Licence Sciences Mathématiques

Algèbre 4

Pr. Fayçal LAMRINI

Université Sidi Mohammed Benabdallah, Faculté des sciences Dhar El Mehraz

Automne 2015
Contents

1 La stabilité des sous-espaces vectoriels 3

1.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 En dimension …nie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

2 Polynômes d’endomorphismes 5
2.1 Rappels sur les algèbres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Action de K [X] sur les K-algèbres . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3 Décomposition des noyaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

3 Diagonalisation 9
3.1 Cas des endomorphismes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.2 Cas des matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.3 Le polynôme caractéristique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.4 La matrice compagon d’un polynôme unitaire . . . . . . . . . . . . . . . . . . . . 13

4 Trigonalisation 15
4.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.2 Endomorphismes Nilpotents . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.2.1 Les noyaux itérés d’un endomorphisme nilpotent . . . . . . . . . . . . . . 18
4.2.2 Matrices de Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.3 Théorème de Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

5 Applications 22
5.1 Les puissances d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . . . . . . 22
5.2 L’exponentielle d’une matrice carrée . . . . . . . . . . . . . . . . . . . . . . . . . 23
5.3 Résolution d’un système homogène d’équations di¤érentielle du premier ordre . . 24
5.4 Les suites récurrentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
5.4.1 Cas de plusieurs suites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
5.4.2 Cas d’une suite récurrente d’ordre supérieur . . . . . . . . . . . . . . . . . 25

1
 Préface
Les notes qui suivent sont celles du cours du module Algèbre 4, de la licence Sciences Math-
ématiques, nouvelle version, que je dispense à la faculté des Sciences Dhar El Mehraz, durant le
semestre d’automne. Le module Algèbre 4 vient remplacer le module Algèbre 3 de l’ancienne ver-
sion de ladite licence qui était beaucoup plus éto¤é car s’e¤ectuait en plus de temps qu’Algèbre
4. L’ancien cours débordait le théorème de Jordan, pour traiter la décomposition de Dunford
et la réduction de Frobenius.
L’objet de ce cours est de présenter les techniques calculatoires qui permettent de représenter
matriciellement, de la plus simple des manières, les endomorphismes des espaces vectoriels de
dimension …nie. Ou encore de trouver les élements les plus simples, ceux comportant le maximum
de composantes nulles, dans les classes de similitude des matrices carrées. Ce travail permet
de simpli…er le calcul des puissances des matrices carrées, de leur exponentielle, de résoudre
des systèmes di¤érentiels du premier ordre, de déterminer les suites, scalaires ou vetorielles,
récurrentes d’ordre supérieur.

2
Chapter 1

La stabilité des sous-espaces

vectoriels

1.1 Généralités
Dé…nition 1 Soient E un ensemble non vide et f : E ! E une application. Une partie A de
E est dite stable par f (ou f -stable) si f (A) A

Exmple 1 .

1. Pour la fonction sinus, sin : R ! R; f0g est sin-stable, f g n’est pas sin-stable, l’intervalle
[0; 3] n’est pas sin-stable.

2. Pour toute application f : E ! E, ? et E sont toujours des parties f -stables de E:

Proposition 1 Si E est un espace vectoriel et f est un endomorphisme de E; alors pour toute

partie A de E; vect (A) est f -stable si et seulement si f (A) vect (A)

Exmple 2 Pour l’application f : (x; y) ! (y; x) de R2 ! R2 ; le sous espace vectoriel F =

vect (!
e 1 = (1; 0)) n’est pas f -stable

Proposition 2 Soient f et g deux endomorphismes d’un espace vectoriel E: Si f et g commutent

alors Im f et ker f sont g-stables, et vice versa.

Conséquence: si f est un endomorphisme d’un espace vcetoriel E, alors 8n; m 2 N; f n et

fm commutent, donc Im f n et ker f n sont f m -stables

1.2 En dimension …nie

Dé…nition 2 Soient E un espace vectoriel de dimension …nie n 2 N et B = (e1 ; :::; en ) une
base de E

1. Si F est un sous espace de E de dimension p 2 N ; on dit que B est adaptée à F si

(e1 ; :::; ep ) est une base de F:

3
 m
M m
[
2. Si E = Fi : On dit que B est adaptée à la somme directe des Fi si B = Bi où chaque
i=1 i=1
Bi est une base de Fi :

Exemples 1 .

1. Si E = R2 ; F = f(x; 0) ; x 2 Rg est un sous espace vectoriel de E: La base canonique de

E est adaptée à F: Cependant, la base (u; v) où u = (1; 1) et v = (1; 1) n’est pas adaptée
à F:

2. Si E = R3 ; F = f(x; y; 0) ; x; y 2 Rg est un sous espace vectoriel de E: La base canonique

de E est adaptée à F: Cependant, la base (u; v; w) où u = (1; 0; 0) et v = (0; 1; 1) et
w = (0; 1; 1) n’est pas adaptée à F:

Proposition 3 Soient E un K-espace vectoriel de dimension …nie n 2 N :

1. Si F est un sous espace de E de dimension p 2 N f -stable, alors dans toute base B de

E adaptée à F; la matrice de f est triangulaire par blocs, i.e. elle est de la forme:

A B
MB (f ) = 2 Mn (K)
0 C

où A = Mp (K) ; B 2 Mp;n p (K) et C 2 Mn p (K) :

m
M m
[
2. Si E = Fi ; tel que pour tout i Fi est f -stable, alors dans toute base B = Bi de E
i=1 i=1
adaptée à la somme directe, la matrice de f est diagonale par blocs:
0 1
M1 0 0
B .. .. .. C
B 0 . . . C
MB (f ) = BB .. .. ..
C
C
@ . . . 0 A
0 0 Mm

où pour tout i; Mi = MBi fjFi est la matrice dans Bi de la restriction de f à Fi :

m
Y
Conséquence: sous les hypothèses de la proposition ci-dessus, det (f ) = det fjFi :
i=1

4
Chapter 2

Polynômes d’endomorphismes

2.1 Rappels sur les algèbres

Dé…nition 3 Soit K un corps commutatif. Un ensemble non vide A est une K-algèbre (com-
mutative) si

1. A est un K-espace vectoriel

2. A est un anneau (commutatif )

3. 8x; y 2 A; 8 2 K; : (xy) = ( :x) y = x ( :y)

Exemples 2 .

1. L’ensemble K [X] des polynômes à une indéterminée et à cœ¢ cients dans K; est une K-
algèbre commutative

2. Si E est un K-espace vectoriel, l’ensemble L (E) des endomorphismes de E est une K-

algèbre, non commutative pour n 2

3. Si n 2 N ; l’ensemble Mn (K) des matrices carrées d’ordre n est une K-algèbre, non
commutative pour n 2

4. R3 muni du produit vectoriel, est une R-algèbre, non commutative

Dé…nition 4 Les idéaux d’une algèbre sont ses idéaux en tant qu’anneau. Une algèbre A est
dite principale si l’anneau A est principal

Proposition 4 .

1. Z est un anneau principal

2. K [X] est une algèbre principale

Conséquence:

1. Si I est un idéal non nul de Z; il existe un entier naturel non nul unique n tel que I = nZ;
l’ensemble des multiples de n:

5
 2. Si I est un idéal non nul de K [X] ; il existe un polynôme unitaire unique m tel que
I = hmi ; l’ensemble des multiples de m:
3. Si P 2 K [X] n f0g ; alors K [X] = hP i est un K-espace vectoriel de dimension égale au degré
de P

2.2 Action de K [X] sur les K-algèbres

Proposition 5 Si A est une K-algèbre, alors K [X] opère à gauche sur A de la manière suivante:
K [X] A ! A
(P; a) ! P (a)
n
X n
X
de telle sorte que si a 2 A et P = k k
k X ; alors P (a) = ka 2 A car c’est une combi-
k=0 k=0
naison linéaire de puissances de a qui sont aussi des éléments de A; avec la convention a0 = 1;
l’élément neutre de la multiplication de l’algèbre A:
Propriétés: 8P; Q 2 K [X] ; 8a 2 A; 8 2 K
1. (P + Q) (a) = P (a) + Q (a)
2. (P:Q) (a) = P (a) :Q (a)
3. (P Q) (a) = P (Q (a))
Exemples 3 L’action de K [X] s’e¤ ectue sur
1. K [X] ; via la composition des polynômes
K [X] K [X] ! K [X]
(P; Q) ! P Q
n
X
2. L (E) ; de la façon suivante si P = k
kX 2 K [X] et f 2 L (E) ; alors P:f = P (f ) =
k=0
n
X
k où f k = f
kf ::: f , k fois avec la convention f = idE :
k=0

K [X] L (E) ! ! L (E)

Xn Xn
P = ak X k ; f ! P (f ) = ak f k
k=0 k=0

n
X n
X
3. Mn (K) par: si P = k k
kX 2 K [X] et M 2 Mn (K) ; alors P:M = P (M ) = kM
k=0 k=0
, avec la convention M 0 = In :
K [X] M (K) ! ! M (K)
Xn n
X
P = k
ak X ; M ! P (f ) = ak M k
k=0 k=0

6
Dé…nition 5 Si f et g sont deux endomorphismes d’un K-espace vectoriel E; on dit que g est
un polynôme en f si 9P 2 K [X] tel que g = P (f ) :

Remarque 1 8P; Q 2 K [X] ; 8f 2 L (E) ; P (f ) et Q (f ) sont deux endomorphismes de E qui

commutent; donc Im P (f ) et ker P (f ) sont Q (f )-stables. en particulier, ker P (f ) et Im P (f )
sont f -stables.

Proposition 6 Soient A une K-algèbre et a 2 A:

1. L’application 'a : K [X] ! A; P ! P (a) est un homomorphisme de K-algèbre

2. Im 'a est une sous algèbre commutative de A; notée K [a]

3. ker 'a est un idéal de K [X] ; appelé l’idéal des polynômes annulateurs de a

Dé…nition 6 Si a 2 A où A est une K-algèbre, tel que ker 'a 6= 0; alors le générateur unitaire
ma de ker 'a est appelé le polynôme minimal de a:

Conséquence: Si ma est le polynôme minimal de a 2 A; alors

1. ma est un polynôme unitaire

2. ma (a) = 0

3. 8P 2 K [X] ; si P (a) = 0 alors ma divise P

Proposition 7 Soient A une K-algèbe et a 2 A; alors

a admet un polynôme minimal , K [a] est une K-algèbre de dimension …nie.

En particulier, si A est de dimension …nie, alors tout élément de A admet un polynôme minimal.

Par conséquent on a

Théorème 1 Si E est un K-espace vectoriel de dimension …nie, alors tout endomorphisme de

E admet un polynôme minimal

Exemples 4 .

1. Si f = 0; alors mf = X

2. Si f = idE ; midE = X 1

7
2.3 Décomposition des noyaux
Nous avons déjà vu que si E est un K-espace vectoriel de dimension …nie qui se décompose en
une somme directe de sous espaces vectoriels de E; tous f -stables où f est un endomorphisme
de E, alors la représentation matricielle de f dans une base de E adaptée à cette somme directe
est assez simple car diagonale par blocs. Nous allons voir dans ce qui suit comment parvenir à
cette situation.

Lemme 1 Soient E un K-espace vectoriel, f 2 L (E) ; P et Q 2 K [X] ; deux polyômes et

D = P ^ Q leur PGCD, alors : ker D (f ) = ker P (f ) \ ker Q (f ) :

On en déduit

Proposition 8 Soient E un K-espaceM vectoriel, f 2 L (E) ; P et Q 2 K [X] premiers entre eux,

alors ker (P Q) (f ) = ker P (f ) ker Q (f ) :

Généralisation

Proposition 9 Soient E un K-espace vectoriel, !f 2 L (E) ; P1 :::; Pn 2 K [X] n polynômes,

n
Y n
M
premiers entre eux deux à deux, alors ker Pk (f ) = ker Pk (f ) :
k=1 k=1

Commentaire: cette dernière formule montre que l’espace de gauche se décompose en

somme directe de sous espaces f -stables. Notre objectif est de montrer!qu’on peut trouver
Yn
des polynômes tels que dans la proposition de telle sorte que ker Pk (f ) couvre E tout
n
! k=1
Y
entier. Autrement dit Pk (f ) = 0: Or en dimension …nie nous avons déjà vu que tout
k=1
endomorphisme admet un polynôme annulateur. Ainsi on a

Théorème 2 Si E est un K-espace vectoriel de dimension …nie et f 2 L (E) ; alors E se

décompose en somme directe de sous espaces vectoriels de E; f -stables.

En e¤et, E est de dimension …nie, Ann (f ) 6= f0g ; donc 9P 2 K [X] n f0g tel que P (f ) = 0:
D’autre part, puisque l’anneau K [X] est factoriel, le polynôme P se factorise de la façon suivante,
Yn
P = Qnk k où les Qk sont des polynômes irréductibles unitaires distincts deux à deux. Donc
k=1
n
M
E = ker P (f ) = ker Qnk k (f ) :
k=1

8
Chapter 3

Diagonalisation

3.1 Cas des endomorphismes

Dans toute la suite K est un corps commutatif, R ou C et E est un K-espace vectoriel de
dimension …nie.
Objet du travail: étant donné un endomorphisme f de E; on se propose de trouver une base
B de E telle que la représentation matricielle de f dans B soit la plus simple possible. Or mise
à part les matrices scalaires, qui représentent les homothéties de E; y compris l’endomorphisme
nul, dans n’importe quelle base de E, les matrice carrées les plus simples sont les matrices
diagonales.
0 Ainsi
1si B = (e1 ; :::; en ) est une base de E telle que MB (f ) est diagonale de la forme
1
B .. C
@ . A, alors pour tout k, f (ek ) = k ek ; c’est-à-dire les vecteurs ek et f (ek ) sont
n
proportionnels. Etudions alors de tels vecteurs!

Vecteurs et valeurs propres

Dé…nition 7 Soit f un endomorphisme de E: On appelle

1. vecteur propre de E pour f; tout vecteur x non nul de E tel que le système fx; f (x)g
soit lié

2. valeur propre de f; tout scalaire tel que 9x 2 En f0g véri…ant f (x) = x

3. le spectre de f est l’ensemble des valeurs propres de f . Il est noté sp (f ) :

Exemples 5 :

1. Si f = idE ; alors 8x 2 E; f (x) = x; ainsi tout vecteur non nul de E est propre pour f et
sp (f ) = f1g

2. Si f = 0; alors alors 8x 2 E; f (x) = 0; ainsi tout vecteur non nul de E est propre pour f
et sp (f ) = f0g

3. Si f : R2 ! R2 ; (x; y) ! (x; 0) ; alors sp (f ) = f0; 1g ; de plus 8t 2 R ; (0; t) est un vecteur

propre pour f de valeur propre 0 et (t; 0) est un vecteur propre pour f de valeur propre 1.

9
 4. Soit 2 R: La rotation de R2 de centre 0 et d’angle est l’endomorphisme du plan
r : R ! R2 ; (x; y) ! (x cos
2 y sin ; x sin + y cos ) ; qu’on pourrait représenter plus
simplement en utilisant la représentation complexe, r : C ! C; z ! ei z: Un calcul
simple montre
n queo si est un multiple entier de ; i.e. 9k 2 Z tel que = k ; alors
sp (rk ) = ( 1)k ; sinon sp (r ) = ?:

Remarques 1 Soit f 2 L (E) ;

n!o
1. ker f 6= 0 , 0 2 sp (f )

2. Si x est un vecteur propre de f; alors 8t 2 K ; tx est l’aussi, c’est-à-dire que tous les
éléments non nuls de vect (x) sont aussi des vecteurs propre de f; on dira alors que
vect (x) est une direction propre de f:
n!o
3. Soit 2 K; alors 2 sp (f ) , ker (f :idE ) 6= 0 ; c’est-à-dire, est une valeur
propre de f si et seulement si l’application f :idE n’est pas injective.

Dé…nition 8 Soit f 2 L (E),

1. Si 2 sp (f ) ; alors E = fx 2 E; tq f (x) = xg = ker (f :idE ) est appelé le sous

espace de E propre pour f associé à :

2. f est dite diagonalisable si E admet une base formée de vecteurs propres pour f; on dira
aussi base de E propre pour f:

Remarque 2 Si E est dimension …nie et f 2 L (E) est diagonalisable, alors f se représente

dans une base propore par une matrice diagonale

Proposition 10 Soient f 2 L (E) et P 2 K [X]

1. 8 2 sp (f ) ; P ( ) 2 sp (P (f ))

2. Si P 2 Ann (f ) ; alors sp (f ) V (P ) = fracines de P g

Applications: Soit f 2 L (E) ;

1. Si f est un projecteur de E; i.e. f 2 = f; alors sp (f ) f0; 1g

2. Si f est une symétrie de E; i.e. f 2 = idE ; alors sp (f ) f 1; 1g

Proposition 11 Soit f 2 L (E) ;

1. 8 2 sp (f ) ; dim E 1
n!o
2. Soient ; 2 sp (f ) ; si 6= alors E \ E = 0

3. Si F est une famille de vecteurs propres pour f associés à des valeurs propres distinctes
deux à deux alors F est libre.

10
 Conséquences en dimension …nie. Soit f 2 L (E) ;

1. sp (f ) = f 2 K; det (f idE ) = 0g

2. Le cardinal de sp (f ) ; #sp (f ) dim E; c’est-à-dire que dans un espace vectoriel de di-

mension n; les endomorphismes de E ont au plus n valeurs propres.

3. Si sp (f ) = f 1 ; :::; pg alors

(a) la somme E1 + ::: + Ep est directe

Mp
(b) f est diagonalisable , E = Ek
k=1

Question: Etant donnés deux endomorhismes de E diagonalisables f et g; peut-on trouver

une base de E propre pour f et pour g simultanément? La réponse est non en général,
exemple: f la symétrie orthogonale de R2 d’axe la première bissectrice de R2 et g la symétrie
orthogonale de R2 d’axe horizontal. Cependant, on a le résultat suivant

Proposition 12 Soient E un espace vectoriel de dimension …nie, f et g deux endomorphismes

diagonalisables de E: Si f et g commutent alors f et g admettent une base propre commune.

Conséquence: Soient E un espace vectoriel de dimension …nie, f et g deux endomorphismes

diagonalisables qui commutent, alors f + g est diagonalisable.

3.2 Cas des matrices

Soient E un K-espace vectoriel de dimension n 2 N ; f 2 L (E) et B une base de E: Alors
si M = MB (f ) 2 Mn (K) est la matrice de f relativement à B et X = MB (x) 2 Mn;1 (K)
est celle de x; MB (f (x)) = MB (f ) :MB (x) = M:X: Donc l’équation f (x) = x se traduit
matriciellement par M:X = X:

Dé…nition 9 Soit M 2 Mn (K) : On dit que

1. 2 K est une valeur propre de M si 9X 2 Mn;1 (K) n f0g telle que M X = X

2. X 2 Mn;1 (K) est un vecteur propre de M si X 6= 0 et 9 2 K tel que M X = X:

3. Le spectre de M est l’ensemble sp (M ) des valeurs propres de M

4. M est dite diagonalisable si elle est semblable à une matrice diagonale.

Exemples 6 .

1. Soit 2 K; sp ( In ) = f g

1 2
2. Soit M = ; un calcul simple montre qu’en tant qu’élément de M2 (R) ; spR (M ) =
1 3
? et en tant qu’élément de M2 (C), spC (M ) = f2 + i; 2 ig :

11
 Conséquence: le spectre d’une matrice dépend du corps de base.

Proposition 13 .

1. Soit M 2 Mn (K) ; sp (M ) = f 2 K tels que det (M In ) = 0g

2. Deux matrices semblables ont le même spectre

3. 8M 2 Mn (K) ; sp t M = sp (M )

4. Si E est un K-espace vectoriel de dimension …nie, B est une base de E et f 2 L (E) ;

sp (f ) = sp (MB (f ))

3.3 Le polynôme caractéristique

Proposition 14 .

1. Soit M 2 Mn (K) : det (M XIn ) est un polyôme en X à cœ¢ cients dans K et de degré
n; appelé le polynôme caractéristique de M et est noté XM :

2. XM = ( 1)n X n + ( 1)n 1
tr (M ) X n 1 + ::: + det M; ainsi sp (M ) = fracines de XM g

Exmple 3 .

1 2
1. Pour M = ; XM = X 2 4X + 5
1 3
0 1
6 0 1
2. Pour M = @ 2 1 4 A, X M = X 3 + 10X 2 27X + 18
0 0 3

3. Pour M = 0 2 Mn (K) ; X0 = ( 1)n X n et pour M = In ; XIn = (1 X)n

Proposition 15 Le polynôme caractéristique est un invariant de similitude, i.e. deux matrices

semblables ont le même polynôme caractéristique,

Remarque 3 La réciproque est fausse.

Par conséquent on a

Dé…nition 10 Si E est un K-espace vectoriel de dimension …nie, B est une base de E et f 2

L (E) ;

1. le polynôme caractéristique de f est celui de sa matrice dans une base quelconque de

E

2. Pour tout 2 sp (f ) ; la multiplicité de la valeur propre de M est celle de dans XM :

Elle est notée mult ( ; f ) 2 N:

3. Si M 2 Mn (K) ; pour tout 2 sp (M ) ; la multiplicité de la valeur propre de M est celle

de dans XM : Elle est notée mult ( ; M ) 2 N:

12
 Par extension Si M 2 Mn (K) et 2 K; on posera mult ( ; M ) := mult ( ; XM ) : Ainsi si
2 K;
2 sp (M ) , mult ( ; M ) 6= 0
Proposition 16 Soient M 2 Mn (K) et 2 sp (M ) ; tels que m = mult ( ; M ) : Alors
1. 1 mult ( ; M ) n
2. 9!Q 2 K [X] tel que XM = (X )m Q et Q ( ) 6= 0:
Théorème 3 Soit E un K-espace vectoriel de dimension …nie et f 2 L (E) ; alors
1. 8 2 sp (f ) ; 1 dim E m = mult ( ; f )
Xf est scindé
2. f est diagonalisable ,
8 2 sp (f ) ; dim E = m
Remarques 2 .
1. Si le corps K est algébriquement clôs, (exp. C); tout polynôme à cœ¢ cients dans K étant
scindé, le théorème ci-dessus se simpli…e de la manière suivante:
f est diagonalisable , 8 2 sp (f ) ; dim E = m

2. Si Xf est séparable (i.e. scindé n’ayant que des racines simples) alors f est automatique-
ment diagonalisable

3.4 La matrice compagon d’un polynôme unitaire

On a vu que pour tout M 2 Mn (K) ; ( 1)n XM est un polynôme unitaire de degré n. Question:
Si P 2 Kn [X] est un polynôme unitaire de degré n, existe-t-il une matrice carrée d’ordre n dont
le polynôme caractéristique est ( 1)n P ? La réponse est oui, d’après le résultat suivant:
n
X1
Dé…nition 11 Si P = X n + ak X k est un polynôme unitaire de degré n 2 et à cœ¢ cients
k=0
dans K; on appelle
1. endomorphisme
8 compagnon de P; l’endomorphisme de Kn dé…ni dans la base canonique
< fP (ek ) = ek+1 pour 1 k n 1
>
n n
X1
de K par
>
: fP (en ) = ak ek+1
k=0

2. la matrice compagnon de P est la matrice représentant fP dans la base canonique, elle est
alors de la forme 0 1
0 0 0 a0
B C
B 1 0 . . . ... ..
. C
B C
B .. C
B 0 1 ... 0 . C
B C
B .. . . .. .. C
@ . . . 0 . A
0 0 1 an 1

13
 n
X1
Proposition 17 Si P = X n + ak X k est un polynôme unitaire de degré n, le polynôme
k=0
caractéristique de la matrice compagnon de P est ( 1)n P

Par ailleurs l’appliaction ' : Mn (K) ! Kn [X] ; M ! ( 1)n XM n’est ni ijective ni surjec-
tive, de plus Im ' est l’ensemble des polynômes unitaires

14
Chapter 4

Trigonalisation

4.1 Généralités
Dé…nition 12 .

1. Un endomorphisme f 2 L (E) est dit trigonalisable si l’espace vectoriel E contient une

base B telle la matrice MB (f ) soit triangulaire

2. Une matrice carrée M 2 Mn (K) est dite trigonalisable si elle est semblable à une matrice
triangulaire

1 1
Exmple 4 M = est triangulaire donc trigonalisable, mais n’est pas diagonalisable,
0 1
car XM = (X 1)2 ; 1 est une valeur propre unique de multiplicité 2, et E1 = vect (e1 ) où
e1 = (1; 0) ; donc dim E1 = 1 < mult (1) :

Théorème 4 .

1. Soit f 2 L (E) ; f est trigonalisable , Xf est scindé

2. M 2 Mn (K) ; M est trigonalisable , XM est scindé

Remarques 3 .

1. Si K est algébriquement clôs, tout endomorphisme d’un K-espace vectoriel est trigonalis-
able. De même, toute matrice de Mn (K) est trigonalisable

2. En particulier, toute matrice carrée à cœ¢ cients complexes est trigonalisable

3. L’objet de la suite de ce cours est de simpli…er le plus possible la partie signi…cative des
matrices triangulaires. Pour celà faisons l’observation suivante:

p
M
Si f 2 L (E) et E = Fk tel que les Fk sont tous f -stables, alors dans une base B = [Bk
k=1
adaptée à la somme directe, l’endomorphisme f se représente par une matrice diagonale par

15
 0 1
M1 0 0
B ..
.. .. C
B 0 .
. . C
B
blocs, MB (f ) = B . C où pour tout k; Mk = MB fjF est la matrice
. ...
. C k k
@ . .
. 0 A
0 0 Mp
dans Bk de la restriction de f à Fk : Ainsi la simpli…cation de la représentation de f passe par la
simpli…cation des Mk ; d’où la nécessité de chercher la meilleure décomposition de E en somme
directe de sous espaces f -stables, c’est-à-dire celle qui donne les plus simples Mk :

p
M
Proposition 18 Soit f 2 L (E) et E = Fk tels que les Fk sont tous f -stables. Pour tout k;
k=1
on pose fk = fjFk : Alors

1. 8k; fk 2 L (Fk ) :

2. f se représente dans toute base de E adaptée à la somme directe par une matrice diago-
nalisable par blocs
p
Y
3. Xf = Xfk
k=1
p
_
4. f = fk ; le ppcm des fk
k=1

Problème: Trouver une bonne décomposition de E en somme directe de sous

espaces f -stables
On a déjà vu que si P = Q1 :::Qp 2 K [X] tels que les Qk sont premiers entre eux deux à
p
M
deux, alors d’après le théorème des noyaux, ker P (f ) = ker Qk (f ) où les ker Qk (f ) sont
k=1
f -stables. D’autre part E étant de dimension …nie, donc Ann (f ) 6= f0g : Déjà la décomposition
du polynôme minimal de f nous donne une décomposition de E: cependant on a le théorème
suivant:

Théorème 5 Cayley-Hamilton.

1. Si E est un espace vectoriel de dimension …nie et f est un endomorphisme de E; alors le

polynôme caractéristique de f; Xf 2 Ann (f ) ; i.e Xf (f ) = 0

2. Si M 2 Mn (K) ; XM (M ) = 0; i.e. XM 2 Ann (M ) :

10
1 0 1
Exmple 5 Soit M = @ 2 3 2 A, le polynôme caractéristique de M est XM = X 3 2X 2 9;
5 0 2
alors XM (M ) = M 3 2M 2 9I3 = 0

16
 Conséquence:
p
Y
Proposition 19 Soit f 2 L (E) tel que Xf est scindé, i.e. Xf = ( k X)nk ; alors
k=1

p
M nk
1. E = ker (f k idE )
k=1
p
Y mk
2. Le polynôme minimal de f est f = (X k) où 8k; 1 mk nk
k=1
mk nk
3. 8k; ker (f k idE ) = ker (f k idE ) est un sous espace vectoriel de E; f -stable,
appelé le k-ième sous espace caractéristique de f et est noté Nk

4. 8k; dim Nk = nk

5. 8k; la restriction de f k idE à Nk est nilpotent d’indice nk

On en déduit

Théorème 6 Soit f 2 L (E) tel que Xf est scindé. L’endomorphisme f est diagonalisable si et
seulement si f est séparable.

Conséquences:

1. Si f 2 L (E) tel que #sp (f ) = dim E alors f est diagonalisable

2. Si 9P 2 K [X] ; séparable et tel que P (f ) = 0 alors f est diagonalisable

p
Y
Commentaire: En partant du fait que Xf est scindé, i.e. Xf = ( k X)nk ; donc
k=1
p
M nk
E = ker (f k idE ) ; alors dans une base de E adaptée à la somme directe, B = [Bk ;
k=1 0 1
M1 0 0
B .. .. .. C
B 0 . . . C
B
MB (f ) = B . C où pour tout k; Mk = MB fjN est la matrice dans Bk
. . . . . C k k
@ . . . 0 A
0 0 Mp
de la restriction de f à Nk : Or 8k; fk := fjNk = (f k idE )jNk + k idEjNk = k + k idNk ; où
k est un endomorphisme de N k nilpotent d’indice n k . Ainsi le problème de la simpli…cation de
la représentation matricielle des endomorphismes revient à celui des endorphismes nilpotents.

17
4.2 Endomorphismes Nilpotents
Dé…nition 13 .

1. Un endomorphisme de f d’un espace vectoriel E est dit nilpotent s’il existe k 2 N tel que
f k = 0; en particulier 8p k; f p = 0
2. Une matrice M 2 Mn (K) est dite nilpotente s’il existe k 2 N tel que M k = 0:

Remarques 4 :

1. Un endomorphisme nilpotent se représente dans n’importe quelle base par une matrice
nilpotente
2. Si f est nilpotent

(a) il existe k 2 N tel que X k 2 Ann (f ) : Puisque le polynôme minimal de f divise

X k ; donc 9!m 2 N tel que f = X m ; donc f m = 0 et f m 1 6= 0: m est l’indice de
nilpotence de f; i.e. m = min k 2 N tel que f k = 0
(b) Si f 6= 0; m 2

Lemme 2 Si f 2 L (E) n f0g est nilpotent d’indice m alors

1. 9x 2 E tel que la famille x; f (x) ; :::; f m 1 (x) est libre

2. f dim E = 0
3. sp (f ) = f0g
4. Xf = ( X)dim E

4.2.1 Les noyaux itérés d’un endomorphisme nilpotent

Dé…nition 14 Si f 2 L (E) est nilpotent d’indice m alors on considère les noyaux itérés suiv-
ants
Ki = f0g ; si i 0
i
Ki = ker f ; si i 1

Proposition 20 Si f 2 L (E) est nilpotent d’indice m alors

1. f0g = K0 K1 ::: Km = E
2. 8i 2 N; 8j 2 Z; f i (Kj ) Kj i

3. En notant di = dim Ki dim Ki 1 = dim Ki =Ki 1; on a

d1 ::: dm 1 et
m
X
di = dim E
i=1

Dé…nition 15 La suite (d1 ; :::; dm ) est appelée la suite caractéristique de f

18
4.2.2 Matrices de Jordan
Dé…nition 16 Soient n 2 N et 2 K: La matrice triangulaire supérieure d’ordre n,
0 1
1 0 0
B C
B 0 . . . . . . . . . ... C
B C
B C
Jn ( ) = B ... . . . . . . . . . 0 C
B C
B .. . . .. .. C
@ . . . . 1 A
0 0

est appelée la matrice de Jordan d’ordre n et de valeur propre

0 1
0 1 1 0 0
1 0 B 0
1 1 0 C
Exmple 6 J1 ( ) = ; J2 ( ) = ; J3 ( ) = @ 0 1 A ; J4 ( ) = B
@ 0 0
C
0 1 A
0 0
0 0 0

Remarques 5 :

1. Si Jn ( ) = (xi;j )i;j2Nn ; alors xi;j = i;j + i+1;j

2. La matrice Jn (0) est nilpotente d’indice n

3. Jn ( ) = In + Jn (0)

Pour la démonstration du théorème ci-dessous on a besoin du lemme et de la dé…nition

suivants:

Lemme 3 Soient g une endomorphisme d’un espace vectoriel E de dimension n 2 N et x 2 E

tels que g k (x) = 0 et g k 1 (x) 6= 0; alors

1. F = vect x; g (x) ; :::; g k 1 (x) est un sous espace vectoriel de E; f -stable et de dimension
k:

2. La restriction de g à F est représentée dans la base g k 1 (x) ; :::; x; par la matrice de

Jordan Jk (0) :

Dé…nition 17 Soient F E deux espaces vectoriels, L = fu1 ; :::; up g E: On dit que

1. la famille L est libre (resp. génératrice de E) modulo F si la famille L = fu1 ; :::; up g

d’éléments de E=F des classes d’équivalence modulo F est libre (resp. génératrice de
E=F ):

2. L est une base de E modulo F si L est une base de E=F:

Théorème 7 Soient E un K-espace vectoriel de dimension n 2 N et f un endomorphisme de

E; nilpotent d’indice m et de suite caractéristique (d1 ; :::; dm ) : Il existe une base B de E telle
que

19
 0 1
m 0 0
B .. .. C
B 0 . . C
1. MB (f ) = B
B ..
m 1
.. ..
C ; est une matrice diagonale par blocs
C
@ . . . 0 A
0 0 1
0 1
Jk (0)
B .. C
2. 8k 2 Nm ; k = @ . A ; une matrice diagonale par blocs contenant
Jk (0)
dk dk+1 blocs de Jordan identiques à Jk (0) :

Remarques 6 :

1. On convient que dm+1 = 0

2. Si pour un certain k, dk = dk+1 ; alors le bloc k est absent de la représentation matricielle
de f donnée en (1) du théorème.

Exemples 7 :

1. Si dim E = 5 et f est nilpotent d’indice 3 et de suite caractéristique (3; 1; 1) ; alors il existe

une base B de E telle que
3
MB (f ) =
1
0 1
0 1 0
B 0 0 1 C
J1 (0) 0 B C
où 3 = J3 (0) et 1 = = O2 : Donc MB (f ) = B
B 0 0 0 C
C
0 J1 (0) @ A
0
0
2. Si dim E = 5 et f est nilpotent d’indice 3 et de suite caractéristique (2; 2; 1) ; alors il existe
une base B de E telle que
3
MB (f ) =
2
0 1
0 1 0
B 0 0 1 C
B C
où 3 = J3 (0) et 2 = J2 (0) : Donc MB (f ) = B
B 0 0 0 C
C
@ 0 1 A
0 0

4.3 Théorème de Jordan

Théorème 8 (Jrodan) Soit E un espace vectoriel de dimension n 2 N et f un endomor-
p
Y
phisme de E de polynôme caractéristique Xf = ( k X)nk et de polynôme minimal f =
k=1
p
Y mk
(X k) ; alors il existe une base B de E telle que:
k=1

20
 0 1
M1
B .. C
1. MB (f ) = @ . A est diagonale par blocs
Mp
0 1
mk ( k)
B .. C
2. 8k 2 Np ; Mk = @ . A est diagonale par blocs de telle sorte que
1 ( k)
0 1
Ji ( k)
B .. C
8i 2 Nmk ; i ( k) =@ . A comportant dk;i dk;i+1 blocs de Jordan
Ji ( k )
où (dk;1 ; :::; dk ;mk ) est la suite caractéristique de l’endomorphisme nilpotent (f k )jNk
d’indice mk :

21
Chapter 5

Applications

5.1 Les puissances d’une matrice carrée

Soient A 2 Mn (K) et k 2 N; calculons Ak pour k 6= 0: (On rappelle ici la convention classique
A0 = In pour A 6= 0):

1. Si A est diagonale, c’est facile,

0 1 0 k
1
1 1
B .. C k B .. C
A=@ . A ; alors 8k 2 N; A = @ . A
k
n n

2. Si A est diagonalisable, 9P 2 GLn (K) ; A = P 1 P où est une matrice diagonale,

alors 8k 2 N; Ak = P 1 k P
p
Y p
Y
3. Si A est trigonalisable, i.e. XA est scindé. XA = ( k X)nk et f = (X k)
mk
:
k=1 k=1
Soit f l’endomorphisme de Kn représenté dans la base canonique par la matrice A: On va
calculer les puissances de f; donc de A; au moyens des projecteurs spectraux.
p
M
Dé…nition 18 L’espace E = Kn = Ni la décomposition de E sur les sous-espaces caractéris-
i=1
tiques Ni . Le i-ième projecteur spectral de E est la projection i de E sur Ni parallèlement
M p
à Nj
j=1
j6=i

Propriétés:
p
X
1. i = idE
i=1

2. 8i; j 2 Np ; i j = i;j i

22
 li
X
3. 8i 2 Np ; i est un polynôme en f (i:e: 9Pi = ak X k 2 K [X] ; tel que i = Pi (f ) =
k=0
li
X
ak f k )
k=0

f
Remarque 4 En fait le polynôme Pi ci-dessus est de la forme Qi Ri où Ri = (X i)
mi et
p
X
1 Qk
Q1 ; :::; Qp sont les seuls polynômes véri…ant d Qi < mi et = (X m :
k) k f
k=1
0 1
1 1 0
Exmple 7 Soit A = @ 0 1 0 A : calculons Ak pour k 2 N; en appliquant la méthode
0 0 2
des projecteurs spectraux. XA = (1 X)2 (2 X) ; donc A est soit (X 1) (X 2) soit
(X 1)2 (X 2) : Or (A I3 ) (A 2I3 ) 6= 0; donc A = (X 1)2 (X 2) et A n’est pas
1 1 X 1
diagonalisable. = 2 = 2 + X : Alors 1 = A (A 2I3 ) et
A (X 1) (X 2) (X 1) 2
2 = (A I3 )2 ; donc 8k 2 N; Ak = A (2I3 A)0 + k (2I3 1 A)0 2k (I3 A)2 : Ce
A (I3 A) +1
1 0 0 0 1 0
résultat peut être retrouvé en décomposant A = @ 0 1 0 A + @ 0 0 0 A ; sous la forme
0 0 2 0 0 0
de la somme d’une matrice diagonale et une matrice nilpotente.

Proposition 21 Avec les conventions ci-dessus on a, 8k 2 N;

X i ;mi
p min(kX 1)
k
f = Ckj ki j
i i (f i idE )
j

i=1 j=0

k!
où les Ckj = sont les cœ¢ cients binomiaux.
j! (k j)!

5.2 L’exponentielle d’une matrice carrée

Puisque l’exponentielle d’un nombre complexe est une limite donnée par:
1
X n
X
zk zk
8z 2 C; exp (z) = = lim
k! n!1 k!
k=0 k=0

dont le calcul exige l’existence de la notion de voisinage donc d’une topologie dans C; la topologie
euclidienne en locurence. On doit donc disposer d’une topologie sur Mn (K) si on veut dé…nir la
notion de l’exponentielle d’une matrice carrée. Comme dans le cas de C; on dé…nira sur Mn (K)
une topologie associée à une norme.

Dé…nition 19 Soit A une K-algèbre, (K est ici R ou C). Une norme d’algèbre sur A est une
norme qui véri…e en plus l’inégalité suivante: 8x; y 2 A

kx:yk kxk kyk

23
 Cas particulier qui nous intéresse: l’algèbre Mn (K) possède des normes d’algèbre.
n
X
Exemples 8 Si A = (ai;j ) 2 Mn (K) ; kAk = max jai;j j est une norme sur Mn (K) :
1 j n
i=1

De façon générale, nous considérons les normes de Mn (K) subordonnées aux normes de
i.e. celle dédinies par: 8A 2 Mn (K) ; kAk = max kA:xk
Kn ; kxk = max kA:xk : Une fois …xée une
kxk6=0 kxk=1
1
norme, on voit facilement que la série de terme général Ak est normalement convergente, donc
k!
convergente. On peut alors poser

Dé…nition 20 8A 2 Mn (K) ; l’exponentielle de A est la matrice carrée

1
X 1 k
exp (A) = A :
k!
k=0

Propriétés, 8A; B 2 Mn (K)

1. Si AB = BA alors exp A: exp B = exp B: exp A = exp (A + B)

2. exp t A = t exp (A)

3. exp A = exp (A); ici A est la matrice conjuguée de A si A 2 Mn (C) :

4. 8P 2 GLn (K) ; exp P 1 AP =P 1 exp (A) P

5. det (exp (A)) = exp (tr (A))

5.3 Résolution d’un système homogène d’équations di¤érentielle

du premier ordre
Rappel, si f est une fonction di¤érentiable, alors l’équation di¤érentielle f 0 = f admet comme
ensemble des solutions fk exp ( t) ; k 2 Rg : Si f1 ; :::; fn sont n fonctions. Quel est l’ensemble des
solutions du système? 8 0
< f1 = a11 f1 + ::: + a1n fn
(S)
: 0
fn = an1 f1 + ::: + ann fn
0 1
f1
B C
Solution: On considère le vecteur X = @ ... A : Le système di¤érentiel (S) est équivalent à
fn
0 1
a11 a1n
B .. C :
X 0 = AX où A = @ ... ..
. . A
an1 ann
L’ensemble des solutions est fexp (tA) B; B 2 Mn;1 (R)g

24
5.4 Les suites récurrentes
5.4.1 Cas de plusieurs suites
Soient (un )n et (vn )n deux suites numériques telles que 8n 2 N;

un+1 = aun + bvn

(Sn )
vn+1 = cun + dvn

Problème: Déterminer (un )n et (vn )n :

a b un
Le système (Sn ) est équivalent à Xn+1 = AXn où A = ; Xn = : Alors
c d vn
8n 2 N; Xn = An X0 : Le problème revient ainsi à déterminer les puissances de A:

Remarque 5 . Ce qui a été fait pour deux suites est aussi valable pour plusieurs suites

5.4.2 Cas d’une suite récurrente d’ordre supérieur

Si on doit déterminer une seule suite donnée de façon récurrente par exemple par un+30= aun+21+
un+3
bun+1 +cun ; on transforme la dernière identité en posant Xn+3 = AXn+2 où Xn+3 = @ un+2 A ;
un+1
0 1
a b c
et A = @ 1 0 0 A : Ainsi 8n 2; Xn = An X2 : Le problème une fois encore revient au calcul
0 1 0
de An :

25