|

Exercices corrigés MP-PSI : réduction

↩ Chapitre : Réduction (MPSI-MP) · Réduction (PCSI-PSI)

Introduction

Douze exercices corrigés de réduction des endomorphismes et des matrices, classés par difficulté croissante : diagonalisation, calcul de puissances, polynômes annulateurs, matrices de rang 1, nilpotence, commutant, diagonalisation simultanée. Tous restent dans le cadre du programme officiel de MP et de PSI (la notion de polynôme minimal, hors programme en PSI, n’est pas utilisée ; le polynôme caractéristique est unitaire).

Avant de commencer

Ces exercices s’appuient sur les résumés de cours de réduction (MP et sa page de chapitre en PSI). Cherchez chaque exercice avant d’ouvrir le corrigé.

Exercices

Exercice 1 · Une diagonalisation à la main ★★★

Diagonaliser la matrice A=\begin{pmatrix}2&1&1\\1&2&1\\1&1&2\end{pmatrix}.

Corrigé

On remarque que A=I_3+J, où J est la matrice dont tous les coefficients valent 1. J est de rang 1 : son noyau est le plan x+y+z=0, de dimension 2, et J\,(1,1,1)^{\mathsf T}=3\,(1,1,1)^{\mathsf T}. Pour A :

  • E_4(A)=\operatorname{Vect}\big((1,1,1)^{\mathsf T}\big) ;
  • E_1(A)=\{x+y+z=0\}=\operatorname{Vect}\big((1,-1,0)^{\mathsf T},(1,0,-1)^{\mathsf T}\big).

La somme des dimensions vaut 3 : A est diagonalisable, et A=PDP^{-1} avec

    \[P=\begin{pmatrix}1&1&1\\1&-1&0\\1&0&-1\end{pmatrix},\qquad D=\begin{pmatrix}4&0&0\\0&1&0\\0&0&1\end{pmatrix}.\]

Exercice 2 · Deux matrices non diagonalisables ★★★

Les matrices A=\begin{pmatrix}1&1\\0&1\end{pmatrix} et B=\begin{pmatrix}0&-1\\1&0\end{pmatrix} sont-elles diagonalisables dans \mathcal{M}_2(\mathbb{R}) ? Dans \mathcal{M}_2(\mathbb{C}) ?

Corrigé

Pour A. \chi_A=(X-1)^2 et E_1(A)=\operatorname{Ker}\begin{pmatrix}0&1\\0&0\end{pmatrix}=\operatorname{Vect}(e_1) est de dimension 1<2 : A n’est diagonalisable ni sur \mathbb{R} ni sur \mathbb{C}. (Une matrice diagonalisable de seule valeur propre 1 serait I_2.)

Pour B. \chi_B=X^2+1 n’a pas de racine réelle : B n’a pas de valeur propre réelle et n’est pas diagonalisable sur \mathbb{R}. Sur \mathbb{C}, elle a deux valeurs propres distinctes \pm i : elle est diagonalisable.

Exercice 3 · Calcul de puissances ★★★

Soit A=\begin{pmatrix}1&2\\2&1\end{pmatrix}. Calculer A^n pour n\in\mathbb{N}.

Corrigé

\chi_A=(X-1)^2-4=(X-3)(X+1), avec E_3=\operatorname{Vect}\big((1,1)^{\mathsf T}\big) et E_{-1}=\operatorname{Vect}\big((1,-1)^{\mathsf T}\big). Les projecteurs sur ces droites (parallèlement à l’autre) ont pour matrices P_1=\frac12\begin{pmatrix}1&1\\1&1\end{pmatrix} et P_2=\frac12\begin{pmatrix}1&-1\\-1&1\end{pmatrix}, avec P_1+P_2=I_2, P_1P_2=P_2P_1=0 et A=3P_1-P_2. Donc

    \[A^n=3^nP_1+(-1)^nP_2=\frac12\begin{pmatrix}3^n+(-1)^n&3^n-(-1)^n\\3^n-(-1)^n&3^n+(-1)^n\end{pmatrix}.\]

Exercice 4 · Polynôme annulateur ★★★

Soit A\in\mathcal{M}_n(\mathbb{R}) telle que A^2=A+2I_n.

  1. Montrer que A est diagonalisable et préciser ses valeurs propres possibles.
  2. Montrer que A est inversible et exprimer A^{-1}.
  3. Exprimer A^k comme combinaison linéaire de A et I_n.
Corrigé

1. X^2-X-2=(X-2)(X+1) annule A ; il est scindé à racines simples, donc A est diagonalisable, et \operatorname{Sp}(A)\subset\{2,-1\}.

2. A(A-I_n)=2I_n, donc A est inversible et A^{-1}=\frac12(A-I_n).

3. Division euclidienne : X^k=Q(X)(X-2)(X+1)+aX+b. En évaluant en 2 et en -1 : 2^k=2a+b et (-1)^k=-a+b, d’où a=\frac{2^k-(-1)^k}{3} et b=\frac{2^k+2(-1)^k}{3}. Comme (A-2I_n)(A+I_n)=0, A^k=aA+bI_n.

Exercice 5 · Matrices de rang 1 ★★★

Soit n\geqslant2 et A=UV^{\mathsf T}, où U,V\in\mathcal{M}_{n,1}(\mathbb{R}) sont non nuls.

  1. Montrer que A est de rang 1 et que A^2=\operatorname{tr}(A)\,A.
  2. Montrer que A est diagonalisable si et seulement si \operatorname{tr}A\neq0.
Corrigé

1. Toutes les colonnes de A sont proportionnelles à U\neq0, et A\neq0 : \operatorname{rg}A=1. Ensuite A^2=U(V^{\mathsf T}U)V^{\mathsf T}=(V^{\mathsf T}U)\,A, et V^{\mathsf T}U=\sum u_iv_i=\operatorname{tr}A.

2. Si \operatorname{tr}A\neq0, X(X-\operatorname{tr}A) annule A et est scindé à racines simples : A est diagonalisable. Si \operatorname{tr}A=0, alors A^2=0 : la seule valeur propre de A est 0, et si A était diagonalisable elle serait semblable à la matrice nulle, donc nulle, ce qui est exclu.

Exercice 6 · Endomorphismes de polynômes ★★★

Soit n\geqslant1 et E=\mathbb{R}_n[X].

  1. L’endomorphisme D:P\mapsto P' est-il diagonalisable ?
  2. Même question pour u:P\mapsto XP'.
Corrigé

1. D^{n+1}=0 et D\neq0 : D est nilpotent non nul. Sa seule valeur propre est 0, et \operatorname{Ker}D=\mathbb{R}_0[X] est de dimension 1<n+1 : D n’est pas diagonalisable.

2. u(X^k)=kX^k pour 0\leqslant k\leqslant n : la base canonique est formée de vecteurs propres, et u est diagonalisable, de valeurs propres 0,1,\dots,n.

Exercice 7 · La matrice aI + bJ ★★★

Soit n\geqslant2, J\in\mathcal{M}_n(\mathbb{R}) la matrice dont tous les coefficients valent 1, et A=aI_n+bJ avec a,b réels. Montrer que A est diagonalisable, déterminer ses valeurs propres et calculer \det A.

Corrigé

J=UU^{\mathsf T} avec U=(1,\dots,1)^{\mathsf T}, et \operatorname{tr}J=n\neq0 : d’après l’exercice 5, J est diagonalisable, de valeurs propres n (sous-espace propre \operatorname{Vect}U) et 0 (l’hyperplan x_1+\dots+x_n=0). Dans une base de vecteurs propres de J, la matrice de A est diagonale, avec la valeur propre a+nb (simple) et la valeur propre a (d’ordre n-1). Donc A est diagonalisable et \det A=(a+nb)\,a^{n-1}.

Exercice 8 · Suites récurrentes couplées ★★★

On définit (u_n) et (v_n) par u_0=1, v_0=0 et u_{n+1}=u_n+2v_n, v_{n+1}=2u_n+v_n. Exprimer u_n et v_n en fonction de n.

Corrigé

Avec X_n=(u_n,v_n)^{\mathsf T}, on a X_{n+1}=AX_n avec A=\begin{pmatrix}1&2\\2&1\end{pmatrix}, donc X_n=A^nX_0 est la première colonne de A^n. D’après l’exercice 3 :

    \[u_n=\frac{3^n+(-1)^n}{2},\qquad v_n=\frac{3^n-(-1)^n}{2}.\]

Exercice 9 · Matrices nilpotentes ★★★

Soit N\in\mathcal{M}_n(\mathbb{C}). Montrer que N est nilpotente si et seulement si \operatorname{Sp}(N)=\{0\}, et que dans ce cas N^n=0.

Corrigé

Si N^p=0 et NX=\lambda X avec X\neq0, alors 0=N^pX=\lambda^pX, donc \lambda=0 ; et 0 est bien valeur propre car N n’est pas inversible. Réciproquement, si \operatorname{Sp}(N)=\{0\} : \chi_N est scindé sur \mathbb{C} et 0 est sa seule racine, donc \chi_N=X^n, et le théorème de Cayley-Hamilton donne N^n=0. Le même argument montre que toute matrice nilpotente vérifie N^n=0 : l’indice de nilpotence est au plus n.

Exercice 10 · Commutant d’une matrice à valeurs propres distinctes ★★★

Soit A\in\mathcal{M}_n(\mathbb{K}) admettant n valeurs propres distinctes \lambda_1,\dots,\lambda_n, et P inversible telle que P^{-1}AP=\operatorname{diag}(\lambda_1,\dots,\lambda_n).

  1. Montrer qu’une matrice B commute avec A si et seulement si P^{-1}BP est diagonale. Quelle est la dimension du commutant \mathcal{C}(A) ?
  2. Montrer que l’application Q\mapsto Q(A) est injective sur \mathbb{K}_{n-1}[X], et en déduire que \mathcal{C}(A)=\{Q(A)\ :\ Q\in\mathbb{K}_{n-1}[X]\}.
Corrigé

1. Soit (e_i) la base formée des colonnes de P, avec Ae_i=\lambda_ie_i. Si AB=BA, alors A(Be_i)=BAe_i=\lambda_iBe_i : Be_i\in E_{\lambda_i}(A)=\operatorname{Vect}(e_i), car les sous-espaces propres sont des droites. Donc P^{-1}BP est diagonale. Réciproquement, deux matrices diagonales commutent. \mathcal{C}(A) est donc l’image par D\mapsto PDP^{-1} de l’espace des matrices diagonales : il est de dimension n.

2. Si Q(A)=0 avec \deg Q\leqslant n-1, alors Q(\lambda_i)=0 pour les n valeurs distinctes \lambda_i (car Q(A)e_i=Q(\lambda_i)e_i), donc Q=0. L’image \{Q(A)\} est un sous-espace de dimension n, contenu dans \mathcal{C}(A) (un polynôme en A commute avec A), de même dimension : ils sont égaux.

Exercice 11 · Diagonalisation simultanée ★★★

Soient u,v deux endomorphismes diagonalisables d’un espace E de dimension finie, qui commutent. Montrer qu’il existe une base de E formée de vecteurs propres communs à u et v.

Corrigé

Soit \lambda une valeur propre de u. Si x\in E_\lambda(u), alors u(v(x))=v(u(x))=\lambda v(x) : E_\lambda(u) est stable par v. Soit v_\lambda l’endomorphisme induit par v sur E_\lambda(u). Un polynôme scindé à racines simples qui annule v (il en existe, car v est diagonalisable) annule aussi v_\lambda : v_\lambda est diagonalisable. On choisit une base de E_\lambda(u) formée de vecteurs propres de v ; ce sont aussi des vecteurs propres de u. Comme E est la somme directe des E_\lambda(u), la concaténation de ces bases convient.

Exercice 12 · Racines carrées de matrices ★★★

  1. Résoudre l’équation X^2=A dans \mathcal{M}_2(\mathbb{R}), où A=\operatorname{diag}(1,4).
  2. Montrer que l’équation X^2=0 a une infinité de solutions dans \mathcal{M}_2(\mathbb{R}).
Corrigé

1. Si X^2=A, alors X commute avec X^2=A. Les valeurs propres 1 et 4 de A sont distinctes et A est diagonale dans la base canonique : d’après l’exercice 10, X est diagonale, X=\operatorname{diag}(a,b) avec a^2=1 et b^2=4. Les solutions sont les quatre matrices \operatorname{diag}(\pm1,\pm2).

2. Pour tout réel t, X_t=\begin{pmatrix}0&t\\0&0\end{pmatrix} vérifie X_t^2=0. Ici A=0 n’a pas de valeurs propres distinctes, et l’argument de la question 1 ne s’applique plus.


Pour aller plus loin

Besoin d’aide sur ce chapitre ?

Un blocage sur une notion, une méthode de rédaction à acquérir, un devoir ou un concours à préparer : Pr. Elakili, agrégé de mathématiques depuis 1991, plus de 20 ans d’enseignement en classes préparatoires, propose des cours particuliers, en présentiel à Casablanca, ou à distance, partout au Maroc et en France.

Publications similaires