Académique Documents
Professionnel Documents
Culture Documents
Calcul Matriciel
Calcul Matriciel
(1)
(A I) !x = !0
Il a donc des solutions non triviales si et seulement si
det (A I) = 0
(2)
On appelle equation caracteristique lequation (2) et polynome caracteristique de A son membre de gauche det (A I).
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
Exemples.
1. Soit
A=
1 2
3 2
"
Polynome caracteristique :
#
# 1
2
det (A I) = ##
3
2
#
#
# = 2 3 4
#
(a) pour 1 = 1 :
!
"!
" ! "
1 (1)
2
x1
0
=
3
2 (1)
x2
0
Lequation caracteristique
2 3 4 = 0
a deux racines 1 et 4.
Valeurs propres :
1 = 1,
2x1 + 2x2 = 0
3x1 + 3x2 = 0
x1 = s
,sR
x2 = s
!
"
1
do`u les vecteurs propres s!v1 avec !v1 =
, s R#
1
2 = 4
Vecteurs propres :
ce sont les solutions non-triviales du syst`eme (A I) !x = !0
(b) pour 2 = 4 :
!
4
"!
x1
x2
"
0
0
"
5
soit
A w2 = 4w2
3
2
F : R2 R2
Av1 = -v1
!x F(!x) = A!x
1 (4)
2
3
2 (4)
x1 = 23 t
,tR
x2 = t
! "
2
, t R#
do`u les vecteurs propres t!v2 avec !v2 =
3
Interpr
etation g
eom
etrique.
Soit lapplication lineaire
3x1 + 2x2 = 0
3x1 2x2 = 0
soit
w2
1
v1
2. Soit
A=
C'
e'2
A
B'
e2
-1
3
e1 1
-1
A'
2
Av1 = -v1
"
#
#
# = (1 )2
#
w2
1
1 1
0 1
Polynome caracteristique :
#
# 1
1
det (A I) = ##
0
1
e'1
A w2 = 4w2
3
D'
v1
=1
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL
x1 = s
,sR
x2 = 0
! "
1
, s R#
do`u les vecteurs propres s!v avec !v =
0
soit
e2
e'2
e1 = e'1
1
Polynome caracteristique :
#
# 1
#
det (A I) = # 2 1
# 2
1 1
1 1
"
#
#
1
1
#
= ( )2 +
#
1
#
2
2
2
1
2
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 complexes :
1
= (1 i)
2
Vecteurs propres : Dans une rotation du plan, aucun vecteur
(#= !0) ne garde sa direction. . .
45
1
e2
e1
1
F : Rn Rn
!x F(!x) = A!x
e'1
11
12
[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 Rn
Alors est la matrice de ta transformation par rapport `a la base
B. En effet
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL
D
efinition. La matrice A : n n est diagonalisable sil existe une
matrice inversible P : n n et une matrice diagonale : n n
telles que
P 1AP =
Interpr
etation. La matrice A peut etre vue comme la matrice
dune transformation lineaire
e'2
Diagonalisation
13
Th
eor`
eme. Une matrice A : n n est diagonalisable si et seulement si elle poss`ede n vecteurs propres lineairement independants.
Pr. On a A diagonalisable
P, P 1 et avec P 1AP =
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 =
A!
p1 . . . A!
pn
0
...
avec
1p!1 . . . np!n
et P est inversible
n vecteurs propres, p!i associe `a la valeur propre i, i =
1, . . . , n, et {!
p1, . . . , p!n} est lineairement independant. !
obtient
15
"
1 2
P =
1 3
!
"
1 3 2
1
P =
5 1 1
P
3 2
1 1
"!
1 2
3 2
on
16
Pr. Par labsurde : Soit 1 < 2 < . . . < k une collection minimale
de valeurs propres distinctes de A conduisant `a un ensemble de
vecteurs propres {!x1, !x2, . . . , !xk } lineairement dependant. Alors il
existe des constantes c1, c2, . . . , ck , toutes #= 0, avec
"
1 2
=
1 3
"!
" !
"
!
1 3 2
1 8
1 0
=
=
1 12
0 4
5 1 1
1
AP =
5
p!1 p!2
Th
eor`
eme. Les vecteurs propres correspondant `a des valeurs
propres distinctes sont lineairement independants.
"!
17
18
Diagonalisation orthogonale
obtient aussi
c11!x1 + c21!x2 + . . . + ck 1!xk = !0
et en soustrayant cette equation de la precedente
c2(2 1)!x2 + . . . + ck (k 1)!xk = !0
Ainsi lensemble {!x2, . . . , !xk }est lineairement dependant, en contradiction avec la minimalite de la collection. !
D
efinition. La matrice P : n n est dite orthogonale si ses colonnes forment une base orthonormee de Rn muni du produit scalaire
euclidien.
On a ainsi
PTP = I
Proprietes. Il decoule de la definition que
19
det(P ) = 1
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL
20
Th
eor`
eme. Pour toute matrice A : nn les affirmations suivantes
sont equivalentes :
1. A est orthogonalement diagonalisable.
2. A est symetrique.
Pr.
1. 2. On a A = P P T . Alors
,
-T , -T
AT = P P T = P T T P T = P P T = A
2. 1. On ne demontrera ici limplication que pour le cas particulier o`u A poss`ede n valeurs propres distinctes. Elle est cependant
valable pour toute matrice symetrique.
On utilise les deux lemmes suivants :
P 1 = P T
21
22
23
- T
,
T
Do`u !x !x = 0 et donc = car !x !x = |!x|2 #= 0. !
Exemple.
Valeurs propres : 0, 2 et 3.
deux)
25
2 1 0
A=1 1 1
0 1 2
Polynome caracteristique :
#
#
# 2
1
0 ##
#
#
#
|A I| = # 1
1
1 # = 3 + 52 6
#
#
# 0
1
2 #
Vecteurs propres :
24
1
1
1
2 , 0 et 1
1
1
1
(orthogonaux deux `a
26
12 13
6
P = 26 0 13
1
6
1
2
1
3
la matrice P
P AP =
T
0 0 0
27
Applications de la diagonalisation
Lemme. Soit A : n n diagonalisable avec les matrices P et ,
cest-`a-dire = P 1AP . Alors, pour tout entier k 1 on a
A = P P
k
26
0
1
3
26
1
3
1
6
1
2
1
3
1
6
1
2
1
3
1
0
0
0
1
6
26
1
6
1 0
1 1
1 2
2 3
0
3
=
2
3
12
0
1
2
1
3
1
3
1
3
28
Equations
aux diff
erences lin
eaires et homog`
enes
Etant
donne une matrice de coefficients A : n n et un vecteur
n
!c R de conditions initiales, on consid`ere le syst`eme homog`ene
dequations aux differences
!xt = A!xt1 , t = 1, 2, . . .
!x0 = !c
1
6
12
1
3
1
6
12
1
3
0 0 0
= 0 2 0=
0 0 3
29
30
Th
eor`
eme. La solution du syst`eme homog`ene dequations aux differences 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)
lim (!xt) = !0
31
32