Vous êtes sur la page 1sur 6

Chapitre 5 - Valeurs propres et vecteurs propres -

Diagonalisation
I) Valeurs propres et vecteurs propres
1) Dnition
Dnition 1 Considrons une matrice A M
n
(R).
On recherche un vecteur X 6=

0 de dimension n tel que AX soit proportionnel X soit AX = X;


cette relation scrira encore : AXX =

0 ou encore (AI
n
)X =

0 o dsignera un nombre
rel.
Par dnition, le vecteur X ainsi dtermin est appel vecteur propre de la matrice A.
Remarque 1 Le vecteur X cherch est donc solution du systme linaire (AI
n
)X =

0 .
Deux cas se prsenteront :
1
er
cas : Si P() = det(AI
n
) 6= 0
Daprs ce que nous avons vu dans les chapitres prcdents, le systme linaire aura une solution
unique qui sera X =

0 . Ce cas ne nous intressera donc pas.


2
` eme
cas : Si P() = det(AI
n
) = 0
Lquation obtenue par cette relation nous donnera une quation polynomiale appele polynme
caractristique de la matrice A; une solution de cette quation caractristique est appele valeur
propre de la matrice A.
Exemple 1 Considrons la matrice : A =

0 1
3 4

.
Le polynme caractristique de la matrice A sera :

1
3 4

= () (4 ) + 3 = 0, soit
encore :
2
4 + 3 = 0.
Cette quation possde deux racines relles qui sont :
1
= 1 et
2
= 3.
Recherchons maintenant les vecteurs porpres associs.
Pour la valeur propre
1
= 1 :
Il faut donc rsoudre le systme : AX = X

x
2
= x
1
3x
1
+ 4x
2
= x
2
en posant : X =

x
1
x
2

.
Cela donne

x
1
= x
2
x
2
est quelconque (non nul)
.
Donc tout vecteur de la forme : X =

x
2
x
2

sera vecteur propre. (avec x


2
6= 0)
Pour la valeur propre
2
= 3 :
Il faut donc rsoudre le systme : AX = 3X

x
2
= 3x
1
3x
1
+ 4x
2
= 3x
2
en posant : X =

x
1
x
2

.
Cela donne

x
2
= 3x
1
x
1
est quelconque (non nul)
.
Donc toute vecteur de la forme : X =

x
1
3x
1

sera vecteur propre.(avecx


1
6= 0)
2) Proprits
a) Proprits des valeurs propres
Proposition 1 Une matrice carre dordre n admet n valeurs propres, comptes avec leur
multiplicit.Ces valeurs propres peuvent tre complexes et, si
k
est une valeur propre complexe de
partie imaginaire nom nulle, alors son conjugu
k
sera galement une valeur propre de la
matrice A avec le mme ordre de multiplicit que celui de
k
.
1
Proposition 2 Si A M
n
(R) et si S est une matrice carre inversible, alors le polynme
caractristique des matrices A
t
ets S
1
AS sera le mme et par suite, ces deux matrices auront les
mmes valeurs propres.
Preuve. On a : det(A
t
I
n
) = det(A
t
I
t
n
) = det(
h
(AI
n
)
t
i
= det(AI
n
), et :
det(S
1
ASI
n
) = det(S
1
ASS
1
I
n
S) = det(S
1
(AI
n
)S) = det(S
1
). det(AI
n
). det(S)
ce qui donne : det(S
1
AS I
n
) = det(AI
n
)puisque det(S
1
) =
1
det(S)
.
Nous en dduisons que : det(S
1
AS I
n
) = det(AI
n
) = det(A
t
I
n
).
Proposition 3 Si est une valeur propre non nulle dune matrice A inversible, alors
1

est une valeur


propre de A
1
.
Preuve. On a donc AX = X, par consquent : A
1
X = A
1
AX = X.
Par suite, nous avons : A
1
X =
1

X ce qui prouve que


1

est une valeur propre de A


1
.
Proposition 4 Si est une valeur propre non nulle dune matrice A, alors : p N

,
p
est une
valeur propre de A
p
.
Preuve. Dmontrons ce rsultat par rcurrence sur p.
Initialisation : On a : A
1
X = AX = X =
1
X, donc
1
est une valeur propre de A
1
.
Hrdit : On suppose que
n
est une valeur propre de A
n
pour tout entier naturel non nul n 6 p
(p tant x > 1) et on montre que
p+1
est une valeur propre de A
p+1
.
On a : A
p+1
X = A
p
(AX) = A
p
(X) = (A
p
X) = (
p
X) =
p+1
X.
Par consquent,
p+1
est une valeur propre de A
p+1
.
La proprit est donc hrditaire.
Conclusion : p N

,
p
est une valeur propre de A
p
.
Proposition 5 Les valeurs propres dune matrice triangulaire sont les valeurs des lments de la
diagonale principale de la matrice.
Preuve. La matrice tant triangulaire, son quation caractristique sera :
P() = (a
11
) (a
22
) ... (a
nn
) = 0 et par suite, ses valeurs propres seront :

1
= a
11
,
2
= a
22
, ...,
n
= a
nn
.
b) Proprits des vecteurs propres
Proposition 6 A toute valeur propre on peut associer au moins un vecteur propre.
Preuve. Les valeurs propres sont les solutions de lquation caractristique : det(AI
n
) = 0.
Par consquent, ces valeurs propres rendent la matrice AI
n
non inversible; par suite nous en
dduisons lexistence dune innit de solutions pour lquation caractristique vectorielle :
AX = X.
Proposition 7 Les vecteurs propres sont dnis un facteur prs.
Preuve. Si AX = X, alors on a : R A(X) = (AX) = (X) = (X), donc X sera
un vecteur propre associ la valeur propre pour la matrice A.
Proposition 8 Toute combinaison linaire de vecteurs propres associs une mme valeur propre est
elle-mme un vecteur propre pour cette valeur propre.
Preuve. Supposons que : X
1
, X
2
, ...,X
p
sont p vecteurs propres associs la valeur propre .
On a donc : k {1, 2, ..., p} alors : AX
k
= X
k
.
Si
1
,
2
, ...,
p
dsignent p nombres rels quelconques, nous obtenons :
A

p
X
k=1

k
X
k
!
=
p
X
k=1

k
(AX
k
) =
p
X
k=1

k
(X
k
) =

p
X
k=1

k
X
k
!
. Par suite,
p
X
k=1

k
X
k
sera un vecteur
propre de la matrice A associ la valeur propre .
2
Remarque 2 Une tude plus complte de lalgbre linaire, nous montrerait que lensemble des vecteurs
propres associs une valeur propre, ensemble auquel on ajoute le vecteur nul, forme un
sous-espace vectoriel de lensemble R
n
. Ce sous-espace vectoriel est appel sous-espace propre
associ la valeur propre en question.
Proposition 9 Des vecteurs propres associs des valeurs propres direntes sont linairement
indpendants.
Preuve. Considrons p vecteurs propres X
1
, ..., X
p
de la matrices A M
n
(R) correspondants
respectivement aux valeurs propres direntes respectives
1
, ..., p.
Nous allons dmontrer le rsultat laide dun raisonnement par labsurde.
Supposons donc que ces p vecteurs ne sont pas linairement indpendants.
Appelons r le nombre maximum de vecteurs qui sont linairement indpendants parmi ces p vecteurs.
Nous avons donc r < p.
Pour simplier les notations, supposons que ces r vecteurs soient les vecteurs X
1
, ..., X
r
.
Le vecteur X
p
sera donc combinaison linaire de ces r vecteurs.
Il existera donc r nombres rels
1
, ...,
r
tels que : X
p
=
r
X
k=1

k
X
k
.
Comme nous avons : AX
p
=
p
X
p
, nous en dduisons donc que : A

r
X
k=1

k
X
k
!
=
p
r
X
k=1

k
X
k
,
soit encore :
r
X
k=1

k
AX
k
=
r
X
k=1

k
X
k
=
p
r
X
k=1

k
X
k
.
Nous en dduisons donc que :
r
X
k=1

k
(
p

k
) X
k
=

0 .
La famille {X
1
, ..., X
r
} tant libre, nous en dduisons que : k {1, ..., r} on a : a
k
(
p

k
) = 0
et puisque pour tout k nous avons
p
6=
k
, nous en tirons que les coecients
k
sont tous nuls.
Par suite, le vecteur X
p
sera nul, ce qui est impossible puisquil est un vecteur propre.
Par consquent lhypothse faite est fausse , do le rsultat annonc.
Proposition 10 A une valeur propre de multiplicit q, on peut associer au plus q vecteurs propres
linairement indpendants.
Preuve. Ce rsultat est admis.
Proposition 11 Si la matrice A est inversible et si est une valeur propre non nulle de la matrice A,
alors les vecteurs propres de la matrice A
1
relatifs la valeur propre
1

sont les mmes que ceux


de la matrice A relatifs la valeur propre .
Preuve. Ce rsultat provient immdiatement du rsultat vu dans le paragraphe prcdent relatif
aux valeurs propres de la matrice A
1
.
Proposition 12 Pour tout entier naturel p non nul, les vecteurs propres de la matrice A
p
sont les
mmes que ceux de la matrice A.
Preuve. Ce rsultat provient immdiatement du rsultat vu dans le paragraphe prcdent relatif
aux valeurs propres de la matrice A
p
.
II) La diagonalisation dune matrice
1) Dnition
Dnition 2 Considrons une matrice carre A dordre n. La matrice A est diagonale sil existe une
matrice dordre n ,inversible S telle que la matrice S
1
AS soit diagonale.
3
Remarque 3 Puisque :
det(S
1
AS I
n
) = det

S
1
(AI
n
) S

= det(S
1
). det(AI
n
). det(S) = det (AI
n
), nous
en dduisons que la matrice S
1
AS aura le mme polynme caractristique que la matrice A.
Les lments diagonaux de la matrice S
1
AS seront donc les valeurs propres de la matrice A.
Nous noterons dans ce cas : S
1
AS = diag(
1
, ...,
n
) o diag(
1
, ...,
n
) =

1
0 ... 0
0
2
0 ...
... ... ... ...
0 ... 0
n

.
Remarque 4 Si la matrice A est diagonalisable, il ny a pas unicit de la matrice S.
2) Proprits
Thorme 1 La matrice A M
n
(R) est diagonalisable si et seulement si elle admet n vecteurs propres
linairement indpendants.
De plus, les colonnes de la matrice S de transformation sont les vecteurs propres de la matrice A
rangs dans lordre o apparatront les valeurs propres dans la matrice diagonale.
Preuve. Supposons que la matrice A soit diagonalisable et posons S = [C
1
, ..., C
n
] o C
i
dsigne
la i
` eme
colonne de la matrice S.
Puisque : S
1
AS = diag(
1
, ...,
n
), nous dduisons : AS = S.diag(
1
, ...,
n
), ce qui donne encore
[AC
1
, ..., AC
n
] = [
1
C
1
, ...,
n
C
n
].
Par consquent : k {1, ..., n} on a : AC
k
=
k
C
k
. Cela montre que les n colonnes de la matrice
S sont les vecteurs propres de la matrice A qui sont ncessairement linairement indpendants
puisque det(S) 6= 0 car la matrice S est inversible.
Rciproquement, si les n vecteurs propres X
1
, ..., X
n
de la matrices A M
n
(R) sont linairement
indpendants, on considre la matrice S = [X
1
, ..., X
n
].
On a alors: S
1
AS = S
1
[AX
1
, ..., AX
n
] = S
1
[
1
X
1
, ...,
n
X
n
]
soit encore : S
1
AS = S
1
[X
1
, ..., X
n
] diag(
1
, ...,
n
) = diag(
1
, ...,
n
).
Proposition 13
La matrice A M
n
(R) est diagonalisable si et seulement si le nombre de vecteurs propres
linairement indpendants associs chaque valeur propre est gal lordre de multiplicit
de cette dernire comme solution de lquation caractristique.
Preuve. Ce rsultat est admis.
Remarque 5 Compte tenu de cette proprit, nous pouvons dire quune matrice qui nadmet que des
valeurs propres simples est diagonalisable.
3) Exemples
Exemple 2 Reprenons la matrice A =

0 1
3 4

vue au dbut de ce chapitre.


Nous avions deux valeurs propres simples :
1
= 1 et
2
= 3.
De plus, pour
1
, un vecteur propre tait X
1
=

1
1

et pour
2
on avait X
2
=

1
3

.
Ces deux valeurs propres tant simples, nous pouvons en dduire que la matrice A est diagonalisable.
Posons : S =

1 1
1 3

et vrions que la matrice S est inversible et que la matrice S


1
AS est
bien diagonale.
Comme det(S) = 2 6= 0, nous en dduisons que la matrice S est inversible et que :
S
1
=
1
2

3 1
1 1

.
De plus; S
1
AS =
1
2

3 1
1 1

0 1
3 4

1 1
1 3

, soit encore :
S
1
AS =
1
2

3 1
1 1

1 3
1 9

=
1
2

2 0
0 6

1 0
0 3


1
0
0
2

.
4
Exemple 3 On considre la matrice A =

2 2 0
1 2 1
0 2 2

.
Recherchons les valeurs propres de la matrice A
On a : det(AI
3
) =

2 2 0
1 2 1
0 2 2

.
On a : det(AI
3
) =

2 0
2 1
2 2

(on a remplac C
1
par C
1
C
2
+ C
3
), soit encore :
det(AI
3
) =

1 2 0
1 2 1
1 2 2

1 2 0
0 4 1
0 0 2

(on a remplac L
2
par L
2
+ L
1
et L
3
par L
3
L
1
).
En dnitive, le ploynme caractristique est : P() = (4 ) (2 ) = 0.
Nous obtenons donc trois valeurs propres simples
1
= 0,
2
= 4 et
3
= 2.
La matrice A sera donc diagonalisable.
Recherchons maintenant les vecteurs propres
* Relativement
1
= 0
Il faut rsoudre le systme : AX =

0 soit :

2x
1
+ 2x
2
= 0
x
1
+ 2x
2
+ x
3
= 0
2x
2
+ 2x
3
= 0

x
1
= x
2
x
2
quelconque(non nul)
x
3
= x
2
.
Un vecteur propre sera donc : X
1
=

1
1
1

.
* Relativement
2
= 4
Il faut rsoudre le systme : AX = 4X soit :

2x
1
+ 2x
2
= 4x
1
x
1
+ 2x
2
+ x
3
= 4x
2
2x
2
+ 2x
3
= 4x
3

2x
1
+ 2x
2
= 0
x
1
2x
2
+ x
3
= 0
2x
2
2x
3
= 0

x
1
= x
2
x
2
quelconque (non nul)
x
3
= x
2
.
Un vecteur propre sera : X
2
=

1
1
1

.
* Relativement
3
= 2
Il faut rsoudre le systme : AX = 2X soit :

2x
1
+ 2x
2
= 2x
1
x
1
+ 2x
2
+ x
3
= 2x
2
2x
2
+ 2x
3
= 2x
3

2x
2
= 0
x
1
+ x
3
= 0
2x
2
= 0

x
1
= x
3
x
2
= 0
x
3
quelconque (non nul)
.
Un vecteur propre sera : X
2
=

1
0
1

.
La matrice S sera : S =

1 1 1
1 1 0
1 1 1

et on aura : S
1
AS =

0 0 0
0 4 0
0 0 2

.
Exemple 4 On considre la matrice A =

3 1 1
1 3 1
2 2 2

.
Recherchons les valeurs propres de la matrice A
On a : det(AI
3
) =

3 1 1
1 3 1
2 2 2

3 1 1

2 2 2

, soit :
det(AI
3
) =

3 1 1
1 1 1
2 2 2

4 0 0
1 1 1
0 0 4

= (4 )
2
.
Le ploynme caractristique est donc : P() = (4 )
2
= 0.
5
Nous obtenons donc deux valeurs propres :
1
= 0 qui est simple et
2
= 4 qui est double.
Recherchons maintenant les vecteurs propres
* Relativement
1
= 0
Il faut rsoudre le systme : AX =

0 soit :

3x
1
x
2
+ x
3
= 0
x
1
+ 3x
2
+ x
3
= 0
2x
1
+ 2x
2
+ 2x
3
= 0

x
1
= x
2
x
2
quelconque (non nul)
x
3
= 2x
2
.
Un vecteur propre sera donc : X
1
=

1
1
2

.
* Relativement
2
= 4
Il faut rsoudre le systme : AX = 4X soit :

3x
1
x
2
+ x
3
= 4x
1
x
1
+ 3x
2
+ x
3
= 4x
2
2x
1
+ 2x
2
+ 2x
3
= 4x
3
{x
1
x
2
+ x
3
= 0

x
1
= x
2
+ x
3
x
2
quelconque (non nul)
x
3
quelconque (non nul)
.
Nous avons cette fois deux vecteurs propres linairement indpendants : X
2
=

1
0
1

et
X
3
=

1
1
0

.
La matrice S sera : S =

1 1 1
1 0 1
2 1 0

et on aura : S
1
AS =

0 0 0
0 4 0
0 0 4

.
6