Réduction Des Endomorphismes: Document Téléchargé À l'URL Suivante

Pour plus de compléments, voir les deux ouvrages suivants parus Réduction des endomorphismes 3
aux Presses Polytechniques et Universitaires Romandes (PPUR)

Cours de Mathématiques - ASINSA-1 dans la collection METIS LyonTech :
Plan du cours
Réduction des www.ppur.org
endomorphismes Algèbre et analyse, 2e édition revue et augmentée, Cours de
mathématiques de première année avec exercices corrigés,
S. Balac, F. Sturm, 1110 pages, paru en 2009.
1 Valeurs propres et vecteurs propres
Frédéric STURM Exercices d’algèbre et d’analyse, 154 exercices corrigés de
première année, S. Balac, F. Sturm, 448 pages, paru en 2011.
Pôle de Mathématiques, INSA de Lyon
2 Cas d’un espace de dimension finie
Année académique 2011-2012
3 Diagonalisation
Document téléchargé à l’URL suivante :

http://maths.insa-lyon.fr/~sturm/
F. STURM, Pôle de Mathématiques, INSA de Lyon Cours de Mathématiques - Première Année ASINSA
Réduction des endomorphismes 4 Réduction des endomorphismes 5 Réduction des endomorphismes 6

Éléments propres d’un endomorphisme Caractérisation des valeurs propres Une valeur propre λ peut-elle être nulle ?
La réponse est « oui ». f ∈ LK (E). On a l’équivalence :
Soit f un endomorphisme de E. On a les équivalences :
Définition 1.1 (Éléments propres d’un endomorphisme) λ = 0 valeur propre de f ⇐⇒ f non injectif.
Soient E un K-espace vectoriel et f ∈ LK (E). λ ∈ K valeur propre de f
On appelle valeur propre de f tout scalaire λ ∈ K pour ~ 6= ~0E ~) = λu
~ En revanche, un vecteur propre u ~ associé à une valeur propre
⇐⇒ ∃u f (u
~ ∈ E tel que
lequel il existe un vecteur non nul u λ (nulle ou non nulle) n’est, par définition, jamais égal à ~0E .
⇐⇒ ~ 6= ~0E
∃u ~ ) = ~0E
(f − λ idE ) (u
Remarque
~) = λu
f (u ~. ⇐⇒ ~ 6= ~0E
∃u ~ ∈ Ker (f − λ idE )
u
Soient f ∈ LK (E) et k ∈ N∗ . On a alors :
Le vecteur non nul u~ se nomme vecteur propre associé à ⇐⇒ Ker (f − λ idE ) 6= {~0E }
la valeur propre λ. λ valeur propre de f =⇒ λk valeur propre de f k .
⇐⇒ f − λ idE n’est pas injectif.
~ ) est appelé élément propre de f .
Le couple (λ, u En particulier, supposons f inversible. Alors,
~ associé à une valeur propre λ est-il Proposition 1.1
Le vecteur propre u 1
unique ? La réponse est « non » car tout vecteur non nul Une condition nécessaire et suffisante pour que λ ∈ K soit λ valeur propre de f =⇒ valeur propre de f −1 .
λ
~ est aussi un vecteur propre associé à λ.
colinéaire à u valeur propre de f est que f − λ idE ne soit pas injectif.
F. STURM, Pôle de Mathématiques, INSA de Lyon Cours de Mathématiques - Première Année ASINSA F. STURM, Pôle de Mathématiques, INSA de Lyon Cours de Mathématiques - Première Année ASINSA F. STURM, Pôle de Mathématiques, INSA de Lyon Cours de Mathématiques - Première Année ASINSA

Sous-espace propre Propriétés Propriétés
Proposition 1.2 Proposition 1.4
Soient E un K-espace, f ∈ LK (E) et λ une valeur propre de f . Soient E un K-espace et f ∈ LK (E). Soient λ1 et λ2 deux
Proposition 1.3
L’ensemble constitué des vecteurs propres associés à λ et du valeurs propres de f distinctes (λ1 6= λ2 ). Si
Soient E un K-espace et f ∈ LK (E). Soient λ1 et λ2 deux
vecteur ~0E est un sous-espace de E. On le note Eλ et on ~ 1 est un vecteur propre associé à λ1
u
valeurs propres de f . Si λ1 6= λ2 alors les deux sous-espaces
l’appelle sous-espace propre associé à λ. On a : ~ 2 est un vecteur propre associé à λ2
u
propres Eλ1 et Eλ2 n’ont en commun que le vecteur nul.
~ 1 et u
alors les vecteurs u ~ 2 forment une famille libre dans E.
Eλ = ~x ∈ E f (~x ) = λ ~x = Ker (f − λ idE ) .
déf.
Autrement dit, λ1 et λ2 désignant deux valeurs propres d’un

endomorphisme f de E, Par conséquent, des vecteurs propres associés à des valeurs
Remarque
propres distinctes ne sont jamais liés. Plus généralement :
~ est un vecteur propre associé à λ alors Ku
Si u ~ ⊂ Eλ . λ1 6= λ2 =⇒ Eλ1 ∩ Eλ2 = {~0E }.
Corollaire 1.1
Si 0 est valeur propre de f alors Par conséquent, un vecteur propre ne peut pas être associé à Soient E un K-espace vectoriel et f un endomorphisme de E.
deux valeurs propres distinctes. Si λ1 , λ2 , . . . , λm sont des valeurs propres de f distinctes
Eλ=0 = Ker f .
deux-à-deux alors les vecteurs propres u ~ 1, u
~ 2, . . . , u
~ m associés
C’est le noyau de f . à ces valeurs propres forment une famille libre dans E.
Plan du cours Cas d’un espace de dimension finie Éléments propres d’une matrice
Définition 2.1 (Éléments propres d’une matrice)

Soient E un K-espace vectoriel de dimension finie et
Soit A une matrice carrée d’ordre n sur K.
dimK (E) = n. On appelle valeur propre de A tout scalaire λ ∈ K pour
1 Valeurs propres et vecteurs propres lequel il existe une matrice-colonne non nulle X telle que
On considère :
une base B = (~e 1 , ~e 2 , . . . , ~e n ) de E, AX = λX.
2 Cas d’un espace de dimension finie
un endomorphisme f de E. Le vecteur propre de A associé à λ est X. C’est une
Soit A ∈ Mn (K) la matrice associée à f relativement à B : matrice-colonne.
3 Diagonalisation On appelle spectre de A le sous-ensemble Sp(A) de K
A = MatB (f ).
constitué de toutes les valeurs propres de A.
On étend alors à la matrice carrée A ∈ Mn (K) les notions que Le sous-espace propre de A associé à λ est défini par
nous venons de définir pour l’endomorphisme f . n o
déf.
Eλ = X ∈ Mn,1 (K) AX = λX .

Écriture sous forme matricielle
Exemple 2.1 Détaillons cette égalité matricielle. Elle s’écrit :
Considérons la matice carrée A ∈ M3 (R) suivante : Soient E un K-espace vectoriel et f ∈ LK (E). Soient λ une     
a11 a12 · · · a1n x1 x1
  valeur propre de f et ~x un vect. propre associé à λ. Puisque E  a21 a22 · · · a2n   x2   x2 
1 −1 −1     
est de dimension finie et que B est une base de E,  .. .. .. ..   ..  = λ  .. .
A =  −1 1 −1   . . . .   .   . 
−1 −1 1 ~x = x1~e 1 + x2~e 2 + . . . + xn~e n . (dimK (E) = n) an1 an2 · · · ann xn xn
et les trois vecteurs-colonnes U1 , U2 et U3 suivants : Si A = (aij )16i,j6n = MatB (f ) et X est la matrice-colonne On doit donc résoudre le système suivant :
      constituée des coordonnées de ~x dans B alors l’égalité 
1 1 0  a11 x1 + a12 x2 + . . . + a1n xn = λ x1
vectorielle 

U1 =  1  , U2 =  0  , U3 =  1  .  a21 x1 + a22 x2 + . . . + a2n xn = λ x2
f (~x ) = λ~x
1 −1 −1 ..

 .
s’écrit sous la forme matricielle 

Alors, on vérifie facilement que an1 x1 + an2 x2 + . . . + ann xn = λ xn
U1 est un vecteur propre de A associé à λ1 = −1 ; AX = λX.
dont les inconnues sont x1 , x2 , . . . , xn et λ. Il y en a n + 1.
U2 , U3 sont deux vecteurs propres de A associés à λ2 = 2. Mais comment faire ?

Caractérisation Remarque
Exemple 2.2
Soient E un K-espace de dimension n muni d’une base B et Soit A ∈ Mn (K). Puisque E est de dimension finie, on a : Soient E un R-e.v. de dim. 3 muni d’une base B = (~e 1 , ~e 2 , ~e 3 )
f ∈ LK (E) de matrice associée A = MatB (f ). On a : et f : x1~e 1 + x2~e 2 + x3~e 3 −→ y1~e 1 + y2~e 2 + y3~e 3 avec
λ = 0 valeur propre de f ⇐⇒ A non inversible.
λ ∈ K valeur propre de f ⇐⇒ f − λ idE non injectif
y1 = x1 − x2 − x3 , y2 = −x1 + x2 − x3 , y3 = −x1 − x2 + x3 .
⇐⇒ f − λ idE non bijectif
Définition 2.2 (Polynôme caractéristique) Relativement à B, la matrice associée à f est
⇐⇒ A − λ In non inversible  
Soit A une matrice carrée d’ordre n sur K. 1 −1 −1
⇐⇒ det (A − λ In ) = 0. A =  −1 1 −1  ∈ M3 (R).
On appelle polynôme caractéristique de A l’application
polynomiale PA définie par −1 −1 1
Proposition 2.1 Son polynôme caractéristique s’écrit :
Soient E un K-espace de dimension n muni d’une base B et ∀λ ∈ K PA (λ) = det (A − λ In ) .
1−λ −1 −1
f ∈ LK (E) tel que A = MatB (f ). Une condition nécessaire et
Le polynôme PA a ses coefficients dans K et deg(PA ) = n. PA (λ) = −1 1−λ −1 = −(λ + 1)(λ − 2)2 .

suffisante pour que λ ∈ K soit valeur propre de f est que −1 −1 1−λ
L’équation algébrique PA (λ) = 0 s’appelle équation
det (A − λ In ) = 0. caractéristique de A. Ainsi, Sp(A) = {−1, 2}.
Calcul pratique des valeurs propres Multiplicité d’une valeur propre
Que se passe-t-il quand on considère une autre base C de E ?
Soient C une deuxième base de E et B = MatC (f ). Soit λ ∈ K.
En pratique, la détermination des valeurs propres de f dans K
det(B − λIn ) = det P−1 AP − λP−1 P équivaut à la résolution de l’équation caractéristique
Définition 2.3
= det P−1 (AP − λP) = det P−1 (A − λIn )P
PA (λ) = 0 Soient E un K-espace de dimension finie et f ∈ LK (E).
= det P−1 × det A − λIn × det P Si λ ∈ K est une racine de multiplicité h du polynôme
d’inconnue λ ∈ K, c’est-à-dire à la résolution de l’équation
= det A − λIn . caractéristique de f alors on dit que λ est une valeur
propre de multiplicité h (ou d’ordre h) de f .
a11 − λ a12 ··· a1n
Le polynôme caractéristique PA est donc invariant lorsque l’on si h = 1 alors la valeur propre est dite simple.
a21 a22 − λ · · · a2n
remplace A par une matrice semblable. On le note ainsi Pf et
.. .. . . .. = 0. Si h > 1 alors la valeur propre est dite multiple.
on dit que Pf est le polynôme caractéristique de f . On a : . . . .

an1 an2 · · · ann − λ Elle est dite double lorsque h = 2 et triple lorsque h = 3.

∀λ ∈ K Pf (λ) = det MatB (f ) − λ In
D’où l’importance de savoir calculer les racines d’un polynôme !
pour toute base B de E.

Si une matrice A n’est pas inversible, que peut-on dire de ses Calcul pratique des vecteurs propres
Existe-t-il toujours des valeurs propres ? La réponse est « oui » valeurs propres ? Une condition nécessaire et suffisante pour
à la condition que K soit algébriquement clos. qu’une matrice ne soit pas inversible est qu’elle admette pour
Soit ~x un vecteur propre de f associé à λ. On a :
C’est le cas du corps C. Si A ∈ Mn (C) alors Sp(A) 6= ∅ et valeur propre le nombre 0. En d’autres termes, ~x ∈ Eλ = Ker (f − λ idE ) \ {~0E }.
card (Sp(A)) 6 n. Il convient donc de déterminer Eλ . Quelle est sa dimension ?
En revanche, un endomorphisme d’un R-espace peut ne ∀A ∈ Mn (K) rg A < n ⇐⇒ 0 ∈ Sp(A) .
pas avoir de valeur propre. C’est par exemple le cas de Proposition 2.2 (Dimension d’un sous-espace propre)
Soient E un K-espace de dimension finie et f ∈ LK (E).
cos θ − sin θ
∈ M2 (R) où 0 6 θ < 2π.
déf.
Aθ = Exemple 2.3 Si λ est une valeur propre de multiplicité h de f alors
sin θ cos θ
Considérons la matrice réelle suivante :
1 6 dimK (Eλ ) 6 h.
Son polynôme caractéristique s’écrit :  
0 0 4
A=  1 2 1 . Si λ est une valeur propre simple de f alors dimK (Eλ ) = 1.
PAθ (λ) = λ2 − 2λ cos θ + 1.
2 4 −2
ATTENTION La dimension du sous-espace propre as-
Sur C les valeurs propres sont λ1 = eiθ et λ2 = e−iθ . Si socié à une valeur propre multiple d’ordre h > 1 n’est
On a : PA (λ) = −λ(λ + 4)(λ − 4). D’où Sp(A) = {−4, 0, 4}. La
θ 6= 0 et θ 6= π alors Sp(Aθ ) = ∅. pas nécessairement égale à h.
matrice A n’est pas inversible car 0 ∈ Sp(A).

Illustration sur un exemple Pour calculer x1 , x2 et x3 , on doit donc résoudre :
Comment calcule-t-on dimK (Eλ ) ? 
Reprenons l’endomorphisme f de E, avec E un R-espace de  2x1 − x2 − x3 = 0
On applique le théorème du rang à f − λ idE . On obtient :
dim. 3, dont la matrice associée dans la base B = (~e 1 , ~e 2 , ~e 3 ) (S1 ) −x1 + 2x2 − x3 = 0 .

dimK (Eλ ) = n − rg (f − λ idE ) . est la matrice suivante : −x1 − x2 + 2x3 = 0
 
1 −1 −1
 Ce système est équivalent au système échelonné
Comment déterminer une base de Eλ ? A= −1 1 −1  .
−1 −1 1 
On résout l’équation matricielle (A − λIn ) X = 0, c’est-à-dire :  2x1 − x2 − x3 = 0
     On a : PA (λ) = −(λ + 1)(λ − 2)2 . D’où : Sp(A) = {−1, 2}. (S′1 ) 3x2 − 3x3 = 0 .
a11 − λ a12 ··· a1n x1 0 
 a21 0 = 0
 a22 − λ · · · a2n     
 x2   0  • λ1 = −1 : valeur propre simple. Ainsi, dimR (Eλ1 ) = 1. Soit
 .. .. .. ..  .. = ..  En fixant x3 , on obtient : x2 = x3 puis x1 = x3 . Un vecteur
 . . . .  .   .  ~x = x1~e 1 + x2~e 2 + x3~e 3 un vecteur propre associé à λ1 . On a :
an1 an2 · · · ann − λ xn 0      propre X de A associé à λ1 s’écrit :
2 −1 −1 x1 0
 −1    
2 −1   x2  =  0  . x1 x3
où x1 , x2 , . . . , xn sont les coordonnées (dans B) d’un vecteur
appartenant à l’espace propre Eλ .
−1 −1 2 x3 0 X =  x2  =  x3  .
| {z }
A − λ1 I3 x3 x3
Un vecteur propre ~x de f associé à λ1 s’écrit ainsi : Résolvons à présent le système : Remarque
~x = x1~e 1 + x2~e 2 + x3~e 3 = x3 (~e 1 + ~e 2 + ~e 3 ). 
 −x1 − x2 − x3 = 0 Puisque −~e 1 + ~e 2 et −~e 1 + ~e 3 engendrent Eλ2 , les deux
On a ainsi obtenu que (S2 ) −x1 − x2 − x3 = 0 . nouveaux vecteurs u ~ 2 et u
~ 3 définis par

−x1 − x2 − x3 = 0 (
Eλ1 = Ru
~1 ~ 1 = ~e 1 + ~e 2 + ~e 3 .
avec u ~ 2 = −(−~e 1 + ~e 3 ) = ~e 1 − ~e 3
u
Ainsi, en fixant x2 et x3 , on obtient : x1 = −(x2 + x3 ). Un vecteur
• λ2 = 2 : valeur propre double. Ainsi, dimR (Eλ2 ) = 1 ou 2 ? ~ 3 = −~e 1 + ~e 2 − (−~e 1 + ~e 3 ) = ~e 2 − ~e 3
u
propre ~x de f associé à λ2 s’écrit :
Soit ~x = x1~e 1 + x2~e 2 + x3~e 3 un vecteur propre associé à λ2 :
     ~x = x1~e 1 + x2~e 2 + x3~e 3 engendrent aussi Eλ2 . On en déduit alors que :
−1 −1 −1 x1 0
 −1 −1 −1   x2  =  0  . = −(x2 + x3 )~e 1 + x2~e 2 + x3~e 3
~ 2 = ~e 1 − ~e 3
u
−1 −1 −1 x3 0 ~ 2, u
Eλ2 = Vect(u ~ 3) avec
| {z } = x2 (−~e 1 + ~e 2 ) + x3 (−~e 1 + ~e 3 ) ~ 3 = ~e 2 − ~e 3
u
A − λ2 I3
ce qui montre que les deux vecteurs −~e 1 + ~e 2 et −~e 1 + ~e 3 Les trois vecteurs ~ ~ ~
Il est clair que rg (A − λ2 I3 ) = 1, d’où : u 1 , u 2 , u 3 sont libres dans E. La famille
engendrent Eλ2 . C= u ~ 1, u
~ 2, u
~ 3 est libre dans E. C’est nécessairement
dimR (Eλ2 ) = 3 − 1 = 2. une base de E puisque dimR (E) = 3.
Ces deux vecteurs forment une base de Eλ2 car dimR (Eλ2 ) = 2.

Plan du cours Diagonalisation d’un endomorphisme Puisque la base C est constituée de vecteurs propres de f ,
∃λ1 ∈ K f (u ~1
~ 1 ) = λ1 u
Définition 3.1
∃λ2 ∈ K f (u ~ 2 ) = λ2 u
~2
Soient E un K-espace de dimension quelconque et f ∈ LK (E).
..
On dit que f est diagonalisable sur K s’il existe une base .
1 Valeurs propres et vecteurs propres de E formée de vecteurs propres de f . ∃λn ∈ K f (u ~n
~ n ) = λn u
Diagonaliser f , c’est trouver cette base. où λ1 , λ2 , . . . , λn désignent les valeurs propres (distinctes ou
confondues) de f . Ainsi,
2 Cas d’un espace de dimension finie Quel intérêt avons-nous à diagonaliser un endomorphisme ?
~ ~ ··· ~ n)
Supposons E de dimension finie et notons f (u 1 ) f (u 2 ) f (u 
λ1 0 ··· 0 ~1
u
dimK (E) = n.  λ2 ··· 0  ~2 .
MatC (f ) =  0  u
3 Diagonalisation  .. .. .. ..  ..
Supposons f diagonalisable. Cela signifie qu’il existe une base  . . . .  .
C = (u~ 1, u
~ 2, . . . , u
~ n ) de vecteurs propres de f . Comment s’écrit 0 0 ··· λn ~n
u
alors la matrice Bingo, tralala ! C’est une matrice diagonale ! On la note aussi :
MatC (f ) ?
MatC (f ) = diag (λ1 , λ2 , . . . , λn ) .
Exemple 3.1
Diagonalisation d’une matrice
Exemple 3.2
Reprenons l’endomorphisme f de E tel que Considérons les deux matrices de GL3 (R) suivantes :
~ f (~e 2 ) f (~e 3 )
f (e 1 ) Définition 3.2 U1 U2 U3   U2 U1 U3 
1 −1 −1 ~e 1 1 1 0 1 1 0
MatB (f ) =  . , .
−1 1 −1  ~e 2 Soit A une matrice de Mn (K).  1 0 1   0 1 1 
−1 −1 1 ~e 3 On dit que A est diagonalisable si elle est semblable à une 1 −1 −1 −1 1 −1
matrice diagonale. Autrement dit, A est diagonalisable si
On a vu que Sp(A) = {−1, 2} et Eλ1 =−1 = Ru ~ 1 6= ~0E ,
~ 1 avec u il existe une matrice inversible P ∈ GLn (K) On vérifie alors que l’on a :
il existe une matrice diagonale D ∈ Mn (K)      
~ 2, u
Eλ2 =2 = Vect(u ~ 3 ) avec u
~ 2 et u
~ 3 libres entre eux. −1 0 0 1 1 1 1 −1 −1 1 1 0
telles que  0 1
2 0 =  2 −1 −1  −1 1 −1  1 0 1
D = P−1 AP. 0 0 2
3
−1 2 −1 −1 −1 1 1 −1 −1
Par conséquent,
~ ~ 2 ) f (u
~ 3)
f (u 1 ) f (u  Diagonaliser A, c’est trouver D. 
2 0 0
 
2 −1 −1

1 −1 −1

1 1 0

−1 0 0 ~1
u 1
MatC (f ) =  . 0 −1 0 =  1 1 1  −1 1 −1  0 1 1
0 2 0  u ~2 3
0 0 2 −1 2 −1 −1 −1 1 −1 1 −1
0 0 2 ~3
u
Caractérisation (en dimension finie) Cas particulier
Exemple 3.3
Théorème 3.1 Supposons que f possède n valeurs propres toutes distinctes.
Reprenons l’endomorphisme f d’un R-espace E de dim. 3, dont
Ainsi, dimK (Eλi ) = 1 pour tout i ∈ {1, 2, . . . , n}. D’où :
Soient E un K-espace de dimension n et f ∈ LK (E). Soient λ1 , la matrice associée dans une base B = (~e 1 , ~e 2 , ~e 3 ) de E est :
λ2 , . . . , λm les valeurs propres de f , distinctes deux à deux. On   dimK (Eλ1 ) + . . . + dimK (Eλn ) = n = dimK (E).
a alors nécessairement : 1 −1 −1
A=  −1 1 −1  . L’endomorphisme f est donc diagonalisable !
m 6 n. −1 −1 1 Exemple 3.4
Une condition nécessaire et suffisante pour que f soit La matrice A (et donc aussi f ) possède une valeur propre C’est le cas de l’endomorphisme f de E tel que
 
diagonalisable sur K est que l’on ait : simple (λ1 = −1) et une valeur propre double (λ2 = 2). De plus, 0 0 4
A= 1 2 1 .
dimK (Eλ1 ) + dimK (Eλ2 ) + . . . + dimK (Eλm ) = dimK (E). dimR (Eλ1 =−1 ) = 1 et dimR (Eλ2 =2 ) = 2. 2 4 −2
De manière équivalente, une condition nécessaire et suffisante L’endomorphisme f est diagonalisable car On a : PA (λ) = −λ(λ + 4)(λ − 4). D’où f est diagonalisable
pour que f soit diagonalisable sur K est que l’on ait : puisqu’il possède trois valeurs propres simples. En effet,
dimR (Eλ1 ) + dimR (Eλ2 ) = 3 = dimR (R3 ).
E = Eλ1 ⊕ Eλ2 ⊕ . . . ⊕ Eλm . dimR (Eλ1 =−4 ) = dimR (Eλ2 =0 ) = dimR (Eλ3 =4 ) = 1.

Autre caractérisation (en dimension finie)
Exemple 3.5
Soient E un C-espace de dimension 3 muni d’une base B et f Tout endomorphisme est-il diagonalisable ?
un endomorphisme de E de matrice associée relativement à B : La réponse à cette question est « non ».
En pratique, on utilise souvent la caractérisation suivante :
 
2 1 0 D’ailleurs, certaines catégories d’endomorphismes ne sont
Corollaire 3.1 A =  0 1 −1  ∈ M3 (C). jamais diagonalisables.
0 2 4
Soient E un K-espace de dimension n et f ∈ LK (E). Soient λ1 , C’est le cas des endomorphismes nilpotents, à l’exception
λ2 , . . . , λm les valeurs propres distinctes de f , de multiplicités de l’application nulle.
On vérifie que PA (λ) = −(λ − 2)2 (λ − 3) pour tout λ ∈ C.
respectives h1 , h2 , . . . , hm . Une condition nécessaire et L’endomorphisme f possède une valeur propre simple (λ1 = 3)
suffisante pour que f soit diagonalisable est que et une valeur propre double (λ2 = 2). On a : On a en effet le résultat suivant :
(
h 1 + h 2 + . . . + hm = n Proposition 3.1 (Cas des matrices nilpotentes)
dimC (Eλ1 =3 ) = 1 et dimC (Eλ2 =2 ) = 1.
∀i ∈ {1, . . . , m} dimK (Eλi ) = hi . Toute matrice N ∈ Mn (K) nilpotente et non nulle n’est pas
L’endomorphisme f n’est pas diagonalisable car diagonalisable.
dimC (Eλ1 ) + dimC (Eλ2 ) 6= 3 = dimC (C3 ).

Réduction Des Endomorphismes: Document Téléchargé À l'URL Suivante

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Réduction Des Endomorphismes: Document Téléchargé À l'URL Suivante

Transféré par

Droits d'auteur :

Formats disponibles

Pour plus de compléments, voir les deux ouvrages suivants parus Réduction des endomorphismes 3

aux Presses Polytechniques et Universitaires Romandes (PPUR)

Document téléchargé à l’URL suivante :

Réduction des endomorphismes 4 Réduction des endomorphismes 5 Réduction des endomorphismes 6

Réduction des endomorphismes 7 Réduction des endomorphismes 8 Réduction des endomorphismes 9

Autrement dit, λ1 et λ2 désignant deux valeurs propres d’un

Définition 2.1 (Éléments propres d’une matrice)

Réduction des endomorphismes 13 Réduction des endomorphismes 14 Réduction des endomorphismes 15

Réduction des endomorphismes 16 Réduction des endomorphismes 17 Réduction des endomorphismes 18

Réduction des endomorphismes 22 Réduction des endomorphismes 23 Réduction des endomorphismes 24

Réduction des endomorphismes 25 Réduction des endomorphismes 26 Réduction des endomorphismes 27

Réduction des endomorphismes 31 Réduction des endomorphismes 32 Réduction des endomorphismes 33

Réduction des endomorphismes 34 Réduction des endomorphismes 35 Réduction des endomorphismes 36

Réduction des endomorphismes 40 Réduction des endomorphismes 41 Réduction des endomorphismes 42

dimC (Eλ1 ) + dimC (Eλ2 ) 6= 3 = dimC (C3 ).

Vous aimerez peut-être aussi