Reduction

CPGE MY Youssef
Cours
Réduction des
endomorphismes
Classe MP*
Table des matières
1 Introduction à la réduction des endomorphismes 6

I Somme, somme directe de sous-espaces vectoriels . . . . . . . . . 6
1 Définitions et propriétés . . . . . . . . . . . . . . . . . . . 6
2 Cas de sous-espaces de dimensions finies . . . . . . . . . . 8
3 Famille de projections associée à une décomposition de 𝐸
en somme directe . . . . . . . . . . . . . . . . . . . . . . . 8
4 Exercices d’approfondissements . . . . . . . . . . . . . . . 9
II Opérations sur les matrices définies par blocs . . . . . . . . . . . . 11
1 Les opérations par blocs . . . . . . . . . . . . . . . . . . . 11
2 Exercices d’approfondissement . . . . . . . . . . . . . . . 14
III Sous-espaces stables par un endomorphisme . . . . . . . . . . . . 14
1 Définition et propriétés . . . . . . . . . . . . . . . . . . . 14
2 Interprétations matricielles de la stabilité . . . . . . . . . . 16
2 Utilisation des polynômes en algèbre linéaire 19

I Polynômes d’endomorphisme, polynômes annulateurs . . . . . . 19
1 Définitions et premières propriétés . . . . . . . . . . . . . 19
2 Les théorèmes essentiels . . . . . . . . . . . . . . . . . . . 23
3 Cas d’un espace dimension finie . . . . . . . . . . . . . . . 25
II Cas d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . . . 25
III Exercices d’approfondissement . . . . . . . . . . . . . . . . . . . . 27
3 Réduction d’un endomorphisme 32

I Éléments propres d’un endomorphisme . . . . . . . . . . . . . . . 32
1 Valeurs propres d’une matrice carrée . . . . . . . . . . . . 34
II Polynôme caractéristique . . . . . . . . . . . . . . . . . . . . . . . 35
1 Polynôme caractéristique d’une matrice carrée . . . . . . 35
2 Polynôme caractéristique d’un endomorphisme . . . . . . 38
page 2 / 63
Cours Table des matières
3 Théorème de Cayley-Hamilton et conséquences . . . . . . 40

III Calcul pratique des éléments propres . . . . . . . . . . . . . . . . 43
IV Endomorphismes et matrices diagonalisables . . . . . . . . . . . . 47
1 Endomorphismes diagonalisables . . . . . . . . . . . . . . 47
2 Matrices diagonalisables . . . . . . . . . . . . . . . . . . . 50
V Endomorphismes et matrices trigonalisables . . . . . . . . . . . . 55
Liste des résultats remarquables
1.2 Exercice : réunion de sev . . . . . . . . . . . . . . . . . . . . . . . 9

1.8 Exercice : factorisation de Schur . . . . . . . . . . . . . . . . . . . 14
1.2 Exemples : de sous-espaces stables . . . . . . . . . . . . . . . . . . 15
2.6 Théorème : de décomposition des noyaux . . . . . . . . . . . . . . 23
2.1 Exercice : famille des projecteurs associée à une décomposition
des noyaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2 Exercice : valuation d’un diviseur irréductible du polynôme minimal 27
2.3 Exercice : sous-espaces stables et décomposition des noyaux . . . 28
2.4 Exercice : noyaux des polynômes en 𝑢 . . . . . . . . . . . . . . . . 28
2.6 Exercice : sous-espaces 𝑢-cycliques et polynôme minimal en un
vecteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.7 Exercice : majoration du degré du polynôme minimal I . . . . . . 29
2.8 Exercice : majoration du degré du polynôme minimal II . . . . . . 29
2.13 Exercice : polynôme minimal d’un produit de matrices . . . . . . 30
2.14 Exercice : polynôme minimal d’une matrice diagonale par blocs . 30
2.15 Exercice : polynôme minimal d’une matrice compagne . . . . . . 30
2.16 Exercice : premières propriétés d’un endomorphisme cyclique . . 30
2.17 Exercice : calcul du polynôme minimal en un vecteur . . . . . . . 31
3.12 Théorème : théorème de Cayley-Hamilton . . . . . . . . . . . . . 40
3.3 Exercice : suite des noyaux Ker(𝑢 − 𝜆 id𝐸 ) 𝑝 . . . . . . . . . . . . . 42
3.4 Exercice : une preuve du théorème de Cayley-Hamilton . . . . . . 42
3.5 Exercice : une autre preuve du théorème de Cayley-Hamilton . . 43
3.18 Propriétés : Caractérisation des valeurs propres en dimension finie 43
Classe MP* page 3 / 63 CPGE MY Youssef

Cours Table des matières
3.4 Exemples pratiques : la procédure standard de calcul des éléments

propres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.5 Exemples : Exemples d’étude théorique de diagonalisabilité . . . . 49
3.11 Exercice : diagonalisation simultanée . . . . . . . . . . . . . . . . 54
3.13 Exercice : Commutant d’un endomorphisme diagonalisable . . . . 54
3.14 Exercice : sous-espaces stables par un endomorphisme diagonalisable 54
3.11 Remarques pratiques : Trigonalisation par jordanisation . . . . . . 60
3.16 Exercice : Trigonalisation simultanée . . . . . . . . . . . . . . . . 63
3.17 Exercice : Décomposition de Dünford . . . . . . . . . . . . . . . 64

Introduction à la réduction des
endomorphismes
chapitre 1
I
Somme, somme directe de
sous-espaces vectoriels
Tout au long de cette section, 𝐸 désignera un K-e.v. K étant un corps quel-

conque. Dans la pratique toutefois, souvent K sera le corps R ou C.
I.1 Définitions et propriétés

Définition 1.1
Soient 𝐹 1, · · · , 𝐹𝑝 des sev de 𝐸.

1.1.1 somme de sous-espaces vectoriels
On appelle somme de 𝐹 1 , 𝐹 2, . . . , 𝐹𝑝 , l’ensemble
X𝑝 n o

𝐹𝑘 = 𝑥 1 + · · · + 𝑥 𝑝 (𝑥 1, . . . , 𝑥 𝑝 ) ∈ 𝐹 1 × · · · × 𝐹𝑝
𝑘=1
On le note aussi 𝐹 1 + 𝐹 2 + · · · + 𝐹𝑝 .
1.1.2 somme directe de sous-espaces vectoriels
On dit que la somme 𝐹 1 + 𝐹 2 + · · · + 𝐹𝑝 est directe et on la note dans ce cas
𝐹 1 ⊕ 𝐹 2 ⊕ · · · ⊕ 𝐹𝑝 si et seulement si
𝑝
X
∀(𝑥 1, . . . , 𝑥 𝑝 ) ∈ 𝐹 1 × · · · × 𝐹𝑝 , 𝑥𝑘 =⇒ ∀𝑘 ∈ [[1, 𝑝]] , 𝑥𝑘 = 0𝐸
𝑘=1
page 5 / 63
Cours Introduction à la réduction des endomorphismes
1.1.3 Sous-espaces vectoriels supplémentaires

On dit que 𝐹 1, 𝐹 2, . . . , 𝐹𝑝 sont supplémentaires dans 𝐸 si 𝐸 = 𝐹 1 ⊕ 𝐹 2 ⊕ · · · ⊕ 𝐹𝑝 .
Remarques 1.1
𝐹 1, 𝐹 2, . . . , 𝐹𝑝 étant des sev de 𝐸, on introduit l’application

Φ : 𝐹 1 × · · · × 𝐹𝑝 −→ 𝐸
X𝑝
(𝑥 1, . . . , 𝑥 𝑝 ) ↦−→ 𝑥𝑘
𝑘=1
1.1.1 Φ est une application linéaire.
1.1.2 𝐹 1 + · · · + 𝐹𝑝 = Im Φ et en particulier 𝐹 1 + · · · + 𝐹𝑝 est un sev de 𝐸.
1.1.3 La somme 𝐹 1 + · · · + 𝐹𝑝 est directe si et seulement si Φ est injective.
n.b. L’injectivité de Φ signifie que la décomposition 𝑥 = 𝑥 1 + 𝑥 2 + · · · + 𝑥𝑝 d’un vecteur
𝑥 de la somme 𝐹 1 + 𝐹 2 + · · · + 𝐹𝑝 est unique quand celle-ci est directe.
1.1.4 𝐹 1, . . . , 𝐹𝑝 sont supplémentaires si et seulement si Φ est bijective.
Proposition 1.1
𝐹 1, 𝐹 2, . . . , 𝐹𝑝 sont supplémentaires dans 𝐸 si et seulement si

𝑝
X
∀𝑥 ∈ 𝐸, ∃!(𝑥 1, . . . , 𝑥 𝑝 ) ∈ 𝐹 1 × · · · × 𝐹𝑝 ; 𝑥 = 𝑥𝑘
𝑘=1
On dira alors que 𝑥𝑘 est la composante de 𝑥 selon 𝐹𝑘 dans la décomposition
𝐸 = 𝐹 1 ⊕ · · · ⊕ 𝐹𝑝 .
Propriétés 1.2
Soient 𝐹 1, 𝐹 2, . . . , 𝐹𝑝 des sev de 𝐸. Soit pour tout 𝑘 ∈ [[1, 𝑝]] une base B𝑘 de
𝐹𝑘 . Soit B := B1 ∪ · · · ∪ B𝑝 la famille obtenue en rassemblant les vecteurs
de toutes les familles 𝐵 1, . . . , 𝐵𝑝 dans leurs ordre d’apparition.
1.2.1 B est une famille génératrice de 𝐹 1 + 𝐹 2 + · · · + 𝐹𝑝 .
1.2.2 La somme 𝐹 1 + 𝐹 2 + · · · + 𝐹𝑝 est directe si et seulement si B est libre.
1.2.3𝐹 1, 𝐹 2, . . . , 𝐹𝑝 sont supplémentaires dans 𝐸 si et seulement si B est une
base de 𝐸.
vocabulaire On dit dans ce dernier cas que B est une base de 𝐸 adaptée à la décom-
position 𝐸 = 𝐹 1 ⊕ · · · ⊕ 𝐹𝑝 .

Remarque 1.2
Moins spécifiquement, la somme 𝐹 1 + . . . + 𝐹𝑝 est directe si et seulement

si pour toute liste L1, . . . , L𝑝 de familles libres respectives de 𝐹 1, . . . , 𝐹𝑝 , la
famille L1 ∪ · · · ∪ L𝑝 est libre.
I.2 Cas de sous-espaces de dimensions finies

Proposition 1.3
Soient 𝐹 1, · · · , 𝐹𝑝 des sev de dimensions finies de 𝐸.

P𝑝 𝑝
P
1 dim 𝐹𝑘 6 dim 𝐹𝑘 .
𝑘=1 𝑘=1 𝑝 𝑝
P
2 𝐹 1, · · · , 𝐹𝑝 ont une somme directe ⇐⇒ dim
P
𝐹𝑘 = dim 𝐹𝑘 .
𝑘=1 𝑘=1
Corollaire 1.4
On suppose que 𝐸 est de dimension finie et on considère des sev 𝐹 1, · · · , 𝐹𝑝 de

𝐸. Alors les propriétés suivantes sont équivalentes
1 les sev 𝐹 1, 𝐹2, · · · , 𝐹𝑝 sont supplémentaires dans E ;
P𝑝 P𝑝
2 dim 𝐹𝑘 = dim 𝐹𝑘 = dim 𝐸 ;
𝑝 𝑘=1 𝑘=1 𝑝
P P
3 dim 𝐹𝑘 = dim 𝐸 et 𝐹𝑘 = 𝐸 ;
𝑘=1 𝑘=1
𝑝
dim 𝐹𝑘 = dim 𝐸 et 𝐹 1, 𝐹 2, · · · , 𝐹𝑝 ont une somme directe.
P
4
𝑘=1
n.b. C’est l’assertion 4. qui sera souvent la plus utile dans la pratique.
I.3 Famille de projections associée à une décomposition de 𝐸 en

somme directe
Proposition et définition 1.5
Soit 𝐹 1, 𝐹 2, . . . , 𝐹𝑟 des sev de 𝐸 supplémentaires dans 𝐸. Pour tout 𝑥 ∈ 𝐸, il

existe (𝑥 1, . . . , 𝑥𝑟 ) ∈ 𝐹 1 × · · · × 𝐹𝑟 unique tel que
𝑥 = 𝑥 1 + 𝑥 2 + · · · + 𝑥𝑝
On pose pour tout 𝑘 ∈ [[1, 𝑟 ]], 𝑝𝑘 (𝑥) = 𝑥𝑘 . Alors 𝑝 1, 𝑝 2, . . . , 𝑝𝑟 sont des projec-
tions de 𝐸. La famille (𝑝 1, 𝑝 2, . . . , 𝑝𝑟 ) est dites famille des projections associée

à la décomposition 𝐸 = 𝐹 1 ⊕ · · · ⊕ 𝐹𝑘 .
n.b. 𝑝𝑘 est la projection de 𝐸 sur 𝐹𝑘 parallèlement à la somme des autres 𝐹𝑖 .
Propriétés 1.6
Avec les notation de la définition précédente

1.6.1 𝑝 1 + 𝑝 2 + · · · + 𝑝𝑟 = id𝐸 ;
1.6.2 𝑝𝑖2 = 𝑝𝑖 et si 𝑖 ≠ 𝑗 alors 𝑝𝑖 ◦ 𝑝 𝑗 = 0 ;
1.6.3 Soient 𝜆1, 𝜆2, . . . , 𝜆𝑟 ∈ K et posons 𝑓 = 𝜆1𝑝 1 + 𝜆2𝑝 2 + · · · + 𝜆𝑟 𝑝𝑟 . Alors
𝑟
1 ∀𝑛 ∈ N, 𝑓 𝑛 =
P
𝜆𝑘𝑛 𝑝𝑘
𝑘=1
2 𝑓 est inversible si et seulement si les scalaires 𝜆1, . . . , 𝜆𝑟 sont tous non
nuls et dans ce cas
X𝑟
∀𝑛 ∈ Z, 𝑓 𝑛 = 𝜆𝑘𝑛 𝑝𝑘
𝑘=1
I.4 Exercices d’approfondissements

Exercice 1.1
Montrer que les assertions suivantes sont équivalentes
1 𝐹 1, 𝐹 2, . . . , 𝐹𝑝 sont en somme directe ;
∀𝑗 ∈ {1, · · · , 𝑝}, 𝐹 𝑗 ∩ 𝐹𝑘 = {0} ;
P
2
𝑘≠𝑗
𝑗−1
∀𝑗 ∈ {2, · · · , 𝑝}, 𝐹 𝑗 ∩ 𝐹𝑘 = {0} ;
P
3
𝑘=1
n.b. Quand 𝑝 = 2, on retrouve avec les deux caractérisations la condition connue 𝐹 1 ∩𝐹 2 =
{0𝐸 }. Mais quand 𝑝 > 3, l’utilisation de la définition est en général plus adaptée pour
justifier qu’une somme est directe.
n.b. Pour 𝑝 > 2, il se peut que les sevs 𝐹 1, · · · , 𝐹𝑝 soient en somme directe deux à deux
sans que la somme 𝐹 1 + 𝐹 2 + · · · + 𝐹𝑝 soit directe.
Par exemple : prendre dans R2 les droites vectorielles 𝐹 1 = R.𝑒 1, 𝐹 2 = R.𝑒 2 et 𝐹 3 = R.𝑒 où
(𝑒 1, 𝑒 2 ) est la base canonique de R2 et 𝑒 = (1, 1).
Exercice 1.2 réunion de sev

On suppose que le corps K est infini. Soient 𝐹 1, 𝐹 2, . . . , 𝐹𝑝 des sev de 𝐸.

1 Montrer que si 𝐹 1 ∪ · · · ∪ 𝐹𝑝 est un sev de 𝐸 alors l’un au moins des sevs

𝐹𝑘 contient les autres.
2 Montrer que si 𝐸 est de dimension finie et 𝐹 1, . . . , 𝐹𝑝 ont la même dimen-
sion alors ils ont au moins un supplémentaire en commun dans 𝐸.
3 Donner des contre-exemples lorsque K est fini.
Exercice 1.3
Soient 𝐹 1, . . . , 𝐹𝑝 , 𝐺 1, . . . , 𝐺 𝑝 des sev de 𝐸. Montrer que
(
𝐹 1 ⊕ · · · ⊕ 𝐹𝑝 = 𝐺 1 ⊕ · · · ⊕ 𝐺 𝑝
=⇒ ∀𝑘 ∈ [[1, 𝑝]] , 𝐹𝑘 = 𝐺𝑘
∀𝑘 ∈ [[1, 𝑝]] , 𝐹𝑘 ⊂ 𝐺𝑘
Exercice 1.4
On suppose que 𝐸 est de dimension finie. Soient des projections 𝑝 1, . . . , 𝑝𝑟 de
𝐸. Montrer que si 𝑝 1 + 𝑝 2 + · · · + 𝑝𝑟 = id𝐸 alors 𝐸 = Im 𝑝 1 ⊕ Im 𝑝 2 ⊕ · · · ⊕ Im 𝑝𝑟 .
Exercice 1.5
On suppose que dim 𝐸 < ∞. Soient 𝑢 1, 𝑢 2, . . . , 𝑢𝑝 des endomorphisme de 𝐸.
1 Montrer qu’il existe des endomorphismes 𝑓1, 𝑓2, . . . , 𝑓𝑝 de 𝐸 tels que
X𝑝 𝑝
X
Im 𝑢𝑖 = Im 𝑢𝑖 ◦ 𝑓𝑖
𝑖=1 𝑖=1
2 Montrer qu’il existe des endomorphismes 𝑔1, 𝑔2, . . . , 𝑔𝑝 de 𝐸 tels que
\𝑝 𝑝
X
Ker 𝑢𝑖 = Ker 𝑔𝑖 ◦ 𝑢𝑖
𝑖=1 𝑖=1

II
Opérations sur les matrices définies par blocs
II.1 Les opérations par blocs

Opérations sur les matrices définies par blocs
1.2.1 Addition par blocs

Soient 𝐴, 𝐵 ∈ M𝑛,𝑝 (K) deux matrices définies par blocs comme suit
𝐴 𝐴12 · · · 𝐴1𝑠 𝑛1 l 𝐵 𝐵 12 · · · 𝐵 1𝑠 𝑛1 l
© 11 © 11
® 𝑛2 l ® 𝑛2 l
ª ª
𝐴21 𝐴22 𝐴2𝑠 𝐵 21 𝐵 22 𝐵 2𝑠
𝐴 = .. .. .. ®
® .. , 𝐵 = .. .. .. ®
® ..
. . . ® . . . . ® .
« 𝐴𝑟 1 𝐴𝑟 2 · · · 𝐴𝑟𝑠 ¬ 𝑛𝑟 l « 𝐵𝑟 1 𝐵𝑟 2 · · · 𝐵𝑟𝑠 ¬ 𝑛𝑟 l
←→ ←→ · · · ←→ ←→ ←→ · · · ←→
𝑝1 𝑝2 𝑝𝑠 𝑝1 𝑝2 𝑝𝑠
où 𝑛 1 + 𝑛 2 + · · · + 𝑛𝑟 = 𝑛, 𝑝 1 + 𝑝 2 + · · · + 𝑝𝑠 = 𝑝. Alors : 𝐴 + 𝐵 est obtenue par

blocs suivant le même découpage :

𝐴 + 𝐵 = 𝐴𝑖,𝑗 + 𝐵𝑖,𝑗 16𝑖 6𝑟
16 𝑗 6𝑠
1.2.2 Produit par blocs
Soient 𝐴 ∈ M𝑛,𝑝 (K) et 𝐵 ∈ M𝑝,𝑞 (K) deux matrices définies par blocs comme
suit

𝐴 = 𝐴𝑖,𝑗 16𝑖 6𝑟 , 𝐵 = 𝐵 𝑗𝑘 16 𝑗 6𝑠
16 𝑗 6𝑠 16𝑘 6𝑡
où 𝐴𝑖,𝑗 ∈ M𝑛𝑖 ,𝑝 𝑗 (K), 𝐵 𝑗,𝑘 ∈ M𝑝 𝑗,𝑞𝑘 (K), avec 𝑛 1 + 𝑛 2 + · · · + 𝑛𝑟 = 𝑛, 𝑝 1 + 𝑝 2 +
· · · + 𝑝𝑠 = 𝑝 et 𝑞 1 + 𝑞 2 + · · · + 𝑞𝑡 = 𝑞. Alors :
X𝑠
𝐴 × 𝐵 = 𝐶𝑖,𝑘 16𝑖 6𝑟 où 𝐶𝑖,𝑘 = 𝐴𝑖,𝑗 𝐵 𝑗,𝑘
16𝑘 6𝑡 𝑗=1
1.2.3 Déterminant d’une matrice triangulaire par blocs

Soit une matrice carrée triangulaire par blocs
𝐴 𝐴1,2 · · · 𝐴1,𝑟 l 𝑛1
© 1,1 .. ª® l 𝑛
..
0 𝐴2,2 2
. . ®
𝐴= .
.. .. .. ®
® .. ∈ M𝑛 (K)
.
. . 𝐴𝑟 −1,𝑟 ®
0 · · · 0 𝐴 𝑟,𝑟 ¬
l 𝑛𝑟
«
↔ ↔ ··· ↔
𝑛1 𝑛2 𝑛𝑟

où 𝐴𝑖,𝑗 ∈ M𝑛𝑖 ,𝑛 𝑗 (K), avec 𝑛 1 + 𝑛 2 + · · · + 𝑛𝑟 = 𝑛. Alors :

𝑖=𝑟
Y
det(𝐴) = det(𝐴𝑖,𝑖 )
𝑖=1
En particulier, 𝐴 est inversible si et seulement si les blocs diagonaux 𝐴𝑖,𝑖 le
sont tous.
1.2.4 Inverse d’une matrice diagonale par blocs
Soit une matrice diagonale par bloc
𝐴 0 ··· 0 l 𝑛1
© 1,1 .. ª®
. l 𝑛2
0 𝐴2,2 . .

. ®
𝐴= . . . ® .. ∈ M𝑛 (K)
.. .. .. 0 ®® .

· · · 0 𝐴𝑟,𝑟 ¬ l 𝑛𝑟
« 0
↔ ↔ ··· ↔
𝑛1 𝑛2 𝑛𝑟
où pour tout 𝑖 ∈ {1, 2, · · · , 𝑟 }, 𝐴𝑖,𝑖 ∈ M𝑛𝑖 (K), avec 𝑛 1 +𝑛 2 +· · ·+𝑛𝑟 = 𝑛. Alors 𝐴
est inversible si et seulement si tous les blocs diagonaux 𝐴𝑖,𝑖 le sont et dans ce
cas 𝐴−1 est diagonale par blocs, ses blocs diagonaux étant 𝐴−1 −1 −1
1,1, 𝐴2,2, · · · , 𝐴𝑟,𝑟 .
1.2.5 Opérations élémentaires par blocs
Lorsqu’il s’agît d’effectuer des opérations élémentaires sur les lignes (resp. les
colonnes) d’un matrice donnée, l’opération en question revient à multiplier à
gauche (resp. à droite) la dite matrice par une matrice inversible : la matrice
de l’opération élémentaire qu’on va noter 𝐾. Cette dernière s’obtient tout
simplement en effectuant la même opération sur les lignes (resp. les colonnes)
de la matrice identité de même taille que 𝐾.
Maintenant ; rien n’empêche de mettre en oeuvre cette mécanique, non pas
avec les coefficients d’une matrice, mais avec des blocs bien délimités. D’où la
nécessité de maîtriser les interprétations matricielles des opérations élémen-
taires : au lieu de justifier les opérations avec leurs codes usuels (𝐿𝑘 ← 𝐿𝑘 +· · · )
on doit être capable d’écrire directement les produits matriciels correspondant.
Exemples 1.1
1.1.1 Commençons par une justification utilisant cette technique de l’ex-

pression du déterminant d’une matrice triangulaire par blocs :

𝐴 𝐵
𝑀= ∈ M𝑛 (K) où 𝐴 ∈ M𝑝 (K), avec 𝑝 < 𝑛
0 𝐶

exemples 1.1 (suite)
On peut écrire

𝐼𝑝 𝐵 𝐴 0 𝐴 𝐵 (multiplication de la pre-
=
0 𝐶 0 𝐼𝑛−𝑝 0 𝐶 mière colonne par 𝐴)
En développant 𝑛 − 𝑝 fois selon la dernière colonne, on obtient

𝐴 0
0 𝐼𝑛−𝑝 = det(𝐴)

et 𝑝 fois selon la première colonne

𝐼𝑝 𝐵
0 𝐶 = det(𝐶)

Ainsi det(𝑀) = det(𝐴) det(𝐶).

1.1.2 Soit une matrice

𝐴 𝑡𝑢
𝑀= ∈ M𝑛+1 (K) avec 𝐴 ∈ M𝑛 (K), 𝑢, 𝑣 ∈ M𝑛,1 (K), 𝑏 ∈ K
𝑣 𝑏
et où on suppose que la matrice 𝐴 est inversible. On voudrait montrer que
det(𝑀) = 𝑏 det(𝐴) − 𝑣 𝑡 Com𝐴𝑡 𝑢
On peut écrire
𝑡
𝑡

𝐼𝑛 0 𝐴 𝑢 𝐴 𝑢
−𝑣𝐴−1 1 𝑣
= −1𝑡

𝑏 0 𝑏 − 𝑣𝐴 𝑢
le déterminant à gauche est celui de la matrice de l’opération 𝐿2 ← 𝐿2 −
𝑣𝐴−1 𝐿1 ; opération qui a pour effet d’annuler le vecteur tenant lieu de la
colonne 𝑣. Maintenant en utilisant la règle de l’exemple précédent
det(𝑀) = det(𝐴)(𝑏 − 𝑣𝐴−1𝑡 𝑢)
= 𝑏 det(𝐴) − 𝑣 (det(𝐴)𝐴−1 )𝑡 𝑢
= 𝑏 det(𝐴) − 𝑣 𝑡 Com 𝐴𝑡 𝑢
𝑡

𝐴 𝑢
Ainsi
𝑣 = 𝑏 det 𝐴 − 𝑣 𝑡 (Com 𝐴)𝑡 𝑢
𝑏

II.2 Exercices d’approfondissement
Exercice 1.6
Soit une matrice définie par blocs

𝐴 𝐶
𝑀= ∈ M2𝑛 (K) avec 𝐴, 𝐵, 𝐶, 𝐷 ∈ M𝑛 (K)
𝐵 𝐷
On suppose que 𝐴𝐵 = 𝐵𝐴 (ou 𝐴𝐶 = 𝐶𝐴). Montrer que det(𝑀) = det(𝐴𝐷 − 𝐵𝐶).
Exercice 1.7
Soient deux matrices carrées 𝐴, 𝐵 ∈ M𝑛 (K). Montrer que
∀𝜆 ∈ K, det(𝜆𝐼𝑛 − 𝐴𝐵) = det(𝜆𝐼𝑛 − 𝐵𝐴)

On pourrait introduire la matrice par blocs 𝐼𝐵𝑛 𝜆𝐼𝐴𝑛 .
Exercice 1.8 factorisation de Schur

Soit une matrice carrée d’ordre 𝑛 décomposée par blocs 𝑀 = 𝐶𝐴 𝐷𝐵 , 𝐴 étant
un bloc carré d’ordre 𝑝 inversible. Déterminer des matrices 𝑈 et 𝐿 telles que

𝐴 𝐵 𝐼𝑝 0 𝐴 0 𝐼𝑝 𝑈
=
𝐶 𝐷 𝐿 𝐼𝑛−𝑝 0 𝐷 − 𝐶𝐴−1 𝐵 0 𝐼𝑛−𝑝
III
Sous-espaces stables par un endomorphisme
III.1 Définition et propriétés
Définition 1.2
Soit 𝑢 ∈ L(𝐸) et soit 𝐹 un sous-espace de 𝐸. On dit que 𝐹 est stable par 𝑢 ou

𝑢-stable si 𝑢 (𝐹 ) ⊂ 𝐹 . Dans ce cas, l’application :
𝑢𝐹 : 𝐹 −→ 𝐹
𝑥 ↦−→ 𝑢 (𝑥)
est un endomorphisme de 𝐹 . Il est dit endomorphisme induit par 𝑢 sur 𝐹 .

Remarques 1.3
1.3.1 Il faut faire la différence entre la restriction 𝑢 |𝐹 de 𝑢 sur 𝐹 qui n’exige

aucune condition sur 𝐹 et l’endomorphisme 𝑢 𝐹 induit sur 𝐹 qui n’est défini
que lorsque 𝐹 est stable par 𝑢 :
𝑢 |𝐹 : 𝐹 −→ 𝐸 et 𝑢 𝐹 : 𝐹 −→ 𝐹
𝑥 ↦−→ 𝑢 (𝑥) 𝑥 ↦−→ 𝑢 (𝑥)
1.3.2 Ker 𝑢 |𝐹 = 𝐹 ∩ Ker 𝑢 et Im 𝑢 |𝐹 = 𝑢 (𝐹 ).
1.3.3 Si 𝐹 est stable par u alors Ker 𝑢 𝐹 = 𝐹 ∩ Ker 𝑢 et Im 𝑢 𝐹 = 𝑢 (𝐹 ).
Exemples 1.2 (de sous-espaces stables)
Soit 𝑢 ∈ L(𝐸) alors,

1.2.1 {0} et 𝐸 sont des sous-espaces trivialement 𝑢-stables.
1.2.2 Ker(𝑢) et Im(𝑢) sont stables par 𝑢.
1.2.3 Une droite 𝐷 = K𝑥 de 𝐸 est 𝑢-stable si et seulement s’il existe 𝜆 ∈ K
tel que 𝑢 (𝑥) = 𝜆𝑥.
1.2.4 plus petit sous-espace stable engendré par un vecteur
Soit 𝑥 ∈ 𝐸. L’ensemble
𝐹𝑥 = Vect{𝑢 𝑘 (𝑥) / 𝑘 ∈ N}
est un sous-espace vectoriel de 𝐸 stable par 𝑢. C’est le plus petit sous-espace
de 𝐸 stable par 𝑢 et contenant le vecteur 𝑥. On l’appellera sous-espace
𝑢-stable engendré par 𝑥.
Proposition 1.7
Soient 𝑢, 𝑣 ∈ L(𝐸). Si 𝑣 commute avec 𝑢 alors Ker 𝑣 et Im 𝑣 sont stables par 𝑢.
Propriétés 1.8
1.8.1 Une intersection de sous-espaces 𝑢-stables est un sous-espace 𝑢-stable.

1.8.2 Une somme finie de sous-espaces 𝑢-stables est un sous-espace 𝑢-stable.

III.2 Interprétations matricielles de la stabilité
Dans la suite de cette section on suppose que 𝐸 est de dimension finie 𝑛 ∈ N∗ .
Vocabulaire
Soit 𝐹 un sev de 𝐸. Une base B = (𝑒 1, . . . , 𝑒𝑛 ) de 𝐸 est dite adaptée à 𝐹 si

(𝑒 1, . . . , 𝑒𝑝 ) est une base de 𝐹 (𝑝 = dim 𝐹 ).
Théorème 1.9
On suppose que 𝐸 est de dimension finie 𝑛. Soit 𝑢 ∈ L(𝐸) et soit 𝐹 un

sous-espace de 𝐸 de dimension 𝑝. Les propriétés suivantes sont équivalentes :
1 𝐹 est stable par 𝑢
2 La matrice de 𝑢 dans toute base B = (𝑒 1, · · · , 𝑒𝑛 ) de 𝐸 adaptée à 𝐹 est de
la forme :

𝐵 𝐶
avec 𝐵 ∈ M𝑝 (K)
0 𝐷
Dans ce cas 𝐵 est la matrice de 𝑢 𝐹 dans la base (𝑒 1, · · · , 𝑒𝑝 ) de 𝐹 .
Théorème 1.10
Soient 𝐸 1, 𝐸 2, · · · , 𝐸𝑝 des sous espaces de 𝐸. On suppose que 𝐸 1, 𝐸 2, · · · , 𝐸𝑝

sont supplémentaires dans 𝐸. Alors les assertions suivantes sont équivalentes.
1 les sous-espaces 𝐸 1, 𝐸 2, · · · , 𝐸𝑝 sont tous stables par 𝑢 ;
𝑝
La matrice de 𝑢 dans toute base B =
S
2 𝐵𝑘 adaptée à la décomposition
𝑘=1
𝑝
L
𝐸= 𝐸 𝑗 est diagonale par blocs.
𝑗=1
𝐴1
© ª
𝐴2 ®
MatB (𝑢) = .. ®
. ®
®
« 𝐴𝑝 ¬
chaque bloc 𝐴𝑘 est alors la matrice de l’endomorphisme 𝑢𝐸𝑘 dans la base B𝑘 .

Théorème 1.11
Soient 𝑢 ∈ L(𝐸) et B = (𝑒 1, 𝑒 2, . . . , 𝑒𝑛 ) une base de 𝐸.

Les sevs 𝐹𝑘 = Vect{𝑒 1, 𝑒 2, . . . , 𝑒𝑘 } sont stables par 𝑢 si et seulement si la matrice
de 𝑢 dans la base B est triangulaire supérieure.
n.b. les sevs 𝐹𝑘 sont stables par 𝑢 si et seulement si
∀𝑘 ∈ [[1, 𝑛]] , 𝑢 (𝑒𝑘 ) ∈ Vect{𝑒 1, 𝑒 2, . . . , 𝑒𝑘 }
III.3 Exercices d’approfondissement

Exercice 1.9
Soit 𝑢 ∈ L(𝐸). Soit 𝑝 une projection de 𝐸.
1 Montrer que Im 𝑝 et Ker 𝑝 sont stables par 𝑢 si et seulement si 𝑢 ◦𝑝 = 𝑝 ◦𝑢.
2 Montrer que Im 𝑝 est stable par 𝑢 si et seulement si 𝑢 ◦ 𝑝 = 𝑝 ◦ 𝑢 ◦ 𝑝
Exercice 1.10
Soit 𝑢 un endomorphisme de 𝐸. Montrer que 𝑢 est de la forme 𝜆 id𝐸 dans
chacun des cas suivants
1 toutes les droites de 𝐸 sont stables par 𝑢 ;
2 tous les hyperplans de 𝐸 sont stables par 𝑢 ;
3 il existe un entier 𝑟 < 𝑛 tel que tous les sev de 𝐸 de dimension 𝑟 soient
stables par 𝑢.
Exercice 1.11
Soit 𝑢 un endomorphisme nilpotent de 𝐸 d’indice 𝑝. Montrer qu’aucun noyau
Ker 𝑢 𝑘 n’admet un supplémentaire dans 𝐸 stable par 𝑢 lorsque 0 < 𝑘 < 𝑝.
Exercice 1.12
Soit 𝑢 ∈ L(𝐸). 𝐸 est supposé de dimension finie.
1 Montrer que la suite (Ker 𝑢 𝑘 )𝑘 ∈N est croissante et que (Im𝑢 𝑘 )𝑘 ∈N est
décroissante.
2 Montrer qu’il existe 𝑘 ∈ N tel que Ker 𝑢 𝑘+1 = Ker 𝑢 𝑘 . On pose alors
𝑝 = min{𝑘 ∈ N / Ker 𝑢 𝑘+1 = Ker 𝑢 𝑘 }
Montrer que Ker 𝑢 𝑘 = Ker 𝑢 𝑝 pour tout 𝑘 > 𝑝.

3 Montrer que 𝑝 = min{𝑘 ∈ N / Im 𝑢 𝑘+1 = Im 𝑢 𝑘 } et que Im 𝑢 𝑘 = Im 𝑢 𝑝

pour tout 𝑘 > 𝑝.
4 Montrer que 𝑝 = min{𝑘 ∈ N / 𝐸 = Ker 𝑢 𝑘 ⊕ Im 𝑢 𝑘 }
5 Montrer que 𝑝 est le plus petit entier 𝑘 pour lequel Ker 𝑢 𝑘 admet un
supplémentaire dans 𝐸 qui est aussi stable par 𝑢. Montrer que ce supplémentaire
est forcément Im 𝑓 𝑝 .
6 Montrer que :
∀𝑘 ∈ [[1, 𝑝 − 1]] , dim Ker 𝑢 𝑘+1 − dim Ker 𝑢 𝑘 6 dim Ker 𝑢 𝑘 − dim Ker 𝑢 𝑘−1

Utilisation des polynômes en
algèbre linéaire
chapitre 2
K désignera encore un corps quelconque, souvent R ou C dans la pratique. 𝐸

sera un K-espace vectoriel de dimension quelconque sauf précision explicite.
𝑛 et 𝑑 seront des entiers strictement positifs.
I
Polynômes d’endomorphisme,
polynômes annulateurs
I.1 Définitions et premières propriétés
Vocabulaire
𝑛
Soit 𝑢 ∈ L(𝐸). Pour tout polynôme 𝑃 = 𝑎𝑘 𝑋 𝑘 de K[𝑋 ] on pose
P
𝑛 𝑘=0
X
𝑃 (𝑢) := 𝑎𝑘 𝑢 𝑘 = 𝑎 0𝑖𝑑𝐸 + 𝑎 1𝑢 + · · · + 𝑎𝑛𝑢 𝑛
𝑘=0
𝑃 (𝑢) est un endomorphisme de 𝐸 dit un polynôme en 𝑢.
En outre ; 𝑃 est dit un polynôme annulateur de 𝑢 si 𝑃 (𝑢) = 0.
n.b. Pour tout 𝑥 ∈ 𝐸, on a donc
𝑃 (𝑢)(𝑥) = 𝑎 0𝑥 + 𝑎 1𝑢 (𝑥) + · · · + 𝑎𝑛𝑢𝑛 (𝑥)
attention l’écriture 𝑃 (𝑢 (𝑥)) n’a pas forcément un sens puisqu’on ne peut parler en
général des « puissances » du vecteur 𝑢 (𝑥).
page 18 / 63
Cours Utilisation des polynômes en algèbre linéaire
Propriétés 2.1
2.1.1 ∀𝑢 ∈ L(𝐸), ∀(𝑃, 𝑄) ∈ K[𝑋 ] 2 , ∀𝜆 ∈ K, (𝑃 + 𝜆𝑄) (𝑢) = 𝑃 (𝑢) + 𝜆𝑄 (𝑢).

2.1.2 ∀𝑢 ∈ L(𝐸), ∀(𝑃, 𝑄) ∈ K[𝑋 ] 2 , 𝑃 (𝑢) ◦ 𝑄 (𝑢) = 𝑄 (𝑢) ◦ 𝑃 (𝑢) = (𝑃𝑄)(𝑢).
Remarque 2.1
On considère dans la suite l’application 𝜙𝑢 : K[𝑋 ] −→ L(𝐸) .

𝑃 ↦−→ 𝑃 (𝑢)
𝜙𝑢 est un morphisme d’algèbre.
Théorème 2.2
1 L’image de 𝜙𝑢 , notée K[𝑢], est une sous algèbre commutative de L(𝐸)

dite sous-algèbre de L(𝐸) engendrée par 𝑢.

K[𝑢] = 𝑃 (𝑢)/𝑃 ∈ K[𝑋 ]
2 Le noyau de 𝜙𝑢 est un idéal de K[𝑋 ], il est appelé idéal annulateur de
𝑢. Lorsque ce dernier n’est pas réduit à {0}, il existe un unique polynôme
unitaire noté 𝜋𝑢 et appelé polynôme minimal de 𝑢 tel que
Ker 𝜙𝑢 = 𝜋𝑢 K[𝑋 ]
𝜋𝑢 est le polynôme unitaire qui a le plus petit degré parmi tous les polynômes
annulateurs non nuls de 𝑢. Il divise tous les polynômes annualteurs de 𝑢.
résultat important
Vocabulaire
Si 𝑢 admet au moins un polynôme annulateur non nul, on dira que 𝑢 admet

un polynôme minimal.
Corollaire 2.3
𝑢 admet un polynôme minimal si et seulement si l’algèbre K[𝑢] est de di-

mension finie. Dans ce cas dim K[𝑢] = deg 𝜋𝑢 . Plus précisément, lorsque
𝑑 = deg 𝜋𝑢 alors (id𝐸 , 𝑢, . . . , 𝑢𝑑−1 ) est une base de K[𝑢].
n.b. Noter les similitudes avec la notion d’ordre d’un élément et du sous-groupe engen-
dré par lui dans un groupe.

Remarques 2.2
2.2.1 Étant donné un entier non nul 𝑝, 𝑢 admet un polynôme annulateur

de degré 6 𝑝 si et seulement si la famille (id𝐸 , 𝑢, · · · , 𝑢 𝑝 ) est liée.
Par contraposée, la famille (id𝐸 , 𝑢, · · · , 𝑢 𝑝 ) est libre si et seulement si le seul
polynôme annulateur de 𝑢 de degré 6 𝑝 est le polynôme nul.
2.2.2 Précisons que lorsque 𝑢 admet un polynôme minimal alors 𝜋𝑢 est
l’unique polynôme unitaire qui vérifie l’équivalence
∀𝑃 ∈ K[𝑋 ], 𝑃 (𝑢) = 0 ⇐⇒ 𝜋𝑢 | 𝑃
2.2.3 Insistons sur le fait que deux polynômes quelconques en 𝑢 commutent.
Si on note C(𝑢) l’ensemble des endomorphismes de 𝐸 qui commutent avec
𝑢 alors C(𝑢) est aussi une sous algèbre de L(𝐸) et elle contient K[𝑢].
2.2.4 Si 𝑢 admet un polynôme minimal, alors pour tout 𝑃 ∈ K[𝑋 ], l’élément
𝑃 (𝑢) de K[𝑢] est inversible si et seulement si 𝑃 est premier avec 𝜋𝑢 et dans
ce cas (𝑃 (𝑢)) −1 est forcément un polynôme en 𝑢.
n.b. En particulier 𝑢 est inversible si et seulement si 0 n’est pas une racine de 𝜋𝑢 .
2.2.5 Si 𝑢 n’admet pas de polynôme minimal alors les seuls éléments de

K[𝑢] qui sont inversibles dans K[𝑢] sont les homothéties.
n.b. Ce qui n’empêche pas un polynôme en 𝑢 autre qu’une homothétie d’être inversible
mais son inverse ne serait pas un polynôme en 𝑢.
résultat important
Exemples 2.1
2.1.1 Un polynôme constant non nul n’annule aucun endomorphisme.

2.1.2 𝑢 admet un polynôme annulateur de degré 1 si et seulement si 𝑢 est
de la forme 𝜆 id𝐸 , 𝜆 ∈ K. 𝑋 − 𝜆 est son polynôme minimal dans ce cas.
n.b. Dans ce cas K[𝑢] est la droite vectorielle K.idE alors que C(𝑢) = L(𝐸).
En général, sauf dans des cas très particuliers, K[𝑢] est inclus strictement dans C(𝑢).
2.1.3 Soit 𝑝 un projecteur de 𝐸. 𝑃 = 𝑋 2 − 𝑋 est un polynôme annulateur de

𝑢. Son polynôme minimal, diviseur unitaire de 𝑃, est donc soit 𝑋 , soit 𝑋 − 1,
soit 𝑃 lui même. 𝜋𝑝 = 𝑋 si et seulement si 𝑝 = 0. 𝜋𝑝 = 𝑋 − 1 si et seulement
si 𝑝 = id𝐸 et 𝜋𝑝 = 𝑋 2 − 𝑋 dans les autres cas.
2.1.4 De même si 𝑠 est une symétrie de 𝐸 alors 𝜋𝑠 = 𝑋 − 1 lorsque 𝑠 = id𝐸 ,
𝜋𝑠 = 𝑋 + 1 lorsque 𝑠 = −id𝐸 et 𝜋𝑠 = 𝑋 2 − 1 dans les autres cas.

2.1.5 Considérons l’opérateur de dérivation de K[𝑋 ],

𝐷 : K[𝑋 ] −→ K[𝑋 ]
𝑃 ↦−→ 𝑃 0
Soit 𝐴 = 𝑎 0 + 𝑎 1𝑋 + · · · + 𝑎𝑞 𝑋 𝑞 un polynôme annulateur de 𝐷. Alors
∀𝑃 ∈ K[𝑋 ], 𝑎 0 𝑃 + 𝑎 1 𝑃 0 + · · · + 𝑎𝑞 𝑃 (𝑞) = 0 (1)
En prenant un polynôme 𝑃 de degré 𝑞 (𝑋 𝑞
par exemple), la famille de poly-
nômes (𝑃 (𝑞) , 𝑃 (𝑞−1) , · · · , 𝑃 0, 𝑃) est échelonnée, elle est donc libre. Par suite
l’égalité (1) implique que 𝑎𝑞 = 𝑎𝑞−1 = · · · = 𝑎 0 = 0, soit 𝐴 = 0
Ainsi le seul polynôme annulateur de 𝐷 est le polynôme nul. 𝐷 n’admet pas
de polynôme minimal.
2.1.6 Un autre endomorphisme commun n’ayant aucun polynôme annula-
teur non nul est l’endomorphisme 𝑇 de l’espace vectoriel KN défini par
∀𝑢 = (𝑢𝑛 )𝑛 ∈N ∈ KN, 𝑇 (𝑢) = (𝑢𝑛+1 )𝑛 ∈N
application L’ensemble des suites (𝑥𝑛 )𝑛 ∈ KN solutions de la relation de récurrence
∀𝑛 ∈ N, 𝑥𝑛+𝑝 + 𝑎𝑝−1𝑥𝑛+𝑝−1 + · · · + 𝑎 1𝑥𝑛+1 + 𝑎 0𝑥𝑛 = 0
est Ker 𝑃 (𝑇 ) avec 𝑃 = 𝑋 𝑝 + 𝑎𝑝−1𝑋 𝑝−1 + · · · + 𝑎 1𝑋 + 𝑎 0 .
2.1.7 Considérons les endomorphismes

𝑇 : K𝑛 [𝑋 ] −→ K𝑛 [𝑋 ] et Δ : K𝑛 [𝑋 ] −→ K𝑛 [𝑋 ]
𝑃 ↦−→ 𝑃 (𝑋 + 1) 𝑃 ↦−→ 𝑃 (𝑋 + 1) − 𝑃 (𝑋 )
On constate que Δ = 𝑇 − idK𝑛 [𝑋 ] et que pour tout 𝑃 ∈ K𝑛 [𝑋 ]

Δ(𝑃) = 0 si 𝑃 est constant, et deg Δ(𝑃) = deg(𝑃) − 1 sinon
On en déduit que Δ𝑛+1 = 0
application
𝑛+1
X 𝑛+1
∀𝑃 ∈ K𝑛 [𝑋 ], (−1)𝑘 𝑃 (𝑋 + 𝑘) = 0
𝑘=0
𝑘
Proposition 2.4
Si 𝑃 ∈ K[𝑋 ], alors le noyau et l’image de 𝑃 (𝑢) sont 𝑢-stables.
Propriétés 2.5
Soient 𝑢 ∈ L(𝐸) et 𝐹 un sev de 𝐸. On suppose que 𝐹 est stable par 𝑢 et note 𝑣

propriétés 2.5 (suite)
l’endomorphisme induit par 𝑢 sur 𝐹 .

2.5.1 Pour tout polynôme 𝑃 ∈ K[𝑋 ], 𝑃 (𝑣) est l’endomorphisme induit par
𝑃 (𝑢) sur 𝐹 .
2.5.2 En particulier tout polynôme annulateur de 𝑢 annule 𝑣.
2.5.3 Si 𝑢 admet un polynôme minimal alors 𝑣 aussi et 𝜋 𝑣 divise 𝜋𝑢 .
I.2 Les théorèmes essentiels

Théorème 2.6 de décomposition des noyaux
Soient 𝑃 1, 𝑃2, . . . , 𝑃𝑟 des polynômes deux à deux premiers entre eux. Alors,
𝑟
M
Ker 𝑃 1 𝑃 2 · · · 𝑃𝑟 (𝑢) = Ker 𝑃𝑘 (𝑢)
𝑘=1
résultat important
Corollaire 2.7
Soit 𝑃 un polynôme non constant et soit 𝑃 = 𝑟𝑘=1 𝑃𝑘𝛼𝑘 sa décomposition en

Q
produit de facteurs irréductibles. Alors 𝑃 est un polynôme annulateur de 𝑢 si
et seulement si
M 𝑟
𝐸= Ker 𝑃𝑘𝛼𝑘 (𝑢)
𝑘=1
n.b. Les sous-espaces Ker 𝑃𝑘𝛼𝑘 (𝑢) sont tous stables par 𝑢.
résultat important
Remarques 2.3
Soit 𝑢 ∈ L(𝐸).
2.3.1 On suppose que 𝑢 admet un polynôme annulateur de la forme 𝑃𝑄
avec 𝑃 ∧ 𝑄 = 1. Alors
Ker 𝑃 (𝑢) = Im 𝑄 (𝑢) Ker 𝑄 (𝑢) = Im 𝑃 (𝑢)
2.3.2 On reprend les notations du corollaire 2.7. Alors
M
∀𝑘 ∈ [[1, 𝑟 ]] , Im 𝑃𝑘𝛼𝑘 (𝑢) = Ker 𝑃𝑖𝛼𝑖 (𝑢)
𝑖≠𝑘

Exemple d’application 2.2
2.2.1 On en déduit immédiatement, dans le cas d’une projection 𝑝, que

𝐸 = Ker 𝑝 ⊕ Ker(𝑝 − id𝐸 )
Et pour une symétrie 𝑠 de 𝐸 que
𝐸 = Ker(𝑠 − id𝐸 ) ⊕ Ker(𝑠 + id𝐸 )
Q𝑝
2.2.2 Dans le cas où 𝑢 admet un polynôme annulateur 𝑃 = 𝑘=1 (𝑋 − 𝜆𝑘 )
scindé et à racines simples alors
M𝑝
𝐸= Ker(𝑢 − 𝜆𝑘 id𝐸 )
𝑘=1
2.2.3 En général lorsque 𝜆1, 𝜆2, . . . , 𝜆𝑝 sont des scalaires deux à deux dis-
P𝑝
tincts alors la somme 𝑘=1 Ker(𝑢 − 𝜆𝑘 id𝐸 ) est toujours directe.
2.2.4 On reprend l’endomorphisme 𝑇 de KN et on considère la relation de
récurrence
∀𝑛 ∈ N, 𝑥𝑛+𝑝 + 𝑎𝑝−1𝑥𝑛+𝑝−1 + · · · + 𝑎 1𝑥𝑛+1 + 𝑎 0𝑥𝑛 = 0 (𝑅)
Le polynôme 𝑃 = 𝑋 + 𝑎𝑝−1𝑋
𝑝 𝑝−1 + · · · + 𝑎 1𝑋 + 𝑎 0 est dit polynôme caracté-
ristique de l’équation (𝑅). L’ensemble 𝑆 des suites vérifiant (𝑅) est
𝑆 = Ker 𝑃 (𝑇 )
𝑟
(𝑋 − 𝑧𝑘 ) 𝛼𝑘 alors
Q
Si maintenant 𝑃 est scindé sur K, 𝑃 =
𝑘=1
𝑟
M
𝑆= Ker(𝑇 − 𝑧𝑘 id) 𝛼𝑘
𝑘=1
Pour résoudre les équation de type (𝑅) il suffit donc de savoir résoudre les
équations

(𝑇 − 𝑧 id) 𝛼 (𝑥𝑛 )𝑛 = 0
2.2.5 Si on note maintenant 𝐸 l’ensemble des fonction de classe C∞ de R
dans C et on considère l’équation différentielle linéaire
𝑥 (𝑝) + 𝑎𝑝−1𝑥 (𝑝−1) + · · · + 𝑎 1𝑥 0 + 𝑎 0𝑥 = 0 (𝐸)
où 𝑎 0, 𝑎 1, . . . , 𝑎𝑝−1 sont des coefficients constants dans K alors l’ensemble
des solutions de (𝐸) est donné par
𝑆 = Ker 𝑃 (𝐷)
où 𝑃 est le polynôme 𝑋 + 𝑎𝑝−1𝑋 𝑝−1 + · · · + 𝑎 1𝑋 + 𝑎 0 et 𝐷 est l’opérateur de
𝑝
dérivation sur 𝐸. En reprenant l’écriture de 𝑃 dans l’exemple précédent on a

M 𝑟
𝑆= Ker(𝐷 − 𝑧𝑘 id) 𝛼𝑘
𝑘=1

I.3 Cas d’un espace dimension finie
Théorème 2.8
Si 𝐸 est de dimension finie, alors tout endomorphisme 𝑢 de 𝐸 admet un

polynôme minimal.
Remarque 2.4
On démontrera plus tard (grâce au théorème de Cayley-Hamilton par

exemple) qu’en fait deg 𝜋𝑢 6 dim 𝐸.
II
Cas d’une matrice carrée
Adaptations à une matrice carrée
De la même façon que pour les endomorphismes on définit pour toute matrice
carrée 𝐴 ∈ M𝑑 (K) et pour tout polynôme 𝑃 = 𝑎 0 + 𝑎 1𝑋 + · · · + 𝑎𝑛 𝑋 𝑛 ∈ K[𝑋 ],
la matrice
𝑃 (𝐴) = 𝑎 0 𝐼𝑑 + 𝑎 1𝐴 + 𝑎 2𝐴2 + · · · + 𝑎𝑛 𝐴𝑛
On appelle alors polynôme annulateur de 𝐴 tout polynôme 𝑃 tel que 𝑃 (𝐴) = 0.
2
Notons que, puisque la famille (𝐼𝑑 , 𝐴, · · · , 𝐴𝑑 ) est forcément liée, 𝐴 admet au
moins un polynôme annulateur non nul.
On définit alors :
1 le polynôme minimal de 𝐴, qu’on note 𝜋𝐴 , comme étant l’unique
polynôme unitaire tel que

𝐼𝐴 = 𝑃 ∈ K[𝑋 ] / 𝑃 (𝐴) = 0 = 𝜋𝐴 K[𝑋 ]
𝐼𝐴 est appelé idéal annulateur de 𝐴.
2 la sous algèbre de M𝑑 (K) engendrée par 𝐴 comme

K[𝐴] = 𝑃 (𝐴)/𝑃 ∈ K[𝑋 ]
Comme pour les endomorphismes, K[𝐴] est une algèbre commutative de
dimension égale à 𝑝 = deg 𝜋𝐴 et (𝐼𝑑 , 𝐴, . . . , 𝐴𝑝−1 ) en est une base.

Propriétés 2.9
2.9.1Pour toute matrice 𝐴 de M𝑑 (K) et pour tout polynôme 𝑃 ∈ K[𝑋 ]

∀𝑄 ∈ GL𝑑 (K), 𝑃 𝑄𝐴𝑄 −1 = 𝑄𝑃 (𝐴)𝑄 −1

en particulier pour tout 𝑘 ∈ N, 𝑄𝐴𝑄 −1 = 𝑄𝐴𝑘 𝑄 −1 .

𝑘
2.9.2 Deux matrices semblables ont les mêmes polynômes annulateurs. En

particulier elles ont le même polynôme minimal.
2.9.3 𝐴 et 𝑡 𝐴 ont les mêmes polynômes annulateurs. En particulier elles ont
le polynôme minimal.
n.b. On peut montrer qu’en fait 𝐴 et 𝑡𝐴 sont semblables.
Proposition 2.10
Soit 𝑢 un endomorphisme de 𝐸, un K-ev de dimension finie. Soit B une base

quelconque de 𝐸 et soit 𝐴 = MatB (𝑢).
1 Pour tout 𝑃 ∈ K[𝑋 ], 𝑃 (𝐴) est la matrice de 𝑃 (𝑢) dans B.
2 𝑃 est un polynôme annulateur de 𝑢 si et seulement s’il l’est pour 𝐴.
3 𝜋𝑢 = 𝜋𝐴 .
Exemples 2.3
2.3.1 𝜋𝐴 est de degré 1 si et seulement si 𝐴 est une matrice scalaire, c’est à

dire qu’il existe 𝜆 ∈ K tel que 𝐴 = 𝜆𝐼𝑛 , auquel cas 𝜋𝐴 = 𝑋 − 𝜆.

2.3.2 Soit une matrice carrée d’ordre 2, 𝐴 = 𝑎𝑐 𝑑𝑏 .
On vérifie que 𝑃 = 𝑋 2 − Tr(𝐴)𝑋 + det(𝐴) est un polynôme annulateur de 𝐴.
Si 𝐴 n’est pas une matrice scalaire alors 𝜋𝐴 = 𝑃 = 𝑋 2 − Tr(𝐴)𝑋 + det(𝐴).
2.3.3 Soit une matrice diagonale 𝐷 = diag(𝜆1, 𝜆2, . . . , 𝜆𝑛 ). Alors 𝑃 =
(𝑋 − 𝜆𝑘 ) est un polynôme annulateur de 𝐴. Son polynôme minimal est
Q𝑛
𝑘=1 Q
𝜋𝐷 = 𝑘=1 (𝑋 − 𝜇𝑘 ) où 𝜇 1, 𝜇2, . . . , 𝜇𝑟 sont les racines deux à deux distinctes
𝑟
du polynôme 𝑃.
2.3.4 Si 𝐴 une matrice nilpotente d’indice 𝑝 alors 𝜋𝐴 = 𝑋 𝑝 .
2.3.5 Soit 𝐴 ∈ M𝑛 (K). Considérons l’endomorphisme
𝐴𝑔 : M𝑛 (K) −→ M𝑛 (K)
𝑀 ↦−→ 𝐴𝑀
On observe que pour tout 𝑃 ∈ K[𝑋 ]
∀𝑀 ∈ M𝑛 (K), 𝑃 (𝐴𝑔 )(𝑀) = 𝑃 (𝐴)𝑀

et donc 𝑃 est un polynôme annulateur de 𝐴𝑔 si et seulement si 𝑃 est un

polynôme annulateur de 𝐴. En particulier, 𝜋𝐴𝑔 = 𝜋𝐴 . Les mêmes résultats
sont encore valables pour l’endomorphisme
𝐴𝑑 : M𝑛 (K) −→ M𝑛 (K)
𝑀 ↦−→ 𝑀𝐴
III
Exercices d’approfondissement
Exercice 2.1 famille des projecteurs associée à une décomposition des noyaux
Soit 𝑢 ∈ L(𝐸). Soit 𝑃 un polynôme annulateur non nul éventuel de 𝑢 et soit
Q 𝛽
𝑃 = 𝑟𝑘=1 𝑃𝑘 𝑘 sa décomposition en facteurs irréductibles. On sait que
M𝑟
𝛽
𝐸= Ker 𝑃𝑘 𝑘 (𝑢)
𝑘=1
On considère la famille de projections (𝜋 1, 𝜋2, . . . , 𝜋𝑟 ) associée à cette décom-
position. Montrer que pour tout 𝑘 ∈ [[1, 𝑟 ]], 𝜋𝑘 est un polynôme en 𝑢.
Exercice 2.2 valuation d’un diviseur irréductible du polynôme minimal

Soit 𝑢 ∈ L(𝐸). On suppose que 𝑢 admet un polynôme minimal. Soit 𝑃 un
diviseur irréductible de 𝜋𝑢 . Soient 𝛽 ∈ N∗ et 𝑄 ∈ K[𝑋 ] tels que
𝜋𝑢 = 𝑄𝑃 𝛽 et 𝑃 - 𝑄
1 Montrer que 𝛽 = min{𝑘 ∈ N / Ker 𝑃 𝑘+1 (𝑢) = Ker 𝑃 𝑘 (𝑢)} et que pour tout
𝑘 > 𝛽, Ker 𝑃 𝑘 (𝑢) = Ker 𝑃 𝛽 (𝑢).
n.b. L’endomorphisme 𝑤 induit par 𝑃 (𝑢) sur Ker 𝑃 𝛽 (𝑢) est nilpotent. Cette question
montre que son indice de nilpotence est 𝛽.
2 Montrer que Ker 𝑄 (𝑢) est le seul supplémentaire de Ker 𝑃 𝛽 (𝑢) qui est
stable par 𝑢 et que Ker 𝑄 (𝑢) = Im 𝑃 𝛽 (𝑢).
3 Soit 𝑘 ∈ N. Montrer que si Ker 𝑃 𝑘 (𝑢) admet un supplémentaire 𝑢-stable
dans 𝐸 alors 𝑘 > 𝛽.

Exercice 2.3 sous-espaces stables et décomposition des noyaux

On suppose que 𝑢 admet un polynôme annulateur non nul 𝑃 et on considère sa
𝛽 𝛽
décomposition en facteurs irréductibles 𝑃 = 𝑃 1 1 𝑃 2 2 . . . 𝑃𝑟𝛼𝑟 . Soit 𝐹 un sev de 𝐸.
1 Montrer que 𝐹 est stable par 𝑢 si et seulement si
M 𝑟
𝛽 𝛽
𝐹= 𝐹 ∩ Ker 𝑃𝑘 𝑘 (𝑢) et ∀𝑘, 𝐹 ∩ Ker 𝑃𝑘 𝑘 (𝑢) et stable par 𝑢.
𝑘=1
n.b. En d’autre termes, 𝐹 est 𝑢-stable si et seulement s’il est la somme de sous-espaces
𝛽
𝑢-stables des noyaux Ker 𝑃𝑘 𝑘 (𝑢).
2 Montrer que 𝐹 est stable par 𝑢 et admet un supplémentaire 𝐺 stable par

𝑢 si et seulement si
 M𝑟
𝛽
= 𝐹 ∩ Ker 𝑃𝑘 𝑘 (𝑢)



 𝐹

 𝑘=1
𝛽

 ∀𝑘, 𝐹 ∩ Ker 𝑃𝑘 𝑘 (𝑢) est 𝑢-stable

∀𝑘, 𝐹 ∩ Ker 𝑃 𝛽𝑘 (𝑢) admet un supplémentaire 𝑢-stable dans Ker 𝑃 𝛼𝑘 (𝑢)

 𝑘 𝑘
Exercice 2.4 noyaux des polynômes en 𝑢

Soit 𝑢 ∈ L(𝐸). On suppose que 𝑢 admet un polynôme minimal. On considère
un polynôme non constant 𝑃 ∈ K[𝑋 ].
1 Montrer que si 𝑃 divise 𝜋𝑢 alors Ker 𝑃 (𝑢) est non nul.
2 Soit en général 𝐷 = 𝑃 ∧ 𝜋𝑢 . Montrer que Ker 𝑃 (𝑢) = Ker 𝐷 (𝑢).
n.b. Ce qui implique que le nombre de sev de 𝐸 de la forme Ker 𝑃 (𝑢) est fini.
Exercice 2.5
Soit 𝑢 ∈ L(𝐸). On suppose que 𝑢 admet un polynôme minimal. Soit 𝑃 un
diviseur unitaire de 𝜋𝑢 . Soit 𝑄 ∈ K[𝑋 ] unitaire.
1 Montrer que si 𝑄 | 𝑃 et Ker 𝑄 (𝑢) = Ker 𝑃 (𝑢) alors 𝑄 = 𝑃.
2 En déduire que 𝑃 est le polynôme minimal de l’endomorphisme induit
par 𝑢 sur Ker 𝑃 (𝑢).
Exercice 2.6 sous-espaces 𝑢-cycliques et polynôme minimal en un vecteur

Soit 𝑢 ∈ L(𝐸). On pose pour tout 𝑥 ∈ 𝐸
h𝑢, 𝑥i = {𝑃 (𝑢) (𝑥) / 𝑃 ∈ K[𝑋 ]} 𝐼𝑥,𝑢 = {𝑃 ∈ K[𝑋 ] / 𝑃 (𝑢)(𝑥) = 0𝐸 }
1 Montrer que h𝑢, 𝑥i est le plus petit sev de 𝐸 contenant 𝑥 et stable par 𝑢.

2 Montrer que 𝐼𝑥,𝑢 est un idéal de K[𝑋 ]. Si 𝐼𝑥,𝑢 est non nul justifier l’exis-
tence et l’unicité d’un polynôme unitaire 𝜋𝑥,𝑢 tel que
∀𝑃 ∈ K[𝑋 ], 𝑃 (𝑢) (𝑥) = 0𝐸 ⇐⇒ 𝜋𝑥,𝑢 | 𝑃
Montrer que dans ce cas dimh𝑢, 𝑥i = deg 𝜋𝑥,𝑢 .
vocabulaire h𝑢, 𝑥i est appelé sous-espace 𝑢-cyclique engendré par 𝑥 et 𝜋𝑥,𝑢 polynôme
minimal de 𝑢 en 𝑥. On dit qu’un sev 𝐹 de 𝐸 est 𝑢-cyclique s’il existe 𝑥 ∈ 𝐸 tel que 𝐹 = h𝑢, 𝑥i.
notions importantes Ces notions sont importantes et seront explorées de manière

exhaustive dans la série d’exercices.
Exercice 2.7 majoration du degré du polynôme minimal I

On suppose que 𝐸 est de dimension finie 𝑛. Montrer par récurrence sur 𝑛 =
dim 𝐸 que pour tout 𝑢 ∈ L(𝐸), deg 𝜋𝑢 6 dim 𝐸
Exercice 2.8 majoration du degré du polynôme minimal II

Soit 𝑢 un endomorphisme de 𝐸 de rang fini 𝑟 . Montrer que 𝑢 admet un polynôme
minimal et que deg 𝜋𝑢 6 𝑟 + 1.
Exercice 2.9
On suppose que dim 𝐸 > 1. Soit 𝑢 ∈ L(𝐸). On suppose que 𝑢 est de rang 1 et
on considère un vecteur directeur 𝑒 de Im 𝑢 et un scalaire 𝛼 tel que 𝑢 (𝑒) = 𝛼𝑒.
1 Montrer que 𝜋𝑢 = 𝑋 2 − 𝛼𝑋 .
2 Montrer que si dim 𝐸 < ∞ alors 𝛼 = Tr(𝑢).
Exercice 2.10
Soit 𝑢 ∈ L(𝐸).
1 On suppose dans cette question seulement que dim 𝐸 = 2. Montrer que si
𝑢 n’est pas de la forme 𝜆 id𝐸 alors 𝜋𝑢 = 𝑋 2 − Tr(𝑢)𝑋 + det(𝑢).
2 Donner un polynôme annulateur de degré 3 de 𝑢 si rg 𝑢 = 2.
Exercice 2.11
Soit 𝐴 une matrice carrée inversible. Exprimer 𝜋𝐴−1 en fonction de 𝜋𝐴 .

Exercice 2.12
Soit 𝑀 = 𝐴0 𝐶𝐵 ∈ M𝑛 (K) avec 𝐴 ∈ M𝑝 (K), 𝑝 > 𝑛. Montrer que 𝜋𝑀 divise

𝜋𝐴 ∨ 𝜋𝐵 . Donner un example où 𝜋𝑀 ≠ 𝜋𝐴 ∧ 𝜋𝐵
Exercice 2.13 polynôme minimal d’un produit de matrices

Soient 𝐴, 𝐵 ∈ M𝑛 (K).
1 Montrer que si l’une des deux matrices est inversible alors 𝜋𝐴𝐵 = 𝜋𝐵𝐴 .
2 Donner un exemple où 𝜋𝐴𝐵 ≠ 𝜋𝐵𝐴 lorsque 𝑛 = 2.
Exercice 2.14 polynôme minimal d’une matrice diagonale par blocs

Si 𝑀 est une matrice diagonale par blocs de blocs diagonaux 𝐴1, 𝐴2, · · · , 𝐴𝑟 .
Alors le polynôme minimal de 𝑀 est le ppcm des polynômes minimaux de
𝐴1, 𝐴2, · · · , 𝐴𝑟 . Donner une version de ce résultat pour les endomorphismes.
Exercice 2.15 polynôme minimal d’une matrice compagne
Soit un polynôme unitaire 𝑃 = 𝑋 𝑛 + 𝑎𝑛−1𝑋 𝑛−1 + · · · + 𝑎 1𝑋 + 𝑎 0 . On appelle

matrice compagne de 𝑃 la matrice
0 0 0 · · · −𝑎 0
1 0 0 · · · −𝑎 1 ®
© ª
.. ®®
.. ..
𝐶𝑃 = 0
. . . ®
. .. .. ®
. . . 0 −𝑎𝑛−2 ®®
.
«0 · · · 0 1 −𝑎𝑛−1 ¬
Montrer que 𝜋𝐶𝑃 = 𝑃.
Exercice 2.16 premières propriétés d’un endomorphisme cyclique

On suppose que 𝐸 est de dimension finie 𝑑. Soit 𝑢 ∈ L(𝐸). On suppose qu’il
existe un vecteur 𝑒 de 𝐸 tel que B = (𝑒, 𝑢 (𝑒), . . . , 𝑢𝑑−1 (𝑒)) soit une base de 𝐸.
On dit alors que 𝑢 est cyclique.
n.b. ce qui revient à dire que l’espace 𝐸 lui même est 𝑢-cyclique.
1 Justifier que le polynôme minimal de 𝑢 est de degré 𝑑.

2 Montrer la matrice de 𝑢 dans B est une matrice compagne.
3 Montrer que C(𝑢) = K[𝑢].

Exercice 2.17 calcul du polynôme minimal en un vecteur

On reprend les notations de l’exercice 2.6. Soit 𝑥 ∈ 𝐸. Le but est de donner une
méthode de calcul du polynôme minimal de 𝑢 en 𝑥, 𝜋𝑢,𝑥 . On note 𝑛 = dim 𝐸 et
on fixe une base B de 𝐸. On considère la matrice de taille (𝑛, 𝑛 + 1)

𝑀 = MatB 𝑥, 𝑢 (𝑥), . . . , 𝑢 𝑛 (𝑥)
Justifier l’existence d’une matrice inversible 𝑄 ∈ GL𝑛 (K) telle que
1 · · · 0 𝛼0 ∗ · · · ∗
© . .
.. . . ... ..
.
..
.
.. ª®
. ®

0 · · · 1 ∗ · · · ∗
®
𝛼 𝑑−1
𝑄𝑀 =
®
0 ··· 0 0 0 ··· 0 ®
®
. .. .. .. ®®
.
. . . . ®
« 0 · · · 0 0 0 · · · 0 ¬
Montrer alors que 𝜋𝑢,𝑥 = 𝑋 − 𝛼𝑑−1𝑋
𝑑 𝑑−1 − · · · − 𝛼 1𝑋 − 𝛼 0 .

Réduction d’un endomorphisme
chapitre 3
I
Éléments propres d’un endomorphisme
𝐸 désignera un K-ev de dimension quelconque.

Définition 3.1
Soit 𝑢 un endomorphisme de 𝐸. On appelle valeur propre de 𝑢 tout scalaire 𝜆

pour lequel il existe au moins un vecteur non nul 𝑥 ∈ 𝐸 tel que 𝑢 (𝑥) = 𝜆𝑥. Un
tel vecteur est alors dit un vecteur propre de 𝑢 associé à la valeur propre 𝜆.
Si 𝜆 est une valeur propre de 𝑢 alors le sous-espace

𝐸𝜆 (𝑢) = 𝑥 ∈ 𝐸 / 𝑢 (𝑥) = 𝜆𝑥 = Ker(𝑢 − 𝜆id𝐸 )
est appelé sous-espace propre de 𝑢 associé à la valeur propre 𝜆.
L’ensemble des valeurs propre de 𝑢 est noté Sp(𝑢). Il est appelé spectre de 𝑢.
Proposition 3.1
Si 𝐸 est de dimension finie alors 𝜆 est une valeur propre de 𝑢 si et seulement

si 𝑢 − 𝜆id𝐸 est non inversible. Les valeurs propres de 𝑢 sont donc les scalaires
𝜆 ∈ K tels que det(𝑢 − 𝜆id𝐸 ) = 0.
Propriétés 3.2
Soit 𝑢 un endomorphisme de 𝐸.
3.2.1 Une droite vectorielle K𝑥 est 𝑢-stable si et seulement si 𝑥 est un vecteur
propre de 𝑢.
3.2.2 Si 𝐸 est de dimension quelconque, 𝜆 est une valeur propre de 𝑢 si et
seulement si l’endomorphisme 𝑢 − 𝜆id𝐸 est non injectif.
n.b. En particulier, 0 est une valeur propre de 𝑢 si et seulement si 𝑢 est non injectif.
page 31 / 63
Cours Réduction d’un endomorphisme
propriétés 3.2 (suite)
3.2.3 Si 𝜆 est une valeur propre de 𝑢 et 𝑥 est un vecteur de 𝐸𝜆 (𝑢) alors

∀𝑃 ∈ K[𝑋 ], 𝑃 (𝑢) (𝑥) = 𝑃 (𝜆)𝑥
n.b. Ce qui signifie que pour tout polynôme 𝑃 ∈ K[𝑋 ]
• 𝑃 (𝜆) est une valeur propre de 𝑃 (𝑢).
• 𝐸𝜆 (𝑢) ⊂ 𝐸𝑃 (𝜆) (𝑃 (𝑢)).
En particulier pour tout 𝑘 ∈ N, 𝜆𝑘 est une valeur propre de 𝑢𝑘 et 𝐸𝜆 (𝑢) ⊂ 𝐸𝜆𝑘 (𝑢𝑘 ).
3.2.4 Si 𝑃 est un polynôme annulateur de 𝑢 alors toute valeur propre de 𝑢

est une racine de 𝑃.
attention Inversement, les racines d’un polynôme annulateur 𝑃 de 𝑢 ne sont pas
forcément toutes des valeurs propres de 𝑢.
Proposition 3.3
Si 𝑢 admet un polynôme minimal alors les valeurs propres de 𝑢 sont exacte-
ment les racines de 𝜋𝑢 .
Proposition 3.4
1 Si 𝜆1, 𝜆2, · · · , 𝜆𝑝 sont des valeurs propres deux à deux distinctes de 𝑢
alors la somme 𝐸𝜆1 (𝑢) + · · · + 𝐸𝜆𝑝 (𝑢) est directe.
2 Toute famille de vecteurs propres de 𝑢 associés à des valeurs propres
deux à deux distinctes est une famille libre.
Exemples 3.1
3.1.1 Si 𝑢 = 𝜆 id𝐸 alors 𝜆 est la seule valeur propre de 𝑢.

3.1.2 Soit 𝑝 un projecteur de 𝐸.
• si 𝑝 = id𝐸 alors 1 est la seule va.p. de 𝑝 ;
• si 𝑝 = 0 alors 0 est la seule va.p. de 𝑝 ;
• si 𝑝 ≠ 0 et 𝑝 ≠ id𝐸 alors 0 et 1 sont les seules va.p. de 𝑝.
3.1.3 Si 𝑢 est un endomorphisme nilpotent de 𝐸 alors 0 est sa seule va.p.
3.1.4 Soit un endomorphisme de 𝐸. On suppose que 𝑢 2 = − id𝐸 . Alors
• 𝑢 n’admet aucune va.p. si K = R ;

• les seules va.p. possibles de 𝑢 sont 𝑖 et −𝑖 si K = C.

3.1.5On note 𝐸 l’ensemble des fonctions de classe C∞ de R dans R et on
considère l’endomorphisme 𝐷 de 𝐸 défini par
∀𝑓 ∈ 𝐸, 𝐷 (𝑓 ) = 𝑓 0
Tout réel 𝛼 est une va.p. de 𝐷 et 𝐸𝛼 (𝐷) = Vect{𝑥 ↦→ e𝛼𝑥 }.
Sp(𝐷) = R et ∀𝛼 ∈ R, 𝐸𝛼 (𝐷) = Vect{𝑥 ↦→ e𝛼𝑥 }
n.b. En particulier la famille (𝑥 ↦→ e𝛼𝑥 )𝛼 ∈R est libre. Par ailleurs, le fait que 𝐷 admette
une infinité de va.p. implique que 𝐷 n’admet pas de polynôme minimal.
3.1.6On note 𝐸 = KN et on considère son opérateur de translation des

indices 𝑇 . Soient 𝜆 ∈ K et 𝑈 = (𝑢𝑛 )𝑛 ∈ 𝐸.
𝑇 (𝑈 ) = 𝜆𝑈 ⇐⇒ ∀𝑛 ∈ N, 𝑢𝑛 = 𝑢 0 𝜆𝑛
Ainsi tout scalaire 𝜆 est une va.p. de 𝑇 et 𝐸𝜆 (𝑇 ) = Vect{(𝜆𝑛 )𝑛 }.
3.1.7 L’endomorphisme 𝑓 de K[𝑋 ] qui à 𝑃 ∈ K[𝑋 ] associe 𝑋 𝑃 (𝑋 ) n’admet
aucune va.p. , et ce quelque soit le corps K.
I.1 Valeurs propres d’une matrice carrée

Définition 3.2
Soient une matrice carrée 𝐴 ∈ M𝑛 (K). On appelle valeur propre (resp vecteur
propre) de 𝐴 toute valeur propre (resp vecteur propre) de son endomorphisme
canoniquement associé. Si 𝜆 est une valeur propre de 𝐴 on note
𝐸𝜆 (𝐴) = Ker(𝐴 − 𝜆𝐼𝑛 ) = {𝑋 ∈ M𝑛,1 (K) / 𝐴𝑋 = 𝜆𝑋 }
Vocabulaire
3.3.1 L’ensemble des valeurs propres de 𝐴 dans K est noté SpK (𝐴), on l’ap-
pelle spectre de 𝐴 dans K.
n.b. Pour un endomorphisme, on n’a pas besoin de préciser K dans la notation du
spectre de 𝑢 car K est figé en tant que corps de base de l’espace 𝐸. Une matrice par contre
peut être vue comme une matrice à coefficients dans un corps K comme dans n’importe
quel sur-corps de K. De ce fait le spectre d’une matrice dépend du corps de base.
3.3.2 Si K = C, le réel 𝜌 (𝐴) = max |𝜆| est appelé rayon spectral de 𝐴 sur K.
𝜆 ∈SpK (𝐴)

Proposition 3.5
𝜆 est une valeur propre de la matrice carrée 𝐴 d’ordre 𝑛 si et seulement si

det(𝐴 − 𝜆𝐼𝑛 ) = 0
II
Polynôme caractéristique
II.1 Polynôme caractéristique d’une matrice carrée

Théorème et définition 3.6
Soit 𝐴 ∈ M𝑑 (K). Alors det(𝑋 𝐼𝑑 − 𝐴) est un polynôme unitaire de degré 𝑑. On

l’appelle polynôme caractéristique de 𝐴 et on le note 𝜒𝐴 .
𝜒𝐴 (𝑋 ) := det(𝑋 𝐼𝑑 − 𝐴)
Par ailleurs 𝜒𝐴 = 𝑋 𝑑 − Tr(𝐴)𝑋 𝑑−1 + · · · + (−1)𝑑 det 𝐴
n.b. Dans l’écriture det(𝑋 𝐼𝑑 − 𝐴), la matrice 𝑋 𝐼𝑑 − 𝐴 peut être regardée comme à
coefficients dans le corps K(𝑋 ). Vu l’expression brute du déterminant, det(𝑋 𝐼𝑑 − 𝐴) est
bien un polynôme à coefficients dans K.
Remarque 3.1
Soit une matrice carrée 𝐴 ∈ M𝑑 (K). La proposition ?? revient finalement à

dire que les valeurs propres de 𝐴 sont exactement les racines de 𝜒𝐴 . Comptées
avec leurs multiplicités, 𝐴 admet donc au plus 𝑑 va.p. .
Vocabulaire
Pour toute valeur propre 𝜆 de 𝐴, on appelle multiplicité de 𝜆, son ordre de

multiplicité en tant que racine du polynôme 𝜒𝐴 .
Corollaire 3.7
Soit 𝐴 ∈ M𝑑 (K). Si 𝜒𝐴 est scindé et 𝜆1 ,𝜆2, . . . , 𝜆𝑑 sont les valeurs propres de

𝐴, répétées chacune autant de fois que sa multiplicité alors
𝑑
X 𝑑
Y
𝜆𝑘 = Tr(𝐴) 𝜆𝑘 = det(𝐴)
𝑘=1 𝑘=1

Remarque 3.2
Lorsque le polynôme caractéristique 𝜒𝐴 est scindé et 𝜇 1, 𝜇2, . . . , 𝜇𝑝 désignent

les valeurs propres deux à deux distinctes de 𝑢 de multiplicités respectives
𝛼 1 ,𝛼 2, . . . , 𝛼 𝑝 alors
𝑝
Y 𝑝
X 𝑝
Y
𝜒𝐴 = (𝑋 − 𝜇𝑘 ) 𝛼𝑘 Tr(𝐴) = 𝛼 𝑘 𝜇𝑘 det(𝐴) = 𝜇𝑘𝛼𝑘
𝑘=1 𝑘=1 𝑘=1
Propriétés 3.8
3.8.1 Si 𝐴 et 𝐵 sont deux matrices carrées semblables alors 𝜒𝐴 = 𝜒𝐵 .

En particulier 𝐴 et 𝐵 ont les mêmes valeurs propres et avec les mêmes multi-
plicités.
n.b. De plus, si 𝑃 est une matrice inversible telle que 𝐴 = 𝑃𝐵𝑃 −1 alors pour toute valeur
propre 𝜆 de 𝐴 et pour tout vecteur 𝑉 de M𝑑1 (K)
𝑉 ∈ 𝐸𝜆 (𝐴) ⇐⇒ 𝑃 −1𝑉 ∈ 𝐸𝜆 (𝐵)
3.8.2 Pour toute matrice carrée 𝐴, 𝜒𝑡 𝐴 = 𝜒𝐴 .

n.b. 𝐴 et 𝑡𝐴 ont donc les mêmes valeurs propres et avec les mêmes multiplicités.
exercice Montrer que
∀𝜆 ∈ SpK (𝐴), ∀𝑘 ∈ N, dim Ker(𝐴 − 𝜆𝐼𝑛 )𝑘 = dim Ker(𝑡𝐴 − 𝜆𝐼𝑛 )𝑘
3.8.3 Soit une matrice carrée d’ordre 𝑛 définie par blocs

𝐴 𝐵
𝑀= où 𝐴 ∈ M𝑝 (K), 𝑝 < 𝑛
0 𝐶
Alors 𝜒𝑀 (𝑋 ) = 𝜒𝐴 (𝑋 ) 𝜒𝐵 (𝑋 )
3.8.4 Soit une matrice carrée d’ordre 𝑛 diagonale par blocs
𝐴
© 1 ª
𝐴 2
®
𝑀=
®
.. ®

. ®
®
« 𝐴 𝑟 ¬
où 𝐴1, 𝐴2, · · · , 𝐴𝑟 sont des matrices carrées d’ordre respectifs 𝑛 1, 𝑛 2, · · · , 𝑛𝑟
avec 𝑛 1 + 𝑛 2 + · · · + 𝑛𝑟 = 𝑛.
Y 𝑟
Alors 𝜒𝑀 (𝑋 ) = 𝜒𝐴𝑘 (𝑋 )
𝑘=1

Exemples fondamentaux 3.2
3.2.1 polynôme caractéristique d’une matrice triangulaire

Si 𝐴 est une matrice triangulaire de coefficients diagonaux 𝑎 11, 𝑎 22, . . . , 𝑎𝑑𝑑
alors
𝑑
Y
𝜒𝐴 = (𝑎𝑖𝑖 − 𝑋 )
𝑘=1
n.b. On voit ainsi que 𝜒𝐴 est scindé et que les valeurs propres de 𝐴 sont ses éléments
diagonaux. La multiplicité de chaque valeur propre est égale au nombre de fois qu’elle
est répétée sur la diagonale de 𝐴.
3.2.2 Matrice compagne d’un polynôme unitaire
Étant donné un polynôme unitaire de degré non nul 𝑃 = 𝑋 𝑑 + 𝑎𝑘−1𝑋 𝑑−1 +
· · · + 𝑎 1𝑋 + 𝑎 0 , on considère la matrice carrée d’ordre 𝑑
0 0 · · · 0 −𝑎 0
1 0 · · · 0 −𝑎 1 ®
© ª
𝐶𝑃 = . . . . . . ... .. ®®

. ®
1 0 −𝑎𝑑−2 ®
®

« 1 −𝑎𝑑−1 ¬
𝐶𝑃 est appelée
matrice compagne du polynôme 𝑃.
𝑥
0 · · · 0 𝑎 0

−1 𝑥 𝑎 1 et en appliquant l’opération

𝜒𝐶𝑃 (𝑥) = .. .. ..
𝐿0 ←

. . .
2
𝑎𝑑−2 𝐿1 + 𝑥𝐿2 + 𝑥 𝐿3 + · · · + 𝑥 𝐿𝑑
𝑑−1

−1 𝑥
−1 𝑎𝑑−1 + 𝑥

0
0 · · · 0 𝑃 (𝑥)

−1 𝑥 𝑎 1
on développe maintenant se-

𝜒𝐶𝑃 (𝑥) =
.. .. ..
. . . lon la première ligne

−1 𝑥 𝑎𝑑−2
−1 𝑎𝑑−1 + 𝑥

−1 𝑥 0 · · · 0

0 −1 𝑥 0

. . . . . . . . ...
. .
𝜒𝐶𝑃 (𝑥) = (−1)𝑑+1 𝑃 (𝑥) ..
.. ..
.
. −1 𝑥
0 · · · · · · 0 −1
soit 𝜒𝐶𝑃 = 𝑃 (𝑥)

exemples fondamentaux 3.2 (suite)
n.b. La matrice 𝐶𝑃 répond donc au problème suivant : étant donné un polynôme

unitaire non constant 𝑃, existe-t-il une matrice dont le polynôme caractéristique est 𝑃 ?
II.2 Polynôme caractéristique d’un endomorphisme
Dans cette section que 𝐸 est supposé de dimension finie notée 𝑑.
Définition 3.5
Soit 𝑢 ∈ L(𝐸) où 𝐸 est un K-ev de dimension finie 𝑑 ∈ N∗ . Alors le polynôme

caractéristique de la matrice de 𝑢 dans une base B ne dépend pas de la base
B. Ce polynôme est appelé polynôme caractéristique de 𝑢, on le note 𝜒𝑢 .
n.b. La fonction polynomiale associée à 𝜒𝑢 est définie par
∀𝜆 ∈ K, 𝜒𝑢 (𝜆) = det(𝜆 id𝐸 −𝑢)
Remarques 3.3
3.3.1 Lorsque il s’agit d’une matrice carrée 𝐴, on peut très bien écrire (avec
l’indéterminée 𝑋 )
𝜒𝐴 (𝑋 ) = det(𝐴 − 𝑋 𝐼𝑑 )
en considérant que ce dernier déterminant est celui d’une matrice à coeffi-
cient dans le corps des fractions rationnelles K(𝑋 ).
Mais l’écriture 𝜒𝑢 (𝑋 ) = det(𝑢 − 𝑋 id𝐸 ) n’a aucun sens lorsque 𝑢 est un
endomorphisme.
3.3.2 Lorsque le corps de base K est fini, la définition d’un polynôme à partir
d’une fonction polynomiale pose un problème. Deux polynômes distincts
peuvent dans ce cas avoir la même fonction polynomiale.
précisions si K est un corps fini de cardinal 𝑞 alors le polynôme 𝑋 𝑞 − 𝑋 est non nul
alors que sa fonction polynomiale est partout nulle sur K.
C’est pourquoi dans la définition on tient tant à définir le polynôme caractéristique d’un
endomorphisme comme le polynôme de l’une quelconque des matrices le représentant
et non comme le polynôme dont la fonction polynomiale est 𝑥 ↦→ det(𝑢 − 𝑥 id𝐸 ).
3.3.3 De part sa définition comme le polynôme caractéristique de l’une

quelconque des matrices de 𝑢 on a aussi
𝜒𝑢 (𝑋 ) = 𝑋 𝑑 − Tr(𝑢)𝑋 𝑑−1 + · · · + (−1)𝑑 det(𝑢)

remarques 3.3 (suite)
3.3.4 Pour tous 𝑢 ∈ L(𝐸) et 𝜆 ∈ K on a

𝜒𝑢+𝜆 id𝐸 (𝑋 ) = 𝜒𝑢 (𝑋 − 𝜆)
Exemples 3.3
3.3.1 Si 𝑢 = 𝜆 id𝐸 alors 𝜒𝑢 = (𝑋 − 𝜆)𝑑 .

3.3.2 Soit 𝑝 un projecteur de 𝐸. Soit
𝑟 = rg 𝑝. On sait qu’il existe une base
B de 𝐸 telle que MatB (𝑝) = 0 0 . On a donc
𝐼𝑟 0
𝜒𝑝 = 𝑋 𝑑−𝑟 (𝑋 − 1)𝑟 (avec 𝑟 = rg 𝑝)

3.3.3 De même pour une symétrie 𝑠, 𝜒𝑠 = (𝑋 − 1)𝑟 (𝑋 + 1)𝑑−𝑟 avec cette
fois 𝑟 = dim Ker(𝑠 − id𝐸 ).
3.3.4 Si 𝑢 est un endomorphisme de rang 1 de 𝐸 alors
𝜒𝑢 = 𝑋 𝑑−1 (𝑋 − Tr(𝑢))
3.3.5 Soit 𝑢 un endomorphisme cyclique de 𝐸. Soit 𝑥 0 ∈ 𝐸 tel que B0 =
(𝑥 0, 𝑢 (𝑥 0 ), . . . , 𝑢𝑑−1 (𝑥 0 )) soit une base de 𝐸. Posons
𝑢𝑑 (𝑥 0 ) = 𝑎 0𝑥 0 + 𝑎 1𝑢 (𝑥 0 ) + · · · 𝑎𝑝−1𝑢𝑑−1 (𝑥 0 )
Alors MatB0 (𝑢) = 𝐶𝑃 avec 𝑃 = 𝑋 𝑑 − 𝑎𝑑−1𝑋 𝑑−1 − · · · − 𝑎 1𝑋 − 𝑎 0
et en particulier 𝜒𝑢 = 𝑋 𝑑 − 𝑎𝑑−1𝑋 𝑑−1 − · · · − 𝑎 1𝑋 − 𝑎 0
n.b. Pour un endomorphisme cyclique 𝑢 on a donc 𝜒𝑢 = 𝜋𝑢 .
Proposition 3.9
Soit 𝑢 un endomorphisme de 𝐸. Les valeurs propres de 𝑢 sont exactement les

racines de son polynôme caractéristique 𝜒𝑢 .
Vocabulaire
Pour toute valeur propre 𝜆 de 𝑢, on appelle multiplicité de 𝜆, son ordre de

multiplicité en tant que racine du polynôme 𝜒𝑢 .
Proposition 3.10
1 Soit 𝐹 un sous-espace vectoriel de 𝐸. Si 𝐹 est stable par 𝑢 alors
𝜒𝑢𝐹 divise 𝜒𝑢

2 Soient 𝐹 1, 𝐹 2, . . . , 𝐹𝑝 des sev supplémentaires de 𝐸. Si 𝐹 1, 𝐹 2, . . . , 𝐹𝑝 sont

tous stables par 𝑢 alors
𝜒𝑢 = 𝜒𝑢𝐹1 𝜒𝑢𝐹2 · · · 𝜒𝑢𝐹1
Corollaire 3.11
Soient 𝑢 un endomorphisme de 𝐸 et 𝜆 un scalaire donnée. On suppose que 𝜆

est une valeur propre de 𝑢 de multiplicité 𝛼. Alors
dim 𝐸𝜆 (𝑢) 6 𝛼
Remarque 3.4
Si 𝜆 est une valeur propre de multiplicité 1 de 𝑢 alors dim 𝐸𝜆 (𝑢) = 1.
II.3 Théorème de Cayley-Hamilton et conséquences

Théorème 3.12 théorème de Cayley-Hamilton
3.12.1 Pour tout endomorphisme 𝑢 de 𝐸, 𝜒𝑢 (𝑢) = 0

3.12.2 Pour toute matrice carrée 𝐴, 𝜒𝐴 (𝐴) = 0
résultat important
Corollaire 3.13
1 Soit 𝑢 ∈ L(𝐸). Alors 𝜋𝑢 divise 𝜒𝑢 et en particulier deg(𝜋𝑢 ) 6 dim(𝐸).
2 Soit 𝐴 ∈ M𝑑 (K). Alors 𝜋𝐴 divise 𝜒𝐴 , et en particulier deg 𝜋𝐴 6 𝑑.
Lemme 3.14
Soit 𝑢 ∈ L(𝐸), si 𝜒𝑢 et scindé et si 𝜆1, . . . , 𝜆𝑟 sont les valeurs propres de 𝑢

et 𝛼 1, . . . , 𝛼𝑟 leurs multiplicités respectives alors d’après le théorème de la
décomposition des noyaux
M𝑟
𝐸= Ker(𝑢 − 𝜆𝑘 id𝐸 ) 𝛼𝑘
𝑘=1
De plus pour tout 𝑘 ∈ [[1, 𝑟 ]], dim Ker(𝑢 − 𝜆𝑘 id𝐸 ) 𝛼𝑘 = 𝛼𝑘 .
vocabulaire Le sous-espace 𝑁𝜆𝑘 (𝑢) = Ker(𝑢 − 𝜆𝑘 )𝛼𝑘 est appelé sous-espace caracté-
ristique de 𝑢 associé à la va.p. 𝜆𝑘 .
résultat important

Lemme 3.15
Soit 𝑢 ∈ L(𝐸). Si 𝑢 est nilpotent alors il existe une base de 𝐸 dans laquelle la
matrice de 𝑢 est triangulaire supérieure à diagonale nulle.
En particulier, si 𝑢 est nilpotent alors 𝜒𝑢 = 𝑋 𝑑 .
résultat important
Théorème 3.16
Soit 𝑢 ∈ L(𝐸), si 𝜒𝑢 et scindé et si 𝜆1, . . . , 𝜆𝑟 sont les valeurs propres de 𝑢 et

𝛼 1, . . . , 𝛼𝑟 leurs multiplicités respectives. Alors il existe une base B de 𝐸 dans
laquelle la matrice de 𝑢 est de la forme
𝑇
© 1 ª

𝑇2 ®
®
.. ®

. ®
®
« 𝑇𝑟 ¬
où pour tout 𝑘 ∈ [[1, 𝑟 ]], 𝑇𝑘 est une matrice triangulaire supérieure d’ordre 𝛼𝑘
et dont tous les coefficients diagonaux sont égaux à 𝜆𝑘 .
résultat important
Corollaire 3.17
Soit une matrice carrée 𝐴 ∈ M𝑑 (K). Si 𝜒𝐴 est scindé sur K alors 𝐴 est
semblable dans M𝑑 (K) à une matrice de la forme
𝑇
© 1 ª

𝑇2
®
®
.. ®

. ®
®
« 𝑇 𝑟 ¬
et dont tous les coefficients diagonaux sont égaux à 𝜆𝑘 , où 𝜆1 , 𝜆2 ,. . . , 𝜆𝑟 sont
les va.p. de 𝐴 et 𝛼 1 , 𝛼 2 , . . . , 𝛼𝑟 leurs multiplicités respectives.

II.4 Exercices d’approfondissement
Exercice 3.1
On suppose que 𝐴 est inversible. Montrer que
(−1)𝑛 𝑛
𝜒𝐴−1 (𝑋 ) = 𝑋 𝜒𝐴 (1/𝑋 )
det(𝐴)
Analyser comment s’obtient ce dernier polynôme en fonction de 𝜒𝐴 . Exprimer
les valeurs propres éventuelles de 𝐴−1 en fonction de celles de 𝐴, en précisant
le lien entre leurs sous-espaces propres respectifs.
Exercice 3.2
Soient 𝐴, 𝐵 ∈ M𝑑 (K). Montrer que 𝜒𝐴𝐵 = 𝜒𝐵𝐴 .
n.b. Ainsi les matrices 𝐴𝐵 et 𝐵𝐴 ont toujours les mêmes valeurs propres et avec les
mêmes multiplicités. Il peut être intéressant d’étudier les liens entre leurs sous-espaces
propres respectifs.
Exercice 3.3 suite des noyaux Ker(𝑢 − 𝜆 id𝐸 ) 𝑝

Soient 𝑢 ∈ L(𝐸) et 𝜆 une valeur propre éventuelle de 𝐸. Soit 𝛼 sa multiplicité.
1 Montrer que pour tout 𝑝 ∈ N, dim Ker(𝑢 − 𝜆 id𝐸 ) 𝑝 6 𝛼.
2 Montrer que dim Ker(𝑢 − 𝜆 id𝐸 ) 𝛼 = 𝛼. On pose 𝑁𝜆 (𝑢) = Ker(𝑢 − 𝜆 id𝐸 ) 𝛼

3 Montrer que l’entier 𝛽 = min 𝑝 ∈ N / Ker(𝑢 − 𝜆 id𝐸 ) 𝑝 = 𝑁𝜆 (𝑢) est la
multiplicité de 𝜆 en tant que racine du polynôme minimal 𝜋𝑢 .
4 Montrer que 𝐸 = 𝑁𝜆 (𝑢) ⊕ Im(𝑢 −𝜆 id𝐸 ) 𝛼 et que Im(𝑢 −𝜆 id𝐸 ) 𝛼 est l’unique
supplémentaire de 𝑁𝜆 (𝑢) qui est stable par 𝑢.
5 Montrer que si pour un certain 𝑝 ∈ N∗ , Ker(𝑢 − 𝜆 id𝐸 ) 𝑝 admet un supplé-
mentaire stable par 𝑢 alors Ker(𝑢 − 𝜆 id𝐸 ) 𝑝 = 𝑁𝜆 (𝑢).
Exercice 3.4 une preuve du théorème de Cayley-Hamilton

1 Montrer que si 𝑢 est cyclique alors 𝜒𝑢 (𝑢) = 0.
2 Montrer le théorème dans le cas général.

Exercice 3.5 une autre preuve du théorème de Cayley-Hamilton

Soit 𝐴 ∈ M𝑑 (K). On suppose que 𝜒𝐴 est scindé sur K et on pose
Y𝑝
𝜒𝐴 = (𝑋 − 𝜆𝑘 ) 𝛼𝑘
𝑘=1
On notera pour tout 𝑘 ∈ [[1, 𝑝]], 𝑣𝑘 l’endomorphisme induit par 𝑢𝐴 sur le
sous-espace 𝑁𝜆𝑘 (𝐴) = Ker(𝐴 − 𝜆𝑘 𝐼𝑑 ) 𝛼𝑘 .
1 Montrer que pour tout 𝑘 ∈ [[1, 𝑝]], 𝜒 𝑣𝑘 = (𝑋 − 𝜆𝑘 ) 𝛼𝑘 et que 𝜒 𝑣𝑘 (𝑣𝑘 ) = 0.
2 En déduire que 𝜒𝐴 (𝐴) = 0.
n.b. Ce qui montre le théorème de Cayley-Hamilton pour toute matrice de M𝑛 (C). Pour
une matrice à coefficient réels, le polynôme caractéristique ne dépend que des coefficients
de la matrice donc le résultat reste valable.
Exercice 3.6
Soient deux matrices carrées 𝐴 et 𝐵. Montrer que det(𝑋𝐴 + 𝐵) est un polynôme
de degré 6 𝑟 avec 𝑟 = rg 𝐴.
Exercice 3.7
Soit 𝑢 ∈ L(𝐸). Montrer que 𝜒𝑢 et 𝜋𝑢 ont les mêmes facteurs irréductibles.
III
Calcul pratique des éléments propres
Propriétés 3.18 Caractérisation des valeurs propres en dimension finie
Reprenons les propriétés qui permettent de caractériser les valeurs propres

d’un endomorphisme en dimension finie.
Soit 𝑢 ∈ L(𝐸). Alors les propriétés suivantes sont équivalentes :
3.18.1 𝜆 est une valeur propre de 𝑢 ;
3.18.2 𝑢 − 𝜆 id𝐸 n’est pas inversible ;
3.18.3 rg(𝑢 − 𝜆 id𝐸 ) < dim 𝐸 ;
3.18.4 𝜆 est une racine du polynôme caractéristique 𝜒𝑢 de 𝑢 ;
3.18.5 𝜆 est une racine du polynôme minimal 𝜋𝑢 de 𝑢.

Exemples pratiques 3.4 (la procédure standard de calcul des éléments propres)
Considérons la matrice
3 2 2 0
© ª
2 2 1 1 ®®
𝐴=

®
−6 −5 −4 −1 ®
®
« −2 −1 −1 0 ¬
Le calcul des éléments propres passe souvent par le calcul du polynôme
caractéristique pour obtenir les valeurs propres et ensuite par le calcul
d’une base de chaque sous-espace propre. Cette dernière tâche se résume en
général à la résolution de systèmes linéaires homogènes.
calcul du polynôme caractéristique

3 − 𝜆
2 2 0 𝐿1 ↔ 𝐿4
2 2−𝜆 1 1 𝐿2 ← 𝐿2 + 𝐿1
det(𝐴 − 𝜆𝐼 4 ) =
−6 −5 −4 − 𝜆 −1
𝐿3 ← 𝐿3 − 3𝐿1
−2 −1 −1 −𝜆 𝐿4 ← 2𝐿4 + (3 − 𝜆)𝐿1
(3.1)

−2 −1 −1 −𝜆 on factorise sur la deuxième

1 0 1−𝜆 0 1 − 𝜆 ligne par 1 − 𝜆. Ce qui
=
20 −2 −1 − 𝜆 −1 + 3𝜆 montre déjà que 1 est une
0 1+𝜆 1+𝜆 𝜆 2 − 3𝜆 va.p.
(3.2)

−2 −1 −1 −𝜆

1 0 1 0 1
= (1 − 𝜆)
2 0 −2 −1 − 𝜆 −1 + 3𝜆 𝐿3 ← 𝐿3 + 2𝐿2
0 1+𝜆 1+𝜆 𝜆 2 − 3𝜆 𝐿4 ← 𝐿4 − (1 + 𝜆)𝐿2
(3.3)

−2 −1 −1 −𝜆

1 0 1 0 1
= (1 − 𝜆)
2 0 0 −1 − 𝜆 1 + 3𝜆
0 0 1+𝜆 𝜆 2 − 4𝜆 − 1 𝐿4 ← 𝐿4 + 𝐿3
(3.4)

−2 −1 −1 −𝜆

1 0 1 0 1
= (1 − 𝜆) (3.5)
2 0 0 −1 − 𝜆 1 + 3𝜆
0 0 0 𝜆2 − 𝜆
𝜒𝐴 = 𝑋 (𝑋 − 1) 2 (𝑋 + 1)
n.b. Faire des opérations seulement sur les lignes permet d’exploiter ces calculs ensuite
dans la résolution des systèmes linéaire (𝐴 − 𝜆𝐼𝑑 )𝑋 = 0

exemples pratiques 3.4 (la procédure standard de calcul des éléments propres) (suite)
calcul des sous-espaces propres

1 Pour 𝜆 = 1, on revient à l’étape (2.2) et on remplace 𝜆 par 1
 −2𝑥 − 𝑦 − 𝑧 − 𝑡=0


 𝑥=−𝑡
𝐴𝑋 = 𝑋 ⇐⇒= −2𝑦 − 2𝑧 + 2𝑡=0 ⇐⇒
𝑦=−𝑧 + 𝑡
2𝑦 + 2𝑧 − 2𝑡=0



Ainsi 𝐸 1 (𝐴) = Vect{𝑉1, 𝑉2 } avec 𝑉1 = 𝑡 (0 − 1 1 0) et 𝑉2 = 𝑡 (−1 1 0 1).
2 Pour 𝜆 = 0 on remplace dans l’étape (2.5) :
 −2𝑥 − 𝑦 − 𝑧=0  𝑥=0


 

 
𝐴𝑋 = 0 ⇐⇒ 𝑦 + 𝑡=0 ⇐⇒ 𝑦=−𝑡
−𝑧 + 𝑡=0
 
 𝑧=𝑡
 

𝐸 0 (𝐴) = Vect{𝑉3 } avec 𝑉3 = 𝑡 (0 − 1 1 1).
3 Pour 𝜆 = −1

 −2𝑥 − 𝑦 − 𝑧 + 𝑡=0
 𝑧=−2𝑥
 
𝑦 + 𝑡=0


 

𝐴𝑋 = −𝑋 ⇐⇒ ⇐⇒ 𝑦=0

 −2𝑡=0 
 𝑡=0
2𝑡=0

 

𝐸 −1 (𝐴) = Vect{𝑉4 } avec 𝑉4 = 𝑡 (1 0 − 2 0).
Remarques pratiques 3.5
Soit une matrice 𝐴 ∈ M𝑑 (K). Pour un scalaire 𝜆 on notera 𝐶 1 (𝜆), 𝐶 2 (𝜆),. . . ,

𝐶𝑑 (𝜆) les vecteurs colonnes de la matrice 𝐴𝜆 = 𝐴 − 𝜆𝐼𝑑 .
3.5.1 Si 𝑋 = 𝑡 (𝑥 1 𝑥 2 · · · 𝑥𝑑 ) ∈ M𝑑,1 (K) et 𝐶 1, 𝐶 2, . . . , 𝐶𝑛 sont les vecteurs
colonnes de 𝐴 alors
𝐴𝑋 = 𝜆𝑋 ⇐⇒ 𝑥 1𝐶 1 + 𝑥 2𝐶 2 + · · · + 𝑥𝑛𝐶𝑛 = 𝜆𝑋
Ce qui permet parfois de détecter des couples valeur propre/vecteur propre
par simple observation.
exemple Si 𝐶 1 + 𝐶 2 + . . . + 𝐶𝑛 est un vecteur dont tout les coefficients valent 𝜆 alors
𝜆 et une va.p. et 𝑉 = 𝑡 (1 1 · · · 1) est un ve.p. qui lui est associé.
1 1 0
exemple Avec 𝐴 = 1 3 1 on voit que
012
1 1
𝐶1 − 𝐶2 = 2 0 ® 𝐶 1 − 𝐶 2 + 𝐶 3 = −1®
© ª © ª
«−1¬ «1¬
Ce qui permet de conclure que 2 et −1 sont des va.p. de 𝐴 et que 𝑡 (1 0 − 1) ∈ 𝐸 2 (𝐴) et
𝑡 (1 −1 1) ∈ 𝐸 (𝐴).
−1
n.b. Cela reste assez grossier. Les remarques suivantes seront d’une plus grande utilité.

remarques pratiques 3.5 (suite)
3.5.2 Si on connait une va.p. 𝜆 de 𝐴, alors pour tout 𝑋 = 𝑡 (𝑥 1 𝑥 2 · · · 𝑥𝑑 ),

(𝐴 − 𝜆𝐼𝑑 )𝑋 = 𝑥 1𝐶 1 (𝜆) + 𝑥 2𝐶 2 (𝜆) + · · · + 𝑥𝑑 𝐶𝑑 (𝜆)
Ainsi, déterminer des vecteurs de 𝐸𝜆 (𝐴) revient à déterminer des combinai-
sons linéaires nulles des vecteurs colonnes de 𝐴 − 𝜆𝐼𝑑 .
3.5.3 Si rg(𝐴 − 𝜆𝐼𝑛 ) = 𝑟 < 𝑛 alors 𝜆 est une valeur propre de multiplicité
au moins 𝑛 − 𝑟 de 𝐴.
et bien plus Il est alors possible d’extraire une famille libre maximale de 𝑟 colonnes
de 𝐴 − 𝜆𝐼𝑑 . Les 𝑛 − 𝑟 autres colonnes sont des combinaisons linéaires de ces 𝑟 colonnes.
Chacunes de ces 𝑛 − 𝑟 combinaisons linéaires fournit un vecteur de Ker(𝐴 − 𝜆𝐼𝑑 ) et il
est possible de justifier rigoureusement que ces derniers vecteurs forment une base de
Ker(𝐴 − 𝜆𝐼𝑑 ).
Ainsi il est parfois possible de constituer une base de 𝐸𝜆 (𝐴) juste par observation des
colonnes de 𝐴 − 𝜆𝐼𝑑 .
n.b. À condition bien sûr de connaitre la va.p. 𝜆 de 𝐴.
exemple En reprenant la matrice 𝐴 de l’exemple précedent
2 2 2 0 (𝐶 (1), 𝐶 2 (1)) est libre

 1


2 1 1 1®
© ª 

𝐴 − 𝐼4 = avec 𝐶 3 (1) = 𝐶 2 (1)
−6 −5 −5 −1®
®

𝐶 4 (1) = 𝐶 1 (1) − 𝐶 2 (1)

«−2 −1 −1 −1¬ 
Ici rg(𝐴 − 𝐼 4 ) = 2 et 𝐶 1 (1) − 𝐶 2 (1) − 𝐶 4 (1) = 0, 𝐶 2 (1) − 𝐶 3 (1) = 0, donc 𝐸 1 (𝐴) =

Vect{𝑉1, 𝑉2 } avec 𝑉1 = 𝑡 (1 −1 0 −1) et 𝑉2 = 𝑡 (0 1 −1 0). Pour les va.p. 0 et −1, elles
sont de multiplicités 1, donc leurs sous-espaces propres sont de dimensions 1. Il suffit
donc de donner un vecteur directeur pour chacun.
3 2 2 0
2 2 1 1®
© ª
𝐴= avec 𝐶 2 (0) − 𝐶 3 (0) − 𝐶 4 (0) = 0
−6 −5 −4 −1®
®
«−2 −1 −1 0¬
donc 𝐸 0 (𝐴) = Vect{𝑉3 } avec 𝑉3 = 𝑡 (0 1 −1 −1).
4 2 2 0
2 3 1 1®
© ª
𝐴 + 𝐼4 = avec 𝐶 1 (−1) − 2𝐶 3 (−1) = 0
−6 −5 −3 −1®
®
«−2 −1 −1 1¬
Donc 𝐸 −1 (𝐴) = Vect{𝑉4 } avec 𝑉4 = 𝑡 (1 0 −2 0)
3.5.4 On suppose que « 𝐴 admet seulement deux valeurs propres 𝜆 et 𝜇 et

que le polynôme (𝑋 − 𝜆)(𝑋 − 𝜇) annule 𝑢 ».
n.b. cas qui est fréquent pour des matrices de petite taille, 2 ou 3.

remarques pratiques 3.5 (suite)
Alors Ker(𝐴 − 𝜇𝐼𝑛 ) = Im(𝐴 − 𝜆 id𝐸 )

On peut donc faire d’une pièrre deux coups : en observant 𝐴 − 𝜆𝐼𝑛 on peut
donner une base de chacun des deux espaces 𝐸𝜆 (𝐴) = Ker(𝐴 − 𝜆𝐼𝑛 ) et
𝐸 𝜇 (𝐴) = Im(𝐴 − 𝜆𝐼𝑛 ).
6 2 0
exemple Avec la matrice 𝐴 = 2 3 0 . Clairement 2 est une va.p. (car 𝐴𝐸 3 = 2𝐸 3 ).
−10 −5 2
4 2 0
𝐴 − 2𝐼 3 = 2 1 0®
© ª
«−10 −5 0¬
on voit que rg(𝐴 − 2𝐼 3 ) = 1 donc 2 est une va.p. de multiplicité au moins 2. Si on note 𝜆
l’autre va.p. de 𝐴 alors 4 + 𝜆 = Tr(𝐴) = 11 et donc 𝜆 = 7. Par suite
0 1
𝐸 2 (𝐴) = Vect{𝑉1, 𝑉2 } 𝑉1 = 0® , 𝑉2 = −2®
© ª © ª
avec
«1¬ «0¬
2
𝐸 7 (𝐴) = Im(𝐴 − 2𝐼 3 ) = Vect{𝑉3 } 𝑉3 = 1 ®
© ª
avec
«−5¬
IV
Endomorphismes et matrices diagonalisables
IV.1 Endomorphismes diagonalisables
Dans toute la suite de ce chapitre, 𝐸 sera supposé de dimension finie qu’on

notera 𝑑.
Définition 3.7
Soit un endomorphisme de 𝐸. On dit que 𝑢 est diagonalisable si et seulement

si 𝐸 est la somme (directe) des sous-espaces propres de 𝑢 :
M
𝐸= 𝐸𝜆 (𝑢)
𝜆 ∈Sp(𝑢)

Proposition 3.19
Soit 𝐸 un endomorphisme de 𝐸. On note 𝜆1, 𝜆2, . . . , 𝜆𝑝 les valeurs propres de

𝑢 et 𝛼 1, 𝛼 2, . . . , 𝛼 𝑝 leurs multiplicités respectives.
Les assertions suivantes sont équivalentes
1 𝑢 est diagonalisable.
𝑝
dim 𝐸𝜆𝑘 (𝑢) = dim 𝐸
P
2
𝑘=1
3 Il existe au moins une base de 𝐸 formée de vecteurs propres de 𝑢.
4 Il existe au moins une base de 𝐸 dans laquelle la matrice de 𝑢 est diagonale
d’où l’expression “diagonalisable”.
5 𝜒𝑢 est scindé et pour tout 𝑘 ∈ [[1, 𝑝]], dim 𝐸𝜆𝑘 (𝑢) = 𝛼𝑘 .

6 𝜒𝑢 est scindé et pour tout 𝑘 ∈ [[1, 𝑝]], 𝐸𝜆𝑘 (𝑢) = 𝑁𝜆𝑘 (𝑢) .
7 𝜒𝑢 est scindé et pour tout 𝑘 ∈ [[1, 𝑝]], Ker(𝑢 − 𝜆𝑘 id𝐸 ) 2 = Ker(𝑢 − 𝜆𝑘 id𝐸 ).
8 𝜒𝑢 est scindé et pour tout 𝑘 ∈ [[1, 𝑝]], rg(𝑢 − 𝜆𝑘 id𝐸 ) 2 = rg(𝑢 − 𝜆𝑘 id𝐸 ).
résultat important
Vocabulaire
1 Si 𝑢 est diagonalisable, toute base de 𝐸 formée de vecteurs propres de

𝑢 est dite une base de diagonalisation de 𝑢.
2 Dans la pratique, diagonaliser un endomorphisme 𝑢, c’est chercher
une base de diagonalisation de 𝑢.
Proposition 3.20
Un endomorphisme 𝑢 de 𝐸 qui admet 𝑑 valeurs propres deux à deux dis-

tinctes (𝑑 = dim 𝐸) est diagonalisable et ses sous-espaces propres sont tous de
dimension 1.
Remarque 3.6
Attention ! à l’erreur très fréquente de dire qu’un endomorphisme diago-

nalisable de 𝐸 admet 𝑑 valeurs propres distinctes (𝑑 = dim 𝐸).
par exemple Une homothétie de 𝐸 est diagonalisable et elle admet une seule valeur
propre quelque soit la dimension de 𝐸.

Théorème 3.21
Soit 𝑢 un endomorphisme de 𝐸. 𝑢 est diagonalisable si et seulement s’il admet

au moins un polynôme annulateur scindé et à racines simples.
résultat important
Corollaire 3.22
Soit 𝑢 un endomorphisme de 𝐸. 𝑢 est diagonalisable si et seulement si son
polynôme minimal 𝜋𝑢 est scindé à racines simples. Autrement dit 𝑢 est diago-
nalisable si et seulement si
Y
𝜋𝑢 = (𝑋 − 𝜆)
𝜆 ∈Sp(𝑢)
Proposition 3.23
Soit 𝑢 un endomorphisme de 𝐸 qu’on suppose diagonalisable. Alors tout

endomorphisme induit par 𝑢 sur un sous-espace stable par 𝑢 est aussi diago-
nalisable
Remarques 3.7
Soit 𝑢 ∈ L(𝐸). On suppose que 𝜒𝑢 est scindé sur K et on note 𝜆1, 𝜆2, · · · , 𝜆𝑟
ses racines distinctes. Soit
𝑟
Y 𝜒𝑢
𝑃= (𝑋 − 𝜆𝑘 ) =
𝑘=1 𝜒𝑢 ∧ 𝜒𝑢0
3.7.1 𝑢 induit un endomorphisme diagonalisable sur Ker 𝑃 (𝑢). C’est le plus
grand sev de 𝐸 qui vérifie cette propriété.
3.7.2 𝑃 (𝑢) est un endomorphisme nilpotent de 𝐸.
Exemples 3.5 (Exemples d’étude théorique de diagonalisabilité)
3.5.1 Toute projection et toute symétrie de 𝐸 est diagonalisable.

3.5.2 Un endomorphisme nilpotent n’est diagonalisable que s’il est nul. En
général, un endomorphisme 𝑢 qui admet une seule va.p. 𝜆 est diagonalisable
si et seulement si 𝑢 = 𝜆 id𝐸 .
3.5.3 Si dim 𝐸 > 1, un endomorphisme 𝑢 de 𝐸 de rang 1 est diagonalisable
si et seulement si Tr(𝑢) ≠ 0.
n.b. 𝑢 est donc soit diagonalisable, soit nilpotent.
3.5.4 Soit 𝑢 un endomorphisme cyclique de 𝐸. Alors 𝑢 est diagonalisable si

et seulement si 𝑢 admet 𝑑 valeurs propres deux à deux distinctes.

IV.2 Matrices diagonalisables

Définition 3.9
Soit une matrice carrée 𝐴 ∈ M𝑑 (K). On dit que 𝐴 est diagonalisable si et

seulement si elle semblable à une matrice diagonale.
Remarque 3.8
Soit une matrice carrée 𝐴 ∈ M𝑑 (K). Alors 𝐴 est diagonalisable si et Seule-

ment si l’endomorphisme canoniquement associé à 𝐴 est diagonalisable.
En particulier toutes les caractérisations données dans la proposition 3.19
peuvent être adaptées à une matrice carrée. On en retiendra surtout celles
énoncées dans la proposition suivante.
Proposition 3.24
Soit 𝐴 ∈ M𝑛 (K). Les assertions suivantes sont équivalentes

1 𝐴 est diagonalisable sur K ;
2 𝜒𝐴 est scindé et pour tout 𝜆 ∈ SpK (𝐴), dim 𝐸𝜆 (𝐴) = 𝛼 (𝜆) ;
3 𝐴 admet au moins un polynôme annulateur scindé à racines simples ;
Remarques 3.9
Quelques particularité des matrices :

3.9.1 Si une matrice carré est diagonalisable alors par transitivité toute
matrice semblable est diagonalisable.
3.9.2 Une matrice carré 𝐴 est diagonalisable si et seulement si sa transposée
𝑡𝐴 est diagonalisable.
Exemples 3.6
3.6.1 En reprenant la matrice 𝐴 de l’exemple 3.4

3 2 2 0
© ª
2 2 1 1 ®®
𝐴=

®
−6 −5 −4 −1 ®
®
« −2 −1 −1 0 ¬
réduction On a déterminé que les va.p. de 𝐴 et leurs multiplicités sont : (1, 2), (0, 1)


et (−1, 1) et que 𝐸 1 (𝐴) = Vect 𝑉1, 𝑉2 , 𝐸 0 (𝐴) = Vect 𝑉3 et 𝐸 −1 (𝐴) = Vect 𝑉4 avec
1 0 0 1
−1® 1® 1® 0®
© ª © ª © ª © ª
𝑉1 = ® , 𝑉2 = ® , 𝑉3 = ® , 𝑉4 = ®
0® −1® −1® −2®
−1
« ¬ 0
« ¬ −1
« ¬ «0¬
𝐴 est donc diagonalisable et on a 𝐴 = 𝑃𝐷𝑃 −1 avec
1 0 0 0 1 0 0 1
0 1 0 0® −1 1 1 0®
© ª © ª
𝐷= et
0 0 0 0® 0 −1 −1 −2®
® ®
«0 0 0 −1¬ «−1 0 −1 0¬
3.6.2 On considère la matrice
0 0 1 1
0 0 1 1®
© ª
𝐴=
1 1 0 0®
®
«1 1 0 0¬
reduction Clairement 𝐴 est de rang 2 donc 0 est une valeur propre de 𝐴 de multipli-
cité au moins 2. D’autre part en posant 𝑉 = 𝑡 (1 1 1 1) alors 𝐴𝑉 = 2𝑉 et donc 2 est une
va.p. de 𝐴.
Le polynôme 𝑋 2 (𝑋 − 2) divise 𝜒𝐴 et deg 𝜒𝐴 = 4 donc 𝜒𝐴 est scindé. Soit 𝜆 la va.p.
restante, alors 2 × 0 + 2 + 𝜆 = Tr 𝐴 = 0 et par suite 𝜆 = −2.
Déjà on constate (sans calculs) que dim 𝐸 0 (𝐴) + dim 𝐸 2 (𝐴) + dim 𝐸 −2 (𝐴) > 4 donc
forcément 𝐴 est diagonalisable avec dim 𝐸 0 (𝐴) = 2 et dim 𝐸 2 (𝐴) = dim 𝐸 −2 (𝐴) = 1.
𝐶 1 (0) −𝐶 2 (0) = 0 et 𝐶 3 (0) −𝐶 4 (0) = 0 donc 𝐸 0 (𝐴) = Vect{𝑈 1, 𝑈 2 } avec 𝑈 1 = 𝑡 (1 −1 0 0)
et 𝑈 2 = (0 0 1 −1).
𝐸 2 (𝐴) = Vect 𝑈 3 avec 𝑈 2 = (1 1 1 1).
2011
Ensuite 𝐴 + 2𝐼 4 = 02 1 1 donc 𝐶 1 (−2) + 𝐶 2 (−2) − 𝐶 3 (−2) − 𝐶 4 (−2) = 0 et donc
1120
1102
𝐸 −2 = Vect{𝑈 4 } avec 𝑈 4 = (1 1 −1 −1). Alors
0 0 0 0 1 0 1 1
0 0 0 0® −1 0 1 1®
© ª © ª
−1
𝐴 = 𝑃𝐷𝑃 avec 𝐷= 𝑃 =
0 0 2 0® 0 1 1 −1®
® ®
«0 0 0 −2¬ «0 −1 1 −1¬
3.6.3 Considérons la matrice carrée d’ordre 𝑑 > 2
1 1 ··· 1
1 1 · · · 1®
© ª
𝑈 = .. .. .. ®®
. . .®
« 1 1 · · · 1 ¬
réduction rg 𝑈 = 1 donc 𝑈 est non inversible et donc 0 est une valeur propre de 𝑈 .
De plus dim 𝐸 0 (𝑈 ) = dim Ker 𝑈 = 𝑑 − 1 donc 0 est une valeur propre de multiplicité au

moins 𝑑 − 1 de 𝑈 . 𝐸 0 (𝑈 )est l’hyperplan de M𝑑1 (K) d’équation 𝑥 1 + 𝑥 2 + · · · + 𝑥𝑑 = 0

ou encore 𝐸 0 (𝑈 ) = Vect 𝑉2, 𝑉3, . . . , 𝑉𝑑 avec
1 1 1
©−1ª ©0ª ©0ª
® ® ®
𝑉2 = 0 ®® , 𝑉3 = −1®® , . . . , 𝑉𝑑 = 0 ®®
® ® ®
.
. ® .
. ® .. ®
. ® . ® . ®
«0¬ «0¬ «−1¬
On remarque en outre que si 𝑉1 = 𝑡 (1 1 · · · 1) alors 𝑈𝑉1 = 𝑑𝑉1 donc 𝑑 est une va. p de
𝑈 qui ne peut avoir que 1 comme multiplicité et de ce fait : 𝐸𝑑 (𝑈 ) = Vect{𝑉1 } .
Alors 𝑈 = 𝑃𝐷𝑃 −1 avec
1 1 1 ··· 1
𝑑 ©1 −1 0 · · · 0 ª
©
0 ª
®

1 0 −1
®
®
𝐷 = .. ®
® et 𝑃 =
.
®
®
. ® . .. ®
. . ®
0¬
«
« 1 0 0 · · · −1¬
n.b. Après coup on en déduit que 𝜋𝑈 = 𝑋 (𝑋 − 1) et 𝜒𝑈 = 𝑋 𝑑−1 (𝑋 − 𝑑)
3.6.4 Diagonalisabilté d’une matrice compagne
Considérons la matrice transposée de la matrice compagne 𝐶𝑃 du polynôme
𝑃 = 𝑋 𝑑 + 𝑎𝑑−1𝑋 𝑑−1 + · · · + 𝑎 1𝑋 + 𝑎 0
0 1 0 ··· 0
0 0 1 ··· 0 ®
© ª
𝐴 = 𝑡𝐶𝑃 = ...
.. .. ®
. . ®
®
0 0 1 ®
®
«−𝑎 0 −𝑎 1 · · · · · · −𝑎𝑑−1 ¬
réduction De fait 𝜒𝐴 (𝑋 ) = 𝑃 (𝑋 ).
Soit 𝜆 une racine de 𝑃, et donc une va. p. de 𝐴. pour tout 𝑋 = 𝑡 (𝑥 1 𝑥 2 · · · 𝑥𝑑 )


 −𝜆𝑥 1 + 𝑥 2 = 0

−𝜆𝑥 2 + 𝑥 3 = 0






 ..
𝐴𝑋 = 𝜆𝑋 ⇐⇒ .


 −𝜆𝑥𝑑−1 + 𝑥𝑑 = 0




 −𝑎 0𝑥 1 − 𝑎 1𝑥 2 + · · · + −𝑎𝑑−2𝑥𝑑−1 − (𝜆 + 𝑎𝑑−1 )𝑥𝑑 = 0



 𝑥 2 = 𝜆𝑥 1
𝑥 2 = 𝜆𝑥 1

 
 
𝑥 3 = 𝜆 2𝑥 1

 

  2
 𝑥3 = 𝜆 𝑥1

 



 

⇐⇒ .. ⇐⇒ (𝑃 (𝜆) = 0)
 .  ..

 
 .
 𝑑−1 

 𝑥𝑑 = 𝜆 𝑥 1 



 𝑥𝑑 = 𝜆𝑑−1𝑥 1

𝑃 (𝜆)𝑥 = 0 
 1
Ce qui signifie que 𝐸𝜆 (𝐴) = Vect{𝑉𝜆 } avec 𝑉𝜆 = 𝑡 (1 𝜆 𝜆 2 · · · 𝜆𝑑−1 ).

Les sous-espaces propres de 𝐴 sont tous de dimension 1. Donc 𝐴 est diagonalisable si
et seulement si elle admet 𝑑 valeurs propre distinctes. Ce qui équivaut à dire que 𝑃 est
scindé à racines simples. Dans ce cas 𝐴 = 𝑃𝐷𝑃 −1 avec
1 1 ··· 1
ª
© 𝜆
1 𝜆2 ··· 𝜆𝑑 ®
𝐷 = diag(𝜆1, 𝜆2, · · · , 𝜆𝑑 ) et 𝑃 = ..
®
.. .. ®
. . . ®®
𝑑−1
«𝜆1 𝜆𝑑−1
2 ··· 𝜆𝑑𝑑−1 ¬
où 𝜆1, 𝜆2, · · · , 𝜆𝑑 sont les valeurs propres de 𝐴.
IV.3 Exercices d’approfondissement

Exercice 3.8
Montrer que tout endomorphisme de 𝐸 ayant 𝑑 valeurs propres distinctes est
cyclique.
Exercice 3.9
On suppose que 𝐸 est un R-ev.
1 Montrer si 𝑢 est un endomorphisme qui n’admet pas de va.p. alors tous
les sev de 𝐸 stables par 𝑢 sont de dimension paire.
2 Donner un exemple d’endomorphisme 𝑢 de 𝐸 qui n’admet pas de valeurs
propre et tel que 𝑢 2 soit diagonalisable.
Exercice 3.10
1 Montrer que si 𝑢 est diagonalisable alors pour tout polynôme 𝑃, 𝑃 (𝑢) est
diagonalisable à travers la même base de diagonalisation.
2 On suppose que 𝑢 2 est diagonalisable. Montrer que 𝑢 est diagonalisable
si et seulement si Ker 𝑢 2 = Ker 𝑢.

Exercice 3.11 diagonalisation simultanée

Soient 𝑢 et 𝑣 deux endomorphismes de 𝐸
1 On suppose que 𝑢 ◦𝑣 = 𝑣 ◦𝑢 et que 𝑢 et 𝑣 sont tous les deux diagonalisables.
Montrer qu’il existe une base de 𝐸 formée de vecteurs propres communs de 𝑢
et de 𝑣 (on dit une base de diagonalisation commune).
Montrer que dans ce cas 𝑢 + 𝑣 et 𝑢 ◦ 𝑣 sont diagonalisables.
2 Donner un exemple où 𝑢 et 𝑣 sont diagonalisables mais pas 𝑢 + 𝑣, ni 𝑢 ◦ 𝑣.
Exercice 3.12
Montrer que si 𝑢 1 , 𝑢 2 ,. . . ,𝑢𝑝 sont des endomorphismes diagonalisables qui com-
mutent deux à deux alors ils admettent au moins une base de diagonalisation
commune.
Exercice 3.13 Commutant d’un endomorphisme diagonalisable

Soit 𝑢 un endomorphisme diagonalisable de 𝐸 de valeurs propres 𝜆1, 𝜆2, . . . , 𝜆𝑝
qui ont pour multiplicités respectives 𝛼 1, 𝛼 2, . . . , 𝛼 𝑝 .
1 Montrer qu’un endomorphisme 𝑣 de 𝐸 commute avec 𝑢 si et seulement
s’il laisse stables les sous-espaces propres de 𝑢.
Quand 𝑣 commute-t-il avec une projection 𝑝 de 𝐸, avec une symétrie 𝑠 de 𝐸 ?
2 En déduire que dim C(𝑢) = 𝑘=1 𝛼𝑘2 . Montrer que dim C(𝑢) > dim 𝐸.
P𝑝
3 Donner une cos pour que dim C(𝑢) = dim 𝐸.
Exercice 3.14 sous-espaces stables par un endomorphisme diagonalisable

On reprend les notations de l’exercice précédent.
1 Montrer qu’un sous-espace vectoriel 𝐹 de 𝐸 est stable par 𝑢 si et seulement
s’il est de la forme 𝐹 = 𝐹 1 ⊕ 𝐹 2 ⊕ · · · ⊕ 𝐹𝑝 , où pour tout 𝑘 ∈ [[1, 𝑝]], 𝐹𝑘 est un
sous-espace vectoriel de 𝐸𝜆𝑘 (𝑢).
𝑝
dim 𝐹 ∩ 𝐸𝜆𝑘 (𝑢)
P
2 Montrer que cela équivaut à dim 𝐹 =
𝑘=1
Exercice 3.15
Un endomorphisme 𝑢 de 𝐸 est dit semi-simple s’il vérifie la propriété suivante
Tout sous-espace de 𝐸 stable par 𝑢 admet au moins un sup-
plémentaire dans 𝐸 stable par 𝑢.
1 Montrer que 𝑢 est diagonalisable si et seulement s’il est semi-simple et

𝜒𝑢 est scindé.
2 Montrer que 𝑢 est semi-simple si et seulement si 𝜋𝑢 est un produit de
polynômes irréductibles deux à deux distincts. Donner une cns qui utilise 𝜒𝑢 .
V
Endomorphismes et matrices trigonalisables
Définition 3.10
1 Un endomorphisme 𝑢 de 𝐸 est dit trigonalisable s’il existe au moins une

base de 𝐸 dans laquelle la matrice de 𝑢 est triangulaire supérieure.
vocabulaire Une telle base est alors dite une base de trigonalisation de 𝑢.
2 Une matrice carrée 𝐴 ∈ M𝑑 (K) est dite trigonalisable si elle est semblable
à une matrice triangulaire.
Remarques 3.10
3.10.1 Si 𝑢 est trigonalisable, une base (𝑒 1, 𝑒 2, · · · , 𝑒𝑑 ) de 𝐸 est une base de

trigonalisation de 𝐸 si et seulement si

∀𝑘 ∈ [[1, 𝑑]] , 𝑢 (𝑒𝑘 ) ∈ Vect 𝑒 1, 𝑒𝑒 , · · · , 𝑒𝑘
3.10.2 Une matrice 𝐴 est trigonalisable si et seulement si l’endomorphisme
qui lui est canoniquement associé est trigonalisable.
3.10.3 Si un endomorphisme (ou une matrice carrée) est trigonalisable
alors son polynôme caractéristique est scindé. Le théorème 3.16 montre la
réciproque. Le théorème suivant reprend ces résultats.
Théorème 3.25
1 Un endomorphisme 𝑢 de 𝐸 est trigonalisable si et seulement si 𝜒𝑢 est

scindé sur K. Dans ce cas, si 𝜆1, . . . , 𝜆𝑟 sont les valeurs propres de 𝑢 et 𝛼 1, . . . , 𝛼𝑟
leurs multiplicités respectives. Alors il existe une base B de 𝐸 dans laquelle

la matrice de 𝑢 est de la forme

𝑇
© 1 ª

𝑇2 ®
®
.. ®

. ®
®
« 𝑇𝑟 ¬
et dont tous les coefficients diagonaux sont égaux à 𝜆𝑘 .
2 Une matrice carrée 𝐴 ∈ M𝑑 (K) est trigonalisable dans M𝑑 (K) si et
seulement si 𝜒𝐴 est scindé sur K. Dans ce cas il existe une matrice inversible
𝑃 telle que
𝑇
© 1 ª
𝑇 2
®
𝑃 −1𝐴𝑃 =
®
.. ®

. ®
®
« 𝑇𝑟 ¬
et dont tous les coefficients diagonaux sont égaux à 𝜆𝑘 , où 𝜆1 , 𝜆2 ,. . . , 𝜆𝑟 sont
les va.p. de 𝐴 et 𝛼 1 , 𝛼 2 , . . . , 𝛼𝑟 leurs multiplicités respectives.
résultat important
Exemples 3.7
3.7.1 On considère la matrice

−3 −2 3 2
0 1 1 −2 ®
© ª
𝐴=
−4 −2 4 2 ®
®
« −1 0 2 −1 ¬
réduction Après calcul, 𝜒𝐴 = 𝑋 (𝑋 − 1) 2 (𝑋 + 1). 𝜒𝐴 est scindé sur R donc 𝐴 est
trigonalisable dans M𝑛 (R).
0 et −1 sont des va.p. simples de 𝐴 donc les se.p. associés sont des droites.
𝐸 0 (𝐴) = Vect{𝑉1 } avec 𝑉1 = 𝑡 (1 1 1 1)
𝐸 −1 (𝐴) = Vect{𝑉2 } avec 𝑉2 = 𝑡 (0 1 0 1)
Par contre, après calcul, dim 𝐸 1 (𝐴) = 1 alors que 1 est une va.p. double de 𝐴. Donc 𝐴
n’est pas diagonalisable.
𝐸 1 (𝐴) = Vect{𝑉3 } avec 𝑉3 = 𝑡 (2 0 2 1)

Selon le théorème précédent, 𝐴 est semblable à une matrice de la forme

0 0 0 0
0 −1 0 0 ®
© ª
0 0 1 𝛼 ®
®
«0 0 0 1 ¬
où 𝛼 est un scalaire non nul qui reste à déterminer.
Le système linéaire 𝐴𝑋 = 𝛼𝑉3 + 𝑋 a pour solutions les vecteurs
−𝛼 + 2𝑡
© ª
𝛼 ®
2𝑡 ®
®
« 𝑡 ¬
où 𝑡 est un scalaire quelconque. Avec 𝛼 = 1 et 𝑡 = 0 on obtient le vecteur 𝑉4 = 𝑡 (−1 1 0 0).
Alors 𝐴 = 𝑃𝑇 𝑃 −1 avec
0 0 0 0 1 0 2 −1
0 −1 0 0® 1 1 0 1 ®
© ª © ª
𝑇 = ® et 𝑃 =
0 0 1 1 ® 1 0 2 0 ®
®
«0 0 0 1 ¬ «1 1 1 0 ¬
3.7.2 On considère cette fois la matrice d’ordre 3
4 −15 3
𝐴 = 1 −4 1®
© ª
«2 −10 3¬
réduction Après calcul 𝜒𝐴 = (𝑋 − 1) 3 et
𝐸 1 (𝐴) = Vect{𝑉1, 𝑉2 } avec 𝑉1 = 𝑡 (1 0 −1) 𝑉2 = 𝑡 (5 1 0)
1 est une va.p. de 𝐴 de multiplicité 3 et dim 𝐸 1 (𝐴) = 2 donc 𝐴 n’est pas diagonalisable.
Une base de trigonalisation comportera deux ve.p. donc 𝐴 est semblable à une matrice
de la forme
1 0 𝛼
0 1 𝛽 ®
© ª
«0 0 1 ¬
où 𝛼 et 𝛽 sont des scalaires qu’on pourra choisir sous condition et qui de toute façon
ne devraient pas être tous les deux nuls.
Le système linéaire 𝐴𝑋 = 𝛼𝑉1 + 𝛽𝑉2 + 𝑋 qui traduit la condition que doit remplir 𝑉3
s’écrit
 3𝑥 − 15𝑦 + 3𝑧 = 𝛼 + 5𝛽 𝑥 − 5𝑦 + 𝑧 = 𝛽

 


 

𝑥 − 5𝑦 + 𝑧 = 𝛽 ⇐⇒ 0 = 𝛼 + 2𝛽
 
 2𝑥 − 10𝑦 + 2𝑧 = −𝛼
  0 = 𝛼 + 2𝛽

 
système qui n’est compatible que lorsque 𝛼 + 2𝛽 = 0. Avec 𝛼 = −2 et 𝛽 = 1, on peut
voir que le vecteur 𝑉3 = 𝑡 (1 0 0) est une solution de notre système. 𝑉3 vérifie ainsi
𝐴𝑉3 = −2𝑉1 + 𝑉2 + 𝑉3 . Alors
1 0 −2 1 5 1
𝐴 = 𝑃𝑇 𝑃 −1 avec 𝑇 = 0 1 1 ® 𝑃 = 0 1 0®
© ª © ª
«0 0 1 ¬ «−1 0 0¬

n.b. la condition 𝛼 + 2𝛽 = 0 assure en fait que le vecteur 𝛼𝑉1 + 𝛽𝑉2 = (𝐴 − 𝐼 3 )𝑋 est

bien dans
Im(𝐴 − 𝐼 3 ), sachant que Im(𝐴 − 𝐼 3 ) est la droite engendrée par le vecteur
3, 1, 2 .
autre méthode 𝜒𝐴 (𝐴) = (𝐴 −𝐼 3 ) 3 = 0 donc la matrice 𝐴 −𝐼 3 est nilpotente. Le calcul
donne plus précisément
3 −15 3
𝐴 − 𝐼 3 = 1 −5 1® et (𝐴 − 𝐼 3 ) 2 = 0
© ª
«2 −10 2¬
𝑡
rg(𝐴 − 𝐼 3 ) = 1 et 𝑈 2 = (3 1 2) est un vecteur directeur de Im(𝐴 − 𝐼 3 ). Comme
(𝐴 − 𝐼 3 ) 2 = 0 alors Im(𝐴 − 𝐼 3 ) ⊂ Ker(𝐴 − 𝐼 3 ) et donc (sans calcul) 𝑈 2 est aussi un vecteur
de Ker(𝐴 − 𝐼 3 ). On le complète en une base de Ker(𝐴 − 𝐼 3 ) avec le vecteur (évident)
𝑈 1 = 𝑡 (1 0 − 1) et on ajoute le vecteur 𝑈 3 = 𝑡 (1 0 0) qui vérifie (𝐴 − 𝐼 3 )𝑈 3 = 𝑈 2 .
Résumons
𝐴𝑈 1 = 𝑈 1 𝐴𝑈 2 = 𝑈 2 𝐴𝑈 3 = 𝑈 2 + 𝑈 3
Ainsi
1 0 0 1 3 1
𝐴 = 𝑄𝑆𝑄 −1 𝑆 = 0 1 1® 𝑄=0 1 0®
© ª © ª
avec
«0 0 1¬ «−1 2 0¬
3.7.3 Trigonalisation d’une matrice compagne
Reprenons la transposée de la matrice compagne du polynôme unitaire
𝑃 = 𝑋 𝑝 + 𝑎𝑝−1𝑋 𝑝−1 + · · · + 𝑎 1𝑋 + 𝑎 0
0 1 0 ··· 0
© . . . . .. ª®
. .. .. ..
. . ®
𝐶 = ...
.. .. ®
. . 0 ®®
0 ··· ··· 0 1 ®®

«−𝑎 0 −𝑎 1 · · · −𝑎𝑝−2 −𝑎𝑝−1 ¬

rappel On a vu que 𝜒𝐶 = 𝑃 et que pour toute racine 𝜆 de 𝑃
1
© 𝜆 ª
®
𝐸𝜆 (𝐶) = Vect{𝑉𝜆 } avec 𝑉𝜆 = . ®®
.
. ®
𝑝−1
«𝜆 ¬
C’est ainsi que les sous-espaces propres de 𝐶 sont tous de dimension 1. On en a déduit
que 𝐶 est diagonalisable si et seulement si 𝑃 est scindé à racines simples.
Maintenant, saurez-vous la trigonaliser si 𝑃 est scindé sans être à racines simples ?
trigonalisation Nous allons travailler avec des matrices à coefficients dans le corps


des fractions K(𝑋 ) de telle sorte que si on pose 𝑉 (𝑋 ) = 𝑡 1 𝑋 ··· 𝑋 𝑝−1 on ait
0
© . ª
. ®
(𝑋 𝐼𝑝 − 𝐶)𝑉 (𝑋 ) = . ®® (1)
0 ®
«𝑃 (𝑋 ) ¬
Maintenant en définissant la dérivée de 𝐴(𝑋 ) = (𝐴𝑖,𝑗 (𝑋 ))𝑖,𝑗 ∈ M𝑝 (K(𝑋 )) par
𝐴 0 (𝑋 ) := (𝐴𝑖,𝑗
0
(𝑋 ))𝑖,𝑗
On peut démontrer que pour 𝐴(𝑋 ) ∈ M𝑝 (K(𝑋 )) et 𝐵(𝑋 ) ∈ M𝑝 (K(𝑋 ))
(𝐴𝐵) 0 (𝑋 ) = 𝐴 0 (𝑋 )𝐵(𝑋 ) + 𝐴(𝑋 )𝐵 0 (𝑋 )
et par extension, cette bonne vieille formule de Leibniz
𝑟 𝑟
(𝐴𝐵) (𝑟 ) (𝑋 ) = 𝐴 (𝑘) (𝑋 )𝐵 (𝑟 −𝑘) (𝑋 )
X
𝑘=0
𝑘
0
Si on applique cette formule à (1) on obtient © .. ª
(𝑋 𝐼𝑝 − 𝐶)𝑉 (𝑟 ) (𝑋 ) + 𝑟𝑉 (𝑟 −1) (𝑋 ) =
®
. ®
0 ®
®
(𝑟 )
«𝑃 (𝑋 ) ¬
stay tuned...
Si maintenant 𝜆 est une valeur propre de multiplicité 𝛼 de 𝐶 alors
𝑃 (𝜆) = 𝑃 0 (𝜆) = · · · = 𝑃 (𝛼−1) (𝜆) = 0
et donc pour tout 𝑘 ∈ [[1, 𝛼 − 1]]
(𝐶 − 𝜆𝐼𝑝 )𝑉 (𝑘) (𝜆) − 𝑘𝑉 (𝑘−1) (𝜆) = 0
En posant 𝑊0 = 𝑉 (𝜆) et ensuite pour tout 𝑘 ∈ [[1, 𝛼 − 1]]
0
© .. ª
®

. ®
®

0 ®
® eme

1 ←−
® 𝑘
® coefficient
1 .
.
®
𝑊𝑘 = 𝑉 (𝑘) (𝜆) = .
®
®
𝑘! 𝑗 ®
𝑗−𝑘 ®
𝜆 ®
𝑘 ®

.. ®
®
. ®
𝑝 − 1 𝑝−1−𝑘 ®
®
𝜆
« 𝑘 ¬
on obtient les précieuses relations
∀𝑘 ∈ [[1, 𝛼 − 1]] , (𝐶 − 𝜆𝐼𝑝 )𝑊𝑘 − 𝑊𝑘−1 = 0 (2)
auxquelles on peut quand même préférer
∀𝑘 ∈ [[1, 𝛼 − 1]] , 𝐶𝑊𝑘 = 𝑊𝑘−1 + 𝜆𝑊𝑘 (3)

almost done...
Notons que les relations (2) impliquent que
𝑊𝛼−𝑘−1 = (𝐶 − 𝜆𝐼𝑝 )𝑘𝑊𝛼−1, ∀𝑘 ∈ [[0, 𝛼 − 1]]
en particulier 𝑊0 = (𝐶 − 𝜆𝐼𝑝 )𝛼−1𝑊𝛼−1 et donc
(𝐶 − 𝜆𝐼𝑝 )𝛼 𝑊𝛼−1 = 0
C’est ainsi que la famille
W𝜆 = (𝑊0,𝑊1, . . . ,𝑊𝛼−1 )

= (𝐶 − 𝜆)𝛼−1𝑊𝛼−1, (𝐶 − 𝜆)𝛼−2𝑊𝛼−1, · · · ,𝑊𝛼−1
est une famille libre de vecteurs du sous-espace 𝑁𝜆 (𝐶) qui est de dimension 𝛼. W𝜆 en
est donc une base. La matrice dans W𝜆 de l’endomorphisme induit par 𝐶 sur 𝑁𝜆 (𝐶) est
selon les relations (3)
𝜆 1
© ª
.. ®

𝜆 . ®
®

. ®
. . 1®
®
« 𝜆¬
Voilà il ne reste plus qu’à empaqueter ces morceaux de choix dans de belles grosses
matrices et d’emprunter le fameux passage. Et surtout de ne jamais sous-estimer les
(super)pouvoirs de l’indéterminée dans la matrice.
Remarques pratiques 3.11 (Trigonalisation par jordanisation)
Trigonaliser une matrice peut être un travail fastidieux et la forme réduite

donnée dans le théorème 3.25 n’est pas assez précise pour aider à une
réduction efficace. Elle peut être suffisante pour des matrices avec 1 ou 2 voir
3 comme multiplicités des va.p. mais devient vite compliquée à mettre en
forme pour des matrices avec des multiplicités plus grandes.
3.11.1 Réduite de Jordan d’une matrice nilpotente
Soit 𝐴 une matrice nilpotente. Tous ce que le théorème 3.25 affirme c’est
que 𝐴 est semblable à une matrice triangulaire stricte. On peut démontrer le

remarques pratiques 3.11 (trigonalisation par jordanisation) (suite)
résultat plus précis suivant :

𝐴 est semblable à une matrice diagonale par blocs sous la forme
𝐽𝑑1
© 𝐽𝑑2 ª
𝑁 = ..
® (𝑁 )
. ®
« 𝐽𝑑𝑠 ¬
Les coefficients de 𝑁 d’indice (𝑖, 𝑖 + 1) valent 1 ou 0, tous
les autres coefficients sont nuls.
où 𝐽1 = (0) et pour tout 𝑘 > 2,
0 1 0 ···
0
© .. ª®
..
0 0 1
.
.®
0® ∈ M𝑘 (K)
. . . ®
𝐽𝑘 = .. .. .. ®
. .. ®
.. 1®® .

«0 · · · · · · · · ·
0¬
𝐽𝑘 est dite une cellule de Jordan. 𝐽𝑘 est une matrice nilpotente d’indice 𝑘.
n.b. Montrer que 𝐴 est semblable à 𝑁 revient à déterminer des vecteurs 𝑉1, 𝑉2, . . . , 𝑉𝑠
de M𝑑,1 (K) tels que (𝐴𝑑1 −1𝑉1, . . . , 𝐴𝑉1, 𝑉1, . . . , 𝐴𝑑𝑠 −1𝑉𝑠 , . . . , 𝐴𝑉𝑠 , 𝑉𝑠 ) soit une base de
M𝑑,1 (K).
Ce résultat étant acquis, il reste dans la pratique à déterminer le nombre 𝑠

de blocs 𝐽𝑑𝑘 et la liste des tailles 𝑑 1, 𝑑 2, · · · , 𝑑𝑠 . Données qui déterminent en
fait la classe de similitude de la matrice 𝐴.
1 𝑠 = dim Ker 𝐴 = rg 𝐴0 − rg 𝐴1 .
2 rg(𝐴𝑘−1 ) − rg(𝐴𝑘 ) = Card{𝑖 ∈ [[1, 𝑠]] / 𝑑𝑖 > 𝑘 }, ce qui permet de
retrouver la distribution des tailles 𝑑𝑖 .
par exemple Si pour une matrice nilpotente d’ordre 6 la liste des rang des
matrices 𝐴𝑘 est (6, 3, 1, 0) alors 𝑁 comporte 3 = 6 − 3 cellules de Jordan,
2 = 3 − 1 de taille > 2, 1 = 1 − 0 de taille > 3. Soit un cellule de taille 3, une de
taille 2 et une troisième de taille 1.
3.11.2 réduite de Jordan d’une matrice trigonalisable
On suppose que 𝜒𝐴 est scindé sur K et on pose
Y 𝑟
𝜒𝐴 = (𝑋 − 𝜆𝑘 ) 𝛼𝑘
𝑘=1

Alors
𝐴 est semblable à une matrice de la forme
𝜆1 𝐼𝛼 1 +𝑁 1
© 𝜆2 𝐼𝛼 2 +𝑁 2 ª
𝑇 = ..
®
®
.
« 𝜆𝑟 𝐼 𝛼 𝑟 +𝑁 𝑟 ¬
où pour tout 𝑘, 𝑁𝑘 est de la forme (𝑁 ) ci-dessus
La matrice 𝑇 est dite une réduite de Jordan de 𝐴.
3.11.3 Réduction d’une matrice nilpotente
Considérons l’exemple suivant
0 −1 2 −2 −1 0 −1 1 −1 0
0 0 0 0 0® 0 0 0 0 0®
© ª © ª
2
𝐴 = 0 1 0 0 0® 𝐴 = 0 0 0 0 0® 𝐴3 = 0
® ®
0 1 0 0 0® 0 0 0 0 0®
® ®
«0 1 −1 1 0¬ «0 0 0 0 0¬
𝐴 est nilpotente d’indice 3.
réduction rg 𝐴 = 3 donc dim Ker 𝐴 = 2 et donc la réduite de Jordan 𝑁 de 𝐴 comporte
2 cellules. Ensuite rg 𝐴2 = 1 donc rg 𝐴 − rg 𝐴2 = 2 et donc 𝑁 comporte 2 cellules de
taille > 2. rg 𝐴2 − rg 𝐴3 = 1 donc 𝑁 comporte 1 cellule de taille > 3. Alors 𝑁 contient
une cellule d’ordre 2 et un cellule d’ordre
3. 𝐴 est donc
semblable à la matrice
𝑁 = 𝐽3 0(0) 𝐽 0(0)
2
On devrait donc chercher une base V = (𝑉1, 𝑉2, 𝑉3, 𝑉4, 𝑉5 ) telle que
𝐴𝑉1 = 0, 𝐴𝑉2 = 𝑉1, 𝐴𝑉3 = 𝑉2, 𝐴𝑉4 = 0, 𝐴𝑉5 = 𝑉4
ou enocre
(
𝑉2 = 𝐴𝑉3, 𝑉1 = 𝐴2𝑉3 avec 𝐴3𝑉3 = 0
𝑉4 = 𝐴𝑉5 avec 𝐴2𝑉5 = 0
Tout repose donc sur le choix des vecteurs 𝑉3 et 𝑉5 , les autres vecteurs s’en déduisant,
moyennant la contrainte que 𝐹 1 = Vect{𝑉3, 𝐴𝑉3, 𝐴2𝑉3 } et 𝐹 2 = Vect{𝑉5, 𝐴𝑉5 } soient
supplémentaires dans M5,1 (R).
𝐴 étant nilpotente d’indice 3, il suffit de choisir un vecteur 𝑉3 tel que 𝐴2𝑉3 ≠ 0. L’un
des vecteurs de la base canonique de M5,1 (R) conviendra, car 𝐴2 n’annule pas l’un de
ces vecteurs au moins. Cela facilite d’autant plus le calcul des vecteurs 𝑉1 = 𝐴2𝑉3 et
𝑉2 = 𝐴𝑉3 car ils seront des colonnes des matrices 𝐴2 et 𝐴.
0 −1 −1
1 ® 0® 0®
© ª © ª © ª
𝑉3 = 0® 𝑉2 = 1 ® 𝑉1 = 0 ®
® ® ®
0 ® 1® 0®
® ® ®
«0 ¬ «1¬ «0¬

Maintenant il s’agit de prendre un vecteur 𝑉5 tel que 𝐴2𝑉5 = 0 et 𝐴𝑉5 ≠ 0 en s’as-

surant que 𝐹 1 et 𝐹 2 soient supplémentaire. Il y a un moyen a qui permet de garan-
tir cette dernière condition mais sa mise en place sort du cadre de ce document.
Nous allons juste proposer un vecteur de Ker 𝐴2 rKer 𝐴 et tester ensuite si la famille
(𝐴2𝑉3, 𝐴𝑉3, 𝑉3, 𝐴𝑉5, 𝑉5 ) est libre. Essayons avec le vecteur 𝑉5 = 𝑡 (0 1 1 0 0) qu’on devine
en observant les colonnes de 𝐴2 et de 𝐴.
0 1
1® 0®
© ª © ª
𝑉5 = 1® 𝑉4 = 𝐴𝑉5 = 1®
® ®
0® 1®
® ®
«0¬ «0¬
L’épreuve du feu maintenant

−1 −1 0 1 0

0 0 1 0 1

detB (𝑉1, 𝑉2, 𝑉3, 𝑉4, 𝑉5 ) = 0 1 0 1 1 = 1 Bingo !
0 1 0 1 0

0 1 0 0 0
Résumons b :
𝐴 = 𝑃𝑁 𝑃 −1 avec
0 1 0 0 0 −1 −1 0 1 0
0 0 1 0 0 0 0 1 0 1®
© ª © ª
®
𝑁 = 0 0 0 0 0 ® et 𝑃 = 0 1 0 1 1®
® ®
0 0 0 0 1 0 1 0 1 0®
® ®
®
« 0 0 0 0 0 ¬ «0 1 0 0 0¬
a. Voir devoir libre sur la réduction de Jordan

b. C’est long ? Pas vraiment, essayez de le faire sans aucune démarche précise
V.1 Exercices d’approfondissement
Exercice 3.16 Trigonalisation simultanée

Montrer que deux endomorphismes trigonalisables de 𝐸 qui commutent ad-
mettent une base de trigonalisation commune.

Exercice 3.17 Décomposition de Dünford

Soit 𝐴 une matrice trigonalisable de M𝑛 (K).
1 Montrer l’existence de deux matrices 𝐷 et 𝑁 telles que


 𝐷 est diagonalisable et 𝑁 est nilpotente


𝐴=𝐷 +𝑁

𝐷𝑁 = 𝑁 𝐷


2 Montrer que cette décomposition est unique (elle est dite décomposition
de Dünford de 𝐴).
3 Décomposer les matrices
1 1 0 0 0 1 −1 0
0 2 1 0® 1 −2 0 3®
© ª © ª
𝐴= ® , 𝐵=
0 0 3 1® 2 0 2 −1®
®
«0 0 0 4¬ «1 −1 0 2¬
4 Calculer les puissances de la matrice 𝐵.

Reduction

Transféré par

Informations du document

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

Reduction

Transféré par

Droits d'auteur :

Formats disponibles

CPGE MY Youssef

1 Introduction à la réduction des endomorphismes 6

2 Utilisation des polynômes en algèbre linéaire 19

3 Réduction d’un endomorphisme 32

3 Théorème de Cayley-Hamilton et conséquences . . . . . . 40

Liste des résultats remarquables

1.2 Exercice : réunion de sev . . . . . . . . . . . . . . . . . . . . . . . 9

Classe MP* page 3 / 63 CPGE MY Youssef

3.4 Exemples pratiques : la procédure standard de calcul des éléments

Classe MP* page 4 / 63 CPGE MY Youssef

Tout au long de cette section, 𝐸 désignera un K-e.v. K étant un corps quel-

I.1 Définitions et propriétés

Soient 𝐹 1, · · · , 𝐹𝑝 des sev de 𝐸.

1.1.3 Sous-espaces vectoriels supplémentaires

𝐹 1, 𝐹 2, . . . , 𝐹𝑝 étant des sev de 𝐸, on introduit l’application

1.1.4 𝐹 1, . . . , 𝐹𝑝 sont supplémentaires si et seulement si Φ est bijective.

𝐹 1, 𝐹 2, . . . , 𝐹𝑝 sont supplémentaires dans 𝐸 si et seulement si

Classe MP* page 6 / 63 CPGE MY Youssef

Moins spécifiquement, la somme 𝐹 1 + . . . + 𝐹𝑝 est directe si et seulement

I.2 Cas de sous-espaces de dimensions finies

Soient 𝐹 1, · · · , 𝐹𝑝 des sev de dimensions finies de 𝐸.

On suppose que 𝐸 est de dimension finie et on considère des sev 𝐹 1, · · · , 𝐹𝑝 de

I.3 Famille de projections associée à une décomposition de 𝐸 en

Soit 𝐹 1, 𝐹 2, . . . , 𝐹𝑟 des sev de 𝐸 supplémentaires dans 𝐸. Pour tout 𝑥 ∈ 𝐸, il

Classe MP* page 7 / 63 CPGE MY Youssef

Avec les notation de la définition précédente

I.4 Exercices d’approfondissements

Exercice 1.2 réunion de sev

Classe MP* page 8 / 63 CPGE MY Youssef

1 Montrer que si 𝐹 1 ∪ · · · ∪ 𝐹𝑝 est un sev de 𝐸 alors l’un au moins des sevs

Classe MP* page 9 / 63 CPGE MY Youssef

II.1 Les opérations par blocs

1.2.1 Addition par blocs

où 𝑛 1 + 𝑛 2 + · · · + 𝑛𝑟 = 𝑛, 𝑝 1 + 𝑝 2 + · · · + 𝑝𝑠 = 𝑝. Alors : 𝐴 + 𝐵 est obtenue par

1.2.3 Déterminant d’une matrice triangulaire par blocs

Classe MP* page 10 / 63 CPGE MY Youssef

où 𝐴𝑖,𝑗 ∈ M𝑛𝑖 ,𝑛 𝑗 (K), avec 𝑛 1 + 𝑛 2 + · · · + 𝑛𝑟 = 𝑛. Alors :

1.1.1 Commençons par une justification utilisant cette technique de l’ex-

Classe MP* page 11 / 63 CPGE MY Youssef

exemples 1.1 (suite)

En développant 𝑛 − 𝑝 fois selon la dernière colonne, on obtient

et 𝑝 fois selon la première colonne

Ainsi det(𝑀) = det(𝐴) det(𝐶).

Classe MP* page 12 / 63 CPGE MY Youssef

II.2 Exercices d’approfondissement

Exercice 1.8 factorisation de Schur

III.1 Définition et propriétés

Soit 𝑢 ∈ L(𝐸) et soit 𝐹 un sous-espace de 𝐸. On dit que 𝐹 est stable par 𝑢 ou

Classe MP* page 13 / 63 CPGE MY Youssef

1.3.1 Il faut faire la différence entre la restriction 𝑢 |𝐹 de 𝑢 sur 𝐹 qui n’exige

Exemples 1.2 (de sous-espaces stables)

Soit 𝑢 ∈ L(𝐸) alors,

Soient 𝑢, 𝑣 ∈ L(𝐸). Si 𝑣 commute avec 𝑢 alors Ker 𝑣 et Im 𝑣 sont stables par 𝑢.

1.8.1 Une intersection de sous-espaces 𝑢-stables est un sous-espace 𝑢-stable.

Classe MP* page 14 / 63 CPGE MY Youssef

III.2 Interprétations matricielles de la stabilité

Dans la suite de cette section on suppose que 𝐸 est de dimension finie 𝑛 ∈ N∗ .

Soit 𝐹 un sev de 𝐸. Une base B = (𝑒 1, . . . , 𝑒𝑛 ) de 𝐸 est dite adaptée à 𝐹 si

On suppose que 𝐸 est de dimension finie 𝑛. Soit 𝑢 ∈ L(𝐸) et soit 𝐹 un

Soient 𝐸 1, 𝐸 2, · · · , 𝐸𝑝 des sous espaces de 𝐸. On suppose que 𝐸 1, 𝐸 2, · · · , 𝐸𝑝

Classe MP* page 15 / 63 CPGE MY Youssef

Soient 𝑢 ∈ L(𝐸) et B = (𝑒 1, 𝑒 2, . . . , 𝑒𝑛 ) une base de 𝐸.

III.3 Exercices d’approfondissement

Classe MP* page 16 / 63 CPGE MY Youssef