Une ressource Excellence Maths. Découvrir le professeur

Tu as un polynôme en tête et tu voudrais fabriquer « sur mesure » une matrice dont ce polynôme serait le polynôme caractéristique ? C’est exactement ce que fait la matrice compagnon. Cet objet relie la réduction des endomorphismes, les équations différentielles d’ordre n et les suites récurrentes. Dans ce cours tu vas comprendre sa définition, démontrer que son polynôme caractéristique est imposé, déterminer quand elle est diagonalisable, et voir pourquoi elle est l’outil clé du lien entre polynômes et systèmes linéaires.

Définition — Matrice compagnon

Soit \(P = X^n + a_{n-1}X^{n-1} + \cdots + a_1 X + a_0\) un polynôme unitaire de degré \(n \geq 1\) à coefficients dans un corps \(\mathbb{K}\). On appelle matrice compagnon de \(P\) (en colonne) la matrice de \(\mathcal{M}_n(\mathbb{K})\) :

\(C(P) = \begin{pmatrix} 0 & 0 & \cdots & 0 & -a_0 \\ 1 & 0 & \cdots & 0 & -a_1 \\ 0 & 1 & \cdots & 0 & -a_2 \\ \vdots & & \ddots & & \vdots \\ 0 & 0 & \cdots & 1 & -a_{n-1} \end{pmatrix}\)

Sa sous-diagonale ne contient que des \(1\) et sa dernière colonne les coefficients de \(P\) changés de signe.

Au programme — CPGE 2e année MP/MPI : réduction des endomorphismes (valeurs propres, polynôme minimal, diagonalisabilité) et équations différentielles linéaires. La matrice compagnon est ici traitée comme une application guidée de la réduction, pas comme un théorème exigible isolé. Prérequis : polynôme caractéristique, polynôme minimal et diagonalisation d’une matrice.

I. Définition et conventions

La matrice compagnon est une machine à fabriquer un spectre imposé : à tout polynôme unitaire \(P\) elle associe une matrice dont \(P\) est à la fois le polynôme caractéristique et le polynôme minimal. Avant tout calcul, il faut fixer la convention, car deux écritures coexistent dans la littérature.

A. Compagnon en colonne ou en ligne

Il existe deux conventions, transposées l’une de l’autre. Dans la convention « en colonne » (celle de ce cours, alignée sur notre page de polynôme caractéristique), les coefficients occupent la dernière colonne. Dans la convention « en ligne » (dite de Frobenius), ils occupent la dernière ligne et la matrice est la transposée de la précédente.

Attention à la convention. \(C(P)\) et sa transposée \(C(P)^\top\) ont exactement les mêmes valeurs propres, le même polynôme caractéristique et le même polynôme minimal (une matrice et sa transposée sont semblables). Mais leurs vecteurs propres diffèrent : le vecteur de Vandermonde \((1,\lambda,\dots,\lambda^{n-1})\) est vecteur propre de la convention « en ligne », pas de la convention « en colonne ». Précise toujours ta convention en copie.

Un calcul immédiat montre l’action de \(C(P)\) sur la base canonique \((e_1,\dots,e_n)\) : pour \(1 \leq j \leq n-1\), on a \(C(P)\,e_j = e_{j+1}\), et \(C(P)\,e_n = -a_0 e_1- a_1 e_2- \cdots- a_{n-1}e_n\). Autrement dit, \(e_1\) engendre tout l’espace par itérations : \(e_{k+1} = C(P)^{k}\,e_1\). C’est ce fait qui structure toutes les propriétés qui suivent.


II. Polynôme caractéristique et déterminant : deux démonstrations

Le résultat central est que l’on contrôle totalement le polynôme caractéristique de la compagnon. C’est précisément ce qui en fait un outil.

Théorème — Polynôme caractéristique de la compagnon

Avec la convention \(\chi_A = \det(X I_n- A)\), la matrice compagnon de \(P\) vérifie :

\(\chi_{C(P)} = P.\)

Démonstration 1 — par le déterminant (récurrence). Notons \(D_n = \det\big(X I_n- C(P)\big)\). La première ligne de \(X I_n- C(P)\) est \((X, 0, \dots, 0, a_0)\). On développe selon cette première ligne :

\(D_n = X \cdot M_{11} + (-1)^{1+n}\, a_0 \cdot M_{1n}.\)

Pour \(n=1\), le résultat est immédiat : \(C(P)=(-a_0)\). Pour \(n\geq2\), le mineur \(M_{11}\) est le déterminant de \(XI_{n-1}-C(Q)\), où \(Q=\) \(X^{n-1} + a_{n-1}X^{n-2} + \cdots + a_1\) ; par hypothèse de récurrence il vaut \(X^{n-1} + a_{n-1}X^{n-2} + \cdots + a_1\). Le mineur \(M_{1n}\) est le déterminant d’une matrice triangulaire supérieure de diagonale \(-1\), donc \(M_{1n} = (-1)^{n-1}\). On obtient :

\(D_n = X\big(X^{n-1} + a_{n-1}X^{n-2} + \cdots + a_1\big) + (-1)^{2n} a_0 = P.\) ∎

Démonstration 2 — par le vecteur cyclique. De \(e_{k+1} = C^{k} e_1\) et de \(C\,e_n = -a_0 e_1- \cdots- a_{n-1}e_n\), on tire \(C^{n} e_1 + a_{n-1}C^{n-1}e_1 + \cdots + a_0 e_1 = 0\), c’est-à-dire \(P(C)\,e_1 = 0\). Comme \(P(C)\) commute avec \(C\), il annule aussi chaque \(C^k e_1 = e_{k+1}\), donc toute la base : \(P(C) = 0\). Ainsi \(P\) est un polynôme annulateur unitaire de degré \(n\) ; on verra en III qu’il s’agit du polynôme minimal, et donc de \(\chi_{C}\). Cette seconde voie est plus courte et prépare la suite.

A. Déterminant et inversibilité

En évaluant \(\chi_{C} = P\) en \(0\) : \(\chi_C(0) = \det(-C) = (-1)^n \det C\) et \(P(0) = a_0\). On en déduit immédiatement :

\(\det C(P) = (-1)^n a_0.\)

À retenir. \(C(P)\) est inversible si et seulement si \(a_0 \neq 0\), c’est-à-dire si et seulement si \(0\) n’est pas racine de \(P\). Le déterminant d’une matrice se lit donc directement sur le terme constant.

La fiche PDF à imprimer

2 pages.

Reçois gratuitement le PDF par e-mail.

Le cours reste accessible sur cette page. Le PDF est envoyé après saisie d’une adresse e-mail.


III. Polynôme minimal et matrice cyclique

La compagnon a une particularité remarquable : son polynôme minimal est aussi gros que possible. C’est ce qui la distingue d’une matrice quelconque de même polynôme caractéristique.

Propriété — Minimal égal au caractéristique

Pour toute matrice compagnon, \(\pi_{C(P)} = \chi_{C(P)} = P\). En particulier \(C(P)\) est cyclique : il existe un vecteur \(x\) (ici \(e_1\)) tel que \((x, Cx, \dots, C^{n-1}x)\) soit une base.

Justification. On a vu que \(P(C) = 0\), donc \(\pi_C \mid P\). Par ailleurs, si \(Q\) est un polynôme annulateur de degré \(d \leq n-1\), alors \(Q(C)e_1 = 0\) donnerait une relation de dépendance linéaire entre \(e_1, Ce_1, \dots, C^{d}e_1\), soit entre \(e_1, \dots, e_{d+1}\) : impossible, ce sont des vecteurs de base. Donc \(\deg \pi_C \geq n\), puis \(\pi_C = P\). Comme \(\pi_C \mid \chi_C\) et que les deux sont unitaires de degré \(n\), on retrouve \(\chi_C = P\) — ce qui achève la démonstration 2 du II.

A. Toute matrice est-elle semblable à une compagnon ?

Non, et c’est tout l’intérêt de la notion. Une matrice \(A\) est semblable à la matrice compagnon de son polynôme caractéristique si et seulement si elle est cyclique, c’est-à-dire si et seulement si \(\pi_A = \chi_A\). Une matrice scalaire \(\lambda I_n\) avec \(n \geq 2\), par exemple, a pour minimal \(X- \lambda\) et pour caractéristique \((X-\lambda)^n\) : elle n’est jamais semblable à une compagnon. Ce résultat est étudié dans l’exercice guidé 6.


IV. Valeurs propres, vecteurs propres et diagonalisabilité

Puisque \(\chi_C = P\), les valeurs propres de \(C(P)\) sont exactement les racines de \(P\), avec leur multiplicité algébrique. La question intéressante porte sur la multiplicité géométrique.

Propriété — Sous-espaces propres de dimension 1

Toute valeur propre d’une matrice compagnon a une multiplicité géométrique égale à \(1\). Par conséquent :

\(C(P) \text{ est diagonalisable} \iff P \text{ est scindé à racines simples.}\)

Pourquoi la multiplicité géométrique vaut 1. Pour toute valeur \(\lambda\), considérons \(C- \lambda I_n\). En retirant la première ligne et la dernière colonne, on obtient une matrice triangulaire supérieure d’ordre \(n-1\) de diagonale \(1\) (issue de la sous-diagonale de la compagnon), inversible. Donc \(\mathrm{rg}(C- \lambda I_n) \geq n-1\), d’où \(\dim \ker(C- \lambda I_n) \leq 1\). Comme \(\lambda\) est une vraie valeur propre, cette dimension vaut exactement \(1\).

C’est le même argument qui prouve la cyclicité : une compagnon « empile » toute la multiplicité dans un seul bloc de Jordan par valeur propre. La diagonalisabilité impose alors que chaque racine soit simple, ce qui rejoint le critère du spectre simple.

Exemple. La compagnon de \(P = (X-1)(X-2)(X-3)\) est diagonalisable (trois racines distinctes). Celle de \(Q = (X-1)^2(X-2)\) ne l’est pas : la racine double \(1\) n’a qu’une direction propre, donc \(\dim \ker(C- I) = 1\) < \(2\).

Logo-excellence-maths
Passe un cap en réduction des endomorphismes
Avec un professeur diplômé de Polytechnique, transforme tes réflexes de réduction et sécurise tes concours. Suivi sur-mesure, progrès mesurables dès les premières semaines.

V. 🔴 Une démonstration de Cayley-Hamilton par les compagnons

Voici un angle rarement exposé en français, et pourtant d’une grande élégance : les matrices compagnon fournissent une preuve directe du théorème de Cayley-Hamilton, \(\chi_A(A) = 0\), valable sur tout corps.

Idée de la preuve. Soit \(A \in \mathcal{M}_n(\mathbb{K})\) et \(u\) l’endomorphisme associé. Fixons \(x \neq 0\) et notons \(p\) le plus petit entier tel que la famille \((x, u(x), \dots, u^{p}(x))\) soit liée. Alors \(F = \mathrm{Vect}\big(x, u(x), \dots, u^{p-1}(x)\big)\) est un sous-espace \(u\)-stable de dimension \(p\), et la matrice de \(u_{|F}\) dans cette base est une matrice compagnon. Son polynôme caractéristique \(\mu_x\) (le minimal de \(u\) relatif à \(x\)) vérifie donc \(\mu_x(u)(x) = 0\) d’après la propriété de la compagnon.

Or \(\mu_x \mid \chi_{u_{|F}}\) et \(\chi_{u_{|F}} \mid \chi_u\) (sous-espace stable). Donc \(\chi_u = \mu_x \cdot R\) et \(\chi_u(u)(x) = R(u)\big(\mu_x(u)(x)\big) = 0\). Ceci valant pour tout \(x\) (y compris \(x = 0\)), on conclut \(\chi_u(u) = 0\). ∎

Ce que le correcteur attend. Justifie bien que \(F\) est stable (de \(u^p(x) \in F\) on déduit \(u(F) \subset F\)) et que la matrice obtenue est exactement une compagnon. C’est le cœur de l’argument ; ne l’admets pas.


VI. Applications : équations d’ordre n, suites et systèmes

La compagnon n’est pas qu’un objet d’algèbre : c’est le dictionnaire entre un polynôme (l’équation caractéristique) et un système linéaire d’ordre 1.

Équations différentielles d’ordre \(n\). L’équation \(y^{(n)} + a_{n-1}y^{(n-1)} + \cdots + a_0 y = 0\) se met sous forme matricielle \(X^\prime = C\, X\) en posant \(X = (y, y^\prime, \dots, y^{(n-1)})^\top\), où \(C\) est la compagnon (en ligne) de \(P\). Résoudre l’équation revient alors à réduire \(C\) : c’est le pont entre ce chapitre et les systèmes différentiels linéaires et l’exponentielle de matrice. Le polynôme \(P\) n’est autre que l’équation caractéristique de l’équation différentielle d’ordre 2 (cas \(n=2\)).

Suites récurrentes linéaires. De même, une récurrence \(u_{k+n} = -a_{n-1}u_{k+n-1}- \cdots- a_0 u_k\) s’écrit \(U_{k+1} = C\, U_k\) avec \(U_k = (u_k, \dots, u_{k+n-1})^\top\). La puissance d’une matrice \(C^k\) donne le terme général, exactement comme pour les suites récurrentes linéaires d’ordre 2.

A. 🟠 Localiser les racines d’un polynôme

Puisque les racines de \(P\) sont les valeurs propres de \(C(P)\), on peut leur appliquer le théorème des disques de Gershgorin : toute valeur propre appartient à la réunion des disques \(D_i\) centrés en \(c_{ii}\) de rayon \(\sum_{j \neq i}|c_{ij}|\). On obtient ainsi, gratuitement, un encadrement des racines d’un polynôme dans le plan complexe.

Plan complexe montrant les quatre racines d'un polynôme de degré 4 et les disques de Gershgorin de sa matrice compagnon qui les contiennent
Les disques de Gershgorin de la compagnon encadrent les racines du polynôme.

VII. Erreurs fréquentes et pièges

❌ « \(\chi_C = P\) quelle que soit la convention de signe. »
Diagnostic : le résultat \(\chi_C = P\) suppose \(\chi_A = \det(X I_n- A)\). Avec la convention \(\det(A- X I_n)\), on obtient \((-1)^n P\).
✅ Fixe ta convention de polynôme caractéristique dès le début de la copie et garde-la.

❌ « La compagnon et sa transposée ont les mêmes vecteurs propres. »
Diagnostic : elles sont semblables, donc même spectre et même réduction, mais les vecteurs propres diffèrent. Le vecteur de Vandermonde marche pour la convention « en ligne ».
✅ En colonne, utilise plutôt l’argument de rang pour la dimension des sous-espaces propres.

Dernier piège classique : affirmer que toute matrice de polynôme caractéristique \(P\) est semblable à \(C(P)\). C’est faux dès que \(\pi_A \neq \chi_A\) — relis le III.A.


VIII. Exercices corrigés

Exercice 1 — Écrire une compagnon et son déterminant ★

Soit \(P = X^3- 2X^2 + X- 5\). Écrire \(C(P)\) (convention en colonne) et calculer \(\det C(P)\).

Voir la correction de l’exercice 1

Ici \(a_0 = -5\), \(a_1 = 1\), \(a_2 = -2\). La dernière colonne est \((-a_0, -a_1, -a_2) = (5, -1, 2)\) :

\(C(P) = \begin{pmatrix} 0 & 0 & 5 \\ 1 & 0 & -1 \\ 0 & 1 & 2 \end{pmatrix}.\)

Avec \(n = 3\), \(\det C(P) = (-1)^3 a_0 = -(-5) = \mathbf{5}\).


Exercice 2 — Vérifier que le caractéristique est imposé ★

Soit \(C = \begin{pmatrix} 0 & 0 & 6 \\ 1 & 0 & -11 \\ 0 & 1 & 6 \end{pmatrix}\). Déterminer \(\chi_C\) et ses valeurs propres.

Voir la correction de l’exercice 2

La dernière colonne \((6, -11, 6)\) donne \(-a_0 = 6\), \(-a_1 = -11\), \(-a_2 = 6\), soit \(a_0 = -6\), \(a_1 = 11\), \(a_2 = -6\). D’après le théorème :

\(\chi_C = X^3- 6X^2 + 11X- 6.\)

On reconnaît \((X-1)(X-2)(X-3)\) : les valeurs propres sont \(\mathbf{1, 2, 3}\). Trois racines simples : \(C\) est diagonalisable.


Exercice 3 — Critère de diagonalisabilité ★★

Pour quelles valeurs de \(t\in\mathbb R\) la matrice compagnon de \(P=(X-1)^2(X-t)\) est-elle diagonalisable ?

Voir la correction de l’exercice 3

Pour tout \(t\), le nombre \(1\) est une racine au moins double de \(P\). Si \(t\ne1\), sa multiplicité est 2 ; si \(t=1\), elle est 3. Le polynôme n’est donc jamais à racines simples.

Une matrice compagnon a pour polynôme minimal \(P\). Elle n’est ici diagonalisable pour aucune valeur de \(t\), sur \(\mathbb R\) comme sur \(\mathbb C\). Changer \(t\) ne supprime pas le facteur carré déjà présent.

Exercice 4 — Multiplicité géométrique ★★

Soit \(C(P)\) d’ordre \(n\) et \(\lambda\) une valeur propre. Montrer que \(\dim \ker(C- \lambda I_n) = 1\).

Voir la correction de l’exercice 4

On majore d’abord la dimension du noyau par le rang. Dans \(C- \lambda I_n\), considérons la sous-matrice obtenue en supprimant la première ligne et la dernière colonne : elle est carrée d’ordre \(n-1\), triangulaire supérieure, de diagonale constante égale à \(1\) (la sous-diagonale de la compagnon). Son déterminant vaut \(1 \neq 0\).

Donc \(\mathrm{rg}(C- \lambda I_n) \geq n-1\), puis par le théorème du rang \(\dim \ker(C- \lambda I_n) \leq 1\).

Comme \(\lambda\) est valeur propre, ce noyau est non nul, d’où \(\dim \ker(C- \lambda I_n) = \mathbf{1}\). Ceci est vrai pour toute valeur propre, indépendamment de sa multiplicité algébrique.


Exercice 5 — Polynôme minimal ★★

Montrer que \(\pi_{C(P)} = P\) en exhibant un vecteur dont le polynôme minimal relatif est \(P\).

Voir la correction de l’exercice 5

On prend \(x = e_1\). Par construction, \(C^k e_1 = e_{k+1}\) pour \(0 \leq k \leq n-1\), donc la famille \((e_1, Ce_1, \dots, C^{n-1}e_1) = (e_1, \dots, e_n)\) est libre. Aucun polynôme non nul de degré \(\leq n-1\) n’annule \(e_1\) : le polynôme minimal relatif à \(e_1\) a degré \(n\).

Comme \(P(C) e_1 = 0\) (relation \(C^n e_1 = -a_0 e_1- \cdots- a_{n-1}C^{n-1}e_1\)) et \(P\) unitaire de degré \(n\), ce polynôme minimal relatif est \(P\). Or \(\pi_C\) est multiple de tout minimal relatif, donc \(\deg \pi_C \geq n\) ; combiné à \(\pi_C \mid P\), on obtient \(\pi_{C(P)} = \mathbf{P}\).


Exercice 6 — Semblable à sa compagnon (démonstration guidée) ★★★

Soit \(A \in \mathcal{M}_n(\mathbb{K})\). Montrer que \(A\) est semblable à \(C(\chi_A)\) si et seulement si \(A\) est cyclique, c’est-à-dire \(\pi_A = \chi_A\).

Voir la correction de l’exercice 6

Sens direct. Si \(A\) est semblable à \(C(\chi_A)\), alors elle a le même polynôme minimal, qui vaut \(\chi_A\) pour une compagnon. Donc \(\pi_A = \chi_A\).

Réciproque. Supposons \(\pi_A = \chi_A\), de degré \(n\). Il existe alors un vecteur \(x\) dont le minimal relatif est \(\pi_A\) (lemme classique : le polynôme minimal est atteint comme minimal relatif d’au moins un vecteur). Son degré est \(n\), donc \((x, u(x), \dots, u^{n-1}(x))\) est libre, c’est une base. Dans cette base, la matrice de \(u\) est exactement \(C(\chi_A)\) (chaque \(u^k(x)\) est le vecteur de base suivant, et \(u^n(x)\) s’exprime via \(\chi_A\)).

Conclusion : \(A\) est semblable à sa compagnon si et seulement si elle est cyclique. En particulier, une matrice scalaire \(\lambda I_n\) avec \(n \geq 2\) n’est jamais semblable à une compagnon, car \(\pi = X- \lambda \neq \chi = (X-\lambda)^n\).


IX. Questions fréquentes

À quoi sert concrètement une matrice compagnon ?

Elle fabrique une matrice dont le polynôme caractéristique est imposé : à partir d’un polynôme unitaire \(P\), la matrice \(C(P)\) vérifie \(\chi_{C(P)} = P\). On s’en sert pour transformer une équation différentielle ou une suite récurrente linéaire d’ordre \(n\) en un système d’ordre 1, et pour démontrer des résultats de réduction comme le théorème de Cayley-Hamilton.

Quand une matrice compagnon est-elle diagonalisable ?

Exactement lorsque son polynôme \(P\) est scindé à racines simples. En effet, chaque valeur propre d’une compagnon a une multiplicité géométrique égale à \(1\) : la diagonalisabilité exige donc que toutes les multiplicités algébriques soient égales à \(1\), c’est-à-dire que les racines soient distinctes et le polynôme scindé.

Quelle est la différence entre polynôme caractéristique et polynôme minimal d’une compagnon ?

Pour une matrice quelconque, le polynôme minimal divise le caractéristique, avec égalité ou divisibilité stricte selon la matrice. La particularité de la matrice compagnon est que les deux coïncident : \(\pi_{C(P)} = \chi_{C(P)} = P\). C’est précisément la définition d’une matrice cyclique, et ce qui fait qu’une matrice quelconque n’est pas toujours semblable à une compagnon.

Comment calculer le déterminant d’une matrice compagnon ?

Inutile de développer tout le déterminant : on utilise \(\chi_{C(P)} = P\). En évaluant en \(0\), on trouve \(\det C(P) = (-1)^n a_0\), où \(a_0\) est le terme constant de \(P\) et \(n\) son degré. La matrice est donc inversible si et seulement si \(a_0 \neq 0\).


X. Pour aller plus loin

Tu maîtrises maintenant la matrice compagnon : définition, polynôme caractéristique démontré, cyclicité et diagonalisabilité. Pour prolonger, explore les chapitres directement reliés :