Université Cheikh Anta Diop de Dakar

Faculté des Sciences et Techniques

(UCAD-FST)
Département de Mathématiques et Informatique
(DMI)

COURS D’ALGÈBRE L2

Chargé du cours : Pr Amadou Lamine FALL

Assistants TD : Dr Moussa SALL
Dr Mame Abdou DIAW
Dr Gilbert NOLAN
Dr Cheikh Tidiane GUEYE
Dr Andre DIABANG
 Table des matières

Chapitre 1. Diagonalisation et Applications 3

1. Diagonalisation d’endomorphisme 3
2. Applications 11

Chapitre 2. Trigonalisation et Théorème de Cayley-Hamilton 15

1. Trigonalisation 15
2. Polynômes annulateurs et Théorème de Cayley-Hamilton 18
3. Lemme de Noyaux 21
4. Diagonalisation à l’aide des polynômes annulateurs 23
5. Diagonalisation simultanée de deux endomorphismes 24
6. Décomposition spectrale ou décomposition de Dunford 25

Chapitre 3. Réduction de Jordan 31

1. Introduction 31
2. Réduction de Jordan d’un endomorphisme nilpotent 33
n
3. Réduction dans le cas Pf (X) = (λ − X) avec λ 6= 0 42
4. Réduction de Jordan dans le cas général 45

Chapitre 4. Systèmes différentiels et Équations différentielles linéaires d’ordre n à

coéfficients constants 49
1. Systèmes différentiels linéaires 49
2. Équations différentielles linéaires d’ordre n à coéfficients constants 61

1
 Chapitre 1

Diagonalisation et Applications

Dans tout le cours , E sera un espace vectoriel de dimension finie sur un corps K.

1. Diagonalisation d’endomorphisme

1.1. Valeurs propres et Sous espaces propres.

Définition 1.1. Soient f ∈ L (E), un scalaire λ ∈ K est une valeur propre de f s’il
existe u 6= 0 tel que f (u) = λu.

Définition 1.2. Soient f ∈ L (E) et u ∈ E et λ ∈ K une valeur propre de f .

u est un vecteur propre de f associé à la valeur propre λ si u 6= 0 et f (u) = λu.

Remarque 1.3. f ∈ L (E) et λ ∈ K une valeur propre de f , il existe u ∈ E non nul

tel que f (u) = λu, c’est à dire (f − λidE )(u) = 0. On en déduit que si λ ∈ K est une
valeur propre de f alors l’endomorphisme (f − λidE ) n’est pas bijectif.
Soit A = matB (f ) la matrice de f relativement à une base B de E. Alors λ ∈ K une
valeur propre de f si et seulement si det(A − λI) = 0 où I est la matrice unité.

Définition 1.4. f ∈ L (E) et λ une valeur propre de f.

Le sous espace propre de f associé à la valeur propre λ est

Eλ = {u ∈ E / f (u) = λu} = ker (f − λ idE ) .

Le sous espace propre de f , Eλ est constitué du vecteur nul et de l’ensemble des

vecteurs propres de f associé à la valeur propre λ.

Définition 1.5. f ∈ L (E), B une base de E et A = matB (f ) la matrice f relative-

ment à la base B, le polynôme Pf (X) = det(A − XI) est appelé polynôme caractéristique
de f .

Remarque 1.6. λ ∈ K est une valeur propre de f si et seulement si λ est racine du

polynôme caractéristique de f .

Définition : f ∈ L (E) .
Le spectre de f est l’ensemble de ses valeurs propres.
3
4 1. DIAGONALISATION ET APPLICATIONS

Définition 1.7. Soit A ∈ Mn (R) et k ∈ N tel que 1 ≤ k ≤ n. On appelle sous

matrice principale d’ordre k de A la sous matrice d’ordre n − k obtenue à partir de A en
supprimant n − k lignes et les n − k colonnes correspondantes.
Un mineur principal d’ordre de A est le determinant d’une sous matrice principale d’ordre
k de A.

Proposition 1.8. f ∈ L (E), B une base de E et A = (ai,j )1≤i,j≤n = matB (f ) la

matrice f relativement à la base B, le polynôme caractéristique Pf (X) = det(A − XI) est
donné par :
Si n = 2 alors
Pf (X) = X 2 − Tr(A)X + det A

Tr(A) etant la trace de la matrice A.

Et si n ≥ 3 on a
n−1
X
n n n−1 n−1
Pf (X) = (−1) X + (−1) Tr(A)X + (−1)n−k ωk X n−k + det A.
k=2

Le scalaire ωk est la somme des mineurs principaux d’ordre k de A.

Exemple 1.9. Soit f ∈ L (R3 ) de matrice

 
−1 1 1
A =  1 −1 1 .
 

1 1 −1

Déterminer les valeurs propres et les sous espaces propres de f.

Déterminons d’abord le polynôme caractéristique.
D’après la formule Pf (X) = −X 3 + Tr(A)X 2 − ω2 X + det A.
La trace de A est la somme des éléments diagonaux de A donc Tr(A) = −3. Le détermi-
nant est det(A) = 4. Le scalaire ω2 est donné par :

−1 1 −1 1 −1 1
ω2 = + + = 0.
1 −1 1 −1 1 −1
Donc Pf (X) = −X 3 − X 2 + 4 = −(X + 2)2 (X − 1). Déterminons les sous espaces propres.
Soit (x, y, z) ∈ E1 = ker(f − idE ), on a
    
x 0  −2x + y + z = 0

(A − I3 )  y  =  0  ⇔ x − 2y + z = 0
   

z 0 x + y − 2z = 0

 1. DIAGONALISATION D’ENDOMORPHISME 5

La résolution du systeème montre que

E1 = (x, y, z) ∈ R3 /x = y = z = Vect(u1 )


avec u1 = (1, 1, 1).

Soit (x, y, z) ∈ E−2 = ker(f + 2 idE ), on a
   
x 0
(A + 2I3 )  y  =  0  ⇔ x + y + z = 0.
   

z 0

E−2 = (x, y, z) ∈ R3 /x + y + z = 0 = Vect(u2 , u3 )



avec u2 = (1, 0, −1) et u3 = (0, 1, −1).

1.2. Propriétés des sous espaces propres.

Théorème 1.10. f ∈ L (E) et λ1 , λ2 , · · · , λm ∈ K des valeurs propres de f deux à

deux distinctes et u1 , u2 , · · · , um des vecteurs propres associés aux λi respectivement. Alors
la famille S = {u1 , u2 , · · · , um } est libre.

Démonstration. Elle se fait par récurrence sur l’entier m ≥ 2.

Si m = 2, S = {u1 , u2 } avec f (u1 = λ1 u1 et f (u2 = λ2 u2 .
Soit α1 , α2 ∈ K tel que α1 u1 + α2 u2 = 0.

α1 u1 + α2 u2 = 0 =⇒ α1 f (u1 ) + α2 f (u2 ) = 0
=⇒ α1 λ1 u1 + α2 λ2 u2 = 0
=⇒ α1 (λ1 − λ2 )u1 = 0.

Comme λ1 6= λ2 et u1 6= 0, on a α1 = 0 et par suite α2 = 0, ainsi S est libre.

Supposons m ≥ 3 et propriété vraie pour m − 1.
m
X
Soit α1 , α2 , · · · , αm ∈ K tel que αk uk = 0.
k=1
m
X m
X m−1
X
αk uk = 0 =⇒ αk f (uk ) = 0 et αm um = − αk uk
k=1 k=1 k=1
m−1
X
=⇒ αk (λk − λm )uk = 0
k=1

Par hypothèse de récurrence on a αk (λk − λm )uk = 0 pour 1 ≤ k ≤ m − 1, comme

λk 6= λm on a αk = 0 pour 1 ≤ k ≤ m − 1 ce qui implique que αm um = 0 d’où αm = 0.
Ainsi la famille S = {u1 , u2 , · · · , um } est libre. 
6 1. DIAGONALISATION ET APPLICATIONS

Corollaire 1.11. f ∈ L (E) et λ1 , λ2 , · · · , λm ∈ K des valeurs propres de f deux à

deux distinctes. Alors les sous espaces propres (Eλk )1≤k≤m sont en somme directe c’est à
Xm Mm
dire si F = Eλk alors F = Eλk .
k=1 k=1

Démonstration. Les sous espaces Eλk sont en somme directe si et seulement si

m
Y
∀(uk )1≤k≤m ∈ Eλk on a l’implication suivante :
k=1
m
X
uk = 0 =⇒ uk = 0, ∀k.
k=1
m
X
Soit 1 ≤ k ≤ m un entier naturel et uk ∈ Eλk tel que uk = 0. Si les uk ne sont pas tous
k=1
m
X
nuls la relation uk = 0 est une combinaison linéaire nulle de vecteurs propres associés
k=1
à des valeurs propres deux à deux distinctes, ce qui contredit le théorème ci-dessus. On
en déduit que uk = 0, ∀k, donc les sous espaces Eλk sont en somme directe. 

Définition 1.12. Soit n ∈ N∗ et P ∈ K[X] un polynôme de degré n à coéfficients

dans K et x0 ∈ K une racine de P .
On dit que x0 est une racine de P d’ordre de multiplicité α ∈ N∗ , si (X − x0 )α divise
P (X) et (X − x0 )α+1 ne divise pas P (X).
Le polynôme P est dit scindé dans K s’il possède n racines dans K chaque racine étant
comptée un nombre de fois égal à sa multiplicité. C’est à dire P se factorise dans K,
m
Y m
X
P (X) = a (X − ai )αi avec αi = n.
i=1 i=1

Les ai sont les racines deux à deux distincts de P .

Définition 1.13. f ∈ L (E) et λ ∈ K une valeur propre de f , la multiciplicité de λ est

sa multiciplicité comme racine du polynôme caractéristique. On dit que l’endomorphisme
f est scindé si son polynôme caractéristique est scindé.

Théorème 1.14. f ∈ L (E) et λ ∈ K une valeur propre de f d’ordre de multiciplicité

α. Alors on a 1 ≤ dim Eλ ≤ α.

Démonstration. Comme Eλ 6= {0E } on a dim Eλ ≥ 1. Posons k = dim Eλ et soit

{e1 , . . . , ek } une base de Eλ . Complétons la par des vecteurs ek+1 , . . . , en pour avoir une
base B = {e1 , . . . , en } de E.
Déterminons la matrice M de f relativement à B. On a f (ej ) = λej , 1 ≤ j ≤ k et
 1. DIAGONALISATION D’ENDOMORPHISME 7

n
P
f (ej ) = aij ei , k + 1 ≤ j ≤ n; aij ∈ K, donc on a
i=1
 
λ ··· 0 a1,k+1 · · · a1,n
 . .
. . ... .. .. 
 .. . . 
  !
 
 0 ··· λ ak,k+1 ··· ak,n  λIk C
M =
 0 ··· 0
= .
 ak+1,k+1 · · · ak+1,n 
 0 D
 . .. .. .. 
 .. . . . 
 
0 ··· 0 an,k+1 ··· an,n

Ainsi Pf (X) = (λ − X)k PD (X) = (−1)k (X − λ)k PD (X) d’où (X − λ)k divise Pf (X), ainsi
k ≤ α, on en déduit que 1 ≤ dim Eλ ≤ α. 

1.3. Conditions de diagonalisabilité.

Définition 1.15. Soient f ∈ L(E) un endomorphisme. On dit que f est diagona-

lisable si E admet une base formée de vecteurs propres de f . Cela revient à dire qu’il
existe une base de E relativement à la quelle la matrice de f est diagonale.

Définition 1.16. Une matrice carrée A ∈ Mn (K) est dite diagonalisable s’il existe
P ∈ GLn (K) tel que D = P −1 AP soit une matrice diagonale.

Théorème 1.17. Soient E un K-espace vectoriel de dimension n ∈ N∗ , f ∈ L(E) un

r
endomorphisme de E et Pf (X) = (−1)n (X − λi )αi son polynôme caractéristique. Alors
Q
i=1
f est diagonalisable si et seulement si
r
M
E= E λi
i=1

où Eλi est le sous-espace propre associé à λi .

r
L
Démonstration. Supposons E = Eλi et pour tout 1 ≤ i ≤ r soit Bi une base de
i=1
r
[
Eλi . L’ensemble B = Bi est une base de E formée de vecteurs propres de f .
i=1
Réciproquement si f est diagonalisable il existe une base

B = {e1,λ1 , · · · , eα1 ,λ1 , e1,λ2 , · · · , eα2 ,λ2 , · · · , e1,λr , · · · , eαr ,λr }

de E formée de vecteurs propres de f , où pour tout j, ej,λj ∈ Eλj .

Xr
On a card(B) = αi = dim(E). Montrons que αi = dim(Eλi ) ∀j ∈ [[1, r]].
i=1
8 1. DIAGONALISATION ET APPLICATIONS

Supposons qu’il existe l ∈ [[1, r]] tel que αl < dim(Eλl ) = βl . La famille {e1,λl , · · · , eαl ,λl }
est une famille libre, complètons la pour avoir une base {e1,λl , · · · , eαl ,λl , · · · , eβl ,λl } de Eλl .
La famille

S = {e1,λ1 , · · · , eα1 ,λ1 , e1,λ2 , · · · , eα2 ,λ2 , · · · , eαl ,λl , · · · , eβl ,λl · · · , e1,λr , · · · , eαr ,λr }

est une famille libre de E avec dim(E) = card(B) < card(S) ce qui impossible donc
r
P
αi = dim(Eλi ) ∀j ∈ [[1, r]]. Ainsi dim(E) = dim(Eλi ), comme les Eλi sont en somme
i=1
r
L
directe, on a E = Eλi . 
i=1

Théorème 1.18 (Condition nécéssaire suffisante). Soient E un K-espace vectoriel de

dimension n ∈ N∗ , f ∈ L(E) un endomorphisme de E. Alors f est diagonalisable si et
seulement si les propriétés suivantes sont vérifiée :
1) Le polynôme caractéristique Pf (X) est scindé dans K.
2) Pour chaque valeur propre λ de multiplicité α, on a dim(Eλ ) = α

Démonstration. ⇐) Supposons que 1) et 2) soient vérifiées.

r r
La condition 1) entraîne Pf (X) = (−1)n (X − λi )αi avec
Q P
αi = n.
i=1 i=1
La condition 2) entraîne dim Eλi = αi , donc
r
X Mr
dim E = n = dim Eλi = dim( Eλi ),
i=1 i=1
r
L
doù E = Eλi . D’après le théorème ci-dessus, f est diagonalisable.
i=1
Réciproquement, supposons f est diagonalisable.
a) Supposons que le polynôme caractéristique n’est pas scindé.
r
On a Pf (X) = (−1)n (X − λi )αi Q(X) avec deg(Q) ≥ 2 et Q n’a pas de racine dans K.
Q
i=1

r
X r
X
dim E = αi + deg(Q) =⇒ dim Eλi < dim E
i=1 i=1
Mr
=⇒ dim( Eλi ) < dim E
i=1
r
L
Donc E 6= Eλi donc f n’est pas diagonalisable.
i=1
b) On suppose qu’il existe i0 ∈ [[1, r]] tel que dim Eλi < αi .
On a
r
X r
X r
X
dim Eλi = dim Eλi0 + dim Eλi < αi0 + αi ,
i=1 i=1,i6=i0 i=1,i6=i0
 1. DIAGONALISATION D’ENDOMORPHISME 9

r
P r
P
donc dim Eλi < dim αi < dim E. On en déduit que f n’est pas diagonalisable. 
i=1 i=1

Corollaire 1.19. (Condition suffisante)

Soit E un K-espace vectoriel de dimension n et f ∈ L(E) un endomorphisme de E
admettant n valeurs propres distinctes. Alors f est diagonalisable.

Exemple 1.20. L’endomorphisme f de R3 associé à la matrice A suivante est il dia-

gonalisable ?
 
−1 1 1
A= 1 −1 1 .
 

1 1 −1
Le polynôme caractéristique de A est PA (X) = −(X + 2)2 (X − 1) il est scindé dans R.
La dimension de chaque sous espace propre est égal à la multiciplicité de cette valeur
propre : E−2 = Vect(u1 , u2 ) avec u1 = (1, 0, −1) et u2 = (0, 1, −1) on a ; dim E−2 = 2
cette dimension est égale à la multiplicité de la valeur propre λ = −2. De même E1 =
Vect(u3 ), u3 = (1, 1, 1), dim E1 = 1 = multiplicité de λ = 1. L’endomorphisme f est donc
 
1 0 1
diagonalisable. Les matrices de passage et diagonale associées sont P =  0 1 1 
 

−1 −1 1
 
−2 0 0
et D =  0 −2 0 
 

0 0 1

 Exemple 1.21.
 Même question pour l’endomorphisme associé à la matrice A =
3 0 −1
 2 4 2 
 

−1 0 3
PA (X) = −X 3 + T r(A)X 2 − w2 X + det A; on a T r(A) = 10 et
4 2 3 −1 3 0
w2 = + + = 12 + 8 + 12 = 32;
0 3 −1 3 2 4
4 2 2 4
det A = 3 − = 36 − 4 = 32 ; donc
0 3 −1 0
PA (X) = −X 3 + 10X 2 − 32X + 32 = −(X − 2)(X − 4)2 est scindé.
dim E2 = 1; dim E4 = dim R3 − rg(A − 4I) = 3 − 1 = 2.
Donc PA (X) est scindé et la dimension de chaque sous-espace propre est égale à la mul-
tiplicité de la valeur propre, ainsi A est diagonalisable.
Diagonalisons l’endomorphisme f associé à A :
10 1. DIAGONALISATION ET APPLICATIONS

   
x 0
(x, y, z) ∈ E2 ⇐⇒ (A − 2I)  y  =  0 
   

z 0
    
1 0 −1 x 0
⇐⇒  2 2 2   y = 0 
    

−1 0 1 z 0
(
x−z = 0
⇐⇒
x+y+z = 0
(
x = z
⇐⇒
y = −2x
Donc E2 = {(x, −2x, x)/x ∈ R} = Vect(u1 ) avec u1 = (1, −2, 1).
(x, y, z) ∈ E4 ⇐⇒ x + y = 0 ⇔ z = −x, ainsi
E4 = {(x, y, −x)/x, y ∈ R} = Vect{u2 , u3 } avec u2 = (1, 0, −1), u2 = (0, 1, 0). Posons
B = {u1 , u2 , u3 }, on a
   
1 1 0 2 0 0
P =  −2 0 1  et D =  0 4 0  .
   

1 −1 0 0 0 4
On a D = P −1 AP ainsi A = P DP −1 .
 
0 −1 1
Exercice 1.22. Soit f de matrice M =  −1 0 1  dans la base canonique de
 

1 −1 0
R3 .
Montrer que 0, 1 et −1 sont valeurs propres de f.
En déduire une matrice P inversible telle que M = P · D · P −1 avec D de diagonale 0, 1
et −1.
 
4 −1 −1 0
 
 0 3 −1 0 
Exercice 1.23. Soit f ∈ L (R4 ) de matrice M = 
 0 −1 3 0  dans la base

 
2 −1 −1 2
4
canonique de R .
Montrer que 2 et 4 sont valeurs propres de f et déterminer les sous espaces propres
associés.
En déduire que f est diagonalisable ainsi qu’une base de vecteurs propres.
 2. APPLICATIONS 11

2. Applications

2.1. Puissances de matrice et suites récurrentes linéaires. Soit (Un )n∈N une
suite de matrices colonnes de Rm où m ≥ 2 est un entier naturel. On suppose que la
suite (Un )n∈N est définie par le terme initial U0 ∈ Rm et par la relation Un+1 = A · Un
où A est une matrice diagonalisable. Pour tout entier naturel n on a Un = An · U0 de
sorte que déterminer Un revient à déterminer la puissance An de la matrice A. Comme A
est diagonalisable il existe une matrice diagonale D et une matrice inversible P tel que
A = P · D · P −1 , on a An = P · Dn · P −1 . La matrice Dn est la matrice diagonale dont les
éléments diagonaux sont les puissances de valeurs propres de A.

2.2. Système différentiel linéaire à coéfficients constants.

Définition 2.1. On appelle système différentiel linéaire à coefficient constant, un

système d’équations différentielles de la forme :


dx1


 dt
= a11 x1 + a12 x2 + . . . + a1n xn


 dx2 = a x + a x + . . . + a x

dt 21 1 22 2 2n n
 .
..




 dxn = a x + a x + . . . + a x

dt n1 1 n2 2 nn n

où aij ∈ C et xi : R → R est une application dérivable.

 
x1
x2
 
 
Posons A = (aij )1≤i≤n,1≤j≤n et X =  .. 
.
 
 
xn
le système différentiel s’ecrit :

 dx1
  
dt
a11 x1 + a12 x2 + · · · + a1n xn
dx2
  a21 x1 + a22 x2 + · · · + a2n xn
   
dX  dt

= . 

=
 .. 
dt .
 .   .


dxn
dt
an1 x1 + an2 x2 + · · · + ann xn

dX
On a donc dt
= AX
12 1. DIAGONALISATION ET APPLICATIONS

2.3. Résolution dans le cas où A est diagonalisable. Comme A est diagonali-

sable, il existe P ∈ GLn (K) telle que A0 = P −1 AP soit diagonale. Posons

   
λ1 0 ··· 0 z1
0 λ2 · · · 0  z2 
   
 
D= .. .. . .  , Z =  .  et X = P Z.
..  . 

 . . . 
.  . 
0 0 ··· λn zn

d(P Z)
On a dX
dt
= dt
= P dZ
dt
= AX = (AP )Z, donc dZ
dt
= (P −1 AP ) = DZ, . Ainsi :

 dz1
   
dt
λ1 0 ··· 0 z1
dz2
0 λ2 · · · 0 z2
    
dZ    dt
 
= . = .. .. . . ..  .. ,
dt  ..   . . . . .
    
 
dzn
dt
0 0 ··· λn zn

dzi
donc nous avons dt
= λi zi ⇒ zi = αi eλi t , il en résulte que

 
α1 eλ1 t
 α2 eλ2 t
 

Z= .. .
.
 
 
αn eλn t

La solution du système est donc donnée par X = P Z

 dx

 dt
= −x + y + z
dy
Exemple 2.2. Résoudre dt
= x−y+z

dz
= x+y−z

dt
   
−1 1 1 x
Posons A =  1 −1 1  et X =  y 
   

1 1 −1 z
La matrice A est diagonalisable et sa diagonalisée ainsi que la matrice de passage sont
respectivement

   
1 0 0 1 1 0
D =  0 −2 0  et P =  1 0 1 .
   

0 0 −2 1 −1 −1
 2. APPLICATIONS 13
 
z1
Posons X = P Z avec Z =  z2 . Le système différentiel dX = AX est équivalente au
 
dt
z3
 
aet
système dZ = DZ dont la solution est donnée par Z =  be−2t .
 
dt
ce−2t
    
1 1 0 aet aet + be−2t
On en déduit que X = P Z =  1 0 1   be−2t  =  aet + ce−2t
    

−2t t −2t −2t
1 −1 −1 ce ae − be − ce
d’où



 x = aet + be−2t

y = aet + ce−2t


z = aet − be−2t − ce−2t .
