Valeurs propres, vecteurs propres

Valeurs propres, vecteurs propres

Diagonalisation
D
efinition. Soit la matrice carree A : n n et le syst`eme
A!x = !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

Le syst`eme (1) secrit encore A!x = I!x soit

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 Rn appele sous-espace propre
de A associe `a la valeur propre .

(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

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

#
#
# = 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

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

(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

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

1 (4)
2
3
2 (4)

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

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

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

2. Soit
A=

C'

e'2
A

B'

e2
-1
3

e1 1
-1

A'

2
Av1 = -v1

"

#
#
# = (1 )2
#

Lequation caracteristique 2 2 + 1 = 0 a une racine double

valant 1.
Valeurs propres : A a une seule valeur propre :

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

Vecteurs propres : ce sont les solutions non-triviales du syst`eme (A I) !x = !0 pour = 1 :

!
"!
" ! "
1 (1)
1
x1
0
=
0
1 (1)
x2
0
0x1 + 1x2 = 0
0x1 + 0x2 = 0

x1 = s
,sR
x2 = 0
! "
1
, s R#
do`u les vecteurs propres s!v avec !v =
0

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

soit

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

e2

e'2
e1 = e'1
1

3. Rotation dans le plan. Soit

1
A=
2

Polynome caracteristique :
#
# 1
#
det (A I) = # 2 1
# 2

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

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

A est alors la matrice de la transformation par rapport `a la base

canonique de Rn :

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

12

[F(!x)]B = P 1 [F(!x)]BC = P 1A [!x]BC = P 1AP [!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.

[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

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

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
...

Exemple Soit la matrice de lexemple 1 :

"
!
1 2
A=
3 2

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. !

On a trouve les valeurs propres 1 et 4

et les vecteurs propres correspondants :
"
!
1
pour 1 = 1 : p!1 =
1
! "
2
pour 2 = 4 : p!2 =
3
{!
p1, !p2} est lineairement independant et avec P =

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

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.

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

"!

c1!x1 + c2!x2 + . . . + ck!xk = !0

et ainsi
c1A!x1 + c2A!x2 + . . . + ck A!xk = A!0 = !0
c11!x1 + c22!x2 + . . . + ck k!xk = !0
mais dautre part, en multipliant la premi`ere equation par 1 on

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

17

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

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

Remarque. Le theor`eme precedent fournit une condition suffisante

pour la diagonalisabilite dune matrice. Mais cette condition nest
pas necessaire !
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL

19

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 symetrie.
D
efinition. La matrice A : n n est dite orthogonalement diagonalisable sil existe une matrice P orthogonale qui la diagonalise,
cest-`a-dire sil existe P telle que
P T AP =

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 :

avec P P = I et matrice diagonale.

T

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

P 1 = P T

21

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 coefficients reels. Ses racines sont donc soit reelles, soit elles apparaissent par paires conjuguees-complexes. On montre que ce dernier cas nest pas possible :
Soit et une telle paire et !x et !x la paire de vecteurs propres
conjugues-complexes associes. On a A!x = !x et A!x = !x.
Prenant la transposee de la deuxi`eme equation on obtient
, -T
T
T
A!x = !x A = !x .
T

Multipliant la premi`ere equation par !x on obtient !x A!x = !x !x.

T
T
T
Combinant ces deux resultats, il vient !x A!x = !x !x = !x !x.
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL

23

(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 (+!
p1+ = . . . = +!
pn+ = 1). Alors, par le
lemme 2,
.
1 : i=j
T
p!i p!j =
0 : i #= j
%
$
Posant P = p!1 . . . p!n , on a ainsi P T P = I .
Dautre part, A!
pi = ip!i i = 1, . . . , n, ce qui secrit aussi AP =
P , soit
P T AP = P T P =

- T
,
T
Do`u !x !x = 0 et donc = car !x !x = |!x|2 #= 0. !

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!T1 p!2 = 0.
Pr. On a A!
p1 = 1p!1 et A!
p2 = 2p!2. Utilisant les memes manipulations que precedemment, il vient
p1) = p!T2 1p!1 = 1p!T2 p!1 dune part,
p!T2 A!
p1 = p!T2 (A!
et dautre part
p1 = 2p!T2 p!1. Do`u
p!T2 A!
p1 = (!
pT2 A)!
(2 1) p!T2 p!1 = 0 et donc p!T2 p!1 = 0 puisque 1 #= 2 !
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL

Exemple.

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

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

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

(orthogonaux deux `a

26

On norme les vecteurs propres pour former

1

12 13
6

P = 26 0 13
1
6

1
2

1
3

la matrice P

P AP =
T

0 0 0

On verifie que P T P = I et que, avec = 0 2 0 ,

0 0 3

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

vrai pour k = 1 car = P AP secrit aussi A = P P .

si lhypoth`ese est, vraie pour-k, 1, elle
pour k car
- lest aussi
k
k1
k1 1
1
k 1
A = A A = P P
P P
= P P .
!
Alg`ebre Lineaire - Th. M. Liebling, A. Prodon, ROSO-EPFL

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

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

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

Pr. Par induction sur k :

1

1
6
12
1
3
1
6

12
1
3

0 0 0

= 0 2 0=
0 0 3

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

29

Ce syst`eme a comme solution unique

!xt = At!c , t = 1, 2, . . .

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

30

Si A est diagonalisable, cette solution secrit

!xt = P tP 1!c , t = 1, 2, . . .
Le comportement asymptotique de cette solution depend des valeurs propres de A quon retrouve dans la matrice .
D
efinition. La solution du syst`eme homog`ene dequations aux differences est asymptotiquement stable si

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

quelles que soient les conditions initiales !x0 = !c.

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

31

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

32