Valeurs propres, vecteurs propres

Diagonalisation
Valeurs propres, vecteurs propres
Denition. Soit la matrice carree A : n n et le syst`eme
Ax = x (1)
o` u est un param`etre.
On appelle valeur propre de A une valeur de pour laquelle le
syst`eme (1) admet des solutions non triviales x =

0.
On appelle vecteurs propres associes `a la valeur propre ces solutions
non triviales.
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 1
Le syst`eme (1) secrit encore Ax = Ix soit
(AI) x =

0
Il a donc des solutions non triviales si et seulement si
det (AI) = 0 (2)
On appelle equation caracteristique lequation (2) et polynome ca-
racteristique de A son membre de gauche det (AI).
Le polynome caracteristique de A est un polynome de degre n en .
Il poss`ede donc exactement n zeros reels ou complexes, simples ou
multiples.
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 2
A poss`ede donc au plus n valeurs propres distinctes.
Lensemble des solutions du syst`eme (1) associe `a une valeur propre
reelle de A est un sous-espace de R
n
appele sous-espace propre
de A associe `a la valeur propre .
Exemples.
1. Soit
A =

1 2
3 2

Polynome caracteristique :
det (AI) =

1 2
3 2

=
2
3 4
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 3
Lequation caracteristique

2
3 4 = 0
a deux racines 1 et 4.
Valeurs propres :

1
= 1,
2
= 4
Vecteurs propres :
ce sont les solutions non-triviales du syst`eme (AI) x =

0
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 4
(a) pour
1
= 1 :

1 (1) 2
3 2 (1)

x
1
x
2

0
0

2x
1
+ 2x
2
= 0
3x
1
+ 3x
2
= 0
soit
x
1
= s
x
2
= s
, s R
do` u les vecteurs propres sv
1
avec v
1
=

1
1

, s R

(b) pour
2
= 4 :

1 (4) 2
3 2 (4)

x
1
x
2

0
0

Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 5

3x
1
+ 2x
2
= 0
3x
1
2x
2
= 0
soit
x
1
=
2
3
t
x
2
= t
, t R
do` u les vecteurs propres tv
2
avec v
2
=

2
3

, t R

Interpretation geometrique.
Soit lapplication lineaire
F : R
2
R
2
x F(x) = Ax
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 6
-v
1
w2
1 2 3
1
2
3
v
1
4w
2
Av
1
=
A = w2
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 7
-v
1
w2
1 2 3
1
2
3
v
1
4w
2
Av
1
=
A = w2
A
A' D
C
B
1
-1
1 -1 e
1
e2
e'
1
e' 2
1 2 3
1
2
3
D'
C'
B'
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 7
2. Soit
A =

1 1
0 1

Polynome caracteristique :
det (AI) =

1 1
0 1

= (1 )
2
Lequation caracteristique
2
2 +1 = 0 a une racine double
valant 1.
Valeurs propres : A a une seule valeur propre :
= 1
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 8
Vecteurs propres : ce sont les solutions non-triviales du sys-
t`eme (AI) x =

0 pour = 1 :

1 (1) 1
0 1 (1)

x
1
x
2

0
0

0x
1
+ 1x
2
= 0
0x
1
+ 0x
2
= 0
soit
x
1
= s
x
2
= 0
, s R
do` u les vecteurs propres sv avec v =

1
0

, s R

Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 9

1
1
e
1 e'
1
e
2
e'
2
=
3. Rotation dans le plan. Soit
A =
1

1 1
1 1

Polynome caracteristique :
det (AI) =

2
1

= (
1

2
)
2
+
1
2
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 10
Lequation caracteristique
2

2+1 = 0 na pas de racines

reelles mais deux racines complexes conjuguees.
Valeurs propres : A a deux valeurs propres conjuguees com-
plexes :
=
1

2
(1 i)
Vecteurs propres : Dans une rotation du plan, aucun vecteur
(=

0) ne garde sa direction. . .
1
1
e
1
e'
1
e
2
e'
2
45
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 11
Diagonalisation
Denition. La matrice A : nn est diagonalisable sil existe une
matrice inversible P : n n et une matrice diagonale : n n
telles que
P
1
AP =
Interpretation. La matrice A peut etre vue comme la matrice
dune transformation lineaire
F : R
n
R
n
x F(x) = Ax
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 12
A est alors la matrice de la transformation par rapport `a la base
canonique de R
n
:
[F(x)]
BC
= A[x]
BC
P peut etre interpretee comme une matrice de changement de
base, de la base B vers la base BC :
[y]
BC
= P [y]
B
y R
n
Alors est la matrice de ta transformation par rapport `a la base
B. En eet
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 13
[F(x)]
B
= P
1
[F(x)]
BC
= P
1
A[x]
BC
= P
1
AP [x]
B
=
= [x]
B
Diagonaliser A revient ainsi `a chercher une base B par rapport `a
laquelle la transformation F est decrite par une matrice diagonale.
Theor`eme. Une matrice A : n n est diagonalisable si et seule-
ment si elle poss`ede n vecteurs propres lineairement independants.
Pr. On a A diagonalisable
P, P
1
et avec P
1
AP =
P et avec AP = P et P est inversible
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 14
P =

p
1
. . . p
n

et =

1
0
. . .
0
n

avec

A p
1
. . . A p
n

=


1
p
1
. . .
n
p
n

et P est inversible
n vecteurs propres, p
i
associe `a la valeur propre
i
, i =
1, . . . , n, et { p
1
, . . . , p
n
} est lineairement independant. 2
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 15
Exemple Soit la matrice de lexemple 1 :
A =

1 2
3 2

On a trouve les valeurs propres 1 et 4

et les vecteurs propres correspondants :
pour
1
= 1 : p
1
=

1
1

pour
2
= 4 : p
2
=

2
3

{ p
1
, p
2
} est lineairement independant et avec P =

p
1
p
2

on
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 16
obtient
P =

1 2
1 3

P
1
=
1
5

3 2
1 1

P
1
AP =
1
5

3 2
1 1

1 2
3 2

1 2
1 3

=
=
1
5

3 2
1 1

1 8
1 12

1 0
0 4

Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 17

Theor`eme. Les vecteurs propres correspondant `a des valeurs
propres distinctes sont lineairement independants.
Pr. Par labsurde : Soit
1
<
2
< . . . <
k
une collection minimale
de valeurs propres distinctes de A conduisant `a un ensemble de
vecteurs propres {x
1
, x
2
, . . . , x
k
} lineairement dependant. Alors il
existe des constantes c
1
, c
2
, . . . , c
k
, toutes = 0, avec
c
1
x
1
+ c
2
x
2
+ . . . + c
k
x
k
=

0
et ainsi
c
1
Ax
1
+ c
2
Ax
2
+ . . . + c
k
Ax
k
= A

0 =

0
c
1

1
x
1
+ c
2

2
x
2
+ . . . + c
k

k
x
k
=

0
mais dautre part, en multipliant la premi`ere equation par
1
on
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 18
obtient aussi
c
1

1
x
1
+ c
2

1
x
2
+ . . . + c
k

1
x
k
=

0
et en soustrayant cette equation de la precedente
c
2
(
2

1
)x
2
+ . . . + c
k
(
k

1
)x
k
=

0
Ainsi lensemble {x
2
, . . . , x
k
}est lineairement dependant, en contra-
diction avec la minimalite de la collection. 2
Remarque. Le theor`eme precedent fournit une condition susante
pour la diagonalisabilite dune matrice. Mais cette condition nest
pas necessaire !
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 19
Diagonalisation orthogonale
Denition. La matrice P : n n est dite orthogonale si ses co-
lonnes forment une base orthonormee de R
n
muni du produit scalaire
euclidien.
On a ainsi
P
T
P = I
Proprietes. Il decoule de la denition que
P
1
= P
T
det(P) = 1
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 20
Selon la valeur de det(P) on a
det(P) = +1 : P est la matrice dune rotation.
det(P) = 1 : P est la matrice dune rotation suivie dune sy-
metrie.
Denition. La matrice A : n n est dite orthogonalement dia-
gonalisable sil existe une matrice P orthogonale qui la diagonalise,
cest-`a-dire sil existe P telle que
P
T
AP =
avec P
T
P = I et matrice diagonale.
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 21
Theor`eme. Pour toute matrice A : nn les armations suivantes
sont equivalentes :
1. A est orthogonalement diagonalisable.
2. A est symetrique.
Pr.
1. 2. On a A = PP
T
. Alors
A
T
=

PP
T

T
=

P
T

T
P
T
= PP
T
= A
2. 1. On ne demontrera ici limplication que pour le cas particu-
lier o` u A poss`ede n valeurs propres distinctes. Elle est cependant
valable pour toute matrice symetrique.
On utilise les deux lemmes suivants :
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 22
Lemme 1. Soit la matrice symetrique A : nn. Alors les valeurs
propres de A sont toutes reelles.
Pr. Lequation caracteristique det(A I) = 0 a tous ses co-
ecients reels. Ses racines sont donc soit reelles, soit elles appa-
raissent par paires conjuguees-complexes. On montre que ce der-
nier cas nest pas possible :
Soit et une telle paire et x et x la paire de vecteurs propres
conjugues-complexes associes. On a Ax = x et Ax = x.
Prenant la transposee de la deuxi`eme equation on obtient

Ax

T
= x
T
A = x
T
.
Multipliant la premi`ere equation par x
T
on obtient x
T
Ax = x
T
x.
Combinant ces deux resultats, il vient x
T
Ax = x
T
x = x
T
x.
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 23
Do` u

x
T
x = 0 et donc = car x
T
x = |x|
2
= 0. 2
Lemme 2. Soit la matrice symetrique A : n n,
1
et
2
deux valeurs propres distinctes de A, p
1
et p
2
des vecteurs propres
associes `a
1
et
2
respectivement.
Alors p
1
et p
2
sont orthogonaux, cest-`a-dire p
T
1
p
2
= 0.
Pr. On a A p
1
=
1
p
1
et A p
2
=
2
p
2
. Utilisant les memes mani-
pulations que precedemment, il vient
p
T
2
A p
1
= p
T
2
(A p
1
) = p
T
2

1
p
1
=
1
p
T
2
p
1
dune part,
et dautre part
p
T
2
A p
1
= ( p
T
2
A) p
1
=
2
p
T
2
p
1
. Do` u
(
2

1
) p
T
2
p
1
= 0 et donc p
T
2
p
1
= 0 puisque
1
=
2
2
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 24
(Fin de la preuve du theor`eme) Soit A symetrique aux valeurs propres

1
< . . . <
n
et p
1
, . . . , p
n
des vecteurs propres correspondants,
quon supposera normes ( p
1
= . . . = p
n
= 1). Alors, par le
lemme 2,
p
T
i
p
j
=

1 : i = j
0 : i = j
Posant P =

p
1
. . . p
n

, on a ainsi P
T
P = I .
Dautre part, A p
i
=
i
p
i
i = 1, . . . , n, ce qui secrit aussi AP =
P, soit
P
T
AP = P
T
P =
2
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 25
Exemple.
A =

2 1 0
1 1 1
0 1 2

Polynome caracteristique :
|AI| =

2 1 0
1 1 1
0 1 2

=
3
+ 5
2
6
Valeurs propres : 0, 2 et 3.
Vecteurs propres :

1
2
1

1
0
1

et

1
1
1

(orthogonaux deux `a
deux)
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 26
On norme les vecteurs propres pour former la matrice P
P =

6

1

2
1

6
0
1

3
1

6
1

2
1

On verie que P
T
P = I et que, avec =

0 0 0
0 2 0
0 0 3

,
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 27
P
T
AP =

6

2

6
1

2
0
1

2
1

3
1

3
1

2 1 0
1 1 1
0 1 2

6

1

2
1

6
0
1

3
1

6
1

2
1

6

2

6
1

2
0
1

2
1

3
1

3
1

2

3
0 0

3
0

2

3

=
=

0 0 0
0 2 0
0 0 3

=
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 28
Applications de la diagonalisation
Lemme. Soit A : n n diagonalisable avec les matrices P et ,
cest-`a-dire = P
1
AP. Alors, pour tout entier k 1 on a
A
k
= P
k
P
1
Pr. Par induction sur k :
vrai pour k = 1 car = P
1
AP secrit aussi A = PP
1
.
si lhypoth`ese est vraie pour k 1, elle lest aussi pour k car
A
k
= A
k1
A =

P
k1
P
1

PP
1

= P
k
P
1
.
2
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 29

Equations aux dierences lineaires et homog`enes

Etant donne une matrice de coecients A : n n et un vecteur

c R
n
de conditions initiales, on consid`ere le syst`eme homog`ene
dequations aux dierences
x
t
= Ax
t1
, t = 1, 2, . . .
x
0
= c
Ce syst`eme a comme solution unique
x
t
= A
t
c , t = 1, 2, . . .
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 30
Si A est diagonalisable, cette solution secrit
x
t
= P
t
P
1
c , t = 1, 2, . . .
Le comportement asymptotique de cette solution depend des va-
leurs propres de A quon retrouve dans la matrice .
Denition. La solution du syst`eme homog`ene dequations aux dif-
ferences est asymptotiquement stable si
lim
t
(x
t
) =

0
quelles que soient les conditions initiales x
0
=c.
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 31
Theor`eme. La solution du syst`eme homog`ene dequations aux dif-
ferences est asymptotiquement stable si et seulement si toutes les
valeurs propres de A (reelles ou complexes) ont module inferieur `a
1.
(Pour un nombre complexe z = + i le carre de son module est
|z|
2
= zz =
2
+
2
)
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL 32