1.

REDUCTION D’ENDOMORPHISMES OU DE MATRICES

1.1. Introduction. Nous allons conclure le cours en répondant

aux questions posées dans le chapitre initial. Nous avions introduit aux ma-
trices carrées de scalaires dans un corps K d’ordre n de la forme
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
A=
 ···
, aij ∈ K
··· ··· ··· 
an1 an2 · · · ann
La première est la suivante : peut-on calculer la puissance k-ième de A
Ak = A × ... × A = Ak−1 × A = A × Ak−1
| {z }
k fois
0
avec A = In la matrice identité d’ordre n.

L’autre question se pose ainsi : étant donnée une fonction f admettant

un développement illimité
∞
X
f (x) = ak xk
k=0

pour |x| < R, où R > 0 est le rayon de convergence de la fonction, peut aussi
définir la matrice
∞
X
f (A) = ak Ak
k=0
Une telle matrice intervient dans la résolution des systèmes d’équations
différentielles linéaires. Nous avions déja vu deux types de matrices pour
lesquelles ces opératons sont faciles
1.1.1. Matrices diagonales. Soit A diagonale
A = diag(λ1 , λ2 , · · ·, λn ) = (δij λi )
On a montré qu’on avait
(1.1) Ak = diag(λk1 , λk2 , · · ·, λkn )
et si |λi | < R pour tout 1 ≤ i ≤ n, on aura
(1.2) f (A) = diag(f (λ1 ), f (λ2 ) · ··, f (λn ))
1.1.2. Matrice de Jordan simple. Soit A une matrice de Jordan simple
de la forme  
λ 1 ··· 0
 0 λ 1 0 
A = Jn (λ) = 
 
··· ··· ··· ··· 
0 0 ··· λ
A = λIn + Hn
1
2

avec  
0 1 ··· 0
 0 0 1 0 
Hn = 
 
··· ··· ··· ··· 
0 0 ··· 0
Nous avons
Hnn−1 6= 0 et Hnn = 0
Nous avons montré que pour n=3, on a
 
k 1 n 1 n
 λ 2! ( )λk−1 3! ( )λk−2
k−1 k−2 
k
 
(1.3) A = 1 n 
 0
 λk 2! ( k − 1 )λ
k−1 

0 0 λk
si bien que pour λ dans le rayon de convergence, on a
1 0 1
 
f (λ) 2! f (λ) 3! f ”(λ)
1 0
(1.4) f (A) =  0 f (λ) 2! f (λ)

0 0 f (λ)
Pour les ordres n supérieurs, il suffit de suivre les sur-diagonales et de mettre
les dérivées supérieures de f appliquées à λ, divisées par k!

Supposons que A est la matrice d’un endomorphisme u d’un espace

vectoriel E de dimension n sur K, dans une base B=(e1 , e2 , ..., en ),
A = M at(u, B)
Soit une deuxième base C=(c1 , c2 , ..., cn ) et soit P la matrice de passage de B
à C , dont les colonnes sont les composantes des élements de C dans la base
B. La matrice D de u dans la base C est ainsi obtenue
D = P −1 AP
On peut poser les deux questions
Conjecture 1. Existe-t-il une base C telle que D soit diagonale, c’est-à-
dire
P −1 AP = diag(λ1 , λ2 , · · ·, λn ) = Λ
Dans ce cas
A = P ΛP −1
et on répond aux questionnements fondamentaux en ayant
Ak = P × diag(λk1 , λk2 , · · ·, λkn ) × P −1
et
f (A) = P f (Λ) P −1
Conjecture 2. Existe-t-il une base C telle que D soit une matrice en
blocs de Jordan, de la forme
 
Jr1 (λ1 )
P −1 AP =  ··· 
Jrp (λp )
 1. REDUCTION D’ENDOMORPHISMES OU DE MATRICES 3

et donc
Jr1 (λ1 )k
 

Ak = P  ···  P −1
k
Jrp (λp )
et enfin  
f (Jr1 (λ1 ))
f (A) = P  ···  P −1
f (Jrp (λp ))
k
On calcule sans peine les matrices Jr1 (λ1 ) selon la formule (1.3) et leurs
images par f.

Notre réponse est qu’il existe des matrices A, pour lesquelles, la première
question admet une réponse positive : Elles sont dites diagonalisables.
Par contre, pour toute matrice A, la deuxième question admet une
réponse positive. Nous allons donner le fondemement de cela.
1.2. Valeurs propres, vecteurs propres. Gardons les mêmes nota-
tions avec celle-ci en plus. Soit x un vecteur de E, notons


x1
X = ··· 
xn
le vecteur de ses composantes dans la base B. Donnons les définitions.
Definition 1. Un vecteur x (resp. X) non nul est un vecteur propre de
u (resp. A), si et seulement il existe un scalaire λ tel que
(1.5) u(x) = λx
resp. AX = λX
et λ est alors la valeur propre associée au vecteur propre x.
Definition 2. Un scalaire λ est une valeur propre de u ssi il existe un
vecteur x non nul tel que (1.5) soit vraie.
Definition 3. Soit λ une valeur propre de u, l’ensemble des vecteurs
propres associés à λ augmenté du vecteur nul
Eλ = {x ∈ E, u(x) = λx} ⊂ E
ou
Eλ = {X ∈ K n , AX = λX} ⊂ K
s’appelle espace propre associé à λ.

Commençons par déterminer l’ensemble des valeurs propres. Remar-

quons que λ est une valeur propre s’il existe un vecteur X non nul tel que
AX = λX = λIn (X)
c’est-à-dire
(1.6) (A − λIn )(X) = 0
4

Dans ce cas, le système (1.6) de n équations à n inconnues de matrice A−λIn

possède la solution 0 et une autre solution X non nulle. Donc, il ne s’agit
pas d’un système de Cramèr, si bien que son déterminant est nul :
det(A − λIn ) = 0
En conclusion, les valeurs propres de A sont les zéros de la fonction
PA (λ) = det(A − λIn )
Definition 4. On appelle polynômes caractéristique de l’endomorphisme
u ou de la matrice A, la fonction
PA (λ) = det(A − λIn )

On peut montrer facilement que les deux matrices A et D ont la même

fonction caractéristique. En effet, A et D sont semblables, c’est à dire qu’il
existe une matrice P inversible telle que
D = P −1 AP
et donc
D − λIn = P −1 AP − λIn = P −1 AP − λP −1 In P = P −1 (A − λIn )P
Donc
det(D − λIn ) = det(A − λIn )
On peut donc définir le polynôme caratéristique d’un endomorphisme u
en prenant celui d’une de ses matrices. Donnons quelques propriétés du
polynômes caractéristiques.
Proposition 1. Le polynome caractéristique PA est un polynôme de degré
n
Le coefficient du monôme de degré n est :
(−1)n
Le coefficient du monôme de degré n-1 est :
X
(−1)n−1 tr(A) = (−1)n−1 ( aii )
1≤i≤n

le terme constant est det(A) si bien qu’on a

PA (λ) = (−1)n λn + (−1)n−1 tr(A)λn−1 + ... + det(A)

Donnons un exemple. Soit

 
8 −8 −4
A =  3 −2 −2 
2 −3 1
On a  
8−λ −8 −4
A − λI =  3 −2 − λ −2 
2 −3 1−λ
et
det(A − λI) = −λ3 + 7λ2 − 16λ + 12
 1. REDUCTION D’ENDOMORPHISMES OU DE MATRICES 5

= (2 − λ)2 (3 − λ)
Donc les valeurs propres sont 2 et 3. Un autre exemple. Soit
 
−1 −6 11
1
B= −3 10 −3 
4
11 −6 −1
Evaluons

 
−17 −6 11
1
B − 4I =  −3 −6 −3 
4
11 −6 −17
On constate que deux fois la deuxième ligne moins la première donne la
dernière ligne. Donc det(B-4I)=0 et 4 est une valeur propre. De même
 
11 −6 11
1
BA + 3I = −3 22 −3 
4
11 −6 11
La première colonne et la dernière sont identiques. Donc det(B+3I)=0 et
donc -3 est une valeur propre. Evaluez B-I et en déduire que 1 est une valeur
propre de B. Soit  
9 −15 −5
C= 0 −1 0 
10 −5 −6
Montrer que -1 et 4 sont des valeurs propres. Vous pouvez aussi faire
l’exercice suivant.
Exercise 1. Déterminer les polynômes caractéristiques des matrices A,
B et et en déduire leurs valeurs propores.
Soit la matrice B. Quel est le coefficient de λ3 , de λ2 , de λ0 . Sachant que
1 est racine du polynôme, déterminer le coefficient de λ.

Retenez que
• On peut déterminer les valeurs propres en déterminant polynôme
caractéristique et calculer les racines
• On peut aussi vérifier qu’une valeur donnée est valeur propre en
calculant det(A-λI)
• En dimension trois, il suffit de connaitre une racine donnée pour
compléter le polynôme caractéristique
λ3 − tr(A)λ−2 + aλ + det(A)
en déterminant a.
Maintenant rappelons que dans un corps algébriquement clos comme C,
tout polynôme de degrés n, possède exactement n racines. On suppose dans
la suite que nous sommes dans C. Donc PA possède n racines mais p valeurs
distinctes λi (i=1,...,p). La racine λi est solution ni ≥ 0 fois de sorte que
Y
PA (λ) = (λi − λ)ni
1≤i≤p
6

avec
n1 + n2 + ... + np = 0
Avec les exemples précédents, on a
PA (λ) = (2 − λ)2 (3 − λ)
PB (λ) = (1 − λ)(4 − λ)(3 + λ)
PC (λ) =?
Dans certains cas, on a : n1 = n2 = ... = nn = 1. Dans ce cas, on a exactement
ne racines distinctes. Cela constitue un exemple important dans la suite.
Etudons maintenant la somme des espaces propres
1.3. Diagonalisation d’une matrice. Commençons par énoncer ce
résultat
Proposition 2. Chaque espace propre Eλ est stable par l’endomorphisme
u, c’est-à-dire que l’image d’un élément de Eλ reste dans Eλ , ou encore
u(Eλ ) ⊂ Eλ
Proof. Soit x∈ Eλ ⇔ u(x) = λx. Soit y∈ u(Eλ ). Donc il existe x∈ Eλ tel
que u(x)=λx. Donc
u(y) = u(u(x)) = u(λx) = λu(x) = λy
D’où y∈ Eλ . On vient de montrer
y ∈ u(Eλ ) ⇒ y ∈ Eλ
D’où
u(Eλ ) ⊂ Eλ


Une autre poposition.

Proposition 3. La sommes des espaces propres est directe, c’est à dire
X M
Eλi = Eλi
1≤i≤p 1≤i≤p
Q
Proof. Il suffit de prouver que pour tout p-uplet (x1 , x2 , ..., xp ) ∈ 1≤i≤p Eλi ,
on a
X
(1.7) xi = 0 ⇒ ∀(1 ≤ i ≤ p, xi = 0)
1≤i≤p

Prouvons cela pour p=2. Notons λ1 = λ et λ2 = µ. Soit (x1 , x2 ) ∈ Eλ × Eµ

avec
x1 + x2 = 0
Appliquons l’endomorphisme u à cette égalité et multiplions la par λ. Nous
avons le système 
u(x1 ) + u(x2 ) = 0
λx1 + λx2 = 0
equivalent à 
λx1 + µx2 = 0
λx1 + λx2 = 0
 1. REDUCTION D’ENDOMORPHISMES OU DE MATRICES 7

La différence donc
(λ − µ)x2 = 0
Puisque λ 6= µ, donc x2 = 0 et alors x1 = 0.
Puisque la propriété est vraie à l’origine p=2, on peut la démontrer par
récurrence sur p. Il nous suffit de montrer alors que si elle est vraie à l’odre
p, elle le sera à l’ordre p+1.
Supposons qu’elle est vraie à l’ordreQ p.
Supposons qu’on ait (x1 , x2 , ..., xp ) ∈ 1≤i≤p+1 Eλi , on a
X
(1.8) xi = 0
1≤i≤p+1

On toujours appliquer l’endomorphisme à cette égalité, puis la mutliplier

par λp+1 . Nous aurons le système
 P
u(xi ) = 0
P 1≤i≤p+1
1≤i≤p+1 p+1 xi = 0
λ
Ce qui donne  P
λx =0
P 1≤i≤p+1 i i
1≤i≤p+1 p+1 xi = 0
λ
La diférence donne X
(λp+1 − λi ) xi = 0
1≤i≤p
Là, nous avons une somme de p éléments yi = (λp+1 − λi ) xi ∈ Eλi . D’après
l’hypothèse de récurrence, les yi sont nuls et donc les p premiers xi puisque
les coefficients λp+1 − λi sont non nuls. Cela implique que le dernier terme
xp+1 est aussi nul. 

La conséqence est simple. Considérons pour chaque espace propre Eλi

une base Ci , alors [
C= Ci
1≤i≤p
L
est une base de vecteurs propres de la somme directe 1≤i≤p Eλi .

Supposons qu’on ait n valeurs propres distinctes. Chaque espace propre

Eλi possède au moins un vecteur non nul, donc a une dimension au moins
égal à 1 et M X
dim( Eλi ) = dim(Eλi ) ≥ n
1≤i≤n 1≤i≤n
Si un seul espace propre possède une dimension supérieure à 1, la somme
directe aura une dimension supérieure à n. Ce qui est impossible. Alors
chacun a un dimension exactement égal à 1. Dans chaque espace propre Eλi
on choisit un vecteur ci et alors
B = (c1 , c2 , ..., cn )
L
est une base 1≤i≤n Eλi donc forcément égal à E. Donc C est une base de
E, et bien sûr
D = M at(u, C) = diag(λ1 , λ2 , ..., λn )
Nous pouvons énoncer
8

Proposition 4. Si A possède n valeurs propres distinctes, elle est diago-

nalisable. La base de vecteurs propres est choisie en prenant un vecteur non
nul dans chaque espace propre qu’on déterminera.

Pour aller plus loin, nous avons besoin du lemme suivant

Proposition 5. Pour tout espace propre Eλi , on a
dim(Eλi ) ≤ ni

Cette proposition entraine que si dim(Eλi ) = ni pour chaque espace

propre, alors
M X X
dim( Eλi ) = Eλi = ni = n
1≤i≤p 1≤i≤p 1≤i≤p
L
Donc on aura 1≤i≤p Eλi = E. Donc la collection C des bases Ci est une base
de vecteurs propres de E, on aura
 
λ1

 ··· 


 λ1 

D = M (u, C) = 
 ····· 


 λp 

 ··· 
λp
On montre aisément l’inverse, si bien qu’on a
Proposition 6. La matrice A est diagnalisable ssi chaque espace propre
a pour dimension, son ordre de multiplicité, c’est-à-dire
dim(Eλi ) = ni pour tout 1 ≤ i ≤ p

Finissons par donner un dernier critère. Formons le polynôme qA obtenu

en prenant uniquement les facteurs simples du polynôme caractéristique
Y
qA (λ) = (λi − λ)
1≤i≤p

Theorem 1. Théorème de Cayley-Hamilton : on a

Y
PA (A) = (λi In − A)ni = 0
1≤i≤p

Voila le critère le plus complet en terme de diagonalisation.

Proposition 7. La matrice A est diagonalisation ssi
Y
qA (A) = (λi In − A)
1≤i≤p
 1. REDUCTION D’ENDOMORPHISMES OU DE MATRICES 9

1.4. Méthodologie de diagonalisation.

• Déterminer le polynôme caractéristique

• S’il y a n valeurs propres distinces, la diagonalisation est immédiate.
• Déterminer chaque espace propre Eλi et trouver une base.
• Si tous les espaces propres ont pour dimension leur ordre de multi-
plicité, on diagonalise avec les bases trouvées
• Si un espace propre n’a pas de dimension égale à son ordre de mul-
tiplicité, alors on passera à la Jordanisation.
Mais on fera attention à cette propriété importante
Proposition 8. Toute matrice carrée symétrique A est diagonalisable.
On peut même choisir une matrice P dont l’inversible est sa transposée de
sorte que
t
P AP = diag(λ1 , λ2 , ..., λn )
Une telle matrice P est dite orthogonale. Vous la verrez dans les cours de
géométrie.

1.5. Exemple de Diagonalisation.

1.5.1. Commençons par B:.
 
−1 −6 11
1
B =  −3 10 −3 
4
11 −6 −1
Son polynôme caractéristique est
PA (λ) = (1 − λ)(3 + λ)(4 − λ)
Nous avons donc n=3 valeurs propres. Elle est sûrement diagonalisable.
Nous allons déterminer ses espaces propres tous de dimpension ni = 1. Rap-
pelons qu’en dimension n, l’équation

a1 x1 + a2 x2 + ... + an xn = 0
est l’équation d’un hyperplan, c’est à dire, un espace de dimension n-1.
Deux équations indépendantes donnent un espace de dimension n-2. Trois
équations indépendantes d’hyperplans donnent un espace de dimension n-3,
etc...

Donc en dimension n=3, une équation

ax + by + cy = 0
est celle d’un plan (dimension 2). Un système

ax + by + cz = 0
a0 x + b0 y + c0 z = 0
de deux équations indépendantes donnent un espace de dimension, donc un
droite. Pour trouver un vecteur directeur d’une droite vectorielle à partir
de ce sysyème, il faut exprimer deux des variable par rapport à la dernière.
10

Appliquons tout cela à B. Commençons par la valeur propre λ = 4. On

a

 
−17 −6 11
1
B − 4I =  −3 −6 −3 
4
11 −6 −17
 
x
. Nous cherchons X= y  tel que
z
BX = 4X ⇔ (B − 4I)X = 0
et nous constatons que, dans B-4I, deux fois la deuxième ligne moins la
première donne la dernière. On peut ignorer la première équation et on
aura 
−3x − 6y − 3z = 0
BX = 4X ⇒
11x − 6y − 17z = 0
donc 
x + 2y + z = 0
11x − 6y − 17z = 0
Désigons par EQi les équations du système et appliquons les opérations :
11(EQ1 ) − EQ2 puis 3EQ1 + EQ2 . Nous avons

28y + 28z = 0
14x − 14z = 0

y = −z
x=z
Pour z=1, on a x=1 et y=-1 Donc
c1 = (1, −1, 1)
vecteur directeur de E4 . Pour la valeur propre λ = −3, on a
 
11 −6 11
1
B + 3I = −3 22 −3 
4
11 −6 11
On constate l’égalité de la première et de la dernière ligne. Donc

−3x + 22y − 3z = 0
BX = −3X ⇒
11x − 6y + 11z = 0
En appliquant 11(EQ1 ) + 3(EQ2 ), on aura

y=0
x = −z
Donc pour z=1, x=-1, y=0 et
c2 = (−1, 0, 1)
 1. REDUCTION D’ENDOMORPHISMES OU DE MATRICES 11

vecteur propre de E−3 . Enfin, pour λ = 1, on a

 
−5 −6 11
1
B − I =  −3 6 −3 
4
11 −6 −5
On constate que deux fois la deuxième ligne plus la première donne l’opposé
de la dernière ligne. En conséquence

−3x + 6 − 3z = 0
BX = X ⇒
11x − 6y − 5z = 0
ce qui donne

−x + 2 − z = 0
11x − 6y − 5z = 0
En appliquant 11(EQ1 ) + (EQ2 ) et 3(EQ1 ) + EQ2 , on aura
 
+16y − 16z = 0 y=z
⇒
8x − 8z = 0 x=z
Donc
c3 = (1, 1, 1)
est vecteur propre de E1 . Soit la base C = (c1 , c2 , c3 ) et
 
1 −1 1
P =  −1 0 1 
1 1 1
On a  
4 0 0
M (u, C) =  0 −3 0 
0 0 1
et  
1 −2 1
1
P −1 =  −2 0 2 
4
1 2 1
et  
4 0 0
P −1 BP =  0 −3 0 
0 0 1
1.5.2. Etudions C :.
 
9 −5 −5
C =  0 −1 0 
10 −5 −6
On a
PC (λ) = (1 + λ)2 (4 − λ)
On a deux valeurs propres λ = −1 d’ordre de multiplicité 2 et µ = 4 d’ordre
de multiplicité 2. Pour que C soit diagonalisable, il faut et et il suffit que
l’espace propre E−1 soit de dimension 2. Commençons par l’espace propre
12

E4 forcément de dimension un puisque son ordre de multiplicité est égale à

un. On a  
5 −5 −5
C − 4I =  0 −5 0 
10 −5 −10
Donc 
y=0
CX = 4X ⇒
x−z =0
D’où
c1 = (1, 0, 1)
vecteur propre de E4 . Pour µ = −1, on a
 
10 −5 −5
C +I = 0 0 0 
10 −5 −5
Le système CX=-X se réduit en une seule équation
10x − 5y − 5z = 0 ⇔ 2x − y − z = 0
Ce qui est bien l’équation d’un plan. Comment trouver une base. Retenez
cette méthode. On exprime une variable, disons z, par rapport aux autres et
pour les autres on écrit les représentatons x = x + 0 y et y = 0x + y . Exemple

 x = x + 0y
y = 0x + y
z = 2x − y


Donc      
x 1 0
 y  = x 0  + y 1 
z 2 −1
Donc
c2 = (1, 0, 2) et c3 = (0, 1, −1)
est une base de E−1 . Si bien que
C = (c1 , c2 , c3 )
est une base de vecteurs propres de C. On a la matrice de passage
 
1 1 0
P = 0 0 −1 
1 2 −1
On a  
2 −1 −1
P −1 =  −1 1 1 
0 −1 0
Vous aurez
P −1 CP = diag(4, −1, −1) = mat(u, C)
Vous vérifiez aisément ici que
qC (C) = (−I − C)(4 ∗ I − C) = 0
 1. REDUCTION D’ENDOMORPHISMES OU DE MATRICES 13

1.5.3. Terminonons par un cas pathologique!

 
8 −8 −4
A =  3 −2 −2 
2 −3 1
On a
PA (x) = (2 − x)2 (3 − x)
Donc λ =3 est valeur propre d’ordre de multilplicité 1 et µ = 3 d’ordre de
multiplicité 2. Pour que A soit diagonalisable, il faut et suffit que E2 soit de
dimension 2. Commençons par déterminer E3 . On a
 
5 −8 −4
A − 3I =  3 −5 −2 
2 −3 −2
La somme des deux dernières lignes donne la première. Donc

3x − 5y − 2z = 0
AX = 3X ⇒
2x − 3y − 2z = 0
Appliquons EQ1 − EQ2 et 2EQ1 − 3EQ2 , nous aurons
 
x − 2y = 0 x = 2y
⇒
−y + 2z = 0 z = y/2
Pour y=2, z=1, x=4. Donc
c1 = (4, 2, 1)
vecteur directeur de E3 . Pour µ = 2, on a
 
6 −8 −4
A − 2I =  3 −4 −2 
2 −3 −1
La première ligne est double de la deuxième. On s’en passe et on a

3x − 4y − 2z = 0
AX = 2X ⇒
2x − 3y − z = 0
Appliquons 2 × EQ1 − 3 × EQ2 puis EQ1 − 2 × EQ1
 
y−z =0 z=y
⇒
−x + 2y = 0 x = 2y
On a bien la droite des vecteurs (2y, y, y) = y(2, 1, 1). Donc E2 est droite
vectorielle de vecteur directeur
c2 = (2, 1, 1)
Il s’en suit que A n’est pas diagonalisable. Par ailleurs on vérifie que
 
−2 4 0
qA = (2I − A)(3I − A) =  −1 2 0 
−1 2 0
est non nul. Dans un tel cas, on aura recours à la Jordanisation.
14

1.6. La Jordanisation. Considérons les espaces caractéristiques

Nλi = ker(u − λi In )ni
(resp.
Nλi = Ker(A − λi In )ni
). On peut montrer aisément que Nλi est stable par u. Car soit y ∈ Nλi ,
c’est-à-dire
(u − λi I)ni (y) = 0
alors
(u − λi In )ni (u(y)) = (u − λi In )ni ((u(y) − λi y + λi y)
= (u − λi In )ni ((u − λi I)(y)) + (u − λi In )ni (λi y)
= (u − λi In )ni +1 (y) + λi (u − λi In )ni (y) = 0
Donc
u(y) ∈ Nλi
D’où
u(Nλi ) ⊂ Nλi
De plus, l’espace propre Eλi est dans l’espace caractéristique Nλi :
Eλi ⊂ Nλi
Car
x ∈ Eλi ⇒ (u − λi I)(x) = 0
⇒ (u − λi I) (x) = (u − λi I)ni −1 ((u − λi I)(x)) = (u − λi I)ni −1 (0) = 0
ni

Mais le plus remarquable est dans cette proposition.

Proposition 9. Les espaces caractéristiques sont stables par l’endomorphisme
u, sont supplémentaires et leur somme fait l’espace total :
M
E= Nλi
1≤i≤p

Et
dim(Nλi ) = ni
Donc
dim(Eλi ) = ni ⇒ Eλi = Nλi
De plus, on peut trouver dans chaque espace Nλi une base B i telle que la
matrice de la restriction de u dans cette base est une matrice en blocs de
Jordan de la forme  
J1 (λi )
 ··· 
Js (λi )
où chaque Jj (λi ) est une matrice de Jordan simple.
1.6.1. Méthode de Jordanisation. Pour une valeur propre dont la dimen-
sion est égale à son ordre de multiplicité, on diagonalise l’endomorphisme sur
l’espace propre. Sinon, on jordanise sur l’espace caractéristique, qui inclut
dans l’espace propre :
Eλi ⊂ Nλi
Nous verrons les méthodes utilisées dans les exemples à venir.
 1. REDUCTION D’ENDOMORPHISMES OU DE MATRICES 15

1.6.2. Reprenons la matrice A..

 
8 −8 −4
A =  3 −2 −2 
2 −3 1
Nous savons que A les valeurs propres λ =3 d’ordre de multilplicité 1 et
µ = 3 d’ordre de multiplicité 2. Une base E3 = N3 est constitué du vecteur
c1 = (4, 2, 1)
On a vu que E2 est une droite vectorielle de base
c2 = (2, 1, 1)
Nous allons déterminer l’espace caractéristique N2 puis compléter c2 en une
base de N2 telle que la matrice de u dans cette base soit de Jordan simple.
On a  
4 −4 −4
(A − 2I)2 =  2 −2 −2 
1 −1 −1
Donc
X ∈ N2 ⇒ (A − 2I)2 (X) = 0
⇒x−y−z =0
D’où 
 x=y+z
y =y+0
z = 0y + z

et      
x 1 1
 y  = y 1 +z 0 
z 0 1
Donc ((1, 1, 0), (1, 0, 1)) est une base de N2 . Choisissons l’un des deux vecteurs
indépendants du vecteur c2 déjà obtenu (donc ce vecteur n’est pas dans
l’espace propre). Soit:
c3 = (1, 0, 1)
On vérifie que les vecteurs c2 et c3 sont indépendants et donc (c2 , c3 ) est une
base de N2 et donc C=(c1 , c2 , c3 ) est une base de E.
     
4 2 1
Ac3 =  1  =  1  + 2  0  = c2 + 2c3
3 1 1
D’où  
3 0 0
D = M (A, C) =  0 2 1 
0 0 0
Si on avait choisi
c3 = (1, 1, 0)
on aurait voulu
Ac3 = c2 + 2c3
16

et on ne l’a pas. Par contre en prenant l’opposé de c2 , c’est à dire

c2 = (−2, −1, −1)
on a bien :
Ac3 = c2 + 2c3
En résumé, la jordanisation demande un flair pour le choix de la base.
Mais on peut appliquer une méthode plus automatique. On peut chercher
une nouvelle base (v,w) de N2 en posant

v = ac2 + bc3
w = a0 c2 + b0 c3
et déterminer a, a’, b et b’ tels que

A(v) = 2v
A(w) = v + 2w
On parvient à une Jordnaisation à coup sûr. Mais avec un peu d’intuition,
on arrive à Jordaniser sans faire des calculs compliqués.
1.6.3. Une autre matrice.
 
1 −2 −3
F = 1 4 2 
−1 −2 1
On a
PF (λ) = (2 − λ)3
Donc λ = 3 est l’unique valeur propre d’ordre de multiplicité 3. Calculons
 
−1 −2 −3
(F − 2I) =  1 2 2 
−1 −2 −1
puis  
2 4 2
2
(F − 2I) =  −1 −2 −1 
0 0 0
On a 
 x + 2y + 3z = 0
F X = 2X ⇒ x + 2y + 2z = 0
x + 2y + z = 0


EQ1 − EQ2 donne z = 0 et les autres équations se réduisent à x+2y=0, d’où


x = −2y
z=0
Donc
c1 = (−2, 1, 0)
est un vecteur propre de F. Déterminons Ker(F − 2I)2 . On a
(F − 2I)2 (X) = 0 ⇒ x + 2y + z = 0
Ce qui donne 
 x = −2y − z
y = y + 0z
z = 0y + z

 1. REDUCTION D’ENDOMORPHISMES OU DE MATRICES 17

Ce qui donne pour base ((−2, 1, 0), (−1, 0, 1)). Le premier vecteur était déjà
obtenu. Posons
c2 = (−1, 0, 1)
Nous voulons avoir
     
−2 −1 −4
F (c2 ) = c1 + 2c2 =  1  + 2  0  =  2 
0 1 1
Ce qui est le cas. Enfin passons à l’espace caractéristique N3 = Ker(F − 2I)3
qui est de dimension, forcément égal à E (qui est de dimension 3). Il suffit
donc de compléter (c1 , c2 ) en une base de E, (c1 , c2 , c3 ) de sorte que M(u,
(c1 , c2 , c3 )) soit de blocs de Jordan. Cherchons alors c3 = (x, y, z) tel que
F c3 = c2 + 2c3 ⇔ (F − 2I)(c3 ) = c2
On trouve
z = 1, x + 2y = −2
Soit y=0, on obtient
c3 = (−2, 0, 1)
On vérifie que (c1 , c2 , c3 ) est une base de E=N3 et
     
−5 −1 −2
F (c3 ) =  0  =  0  + 2  0  = c2 + 2c3 =
3 1 1
D’où, pour  
−2 −1 −2
P = 1 0 0 
0 1 1
et  
2 −1 −1
P −1 =  −1 1 1 
0 1 0
Conclusion 1. Nous avons fini cet exposé. Nous vous prions de faire
les exercices exposés dans le site du cours. Ces exercices permettent de voir
si vous comprenez les principes pour de petites dimensions. Mais rassurez
vous, les calculs sont faits avec des logiciels tels que Matlab, scilab, R, etc.
Tous les calculs de ce chapitre sont faits avec le logiciel R.