit f1 h1 + + fs hs = 1 sappelle une identit de Bzout.

0.5.5. Exemples. Les polynmes x 1 et x + 2 sont premiers entre eux, on a lidentit


de Bzout
1 1
(x 1) + (x + 2) = 1.
3 3
Les polynmes x2 1 et x + 2 sont premiers entre eux, une identit de Bzout est donne
par
1 2 1 2
(x 1) + ( x + )(x + 2) = 1.
3 3 3

0.5.6. Calculer une identit de Bzout. Lalgorithme dEuclide permet de calculer


une identit de Bzout. tant donns deux polynmes f1 et f2 , premiers entre eux, lal-
gorithme suivant permet de calculer une identit de Bzout

f1 h1 + f2 h2 = 1.
16 CHAPITRE 0. PRLIMINAIRES ALGBRIQUES

Soient f1 , f2 K[x] {0} deux polynmes premiers entre eux. On pose r0 = f1 , r1 = f2 .


On calcule les divisions euclidiennes

r0 = r1 q1 + r2 , deg r2 < deg r1 ,


r1 = r2 q2 + r3 , deg r3 < deg r2 ,
..
.
rn2 = rn1 qn1 + rn , deg rn < deg rn1 ,

Alors, il existe n0 > 0 tel que, pour tout n > n0 , rn = 0. Les polynmes f1 et f2 sont
premiers entre eux, par suite le dernier reste non nul rn0 1 est une constante b K {0}.
Pour dterminer les polynmes h1 et h2 dans lidentit de Bzout, il suffit de partir de

rn0 1 = b = rn0 3 rn0 2 qn0 2 ,

et en utilisant toutes les relations entre les restes, obtenir une relation de Bzout entre r0
et r1 , comme dans lexemple suivant.

0.5.7. Exemple. Les polynmes x4 + 1 et x3 + 1 sont premiers entre eux. On calcule


la division euclidienne de x4 + 1 par x3 + 1 :

x4 + 1 = (x3 + 1)(x) + (x + 1),

on calcule alors la division euclidienne de x3 + 1 par x + 1 :

x3 + 1 = (x + 1)(x2 x 1) + 2.

Le dernier reste non nul est 2, on a alors

2 = (x3 + 1) (x + 1)(x2 x 1),


= (x3 + 1) ((x4 + 1) (x3 + 1)(x))(x2 x 1),
= (x3 + 1) (x4 + 1)(x2 x 1) + (x3 + 1)x(x2 x 1),
= (x3 + 1)(1 x x2 x3 ) + (x4 + 1)(1 + x + x2 ).

On obtient ainsi une relation de Bzout :


1 1
1 = (1 x x2 x3 )(x3 + 1) + (1 + x + x2 )(x4 + 1).
2 2
Exercice 26. Trouver une relation de Bzout entre les polynmes f1 et f2 , avec
1. f1 = x2 + 2x 1, f2 = x + 2,
2. f1 = x4 + 2x3 x, f2 = x3 + 5,
3. f1 = x2 + 2x 1, f2 = x + 2.

Exercice 27 (Lemme de Gauss). Soient f , g, h des polynmes de K[x]. Montrer que


si f et g sont premiers entre eux et que f divise gh, alors f divise h.
CHAPITRE 0. PRLIMINAIRES ALGBRIQUES 17

F IGURE 0.3.: tienne Bzout (1730 - 1783)

tienne Bzout est un mathmaticien franais, auteur dune Thorie gnrale


des quations algbriques sur la thorie de llimination et des fonctions
symtriques sur les racines dune quation. Examinateur des lves du corps
de lartillerie, il rdige un cours de mathmatiques lusage de la marine et
de lartillerie, qui deviendra un ouvrage de rfrence pour les candidats au
concours dentre lcole polytechnique.

0.5.8. Racine dun polynme. Soit f un polynme de K[x]. Un scalaire a K est dit
racine de f si f (a) = 0, cest--dire, lorsque a est un zro de la fonction polynomiale fe.
On peut dire aussi que a est racine de f si, et seulement si, x a divise f .
Si a1 , . . . , a p sont p racines distinctes de f , alors f est divisible par le polynme

(x a1 ) . . . (x a p ).

Un polynme non nul f de degr n admet au plus n racines distinctes. Si f admet n


racines distinctes a1 , . . . , an , alors, il se dcompose sous la forme

f = lc( f )(x a1 ) . . . (x an ).

0.5.9. Racines multiples. Soient f un polynme de K[x] et a une racine de f . On


appelle ordre de multiplicit de la racine a lexposant de la plus grande puissance de
x a qui divise f . Autrement dit, cest lentier h tel que (x a)h divise f et (x a)h+1
ne divise pas f . Soit f un polynme tel que

f = (x a)h q.

Alors a est racine dordre de multiplicit h si, et seulement si, a nest pas racine du
polynme q.

0.5.10. Polynmes scinds. Soit f K[x] un polynme. On dit que f est scind sur
K sil admet des racines a1 , . . . , a p dans K dordre de multiplicit respectifs m1 , . . . , m p
18 CHAPITRE 0. PRLIMINAIRES ALGBRIQUES

telles que m1 + . . . + m p = deg f . On a alors

f = lc( f )(x a1 )m1 . . . (x a p )m p ,

avec ai 6= a j si i 6= j et m1 + + m p = deg f .

0.5 Thorme (de DAlembert-Gauss). Tout polynme non constant coeffi-


cients dans C possde au moins une racine dans C.

Ce thorme est appel aussi thorme de DAlembert-Gauss, ou encore thorme


fondamental de lalgbre.
0.6 Corollaire. Tout polynme non nul de C[x] est scind sur C.
On dit quun corps K est algbriquement clos, si tout polynme non constant de K[x]
possde une racine dans K.
Exercice 28. Montrer que le corps R nest pas algbriquement clos.
Le thorme fondamental de lalgbre entrane que le corps C est algbriquement
clos. Plus gnralement, on peut montrer que, pour tout corps K, il existe une extension
L telle que tout polynme de K[x] soit scind sur L. Le corps L est appel la clture
algbrique de K. Par exemple C est la clture algbrique de R.

F IGURE 0.4.: Jean Le Rond DAlembert (1717 - 1783)

Jean Le Rond DAlembert est un mathmaticien, philosophe et encyclopdiste


franais. Il nonce le thorme de DAlembert-Gauss dans le Trait de dy-
namique, qui ne sera dmontr quun sicle aprs par Carl Friedrich Gauss.
CHAPITRE 0. PRLIMINAIRES ALGBRIQUES 19

DAlembert est clbre pour ses nombreux travaux mathmatiques, notam-


ment sur les quations diffrentielles et les quations aux drives partielles.
Il aborda des problmes difficiles en physique avec le Trait de dynamique
des systmes, en astronomie avec le problme des trois corps, ou encore en
musique avec la vibration des cordes.

6 Les fractions rationnelles


Nous connaissons la construction du corps Q des nombres rationnels partir de lan-
neau des entiers relatifs Z. Le corps des fractions rationnelles K(x) se construit de faon
similaire partir de lanneau des polynmes K[x].

0.6.1. Le corps des fractions rationnelles. Soit E lensemble K[x] (K[x]\{0}). On


dfinit sur E une relation dfinie par, pour tous ( f , g), ( f 0 , g0 ) E ,

( f , g) ( f 0 , g0 ) si, et seulement si, f g0 = f 0 g.

La relation forme une relation dquivalence sur E . Lensemble E / des classes


f
dquivalence est not K(x). Un lment de K(x) reprsent par ( f , g) E est not .
g
et appel fraction rationnelle.
On dfinit sur K(x) une addition et une multiplication dfinies de la faon suivante,
f f0
pour toutes fractions rationnelles et 0 ,
g g

f f0 f g0 + f 0 g f f0 f f0
+ 0= , . 0 = 0.
g g gg0 g g gg

0.7 Proposition. Ces oprations sont bien dfinies et munissent lensemble K(x)
des fractions rationnelles dune structure de corps.

Le corps K(x) est appel corps des fractions rationnelles.

Exercice 29. Montrer que la relation est une relation dquivalence.

Exercice 30. Montrer la proposition 0.7.

On appelle reprsentant irrductibe dune fraction rationnelle F, tout reprsentant


( f , g) de F o les polynmes f et g sont premiers entre eux.
On appelle degr dune fraction rationnelle F, la quantit deg f deg g Z {},
o ( f , g) est un reprsentant de F. Cette quantit ne dpend pas du reprsentant et est
note deg F. On a deg 0 = .
20 CHAPITRE 0. PRLIMINAIRES ALGBRIQUES

f
Soit F une fraction rationnelle de forme irrductible . On appelle racine de F toute
g
racine de f . On appelle ple de F toute racine de g. Lordre de multiplicit dune racine
ou dun ple est lordre de multiplicit de la racine dans le polynme correspondant.

0.6.2. Dcomposition en lments simples.

0.8 Proposition. Toute fraction rationnelle F scrit de faon unique comme la


somme dun polynme, appel partie entire de F, et dune fraction rationnelle de
degr strictement ngatif.

f
On considre la fraction rationnelle . En notant E le quotient et R le reste de la
g
division euclidienne de f par g, alors
f r
=E+ , avec deg r < deg q.
g q
Par exemple, on a
x5 + 1 2 4x2 3x + 1
= x + 2x + 3 + .
x(x 1)2 x(x 1)2
x5 + 1
Le polynme x2 + 2x + 3 est la partie entire de la fraction rationnelle .
x(x 1)2

0.9 Proposition. Soit F un fraction rationnelle admettant un ple dordre k. Il


existe un unique k-uplet de scalaires (1 , . . . , k ) et une unique fraction F0 nadmet-
tant pas pour ple, tels que :
k
i
F = F0 + i
.
i=1 (x )

x5 + 1
0.6.3. Exemple. La fraction admet pour ples 0 et 1 dordre 1 et 2 respec-
x(x 1)2
tivement. On a une dcomposition en lments simples :

x5 + 1 2 1 2 3
= x + 2x + 3 + + + .
x(x 1)2 x (x 1)2 x 1

0.10 Proposition (dcomposition en lments simples dans C(x)). Soit F une


fraction rationnelle de C(x) de ples 1 , . . . , p distincts deux deux et dordre
CHAPITRE 0. PRLIMINAIRES ALGBRIQUES 21

de multiplicit respectifs k1 , . . . , k p . Il existe un polynme E de C[x] et une unique


famille de scalaires (i, j ) tels que :
p ki
i, j
F =E+ (x i) j .
i=1 j=1

La dcomposition prcdente est appele la dcomposition en lments simples dans


C(x) de la fraction rationnelle F.

Exercice 31. Dterminer une identit de Bzout entre les polynmes suivants
1. x 1 et x + 2,
2. x + 1 et x2 2x + 1,
3. x4 1 et x3 + 2.

Exercice 32. Dcomposer en lments simples dans C(x) les fractions suivantes
10x3
1. ,
(x2 + 1)(x2 4)
x3 1
2. ,
(x 1)(x 2)(x 3)
x2
3. 2 ,
(x + x + 1)2
(x2 + 4)2
4. 2 .
(x + 1)(x2 2)2
Premire partie .

Les matrices et abrg


d'algbre linaire

23
CHAPITRE
1

Les espaces vectoriels

Sommaire
1. La structure despace vectoriel . . . . . . . . . . . . . . . . . . . . 1
2. Bases et dimension dun espace vectoriel . . . . . . . . . . . . . . 5
3. Somme de sous-espaces vectoriels . . . . . . . . . . . . . . . . . . 7
4. Les applications linaires . . . . . . . . . . . . . . . . . . . . . . . 9
5. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

Nous rappelons dans ce chapitre les notions dalgbre linaire abordes en premire
anne. Pour une bonne comprhension des prochains chapitres, il est important que ces
notions soient bien assimiles. Ce chapitre constitue un recueil de rsultats sans dmon-
stration. Le lecteur est renvoy son cours de premire anne, ou aux ouvrages suivants
pour tout approfondissement de Franois Liret et Dominique Martinais [LM03], ainsi
que de celui de Joseph Grifone [Gri11] pour tout approfondissement.
Ces deux rfrences proposent un cours complt dexercices avec solutions, la sec-
onde rfrence couvre une partie des notions abordes dans ce cours.

1 La structure despace vectoriel


1.1.1. Un prototype. Lespace vectorie rel Rn est le prototype despace vectoriel
rel de dimension finie. Ses lments sont les n-uplets ordonnes de nombres rels
(x1 , x2 , . . . , xn ), que nous crirons sous la forme de vecteur colonne :

x1
x2
x=
... .

xn

1
2 CHAPITRE 1. LES ESPACES VECTORIELS

Les oprations daddition et de multiplication de nombre rels permettent de dfinir deux


oprations sur Rn , laddition de vecteurs :

x1 + y1

x1 y1
x2 y2 x2 + y2
. + . = ..
.. .. .
xn yn xn + yn

et la multiplication dun vecteur par un nombre rel, pour tout rel ,



x1 x1
x2 x2
... = ... .

xn xn

Ces deux oprations ont des proprits hrites de celles satisfaites par les oprations
daddition et de multiplication sur les nombres rels. On peut vrifier ainsi que, laddi-
tion de n-uplets satisfait les relations suivantes :
i) pour tous x, y, z Rn , on a (x + y) + z = x + (y + z),
ii) pour tous x, y Rn , on a x + y = y + x,
iii) si 0 dsigne le n-uplet (0, 0, . . . , 0), on a x + 0 = x,
iv) en notant (x1 , x2 , . . . , xn ), le n-uplet (x1 , x2 , . . . , xn ), on a x + (x) = 0.

Dautre part, la mupliplication par un nombre rel satisfait les relations suivantes :
v) pour tous , R et tout x Rn , on a (x) = ( )x,
vi) pour tout x Rn , on a 1x = x.

Enfin, les oprations daddition et de multiplication par un rel vrifient des relations de
compatibilits entre elles :
vii) pour tout R et tous x, y Rn , on a (x + y) = x + y,
viii) pour tous , R et tout x Rn , on a ( + )x = x + x.

1.1.2. Dautres exemples. Il existe dautres ensembles qui, munis dune opration
daddition et de multiplication par un rel, satisfont les mmes relations.
1) Considrons lensemble C ([0, 1], R) des fonctions continues sur lintervale rel
[0, 1] et valeurs relles. Si f et g sont deux telles fonctions, on dfinit leur addition
en posant, pour tout rel x [0, 1],

( f + g)(x) = f (x) + g(x),

et la multiplication dune fonction f par un rel , en posant

( f )(x) = f (x).
CHAPITRE 1. LES ESPACES VECTORIELS 3

Ces oprations ainsi dfinies statisfont les proprits i)-viii) ci-dessus, en prenant
pour zro dans iii) la fonction nulle et en notant dans iv) f , la fonction dfinie
par
( f )(x) = f (x).
2) On vrifiera que les mmes oprations sur lensemble des fonctions deux fois dif-
frentiables qui satisfont

d2 f df
2
+ + f = 0, , R,
dt dt
satisfont les proprits i)-viii).
3) De la mme faon, les suites relles (xn )nN , satisfaisant la relation de rcurrence

xn+2 = xn+1 + xn , , R,

satisfont les proprits i)-viii).

En remplaant le corps des rels par un corps quelconque K, on obtient la struture


despace vectoriel sur un corps K, tel que K lui-mme ou bien Kn .

1.1.3. Dfinition. Un espace vectoriel sur un corps K, ou K-espace vectoriel, est un


ensemble E muni dune addition + : E E E et dune application

. : K E E
( , x) 7 .x

appele loi externe, on notera aussi x pour .x, qui vrifient les proprits suivantes,
i) lensemble E muni de laddition est un groupe ablien,
ii) pour tout x E, 1x = x,
iii) pour tous , K et tous x, y E :

(x) = ( )x,
( + )x = x + x,
(x + y) = x + y.

Les lments dun espace vectoriel E sont appels vecteurs et les lments du corps K
sont appels scalaires.

1.1.4. Lespace nul. Le K-espace vectoriel qui comporte un seul lment, llment
nul 0, est appel lespace vectoriel nul.
Exercice 1. Soit E un K-espace vectoriel. Montrer que, pour tout vecteur x et scalaire
, on a les relations :
a) 0 + x = x,
b) 0 = 0,
4 CHAPITRE 1. LES ESPACES VECTORIELS

c) 0x = 0,
d) x = 0 si, et seulement si, = 0 ou x = 0,
e) ( x) = (x) = ( )x.

1.1.5. Combinaisons linaires. Soit E un K-espace vectoriel. Soient x1 , x2 , . . . , x p


des vecteurs de E. On appelle combinaison linaire des vecteurs x1 , x2 , . . . , x p tout vecteur
de la forme
1 x1 + 2 x2 + . . . + p x p ,
o 1 , . . . , p K.
Plus gnralement, si (xi )iI est une famille de vecteurs de E, on appele combinaison
linaire des (xi )iI toute somme
i xi ,
iI
dans laquelle, pour tout i I, i K et o les i sont tous nuls sauf un nombre fini.

1.1.6. Sous-espaces vectoriels. Soit E un K-espace vectoriel. Un sous-espace vecto-


riel de E est un sous ensemble F de E tel que les oprations de E induisent sur F une
structure de K-espace vectoriel.
Un sous-ensemble F de E est donc un sous-espace vectoriel si les assertions suivantes
sont vrifies :
i) 0 F,
ii) pour tous x, y F, x + y F,
iii) pour tout x F et tout K, x F.

1.1.7. Exemples.
a) Le sous-ensemble {0} rduit au vecteur nul et E sont des sous-espaces vectoriel
de E.
b) Soit K[x] lensemble des polynmes coefficients dans K. Le sous-ensemble Kn [x]
de K[x] form des polynmes de degr au plus n est un sous-espace vectoriel de
K[x].

Exercice 2. Montrer quune intersection de sous-espaces vectoriels de E est un sous-


espace vectoriel de E.

1.1.8. Faits. Un sous-ensemble F de E est un sous-espace vectoriel si, et seulement


si, toute combinaison linaire de vecteurs de F est un vecteur de F. Pour montrer quun
sous-ensemble F de E est un sous-espace vectoriel, il suffit alors de montrer que 0 F
et que x + y, pour tous vecteurs x, y F et scalaires , K.

Exercice 3. Soit un rel. On considre le sous-ensemble suivant de R3 :

F = {(x1 , x2 , x3 ) R3 | x1 + x2 + x3 = }

Montrer que F est un sous-espace vectoriel de R3 , si et seulement si, = 0.


CHAPITRE 1. LES ESPACES VECTORIELS 5

2 Bases et dimension dun espace vectoriel


1.2.1. Sous-espace vectoriel engendr par une partie. Une intersection de sous-
espaces vectoriels de E est un sous-espace vectoriel de E.
Soient E un K-espace vectoriel et A une partie de E. Lintersection de tous les sous-
espaces vectoriels de E qui contiennent A est le plus petit sous-espace vectoriel de E, au
sens de linclusion, contenant A. On lappelle sous-espace vectoriel engendr par A et
on le note Vect(A).
Le sous-espace vectoriel Vect(A) est form de toutes les combinaisons linaires de
vecteurs de A.

1.2.2. Exemples. Le sous-espace vectoriel engendr par lensemble vide est lespace
vectoriel nul :
Vect({0}) = {0}.
Pour tous vecteurs x, y E,

Vect(x, y) = Vect(x + y, x y).

Exercice 4.
1. Montrer que lensemble A = {(1, 0), (0, 1)} engendre R2 .
2. Montrer que lensemble A = {(x, x2 , x3 ) | x R} nengendre pas R3 .

1.2.3. Famille gnratrice. Une famille (xi )iI de vecteurs dun K-espace vectoriel
E est dite gnratrice si E = Vect((xi )iI ).

1.2.4. Famille libre. Une famille (xi )iI de vecteurs dun K-espace vectoriel E est
dite libre, ou linairement indpendante, si pour toute combinaison linaire vrifiant

ixi = 0,
iI
alors, pour tout i I, i = 0. Autrement dit, aucun des vecteurs de la famille (xi )iI nest
combinaison linaire des autres. Un famille qui nest pas libre est dite lie.
Les lments dune famille libre sont non nuls et tous distincts. Toute sous-famille
dune famille libre est libre
Exercice 5. Montrer cette proprit.

1.2.5. Base dun espace vectoriel. Une famille libre et gnratrice dun K-espace
vectoriel E est appele un base de E. Si (ei )iI une base de E, tout vecteur x de E scrit
de faon unique
x = i ei .
iI

Les scalaires i sappellent les coordonnes de x dans la base (ei )iI .

Tout lment non nul de K forme une base du K-espace vectoriel K. Le couple (1, i)
forme une base du R-espace vectoriel C.
6 CHAPITRE 1. LES ESPACES VECTORIELS

1.2.6. Base canonique. Lorsquun espace est muni naturellement dune base partic-
ulire, elle est dite canonique. Par exemple, la famille (xn )nN est la base canonique de
lespace vectoriel K[x] des polynmes en lindtermine x.
La famille (0, . . . , 1, . . . , 0), 1 6 i 6 n, est la base canonique de lespace vectoriel Kn .

1.2.7. Le concept de dimension. Un espace vectoriel est dit de dimension finie, sil
admet une famille gnratrice finie. Dans le cas contraire, on dit quil est de dimension
infinie.
On a le thorme fondamental dexistence de base dans les espaces vectoriels de di-
mension finie.

1.1 Thorme. Soit E un K-espace vectoriel non nul de dimension finie. Soient
G une famille gnratrice de E et L G une famille libre. Alors, il existe une base
B de E vrifiant L B G .

De ce rsultat on dduit que, pour tout espace vectoriel de dimension finie E


i) de toute famille gnratrice de E, on peut extraire une base de E,
ii) (thorme de la base incomplte) toute famille libre peut tre complte en une
base.
Enfin, le thorme de la dimension dun espace vectoriel de dimension finie.

1.2 Thorme. Dans un K-espace vectoriel E de dimension finie, toutes les bases
ont le mme nombre dlments.

Ce nombre est appel la dimension de E et est not dimK E, ou dim E, sil ny a pas
de confusion.

1.3 Proposition. Soit E un K-espace vectoriel de dimension finie et F un sous-


espace vectoriel de E. Alors F est de dimension finie et dim F 6 dim E. De plus, F
est gal E si, et seulement si, dim F = dim E.

Par exemple, lespace Kn est de dimension n. Lespace Kn [x] des polynmes coeffi-
cients dans K et de degr infrieur ou gal n admet comme base canonique (1, x, . . . , xn )
et est donc de dimension n + 1. Lespace vectoriel K[x] est de dimension infinie.
CHAPITRE 1. LES ESPACES VECTORIELS 7

3 Somme de sous-espaces vectoriels


1.3.1. Somme de sous-espaces. Soit E un K-espace vectoriel et soient F et G deux
sous-espaces vectoriels de E. La runion de F et G nest pas en gnral un sous-espace
vectoriel de E

Exercice 6. Donner des contre-exemples.

Le plus petit sous-espace vectoriel contenant F et G est le sous-espace vectoriel


Vect(F G). Ce sous-espace vectoriel est dcrit par

Vect(F G) = {x + y | (x, y) F G}.

Ce sous-espace vectoriel est appel la somme de F et G, on le note F + G.


Plus gnralement, si (Ei )iI une famille de sous-espaces vectoriel de E, on note Ei
iI
le sous-espace vectoriel de E form des combinaisons linaires

xi ,
iI

o les xi Ei , i I, sont tous nuls sauf une nombre fini. Lespace Ei est appel la
iI
somme des sous-espaces vectoriels Ei , i I.

Exercice 7. Soient E un espace vectoriel et F, G deux sous-espaces vectoriels de E.


1. Montrer que F G = F + G si, et seulement si, F = G.
2. Montrer que la runion F G est un sous-espace vectoriel de E si, et seulement si,
F G ou G F.

1.3.2. Somme de sous-espaces supplmentaires. Soient E un K-espace vectoriel et


F et G deux sous-espaces vectoriels de E. Les deux assertions suivantes sont quiva-
lentes :
i) pour tout vecteur x E, il existe un unique couple (y, z) F G tel que

x = y + z.

ii) E est gal la somme F + G des sous-espaces F et G et F G = {0}.


On dit que F et G sont deux sous-espaces vectoriels supplmentaires de E lorsquils
satisfont ces proprits. On dit aussi que E est la somme directe des sous-espaces F et G
et on crit :
E = F G.

Exercice 8. Montrer lquivalence des assertions i) et ii).

En rsum :
8 CHAPITRE 1. LES ESPACES VECTORIELS

1.4 Proposition. Soient F et G deux sous-espaces vectoriels de E. Alors E =


F G si, et seulement si, les deux proprits suivantes sont vrifies :
i) E = F + G,
ii) F G = {0}.

1.5 Proposition. Tout sous-espace vectoriel dun espace vectoriel de dimension


finie admet au moins un supplmentaire.

Exercice 9. On considre les trois sous-espaces vectoriels suivants de R2 :

F = R {0}, G = {0} R, H = {(x, x) | x R}.

Montrer que F G = F H = G H = {0} et que la somme F + G + H nest pas directe.

1.3.3. Somme directe dune famille de sous-espaces. Plus gnralement, soient


E1 , . . . , E p des sous-espaces vectoriel de E. On dit que E est somme directe des sous-
espaces vectoriels E1 , . . . , E p , si tout vecteur x de E scrit de faon unique sous la forme

x = x1 + . . . + x p ,

o, pour tout i J1, pK, xi Ei . On note alors E = E1 . . . E p .


Pour montrer que E se dcompose en la somme directe de p espaces vectoriels :

E = E1 . . . E p ,

il suffit de montrer que E = E1 + . . . + E p et que pour tout i J2, pK, on a

Ei (E1 + . . . + Ei1 ) = {0}.

En pratique, on peut aussi utiliser la caractrisation suivante. Les sous-espaces E1 , . . . , E p


sont en somme directe si, et seulement si, lgalit

x1 + . . . + x p = 0, o xi Ei ,

implique que xi = 0, pour tout i J1, pK.

1.6 Proposition. Soit E un K-espace vectoriel de dimension finie et E1 , . . . , E p


des sous-espaces de E de bases respectives B1 , . . . , B p . Alors E = E1 . . . E p si,
et seulement si, la runion B1 . . . B p est une base de E.
CHAPITRE 1. LES ESPACES VECTORIELS 9

Considrons le R-espace vectoriel C des nombres complexes. Lensemble R des nom-


bres rels et lensemble iR des nombres imaginaires purs, auquel on ajoute 0, sont deux
sous-espaces vectoriel de C. On a C = R iR.

Exercice 10. Montrer que lensemble F (R, R) des fonctions relles valeurs relles
se dcompose en la somme directe de lensemble des fonctions paires et de lensemble
des fonctions impaires.

1.7 Proposition (une formule de Grassmann). Soient F et G deux sous-espaces


vectoriels de E. On a

dim(F + G) = dim F + dim G dim(F G).

On en dduit que si E1 , . . . , E p sont des sous-espaces vectoriels de E, alors

dim(E1 . . . E p ) = dim E1 + . . . + dim E p .

4 Les applications linaires


1.4.1. Dfinition. Soient E et E 0 deux K-espaces vectoriels. Une application

u : E E 0

est dite linaire si, pour tous vecteurs x, y E et scalaires , K,

u( x + y) = u(x) + u(y).

Il dcoule de cette dfinition que u(0) = 0.

1.4.2. Espace vectoriel des applications linaires. On notera L (E, E 0 ) lensemble


des applications linaires de E dans E 0 . Si u et v sont deux applications linaires de E
dans E 0 et K un scalaire, alors les applications u + v et u dfinies, pour tout x E,
par

(u + v)(x) = u(x) + v(x),


( u)(x) = u(x),

sont aussi des applications linaires de E dans E 0 . Laddition et la multplication par un


scalaire sur lespace vectoriel E 0 induisent ainsi une structure de K-espace vectoriel sur
L (E, E 0 ).

Une application linaire de E dans E est appele un endomorphisme de E. On notera


L (E) lespace vectoriel des endomorphismes de E.
10 CHAPITRE 1. LES ESPACES VECTORIELS

Une application linaire de E dans K est appele une forme linaire.


Une application linaire et bijective est appele un isomorphisme. Les endomorphismes
bijectifs de E sont encore appels les automorphismes de E. Les automorphismes de E,
muni de la composition, forment un groupe, not GL(E) et appel le groupe linaire de
E.

1.4.3. Exemples.
1) Lhomothtie h : E E, de rapport , dfinie par h(x) = x est un endomor-
phisme de E.
2) Soit E = C ([a, b], R) lespace vectoriel rel form des fonctions continues de lin-
tervalle rel [a, b] valeurs relles. Lapplication : E R dfinie par
Z b
( f ) = f (t)dt
a

est une forme linaire.


3) Soit p lapplication de R3 dans R3 qui envoie un vecteur sur sa projection or-
thognonale sur le plan xy :
x x
y 7 y
z 0
est une application linaire.

1.4.4. Endomorphismes nilpotents. Un endomorphisme u de Kn est dit nilpotent sil


existe un entier naturel q tel que uq = 0. Le plus petit entier non nul r tel que ur = 0 est
appel lindice de nilpotence de u.

1.4.5. Image dune application linaire. Soient u : E E 0 une application linaire


et F un sous-espace vectoriel de E. Alors limage directe par u du sous-espace F, donne
par
u(F) = {y E 0 | x F, y = u(x)}
est un sous-espace vectoriel de E 0

Exercice 11. Montrer que u(F) est un sous-espace vectoriel.

On appelle image de u, et on note Im u, le sous-espace vectoriel u(E).


Lapplication u est surjective si, et seulement si, Im u = E 0 .

1.4.6. Sous-espace vectoriel stable. Soient u un endomorphisme de E et F un sous-


espace vectoriel de E. On dit que u laisse stable F si u(F) est un sous-espace vectoriel
de F.
Par exemple, tant donn x E, un endomorphisme u de E laisse stable la droite
vectorielle Vect(x) si, et seulement si, les vecteurs u(x) et x sont colinaires. Autrement
dit, si u est une homothtie.
CHAPITRE 1. LES ESPACES VECTORIELS 11

1.4.7. Noyau dune application linaire. Soient u : E E 0 une application linaire


et F 0 un sous-espace vectoriel de E 0 . Alors, limage rciproque par u de F 0

u1 (F 0 ) = {x E | u(x) F 0 }

est un sous-espace vectoriel de E.

Exercice 12. Montrer que u1 (F 0 ) est un sous-espace vectoriel de E.

On appelle noyau de u, et on note Ker u, le sous-espace vectoriel u1 (0).

1.8 Proposition. Une application linaire u est injective si, et seulement si,
Ker u = {0}.

Exercice 13. Montrer la proposition 1.8.

1.4.8. Rang dune application linaire. Soit E un K-espace vectoriel. Le rang dune
famille finie V de vecteurs de E est la dimension du sous-espace vectoriel Vect(V )
engendr par les vecteurs de V , on le note rang V .
Par exemple, si
1 1 0
V = 1 , 1 , 0
0 1 1

on a rang V = 2.
Soit u : E E 0 une application linaire. Lapplication u est dite de rang fini si le
sous-espace vectoriel Im u est de dimension finie. Lentier dim(Im u) est alors appel le
rang de u et est not rang u.

1.4.9. Le thorme du rang. tant donne une application linaire u : E E 0 , on


considre les ensembles Ker u et Im u qui sont respectivement sous-espaces vectoriels
de E et E 0 . Soit B = (e1 , . . . , ek ) une base de Ker u. Daprs le thorme de la base
incomplte, on peut complter cette base en une base (e1 , . . . , ek , ek+1 , . . . , en ) de E. Alors
la famille (u(ek+1 ), . . . , u(en )) est une base du sous-espace Im u, cf. exercice 14. On en
dduit une formule trs utile reliant les dimensions des sous-espaces Ker u, Im u avec
celle de E :

1.9 Thorme (La formule du rang). Soient E un espace vectoriel de dimension


finie et u : E E 0 une application linaire valeurs dans un espace vectoriel E 0 .
Alors
dim E = dim(Ker u) + rang u.
12 CHAPITRE 1. LES ESPACES VECTORIELS

Exercice 14. Soient E et E 0 des espaces vectoriels et u : E E 0 une application


linaire. On suppose que E est de dimension finie. Daprs la proposition 1.5, il existe
alors un supplmentaire F du sous-espace Ker u dans E.
Montrer que la restriction de lapplication u F

u|F : F Im u
x 7 u(x)

est un isomorphisme de F sur Im u.


On dduit du thorme 1.9, le rsultat suivant :

1.10 Proposition. Soit u : E E 0 une application linaire entre deux K-espaces


vectoriel de mme dimension finie. Les assertions suivantes sont quivalentes :
i) u est injective,
ii) u est surjective,
iii) u est bijective
iv) Ker u = {0},
v) Im u = E 0 ,
vi) rang u = dim E.

1.4.10. Remarque. Attention, ce rsultat est faux en dimension infinie. En effet, lap-
plication

u : R[x] R[x]
f (x) 7 f 0 (x)

est un endomorphisme de R[x]. Son noyau est le sous-espace vectoriel de R[x] form
des polynmes constants. Lendomorphisme u nest donc pas injectif, alors quil est
surjective. En effet Im u = R[x], car, pour tout polynme f de R[x], il existe un polynme
g dfini par Z x
g(x) = f (t)dt
0
tel que u(g) = f . Par exemple, si
n
f (x) = ai xi ,
i=0

on pose
n
ai i+1
g(x) = x .
i=0 i + 1
On a alors u(g) = f .
CHAPITRE 1. LES ESPACES VECTORIELS 13

Exercice 15. Montrer que lapplication

u : R[x] R[x]
f (x) 7 x f (x)

est un endomorphisme injectif de R[x], mais pas surjectif.

1.4.11. Les projecteurs. Soit E un K-espace vectoriel. Un endomorphisme p de E


tel que p2 = p est appel projecteur de E.
Soient F et G deux sous-espaces vectoriels de E tels que E = F G. Alors tout vecteur
x de E scrit de faon unique en x = y+z, avec y F et z G. On considre lendomor-
phisme pF de E dfini par pF (x) = y. On dit que pF est la projection sur F paralllement
G. On dfinit de la mme faon, la projection sur G paralllement F, comme len-
domorphisme pG de E dfini par pG (x) = z. Pour tout vecteur x de E, on a

x = pF (x) + pG (x).

Ainsi dfinis, les endomorphismes pF et pG vrifient les assertions suivantes


i) pF et pG sont des projecteurs, i.e., p2F = pF et p2G = pG ,
ii) Im pF = F et Im pG = F,
iii) Ker pF = G et Ker pG = F.
iv) pF + pG = idE ,
v) pF pG = pG pF = 0.
Lassertion i) dcoule de la dfinition de pF et pG . Si x E, alors pF (x) est un vecteur
de F do pF (pF (x)) = pF (x) + 0. On montre de la mme faon que p2G = pG . Lasser-
tion ii) est une consquence immdiate de la dfinition de pF et pG .
Pour montrer iii), considrons x Ker pF , alors x = pG (x) donc x G. Inversement,
si x G, on a pF (x) = 0. On montre de la mme faon que Ker pG = F.
Lassertion iv) correspond la dcomposition x = pF (x) + pG (x). Lassertion v) est
obtenue en composant la relation idE = pF + pG par pF et pG .
Inversement, supposons quil existe deux applications linaires

p : E F, q : E G,

telles que idE = p + q et pq = qp = 0. On montre alors que E = F G. Plus gnrale-


ment, on a :

1.11 Proposition. Soit E un K-espace vectoriel et soient E1 , . . . , Ek des sous-


espaces vectoriel de E. Une condition ncessaire et suffisante pour que E = E1
. . . Ek est quil existe des applications linaires pi : E Ei , i J1, kK vrifiant les
deux assertions suivantes :
i) idE = p1 + . . . + pk ,
ii) pi p j = 0, pour tout i 6= j.
14 CHAPITRE 1. LES ESPACES VECTORIELS

Pour tout i J1, kK, pi est appel la projection sur le sous-espace Ei paralllement au
k
sous-espace E j .
j=1
j6=i

Les projection pi sont des projecteurs, p2i = pi , et satisfont


k
M
Ker pi = E j, Im pi = Ei .
j=1
j6=i

Exercice 16. tablir les deux proprits prcdentes.

Exercice 17. Soit E un K-espace vectoriel et soient p et q deux projecteurs de E. On


suppose que le corps K nest pas de caractristique 2.
1. Montrer que p + q est un projecteur si, et seulement si, p q = q p = 0.
2. Supposons que p + q est un projecteur de E. Montrer lgalit :

Im (p + q) = Im (p) + Im (q).

3. Supposons que p + q est un projecteur de E. Montrer lgalit :

Ker (p + q) = Ker (p) Ker (q).

Exercice 18. Soit E un K-espace vectoriel de dimension finie n et soient p et q deux


endomorphismes de E vrifiant

p + q = idE , et rang (p) + rang (q) 6 n.

1. Montrer que Im p et Im q sont supplmentaires dans E.


2. Montrer que rang (p) + rang (q) = n.
3. Montrer que p et q sont des projecteurs.

Exercice 19. Soit p un projecteur dun K-espace vectoriel E.


1. Montrer que E = Ker p Im p.
2. La rciproque est-elle vraie ?

Exercice 20. Soit E un K-espace vectoriel de dimension finie. Montrer que si p est
un projecteur de E, alors
rang(p) = trace(p).


CHAPITRE 1. LES ESPACES VECTORIELS 15

5 Exercices

Exercice 21. Soient E un K-espace vectoriel et u un endomorphisme de E. Montrer


que u est une homothtie si, et seulement si, pour tout vecteur x de E, la famille (x, u(x))
est lie.

Exercice 22. Soit E un K-espace vectoriel, pas ncessairement de dimension finie et


soit u un endomorphisme de E.
1. Montrer que Ker u Ker u2 et Im u2 Im u.
2. Montrer que Ker u = Ker u2 si, et seulement si, Ker u Im u = {0}.
3. Montrer que Im u = Im u2 si, et seulement si, E = Ker u + Im u.

Exercice 23. Soit E un K-espace vectoriel de dimension finie et soit u un endomor-


phisme de E. Daprs le thorme du rang, on a lgalit

dim E = dim(Ker u) + dim(Im (u)).

Ce qui nentrane pas en gnral que E = Ker u Im u.


1. Soit u lendomorphisme de R3 dont la matrice dans la base canonique est

0 1 0
[u]can = 0 0 1
0 0 0

Dterminer Ker u, Ker u2 , Im u, Im u2 .


2. Montrer que les assertions suivantes sont quivalentes
a) E = Ker u Im u,
b) E = Ker u + Im u
c) Im u = Im u2 ,
d) rang u = rang u2
e) Ker u = Ker u2 ,
f) Ker u Im u = {0}

Exercice 24. Soit u un endomorphisme dun espace vectoriel E de dimension finie n.


Montrer que les deux assertions suivantes sont quivalentes
a) Ker u = Im u,
b) u2 = 0 et n = 2.rang (u).

Exercice 25. Soient E, F et G trois K-espaces vectoriels et u : E F, v : F G


deux applications linaires.
1. Montrer que u(Ker (v u)) = Ker v Im u.
2. Montrer que v1 (Im (v u)) = Ker v + Im u.
CHAPITRE
2

Les matrices

Sommaire
1. Dfinitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2. Produit de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3. Matrice dune application linaire . . . . . . . . . . . . . . . . . . 10
4. Trace dune matrice . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5. Noyau et image dune matrice . . . . . . . . . . . . . . . . . . . . 15
6. Le rang dune matrice . . . . . . . . . . . . . . . . . . . . . . . . . 17
7. Oprations matricielles par blocs . . . . . . . . . . . . . . . . . . . 18
8. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

1 Dfinitions
16i6n
2.1.1. Dfinitions. Soient m et n deux entiers naturels non nuls. Une famille (aij )16 j6m ,
i
o, pour tous entiers i et j, a j est un scalaire dans K, est appele une matrice de type
(m, n) coefficients dans K.
Sil ny a pas de confusion, une telle matrice sera note [aij ] et reprsente par un
tableau de scalaires n colonnes et m lignes :

a11 a21 an1
a1 a2 an
2 2 2
.. .. ..
. . .
1 2
am am anm

On note Mm,n (K) lensemble des matrices carres de type (m, n) coefficients dans
K. Si A Mm,n (K), on notera Aij , le coefficient de A de la j-ime ligne de la i-ime

1
2 CHAPITRE 2. LES MATRICES

colonne :
i
..

.
A= Aij j

Une matrice de type (n, n) est dite carre. On note Mn (K) lensemble des matrices
carres de type (n, n). Une matrice de type (m, 1) est dite colonne et une matrice de type
(1, n) est dite ligne.
La diagonale dune matrice carre A = [aij ] de type (n, n) est forme des coefficients
aii , pour i J1, nK ; on note

diag (A) = (a11 , a22 , . . . , ann ).

Une matrice est dite diagonale , si tous ses coefficients non diagonaux sont nuls, i.e.,
aij = 0, pour tout i 6= j. On notera

a1 0 . . . 0
. .
0 a2 . . ..

Diag (a1 , . . . , an ) = . . .
.. .. ... 0
0 . . . 0 an

La matrice identit de Mn (K) est la matrice diagonale 1n , o tous les lments de la


diagonale sont gaux 1 :
1n = Diag (1, . . . , 1).

2.1.2. Matrices triangulaires. Une matrice est dite triangulaire suprieure (resp. tri-
angulaire infrieure), si tous ses coefficients en dessous (resp. au dessus) de la diagonale
sont nuls, i.e., aij = 0, pour tout j > i (resp. i < j). Une matrice triangulaire suprieure
(resp. infrieure) sera note

... 0 ... 0
. . . . . .
0 . . . . .. . . . . ..

. . (resp. . . ).
.. . . . . . .. . . . . . 0
0 ... 0 ...
CHAPITRE 2. LES MATRICES 3

2.1.3. Matrices lmentaires. Les matrices lmentaires de Mm,n (K) sont les matri-
ces E(i, j) , o (E(i, j) )lk gale 1 si k = j et l = i et 0 sinon :
i

0 0 0
.. .. ..

. . .


E(i, j) =
0 1 0 j

.. .. ..
. . .
0 0 0

F IGURE 2.1.: James Joseph Sylvester (1814 - 1897)

Joseph Sylvester est un mathmaticien anglais. Il introduit en 1951 le terme


de matrice dans ses travaux gomtriques. Il publie plusieurs mmoires dans
lesquels il traduit des proprits gomtriques en terme de calcul de dtermi-
nant. Sylvester entretiendra une collaboration mathmatique fructueuse avec
le mathmaticien Arthur Cayley. Ils travaillent notamment sur les invariants
des formes quadratiques et les dterminants.

2.1.4. Espace vectoriel des matrices. Soient m et n deux entiers naturels non nuls.
On dfinit sur lensemble Mm,n (K) les opration
i) daddition, pour toutes matrices A = [aij ] et B = [bij ] de Mm,n (K),

A + B = [aij + bij ].
4 CHAPITRE 2. LES MATRICES

ii) la multiplication par un scalaire, pour toute matrice A = [aij ] de Mm,n (K) et tout
scalaire de K,
A = [aij ].

2.1 Proposition. Muni de laddition et de la multiplication par un scalaire


lensemble Mm,n (K) des matrices de type (m, n) forme un K-espace vectoriel de
dimension mn.

La famille des mn matrices lmentaires

{E(i, j) | i J1, nK, j J1, mK}

de Mm,n (K) forme une base canonique du K-espace vectoriel Mm,n (K).

2.1.5. Sous-espaces vectoriels remarquables de Mm,n (K). Lensemble des matrices


diagonales de Mn (K) forme un sous-espace vectoriel de dimension n.
Lensemble des matrices triangulaires suprieures (resp. infrieures) de Mn (K) forme
un sous-espace vectoriel de dimension n(n + 1)/2.

2.1.6. Transposition. La matrice transpose dune matrice A de Mm,n (K) est la ma-
trice de Mn,m (K), note A> dfinie par

(A> )ij = Aij ,

pour tous i J1, nK et j J1, mK. Pour toute matrice A, on a

(A> )> = A.

La transposition est une application linaire


>
: Mm,n (K) Mm,n (K)
A 7 A>

On vrifie que pour toutes matrices A, B et scalaire , on a


i) (A + B)> = A> + B> ,
ii) ( A)> = A> .

Exercice 1. tablir ces relations.

2.1.7. Matrices symtriques et antisymtrique. Une matrice carre S est dite symtrique
si S> = S. Une matrice carre A est dite antisymtrique si A> = A.
On note Sn (K) (resp. An (K)) le sous-ensemble de Mn (K) form des matrices symtriques
(resp. antisymtriques).
CHAPITRE 2. LES MATRICES 5

2.2 Proposition. Les sous-ensembles Sn (K) et An (K) forment des sous-espaces


vectoriels de Mn (K), avec

n2 n n2 + n
dim An (K) = , dim Sn (K) = .
2 2
De plus, on a
Mn (K) = An (K) Sn (K)

Exercice 2. Soit u : Mn (R) Mn (R) lapplication dfinie par

u(A) = A + A> ,

pour tout A Mn (R).


1. Montrer que lapplication u est un endomorphisme de Mn (R).
2. Dterminer le noyau de u.
3. Dterminer limage de u.
4. Montrer que Mn (R) = Ker u Im u.

2 Produit de matrices

2.2.1. Produit de matrices. On dfinit le produit (ou multiplication) dune matrice


A de type (m, n) par une matrice B de type (n, p), comme la matrice
n
AB = [cij ], avec cij = aki bkj .
k=1

Le produit de matrices vrifie les proprits suivantes :


i) (associativit) pour toute matrices compatibles, A, B et C,

A(BC) = (AB)C.

ii) (matrices unites) pour toute matrice A de Mm,n (K),

1m A = A = A1n .

iii) (distributivit), pour toutes matrices compatibles A, B, C et D, on a

A(B + C) = AB + AC, (B + C)D = BD + CD.

On en dduit que
6 CHAPITRE 2. LES MATRICES

2.3 Proposition. Lensemble Mn (K) des matrices carres de type (n, n), muni de
laddition et de la multiplication, forme un anneau non commutatif.

Lunit de lanneau est la matrice identit 1n .

Exercice 3. Montrer que lanneau Mn (K) nest pas commutatif pour n > 2.

Exercice 4. Montrer que, pour toutes matrices compatibles A et B, on a

(AB)> = B> A> .

F IGURE 2.2.: Arthur Cayley (1821 - 1895)

Arthur Cayley est un mathmaticien anglais auteur de nombreux travaux.


Dans un article de 1855 publi dans le Journal de Crelle, il utilise la notion
de matrice pour reprsenter des systmes dquations linaires et des formes
quadratiques. Les problmes gomtriques, comme les types dintersection
de coniques ou quadriques, exprims en terme de dterminant, sont lo-
rigine de lintrt de Cayley pour la notion de matrice. Ses travaux sur les
matrices conduisent un mmoire intitul A memoir on the Theory of Ma-
trices , publi en 1858 dans Philosophical Transactions of the Royal Society
of London dans lequel la notion de matrice fait lobjet dune tude thorique
indpendamment du contexte gomtrique dans lequels elles apparaissent
jusqualors.
CHAPITRE 2. LES MATRICES 7

Ce mmoire conporte des rsultats importants, en particulier, il formule le


thorme dit de Cayley-Hamilton pour les matrices carres dordre 3 sans
toutefois en publier de preuve

Exercice 5. Soient
1 0 0
B= 0 1 0
5 0 1
et A des matrices de M3 (R). Dcrire les lignes de la matrice BA en terme des lignes de
A et les colonnes de la matrice AB en terme des colonnes de A.

Exercice 6. Soit ei le vecteur colonne de Mn,1 (K) contenant 1 la i-ime ligne et


0 sur les autres lignes. tant donne une matrice A de Mn (K), dcrire les produits
suivants :
Aei , e>
i A, e>
i Ae j .

Exercice 7. Soient A et B deux matrices de Mn,m (K). Montrer que si Ax = Bx, pour
tout vecteur colonne x, alors A = B.

Exercice 8. Soit  
1/2 a
A=
0 1/2
une matrice coefficients rels.
1. Calculer A2 , A3 et A4 .
2. Donner lexpression de Ak , pour tout entier naturel k.

Exercice 9. Soient T et T0 deux matrices triangulaires suprieures.


1. Montrer que le produit TT0 est une matrice triangulaire suprieure.
2. Dterminer la diagonale de la matrice TT0 .

Exercice 10. Soient A et B deux matrices symtriques de Mn (K) qui commutent,


i.e., AB = BA. Montrer que le produit AB est une matrice symtrique.

2.2.2. Matrices nilpotentes. Une matrice A de Mn (K) est dite nilpotente, sil existe
un entier naturel q tel que Aq = 0. Le plus petit entier non nul r tel que Ar = 0 est appel
lindice de nilpotence de A.

2.2.3. Exemples. Toute matrice nulle est nilpotente dindice de nilpotence 1. Les ma-
trices suivantes

0 1 0 0 0 1 0 0
  0 1 0 0 0 0
0 1 0 0 1 0 ,

0 0 1 0

, 0 0 1 , 1 0 0 ,
0 0 0 0 0 0 0 0 0 1
0 0 0 0 1 0
0 0 0 0 0 0 0 0

sont nilpotentes dindice de nilpotence 2, 3, 3, 3 et 4 respectivement.


8 CHAPITRE 2. LES MATRICES

2.2.4. Matrices inversibles. Une matrice carre A de Mn (K) est dite inversible, sil
existe une matrice B de Mn (K) telle que

AB = 1n et BA = 1n .

La matrice B est alors appele la matrice inverse de A, on note alors B = A1 . On dduit


immdiatement de cette dfinition que linverse dune matrice est unique.
Lopration dinversion vrifie les proprits suivantes :
i) si A est inversible, (A1 )1 = A,
ii) si A et B sont inversibles, alors AB est inversible et

(AB)1 = B1 A1 ,

iii) si A est inversible, alors sa transpose est inversible et

(A> )1 = (A1 )> .

Exercice 11. Montrer ces trois proprits.


On dsigne par GLn (K) lensemble des matrices inversibles de Mn (K) :

GLn (K) = {A Mn (K) | A est inversible}.

2.4 Proposition. La multiplication des matrices munit lensemble GLn (K) des
matrices inversibles de Mn (K) dune structure de groupe.

Le groupe GLn (K), est appel le groupe linaire des matrices dordre n.

2.2.5. Calcul de linverse. Dterminer si une matrice est inversible et le calcul des
inverses sont des problmes importants dalgbre linaire. Par exemple, considrons la
matrice suivante de M3 (R)
1 1 3
A = 2 0 1 .
1 1 2
La matrice A est-elle inversible ? Lquation matricielle suivante dans R3 :

x1 b1
Ax = b avec x = x2 et b = b2
x3 b3

peut scrire sous la forme du systme dquations suivant



x1 + x2 + 3x3 = b1

2x1 + x3 = b2

x1 + x2 + 2x3 = b3
CHAPITRE 2. LES MATRICES 9

Pour rsoudre ce systmes, i.e., exprimer les coefficients du vecteur x en terme de ceux
du vecteur b on procde en appliquant des oprations sur les lignes. Retranchons 3 fois
la seconde quation la premire et 2 fois la dernire, le systme devient :

5x1 + x2 = b1 3b2

2x1 + x3 = b2

3x1 + x2 = 2b2 + b3

Retranchons la dernire quation la premire, on obtient :



2x1 = b1 b2 b3

2x1 + x3 = b2

3x1 + x2 = 2b2 + b3

3
On additionne la premire quation la seconde et on retranche 2 de la premire la
troisime, il reste :
2x1 = b1 b2 b3

x3
= b1 b3
x2 = 23 b1 12 b2 + 25 b3
On obtient ainsi le systme
x1 = 1 b1 + 1 b2 + 1 b3

2 2 2
x2 = 3 b1 1 b2 + 5 b3
2 2 2
x3 = b1 b3

Lquation Ax = b admet une unique solution x donne par le systme prcdent, ce qui
scrit matriciellement sous la forme

x = A1 b,

avec
12 12 1

2
A1 = 32 12 52 .
1 0 1
On vrifie que AA1 = A1 A = 1n , la matrice A est donc inversible. Cet exemple illustre
le calcul de linverse dune matrice en effectuant la rsolution dun systme linaire
seconds membres. On notera cependant, que les matrices carres ne sont pas toujours
inversibles. Nous verrons plus loin dautres mthodes permettant de dterminer si une
matrice est inversible et de calculer linverse dune matrice.
Exercice 12. Montrer que les matrices suivantes ne sont pas inversibles

    1 2 3
1 0 1 1
A= , B= , C = 2 5 7 .
1 0 1 1
1 1 2

Exercice 13. Soit A un matrice de Mn (K) telle que A2 est inversible. Montrer que A
est inversible.
10 CHAPITRE 2. LES MATRICES

F IGURE 2.3.: A Memoir on the Theory of Matrices

3 Matrice dune application linaire

Soient E et E 0 deux K-espaces vectoriel de dimensions n et m respectivement. Con-


sidrons une base B = (e1 , . . . , en ) de E et une base B 0 = (f1 , . . . , fm ) de E 0 .
Soit u : E E 0 une application linaire. On peut exprimer limage par u de chaque
CHAPITRE 2. LES MATRICES 11

vecteur de la base B dans la base B 0 , on a :

u(e1 ) = a11 f1 + a12 f2 + + a1m fm ,


u(e2 ) = a21 f1 + a22 f2 + + a2m fm ,

u(en ) = an1 f1 + an2 f2 + + anm fm ,

avec aij K. La matrice


16i6n
[aij ]16 j6m

est appele la matrice de lapplication linaire u exprime dans les bases B et B 0 , on la


notera
0
[u]B
B.

En rsum :
u(e1 ) u(e2 ) u(en )

a11 a21 an1 f1
a1 a22 n
a 2 f2

B0 2
[u]B = .. .. .. .. .
. . . .
1
am a2m anm fm

Pour un endomorphisme u : E E de E et B une base de E, nous noterons [u]B la


matrice [u]B
B.

2.3.1. Exemple. Soit p lapplication linaire de R3 dans R3 qui envoie un vecteur x,


sur sa projection orthogonale p(x) sur le plan (Oxy) :

p : R3 R3

x x
y 7 y .
z 0

On considre la base de R3 donne par




1 1 1
B = e1 = 1 , e2 = 1 , e3 = 2
1 0 3

On a

1 1 1
p(e1 ) = 1 = e2 , p(e2 ) = 1 = e2 , p(e3 ) = 2 = 3e1 + 3e2 + e3 .
0 0 0
12 CHAPITRE 2. LES MATRICES

Ainsi, la matrice de lapplication p, exprime dans la base B de R3 , est



0 0 3
[p]B = 1 1 3 .
0 0 1

2.5 Proposition. Soient E et E 0 deux K-espaces vectoriels de dimension finie re-


spectives n et m. Lapplication : L (E, E 0 ) Mm,n (K) dfinie par
0
(u) = [u]B
B

est un isomorphisme de K-espaces vectoriels. En particulier, les espaces vectoriels


L (E, E 0 ) et Mm,n (K) ont la mme dimension, gale mn.

Soient u : E E 0 et v : E 0 E 00 deux applications linaires et B, B 0 , B 00 des bases


des K-espaces vectoriels E, E 0 et E 00 respectivement. Alors
00 00 0
[vu]B B B
B = [v]B 0 [u]B .

Soit x un vecteur de E de coordonnes x1 , . . . , xn dans la base B, on note [x]B le


vecteur colonne correspondant :

x1
x2
[x]B =
... .

xn

Avec les notations prcdentes, on a :


0
[u(x)]B0 = [u]B
B [x]B .

2.3.2. Matrices de passage. Soient E un K-espace vectoriel de dimension n. Con-


sidrons B = (e1 , . . . , en ) et B 0 = (f1 , . . . , fn ) deux bases de E. Tout vecteur fi , pour
i J1, nK, se dcompose de faon unique dans la base B :

fi = pi1 e1 + . . . + pin en , o pij K.


0
La matrice de passage de la base B la base B 0 , est la matrice, note PB
B , dont les
colonnes sont les composantes des vecteurs fi exprims dans la base B :

p11 . . . pn1
p1 pn2
B0 2
PB = ..

..
. .
1
pn . . . pnn
CHAPITRE 2. LES MATRICES 13

0
La matrice de passage PB
B vrifie les proprits suivantes :
0
i) PB B
B = [idE ]B 0 ,
0 0
ii) PB B est inversible et (PB )
B 1 = PB .
B0
Soit x un vecteur de E de coordonnes x1 , . . . , xn dans la base B et de coordonnes
x1 , . . . , xn0 dans la base B 0 . En notant
0

x10

x1
x2 x20
[x]B =
...

... ,
et [x]B0 =

xn xn0
on a :
0
[x]B = PB
B [x]B 0 ,

ou de faon quivalente :
0
[x]B0 = (PB 1 B
B ) [x]B = PB 0 [x]B .

2.6 Proposition. Soient E et E 0 deux K-espaces vectoriels de dimension finie et


u : E E 0 une application linaire. Soient B, B 0 deux bases de E, C , C 0 deux
0 C0
bases de E 0 et PB
B , PC les matrices de changements de bases associes. Alors,
0 0 0
[u]CB0 = (PCC )1 [u]CB PB
B.

En particulier, si u est un endomorphisme de E :


0 0
[u]B0 = (PB 1 B
B ) [u]B PB .

2.3.3. Exemple. Soit u : R3 R3 lendomorphisme dfini par



x xz
u y = yz .
z 0

La matrice de u dans la base canonique can = (c1 , c2 , c3 ) de R3 est



1 0 1
[u]can = 0 1 1
0 0 0

On considre une nouvelle base de R3 :



1
B = e1 = c1 , e2 = c2 , e3 = 1 .

1

14 CHAPITRE 2. LES MATRICES

La matrice de passage de la base canonique la base B est



1 0 1
PB
can =
0 1 1 .
0 0 1

On calcule linverse de la matrice de PB


can :

1 0 1
1
PB
can = 0 1 1 .
0 0 1

Lexpression de la matrice de u exprime dans la base B est


1
[u]B = PB B
can [u]can Pcan

1 0 1 1 0 1 1 0 1
= 0 1 1 0 1 1 0 1 1 .
0 0 1 0 0 0 0 0 1

Do
1 0 0
[u]B = 0 1 0
0 0 0
On constate que cette nouvelle base permet dexprimer plus simplement lendomor-
phisme u. Nous retrouverons cet exemple en 4.3.4.
Exercice 14. crire la matrice de passage de la base B de lespace R3 donne dans
lexemple 2.3.1 la base canonique de R3 . Soit p la projection donne en 2.3.1. laide
de cette matrice de passage et de la matrice de lendomorphisme p exprime dans la
base B, calculer la matrice de p exprime dans la base canonique de R3 .

2.3.4. Matrices semblables. Deux matrices A et B de Mn (K) sont dites semblables,


sil existe une matrice inversible P de Mn (K) telle que

B = P1 AP.

La relation tre semblable , dite relation de similitude, est une relation dquivalence
sur lensemble Mn (K).
Exercice 15. Montrer cette proprit.
Deux matrices semblables reprsentent le mme endomorphisme dans des bases dif-
frentes.

2.7 Proposition. Deux matrices semblables ont mme trace, mme dterminant,
mme rang.
CHAPITRE 2. LES MATRICES 15

2.3.5. Matrices quivalentes. Deux matrices A et B de Mn (K) sont dites quiva-


lentes, sil existe deux matrice inversibles P et Q de Mn (K) telles que

B = PAQ.

La relation dquivalence est une relation dquivalence sur Mn (K). Deux matrices sem-
blables sont quivalentes.

4 Trace dune matrice


2.4.1. Dfinition. La trace dune matrice carre A = [aij ] de Mn (K) est la somme des
coefficients de sa diagonale :
n
trace (A) = aii .
i=1

2.8 Proposition. Lapplication trace : Mn (K) K est une forme linaire vri-
fiant, pour toutes matrices A et B de Mn (K),

trace AB = trace BA.

Exercice 16. tant donn deux matrices A et B de Mn (K), dterminer toutes les
matrices X de Mn (K) telles que

X + tr(X)A = B.
Exercice 17. Montrer quil nexiste pas de matrices A et B de Mn (K) telles que

AB BA = 1n .

2.4.2. Trace dun endomorphisme. De la proposition 2.8, on dduit que

2.9 Proposition. Deux matrices semblables ont la mme trace.

Exercice 18. Soient A et B deux matrices carres.


1. Montrer la relation trace AB = trace BA.
2. En dduire la proposition 2.9 : deux matrices semblables ont la mme trace.

5 Noyau et image dune matrice


Nous avons vu dans le chapitre prcdent les notions de noyau et dimage dune ap-
plication linaire. On peut dfinir de la mme faon, le noyau et limage dune matrice.
16 CHAPITRE 2. LES MATRICES

2.5.1. Image dune matrice. Si u : Kn Km est une application linaire, limage


de u est le sous-espace vectoriel de Km dfini par

Im u = {u(x) | x Kn }.

De la mme faon, si A est une matrice de Mm,n (K), on dfinit limage de A comme le
sous-espace vectoriel de Km engendr par les vecteurs Ax, o x Kn . Soit

Im A = {Ax | x Kn }.

2.10 Proposition. Limage dune matrice A de Mm,n (K) est le sous-espace vectoriel
de Km engendr par les vecteurs colonnes de A.

Preuve. crivons A selon ses vecteurs colonnes :

A = a1 a2 . . . an .
 

Pour tout vecteur


x1
x2
x=
...

xn
de Kn , on a

x1
 x2 1 2 n
a1 a2 . . . an

Ax = ... = x1 a + x2 a + . . . + xn a .

xn

Ainsi, Ax est une combinaison linaire des vecteurs colonnes de A, autrement dit Im A
est le sous-espace vectoriel de Km engendr par les vecteurs colonnes de A. 

Exercice 19. Soit A une matrice de Mn (K) telle que Im (A) soit gal Kn . Justifier
que la matrice A est inversible.

Exercice 20. Soit A une matrice de Mn,m (K). Soit E un sous-ensemble de vecteurs
colonnes de Mm,1 (K), identifi Km . Limage de E par A est lensemble, not A(E ),
form de tous les produits de A par un vecteur de E , i.e.,

A(E ) = {Ax | x E }.

1. Montrer que si E est un sous-espace vectoriel de Km , alors A(E ) est un sous-espace


vectoriel de Kn .
2. Montrer que si E = Vect(x1 , . . . , x p ), alors A(E ) = Vect(Ax1 , . . . , Ax p ).

Exercice 21. Soient A et B deux matrices compatibles. Montrer que Im (AB) est un
sous-espace vectoriel de Im (A).
CHAPITRE 2. LES MATRICES 17

Exercice 22. Soit A Mn,m (K) et B Mn,p (K) deux matrices. Montrer que

Im ([A B]) = Im (A) + Im (B),

o [A B] dsigne la matrice constitue des blocs A et B.

2.5.2. Noyau dune matrice. Si u : Kn Km est une application linaire, le noyau


de u est le sous-espace vectoriel de Kn dfini par

Ker u = {x Kn | u(x) = 0}.

De la mme faon, si A est une matrice de Mm,n (K), on dfinit le noyau de A comme le
sous-espace vectoriel suivant de Kn

Ker A = {x Kn | Ax = 0}.

Le noyau Ker A est form des solutions de lquation

Ax = 0.

Exercice 23. Soit A une matrice inversible de Mn (K). Dcrire les sous-espaces

Ker (A), Ker (A> ), Im (A), Im (A> ).


Exercice 24. Soient A et B deux matrices compatibles. Montrer que Ker (B) est un
sous-espace vectoriel de Ker (AB).

6 Le rang dune matrice


2.6.1. Dfinition. Soient E un K-espace vectoriel. On appelle rang dune famille de
vecteurs (xi )i de E, la dimension du sous-K-espace vectoriel de E engendr par (xi )i . En
dautres termes, le rang de la famille (xi )i est le nombre maximal de vecteurs linaire-
ment indpendants que lon peut extraire de (xi )i .

2.6.2. Rang dune matrice. Le rang dune matrice A de Mm,n (K) est le rang de la
famille de ses vecteurs colonnes dans Km . On le note rang A. Autrement dit,

rang A = dim(Im A).

2.11 Proposition. Soit A une matrice de Mm,n (K). Le rang de A vrifie les pro-
prits suivantes :
i) rang A 6 inf{m, n},
ii) rang A = rang (A> ) (en particulier le rang de A est aussi le rang des vecteurs
lignes),
18 CHAPITRE 2. LES MATRICES

iii) Ker A = {0} si, et seulement si, rang A = n,


iv) Ker (A> ) = {0} si, et seulement si, rang A = m,
v) si m = n, alors A est inversible si, et seulement si, rang A = n.

Soit A M p,q (K) et Q M p (K), P M p (K) deux matrices inversibles, on a

rang A = rang (QAP).

En particulier si rang A = r, il existe deux matrices inversibles P et Q telles que


 
1r 0
A=Q P.
0 0

2.12 Proposition. Soit A une matrice de M p,q (K) de rang r. Alors la matric A
est quivalente la matrice  
1r 0
Jr = .
0 0
En particulier, deux matrices de M p,q (K) sont quivalentes si, et seulement si, elles
ont mme rang.

Soit u : E E 0 une application linaire. On a dfini le rang de u comme la dimension


du sous-espace Im u. Soient B et B 0 des bases de E et E 0 respectivement. On a

rang u = dim Im u = dim Vect(u(B)).


0
Autrement dit le rang de u est le rang de la matrice [u]B
B.

Exercice 25. Soient A et B deux matrices de Mn,m (K).


1. Montrer que Im (A + B) est un sous-espace de Im (A) + Im (B).
2. En dduire que rang (A + B) 6 rang (A) + rang (B).

Exercice 26. Soit A Mn,m (K) et B Mn,p (K) deux matrices. Montrer que

rang ([A B]) 6 rang (A) + rang (B) dim(Im (A) Im (B)).

7 Oprations matricielles par blocs


Dans certaines situations, nous rencontrerons des matrices partionnes par blocs. Les
oprations sur les matrices dfinies sur les scalaires, comme laddition et la multiplica-
tion, se gnralisent aux matrices partitionnes par blocs.
CHAPITRE 2. LES MATRICES 19

2.7.1. Matrices par blocs. Exprimer une matrice par colonnes ou par lignes et un
cas particulier de partitionnement de matrice. Plus gnralement, soit A une matrice de
Mm,n (K), une partitionner A consiste lcire sous la forme

n1 nk

A11 Ak1 m1
.. .. ..
. . .
A1l Akl ml

o n1 + n2 + . . . + nk = n, m1 + m2 + . . . + ml = m et o Aij est une matrice de Mn j ,mi (K),


appele bloc (i, j) ou sous-matrice (i, j) de la matrice A.
Les oprations sur les matrices par blocs se dfinissent comme dans le cas des matrices
dfinies par des scalaires ; il faut cependant tenir compte des compatibilits des tailles
des blocs.

2.7.2. Addition par blocs. Considrons deux matrices par blocs, partitionnes de la
mme faon :

n1 nk n1 nk

A11 Ak1 m1 B11 Bk1 m1
A = ... .. .. , B = ... .. .. .

. . . .
1
Al Akl ml 1
Bl Bkl ml

La somme des matrices A et B est une matrice C de mme partion :

n1 nk

C11 Ck1 m1 A11 + B11 Ak1 + Bk1
C = A + B = ... .. .. = .. ..
.

. . . .
1
Cl Cl k ml 1 1 k
Al + Bl Al + Bl k

2.7.3. Multiplication par blocs. La multiplication par blocs est moins vidente. Con-
sidrons deux matrices par blocs

n1 ni p1 pk

A11 Ai1 m1 B11 Bk1 n1
A = ... .. .. et B = ... .. .. .

. . . .
1
A j Aij 1
ml Bi Bki ni

Avec ces notations, on montre que (ce nest pas immdiat)


20 CHAPITRE 2. LES MATRICES

2.13 Proposition. Si la matrice produit C = AB est partionne de la faon suivante

p1 pk

C11 Ck1 m1
C = ... .. ..

. .
1
C j Ckj ml

alors, pour tous r J1, l K et s J1, kK,


i
Csr = Atr Bts .
t=1

En particulier, on a par exemple,

C11 = A11 B11 + A21 B12 + . . . + Ai1 B1i .

2.7.4. Exemples.

a) Soient A, B, C dans Mm,n1 (K), Mm,n2 (K), Mm,n3 (K) respectivement et D, E, F


dans Mn1 ,p (K), Mn2 ,p (K), Mn3 ,p (K) respectivement, alors

  D
A B C E = AD + BE + CF.
F

b) Soient A Mm1 ,n1 (K), B Mm1 ,n2 (K), C Mm2 ,n1 (K), D Mm2 ,n2 (K) et E
Mn1 ,p1 (K), F Mn1 ,p2 (K), G Mn2 ,p1 (K), H Mn2 ,p2 (K), alors
    
A B E F AE + BG AF + BH
=
C D G H CE + DG CF + DH

c) Soient
p1 p2 1
   
A B n1 x1 p1
A= et x =
C D n2 x2 p2
une matrice par blocs de Mn1 +n2 ,p1 +p2 (K) et un vecteur de K p1 +p2 . On a
    
A B x1 Ax1 + Bx2
= .
C D x2 Cx1 + Dx2

Exercice 27. Soient A Mn,m (K) et B Mm,p (K) deux matrices partionnes en
blocs de la faon suivante
   
C 12 12 0
A= B= ,
12 0 C C
CHAPITRE 2. LES MATRICES 21

o  
1 2
C= .
3 4
Exprimer le produit AB par blocs, puis calculer AB.
Exercice 28. Soient A Mn,n (K), B Mm,m (K) et C Mm,n (K), telles que les
matrices A et B sont inversibles. Montrer que les matrices suivantes sont inversibles et
calculer leur inverse    
A 0 A C
, .
0 B 0 B

8 Exercices

Exercice 29. Parmi les sous-ensembles de matrices de Mn (K) suivants, lesquels sont
des sous-espaces vectoriels :
a) les matrices symtriques,
b) les matrices diagonales,
c) les matrices inversibles,
d) les matrices non inversibles,
e) les matrices triangulaires,
f) les matrices triangulaires suprieures,
g) les matrices qui commutent avec une matrice donne A,
h) les matrices A telles que A2 = A,
i) les matrices de trace nulle.
Exercice 30. Donner les dimensions des sous-espaces vectoriels de Mn (K) suivants
a) le sous-espace vectoriel des matrices coefficients constants,
b) le sous-espace vectoriel des matrices diagonales,
c) le sous-espace vectoriel des matrices symtriques,
d) le sous-espace vectoriel des matrices antisymtriques.
Exercice 31. Trouver des bases de lespace des lignes et de lespace des colonnes de
la matrice
1 2 3
A = 4 1 3 .
5 3 8
Quelles sont les dimensions des noyaux de lapplication linaire reprsente par A et de
celle reprsente par sa transpose. Dterminer des bases de ces noyaux.
22 CHAPITRE 2. LES MATRICES

Exercice 32. Soit u lapplication de R3 valeurs dans R3 dfinie par



x xy
u y = yx .
z xz

1. Montrer que u est une application linaire.


2. Exprimer la matrice de u dans la base suivante de R3 :

1 0 1
B= 0 , 1 ,
1
1 1 0

3. crire la matrice de passage de la base B la base canonique de R3 .


4. Donner la matrice de u exprime dans la base canonique.
Exercice 33. Mmes questions avec lapplication u dfinie par

x x+y
u y = y+x .
z x+z

Exercice 34. Pour chacune des applications de R3 valeurs dans R3 dfinies par

x 2x y x x 2y
a) u y = x + 2y z , b) u y = x 2z ,
z zy z 2y + z

x xy x xy+z
c) u y = y z , d) u y = x + y z .
z x+z z x+y+z

1. Montrer que u est une application linaire.


2. Exprimer la matrice de u dans la base canonique de R3 .
3. Montrer que lapplication linaire u est inversible.
4. Dterminer u1 (x, y, z), pour tout vecteur (x, y, z) de R3 .
Exercice 35. Soit T s (resp. T i ) lensemble des matrices triangulaires suprieures
(resp. infrieures) de Mn (K).
1. Montrer que T s et T i sont des sous-espaces vectoriels de Mn (K).
2. Montrer que Mn (K) = T s + T i . Cette somme est-elle directe ?
3. Quels sont les dimensions des sous-espaces T s et T i ?
Exercice 36. Montrer que toute matrice triangulaire suprieure est semblable une
matrice triangulaire infrieure.
Exercice 37. Soit u lendomorphisme de R2 reprsent dans une base B de R2 par la
matrice  
1 1
[u]B = .
1 1
CHAPITRE 2. LES MATRICES 23

1. Montrer que u2 = 0.
2. Dterminer le rang, limage et le noyau de u.
3. Montrer quil existe une base de R2 dans laquelle la matrice de u est
 
0 2
.
0 0

Exercice 38. Soit A M2 (K).


1. Montrer que
A2 tr(A)A + det (A)12 = 0.
2. On suppose que le dterminant de A est non nul. Calculer linverse de A.

Exercice 39. Soient A Mn (K) et , K tels que

A2 = A + 1n .

1. Montrer que si est non nul, la matrice A est inversible et que

A1 = 1 (A 1n ).

2. Montrer que pour tout entier k, la matrice Ak scrit comme une combinaison linaire
des matrices A et 1n .

Exercice 40. Soient E un K-espace vectoriel et u un endomorphisme non nul de E


tel que u2 = 0.
1. Montrer que Im u Ker u.
2. Dterminer la dimension du noyau de u et de limage de u.
3. Montrer quil existe une base de R3 dans laquelle lendomorphisme u a pour matrice

0 0 1
0 0 0 .
0 0 0
CHAPITRE
3

Les dterminants

Sommaire
1. Dfinition rcursive du dterminant . . . . . . . . . . . . . . . . . 1
2. Premires proprits du dterminant . . . . . . . . . . . . . . . . 3
3. Les formules de Cramer . . . . . . . . . . . . . . . . . . . . . . . . 8
4. Formulation explicite du dterminant . . . . . . . . . . . . . . . . 10
5. Calcul des dterminants . . . . . . . . . . . . . . . . . . . . . . . . 12
6. Calcul de linverse dune matrice . . . . . . . . . . . . . . . . . . . 15
7. Dterminant dun endomorphisme . . . . . . . . . . . . . . . . . . 17
8. Annexe : rappels sur les groupes de symtries . . . . . . . . . . . . 18
9. Annexe : dterminants et formes multilinaires alternes . . . . . 20

Dans tout ce chapitre, K dsignera un corps commutatif.

1 Dfinition rcursive du dterminant

3.1.1. Notation. Soit A = [aij ] une matrice de Mn (K) et soient i, j J1, nK. On notera
Aij la matrice obtenue en supprimant la i-me ligne et j-me colonne de la matrice A :

a11 a1j an1

.. .. ..
. . .
Mn1 (K)
j

Aij = a1i ai . . . ani
.. .. ..


. . .
1 j
an an ann

1
2 CHAPITRE 3. LES DTERMINANTS

3.1.2. Dfinition. Soit A = [aij ] une matrice de Mn (K). On dfinit une application

det : Mn (K) K

par rcurrence sur lentier n en posant, pour n = 1,

det A = a11 ,

et, pour tout n > 1,


n
det A = (1)k+1ak1det A1k .
k=1
Le scalaire det A ainsi dfini est appel le dterminant de la matrice A

a11 . . . an1

3.1.3. Notation. Le dterminant dune matrice ... .. sera aussi not


.
1
an . . . ann

a11 . . . an1


.. .. .

. .
1
an . . . ann

3.1.4. Exemples. Pour une matrice de M2 (K), on a



a b
c d = ad bc.

Pour une matrice de M3 (K), on a


1 2 3
a a a 2 3 1 3 1 2
11 12 13
a a a = a1 a22 a23 a1 1 3 + a a21 a22
1
2
a a 3

2 2
2 2 2 a a a a 1 a a
a1 a2 a3 3 3 3 3 3 3
3 3 3
= a11 (a22 a33 a23 a32 ) a21 (a12 a33 a13 a32 ) + a31 (a12 a23 a13 a22 )
= a11 a22 a33 a11 a23 a32 a21 a12 a33 + a21 a13 a32 + a31 a12 a23 a31 a13 a22 .

Exercice 1. Montrer que le dterminant dune matrice triangulaire est gal au produit
des coefficients de la diagonale.

3.1.5. Dterminant dune famille de vecteurs. Soient E un K-espace vectoriel de


dimension n et B = (e1 , . . . , en ) une base de E.
tant donne une famille (x1 , . . . , xn ) de vecteurs de E, on forme la matrice de Mn (K),
note
[x1 | x2 | . . . | xn ]B ,
dont la j-me colonne est constitue des coordonnes du vecteur x j exprim dans la base
B.
CHAPITRE 3. LES DTERMINANTS 3

Le scalaire det [ x1 | x2 | . . . | xn ]B est appel le dterminant de la famille de vecteurs


par rapport la base B. On le note det B (x1 , . . . , xn ).

2 Premires proprits du dterminant

Soit A = [aij ] une matrice de Mn (K). On notera aj la j-me colonne de la matrice A.


Avec cette notation, on peut crire la matrice A par colonnes sous la forme

A = a1 a2 . . . an .
 

F IGURE 3.1.: Gottfried Wilhelm Leibniz (1646 - 1716)

Gottfried Wilhelm Leibniz est un mathmaticien, philosophe, juriste, diplo-


mate allemand. En mathmatiques, linfluence de Leibniz est considrable,
dans le domaine de lalgbrisation de la gomtrie, en calcul diffrentiel,
calcul infinitsimal. Leibniz travaille aussi sur la rsolution des systmes
dquations. Il introduit la notion de dterminant dun systme dquation.
Ses travaux sur les dterminants ne sont pas publis, mais se retrouvent dans
une lettre au mathmaticien Guillaume Franois Antoine de LHpital date
du 28 avril 1693. Dans cette lettre, il crit la condition de compatibilit dun
systme de trois quations linaires deux inconnues sous forme de dter-
4 CHAPITRE 3. LES DTERMINANTS

minant. Le terme de dterminant ne sera introduit que plus tard, par Carl
Friedrich Gauss en 1801 dans louvrage Disquisitiones Arithmeticae .

3.1 Proposition. Le dterminant est une application linaire par rapport chaque
colonne, i.e., pour toute matrice A = [aij ] de Mn (K), on a, pour tout j J1, nK,
i) si aj = bj + cj ,
h i h i
1 j j n 1 j n
det a . . . b + c . . . a = det a . . . b . . . a
h i
+ det a1 . . . cj . . . an

ii) pout tout scalaire K,


h i h i
1 j n 1 j n
det a . . . a . . . a = det a . . . a . . . a

Preuve. On montre les assertions i) et ii) par rcurrence sur n. Si n = 1, les deux asser-
tions sont immdiates. Si n = 2, on vrifie que
1
b + c1 a2 1 1 2 1 1 2
11 1 1
b + c1 a2 = (b1 + c1 )a2 (b2 + c2 )a1
2 2 2
= (b11 a22 b12 a21 ) + (c11 a22 c12 a21 )
1 2 1 2
b a c a
= 11 12 + 11 12 .
b2 a2 c2 a2

Pour tout K, on a

a1 a2 1 2 1 2
1 1
a1 a2 = (a1 )a2 (a2 )a1

2 2
= (a11 a22 a12 a21 )
1 2
a a
= 11 12 .
a a2 2

On montre de faon analogue la linarit du dterminant par rapport la seconde colonne.


 1 2 i) et ii)nvraies
Supposons les assertions pour toute matrice de Mn1 (K) et considrons
une matrice A = a a . . . a de Mn (K). Soit j J1, nK, montrons que det A est


linaire par rapport la j-me colonne.


Par dfinition, on a
n
det A = (1)k+1ak1det A1k . (3.1)
k=1
Lorsque k est diffrent de j, alors la matrice A1k contient la j-me colonne de A. Comme
A1k Mn1 (K), par hypothse de rcurrence, det A1k dpend linairement de la j-me
CHAPITRE 3. LES DTERMINANTS 5

colonne de A. Comme ak1 ne dpend pas de la j-me colonne, on en dduit que ak1 det A1k
dpend linairement de la j-me colonne.
Dans le cas o k est gal j. Alors, la mice A1k ne contient pas la j-me colonne et
a1 = a1j dpend linairement de la j-me colonne de A. Ainsi, ak1 det A1k dpend linaire-
k

ment de la j-me colonne de A.


On en conclue que tous les termes de la somme (3.1) dpendent linairement de la
j-me colonne de A, par suite det A dpend linairement de la j-me colonne de A. 

3.2 Proposition. Le dterminant dune matrice dont deux colonnes sont gales
est nul.

Preuve. Nous allons montrer ce rsultat partir des deux assertions suivantes
i) une matrice qui possde deux colonnes adjacentes gales est de dterminant nul,
ii) le dterminant change de signe, lorsque lon change deux colonnes adjacentes.
De ces deux assertions, nous dduisons la proposition. En effet, si une matrice A pos-
sde deux colonnes quelconques gales. Daprs lassertion ii), par change successifs,
on peut faire en sorte que les deux colonnes gales soient adjacentes, quitte changer le
signe du dterminant de la matrice ainsi obtenue. De lassertion i), on en dduit que le
dterminant de A est alors nul.
Reste montrer les assertions i) et ii). On procde par rcurrence sur la dimension de
la matrice pour lassertion i). Si n = 2, alors

a a
c c = ac ac = 0.

Supposons lassertions i) vraie pour toute matrice de Mn1 (K) et considrons une ma-
trice A = [aij ] de Mn (K) ayant deux colonnes adjacentes gales, i.e., Aj = Aj+1 pour un
j J1, nK. Par dfinition, on a
n
det A = (1)k+1ak1det A1k .
k=1

Or, si k est diffrent de j et de j + 1, alors la matrice A1k possde deux colonnes iden-
tiques. Par hypothse de rcurrence, on a donc det A1k = 0. Ainsi,

det A = (1) j+1 a1j det A1j + (1) j+2 a1j+1 det A1( j+1)
.

Or Aj = Aj+1 , donc a1j = a1j+1 et les matrice A1j et A1( j+1)


sont gales. Do det A = 0.
Pour montrer lassertion ii), considrons une matrice A = a a . . . an de Mn (K).
 1 2 

Daprs i), on a pour tout j J1, nK,


h i
1 j j+1 j j+1 n
det a . . . a + a a + a . . . a = 0.
6 CHAPITRE 3. LES DTERMINANTS

Par linarit, on en dduit que


h i h i
1 j j n 1 j j+1 n
det a . . . a a . . . a + det a . . . a a . . . a
h i h i
1 j+1 j n 1 j+1 j+1 n
+ det a . . . a a . . . a + det a . . . a a . . . a = 0.

Toujours, daprs lassertion i), on en dduit que


h i h i
det a1 . . . aj aj+1 . . . an = det a1 . . . aj+1 aj . . . an ,

ce qui montre ii). 

3.3 Proposition. Le dterminant dune matrice change de signe, lorsque lon


change deux colonnes.

Preuve. Ce rsultat est une consquence


 immdiate du rsultat prcdent. Considrons
une matrice A = a a . . . a de Mn (K). Montrons que le dterminant de la
1 2 n

matrice A change de signe lorsque lon change les j-me colonne et k-me colonne.
Daprs la proposition 3.2, on a
h i
1 j k j k n
det a . . . a + a . . . a + a . . . a = 0.

Par linarit, on en dduit que


h i h i
1 j j n 1 j k n
det a . . . a . . . a . . . a + det a . . . a . . . a . . . a
h i
j
+ det a . . . a . . . a . . . a + det a1 . . . ak . . . ak . . . an = 0.
 
1 k n

Do le rsultat attendu :
h i h i
det a1 . . . aj . . . ak . . . an = det a1 . . . ak . . . aj . . . an .

3.4 Thorme. Soit A = a1 a2 . . . an une matrice de Mn (K). La famille


 

de vecteurs (a1 , a2 , . . . , an ) forme une base de Kn si, et seulement si, det A est non
nul.

Preuve. Supposons que la famille (a1 , a2 , . . . , an ) soit lie et montrons que le dtermi-
nant det A est nul. Par exemple, supposons que la premire colonne soit combinaison
CHAPITRE 3. LES DTERMINANTS 7

linaire des autres colonnes :


n
a1 = k ak.
k=2
Alors,
 n 
det A = det k ak a2 ... an
k=2
n
ak a2 . . . an
 
= k det
k=2

Or pour tout k J2, nK, la matrice ak a2 . . . an possde deux colonnes gales. De


 

la proposition 3.2, on dduit que det A = 0.

Inversement, supposons que la famille B = (a1 , a2 , . . . , an ) forme une base de lespace


Kn , montrons par labsurde que le dterminant de A est non nul.
Supposons que det A = 0. Considrons une famille quelconque de vecteurs (x1 , . . . , xn )
de Kn . Pour tout j J1, nK, le vecteur x j se dcompose de faon unique dans la base B
en une combinaison linaire de colonnes de A :
n
xj = kj ak.
k=1

On a
" n n n
#
1k1 ak1 2k2 ak2 nkn akn
 
det x1 x2 . . . xn = det ...
k1 =1 k2 =1 kn =1
n n n h i
= ... 1k1 2k2 . . . nkn det ak1 ak2 ... akn
k1 =1 k2 =1 kn =1

Si un terme de la somme possde deux indices ki gaux, alors


 
det ak1 ak2 . . . akn = 0

daprs la proposition
 3.2. Si un terme
 ne possde que des indices diffrents, alors le
dterminant det ak1 ak2 . . . akn est gal, au signe prs, au dterminant det A, sup-
pos nul. Ainsi, pour toute famille de vecteur de Kn , on a
 
det x1 x2 . . . xn = 0.

Ce qui est absurde, car si C an = (c1 , . . . , cn ) dsigne la base canonique de Kn , on a



1 0 0
. .
0 1 . . ..
 
det c1 . . . cn = det . . = 1.
.. . . . . . 0
0 0 1
8 CHAPITRE 3. LES DTERMINANTS

Le dterminant det A est donc non nul. 

F IGURE 3.2.: Gabriel Cramer (1704 - 1752)

Gabriel Cramer est un mathmaticien suisse, il travaille notamment sur les


courbes algbriques. Il publie en 1750, Introduction lanalyse des lignes
courbes algbriques . Cest la premire publication en Europe sur les dter-
minants. Cramer donne un formulation base sur les dterminants pour la
solution au problme de la construction de la conique passant par cinq points
donns, problme quil rduit un systme dquations linaires.

3 Les formules de Cramer

Soit A = a1 a2 . . . an une matrice de Mn (K). Si son dterminant det A est non


 

nul, nous allons montrer quil existe une formule explicite base sur le dterminant de
A pour les solutions de lquation
Ax = b.
Posons
x1 b1
x = ... et ...
xn bn
Le produit Ax est une combinaison linaire de colonnes de A, coefficients les coeffi-
cients du vecteur x :
Ax = x1 a1 + x2 a2 + . . . + xn an .
CHAPITRE 3. LES DTERMINANTS 9

Ainsi, lquation Ax = B scrit sous la forme

a11 a21 an1



b1
x1 ... + x2 .. + . . . + x
. n
.. =
.
..
.
a1n a2n ann bn

Nous souhaitons dterminer les inconnues x1 , . . . , xn . Soit xi lune dentre elles. Dans
lquation prcdente, on soustrait le vecteur b au i-me vecteur colonne, on obtient

a11 a21
i
a1 b1 an1

x1 ... + x2 .. + . . . + x
. i
..
. + . . . + xn .. = 0.
.
a1n a2n ain bn ann

Par suite, les colonnes de la matrice suivante sont linairement dpendantes :

a11 (xi ai1 b1 ) an1



...
a1n (xi ain bn ) ann

Du thorme 3.4, on dduit alors que le dterminant de cette matrice est nul, soit

a11 ai1 an1 a11 b1 an1


xi det ... det ..


. = 0.
a1n ain ann a1n bn ann

La premire matrice est la matrice A, la seconde est la matrice A dans laquelle on a


remplac la i-me colonne par le vecteur colonne b. On a ainsi montr

3.5 Thorme (Formules de Cramer). Si det A est non nul, alors lquation

x1 b1
A ... = ..
.
xn bn

admet pour solutions

a11 b1 an1

1
xi = det ... ,
det A 1 n
an bn an

pour tout i J1, nK.

Cette formule nest pas toujours trs utilisable en pratique, les mthodes de rsolution
de systmes linaires par limination gaussienne sont plus efficaces. Les formules de
Cramer gardent un intrt thorique qui sera exploit plus loin.
10 CHAPITRE 3. LES DTERMINANTS

F IGURE 3.3.: Introduction lanalyse des lignes courbes algbriques de Gabriel


Cramer 1750.

4 Formulation explicite du dterminant


Nous avons vu dans le paragraphe 1, une dfinition rcursive du dterminant. Dans
cette section, nous tablissons une formulation explicite qui sera utile dans la suite pour
tablir certaines proprits des dterminants. Nous renvoyons le lecteur une annexe de
ce chapitre, section 8, pour un rappel sur les notions du groupe symtrique utilises pour
tablir cette formulation.
Considrons le cas n = 2. Soit
a11 a21
 
A=
a12 a22

une matrice de M2 (K). La matrice A sexprime par colonne sous la forme A = a1 a2 .


 
CHAPITRE 3. LES DTERMINANTS 11

Notons C an = (c1 , c2 ) la base canonique de K2 . Les colonnes a1 et a2 qui sidentifient


des vecteurs de K2 se dcomposent dans la base canonique en

a1 = a11 c1 + a12 c2
a2 = a21 c1 + a22 c2

On a

a1 a2
 
det A = det
a11 c1 + a12 c2 a21 c1 + a22 c2
 
= det
= (a11 a22 a12 a21 ) det c1 c2
 

 
Or det c1 c2 = 1, on retrouve ainsi la formule donne prcdemment : det A =
a11 a22 a12 a21 . Ce qui scrit aussi sous la forme

det A = sgn(id)a1id(1) a2id(2) + sgn()a1(1) a2(2) ,

avec = (1, 2). Plus gnralement, montrons la formulation suivante

3.6 Thorme (Formule de Leibniz). Soit A = [aij ] une matrice de Mn (K). On


a
det A = sgn( )a1 (1) a2 (2) . . . an (n) .
Sn

Preuve. Soit A = a1 a2 . . . an une matrice de Mn (K). Considrons la base canon-


 

ique C an = (c1 , . . . , cn ) de Kn . Tout vecteur colonne aj de A se dcompose dans la base


canonique en
n
aj = akj ck .
k=1
On a

a1 a2 . . . an
 
det A = det
" n n n
#
= det a1k1 ck1 a2k2 ck2 ... ankn ckn
k1 =1 k2 =1 kn =1
n n n
a1k1 a2k2 . . . ankn det
 
= ... ck1 ck2 . . . ckn
k1 =1 k2 =1 kn =1

Si un terme de la somme prcdente possde deux indices ki gaux, alors


 
det ck1 ck2 . . . ckn = 0.
12 CHAPITRE 3. LES DTERMINANTS

Sinon, un terme ne possde que des indices diffrents k1 , . . . , kn de lintervalle J1, nK. La
donne de ces n indices correspond la donne dune permutation de Sn , telle que

(i) = ki , pour tout i J1, nK.

On en dduit que

a1 (1) a2 (2) . . . an (n) det


 
det A = c (1) c (2) . . . c (n)
Sn

Or, daprs la proposition 3.16, toute permutation de Sn se dcompose en un produit de


transpositions. Ainsi, daprs la proposition 3.3, on a
   
det c (1) c (2) . . . c (n) = sgn( )det c1 c2 . . . cn .
 
Comme det c1 c2 . . . cn = 1, on en dduit que

det A = sgn( )a1 (1) a2 (2) . . . an (n) .


Sn

5 Calcul des dterminants

3.7 Proposition. Pour toute matrice A de Mn (K), on a

det (A> ) = det A.

3.5.1. Dterminant de la transpose dune matrice.

Preuve. Soit A = [aij ] une matrice de Mn (K). On a montr que

det A = sgn( )a1 (1) a2 (2) . . . an (n) .


Sn

Pour toute permutation de Sn , le corps K tant commutatif, on a, pour toute permu-


tation de Sn ,
a1 (1) a2 (2) . . . an (n) = a (1) a (2) . . . a (n) .
(1) (2) (n)

En particulier, lorsque = 1 , on a
1 (1) 1 (2) 1 (n)
a1 (1) a2 (2) . . . an (n) = a1 a2 . . . an .
CHAPITRE 3. LES DTERMINANTS 13

Par ailleurs, sgn( ) = sgn( 1 ), donc


1 (1) 1 (2) 1 (n)
sgn( )a1 (1) a2 (2) . . . an (n) = sgn( 1 )a1 a2 . . . an .

On a ainsi,

det A = sgn( )a1 (1) a2 (2) . . . an (n)


Sn
1 (1) 1 (2) 1 (n)
= sgn( 1 )a1 a2 . . . an
Sn
1 (1) 1 (2) 1 (n)
= sgn( 1 )a1 a2 . . . an
1 Sn

Soit encore
(1) (2) (n)
det A = sgn( )a1 a2 . . . an .
Sn

Cette dernire expression correspond au dterminant de la transpose A> , car si A> =


(bij ), on a bij = aij et

det A> = sgn( )b1 (1) b2 (2) . . . bn (n)


Sn
(1) (2) (n)
= sgn( )a1 a2 . . . an .
Sn

Comme consquence de la proposition prcdente, on a

3.8 Proposition.
i) le dterminant dune matrice est une application linaire par rapport chaque
ligne,
ii) le dterminant dune matrice dont deux lignes sont gales est nul,
iii) le dterminant dune matrice change de signe, lorsque lon change deux
lignes,
iv) le dterminant dune matrice est non nul si, et seulement si, les vecteurs lignes
de la matrice sont linairement indpendants.

3.5.2. Dterminant dun produit. La proprit suivante exprime que le dterminant


est compatible au produit de matrices.
14 CHAPITRE 3. LES DTERMINANTS

3.9 Thorme. Pour toutes matrices A et B de Mn (K), on a

det (AB) = det (A)det (B).

Preuve. Soit A = [aij ] et B = [bij ] deux matrices de Mn (K). Notons

C = AB = (cij ) = c1 c2 . . . cn
 

le produit de A et B. Par dfinition du produit matriciel, on a


n
cij = aki bkj .
k=1

Par suite,
n
cj = bkj ak.
k=1
Ainsi

c1 c2 . . . cn
 
det (AB) = det
" n n n
#
= det b1k1 ak1 b2k2 ak2 ... bnkn akn
k1 =1 k2 =1 kn =1
n n n h i
= ... b1k1 b2k2 . . . bnkn det ak1 ak2 ... akn
k1 =1 k2 =1 kn =1

Si un des terme de la somme prcdente possde deux indices ki gaux, alors


h i
k1 k2 kn
det a a . . . a = 0.

Ne reste que les termes avec des indices k1 , k2 , . . . , kn de J1, nK tous diffrents entre eux.
Cette somme peut donc scrire
h i
det (AB) = b1 (1) b2 (2) . . . bn (n) det a (1) a (2) . . . a (n) (3.2)
Sn

Or h i
(1) (2) (n)
a1 a2 . . . an .
 
det a a ... a = sgn( )det
On dduit donc de lquation (3.2) que

sgn( )b1 (1) b2 (2) . . . bn (n) det a1 a2 . . . an


 
det (AB) =
Sn

Do det (AB) = det (A)det (B). 


CHAPITRE 3. LES DTERMINANTS 15

On en dduit la caractrisation importante suivante des matrices inversibles

3.10 Proposition. Une matrice A de Mn (K) est inversible si, et seulement si,
det (A) est non nul. On a alors
1
det (A1 ) = .
det (A)

Preuve. Soit A une matrice inversible de Mn (K). Il existe alors une matrice A1 de
Mn (K) telle que AA1 = 1n . Daprs le thorme 3.9, on en dduit que

det (A)det (A1 ) = det (AA1 ) = det (1n ) = 1.

Do det (A) est non nul et


1
det (A1 ) = .
det (A)
Inversement, si A = a1 a2 . . . an est une matrice de Mn (K) de dterminant non
 

nul. Daprs le thorme 3.4, la famille B = (a1 , a2 , . . . , an ) forme une base de Kn . La


matrice A est ainsi la matrice de passage de la base canonique de Kn la base B ; elle
est donc inversible. 

6 Calcul de linverse dune matrice

3.6.1. Matrice des cofacteurs. Soit A = [aij ] une matrice de Mn (K). On appelle co-
facteur du coefficient aij le scalaire

cof(aij ) = (1)i+ j det (Aij ),

o Aij est la matrice obtenue en supprimant la i-me ligne et la j-me colonne de A.


On appelle comatrice de A, la matrice note Com(A) = (cij ), dfinie par

cij = cof(aij ).

3.11 Proposition. Pour tout i J1, nK, on a la relation du dveloppement du dter-


minant selon la i-me ligne
n
det (A) = aij cof(aij ). (3.3)
j=1

De la mme faon, pour tout j J1, nK, on a le dveloppement du dterminant selon


16 CHAPITRE 3. LES DTERMINANTS

la j-me colonne
n
det (A) = aij cof(aij ). (3.4)
i=1

Preuve. Exercice 

De la proposition prcdente, on dduit une formule utile pour le calcul de linverse


dune matrice.

3.12 Thorme. Pour toute matrice A de Mn (K), on a :

ACom(A)> = Com(A)> A = det (A)1n .

Si la matrice A est inversible, on a la formule dinversion


1
A1 = Com(A)> .
det (A)

Cette formule dinversion est aussi connue sous le nom de rgle de Cramer.

Preuve. Soient A = [aij ] une matrice de Mn (K) et Com(A) sa matrice des cofacteurs.
Exprimons le produit
n
(ACom(A)> )ij = aki cof(akj ).
k=1
Daprs la relation (3.3), on a, pour tout i J1, nK,

(ACom(A)> )ii = det (A).

Par ailleurs, si i 6= j, alors (ACom(A)> )ij = 0.


Par suite, on a
ACom(A)> = det (A)1n .
De la mme faon, on montre que Com(A)> A = det (A)1n . 

Exercice 2. Calculer linverse des matrices inversibles suivantes



0 1 1 1 1
0 1 1 1
1 0 1 1 0 1 1 0
1 0 1 1 1
1 1
A= 1 1 1 B= 1 1 1 C=
1 1
D= 1 1 0 1 1
0 1
0 1 1 0 0 1 1 1 1 0 1
1 1 1 0
1 1 1 1 0
CHAPITRE 3. LES DTERMINANTS 17


0 1 2 3 4
1 2 3 1 2 3
1 2 3 4 0

E= 2 3 1 F= 3 1 2 G=
2 3 4 0 1

3 2 1 2 3 1 3 4 0 1 2
4 0 1 2 3

Exercice 3. Trouver la matrice X, telle que X = AX + B, avec



0 1 0 1 2
A = 0 0 1 et B = 2 1 .
0 0 0 3 3

Exercice 4. Soit A une matrice inversible symtrique de Mn (K). Montrer que la ma-
trice A1 est symtrique.

7 Dterminant dun endomorphisme

3.13 Proposition. Deux matrices semblables ont le mme dterminant.

Preuve. Soient A et B deux matrices semblables de Mn (K). Il existe donc une matrice
inversible P de Mn (K) telle que
A = PBP1 .
Du thorme 3.9, on dduit que

det (A) = det (PBP1 ) = det (P)det (B)det (P1 ).

Daprs la proposition 3.10, on a det (P)det (P1 ) = 1. Ainsi, det A = det B. 

Deux matrices semblables, reprsentent le mme endomorphisme exprim dans des


bases diffrentes. La proposition 3.13 permet de dfinir le dterminant dun endomor-
phisme de la faon suivante.

3.7.1. Dfinition. Soit E un K-espace vecetoriel de dimension finie n et soit u un


endomorphisme de E. On appelle dterminant de u le dterminant de la matrice [u]B
qui reprsente u dans une base quelconque B de E :

det u = det [u]B .

On peut complter la caractrisation des applications linaires inversibles en dimen-


sion finie donne dans la proposition 1.10 :
18 CHAPITRE 3. LES DTERMINANTS

3.14 Proposition. Soit u : E E 0 une application linaire entre deux K-espaces


vectoriel de mme dimension finie. Les assertions suivantes sont quivalentes :
i) det u est non nul,
ii) u est injective,
iii) u est surjective,
iv) u est bijective
v) Ker u = {0},
vi) Im u = E 0 ,
vii) rang u = dim E 0 .

8 Annexe : rappels sur les groupes de symtries


Dans le paragraphe suivant, nous donnons une formulation explicite du dterminant
dune matrice en terme de permutations des colonnes de la matrice. Nous rappelons ici
quelques notions autour des groupes symtriques.

3.8.1. Dfinitions. Soit n un entier naturel non nul. On note Sn lensemble des per-
mutations de lensemble J1, nK, i.e., des bijections de lensemble J1, nK dans lui-mme.
Pour n = 1, on a S1 = {id}. Dans la suite de ce paragraphe section, nous supposerons
n > 1.

3.15 Proposition. Lensemble Sn , muni de la composition des applications,


forme un groupe de cardinal n!.

Le groupe Sn est appel le groupe symtrique dindice n. La permutation compose


de deux permutation 0 est appele le produit des permutations et note 0 .
Soient i et j deux lments distincts de J1, nK. La permutation de Sn dfinie par

(i) = j, ( j) = i, (k) = k, si k
/ {i, j}

est appele transposition des lments i et j et est note (i, j).

3.16 Proposition. Le groupe symtrique Sn est engendr par les transpositions,


i.e., toute permutation de Sn se dcompose en un produit de transpositions.
CHAPITRE 3. LES DTERMINANTS 19

Preuve. On procde par rcurrence. Pour n = 2, le groupe S2 est compos de lidentit


et de la permutation (1, 2) ; lnonc est donc clair dans ce cas.
Supposons que toute permutation de Sn1 se dcompose en un produit de transposi-
tions. Soit Sn . Si (n) = n, alors permute J1, n 1K. Par hypothse de rcurrence,
scrit comme un produit de transpositions de J1, n 1K.
Si (n) = i avec i 6= n, la permutation 0 = (n, i) vrifie 0 (n) = n. Daprs la
remarque prcdente, 0 scrit comme un produit de transpositions, on en dduit quil
en est de mme pour = (n, i) 0 . 

Pour tout i J1, nK, notons i la transposition (i, i + 1). On notera que, pour tout i < j
dans J1, nK, on a

(i, j) = i i+1 . . . j2 j1 j2 . . . i+1 i


= j1 j2 . . . i+1 i i+1 . . . j2 j1 .

En particulier, on en dduit que le groupe Sn est engendr par les transpositions 1 , . . . , n1 .

3.8.2. Signature. Soit une permutation de Sn . On appelle inversion de , un cou-


ple (i, j) dlments de J1, nK tel que i < j et (i) > ( j). Notons I( ) le nombre din-
versions de .
On appelle signature de la permutation , le rel

sgn( ) = (1)I( ) .

On peut montrer que la signature est donne par la relation suivante

( j) (i)
sgn( ) = .
16i< j6n ji

Une permutation est dite paire (resp. impaire), si elle est de signature 1 (resp. 1).

3.17 Proposition. Lapplication signature sgn est un morphisme de groupes de


Sn dans le groupe multiplicatif {1, 1}. En particulier, pour toutes permutations
, , on a
sgn( ) = sgn( )sgn().

Le noyau de ce morphisme est form des permutations paires et est appel groupe
altern dindice n . On le note An .
20 CHAPITRE 3. LES DTERMINANTS

9 Annexe : dterminants et formes multilinaires


alternes
3.9.1. Applications multilinaires alternes. Soient E et F deux K-espaces vecto-
riels et p un entier naturel non nul. Une application p-linaire de E dans F est une
application
: E p F
telle que, pour toute famille (x1 , . . . , x p ) de vecteurs de E et tout i J1, nK, lapplication

E F
x 7 (x1 , . . . , xi1 , x, xi+1 , . . . , x p )

est linaire.
Une application p-linaire de E valeurs dans K est appele une forme p-linaire .
Une application p-linaire de E dans F est dite alterne si, pour toute famille
(x1 , . . . , x p ) de vecteurs de E et pour tout i 6= j, on a :

xi = x j (x1 , . . . , x p ) = 0.

3.18 Proposition. Soient E un K-espace vectoriel de dimension n et F un K-


espace vectoriel. Soit une application n-linaire alterne de E dans F. Pour toute
permutation Sn et toute famille de vecteurs (x1 , . . . , xn ) de E, on a

(x (1) , x (2) , . . . , x (n) ) = sgn( )(x1 , x2 , . . . , xn ).

Preuve. Exercice. 

3.19 Thorme. Soient E un K-espace vectoriel de dimension n et B =


(e1 , . . . , en ) une base de E. Soit une forme n-linaire alterne sur E. Alors, pour
toute famille (x1 , . . . , xn ) de vecteurs de E, on a

(x1 , . . . , xn ) = det [ x1 | . . . | xn ]B (e1 , . . . , en ),

o det [ x1 | . . . | xn ]B est le dterminant de la matrice [ x1 | . . . | xn ]B dont les coeffi-


cients de la j-me colonne sont les coordonnes du vecteur x j exprim dans la base
B.

Preuve. Pour tout i J1, nK, considrons la dcomposition du vecteur xi dans la base B :
n
xi = aik ek .
k=1
CHAPITRE 3. LES DTERMINANTS 21

On a
a11 . . . an1

[ x1 | . . . | xn ]B = ... .. .
.
1
an . . . ann
Lapplication tant n-linaire, on a
n n n
(x1 , . . . , xn ) = ... a1k1 a2k2 . . . ankn (ek1 , ek2 , . . . , ekn ).
k1 =1 k2 =1 kn =1

Si un terme de cette somme possde deux indices ki gaux, alors le scalaire (xk1 , xk2 , . . . , xkn )
est nul. Sinon, un terme ne possde que des indices diffrents k1 , . . . , kn de lintervalle
J1, nK. La donne de ces n indices correspond la donne dune permutation de Sn , telle
que
(i) = ki , pour tout i J1, nK.
On en dduit que

(x1 , . . . , xn ) = a1 (1) a2 (2) . . . an (n) (e (1) , e (2) , . . . , e (n) ).


Sn

Daprs la proposition prcdente, on en dduit que

(x1 , . . . , xn ) = sgn( ) a1 (1) a2 (2) . . . an (n) (e1 , e2 , . . . , en ),


Sn

Do la formule tablir :

(x1 , . . . , xn ) = det [ x1 | . . . | xn ]B (e1 , . . . , en ),

Une consquence immdiate du thorme prcdent est

3.20 Proposition. Soient E un K-espace vectoriel de dimension n et B =


(e1 , . . . , en ) une base de E. Il existe une unique forme n-linaire alterne 0 sur E
telle que
0 (e1 , . . . , en ) = 1.
De plus, toute forme n-linaire alterne sur E est proportionnelle 0 .

Preuve. Si on pose, pour toute famille (x1 , . . . , xn ) de vecteurs de E :

0 (x1 , . . . , xn ) = det [ x1 | . . . | xn ]B . (3.5)

Ainsi dfinie, on dduit des proprits de lapplication det que 0 est une forme n-
linaire alterne.
22 CHAPITRE 3. LES DTERMINANTS

Daprs le thorme prcdent, pour toute forme n-linaire sur E, on a

= (e1 , . . . , en )0 .

Il existe ainsi une unique forme n-linaire sur E vrifiant (e1 , . . . , en ) = 1, cest la
forme 0 dfinie par (3.5). 

3.9.2. Remarque. On aurait pu dfinir le dterminant dune matrice en utilisant le


point de vue des formes multiliaires alternes.
Daprs la proposition prcdente, il existe une unique forme n-linaire alterne sur
K telle que 0 (c1 , . . . , cn ) = 1, o (c1 , . . . ,cn ) est la base canonique de Kn . Le dtermi-
n

nant dune matrice A = a1 a2 . . . an de Mn (K) est alors donn par

det A = 0 (a1 , a2 , . . . , an ).
Deuxime partie .

La rduction des matrices

23
CHAPITRE
4

Pour se mettre en apptit

Sommaire
1. quations dvolution linaire couples . . . . . . . . . . . . . . . 1
2. Le dcouplage de systme dquations . . . . . . . . . . . . . . . . 5
3. La diagonalisation des matrices et des endomorphismes . . . . . . 8
4. Marches sur un graphe et diagonalisation . . . . . . . . . . . . . . 11
5. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

1 quations dvolution linaire couples

4.1.1. volution discrte du temps. On sintresse lvolution dune population de


renards dans une fort au cours des annes. Supposons que le nombre de renards lanne
n est proportionnel au nombre de renards lanne prcdente n1. En dsignant par x(n)
le nombre de renards vivant dans la fort lanne n, lvolution du nombre de renards se
modlise par lquation

x(n) = ax(n 1), (4.1)


o a est une constante positive relle. Cet exemple est un modle dvolution linaire.
La population est croissante si a > 1 et en extinction si a < 1. Si a = 1 la population
reste constante sa valeur initiale. Connaissant la population initiale x(0) de renards
lanne 0, de lquation de rcurrence 4.1, on dduit le nombre de renards en fonction
de lanne n :
x(n) = an x(0).
De nombreux problmes dvolution discrte linaire peuvent tre dcrits par une telle
quation.

1
2 CHAPITRE 4. POUR SE METTRE EN APPTIT

4.1.2. volution continue du temps. Afin dillustrer les problmes dvolution con-
tinue, considrons une cuve pleine deau de volume V litre et contenant p litre de pollu-
ant linstant t = 0. Un robinet deau non pollue verse dans la cuve raison de r litre
deau par seconde. Afin de maintenir la quantit deau constante dans la cuve, un robinet
vide la cuve raison de r litre deau par seconde, comme indiqu sur la figure 4.1.

F IGURE 4.1.: volution de la concentration de polluant dans une cuve

On souhaite dterminer la quantit de polluant dans la cuve tout instant t. Notons


x(t) la quantit de polluant dans la cuve linstant t. Le taux de variation de la quantit
de polluant par rapport au temps sexprime par

dx(t)
= concentration qui arrive concentration vacue.
dt
Leau verse dans la cuve tant non pollue, la concentration de poluant qui arrive est
nulle et la concentration vacue est Vr x(t), on a donc

dx(t) r
= 0 x(t), (4.2)
dt V
avec la condition initiale x(0) = p0 . Cette quation diffrentielle admet pour solution
r
x(t) = e V t p0 .

4.1.3. quations couples, la cas discret. Dans de nombreuses situations, on tudie


lvolution de plusieurs espces cohabitant dans un mme cosystme. Le systme est
alors dcrit par plusieurs variables du temps x1 (n), x2 (n), . . . , xk (n) qui reprsentent le
nombre dindividus de chaque espce. Ces variables dpendent les unes des autres, on
dit quelles sont couples . Il existe plusieurs cas dvolution :
chaque population a un effet ngatif sur la croissance des autres populations, il sagit
de la comptition interspcifique,
on parle de relations proie-prdateur ou hte-parasite, lorsquune population a un
effet positif sur une autre, mais leffet est ngatif dans lautre sens,
chaque population a un effet positif sur la croissance des autres populations, on
parle alors dvolution en symbiose.

4.1.4. Un modle proie-prdateur. Comme illustration du modle proie-prdateur,


considrons les populations de renards et de mulots dans une fort. Lvolution de ces
CHAPITRE 4. POUR SE METTRE EN APPTIT 3

deux populations est lie du fait que lon suppose que les renards mangent les mulots.
En consquence, plus il y aura de mulots, plus les renards auront manger ; on peut
supposer alors que cela encourage leur reproduction, par suite le nombre de renards
augmente. Dautre part, plus il y aura de renards, plus de mulots seront mangs, ce qui
va rduire la population de mulots lanne suivante.

Ces deux espces sont ainsi en interaction, on peut modliser cette interaction de la
faon suivante. Notons respectivement par x1 (n) et x2 (n) le nombre de renards et de
mulots lanne n. Les quations qui dcrivent lvolution des deux populations forment
le systme :
x1 (n) = ax1 (n 1) + bx2 (n 1),

x2 (n) = cx1 (n 1) + dx2 (n 1), (4.3)

o a, b, c, d sont quatre constantes relles positives. On regroupe les deux quantits x1 (n)
et x2 (n) pour former un vecteur
 
x1 (n)
x(n) = .
x2 (n)

Le systme dquation (4.3) scrit alors sous la forme dune seule quation

x(n) = Ax(n 1), (4.4)

o A dsigne la matrice  
a b
c d
Lquation (4.4) est une gnralisation au cas de plusieurs variables de lquation (4.1).
De la mme faon que dans le cas une seule variable, connaissant les deux populations
lanne 0, i.e., tant donn le vecteur x(0), on montre par rcurrence que le nombre de
renards et de mulots lanne n est donn par

x(n) = An x(0).

4.1.5. quations couples, la cas continu. On considre le problme de concentra-


tion de polluant de lexemple 4.1.2, mais maintenant avec trois cuves. On dispose trois
cuves pleines deau pollue, dun volume V chacune, de telle faon que leau circule
entre elles selon le schma de la figure 4.2.
4 CHAPITRE 4. POUR SE METTRE EN APPTIT

F IGURE 4.2.: volution de la concentration de polluant dans trois cuves

Il y a r litre deau par seconde qui passe de la cuve C1 la cuve C2 , de la cuve C2 la


cuve C3 et de la cuve C3 lgout. De plus r litre deau pur par seconde est vers dans la
cuve C1 . Les cuves contiennent initialement p1 , p2 et p3 litre de polluant respectivement.
On souhaite dterminer la quantit de polluant qui se trouve dans chacune des cuves
chaque instant t de lvolution du systme.
Notons xi (t) la quantit de polluant dans la cuve i, linstant t. On a

dxi (t)
= concentration qui arrive concentration vacue.
dt
r
La concentration du polluant vacue de la cuve i est donc xi (t). Les quantits de
V
polluant satisfont donc le systme diffrentiel suivant :

dx1 (t) r

dt = x1 (t)
V
dx2 (t) r r

= x1 (t) x2 (t)
dt V V
dx3 (t) r r

dt = x2 (t) x3 (t)
V V
Ce systme scrit matriciellement sous la forme

x1 (t) 1 0 0 x1 (t)
d r
x2 (t) = 1 1 0 x2 (t) .
dt V
x3 (t) 0 1 1 x3 (t)

Ou encore,
dx(t)
= Ax(t), (4.5)
dt
en posant
x1 (t) 1 0 0
r
x(t) = x2 (t) et A = 1 1 0
V
x3 (t) 0 1 1
CHAPITRE 4. POUR SE METTRE EN APPTIT 5

dx(t)
et o dsigne la drive du vecteur x(t) :
dt
dx1 (t)

dt
dx(t) dx2 (t)
= .
dt dt

dx3 (t)

dt
Nous montrerons plus loin dans le cours que lquation (4.5) admet pour solution

x(t) = etA x(0), (4.6)



p1
o x(0) = p2 dsigne le vecteur reprsentant les concentrations de polluant dans
p3
rt
les trois cuves linstant t = 0 et o e V A est la matrice dfinie par une srie de matrices :
+
rt 1  rt k
eV A = A .
k=0 k! V

Nous justifierons plus loin cette dfinition et nous prsenterons des mthodes de calcul
des exponetielles de matrices. On remarquera lanalogie entre la solution (4.6) et la
solution de lquation diffrentielle (4.2).
Comme dans le cas discret, le calcul de la solution passe ainsi par celui des puissances
de la matrice A. Nous allons voir comment lon peut rduire le calcul des puissances
de A celui des puissances dune matrice diagonale semblable A. On appelle cette
opration le dcouplage.

2 Le dcouplage de systme dquations


Nous allons montrer que pour rsoudre un systme dquations couples, il est judi-
cieux de transformer ce systme en un systme dcoupl. Dans un premier temps, on
montre que la rsolution dun systme dcoupl est immdiate.

4.2.1. Les quations dcouples. Supposons que nous ayons une quation dvolu-
tion discrte
x(n) = Ax(n 1),
avec par exemple  
3 0
A= .
0 5
Lquation est quivalente au systme de deux quations linaires :

x1 (n) = 3x1 (n 1)

x2 (n) = 5x2 (n 1)
6 CHAPITRE 4. POUR SE METTRE EN APPTIT

Ces quations sont dites non couples, car x1 (n) ne dpend que des valeurs des x1 (k),
pour k 6 n, et est indpendant des valeurs de x2 (k). De mme pour x2 (n) qui ne dpend
que des valeurs de x2 (k), pour k 6 n.
Les solutions du systme se dduisent par une simple rcurrence :

x1 (n) = 3n x1 (0) et x2 (n) = 5n x2 (0).

4.2.2. Le dcouplage. Considrons le systme suivant de deux quations couples :



x1 (n) = 2x1 (n 1) + x2 (n 1),

x2 (n) = x1 (n 1) + 2x2 (n 1). (4.7)

Afin de rsoudre ce systme, nous effectuons le changement de variables suivant :

x1 (n) + x2 (n) x1 (n) x2 (n)


y1 (n) = , y2 (n) = . (4.8)
2 2
On a alors
x1 (n) = y1 (n) + y2 (n), x2 (n) = y1 (n) y2 (n). (4.9)
En additionnant et soustrayant les deux quations du systme prcdent, on obtient

y1 (n) = 3y1 (n 1),

y2 (n) = y2 (n 1). (4.10)

Ce dernier systme est dcoupl, il admet pour solutions :

y1 (n) = 3n y1 (0), y2 (n) = y2 (0).

On peut alors rsoudre notre problme initial. On a

x1 (0) + x2 (0) x1 (0) x2 (0)


y1 (0) = , y2 (0) = .
2 2
Do
x1 (0) + x2 (0) x1 (0) x2 (0)
y1 (n) = 3n , y2 (n) = .
2 2
Et en utilisant les quations (4.9), on obtient
3n + 1 3n 1 3n 1 3n + 1
x1 (n) = x1 (0) + x2 (0), x2 (n) = x1 (0) + x2 (0). (4.11)
2 2 2 2

4.2.3. Exgse matricielle. Le systme (4.7) scrit sous la forme matricielle suivante

x(n) = Ax(n 1),

avec    
2 1 x1 (n)
A= et x(n) = .
1 2 x2 (n)
CHAPITRE 4. POUR SE METTRE EN APPTIT 7

Le changement de variable (4.8) consiste considrer la matrice


 
1 1 1
Q=
2 1 1

et dfinir le vecteur y(n) par


y(n) = Qx(n). (4.12)
Par ailleurs, le changement de variable (4.9) scrit matriciellement sous la forme :
 
1 1
x(n) = Py(n), avec P = . (4.13)
1 1

On vrifiera que P = Q1 . Le systme dcoupl (4.10) scrit matriciellement sous la


forme  
3 0
y(n) = y(n 1).
0 1
On en dduit que
 n
3 0
y(n) = y(0)
0 1
3n 0
 
= y(0).
0 1

Donc, de (4.12), on dduit que y(0) = Qx(0), do :

1 3n 0
  
1 1
y(n) = x(0)
2 0 1 1 1
1 3n (x1 (0) x2 (0))
 
= .
2 x1 (0) x2 (0)

Daprs (4.13), on en dduit finalement que


  n 
1 1 1 3 (x1 (0) x2 (0))
x(n) =
2 1 1 x1 (0) x2 (0)
 n 
3 /2(x1 (0) + x2 (0)) + (x1 (0) x2 (0))
= .
3n /2(x1 (0) + x2 (0)) (x1 (0) x2 (0))

Ceci correspond la solution que nous avons obtenu en (4.11).

Le choix du changement de variable (4.13) pour obtenir un systme dcoupl, i.e.,


avec une matrice diagonale, est possible car il existe deux vecteurs propres
   
1 1
et .
1 1

de la matrice A associs respectivement aux valeurs propres 3 et 1 de la matrice A.


8 CHAPITRE 4. POUR SE METTRE EN APPTIT

Cest--dire que lon a


       
1 1 1 1
A =3 et A = .
1 1 1 1

La matrice A est semblable une matrice diagonale :


     
3 0 1 1 1 1 1
= A .
0 1 2 1 1 1 1

La premire matrice dans le second membre de lgalit est linverse de la matrice de


changement de base  
1 1
P=
1 1
forme de deux vecteurs propres associs aux deux valeurs propres.

Nous retiendrons que dcoupler un systme revient le diagonaliser . On a


construit deux matrices de changement de bases P et Q telles que

D = QAP,

ou de faon quivalente
A = PDQ,
car P et Q sont inverses lune de lautre. Ainsi, le calcul des puissances de A se rduit
celui des puissances de D :

x(0) /o A/o /o / x(1) /o A/o /o / x(2) /o /o A/o / /o A/o /o / x(n 1) /o /o /o /


A
x(n)
O O O O
Q P P P P

y(0) / y(1) / y(2) / / y(n 1) / y(n)
D D D D D

Plus gnralement, nous montrerons dans ce cours que lorsque lon peut trouver n
valeurs propres diffrentes dune matrice A de Mn (R), on peut rsoudre un systme
coupl
x(n) = Ax(n 1)
en considrant un systme dcoupl

y(n) = Dy(n 1).

3 La diagonalisation des matrices et des


endomorphismes
4.3.1. Problme de diagonalisation des matrices. De nombreux problmes comme
celui du dcouplage conduisent au problme suivant :
CHAPITRE 4. POUR SE METTRE EN APPTIT 9

Donne : A une matrice de Mn (K).


Question : Trouver une matrice inversible P de Mn (K), telle que P1 AP soit diagonale.
Nous verrons quil existe de nombreuses autres situtations dans lesquelles ce problme
intervient.

4.3.2. Problme de diagonalisation des endomorphismes. On peut donner une autre


formulation de ce problme. Soit E un K-espace vectoriel de dimension finie n.

Donne : u un endomorphisme de E reprsent par une matrice [u]B dans une base B
de E.
Question : Trouver une base B 0 de E, telle que la matrice [u]B0 soit diagonale.

Deux matrices semblables reprsentant le mme endomorphisme dans des bases dif-
frentes, la version matricielle de ce problme correspond au problme 4.3.1 : si P
dsigne la matrice de passage de la base B la base B 0 , on a la relation :

[u]B0 = P1 [u]B P.

Lorsque la matrice [u]B0 est une matrice diagonale, i.e., de la forme :



1 0 0
. .
0 2 . . ..

. .
.. .. ... 0

0 0 n
on dit que lendomorphisme u est diagonalisable. Les vecteurs (e1 , . . . , en ) de la base B 0
ont une proprit remarquable, ils satisfont, pour tout i J1, nK,

u(ei ) = i ei .

Nous verrons que ce problme nadmet pas toujours de solution : un endomorphisme


nest pas toujours diagonalisable. Cependant, nous verrons quil est toujours possible de
trouver un changement de base tel que la matrice sexprime dans cette base comme une
matrice diagonale par blocs.

4.3.3. Une reformulation gomtrique. On peut donner une autre formulation du


problme de diagonalisation dun endomorphisme. Soit u un endomorphisme de E, di-
agonaliser u revient trouver une dcomposition de E en une somme directe

E = E1 . . . E p

de sous-espaces vectoriels telle que, pour tout i J1, pK,


i) Ei est stable par u, i.e., u(Ei ) est un sous-espace de Ei ,
ii) la restriction u|Ei de lendomorphisme u Ei est une homothtie, cest--dire, quil
existe un scalaire i tel que
u(x) = i x,
10 CHAPITRE 4. POUR SE METTRE EN APPTIT

pour tout vecteur x de Ei .

En choisissant une base Bi pour chaque sous-espace Ei , la runion B1 . . . B p de ces


bases forme alors une base B de E dans laquelle la matrice de u est de la forme

0

1
... 0

0

1
0

2

. ..

[u]B =

0 2


...

0

p

0 . ..


0 p

o chaque bloc
0

1
...
0 1
est la matrice de la restriction de lendomorphisme u au sous-espace Ei , exprim dans la
base Bi .

4.3.4. Exemple. Soient le plan de R3 dquation z = 0 et la droite dquation


x = y = z. Soit u lendomorphisme de R3 qui projette tout vecteur x de R3 sur le plan
paralllement la droite .
Notons C an = (c1 , c2 , c3 ) la base canonique de R3 :

1 0 0
c1 = 0 , c2 = 1 , c3 = 0 .
0 0 1

1
Soit e = 1 un vecteur directeur de . Lendomorphisme u est caractris par

1

u(x) + e = x, u(x) , pour tout x R3 .



x1
Donc si [x]C an = x2 , on a
x3

x1 x1 x1
[u]C an x2 = x2 et [u]C an x2 .
x3 x3 x3
CHAPITRE 4. POUR SE METTRE EN APPTIT 11

Soit encore
x1 x1 x3
[u]C an x2 = x2 x3 .
x3 0
Ainsi
1 0 1
[u]C an = 0 1 1 .
0 0 0
Alors que, tant donne une base (e1 , e2 ) du plan , la famille B = (e1 , e2 , e) forme une
base de R3 ; dans cette base, on a

1 0 0
[u]B = 0 1 0 .
0 0 0

Ce qui montre que lendomorphisme u est diagonalisable. On observera que

R3 = = Vect(c1 , c2 ) Vect(e),

et que

i) pour tout x , u(x) = x = 1.x,

ii) pour tout x , u(x) = 0 = 0.x.

On dit dans ce cas quil existe deux directions globalement invariantes et que u admet
pour valeurs propres 1 et 0. Nous montrerons que tout endomorphisme de R2 admettant
deux valeurs propres disctinctes est diagonalisable.

4.3.5. Exemple. Soit u la rotation de R2 dangle et de centre lorigine. La matrice


de u dans la base canonique est
 
cos sin
[u]C an = .
sin cos
Si 6= k, alors il nexiste pas de direction globalement invariante et u ne possde pas
de valeurs propres. Dans ce cas, il est impossible de trouver une base de diagonalisation,
ainsi lendomorphisme u nest pas diagonalisable.

4 Marches sur un graphe et diagonalisation

4.4.1. Graphes orients. Un graphe (orient fini) G est la donne dun ensemble fini
de sommets S , dun ensemble fini darcs A , de deux applications

s : A S , t : A S
12 CHAPITRE 4. POUR SE METTRE EN APPTIT

appeles respectivement source et but. Un arc de source p et de but q est not graphique-
ment de la faon suivante
p q.

4.4.2. Matrices dadjacence. Soit G un graphe n sommets. On suppose que les


sommets sont numrots de 1 n. On associe au graphe G, une matrice G de Mn (R)
telle que Gij est le nombre darcs de source j et de but i dans G . Cette matrice est appele
la matrice dadjacence du graphe G .
Par exemple, la matrice du graphe suivant

1 == /2

==  
==  
==  
 
3
est la matrice
0 1 1
G= 0 1 2
0 0 0

4.1 Proposition. Soient G la matrice associe un graphe G et k un entier naturel.


Le nombre de chemins de longueur k du sommet j au sommet i dans le graphe G est
donne par le coefficient (Gk )ij .

Preuve. On obtient ce rsultat par rcurrence sur la longueur du nombre de chemins. Le


nombre de chemins de longueur 2 de j i est
n
Glj Gil ,
l=1

car Glj est le nombre de chemins de longueur 1 de j l et Gil est le nombre de chemins
de longueur 1 de l i. Cette somme correspond au coefficient (G2 )ij .
On suppose que, pour tous i, j, (Gk1 )ij est le nombre de chemins de longueur k 1
entre i et j. Alors
n
(Gk )ij = (Gk1)lj Gil .
l=1


4.4.3. Exemple. Un conducteur de train ralise chaque jour un trajet reliant lune des
trois villes de la figure 4.3. Chaque jour, il ne peut faire quun des trajets indiqus. En
deux jours, il ne pourra donc faire que les quatre trajets suivants au dpart de Lyon :

Lyon Paris Genve


CHAPITRE 4. POUR SE METTRE EN APPTIT 13

/
Lyon Ko K ss 9
Paris
eKKKKKKK sss ss
KKK KKK ss sss
KKK K%
K sssssss
ys
Genve

F IGURE 4.3.: Liaisons froviaires entre trois villes

Lyon Genve Paris

Lyon Genve Lyon

Lyon Paris Lyon

Les itinraires possibles forment les chemins dun graphe dont les sommets sont les
villes. La matrice de ce graphe est

0 1 1
G= 1 0 1 .
1 1 0

Pour calculer le nombre ditinraires possibles en k jours dune ville une autre, on
calcule les coefficients de la matrice Gk . La matrice G est diagonalisable. On montre en
effet
1 0 0
D = 0 1 0 = P1 GP,
0 0 2
avec
1 1 1 1 1 2
1
P= 0 1 1 et P1 = 1 2 1 .
3
1 0 1 1 1 1
Comme G = PDP1 , on a

Gk = PDP1 PDP1 . . . PDP1 ,

soit
Gk = PDk P1 .
Donc
(1)k

0 0
Gk = P 0 (1)k 0 P1 .
0 0 2k
Soit
1 1 1 2 1 1
2k k
(1)
Gk = 1 1 1 + 1 2 1 .
3 3
1 1 1 1 1 2
14 CHAPITRE 4. POUR SE METTRE EN APPTIT

En particulier,

2 1 1 2 3 3 6 5 5
G2 = 1 2 1 , G3 = 3 2 3 , G4 = 5 6 5 .
1 1 2 3 3 2 5 5 6

5 Exercices

Exercice 1. Soit le plan de R3 dquation x + 3y + 5z = 0 et soit la droite dqua-


tion 3x = 5y = 15z. Notons u la projection de R3 sur le plan paralllement la droite
.
1. crire la matrice de lendomorphisme u dans la base canonique de R3 .
2. Sans calcul, trouver une base de R3 dans laquelle la matrice de u est la plus simple
possible, i.e., ayant le plus grand nombre de coefficients nuls.

Exercice 2. Soient E un C-espace vectoriel de dimension finie et u un endomor-


phisme de E vrifiant u2 = idE .
1. Montrer que
E = Ker (u idE ) Ker (u + idE ).
2. Montrer que si u 6= idE et u 6= idE , alors il existe une base de E dans laquelle
lendomorphisme u est reprsent par la matrice
 
1p 0
,
0 1q

o 1 p et 1q dsignent les matrices identits de M p (C) at Mq (C) respectivement.

Exercice 3. On considre les deux matrices de Mn (K)



1 1 ... 1 a b ... b
. . . . .
1 . . . . .. b a . . ..

I= . . , A= . . .

.. . . . . . 1 .. . . . . . b
1 ... 1 1 b ... b a

1. crire A comme combinaison linaire de I et 1n .


2. Calculer Ik et Ak , pour tout entier naturel k.

1 12
   
2 1
Exercice 4. Soit M = et P = .
2 3 1 1
CHAPITRE 4. POUR SE METTRE EN APPTIT 15

1. Montrer que P1 MP est de la forme


 
0
D= .
0

2. Combien y a-t-il de chemins de longueur 2, 3 et 4 dans le graphe ci-dessous ?

  
pL x 8 q Xe

3. Comparer les rsultats avec M2 , M3 , M4 que lon calculera laide de la matrice D.


4. Dterminer, pour tout entier k > 1, le nombre de chemins de longueur k dans le graphe
suivant

..
.n
% 
px 8 Gq e
..
.n

Exercice 5. crire les matrices dadjacence des graphes suivants


CHAPITRE
5

Valeurs propres et vecteurs propres

Sommaire
1. Prliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2. Valeurs propres et espaces propres . . . . . . . . . . . . . . . . . . 5
3. Calcul des valeurs propres . . . . . . . . . . . . . . . . . . . . . . 9
4. Le cas des endomorphismes . . . . . . . . . . . . . . . . . . . . . . 11
5. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

Lobjectif de ce chapitre est de dfinir les notions de valeurs propres et vecteurs pro-
pres et de donner des mthodes permettant de dterminer ces valeurs propres, notamment
via le calcul avec le polynme caractristique.

1 Prliminaires
Nous avons vu dans le chapitre 4 que la notion de valeur propre dune matrice inter-
vient dans le dcouplage de systmes dquations. Les vecteurs propres interviennent
pour dcrire le changement de variable permettant dobtenir un systme dcoupl Nous
avons illustr cela avec les systmes dquations diffrentielles linaires et les systmes
dquations rcurrentes. Avant de dfinir les notions de valeur propre et vecteur propre
dans la section suivante, considrons un nouvel exemple dillustration avec le problme
de migration de population suivant.

5.1.1. Migration de population. On tudie la rpartition de la population entre deux


zones gographiques dun mme pays, disons entre une rgion nord et une rgion sud.
Chaque anne, un mouvement de population entre ces deux zones sopre de la faon
suivante :
- 80% de la population des rgions du nord part vivre dans les rgions du sud,

1
2 CHAPITRE 5. VALEURS PROPRES ET VECTEURS PROPRES

- 70% de la population des rgions du sud rejoint les rgions nords.


On suppose que la population totale du pays reste constante dune anne lautre, aussi
20% des habitants des rgions du nords restent dans le nord et 30% des habitants des
rgions du sud restent dans le sud. Le mouvement de population est schmatis par la
figure 5.1

F IGURE 5.1.: Mouvement de population entre deux zones gographiques

tant donn une rpartition initiale, lanne k = 0, de la population entre les deux
zones, quelle sera la rpartition de population la k-ime anne ? Est-ce quau bout dun
certain temps, toute la population va se retrouver en zone rurale ?

5.1.2. Modlisation du problme. Notons nk le nombre dhabitants des rgions du


nord la k-ime anne et sk le nombre dhabitants des rgions du sud la k-ime anne.
Lvolution des deux populations est rgie par le systme dquations couples suivant

nk+1 = 0.2nk + 0.7sk

sk+1 = 0.8nk + 0.3sk

qui scrit matriciellement sous la forme :


   
nk+1 nk
=A ,
sk+1 sk
avec  
0.2 0.7
A=
0.8 0.3
 
nk
et o le vecteur p(k) = exprime la rpartition de la population au nord et au sud
sk
 k6 =
lanne k. Par exemple, si lanne  0, on a un million dhabitants au nord et dix mille
10
habitants au sud, i.e., p(0) = , alors lanne suivante, k = 1, il y aura
104
   6 
n1 10
p(1) = =A
s1 104
 
207000
= .
803000
CHAPITRE 5. VALEURS PROPRES ET VECTEURS PROPRES 3

Pour connatre la population dans chacune des rgions la k-ime anne, on peut appliquer
la formule suivante, obtenue par rcurrence sur lentier k :
   
nk k n0
=A .
sk s0

Voici les valeurs du vecteur p(k) pour quelques valeurs de k :


     
207000 603500 405250
p(1) = , p(2) = , p(3) = ,
803000 406500 604750
     
504375 454812.5 479593.75
p(4) = , p(5) = , p(6) = , (5.1)
505625 555187.5 530406.25
     
467203.12 473398.43 471333.33
p(7) = , p(8) = , p(30) = .
542796.87 536601.56 538666.66

F IGURE 5.2.: volution de la population entre le nord et le sud les 12 premires annes

Nous allons montrer que le calcul des puissances k-ime successives de la matrice A
peut se faire laide dun simple calcul de valeurs propres de la matrice A. Cette ap-
proche permet dviter les multiplications de la matrice A par elle-mme, cette opration
tant coteuse en nombre doprations. Cette approche va nous permettre aussi de mieux
comprendre lvolution du systme, ici de lvolution de la population dans chaque zone
gographique.

5.1.3. Calcul des valeurs propres. Nous allons donner dans ce chapitre une mthode
de calcul des valeurs propres pour une matrice : les valeurs propres de la matrice A sont
les solutions de lquation suivante :

det (A 12 ) = 0.
4 CHAPITRE 5. VALEURS PROPRES ET VECTEURS PROPRES

Soit
0.2 0.7 = 2 0.5 0.5 = ( 1)( + 0.5) = 0.


0.8 0.3
La matrice A possde ainsi deux valeurs propres, = 1 et = 0.5, qui sont les racines
du polynme 2 0.5 0.5.
Si est valeur propre, comme det (A 12 ) = 0, la matrice A 12 admet un noyau
non trivial. Autrement dit, il existe des vecteurs x solutions de lquation suivante

Ax = x.

Ces vecteurs sont dans la mme direction que Ax, on les appelles vecteurs propres as-
socis la valeur propre . La valeur propre indique si les vecteurs propres sont laisss
inchangs, sils sont tirs, rduits ou encore inverss. Dans notre exemple, les vecteurs
propres associs la valeur propre = 1 reste inchangs, ils vrifient Ax = x. Ceux
associs la valeur propre = 0.5 sont rduits et inverss : Ax = 0.5x.

5.1.4. Les sous-espaces propres. Lorsque lon calcule les puissances de la matrice
A, les valeurs propres sont leves la puissance, alors que les vecteurs propres restent
inchangs. En effet, pour tout vecteur propre x associ la valeur propre 0.5, on a

A2 x = A(Ax) = 0.5Ax = (0.5)2 x,

ainsi, pour tout entier k,


Ak x = (0.5)k x.
Pour un vecteur propre x associ la valeur propre 1, on a Ak x = x, pour tout entier k.
Par suite, en dcomposant les vecteurs dans une base de vecteurs propres, on pourra
alors calculer les puissances de A simplement en calculant les puissances des valeurs
propres.
Lensemble des vecteurs propres associs la valeur propre 0.5 est dfini par

E0.5 = {x R2 | Ax = 0.5x}.
 
x1
Donc E0.5 est form des vecteurs x = dont les composantes satisfont le systme
x2
dquations suivant :
0.5x1 = 0.2x1 + 0.7x2

0.5x2 = 0.8x1 + 0.3x2
 
1
Ainsi, E0.5 est lespace vectoriel de dimension 1 engendr par le vecteur . De
1
la mme faon, on montre que lespace vectoriel form des vecteurs propres associs
la valeur propre 1, dfini par

E1 = {x R2 | Ax = x}.
 
0.875
est engendr par le vecteur . Ces deux vecteurs forment une base de R2 . En
1
CHAPITRE 5. VALEURS PROPRES ET VECTEURS PROPRES 5

 
n0
particulier, tant donn le vecteur initial , il existe deux rels uniques 1 et 2 tels
s0
que      
n0 1 0.875
= 1 + 2 .
s0 1 1
De cette quation, on dduit les deux rels 1 et 2 , on a

1646.103 1616.103
1 = et 2 = .
3 3
 
nk
On peut alors exprimer le vecteur , on a
sk
   
nk n0
= Ak
sk s0
   
k 1 k 0.875
= 1 A + 2 A
1 1
   
k 1 0.875
= 1 (0.5) + 2
1 1

Do
1646.103 1616.103
     
nk 1 0.875
= (0.5)k +
sk 3 1 3 1
On a ainsi rsolu le problme du calcul de la rpartition de la population la k-ime
anne sans avoir faire le produit de la matrice A par elle-mme k-fois. Si k tend vers
linfini, on a de faon immdiate que

1616.103 0.875
     
nk 471333, 33
lim = =
k+ sk 3 1 538666, 66

Nous retrouvons les valeurs numriques obtenues en (5.1).

2 Valeurs propres et espaces propres


5.2.1. Dfinitions. Soit A une matrice de Mn (K). Un scalaire dans K est appel
valeur propre de A, si lune des conditions quivalentes suivantes est vrifie :
i) Ker (A 1n ) 6= {0},
ii) det (A 1n ) = 0,
iii) il existe un vecteur non nul x de Kn , solution de lquation

Ax = x.

Les quivalences des assertions i), ii) sont immdiates. Lassertion iii) est une simple
reformulation de i)
6 CHAPITRE 5. VALEURS PROPRES ET VECTEURS PROPRES

Un vecteur x vrifiant lassertion iv) est appel vecteur propre de A associ la valeur
propre . Le sous ensemble de K form des valeurs propres de A est appel le spectre
sur K de la matrice A et sera not dans la suite SpK (A), ou Sp(A) sil ny a pas de
confusion possible avec le corps de base.

5.2.2. Exemple. Considrons la matrice suivante de M2 (R) :


 
0 1
A= .
1 0

Alors, on a     
0 1 1 1
= ,
1 0 1 1
 
1
ainsi le vecteur est un vecteur propre de A associ la valeur propre 1. Par ailleurs,
1
on a     
0 1 1 1
= 1 ,
1 0 1 1
 
1
le vecteur est un vecteur propre de A associ la valeur propre 1.
1

5.2.3. Sous-espaces propres.

5.1 Proposition. Soit A une matrice de Mn (K) et soit une valeur propre de A.
Lensemble des vecteurs propres associs

E = {x Kn | Ax = x}

est un sous-espace vectoriel de Kn , stable par A.

Preuve. On vrifie que lensemble E contient le vecteur nul et que si x et y sont deux
vecteurs de E , alors

A(x + y) = Ax + Ay,
= x + y,
= (x + y).

Plus simplement, on peut remarquer que E = Ker (A 1n ) est un sous-espace vecto-


riel de Kn , en tant que noyau dune matrice.
Montrons la stabilit du sous-espace E par A. Si x E , on a

A(Ax) = A( x) = Ax,

donc Ax E . 
CHAPITRE 5. VALEURS PROPRES ET VECTEURS PROPRES 7

5.2.4. Dfinition. Lespace E est appel le sous-espace propre de la matrice A asso-


ci la valeur propre .

5.2.5. Exemple. Nous avons montr que la matrice


 
0 1
A= ,
1 0

admet pour valeur propres 1 et 1. Les sous-espaces propres associs sont


   
1 1
E1 = Vect( ), E1 = Vect( ).
1 1

5.2.6. Somme de sous-espaces propres. Soit A une matrice de Mn (K) admettant


deux valeurs propres distinctes 1 et 2 . Les sous-espaces propres E1 et E2 sont alors
en somme directe. En effet, si x est un vecteur propre de A associ aux deux valeurs
propres 1 et 2 . On a
Ax = 1 x et Ax = 2 x.
Do
(1 2 )x = 0.
Comme les valeurs propres 1 et 2 sont supposes distinctes, on en dduit que x = 0.
On a donc
E1 E2 = {0}.
Cest ainsi que E1 et E2 sont en somme directe.
Plus gnralement on a :

5.2 Proposition. Soient 1 , . . . , p des valeurs propres dune matrice A de


Mn (K), distinctes deux deux. Les sous-espaces propres E1 , . . . , E p sont en
somme directe.

Preuve. On procde par rcurrence sur le nombre p de valeurs propres distinctes. Si


p = 1, il ny a rien dmontrer. Supposons que les sous-espaces E1 , . . . , E p soient en
somme directe. Daprs 1.3.3, cest quivalent

E1 E2 = {0}, (E1 +E2 )E3 = {0}, ... , (E1 +E2 + +E p1 )E p = {0}.

Pour montrer que les sous-espaces E1 , . . . , E p , E p+1 sont en somme directe, il suffit de
montrer que
(E1 + E2 + + E p ) E p+1 = {0}.
Soit x = x1 + + x p un vecteur de (E1 + E2 + + E p ) E p+1 , o xk Ek , pour
tout k J1, pK. Comme Axk = k xk , on a

Ax = 1 x1 + + p x p .
8 CHAPITRE 5. VALEURS PROPRES ET VECTEURS PROPRES

Par ailleurs, x est un vecteur propre associ p+1 , do

Ax = p+1 x = p+1 x1 + + p+1 x p .

Par suite,
0 = (1 p+1) x1 + + ( p p+1 )x p .
Les sous-espaces E1 , . . . , E p tant en somme directe, 0 = 0E + + 0E p est la seule
1
dcomposition de 0. Do, pour tout k J1, pK,

(k k+1 )xk = 0E ,
k

Comme les valeurs propres i sont deux deux distinctes, tous les vecteurs xk sont nuls,
par suite le vecteur x est nul. Ainsi, le sous-espace (E1 + E2 + + E p ) E p+1 est
trivial et les sous-espaces E1 , . . . , E p , E p+1 forment une somme directe. 

De ce rsultat, on dduit que si une matrice A de Mn (K) admet n valeurs propres


disctinctes 1 , . . . , n , alors
Kn = E1 . . . En .

5.2.7. Exemple. Considrons la matrice suivante de M2 (R)


 
1 1
A=
1 1

La matrice A est de rang 1, du thorme du rang, on dduit que son noyau Ker A, qui
est le sous-espace propre associ
 lavaleur propre 0, est de dimension 1. On remarque
 
1 1
que E0 = Vect(e1 ) avec e1 = . On remarque aussi que le vecteur e2 = est
1 1
vecteur propre de A associ la valeur propre 2, car Ae2 = 2e2 . Le sous-espace propre
E2 est de dimension 1 et engendr par le vecteur e2 . Les vecteur e1 et e2 forment une
base B de R2 , on a :
R2 = E0 E2 .
Considrons la matrice de passage de la base canonique de R2 la base B :
 
B 1 1
PC an = .
1 1

Elle admet pour inverse la matrice


 
1 1 1 1
PB
C an = .
2 1 1

On vrifie alors que  


0 0 1
= PB
C an APB
C an .
0 2
CHAPITRE 5. VALEURS PROPRES ET VECTEURS PROPRES 9

3 Calcul des valeurs propres


5.3.1. Dfinition. Le polynme caractristique dune matrice A de Mn (K) est le
polynme de K[x] dfini par
pA = det (A x1n ).

5.3.2. Exemples. Le polynme caractristique de la matrice


 
0 1
A=
1 0

est
x 1
= x2 1 = (x 1)(x + 1).

pA =
1 x
Le polynme caractristique de la matrice
 
1 1
A=
1 1

est
1x 1 = (1 x)2 1 = x(2 x).

pA =
1 1x

5.3 Proposition. Deux matrices semblables ont le mme polynme caractris-


tique.

Preuve. Soient A et B deux matrices semblables, montrons que pA = pB . Par hypothse,


il existe une matrice inversible P telle que B = P1 AP. Il dcoule de la proprit du
dterminant que :

pP1 AP = det (P1 AP x1n )


= det (P1 (A x1n )P)
= (det P)1 det (A x1n )det P.

Ainsi pA = pB . 

Par dfinition, un scalaire est valeur propre dune matrice A si le dterminant de la


matrice A 1n est nul. On a donc

5.4 Proposition. Un scalaire est valeur propre dune matrice A si, et seulement
si, est racine de son polynme caractristique pA .
10 CHAPITRE 5. VALEURS PROPRES ET VECTEURS PROPRES

5.3.3. Exemple. Le polynme caractristique dune matrice de Mn (K) peut ne pas


avoir de racines dans le corps K. Par exemple, le polynme caractristique de la matrice
 
0 1
A=
1 0

est pA = x2 + 1, qui na pas de racines relles, par suite SpR (A) = 0.


/ Dans le chapitre
suivant, nous verrons qualors la matrice A nest pas diagonalisable dans M2 (R), mais
est diagonalisable dans M2 (C). En effet, on a SpC (A) = {i, i} et les sous-espaces
propres de A dans C2 sont
   
i i
Ei = Vect( ) et Ei = Vect( ).
1 1

5.3.4. Exemple. Lexemple prcdent correspond la matrice de la rotation du plan


vectoriel R2 dangle /2. Plus gnralement, considrons la matrice de la rotation dan-
gle
6= 0 mod () reprsente dans la base canonique
 
cos sin
R = .
sin cos

Le polynme caractristique pR = x2 2 cos x + 1 est de discriminant 4 sin2 non


nul, car 6= 0 mod (). Il ne possde donc pas de racine relle, donc la matrice R
ne possde pas de valeur propre relle. Gomtriquement, cela sinterprte en disant
quil nexiste pas de droite globalement invariante par la rotation dangle , lorsque
6= 0 mod ().
Si lon se place sur le corps C, i.e., on regarde la matrice R comme une matrice de
M2 (C). Alors, le polynme pR se factorise dans C[x] sous la forme

pR = (x ei )(x ei ).

Dans C, la matrcie R admet 2 valeurs propres :

SpC (R ) = {ei , ei }.

5.5 Proposition. Soit une matrice de Mn (K)


 
A B
M=
0 C

dfinie par blocs, o les blocs A et C sont carrs. Alors les polynme caractristiques
de A et C divisent le polynme caractristique de M.
CHAPITRE 5. VALEURS PROPRES ET VECTEURS PROPRES 11

Preuve. Si A M p (K), on a

pM = det (M x1n )
 
A x1 p B
= det ,
0 C x1np
= det (A x1 p )det (C x1np )
= pA pC .

Ainsi, les polynmes pA et pC divisent pM . 

4 Le cas des endomorphismes


Soit E un K-espace vectoriel de dimension finie n. Le K-espace vectoriel L (E) form
des endomorphismes de E est isomorphe au K-espace vectoriel Mn (K). tant donne
une base B de E, un isomorphisme est donn par lapplication

: L (E) Mn (K)
u 7 [u]B .

Par suite, les notions de valeur propre et de vecteur propre se dfinissent pour les
endomorphismes de la mme faon que pour les matrices.

5.4.1. Valeurs propres et vecteurs propres dendomorphismes. Soit u un endo-


morphisme de E.
Un scalaire dans K est appel valeur propre de u si lune des conditions quivalentes
suivantes est vrifie :
i) lapplication u idE est non injective,
ii) Ker (u idE ) 6= {0},
iii) det (u idE ) = 0,
iv) il existe un vecteur non nul x de E tel que u(x) = x.
v) est valeur propre de la matrice [u]B de u, exprim dans une base B de E.

Les quivalences des assertions i), ii) et iii) sont donnes par la proposition 1.10.
Lassertion iv) est une simple reformulation de ii). Pour tout base B de E, est valeur
propre de la matrice [u]B si, et seulement si, est valeur propre de lendomorphisme
u. En effet, si [u]B x = x, alors si e
x dsigne le vecteur de E tel que x = [e
x]B , on a
x) = e
u(e x. Ce qui montre lquivalence de iv) avec v).
Un vecteur x vrifiant lassertion iv) est appel vecteur propre de u associ la valeur
propre . Lensemble des valeurs propres de u est appel le spectre de u et sera not
dans la suite SpK (u), ou Sp(u) sil ny a pas de confusion possible avec le corps de base.
12 CHAPITRE 5. VALEURS PROPRES ET VECTEURS PROPRES

5.4.2. Exemple. Soit u lendomorphisme de R2 dfini par

u : R2 R2
   
x y
7 .
y x

Alors la matrice u dans la base canonique de R2 est


 
0 1
[u]C an = .
1 0

Les valeurs propres de lendomorphime u sont les valeurs propres de la matrices [u]C an ,
soit Sp(u) = {1, 1}.

5.4.3. Polynme caractristique dun endomorphisme. Daprs la proposition 5.3,


deux matrices semblables admettent le mme polynme caractristique. Par suite, pour
un endomorphisme u de E, le polynme caractristique de la matrice [u]B est indpen-
dant de la base B. Autrement dit, si B 0 est une autre base de E, les polynmes carac-
tristiques des matrices [u]B et [u]B0 sont gaux.
On appele polynme caractristique de u, not pu , le polynme caractristique dune
matrice de u exprim dans une base de E.
On a lanalogue de la proposition 5.4. Par dfinition, un scalaire est valeur propre
de u si det (u idE ) = 0. Par suite, on a

5.6 Proposition. Un scalaire est valeur propre dun endomorphisme u si, et


seulement si, est racine de son polynme caractristique pu .

Le rsultat suivant relie le polynme caractristique de la restriction dun endomor-


phisme un sous-espace stable au polynme caractristique de lendomorphisme.

5.7 Proposition. Soient F un sous-espace vectoriel non nul de E stable par u et


u|F la restriction de u F. Alors le polynme pu|F divise le polynme pu .

Preuve. Le sous-espace F est stable par u, donc la restriction u|F de u F est un endo-
morphisme de F. Considrons une base B 0 = (e1 , . . . , e p ) de F. On la complte en une
base B = (e1 , . . . , en ) de E. La matrice de lendomorphisme u, exprime dans la base
B, se dcompose par blocs de la faon suivante :
 
[u|F ]B0 B
[u]B =
0 C

par suite, daprs la proposition 5.5, le polynme pu|F divise le polynme pu . 


CHAPITRE 5. VALEURS PROPRES ET VECTEURS PROPRES 13

5 Exercices

Exercice 1. Dterminer les valeurs propres et espaces propres des matrices suivantes
de M3 (R) :

0 0 0 0 0 1 0 1 1
a) 0 0 0 , b) 0 0 0 , c) 0 0 1 ,
0 0 0 0 0 0 0 0 0

0 1 1 1 1 1 1 1 1
d) 0 1 1 , e) 0 0 1 , f) 0 1 1 ,
0 0 0 0 0 1 0 0 1

1 1 1 1 1 1
g) 1 1 1 , h) 1 1 1 .
0 1 1 1 1 1
Exercice 2. Dterminer les valeurs propres et vecteurs propres des matrices suivantes

  2 16 8 3 2 5
10 7
A= B= 4 14 8 C= 0 1 4
14 11
8 32 18 0 1 5

0 6 3 3 0 0
D = 1 5 1 E= 0 3 0
1 2 4 0 0 3
 
A C
Exercice 3. Soit T = une matrice dfinie par blocs, o les matrices A et B
0 B
sont carres. Montrer que

Spec(T) = Spec(A) Spec(B).

Exercice 4. Construire des exemples de matrices A et B de M2 (K) telles que


1. valeur propre de A et valeur propre de B nimplique pas + valeur propre de
A + B.
2. valeur propre de A et valeur propre de B nimplique pas valeur propre de
AB.

Exercice 5. Soit A une matrice de Mn (K) et soient une valeur propre de A et x un


vecteur propre associ la valeur propre .
1. Montrer que k est une valeur propre de Ak et x est aussi vecteur propre pour la valeur
propre k .
14 CHAPITRE 5. VALEURS PROPRES ET VECTEURS PROPRES

2. Soit q(x) = a0 + a1 x + . . . ak xk un polynme de K[x]. Montrer que q( ) est une valeur


propre de la matrice suivante

q(A) = a0 1n + a1 A + a2 A2 + . . . + ak Ak

et que x est un vecteur propre associ.

Exercice 6. Montrer que la trace dune matrice nilpotente de Mn (K) est nulle.

Exercice 7. Soient x1 , . . . , xk des vecteurs propres dune matrice A de Mn (K), asso-


cies une mme valeur propre . Montrer que toute combinaison linaire non nulle
des vecteurs x1 , . . . , xk est un vecteur propre de A associ la valeur propre .

Exercice 8. Soit A une matrice de Mn (K) de spectre spec(A) = {1 , . . . , p }. On


considre une valeur propre k de A et un vecteur propre x associ.
1. Soit un scalaire qui nest pas valeur propre de A. Montrer que
1
(A 1n )1 x = x.
k

2. Soit y un vecteur de Kn , montrer que les valeurs propres de A + xy> concident avec
celles de A sauf pour la valeur propre k qui est remplace par k + y> x.
3. Soit un scalaire. Comment construire un vecteur y afin que les valeurs propres de
A + xy> et A concident sauf pour la valeur propre k qui est remplace par .

Exercice 9. Soient A Mm,n (K) et B Mn,m (K) deux matrices.


1. Montrer que pour tout scalaire ,

m det ( 1n BA) = n det ( 1m AB).

2. Montrer que si m = n, alors les matrices AB et BA ont le mme polynme caractris-


tique.
3. On suppose que m 6= n. Montrer que les polynmes caractristiques de AB et BA ne
peuvent pas tre gaux. Que peut-on dire des spectres de AB et BA ?

Exercice 10. Soient A Mn (K) et B Mn (K) deux matrices. Montrer que si AB =


BA, alors A et B ont un vecteur propre commun.

Exercice 11. Soient P Mm (K) et Q Mn (K) deux matrices fixes. Soit

u : Mm,n (K) Mm,n (K)

une application dfinie par


u(A) = PAQ.
1. Montrer que u est linaire.
2. Montrer que trace (u) = trace (P)trace (Q).
CHAPITRE 5. VALEURS PROPRES ET VECTEURS PROPRES 15

Exercice (Sage) 12. Sage propose plusieurs mthodes sur les matrices permettant de
calculer par exemple le polynme caractristique dune matrice charpoly(), son polynme
minimal minpoly(), ses valeurs propres eigenvalues(), une liste de vecteurs propres
eigenvalues_right(). On pourra regarder laide en ligne de ces mthodes qui fournit
quantit dexemples dutilisation.
Calculer les valeurs propres de la matrice suivante :

a b b b
b a b b

b b a b
b b b a

Exercice (Sage) 13. On considre les trois matrices relles suivantes



a 1 1 1
1 b 1 1 1 a d a 2 1
A= b e 1 , C = 2 b 1 .
1 1 c 1 , B =

c 1 f 1 1 c
d 1 1 d

1
2
1. Dterminer les quadruplets (a, b, c, d) R4 , pour lesquels la matrice A admet 2

1
pour vecteur propre. On pourra utiliser la fonction solve.
1 1
2. Dterminer les rels a, b, c, d, e, f , pour lesquels la matrice B admet 1 , 0 ,
1 1
1
1 pour vecteurs propres.
0
3. Dterminer les triplets (a, b, c) R3 , pour lesquels la matrice C admet 1, a et b
comme valeurs propres.

Exercice (Sage) 14. Dterminer lexpression gnrale du polynme minimal dune


matrice antisymtrique de taille 33 puis dune matrice antisymtrique de taille 44.
CHAPITRE
6

Trigonalisation et diagonalisation

Sommaire
1. Trigonalisation des matrices . . . . . . . . . . . . . . . . . . . . . 1
2. Diagonalisation des matrices . . . . . . . . . . . . . . . . . . . . . 9
3. Une obstruction au caractre diagonalisable . . . . . . . . . . . . 12
4. Caractrisation des matrices diagonalisables . . . . . . . . . . . . 15
5. Matrices diagonalisables : premires applications . . . . . . . . . 17
6. Trigonalisation et diagonalisation des endomorphismes . . . . . . 20
7. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

Nous abordons dans ce chapitre les problmes de trigonalisation et diagonalisation


des matrices. Nous montrons que toute matrice coefficients complexes est trigonalis-
able, cest--dire semblable une matrice triangulaire suprieure. On prsente quelques
consquences thoriques importantes de ce rsultat.
Le problme de la diagonalisation est plus pineux. Une matrice nest pas en gnral
diagonalisable, cest--dire semblable une matrice diagonale. Dans ce chapitre, on sin-
tressera aux obstructions au caractre diagonalisable. En particulier, nous donnerons
une caractrisation de nature gomtrique des matrices diagonalisables.
Nous prsentons deux applications immdiates de la diagonalisation des matrices avec
le calcul des puissances dune matrice diagonalisable et la rsolution des systmes dif-
frentiels linaires dfinis par une matrice diagonalisable. Nous reviendrons sur ces deux
applications dans les prochains chapitres, notamment dans le cas o ils mettent en jeu
des matrices non diagonalisables.

1 Trigonalisation des matrices

1
2 CHAPITRE 6. TRIGONALISATION ET DIAGONALISATION

6.1.1. Dfinition. Une matrice A de Mn (K) est dite trigonalisable dans Mn (K), si A
est semblable une matrice triangulaire suprieure de Mn (K). Cest--dire, sil existe
une matrice inversible P de Mn (K) et une matrice triangulaire suprieure T coeffi-
cients dans K telles que
A = PTP1 . (6.1)

On notera que toute matrice triangulaire suprieure tant semblable une matrice
triangulaire infrieure, une matrice est trigonalisable dans Mn (K) si, et seulement si,
elle est semblable une matrice triangulaire infrieure.

Exercice 1. Soit A une matrice de Mn (K) et soit une valeur propre de A. Montrer
que la matrice A est semblable une matrice de la forme



0
.
.. B
0

6.1.2. Caractrisation des matrices trigonalisables. Le rsultat suivant fournit une


caractrisation des matrices trigonalisables.

6.1 Thorme (Thorme de trigonalisation). Une matrice A de Mn (K) est


trigonalisable dans Mn (K) si, et seulement si, son polynme caractristique pA est
scind sur K.

Ce thorme est une consquence du thorme de trigonalisation de Schur que nous


dmontrerons dans la deuxime partie de cours : Analyse matricielle et algbre linaire
applique II. Dans lattente, voici une preuve directe du thorme 6.1.

Preuve. La condition est ncessaire. Si A est une matrice trigonalisable, par dfinition,
elle est semblable une matrice triangulaire suprieure :

1
. .
0 2 . . ..

T= . .
.. .. ...

0 0 n

Le polynme caractristique de la matrice T est scind :

pT = (1)n (x 1 ) . . . (x n ).

Daprs la proposition 5.3, deux matrices semblables ont mme polynme caractris-
tique. Ainsi, pA = pT et par suite le polynme caractristique de A est scind sur K.
CHAPITRE 6. TRIGONALISATION ET DIAGONALISATION 3

La condition est suffisante. On procde par rcurrence sur n. Toute matrice de M1 (K)
est trigonalisable. On suppose que tout matrice de Mn1 (K), dont le polynme carac-
tristique est scind, est trigonalisable, montrons que cela est vrai pour toute matrice de
Mn (K).

Soit A Mn (K), telle que le polynme pA soit scind sur K. Le polynme pA admet
donc au moins une racine dans K. Considrons un vecteur propre e dans Kn associ
la valeur propre . Compltons le vecteur e en une base B = (e, e2 , . . . , en ) de Kn . Soit
uA lendomorphisme de Kn associ la matrice A, i.e., lendomorphisme dfini, pour
tout vecteur x de Kn , par uA (x) = Ax. On a

uA (e) = Ae = e,

par suite, la matrice de lendomorphisme uA exprim dans la base B est



0
[uA ]B = .
..
,
B
0

o B est une matrice de Mn1 (K). La matrice A tant semblable la matrice [uA ]B , il
existe une matrice inversible P de Mn (C), telle que



0
P1 AP =

. .
.. B
0

De plus, daprs 5.5, le polynme caractristique du bloc B divise le polynme carac-


tristique de la matrice A, il est donc scind comme ce dernier. Par hypothse de rcur-
rence, la matrice B est semblable une matrice triangulaire suprieure, il existe une
matrice inversible Q dans Mn1 (K), telle que T0 = Q1 BQ soit triangulaire suprieure.
En multipliant par blocs, on a :
1
1 0 0 1 0 0

0 0 0
P1 AP

. .. = .
.. Q . Q .. Q1 BQ
0 0 0


0
= .
..
.
T0
0
4 CHAPITRE 6. TRIGONALISATION ET DIAGONALISATION

En posant
1 0 0

0
R = P .
..
,
Q
0
la dernire galit scrit

1 0 0

0
R1 AR =

. .
.. Q
0

Ainsi, A est semblable une triangulaire suprieure. 

6.1.3. Trigonalisation sur C. Voici une premire consquence importante du thorme


de trigonalisation. Daprs le thorme de DAlembert-Gauss, thorme 0.5, tout polynme
non nul de C[x] est scind sur C. Par suite, on a

6.2 Proposition. Toute matrice A de Mn (C) est trigonalisable dans Mn (C).

Notons que toute matrice A de Mn (R) peut toujours se trigonaliser dans Mn (C).
En effet, si le polynme caratristique de A est scind sur R, A est trigonalisable dans
Mn (R). Sinon, le polynme pA est toujours scind dans Mn (C). Il existe alors une
matrice inversible P et une matrice triangulaire T de Mn (C) telles que A = PTP1 .

6.1.4. Exemple. La matrice suivante de M4 (R)



0 1 1 1
1 0 1 1
A=
0 0 0 1
0 0 1 0

admet pour polynme caractristique

pA = (x2 + 1)2 .

Ce polynme nest pas scind dans R[x], la matrice A nest donc pas trigonalisable dans
M4 (R). Cependant, il est scind dans C[x] :

pA = (x i)2 (x + i)2 .
CHAPITRE 6. TRIGONALISATION ET DIAGONALISATION 5

La matrice est trigonalisable. Posons



1 1 1 0
i 0 i i
P=
0
.
1 0 1
0 i 0 i

Le premier et troisime vecteur colonne de la matrice P sont des vecteurs propres as-
socis aux valeurs propres i et i respectivement. Les deux autres vecteurs colonnes
compltent ces vecteurs en une base de trigonalisation. On a

i 1 0 0
0 i 0 0 1
A = P 0 0 i 1 P ,

0 0 0 i
avec
1 i 1 0
1 0 0 1 i
P1 = .
2 1 i 0 i
0 0 1 i

6.1.5. Somme et produit des valeurs propres. Le thorme de trigonalisation nous


permet de relier des invariants dune matrice, tels que sa trace et son dterminant, ses
valeurs propres.
Si une matrice A est trigonalisable, semblable une matrice triangulaire suprieure
T, alors les valeurs propres de A tant les racines du polynme pA , sont aussi les coeffi-
cients de la diagonale de la matrice T.
tant donne une matrice A de Mn (C), alors son polynme caractristique est scind
sur C :
pA = (1)n (x 1 ) . . . (x n ).
La matrice A est semblable une matrice triangulaire T, i.e., il existe une matrice in-
versible P telle que
1
. .
0 2 . . ..

1
P AP = . .
.. .. ...

0 0 n
tant semblables, les matrices A et T ont mme trace et mme dterminant, on en
dduit que la trace (resp. le dterminant) de A est gale la somme (resp. le produit) des
valeurs propres, comptes avec leur ordre de multiplicit. Prcisment, on a

6.3 Proposition. Soit A une matrice de Mn (C) de polynme caractristique

pA = (1)n (x 1 )n1 . . . (x p )n p ,
6 CHAPITRE 6. TRIGONALISATION ET DIAGONALISATION

o ni dsigne lordre de multiplicit de la valeur propre i dans le polynme carac-


tristique. Alors,
i) trace (A) = n1 1 + . . . + n p p ,
n
ii) det (A) = 1n1 . . . p p .
Plus gnralement, pour tout entier k > 1, on a
iii) trace (Ak ) = n1 1k + . . . + n p pk ,
k.n p
iv) det (Ak ) = 1k.n1 . . . p .

6.1.6. Exemples. Dans lexemple 5.3.3, on a montr que la matrice


 
0 1
A= ,
1 0

possde deux valeurs propres i et i ; la somme de ces valeurs propres est gale la
trace de A et leur produit est le dterminant de A.
Dans lexemple 5.3.4, on a montr que le spectre de la matrice de la rotation du plan
vectoriel  
cos sin
R = .
sin cos
est
SpC (R ) = {ei , ei }.
La proposition prcdente, nous permet de retrouver les relations trigonomtriques bien
connues :
trace R = 2 cos = ei + ei ,
det R = 1 = ei ei .

Exercice 2. Montrer quune matrice de Mn (R) est inversible si, et seulement si, elle
nadmet pas de valeur propre nulle.

6.1.7. Exemple. Dans lexemple 6.3.3, nous avons montr que la matrice

0 01

... ..
..
..
A=
0 0 1
1 1 1

admet pour valeur propre 0, dordre de multiplicit gomtrique n 2, par suite le


polynme caractristique scrit sous la forme

pA = (1)n xn2 (x2 + x + ).


CHAPITRE 6. TRIGONALISATION ET DIAGONALISATION 7

Dterminons les autres valeurs propres de A. Supposons que

pA = (1)n xn2 (x 1 )(x 2 ).

Daprs la proposition 6.3, 1 et 2 satisfont les relations



trace A = 1 + 2

trace A2 = 2 + 2
1 2

avec
1 1 1

... ..
..
.
. .
A2 =
1 1 1
1 1 n
Ainsi, trace A = 1 et trace A2 = 2n 1, par suite, 1 et 2 satisfont les deux relations

1 + 2 = 1
2
+ 2 = 2n 1
1 2

Comme (1 + 2 )2 = 12 + 22 + 21 2 , le systme prcdent se rduit



1 + 2 = 1

1 2 = 1 n

Donc 1 et 2 sont solutions de lquation

2 + (1 n) = 0.

Do
1 + 4n 3 1 4n 3
1 = , 2 = .
2 2
Le spectre de A est donc
 
1 4n 3 1 + 4n 3
Sp(A) = 0, , .
2 2

Les sous-espaces propres sont dfinis par

1 0 0

1 1 ...
1

E0 = Vect( 0 , , ... , 1 ),
.. ..
1

. .
0 0 0
8 CHAPITRE 6. TRIGONALISATION ET DIAGONALISATION

1 1


... ...
1 ),
E1 = Vect(
1 ).
E2 = Vect(

1 2
Pour ces deux derniers, on calcule en effet

1

i
... ..
.
1 =
A ,
i
i i + n 1

avec i2 = i + n 1, pour i = 1, 2.

Exercice 3. Dterminer les valeurs propres et sous-espaces propres des matrices suiv-
antes de Mn (R) :

1 1 1 1 0 0 1 1 1

1 0 0 ... ..
.
..
. , 0 0 1
A=
... .. .. , B= C=
... .. ..
. . 1 0 0 . .
1 0 0 1 1 1 0 0 1

1 1 1 1

1 0 0 1

D= .... .. ..
,
. . 0 . .
1 0 0 1
1 1 1 1

6.1.8. Exemple. Soit A la matrice de Mn (R) dfinie par



n 1 1
. .
1 n . . ..

A= .

.. ... ...
. 1
1 1 n

On remarque que
1 1

A (n 1)1n = ... .. .
.
1 1
On a donc rang (A (n 1)1n ) = 1. Daprs le la formule du rang, thorme 1.9, on a
dim En1 = n 1. Donc n 1 est valeur propre de A, avec multalg (n 1) > n 1. Pour
dterminer lautre ventuelle valeur propre , on calcule

trace A = n2 = + (n 1)(n 1).


CHAPITRE 6. TRIGONALISATION ET DIAGONALISATION 9

Par suite = 2n 1. On a donc multalg (2n 1) > 1. On en dduit donc que multalg (n
1) = multgeo (n 1) = n 1 et que multalg (2n 1) = multgeo (2n 1) = 1.
Dans cet exemple, on a
Kn = En1 E2n1 ,
on dit dans ce cas que la matrice A est diagonalisable.

2 Diagonalisation des matrices


6.2.1. Matrices diagonalisables. Une matrice A de Mn (K) est dite diagonalisable
dans Mn (K), si elle est semblable une matrice diagonale de Mn (K). Cest--dire, sil
existe une matrice inversible P de Mn (K) et une matrice diagonale D coefficients dans
K telles que
A = PDP1 . (6.2)
Exercice 4. Montrer que la matrice suivante
 
1 1
A=
1 1

est diagonalisable dans M2 (R).

Exercice 5. Soit A la matrice dfinie par blocs :


 
B 0
A= ,
0 C

o B et C sont deux matrices carrs de Mn1 (K) et Mn2 (K) respectivement. Montrer que
si B et C sont diagonalisables, alors A est diagonalisable.

6.2.2. Matrices diagonalisables et vecteurs propres. Les matrices A et D de la


dcomposition (6.2) tant semblables, daprs la proposition 5.3, elles ont le mme
polynme caractristique. Il sensuit que la diagonale de la matrice D est forme des
valeurs propres de A.

6.4 Proposition. Une matrice A de Mn (K) est diagonalisable si, et seulement si,
il existe une base de Kn forme de vecteurs propres de A.

Preuve. Supposons quil existe une base (x1 , . . . , xn ) de E compose de vecteurs propres
de A. Considrons la matrice P dont les colonnes sont formes par les lments de cette
base : . .
.. .. ..
.
P = x1 x2 xn .

.. .. ..
. . .
10 CHAPITRE 6. TRIGONALISATION ET DIAGONALISATION

Comme les vecteurs x1 , . . . , xn forment une base de Kn , la matrice P est inversible et on


a
. .. ..
.. . .
AP = Ax1 Ax2 Axn

.. .. ..
. . .
. .. ..
.. . .
= 1 x1 2 x2 n xn

.. .. ..
. . .

. . .. 1 0 0
.. .. . . .
0 2 . . ..
= x1 x2 xn . .

.. .. .. ... 0

.. ..
. . .
0 0 n

Ainsi
1 0 0
... ..
0 .

2
AP = P . (6.3)

.. ... ...
. 0
0 0 n
Par suite, la matrice A est diagonalisable.
Inversement, si A est diagonalisable, il existe une matrice inversible P telle que P
satisfait (6.3). Pour les mmes raisons, les vecteurs colonnes de P forment une base de
vecteurs propres de Kn . 

6.2.3. Une condition suffisante de diagonalisation. Toutes les matrices ne sont pas
diagonalisables, nous lavons vu en particulier avec lexemple 5.3.4 des rotations. La
matrice R qui reprsente la rotation dangle du plan vectoriel R2 nest pas diagonal-
isable sur R si 6= 0 modulo , car alors R ne possde pas de valeur propre relle.
Cet exemple illustre le caractre non diagonalisable dune matrice dans M2 (R), car
elle nadmet pas de valeur propre relle. La matrice suivante
 
0 1
A=
0 0

admet 0 comme valeur propre et nest pas diagonalisable dans M2 (R). En effet, si elle
tait diagonalisable, alors son unique valeur propre tant 0, car son polynme caractris-
tique est pA = x2 , la matrice A serait semblable une matrice nulle. Or toute matrice
semblable une matrice nulle est nulle. Ceci ntant pas le cas de A la matrice A nest
pas diagonalisable.

Exercice 6. Les matrices suivantes sont-elles diagonalisables dans M2 (R)


       
1 1 1 0 1 1 1 2
, , , ?
0 1 1 1 1 1 2 1
CHAPITRE 6. TRIGONALISATION ET DIAGONALISATION 11

6.5 Proposition (Condition suffisante de diagonalisation). Soit A une matrice


de Mn (K). Si le polynme caractristique de A est scind sur K et possde toutes
ses racines simples, alors A est diagonalisable dans Mn (K).

Preuve. Supposons que le polynme caractristique pA soit scind racines simples :

pA = (1)n (x 1 ) . . . (x n ),

avec i 6= j , si i 6= j. Pour tout i J1, nK, i tant valeur propre de A, il existe un vecteur
propre xi de A associ. Daprs la proposition 5.2, les sous-espaces propres de A formant
une somme directe, la famille (x1 , . . . , xn ) est libre. Elle possde n lments, cest donc
une base de Kn . 

On en dduit le rsultat suivant :

6.6 Corollaire. Toute matrice de Mn (K) qui admet n valeurs propres distinctes est
diagonalisable.

6.2.4. Remarques. Attention, la rciproque du corollaire 6.6 est fausse en gnral.


Par exemple, la matrice
2 1 1
A= 1 2 1
1 1 2
est diagonalisable, alors quelle nadmet que deux valeurs propres distinctes, son spectre
est Sp(A) = {1, 4}.
De la mme faon, la proposition 6.5 est une condition suffisante de diagonalisation,
mais elle nest pas ncessaire. Par exemple, la matrice identit 1n est diagonalisable,
son polynme caractristique est p1n = (1)n (x 1)n ; son unique valeur propre 1 est
dordre de multiplicit n.

6.2.5. Exemple. On considre la matrice relle

a bc2
 
A= ,
b a

avec b, c non nul. Le polynme caractristique de A est

pA = (a x)2 b2 c2 = ((a bc) x)((a + bc) x).

Par suite 1 = a bc et 2 = a + bc sont deux valeurs propres, distinctes par hypothses


sur b et c. On en dduit que A est diagonalisable.
12 CHAPITRE 6. TRIGONALISATION ET DIAGONALISATION

 
x
Dterminons les sous-espaces propres E1 et E2 . On a E1 si, et seulement si,
y
   
x x
A = 1 .
y y

Autrement dit, x et y satisfont



ax + bc2 y = ax bcx
bx + ay = ay bcy ,

Donc x = cy. On dduit que


 
c
E1 = Vect .
1

De la mme faon, on montre que


 
c
E2 = Vect .
1

On a donc
1 
a bc2
    
a bc 0 c c c c
= .
0 a + bc 1 1 b a 1 1

6.2.6. Exemple. Une autre illustration du caractre non ncessaire de la condition de


la proposition 6.5 est donne par la matrice suivante :

0 1 1
G= 1 0 1
1 1 0

vue dans lexemple 4.4.3. Nous avons montr que G est diagonalisable, semblable la
matrice
1 0 0
0 1 0 ,
0 0 2
alors que son polynme caractristique pG = (x + 1)2 (2 x) nest pas racines simples.

3 Une obstruction au caractre diagonalisable


Dans cette partie, nous prsentons une caractrisation de nature gomtrique des ma-
trices diagonalisables. Nous verrons dans le chapitre suivant une caractrisation algbrique
de la diagonalisation avec le polynme minimal.

Daprs la proposition 5.2, les sous-espaces propres dune matrice A sont en somme
CHAPITRE 6. TRIGONALISATION ET DIAGONALISATION 13

directe. Il est possible que cette somme ne remplisse pas lespace Kn tout entier, i.e.,
que la somme directe E1 E p soit un sous-espace vectoriel strict de Kn . Cest en
particulier le cas lorsque lon a dim E1 + + dim E p < n. Lobjectif de cette section
est de montrer que ceci constitue une obstruction la diagonalisation de A.

6.3.1. Exemple. Considrons la matrice de M3 (R) suivante



2 1 0
A = 0 2 0 .
0 0 3

On calcule son polynme caractristique pA = (x 2)2 (x 3) et, par ailleurs, on a



1 1 0 0 1 0
A 313 = 0 1 0 , A 213 = 0 0 0 .
0 0 0 0 0 1

Il est immdiat que


rang (A 313 ) = rang (A 213 ) = 2.
Daprs la formule du rang, thorme 1.9, on en dduit que dim E3 = 1 et dim E2 = 1.
Ainsi, la matrice A nest pas diagonalisable, car la somme directe de tous les sous-
espaces propres E2 E3 est de dimension 2. Il ne peut donc pas exister de base de
R3 forme de vecteurs propres de A. (Nous verrons dans un prochain chapitre, que la
matrice A est prsente ici sous une forme canonique, dite de Jordan, et que son caractre
non diagonalisable est vident.)

6.3.2. Multiplicit des valeurs propres. Soient A une matrice de Mn (K) et une
valeur propre de A. Lordre de multiplicit de en tant que racine du polynme pA est
appel multiplicit algbrique de , on la note multA alg ( ), ou multalg ( ) sil ny a pas
de confusion possible.
La dimension du sous-espace propre E est appel la multiplicit gomtrique de ,
on la note multA
geo ( ), ou multgeo ( ) sil ny a pas de confusion possible. Autrement dit

multA
geo ( ) = dim(Ker (A 1n )).

6.7 Proposition. Soit A une matrice de Mn (C). Pour toute valeur propre de A,
on a
multgeo ( ) 6 multalg ( ).

Preuve. Soit une racine de pA dordre de multiplicit h. Daprs le thorme de trig-


onalisation 6.1, la matrice A est semblable une matrice triangulaire suprieure T de
Mn (C) :  
T1 B
T= ,
0 T2
14 CHAPITRE 6. TRIGONALISATION ET DIAGONALISATION

o T1 est une matrice triangulaire suprieure de Mh (C) dont tous les coefficients diag-
onaux sont gaux et o la matrice T2 est triangulaire suprieure nademettant pas le
coefficient sur sa diagonale. On a
 
T 1 1h B
rang (A 1n ) = rang
0 T2 1nh

Par suite, on a
rang (A 1n ) > rang (T2 1nh ) = n h.
La dernire galit provient du fait que T2 1nh est inversible, car nest pas sur la
diagonale de T2 , elle est donc de dterminant non nul.

On en dduit que
h = multalg ( ) > n rang (A 1n ).
Or, daprs le thorme du rang, on a n = rang (A 1n ) + multgeo ( ). Ainsi

multgeo ( ) 6 multalg ( ).

6.3.3. Exemple. Considrons la matrice de Mn (R), avec n > 3, suivante

0 01

... ..
..
..
A=
0 0 1
1 1 1

La matrice A est de rang 2, par consquence, par la formule du rang, thorme 1.9,
la dimension du sous-espace propre E0 = Ker A est dim E0 = n 2. Ainsi, daprs la
proposition 6.7, la multiplicit algbrique de la valeur propre 0 satisfait

n 2 6 multalg (0).

Le polynme caractristique de A se factorise sous la forme

pA = (1)n xn2 (x2 + x + )

o et sont deux rels. Nous avons vu en 6.1.7 que le calcul des traces des matrices
A et A2 permet de dterminer les deux rels et ; on obtient ainsi toutes les valeurs
propres de la matrice A.
CHAPITRE 6. TRIGONALISATION ET DIAGONALISATION 15

4 Caractrisation des matrices diagonalisables

6.8 Thorme (Caractrisation des matrices diagonalisables). Soit A une ma-


trice de Mn (K). Les assertions suivantes sont quivalentes :
i) A est diagonalisable dans Mn (K),
ii) le polynme pA est scind sur K et, pour toute valeur propre de A,

multgeo ( ) = multalg ( ),

iii) il existe des valeurs propres 1 , . . . , p de A, telles que

Kn = E1 E p .

Preuve. Montrons que i) implique ii). Supposons que A soit diagonalisable. Alors A est
semblable une matrice diagonale dont la diagonale est forme des valeurs propres de
A. Notons 1 , . . . , p ces valeurs propres. On a

pA = (1)n (x 1 )n1 . . . (x p )n p ,

o ni = multalg (i ) est la multiplicit algbrique de la valeur propre i , cest--dire, le


nombre de fois que i apparat sur la diagonale.
Montrons que pour tout i J1, pK, multalg (i ) = multgeo (i ). Daprs la proposition
6.4, il existe une base B de Kn forme de vecteurs propres de A. Il existe ni vecteurs de
la base B vrifiant u(x) = i x, cest--dire, ni vecteurs linairement indpendants dans
le sous-espace propre Ei . Par suite,

multalg (i ) = ni 6 dim Ei = multgeo (i ).

Or, daprs la proposition 6.7, on a multgeo (i ) 6 multalg (i ). On obtient ainsi lgalit


multgeo (i ) = multalg (i ).

Montrons que ii) implique iii). Soit A une matrice dont le polynme caractristique
est scind, soit
pA = (1)n (x 1 )n1 (x 2 )n2 . . . (x p )n p ,
et tel que pour tout i,
ni = multalg (i ) = multgeo (i ).
Daprs la proposition 5.2, les sous-espaces propres sont en somme directe. Soit F le
sous-espace de Kn dfini par

F = E1 E2 . . . E p .
16 CHAPITRE 6. TRIGONALISATION ET DIAGONALISATION

On a

dim F = dim E1 + . . . + dim E p


= n1 + . . . + n p
= deg (pA ) = n.

Ainsi le sous-espace F de Kn est de dimension n, par suite F = Kn . Ce qui montre


lassertion iii).

Montrons que iii) implique i). Supposons que A admette des valeurs propres 1 , . . . ,
p telles que
Kn = E1 E p .
Considrons, pour tout i J1, pK, Bi une base de Ei , alors B = B1 B p forme
une base de vecteurs propres de Kn . De la proposition 6.4, on dduit alors que A est
diagonalisable. 

6.4.1. Remarque. On peut rsumer ce rsultat, en disant quune matrice A est diago-
nalisable si, et seulement si, son polynme caractristique scrit

pA = (1)n (x 1 )multgeo (1 ) . . . (x p )multgeo ( p ) ,

avec i K.
En particulier, on retrouve la proposition 6.5. Si A nadmet que des racines simples,
alors, pour tout i,
1 6 multgeo (i ) 6 multalg (i ) = 1.
Par suite, multgeo (i ) = multalg (i ) = 1 et A est diagonalisable.

6.4.2. Exemple. Nous avons vu dans lexemple 5.3.4 que la matrice R de la rotation
du plan vectoriel R2 nest pas diagonalisable sur R. Cependant elle possde deux valeurs
propres complexes distinctes : ei et ei . La matrice R est donc diagonalisable sur C,
on a    
1 1
Ei = Vect( ), Ei = Vect( ).
i i
Do, en posant  
1 1
P=
i i
la
 matrice
 de changement
 de la base canonique la base forme des vecteurs propres
1 1
et , on a
i i

ei
   
0 cos sin
i = P1 P,
0 e sin cos
CHAPITRE 6. TRIGONALISATION ET DIAGONALISATION 17

o linverse de la matrice P est


 
1 1 i
P1 = .
2 1 i

Exercice 7. Nous avons vu dans lexercice 5, quune matrice A par blocs :


 
B 0
A= ,
0 C

o B et C sont deux matrices carres diagonalisables de Mn1 (K) et Mn2 (K) respective-
ment, est diagonalisable. Lobjectif de cet exercice est de montrer que la rciproque est
vraie.

1. Montrer que pA = pB .pC .


2. Montrer que, pour toute valeur propre de A, on a

multA B C
geo ( ) = multgeo ( ) + multgeo ( ).

3. Montrer que si B ou C nest pas diagonalisable, alors il existe une valeur propre de
A telle que
multA A
geo ( ) < multalg ( ).

4. En dduire, que si A est diagonalisable, alors B et C sont diagonalisables.

5 Matrices diagonalisables : premires applications

Nous prsentons ici une premire application de la diagonalisation des matrices avec
le calcul des puissances des matrices et la rsolution de systmes dquations diffren-
tielles linaires. Nous reviendrons plus longuement sur ces applications dans les prochains
chapitres, en particulier, nous traiterons aussi le cas des matrices non diagonalisables.

6.5.1. Calcul des puissances dune matrice diagonalisable. Une premire applica-
tion classique de la diagonalisation est le calcul des puissance dune matrice.
Soit A une matrice diagonalisable de Mn (K). Il existe une matrice diagonale

1 0 0
. .
0 2 . . ..

D= . .
.. .. ... 0

0 0 p

et une matrice inversible P telles que : D = P1 AP. Alors Ak = PDk P1 , pour tout entier
18 CHAPITRE 6. TRIGONALISATION ET DIAGONALISATION

naturel k, do
1k

0
0
..
...
0 2k . 1

Ak = P P

.. ... ...
. 0
0 0 pk

6.5.2. Exemple. Les puissances successives de la matrice


 
1 1
A=
2 4

sont
2k+1 3k 2k+1 2.3k
 
Ak = PDk P1 =
2k + 3k 2k + 2.3k
avec      
2 0 1 1 1 2 1
D= , P= , P = .
0 3 1 2 1 1

6.5.3. Rsolution des systmes diffrentiels linaires. Une autre application clas-
sique de la diagonalisation dune matrice est la rsolution des systmes diffrentiels
linaires.
On se propose de rsoudre les systmes diffrentiels linaires de la forme :

dx1 (t)

dt = a11 x1 (t) + + an1 xn (t)
.. ..

. .
dxn (t)

dt = a1n x1 (t) + + ann xn (t)

o les aij sont des rels et les xi des fonctions relles valeurs relles. Un tel systme
diffrentiel prend la forme matricielle suivante :

dx(t)
= Ax(t), (6.4)
dt
avec
a11 . . . an1 x1 (t)

A = ... .. ,
. x(t) = ...
1
an . . . ann xn (t)
dx(t)
et o dsigne la driv du vecteur x(t).
dt
Supposons que la matrice A soit diagonalisable (nous aborderons le cas des systmes
diffrentiels avec A non diagonalisable plus tard dans le cours), il existe une matrice D
diagonale et P inversible telles que

D = P1 AP.
CHAPITRE 6. TRIGONALISATION ET DIAGONALISATION 19

La matrice P dsigne un changement de base de Rn : si x(t) est le vecteur colonne exp-


rimant un vecteur x(t) dans la base initiale et y(t) celui exprimant x(t) dans la nouvelle
base. On fait le changement de variable y(t) = P1 x(t). Do

dy(t) dx(t)
= P1 ,
dt dt
donc
dy(t)
= P1 Ax(t) = P1 APy(t) = Dy(t).
dt
Le systme est donc quivalent au systme :

dy(t)
= Dy(t),
dt
qui est facile intgrer, car D est diagonale. En effet, si

1 0 0
. .
0 2 . . ..

D= . .
.. .. ... 0

0 0 p

les solutions de cette quation sont les vecteurs y(t) dont la i-ime composante est

yi (t) = eit yi (0).

Il suffit alors de calculer x(t) en calculant x(t) = Py(t).

6.5.4. Exemple. Soit rsoudre le systme diffrentiel suivant :



dx(t)

dt = x(t) y(t),
dy(t) (6.5)
= 2x(t) + 4y(t)

dt

o x, y : R R sont deux fonctions relles. On pose


     
1 1 2 0 1 1
A= , D= et P = .
2 4 0 3 1 2
 
dy u(t)
Le systme = Dy, avec y(t) = scrit sous la forme :
dt v(t)

du(t)

dt = 2u(t)
dv(t)
= 3v(t)

dt

20 CHAPITRE 6. TRIGONALISATION ET DIAGONALISATION

Ces deux quations ont pour solution



u(t) = 1 e2t

v(t) = 2 e3t

o 1 et 2 sont deux constantes relles. On en dduit que le systme (6.5) admet pour
solution
x(t) = 1 e2t + 2 e3t

y(t) = 1 e2t 22 e3t

Exercice 8. On considre la matrice suivante de Mn (R), avec n > 2,



n 1 1
. .
1 n . . ..

A= . .
.. . . . . . 1

1 1 n

1. La matrice A est-elle diagonalisable ?


2. Montrer que n 1 est une valeur propre de A.
3. Dterminer le sous-espace propre associ la valeur propre n 1.
4. Quel est lordre de multiplicit de la valeur propre n 1 ?
5. Calculer la trace de la matrice A. En dduire la valeur de toutes les valeurs propres
de A.
6. Rsoudre le systme diffrentiel suivant

dx(t)

= 3x(t) + y(t) + z(t)
dt
dy(t)

dt = x(t) + 3y(t) + z(t)
dz(t)

= x(t) + y(t) + 3z(t)
dt
o x, y, z : R R sont trois fonctions drivables vrifiant x(0) = 1, y(0) = z(0) = 0.

6 Trigonalisation et diagonalisation des


endomorphismes
La trigonalisation et la diagonalisation des endomorphismes sur un espace vectoriel
de dimension finie se traite de la mme faon que pour les matrices.
Dans la suite de cette section, E dsigne un K-espace vectoriel de dimension finie n.

6.6.1. Endomorphismes trigonalisables. Un endomorphisme u de E est dit trigo-


nalisable sur K, sil existe une base B de E, telle que la matrice [u]B de u exprime
dans cette base soit triangulaire suprieure.
CHAPITRE 6. TRIGONALISATION ET DIAGONALISATION 21

6.9 Proposition. Un endomorphisme de E est trigonalisable si, et seulement si,


sa matrice, exprime dans une base de E, est trigonalisable.

En particulier, tout endomorphisme u dun C-espace vectoriel E est trigonalisable sur


C.

6.10 Proposition. Soit u un endomorphisme trigonalisable de E. La restriction de


u un sous-espace vectoriel stable par u est trigonalisable.

Preuve. Soit F un sous-espace vectoriel E stable par u. Le polynme caractristique


pu| de la restriction de u F divise le polynme caractristique de u. Lendomorphisme
F
tant trigonalisable, ce dernier est scind, donc pu| est scind et u|F est trigonalisable.
F


6.6.2. Endomorphismes diagonalisables. Un endomorphisme u de E est dit diago-


nalisable sur K, sil existe une base de E forme de vecteurs propres de u.

Par exemple, lendomorphisme u de R2 vu dans lexemple 5.2.7 est diagonalisable. En


effet, nous avons montr que R2 se dcompose en une somme directe de sous-espaces
propres associs u. Il existe donc une base de R2 forme de vecteurs propres de u.

6.6.3. Lien avec les matrices diagonalisables. Soit u un endomorphisme diagonal-


isable de E. Soit B = (x1 , . . . , xn ) une base de diagonalisation de E, o, xi dsigne un
vecteur propre associ une valeur propre i de u. Alors, pour tout i, on a u(xi ) = i xi
et la matrice de u exprime dans la base B est

1 0 0
. .
0 2 . . ..

[u]B = . .
.. .. ... 0

0 0 n

Inversement, si B 0 = (e1 , . . . , en ) est une base de E telle que la matrice [u]B0 soit diago-
nale, alors les lments de la diagonale sont valeurs propres de u et les vecteurs ei sont
des vecteurs propres de u. Ainsi

6.11 Proposition. Un endomorphisme de E est diagonalisable sur K si, et seule-


ment si, sa matrice, exprime dans une base de E, est diagonalisable.
22 CHAPITRE 6. TRIGONALISATION ET DIAGONALISATION

On en dduit les rsultats analogues au cas matriciel :

6.12 Proposition. Soit u un endomorphisme de E.


i) Lendomorphisme u est trigonalisable si, et seulement si, son polynme carac-
tristique est scind sur K.
ii) Si le polynme caractristique de u est scind sur K et possde toutes ses
racines simples, alors u est diagonalisable sur K.

6.6.4. Multiplicits des valeurs propres dun endomorphisme. Soient u un endo-


morphisme de E et une valeur propre de u. Lordre de multiplicit de en tant que
racine du polynme pu est appel multiplicit algbrique de , on la note multalg ( ).
La dimension du sous-espace propre E est appel la multiplicit gomtrique de ,
on la note multgeo ( ).
Comme dans le cas matriciel, on a lingalit :

multgeo ( ) 6 multalg ( ).

On peut utiliser la preuve matricielle de la proposition 6.7. Sinon, on peut procder de


la faon suivante.
Supposons que soir une valeur propre de u dordre de multiplicit algbrique h. On
a
pu = (x )h g(x),
avec g(x) K[x] et g( ) 6= 0. Le sous-espace propre E est stable par u, donc daprs
la proposition 5.7, le polynme pu|E divise le polynme pu . Or, la restriction de u au
sous-espace propre E est une homothtie :

u|E = idE .

Do pu|E = (1)dim E (x )dim E . Par suite, dim E 6 h.


6.13 Thorme (Caractrisation des endomorphismes diagonalisables). Soit


u un endomorphisme de E. Les assertions suivantes sont quivalentes :
i) u est diagonalisable sur K,
ii) pu est scind sur K et, pour toute valeur propre de u, multgeo ( ) =
multalg ( ),
iii) il existe des valeurs propres 1 , . . . , p de u telles que

E = E1 E p .
CHAPITRE 6. TRIGONALISATION ET DIAGONALISATION 23

6.6.5. Exemple. Soit u lendomorphisme de R2 dfini par

u(x1 e1 + x2 e2 ) = x2 e1 .

La matrice de u dans la base canonique de R2 est


 
0 1
[u]C an = .
0 0

Lendomorphisme u est la projection sur la droite (Oe2 ) paralllement la droite (Oe1 )


suivie de la symtrie daxe x1 = x2 :
    
0 1 0 1 0 0
= .
0 0 1 0 0 1

Montrons que u nest pas diagonalisable en considrant les sous-espaces propres pos-
sibles pour u. Supposons que F soit un sous-espace propre de u. Alors F ne peut tre
nul, ni de dimension 2 puisque u nest pas une homothtie. Supposons que F soit de
dimension 1.
La droite Vect(e1 ) est stable par u, pour tout x Vect(e1 ) on a

u(x) = 0 Vect(e1 ).

Ainsi, Vect(e1 ) est un sous-espace propre, pour la valeur propre 0. Soit Vect(e1 + e2 ),
6= 0, une droite diffrente de Vect(e1 ). On a

u(e1 + e2 ) = e1
/ Vect(e1 + e2 ).

Donc Vect(e1 + e2 ) nest pas stable par u et Vect(e1 ) nadmet de supplmentaire stable
par u. Ainsi, lendomorphisme u nest pas diagonalisable.

Exercice 9. Soit u lendomorphisme de R4 reprsent dans la base canonique C an =


(c1 , c2 , c3 , c4 ) par la matrice
1 1 1 1
1 1 1 1
1 1 1 1 .

1 1 1 1
1. Dterminer le rang de u. En dduire que 0 est valeur propre de u.
2. Montrer que c1 + c2 + c3 + c4 est vecteur propre de u.
3. Construire une base de R4 forme de vecteurs propres de u.

Exercice 10. Soit u lendomorphisme de R3 reprsent dans la base canonique (c1 , c2 , c3 )


par la matrice
0 0 1
0 1 0 .
1 0 0
1. Calculer u(c2 ), u(c1 + c3 ) et u(c1 c3 ).
24 CHAPITRE 6. TRIGONALISATION ET DIAGONALISATION

2. En dduire que u est diagonalisable et crire la matrice de u dans une base de vecteurs
propres.
3. Donner une interprtation gomtrique de u.
Exercice 11. On considre lendomorphisme u de C3 reprsent dans la base canon-
ique par la matrice
4 2 4
0 0 1
3 2 3
1. Dterminer les valeurs propres de lendomorphisme u.
2. Montrer sans calcul quil existe une base de C3 forme de vecteurs propres.
3. Dterminer la matrice de passage de la base canonique la base forme de vecteurs
propres.
4. Lendomorphisme u est-il diagonalisable sur les corps R ou Q ?

7 Exercices

Exercice 12. Montrer que la matrice suivante nest pas diagonalisable :



0 1 0
0 1
...

0



. .. 1

0 0
Exercice 13. Les matrices lmentaires de Mn (K), voir 2.1.3, sont-elles diagonalis-
ables ?
Exercice 14. Diagonaliser ou trigonaliser dans Mn (C), en donnant la matrice de pas-
sage, les matrices suivantes :

5 1 3 2 1 1 1 1 3
A= 4 3 4 , B = 1 2 1 , C = 2 2 2 .
1 1 1 1 1 2 2 1 4
Exercice 15. Discuter en fonction de a, b et c la possibilit de diagonaliser les matri-
ces de M3 (C) suivantes :

1 a b 1 a 1
0 1 c , 0 1 b .
0 0 1 0 0 c
CHAPITRE 6. TRIGONALISATION ET DIAGONALISATION 25

Exercice 16. Soit un rel. On considre la matrice de rotation


 
cos sin
R = .
sin cos

1. Calculer dans C les valeurs propres de A.


2. Discuter en fonction de la possibilit de diagonaliser A dans Mn (R) et Mn (C).

Exercice 17. Soit A Mn (R).


1. Montrer que si est une valeur propre complexe de A, alors est aussi valeur propre
de A, de mme ordre de multiplicit.
2. Montrer que si v est un vecteur propre associ , alors v est un vecteur propre
associ .
3. Diagonaliser en donnant une matrice de passage la matrice

0 2 0
A = 1 0 1 .
0 2 0

4. Calculer Ak , pour tout entier naturel k.

Exercice 18. On note Rn [x] le R-espace vectoriel form des polynmes de degr in-
frieur ou gal n. Soit u lendomorphisme de Rn [x] dfini par

u(p) = (x2 1)p00 + 3xp0 .

1. crire la matrice de u dans la base canonique de Rn [x].


2. Montrer que u est diagonalisable.
3. Rsoudre lquation u(p) = p.

Exercice 19. Soit u lendomorphisme de M2 (R) dfini par


   
a b d b
u = .
c d c a

Montrer que lendomorphisme u est diagonalisable et construire une base de vecteurs


propres de u.

Exercice 20. Soit


0 1 1
A = 1 0 1 .
1 1 0
En diagonalisant A, trouver une solution dans M3 (C) lquation X2 = A.

Exercice 21. Soient E un K-espace vectoriel de dimension finie et u un endomor-


phisme de E de rang un.
1. Montrer que la trace de u est une valeur propre de u.
2. En dduire que u est diagonalisable si, et seulement si, sa trace est non nulle.
26 CHAPITRE 6. TRIGONALISATION ET DIAGONALISATION

Exercice 22. On considre la matrice de M2 (C) suivante


 
a b
A= .
c a

1. Quelle est la somme des valeurs propres de A ?


2. Quel est le produit des valeurs propres de A ?
3. Montrer que, si son dterminant nest pas nul, A est diagonalisable.
4. Montrer que, si son dterminant est nul, A nest diagonalisable que si elle est nulle.
5. Montrer que A est diagonalisable sauf si elle est de rang un.
6. En supposant que la matrice A est relle ; quelle condition est-elle diagonalisable
par un changement de base rel ?

Exercice 23. Soient E un K-espace vectoriel de dimension n et u un endomorphisme


de E. On considre lensemble des endomorphismes de E qui commutent avec u :

Comu = {v L (E) | u v = v u}.

1. Montrer que Comu est un K-espace vectoriel.


2. On suppose que u est diagonalisable et on note 1 , . . . , p les valeurs propres de u.
2.1. Montrer que

Comu = {v L (E) | Ei est stable par v, pour tout i {1, . . . , p}}.

2.2. Ecrire la forme gnrale de la matrice dun endomorphisme v Comu dans la


base B = B1 B p , o pour tout i, Bi est une base de Ei . En dduire que
p
dim Comu = (dim Ei )2 .
i=1

3. On suppose que u admet n valeurs propres distinctes 1 , . . . , n . On veut montrer


que le K-espace vectoriel Comu concide avec le K-espace vectoriel Khid, u, . . . , un1 i,
librement engendr par les endomorphismes id, u, . . . , un1 .
3.1. Montrer que Khid, u, . . . , un1 i Comu .
n
3.2. Soit n scalaires a0 , . . . , an1 de K tels que ai ui = 0. Montrer que les ai sont
i=0
solutions du systme linaire :

a + a + a 2 + + a n1 = 0
0 1 1 2 1 n1 1
a + a + a 2 + + a n1 = 0
0 1 2 2 2 n1 2
() . .. ..
.. . .
a0 + a1 n + a2 n2 + + an1 nn1 = 0

CHAPITRE 6. TRIGONALISATION ET DIAGONALISATION 27

3.3. Soit
1 1 12 . . . 1n1
1 2 22 . . . 2n1
V=

.. .. .. ..
. . . .
2
1 n n . . . n n1

la matrice associe au systme (). Montrer par rcurrence que

det V = ( j i ).
16i< j6n

3.4. Conclure.

Exercice 24. Soient E un K-espace vectoriel et u, v deux endomorphismes de E tels


que
u v = v u.
1. Montrer que tout sous-espace propre de u est stable par v.
2. Montrer que u et v sont diagonalisables si, et seulement si, il existe une base commune
de diagonalisation.
3. Soient u et v les endomorphismes de R3 reprsents respectivement dans la base
canonique de R3 par les matrices

1 0 0 0 1 1
0 0 1 , 1 1 1
0 1 2 1 1 3

Montrer que u et v commutent.


4. Dterminer les valeurs propres et sous-espaces propres de u et v.
5. Dterminer deux sous-espaces de R3 invariant par u et v dont lun est de dimension 1
et lautre de dimension 2.
6. En dduire une base de R3 trigonalisant les endomorphismes u et v.

Exercice 25. Soient E un K-espace vectoriel de dimension finie et u, v deux endo-


morphismes de E.
1. Montrer que si 0 est valeur propre de u v alors 0 est aussi valeur propre de v u.
2. Donner un exemple dendomorphismes u et v tels que les sous-espaces Ker (u v) et
Ker (v u) ne soient pas de mme dimension.
Pour la suite de lexercice, on suppose que u v possde une valeur propre non nulle
.
3. Montrer que est valeur propre de v u.
4. On note Euv le sous-espace propre de u v associ la valeur propre et Evu le
sous-espace propre de v u associ la valeur propre . Montrer que u(Evu ) est un
sous-espace vectoriel de Euv et que v(Euv ) est un sous-espace vectoriel de Evu .
5. Montrer que la restriction de u Evu est injective. En dduire que

dim Evu 6 dim Euv .


28 CHAPITRE 6. TRIGONALISATION ET DIAGONALISATION

6. Dduire des questions prcdentes que

dim Evu = dim Euv .

7. On suppose que u et v sont des isomorphismes. Montrer que u v et v u ne possdent


pas de valeurs propres nulles.
8. En dduire que si u et v sont des isomorphismes alors u v est diagonalisable si, et
seulement si, v u est diagonalisable.

Exercice 26 (Lemme de Schur). Soient E un C-espace vectoriel de dimension finie


et Q un sous-ensemble irrductible dendomorphismes de E, i.e., les seuls sous-espaces
de E stables par tous les lments de Q sont {0} et E.
1. Montrer que, pour tout u L (E) commutant avec tout les lments de Q, il existe
une valeur propre dont le sous-espace propre est E.
2. En dduire que les seuls endomorphismes de E qui commutent avec les lments de
Q sont les homothties.
3. Dans le cas o E est un R-espace vectoriel de dimension finie, montrer en trouvant
un contre exemple que le rsultat prcdent est faux.
4. Montrer que le rsultat est vrai si E est un R-espace vectoriel de dimension finie
impaire.
 
1 1
Exercice 27. On considre la matrice A = de M2 (R).
2 4
1. Montrer que A est diagonalisable et diagonaliser A.
2. Soit N une matrice de Mn (R) et M la matrice de M2n (R) dfini par blocs :
 
N N
M= .
2N 4N

Montrer que la matrice M est diagonalisable si, et seulement si, la matrice N est
diagonalisable.
CHAPITRE
7

Le polynme minimal

Sommaire
1. Prliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2. Polynmes de matrices . . . . . . . . . . . . . . . . . . . . . . . . 3
3. Le lemme de dcomposition en noyaux . . . . . . . . . . . . . . . 6
4. Le polynme minimal . . . . . . . . . . . . . . . . . . . . . . . . . 11
5. Le thorme de Cayley-Hamilton . . . . . . . . . . . . . . . . . . . 14
6. Le cas des endomorphismes . . . . . . . . . . . . . . . . . . . . . . 21
7. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

La caractrisation des matrices diagonalisables donne par le thorme 6.8 porte sur
la dimension des sous-espaces propres : une matrice de Mn (K) est diagonalisable si, et
seulement si, lespace Kn se dcompose en une somme directe de sous-espaces propres
de A.
Dans ce chapitre, nous abordons une nouvelle caractrisation, de nature algbrique,
qui porte uniquement sur les coefficients de la matrice. Prcisment, nous allons montrer
quune matrice A de Mn (K) est diagonalisable dans Mn (K) si, et seulement si, il existe
un polynme g coefficients dans K, non nul, scind, nayant que des racines simples
et tel que A soit racine de g, i.e., g(A) = 0.

1 Prliminaires
7.1.1. Exemple. Considrons la projection p sur le plan de R3 dquation z = 0
paralllement la droite dquation x = y = z, vue dans lexemple 4.3.4. La projection
p vrifie, voir figure 7.1 :

x si x ,
p(x) =
0 si x .

1
2 CHAPITRE 7. LE POLYNME MINIMAL

F IGURE 7.1.: Projection sur le plan paralllement la droite

Ainsi, lendomorphisme p satisfait, pour tout vecteur x de R3 , lquation

p2 (x) = p(x).

De faon quivalente, cela sexprime en disant que lendomorphisme p2 p est nul,


soit :
p(p idR3 ) = 0. (7.1)
On dit alors que lendomorphisme p est racine du polynme x(x 1).
De lquation (7.1), nous dduisons que lendomorphisme p est diagonalisable. Dune
part, il est immdiat que

Ker p Ker (p idR3 ) = {0}.

En effet, si x Ker p et x Ker (p idR3 ), alors p(x) = 0 et p(x) = x, do x = 0.


Dautre part, pour tout vecteur x de R3 , on a la dcomposition :

x = (x p(x)) + p(x).

Lendomorphisme p satisfaisant lquation (7.1), on a x p(x) Ker p et p(x) Ker (p


idR3 ). On montre ainsi que lon a une somme directe

R3 = Ker p Ker (p idR3 ).

Les sous-espaces Ker p et Ker (p idR3 ) dsignant respectivement les sous-espaces pro-
pres associes aux valeurs propres 0 et 1, du thorme 6.8, on dduit que lendomor-
phisme p est diagonalisable. On pourra remarquer que Ker p correspond la droite et
Ker (p idR3 ) correspond au plan . Si e est un vecteur de et (e1 , e2 ) une base de ,
alors B = (e, e1 , e2 ) forme une base de R3 et

0 0 0
[u]B = 0 1 0 .
0 0 1

7.1.2. Exemple. Considrons la matrice



0 0 1
A = 0 1 0 .
1 0 0

La matrice A vrifie la relation A2 = 13 et donc lquation :

(A 13 )(A + 13 ) = 0. (7.2)
CHAPITRE 7. LE POLYNME MINIMAL 3

On dit alors que la matrice A est racine du polynme (x 1)(x + 1). De la mme faon
que dans lexemple prcdent, de lquation (7.2), on dduit une dcomposition de les-
pace R3 en une somme directe de noyaux :

R3 = Ker (A 13 ) Ker (A + 13 ).

Les deux sous-espaces de cette dcomposition correspondent aux sous-espaces propres


de la matrice A associs aux valeurs propres 1 et 1 respectivement. Daprs le thorme
6.8, on en dduit que la matrice A est diagonalisable. De plus, ayant

1 0 1
A + 13 = 0 0 0 ,
1 0 1

la matrice A+13 est de rang 2, par le thorme du rang, on en dduit que Ker (A+13 ) est
de dimension 1. Il en dcoule que le noyau Ker (A 13 ) est alors de rang 2. En dautres
termes, on a multgeo (1) = 1 et multgeo (1) = 2. La matrice A tant diagonalisable, elle
est alors semblable la matrice

1 0 0
0 1 0 .
0 0 1

Exercice 1. Soit A une matrice de Mn (K), avec n > 2, vrifiant

(A 21n )(A 31n ) = 0.

1. Montrer que A est diagonalisable dans Mn (K).


2. Montrer que la matrice A est inversible.
3. Exprimer linverse A1 en fonction de la matrice A.

Exercice 2. Soit A une matrice de Mn (K), avec n > 3, vrifiant

(A 21n )(A 31n )(A 51n ) = 0.

1. Montrer que A est diagonalisable dans Mn (K).


2. Montrer que la matrice A est inversible.
3. Exprimer linverse A1 en fonction de la matrice A.

2 Polynmes de matrices

7.2.1. Dfinition. Soit A une matrice de Mn (K). tant donn un polynme

p = am xm + am1 xm1 + + a1 x + a0
4 CHAPITRE 7. LE POLYNME MINIMAL

de K[x], on dfinit la matrice

P(A) = am Am + am1 Am1 + + a1 A + a0 1n .

Noter que si p est le polynme constant gal 1, alors p(A) = 1n . On associe ainsi
un polynme p de K[x], un polynme de matrices p(A). Cette correspondance est
compatible aux oprations daddition et de multiplication sur les polynmes, on a :

7.1 Proposition. Soient f et g deux polynme de K[x]. Alors, pour toute matrice
A, on a
i) ( f + g)(A) = f (A) + g(A),
ii) ( f g)(A) = f (A)g(A).

Preuve. Considrons deux polynmes f et g dfinis par


l m
i
f = ai x , g = bi x i .
i=1 i=1

Quitte rajouter des coefficients nuls, on peut supposer que l = m. On a


l
( f + g)(A) = ( (ai + bi )xi )(A)
i=1
l
= (ai + bi )Ai
i=1
l l
= a i Ai + b i Ai
i=1 i=1
= f (A) + g(A).

Par distributivit du produit matriciel par rapport laddition, cf. 2.2.1, on a


l l
( f g)(A) = ( ai b j xi+ j )(A)
i=1 j=1
l l
= ( ai b j Ai+ j )
i=1 j=1
l l
= a i Ai b j A j
i=1 j=1
= f (A)g(A).


De la seconde proprit, on dduit les polynmes dune matrice A commutent entre eux :
CHAPITRE 7. LE POLYNME MINIMAL 5

7.2 Proposition. Soit A une matrice de Mn (K). Pour tous polynmes f et g de


K[x], les matrices f (A) et g(A) commutent :

f (A)g(A) = g(A) f (A).

Exercice 3. Montrer la proposition 7.2.


 
1 0
7.2.2. Exemple. Si A = et p = x2 + x + 1, alors
0 0
 
2 3 0
p(A) = A + A + 12 = .
0 1

7.2.3. Polynmes annulateurs. Un polynme non nul q de K[x] est dit annulateur
dune matrice A de Mn (K), si la matrice q(A) est nulle ; on dit aussi que A est racine
du polynme q.

7.2.4. Exemple : polynme annulateur des matrices de M2 (K). Toute matrice A


de M2 (K) admet pour polynme annulateur, le polynme

pA = x2 trace (A)x + det (A).

Pour montrer que pA (A) = 0, on peut procder  par un calcul direct comme dans la
a b
preuve initiale de Cayley, voir figure 7.4. Si A = , alors on montre que
c d

A2 trace (A)A + det (A)12 = 0.

7.3 Proposition. Toute matrice de possde un polynme annulateur.

Preuve. Soit A une matrice de Mn (K). Le K-espace vectoriel Mn (K) est de dimen-
sion n2 . Par suite, toute famille de n2 + 1 matrices de Mn (K) est lie ; cest le cas en
particulier de la famille
2
(1n , A, A2 , . . . , An ).
Il existe donc des scalaires a0 , . . . , an2 non tous nuls, tels que
2
a0 1n + a1 A + + an2 An = 0.
2
Le polynme g = a0 + a1 x + + an2 xn est ainsi non nul et annulateur de la matrice A.

6 CHAPITRE 7. LE POLYNME MINIMAL

7.4 Proposition. Soient A une matrice de Mn (K) et g un polynme annulateur


de A. Alors, toute valeur propre de A est racine du polynme g.

Preuve. Soit g = a0 + a1 x + a2 x2 + + am xm un polynme annulateur de A. La matrice


g(A) est nulle :
a0 1n + a1 A + a2 A2 + + am A p = 0. (7.3)
Soient une valeur propre de A et x un vecteur propre associ, i.e., Ax = x. Daprs
lquation (7.3), on a

(a0 1n + a1 A + a2 A2 + + am Am )x = 0.

Or Ax = x, do pour tout entier naturel k, Ak x = k x et

(a0 + a1 + a2 2 + + am m )x = 0.

Comme le vecteur x est non nul, on en dduit que g( ) est nul. 

Attention, la rciproque de ce rsultat est fausse en gnral ; toutes les racines dun
polynme annulateur de A ne sont pas toujours valeurs propres de A. Par exemple, la
matrice identit 1n est racine du polynme x(x 1), car 12n = 1n , alors que 0 nest pas
une valeur propre de la matrice identit.

3 Le lemme de dcomposition en noyaux


La matrice A de lexemple 7.1.2 satisfait la relation

(A 13 )(A + 13 ) = 0.

Nous en avons dduit que

R3 = Ker (A 13 ) Ker (A + 13 ).

Dans cette section, nous montrons que ceci est une consquence du rsultat gnral
suivant.

7.5 Proposition. Soit A une matrice de Mn (K) et soient f1 , f2 deux polynmes


de K[x] premiers entre eux. Alors

Ker ( f1 f2 )(A) = Ker f1 (A) Ker f2 (A).


CHAPITRE 7. LE POLYNME MINIMAL 7

Si de plus, le polynme f1 f2 est annulateur de A, on a

Kn = Ker f1 (A) Ker f2 (A).

Preuve. Les polynmes f1 et f2 tant premiers entre eux, daprs lidentit de Bzout,
thorme 0.4, il existe des polynmes h1 et h2 de K[x] tels que :

f1 h1 + f2 h2 = 1.

En consquence, nous avons la relation matricielle suivante :

f1 (A)h1 (A) + f2 (A)h2 (A) = 1n . (7.4)

Montrons lgalit Ker f1 (A)Ker f2 (A) = Ker ( f1 f2 )(A). Le noyau Ker f2 (A) est con-
tenu dans Ker ( f1 (A) f2 (A)), de la mme faon Ker f1 (A) est contenu dans Ker ( f1 (A) f2 (A)) =
Ker ( f2 (A) f1 (A)), car les polynmes f1 (A) et f2 (A) commutent entre eux. Ainsi

Ker f1 (A) + Ker f2 (A) Ker ( f1 f2 )(A).

Inversement, si x Ker ( f1 f2 )(A), alors daprs la relation (7.4), il existe une dcompo-
sition
x = f1 (A)h1 (A)(x) + f2 (A)h2 (A)(x)
On a
f2 (A) f1 (A)h1 (A)(x) = h1 (A)( f1 f2 )(A)(x) = 0.
La premire galit dcoule du fait que les polynmes en A commutent entre eux, la sec-
onde du fait que x est un vecteur de Ker ( f1 f2 )(A) par hypothse. Ainsi f1 (A)h1 (A)(x)
est un vecteur de Ker f2 (A). De la mme faon, on montre que f2 (A)h2 (A)(x) est un
vecteur de Ker f1 (A).
Reste montrer que la somme

Ker f1 (A) + Ker f2 (A) = Ker ( f1 f2 )(A)

est directe. Si x Ker f1 (A) Ker f2 (A), daprs la relation (7.4), on a

x = f1 (A)h1 (A)(x) + f2 (A)h2 (A)(x).

Donc
x = h1 (A) f1 (A)(x) + h2 (A) f2 (A)(x)
soit x = 0.

Si lon suppose de plus que le polynme f1 f2 est annulateur de A, on a ( f1 f2 )(A) = 0,


do Ker ( f1 f2 )(A) = Kn . Ce qui montre la deuxime assertion :

Kn = Ker f1 (A) Ker f2 (A).


8 CHAPITRE 7. LE POLYNME MINIMAL

7.3.1. Exemple. Soit A une matrice de Mn (R) satisfaisant

(A 12 )(A 12 ) = 0 (7.5)

o et sont deux rels distincts. Daprs la proposition prcdente, on a

R2 = E E ,

o E et E sont les deux sous-espaces propres associs la matrice A. Un point im-


portant de la preuve de la proposition 7.5 est quelle fournit une mthode constructive
pour dterminer lexpression des projections de R2 sur les sous-espaces propres E et
E . Les polynmes x et x sont premiers entre eux, il existe donc une identit de
Bzout :
1 1
(x ) + (x ) = 1. (7.6)

Notons
1 1
1 = (A 12 ), 2 = (A 12 )

Alors 1 reprsente la projection de R2 sur E et 2 reprsente la projection de R2 sur
E , exprime dans la base canonique de R2 . En effet, de la relation (7.6), on dduit que

1 + 2 = 12 . (7.7)

Par ailleurs, de la relation 7.5, on dduit que

1 2 = 2 1 = 0 (7.8)

Des relation 7.6 et 7.7, on dduit que 1 et 2 sont des matrices de projecteurs de R2 ,
i.e.,
21 = 1 , 22 = 2 .
Comme
Im 1 = Ker 2 et Im 2 = Ker 1 ,
on a Im 1 = E et Im 2 = E . Ainsi, 1 et 2 sont les matrices des projecteurs de R2
sur les sous-espaces E et E respectivement.

Exercice 4. Considrons la matrice relle



1 0 1 2
0 1 3 4
A= 0 0

2 0
0 0 0 2

1. Montrer que (A 214 )(A 14 ) = 0.


2. Dterminer les sous-espaces propres ainsi que les matrices des projections de R4 sur
ces sous-espaces propres, exprimes dans la base canonique de R4 .
CHAPITRE 7. LE POLYNME MINIMAL 9

7.3.2. Le lemme des noyaux. La formulation gnrale de cette dcomposition, avec


un produit fini quelconque de polynmes, est appele le lemme des noyaux. La preuve
se droule sur le mme principe quen prsence de deux polynmes.

7.6 Thorme (Lemme des noyaux). Soient A une matrice de Mn (K) et


f1 , . . . , f p des polynmes de K[x] premiers entre eux deux deux. Alors,

Ker ( f1 . . . f p )(A) = Ker f1 (A) . . . Ker f p (A).

Si de plus, le polynme f1 f2 . . . f p est annulateur de A, on a

Kn = Ker f1 (A) . . . Ker f p (A).

Preuve. Posons g = f1 . . . f p et, pour tout entier i J1, pK, posons


p
gi = f j .
j=1
j6=i

Les polynmes f1 , . . . , f p sont premiers entre eux deux deux, donc les polynmes
g1 , . . . , g p sont premiers entre eux dans leur ensemble. Daprs lidentit de Bzout,
thorme 0.4, il existe des polynmes h1 , . . . , h p de K[x] tels que :

g1 h1 + . . . + g p h p = 1.

Par suite, on a la relation matricielle :

g1 (A)h1 (A) + . . . + g p (A)h p (A) = 1n . (7.9)

Montrons alors que Ker f1 (A) + . . . + Ker f p (A) = Ker g(A).


Pour tout i J1, pK, les polynmes en A commutant entre eux, on a

g(A) = f1 (A) . . . fi (A) . . . f p (A) = f1 (A) . . . f p (A) fi (A).

Par suite, pour tout i J1, pK, le noyau de fi (A) est contenu dans le noyau de g(A). La
somme des noyaux
Ker f1 (A) + . . . + Ker f p (A)
est ainsi contenue dans le noyau Ker g(A).
Inversement, si x Ker g(A), daprs la relation (7.9), on a :

x = g1 (A)h1 (A)(x) + . . . + g p (A)h p (A)(x). (7.10)


10 CHAPITRE 7. LE POLYNME MINIMAL

Par ailleurs, pour tout i J1, pK, on a

fi (A)(gi (A)hi (A)(x)) = g(A)hi (A)(x)


= hi (A)g(A)(x)
= 0.

Donc gi (A)hi (A)(x) Ker fi (A) et daprs la dcomposition (7.10), on en dduit que

x Ker f1 (A) + . . . + Ker f p (A).

Reste montrer que la somme des noyaux Ker f1 (A) + . . . + Ker f p (A) est directe.
Daprs 1.3.3, il suffit de montrer que pour tout i J2, pK, lintersection
i1
Ker fi (A) Ker f j (A) (7.11)
j=1

est le sous-espace vectoriel nul. Soit i J2, pK et soit x un vecteur de lintersection (7.11).
Daprs la relation (7.9), on a x = g1 (A)h1 (A)(x) + . . . + g p (A)h p (A)(x), do
p
x = gi (A)hi (A)(x) + g j (A)h j (A)(x). (7.12)
j=1
j6=i

Si j 6= i, le polynme fi divise g j , or x Ker gi (u) donc


p p
g j (A)h j (A)(x) = h j (A)g j (A)(x) = 0.
j=1 j=1
j6=i j6=i

i1 i1
Par ailleurs, x Ker f j (A), donc x = x j , o x j Ker f j (A). Ainsi
j=1 j=1

gi (A)hi (A)(x) = hi (A)gi (A)(x) = 0.

Daprs la dcomposition (7.12), on en dduit que x = 0.

Si le polynme g = f1 f2 . . . f p est annulateur de A, on a

Ker g(A) = Ker f1 (A) . . . Ker f p (A).

Or g(A) = 0, donc Ker g(A) = Kn , do la seconde assertion du thorme. 

7.3.3. Consquence immdiate du lemme des noyaux. Soit A une matrice de Mn (K)
dont le polynme caractristique est

pA = (x 1 )n1 . . . (x p )n p ,
CHAPITRE 7. LE POLYNME MINIMAL 11

avec i 6= j . Les polynmes (x i )ni sont premiers entre eux deux deux, du lemme
des noyaux, nous dduisons la dcomposition

Kn = Ker (A 1 1n )n1 . . . Ker (A p 1n )n p .

Exercice 5. Soit A une matrice de M4 (R) de trace nulle, admettant 1 et i comme


valeurs propres.
1. Dterminer toutes les autres valeures propres de A.
2. Montrer que
R4 = Ker (A2 1n ) Ker (A2 + 1n ).

4 Le polynme minimal
7.4.1. Une autre caractrisation des matrices diagonalisables. La principale con-
squence du lemme des noyaux, thorme 7.6, que nous noncerons ici est une nouvelle
caractrisation de la diagonalisation des matrices.

7.7 Thorme. Une matrice A de Mn (K) est diagonalisable dans Mn (K) si, et
seulement si, il existe un polynme de K[x] annulateur de A scind et ne possdant
que des racines simples.

Preuve. Montrons que la condition est suffisante. Soit g un polynme de K[x] annulateur
de A qui soit scind sur K et avec toutes ses racines simples. Alors, le polynme g scrit
sous la forme
g = (x 1 ) . . . (x p ),
avec i 6= j , si i 6= j. Comme par hypothse g(A) = 0 et que les facteurs dans la d-
composition du polynme g sont premiers entre eux deux deux, daprs le lemme des
noyaux, thorme 7.6, on a :

Kn = Ker (A 1 1n ) . . . Ker (A p 1n ).

Le sous-espace Ker (A i 1n ) tant le sous-espace propre associ la valeur propre i ,


lespace Kn se dcompose en une somme directe de sous-espaces propres. Du thorme
6.8, on en dduit que la matrice A est diagonalisable.
Montrons que la condition est ncessaire. Supposons que la matrice A soit diagonalis-
able. Il existe alors une base B de Kn forme de vecteurs propres de A. Notons 1 , . . . , p
les valeurs propres de A et soient E1 , . . . , E p les sous-espaces propres associs.
Le polynme g = (x 1 ) . . . (x p ) de K[x] est scind et toutes ses racines sont
simples. Pour tout vecteur e de la base B, il existe au moins une valeur propre i telle
que (A i 1n )e = 0. Par suite

g(A)(e) = (A 1 1n ) . . . (A p 1n )e = 0.
12 CHAPITRE 7. LE POLYNME MINIMAL

On a g(A)e = 0 pour tout vecteur e de la base B de Kn , par suite g(A)x = 0 pour tout
vecteur de Kn . Il sensuit que g(A) = 0. 

Exercice 6. Trouver une condition ncessaire et suffisante pour que les matrices relles
suivantes soient diagonalisables :

a b c 1 a b
A = 0 a d , B = 0 1 c .
0 0 a 0 0 d

7.4.2. Le polynme minimal. Daprs le thorme 7.7, une matrice est diagonal-
isable si, et seulement si, elle possde un polynme annulateur scind dont toutes les
racines sont simples. Il sagit dune caractrisation de nature algbrique, dans le sens o
elle ne porte que sur les coefficients de la matrice. On comprend alors lintrt de carac-
triser lensemble des polynmes annulateurs dune matrice. Nous abordons maintenant
une mthode permettant de dterminer tous les polynmes annulateurs dune matrice.

7.4.3. Dfinition. Soit A une matrice de Mn (K). On appelle polynme minimal de A


et on note mA , le polynme unitaire annulateur de A de plus petit degr.

7.8 Proposition. Soit A une matrice de Mn (K). Le polynme minimal mA est


unique et divise tout polynme annulateur de A.

Preuve. Montrons que mA divise tout polynme annulateur de A. Soit g un polynme


annulateur de A. En effectuant la division euclidienne de g par mA , thorme ??, il existe
deux polynmes :
g = g0 mA + r,
avec deg r < deg mA . La matrice A tant racine du polynme g et de son polynme
minimal mA , on a
0 = g(A) = g0 (A) mA (A) + r(A).
Do A est racine du polynme r. Or, par dfinition, mA est le polynme annulateur de
A de plus petit degr, par suite le polynme r ne peut pas tre nul, car sinon on aurait R
annulateur de A et deg r < deg mA . Ainsi, le polynme reste r est nul, et par consquent
le polynme mA divise g.

Montrons lunicit du polynme minimal mA . Supposons que la matrice A admette


deux polynmes minimaux m et m0 . Ils sont tous deux annulateurs de A, donc m divise
m0 et m0 divise m. Par suite, il existe un scalaire K tel que

m = m0 .

Les polynmes m et m0 tant unitaires, on en dduit que m = m0 . Ce qui montre lunicit.



CHAPITRE 7. LE POLYNME MINIMAL 13

Lensemble des polynmes annulateur dune matrice A de Mn (K) est ainsi dtermin
par son polynme minimal mA . En effet, tout polynme annulateur g de A scrit :

g = g 0 mA ,

o g0 est un polynme de K[x]. Autrement dit, lensemble des polynmes annulateurs de


A scrit mA K[x].
Nous pouvons alors reformuler le thorme 7.7 de caractrisation algbrique des ma-
trices diagonalisables de la faon suivante.

7.9 Thorme. Une matrice A de Mn (K) est diagonalisable dans Mn (K) si, et
seulement si, son polynme minimal mA est scind sur K et possde toutes ses
racines simples.

Preuve. Daprs le thorme 7.7, la condition est suffisante. Supposons que A soit diag-
onalisable, daprs le thorme 7.7, il admet un polynme annulateur g scind racines
simples. Or daprs la proposition 7.8 le polynme mA divise g, donc mA est scind. 

7.4.4. Exemple : matrices nilpotentes. Soit A une matrice nilpotente, il existe un


entier q tel que Aq = 0. Le polynme xq est alors annulateur de A et le polynme minimal
de A est de la forme xk avec 1 6 k 6 q. Daprs le thorme 7.9, une matrice nilpotente
est donc diagonalisable si, et seulement si, elle est nulle.

Exercice 7. Montrer quune matrice triangulaire nayant que des 0 sur la diagonale
est diagonalisable si, et seulement si, elle est nulle.

F IGURE 7.2.: William Rowan Hamilton (1805 - 1865)


14 CHAPITRE 7. LE POLYNME MINIMAL

Sir William Rowan Hamilton est un mathmaticien, astronome et physicien


irlandais. Il contribua au dveloppement de loptique et de la dynamique,
en mathmatiques ses travaux portent sur lalgbre, sa contribution ma-
jeure reste la dcouverte des quaternions. Il dcouvrent ces nombres en 1843
en essayant dtendre les nombres complexes des espaces de dimension
suprieure 2. Lobjectif tait de construire des nombres dans lespace qui
ont des proprits analogues celles des nombres complexes dans le plan.
Hamilton aurait dcouvert la structure multiplicative des quaternions, en se
promenant avec son pouse le long du Royal Canal Dublin. Une plaque sur
le pont indique Ici, le 16 octobre 1843, alors quil se promenait, Sir William
Rowan Hamilton dcouvrit dans un clair de gnie la formule fondamentale
sur la multiplication des quaternions i = j = k = i jk = 1 et la grava sur
une pierre du pont.

F IGURE 7.3.: Broom Bridge sur le Royal Canal Dublin

Le thorme de Cayley-Hamilton : toute matrice est racine de son polynme


caractristique a t montr par Hamilton en 1853 pour la matrice dune ro-
tation de lespace de dimension 3. Cayley formule le thorme pour toutes
les matrices carres dordre 3 en 1958. Cependant, ni Hamilton, ni Cayley
ne publieront de preuve de ce rsultat. Il faudra attendre 1878 pour une pre-
mire preuve par Ferdinand Georg Frobenius. Nous connaissons aujourdhui
un nombre important de preuves diffrentes de ce rsultat.

5 Le thorme de Cayley-Hamilton
Le rsultat suivant montre que le polynme caractristique dune matrice est annula-
teur dune matrice. Ainsi, du polynme caractristique on pourra dduire le polynme
minimal.

7.10 Thorme (Thorme de Cayley-Hamilton). Toute matrice est racine de


son polynme caractristique.
CHAPITRE 7. LE POLYNME MINIMAL 15

Preuve. Soit A une matrice de Mn (R) ou Mn (C), montrons que A est racine de son
polynme caractristique pA . Le polynme caractristique pA est scind sur C :

pA = (x 1 )n1 . . . (x p )n p . (7.13)

La matrice A est donc trigonalisable dans Mn (C) : il existe une matrice inversible P de
Mn (C) telle que
T = P1 AP,
o T est une matrice triangulaire de la forme

T1 i

. . . .
0 T2 . . .. 0 i . . ..

M (C), avec T = Mni (C)

. . . n i .. . . . .
.. .. ..

. . .
0 0 Tp 0 0 i

La matrice Ti i 1ni est nilpotente dindice de nilpotence ni , soit

(Ti i 1ni )ni = 0.

Par suite,

(T1 i 1n1 )ni
... ..
0 .
(T i 1n )ni =
.. ..
. (Ti i 1ni )ni .

.. ... ...
.
0 0 (T p i 1n p )ni

Donc
(T1 i 1n1 )ni
... ..
0 .
(T i 1n )ni =
.. ..
. 0 .

.. ... ...
.
0 0 (T p i 1n p )ni

Le i-ime bloc 0 est nul, par consquent, on a

(T 1 1n )n1 (T 2 1n )n2 . . . (T p 1n )n p = 0.

Par ailleurs, vu lexpression (7.13) du polynme caractristique de A, on a

pA (A) = (A 1 1n )n1 . . . (A p 1n )n p .
16 CHAPITRE 7. LE POLYNME MINIMAL

F IGURE 7.4.: Formulation du thorme de Cayley-Hamilton par Cayley en 1858 dans


[?].

Do

P1 pA (A)P = P1 (A 1 1n )n1 . . . (A p 1n )n p P
= (P1 AP 1 1n )n1 . . . (P1 AP p 1n )n p
= (T 1 1n )n1 (T 2 1n )n2 . . . (T p 1n )n p
= 0.

Ainsi pA (A) = 0. 

7.5.1. Calcul du polynme minimal. Une mthode permettant de dterminer le polynme


minimal dune matrice A de Mn (K), consiste considrer un polynme annulateur de
A et chercher dans lensemble de ses diviseurs, le polynme unitaire annulateur de
plus petit degr. Daprs le thorme de Cayley-Hamilton, thorme 7.10, un candidat
naturel pour le polynme annulateur est le polynme caractristique. Nous allons voir
comment mettre en oeuvre cette mthode dans ce cas.
CHAPITRE 7. LE POLYNME MINIMAL 17

Montrons dans un premier temps que le spectre dune matrice concide avec les racines
de son polynme minimal.

7.11 Proposition. Soit A une matrice de Mn (K). Un scalaire est valeur propre
de A si, et seulement si, il est racine du polynme minimal mA .

Preuve. Le polynme pA est annulateur de A, il admet donc le polynme mA comme


diviseur. Il existe un polynme g de K[x] tel que pA = g mA . Par suite, toute racine du
polynme mA est racine de pA , donc est valeur propre de A.
Inversement, le polynme mA est annulateur de A, donc, daprs la proposition 7.4,
toute valeur propre de A est racine de mA . 

De ce rsultat on dduit

7.12 Proposition. Soit A une matrice de Mn (K) dont le polynme pA est scind :

pA = (1)n (x 1 )n1 . . . (x p )n p ,

avec i 6= j , pour tout i 6= j et n1 + . . . + n p = n, alors

mA = (x 1 )k1 . . . (x p )k p ,

avec 1 6 ki 6 ni .

Preuve. Daprs le thorme 7.10, le polynme mA divise le polynme pA et, daprs la


proposition 7.11, les polynmes mA et pA possdent les mmes racines. 

7.5.2. Exemple. On considre la matrice suivante de de M8 (R) :



3 0 0 0 0 0 0 0
0 3 1 0 0 0 0 0

0 0 3 1 0 0 0 0

0 0 0 3 0 0 0 0
A= 0 0 0 0 5 1 0 0 .


0 0 0 0 0 5 0 0

0 0 0 0 0 0 5 0
0 0 0 0 0 0 0 7

Le polynme caractristique de A est

pA = (x 3)4 (x 5)3 (x 7).


18 CHAPITRE 7. LE POLYNME MINIMAL

La matrice A est diagonale par blocs :



B 0 0
A = 0 C 0 ,
0 0 D
avec
3 0 0 0
0 5 1 0
3 1 0  
B=
0
, C = 0 5 0 , D= 7 .
0 3 1
0 0 5
0 0 0 3
On note que (B 314 )3 = 0, (C 513 )2 = 0 et D 711 = 0. On obtient alors,

(A 318 )3 (A 518 )2 (A 718 )


(B 314 )3 (B 514 )2

0 0 0 0
= 0 (C 313 )3 0 0 (C 513 )2 0 (A 718 )
0 0 (D 311 )3 0 0 (D 511 )2

(B 514 )2 0

0 0 0 0 B 714 0 0
= 0 (C 313 )3 0 0 0 0 0 C 713 0
0 0 (D 311 )3 0 0 (D 511 )2 0 0 0

0 0 0 B 714 0 0
= 0 0
0 0 C 713 0
0 0 (D 511 )5 0 0 0

0 0 0
= 0 0 0

0 0 0

Or 3, 2 et 1 sont les indices de nilpotence des matrices A 318 , A 518 et A 718


respectivement. Par suite le polynme minimal de A est

mA = (x 3)3 (x 5)3 (x 7).

7.5.3. Exemple. Le polynme minimal de la rotation dangle du plan vectoriel,


reprsente dans la base canonique par la matrice
 
cos sin
R = .
sin cos

est pR = x2 2 cos x + 1.

7.5.4. Exemples. Soit


1 1 1
A = 1 1 1 .
1 1 1
CHAPITRE 7. LE POLYNME MINIMAL 19

Alors pA = (x 1)(x + 2)2 . Les deux valeurs possibles pour le polynme minimal de
A sont donc soit (x 1)(x + 2)2 , soit (x 1)(x + 2). Or

2 1 1 1 1 1 0 0 0
(A 13 )(A + 213 ) = 1 2 1 1 1 1 = 0 0 0 .
1 1 2 1 1 1 0 0 0
Par suite mA = (x 1)(x + 2) est le polynme minimal. On en dduit que la matrice A
est diagonalisable et que Sp(A) = {1, 2}, o 2 est valeur propre double.
Soit
3 2 2
B = 1 0 1 .
1 1 0
On a pB = (x 1)3 . Donc mA = (x 1)k , o k = 1, 2 ou 3. Par ailleurs, A est diag-
onalisable si, et seulement si, mA = x 1. Or mA (A) = A 13 6= 0, donc A nest pas
diagonalisable.

Exercice 8. Construire deux matrices qui ont mme polynme caractristique et mme
polynme minimal et qui ne sont pas semblables.

7.5.5. Exemple : calcul de linverse dune matrice admettant deux valeurs propres.
Soit A une matrice de Mn (K). On suppose que son polynme minimal est scind, de
degr 2 :
mA = (x 1 )(x 2 ).
On suppose de plus que les deux valeurs propres de A sont non nulles. On peut alors en
dduire les puissances de A et son inverse. La matrice A est inversible, car 1 et 2 sont
non nuls. On a

mA = (x 1 )(x 2 ) = x(x (1 + 2 )) + 1 2 .

Par suite, la matrice A vrifie

A(A (1 + 2 )1n ) = 1 2 1n .

On en dduit linverse de A :
1
A1 = (A (1 + 2 )1n ). (7.14)
1 2
Par exemple, dans lexemple 6.1.8, nous avons montr que la matrice

n 1 1
. .
1 n . . ..

A= . . ,
.. . . . . . 1
1 1 n

est diagonalisable et quelle possde deux valeurs propres distinctes n 1 et 2n 1 (on


suppose que n > 1). Son polynme minimal est donc mA = (x (n 1))(x (2n 1)).
20 CHAPITRE 7. LE POLYNME MINIMAL

Daprs ce qui prcde, on en dduit que


1
A1 = (A (3n 2)1n ).
(1 n)(2n 1)

Soit
2(1 n) 1 1
... ..
1 1 2(1 n) .

A= .

(1 n)(2n 1)
.. ... ...
. 1
1 1 2(1 n)

Exercice 9. Utiliser la formule (7.14) pour calculer linverse de la matrice R de


lexemple 5.3.4.

7.5.6. Exemple. Plus gnralement, on peut utiliser le thorme de Cayley-Hamilton


pour calculer linverse dune matrice. Soit A une matrice inversible de Mn (K). Son
polynme caractristique est de degr n, il scrit sous la forme

pA = (1)n xn + an1 xn1 + . . . + a1 x + a0 .

Daprs le thorme de Cayley-Hamilton, A est racine de pA et on a :

(1)n An + an1 An1 + . . . + a1 A + a0 1n = 0.

Do
A (1)n An1 + an1 An2 + . . . + a1 1n = a0 1n .
 

Le coefficient a0 est non nul, car a0 = pA (0) = det A et A est inversible. Ainsi,
1 
A1 = (1)n An1 + an1 An2 + . . . + a1 1n .

a0
Exercice 10 (Une autre preuve du lemme des noyaux). Lobjectif de cet exercice est
dtablir une autre preuve du lemme de dcomposition en noyaux. Soient A une matrice
de Mn (K) et g un polynme de K[x], annulateur de A et tel que

g = g1 . . . g p ,

o les gi sont des polynmes premiers entre eux deux deux. Lobjectif est de montrer
par rcurrence sur lentier p, que

Kn = Ker g1 (A) Ker g p (A).

1. Soit g1 un polynme de K[x] tel que g1 (A) = 0. Montrer que Kn = Ker g(A).
2. Soient g1 et g2 deux polynmes de K[x] premiers entre eux, tels que g1 (A)g2 (A) = 0.
Montrer que Kn = Ker g1 (A) Ker g2 (A).
3. Soient g1 , . . . , g p , g p+1 des polynmes de K[x] premiers entre eux deux deux. tels
que
Kn = Ker g1 (A) Ker g p (A).
CHAPITRE 7. LE POLYNME MINIMAL 21

En utilisant le fait que les polynmes g1 . . . g p et g p+1 sont premiers entre eux, montrer
que
Kn = Ker g1 (A) Ker g p (A) Ker g p+1 (A).

6 Le cas des endomorphismes


Les rsultats exposs dans ce chapitre snoncent lidentique pour les endomor-
phismes sur un espace vectoriel de dimension finie. Dans cette section, nous reformu-
lons quelques rsultats dans ce contexte. Cest aussi loccasion de prsenter une autre
preuve du thorme de Cayley-Hamilton, par voie de trigonalisation.
Dans toute cette section, E dsigne un K-espace vectoriel de dimension finie n > 0 et
u un endomorphisme de de E.

7.6.1. Polynmes dendomorphismes. tant donn un polynme de K[x] donn par

f = am xm + am1 xm1 + + a1 x + a0 .

On note f (u) le polynme dendomorphismes de E dfini par :

f (u) = am um + am1 um1 + + a1 u + a0 idE ,

o un dsigne la compose de lendomorphisme u avec lui-mme n fois :

un = u . . . u,
n-fois

et en convenant que u0 est lendomorphisme identit de E.

7.6.2. Polynme annulateur dun endomorphisme. Un polynme non nul g de K[x]


est dit annulateur de lendomorphisme u si g(u) est lendomorphisme nul. On dit aussi
que u est racine du polynme g.
De la mme faon que pour les matrices, proposition 7.3, on montre que tout endomor-
phisme de E possde un polynme annulateur. Cependant, on notera que cette proprit
nest pas vraie en gnral en dimension infinie. Prenons par exemple lespace vectoriel
rel E form des suites relles nulles partir dun certain rang. Lespace E admet pour
base (ek )kN , o ek dsigne la suite (xn )nN avec

0 si k 6= n,
xn =
1 si k = n.

Soit u lendomorphisme de E dfini par

u(ek ) = ek+1 , pour tout k N,

On montre que le polynme nul est le seul polynme annulateur de u.


22 CHAPITRE 7. LE POLYNME MINIMAL

7.6.3. Caractrisation algbrique des endomorphismes diagonalisables. De faon


analogue au cas matriciel, si g est un polynme annulateur de lendomorphisme u, alors
toute valeur propre de u est racine du polynme g. On montre que lendomorphisme u
est diagonalisable sur K si, et seulement si, il existe un polynme de K[x] annulateur de
u scind et ne possdant que des racines simples.
Le polynme minimal dun endomorphisme se dfinit comme celui dune matrice.
On obtient la mme caractrisation pour les endomorphismes diagonalisable : lendo-
morphisme u est diagonalisable si, et seulement si, son polynme minimal est scind et
possde toutes ses racines simples.

7.6.4. Thorme de Cayley-Hamilton. Nous avons montr en 7.10 que toute matrice
est racine de son polynme caractristique. Il en est de mme pour un endomorphisme
sur un espace de dimension finie. Nous donnons ici une autre preuve du thorme de
Cayley-Hamilton.

7.13 Thorme. Tout endomorphisme est racine de son polynme caractris-


tique.

Preuve. On suppose que K est le corps R ou le corps C. Soit u un endomorphisme


du K-espace vectoriel E. Daprs le thorme de DAlembert-Gauss, thorme 0.5, le
polynme caractristique pu est scind sur C, par suite lendomorphisme u est trigonal-
isable sur C. Il existe donc une base B = {e1 , . . . , en } de E telle que la matrice dans
Mn (C) de lendomorphisme u exprim dans la base B soit triangulaire suprieure :

1 . . .
. . .
0 . . . . ..

[u]B = . . .
.. .. ...
0 0 n

On a
pu = (1 x) . . . (n x).
Montrons que
(1 idE u) (n idE u) = 0. (7.15)
Posons, pour tout i J1, nK,

vi = (1 idE u) (i idE u).

Nous tablissons lquation (7.15) en montrant par rcurrence sur i que, pour tout i
J1, nK, on a
vi (e1 ) = vi (e2 ) = . . . vi (ei ) = 0.
Pour i = 1, on a

v1 (e1 ) = (1 e1 u(e1 )) = (1 e1 1 e1 ) = 0.
CHAPITRE 7. LE POLYNME MINIMAL 23

Supposons que vi1 (e1 ) = = vi1 (ei1 ) = 0 et montrons que vi (e1 ) = . . . = vi (ei ) = 0.
On a
vi = vi1 (i idE u) = (i idE u) vi1 .
Donc
vi (e1 ) = = vi (ei1 ) = 0, et vi (ei ) = vi1 (i ei u(ei )).
Or u(ei ) peut scrire :

u(ei ) = a1 e1 + a2 e2 + + ai1 ei1 + i ei ,

car [u]B est triangulaire. Donc

vi (ei ) = vi1 (i ei a1 e1 ai1 ei1 i ei ) = 0

Par suite vi = 0, pour tout i J1, nK, or vn = pu , do vn = pu (u) = 0. 

7.6.5. Exemple. Un projecteur de E, cf., 1.4.11, est un endomorphisme p de E tel


que p2 = p. Autrement dit, un endomorphisme est un projecteur si, et seulement si, il
est racine du polynme x2 x. Si p nest pas lidentit de E, son polynme minimal est
donc m p = x(x 1). Ainsi tout projecteur de E est diagonalisable et on a :

E = Ker p Ker (p idE ).

Dans lexemple 7.1.1, nous avions tabli cette relation pour une projection sur un plan
de R3 paralllement une droite, sans faire appel au polynme minimal. On comprend
ici, lintrts du polynme minimal.

Exercice 11. Soient u un endomorphisme diagonalisable dun espace vectoriel E et F


un sous-espace vectoriel de E stable par u. Montrer que la restriction de u au sous-espace
F est un endomorphisme diagonalisable de F.

Exercice 12. Soit Rn [x] le R-espace vectoriel form des polynmes de degr infrieur
ou gal n. Soit u : Rn [x] Rn [x] lapplication qui un polynme p associe le reste de
la division euclidienne de p par x2 1.
1. Montrer que u est linaire.
2. Calculer u2 et en dduire que lendomorphisme u est diagonalisable.

Exercice 13. Soit n un entier suprieur ou gal 2. On considre lapplication linaire

trace : Mn (R) R

qui toute matrice associe sa trace, cf. 2.4.1.


1. Dterminer limage de lapplication trace et la dimension de son noyau.
2. Montrer quon a une somme directe :

Mn (R) = Ker (trace ) Vect(1n ).


24 CHAPITRE 7. LE POLYNME MINIMAL

Soit u lapplication de Mn (R) dans Mn (R) dfinie par

u(A) = A + trace (A)1n .

3. Montrer que u est un endomorphisme de Mn (R).


4. Lendomorphisme u est-il diagonalisable ? Est-il inversible ?

Exercice 14. Soient E un K-espace vectoriel de dimension finie n et u un endomor-


phisme de E. On considre deux sous-espaces vectoriel F et G de E stables par u tels
que
E = F G.

Si mF et mG dsignent les polynmes minimaux des restrictions de u F et G respec-


tivement, montrer que le polynme minimal mu de u est donn par

mu = ppcm(mF , mG ).

7 Exercices

Exercice 15. Dterminer le polynme minimal des matrices relles suivantes, o a, b


et c sont trois rels distincts deux deux :

a 0 0 a 0 0 a 0 0 a 1 0
A1 = 0 a 0 , A2 = 0 a 0 , A3 = 0 b 0 , A4 = 0 a 1 ,
0 0 a 0 0 b 0 0 c 0 0 a

a 1 0 a 1 0 a 1 0
A5 = 0 a 0 , A6 = 0 a 0 , A7 = 0 b 0 ,
0 0 a 0 0 b 0 0 b

a 1 0 0 a 1 0 0 a 1 0 0
0 a 1 0
, B2 = 0 a 1 0 , B3 = 0 a 0 0 ,

B1 = 0 0 a 1 0 0 a 0 0 0 a 1
0 0 0 a 0 0 0 a 0 0 0 a

a 1 0 0 a 1 0 0
0 a 0 0
, B5 = 0 a 0 0 .

B4 = 0 0 b 1 0 0 b 0
0 0 0 b 0 0 0 b
CHAPITRE 7. LE POLYNME MINIMAL 25

Exercice 16. Dterminer le polynme minimal des matrices suivantes de M3 (R) :



0 0 0 0 0 1 0 1 1 0 1 1
A1 = 0 0 0 , A2 = 0 0 0 , A3 = 0 0 1 , A4 = 0 1 1 ,
0 0 0 0 0 0 0 0 0 0 0 0

1 1 1 1 1 1 1 1 1 1 1 1
A5 = 0 0 1 , A6 = 0 1 1 , A7 = 1 1 1 , A8 = 1 1 1 .
0 0 1 0 0 1 0 1 1 1 1 1

Exercice 17. Soit A une matrice nilpotente de Mn (C).


1. Sans utiliser le polynme minimal, montrer que le polynme caractristique de A est

pA = (1)n xn .

2. Comment dterminer le polynme caractristique pA en utilisant le polynme mini-


mal ?
3. Par rcurrence, montrer que A est semblable une matrice triangulaire suprieure
avec des 0 sur la diagonale.
4. Inversement, montrer que toute matrice triangulaire de Mn (K) avec des 0 sur la di-
agonale est nilpotente dindice de nilpotence p 6 n.

Exercice 18. Trouver une condition ncessaire et suffisante sur les rels a, b, c, d, e, f
pour que les matrices suivantes soient diagonalisables dans M4 (R).

1 a b c 0 a b c 0 a b c
0 1 d e 0 1 d e 0 0 d e
A= 0 0 1 f
, B =
0 0 1 f
, C = 0 0 1 f .

0 0 0 1 0 0 0 1 0 0 0 1

Exercice 19. Trouver une condition ncessaire et suffisante sur les rels a et b pour
que la matrice suivante soit diagonalisables dans M4 (R).

1 a a 1
1 b a a 1 b
A= .
b a 1 a 1 + b
0 a a 0

Exercice 20. Soit J la matrice de Mn (C) dfinie par



0 1 0 ... 0
.
0 0 1 . . . ..

. ... ...
.. 0


0 . . . 1

1 0 ... 0

1. Calculer J p pour tout entier p J1, nK.


26 CHAPITRE 7. LE POLYNME MINIMAL

2. En dduire que J est diagonalisable.


3. Montrer que les matrices 1n , J, . . . , Jn1 sont linairement indpendantes.
4. Dterminer le polynme minimal de J.
5. Calculer les valeurs propres de J.
6. Diagonaliser J en exhibant une matrice de passage.

Exercice 21. Soit A la matrice circulante complexe suivante :



a1 a2 . . . an
. .
an a1 . . ..

. .
.. . . . . . a2

a2 . . . an a1

1. Exprimer A comme un polynme en la matrice J, dfinie dans lexercice 20


2. Montrer que pour tout polynme g de C[x], g(J) est diagonalisable et que

Sp(g(J)) = {g( ) | Sp(J)}.

3. En dduire que la matrice A est diagonalisable et calculer ses valeurs propres.


4. Calculer le dterminant de A.

Exercice 22. Soit A une matrice inversible de Mn (C).


1. Montrer que 0 ne peut pas tre valeur propre de A.
2. En dduire que A1 est un polynme en A. [On pourra utiliser le fait que le polynme
x ne divise pas le polynme caractristique de A.]

Exercice 23. Soient A une matrice de Mn (K) et p un polynme coefficients dans


K.
1. Montrer que si le polynme p est premier avec le polynme minimal mA de A, alors
la matrice p(A) est inversible.
2. Inversement, montrer que si la matrice p(A) est inversible, alors les polynmes p et
mA sont premiers entre eux.

Exercice 24. Rsoudre dans Mn (R) lquation X3 = X.

Exercice 25. Lobjectif est de rsoudre dans M3 (R) lquation

X3 + X = 0.

Soit A une matrice non nulle solution de lquation prcdente.


1. Montrer que
R3 = Ker A Ker (A2 + 13 ).
2. Dterminer le polynme minimal de A.
3. Montrer que si x nappartient pas Ker A, alors (x, Ax) est libre.
CHAPITRE 7. LE POLYNME MINIMAL 27

4. Montrer que Ker A est de dimension 1. En dduire que A est semblable la matrice

0 0 0
0 0 1 .
0 1 0
Exercice 26. Soient E un K-espace vectoriel de dimension n et p le polynme de
K[x] dfini par
P = xn an1 xn1 . . . a1 x a0 .
La matrice compagnon du polynme p est la matrice

0 0 a0
1 0 0 a1
. .. ..

A= 0 1 .. . . .

. ... ...
..

0 an2
0 0 1 an1

On note u lendomorphisme de E reprsent par la matrice A dans une base


B = (e1 , . . . , en ) de E fixe.
1. Montrer que le polynme caractristique de u est pu = (1)n p.
2. Sans utiliser le thorme de Cayley-Hamilton, montrer que le polynme p est annu-
lateur de u.
3. En dduire que p est le polynme minimal de u.
Exercice 27. Soient v un endomorphisme de E et x un vecteur non nul de E. Soit p
le plus grand entier tel que la famille Bx = (x, v(x), . . . , v p (x)) soit libre.
1. Montrer que le sous-espace

Ex = Vect(x, v(x), . . . , v p (x)),

est stable par v.


2. Montrer que la matrice dans la base Bx de la restriction de lendomorphisme v au
sous-espace Ex est une matrice compagnon.
3. crire le polynme associ cette matrice compagnon.
4. En dduire que le polynme caractristique de v vrifie pv (x) = 0.
5. En dduire le thorme de Cayley-Hamilton.
Exercice 28. Soit E un K-espace vectoriel de dimension finie n. Un endomorphisme
u de E est dit cyclique sil existe un vecteur x de E tel que la famille

Bx = (x, u(x), . . . , un1 (x))

soit une base de E.


1. crire la matrice de u dans la base Bx est une matrice compagnon.
2. Montrer quun endomorphisme cyclique possde une unique matrice compagon.
3. Montrer quun endomorphisme cyclique de E est diagonalisable si et seulement sil
possde n valeurs propres distinctes.
28 CHAPITRE 7. LE POLYNME MINIMAL

Exercice 29. Soient K un corps commutatif et E un K-espace vectoriel de dimension


finie n. On considre le K-espace vectoriel L (E) form des endomorphismes de E. Pour
tout endomorphisme u de E, on dfinit lapplication

Du : L (E) L (E)
v 7 u v.

1. Montrer que Du est un endomorphisme de L (E).


2. Montrer que, pour tout entier naturel n et tout endomorphisme v L (E), on a

(Du )n (v) = un v.

En dduire que, pour tout polynme f de K[x], on a

f (Du ) = D f (u) .

3. Montrer que u est diagonalisable si, et seulement si, Du est diagonalisable.


4. Soient (ei )16i6n une base de E et u un endomorphisme de E dont la matrice dans la
base (ei )16i6n est note M. Soit (ei, j )16i, j6n une base de L (E) dfinie par

ei, j (ek ) = j,k ei ,

o j,k = 1 si j = k et j,k = 0 si j 6= k. Montrer que la matrice de Du dans la base

(e1,1 , . . . , en,1 , e1,2 , . . . , en,2 , . . . , e1,n , . . . , en,n ),

scrit
M 0 ...
0
..
...
0 M .

.

.. ... ...
. 0
0 0 M

Exercice 30. Dans la suite, on suppose que E est un R-espace vectoriel de dimension
2. On considre la base B de L (E), forme des endomorphismes reprsents dans la
base canonique par les matrices Ei suivantes :
       
1 0 0 0 0 1 0 0
E1 = , E2 = , E3 = , E4 = .
0 0 1 0 0 0 0 1

Soit u lendomorphisme de E reprsent dans la base canonique par la matrice


 
1 4
.
1 1

1. Montrer que u est diagonalisable.


2. crire la matrice de Du dans la base B.
3. Diagonaliser Du .
CHAPITRE 7. LE POLYNME MINIMAL 29

Exercice (Sage) 31. 1. Calculer le polynme caractristique et le polynme minimal


de la matrice suivante :
1 1 3
M = 2 2 2
2 1 4
2. La matrice M est-elle diagonalisable ?
3. Dterminer le spectre de M ainsi quune base pour chaque sous-espace propre.

Exercice (Sage) 32. Avec le systme Sage, dire si les matrices suivantes sont diagonal-
isables sur Q, sur R, sur C ?

0 1 0 1 1 1 2 3
0 0 1 2 , B = 1 2 3 2 ,

A= 1 1 1 1 2 3 3 4
1 2 0 1 3 2 4 4

4 2 4 0 2 0
C= 0 0 1 , D = 1 0 1 .
3 2 3 0 2 0

Pour avoir la liste des valeurs propres dans C dune matrice, on pourra calculer son
polynme caractristique p(x), puis les racines de ce polynme. Attention aux erreurs
dapproximation numrique. Pour afficher ces racines avec une approximation numrique
avec 3 chiffres dcimaux, on pourra utiliser le code suivant (cf. manuel en ligne de
solve) :

valspres = solve([p(x) == 0], x, solution_dict = True)


for vp in valspres:
print vp[x].n(digits=3)

Exercice (Sage) 33. On considre la matrice relle suivante


1 a2 a2 a

1 1 a 1
A= 1 a 1 1 .

a a 2 a2 1

1. Calculer le polynme caractristique de A.


2. Pour quelles valeurs de a, la matrice A est-elle diagonalisable ?
3. Diagonaliser A en donnant une matrice de passage.

Exercice (Sage) 34 (Matrices compagnons). La procdure CompanionMatrix retourne


la matrice compagnon du polynme donn en argument :
30 CHAPITRE 7. LE POLYNME MINIMAL

> P := x^4 + x^3 + x^2 + x:


CompanionMatrix(P,x);


0 0 0 0
1
0 0 1

0 1 0 1
0 0 1 1

Un des intrts de la procdure CompanionMatrix est de construire des exemples de


matrices dont on connat par avance le polynme caractristique. On pourra aussi les
procdures CharacteristicMatrix, JordanBlockMatrix.
1. Construire une matrice ayant pour polynme caractristique

p = (x3 1)(x2 + x + 1).

2. Cette matrice est-elle diagonalisable sur R ou sur C ?


3. Construire une matrice compagnon de M3 (R) diagonalisable et une matrice com-
pagnon de M3 (R) non diagonalisable.

Exercice (Sage) 35 (Polynme caractristique et inverse). Soit A une matrice de Mn (K).


1. Montrer que si 0 nest pas valeur propre de A, la matrice A est inversible.
2. En utilisant le polynme caractristique de A. Exprimer linverse de A comme un
polynme en A.
3. crire un fonction qui prend en argument une matrice inversible et retourne son in-
verse en utilisant lexpression prcdente. On pourra utiliser la mthode shift(n)
qui multiplie un polynme par xn :

sage: x = PolynomialRing(QQ,'x').gen()
... p = 3*x^3 + 2*x^2 + x
... print p.shift(2)
... print p.shift(-1)
3*x^5 + 2*x^4 + x^3
3*x^2 + 2*x + 1

4. Tester cette fonction. Calculer linverse de la matrice



5 2 2 2 2
2 5 2 2 2

A= 2 2 5 2 2 .

2 2 2 5 2
2 2 2 2 5

Exercice (Sage) 36. crire une procdure testant si une matrice est nilpotente.
CHAPITRE 7. LE POLYNME MINIMAL 31

Exercice (Sage) 37 (Calcul du polynme minimal). On souhaite crire une procdure


permettant de calculer le polynme minimal dune matrice. Naturellement, on sinterdit
lutilisation de la procdure MinimalPolynomial qui ralise ce calcul.
Nous savons que toute matrice A Mn (K) admet un polynme minimal. En effet, la
famille
2
(1n , A, A2 , . . . , An ),
compose de n2 + 1 vecteurs est lie. Il existe donc des scalaires non tous nuls, tels que
2
a0 1n + a1 A + a2 A2 + . . . + an2 An = 0
2
et le polynme non nul g = a0 + a1 x + a2 x2 + . . . + an2 xn est ainsi annulateur de la
matrice A.
Afin dcrire une procdure permettant de dterminer le polynme minimal de A, on
observe que la premire famille de la suite de familles

(A0 , A1 , . . . , Ak ), k {0, . . . , n2 },

est libre, car elle est rduite la matrice identit, et que la dernire de ces familles est
lie. Il existe donc un plus petit indice k0 , tel que la famille (Ai )06i6k0 soit lie. Par
dfinition de k0 , la famille (A0 , A1 , . . . , Ak0 1 ) est alors libre. Il existe donc une unique
famille (b0 , b1 , . . . bk0 1 ) de scalaires tels que

b0 1n + b1 A + b2 A2 + . . . + bk0 1 Ak0 1 + Ak0 = 0.

Une mthode pour dterminer le polynme minimal de la matrice A, consiste donc


rsoudre successivement le systme de n2 quations en les scalaires b0 , b1 , . . . bk1 :

b0 1n + b1 A + b2 A2 + . . . + bk1 Ak1 + Ak = 0 (Sk )

1. Montrer que le premier indice k, pour lequel le systme (Sk ) admet une solution est
k0 et que cette solution est unique.
2. Dduire de ce qui prcde, une procdure qui prend en argument une matrice et re-
tourne son polynme minimal.
3. Comparer sur des exemples les rsultats obtenus avec ceux obtenus avec la procdure
MinimalPolynomial.
CHAPITRE
8

Dcomposition spectrale des matrices

Sommaire
1. Prliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2. Matrices nilpotentes . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3. Les espaces spectraux . . . . . . . . . . . . . . . . . . . . . . . . . 4
4. Dcomposition spectrale gomtrique . . . . . . . . . . . . . . . . 7
5. Dcomposition spectrale algbrique . . . . . . . . . . . . . . . . . 10
6. Calcul de la dcomposition spectrale algbrique . . . . . . . . . . 15
7. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

1 Prliminaires
8.1.1. Diagonalisation par blocs. Dans les chapitres prcdents, nous avons vu quune
matrice A de Mn (K) nest pas toujours diagonalisable. Nous allons montrer dans ce
chapitre que si le polynme caractristique de la matrice A est scind, alors il est tou-
jours possible de la diagonaliser par blocs autrement dit A est semblable une
matrice de la forme
B1 0 0
. .
0 B2 . . ..

. .
.. .. ... 0

0 0 Bp
o les Bi sont des blocs carrs.
Daprs le thorme de caractrisation des matrices diagonalisables, thorme 6.13,
diagonaliser une matrice A de Mn (K) revient trouver une dcomposition de lespace

1
2 CHAPITRE 8. DCOMPOSITION SPECTRALE DES MATRICES

Kn en une somme directe de sous-espaces propres :

Kn = E1 . . . E p

associs A, i.e., pour tout i J1, pK, Ei = Ker (A i 1n ). Diagonaliser une matrice A
de Mn (K) par blocs consiste trouver une dcomposition de lespace Kn en une somme
directe
Kn = N1 . . . N p ,
de sous-espaces vectoriels Ni stables par A, i.e., pour tout i J1, pK,

x Ni Ax Ni .

On montre que ceci est quivalent dire que la matrice A est semblable une matrice
diagonale par blocs, cest--dire de la forme

B1 0 0
. .
0 B2 . . ..

. .
.. .. ... 0

0 0 Bp

o, pour tout i J1, pK, Bi est une matrice de Mni (K), avec ni = dim Ni .

8.1.2. Formulation gomtrique. On peut reformuler ce problme de la faon suiv-


ante. Diagonaliser par blocs un endomorphisme de Kn revient trouver une dcomposi-
tion de Kn en une somme directe

Kn = N1 . . . N p ,

de sous-espaces vectoriels stables par u, i.e., limage par u du sous-espace Ni est un


sous-espace de Ni . Considrant une base Bi pour chaque sous-espace Ni , la runion de
ces bases
B = B1 . . . B p
forme une base de Kn . Exprime dans cette base, la matrice de u est de la forme suivante :

[u|N ] 0 0
1 B1
... ..
0 [u ]
|N2 B .
[u]B =
2

.
.. ... ...

0

0 0 [u|N p ]
Bp

Le polynme caractristique de lendomorphisme u tant scind, le polynme caractris-


tique de chaque restriction u|N est scind. Daprs le thorme 6.1, il existe pour chaque
i
espace Ni une base Bi de trigonalisation de u|Ni . Ainsi, la matrice qui exprime u dans la
base B est diagonale par blocs, et de plus ces blocs sont triangulaires.
CHAPITRE 8. DCOMPOSITION SPECTRALE DES MATRICES 3

2 Matrices nilpotentes
8.2.1. Matrices strictement triangulaire. On appelle matrice strictement triangu-
laire suprieure (resp. infrieure) une matrice triangulaire dont les coefficients diago-
naux sont tous nuls.

8.1 Proposition. Toute matrice strictement triangulaire est nilpotente.

Preuve. Soit T une matrice strictement triangulaire de Mn (K). Sa diagonale tant nulle,
le spectre de T est rduit {0}. Ainsi, le polynme caractristique de T est

pT = (1)n xn .

Le polynme minimal de T est donc de la forme xk , avec 1 6 k 6 n. Autrement dit, T


est nilpotente. 

Nous avons de nombreuses caractrisations des matrices nilpotentes :

8.2 Proposition. Soit A une matrice de Mn (K) non nulle. Les assertions suiv-
antes sont quivalentes :
i) la matrice A est nilpotente,
ii) le polynme minimal de A est de la forme xr , avec r > 0,
iii) le polynme caractristique de A est (1)n xn ,
iv) la puissance n-ime de A est nulle,
v) le spectre de A est rduit {0},
vi) la matrice A est semblable une matrice strictement triangulaire,
vii) trace Ak = 0, pour tout k J1, nK.

Preuve. Si A est nilpotente, il existe un entier q tel que le polynme xq soit annulateur de
A, par suite, le polynme minimal de A est de la forme xr , o r est lindice de nilpotence
de la matrice A. Ainsi i) implique ii).
Par ailleurs, ii) implique iii), iii) implique iv) et iv) implique v) sont immdiates.
Supposons que le spectre de A soit rduit {0}, i.e., 0 est la seule valeur propre de
A. La matrice A est trigonalisable et semblable une matrice strictement triangulaire
suprieure T : A = P1 TP avec P inversible. Do v) implique vi).
Limplication vi) implique i) est donne par la proposition 8.1.
Lquivalence de vii) avec les autres proprits est une consquence immdiate de la
proposition 6.3. 
4 CHAPITRE 8. DCOMPOSITION SPECTRALE DES MATRICES

3 Les espaces spectraux

8.3.1. Premier exemple : le cas dune matrice diagonalisable. Soit A la matrice de


M3 (R) suivante :
2 1 1
A = 1 2 1 .
1 1 2
Le polynme caractristique de A est pA = (x 4)(x 1)2 et son polynme mini-
mal est mA = (x 4)(x 1). La matrice A est alors diagonalisable. Il existe donc une
dcomposition de lespace R3 en somme directe de sous-espaces propres :

R3 = E4 E1 .

La valeur propre 4 tant de multiplicit algbrique 1, on a dim E4 = 1. On en dduit que


dim E1 = 2.
Dterminons les projections de lespace R3 sur les sous-espaces propres E4 et E1 .
Nous noterons
4 : R3 E4
la projection de R3 sur le sous-espace E4 paralllement au sous-espace E1 et

1 : R3 E1

la projection de R3 sur E1 paralllement E4 . Ces deux projections sont entirement


caractrises par les relations suivantes :

42 = 4 , 12 = 1 , 4 1 = 1 4 = 0, et idR3 = 4 + 1 ,
Im 4 = E4 , Ker 4 = E1 , Im 1 = E1 , Ker 1 = E4 (8.1)

On notera 1 et 4 les matrices des projections 1 et 4 exprimes dans la base


canonique de R3 . Nous allons voir que lon peut exprimer ces deux matrices en fonction
de la matrice A.

Les polynmes x 4 et x 1 sont premiers entre eux. Daprs lidentit de Bzout,


thorme 0.4, il existe deux polynme h1 et h2 de R[x] tels que

(x 4)h1 + (x 1)h2 = 1

Un calcul lmentaire nous permet de dterminer les polynmes h1 et h2 , on a :


1 1
(x 4)( ) + (x 1)( ) = 1. (8.2)
3 3
Montrons que
1 1
4 = (A 13 ) et 1 = (A 413 ).
3 3
Supposons 4 et 1 ainsi dfinis et montrons quils satisfont les relations 8.1. De lqua-
CHAPITRE 8. DCOMPOSITION SPECTRALE DES MATRICES 5

tion 8.2, on dduit que


4 + 1 = 13 . (8.3)
Montrons que
Ker 4 = E1 et Im 4 = E4 .
1
Comme 4 = (A 13 ), la premire galit est immdiate. Pour la seconde galit,
3
supposons y Im 4 , il existe alors un vecteur x de R3 tel que
1
y = 4 (x) = 4 (x) = (A 13 )(x).
3
Par ailleurs,
1 1
(A 413 ) (A 13 )(x) = mA (A)(x) = 0.
3 3
Par suite, (A 413 )(y) = 0, do y E4 .
Inversement, si y E4 , daprs (8.3) on a y = 4 (y) + 1 (y). Or
1
1 (y) = (A 413 )(y) = 0.
3
Donc y = 4 (y), par suite y Im 4 . Ainsi, Im 4 = E4 .
De la mme faon, on montre que

Ker 1 = E4 et Im 1 = E1 .

Les relations 4 1 = 1 4 = 0 se dduisent immdiatement du fait que


  
1 1 1
4 1 = (A 13 ) (A 413 ) = mA (A) = 0.
3 3 9

Les relations 24 = 4 , 21 = 1 sont une consquence immdiate des relations (8.3) et


4 1 = 1 4 = 0.
En multipliant les deux membres de la relation (8.3) gauche par la matrice A, on
obtient la dcomposition suivante de la matrice A :

A = A4 + A1 .

Comme pour tout vecteur x de E4 , on a Ax = 4x et 4 x = x, on en dduit que

A4 = 44 .

Par ailleurs, on a de faon similaire A1 = 1 . Ainsi,

A = 44 + 1 . (8.4)

La dcomposition (8.4) de la matrice A est appele la dcomposition spectrale de A.


On montrera dans la suite que cette dcomposition de la matrice A est trs utile pour
avoir des expressions simples de puissances de A. En particulier, pour tout entier k, on
6 CHAPITRE 8. DCOMPOSITION SPECTRALE DES MATRICES

montrera que
Ak = 4k 4 + 1 .

Les matrices des projecteurs 1 et 4 dans la base canonique de R3 sont



1 1 1 2 1 1
1 1
4 = 1 1 1 , 1 = 1 2 1 .
3 3
1 1 1 1 1 2

On notera que rang 4 = 1 = trace 4 et que rang 1 = 2 = trace 2 .

8.3.2. Deuxime exemple : le cas dune matrice non diagonalisable. Considrons


la matrice suivante de M4 (R).

2 1 0 0
0 2 0 0
A= 0 0 2 0 .

0 0 0 3

Le polynme caractristique de A est pA = (x 2)3 (x 3), son polynme minimal est


mA = (x 2)2 (x 3). La matrice A nest donc pas diagonalisable.
En appliquant le lemme des noyaux, thorme 7.6, au polynme minimal, on obtient
la dcomposition :
R4 = Ker (A 214 )2 E3 ,
o E3 est le sous-espace propre associ la valeur propre 3. Notons

N2 = Ker (A 214 )2 .

La dimension de E3 est majore par la multiplicit algbrique de la valeur propre 3. On


a donc dim E3 = 1 et par suite dim N2 = 3.
Dterminons la matrice de la projection 2 de R4 sur N2 paralllement E3 et celle de
la projection 3 de R4 sur E3 paralllement N2 , exprimes dans la base canonique de
R4 .
Les polynmes (x 2)2 et x 3 sont premiers entre eux ; on tablit une relation de
Bzout :
(x 2)2 + (x 3)(x + 1) = 1.
Posons

1 0 0 0 0 0 0 0
0 1 0 0 0 0 0 0
et 3 = (A214 )2 =

2 = (A314 )(A+14 ) =
0
.
0 1 0 0 0 0 0
0 0 0 0 0 0 0 1

Ainsi dfinis, 2 et 3 satisfont :

22 = 2 , 23 = 3 , 2 3 = 3 2 = 0, 14 = 2 + 3 .
CHAPITRE 8. DCOMPOSITION SPECTRALE DES MATRICES 7

De plus, on a

Im 2 = N2 , Ker 3 = E3 , Im 3 = E3 , Ker 3 = N2 .

Ainsi, les matrices 2 et 3 sont bien celles des projections sur les sous-espaces N2 et
E3 respectivement.
Posons

2 0 0 0 0 1 0 0
0 2 0 0
, N = AD = 0 0 0 0 .

D = 22 + 33 = 0 0 2 0 0 0 0 0
0 0 0 3 0 0 0 0

On a N2 = 0 et A = D + N. Ainsi, A scrit comme la somme dune matrice diagonalis-


able et dune matrice nilpotente. Nous montrons dans ce chapitre que cette dcomposi-
tion est unique.

4 Dcomposition spectrale gomtrique


8.4.1. Sous-espace spectral. Soit A une matrice de Mn (K) dont le polynme carac-
tristique est scind :

pA = (1)n (x 1 )n1 . . . (x p )n p ,

avec i 6= j si i 6= j et n1 + . . . + n p = n.
Le sous-espace vectoriel Ker (A i 1n )ni de Kn est appel le sous-espace spectral de
A associ la valeur propre i . On le notera Ni . Certains textes utilisent aussi la termi-
nologie de sous-espace caractristique, ou encore de sous-espace propre gnralis.
De la mme faon, si u est un endomorphisme de Kn dont le polynme caractristique
est scind :
pu = (1)n (x 1 )n1 . . . (x p )n p ,
avec i 6= j si i 6= j et n1 + . . . + n p = n, le sous-espace vectoriel

Ni = Ker (u i idKn )ni

est appel le sous-espace spectral de u associ la valeur propre i .

8.3 Proposition. Soient A une matrice de Mn (K) et une valeur propre de A.


Le sous-espace propre E est un sous-espace vectoriel du sous-espace spectral N .

Preuve. Cela dcoule immdiatement du fait que pour toute matrice carre A, on a la
8 CHAPITRE 8. DCOMPOSITION SPECTRALE DES MATRICES

suite dinclusions de sous-espaces

Ker A Ker A2 . . . Ker Ak . . .

8.4 Thorme (Thorme spectral gomtrique). Soit u un endomorphisme de


Kn dont le polynme caractristique est scind avec

pu = (1)n (x 1 )n1 . . . (x p )n p ,

avec i 6= j si i 6= j, n1 + . . . + n p = n et dont le polynme minimal est

mu = (x 1 )k1 . . . (x p )k p , avec 0 < ki 6 ni .

Alors, les sous-espaces spectraux de u satisfont, pour tout i J1, pK, les assertions
suivantes :
i) Kn = N1 . . . N p ,
ii) Ni est stable par u,
iii) lendomorphisme u|N i idN , o u|N est la restriction de u Ni , est nilpo-
i i i
tent dindice ki ,
iv) dim Ni = ni .

Preuve. Montrons i). Daprs le thorme de Cayley-Hamilton 7.10, le polynme carac-


tristique pu est annulateur de u. La dcomposition i) est une consquence du lemme de
dcomposition en noyaux, proposition ??, applique la factorisation de pu en facteurs
irrductibles.

Montrons ii). Soit x Ni . Alors (u i idKn )ni (x) = 0, donc u (u i idKn )ni (x) = 0.
Par suite, (u i idKn )ni (u(x)) = 0, do u(x) Ni .

Montrons iii). En appliquant le lemme de dcomposition aux polynmes minimal et


caractristique, on a
p
M p
M
n ni
K = Ker (u i id ) = Kn Ker (u i idKn )ki .
i=1 i=1

Par ailleurs, pour tout i J1, pK, on a Ker (ui idKn )ki Ker (ui idKn )ni , on en dduit
donc que :
Ker (u i idKn )ki = Ker (u i idKn )ni = Ni .
Par suite, pour tout x Ni , on a (u i idKn )ki (x) = 0, soit

(u|N i idN )ki = 0.


i i
CHAPITRE 8. DCOMPOSITION SPECTRALE DES MATRICES 9

Le polynme (x i )ki est donc annulateur de u|N , ainsi le polynme minimal de u|N
i i
est de la forme :
mu|N = (x i )li , avec li 6 ki .
i

Le polynme
(x 1 )l1 . . . (x p )l p
est donc annulateur de u. Comme mu est minimal, on en dduit que li = ki pour tout i.
Donc (u|N i idN ) est nilpotent dindice de nilpotence ki .
i i

Montrons iv). On a

pu|N (x + i ) = det (u|N (x + i )idN ),


i i i

= pu|N i idN (x).


i i

Or, daprs iii), lendomorphisme u|N i idN de Ni est nilpotent. Par suite, son
i i
polynme caractristique est

pu|N i idN = (x)dim Ni .


i i

Donc le polynme caractristique de lendomorphisme u|N est


i

pu|N (x) = (1)dim Ni (x i )dim Ni .


i

Comme Ni est stable par u, pu|N divise pu , do dim Ni 6 ni . Par ailleurs, Kn = N1


i
N p , donc
p p
n = ni = dim Ni .
i=1 i=1
On en dduit que dim Ni = ni , pour tout i. 

8.4.2. Remarque. Avec les notations prcdente, daprs iv) le polynme caractris-
tique de la restriction u|N de u au sous-espace spectral Ni est
i

pu|N = (1)ni (x i )ni .


i

Donc lendomorphisme u|N est trigonalisable et admet une seule valeur propre i dor-
i
dre de multiplicit algbrique ni . Il existe donc une base Bi de Ni telle que dans
Mni (K) :


i
[u|N ]Bi = ... .
i
0 i
En considrant, pour tout i J1, pK, une telle base de trigonalisation Bi pour chaque
10 CHAPITRE 8. DCOMPOSITION SPECTRALE DES MATRICES

Ni , la runion B = B1 . . . B p forme une base de lespace Kn et on a


n1



1

... n1 0



0 1

n2



2
...

n2
[u]B = .
0

2

...

np





p


0 ... n p

0 p

5 Dcomposition spectrale algbrique


Nous reformulons ici de faon algbrique le thorme spectral gomtrique 8.4.

Rappelons que si E1 , . . . , E p sont des sous-espaces vectoriels de Kn , alors une condi-


tion ncessaire et suffisante pour que Kn = E1 . . . E p est quil existe des applications
linaires
i : Kn Ei , i J1, pK
telles que
idKn = 1 + . . . + p , i j = 0, pour tout i 6= j.
Lapplication linaire i est appele la projection sur Ei paralllement au sous-espace
p
E j.
j=1
i6= j

Soit u un endomorphisme de Kn dont le polynme caractristique est scind :

pu = (1)n (x 1 )n1 . . . (x p )n p ,

avec i 6= j si i 6= j, n1 + . . . + n p = n. Daprs le thorme 8.4, on a une dcomposition

Kn = N1 . . . N p .

8.5.1. Dfinition. La projection sur le sous-espace spectral Ni paralllement au sous-


p
espace N j est appel projecteur spectral associ la valeur propre i . On le notera
j=1
i6= j
i .
CHAPITRE 8. DCOMPOSITION SPECTRALE DES MATRICES 11

8.5 Proposition. Les projecteur spectraux 1 , . . . , p sont des polynmes en u.

Preuve. Soit i J1, pK. Notons


p
gi = (x j )n j .
j=1
j6=i

Si i 6= j, le polynme g = gi g j = (1)n pu est annulateur de u. Les polynmes g1 , . . . , g p


sont premiers entre eux dans leur ensemble. Daprs le thorme de Bzout, il existe des
polynmes h1 , . . ., h p de K[x] tels que

g1 h1 + . . . + g p h p = 1.

Par suite,

g1 (u)h1 (u) + . . . + g p (u)h p (u) = idKn . (8.5)


Pour tout i J1, pK, posons
i = gi (u)hi (u).
De la relation (8.5), on dduit que

idK = 1 + . . . + p . (8.6)

Dautre part, si j 6= i, le polynme g j gi = g est annulateur de u, donc :

i j = gi (u)hi (u)g j (u)h j (u)


= gi (u)g j (u)hi (u)h j (u)
= 0.

Il nous reste montrer que


p
M
Im i = Ni , Ker i = N j .
j=1
j6=i

Montrons la premire galit. Soit y = i (x) Im i , on a y = gi (u)hi (u)(x) et

(u i idK )ni (y) = (x i )ni (u)gi (u)hi (u)(x)


= gi (u)g(u)(x)
= 0.

Donc y Ni et Im i Ni .
Inversement, soit x Ni . On a x = 1 (x) + . . . + p (x). Par ailleurs, si i 6= j le
polynme (x i )ni divise g j . Le polynme (x i )ni tant annulateur de lendomor-
12 CHAPITRE 8. DCOMPOSITION SPECTRALE DES MATRICES

phisme u|N , on a alors


i

j (x) = g j (u)h j (u)(x) = 0, si i 6= j.

Donc x = i (x) Im i et Ni Im i .

Montrons la seconde galit. Si i 6= j, le polynme (x j )n j divise gi , donc pour


tout x N j , on a i (x) = gi (u)hi (u)(x) = 0. Donc N j Ker i si i 6= j. Par suite
N j Ker i .
L
j6=i

L
Inversement, soit x Ker i . Comme x = 1 (x) + . . . + 0 + . . . + p (x), on a x
N j . On montre ainsi la proposition. 
j6=i

8.5.2. Lemme. Soient u un endomorphisme diagonalisable de E et F un sous-espace


vectoriel de E stable par u. La restriction de u au sous-espace F est un endomorphisme
diagonalisable de F.

Preuve. Le sous-espace vectoriel F est stable par u, donc la restriction u|F est un endo-
morphisme de F. Montrons que le polynme minimal de u|F divise le polynme minimal
de u. On a mu (u) = 0, donc

mu (u)(x) = 0, pour tout x E.

En particulier, cette galit reste vraie pour tout x F, par suite mu est un polynme
annulateur de u|F . Do mu|F divise mu .
Par ailleurs, u est diagonalisable, donc mu est scind et ne possde que des racines
simples. Comme mu|F divise mu , il est donc scind et ne possde que des racines simples.
La restriction u|F est donc diagonalisable. 

8.5.3. Lemme. Soient u et v deux endomorphismes de E qui commutent, i.e. uv = vu.


Alors,
i) tout sous-espace propre de u est stable par v,
ii) u et v sont diagonalisables si, et seulement si, il existe une base commune de diag-
onalisation.

Preuve. Montrons i) Soit une valeur de u, montrons que le sous-espace propre E de


u associ la valeur propre est stable par v. Soit x E , on a

vu(x) = v( x) = v(x).

Or uv(x) = vu(x), donc u(v(x))) = v(x). Par suite, v(x) E et E est stable par v.
Montrons ii) Supposons que u et v soient diagonalisable. Posons Sp(u) = {1 , . . . , p }.
Lendomorphisme v est diagonalisable et daprs i) Ei est stable par v. Daprs le lemme
8.5.2, la restriction v|E de v au sous-espace Ei est diagonalisable ; soit Bi une base
i
de diagonalisation de v|E . Alors la runion B = B1 . . . B p forme une base de
i
CHAPITRE 8. DCOMPOSITION SPECTRALE DES MATRICES 13

diagonalisation de v. Cest aussi une base de diagonalisation de u, car pour tout ei Bi ,


on a u(ei ) = i ei .
La rciproque est immdiate.


Le thorme suivant est aussi connu sous le nom de dcomposition de Dunford .

8.6 Thorme (Dcomposition spectrale algbrique). Soit u un endomor-


phisme de Kn dont le polynme caractristique pu est scind. Soient 1 , . . ., p les
valeurs propres de u. Il existe un unique couple (d, n) dendomorphismes de E tels
que
i) u = d + n,
ii) d est diagonalisable et n est nilpotente,
iii) n et d sont des polynmes en u,
iv) d n = n d.
De plus, on a :
d = 1 1 + . . . + p p
et
n = (u 1 idE )1 + . . . + (u p idE ) p ,
o 1 , . . . , p dsignent les projecteurs spectraux de lendomorphisme u.

Preuve. La preuve est une consquence immdiate du thorme 8.4. Montrons lexis-
tence de d et u satisfaisant i) et ii). Daprs 8.4 i), on a

E = N1 . . . N p .

Donc idE = 1 + . . . + p , par suite

u = u1 + . . . + u p ,

do
u = u|N 1 + . . . + u|N p .
1 p

Par ailleurs, daprs 8.4 iii), lendomorphisme ni = u|N i idN est nilpotent. On a
i i
donc
u|N = i idN + ni .
i i

Ainsi
u = (1 idN + n1 )1 + . . . + ( p idN p + n p ) p .
1

Posons
d = 1 1 + . . . + p p et n = n1 1 + . . . + n p p .
14 CHAPITRE 8. DCOMPOSITION SPECTRALE DES MATRICES

Ainsi dfinis, les endomorphismes d et n varifient u = d +n. De plus, chaque ni est nilpo-
tent, donc n est nilpotent. Enfin, d est diagonalisable, car pour tout x Ni , d(x) = i x et
toute base B = B1 . . . B p , o Bi est une base de Ni est une base de diagonalisation
de d. On montre ainsi lexistence de d diagonalisable et n nilpotente tels que u = d + n.

Daprs la proposition 8.5 les projecteurs spectraux i , i J1, pK sont des polynmes
en u. Par suite, les endomorphismes d et n sont des polynmes en u. Ce qui montre iii).

Lassertion iv) dcoule de iii) et du fait que, daprs la proposition ??, deux polynmes
en u commutent entre eux. Donc d n = n d.

Reste montrer lunicit de la dcomposition. Supposons quil existe deux couples


dendomorphismes (d, n) et (d 0 , n0 ) vrifiant les proprits i, ii), iii) et iv). On a

u = d + n = d 0 + n0 ,

avec d 0 diagonalisable, n0 nilpotente, d n = n d et d 0 n0 = n0 d 0 . On a alors


2
d 0 u = d 0 (d 0 + n0 ) = d 0 + n0 d 0 = (d 0 + n0 ) d 0 = u d 0 .

Donc d 0 commute avec u et par suite d 0 commute avec tous les polynmes en u. Ainsi,
d 0 commute avec d. Par ailleurs, d et d 0 sont diagonalisables, daprs le lemme 8.5.3, ils
sont donc diagonalisables dans une mme base donc d d 0 est diagonalisable.
Dautre part, n et n0 sont nilpotents et commutent, donc n0 n est nilpotent. Ainsi
d d 0 = n0 n est un endomorphisme diagonalisable et nilpotent, il est donc nul. Par
suite d = d 0 et n = n0 . 

8.7 Proposition. Un endomorphisme u de E est diagonalisable si, et seulement si,


il existe une famille de projecteurs 1 , . . ., p et une famille de scalaires 1 , . . ., p
distincts deux deux vrifiant
i) idE = 1 + . . . + p ,
ii) i j = 0, si i 6= j,
iii) u = 1 1 + . . . + p p .

Preuve. Supposons que u soit diagonalisable. Soient 1 , . . ., p les valeurs propres de


u. Le polynme minimal de u est donc scind racines simples. On a donc pour tout
i J1, pK,
Ei = Ker (u i idE )ni = Ni .
Daprs le thorme 8.6, on a

u = 1 1 + . . . + p p ,

o les i sont les projections de E sur Ei et vrifient donc i) et ii).


CHAPITRE 8. DCOMPOSITION SPECTRALE DES MATRICES 15

Inversement, supposons quil existe des scalaires 1 , . . . , p et des projecteurs 1 , . . .,


p vrifiant les assertions i), ii) et iii). On a donc

E = Im 1 . . . Im p . (8.7)

Montrons que, pour tout i J1, pK, Im i = Ker (u i idE ). Soient i J1, pK et x Im i .
Il existe y, tel que x = i (y). Donc

i (x) = i i (y) = i (y) = x.

Daprs iii), on a
u(x) = 1 1 (x) + . . . + p p (x).
Par ailleurs, si j 6= i, on a j (x) = j (i (x)) = 0. Donc

u(x) = i i (x) = i x.

Do x Ker (u i idE ). Inversement, si x Ker (u i idE ), on a u(x) = i x. Or,


daprs i) et iii),

x = 1 (x) + . . . + p (x) et u(x) = 1 1 (x) + . . . + p p (x).

Donc
i x = i (1 (x) + . . . + p (x)) = u(x) = 1 1 (x) + . . . + p p (x). (8.8)
Daprs (8.7), on en dduit que

i j (x) = j j (x),

pour tout j J1, pK. Soit (i j ) j (x) = 0. Si i 6= j, on a i 6= j , do j (x) = 0. Donc


daprs (8.8), on a x = i (x), do x Im i . 

6 Calcul de la dcomposition spectrale algbrique

Soit A une matrice de Mn (K) de spectre spec(A) = {1 , . . . , p }. tant donn un


polynme annulateur
g = (x 1 )n1 . . . (x p )n p
de A, dterminons les projecteurs spectraux 1 , . . . , p de A. En pratique, on prendra
pour g le polynme caractristique pA ou le polynme minimal mA .

1
tape 1 : On dcompose la fraction rationnelle en lments simples dans K(x) :
g
p ni
1 ai, j
= .
g i=1 j=1 (x i ) j
16 CHAPITRE 8. DCOMPOSITION SPECTRALE DES MATRICES

tape 2 : On pose
ni p
ni j 1
hi = ai, j (x i) et gi = g = (x j )n j .
j=1 (x i )ni j=1
j6=i

On a alors
1 h1 hp
= +...+ .
n
g (x 1 ) 1 (x p )n p
Par suite,
1 = g1 h1 + . . . + g p h p .
tape 3 : On pose alors , pour tout i J1, pK,

i = gi (A)hi (A).

On vrifie, quainsi dfinis, pour tout i, i est la matrice du projecteur spectral i de


Kn sur Ni , exprime dans la base canonique de Kn .

8.6.1. Exemple. On considre la matrice A de M3 (R) dfinie par



3 1 1
A = 2 0 1 .
1 1 2

Son polynme caractristique est pA = (x 1)(x 2)2 . Le polynme (x 1)(x 2)


nest pas annulateur de A, donc le polynme minimal de A est mA = (x 1)(x 2)2 et
A nest pas diagonalisable.
Dterminons les projecteurs sur les espaces spectraux associs la dcomposition :

R3 = Ker (A 13 ) Ker (A 213 )2 .

On considre le polynme annulateur g = (x 1)(x 2)2 . On a :


1 1 1 1
= + + ,
(x 1)(x 2)2 x 1 x 2 (x 2)2
1 x + 3
= + .
x 1 (x 2)2
En posant
h1 = 1, g1 = (x 2)2 , h2 = x + 3, g2 = x 1,
on a
1 = g1 h1 + g2 h2 .
La projection 1 : R3 N1 sur lespace spectral N1 = Ker (A 13 ) paralllement
N2 = Ker (A 213 )2 a pour matrice dans la base canonique de K3 :

1 = g1 (A)h1 (A) = (A 213 )2 .


CHAPITRE 8. DCOMPOSITION SPECTRALE DES MATRICES 17

La projection 2 : R3 N2 sur N2 paralllement N1 a pour matrice dans la base


canonique de K3 :

2 = g2 (A)h2 (A) = (A + 313 )(A 13 ).

Notons que lon aurait pu aussi obtenir 2 par la relation :

2 = 13 1 ,

soit
2 = 13 (A 213 )2 = A2 + 4A 313 .
On a donc
0 0 0 1 0 0
1 = 1 1 0 , 2 = 1 0 0 .
1 1 0 1 1 1
On obtient
D = 1 + 22 et N = A D
do
2 0 0 1 1 1
D= 1 1 0 et N = 1 1 1 .
1 1 2 0 0 0
La matrice D est diagonalisable (on peut vrifier que son polynme minimal est (x
2)(x 1)) et la matrice N est nilpotente, on a N2 = 0.

8.6.2. Exemple. Soit A la matrice de M3 (R) donne par



1 4 4
A = 8 11 8 .
8 8 5

On calcule le polynme caractristique pA = (x 1)(x + 3)2 et le polynme mini-


mal mA = (x 1)(x + 3). Ce dernier tant scind et nayant que des racines simples, la
matrice A est diagonalisable et il existe une dcomposition :

R3 = E1 E3 .

Notons, 1 et 3 les matrices des projecteurs spectraux 1 : R3 E1 et 3 : R3


E3 exprimes dans la base canonique de R3 . Les matrices 1 et 3 vrifient les deux
relations :
13 = 1 + 3

A = 1 33
qui scrivent sous la forme matricielle :
    
13 1 1 1
=
A 1 3 3
18 CHAPITRE 8. DCOMPOSITION SPECTRALE DES MATRICES

Do    1  
1 1 1 13
=
3 1 3 A
On en dduit :
1 3 1 1
1 = A + 13 , 3 = A + 13 . (8.9)
4 4 4 4

7 Exercices

Exercice 1. Soit A la matrice de M5 (R) donne par



2 1 1 0 1
0 1 0 0 0

A= 1 1 0 1 1 .

0 0 0 2 0
1 0 1 0 2

1. Dterminer les sous-espaces caractristiques de A.


2. Montrer que la matrice A est semblable une matrice de la forme
 
T1 0
0 T2

o T1 et T2 sont deux matrices triangulaires suprieures.


3. Exhiber la matrice de passage.

Exercice 2. Soit A la matrice de M3 (R) dfinie par



5 1 3
A= 4 3 4 .
1 1 1

1. Dterminer en fonction de A les projecteurs spectraux de A.


2. Exprimer, pour tout entier k > 0, la matrice Ak en fonction de A.
3. Calculer la matrice de Ak .
4. Rpondre aux mmes questions avec les matrices suivantes :

1 2 2 1 1 3
B = 2 1 2 , C = 2 2 2 .
2 2 1 2 1 4
CHAPITRE 8. DCOMPOSITION SPECTRALE DES MATRICES 19

Exercice 3. On considre la matrice de M4 (R) suivante

1 a2 a2 a

1 1 a 1
A= 1 a 1 1 .

a a 2 a2 1

1. Dterminer le rang de la matrice A (1 a)14 . En dduire que 1 a est valeur propre


de A.
2. Si a = 0, la matrice A est-elle diagonalisable ?
Dans la suite de lexercice, on suppose que le rel a est non nul.
3. Dterminer toutes les valeurs propres de A. La matrice A est-elle diagonalisable ?
4. Dterminer le polynme caractristique et le polynme minimal de A.
5. Exprimer en fonction de A les projecteurs spectraux de A.

Exercice 4. Soient E un K-espace vectoriel de dimension finie n > 1 et u un endo-


morphisme de E.
1. Montrer que si est une racine dordre k du polynme minimal mu , i.e., mu = (x
)k g avec g( ) 6= 0, alors

Ker g(u) = Im (u idE )k .

2. Sous les mmes hypothses, montrer que

E = Ker (u idE )k Im (u idE )k .

3. Soit une valeur propre de u telle que

E = Ker (u idE ) Im (u idE ).

Montrer que le polynme P = (x )m0 , o m0 est le polynme minimal de la re-


striction de u au sous-espace Im (u idE ), est annulateur de u. En dduire que est
racine simple de mu .
4. Montrer que les deux galits suivantes sont quivalents

E = Ker (u idE ) Im (u idE ), Ker (u idE ) = Ker (u idE )2 .

5. Montrer que si u est diagonalisable, alors pour toute valeur propre on a :

Ker (u idE ) = Ker (u idE )2 .

Exercice 5. Soit u un endomorphisme dun K-espace vectoriel E de dimension finie,


dont le polynme caractristique est scind. Montrer que u est diagonalisable si et seule-
ment si, pour tout scalaire K,

rang(u idE ) = rang(u idE )2 .


20 CHAPITRE 8. DCOMPOSITION SPECTRALE DES MATRICES

8.7.1. Calcul des projecteurs spectraux avec Sage. Soit A une matrice de Mn (K).
Daprs le thorme de dcomposition en noyaux, si P1 et P2 sont deux polynmes pre-
miers entre eux et tels que leur produit P1 P2 soit annulateur de A, alors on a une dcom-
position de Kn en somme directe :

Kn = Ker P1 (A) Ker P2 (A).

Lobjectif des exercices suivants est de calculer les projections de Kn sur les sous-
espaces Ker P1 (A) et Ker P2 (A). On va pour cela exprimer les matrices de ces projections
en fonction de la matrice A.

Daprs le thorme de Bzout, si f1 et f2 sont premiers entre eux, il existe des


polynmes h1 et h2 tels que
f1 h1 + f2 h2 = 1.
Pour construire des polynmes coefficients rationnels en une indtermine :
sage : R = PolynomialRing ( QQ , 'x ')
... R
Univariate Polynomial Ring in x over Rational Field
Par exemple :
sage : f = x ^3 + 2* x ^2 + x + 1
... print f in R
... A = Matrix ([[1 ,1 ,0] ,[0 ,1 ,0] ,[0 ,0 ,2]])
... print A . charpoly () in R
True
True
La mthode gcd() retourne le pgcd de deux polynmes :
sage : x = PolynomialRing ( QQ , 'x ' ). gen ()
... f = (x -1)*( x +2)
... g = x +1
... f . gcd ( g )
1

La mthode xgcd permet de calculer les coefficients de Bzout pour un couple de


polynmes :
sage : d ,u , v = xgcd (f , g )
... print d ,u , v
... print f * u + g * v == d
-2 1 -x
True

Exercice (Sage) 6. On considre la matrice suivante



2 1 1
B = 1 2 1 .
1 1 2

1. Calculer le polynme caractristique et le polynme minimal de B.


2. Notons 1 et 2 les deux valeurs propres de B. Dterminer les sous-espaces propres
E1 et E2 .
3. Calculer les projecteurs spectraux de la matrice B.
CHAPITRE 8. DCOMPOSITION SPECTRALE DES MATRICES 21

4. Calculer les projecteurs spectraux des matrices suivantes



5 1 3 1 1 3
A= 4 3 4 , C = 2 2 2 .
1 1 1 2 1 4

Exercice (Sage) 7. Lobjectif est de construire une procdure projecteursSpectraux(A)


qui prend en argument une matrice complexe A et retourne une liste

[[1 , n1 , 1 ], . . . , [ p , n p , p ]],

o 1 , . . ., p sont les valeurs propres complexes de la matrice A, ni est lordre de multi-


plicit algbrique de la valeur propre i et i est la matrice de la projection sur le sous-
espace caractristique
p
Ni = Ker (A i 1n )ni , paralllement au sous-espace
L
N j .
j=1
i6= j
On utilisera lalgorithme de la section 6. Considrons un polynme annulateur g de
A Mn (C), par exemple le polynme minimal de A. Le polynme g est scind sur C :

g = (x 1 )l1 . . . (x p )l p .

En posant, pour tout i J1, pK,


p
gi = (x j )l j , (8.10)
j=1
j6=i

les polynmes g1 , . . . , g p sont premiers entre eux dans leur ensemble. On calcule les
polynmes hi de la dcomposition de Bzout, i.e., vrifiant

g1 h1 + . . . + g p h p = 1.

Nous avons montr qualors, la matrice i de la projection sur Ni est donne par i =
gi (A)hi (A).

1. En utilisant la procdure gcdex, crire une procdure decompositionBezout(liste,x)


qui prend en premier argument une liste de polynmes [g1 , ..., gk ] en lindtermine
spcifie en le deuxime argument et retourne la liste [g, [h1 , ..., hk ]], o g est le pgcd
des polynmes g1 , ..., gk et les hi vrifient

g1 h1 + . . . + gk hk = g.

On pourra utiliser les procdures collect, normal, seq, op, nops.


2. crire une procdure decomposePolyMin(A,x) qui prend en argument une matrice
complexe A et retourne une liste [[1 , k1 , g1 ], . . . , [ p , k p , g p ]], o les i sont les valeurs
propres de A, les ki leur ordre de multiplicit dans le polynme minimal et les gi
sont les polynmes en lindtermine x, comme dfinis dans (8.10) lorsque g est le
polynme minimal de A. On pourra utiliser les procdures roots, factor.
22 CHAPITRE 8. DCOMPOSITION SPECTRALE DES MATRICES

3. En utilisant les deux procdures ci-dessus, crire la procdure projecteursSpectraux.


On pourra utiliser la procdure MatrixFunction.
4. Tester la procdure avec les matrices suivantes, dj rencontres plusieurs reprises,

5 1 3 2 1 1 1 1 3
A= 4 3 4 , B = 1 2 1 , C = 2 2 2 .
1 1 1 1 1 2 2 1 4
Troisime partie .

Applications de la rduction
des matrices

23
CHAPITRE
9

Fonctions de matrices

Sommaire
1. Calcul des puissances dune matrice . . . . . . . . . . . . . . . . . 1
2. La fonction exponentielle . . . . . . . . . . . . . . . . . . . . . . . 4
3. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

Dans le chapitre 8, nous avons montr que toute matrice A de Mn (K) dont le polynme
caractristique est scind se dcompose en une somme

A = D + N,

forme dune matrice D diagonalisable et dune matrice N nilpotente qui commutent.


Nous appliquons dans ce chapitre cette dcomposition au calcul de puissances et d-
exponentielles de matrices, avec pour objectif ltude des systmes dvolution discrets
et les systmes dquations diffrentielles linaire coefficients constants.

1 Calcul des puissances dune matrice

9.1 Proposition. Soit A une matrice de Mn (K) dont le polynme caractristique


est scind :
pA = (1)n (x 1 )n1 . . . (x p )n p .
Soient 1 , . . . , p les projecteurs spectraux de la matrice A.
i) Si A est diagonalisable, alors, pour tout entier naturel k > 0, on a

Ak = 1k 1 + . . . + pk p . (9.1)

1
2 CHAPITRE 9. FONCTIONS DE MATRICES

ii) Si A nest pas diagonalisable, alors, pour tout entier naturel k > 0, on a
p ki 1  
k k k j
A = i (A i 1n ) j i , (9.2)
i=1 j=0 j

o ki est lordre de multiplicit de la valeur propre i dans le polynme minimal


de A.

Preuve. Montrons lassertion i). Daprs la proposition 8.7, on a

A = 1 1 + . . . + p p ,

avec i j = 0, si i 6= j, et 2i = i , pour tout i. On en dduit la relation (9.1).

Montrons lassertion ii). Daprs le thorme de dcomposition spectrale algbrique,


thorme 8.6, il existe une dcomposition

A = D + N,

avec

D = 1 1 + . . . + p p et N = (A 1 1n )1 + . . . + (A p 1n ) p .

Dans la dcomposition de la matrice N, la matrice (A i 1n )i est nilpotent dindice


ki , lordre de multiplicit de la racine i dans le polynme minimal de A.
Les projecteurs spectraux satisfont i j = 0, si i 6= j, et 2i = i , pour tout i. Par
suite, pour tout entier k, on a
p p
k
D = ik i et N = (A i 1n )k i .
k
i=1 i=1

Les matrices D et N commutent, i.e., DN = ND, donc daprs la formule du binme, on


a:
k  
k k j j
Ak = (D + N)k = D N. (9.3)
j=0 j

Par suite,
  k p
k k k j
A = i (A i 1n ) j i ,
j=0 i=1 j
p ki 1  
k k j
= i (A i 1n ) j i .
i=1 j=0 j

Do la relation 9.2. 
CHAPITRE 9. FONCTIONS DE MATRICES 3

9.1.1. Exemple. Soit A la matrice de M3 (R) donne par



1 4 4
A = 8 11 8 .
8 8 5

Nous avons vu en 8.6.2, que la matrice A est diagonalisable et de spectre Sp(A) =


{3, 1}. On a la dcomposition spectrale :

A = 1 33 ,

do, pour entier naturel k,


Ak = 1 + (3)k 3 .
Daprs lexpression (8.9) des projecteurs en fonction de A, on dduit que :
1 1
Ak = (1 (3)k )A + (3 + (3)k )13 .
4 4

9.1.2. Exemple. Considrons la matrice A de M3 (R) dfinie par



3 1 1
A = 2 0 1 .
1 1 2

On a vu en 8.6.1 que la matrice A, de spectre Sp(A) = {1, 2}, nest pas diagonalisable.
Il existe une dcomposition
A = D+N
en la somme dune matrice diagonalisable et dune matrice nilpotent, donns par

D = 1 + 22 , N = A D.

On a Dk = 1 + 2k 2 et N2 = 0. Comme les matrices D et N commutent, et que N2 = 0,


daprs la formule du binme (9.3), on a :
   
k k k k k1
A = D + D N.
0 1

Do

Ak = 1 + 2k 2 + k(1 + 2k1 2 )(A 1 22 ),


= (1 k)1 + kA1 + 2k 2 + k2k1 A2 k2k 2 .

soit
Ak = ((1 k)13 + kA)1 + (2k (1 k)13 + k2k1 A)2 .
4 CHAPITRE 9. FONCTIONS DE MATRICES

2 La fonction exponentielle

9.2.1. De lexponentielle scalaire lexponentielle matricielle. Lexponentielle relle


ou complexe peut se dfinir en utilisant le dveloppement en srie, pour tout rel ou
complexe x, on a :
+
1
ex = x k .
k=0 k!
Dans lexpression prcdent, si lon remplace formellement le scalaire x par une matrice
A de Mn (K), on obtient une srie de matrices :
+
1 k 1 1
A = 1 n + A + A2 + A3 + . . .
k=0 k! 2! 3!

On montre que cette srie est convergente, sa valeur est appele lexponentielle de la
matrice A et est not eA . Dans ce cours, la preuve de la convergence de cette srie de
matrices sera admise.

+
1 k
On notera cependant que la convergence de la srie A est une consquence de la
k=0 k!
version scalaire de cette srie. En effet, supposons que la matrice A soit diagonalisable,
il existe une dcomposition

1 0 0
. .
0 2 . . ..

1
A = PDP , avec D = . .
.. .. ... 0

0 0 p

et o P est une matrice inversible. On a Ak = PDk P1 , do


+
1 k + 1
A = PDk P1
k=0 k! k=0 k!
!
+
1 k
= P D P1
k=0 k!

e 1 0 0
. ..
0 e2 . . . 1

= P . . P
.. .. ... 0
0 0 e p

Ceci constitue une autre faon de dfinir lexponentielle dune matrice diagonalisable
CHAPITRE 9. FONCTIONS DE MATRICES 5

A ; on pose
e1 0
0
..
...
0 e2 . 1

A
e = P P . (9.4)

.. ... ...
. 0
0 0 e p
Notons que cette dfinition est indpendante du choix des vecteurs de la base de diago-
nalisation, i.e., indpendante de la matrice P. En effet, on a la dcomposition spectrale,
thorme 8.6,
A = 1 1 + . . . p p .
En utilisant le mme raisonnement, on montre que

eA = e1 1 + . . . e p p .

La dfinition (9.4) est donc indpendante du choix des vecteurs propres, i.e., de la ma-
trice P choisie.

9.2.2. Exponentielle dune matrice. Les preuves des deux rsultats suivants sont
admises.

9.2 Proposition. Pour toute matrice A de Mn (K), la srie


+
1 1 1
k! Ak = 1n + A + 2! A2 + 3! A3 + . . . ,
k=0

est normalement convergente dans L (E).

9.3 Proposition. La fonction exponentielle vrifie les proprits suivantes :


i) pour toute matrice A de Mn (K) et toute matrice inversible P de Mn (K), on a
1 AP
eP = P1 eA P.

ii) pour toute matrice A de Mn (K), la matrice eA est inversible et

(eA )1 = eA .

Preuve. Montrons i). On a


+ +
1 AP 1 1 1
eP = k! (P AP)k
= k! P1Ak P = P1eAP.
k=0 k=0
6 CHAPITRE 9. FONCTIONS DE MATRICES

Lassertion ii) dcoule de la proposition prcdente. En effet, on a :

eA eA = eA eA = eAA = e0 = 1n .

9.2.3. Dcomposition spectrale et exponentielle dune matrice. La dcomposition


spectrale des matrices nous permet dexprimer lexponentielle dune matrice en terme
de ses projecteurs spectraux.

9.4 Proposition. Soit A une matrice de Mn (K) dont le polynme caractristique


est scind :
pA = (1)n (x 1 )n1 . . . (x p )n p .
i) Si A est diagonalisable, alors

eA = e1 1 + . . . + e p p , (9.5)

o les i dsignent les projecteurs spectraux de A.


ii) Si A nest pas diagonalisable, alors
p ki 1
ei
eA = (A i 1n )k i , (9.6)
i=1 k=0 k!

o les i dsignent les projecteurs spectraux de A.

Preuve. Montrons lassertion i). Supposons que A soit diagonalisable, daprs le thorme
8.6, on a
A = 1 1 + . . . + p p .
Pour tout i J1, pK, on a 2i = i et pour tous i, j J1, pK tels que i 6= j, on a i j = 0.
Par suite,
A
+
1 k + p ik p + k

e = A = i = i i ,
k=0 k! k=0 i=1 k! i=1 k=0 k!
do la relation (9.5).
Montrons lassertion ii). Supposons que A soit non diagonalisable, daprs le thorme
8.6, il existe une dcomposition
A = D + N,
avec

D = 1 1 + . . . + p p , N = (A 1 1n )1 + . . . + (A p 1n ) p ,

et o, pour tout i J1, pK, la matrice (A i 1n )i est nilpotente, dindice de nilpotence


lordre de multiplicit ki de la racine i dans le polynme minimal de A.
CHAPITRE 9. FONCTIONS DE MATRICES 7

Daprs i), on a
p
D
e = ei i .
i=1
Dautre part, on a :

N 1 k + p 1
+
e = N = (A i 1n )k i ,
k=0 k! k=0 i=1 k!
p ki 1
1
= k! (A i1n)k i .
i=1 k=0

Enfin, comme les matrices D et N commutent, on en dduit la relation (9.6) :


p ki 1
ei
eA = eD eN = (A i 1n )k i .
i=1 k=0 k!

9.2.4. Fonction dune matrice. Plus gnralement, on peut sinspirer des sections
prcdentes pour dfinir la fonction f (A) dune matrice A, o f est une fonction dfinie
sur les valeurs propres de A.
Soit A une matrice de Mn (K) dont le polynme caractristique est scind :

pA = (1)n (x 1 )n1 . . . (x p )n p .

Soit f : K K une fonction dfinie sur les valeurs propres de A. On dfinit f (A)
comme la matrice
f (A) = f (1 )1 + . . . + f ( p ) p ,
o les i dsignent les projecteurs spectraux de A.

3 Exercices

Exercice 1. Soit A une matrice de Mn (C).


1. Montrer que
det eA = etrace (A) .
2. Montrer que si A est nilpotent, alors

Ker (eA 1n ) = Ker A.


8 CHAPITRE 9. FONCTIONS DE MATRICES

3. Calculer lexponentielle des matrices suivantes de M2 (C) :


         
1 0 0
, , , , .
0 2 0

Exercice 2. Soit A une matrice de Mn (K) vrifiant

(A 1n )2 (A 21n ) = 0.

1. Montrer que
Kn = Ker (A 1n )2 Ker (A 21n ).
Soient 2 la matrice de la projection de Kn sur Ker (A21n ) paralllement Ker (A
1n )2 et 1 la matrice de la projection sur Ker (A 1n )2 paralllement Ker (A 21n )
exprimes dans la base canonique de Kn .
2. tablir les relations suivantes

eA 1 = e2 1 , eA 2 = eA2 .

3. Exprimer en fonction de A les matrices 1 et 2 .


4. En dduire une expression de eA en fonction de A.

Exercice 3. Soit A la matrice de M3 (R) dfinie par



5 1 3
A= 4 3 4 .
1 1 1

1. Exprimer, pour tout entier k > 0, la matrice Ak en fonction de A.


2. Exprimer, pour tout rel t, la matrice etA en fonction de A.
3. Rpondre aux mmes questions avec les matrices suivantes

2 1 1 1 1 3
B = 1 2 1 , C = 2 2 2 .
1 1 2 2 1 4

Exercice 4. On considre la matrice de Mn+1 (R) suivante

1 1 n

A = ... .. ..
. .
1 1 n

dont les n premires colonnes sont gales.


1. Calculer le rang de A.
2. Montrer que toutes les valeurs propres de A sont gales.
3. La matrice A est-elle diagonalisable ?
4. Calculer etA , pour tout rel t.
CHAPITRE 9. FONCTIONS DE MATRICES 9

5. Dterminer trois fonctions relles (t), (t) et (t) telles que

0 (t) = 0 (t) = 0 (t) = (t) + (t) 2(t),

et (0) = 0, (0) = 1 et (0) = 2.


6. Montrer que si N Mn (R) est nilpotente, les solutions du systme linaire

x(t)0 = Nx(t)

sont des polynmes de degr infrieur ou gal n.

Exercice 5. On considre dans Mn (R), n > 2, la matrice



a b ... b
. .
b a . . ..

A= . . .
.. . . . . . b
b ... b a

1. Dterminer le polynme minimal de A.


2. Montrer que A est diagonalisable.
3. Donner une condition ncessaire et suffisante sur a et b pour que A soit inversible.
Dans le cas o A est inversible, calculer linverse de A.
4. Calculer Ak , pour tout entier k.
5. Calculer etA , pour tout rel t.

Exercice 6. On considre la matrice suivante de M4 (R)

1 a2 a2 a

1 1 a 1
A= 1 a 1 1

a a 2 a2 1

tudie dans lexercice 3. On suppose que a est non nul.


Exprimer les matrices Ak , pour tout entier naturel k, et eA en fonction de la matrice A.

Exercice (Sage) 7. On considre la matrice



5 2 2 2 2
2 5 2 2 2

A= 2 2 5 2 2 .

2 2 2 5 2
2 2 2 2 5

1. Sans utiliser la commande ** sur les objets de type Matrix, calculer les puissances
An , n N, de trois faons diffrentes :
- en utilisant les projecteurs spectraux,
- en exploitant le fait que le polynme minimal de la matrice A est de degr 2,
10 CHAPITRE 9. FONCTIONS DE MATRICES

- en exploitant le fait que la matrice A est diagonalisable. (La mthode eigenmatrix_right()


retourne la matrice diagonale et une matrice de passage dune matrice diagonal-
isable).
2. crire une fonction Sage qui prend une matrice A en argument et un entier n et re-
tourne la puissance A**n en utilisant la troisime mthode.

Exercice (Sage) 8 (Combien de chemins mnent Rome ?). Voici un problme exrait
du trs jolie livre de Pierre Gabriel, [Gab01],

o
Z >> />W
>> ~~~
>> ~
> ~~
~~
R
Un pilote vole tous les jours vers une des trois villes R, W , Z. La figure
ci-dessus indique les trajets journaliers autoriss : un trajet de R vers W , un
trajet de W vers Z, un de Z vers R et un de Z vers W . ct de ces trajets
journaliers (de longueur 1 ), nous considrons les itinraires (composs)
de longueur n, qui dcrivent les chemins possibles parcourus pendant n jours
conscutifs. Ainsi deux itinraires de longueur 4 mnent de Z W , alors quil
ny en a quun de Z R :
Z R W Z W
Z W Z R W
Z R W Z R
Cherchons le nombre ditinraires de longueur 100 de Z vers R. Pour cela,
nous numrotons respectivement 1, 2, 3 les villes R,W, Z et dsignons par Mij
le nombres de trajets (de longueur 1) de j i.
1. crire la matrice M forme des coefficients Mij .
2. Montrer que le nombre ditinraires de longueur n de j i est gal au coefficient
(Mn )ij de la matrice Mn .
3. Calculer le nombre ditinraires de longueur 100 de Z vers R.
4. Dterminer les valeurs propres de la matrice M.
5. La matrice M est-elle diagonalisable ?
CHAPITRE
10

Systmes dynamiques discrets

Sommaire
1. Les suites rcurrentes . . . . . . . . . . . . . . . . . . . . . . . . . 1
2. La suite de Fibonacci (1202) . . . . . . . . . . . . . . . . . . . . . 3
3. Dynamique de populations . . . . . . . . . . . . . . . . . . . . . . 4
4. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1 Les suites rcurrentes

10.1.1. Suites rcurrentes couples. Le calcul des puissances dune matrice peut
sappliquer la rsolution du problmes de suites rcurrentes couples. Soient deux
suites (uk )k et (vk )k rcurrentes couples de la faon suivante :

uk+1 = auk + bvk

vk+1 = cuk + dvk .

avec les conditions initiales (u0 , v0 ). Naturellement se problme se pose en les mmes
termes pour un nombre arbitraire de suites.
 
uk
En posant xk = , le systme scrit
vk
 
a b
xk+1 = Axk , avec A = .
c d

1
2 CHAPITRE 10. SYSTMES DYNAMIQUES DISCRETS

On montre par rcurrence qualors


 
k u0
xk = A x0 , avec x0 = .
v0

10.1.2. Suite rcurrente dordre suprieur. Les suites rcurrentes gomtriques


dordre 1 sont les suites gomtriques (uk )k dfinies par la relation de rcurrence :

uk+1 = quk .

Avec la condition initiale u0 , le terme gnral de la suite est uk = u0 qk .

Plus gnralement, une suite rcurrente gomtrique dordre p, o p est un entier


suprieur 1, est une suite (uk )k valeurs dans K, dfinie pour tout entier k, par la
relation de rcurrence suivante :

uk+p = a0 uk + a1 uk+1 + . . . + a p1 uk+p1 , (10.1)

o les coefficients ai sont dans K. La suite (uk )k peut scrire sous forme matricielle
en considrant la transpose de la matrice compagnon du polynme a0 + a1 x + . . . +
a p1 x p1 dfinie par

0 1 0 ... 0
..
0 0 1 .

. .
.. ..

C= 0 M p (K).


1

0 0 0 1
a0 a1 a2 . . . a p2 a p1

En posant

uk
uk+1
xk = .. ,
.
uk+p1
la relation (10.1) scrit sous la forme

xk+1 = Cxk .

Il sagit dune suite gomtrique valeurs dans K p de raison C. tant donn une con-
dition initiale u0 , u1 , . . . , u p , on obtient le terme gnral de la suite par rcurrence en
calculant les puissances de C :
x k = Ck x 0 .
CHAPITRE 10. SYSTMES DYNAMIQUES DISCRETS 3

2 La suite de Fibonacci (1202)

10.2.1. Le problme dvolution de Fibonacci. Le problme de Fibonacci est un


problme dvolution dune population ages structurs pos en les termes suivants

Un homme possde un couple de lapins dans un lieu clos et souhaite savoir


combien il aura de couples au bout dun an si par nature chaque couple de
lapins donne naissance partir de deux mois de vie un nouveau couple de
lapins tous les mois.

Notons xk le nombre de couples de lapins le k-ime mois. Le nombre de couples de


lapins au (k +1)-ime mois est gal la somme du nombre de couples de lapins existants
le k-ime mois et du nombre de couples de lapins nouveau-ns le (k + 1)-ime mois, i.e.,
xk1 . On suppose que les lapins ne meurent jamais.
Le premier mois, il existe un unique couple de lapin, on suppose quil sagit de
lapereaux, on a x1 = 1. Les lapereaux ne deviennent adulte partir de deux mois de
vie, on a x2 = 1 ; ils donnent alors naissance couple de lapereaux le troisime mois :
x3 = 2. Le nombre de couples de lapin satisfait la relation de rcurrence suivante :

xk+1 = xk + xk1 .

La suite (xk )k ainsi dfinie est appele la suite de Fibonacci.

10.2.2. La suite de Fibonacci en Sage. Des fonctions Sage permettent de calculer


les termes de la suites de Fibonacci. Par exemple, calcul des 20 premiers termes de cette
suite :
sage : [ fibonacci ( i ) for i in range (20)]
[0 , 1 , 1 , 2 , 3 , 5 , 8 , 13 , 21 , 34 , 55 , 89 , 144 , 233 ,
377 , 610 , 987 , 1597 , 2584 , 4181]
Les termes de la suite entre le quinzime et le vingtime rang :
sage : [ i for i in fibonacci_sequence (15 , 20)]
[610 , 987 , 1597 , 2584 , 4181]

Exercice (Sage) 1. crire des fonctions Sage qui ont le mme comportement que les
fonctions fibonacci(k) et fibonacci_sequence(k,l).

10.2.3. Description matricielle. La suite de Fibonacci est une suite rcurrence dor-
dre deux, cf. 10.1.2. Ce systme scrit matriciellement sous la forme
     
xk xk1 0 1
=C , avec C = . (10.2)
xk+1 xk 1 1

Le polynme caractristique de C est pC = x2 x 1. Il admet deux racines relles



1 5 1+ 5
1 = , 2 = .
2 2
4 CHAPITRE 10. SYSTMES DYNAMIQUES DISCRETS

Les projecteurs spectraux 1 et 2 de C vrifient le systme dquations suivant :



12 = +
1 2
C = 1 + 2
1 2

On en dduit que
1 1
1 = (C 2 12 ) et 2 = (C 1 12 ).
1 2 2 1
La solution de lquation (10.2) est alors
   
xk k 0
=C . (10.3)
xk+1 1

Or Ck = 1k 1 + 2k 2 , on dduit de (10.3) lexpression de xk+1 :

1k 2k
xk+1 = (1 2 ) + (1 1 ).
1 2 2 1
Ainsi, le nombre de couples de lapins le k-ime mois de lvolution de la population est
!k !k
1 1+ 5 1 1 5
xk = .
5 2 5 2

F IGURE 10.1.: Leonardo Fibonacci

3 Dynamique de populations
La dynamique des populations cherche expliquer lvolution dans le temps en nom-
bre et en composition de populations biologiques. On peut sintresser des populations
CHAPITRE 10. SYSTMES DYNAMIQUES DISCRETS 5

humaines, animales, vgtales, ou encore microbiennes.


Notre premier exemple est un problme de migration de populations entre deux zones
gographiques.

10.3.1. Migration de populations. On considre le problme de migration de pop-


ulation entre les zones urbaines et les zones rurales. Chaque anne, un mouvement de
population entre ces deux zones sopre de la faon suivante :
- la moiti des habitants en zone urbaine partent habiter en zone rurale, alors que lautre
moiti reste rsidante en zone hurbaine,
- un quart des habitants en zone rurale rejoignent une zone hurbaine, les trois quarts
restant en zone rurale.
Le mouvement de population est indiqu par la figure 10.2

F IGURE 10.2.: Mouvement de population

tant donn une rpartition initiale, lanne k = 0, de la population entre les deux
zones, quelle sera la rpartition de population la k-ime anne ? Est-ce que toute la pop-
ulation va au bout dun certain temps toute se retrouver en zone rurale ?
Notons rk la proportion de la population totale qui habite en zone rurale au terme de
la k-ime anne et uk la proportion de population qui habite en zone urbaine au terme de
cette mme anne. Sagissant de proportion de population, on a, pour toute anne k,

rk + uk = 1.

Lvolution des deux populations est dcrite par un systme dquations couples :

uk+1 = 1/2 uk + 1/4 rk

rk+1 = 1/2 uk + 3/4 rk

qui scrit matriciellement sous la forme :


 
1/2 1/2
[uk+1 rk+1 ] = [uk rk ] .
1/4 3/4

La matrice  
1/2 1/2
A=
1/4 3/4
6 CHAPITRE 10. SYSTMES DYNAMIQUES DISCRETS

est appele la matrice de transition du systme. Si la rpartition de population initiale,


lanne 0, est [u0 r0 ], on montre par rcurrence que, pour tout k,

[uk rk ] = [u0 r0 ]Ak . (10.4)

La relation (10.4) exprime la rpartition de la population la k-ime anne.


Dterminons la rpartition de la population terme. Il sagit de calculer lim [uk rk ].
k+
Or
lim [uk rk ] = [u0 r0 ] lim Ak .
k+ k+

Calculons lim Ak . Le polynme caractristique de A est pA = (x 1)(x 1/4). Donc


k+
A est diagonalisable. Notons 1 et 1 les projecteurs spectraux de A. On a
4

1
A = 1 + 1 .
4 4
1 k
Donc Ak = 1 +

4 14 . Par suite

lim Ak = 1 .
k+

Pour dterminer 1 , on considre le systme



12 = 1 + 1 ,
4
A = 1 + 14 1 .

4
4 1
Don on dduit 1 = 12 1 et 1 = (A 12 ). Do
4 3 4
 
1 1 2
1 = .
3 1 2

On a donc
 
1 1 2
lim [uk rk ] = [u0 r0 ] ,
k+ 3 1 2
1
= [u0 + r0 2u0 + 2r0 ],
3
1 2
=[ ].
3 3
A terme, il y aura donc un tiers de la population totale en zone urbaine et deux tiers en
zone rurale. Notons que cette proportion est indpendante de la rpartition initiale des
populations entre les deux zones.
Exercice 2. Dans un pays, on tudie la migration de population entre les zones rurales
et les zones urbaines. Chaque anne, un tiers de la population des campagnes migre vers
les villes, pendant quun quart de la population des villes va habiter dans des zones
rurales. On notera uk et rk la proportion de population urbaine et rurale respectivement
CHAPITRE 10. SYSTMES DYNAMIQUES DISCRETS 7

lanne k.
1. tant donne une rpartition initiale u0 et r0 , quelle est la rpartition de population
lanne k entre ces deux zones gographiques ?
2. Quelle est terme la rpartition des populations entre ces deux zones gographiques ?
3. Les zones urbaines seront-elles compltement dsertes ?

4 Exercices

Exercice 3. On considre deux espces A et B qui coexistent dans un mme environ-


nement naturel. On tudie deux situations dvolution de ces espces.
Dans une premire situation, on suppose que les deux espces sont en comptition : le
nombre dindividus dune espce augmente proportionnellement au nombre dindividus
de cette mme espce et dcroit proportionnellement au nombre dindividus de lautre
espce.
1. Si la population de chaque espce augmente de deux fois le nombre dindividus de
lespce et dcroit dune fois le nombre dindividus de lautre espce, dterminer
chaque instant le nombre dindividus de chaque espce lorsque initiallement il y a
100 individus de lespce A et 200 individus de lespce B.
2. Est-ce quune des espces est en voie dinstinction ? Si oui, au bout de combien de
temps.
Dans une deuxime situation, on suppose que les deux espces vivent en symbiose de
la faon suivante. Le nombre dindividus de chaque espce augmente dune fois le
nombre dindividus de lautre espce et dcroit dune fois le nombre dindividus de
la mme espce.
3. Si initiallement les espces A et B sont respectivement composes de 200 et 400
individus, dterminer chaque instant la population de chaque espce.
4. Que se passe-t-il long terme ?
Exercice 4. La suite de Fibonacci est dfinie par

uk = uk1 + uk2 , si k > 2, u0 = u1 = 1.

1. On considre la matrice suivante de M2 (R)


 
1 1
A= .
1 0

Montrer que  
uk uk1
Ak = ,
uk1 uk2
8 CHAPITRE 10. SYSTMES DYNAMIQUES DISCRETS

pour tout entier k > 2.


2. Diagonaliser A et en dduire une formule non-rcurrente pour uk .

Exercice 5. Rsoudre le systme linaire rcurrent suivant :



xk = xk1 + zk1

yk = yk1 + zk1

zk = 2zk1

avec x0 , y0 , z0 R.
CHAPITRE
11

Systmes dynamiques continus

Sommaire
1. Systmes diffrentiels linaires coefficients constants . . . . . . . 2
2. Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

Dans ce chapitre, nous abordons le problme de la rsolution de systmes forms de


plusieurs quations diffrentielles linaires.
Dans lexemple 4.1.2, nous avons exprim lvolution de la concentration x(t) dun
polluant dans une cuve en fonction du temps par lquation diffrentielle :
d r
x(t) = x(t),
dt V
avec la condition initiale x(0) = p0 . La solution de cette quation est
r
x(t) = p0 e V t .

Dans lexemple 4.1.5, nous avons considr le mme problme mais avec trois cuves.
Lvolution des concentrations x1 (t), x2 (t) et x3 (t) dans chaque cuve est dfinie par le
systme diffrentiel suivant

dx1 (t) r

dt = x1 (t)
V
dx2 (t) r r

= x1 (t) x2 (t)
dt V V
dx3 (t) r r

dt = x2 (t) x3 (t)
V V

1
2 CHAPITRE 11. SYSTMES DYNAMIQUES CONTINUS

Ce systme scrit matriciellement sous la forme

dx(t)
= Ax(t), (11.1)
dt
avec
dx1


x1 (t) dt 1 0 0
dx(t) dx2 r
x(t) = x2 (t) , = et A = 1 1 0 .
dt dt V
x3 (t) dx3 0 1 1
dt

Nous montrons dans ce chapitreque la solution de lquation diffrentielle (11.1) est

x(t) = etA p0 ,

o etA est lexponentielle de la matrice tA. Plus gnralement, nous donnons une mth-
ode de rsolution des systmes diffrentiels de la forme :

dx1 (t)

dt = a11 x1 (t) + + an1 xn (t)
.. ..

. .
dxn (t)

dt = a1n x1 (t) + + ann xn (t)

o aij R et les xi : R R sont des fonctions drivables de variable t, qui scrit ma-
triciellement sous la forme
dx(t)
= Ax(t),
dt
avec 1
a1 . . . an1 x1 (t)

A = ... .. , et x(t) = .. ,
. .
a1n . . . ann xn (t)
dx(t)
o dsigne la driv du vecteur x(t).
dt

1 Systmes diffrentiels linaires coefficients


constants

11.1.1. Matrices de variables relle. Une matrice de variable relle t de Mn,m (K)
est une application

A() : R Mn,m (K)


t 7 A(t)
CHAPITRE 11. SYSTMES DYNAMIQUES CONTINUS 3

Les coefficients de A sont alors des fonctions aij : R K. Une matrice est dite con-
stante si tous ses coefficients sont constants.

La matrice A(t) = [aij (t)] de variable relle t est dite drivable, si tous ses coefficients
sont des fonctions drivables. Sa drive est alors la matrice
!
dA(t) daij (t)
= .
dt dt

Lapplication
d
: Mn,m (K) Mn,m (K)
dt
est linaire, i.e, pour toutes matrices A(t) et B(t) de Mn,m (K) de variable relle t, et
pour tous scalaires , K, on a

d dA(t) dB(t)
( A(t) + B(t)) = + .
dt dt dt

d
11.1 Proposition. Lapplication satisfait les proprits suivantes.
dt
i) Pour toutes matrices compatibles A(t) et B(t), on a

d dA(t) dB(t)
(A(t)B(t)) = B(t) + A(t) .
dt dt dt

ii) Si P est une matrice constante et inversible, pour toute matrice A(t), on a :

d 1 dA(t)
(P A(t)P) = P1 P.
dt dt

Preuve. Montrons i). Posons A(t) = [aij (t)] et B(t) = [bij (t)]. On a

(AB)ij = aki bkj


k

Donc !
d d d k j
(AB)ij = aki bkj = (a b ).
dt dt k k dt i k
4 CHAPITRE 11. SYSTMES DYNAMIQUES CONTINUS

Do
j
!
d daki k dbk
(AB)ij = j
bk + ai
dt k dt dt
j
daki j db
= bk + aki k
k dt k dt
j 
dB j
 
dA
= B + A
dt i dt i
 j
dA dB
= B+A .
dt dt i

Lassertion ii) est une consquence immdiate de i). Si P est une matrice constante,
dP
on a = 0. 
dt

11.2 Proposition. Pour toute matrice constante A, on a


d tA
e = AetA = etA A. (11.2)
dt

Preuve. Soit A une matrice diagonalisable de spectre Sp(A) = {1 , . . . , p }. Daprs le


thorme de dcomposition spectrale, on a A = 1 1 + . . . + p p , do

etA = e1t 1 + . . . + e pt p ,

o les i sont les projecteurs spectraux de A. On en dduit que

d tA
e = 1 e1t 1 + . . . + p e pt p ,
dt ! !
p p
= ii eit i
i=1 i=1
tA
= Ae .

Comme etA est un polynme en A, on a AetA = etA A.


Si la matrice A nest pas diagonalisable, la mthode est la mme. On utilise la relation
suivante qui dcoule de la dcomposition spectrale algbrique :
p ki 1
tA (A i 1)k
e = t k eit i .
i=1 k=0 k!


CHAPITRE 11. SYSTMES DYNAMIQUES CONTINUS 5

11.1.2. Systmes diffrentiels linaires. Un systme diffrentiel linaire du premier


ordre coefficients constants rels (resp. complexes) est la donne dune quation

dx(t)
= Ax(t) + v(t) (E )
dt
o t parcourt un intervalle rel I, A Mn (R) (resp. A Mn (C)) et v : I Rn (resp.
v : I Cn ) est une application.
Lapplication v est appele second membre de lquation (E ). Lquation homogne
associe (E ) est lquation diffrentielle sans second membre :

dx(t)
= Ax(t) (E0 )
dt
On appelle solution de (E ) toute application x : I Rn (resp. x : I Cn ) de classe
C1 et satisfaisant (E ), pour tout rel t.

11.3 Proposition.
i) Lensemble des solutions de lquation homogne (E0 ) forme un sous-espace
vectoriel de lespace vectoriel C (I, Rn ) (resp. C (I, Cn )).
ii) La solution gnrale de lquation (E ) est la somme dune solution particulire
de (E ) et dune solution gnrale de lquation homogne (E0 ).

dx(t)
Preuve. Montrons i). De la relation = Ax(t), on dduit que les solutions x(t) de
dt
lquation homogne (E0 ) sont de classe C . Il est immdiat que toute combinaison
linaire de solutions de (E0 ) est solution de (E0 ).
Montrons ii). Supposons que y(t) soit une solution particulire de lquation (E ) et
x(t) une solution gnrale de lquation homogne (E0 ). On a

d
(x(t) y(t)) = A(x(t) y(t)).
dt
Par suite x(t) y(t) est solution de lquation homogne (E0 ). 

11.4 Thorme. La solution de lquation diffrentielle (E ) avec la condition ini-


tiale x(0) = x0 existe et est unique. Elle est donne par
Z t
tA
x(t) = e x0 + e(ts)A v(s)ds.
0

Preuve. Nous admettrons lunicit.


6 CHAPITRE 11. SYSTMES DYNAMIQUES CONTINUS

Lexistence peut se montrer en utilisant la mthode de la variation de la constante.


Daprs la relation (11.2), pour tout vecteur constant y,

x(t) = etA y,

est solution de lquation homogne (E0 ). On cherche une solution de (E ) sous la forme

x(t) = etA y(t),

o y(t) est un vecteur dpendant de t. On a :

dx(t) dy(t)
= AetA y(t) + etA ,
dt dt
dy(t)
= Ax(t) + etA .
dt
Comme x(t) est solution de lquation (E ), on obtient

dy(t)
etA = v(t).
dt
La matrice etA est inversible. On a donc
dy(t)
= etA v(t).
dt
Soit Z t
y(t) = esA v(s)ds + y0 .
0
Donc

x(t) = etA y(t),


Z t
=e tA
esA v(s)ds + etA y0 ,
Z t 0
= e(ts)A v(s)ds + etA y0 .
0

Or x(0) = x0 donc y0 = x0 . On a ainsi


Z t
tA
x(t) = e x0 + e(ts)A v(s)ds.
0

11.5 Proposition. La solution de lquation homogne (E0 ) avec la condition ini-


tiale x0 est
x(t) = etA x0 .
CHAPITRE 11. SYSTMES DYNAMIQUES CONTINUS 7

De plus, lespace des solutions de lquation homogne (E0 ) est de dimension n. Une
base de cet espace est donne par les vecteurs colonnes de la matrice etA .

Preuve. La premire assertion est une consquence immdiate du thorme prcdent.


Notons c1 , . . . , cn les colonnes de la matrice etA :

etA = c1 | c2 | ... | cn .
 

Si le vecteur x0 a pour composante x0i , on a

x01

  x02
x(t) = c1 | c2 | ... | cn ... .

x0n

Do x(t) = x01 c1 + . . . + x0n cn , ainsi la famille (c1 , . . . , cn ) forme une base de lespace des
solutions de lquation homogne (E0 ). 

2 Exemples

11.2.1. Exemple. Le systme diffrentiel



3 1 1
dx(t)
= Ax(t), x(0) = x0 , A = 2 2 1 , (11.3)
dt
2 2 0

a pour solution x(t) = etA x0 . Il nous suffit donc de dterminer la matrice etA .
Le polynme caractristique de la matrice A est pA = (x 1)(x 2)2 , son polynme
minimal est (x 1)(x 2)2 . La matrice A nest pas diagonalisable.
Dterminons une identit de Bzout entre les polynmes premiers entre eux x 1 et
(x 2)2 . En effectuant un dcomposition en lments simples :
1 1 1 1 1 3x
= + + = + .
(x 1)(x 2)2 (x 1) (x 2) (x 2)2 (x 1) (x 2)2

Do lidentit de Bzout :

1 = (x 2)2 + (3 x)(x 1).


8 CHAPITRE 11. SYSTMES DYNAMIQUES CONTINUS

On en dduit les projecteurs spectraux de A



1 1 0
1 = (A 213 )2 = 0 0 0 ,
2 2 0

0 1 0
2 = (A + 313 )(A 13 ) = 0 1 0 .
2 2 1

Pour calculer ce dernier, on aurait pu aussi exploiter la relation 2 = 13 1 , moins


coteuse en calculs.
De la relation (9.6), on dduit que

et e2t e2t
etA = t 0 (A 13 )0 1 + t 0 (A 213 )0 2 + t (A 213 )2 ,
0! 0! 1!
t 2t
= e 13 1 + e (13 + t(A 213 ))2 ,
= et 1 + e2t 2 + te2t (A 213 )2 .

Do :
et + 2te2t et + e2t te2t

etA = 2te2t e2t te2t .


t 2t 2t t
2e + 2(2t 1)e 2(e e ) (1 2t)e2t

On en dduit la solution du systme diffrentiel (11.3).

11.2.2. Exemple. Le systme diffrentiel



x1 2 1 1 1
dx(t)
= Ax(t) + v(t), x(0) = x2 , A = 1 2 1 , v(t) = t
dt
x3 1 1 2 1
(11.4)
a pour solution Z t
tA
x(t) = e x(0) + e(ts)A v(s)ds.
0
Daprs lexemple 8.3.1, la matrice A est diagonalisable, de spectre Sp(A) = {1, 4} et
ses projecteurs spectraux sont

2 1 1 1 1 1
1 1
1 = 1 2 1 , 4 = 1 1 1 .
3 3
1 1 2 1 1 1

On a A = 1 + 44 , do, pour tous rel t et s, on a

e(ts)A = e4(ts) 4 + e(ts) 1 . (11.5)


CHAPITRE 11. SYSTMES DYNAMIQUES CONTINUS 9

Par ailleurs,


1 1
s1 2+s
1 v(s) = 2 , 4 v(s) = 1 . (11.6)
3 3
1 1

Des quations (11.5) et (11.6), on dduit que



Z t Z t 1 Z t 1
2+s s1
e(ts)A v(s)ds = e4(ts) ds 1 + e(ts) ds 2 ,
0 0 3 0 3
1 1

4t Z t 1 t Z t 1
e e
= e4s (2 + s)ds 1 + es (s 1)ds 2 .
3 0 3 0
1 1

Or, on a : Z t
1 3
e4s (2 + s)ds = ( + t)e4t 1 ,

0 4 4
et Z t
es (s 1)ds = (2 t)et 2.
0
Par suite,


1 1
e4t 3 et
Z t
e(ts)A v(s)ds = ( + t)e4t 1 1 + (2 t)et 2 2 .
 
0 12 4 3
1 1

Par ailleurs, on a

x1 x1
etA x(0) = e4t 4 x2 + et 1 x2
x3 x3

4t 1 t 2x1 + x2 + x3
e e
= (x1 + x2 + x4 ) 1 x1 2x2 + x3
3 3
1 x1 + x2 2x3

Le systme diffrentiel admet donc pour solution



4t 1 t 2x1 + x2 + x 3 t 
e 1 3 4t
 e e t
x(t) = (x1 +x2 +x4 ) ( +t)e 1 1 x1 2x2 + x3 + (2t)e 2 2
3 4 4 3 3
1 x1 + x2 2x3

Exercice 1. Rsoudre le systme diffrentiel



1
dx(t)
= Ax(t) + t ,
dt
1
10 CHAPITRE 11. SYSTMES DYNAMIQUES CONTINUS

pour les matrices suivantes



2 1 1 1 1 3
A = 1 2 1 , A = 2 2 2 .
1 1 2 2 1 4

11.2.3. Exemple. On considre un ensemble de trois cuves dans une usine chimique,
relies entre elles par un systme de canalisations. Les cuves L1 , L2 et L3 ont chacune
le mme volume V . Le systme de canalisation permet un change du liquide contenu
dans les trois cuves. Les canalisations et les dbits de chacune delles sont reprsents
par la figure 11.1.

F IGURE 11.1.: Trois lacs relis par des canaux

Par exemple, il circule de la cuve L1 la cuve L2 un volume de 2a litres de liquide par


seconde, o a est une constante fixe. On suppose que les changes de liquide entre les
cuves sont continus.
On suppose que les trois cuves L1 , L2 et L3 ne contiennent que de leau. linstant
t = 0, on verse x grammes dun produit chimique dans la cuve L1 . On souhaite tudier
la diffusion de ce produit dans les autres cuves, en particulier dterminer la quantit de
polluant dans chaque cuve chaque instant, puis lorsque t tend vers +.

Notons xi (t) la quantit du produit chimique, exprime en gramme, dans la cuve Li


linstant t. Lorsque t = 0, on a x1 (0) = x, x2 (0) = x3 (0) = 0. La concentration de produit
1
chimique dans la cuve Li , linstant t est xi (t) gramme par litre. LE taux de variation
V
de la quantit du produit chimique dans la cuve Li est dfini par
   
d xi (t) quantit de produit chimique qui quantit de produit chimique qui
=
dt entre dans la cuve Li par seconde sort de la cuve Li par seconde
CHAPITRE 11. SYSTMES DYNAMIQUES CONTINUS 11

Do le systme dquations diffrentielles :



dx1 (t) a a

dt = 4 x2 (t) 4 x1 (t)
V V
dx2 (t) a a a

= 2 x1 (t) + 3 x3 (t) 5 x2 (t)
dt V V V
dx3 (t) a a a

dt = 2 x1 (t) + x2 (t) 3 x3 (t)
V V V
Ce systme scrit matriciellement sous la forme

x1 (t) 4 4 0 x1 (t)
d a
x2 (t) = 2 5 3 x2 (t) .
dt V
x3 (t) 2 1 3 x3 (t)

Daprs le thorme 11.4, la solution de ce systme est



x1 (t) x
tA
x2 (t) = e 0 ,
x3 (t) 0
avec
4 4 0
a
A = 2 5 3 .
V
2 1 3
On calcule le polynme caractristique de la matrice A :
6a
pA = x( + x)2 .
V
Posons 1 = 0 et 2 = 6a
V . On dtermine le sous-espace propre associ la valeur
propre 2 :
2
E2 = Vect 1 .
1
Par suite, la matrice A nest pas diagonalisable et son polynme minimal est
6a
mA = x( + x)2 .
V

En effectuant un dcomposition en lments simples :


1
1 22 ax + b
= + .
x(x 2 )2 x (x 2 )2

Daprs le lemme de dcomposition en noyaux, on a

R3 = Ker (A) Ker (A 2 13 )2 .


12 CHAPITRE 11. SYSTMES DYNAMIQUES CONTINUS

La matrice de la projection sur Ker (A) paralllement Ker (A 213 )2 est donc

1 1 1
1
1 = (A 2 13 )2 = 1 1 1 .
3
1 1 1

Pour le calcul de 2 , il est inutile de dterminer a et b, on exploite la relation 2 =


13 1 .

On a donc
etA = 1 + et2 2 + et2 t(A 2 13 )2 .
Do

x1 (t) x x x
t2 t2
x(t) = x2 (t) = 1 0 + e 2 0 + e t(A 2 13 )2 0 .

x3 (t) 0 0 0

Comme 2 < 0, on dduit que



x
lim x(t) = 1 0 .
t+
0

Par suite, pour i = 1, 2, 3, on a


1
lim xi (t) = x.
t+ 3
Autrement dit, terme le produit chimique se sera diffus dans les trois cuves de faon
homogne, chaque cuve contenant un tiers de la quantit initiale du produit.

Exercice 2. On considre la matrice relle



7 4 3
A = 2 5 3 .
5 1 6

1. Montrer que le polynme caractristique de A est pA = x(x + 9)2 .


2. Dterminer la dimension du sous-espace propre associ la valeur propre 9.
3. La matrice A est-elle diagonalisable ?
4. Dterminer le polynme minimal de A.
5. Exprimer, en fonction de la matrice A, les projecteurs spectraux 0 et 9 de A.
6. Exprimer, en fonction de A, 0 et 9 la matrice etA , o t est un rel.
7. On considre trois lacs L1 , L2 et L3 , chacun de volume V , relis entre eux par un
systme de canaux permettant de faire circuler leau entre les lacs. Leau circule avec
un taux indiqu par la figure suivante.
CHAPITRE 11. SYSTMES DYNAMIQUES CONTINUS 13

On suppose que les changes sont continus. Les lacs L1 , L2 , L3 contiennent, linstant
t = 0, respectivement q1 , q2 , q3 grammes de polluant.
8. crire les quations dcrivant lvolution de la quantit de polluant dans chaque lac.
9. Dterminer la quantit de polluant dans chaque lac, lorsque t tend vers +.

Exercice (Sage) 3. Calculer la solution des systmes diffrentiels suivants :



dx(t) = 2x(t) + y(t) + z(t) + t dx(t) = x(t) + y(t) + 3z(t) + cos(t)
dt dt
dy(t) 2 dy(t)
dt = x(t) + 2y(t) + z(t) + t dt = 2x(t) + 2y(t) + 2z(t) + sin(t)
dz(t) 3
dz(t)
= x(t) + y(t) + 2z(t) + t dt = 2x(t) + y(t) + 4z(t) + cos(t)

dt
avec condition initiale x(0) = 1, x(1) = 2, x(3) = 3. On se ramenera un systme de la
forme
dx(t)
= Ax(t) + v(t)
dt
et on dfinira une fonction Sage pour calculer la solution sous la forme
Z t
tA
x(t) = e x(0) + e(ts)A v(s)ds.
0

11.2.4. quations diffrentielles dordre n.

11.2.5. Dfinition. Une quation diffrentielle dordre n relle (resp. complexe) est
donne de
dn d n1 d
z(t) + cn1 z(t) + . . . + c1 z(t) + c0 z(t) = f (t),
dt n dt n1 dt
o les ci sont rels (resp. complexes) et f une fonction continue valeurs relles (resp.
complexes).
Cette quation peut scrire sous la forme dun systme linaire coefficients con-
stants. Pour cela on pose

d d d d n1
x1 = z, x2 = x1 = z, ... xn = xn1 = n1 z.
dt dt dt dt
14 CHAPITRE 11. SYSTMES DYNAMIQUES CONTINUS

On a donc

0 1 0 ... 0
0

x1 .. x1
0 0 1 .

x2
.
x
2 0
d .. .. ... .. ..
0

. =
. + . .
dt
1
0

xn1 xn1
0 0 0 1
xn xn f (t)
c0 c1 c2 . . . cn2 cn1
On remarquera que la matrice est une transpose de matrice compagnon.

Exercice (Sage) 4. En se ramenant un systme diffrentiel de la forme


d
x(t) = Ax(t) + v(t),
dt
o A est une matrice compagnon dterminer, calculer les fonctions x : R C de
classe C3 solutions de lquation

d3 d2 d
3
x(t) + 2 x(t) x(t) x(t) = cost.
dt dt dt

3 Exercices

Exercice 5. 1. Montrer quune quation diffrentielle dordre n relle (resp. com-


plexe), donne par

dn d n1 d
z(t) + cn1 z(t) + . . . + c 1 z(t) + c0 z(t) = f (t),
dt n dt n1 dt
o les ci sont rels (resp. complexes) et f une fonction continue valeurs relles (resp.
complexes), peut scrire sous la forme dun systme linaire coefficients constants
de la forme
d
x(t) = Ax(t) + v(t).
dt
2. Dterminer les fonctions x de C3 (R, C) solutions de lquation

d3 d2 d
3
x(t) + 2
x(t) x(t) x(t) = cost, t R.
dt dt dt
CHAPITRE 11. SYSTMES DYNAMIQUES CONTINUS 15

Exercice 6. On considre la matrice de Mn (R) suivante



a b ... b
. .
b a . . ..

A= . .
.. . . . . . b

b ... b a

en supposant n > 2. Dterminer la solution du systme diffrentiel

d x(t)
= Ax(t),
dt
prenant en t = 0 la valeur x(0), contenue dans lhyperplan de Rn dquation x1 + . . . + xn = 0.

Exercice 7. Le problme de diffusion suivant apparat dans de nombreuses situa-


tions biologiques. Considrons deux cellules contenant des composes chimiques. On
souhaite tudier la concentration dun compos inject dans une cellule, alors que les
deux cellules peuvent diffuser mutuellement ce compos.
linstant t = 0, on injecte une unit dun compos chimique dans la cellule A. Le
compos se diffuse selon les rgles suivantes. chaque instant t, la diffusion du compos
de la cellule A vers la cellule B est de x fois la concentration du compos dans la cellule
A et la diffusion du compos de la cellule B vers la cellule A est de y fois la concentration
du compos dans la cellule B. On suppose x, y > 0.

a) Dterminer, chaque instant t, la concentration du compos dans chacune des deux


cellules.
b) Les concentrations du compos dans chaque cellule se stabilisent-elles au bout dun
certain temps ?

Exercice 8. On considre le systme diffrentiel suivant

d2 d
2
x(t) + B x(t) + Ax(t) = v(t), (S )
dt dt
o x(t) est un vecteur de classe C2 de lespace Rn , A et B sont des matrices de Mn (R)
et v(t) est une fonction valeur dans Rn .
16 CHAPITRE 11. SYSTMES DYNAMIQUES CONTINUS

1. Par un changement de variable, montrer que le systme diffrentiel (S ) se ramne


un systme diffrentiel du premier ordre de la forme
d
y(t) = Cy(t) + w(t),
dt
2
o y(t) et w(t) sont des vecteur de Rn et C une matrice de Mn2 (R).
2. On considre le systme diffrentiel

d2
x(t) + Ax(t) = 0, x(0) = x0 . (T )
dt 2
Diagonaliser la matrice suivante dfinie par blocs
 
0 1n
.
A 0

3. En dduire que le systme (T ) admet pour solution

x(t) = cos(tA)x0 + A1 sin(tA)y0 ,

o
eitA + eitA eitA eitA
cos(tA) = , sin(tA) = .
2 2i
Bibliographie
[Gab01] Pierre Gabriel. Matrices, gomtrie, algbre linaire. Nouvelle bibliothque
mathmatique. Cassini, 2001. Traduction de Gabrielle Arnaudis. 10
[Gri11] Joseph Grifone. Algbre linaire. Cpadus ditions, Toulouse, 2011. 4e
dition. 1
[LM03] Franois Liret and Dominique Martinais. Algbre 1re anne. Dunod, 2003. 2e
dition. 1