Vous êtes sur la page 1sur 14

Cours d’Algèbre

Institut supérieur des Métiers de la Statistique

Année scolaire 2019-2020.

Classe : LPS1

S2

1
Chapitre 3 : Réduction des matrices

Dans ce chapitre, K = R ou C et n un entier naturel non nul.

3.1 Éléments propres


Définition 1 Soit A ∈ Mn (K).
• Un scalaire λ ∈ K est une valeur propre de A s’il existe un vecteur X ∈ Kn non nul tel que

AX = λX.

• Soit X un vecteur non nul de Kn , X est un vecteur propre de A s’il existe un scalaire λ tel
que
AX = λX.
On dit que X est un vecteur propre associé à la valeur propre λ.
• Soit λ une valeur propre de A. L’ensemble

Eλ (A) := {X ∈ Kn ; AX = λX}.

est appelé espace propre de A associé à λ.


• L’ensemble de valeurs propres de A est appelé spectre de A et est notée

SpK (A).

Exemples 1
 
2 2
1. Soit A = ∈ M2 (R).
0 −1
On a     
2 2 1 1
=2
0 −1 0 0
 
1
Donc 2 est une valeur propre de A et le vecteur est un vecteur propre de A associé à
0
la valeur propre 2.
 
1 0
2. Vérifions que −1 est une valeur propre de A = ∈ M2 (R) :
  15 −1
x1
Cherchons un vecteur X = non nul tel que AX = −X.
x2

2
    
1 0 x1 −x1
AX = −X ⇔ =
15 −1 x2  −x
 2
x1 −x1
⇔ =
15x1 − x2 −x2
⇔ x1 = 0 et x2 quelconque.
 
0
Ainsi le vecteur X = est un vecteur non nul vérifiant AX = −X, donc −1 est une
1 
0
valeur propre de A dont est un vecteur propre associé.
1

Remarque 1 Si λ est une valeur propre de A, alors

Eλ (A) = Ker(λIn − A).


En particulier, Eλ (A) est un sous-espace vectoriel de Kn .

Proposition 1 Soit A ∈ Mn (K) et λ une valeur propre de A. Une famille de vecteurs propres
associés à des valeurs propres deux à deux distinctes est libre

Proposition 2 Soient A ∈ Mn (K) et λ ∈ K. Alors λ est une valeur propre de A si, et seulement
si,
det(λIn − A) = 0.

Démonstration : Soit λ ∈ K.
λ est une valeur propre de A ⇐⇒ ∃X ∈ Kn \ {0}, AX = λX

⇐⇒ ∃X ∈ Kn \ {0}, AX − λX = 0

⇐⇒ Ker(λIn − A) 6= {0}

⇐⇒ λIn − A n’est pas injective

⇐⇒ λIn − A n’est pas inversible

⇐⇒ det(λIn − A) = 0.

Exercice 1 Soit  
0 0 −2
A = 1 0 1  .
0 1 2
Déterminer SpR (A).

Réponse :

Soit λ ∈ R. On a :

λ 0 2

det(λI3 − A) = −1 λ −1
0 −1 λ − 2

3
Ajoutons les deux premières lignes à la troisième ligne :

λ 0 2

det(λI3 − A) = −1 λ −1 .
λ − 1 λ − 1 λ − 1

Factorisons (λ − 1) :
λ 0 2

det(λI3 − A) = (λ − 1) −1 λ −1 .
1 1 1
Soustrayons la dernière colonne aux deux premières colonnes :

λ − 2 −2 2

det(λI3 − A) = (λ − 1) 0 λ + 1 −1 .
0 0 1
Il reste un déterminant d’une matrice triangulaire supérieure, donc

det(λI3 − A) = (λ − 1)(λ − 2)(λ + 1).


Ainsi det(λI3 − A) = 0 si, et seulement si λ ∈ {1, −1, 2}.

D’où
SpR (A) = {1, −1, 2}.

3.2 Polynôme caractéristique


Définition 2 Soit A ∈ Mn (K). Le polynôme caractéristique de A est le polynôme χA ∈ K[X]
définie par :
∀λ ∈ K, χA (λ) = det(λIn − A).
Exemples 2

1. χIn = (X − 1)n .
2. Soit  
a1 0 ... ... 0
0 a2 0 ... 0 
 
A =  ... ... ... ... ..  .

 .
0 . . . 0 an−1 0 
0 ... ... 0 an
Alors
χA = (X − a1 ) . . . (X − an ).
Plus généralement,
3. Si
∗ ∗∗
 
a1 ... ...
... .. 
0 a2 ... . 

A =  ... .. .. .. .. 

 . . . . 
0 . . . 0 an−1 ∗ ∗ ∗
0 ... ... 0 an
4
est triangulaire supérieure, alors

χA = (X − a1 ) . . . (X − an ).
n−1
X
Exemple 1 Soit P = X n + ak X k un polynôme unitaire à coefficients K et de degré n ≥ 2.
k=0
On appelle matrice compagnon de P la matrice
 
0 ... . . . 0 −a0
 ... .. .. 
1 . . 

.. .. 
 . .

CP =  . .
 
 .. .. .. 
 . . 
 ... 
 0 
0 ... 1 −an−1
On note χCP le polynôme caractéristique de CP . On montre que χCP = P . V oir T D2.

Définition 3 Soit A ∈ Mn (K) et λ une valeur propre de A. La multiplicité algébrique de λ,


notée mλ (A), est l’ordre de multiplicité de la racine λ dans le polynôme caractéristique χA .
 
0 0 −2
Exemple 2 Pour la matrice A = 1 0 1  de l’Exercice 1. A est une matrice compagnon
0 1 2
3 2
associée au polynôme P = X − 2X − X + 2, on retrouve donc que

χA = X 3 − 2X 2 − X + 2 = (X − 1)(X + 1)(X − 2).

Ainsi
m2 (A) = 1.
1 est une valeur propre de In de multiplicité algébrique n :

m1 (In ) = n

Proposition 3 Soit A ∈ Mn (K). Alors pour tout λ ∈ SpK (A) :

1 ≤ dim(Eλ (A)) ≤ mλ (A).

Théorème 1 (Coefficients du polynôme caractéristique). Soit A ∈ Mn (K). Alors :

χA = X n − tr(A)X n−1 + . . . + (−1)n det(A).

Démonstration dans le cas n = 2 :


 
a b
Soit A = ∈ M2 (R). On a :
c d

X − a −b
χA = det(XI2 − A) =
= (X − a)(X − d) − bc.
−c X − d
Ainsi

χA = X 2 − (a + d)X + ad − bc = X 2 − tr(A)X + det(A).

5
Exemples 3 1. Soit  
1 2
B= .
−1 1
Alors
χB = X 2 − 2X + 3.
2. Soit  
0 0 −2
A = 1 0 1  .
0 1 2
D’après le théorème précédent, il existe α ∈ R tel que :

χA = X 3 − tr(A)X 2 + αX + (−1)3 det(A).

Or tr(A) = 2 et det(A) = −2 (Développer selon la première ligne) donc

χA = X 3 − 2X 2 + αX + 2.
Calculons l’image d’un point pour déterminer α :

D’une part ,
χA (2) = 23 − 2 × 22 + 2α + 2 = 2(α + 2).
D’autre part,

2 0 2

χA (2) = det(2I3 − A) = −1 2 −1 Développer selon la troisième ligne
0 1 0

2 2
= −1
= 0.
−1 −1

Ainsi α = −1 et
χA = X 3 − 2X 2 − X + 2.

Comme χA est degré n, il s’en suit le corollaire suivant :

Corollaire 1 Soit A ∈ Mn (K). Alors A admet au plus n valeurs propres.

3.3 Diagonalisation
Définition 4 Soit A ∈ Mn (K). On dit que A est diagonalisable s’il existe P ∈ Mn (K) inversible
et D ∈ Mn (K), D diagonale, telles que

P −1 AP = D.

Théorème 2 (Admis) Soit A ∈ Mn (K). Alors les conditions suivantes sont équivalentes :
1. A est diagonalisable sur K.

6
2. χA est scindé sur K et pour tout λ ∈ SpK (A),

dim(Eλ (A)) = mλ (A).


3. A admet des valeurs propres λ1 , ..., λr et

E = Eλ1 (A) ⊕ . . . ⊕ Eλr (A)

.
De plus, dans ces cas, si (X1 , . . . , Xn ) est une base de Kn , formée de vecteurs propres de A, alors
la matrice P dont les vecteurs colonnes sont (X1 , . . . , Xn ) est inversible et D = P −1 AP est une
matrice diagonale formée de valeurs propres de A.

Corollaire 2 (Une condition suffisante). Soit A ∈ Mn (K). Supposons que A admet n va-
leurs propres distinctes. Alors A est diagonalisable.

Démonstration : Soient λ1 , λ2 , . . . , λn les différentes valeurs propre. χA est unitaire de degré n


et λ1 , λ2 , . . . , λn sont ses racines, donc
n
Y
χA = (X − λi ).
i=1

Ainsi χA est scindé sur K et pour tout 1 ≤ i ≤ n,

mλi (A) = 1.

Or, d’après la Proposition 3, pour tout λ ∈ SpK (A),

1 ≤ dim(Eλ (A)) ≤ mλ (A)


donc, pour tout λ ∈ SpK (A),

dim(Eλ (A)) = mλ (A).


D’où A est diagonalisable.

Procédure de diagonalisation :
1. Factoriser le polynôme caractéristique :
Si le polynôme caractéristique a des racines complexes non réelles, la matrice n’est pas
diagonalisable dans R, mais elle peut l’être dans C.

Nous supposons désormais que le polynôme caractéristique est scindé :


k
Y
χA (X) = (X − λ1 )mλi (A) .
i=1

7
2. Trouver une base de chaque sous-espace propre :
Vous avez k systèmes linéaires à résoudre. Si pour l’une des valeurs propres λi . L’espace
Eλi n’est pas de dimension mλi (A), alors la matrice n’est pas diagonalisable.

Supposons que vous ayez bien trouvé une base de mλi (A) vecteurs propres pour chaque
valeur propre λi .

Rassemblez les vecteurs que vous avez trouvés pour chaque valeur propre, il y en a n
en tout. La matrice dont les colonnes sont ces n vecteurs est la matrice de passage P de la
base canonique à la nouvelle base.
3. Conclure : A est diagonalisabe . Soit D la matrice diagonale dont les termes diagonaux
sont les valeurs propres de A associées aux colonnes de P en respectant le même ordre
dans l’écriture des valeurs propres, et dans celle des colonnes de P . Alors

D = P −1 AP.

Exemple 3 Soit  
0 1 1
 1 3 1
A = − 2 2 − 2 
 
 3 3 1 

2 2 2

λ
1 −1 −1

3 1
χA (λ) = det(λI3 − A) = 2 λ− 2

2
Ajoutons la seconde colonne à la première
− 3 3
λ − 21
2 2

λ − 1 −1 −1

= λ − 1 λ − 32 1
2
On factorise(λ − 1) dans la première colonne
3
0
2
λ − 21

1 −1 −1
3 1

= (λ − 1) 1 λ − 2

2
Soustrayons ensuite la première ligne à la sec
3
0
2
λ − 12

1 −1 −1
1 3

= (λ − 1) 0 λ − 2 2
En développant selon la première colonne :
3 1
0
2
λ− 2
1 3

λ −
= (λ − 1) 3 2 2
1

2
λ− 2
 2  2 !
1 3
= (λ − 1) λ− −
2 2

= (λ − 1)(λ + 1)(λ − 2).

Les valeurs propres de A sont donc 1, −1 et 2. Comme elles sont distinctes deux à deux , la
matrice A est diagonalisable.

8
 
3 0 −1
Exemples 4 Soit A =  2 4 2 
−1 0 3
1. On a
χA (λ) = (λ − 2)(λ − 4)2 .
 
x
2. Pour la valeur propre 2, on résout l’équation AX = 2X avec X = y  . On trouve le

z
système 
x = x

y = −2x

z=x

Ainsi, le sous-espace propre associé à la valeur propre 2 est le sous-espace vectoriel engendré
par le vecteur :  
1
X1 = −2 .
1
Cherchons ensuite lesous-espace
 propre associé à la valeur propre 4. On doit résoudre
x
AX = 4X avec X = y  . On trouve le système
z

x = x

y=y

z = −x

Ainsi   
 x 
2
E4 (A) =  y ; (x, y) ∈ R

−x
 
          
 x 0   1 0 
2 2
Or  0  + y ;
 (x, y) ∈ R = x 0 + y 1 ; (x, y) ∈ R
   
−x 0 −1 0
   
donc
E4 (A) = vect(X1 , X2 )
   
1 0
où X1 =  0  et X2 = 1

−1 0
(X1 , X2 ) forme une base de l’espace propre associé à la valeur propre 4.
3. Les dimensions des sous-espaces propres sont égales aux multiplicités des valeurs propres
correspondantes, donc A est diagonalisable. Plus précisément, on a A = P DP −1 avec
   
1 0 1 2 0 0
P = −2 1 0  et D = 0 4 0
1 0 −1 0 0 4

9
3.4 Trigonalisation
Définition 5 Soit A ∈ Mn (K). On dit que A est trigonalisable sur K s’il existe P ∈ Mn (K)
inversible et T ∈ Mn (K), T triangulaire supérieure, telles que
P −1 AP = T.

Exemple 4 Toute matrice diagonalisable est trigonalisable.

Théorème 3 Soit A ∈ Mn (K). Alors A est trigonalisable sur K si, et seulement si, χA est
scindé sur K.

Corollaire 3 Toute matrice A ∈ Mn (C) est trigonalisable.

Dans la pratique, on se limite aux cas n = 2 et n = 3. Les autres cas dépassent largement notre
programme :
1. Si A n’admet pas de valeur propre :

Ceci n’est possible que dans le cas K = R. Dans ce cas, la matrice A n’est pas trigo-
nalisable sur R.
Exemple 5 Soit  
0 1
A= .
−1 0
χA = X 2 + 1 qui n’a pas de racine réelle, donc elle n’est pas trigonalisable sur R.
2. Si A admet n valeurs propres distinctes :

Dans ce cas, d’après le corollaire 1, la matrice est diagonalisable. En particulier, elle est
trigonalisable. Soient λ1 , ..., λn les différentes valeurs propres. Pour chaque 1 ≤ i ≤ n,
on cherche un vecteur propre Xi associé à λi . Soit P la matrice dont les colonnes sont
(X1 , X2 , ..., Xn ). P est inversible et P −1 AP est diagonale.
3. Si n = 2 et A a une seule valeur propre :

Soit λ l’unique valeur propre de A et X1 un vecteur propre associé. Soit X2 un vecteur


quelconque de K2 tel que (X1 , X2 ) soit un base de K2 (Théorème de la base incomplète).
Soit P la matrice dont les colonnes sont (X1 , X2 ). P est inversible et P −1 AP est triangulaire
supérieure.
Exemple 6 Soit  
3 2
A= .
−2 −1
 
1
1 est une valeur propre de A dont X1 = est un vecteur propre associé. On a
−1  
1 0
= 1 6= 0, donc (X1 , X2 ) est une base de K2 où X2 = 0 .
−1 1 1
 
1 0
Soit P = . Vérifions que P −1 AP est triangulaire supérieure :
−1 1
       
−1 1 0 1 0 3 2 1 0 −1 −1
P = et =
1 1 1 1 −2 −1 −1 1 0 1

10
4. Si n = 3 et A a exactement deux valeurs propres distinctes :

Soient λ1 et λ2 les valeurs propres de A. Soient X1 un vecteur propre associé à λ1 et X2


un vecteur propre associé à λ2 . La famille (X1 , X2 ) est libre (Proposition 1).
On la complète à une base (X1 , X2 , X3 ) de K3 (Théorème de la base incomplète). Soit P
la matrice dont les colonnes sont (X1 , X2 , X3 ). P est inversible et P −1 AP est triangulaire
supérieure.
5. Si n = 3 et A a une seule valeur propre :

Soit λ l’unique valeur propre de A. Nous avons deux cas :


i mλ (A) = 1 : Ceci n’est possible que si K = R. Dans ce cas la matrice n’est pas
trigonalisable sur R. La trigonalisation de A dans C s’inscrit dans les cas précédents.
Exemple 7  
1 0 0
A = 0 0 −1 .
0 1 0
χA = (X − 1)(X 2 + 1) donc, on a SpR A = {1} et SpC A = {1, i, −i}.
ii mλ (A) = 3 :

Si dim(Eλ (A)) = 2 ou 3 : on procède comme dans le cas précédent : Soit (X1 , X2 ) une
famille libre de vecteurs propres associés à λ. On la complète à une base (X1 , X2 , X3 )
de K3 (Théorème de la base incomplète). Soit P la matrice dont les colonnes sont
(X1 , X2 , X3 ). P est inversible et P −1 AP est triangulaire supérieure.

Sinon : dim(Eλ (A)) = 1. C’est un peu plus délicat, on illustre la procédure de trigo-
nalisation sur un exemple :

Soit  
−2 −1 2
A = −15 −6 11
−14 −6 11
Son polynôme caractéristique est
χA = (X − 1)3 .
A a une unique valeur propre λ1 = 1, racine triple.L’espace
 propre associé à λ1 est
1
de dimension 1 et engendré par le vecteur X1 = 1 . La matrice n’est donc pas
2
diagonalisable.

 
x
On cherche toujours un vecteur X2 = y  tel que
z
   
x x
A  y  = X1 + λ  y 
z z
11
On a alors le système

−3x − y + 2z = 1

−15x − 7y + 11z = 1

−14x − 6y + 10z = 2

   
x 0
qui admet comme solution x + 3 . On prend X2 = 3 .
  
2x + 2 2
La famille (X1 , X2 ) est libre. On la complète à une base (X1 , X2 , X3 ) de K3 (Théorème
de la base incomplète). Soit P la matrice dont les colonnes sont (X1 , X2 , X3 ). P est
inversible et P −1 AP est triangulaire supérieure de la forme
 
λ 1 a
0 λ b 
0 0 λ

où a et b sont des éléments de K.  


1
Pour cet exemple, on peut prendre X3 = 0, et on a

0
 
1 1 −3
P −1 AP = 0 1 −4
0 0 1

3.5 Applications
3.5.1 Suites numériques
Théorème 4 Soien t A ∈ Mn (K), diagonalisable, et : P ∈ Mn (K) inversible, D diagonale,
telles que P −1 AP = D. Alors
∀k ∈ N, Ak = P Dk P −1 .

Démonstration : On raisonne par récurrence sur k.

Initialisation : Pour k = 0, on a A0 = In = D0 et P −1 In P = P −1 P = In . Donc l’égalité est


vérifiée.

Hérédité : Soit k ∈ N. Supposons que l’égalité est vérifiée pour k. Par hypothèse de récurrence
et associativité de la loi produit, on a

Ak+1 = Ak A = (P Dk P −1 )A = P Dk P −1 P DP −1 = P Dk+1 P −1 .

Ainsi l’égalité est vérifiée pour k + 1.

Conclusion : Par principe de récurrence,

∀k ∈ N, Ak = P Dk P −1 .

12
Exercice 2 Soit  
3 0 −1
A =  2 4 2 .
−1 0 3
Calculer An pour tout n ∈ N.

Réponse : D’abord, on diagonalise A si cela est possible.

Soit n ∈ N On a A = P DP −1 , d’après le théorème,

An = P Dn P −1 .

On a

2n 0 0
 

D n =  0 2n 0  .
0 0 4n
Après un calcul, on trouve  
−1 0 −1
1
P −1 = − −2 −2 −2 .
2
−1 0 1
On en déduit finalement que

2n + 4n 2n − 4n
 
0
1
An = 2(4n − 2n ) 2 × 4n 2(4n − 2n )
2
2n − 4n 0 2n + 4n

Théorème 5 Soit (un ) une suite d’éléments de K telle que :

∃p ∈ N∗ , (a0 , ..., ap−1 ) ∈ Kp , ap−1 6= 0, ∀n ∈ N, un+p = ap−1 un+p−1 + ... + a0 un .

La suite (Xn ) définie par :


 
un
.
∀n ∈ N, Xn =  : ..
 

un+p−1
vérifie : ∀n ∈ N, Xn+1 = AXn , où
 
0 1 0 ... 0
 .. .. .. .. 
A = 0
 . . . . 

0 ... 0 0 1 
a0 . . . . . . ap−2 ap−1
On peut alors calculer tous les termes de (Xn ) et de (un ) à laide de :

∀n ∈ N, Xn = An .X0 .

En particulier, les termes de la suite (un ) ne dépendent donc que de n et de u0 , ..., up−1 .

13
3.5.2 Système différentiels
Exercice 3 1. On pose j = e2iπ/3 . Que vaut j 4 + j 2 + 1?

On considère la matrice A de M4 (C) suivante :


 
0 1 0 0
 0 0 1 0 
A=  0 0 0

1 
−1 0 −1 0

2. Proposer une matrice inversible U et une matrice diagonale D de M4,4 (C) telles que
U −1 AU = D.
3. En déduire les solutions X : I → M4,1 (C)(I un intervalle de R) de l’équation différentielle

X 0 = AX

4. Déterminer l’ensemble des solutions y : I → C de l’équation différentielle

y (4) + y ” + y = 0

et préciser parmi ces solutions celles qui sont à valeurs dans R.

Voir la correction de TD3.

Fin Chapitre.

14