You are on page 1of 21

Reduction des endomorphismes et

espaces euclidiens
(Cours et exercices)
Responsable: A. HA

ILY
Table des mati`eres
Chapitre 1. Reduction des endomorphismes 5
Position du probl`eme 5
1. Valeurs propres, vecteurs propres 5
2. Polynome caracteristique 7
3. Somme directe et projections 9
4. Sous-espaces stables par un endomorphisme 11
5. Proprietes des sous-espaces propres 11
6. Diagonalisation 12
7. Calcul des puissances dune matrice diagonalisable. 15
8. Trigonalisation 16
9. Polynomes dendomorphismes et theor`eme de Cayley-
Hamilton 18
10. Application au calcul des puissances dune matrice. 19
11. Endomorphismes nilpotents 20
3
CHAPITRE 1
Reduction des endomorphismes
Position du probl`eme
En mathematiques, et plus particuli`erement en alg`ebre lineaire,
la reduction dendomorphisme est une technique mathematique qui a
pour objectif dexprimer des matrices et des endomorphismes sous une
forme plus simple, notamment pour faciliter les calculs. Cela consiste
essentiellement `a trouver une base de lespace vectoriel qui permet dex-
primer plus simplement lendomorphisme dans cette nouvelle base, et
`a decomposer lespace en sous-espace vectoriels stables par lendomor-
phisme. Par exemple, on cherche une base dans laquelle la matrice est
diagonale ou `a defaut triangulaire.
Dans tout ce chapitre, K designe lun des corps R ou C. Si E est
un K-espace vectoriel, on note L(E) lespace des endomorphismes de E.
1. Valeurs propres, vecteurs propres
D efinition 1.1.
Soit E un K-espace vectoriel de dimension nie n et f L(E). On
dit que K est une valeur propre de f sil existe un vecteur x E
non nul tel que f(x) = x.
Soit A M
n
(K) une matrice carree dordre n sur K. On dit que
K est une valeur propre de A sil existe un vecteur colonne non nul
x tel que Ax = x.
On note sp(f) (resp. sp(A)), lensemble des valeurs propres de f
(resp. de A).
Tout vecteur x de E tel que f(x) = x est appele vecteur propre
de f associe `a .
Tout vecteur colonne x tel que Ax = x est appele vecteur propre
de A associe `a .
5
Proposition 1.1. Soit E un K-espace vectoriel de dimension nie
et f L(E), A M
n
(K) et K, alors :
1) est une valeur propre de f (resp. de A), si et seulement si,
det(f I
E
) = 0 (resp. det(A I
n
) = 0).
2) Si est une valeur propre de f, alors E

= Ker(f I
E
) est
lensemble des vecteurs propres, cest un sous-espace vectoriel non nul
de E appele sous-espace propre associe `a .
3) Si B est une base quelconque de E et A la matrice de f dans
cette base, alors sp(f) = sp(A).
Exemple 1.1.
Soit f lendomorphisme de R
3
represente canoniquement par la ma-
trice
A =
_
_
5 2 2
8 3 4
4 2 1
_
_
Determinons le spectre de f.
On a det(A I
3
) =

5 2 2
8 3 4
4 2 1

c
1
+c
2
+c
3
=

1 2 2
1 3 4
1 2 1

l
2
l
1
, l
3
l
1
=

1 2 2
0 1 2
0 0 1

Do` u det(A I
3
) = (1 )
2
(1 +). Par suite sp(f) = {1, 1}.
Determinons les sous-espaces propres de f. Soit u = (x, y, z) R
3
.
Alors :
u E
1
A
_
_
x
y
z
_
_
=
_
_
x
y
z
_
_
(A I)
_
_
x
y
z
_
_
= 0
Donc u E
1

_
_
4 2 2
8 4 4
4 2 2
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
On a alors u E
1
2x y z = 0 u = (x, y, 2x y) =
x(1, 0, 2) +y(0, 1, 1).
6
Posons u
1
= (1, 0, 2) et u
2
= (0, 1, 1), alors E
1
= Sev < u
1
, u
2
>
et E
1
est de dimension 2.
u E
1
A
_
_
x
y
z
_
_
=
_
_
x
y
z
_
_
(A +I
3
)
_
_
x
y
z
_
_
= 0
Donc u E
1

_
_
6 2 2
8 2 4
4 2 0
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
On a alors u E
1

_
_
_
6x 2y 2z = 0
8x 2y 4z = 0
4x 2y = 0
Do` u u E
1
y = 2x, z = x u = x(1, 2, 1). Posons u
3
=
(1, 2, 1), alors E
1
= Sev < u
3
> et sa dimension est 1.
Remarque 1.1.
Le spectre dune matrice depend de ce quon se place dans R ou dans
C. Par exemple, soit A =
_
0 1
1 0
_
, alors det(A I
2
) =
2
+ 1 =
0, R. Donc, son spectre considere dans R est vide, alors quil est
egal {i, i} dans C.
2. Polynome caracteristique
Proposition et D efinition 2.1. Soient A M
n
(K) et X une
indeterminee, alors le determinant det(A XI
n
) est un polynome de
degre n appele polynome caracteristique de A. On le note P
A
.
Si A = (a
ij
) M
n
(K), alors
P
A
(X) = (1)
n
X
n
+ (1)
n1
Tr(A)X
n1
+. . . + det(A)
o` u TrA =

n
i=1
a
ii
est appelee la trace de A.
Exemples 2.1.
1 - Le polynome caracteristique de la matrice de lexemple 1.1 est
P
A
= (1 X)
2
(1 +X).
2 - Soit M =
_
a b
c d
_
M
2
(K), alors P
A
= X
2
(a + d)X +
(ad bc).
7
Proposition 2.2. Les valeurs propres dune matrice sont les ra-
cines de son polynome caracteristique.
D efinition 2.1.
Soit une valeur propre de A. On appelle multiplicite de , sa mul-
tiplicite en tant que racine de P
A
.
Une matrice A est dite scindee si son polynome caracteristique est
scinde. On a alors P
A
=

k
i=1
(
i
X)
m
i
. o` u chaque m
i
est la multipli-
cite de la valeur propre
i
.
Dapr`es le theor`eme de dAlembert-Gauss, toute matrice carree est
scindee sur C.
Proposition 2.3. Soit A M
n
(R) et C est une valeur propre
de multiplicite m, alors :
1 -

est aussi valeur propre de multiplicite m.
2 - Si x E

, alors x E

, o` u x est le vecteur obtenu en prenant


les conjugues des composantes de x.
Exemple 2.2.
Soit A =
_
1 1
1 1
_
. On a P
A
= X
2
+ 2X + 2 et sp(A) =
{1 + i, 1 i} = {, }, avec = 1 + i. On cherche les sous-espaces
propres dans C
2
.
Soit u = (x, y) C
2
, u E

(A I
2
)
_
x
y
_
=
_
0
0
_

_
i 1
1 i
__
x
y
_
=
_
0
0
_
y = ix
Par suite, E

= sev < (1, i) > et E

= sev < (1, i) >


Proposition 2.4. Soit A M
n
(K) et
t
A sa transposee. Alors A
et
t
A ont le meme polynome caracteristique.
Proposition 2.5. Soient A M
p
(K), B M
q
(K), C M
p,q
(K)
et M =
_
A C
O
q,p
B
_
une matrice triangulaire par blocs. Alors P
M
=
P
A
.P
B
.
8
En particulier, si A = (a
ij
) est une matrice triangulaire supereiure
ou inferieure, alors P
A
=

n
i=1
(a
ii
X).
D efinition 2.2.
Deux matrices matrices A et B sont dites semblables sil existe une
matrice inversible P telle que B = P
1
AP. En dautres termes, A et B
representent le meme endomorphisme mais dans des bases dierentes.
Proposition 2.6. Deux matrices semblables ont le meme polynome
caracteristique.
Exemple 2.3.
La reciproque de la proposition precedente est fausse. En eet, si
on prend A = O
2
=
_
0 0
0 0
_
la matrice nulle et B =
_
0 1
0 0
_
. Alors
P
A
= P
B
= X
2
. Mais A et B ne sont pas semblables, car P inversible,
P
1
AP = O
2
= B.
Proposition 2.7. Soit E un K-espace vectoriel de dimension -
nie n et f L(E). Si B et B

sont deux bases de E, A = Mat(f, B),


B = Mat(f, B

), alors P
A
= P
B
.
Ainsi le polynome caracteristique dun endomorphisme est independant
de la base choisie. Ce qui rend legitime de poser la denition suivante :
D efinition 2.3.
Le polynome caracterisique dun endomorphisme f est le polynome
caracteristique de sa matrice dans nimporte quelle base. On le note P
f
.
D

efinition 2.4.
Un endomorphisme f est dit scinde sur K, si son polynome ca-
racteristique est scinde.
3. Somme directe et projections
D efinition 3.1.
Soit E un K-espace vectoriel, E
1
, . . . , E
k
une famille de sous-espaces
de E. On dit que la somme F = E
1
+ E
2
+ . . . + E
k
est directe, si
(x
1
, x
2
, . . . , x
k
) E
1
E
2
. . . E
k
, on a x
1
+. . . +x
k
= 0 x
1
=
9
x
2
= . . . = x
k
= 0. On pose alors F = E
1
E
2
. . . E
k
.
Tout element x de F secrit alors de mani`ere unique sous la forme
x = x
1
+. . . +x
k
, o` u x
i
E
i
, i = 1, . . . , k.
Soit F = E
1
E
2
. . .E
k
. Si B
i
est une base de E
i
, alors B
1
. . .B
k
est une base de F. En particulier, dim F =

k
i=1
dimE
i
.
Pour k = 2, la somme F +G est directe si et seulement si F G =
{0
E
}.
D

efinition 3.2.
Soit E = F G. On appelle projecteur ou projection sur F pa-
rall`element `a G, lendomorphisme p : E E deni par, si x = x
1
+x
2
,
avec x
1
F, x
2
G, p(x) = x
1
.
On dit aussi que F est le support de p et G est sa direction.
Proposition 3.1. Soit E un K-espace vectoriel et p un endomor-
phisme. Alors p est un projecteur, si et seulement si, p p = p.
On a alors E = Imp Kerp et Imp est le support, Kerp sa direction.
De plus on a : Imp = {x E : p(x) = x}
Exemple 3.1.
Soit p lendomorphisme de R
3
represente canoniquement par la ma-
trice
A =
_
_
2 3 5
1 4 5
1 3 4
_
_
On a A
2
= A, donc p est un projecteur.
Ker(p I
E
) = {(x, y, z) R
3
: x 3y + 5z = 0}, est le support de
p, ayant pour base (3, 1, 0), (5, 0, 1)).
Ker(p) = {(x, y, z) R
3
: 2x 3y + 5z = 0 et x + 4y 5z = 0}
est sa direction. Ker(p) est engendre par le vecteur (1, 1, 1)
10
4. Sous-espaces stables par un endomorphisme
D

efinition 4.1.
Soit E un K-espace vectoriel de dimension nie n et f un endomor-
phisme de E. Un sous-espace vectoriel de E est dit stable, si f(F) F.
Exemple 4.1.
Si u est un vecteur propre de f, alors sev<u> est un sous-espace
stable par f.
Proposition 4.1. Soit E un K-espace vectoriel de dimension nie,
f, g L(E) tels que f g = g f, alors Kerg et Img sont stables par f.
En particulier, k N, K, Ker(f I
E
)
k
et Im(f I
E
)
k
sont
stables par f.
Preuve. Soit y Im(g), alors y = g(x), avec x E. On a alors
f(y) = f(g(x)) = g(f(x)) Im(g).
Soit x Ker(g), on a g(x) = 0
E
. Donc g(f(x)) = f(g(x)) =
f(0
E
) = 0
E
.
Posons g = (f I
E
)
k
, alors f g = g f et on applique alors les
resultats precedents.
Proposition 4.2. Soit E un K-espace vectoriel de dimension nie
et f L(E), F un sous-espace stable par f. On pose g la restriction
de u sur F. Alors P
g
divise P
f
.
Preuve. Soit S = (e
1
, e
2
, . . . , e
p
) une base de F. Cest un syst`eme
libre de E. Soit B = (e
1
, e
2
, . . . , e
p
, e
p+1
, . . . , e
n
) une base de E obte-
nue en completant S. La matrice de f dans la base B est de la forme
M =
_
A C
0 B
_
, o` u A est la matrice de g dans S. Or on a P
M
= P
A
P
B
.
Donc P
A
qui est egal `a P
g
divise P
f
.
5. Proprietes des sous-espaces propres
Proposition 5.1. Soit E un K-espace vectoriel de dimension nie
et f L(E), alors :
1 - sp(f), on a 1 dimE

, o` u m

designe la multipli-
cite de .
11
2 - Si
1
, . . . ,
k
sont des valeurs propres distinctes de f, alors la
somme E

1
+. . . +E

k
est directe.
Preuve
1 - Posons F = E

, alors F est un sous-espace, non nul, stable par


f. Soit g la restriction de f `a F. Alors u F on a g(u) = u. Donc g
est une homothetie. Par suite P
g
= ( X)
p
, o` u p = dim(F). Comme
P
g
| P
f
, on a p m

.
2 - Recurrence sur k. Si k = 1, la propriete est triviale. Supposons
la propriete vraie pour tous les entiers < k. Soit E un K espace vecto-
riel et f un endomorphisme de E et
1
,
2
, . . . ,
k
, des valeurs propres
distinctes de f.
Soient x
i
E

i
, i = 1, . . . , k, veriant x
1
+ x
2
+ . . . + x
k
= 0
E
. On
a f(x
1
) + f(x
2
) + . . . + f(x
k
) =
1
x
1
+
2
x
2
+ . . . +
k
x
k
= 0
E
. Donc
(
1

2
)x
2
+(
1

3
)x
3
+. . .+(
1

k
)x
k
= 0
E
. Dapr`es lhypoth`ese de
recurrence, on a (
1

2
)x
2
= (
1

3
)x
3
= . . . = (
1

k
)x
k
= 0
E
.
Comme
i
=
j
, si = j, on obtient x
2
= x
3
= . . . = x
k
= 0
E
et
x
1
= 0
E
.
Corollaire 5.2. Si est une valeur propre simple dun endomor-
phisme f, alors dimE

=1.
6. Diagonalisation
D efinition 6.1.
Une matrice carree A = (a
ij
) est dite diagonale, si a
ij
= 0, i = j.
On pose alors A = Diag[a
11
, . . . , a
nn
].
Soit E un K-espace vectoriel de dimension nie et f L(E). On
dit que f est diagonalisable, sil existe une base B de E dans laquelle
la matrice de f est diagonale. B est alors base de diagonalisation pour f.
Une matrice carree A est dite diagonalisable si elle est semblable `a
une matrice diagonale.
Th

eor
`
eme 6.1. Soit E un K-espace vectoriel de dimension n et f
un endomorphisme de E. Alors les assertions suivantes sont equivalentes :
1 - f est diagonalisable.
2 - f est scinde et E est la somme directe des sous-espaces propres
de f.
12
3 - f est scinde et pour toute valeur propre de f, dimE

= m

.
4 - f est scinde et pour toute valeur propre de f, rg(f Id
E
) =
n m

.
5 - La matrice de f dans nimporte quelle base de E est diagonali-
sable.
Lorsque cest le cas, si sp(f) = {
1
, . . . ,
k
} et B
1
, B
2
, . . . , B
k
sont
des bases de E

1
, . . . , E

k
, alors B = B
1
B
2
. . . B
k
, est une base de
diagonalisation pour f.
Preuve.
(1)(2). Soit B une base de diagonalisation et D = Mat(f, B) =
Diag[
1
, . . . ,
2
]. On a P
f
= P
D
=

n
i=1
(
i
X). Donc f est scinde.
Posons sp(f) = {
1
, . . . ,
k
} et F = E

1
+ . . . + E

k
. Dapr`es la
proposition, la somme est directe. Montrons que F = E. Puisque B est
constituee de vecteurs propres, on a B est un syst`eme libre de F. Donc
dim(F) n. Do` u dim(F) = n et E = F.
(2)(3). On a f est scinde et E = E

1
. . . E

k
. Donc dim(E) =
dim(E

1
)+. . .+dim(E

k
) = m

1
+. . . m

k
. Par consequent,

k
i=1
(m

dim(E

i
) = 0. Or dim(E

i
) m

i
, donc dim(E

i
) = m

i
.
(2)(4) est claire, puisque rg(f Id
E
) = dim Im(f Id
E
) =
n dim Ker(f Id
E
).
(4)(1). Posons sp(f) = {
1
, . . . ,
k
} et soit B
1
, B
2
, . . . , B
k
sont des
bases de E

1
, . . . , E

k
. Par hypoth`ese on a E = E

1
. . . E

k
, donc
B = B
1
B
2
. . .B
k
, est une base de E et on a Mat (f, B) est diagonale.
(1)(5)Posons A = Mat(f, C), o` u C est une base quelconque de E.
Si f est diagonalisable, il existe une base de diagonalisation B. Posons
P la matrice de passage de C `a B. On a P
1
AP = D est diagonale.
Donc A est diagonalisable. Reciproquement, si A est diagonalisable,
il existe P inversible tel que P
1
AP = D soit diagonale. Soit alors
B la base dont la matrice de passage de B `a C est egale `a P. Alors
Mat(f, B) = P
1
AP = D. Donc f est diagonalisable.
Th

eor
`
eme 6.2. Soit A M
n
(K), alors A est diagonalisable, si et
seulement si, A est scindee et sp(A), rg(A I
n
) = n m

.
13
Preuve. Simple consequence du theor`eme precedent.
Corollaire 6.3. Soit f un endomorphisme dun espace vectoriel
de dimension n. Si f poss`ede n valeurs propres distinctes, alors f est
diagonalisable.
Preuve. En eet, dans ce cas particulier, on a 1 dimE

1. Donc
dimE

= 1 = m

, sp(f).
Remarque 6.1.
Si f est diagonalisable, alors f poss`ede une innite de bases de dia-
gonalisation. Par exemple, si (u
1
, u
2
, . . . , u
n
) est une telle base, alors
pour tous
1
,
2
, . . . ,
n
non nuls, (
1
u
1
,
2
u
2
, . . . ,
n
u
n
) est aussi une
base de diagonalisation.
Exemple 6.1.
Soit f lendomorphisme de R
3
etudie dans lexemple 1.1, represente
canoniquement par la matrice
A =
_
_
5 2 2
8 3 4
4 2 1
_
_
On a vu P
A
= (1 X)
2
(1 +X) et que sp(f) = {1, 1}.
De plus dimE
1
= 2 est egale `a la multiplicite de 1. Donc f est dia-
gonalisable et B = ((1, 0, 2), (0, 1, 1), (1, 2, 1)) est une base de E dans
laquelle la matrice de f est Diag[1, 1, 1].
Exemple 6.2.
Soit
B =
_
_
_
_
1 0 0 0
1 1 0 1
1 m+ 1 1 m
1 0 0 0
_
_
_
_
On a P
B
=

1 X 0 0 0
1 1 X 0 1
1 m+ 1 1 X m
1 0 0 X

= X(X 1)
3
. On a B
est scindee et sp(B) = {0, 1}, avec 0 simple et 1 triple. Le probl`eme se
pose en la valeur propre 1.
14
Pour = 1, on a B I
4
=
_
_
_
_
0 0 0 0
1 0 0 1
1 m+ 1 0 m
1 0 0 1
_
_
_
_
On a rg(B I
4
) = 1 m = 1. Donc B est diagonalisable, si et
seulement si, m = 1.
par exemple, pour m = 0, on a rg(B I
4
) = 2. Dans ce cas l`a B
nest pas diagonalisable.
Exemple 6.3.
Soit p une projection dun espace vectoriel de dimension nie, alors
p est diagonalisable.
En eet, E = Im(p) Ker(p). Or Im(p) = Ker(p I
E
) = E
1
qui est
le support de p et Ker(p) = E
0
la direction de p. Donc E est somme
directe de sous-espaces propres. Il en resulte que p est diagonalisable.
Si B
1
est une base de E
1
, B
0
une base de E
0
alors B = B
1
B
0
une
base de E dans laquelle la matrice de p est Diag[1, 1, . . . , 1, 0, 0 . . . , 0].
Le nombre de 1 est egal `a dimE
1
, le nombre de 0 est egal `a dimE
0
.
Notons que dimE
1
= Tr(p) et que le polynome caracteristique de p est
(1)
n
(X 1)
k
X
nk
, o` u k est la dimension du support.
7. Calcul des puissances dune matrice diagonalisable.
Soit A et B deux matrices semblables. Il existe P une matrice in-
versible telle que B = P
1
AP. Par recurrence on montre que, pour
tout entier naturel k, on a B
k
= P
1
A
k
P.
Si Aest diagonalisable, alors Aest semblable `a D = Diag[
1
,
2
, . . . ,
n
].
On a alors A = PDP
1
o` u P est la matrice de passage de la base ca-
nonique `a la base de diagonalisation. Donc A
k
= PD
k
P
1
, o` u D
k
=
Diag[
k
1
,
k
2
, . . . ,
k
n
].
Exemple 7.1.
Soit A =
_
_
2 1 1
1 2 1
1 1 2
_
_
On a P
A
=

2 X 1 1
1 2 X 1
1 1 2 X

4 X 1 1
4 X 2 X 1
4 X 1 2 X

4 X 1 1
0 1 X 0
0 0 1 X

= (X 1)
2
(X 4)
15
A est scindee et les sous-espaces propres sont : E
1
= sev < u
1
, u
2
>
avec u
1
= (1, 1, 0) et u
2
= (1, 0, 1) et E
4
= sev < u
3
>, avec
u
4
= (1, 1, 1).
On a A est diagonalisable et A = P
1
Diag[1, 1, 4] P, o` u
P =
_
_
1 1 1
1 0 1
0 1 1
_
_
Calculons P
1
qui est la matrice de passage de la base (u
1
, u
2
, u
3
)
`a la base canonique (e
1
, e
2
, e
3
).
On a
_
_
_
u
1
= e
1
e
2
u
2
= e
1
e
3
u
3
= e
1
+ e
2
+ e
3
On obtient
_

_
e
1
=
1
3
(u
1
+u
2
+u
3
)
e
2
=
1
3
(2u
1
+u
2
+u
3
)
e
3
=
1
3
(u
1
2u
2
+u
3
)
On a alors P
1
=
1
3
_
_
1 2 1
1 1 2
1 1 1
_
_
A
k
=
1
3
_
_
1 1 1
1 0 1
0 1 1
_
_
_
_
1 0 0
0 1 0
0 0 4
k
_
_
_
_
1 2 1
1 1 2
1 1 1
_
_
A
k
=
1
3
_
_
4
k
+ 2 4
k
1 4
k
1
4
k
1 4
k
+ 2 4
k
1
4
k
1 4
k
1 4
k
+ 2
_
_
8. Trigonalisation
Nous avons vu quun endomorphisme nest diagonalisble que sous
certaines conditions assez contraignantes. Toutefois, meme sil nest pas
diagonalisable, il est possible et dans des situations plus generales, de
le reduire `a une forme triangulaire. Cest la trigonalisation.
D

efinition 8.1.
Un endomorphisme f est dit trigonalisable sil existe une base B
dans laquelle la matrice de f est triangulaire superieure. On dit alors
que B est une base de trigonalisation.
16
Une matrice A est dite trigonalisable si elle est semblable `a une
matrice triangulaire.
Remarque 8.1.
On peut remplacer triangulaire superieure par triangulaire inferieure.
Th

eor
`
eme 8.1. Soit E un K-espace vectoriel de dimension nie
n et u un endomorphisme de E. Alors f est trigonalisable, si et seule-
ment si, f est scinde.
Preuve. Si f est trigonalisable, il existe une base dans laquelle la
matrice de f est une matrice A = (a
ij
) est triangulaire. On a alors
P
f
= P
A
=

n
i=1
(a
ii
X). Donc f est scinde.
On demontre la reciproque par recurrence sur la dimension de E.
Si n = 1, cest verie. Supposons que la propriete est vraie pour tous les
espaces de dimension < n. Soit E de dimension n et f L(E) scinde.
Posons F la somme des sous-espaces propres de f. On a F est stable par
f et on note g la restriction de f `a F. Soit S = (e
1
, e
2
, . . . , e
p
) une base
de F et B une base de E obtenue en completant S. On a Mat(f, B) =
M =
_
D C
0 B
_
est triangulaire par blocs. D = Mat(g, S) est dia-
gonale. La matrice B est dordre < n. De plus P
B
| P
M
. Donc B
est scindee. Dapr`es lhypoth`ese de recurrence, B est trigonalisable, il
existe Q inversible telle que Q
1
BQ soit triangulaire superieure. Po-
sons S =
_
I
p
0
0 Q
_
, alors S est inversible, S
1
=
_
I
p
0
0 Q
1
_
et
S
1
MS =
_
D CQ
0 Q
1
BQ
_
est triangulaire superieure.
Exemple 8.1.
Soit f un endomorphisme de R
3
represente canoniquement par la
matrice A =
_
_
4 1 5
0 3 1
1 1 0
_
_
.
On a P
A
=

4 X 1 5
0 3 X 1
1 1 X

3 X 1 5
3 +X 3 X 1
0 1 X

3 X 1 5
0 4 X 4
0 1 X

= (3 X)(X
2
4X +4) = (X 3)(X 2)
2
17
On a A est scindee.
rg(A2I
3
) = rg
_
_
2 1 5
0 1 1
1 1 2
_
_
= 2. Donc dimE
2
= 1 < 2, par
suite A nest pas diagonalisable.
On a E
3
= sev < u
1
>, E
2
= sev < u
2
>, o` u u
1
= (1, 1, 0) et
u
2
= (3, 1, 1).
On a (u
1
, u
2
) est un syst`eme libre de vecteurs propres. Completons
ce syst`eme pour avoir une base. Soit B = (u
1
, u
2
, e
1
), o` u e
1
= (1, 0, 0).
On a det(u
1
, u
2
, e
1
) =

3 1 1
1 1 0
1 0 0

= 1 = 0. Donc B est une base de


R
3
.
Calculons la matrice de f dans cette nouvelle base.
On a f(u
1
) = 3u
1
, f(u
2
) = 2u
2
et f(e
1
) = (4, 0, 1) = u
1
+u
2
+
e
1
. On trouve f(e
1
) = u
1
+u
2
+ 2e
1
.
Donc Mat(f, B) = T =
_
_
3 0 1
0 2 1
0 0 2
_
_
9. Polyn omes dendomorphismes et theor`eme de
Cayley-Hamilton
D

efinition 9.1.
- Soit E un K-espace vectoriel et f un endomorphisme de E. Pour
tout k N, on pose f
k
= ff. . .f, k fois, avec la convention f
0
= I
E
.
- Si P =

m
k=0
a
k
X
k
K[X], on pose P(f) =

m
k=0
a
k
f
k
.
On a les proprietes suivante : P, Q K[X] :
(P +Q)(f) = P(f) +Q(f)
(P.Q)(f) = P(f) Q(f)
De la meme facon, si A est une matrice carree, on pose P(A) =

m
k=0
a
k
A
k
, avec la convention A
0
= I
n
.
18
Exemple 9.1.
Soit P = X
3
3X 2, alors P(A) = A
3
3A 2I
n
.
Th

eor
`
eme 9.1 (Cayley-Hamilton). Soit E un K-espace vectoriel
de dimension nie n, alors P
f
(f) = 0.
Preuve. Considerons le cas K = C. On va montrer le theor`eme
par recurrence sur dimE. Le theor`eme est evidemment vraie pour
n = 1. Soit n N

. Supposons le theor`eme vraie pour tout entier


< n. Soit E un C-espace vectoriel de dimension n et f (E). Sup-
posons dabord que 0 sp(A). Soit u
1
un vecteur non nul Ker(f)
et B = (u
1
, u
2
, . . . , u
n
) une base de E. Alors la matrice de f dans
cette base est de la forme A =
_
0 C
0 B
_
et on a P
A
= X.P
B
.
P
A
(A) = A.P
B
(A) =
_
0 C
0 B
__
0 C

0 P
B
(B)
_
.
Dapr`es lhypoth`ese de recurrence, on a P
B
(B) = 0. Donc P
A
(A) =

_
0 C
0 B
__
0 C

0 0
_
= 0
Considerons le cas general et soit sp(f), Posons g = f I
E
.
Alors 0 sp(g) et P
g
(g) = 0. On a : P
f
(X) = det(f XI
E
) =
det(f I
E
+ I
E
XI
E
) = det(g + I
E
XI
E
) = P
g
(X ). Do` u
P
f
(f) = P
g
(f I
E
) = P
g
(g) = 0
Si K = R, alors A M
n
(C) et P
A
(A) = 0.
D efinition 9.2.
On appelle polynome annulateur dun endomorphisme f (ou dune
matrice A), tout polynome P tel que P(f) = 0 (P(A) = 0). Le
theor`eme de Cayley-Hamilton arme que le polynome caracteristique
est un polynome annulateur.
10. Application au calcul des puissances dune matrice.
Soit A M
n
(K) et P un polynome annulateur de A (par exemple
le polynome caracteristique de A). Considerons la division euclidienne
de X
k
par P
A
(). On a X
k
= Q.P
A
+ R
k
, o` u degR < n 1. Alors
A
k
= R
k
(A).
La determination de R
k
seectue en prenant dans () X = pour les
valeurs propres simples et en derivant cette egalite autant de fois que
la multiplicite.
19
Exemple 10.1.
Soit A =
_
_
2 1 1
2 2 1
0 1 2
_
_
. On a P
A
=

2 X 1 1
2 2 X 1
0 1 2 X

c
3
c
2
=

2 X 1 0
2 2 X 1 +X
0 1 1 X

l
2
+l
3
=

2 X 1 0
2 3 X 0
0 1 1 X

Do` u P
A
= (1 X)(X
2
5X + 4) = (X 1)
2
(X 4).
La division euclidienne de X
k
par P
A
donne X
k
= QP
A
+ R
k
(),
o` u R
k
un reste de la forme a
k
X
2
+b
k
X+c
k
. Donc A
k
= a
k
A
2
+b
k
A+c
k
I
3
.
Pour X = 4, on a 4
k
= 16a
k
+ 4b
k
+c
k
.
Pour X = 1, ona 1 = a
k
+b
k
+c
k
.
On obtient une troisi`eme equation en derivant legalite () et en
prenant X = 1, on a alors k = 2a
k
+b
k
.
Finalement on a le syst`eme :
_
_
_
a
k
+ b
k
+ c
k
= 1
16a
k
+ 4b
k
+ c
k
= 4
k
2a
k
+ b
k
= k
La resolution de ce syst`eme donne
a
k
=
4
k
1 k
9
, b
k
=
11k + 2 2.4
k
9
, c
k
=
8 10k + 4
k
9
11. Endomorphismes nilpotents
D

efinition 11.1.
Soit E un espace vectoriel de dimension nie n et f un endomor-
phisme de E. On dit que f est nilpotent sil existe un entier k tel que
f
k
= 0. De meme une matrice carree A est dite nilpotente sil existe
un entier k tel que A
k
= 0.
Le plus petit entier p tel que f
p
= 0 (A
p
= 0) est appele lindice de
nilpotence de f (de A).
20
Exemple 11.1.
A =
_
_
0 1 0
0 0 1
0 0 0
_
_
, On a A
2
=
_
_
0 0 1
0 0 0
0 0 0
_
_
, A
3
= 0. Donc A est
nilpotente dindice 3.
Exemple 11.2.
Soit E = K
n
[X] lespace des polynome de degre n et D len-
domorphisme derivation P P

. Alors D
n+1
= 0. Par suite, D est
nilpotent.
Proposition 11.1. Soit E un espace vectoriel de dimension nie
n et f un endomorphisme de E. Alors f est nilpotent, si et seulement
si, f est scinde et sp(f) = {0}. Alors dans ce cas l`a le polynome ca-
racteristique est P
f
= (1)
n
X
n
.
Preuve. Si f est nilpotent, alors f
k
= 0, o` u k est lindice de nilpo-
tence. On a detf = 0. Donc f nest pas injectif. Soit u
1
un vecteur non
nul de Ker(f) et (u
1
, u
2
, . . . , u
n
) une base de E. La matrice de f dans
cette base est A =
_
0 C
0 B
_
. On a B
k
= 0. Donc B est nilpotente,
par recurrence, B est scindee et sp(B) = {0}. Donc A est scindee et
sp(f) = {0} et on a P
f
= (1)
n
X
n
.
La reciproque est vraie dapr`es le theor`eme de Cayley-Hamilton.
Proposition 11.2. Soit f un endomorphisme dun espace vecto-
riel E. Alors f est scinde et poss`ede une seule valeur propre , si et
seulement si, f I
E
est un endomorphisme nilpotent.
Preuve. Supposons que f est scinde et sp(f) = {}. Posons g =
f I
E
. Soit T la matrice de f dans une base de trigonalisation. La
matrice de g est T I
n
. Tous les coecients diagonaux de T I
n
sont nuls. Donc P
g
= (X)
n
. Donc g est nilpotent.
Reciproquement si g est nilpotent, alors I
E
+g est scinde et poss`ede
une seule valeur propre.
21