Sorbonne Université Licence 2e année

Année 2021–2022 Module LU2MA123

2e semestre Algèbre linéaire et bilinéaire IIb

Feuille de TD n◦ 1

Diagonalisation et trigonalisation

Exercice 1 :
Dans R4 donner des exemples de sous-espaces vectoriels E, F de dimension 2 tels que E ̸= F et :
a) E + F ̸= R4 . Quelle est alors la dimension de E + F ?
b) E + F = R4 . Quelle est alors la dimension de E ∩ F ?
On donnera des exemples de tels sous-espaces définis par des équations linéaires, respectivement par
la donnée de bases.

Solution de l’exercice 1.
a) Si E ̸= F , alors E ∩ F est de dimension < min(dim E, dim F ) = 2, donc dim E ∩ F = 0 ou 1.
Dans le premier cas, E et F sont en somme directe, donc dim(E + F ) = dim E + dim F = 4 et il en
résulte E +F = R4 . Ainsi, pour avoir E +F ̸= R4 , il faut se placer dans le second cas, où dim E ∩F = 1.
Réciproquement, dans ce cas dim(E + F ) = dim E + dim F − dim E ∩ F = 3, donc nécessairement
E + F ̸= R4 . Il suffit donc que E et F soient deux plans tels que dim E ∩ F = 1 pour avoir un exemple
de la forme voulue.
Ceci démontre que pour deux plans distincts E et F de R4 ,

E + F ̸= R4 ⇐⇒ dim E ∩ F = 1 .

On peut donc prendre par exemple E = Vect(e1 , e2 ) et F = Vect(e2 , e3 ), soit encore, de façon équiva-
lente : E = {(x, y, z, t) ∈ R4 | z = t = 0} et F = {(x, y, z, t) ∈ R4 | x = t = 0}.
b) On a vu précédemment que pour deux plans distincts E et F de R4 , la condition E + F ̸= R4
était équivalente à dim E ∩ F = 1. Autrement dit, en prenant la contraposée, E + F = R4 équivaut
à dim E ∩ F ̸= 1. On sait en outre que dim E ∩ F ne peut prendre que deux valeurs, 0 et 1. On en
conclut que

E + F = R4 ⇐⇒ dim E ∩ F = 0

Ainsi, on peut prendre par exemple E = Vect(e1 , e2 ) et F = Vect(e3 , e4 ), soit encore, de façon équiva-
lente : E = {(x, y, z, t) ∈ R4 | z = t = 0}, F = {(x, y, z, t) ∈ R4 | x = y = 0}.

Exercice 2 :
Pour les matrices A ci-dessous, calculer le polynôme caractéristique, les valeurs propres, une base de
chaque sous-espace propre, puis justifier qu’elles sont diagonalisables sur R. Déterminer aussi le rang
et la dimension du noyau. Conclure en donnant une matrice de passage P et une matrice diagonale D
telles que P −1 AP = D, puis vérifier le résultat en calculant P −1 et en effectuant le produit matriciel
P −1 AP .
 
    0 0 0 0
4 −2 2 1 0 0  −2 −1 2 0 
(i) A =  −1 3 1  , (ii)  0 1 0 , (iii) A =   −1
.
0 1 0 
1 −1 5 1 −1 2
0 0 0 2

1
Solution de l’exercice 2.
Dans le premier et le troisième cas, la matrice est diagonalisable sur R car son polynôme caractéristique
est scindé sur R à racines simples (voir la solution détaillée ci-dessous). Dans cette situation particulière,
où A est d’ordre n avec n valeurs propres distinctes, elle admet n sous-espaces propres distincts et tous
sont nécessairement de dimension 1. Pour diagonaliser A, il suffit donc de trouver un vecteur propre xi
pour chacune des valeurs propres λi de A ; (xi ) est alors une base du sous-espace propre associé à λi et la
famille (x1 , . . . , xn ) est une base de Rn qui diagonalise A. En notant uA ∈ EndR (Rn ) l’endomorphisme
de multiplication par A, on a plus précisément que MatB (uA ) = Diag(λ1 , . . . , λn ).
Pour la seconde matrice, ce n’est pas aussi simple : elle admet une valeur propre double et il faudra
donc déterminer la dimension du sous-espace propre correspondant avant de pouvoir se prononcer sur
la diagonalisabilité de A.
On pose V = R3 dans (i) et (ii), V = R4 dans (iii) et dans chaque cas, pour toute valeur propre λ de
la matrice considérée, on note Vλ le sous-espace propre associé.
(i) On commence par rechercher les valeurs propres de A et leurs multiplicités. Pour cela, on calcule le
polynôme caractéristique PA (X) de A :

4−X −2 2 4−X −2 0
PA (X) = det(A − XI3 ) = −1 3−X 1 = −1 3−X 4−X ,
C3 →C3 +C2
1 −1 5−X 1 −1 4−X

puis, en factorisant par 4 − X dans la dernière colonne,

4−X −2 0 4−X −2 0
PA (X) = (4 − X) −1 3−X 1 = (4 − X) −2 4−X 0 .
L2 →L2 −L3
1 −1 1 1 −1 1

Finalement, en développant par rapport à la dernière colonne, il vient

4−X −2
= (4 − X) (4 − X)2 − 4 = (4 − X)(2 − X)(6 − X)


PA (X) = (4 − X)
−2 4−X

Ainsi, les valeurs propres sont 2, 4, 6 et toutes sont de multiplicité 1. En particulier, λ = 0 n’étant pas
valeur propre de A, on a Ker(A − 0 · I3 ) = {0}, i.e. le noyau de A est nul, donc A est de rang 3.
Ensuite, en raison des multiplicités particulières, toutes égales à 1, on sait que A est diagonalisable
et qu’elle se diagonalise « facilement »(cf. préambule) : il suffit de déterminer un vecteur propre pour
chaque valeur propre de A.
Après calcul, on trouve que x1 = e1 + e2 , x2 = e2 + e3 et x3 = e1 + e3 sont des vecteurs propres
associés à λ = 2, 4, 6 respectivement. Comme les sous-espaces propres sont de dimension 1, les familles
B1 = (x1 ), B2 = (x2 ) et B3 = (x3 ) sont des bases de V2 , V4 , V6 respectivement.
Finalement, A étant diagonalisable, R3 est la somme directe des trois sous-espaces propres, donc la
famille B = B1 ∪ B2 ∪ B3 = (x1 , x2 , x3 ) est une base de R3 . La matrice de passage de la base canonique
à B est    
1 0 1 1 1 −1
1
P =  1 1 0  , avec P −1 =  −1 1 1 .
2
0 1 1 1 −1 1
Finalement, par construction de P , on a la formule de diagonalisation P −1 AP = Diag(2, 4, 6). Pour

2
vérifier ceci, on calcule le produit matriciel
   
1 1 −1 4 −2 2 1 0 1
1
P −1 AP = −1 1 1   −1 3 1  1 1 0 
2
1 −1 1 1 −1 5 0 1 1
   
1 1 −1 2 0 6
1
= −1 1 1  · 2 4 0
2
1 −1 1 0 4 6
 
2 0 0
= 0 4 0  .
0 0 6

(ii) La matrice étant triangulaire, son polynôme caractéristique est det(A − XI3 ) = (1 − X)2 (2 − X).
Les valeurs propres de A sont donc 1, de multiplicité 2, et 2, de multiplicité 1. En particulier, λ = 0
n’est pas valeur propre de A, donc Ker(A) = {0} et A est de rang 3.
Ensuite, le sous-espace propre V1 associé à 1 est
    
0 0 0  x 
V1 = Ker(A − I3 ) = Ker  0 0 0  =  y  : x−y+z =0
1 −1 1 z
 
  
 x 
=  x + z  : x, z ∈ R
z
 
     
 1 0 
= x 1
  +z  1  : x, z ∈ R
0 1
 

= Vect(e1 + e2 , e2 + e3 ) .

On en conclut que la famille B1 = (e1 + e2 , e2 + e3 ) est une base de V1 .

Pour la seconde valeur propre λ = 2, on trouve après calcul que le sous-espace propre associé est
la droite engendrée par B2 = (e3 ). Ainsi, A est diagonalisable sur R : PA (X) est scindé sur R et
les multiplicités géométriques des deux valeurs propres sont égales aux dimensions des sous-espaces
propres associés.
Finalement, comme A est diagonalisable, R3 est la somme directe des sous-espaces propres V1 et V2 ,
donc B = B1 ∪ B2 = (e1 + e2 , e2 + e3 , e3 ) est une base de R3 . La matrice de passage de la base canonique
à B est    
1 0 0 1 0 0
P = 1 1 0 , avec P −1 =  −1 1 0 
0 1 1 1 −1 1
et la matrice de uA dans la base B est P −1 AP = Diag(1, 1, 2). On peut vérifier cette dernière assertion
en calculant le produit matriciel P −1 AP :
        
1 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0
P −1 AP =  −1 1 0 ·0 1 0·1 1 0 =  −1 1 0 ·1 1 0 = 0 1 0 .
1 −1 1 1 −1 2 0 1 1 1 −1 1 0 1 2 0 0 2

(iii) En développant par rapport à la dernière colonne, on obtient

−X 0 0 0
−X 0 0
−2 −1 − X 2 0
PA (X) = det(A − XI4 ) = = (2 − X) −2 −1 − X 2 ,
−1 0 1−X 0
−1 0 1−X
0 0 0 2−X

3
puis en développant par rapport à la seconde colonne, on trouve
−X 0
PA (X) = (2 − X)(−1 − X) = (2 − X)(−1 − X)(−X)(1 − X) .
−1 1 − X

Les valeurs propres sont donc 0, −1, 1, 2 et toutes sont de multiplicité 1, comme dans (i) ; il en résulte que
A est diagonalisable et que tous les sous-espaces propres sont de dimension 1. En particulier, Ker(A),
qui est le sous-espace propre associé à λ = 0, est de dimension 1, donc rg(A) = 4 − dim Ker(A) = 3.
On se tourne ensuite vers la diagonalisation de A, en recherchant une base de chaque sous-espace
propre. Après calcul, on trouve que

x1 = e1 + e3 , x2 = e2 , x3 = e 2 + e 3 , x4 = e4

sont des vecteurs propres associés respectivement à λ = 0, −1, 1, 2. Il en résulte que la famille B =
(x1 , . . . , x4 ) est une base de R4 . La matrice de passage de la base canonique à B est
   
1 0 0 0 1 0 0 0
 , avec P −1 =  1 1 −1 0 
 0 1 1 0   
P =  1 0 1 0   −1 0 1 0 
0 0 0 1 0 0 0 1

Enfin, par construction de la matrice P , on a nécessairement P −1 AP = Diag(0, −1, 1, 2). Pour conclure,
on vérifie ceci en calculant le produit matriciel P −1 AP :
     
1 0 0 0 0 0 0 0 0 0 0 0
 1 1 −1 0   0 −1 1 0   0 −1 0 0 
P −1 AP =   −1 0
· = .
1 0   0 0 1 0   0 0 1 0 
0 0 0 1 0 0 0 2 0 0 0 2


1 1 −1
Exercice 3 : Est-ce que la matrice A = 0 1 0  est diagonalisable sur R ? Sur C ?
1 0 1

Solution de l’exercice 3.
On calcule le polynôme caractéristique en développant selon la deuxième ligne
1−X 1 −1
1−X −1
PA (X) = 0 1−X 0 = (1 − X)
1 1−X
1 0 1−X
= (1 − X)((1 − X)2 + 1) = (1 − X)(1 − X − i)(1 − X + i) .

Rappelons que si une matrice carrée A est diagonalisable sur un corps k, alors en particulier, son
polynôme caratéristique est scindé sur k. Or ici, le polynôme caractéristique n’est pas scindé sur R,
car sa décomposition en facteurs irréductibles dans R[X] est PA (X) = (1 − X)(X 2 − 2X + 2).
En effet, le facteur Q(X) = X 2 − 2X + 2 est irréductible sur R : sinon, il admettrait une décomposition
en produit de deux polynômes non constants à coefficients réels Q = Q1 · Q2 et, comme Q est de degré
2, il en résulterait deg(Q1 ) = deg(Q2 ) = 1. Or, l’existence d’un facteur réel de degré 1 équivaut à celle
d’une racine de Q dans R, ce qui est absurde car le discriminant de Q est < 0.
Ainsi, Q est irréductible sur R, donc PA (X) n’est pas scindé sur R et on en conclut que A n’est pas
diagonalisable sur R. Néanmoins, elle devient diagonalisable sur C, car elle est d’ordre 3 avec trois
valeurs propres distinctes dans C (condition suffisante de diagonalisabilité).

Exercice 4 : (♢♢♢)
Démontrer les énoncés suivants :

4
 a) Soit T = [tij ] ∈ Mn (k) une matrice triangulaire supérieure. On suppose qu’il existe λ ∈ k tel
que tii = λ pour i = 1, . . . , n. Alors T est diagonalisable si et seulement si T est diagonale.
b) Plus généralement, soit T ∈ Mn (k) une matrice qui n’admet qu’une seule valeur propre λ ∈ k.
Alors T est diagonalisable sur k si et seulement si T est diagonale.

Solution de l’exercice 4.
Comme b) implique a), il suffit de démontrer b). Considérons donc une matrice T ∈ Mn (k) qui
n’admet qu’une seule valeur propre λ ∈ k. Si T est diagonalisable, alors il existe une base B de Rn
formée de vecteurs propres de T . Or, par hypothèse, tous ces vecteurs propres sont associés à la même
valeur propre λ. En notant P la matrice de passage de la base canonique à la base B, on a donc
P −1 T P = Diag(λ, . . . , λ) = λIn , i.e. T est semblable à λIn . Or, ceci implique qu’elle est égale à cette
matrice : on multiplie la relation P −1 T P = λIn à gauche par P et à droite par P −1 ; on obtient ainsi
T = P λIn P −1 = λIn .
Ceci montre que
T diagonalisable =⇒ T diagonale
et la réciproque de cette implication est évidente.

Exercice 5 : (♢♢♢)
Soit A, B ∈ Mn (k). On note PA le polynôme caractéristique associé.
a) Montrer que AB et BA ont les mêmes valeurs propres.
b) Montrer que si A ou B est inversible, alors PAB = PBA .

Solution de l’exercice 5.
a) Soit λ ∈ k valeur propre de AB. Ceci équivaut à l’existence d’un vecteur non-nul v tel que (AB)v =
λv. Alors
BA · (Bv) = B · ((AB)v) = B · (λv) = λBv .
On distingue ensuite deux cas :
▶ Si Bv ̸= 0, on en déduit que λ est valeur propre de BA avec Bv comme vecteur propre.
▶ Si Bv = 0, alors nécessairement λ = 0. Or, λ = 0 est valeur propre de BA si et seulement si
BA n’est pas inversible. En outre, un produit de matrices carrées est inversible si et seulement
si chaque facteur est inversible. Finalement, comme on suppose Bv = 0 avec v ̸= 0, la matrice
B n’est pas inversible, donc BA non plus et λ = 0 est bien valeur propre de BA.
b) Si A est inversible alors

PAB (X) = det(A(BA − XIn )A−1 ) = det(BA − XIn ) = PBA (X) .

Exercice 6 :
Soient V un k-espace vectoriel et p ∈ Endk (V ). On suppose que p est un projecteur, c’est-à-dire, un
endomorphisme tel que p ◦ p = p.
a) Montrer que q = idV − p est aussi un projecteur.
b) Montrer que Im(p) = Ker(q) et symétriquement Im(q) = Ker(p).
c) En déduire que E = Im(p) ⊕ Ker(p).
d) En déduire que p est diagonalisable, puis déterminer ses valeurs propres et ses sous-espaces
propres.
Indication : Montrer d’abord que l’image d’un projecteur est le sous-espace formé par ses points
fixes, puis montrer que pour un projecteur non nul, ce sous-espace est un sous-espace propre.

5
 e) En conclure que p est la projection sur le sous-espace W = Im(p) parallèlement à son supplé-
mentaire W ′ = Ker(p).

Solution de l’exercice 6.
Pour tout endomorphisme u de V , on note u2 la composée u ◦ u.
a) Pour montrer que q = idV − p est un projecteur, on calcule q 2 : comme idv ◦ p = p ◦ idV = p, on
obtient
q 2 = (idV − p) ◦ (idV − p) = idV − 2p + p2 .
On utilise ensuite la relation p2 = p qui donne ici q 2 = idV − 2p + p = idV − p = q, donc q 2 = q, i.e. q
est un projecteur.

b) Par symétrie entre p et q, il suffit de montrer l’une des deux relations, disons Im(p) = Ker(q) :
l’autre en découle ensuite en échangeant les rôles de p et q.
Si y = p(x) est une image de p, alors q(y) = (idV − p)(y) = y − p(y) = p(x) − p(p(x)) = 0, car
p(p(x)) = p2 (x) = p(x). Ainsi, toutes les images de p sont dans le noyau de q. La réciproque est
évidente : tous les éléments du noyau de q sont des images de p, car q(y) = 0 signifie (idV − p)(y) = 0
et alors y = p(y) ∈ Im(p).

c) D’après le résultat précédent, Ker(p) = Im(q), donc

E = Im(p) ⊕ Ker(p) ⇐⇒ E = Im(p) ⊕ Im(q) .

Ensuite, par définition de q, on a p + q = idV , donc pour tout x ∈ V ,

x = idV (x) = (p + q)(x) = p(x) + q(x) ∈ Im(p) + Im(q) .

On en conclut que Im(p) + Im(q) = V et il ne reste plus qu’à montrer que Im(p) et Im(q) sont en
somme directe. Or, Im(p) = Ker(q), Im(q) = Ker(p) et si x appartient à l’intersection Ker(p) ∩ Ker(q),
alors x = p(x) + q(x) = 0.

d) D’après la question b), Im(p) = Ker(q) = Ker(p − idV ). Le résultat de la question précédente se
reformule donc ainsi
V = Ker(p − idV ) ⊕ Ker(p) .
Or, les deux noyaux du second membre, lorsqu’ils sont non nuls, sont des sous-espaces propres de p,
associés respectivement aux valeurs propres 1 et 0. En outre, ils sont tous deux non nuls si et seulement
si leurs dimensions sont toutes deux > 0. Comme la somme de leurs dimensions est égale à dim(V ),
cela revient à demander que leurs dimensions soient toutes deux < dim(V ), i.e. qu’ils soient tous deux
strictement plus petits que V , i.e. cela revient à demander que p ̸= idV et p ̸= 0.
On en conclut que p est diagonalisable dans tous les cas, avec ou bien p ∈ {0, idV }, auquel cas p admet
une seule valeur propre égale à 0 ou 1 selon le cas, ou bien p admet deux valeurs propres 0 et 1 avec
V1 = Im(p) et V0 = Ker(p).

e) Étant donné un vecteur x ∈ V que l’on décompose sous la forme x = x1 + x2 , avec x1 ∈ V1 = {x ∈

V | p(x) = x} et x2 ∈ V0 = {x ∈ V | p(x) = 0}, on a p(x) = p(x1 ) + p(x2 ) = x1 donc p est bien la
projection sur V1 = Im(p) parallèlement à V0 = Ker(p).

Exercice 7 : (♢♢♢)
Soit k un corps de caractéristique ̸= 2, i.e. un corps tel que 2 ̸= 0 dans k. Soit V un k-espace vectoriel.
Une symétrie de V est un endomorphisme s ∈ Endk (V ) tel que s2 = idV (par définition s2 = s ◦ s). On
se propose de montrer que toute symétrie s est diagonalisable et que ses valeurs propres sont contenues
dans l’ensemble {±1}.
a) On pose p± = 21 (idV ± s) et V± = Im p± . Montrer que p± sont des projecteurs, que V = V+ ⊕ V−
et que V± \ {0} est constitué de vecteurs propres de s associés à la valeur propre ±1.
Indication : On pourra appliquer les résultats de l’exercice précédent.

6
 b) Conclure.
c) Montrer que si s ̸= ±idV , alors V+ et V− sont simultanément non-nuls et s est la symétrie par
rapport à V+ parallèlement à V− .

Solution de l’exercice 7.
a) On remarque en premier lieu que p± sont des projecteurs, car
1 1 1 1
p2± = (idV ± s)2 = (id2V ± 2s + s2 ) = (2idV ± 2s) = (idV ± s) = p± .
4 4 4 2
En outre, on a clairement p+ + p− = idV , donc les conclusions voulues résultent toutes de l’exercice
précédent, car V± = Im(p± ) = Ker(p∓ ) = Ker(idV − ±s), donc V± \ {0} est bien constitué de vecteurs
propres de s associés à la valeur propre ±1.

b) Les cas s = ±idV sont évidents, donc on peut supposer s ̸= ±idV , ce qui équivaut à ce que V+ et
V− soient tous deux non nuls. Alors, d’après la question précédente, V+ et V− sont les sous-espaces
propres de s associés aux valeurs propres 1 et −1. Ainsi, la relation V = V+ ⊕ V− implique que s est
diagonalisable : si B+ et B− sont des bases de V+ et V− respectivement, alors B = B+ ∪ B− est une
base de V qui est formée de vecteurs propres de s. Enfin, dans cette base, la matrice de s est de la
forme D = Diag(1, . . . , 1, −1, . . . , −1). Comme le polynôme caractéristique de s est celui de sa matrice
dans n’importe quelle base, les valeurs propres de s sont celles de D, i.e. sont les coefficients diagonaux
de D. Donc 1 et −1 sont les seules valeurs propres de s.

c) Soit x ∈ V un vecteur que l’on décompose sous la forme x = x1 + x2 , avec x1 ∈ V+ = Im(p+ ) =

Ker(p− ) = {x ∈ V | s(x) = x} et x2 ∈ V− = Im(p− ) = Ker(p+ ) = {x ∈ V | s(x) = −x}. Alors on a
s(x) = s(x1 ) + s(x2 ) = x1 − x2 , donc s est bien la symétrie par rapport à V+ parallèlement à V− .

Exercice 8 : (Supplémentaires)
Calculer des supplémentaires des sous-espaces vectoriels suivants. Dans chaque exemple ei désigne le
i-ème vecteur de la base canonique de Cn .
(i) E = Vect(e1 , e2 ) ⊂ C4 .
(ii) E = Vect(e1 + e2 + e3 , e1 + e4 ) ⊂ C5 .
(iii) E = Vect(3e1 + 4e2 + e3 ) ⊂ C3 .
(iv) E = Vect(3e1 + e2 − e3 , e1 − e2 + e3 ) ⊂ C3 .
(v) E = Vect(e2 + e3 + e4 , e1 − e2 , e3 + e4 ) ⊂ C4 .

Solution de l’exercice 8.
On va construire un supplémentaire E ′ de E dans Cn en échelonnant la base B, puis en complétant
la famille ainsi obtenue B ′ = (x1 , . . . , xr ) en une base (x1 , . . . , xn ) de Cn . Il suffira alors de poser
E ′ = Vect(xr+1 , . . . , xn ) pour obtenir un supplémentaire de E.
L’avantage de l’échelonnement initial est qu’il permet de se ramener à une situation plus favorable : il
est en effet très facile de compléter une famille échelonnée libre en une base de Cn (voir ci-dessous).
La méthode repose sur les deux faits suivants :
▶ L’échelonnement en colonne d’une famille de vecteurs ne change pas le sous-espace vectoriel
qu’ils engendrent.
▶ Toute famille échelonnée de vecteurs non nuls est libre.
Ainsi, d’après le premier point, on peut échelonner la famille B sans affecter ses propriétés : le résultat
de l’échelonnement sera une nouvelle base de E. Ensuite, si B est échelonnée de cardinal r, alors le
second point permet de la compléter en une base de l’espace ambiant Cn : il suffit de lui adjoindre n − r
vecteurs de la base canonique ei choisis de manière à ce que la famille obtenue soit encore échelonnée,

7
ce qui est toujours possible en choisissant les indices i comme les indices des lignes sur lesquelles la
famille B ne possède aucun pivot.
(i) La base B = (e1 , e2 ) de E est déjà échelonnée. On peut choisir E ′ = Vect(e3 , e4 ).
(ii) Une base échelonnée est B = (e1 + e2 + e3 , −e2 − e3 + e4 ). On peut choisir comme supplémentaire
E ′ = Vect(e3 , e4 , e5 ), mais aussi E ′ = Vect(e2 , e4 , e5 ) ou E ′ = Vect(e2 , e3 , e5 ).
(iii) E est une droite vectorielle, donc ses supplémentaires sont des hyperplans. On peut choisir pour
supplémentaire E ′ = Vect(e2 , e3 ) ou E ′ = Vect(e1 , e3 ) ou E ′ = Vect(e1 , e2 ).
(iv) Une base échelonnée de E est B = (e1 −e2 +e3 , e2 −e3 ), donc un supplémentaire est E ′ = Vect(e3 ).
On peut aussi raisonner de manière alternative, en montrant que E est l’hyperplan d’équation y+z = 0,
donc tout vecteur ne vérifiant pas cette équation engendre un supplémentaire de E dans C3 .
(v) B = (e1 − e2 , e2 + e3 + e4 , e3 + e4 ) est une base échelonnée de E. Un supplémentaire est donc par
exemple E ′ = Vect(e4 ). De nouveau, on aurait pu remarquer que E est l’hyperplan d’équation z = t,
donc tout vecteur ne vérifiant pas cette équation engendre un supplémentaire de E dans C4 .

Exercice 9 : Les matrices ci-dessous sont-elles diagonalisables sur R, sur C ? Sont-elles trigonalisables
sur R, sur C ? Justifier, puis diagonaliser ou trigonaliser, selon les cas, en donnant la matrice de passage
utilisée.  
  −1 2 0
−1 1
(i) A = , (ii) B =  2 2 −3 .
−1 1
−2 2 1

Solution de l’exercice 9.
On pose V = R2 dans (i), V = R3 dans (ii) et dans chaque cas, pour toute valeur propre λ de la
matrice considérée, on note Vλ le sous-espace propre associé.
(i) On calcule le polynôme caractéristique :

−1 − X 1
PA (X) = = (−1 − X)(1 − X) + 1 = X 2 .
−1 1−X
Il est scindé avec une seule racine λ = 0, de multiplicité algébrique 2. Or, le sous-espace propre
correspondant est Ker(A) = Vect(e1 + e2 ) de dimension 1, ce qui est strictement plus petit que la
multiplicité de λ, donc A n’est pas diagonalisable.
Par contre, cette matrice est trigonalisable sur R car son polynôme caractéristique est scindé sur ce
corps. Appliquons l’algorithme de trigonalisation du cours : on commence par déterminer une base de
l’unique sous-espace propre V0 , ce qui est déjà acquis avec le vecteur f1 = e1 + e2 . On complète ensuite
la famille libre (f1 ) en une base B = (f1 , f2 ) de R2 . Il suffit pour cela de choisir un vecteur f2 ̸= 0 qui
n’est pas colinéaire à f1 , par exemple f2 = e1 .
Ensuite, on introduit l’endomorphisme uA ∈ EndR (V ) de multiplication par A et on calcule la matrice
A′ = MatB (uA ) de uA dans la base B. Par définition de cette matrice, cela revient à décomposer chaque
image uA (fi ) = A · fi sur la base B et à ranger les coordonnées obtenues dans la i-ème colonne de la
matrice A′ .
En premier lieu, comme f1 ∈ Ker(A), on a Af1 = 0, donc la première colonne de A′ est nulle. Puis,

Af2 = Ae1 = première colonne de A = −f1 = (−1) · f1 + 0 · f2 ,

   
−1 0 −1
donc la seconde colonne de A′ est et on trouve ainsi A′ = .
0 0 0
 
1 1
Finalement, la matrice de passage de la base canonique à la base B est P = . Comme A est
1 0
la matrice de uA dans la base canonique et A′ sa matrice dans la base B, on a A′ = P −1 AP , ce qui
donne la formule de trigonalisation voulue.

8
Remarque. On voit facilement si une matrice A ∈ M2 (R) est trigonalisable ou diagonalisable sur R
ou C. Notons ∆ le discriminant du polynôme caractéristique de A. Alors A est trigonalisable sur R si
et seulement si son polynôme caractéristique est scindé sur R, ce qui équivaut ici à la condition ∆ ≥ 0.
Pour la diagonalisabilité, on distingue ensuite deux cas. Si ∆ > 0, il y’a deux valeurs propres réelles
distinctes, donc A est diagonalisable. Si ∆ = 0, il y a une valeur propre réelle λ qui est de multiplicité
2, donc A est diagonalisable si et seulement si A = λI2 (cf. exercice 4, question b)). Ainsi, si ∆ = 0 et
que la matrice n’est pas diagonale, alors elle n’est pas diagonalisable.
La discussion sur C est analogue, sans la restriction au cas ∆ ≥ 0, car tout polynôme est scindé sur C,
donc A est trigonalisable dans tous les cas. Pour les matrices 2 × 2, si ∆ ̸= 0 alors il y a deux valeurs
propres distinctes dans C (peu importe le signe de ∆), donc la matrice est diagonalisable. Puis, si ∆ = 0
et que la matrice n’est pas diagonale, alors elle n’est pas diagonalisable (comme précédemment).
(ii) Le polynôme caractéristique est

−1 − X 2 0
det(B − XI3 ) = 2 2−X −3
−2 2 1−X
−1 − X 2 0
= (1 − X) 2 2 − X −3
L3 −L1 →L3
−1 0 1
−1 − X 2 0
= (1 − X) −1 2 − X −3
C1 +C3 →C1
0 0 1

= (1 − X)(X 2 − X) = −X(X − 1)2 .

Le polynôme caractéristique est scindé, donc la matrice est trigonalisable sur R. Les valeurs propres
sont λ = 0 de multiplicité 1 et λ = 1 de multiplicité 2.
Ensuite, on cherche une base du sous-espace propre V0 = Ker(B) associé à la valeur propre λ = 0. En
échelonnant les lignes de B, on obtient
     
−1 2 0 L2 +2L1 →L2 −1 2 0 −1 2 0
L −2L1 →L3 L +3L3 →L2
B =  2 2 −3  −−3−−−− −−→  0 6 −3  −−2−−−− −−→  0 0 0 ,
−2 2 1 0 −2 1 0 −2 1

donc
       
 x   2y  2
Ker(B) =  y  : x = 2y et 2y = z =  y  : y ∈ R = Vect  1  .
z 2y 2
   

On étudie ensuite le sous-espace propre V1 = ker(B − I3 ) associé à λ = 1. Par échelonnement des

lignes, on trouve :
   
−2 2 0 L2 +L1 →L2 −2 2 0
L3 −L1 →L3
B − I3 =  2 1 −3  −−− −−−−−→  0 3 −3  ,
−2 2 0 0 0 0

donc
       
 x   x  1
Ker(B − I3 ) =  y  : x = y et y = z =  x  : x ∈ R = Vect  1  .
z x 1
   

En particulier, ce sous-espace propre est de dimension strictement plus petite que la multiplicité de la
valeur propre correspondante, donc B n’est pas diagonalisable.

9
Pour trigonaliser B, on note que si v3 est un vecteur tel que B = (v1 , v2 , v3 ) est une base de R3 , alors
la matrice dans la base B de l’endomorphisme uB de multiplication par B sera du type
 
0 0 a
0 1 b  , a, b, c ∈ R ,
0 0 c
donc nécéssairement triangulaire. Notons que le coefficient c sera forcément égal à 1 car :
▶ La trigonalisée étant semblable à A, elle a les mêmes valeurs propres, avec les mêmes multipli-
cités.
▶ La liste des coefficients diagonaux d’une matrice triangulaire contient toutes ses valeurs propres
et chacune est répétée un nombre de fois égal à sa multiplicité.
Il ne reste plus qu’à trouver un vecteur v3 tel que B = (v1 , v2 , v3 ) est une base de R3 et à calculer
les coefficients a et b correspondants   Bv3 = av1 + bv2 + v3 . Ici, on
  à ce choix, définis par la relation
0 0
peut prendre par exemple v3 = 0 ; on calcule ensuite Bv3 = −3, on substitue dans la relation
1 1
précédente et on résoud :
           
0 2 1 0 0 2a + b
−3 = a 1 + b 1 + 0 ⇐⇒ −3 =  a + b 
1 2 1 1 1 2a + b + 1

 0 = 2a + b
⇐⇒ −3 = a+b
1 = 2a + b + 1


a = 3
⇐⇒
b = −6
Ainsi, en remplaa̧nt a et b par les valeurs ci-dessus, on trouve finalement
 
0 0 3
P −1 AP =  0 1 −6  ,
0 0 1
 
2 1 0
où P =  1 1 0  est la matrice de passage de la base canonique à la base B.
2 1 1

Exercice 10 : Mêmes questions pour les matrices

   
1 4 −2 2 2 −3
(i) A =  0 6 −3 , (ii) B =  5 1 −5 .
−1 4 0 −3 4 0

Solution de l’exercice 10.

(i) On a

1−X 4 −2 1 4 −2
det(A − XI3 ) = 0 6 − X −3 = (3 − X) 1 6 − X −3
C1 +C2 +C4 →C1
−1 4 −X 1 4 −X
1 4 −2
= (3 − X) 0 2 − X −1 = (3 − X)(2 − X)2 .
L2 −L1 ,L3 −L1
0 0 2−X

10
On étudie le sous-espace propre V2 = Ker(A − 2I3 ) associé à la valeur propre λ = 2. En échelonnant
les lignes de A − 2I3 , on obtient :
   
−1 4 −2 −1 4 −2
L −L1 →L3
A − 2I3 =  0 4 −3 −−3−−− −−→  0 4 −3 .
−1 4 −2 0 0 0

En particulier, A − 2I3 est de rang deux, donc son noyau V2 est de dimension 1. Ainsi, la multiplicité
géométrique de la valeur propre considérée est strictement plus petite que sa multiplicité algébrique,
donc la matrice n’est pas diagonalisable.
Enfin, en revenant à l’échelonnement de A − 2I3 , on voit que le sous-espace propre V2 est défini par le
système   
−x + 4y − 2z = 0 −x + z = 0 x = z
⇐⇒ ⇐⇒
4y − 3z = 0 4y − 3z = 0 y = (3/4)z
donc v1 = 4e1 + 3e2 + 4e3 est un vecteur propre et il forme à lui seul une base de V2 , car ce sous-espace
est de dimension 1.
On passe ensuite à la seconde valeur propre λ = 3. En échelonnant, on trouve
     
−2 4 −2 0 −4 4 3L1 +4L2 →L1 0 0 0
L1 −2L3 →L1 (1/3)L2 →L2
A − 3I3 =  0 3 −3 −−−−−−−−→  0 3 −3 −−−−−−−−−→  0 1 −1 ,
−1 4 −3 −1 4 −3 −1 4 −3

donc V3 est défini par le système


y−z = 0
⇐⇒ x = y = z.
−x + 4y − 3z = 0

On en conclut que V3 est la droite engendrée par le vecteur v2 = e1 + e2 + e3 .

Finalement, pour trigonaliser l’endomorphisme u associé à A, on choisit un vecteur qui engendre un
supplémentaire de V2 ⊕ V3 dans V , par exemple v3 = e3 . Comme
       
−2 4 1 0
u(e3 ) = A · e3 = −3 = 3 − 6 1 + 2 0 = v1 − 6v2 + 2v3 ,
      
0 4 1 1

la matrice de u dans la base (v1 , v2 , v3 ) est

 
3 0 1
P −1 AP = 0 2 −6 ,
0 0 2
 
4 1 0
où P est la matrice de passage de la base canonique vers la base (v1 , v2 , v3 ), i.e. P = 3 1 0.
4 1 1
(ii)

2−X 2 −3 1 2 −3
det(B − XI3 ) = 5 1 − X −5 = (1 − X) 1 1 − X −5
−3 4 −X 1 4 −X
1 2 −3
−1 − X −2
= (1 − X) 0 −1 − X −2 = (1 − X) = (1 − X)3 .
2 −X + 3
0 2 −X + 3

Il y’a donc une unique valeur propre λ = 1 de multiplicité 3. D’après le résultat de l’exercice 4, on en
conclut que B n’est pas diagonalisable.

11
Étudions le sous-espace propre associé à l’unique valeur propre λ = 1. En échelonnant
     
1 2 −3 L2 −5L1 →L2 1 2 −3 (1/10)L2 →L2 1 2 −3
L3 +3L1 →L3 L3 +L2 →L3
B − I3 =  5 0 −5 −−−−−−−−→ 0 −10 10  −−−−−−−−−→ 0 −1 1 
−3 4 −1 0 10 −10 0 0 0

on voit que V1 = Ker(B − I3 ) est de dimension 1, engendré par le vecteur v1 = e1 + e2 + e3 .

Pour trigonaliser l’endomorphisme uB ∈ EndR (R3 ) associé à B, on cherche alors à compléter le vecteur
v1 en une base B = (v1 , v2 , v3 ) de R3 . Comme (e1 + e2 + e3 ), e2 , e3 ) est échelonnée, on peut prendre
v2 = e2 et v3 = e3 , de sorte que uB (v2 ) = B · e2 et uB (v3 ) = B · e3 sont respectivement la seconde et
troisième colonne de B, i.e.
   
2 −3
uB (v2 ) =  1  et uB (v3 ) =  −5  .
4 0

On décompose ensuite ces vecteurs sur la base B : comme B est échelonnée, on identifie facilement les
coordonnées. Par exemple, pour uB (v2 ) on cherche a, b, c ∈ R tels que
         
2 1 0 0 a
 1  = av1 + bv2 + cv3 = a  1  + b  1  + c  0  =  a + b  .
4 1 0 1 a+c
   
a 2
En identifiant les coordonnées des deux côtés, on trouve  b  =  −1  et ce vecteur est la seconde
c 2
′
colonne de B = MatB (uB ). On procède de la même manière pour déterminer la troisième colonne de
B ′ et on obtient finalement  
1 2 −3
B ′ =  0 −1 −2  .
0 2 3
Trigonalisons à présent l’endomorphisme vB de W = Vect(e2 , e3 ) dont la matrice dans la base (e2 , e3 )
est  
−1 −2
.
2 3
Son polynôme caractéristique est (1 − X)2 et le sous-espace propre W1 de vB associé à la valeur propre
1 est le noyau de l’endomorphisme vB − idW , dont la matrice dans la base (e2 , e3 ) est
 
−2 −2
,
2 2

donc W1 = Vect(e2 − e3 ). On pose w2 = e2 − e3 et on complète ce vecteur en une base de W =

Vect(e2 , e3 ) en lui adjoignant w3 = e3 . Comme w2 est vecteur propre de vB et que vB (w3 ) = B · e3 =
−2e2 + 3e3 = −2(e2 − e3 ) + e3 , la matrice de vB dans la base (w2 , w3 ) est
 
1 −2
Mat(w2 ,w3 ) (vB ) .
0 1

Finalement, comme (w2 , w3 ) est une base de W = Vect(e2 , e3 ) et que W et Vect(v1 ) sont en somme
directe, B ′ = (v1 , w2 , w3 ) est une base de R3 . Enfin, par construction de B ′ , la matrice de l’endomor-
phisme u dans cette base est de la forme

t′
 
1 t
 0 1 −2  ,
0 0 1

12
pour des coefficients t et t′ à déterminer. Après calcul, on trouve t = 5, t′ = −3 et on obtient donc la
formule    
1 5 −3 1 0 0
P −1 BP =  0 1 −2  , avec P =  1 1 0 .
0 0 1 1 −1 1

Exercice 11 : (♢♢♢)
Soient E un k-espace vectoriel de dimension n ≥ 1 et u ∈ Endk (E). On suppose u nilpotent, i.e. il
existe un entier d ∈ N \ {0} tel que ud = 0. Le plus petit entier vérifiant cette égalité est appelé indice
de nilpotence de u.
a) Montrer que u n’est pas inversible.
b) Déterminer les valeurs propres de u et les sous-espaces propres associés.
P de nilpotence de u est n si et seulement s’il existe une base B de E telle
c) Montrer que l’indice
que M atB (u) = n−1 i=1 Ei,i+1 , où les Ei,j désignent les matrices élémentaires.

Solution de l’exercice 11.

a) Solution no 1. Si u était inversible, il en serait de même pour ud pour tout d ≥ 1, car un produit
de matrices inversibles est toujours inversible. Or l’endomorphisme nul 0 n’est pas inversible si
n ≥ 1.
Solution no 2. Soit d0 l’indice de nilpotence de u. Si u est non nul, alors d0 ≥ 2, ud0 −1 ̸= 0 et
ud0 = 0. Par conséquent, Im(ud0 −1 ) ⊂ Ker(u). Or, l’endomorphisme ud0 −1 étant non nul, son
image n’est pas réduite à {0} et Ker(u) contient donc un sous-espace non trivial. Il en résulte
que u n’est pas inversible.
b) Si λ est une valeur propre de u et x ̸= 0 un vecteur propre correspondant, alors 0 = ud0 (x) =
λd0 x. Le vecteur x étant non nul, on en tire λd0 = 0, donc λ = 0. Ainsi, la seule valeur propre
de u est 0 et le sous-espace propre associé est Ker(u).
c) Supposons que d0 = n = dim(E). Alors un−1 ̸= 0, donc il existe x ∈ E tel que un−1 (x) ̸= 0.
Considérons alors la famille B = (un−1 (x), un−2 (x), . . . , u(x), x). Nous affirmons que B est une
base de E. Pour le démontrer il suffit de montrer que les vecteurs x, u(x), . . . , un−1 (x) forment
une famille libre. Considérons donc une relation de dépendance linéaire λn−1 un−1 (x)+. . .+λ0 x =
0, pour λ0 , . . . , λn−1 ∈ k. Appliquons les n endomorphismes idE , u, u2 , . . . , un−1 à cette relation,
pour en déduire n autres formules. Comme um (x) = 0 pour m ≥ n, on obtient :
λn−1 un−1 (x) + λn−2 un−2 (x) + ... + λ0 x = 0, avec idE

0 + λn−2 un−1 (x) + ... + λ0 u(x) = 0, avec u

.. .. ..
. . .

0 + ... + λ1 un−1 (x) + λ0 un−2 (x) = 0 , avec un−2

0 + ... + 0 + λ0 un−1 (x) = 0 , avec un−1

et la dernière ligne entraine λ0 = 0 car un−1 (x) ̸= 0. L’avant dernière entraine alors λ1 = 0 et
ainsi de suite, jusqu’à obtenir λ0 = λ1 = . . . = λn−1 = 0, ce qui donne le résultat voulu.
Finalement, la matrice de u dans la base B est
 
0 1 0 ... 0
 .. 
0 0
 1 . 0 

 .. .. .. . .
. . . . .
 ..
 

. 0 1
0 ... ... ... 0

13
En effet, posons vi = un−i (x) pour i = 1, . . . , n de sorte que B = (v1 , . . . , vn ) ; alors u(v1 ) =
u(un−1 (x)) = 0, puis u(v2 ) = u(un−2 (x)) = un−1 (x) = v1 , . . ., u(vn ) = u(x) = vn−1 , ce qui
donne bien la matrice ci-dessus.
Réciproquement si la matrice de u dans une base (v1 , . . . , vn ) est égale à la matrice ci-dessus,
alors on a u(vn ) = vn−1 , . . . , u(v2 ) = v1 , u(v1 ) = 0. On en conclut que un = 0, car c’est vrai en
chaque vi , et un−1 ̸= 0, car nécessairement un−1 (vn ) = v1 ̸= 0. Ainsi, l’endomorphisme u est
nilpotent d’ordre n.

14