Une ressource Excellence Maths. Découvrir le professeur

Tu sais résoudre \(y^\prime = ay\) : la solution est \(y(t) = e^{at}y_0\). Que se passe-t-il quand \(a\) devient une matrice \(A\) et \(y\) un vecteur ? L’exponentielle d’une matrice répond exactement à cette question. C’est l’objet qui boucle le programme de spé : réduction, séries et systèmes différentiels s’y rejoignent.

Définition — Exponentielle d’une matrice

Soit \(A \in \mathcal{M}_n(\mathbb{K})\) (avec \(\mathbb{K} = \mathbb{R}\) ou \(\mathbb{C}\)). L’exponentielle de \(A\), notée \(e^A\) ou \(\mathrm{exp}(A)\), est la matrice définie par la série convergente :

\(e^A = \displaystyle\sum_{k=0}^{+\infty} \displaystyle\frac{A^k}{k!} = I_n + A + \displaystyle\frac{A^2}{2} + \displaystyle\frac{A^3}{6} + \cdots\)

Elle généralise l’exponentielle réelle aux matrices et donne la solution de \(X^\prime = AX\) sous la forme \(X(t) = e^{tA}X_0\).

Au programme — CPGE 2e année (MP, MPI)

L’exponentielle de matrice et son usage pour les systèmes différentiels linéaires à coefficients constants figurent au programme de MP/MPI (BO n°31 du 26/08/2021, annexe Mathématiques, §c « exponentielle »). La décomposition de Dunford et la forme de Jordan générale sont présentées ici comme des prolongements guidés, distincts du socle officiel. Prérequis : séries numériques, réduction des endomorphismes, calcul matriciel.

I. Définition par la série exponentielle

Pour un réel \(a\), on a \(e^a = \sum_{k \geq 0} a^k/k!\). L’idée est de remplacer \(a\) par une matrice carrée \(A\) : les puissances \(A^k\) ont un sens, et il reste à vérifier que la série converge.

A. Convergence de la série

Munissons \(\mathcal M_n(\mathbb K)\) d’une norme subordonnée \(\Vert\cdot\Vert\). Elle vérifie \(\Vert I_n\Vert=1\) et \(\Vert AB\Vert\le\Vert A\Vert\,\Vert B\Vert\). On contrôle alors chaque terme de la série :

\(\left\Vert \displaystyle\frac{A^k}{k!} \right\Vert \leq \displaystyle\frac{\Vert A \Vert^k}{k!}\)

La série numérique \(\sum \Vert A \Vert^k / k!\) converge, de somme \(e^{\Vert A \Vert}\). La série \(\sum A^k/k!\) est donc normalement convergente. Dans cet espace de dimension finie, la convergence absolue entraîne la convergence de la série. L’exponentielle \(e^A\) est bien définie pour toute matrice.

Exemple : pour la matrice nulle, \(e^{0} = I_n\). Pour \(A = \mathrm{diag}(\lambda_1, \dots, \lambda_n)\), chaque puissance est \(A^k = \mathrm{diag}(\lambda_1^k, \dots, \lambda_n^k)\), donc :

\(e^A = \mathrm{diag}\left(e^{\lambda_1}, \dots, e^{\lambda_n}\right)\)


II. Propriétés fondamentales

La définition posée, les propriétés calculatoires suivent. Attention : l’une d’elles, la plus utilisée, est aussi la plus trahie.

Propriétés — Exponentielle de matrice

  • \(e^{0} = I_n\) ;
  • si \(AB = BA\), alors \(e^{A+B} = e^A \, e^B\) ;
  • \(e^A\) est inversible et \(\left(e^A\right)^{-1} = e^{-A}\) ;
  • \(e^{PAP^{-1}} = P \, e^A \, P^{-1}\) (invariance par similitude) ;
  • \(\det\left(e^A\right) = e^{\mathrm{tr}(A)}\) ;
  • \(e^{\,{}^{t}A} = {}^{t}\!\left(e^A\right)\).

A. Démonstration de la formule du produit

Supposons \(AB = BA\). Les deux séries étant absolument convergentes, on peut effectuer le produit de Cauchy :

\(e^A \, e^B = \displaystyle\sum_{n=0}^{+\infty} \left( \sum_{p+q=n} \displaystyle\frac{A^p B^q}{p! \, q!} \right)\)

Comme \(A\) et \(B\) commutent, la formule du binôme de Newton s’applique aux matrices :

\(\displaystyle\sum_{p+q=n} \displaystyle\frac{n!}{p! \, q!} A^p B^q = (A+B)^n\)

En divisant par \(n!\) et en sommant, on obtient \(e^A e^B = \sum_{n \geq 0} (A+B)^n/n! = e^{A+B}\). ∎

En prenant \(B = -A\) (qui commute avec \(A\)) : \(e^A e^{-A} = e^{0} = I_n\), ce qui prouve l’inversibilité.

B. Déterminant : la formule trace

Sur \(\mathbb{C}\), toute matrice est trigonalisable. Soit \(A = P T P^{-1}\) avec \(T\) triangulaire de coefficients diagonaux \(\lambda_1, \dots, \lambda_n\) (les valeurs propres). Alors \(e^A = P \, e^T P^{-1}\), et \(e^T\) est triangulaire de diagonale \(e^{\lambda_1}, \dots, e^{\lambda_n}\). Donc :

\(\det\left(e^A\right) = \displaystyle\prod_{i=1}^{n} e^{\lambda_i} = e^{\sum_i \lambda_i} = e^{\mathrm{tr}(A)}\)

On retrouve ici la trace comme somme des valeurs propres. Conséquence : \(\det(e^A) \neq 0\) toujours, l’exponentielle est à valeurs dans \(\mathrm{GL}_n(\mathbb{K})\).

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. Calculer une exponentielle de matrice : 4 méthodes

En pratique, on ne somme jamais la série. On ramène \(A\) à une forme où le calcul est explicite. Voici les quatre méthodes à maîtriser, selon la nature de \(A\).

Quelle méthode selon la matrice A
Situation de \(A\) Méthode Résultat
\(A\) diagonalisable Diagonalisation \(P \, \mathrm{diag}(e^{\lambda_i}) \, P^{-1}\)
\(A\) nilpotente Somme finie Polynôme en \(A\)
\(A\) quelconque sur \(\mathbb{C}\) Dunford \(A = D+N\) \(e^D \, e^N\)
\(A\) avec annulateur connu Division euclidienne \(e^A = Q(A)\), \(\deg Q\) < \(\deg \pi_A\)

A. A diagonalisable

Si \(A\) est diagonalisable, écris \(A = P D P^{-1}\) avec \(D = \mathrm{diag}(\lambda_1, \dots, \lambda_n)\). Par invariance par similitude :

\(e^A = P \, \mathrm{diag}\left(e^{\lambda_1}, \dots, e^{\lambda_n}\right) P^{-1}\)

C’est la situation idéale : aucune série à sommer, tout se lit sur le spectre.

B. A nilpotente : une somme finie

Si \(A\) est une matrice nilpotente d’indice \(p\) (c’est-à-dire \(A^p = 0\)), la série s’arrête :

\(e^A = I_n + A + \displaystyle\frac{A^2}{2} + \cdots + \displaystyle\frac{A^{p-1}}{(p-1)!}\)

Exemple : pour \(N = \begin{pmatrix} 0 & 1 & 0 \\ 0 & 0 & 1 \\ 0 & 0 & 0 \end{pmatrix}\), on a \(N^2 = \begin{pmatrix} 0 & 0 & 1 \\ 0 & 0 & 0 \\ 0 & 0 & 0 \end{pmatrix}\) et \(N^3 = 0\). Donc :

\(e^N = I_3 + N + \displaystyle\frac{N^2}{2} = \begin{pmatrix} 1 & 1 & \displaystyle\frac{1}{2} \\ 0 & 1 & 1 \\ 0 & 0 & 1 \end{pmatrix}\)

C. Approfondissement — A = D + N : décomposition de Dunford

Sur \(\mathbb{C}\), toute matrice s’écrit \(A = D + N\) avec \(D\) diagonalisable, \(N\) nilpotente et \(DN = ND\) : c’est la décomposition de Dunford. Comme \(D\) et \(N\) commutent :

\(e^A = e^{D+N} = e^D \, e^N\)

On combine alors la méthode A (pour \(e^D\)) et la méthode B (pour \(e^N\), somme finie). C’est la méthode universelle quand \(A\) n’est pas diagonalisable.

D. Approfondissement — Avec un polynôme annulateur

L’espace \(\mathbb K[A]\) des polynômes en \(A\) est un sous-espace de dimension finie, donc fermé. Comme les sommes partielles appartiennent à cet espace, leur limite \(e^A\) y appartient aussi. Si \(\pi_A\) est le polynôme annulateur minimal de degré \(d\), on cherche \(e^A = Q(A)\) avec \(\deg Q\) < \(d\). On détermine \(Q\) en imposant, sur chaque valeur propre \(\lambda\) de multiplicité \(m\) dans \(\pi_A\), les conditions \(Q^{(j)}(\lambda) = e^{\lambda}\) pour \(0 \leq j \leq m-1\) (via le théorème de Cayley-Hamilton et le lemme des noyaux).

Logo-excellence-maths
Besoin d'un coup de pouce en prépa ?
Avec un professeur diplômé de Polytechnique, transforme les notions les plus techniques — exponentielle de matrice, réduction, systèmes différentiels — en réflexes solides. Suivi sur-mesure, progrès mesurables dès les premières semaines.

IV. Exemples à connaître par cœur

Trois exponentielles reviennent sans cesse aux concours : la matrice \(2 \times 2\) générique, la rotation, et le bloc de Jordan. Les reconnaître fait gagner un temps précieux.

A. Matrice antisymétrique et rotation

Soit \(J = \begin{pmatrix} 0 & -1 \\ 1 & 0 \end{pmatrix}\). On calcule \(J^2 = -I_2\), donc \(J\) se comporte comme le nombre complexe \(i\). En regroupant les termes pairs et impairs :

\(e^{\theta J} = \cos(\theta)\, I_2 + \sin(\theta)\, J = \begin{pmatrix} \cos\theta & -\sin\theta \\ \sin\theta & \cos\theta \end{pmatrix}\)

L’exponentielle d’une matrice réelle antisymétrique est orthogonale de déterminant 1. Dans le cas réel \(2\times2\) ci-dessus, c’est une matrice de rotation : c’est le pont entre l’algèbre et la géométrie, et l’entrée vers les matrices de rotation du groupe orthogonal.

Trajectoire du vecteur e^{tJ}X0 dans le plan : un cercle parcouru dans le sens trigonométrique autour de l'origine.
L’exponentielle d’une matrice antisymétrique engendre une rotation : la trajectoire est un cercle.

B. Bloc de Jordan

Pour un bloc \(J_\lambda = \lambda I_2 + N\) avec \(N = \begin{pmatrix} 0 & 1 \\ 0 & 0 \end{pmatrix}\), les matrices \(\lambda I_2\) et \(N\) commutent :

\(e^{J_\lambda} = e^{\lambda} \, e^{N} = e^{\lambda} \begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix} = \begin{pmatrix} e^{\lambda} & e^{\lambda} \\ 0 & e^{\lambda} \end{pmatrix}\)


V. e^{tA} et les systèmes X′ = AX

Voici la raison d’être du chapitre. L’exponentielle résout d’un coup les systèmes différentiels linéaires à coefficients constants.

Théorème — Solution du système homogène

Soit \(A \in \mathcal{M}_n(\mathbb{K})\). L’unique solution du problème de Cauchy \(X^\prime(t) = A X(t)\), \(X(0) = X_0\), est :

\(X(t) = e^{tA} X_0\)

Cela découle de la propriété de dérivation \(\displaystyle\frac{\mathrm{d}}{\mathrm{d}t}\left(e^{tA}\right) = A \, e^{tA}\) (section VI) et de l’unicité de Cauchy linéaire. En pratique, pour calculer \(e^{tA}\), on diagonalise ou on trigonalise \(A\) : c’est précisément la démarche détaillée dans la page résoudre un système différentiel.


VI. Dérivation et prolongement sur la surjectivité

La dérivation appartient au socle ; la surjectivité complexe constitue un approfondissement. La formule de dérivation explique pourquoi \(e^{tA}\) résout le système.

A. Dérivée de t ↦ e^{tA}

L’application \(t \mapsto e^{tA}\) est de classe \(C^{\infty}\) sur \(\mathbb{R}\) et :

\(\displaystyle\frac{\mathrm{d}}{\mathrm{d}t}\left(e^{tA}\right) = A \, e^{tA} = e^{tA} \, A\)

On le voit en dérivant terme à terme la série \(\sum_k t^k A^k / k!\), légitimée par la convergence de la série en un point et la convergence normale de la série des dérivées sur tout segment.

B. Continuité et surjectivité

L’application \(\mathrm{exp} : \mathcal{M}_n(\mathbb{C}) \to \mathrm{GL}_n(\mathbb{C})\) est continue (limite uniforme de fonctions continues sur tout borné) et surjective : toute matrice inversible complexe est une exponentielle. Ce n’est plus vrai sur \(\mathbb{R}\) (par exemple, une matrice de déterminant négatif n’est jamais une exponentielle réelle, car \(\det(e^A) = e^{\mathrm{tr}(A)}\) > \(0\)).


VII. Calculer une exponentielle de matrice en Python

Pour vérifier un calcul à la main ou traiter un cas numérique, la bibliothèque scipy fournit la fonction dédiée expm (à ne pas confondre avec numpy.exp, qui exponentie coefficient par coefficient — une erreur classique).

import numpy as np
from scipy.linalg import expm

A = np.array([[0.0, -1.0],
              [1.0,  0.0]])

# Exponentielle de (pi/2) * A : on attend une rotation d'angle pi/2
print(expm((np.pi / 2) * A))
# [[ 6.12e-17 -1.00e+00]
#  [ 1.00e+00  6.12e-17]]  ~ rotation de 90 degres

On retrouve bien la matrice de rotation \(\begin{pmatrix} 0 & -1 \\ 1 & 0 \end{pmatrix}\) de la section IV, aux arrondis machine près.


VIII. Erreurs fréquentes et pièges

Piège n°1 — \(e^{A+B} = e^A e^B\) sans vérifier la commutation. Cette égalité est fausse en général. Elle n’est garantie que si \(AB = BA\). Avant de l’écrire, justifie toujours la commutation.

Piège n°2 — exponentier coefficient par coefficient. ❌ Copie fautive : « \(e^A\) est la matrice des \(e^{a_{ij}}\) ». Diagnostic : on confond l’exponentielle de matrice avec l’exponentielle terme à terme. ✅ Correction : \(e^A\) est défini par la série \(\sum A^k/k!\), qui mélange tous les coefficients via les puissances \(A^k\).

Troisième réflexe : oublier que \(e^A\) est toujours inversible. Si un calcul te donne \(\det(e^A) = 0\), il y a une erreur.


IX. Exemples d’application

Trois exercices pour fixer les méthodes. Pour un entraînement complet par difficulté croissante (séries diagonalisable, nilpotente, Dunford), file vers les exercices corrigés sur les systèmes différentiels, série 3.

Exercice 1 — Exponentielle d’une matrice triangulaire ★

Calculer \(e^A\) pour \(A = \begin{pmatrix} 2 & 0 \\ 1 & 2 \end{pmatrix}\).

Voir la correction de l’exercice 1

La matrice n’est pas diagonalisable (valeur propre double \(2\), sous-espace propre de dimension 1), mais on reconnaît \(A = 2 I_2 + N\) avec \(N = \begin{pmatrix} 0 & 0 \\ 1 & 0 \end{pmatrix}\), \(N^2 = 0\).

Comme \(2 I_2\) et \(N\) commutent :

\(e^A = e^{2 I_2} \, e^{N} = e^{2}\, (I_2 + N)\)

D’où \(e^A = e^{2} \begin{pmatrix} 1 & 0 \\ 1 & 1 \end{pmatrix} = \begin{pmatrix} e^2 & 0 \\ e^2 & e^2 \end{pmatrix}\).

Vérification : \(\det(e^A) = e^{2} \cdot e^{2} = e^{4} = e^{\mathrm{tr}(A)}\) ✓


Exercice 2 — Via une diagonalisation ★★

Soit \(A = \begin{pmatrix} 1 & 2 \\ 0 & 3 \end{pmatrix}\). Calculer \(e^{tA}\) pour \(t \in \mathbb{R}\).

Voir la correction de l’exercice 2

Les valeurs propres sont \(1\) et \(3\) (matrice triangulaire), distinctes : \(A\) est diagonalisable. Un vecteur propre pour \(1\) est \(\begin{pmatrix} 1 \\ 0 \end{pmatrix}\), pour \(3\) : \(\begin{pmatrix} 1 \\ 1 \end{pmatrix}\).

On pose \(P = \begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix}\), \(P^{-1} = \begin{pmatrix} 1 & -1 \\ 0 & 1 \end{pmatrix}\), et \(tA = P \begin{pmatrix} t & 0 \\ 0 & 3t \end{pmatrix} P^{-1}\).

\(e^{tA} = P \begin{pmatrix} e^{t} & 0 \\ 0 & e^{3t} \end{pmatrix} P^{-1} = \begin{pmatrix} e^{t} & e^{3t}-e^{t} \\ 0 & e^{3t} \end{pmatrix}\)

En \(t = 0\), on retrouve bien \(I_2\). ✓


Exercice 3 — Une matrice réelle sans logarithme réel ★★★

Montrer qu’aucune matrice \(A\in\mathcal M_2(\mathbb R)\) ne vérifie \(e^A=D=\mathrm{diag}(-1,-2)\).

Voir la correction de l’exercice 3

La matrice \(A\) commute avec chaque puissance de \(A\), donc avec \(e^A=D\). Écrivons \(A=\begin{pmatrix}a&b\\c&d\end{pmatrix}\). La relation \(AD=DA\) donne \(-2b=-b\) et \(-c=-2c\), donc \(b=c=0\).

La matrice \(A\) est diagonale réelle. Son exponentielle \(\mathrm{diag}(e^a,e^d)\) a deux coefficients diagonaux strictement positifs et ne peut donc être \(D\).

Le seul test du déterminant ne suffisait pas, puisque \(\det D=2\gt 0\). Sur \(\mathbb C\), un logarithme est \(\mathrm{diag}(i\pi,\ln2+i\pi)\).


X. Questions fréquentes

Comment calculer l’exponentielle d’une matrice ?

On ne somme jamais la série directement. On réduit la matrice puis on applique l’une des quatre méthodes : si elle est diagonalisable, \(e^A = P\,\mathrm{diag}(e^{\lambda_i})\,P^{-1}\) ; si elle est nilpotente, la série devient une somme finie ; sinon on utilise la décomposition de Dunford \(A = D + N\) et \(e^A = e^D e^N\) ; ou encore un polynôme annulateur.

Pourquoi e puissance A+B n’est-il pas toujours égal au produit des exponentielles ?

Parce que la démonstration repose sur la formule du binôme \((A+B)^n = \sum {n \choose k} A^k B^{n-k}\), qui n’est valable que si \(A\) et \(B\) commutent. Sans commutation, le regroupement par le binôme n’est plus justifié et l’égalité n’est pas garantie ; elle peut toutefois se produire pour certaines matrices particulières. C’est le piège le plus fréquent du chapitre.

L’exponentielle d’une matrice est-elle toujours inversible ?

Oui. Comme \(A\) et \(-A\) commutent, \(e^A e^{-A} = e^{0} = I_n\), donc \(e^A\) est inversible d’inverse \(e^{-A}\). On le confirme par \(\det(e^A) = e^{\mathrm{tr}(A)} \neq 0\). L’exponentielle est donc à valeurs dans le groupe linéaire \(\mathrm{GL}_n(\mathbb{K})\).

Quelle est la différence entre diagonaliser une matrice et calculer son exponentielle ?

Diagonaliser, c’est trouver \(P\) et \(D\) tels que \(A = PDP^{-1}\) : c’est une étape structurelle. Calculer l’exponentielle, c’est obtenir \(e^A\). La diagonalisation est un outil pour l’exponentielle (elle donne \(e^A = P\,e^D P^{-1}\)), mais ce n’est pas toujours possible : quand \(A\) n’est pas diagonalisable, on passe par Dunford ou un polynôme annulateur.

À quoi sert l’exponentielle de matrice en prépa ?

Son usage central est la résolution des systèmes différentiels linéaires à coefficients constants : la solution de \(X^\prime = AX\) avec \(X(0)=X_0\) est exactement \(X(t) = e^{tA}X_0\). On la retrouve aussi en physique (oscillateurs, portraits de phase) et dans l’étude des sous-groupes du groupe linéaire.


Pour aller plus loin

Tu maîtrises maintenant la définition, les propriétés et les quatre méthodes de calcul de l’exponentielle de matrice. Pour prolonger vers la résolution effective des systèmes :