Chapitre 1

Réduction d’Endomorphismes

1.1 Introduction

Soient E un espace vectoriel de dimension finie sur un corps K (R ou C) et f un

endomorphisme de E. Si on se place dans une base de E, l’endomorphisme f peut-
être représentée par une matrice carrée M . Réduire l’endomorphisme f consiste
à trouver une base de E dans laquelle M peut "être" la plus simple possible (en
général sous une forme diagonale ou sous une forme triangulaire).

1.2 Matrices semblables

1.2.1 Définition

Deux matrices carrées d’ordre n à coefficients dans K, M et M ′ sont dites inver-

sibles s’il existe une matrice carrée d’ordre n inversible P telle que M ′ = P −1 M P .
Remarques

1. La relation "est semblable" est une relation d’équivalence.

2. Deux matrices semblables ont le même déterminant.

7
8 CHAPITRE 1. RÉDUCTION D’ENDOMORPHISMES

1.2.2 Rappel

On appelle rang d’une matrice carrée d’ordre n le nombre maximum de vecteurs

colonnes linéairement indépendants de cette matrice. Le rang de la matrice M est
noté rang(M ). On a rang(M ) ≤ n.

1.3 Valeurs propres - Vecteurs propres

1.3.1 Définition

Soient E un espace vectoriel sur K et A une matrice carrée d’ordre n repre-

sentative d’un endomorphisme de E. On dit que le scalaire λ ∈ K est une valeur
−
→
propre de A, s’il existe un vecteur non nul −
→
u de E (−
→
u ∈ E) avec −
→
u ∕= 0 tel que

A−
→
u = λ−
→
u. (1.1)

Le vecteur −
→
u est le vecteur propre de A associé à la valeur propre λ. L’ensemble
des valeurs propres s’appelle le spectre de A et se note spec(A).
Remarque les vecteurs associés à λ ∈ K sont des solutions non triviales du
système d’équation
(1.1) A−
→u = λ−→
u.

1.3.2 Caractéristisation
−
→ −
→
Soit λ ∈ spec(A) ⇔ ∃ −
→
u ∕= 0 tel que A
!
−
→
u"= λI −
→
u ⇔ (A − λI)−
→
u = 0 ⇔−
→
u ∈
−
→ −
→ −
→
Ker(A − λI), u ∕= 0 ⇔ Ker(A − λI) ∕= 0
⇔ (A − λI) n’est pas inversible ⇔ det(A − λI) = 0
d’où
λ ∈ spec(A) ⇔ det(A − λI) = 0 (1.2)

L’équation (1.2) est appelée équation caractéristique de A, et det(A − λI) est un

polynôme de dégré n, appelé polynome caractéristique de A et noté PA (λ).
1.3. VALEURS PROPRES - VECTEURS PROPRES 9

1.3.3 Théorème
Le scalaire λ ∈ K est une valeur propre de A si et seulement si λ est une racine
du polynôme caractéristique de A, c’est à dire PA (λ) = 0.

1.3.3.1 Remarque

PA (λ) possède exactement n racines réelles ou complexes, simples ou multiples.

1.3.4 Définition
On dit qu’une valeur propre de A est de multiplicité α si elle est racine d’ordre
α du polynôme caractéristique.

1.3.5 Remarque
Une fois les valeurs propres de A déterminées , on cherche l’espace des vecteurs
propres associés à chacune de ces valeurs propres en résolvant le système linéaire :
−
→
(A − λI)−
→
u = 0. (1.3)

Pour une valeur propre λ, le sous espace propre noté Eλ est l’un des vecteurs
propres associés à λ (c’est à dire solution de (1.3)) augmenté du vecteur nul.
Si λ ∈ spec(A), alors dim Eλ = ordre(A) − rang(A − λI).

1.3.6 Exemple
# $
1 2
A=
3 2
# $
1−λ 2
A − λI =
3 2−λ
% %
% 1−λ 2 %%
%
det(A − λI) = % % = (1 − λ)(2 − λ) − 6 = 2 − 3λ + λ2 − 6
% 3 2−λ %
PA (λ) = λ2 − 3λ − 4 = (λ + 1)(λ − 4).
L’équation caractéristique est λ2 − 3λ − 4 = 0.
10 CHAPITRE 1. RÉDUCTION D’ENDOMORPHISMES

Les valeurs propres sont : λ = 4 et λ = −1.

Les vecteurs propres associés à λ1 = −1

&'
Posons −→
u = xy
# $# $ # $
−
→ 2 2 x 0
(A − λI)−→
u = 0 ⇒ = ,
3 3 y 0
( (
2x + 2y = 0 x=λ
⇒ x + y = 0,on trouve .
3x + 3y = 0 y = −λ
# $ # $
x 1
Soit encore =λ .
y −1
# $
1
Tous les vecteurs de la forme − →u = λ sont des vecteurs propres. Le
−1
# $
−
→ 1
vecteur u = est un vecteur propre associé à λ1 = −1.
−1

Les vecteurs propres associés à λ2 = 4

&'
De même posons − →v = xy
# $# $ # $
−
→ −
→ −3 2 x 0
(A − λI) v = 0 ⇒ = ,
2 −2 y 0
( (
−3x + 2y = 0 x=µ
⇒ 3x − 2y = 0, on trouve .
3x − 2y = 0 y = 32 µ
# $ # $
x 1
Soit encore =µ 3 .
y 2 # $
1
Tous les vecteurs de la forme −
→
v =µ 3
sont des vecteurs propres. Le vecteur
# $ 2

−
→ 1
v = 3
est un vecteur propre associé à λ2 = 4.
2

1.3.7 Théorème
Deux matrices semblables ont les mêmes vecteurs propres.
Démonstration
Soient A et B deux vecteurs semblables, ∃ P tel que A = P −1 BP.
1.4. DIAGONALISATION 11

A − λI = P −1 BP − λI
= P −1 BP − λP −1 IP
= P −1 (B − λI)P.
det(A − λI) = det P −1 det(B − λI) det P, on a donc
det(A − λI) = det(B − λI), car det P −1 = 1
det P
.

1.4 Diagonalisation

1.4.1 Définition
Soit E un espace vectoriel sur K (R ou C) de dimension finie n. Soit A une
matrice carrée d’ordre n representative d’un endomorphisme de E dans une base.
La matrice A est dite diagonalisable si elle est semblable à une matrice diago-
nale, en clair s’il existe une matrice d’ordre n inversible P et une matrice diagonale
D telle que :
(4.1) D = P −1 AP.
Les valeurs propres de A sont les valeurs propres de D qui sont nécessairement
les éléments diagonaux de D.

Conséquence : puisque A et D ont les mêmes valeurs propres si λ2

(1 ≤ i ≤ n) sont les valeurs propres de A, on a :

det A = Πni=1 λi .

1.4.2 Théorème (de diagonalisation 1)

Une matrice carrée A d’ordre n est diagonalisable si et seulement si elle possède
n vecteurs propres linéairements indépendants (autrement dit les vecteurs propres
constituent une base de E).
Dans ce cas la matrice carrée d’ordre n inversible P est une matrice dont les
colonnes sont formées par les vecteurs propres qui constituent une base de E.
Exemple
12 CHAPITRE 1. RÉDUCTION D’ENDOMORPHISMES
# $
1 2
A = , les valeurs propres de A sont λ1 = −1 et λ2 = 4 et les
3 2
# $ # $
1 2
vecteurs propres sont respectivement P1 = et P2 = . De plus
−1 3
% %
% 1 2 %
% %
% % = 5 ∕= 0. (P1 , P2 ) constitue une base donc A est diagonalisable.
% −1 3 %
# $ # $
1 2 3 −2
P = , P −1 = 15 . On a :
−1 3 1 1
# $# $# $
3 −2 1 2 1 2
P −1 AP = 15
1 1 3 2 −1 3
# $# $ # $
3 −2 −1 8 −5 0
= 15 = 15
1 1 1 12 0 20
# $
−1 0
= .
0 4

1.4.3 Théorème (de diagonalisation 2)

Une matrice carrée A d’ordre n à coefficients dans K ( R ou C) est diagonali-

sable si et seulement si les conditions suivantes sont vérifiées :
(i) le polynôme caractéristique de A PA (λ) est scindé dans K, c’est à dire :
PA (λ) = (−1)n (λ − α1 )k1 (λ − α2 )k2 ...(λ − αp )kp , avec α1 , α2 , ..., αp ∈ K et
k1 + k2 + ... + kp = n.
(ii) pour chaque valeur propre αi de multiplicité ki , on a dim Eαi = ki .

1.4.4 Corollaire

Si A une matrice carrée d’ordre n admet n valeurs propres distinctes deux à

deux alors A est diagonalisable.
1.5. APPLICATIONS 13

1.4.5 Exemple
) ,
3 −1 1
* -
A=*
+ 0 20 -. . A est-elle diagonalisable ?
1 −1 3
% %
% %
% 3 − λ −1 1 %
% % / 0
det(A − λI) = %% 0 2−λ 0 %% = (2 − λ) (3 − λ) − 1
2

% %
% 1 −1 3 − λ %
= (2 − λ)2 (4 − λ)
PA (λ) = (2 − λ)2 (4 − λ).
On a :
λ1 = 2 avec k1 = 2
λ2 = 4 avec k2 = 1.
Pour λ1 = 2) ,
1 −1 1
* -
(A − λI) = + 0 0 0 -
*
. , on a rang(A − 2I) = 1.
1 −1 1
dim Eλ1 = 3 − 1 = 2
dim Eλ1 = k1 .

Pour λ2 = 4) ,
−1 −1 1
* -
(A − λI) = *
+ 0 0 -
−2. , on a rang(A − 2I) = 2.
1 −1 −1
dim Eλ2 =3−2=1
dim Eλ2 = k2 . Ainsi A est donc diagonalisable.

1.5 Applications

1.5.1 Calcul de la puissance d’une matrice

Si A est diagonalisable il existe P inversible et D diagonale telle que D =
P −1 AP.
14 CHAPITRE 1. RÉDUCTION D’ENDOMORPHISMES

Soit A = P −1 DP, on a
A2 = P DP −1 P DP −1 = P D2 P −1 .
A3 = A2 A = P D2 P −1 P DP −1 = P D3 P −1 .
Ak = P Dk P −1 , ∀k ∈ N
A−1 = P DP −1 = P D−1 P −1 .
Ce qui permet de généraliser la relation

Ak = P Dk P −1 , ∀k ∈ Z. (1.4)
) ,
d1 0 0
* -
Supposons D = *
+ 0 d2 0 -.
0 0 d3

) ,) , ) ,
d1 0 0 d1 0 0 d21 0 0
* -* - * -
D2 = *
+ 0 d2 0 - *
.+ 0 d2 0 - *
.=+ 0 d22 0 -.
2
0 0 d3 0 0 d3 0 0 d3

) ,
dk1 0 0
* -
D =*
k
+ 0 dk2 0 -.
k
0 0 d3

Remarque 1.5.1. Le calcul de Dk étant immédiat, la formule (1.4) permet de

déterminer à l’aide de deux produits matriciels Ak au lieu de k produits matriciels.

1.5.2 Systèmes differentiels à coefficients constants

1.5.2.1 Méthode de résolution

soient x1 (t), x2 (t), ..., xn (t) n fonctions différentiables et vérifiant le système

d’équations différentielles :
1.5. APPLICATIONS 15

1
2
2 dx1
2
2 = a1.1 x1 + ... + a1.n xn ,
2
2 dt
2
3 dx2 = a x
2.1 1 + ... + a2.n xn ,
dt (1.5)
2
2 ... ... ... ... ... ... ...
2
2
2
2 dx
2
4 n
= an.1 x1 + ... + an.n xn ,
dt

où les aij ∈ R.
) ,
a1.1 a1.2 ... a1.n
* -
* a2.1 a2.2 ... a2.n -
* -
* -
Si on pose A = * ... ... ... ... - .
* -
* ... ... ... ... -
+ .
an.1 an.2 ... an..n
dX
Alors le système (1.5) peut s’écrire sous la forme matricielle = AX.
dt
Supposons que A soit diagonalisable, ∃ P inversible et D diagonale telles que
A = P DP −1 .
dX dX
Le système (1.5) devient = P DP −1 X c’est à dire P −1 = DP −1 X.
dt dt
dX d
Comme P −1 = P −1 X, on obtient
dt dt
−1
dP X
= DP −1 X. En posant Y = P −1 X, le système devient (1.5) devient :
dt

dY
= DY. (1.6)
dt
) ,
λ1 0 . . . 0
* -
* 0 λ2 . -
* -
* -
* . . . -
où D = *
*
- est diagonale.
* . . . -
-
* -
* . . 0 -
+ .
0 . . . 0 λn
16 CHAPITRE 1. RÉDUCTION D’ENDOMORPHISMES
1
2
2 dY1
2
2 = λ 1 Y1
2
2 dt
2
3 dY2 = λ Y
2 2
dt
2
2 ... ... ...
2
2
2
2
4 dYn = λn Yn
2
dt

dYi dYi
= λ i Yi ⇒ = λi dt en intégrant on a : ln |Yi | = λi t+k d’où Yi (t) = Ci eλi t
dt Yi
avec 1 ≤ i ≤ n, et Ci une constante.
On détermine X à partir de la solution de (1.6) par X = P Y.

1.5.2.2 Exemple

Exemple
1 1.5.1. Résoudre le système différentiel
2 dx1
2
2 = 3x1 − x2 + x3
2
3 dt
dx2
= 2x2
2
2 dt
2
2 dx
4 1
= x1 − x2 + 3x3
dt ) ,
x1
* - dX
Posons X = * -
+ 2 . , on a : dt = AX
x
x3
) ,
3 −1 1
* -
où A = *+ 0 2 0 - est diagonalisable.
.
1 −1 3
(
λ1 = 2, k1 = 2, dim Eλ1 = 2
λ2 = 4, k2 = 1, dim Eλ1 = 1

Les vecteurs propres associés à λ1 = 2

) ,) , ) ,
1 −1 1 x 0 (
* -* - * -
* 0 0 0 -* y - = * 0 - ⇒ x − y + z = 0 ⇒ x − y + z = 0
+ .+ . + . x−y+z =0
1 −1 1 z 0
1.5. APPLICATIONS 17
1 ) , ) , ) ,
2
3 x=λ
2
* -
x
* - * -
1 0
On peut choisir : y=µ Soit * y
+ .
- = λ* 0 - + µ* 1 -.
+ . + .
2
2
4 z = −λ + µ z −1 1
) , ) ,
1 0
−
→ * - − → * -
Les vecteurs propres sont : V 1 = + 0 . et V 2 = + 1 -
* - *
..
−1 1

Le vecteur propre associé à λ2 = 4

) ,) , ) , 1
−1 −1 1 ( 2
*
x
-* - * -
0
y=03 z−y−x=0
2
* 0 −2 0 - * y - = * 0 - ⇒ − 2y = 0 ⇒
+ .+ . + . 2 x−z =0
2
4 x−y−z =0
1 −1 −1 z 0
1 ) , ) ,
2
3 x=λ
2
* -
x
* -
1
On peut choisir : y=0 Soit * y
+ .
- = λ* 0 -
+ .
2
2
4 z=λ z 1
) ,
1
−
→ * -
Le vecteurs propre est : V 3 = * -
+ 0 ..
1
) , ) ,
2 0 0 1 0 1
* - * -
D=*
+ 0 2 0 - et P = * 0 1 0 -, on vérifie que P −1 AP = D.
. + .
0 0 4 −1 1 1
) , 1 1
y1 2 dy1
= 2y1 2 2t
* - dY
2
3 dt 3 y1 = C1 e
2
Y =* + y 2
-,
. dt = DY ⇒ 2
dy2
= 2y2 ⇒ y2 = C2 e2t , où C1 , C2 et C3
2
dt 2
2
y3 4 dy3
= 4y3 4 y = C e4t
dt 3 3
sont des constantes arbitraires.
) , ) ,) , 1
x1 1 0 1 y1 2 2t 4t
* - * -* - 3 x1 = C1 e + C3 e
2
* x2 - = * 0 1 0 - * y2 -⇒ x2 = C2 e2t
+ . + .+ . 2
2
4 x = C e2t − C e2t + C e4t
x3 −1 1 1 y3 3 2 1 3
18 CHAPITRE 1. RÉDUCTION D’ENDOMORPHISMES

1.6 Triangularisation

1.6.1 Définition
Définition 1.6.1. Une matrice carrée d’ordre n à coefficients dans K (R ou C)
est )
dite triangulaire supérieure (resp.
, inférieure)
) si elle est de la forme : ,
a a . . . a1.n a 0 . . . 0
* 1.1 1.2 - * 1.1 -
* 0 a . . a2.n - * a . -
* 2.2 . - * 2.1 a2.2 0 . . -
* - * -
* . 0 . . . . - * . -
* - (resp. A = * . . . 0 . -), c’est
* . . 0 . . . -- * . -
* * . . . . 0 -
* - * -
* . . . 0 . . - * . . . . . 0 -
+ . + .
0 . . . 0 an..n an.1 an.2 . . . an..n
à dire aij = 0 pour i > j (resp.aij = 0 pour i < j.)

1.6.2 Définition
Définition 1.6.2. Soit E un espace vectoriel sur K (R ou C) de dimension n.
Soit A une matrice carrée d’ordre n réprésentative d’un endomorphisme de E
dans une base.
La matrice A est dite triangularisable (ou trigonalisable) si elle est semblable
à une matrice triangulaire, c’est à dire qu’il existe une matrice triangulaire T et
une matrice inversible P d’ordre n telles que : T = P −1 AP.

Remarque 1.6.1. Si A est triangularisable, les élements diagonaux de T sont les

valeurs propres de A (car A et T ont les mêmes valeurs propres).
Dans toute la suite nous retiendrons la forme triangulaire supérieure pour T.
Toutefois les résultats seront valables pour la forme triangulaire inférieure.

1.6.3 Théorème (de triangularisation)

Soit A une matrice carrée d’ordre n dans K. A est triangularisable dans K si
et seulement si son polynome caractéristique est scindé dans K, c’est à dire :
PA (λ) = (−1)n (λ − α1 )k1 (λ − α2 )k2 ...(λ − αp )kp , avec α1 , α2 , ..., αp ∈ K et
k1 + k2 + ... + kp = n.
1.6. TRIANGULARISATION 19

Remarque 1.6.2. A est triangularisable dans C si et seulement si toutes ses

valeurs propres sont dans C.

1.6.4 Corollaire
Corollaire 1.6.1. Toute matrice carrée d’ordre n à coefficients dans C est sem-
blable à une matrice triangulaire supérieure à coefficients dans C.

1.6.5 Méthode par complétion

1.6.5.1 Description de la Méthode

On cherche à construire une matrice P telle que P −1 AP est triangulaire. P

est une matrice dont les colonnes sont n vecteurs linéairement indépendants.
On sait que A possède p valeurs propres αi et puisque A est triangularisable
5p
i=1 dim Eαi = k < n (sinon A serait diagonalisable).
En clair on a k vecteurs propres p1 , p2 , ..., pk associés aux valeurs propres α1 ,
α2 , ..., αp .
La méthode par completion consiste à completer {p1 , p2 , ..., pk } par (n − k)
vecteurs pk+1 , pk+2 , ..., pn de sorte que {p1 , p2 , ..., pn } constitue une famille linéai-
rement indépendante (donc une base).

1.6.5.2 Exemple
) ,
8 −1 −5
* -
Exemple 1.6.1. A = *
+ −2 3 1 -
.
4 −1 −1

(
λ1 = 2, k1 = 1
P (λ) = (λ − 2)(λ − 4)2 , on a :
λ = 4, k2 = 2
1 ) , 2 ) ,
2
3 x=λ
2
* -
x
*
1
-
• E λ1 * - *
y = λ , on a : + y . = λ + 1 - donc dim Eλ1 = k1 .
2 .
2
4 z=λ z 1
20 CHAPITRE 1. RÉDUCTION D’ENDOMORPHISMES
1 ) , ) ,
2
3 x=λ
2
* -
x
* -
1
• E λ2 y = −λ , on a : * y
+ .
- = λ * −1 - donc dim Eλ2 = 1 < k2 .
+ .
2
2
4 z=λ z 1

La matrice
) ,A n’est ) pas diagonalisable.
, Cherchons à triangulariser A.
1 1
* - * -
p1 = + 1 . , p2 = + −1 -
* - *
..
1 1

La méthode par complétion consiste à choisir p3 tel que {p1 , p2 , p3 } soit linéai-
rement indépendants. ) , ) , ) ,
1 1 1 1 0 1 1
* - * - * -
Il suffit de prendre p3 = * 0 - . On a : P = * 1 −1 0 - , P −1 = 1 * 0 −1 1 - .
+ . + . 2+ .
0 1 1 0 2 0 −2
) ,
2 0 1
* -
A = P AP = *
′ −1
+ 0 4 3 -.
.
0 0 4

1.6.6 Méthode de Jordan

1.6.6.1 Description de la Méthode

Définition 1.6.3. On appelle réduite de Jordan d’une matrice carrée d’ordre n

notée A, la matrice triangulaire supérieur d’ordre n ayant sur la diagonale les
5p
valeurs propres de A et sur la surdiagonale des 1 en nombre égal à i=1 (ki −
dim Eαi ) où ki est l’ordre de multiplicité de la valeur propre αi .
(
λ1 = 2, k1 = 1, dim Eλ1 = 1
Exemple 1.6.2. P (λ) = (λ−2)(λ−4)2 , on a : .
λ2 = 4, k2 = 2, dim Eλ2 = 1
(k1 − dim Eλ1 ) + (k2 − dim Eλ2 ) = 1
) ,
α1 0 0
* -
JA = + 0 α 2 1 -
*
..
0 0 α2
1.6. TRIANGULARISATION 21

Dans ce cas précisement on a p1 , p2 , p3 vecteurs propres associés aux valeurs

propres λ1 , λ2 , λ3 .
La méthode de Jordan consiste à chercher (n − k) vecteurs pk+1 , ..., pn de sorte
que (p1 , p2 , pk+1 , ..., pn ) constitue une base dans laquelle la réduite de Jordan JA
soit la matrice représentative de l’endomorphisme A, c’est à dire (P −1 AP = JA )

1.6.6.2 Exemple

Exemple 1.6.3. Déterminons la réduite de Jordan de la matrice de l’exemple

précédent.
) ,
f (p1 ) f (p2 ) f (p3 ) ) , ) , ) ,
* - p1 1 1
* 2 0 0 - * - * - * -
JA = ** 0
- *p2 - où p1 = *1- , p2 = *−1- et p3 est à
+ 4 1 -
.
+ . + . + .
p3 1 1
0 0 4
déterminer.
) ,) , ) , ) ,
8 −1 −5
1 2 1
* -* - * - * -
f (p1 ) = Ap1 = *
+−2 3 1- * - * - * -
. +1 . = +2 . = 2 +1 . ,
4 −1 −1 1 2 1

) ,) , ) , ) ,
8 −1 −5 1 4 1
* -* - * - * -
f (p2 ) = Ap2 = * + −2 3 1 - *−1- = *−4 - = 4 *−1 - .
.+ . + . + .
4 −1 −1 1 4 1
) ,
f (p1 ) f (p2 ) f (p3 )
* -
* 2 0 0 -
JA = * * -
0 4 1 -
+ .
! "
0 0 4
p1 , p2 , p3

) ,
x
* -
p3 = + y -
*
..
z
On obtient le système :